快速提取遥感图像上的水体信息对于利用遥感进行多尺度的水资源时空分布特征及演变过程分析具有重要意义。随着遥感技术的发展, 水体信息提取方法已日趋成熟。基于水体的光谱特征, MeFeeters^[1]提出利用遥感图像的绿波段和近红外波段构建归一化差值水体指数(normalized difference water index, NDWI), 可以最大程度地抑制地表植被信息、突出水体信息, 还可有效地与阴影等信息进行分隔; 徐涵秋^{[2, 3]}提出利用短波红外波段代替NDWI中的近红外波段的改进型归一化差值水体指数(MNDWI), 可以进一步突出水体信息并压制城市建成区、植被及裸土等背景信息。此外, 很多研究人员还利用一系列波段(包括光谱特征空间转换后的波段)阈值、NDWI、地形及与其他波段关系组合形成的决策规则集针对多种类型的遥感图像数据进行水体信息提取, 并取得了一定的效果^{[4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15]}。然而, 由于遥感图像中不可避免地存在“ 同物异谱” 及“ 异物同谱” 现象, 在像元层次上基于这种全局性阈值条件的水体提取方法必然导致出现很多错分与漏分像元。尽管提取出来的很多“ 椒盐” 像元可以通过后处理得到一定程度的修正, 但是像元级及转矢量后的后处理操作也较为复杂和难以控制。骆剑承等^[16]和李均力^[17]等提出了一种基于“ 全域— 局部” 的水体信息提取方法, 该方法计算复杂, 且仅对湖泊、水库、坑塘等封闭性水体具有较好的提取效果, 对于线状水体河流的提取仍难达到较好的结果。

不同水体类型的光谱特性、空间形态及分布特性不尽相同, 提取水体并非用一个统一的简单模型就能够实现, 对水体的光谱、形态、纹理、水文学及空间分布等多种特征进行综合分析, 才可取得更好的提取效果^{[18, 19, 20, 21]}。面向对象的图像分析(object oriented image analysis, OOIA)方法具有以上特点, 能够融入多种“ 图谱” 特征。图像“ 图” 特征通过图像分割得以表达, 即分割后形成了“ 像元斑” 多边形的空间形态、空间分布、空间关系等多种特征; “ 谱” 特征则为多边形中“ 像元斑” 的光谱、地形及各种指数的均值、方差等统计值。因此, 本文基于水体NDWI的“ 全域— 局部” 特征, 并结合形状、亮度等特征, 以新疆阿勒泰山喀纳斯湖地区的山区湖泊为例, 提出利用OOIA进行水体信息提取的技术方案, 为开展进一步的其他类型水体乃至其他地物类型的信息提取提供可借鉴的解决思路。

采用eCognition 8.7软件进行OOIA, 实现湖泊信息的自动化提取。将预处理后的TM图像数据及Slope和Shaded Relief数据加载到eCognition软件平台上进行OOIA提取湖泊信息。

1)多波段数据全局分割。为了使提取出的湖泊具有较好的边界, eCognition软件进行分割时, 将影响水体的波段的权重值调高一些(这里将构成NDWI的绿波段和近红外波段权重分别设为2, 其余的默认为1)。分别以5, 10, 15, 20等4种尺度进行分割效果比较, 以选择一个较为合理的分割尺度(图3)。从图3可以看出, 分割尺度为10时, 不仅能够去除过小的湖泊, 而且植被、裸土等背景地物类别的斑块也不太破碎, 其斑块数目的减少可以降低后续识别的计算量, 从而以较短的处理时间取得较为合理的分割效果。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 不同分割尺度下的分割效果对比Fig.3 Comparison of the segmentation results at different scales

2)NDWI局部迭代分割。在eCognition软件平台上, 局部NDWI迭代分析通过光谱差异性分割(Spectral difference)模块实现。该功能模块做迭代时执行光谱特征容差小于设定尺度的相邻对象的合并操作。Spectral different分割正好利用了前文所提到的湖泊水体内部NDWI较为均一、背景对象内部的NDWI值相对差异性较小的这一特征。图4显示出NDWI分割尺度分别为0.1, 0.15, 0.2时的光谱差异性分割效果, 图上红色线条为非湖泊背景对象扩张边界。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 不同尺度下的NDWI局部迭代分割(合并)效果对比Fig.4 Comparison of the local iteration segmentation (merge) results at different scales

从图4中可以看出, 在NDWI分割尺度为0.1时, 一些背景对象(植被)仍然没有被合并到周围的对象中; 尺度增加到0.2时, 除了极个别的背景对象没有被合并外, 其余均被合并成较大的背景对象; 尺度的进一步增大则将导致一些反差较小的湖泊被合并到周围的背景对象中。多次实验结果表明, 0.2是一个较为合理的分割尺度, 未得到合并的其余湖泊水体或者背景对象中的小对象将通过后面的提取过程进行合并。

3)多尺度“ 图谱” 耦合湖泊信息自动提取。在eCognition软件平台上, 根据表1总结分析的山区湖泊的多种全域— 局部特征设定条件进行赋类别操作(assign class)即可逐步提取出湖泊信息。根据实验统计分析结果, 可以用于识别山区湖泊水体信息的一组决策规则集为

Ruleset={(Slope< 15)∩ (ShadedRelief> 0.5)∩ (NDWI> -0.2)∩ (ShapeIndex< 3)∩ (1)

式中: Slope为坡度(取值0° ~90° ); ShadedRelief为山体阴影(取值0~1, 0代表最大阴影值, 平坦地方取值趋近于1); NDWI为归一化差值水体指数(取值-1~1); ShapeIndex为形状指数(表达形状特征, 取值1~+∞ ); NDWI_MeanDifToNeighbors为NDWI的局部差异值(表达NDWI的局部对比特征, 取值0~2); Sum345为红、近红外、短波红外波段的反射率之和(表达水体在红、近红外、短波红外波段的低反射特征, 取值0~765)。采用“ 由粗到细, 逐步剔除” 的方法组合上述规则集。图5为按照规则集的一种规则组合提取湖泊过程中各步骤效果的对比。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 湖泊逐步提取效果Fig.5 Effect of lake extraction step by step

首先利用形状指数“ (ShapeIndex < 3)∩ ( NDWI_MeanDifToNeighbors) > 0.2” 将满足条件的对象全部选择出来, 作为候选湖泊水体(从图5(b)中可以看出, 真实的湖泊水体已被提取出来, 但山体阴影、裸土等很多错误目标也同时被提取出来); 然后利用规则“ ShadedRelief < 0.5” 对候选湖泊水体进行操作, 将其中的山体阴影目标去除(图5(c)); 再进一步利用规则“ Slope> 15” 将候选湖泊水体里面山坡上的裸土、冰雪、植被等错误目标移除(图5(d)), 利用规则“ Sum345 > 80” 排除候选湖泊水体中的冰雪、裸土等较亮的错误类别(图5(e))。

在执行上述规则后, 通过人工目视精度评价, 可以达到95%左右的提取精度。制约提取精度的一个方面在于在上述规则集中仍然难以移除极少数的“ 虚假湖泊” 水体目标, 这主要为一些云的阴影, 这部分云阴影“ 目标对象” 具有和水体基本相似的光谱和空间特征。尽管包括上下文特征、空间分布特征在内的分析云及其阴影共生关系的模型可以移除云阴影的影响, 然而简单高效的提取模型才具有更好的通用性, 少量的错误可以通过人工检查修正完成。在人工进行检查修正后, 满足制图要求的湖泊提取精度可以达到98%左右。图5(f)(右)和图5(g)((b')和(d'))分别为整景图像及其局部图像的湖泊水体提取效果。进一步的实验结果表明, 用于本文山区湖泊水体信息提取的规则集对于平原区的水库、坑塘、湖泊等封闭型水体的提取同样适用。通用性强的规则集可以实现横向上的大研究区、纵向上的多时相湖泊水体的快速高精度自动提取。

1)无论在精度、效率、自动化还是通用性方面, 面向对象的湖泊信息提取均较传统像元级湖泊信息提取具有显著的优势。

2)面向对象的湖泊信息提取不仅能够移除像元级湖泊水体提取过程中可能出现的椒盐噪声, 而且除具有像元级的直接与间接光谱特征外, 还具有了更多可以利用的局部对象的空间形态、纹理及空间关系等特征。全域— 局部光谱空间特征的耦合保证了湖泊信息的高精度提取。同时, 由于可以利用除光谱特征外的更多特征, 使得每一个特征在使用时可以取得更为宽松的阈值, 这对于提高提取规则的通用性具有重要意义, 而提取规则的通用性又是提取自动化的必要条件。

3)本文作为面向对象的遥感全域— 局部多特征耦合分析专题信息提取方法的一个案例, 较为简单的湖泊提取为今后更为复杂的地物类别提供了可借鉴的研究思路。如何筛选和优化面向对象分析的多种特征, 选择最显著的“ 诊断特征” , 建立结构更简单和通用的提取规则, 是今后其他地物类别提取的研究重点。