一种城市不透水面遥感提取方法及系统与流程

本发明涉及不透水面遥感提取领域，特别是涉及一种城市不透水面遥感提取方法及系统。

背景技术：

传统获取不透水面信息的方法主要是人工测绘，但是该方法费时费力，耗资巨大，实时性差。随着卫星遥感技术的快速发展，其快速、大范围和多尺度等优势解决了传统方法的不足，越来越多的不透水面信息遥感反演方法被相继提出，目前，研究方法主要分为以下5种：分类法、光谱混合分析法、回归模型法、决策树模型法和基于光谱的指数法。目前，针对不透水面信息的分类方法主要包括最大似然算法、面向对象法、人工神经网络分类法ann(artificialneuralnetwork)、支持向量机svm(supportvectormachine)等，各分类方法可以有效提取不透水面，但在应用到大范围区域时存在一定的限制，例如需要人工处理大量的数据、耗时以及计算复杂等问题。此外对于中等分辨率光学影像来说，不能很好地解决混合像元的问题。光谱混合分析法(spectralmixtureanalysis,sma)可以有效解决混合像元问题，但是由于获取代表纯净像元的端元光谱特征困难，以及计算过程复杂，难以将该方法用于大区域不透水面信息的提取。决策树模型包括基于回归分析和基于规则方法，前者适用于大范围不透水面信息的提取，但是该方法对数据噪声极其敏感；后者严重依赖所选样本的质量。回归模型法包括基于植被和不透水面两种，需要与高分辨率信息建立回归关系，该方法已被证明是一种提取大面积不透水面的有效方法。然而，如何从低分辨率图像中选择合适的因变量，从高空间分辨率图像中选择合适的自变量，是影响不透水表面提取精度的关键。

相对于以上方法，基于光谱的指数法可操作性强，自动化程度较高，能够快速提取大区域范围的不透水面信息，现已被广泛使用。目前，国内外学者通过波段组合增强不透水面与其他地表覆盖类型的差异，提出了多种建筑指数，包括城市指数(urbanindex,ui)、归一化建筑指数(normalizeddifferencebuilt-upindex,ndbi)、归一化差异不透水面指数(normalizeddifferenceimpervioussurfaceindex,ndisi)、增强型建筑与裸土指数(enhancedbuilt-upandbarenessindex,ebbi)、归一化差异不透水指数(normalizeddifferenceimperviousindex,ndii)、修正归一化差异不透水面指数(modifiedndisi,mndisi)、建筑用地指数(index-basedbuilt-upindex,ibi)、生物物理成分指数(biophysicalcompositionindex,bci)以及组合建筑指数(combinationalbuild-upindex,cbi)。这些指数均可提取不透水面信息，但是在提取过程中存在一定的局限性。最主要的问题不透水面信息中常常混杂其他地物类型，特别是裸土。刘畅等人基于landsat8影像，测试了8种主要不透水面指数(ndisi、bci、ui、ibi、ndbi、nbi、pii和rri)的提取精度，结果表明，这8种指数均未能有效解决不透水面与裸土混淆的问题。bci、cbi等指数在提取不透水面信息之前需要先剔除掉水体信息。另外，ndisi等指数需要用到热红外波段，热红外波段的分辨率相对较低，虽然在与多光谱波段的混合计算中起到了一定的融合细化作用，但是仍加剧了混合像元的现象，许多遥感影像不存在热红外波段，特别是高分辨率影像。此外，mndisi指数加入了较少见的高分辨率夜间灯光指数，限制了该指数的实用性。

城市是由不透水面、植被、水体以及裸土等多种土地覆盖类型构成的综合体，其中裸土的光谱特征与不透水面十分接近，因此常常干扰不透水面信息的提取；另外，多种不透水面信息的提取方法均是基于ridd的vis模型，该模型将城市视为植被、不透水面和土壤三者的线性组合，并未考虑水体，因此这些方法在提取不透水面之前需要事先掩膜掉水体信息，这不仅增加了工作量，并且在水体提取过程中容易产生误差；此外，有些指数如ndisi和mndisi等需要用到热红外波段，加剧了混合像元现象，降低了不透水面信息的提取精度。

技术实现要素：

本发明的目的是提供一种城市不透水面遥感提取方法及系统，能够提高不透水面的提取精度。

为实现上述目的，本发明提供了如下方案：

一种城市不透水面遥感提取方法，包括：

获取landsat数据；

对所述landsat数据进行预处理，得到预处理后的遥感数据；

根据所述遥感数据，分别计算ndui指数、mndwi指数和savi指数；

将所述ndui指数、所述mndwi指数和所述savi指数进行拉伸处理，得到拉伸后的ndui指数、拉伸后的mndwi指数和拉伸后的savi指数；

根据所述拉伸后的ndui指数、所述拉伸后的mndwi指数和所述拉伸后的savi指数，计算归一化差值城市综合指数；

根据所述归一化差值城市综合指数采用阈值法，提取不透水面信息。

可选的，所述对所述landsat数据进行预处理，得到预处理后的遥感数据，具体包括：

对所述landsat数据进行辐射定标、大气校正预处理，得到预处理后的遥感数据，所述遥感数据包括：蓝光的反射率、近红外的反射率、第二短波红外的反射率、绿光的反射率、红光的反射率和第一短波红外的反射率。

可选的，所述根据所述遥感数据，分别计算ndui指数、mndwi指数和savi指数，具体包括：

根据所述遥感数据采用公式和分别计算ndui指数、mndwi指数和savi指数；

其中，blue为蓝光的反射率，nir为近红外的反射率，swir2为第二短波红外的反射率，green为绿光的反射率，red为红光的反射率，swir1为第一短波红外的反射率，l为土壤调节系数。

可选的，所述根据所述拉伸后的ndui指数、所述拉伸后的mndwi指数和所述拉伸后的savi指数，计算归一化差值城市综合指数，具体包括：

根据所述拉伸后的ndui指数、所述拉伸后的mndwi指数和所述拉伸后的savi指数采用公式计算归一化差值城市综合指数；

其中，nduii为归一化差值城市综合指数，ndui^*为拉伸后的ndui指数，mndwi^*为拉伸后的mndwi指数，savi^*为拉伸后的savi指数。

可选的，所述根据所述归一化差值城市综合指数采用阈值法，提取不透水面信息，具体包括：

采用目视解译和人工选取相结合的方式，确定阈值；

根据所述阈值将所述归一化差值城市综合指数进行二值化处理，得到不透水面信息。

一种城市不透水面遥感提取系统，包括：

landsat数据获取模块，用于获取landsat数据；

预处理模块，用于对所述landsat数据进行预处理，得到预处理后的遥感数据；

各指数计算模块，用于根据所述遥感数据，分别计算ndui指数、mndwi指数和savi指数；

拉伸处理模块，用于将所述ndui指数、所述mndwi指数和所述savi指数进行拉伸处理，得到拉伸后的ndui指数、拉伸后的mndwi指数和拉伸后的savi指数；

归一化差值城市综合指数计算模块，用于根据所述拉伸后的ndui指数、所述拉伸后的mndwi指数和所述拉伸后的savi指数，计算归一化差值城市综合指数；

提取模块，用于根据所述归一化差值城市综合指数采用阈值法，提取不透水面信息。

可选的，所述预处理模块，具体包括：

预处理单元，用于对所述landsat数据进行辐射定标、大气校正预处理，得到预处理后的遥感数据，所述遥感数据包括：蓝光的反射率、近红外的反射率、第二短波红外的反射率、绿光的反射率、红光的反射率和第一短波红外的反射率。

可选的，所述各指数计算模块，具体包括：

各指数计算单元，用于根据所述遥感数据采用公式和分别计算ndui指数、mndwi指数和savi指数；

其中，blue为蓝光的反射率，nir为近红外的反射率，swir2为第二短波红外的反射率，green为绿光的反射率，red为红光的反射率，swir1为第一短波红外的反射率，l为土壤调节系数。

可选的，所述归一化差值城市综合指数计算模块，具体包括：

归一化差值城市综合指数计算单元，用于根据所述拉伸后的ndui指数、所述拉伸后的mndwi指数和所述拉伸后的savi指数采用公式计算归一化差值城市综合指数；

其中，nduii为归一化差值城市综合指数，ndui^*为拉伸后的ndui指数，mndwi^*为拉伸后的mndwi指数，savi^*为拉伸后的savi指数。

可选的，所述提取模块，具体包括：

阈值确定单元，用于采用目视解译和人工选取相结合的方式，确定阈值；

提取单元，用于根据所述阈值将所述归一化差值城市综合指数进行二值化处理，得到不透水面信息。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供一种城市不透水面遥感提取方法及系统。通过获取landsat数据；对landsat数据进行预处理，得到预处理后的遥感数据；根据遥感数据，分别计算ndui指数、mndwi指数和savi指数；将ndui指数、mndwi指数和savi指数进行拉伸处理，得到拉伸后的ndui指数、拉伸后的mndwi指数和拉伸后的savi指数；根据拉伸后的ndui指数、拉伸后的mndwi指数和拉伸后的savi指数，计算归一化差值城市综合指数；根据归一化差值城市综合指数采用阈值法，提取不透水面信息。本发明通过采用归一化差值城市综合指数能够提高不透水面的提取精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明城市不透水面遥感提取方法流程图；

图2为本发明研究区概况图；

图3为本发明北京市四类主要土地覆盖的光谱特征图；

图4为本发明北京、约翰内斯堡和纽约的不同指数比较图；

图5为本发明三个研究区不同指数不同地物类型的直方图；

图6为本发明三个研究区不透水面指数的二值图；

图7为本发明城市不透水面遥感提取系统结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种城市不透水面遥感提取方法及系统，能够提高不透水面的提取精度。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明提出了一个新的指数，归一化差值城市综合指数nduii(normalizeddifferenceurbanintegratedindex)，增强建筑用地和其他地物类型的特征差异，从而提高了不透水面的提取精度。通过与其它指数的对比，定量地分析了nduii提取不透水面的表现。结果表明，nduii是一种可靠、稳定的指数，可用于不同研究区不透水面的提取，克服了上述指数的不足。

图1为本发明城市不透水面遥感提取方法流程图。如图1所示，一种城市不透水面遥感提取方法包括：

步骤101：获取landsat数据；为了分析新指数在不同城市环境下的适用性，选取中国的北京，南非的约翰内斯堡和美国的纽约等三个研究区。图2为本发明研究区概况图。北京是中国的首都，地处华北平原，总面积为16410.54km2，下辖16个市辖区，在经过1978年改革开放以来，北京经历了爆炸式的城市化和人口增长，到2018年人口达到2154万，城市化率86.5％。约翰内斯堡是南非第一大城市，著名的“黄金之城”，是南非共和国经济、政治、文化、旅游中心。位于南非东北部瓦尔河上游高地上，面积约270km²，海拔高度为1754米。纽约位于美国纽约州东南部大西洋沿岸，是美国第一大城市及第一大港口，纽约占地面积1214平方公里，人口约850万。三个研究区域的土地覆盖类型包括植被、不透水面、水体和裸地。在北京，植被和不透水面是主要的土地覆盖类型，水体和裸地较少。约翰内斯堡有大量的裸地和较少的水体。纽约具有丰富的水体信息，随着城市化的快速发展，几乎没有裸土。

在本发明中，选用landsat数据，landsat数据已广泛应用于地表覆盖类型的动态变化分析。影像时间分别选取2009年8月13日(北京)、2015年2月20日(约翰内斯堡)和2018年7月10日(纽约)，其中，北京采用landsat-7etm+影像，约翰内斯堡和纽约采用landsat-8ols影像。

步骤102：对所述landsat数据进行预处理，得到预处理后的遥感数据，具体包括：

对所述landsat数据进行辐射定标、大气校正预处理，得到预处理后的遥感数据，所述遥感数据包括：蓝光的反射率、近红外的反射率、第二短波红外的反射率、绿光的反射率、红光的反射率和第一短波红外的反射率。

由于2003年5月之后，landsat-7etm+机载扫描线校正器(slc)出现故障，导致采集到的影像出现条纹，部分数据丢失，严重影响了图像的正常使用。针对这一问题，已有学者开展了损伤修复研究。本发明先使用landsat_gapfill插件来消除条纹。然后，对每幅影像进行辐射定标和大气校正，将所有影像的dn值转换为反射率。

步骤103：根据所述遥感数据，分别计算ndui指数、mndwi指数和savi指数，具体包括：

根据所述遥感数据采用公式和分别计算ndui指数、mndwi指数和savi指数。

其中，blue为蓝光的反射率，nir为近红外的反射率，swir2为第二短波红外的反射率，green为绿光的反射率，red为红光的反射率，swir1为第一短波红外的反射率，l为土壤调节系数，一般取经验值0.5。对于上述涉及到的ndui指数、mndwi指数和savi指数进行解释：

ndui(normalizeddifferenceurbanindex)：归一化差分城市指数，一般本领域中用ndui指数表示。

savi(soiladjustedvegetationindex)：土壤调节植被指数，一般本领域中用savi指数表示。

mndwi(modifiednormalizeddifferencewaterindex)：改进的归一化水体指数，一般本领域中用mndwi指数表示。

自从rouse等人建立ndvi以来，国内外学者发展了多种归一化差值指数，例如ndwi、ndbi等，创建此类指数是通过找到感兴趣的土地覆盖类型的最强和最弱反射率波段，通过比值算法，最大程度的增强感兴趣的土地覆盖类型和背景噪声的对比度。其中，ndbi是提取建筑用地方面应用最为广泛的归一化差值指数，查勇等基于landsattm影像发现，在tm4和tm5两波段之间，除了建筑用地的灰度值增高外，其他地物类型值均降低，基于此规律创建了ndbi指数。结果表明，ndbi指数提取不透水面的效果较差，水体和裸土对不透水面的提取影响较大，因此本发明针对ndbi指数进行改进，图3为本发明北京市四类主要土地覆盖的光谱特征图，以北京市为例根据不同地物类型的光谱特征可知，建筑用地与林地、耕地和裸土在短波红外mir2的亮度值差异大于mir1，因此利用mir2代替原来的mir1，此外，基于建筑用地在可见光部分的亮度值高于其他地物的特点，引入蓝光波段，使建筑用地信息更加突显，基于以上规律，提出一个新的指数——ndui指数。

xu(2008)针对城市地表覆盖以不透水面、植被和水体为主的特点，分别选用ndbi、savi和mndwi三个指数代表地物类型，创建了ibi指数，多个研究表明ibi指数是一个提取城市建成区的有效指数。该指数首次采用三个指数波段代替影像的原始波段，降低了原始波段间的冗余。ndbi指数中，水体和裸土容易混淆在不透水面信息中，水体和植被信息分离度差，而ndui指数，虽然水体、裸土和不透水面仍无法完全分离，但是水体和植被完全分离，因此选用ndui指数替代ndbi指数代表不透水面。表1为北京市三个新主题波段的四类主要城市地表类型的统计值，表1显示了三个新的主题图像中，四个城市土地利用类别的平均值和标准差。在ndui波段中，不透水面和水体的平均值明显高于植被和裸地，并且水体的平均值高于不透水面。mndwi波段中，水体的平均值为正值，明显高于其他三类地物。ndui和mndwi值相加有利于区分不透水面和水体，但裸土又易与不透水面混淆，因此引入savi波段。

表1北京市三个新主题波段的四类主要城市地表类型的统计值

步骤104：将所述ndui指数、所述mndwi指数和所述savi指数进行拉伸处理，得到拉伸后的ndui指数、拉伸后的mndwi指数和拉伸后的savi指数；这里需要将ndui指数、mndwi指数和savi指数的值拉伸到0-255范围之内。

步骤105：根据所述拉伸后的ndui指数、所述拉伸后的mndwi指数和所述拉伸后的savi指数，计算归一化差值城市综合指数，具体包括：

根据所述拉伸后的ndui指数、所述拉伸后的mndwi指数和所述拉伸后的savi指数采用公式计算归一化差值城市综合指数。

其中，nduii为归一化差值城市综合指数，取值范围是-1到1；ndui^*为拉伸后的ndui指数，mndwi^*为拉伸后的mndwi指数，savi^*为拉伸后的savi指数。

步骤106：根据所述归一化差值城市综合指数采用阈值法，提取不透水面信息，具体包括：

采用目视解译和人工选取相结合的方式，确定阈值。

根据所述阈值将所述归一化差值城市综合指数进行二值化处理，得到不透水面信息。即将nduii指数中位于该阈值区间内的值替换为1，其余部分替换为0，从而划分为不透水面(0的部分)和透水面(1的部分)两部分，进而提取出不透水面信息。

为了评价nduii在城市环境中提取不透水面信息的性能，选取了六个常用的光谱指数进行比较，包括ndbi、ui、ibi、bci、cbi和ndisi。这些光谱指数计算公式如下：

式中，green为绿光的反射率，nir为近红外的反射率，swir1为第一短波红外的反射率，swir2为第二短波红外的反射率，tir为热红外波段的反射率；tci(i＝1,2,3)是缨帽变换的前三个分量；pc1是主成分分析的第一组分。

选用光谱判别指数sdi(spectraldiscriminationindex)定量验证各个指数提取结果中不透水面、植被、水体和裸土四种地表覆盖类型间的区分度[15,30,40,41]。sdi根据两种土地覆盖类型的相对位置和直方图的分布来度量其分离程度。通过sdi判别不同地类间的分离程度主要取决于两个因素：组间方差和组内方差。sdi的计算表达式如下：

式中，sdi是某一指数的可分离性判别指数值，μi和μs为某两种地类在该指数中的平均值，σi和σs分别代表其标准差。对于某一指数而言，若sdi值小于1，则表示该指数对于两类地物的可分离性较差；若sdi值大于1，则意味着区分性较好，值越大表示分离程度越高。

通过设置合理阈值生成不同指数的不透水面二值图，通过在googleearth中选取样本点进行验证，采用真正率(truepositiverate，tpr)、假正率(falsepositiverate，fpr)和总体精度(overallaccuracy，oa)分别表征提取不透水面的正确率、错误率以及总体情况，计算结公式为：

其中，tp和tn分别代表二值图中被正确分为“不透水面”和“非不透水面”的像元，fp为被错误判断为“不透水面”的“非不透水面”像元，fn为被错误判断为“非不透水面”的“不透水面”像元。

基于landsat影像，计算出三个研究区的归一化差值城市综合指数nduii。采用定量分析评估nduii在不同城市环境下提取不透水面信息的性能。图4为本发明北京、约翰内斯堡和纽约的不同指数比较图。由图4可知，nduii在不同研究区的均表现不错，不透水表面信息的总体分布较为清晰，其中水体值最大，呈现为白色调，尤其在纽约最为明显；不透水面的值第二大，呈现为浅灰色调，包括混凝土道路和明亮的屋顶，这些都被清晰的识别出来；另外，裸土的色调为中灰色，数值接近于0，主要分布在农村和郊区(以约翰内斯堡为例)，此外，深灰色和黑色代表植被，值为负值。

为了定量检验nduii的总体趋势，绘制并计算了不透水面和其他地物类型的直方图和sdi(如图5和表2所示)。图5为本发明三个研究区不同指数不同地物类型的直方图，其中(a)为北京不同指数不同地物类型的直方图，(b)为约翰内斯堡不同指数不同地物类型的直方图，(c)为纽约不同指数不同地物类型的直方图。在计算nduii的第一步是基于ndbi提出了ndui，ndui相对于ndbi，不透水表面和植被分离度明显增加，sdi值分别为2.032(北京)、2.440(约翰内斯堡)和1.490(纽约)；不透水表面和裸土的分离度也略有增加，约翰内斯堡中裸土信息较多，其结果最具有代表性，sdi值由0.053增加至0.585。然而，不透水表面与水体的分离度在北京和约翰内斯堡降低，在纽约提高，可能是因为纽约中的水体多为海水，而北京和约翰内斯堡中水体较少，且多为湖泊或者池塘。其他地物类型间的分离度均大幅度提高，总而言之，ndui在增强不透水面信息的性能优于ndbi。在ndui的基础上，添加了savi和mndwi提出了nduii，结果表明，除了有极少量的裸土和水体信息混杂在不透水面信息中，各个地物类型间的分离度较高。

表2三个研究区中不同指数的不同土地覆盖之间的sdi值

为了验证nduii指数在三个研究区提取不透水面信息的性能，选取6个常用指数进行对比分析，包括ndbi、ui、bci、cbi、ibi和ndisi，计算结果如图4所示。此外，绘制各个指数所有地表覆盖类型的直方图(如图5所示)，以评估各个指标区分不透水面和其他地物类型的能力。图3显示的是sdi统计结果，该结果更加直观的表示各类地物间的分离度。另外，在googleearth上选取一些样本点，计算tpr、fpr和oa，验证各指数提取的不透水表面信息的精度(见表3)。

基于landsat影像，获取三个研究区所有不透水面指数图。由图4可知，在北京，ndbi可以很好的表征不透水面信息，但是在约翰内斯堡和纽约的效果不好，这个结论可以体现在直方图和sdi统计值上。在北京，不透水面和水体以及植被的分离度较好，sdi值分别达到了1.214和0.972，少量的裸土信息混杂在不透水面中，两者的sdi为0.515；在约翰内斯堡，不透水面和裸土的sdi值仅0.053，说明两者完全区分不开；在纽约，不透水面和水体的分离度差，sdi值仅为0.112。另外，在三个研究区中，植被和水体信息容易混淆，sdi值均小于1。综上可知，ndbi表征不透水面信息的稳定性差，当研究区中水体和裸土信息较多时，ndbi效果较差。ui的效果与ndbi的基本一致，亦是在北京市效果最好，在约翰内斯堡和纽约效果较差。另外，ibi是xu等人基于ndbi，mndwi和savi指数提出的，其直方图效果与ndbi高度一致，不透水面与裸土和水体的分离度较差。

bci指数是deng等人基于缨帽变换构建的一个指数，该指数在提取不透水面信息之前需要提前掩模掉水体，但是此研究为了分析各类地表类型的分离度，因此并未掩模掉水体。在三个研究区中，不透水面与水体和裸土的分离度较低，sdi值均远远小于1，特别是水体的影响最大，在水体较多的纽约，不透水面和水体的sdi值仅为0.203；其次，裸土也易与不透水面混淆，三个研究区中不透水面和水体的sdi值分别为0.606、0.474和0.469；另外，裸土和水体的分离度也较低，sdi值分别为0.091、0.253和0.571。综上可知，bci指数中，不透水面信息受水体和裸土的影响较大，提前掩模水体的工作量较大，且难以完全剔除水体信息，增加误差，针对裸土较多的研究区，bci指数难以区分不透水面和裸土，因此bci指数不适合于裸土和水体信息较多的研究区。

cbi是sun等人基于第一主成分pc1、ndwi和savi提出的指数，本发明也未提前掩模掉水体。在北京，水体与不透水面的分离效果相对于bci更差，sdi仅为0.225，但是在约翰内斯堡的sdi值高达1.591，纽约为0.761，说明cbi中水体对不透水面的干扰程度不稳定；另外，与bci相似，cbi中不透水面提取受裸土影响较大。

ndisi在三个研究区均未能恰当地反映不透水面的比例和分布。在北京和纽约,所有地表类型间的sdi值均小于1，说明植被、水体和裸土均会干扰不透水面的提取。然而,在约翰内斯堡中，水体和不透水面的sdi值大于1，可能是因为约翰内斯堡中水体较少，影响较小。

相较于以上6个指数，nduii指数中，各个地表利用类型间分离度均有所提高，说明在提取不透水面信息的过程中受其他地类的干扰较少。不透水面与植被的分离度高，三个研究区sdi值均大于1。虽然不透水面仍受到裸土的影响，三个研究领域的sdi值都小于1，但是nduii中裸土的干扰小于其他六个指数，在约翰内斯堡和纽约两者间的sdi值最大，北京是仅此于ui的第二大，说明不透水面和裸土间的分离度得到了改善。此外，水体对不透水面的干扰也显著降低了，特别是在约翰内斯堡和纽约，sdi值明显高于除cbi以外的其他指数。另外，其他土地覆盖类型间的sdi值均大于1。

根据各个指数地表利用类型间分离度统计结果，给定各个不透水面信息提取的阈值，得到三个研究区不透水面提取的二值图。图6为本发明三个研究区不透水面指数的二值图。在googleearth上选取一些样本点，以验证所有指数提取不透水面信息的精度，结果如表3所示。

表3不透水面指数的评价精度

在北京研究区中，各个指数的精度均达到0.85以上，其中ui指数的不透水面提取总体精度oa最高，为0.965，提取效果最好，原因在于ui的tpr值最高，表明ui提取不透水面的正确率更高，其次是ndbi指数和ibi指数，均达到0.955，本发明提出的nduii指数提取的效果也不错，oa值达到了0.950，其tpr值与ui值一致，但fpr值略高于ui。ndisi的提取效果最差，因为不透水面信息受到了部分植被信息的干扰，tpr值最低(0.805)；bci的提取精度也较差(0.885)，其tpr值较高，但是fpr值(0.176)同样达到最高，由图6可知，bci中漏分了不透水面信息。cbi的oa值为0.920，由sdi统计值可知，其相对于其他指数，受水体的干扰较大。

在约翰内斯堡中，bci、cbi和nduii指数的不透水面提取精度较高，所对应的oa值分别为0.940、0.945和0.980。在这3个指数中，nduii指数的提取效果最好，原因在于相较于bci和cbi，nduii的tpr更高，fpr更低，各种地物类型的分离度较高，而bci和cbi中不透水面信息容易受到水体的影响。ndbi和ibi的提取效果最差，对应的oa值均低于0.75。它们表现差的主要原因在于fpr值较高，不透水面信息中掺杂了大量的裸土和水体信息，ndbi和ibi的fpr值分别为0.321和0.192。ndisi中不透水面受植被的和裸土的影响较大，因此总体精度也相对较低(0.856)。这些结论均得到了不透水表面和其他特征类型直方图分析的支持。综上可知，nduii指数适合于类似于约翰内斯堡这种裸土较多的区域。

在纽约，cbi和nduii的不透水面提取精度oa值为0.971，远高于其他指数。ndbi、ui、bci和ibi指数提取精度较低，由图6可知，不透水面信息中掺杂了大量的水体信息，因此tpr值均较低，ndisi指数提取结果中，植被和不透水面完全没有区分开，因此其tpr值最低(0.557)，而fpr值最高(0.221)。nduii指数适合于纽约这种水体较多的研究区。

综上可知，nduii在提取不透水面信息中的表现更加稳定，在三个研究区中oa值均达到0.95以上，说明nduii适合于不同类型的研究区。相比之下，其他6个指数只适用于特定类型的研究领域。ndbi、ui、ibi适用于北京等裸地少、水体少的地区，可以降低对不透水信息的干扰。bci适用于水体较少的区域，否则必须事先掩模掉水体。ndisi在不同类型的地区均不适用，尤其是在水体丰富的研究区，比如纽约。cbi在所有类型的研究区都表现良好，但精度低于nduii。

由上述结论可知，本发明的nduii指数是一种方便有效的方法，可以区分不透水面和其他城市地表类型，特别是裸土。许多研究表明，作为非均质特征，通过原始多光谱波段构成的指数无法有效地提取不透水表面信息。nduii是基于ibi指数的改进，由savi，mndwi和ndui三个主题指数波段组成，可以大大减少原始波段之间的冗余，并充分避免了不同土地覆盖类型间的波谱混淆。与ibi相比，nduii选择了ndui而不是ndbi来表征不透水面信息。结果表明，nduii指数提取不透水表面信息的准确性明显高于ibi，原因在于ndui指数在ndbi的基础上增加了蓝光波段，提高了不透水面与裸土之间的分离度。尽管水体与不透水面信息混合在一起，但是添加mndwi可以有效地将两者区分开。添加savi可以进一步增强不透水面与裸土间的分离度。

nduii的另一个优势在于其在不同研究区均表现出良好的准确性，稳定性优于其他指数。以上结果表明，在北京地区，土地覆盖类型以不透水面为主，水体和裸土较少，七个指数均具有较好的精度，总体精度均大于0.85。然而，在约翰内斯堡和纽约的表现却有所不同。ndbi，ui和ibi三个指数在北京的提取精度最高，但是约翰内斯堡和纽约的精度大大降低，尤其是在约翰内斯堡。在三个研究区中，ndisi的精度均最低，尤其是在水体信息丰富的纽约。bci和cbi受水体的影响较大，通常需要事先将水体掩膜。相比之下，nduii是一种方便且稳定性好的指数。然而，由于难以完全区分岩石的不透水性和半不透水性，因此在不透水面中仍夹杂着少量裸土信息。

nduii指数遵循v-i-s模型，增强不透水面和其他土地覆盖间的分离度。首先在ndbi的基础上提出了ndui，然后利用ndui、savi和mndwi来构建nduii，而不是使用原始的影像波段。直观和统计分析结果表明，nduii在不同研究区的表现优于其他常用指数(ndbi、ui、bci、cbi、ibi和ndisi)。nduii在区分裸地和不透水面方面有较好的效果，另外适用于不同城市环境的研究区。nduii的另一个优点是它不需要事先掩模水体信息，这大大减少了误差和工作量。此外，nduii的计算不依赖于低空间分辨率的tir波段，避免了混合像元现象，提高了不透水面的提取精度。

结果表明，nduii的构建可以有效降低影像的数据维数和冗余度，从而避免类别间变异，从而克服了不透水面，裸土和水体之间的主要混淆。因此，nduii提供了一种简单而便捷的方法来提取不透水面信息，有利于土地利用管理。

图7为本发明城市不透水面遥感提取系统结构图。一种城市不透水面遥感提取系统，包括：

landsat数据获取模块201，用于获取landsat数据。

预处理模块202，用于对所述landsat数据进行预处理，得到预处理后的遥感数据。

各指数计算模块203，用于根据所述遥感数据，分别计算ndui指数、mndwi指数和savi指数。

拉伸处理模块204，用于将所述ndui指数、所述mndwi指数和所述savi指数进行拉伸处理，得到拉伸后的ndui指数、拉伸后的mndwi指数和拉伸后的savi指数。

归一化差值城市综合指数计算模块205，用于根据所述拉伸后的ndui指数、所述拉伸后的mndwi指数和所述拉伸后的savi指数，计算归一化差值城市综合指数。

提取模块206，用于根据所述归一化差值城市综合指数采用阈值法，提取不透水面信息。

所述预处理模块202，具体包括：

预处理单元，用于对所述landsat数据进行辐射定标、大气校正预处理，得到预处理后的遥感数据，所述遥感数据包括：蓝光的反射率、近红外的反射率、第二短波红外的反射率、绿光的反射率、红光的反射率和第一短波红外的反射率。

所述各指数计算模块203，具体包括：

各指数计算单元，用于根据所述遥感数据采用公式和分别计算ndui指数、mndwi指数和savi指数。

其中，blue为蓝光的反射率，nir为近红外的反射率，swir2为第二短波红外的反射率，green为绿光的反射率，red为红光的反射率，swir1为第一短波红外的反射率，l为土壤调节系数。

所述归一化差值城市综合指数计算模块205，具体包括：

归一化差值城市综合指数计算单元，用于根据所述拉伸后的ndui指数、所述拉伸后的mndwi指数和所述拉伸后的savi指数采用公式计算归一化差值城市综合指数。

其中，nduii为归一化差值城市综合指数，ndui^*为拉伸后的ndui指数，mndwi^*为拉伸后的mndwi指数，savi^*为拉伸后的savi指数。

所述提取模块206，具体包括：

阈值确定单元，用于采用目视解译和人工选取相结合的方式，确定阈值。

提取单元，用于根据所述阈值将所述归一化差值城市综合指数进行二值化处理，得到不透水面信息。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。