一种基于遥感模型的地表水体信息的提取方法及其装置与流程

本发明涉及信息处理技术领域，尤其涉及一种基于遥感模型的地表水体信息的提取方法及其装置。

背景技术：

卫星遥感技术在环境监测、资源调查、防灾减灾等众多领域中以实时、准确和宏观等诸多优点起着重要的作用。利用遥感技术监测水体水质变化、海岸线变迁以及洪涝水灾自然灾害等，已得到广泛应用。水体的研究离不开对水体面积、范围、分布、界线的准确提取，这对水质变化监测、海岸线变迁监测、洪涝水灾监测以及灾后评估十分重要。

20世纪70年代开始，国内外就对多光谱传感系统(Mu1tispectralSensingSystem，MSS)的四个波段进行水体遥感研究，随着光学遥感的迅速发展，LandsatTM/ETM+、SPOT、MODIS等传感器相继发射升空以及数据的普及，光学遥感水体提取方法主要分为单波段法与多波段法，其中，单波段法利用水体与其他地物在近红外波段处的吸收反差进行水体提取，该方法很难去除水体中混有的阴影，以及洪水期间增加与周围地物的混淆性，所以往往与其他方法结合使用；多波段法又分为谱间关系法及波段比值法等，谱间关系法通过分析水体与非水体地物的波谱曲线特征，找出其变化关系进而利用表达式把水体提取出来，复杂程度较高。比值法则根据不同地类在不同波段中的波谱特点提取水体信息，该方法计算简单快速。如用绿光或红光波段除以近红外波段的简单比值运算就有利于抑制植被信息，增强水体信息。但是这一方法无法彻底抑制与水体无关的背景信息。

归一化比值型指数法是常见的水体提取方法的基础。该方法是在多光谱数据中找寻目标对应的最强反射波段和最弱反射波段，然后将最强反射波段的数值作为分母、最弱反射波段的数值作为分子进行比值，然后将数据进行归一化处理。归一化差异水体指数(Normalized Difference Vegetation Water Index，NDWI)是常见的使用归一化比值型指数法提取水体信息的方法。由于水体的反射从可见光到中红外波段逐渐减弱，在近红外和中红外波长范围内吸收性最强，几乎无反射，因此用可见光波段和近红外波段的反差构成的NDWI可以突出影像中的水体信息。另外由于植被在近红外波段的反射率一般最强，因此采用绿光波段与近红外波段的比值可以最大程度地抑制植被的信息，从而达到突出水体信息的目的。

利用中红外波段替换近红外波段构成的改进的归一化差异水体指数(MNDWI)可用于快速、简便和准确地提取水体信息。它比Mcfeeters的NDWI指数有着更广泛的应用范围。MNDWI除了与NDWI一样，可用于植被区的水体提取以外，还可以用于准确的提取城镇范围内的水体信息。而NDWI由于其所提取的水体信息中含有许多建筑物信息的噪音，影响了提取精度。因此难于用于城镇建成区范围内的水体信息提取。

在很多情况下，用NDWI提取的水体信息中仍然夹杂着许多非水体信息，特别是在提取范围内城市的水体提取方面效果很不理想。因此，提出了改进的归一化差异水体指数(MNDWI)，大部分获得了比NDWI好的效果，特别是提取城镇范围内的水体。但是，在地形较高植被较多的地方，仍然夹带非水体信息，如山体阴影。与此同时，由于计算出来的指数结果，往往需要人工的阈值筛选，过程虽然简单但耗时，同时该过程往往包含个人主观因素：即不同的人，得出的阈值结果不同。

技术实现要素：

本发明的目的在于克服现有技术的不足，本发明提供了一种基于遥感模型的地表水体信息的提取方法及其装置，解决了现有技术中无法彻底抑制与水体无关的背景信息，以及提取精度低、耗时等问题。

为了解决上述问题，本发明提出了一种基于遥感模型的地表水体信息的提取方法，所述方法包括：

获取遥感影像数据；

对所述遥感影像数据进行数据预处理，获得处理后的遥感数据；

为所述处理后的遥感数据设置对应的阈值；

根据所述阈值对所述处理后的遥感数据进行二值化处理，获得处理后的二值化遥感数据；

根据所述处理后的二值化遥感数据进行地表水体信息提取。

优选地，所述对所述遥感影像数据进行数据预处理，获得处理后的遥感数据的步骤，包括：

对所述遥感影像数据进行数据校正，获得校正后的遥感影像数据；

根据归一化植被指数NDVI对校正后的遥感影像数据进行植被信息归一化处理，获得处理后的NDVI遥感数据；

根据归一化差异水体指数NDWI对校正后的遥感影像数据进行水体信息归一化处理，获得处理后的NDWI遥感数据；

根据修正归一化差异水体指数MNDWI对校正后的遥感影像数据进行水体信息归一化处理，获得处理后的MNDWI遥感数据。

优选地，所述对所述遥感影像数据进行数据校正的步骤，包括：

根据线性回归辐射校正与FLAASH大气校正方式对所述遥感影像数据进行数据校正。

优选地，所述根据归一化植被指数NDVI对校正后的遥感影像数据进行植被信息归一化处理，获得处理后的NDVI遥感数据的步骤，包括：

根据归一化植被指数NDVI＝(NIR-R)/(NIR+R)对校正后的遥感影像数据进行植被信息归一化处理，获得处理后的NDVI遥感数据；其中，R代表红光波段，NIR代表近红外波段。

优选地，所述根据归一化差异水体指数NDWI对校正后的遥感影像数据进行水体信息归一化处理，获得处理后的NDWI遥感数据的步骤，包括：

根据归一化差异水体指数NDWI＝(Green-NIR)/(Green+NIR)对校正后的遥感影像数据进行水体信息归一化处理，获得处理后的NDWI遥感数据；其中，Green代表绿光波段，NIR代表近红外波段。

优选地，所述根据修正归一化差异水体指数MNDWI对校正后的遥感影像数据进行水体信息归一化处理，获得处理后的MNDWI遥感数据的步骤，包括：

根据修正归一化差异水体指数MNDWI＝(Green-MIR)/(Green+MIR)对校正后的遥感影像数据进行水体信息归一化处理，获得处理后的MNDWI遥感数据；其中，Green代表绿光波段；MIR代表中红外波段。

优选地，根据所述阈值对所述处理后的遥感数据进行二值化处理，获得处理后的二值化遥感数据

相应地，本发明还提供一种基于遥感模型的地表水体信息的提取装置，所述装置包括：

获取模块，用于获取遥感影像数据；

预处理模块，用于对所述获取模块所获取的遥感影像数据进行数据预处理，获得处理后的遥感数据；

设置模块，用于为所述预处理模块所处理后的遥感数据设置对应的阈值；

二值化模块，用于根据所述设置模块所设置的阈值对所述处理后的遥感数据进行二值化处理，获得处理后的二值化遥感数据；

提取模块，用于根据所述二值化模块处理后的二值化遥感数据进行地表水体信息提取。

优选地，所述预处理模块包括：

校正单元，用于对所述遥感影像数据进行数据校正，获得校正后的遥感影像数据；

NDVI处理单元，用于根据归一化植被指数NDVI对校正后的遥感影像数据进行植被信息归一化处理，获得处理后的NDVI遥感数据；

NDWI处理单元，用于根据归一化差异水体指数NDWI对校正后的遥感影像数据进行水体信息归一化处理，获得处理后的NDWI遥感数据；

MNDWI处理单元，用于根据修正归一化差异水体指数MNDWI对校正后的遥感影像数据进行水体信息归一化处理，获得处理后的MNDWI遥感数据。

优选地，所述NDVI处理单元用于根据归一化植被指数NDVI＝(NIR-R)/(NIR+R)对校正后的遥感影像数据进行植被信息归一化处理，获得处理后的NDVI遥感数据；其中，R代表红光波段，NIR代表近红外波段；

所述NDWI处理单元用于根据归一化差异水体指数NDWI＝(Green-NIR)/(Green+NIR)对校正后的遥感影像数据进行水体信息归一化处理，获得处理后的NDWI遥感数据；其中，Green代表绿光波段，NIR代表近红外波段；

所述MNDWI处理单元用于根据修正归一化差异水体指数MNDWI＝(Green-MIR)/(Green+MIR)对校正后的遥感影像数据进行水体信息归一化处理，获得处理后的MNDWI遥感数据；其中，Green代表绿光波段；MIR代表中红外波段。

在本发明实施例中，通过对指标进行归一化处理，再通过阈值设定，提取出水体信息，隔离出山体阴影、植被及建筑等地物的信息；进一步对三个隔离结果进行增强式的叠加，渐进剔除山体阴影、植被及建筑等地物的信息，逐步增强了水体信息，使水体提取信息达到更高的准确率、更快的提取速度，解决了现有技术中无法彻底抑制与水体无关的背景信息，以及提取精度低、耗时等问题。

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，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例的基于遥感模型的地表水体信息的提取方法的流程示意图；

图2是本发明实施例中对遥感影像数据进行数据预处理的流程示意图；

图3a至3f是本发明实施例的水体光谱均值特征曲线图和水体光谱范围值特征图；

图4是本发明实施例的基于遥感模型的地表水体信息的提取装置的结构组成示意图。

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作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。

图1是本发明实施例的基于遥感模型的地表水体信息的提取方法的流程示意图，如图1所示，该方法包括：

S1，获取遥感影像数据；

S2，对遥感影像数据进行数据预处理，获得处理后的遥感数据；

S3，为处理后的遥感数据设置对应的阈值；

S4，根据阈值对处理后的遥感数据进行二值化处理，获得处理后的二值化遥感数据；

S5，根据处理后的二值化遥感数据进行地表水体信息提取。

在S1中，通过TM/ETM+传感器获取地表的遥感影像数据。

进一步地，如图2所示，S2包括：

S21，对遥感影像数据进行数据校正，获得校正后的遥感影像数据；

S22，根据归一化植被指数NDVI对校正后的遥感影像数据进行植被信息归一化处理，获得处理后的NDVI遥感数据；

S23，根据归一化差异水体指数NDWI对校正后的遥感影像数据进行水体信息归一化处理，获得处理后的NDWI遥感数据；

S24，根据修正归一化差异水体指数MNDWI对校正后的遥感影像数据进行水体信息归一化处理，获得处理后的MNDWI遥感数据。

其中，S22、S23、S24在具体实施中可同时进行。

在S21中，根据线性回归辐射校正与FLAASH大气校正方式对遥感影像数据进行数据校正。

在S22中，根据归一化植被指数NDVI＝(NIR-R)/(NIR+R)对校正后的遥感影像数据进行植被信息归一化处理，获得处理后的NDVI遥感数据；其中，R代表红光波段，NIR代表近红外波段。

归一化植被指数(NDVI)是用来检测植被生长状态、植被覆盖度和消除部分辐射误差等。在LandSat卫星TM/ETM+传感器的各个波段光谱数据中，近红外波段对植被的反射率相对较大，而红光波段对植被的反射率相对较小，因此将遥感数据中每个坐标点的近红外波段数据与红光波段数据进行相减，得到该坐标点的植被指数。为了方便之后的运算，将坐标点的植被指数作为分子，近红外波段数据与红光波段数据相加的和作为分子进行计算，得到的坐标点数据将会在1和-1之间，也就是对植被指数进行归一化处理。NDVI的公式如下：NDVI＝(NIR-R)/(NIR+R)；式中，R代表红光波段；NIR代表近红外波段。计算后得到遥感图像上包含每一个像素点的NDVI遥感数据。

在S23中，根据归一化差异水体指数NDWI＝(Green-NIR)/(Green+NIR)对校正后的遥感影像数据进行水体信息归一化处理，获得处理后的NDWI遥感数据；其中，Green代表绿光波段，NIR代表近红外波段。

归一化差异水体指数(NDWI)是使用归一化比值型指数法提取水体信息的方法。由于水体的反射从可见光到中红外波段逐渐减少，用可见光波段和近红外波段的反差构成的NDWI可以突出影像中的水体信息，另外由于植被在近红外波段的反射率一般最强，因此采用绿光波段与近红外波段的比值可以最大限度地抑制植被的信息，从而达到突出水体信息的目的。因此将遥感数据中坐标点的绿光波段数据减去该坐标点的近红外波段数据，得到该坐标点的差异水体指数；然后用该坐标点的差异水体指数除以该坐标点的绿光波段数据加上近红外波段的和以进行归一化处理，从而得到该坐标点的归一化差异水体指数。其公式如下：NDWI＝(Green-NIR)/(Green+NIR)；式中，Green代表绿光波段；NIR代表近红外波段。计算后得到包含遥感图像上每一个像素点的NDWI遥感数据。

在S24中，根据修正归一化差异水体指数MNDWI＝(Green-MIR)/(Green+MIR)对校正后的遥感影像数据进行水体信息归一化处理，获得处理后的MNDWI遥感数据；其中，Green代表绿光波段；MIR代表中红外波段。

修正归一化差异水体指数(MNDWI)是根据建筑物的反射率从近红外到中红外骤然转强，而水体在中红外波段的反射率继续走低的规律，把可见光减中红外波段，大大增强了水体信息而削减建筑物信息。与NDWI相比，MNDWI是使用遥感数据中坐标点上的绿光波段数据减去中红外波段数据而非近红外波段数据，然后再将相减后的数值除以绿光波段数据和中红外波段数据的和以实现归一化，最后得到修正归一化差异水体指数MNDWI，其公式如下：MNDWI＝(Green-MIR)/(Green+MIR)；式中，Green代表绿光波段；MIR代表中红外波段。计算后得到包含遥感图像上所有像素点的MNDWI遥感数据。

在S4中，分别对NDVI数据、NDWI数据和MNDWI数据进行二值化，得到处理后的二值化遥感数据NDVI⁺、NDWI^-和MNDWI⁺数据。

进一步地，S5包括：

根据处理后的遥感数据和处理后的二值化遥感数据获得水体信息提取优化模型；

根据水体信息提取优化模型进行地表水体信息提取。

下面结合图3a-图3f对本发明实施例方法进行进一步说明。其中，3a为湖泊水体光谱均值特征曲线图；3b为湖泊水体光谱范围值特征图；3c为河流水体光谱均值特征曲线图；3d为河流水体光谱范围值特征图；3e为鱼塘水体光谱均值特征曲线图；3f为鱼塘水体光谱范围值特征图。

在具体实施中，所使用的原始数据可来自美国NASA的陆地卫星计划(LandSat)的TM/ETM+传感器，遥感数据的空间分辨率为30米，目标地区分别选取了河流、鱼塘和湖泊这三类主要水体。

通过将人工判断像素点类型并的结果与NDVI矩阵、NDWI矩阵和MNDWI矩阵进行比较和统计，可以得出用于进行测试的分别包含湖泊、河流、鱼塘这三种类型的遥感数据中，植被、建筑和水体这三类地貌的像素点的三种指数数据。分析这三种遥感数据中，三类地貌的NDVI遥感数据、NDWI遥感数据和MNDWI遥感数据的平均值和数据范围，即可得到三种遥感数据中三类地貌的光谱均值特征曲线图和光谱范围特征图，如图3a-3f所示。

根据光谱均值特征曲线图和光谱范围特征图可以分析出，虽然MNDWI遥感数据中水体的均值与植被等非水体的均值相差较大，但是还会有小部分部分水体的MNDWI遥感数据与植被、建筑等非水体的MNDWI遥感数据相同相近，因此需要借助NDVI遥感数据和NDWI遥感数据来去除MNDWI遥感数据中的非水体部分。在图3b、3d和3f中的范围值特征分布图可见：

(1)当NDVI遥感数据设置阈值为0，能较好地分隔出植被与非植被。其中小于阈值的部分主要包括水体和大部分建筑物，因为水体对可见光的反射率相对较高；大于阈值部分主要包括植被、小部分建筑物及小部分水体。

(2)当NDWI遥感数据设置阈值为0，能较好地分隔出水体与非水体。NDWI遥感数据中小于阈值的部分主要包括少部分水体、绝大部分植被及大部分建筑；NDWI遥感数据中大于阈值的部分包括大部分水体、少部分建筑物。

(3)当MNDWI遥感数据设置阈值为0，能较好地分隔出水体与非水体。其中小于阈值的部分主要包括少部分水体、大部分建筑及大部分植被；大于阈值的部分主要包括绝大部分水体、少部分植被覆盖及少部分建筑物。

确定了阈值之后，就需要对NDVI遥感数据、NDWI遥感数据和MNDWI遥感数据进行二值化。数据的二值化是将NVDI、NDWI和MNDWI遥感数据中的各个坐标点的数据根据已经确定的阈值和一定的规则进行判断，将原来的数据转化为只包含0或1的矩阵。数据的二值化有利于下一步的运算处理，使数据变得简单，而且数据量减小，能够有效降低运算量，提升运算速度。

分别对NDVI遥感数据、NDWI遥感数据和MNDWI遥感数据进行二值化后，得到NDVI⁺、NDWI^-和MNDWI⁺数据，其中：

NDVI⁺是将NDVI遥感数据中的大于阈值的部分取1，小于等于阈值的部分取0，也就是将植被、小部分建筑物及含水量较高的植被设置为1，将水体与大部分建筑物设置为0。

NDWI^-是将NDWI遥感数据中大于阈值的部分取0，小于等于阈值的部分取1，也就是将大部分水体、部分建筑物设置为0，将植被与大部分建筑物设置为1。

MNDWI⁺是将MNDWI遥感数据中大于阈值的部分取1，小于等于阈值的部分取0，也就是将水体和很小一部分的植被及建筑物设置为1，将绝大部分植被和建筑物设置为0。

完成二值化后进行水体提取运算的最后一步。将MNDWI⁺减去NDVI⁺再减去NDWI^-，如果得到的数据为1则判断为水体，如果小于1则判断为非水体。公式如下：

水体信息提取优化模型＝MNDWI⁺-NDVI⁺-NDWI^-

水体信息提取优化模型中将MNDWI⁺减去NDVI⁺，意味着如果MNDWI⁺中数值为1的像素点在NDVI⁺中也是1，则会被去除掉，也就剔除了MNDWI⁺中数值为1的实际为植被的像素点。再减去NDWI^-，意味着MNDWI⁺数值为1的像素点如果在NDWI^-也为1，则会被去除，也就剔除了MNDWI⁺中的剩余的小部分建筑物。

水体信息提取优化模型能较好地解决NDVI、NDWI、MNDWI方法存在的问题，能较好地区分出建筑物、植被、山体阴影等非水体信息，大大提高了NDVI、NDWI、MNDWI指数水体提取精度。结果表明：在湖泊、鱼塘水体两组试验中渐进增强模型比三种常规的方法总体精度提高了13％以上、总体kappa系数提高了0.26以上，在河流水体试验中渐进增强模型比三种常规的方法总体精度提高了1％以上、总体kappa系数提高了0.02以上。另外，水体信息提取优化模型可设置统一的分割阈值，为海量遥感地表水体信息提取过程的全自动化提供支持。

相应地，本发明实施例还提供一种基于遥感模型的地表水体信息的提取装置，如图4所示，该装置包括：

获取模块1，用于获取遥感影像数据；

预处理模块2，用于对获取模块1所获取的遥感影像数据进行数据预处理，获得处理后的遥感数据；

设置模块3，用于为预处理模块2所处理后的遥感数据设置对应的阈值；

二值化模块4，用于根据设置模块3所设置的阈值对处理后的遥感数据进行二值化处理，获得处理后的二值化遥感数据；

提取模块5，用于根据二值化模块4处理后的二值化遥感数据进行地表水体信息提取。

具体实施中，获取模块可以是TM/ETM+传感器，用于获取地表的遥感影像数据

进一步地，预处理模块2包括：

校正单元，用于对遥感影像数据进行数据校正，获得校正后的遥感影像数据；具体地，根据线性回归辐射校正与FLAASH大气校正方式对遥感影像数据进行数据校正；

NDVI处理单元，用于根据归一化植被指数NDVI对校正后的遥感影像数据进行植被信息归一化处理，获得处理后的NDVI遥感数据；

NDWI处理单元，用于根据归一化差异水体指数NDWI对校正后的遥感影像数据进行水体信息归一化处理，获得处理后的NDWI遥感数据；

MNDWI处理单元，用于根据修正归一化差异水体指数MNDWI对校正后的遥感影像数据进行水体信息归一化处理，获得处理后的MNDWI遥感数据。

在具体实施中，NDVI处理单元用于根据归一化植被指数NDVI＝(NIR-R)/(NIR+R)对校正后的遥感影像数据进行植被信息归一化处理，获得处理后的NDVI遥感数据；其中，R代表红光波段，NIR代表近红外波段；

NDWI处理单元用于根据归一化差异水体指数NDWI＝(Green-NIR)/(Green+NIR)对校正后的遥感影像数据进行水体信息归一化处理，获得处理后的NDWI遥感数据；其中，Green代表绿光波段，NIR代表近红外波段；

MNDWI处理单元用于根据修正归一化差异水体指数MNDWI＝(Green-MIR)/(Green+MIR)对校正后的遥感影像数据进行水体信息归一化处理，获得处理后的MNDWI遥感数据；其中，Green代表绿光波段；MIR代表中红外波段。

二值化模块4进一步用于分别对NDVI数据、NDWI数据和MNDWI数据进行二值化，得到处理后的二值化遥感数据NDVI⁺、NDWI^-和MNDWI⁺数据。

本发明的装置实施例中各功能模块的功能可参见本发明方法实施例中的流程处理，这里不再赘述。

在本发明实施例中，通过对指标进行归一化处理，再通过阈值设定，提取出水体信息，隔离出山体阴影、植被及建筑等地物的信息；进一步对三个隔离结果进行增强式的叠加，渐进剔除山体阴影、植被及建筑等地物的信息，逐步增强了水体信息，使水体提取信息达到更高的准确率、更快的提取速度，解决了现有技术中无法彻底抑制与水体无关的背景信息，以及提取精度低、耗时等问题。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁盘或光盘等。

另外，以上对本发明实施例所提供的基于遥感模型的地表水体信息的提取方法及其装置进行了详细介绍，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。