基于遥感影像的陆表水体提取方法和装置与流程

本发明实施例涉及遥感影像识别技术，尤其涉及一种基于遥感影像的陆表水体提取方法和装置。

背景技术：

淡水资源与人类的生存和发展息息相关。目前适宜开发利用的淡水资源通常分布于地球的陆地表面。确定陆表水体的位置和面积是开展水资源评价、水质监测以及城乡规划、环境保护、自然资源调查等工作的基础。因此，准确高效地提取陆表水体的位置是当前研究的重要方向。

目前，常用的基于遥感影像的陆表水体提取方法包括：单波段法、双波段法和多波段法。其中，单波段法一般采用蓝、绿、近红外等波段中的一个波段，设置波段反射率阈值，反射率小于该阈值的像元作为陆表水体。双波段法一般利用归一化水体指数、改进的归一化水体指数和归一化植被指数等双波段归一化指数方法提取水体。现有的多波段法主要是利用水体指数和自动提取水体指数的方法提取水体。

然而，单波段法往往只针对特定类型的水体，无法大范围应用。双波段法虽然计算便捷，但是在提取水体时易受到低反射率的阴影区域影响，识别误差较大。现有的多波段法中的多波段指数大多基于多波段的简单组合，在双峰分布直方图效果不好时，较难确定提取阈值，因而提取精度较低。

技术实现要素：

本发明实施例提供一种基于遥感影像的陆表水体提取方法和装置，以提升遥感影像中陆表水体提取的准确性。

第一方面，本发明实施例提供了一种基于遥感影像的陆表水体提取方法，该方法包括：

根据获取的多光谱遥感影像数据，确定多光谱段的水体指数集；所述多光谱遥感影像数据中包含陆表水体；

根据所述水体指数集确定初始分割阈值集，对所述初始分割阈值集进行调整得到最佳分割阈值集；

采用所述最佳阈值集分别对所述多光谱遥感影像数据进行阈值分割，得到陆表水体提取结果集，并从所述陆表水体提取结果集中确定最佳陆表水体提取结果。

第二方面，本发明实施例还提供了一种基于遥感影像的陆表水体提取装置，该装置包括：

水体指数确定模块，用于根据获取的多光谱遥感影像数据，确定多光谱段的水体指数集；所述多光谱遥感影像数据中包含陆表水体；

最佳阈值确定模块，用于根据所述水体指数集确定初始分割阈值集，对所述初始分割阈值集进行调整得到最佳分割阈值集；

分割提取模块，用于采用所述最佳阈值集分别对所述多光谱遥感影像数据进行阈值分割，得到陆表水体提取结果集，并从所述陆表水体提取结果集中确定最佳陆表水体提取结果。

本发明实施例的技术方案，通过确定遥感影像数据中多光谱段的水体指数集，由该水体指数集确定初始分割阈值集，对初始分割阈值集进行调整确定最佳分割阈值集，对遥感影像数据进行分割，从多个分割结果中选择最佳陆表水体提取结果。能够提高分割阈值的精确度，有效的避免遥感影像数据效果不好时，识别误差大的问题，进而提升遥感影像中陆表水体提取的准确性。

附图说明

图1是本发明实施例一提供的一种基于遥感影像的陆表水体提取方法的流程图；

图2是本发明实施例二提供的一种基于遥感影像的陆表水体提取方法的流程图；

图3是本发明实施例三提供的一种基于遥感影像的陆表水体提取方法的流程图；

图4a是本发明实施例三提供的经过筛选和校正后的多光谱遥感影像示意图；

图4b是本发明实施例三提供的多光谱水体指数对应的双峰统计直方图；

图4c-4g是本发明实施例三提供的根据水体指数集进行分割提取到的陆表水体提取结果示意图；

图5是本发明实施例四提供的一种基于遥感影像的陆表水体提取装置的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种基于遥感影像的陆表水体提取方法的流程图，本实施例可适用于从包含有陆表水体的多光谱遥感影像数据中提取陆表水体区域的情况，该方法可以由本发明实施例提供的基于遥感影像的陆表水体提取装置来执行，该装置可采用硬件和/或软件的方式实现。如图1所示，具体包括如下步骤：

s101，根据获取的多光谱遥感影像数据，确定多光谱段的水体指数集；所述多光谱遥感影像数据中包含陆表水体。

其中，多光谱遥感影像数据可以是通过人造地球卫星、航空等平台上的遥测仪器对地球表面实施感应遥测和资源管理的监视得到的影像数据。由于本发明是基于遥感影像数据进行陆表水体提取的，所以本发明实施例中的多光谱遥感影像数据中包含陆表水体区域。可选的，陆表水体是液态水在陆地表层的标志性聚集体，除表现为大江大河、大型湖库之外，更大量地表现为支流河网、小型湖库等中小水体。水体指数集可以是由多种水体指数组成的集合，具体可以包括：多光谱水体指数(multispectralwaterindex，muwi)、归一化水体指数(normalizedwaterindex，ndwi)、改进的归一化水体指数(modifiednormalizedwaterindex，mndwi)和自动提取水体指数(automatedwaterextractionindex，awei)中的至少两个。优选的，由于多光谱水体指数对于陆表水体提取效果最好，所以本发明实施例中的水体指数集中可以固定包含有多光谱水体指数，再从归一化水体指数、改进的归一化水体指数以及自动提取水体指数中选择至少一个。与现有技术只基于一个水体指数提取陆表水体区域相比，本发明实施例基于水体指数集提取的陆表水体区域准确性更高。

可选的，本发明实施例中的多光谱遥感影像数据可以是通过访问提供下载遥感影像的网站(如中国资源卫星应用中心网站、国际数据服务平台等)，来获取要确定陆表水体地区的遥感影像数据，也可以采用其他方式获取，对此本实施例不进行限定。

示例性的，在本发明实施例中，根据获取的多光谱遥感影像数据，确定多光谱段的水体指数集，可以是根据水体在遥感影像不同波段上的反射光谱特征，确定反映陆表水体似然性的水体指数集。具体的，可以通过每类水体指数的具体计算公式进行确定，还可以是将获取的多光谱遥感影像数据输入训练好的水体指确定练模型，来确定获取的多光谱遥感影像数据对应的多光谱段的水体指数集的每类水体指数的具体数值；也可以是预先安装水体指数计算软件，将获取的多光谱遥感影像数据上传至该水体指数计算软件，该软件就会自动计算给出对应的多光谱段的水体指数集的每类水体指数的具体数值。

需要说明的是，针对水体指数集中的每一类水体指数，对多光谱遥感影像数据中的每一个数据点都可以确定一个具体的水体指数值。

s102，根据水体指数集确定初始分割阈值集，对初始分割阈值集进行调整得到最佳分割阈值集。

其中，初始分割阈值可以是根据水体指数集初步确定的对多光谱遥感影像进行分割的分割阈值。初始分割阈值集可以是水体指数集中的每类水体指数对应的各初始分割阈值的集合。最佳分割阈值可以是根据获取的遥感影像数据的实际情况，对初始分割阈值进行调整，确定的能够准确分割该遥感影像数据的分割阈值，使得调整后的最佳分割阈值能够最大程度的满足该遥感影像数据中的实际水体分布状况。最佳分割阈值集可以是对初始分割阈值集中的各初始分割阈值分别进行调整后得到的各最佳分割阈值的集合。

可选的，在本发明实施例中，根据水体指数集确定初始分割阈值集的过程可以是：

a、根据水体指数集确定每类水体指数的统计直方图。

具体的，可以是对获取的多光谱遥感影像数据中的每一个数据点都确定一个水体指数集，基于计算出的每类水体指数在每个数据点的具体数值，构建横坐标为每类水体指数的具体数值，纵坐标为该类水体指数出现频数的统计直方图。例如，若要确定水体指数集中的多光谱水体指数的统计直方图，可以是计算出的多光谱水体指数针对多光谱遥感影像的每个数据点的具体数值，然后基于所有数据点的具体数值，构建横坐标为各多光谱水体指数值，纵坐标为各多光谱水体指数值出现频数的统计直方图。

可选的，由于本发明实施例中只区分遥感影像数据中的水体和非水体两类，因此，确定的统计直方图为双峰统计直方图，若要对陆表水体进一步的细分，则确定统计直方图就为多峰统计直方图。如要将分为大面积水体、小面积水体以及非水体，则确定的统计直方图就为三峰统计直方图。

b、根据每类水体指数的统计直方图，确定每类水体指数对应的各初始分割阈值。

具体的，根据每类水体指数统计直方图，确定对应的初始分割阈值时，可以是根据各统计直方图中的波峰值进行确定，如可以是计算所有波峰的均值，作为初始分割阈值，也可以是将统计直方图中的初始水体指数值作为初始分割阈值；还可以是将统计直方图中的所有水体指数指的均值作为初始分割阈值等等，本发明实施例对此不进行限定。

可选的，本发明实施例中对初始分割阈值集进行调整得到最佳分割阈值集的方法有很多，例如，可以是以初始分割值为基准，逐渐增大或减少分割阈值，找到能够最大程度满足实际水体的分布状况的水体指数值，作为最佳分割阈值；还可以是预先训练最佳阈值确定模型，将水体指数的统计直方图，该直方图对应的初始分割阈值输入训练好的最佳阈值确定模型，该模型就会按照预设算法进行分析后输出水体指数的统计直方图对应的最佳分割阈值等。本发明实施例对此不进行限定。

s103，采用最佳阈值集分别对多光谱遥感影像数据进行阈值分割，得到陆表水体提取结果集，并从陆表水体提取结果集中确定最佳陆表水体提取结果。

可选的，采用最佳阈值集分布对所述多光谱遥感影像数据进行阈值分割可以是分别以各最佳分割阈值为分割点，将多光谱影像数据分割为仅包括水体和非水体的多组二值化图像数据，从而得到陆表水体提取结果集。其中，每一个二值化图像数据即为一个陆表水体提取结果，在该二值化图像数据中可以是黑色部分为陆表水体，也可以是白色部分为陆表水体，本发明实施例对此不进行限定。

可选的，由于该陆表水体提取结果集中是基于水体指数集中的每类水体指数确定的，水体指数类型的不同，会导致得到的各陆表水体提取结果也不相同。因此，需要从陆表水体结果集中确定最佳陆表水体提取结果。具体的确定方法有很多，本实施例对此不进行限定。例如，可以是为水体提取结果的准确性判断设置判断规则(如空间分辨率规则、水体总体分类精度规则等)，按照判断规则从陆表水体提取结果集中确定最佳陆表水体提取结果；也可以是基于预先训练好的水体提取结果分析模型，将获取的多光谱遥感影像数据和陆表水体提取结果集输入该水体提取结果分析模型中，该模型就会按照预设算法进行分析后输出最佳陆表水体提取结果。本发明实施例在确定陆表水体提取结果时，通过比较从陆表水体提取结果集中确定最佳陆表水体结果，与确定一个分割阈值直接分割得到陆表水体提取结果相比，可以结合不同维度的水体指数进行考虑，确定的陆表水体提取结果更为准确。

本实施例提供的基于遥感影像的陆表水体提取方法，通过确定遥感影像数据中多光谱段的水体指数集，由该水体指数集确定初始分割阈值集，对初始分割阈值集进行调整确定最佳分割阈值集，对遥感影像数据进行分割，从多个分割结果中选择最佳陆表水体提取结果。由于分割阈值都是通过对初始分割阈值调整后得到的，保证了遥感影像数据分割的准确性，有效的避免了遥感影像数据效果不好时，因分割阈值确定不准确导致识别误差大的问题，进而提升了遥感影像中陆表水体提取的准确性。

实施例二

图2为本发明实施例二提供的一种基于遥感影像的陆表水体提取方法的流程图。本实施例在上述实施例的基础上，进行了进一步的优化。参见图2，该方法具体包括：

s201，根据获取的多光谱遥感影像数据中的云量占比，对多光谱遥感影像数据进行筛选。

示例性的，由于遥感影像数据通常是卫星或航空等平台上的遥测仪器拍摄的，且地面被云层遮住是难免的，因此获取的遥感影像数据中通常会存在云层区域。若一幅图像中云层区域较大或者云层区域正好遮挡了陆表水体区域，则通过该遥感影像数据无法准确识别提取出陆表水体区域。因此，可以是获取同一地区的不同时刻拍摄的多组多光谱遥感影像数据进行筛选，从中选出拍摄效果最好，能够清晰显示出陆表水体的多光谱遥感影像数据。

可选的，可以根据获取的多光谱遥感影像数据中的云量占整个多光谱遥感影像数据的比例，来进行筛选，例如，可以是预先设置一个筛选阈值(如20％)，从获取的多组多光谱遥感影像数据中筛选出云量占比小于该筛选阈值的多光谱遥感影像数据，然后再从中选出噪声最小的、图像最清晰的一幅多光谱遥感影像数据。也可以是先根据获取的多光谱遥感影像数据中的云量占水体似然区域的比例来进行筛选，例如，可以是先大致预估水体似然区，判断该区域的云量占比是否小于预设的筛选阈值，若否，则说明云量已经对陆表水体的识别造成干扰，需要将该多光谱遥感影像数据剔除。可选的，判断整个影像数据的云量占比和水体似然区的云量占比的筛选阈值可以不同，整个影像数据的云量占比对应的筛选阈值可以大于水体似然区的云量占比对应的筛选阈值。本发明实施例通过对获取的多光谱遥感影像数据进行筛选，从而减轻背景噪声对目标水体提取的干扰，提高陆表水体提取的准确性。

s202，对筛选后的多光谱遥感影像数据进行辐射校正和大气校正。

可选的，发明实施例中对筛选后的多光谱影像的校正分为辐射校正和大气校正。具体的，辐射校正可以是指对由于外界因素，数据获取和传输系统产生的系统的、随机的辐射失真或畸变进行的校正，消除或改正因辐射误差而引起影像畸变的过程。对筛选后的多光谱遥感影像数据进行辐射校正的方法有很多，本实施例对此不进行限定：可以包括：1)传感器辐射校正，通常采用内部校准光源和校准楔，如陆地卫星多光谱扫描仪的辐射校正；2)影像辐射畸变校正，常采用物理或数学(校正曲线或各种算法)方法，如空间滤波、平滑化，校正各种灰度失真、疵点、灰点、条纹及信号缺失等分布在整个影像上的离散形式的辐射误差；3)还可通过实测反射辐射通量和影像密度，并对数据进行回归分析来进行校正。

大气校正是指传感器最终测得的地面目标的总辐射亮度并不是地表真实反射率的反映，其中包含了由大气吸收，尤其是散射作用造成的辐射量误差。大气校正就是消除这些由大气影响所造成的辐射误差，反演地物真实的表面反射率的过程。对筛选后的多光谱遥感影像数据进行大气校正的方法同样也有很多，对比本实施例不进行限定。例如，可以是先计算该多光谱遥感影像数据的辐射率，基于计算的辐射率，然后再进行flaash大气校正。具体的，可以按照如下公式计算辐射率：

其中lλ是辐射率，ρλ是大气层表观反射率，esunλ是太阳辐照度，θ是太阳高度角，d是太阳和地球之间的平均距离。

可选的，本申请实施例中，对筛选后的多光谱遥感影像数据进行辐射校正和大气校正时，可以是将筛选后的多光谱遥感影像数据输入校正软件或校正模型，该软件或模型就会自动对筛选后的多光谱遥感影像数据进行校正处理，输出校正后的多光谱遥感影像数据。

s203，根据校正后的多光谱遥感影像数据，确定多光谱段的水体指数集；所述多光谱遥感影像数据中包含陆表水体。

s204，根据水体指数集确定初始分割阈值集。

s205，对初始分割阈值集进行调整得到最佳分割阈值集。

可选的，本申请实施例以对一个初始分割阈值进行调整得到最佳分割阈值为例进行介绍，具体包括如下三步：

a、针对每一个初始分割阈值，采用等步长试错策略，确定候选分割阈值集。

其中，本实施例中试错策略可以是指通过不断实验和消除误差，探索最佳分割阈值的方法。即先确定多个候选分割阈值，然后进一步排除不准确的分割阈值，得到最佳分割阈值的策略。等步长试错策略可以是指每次都增加或者减小相同的步长(即分割阈值变化量)，来确定多个候选分割阈值，进而再通过实验和排除，确定最佳分割阈值的策略。

可选的，本发明实施例中，采用等步长试错策略，确定候选分割阈值集可以是，先确定试错策略的步长，然后以初始分割阈值为基准，按照设定的步长，等步长的从水体指数中确定出各候选分割阈值，得到候选分割阈值集。其中，候选阈值中可以包括初始阈值。例如，若初始分割阈值为0.5，水体指数为0-1之间，步长为0.1，则采用等补偿试错策略，确定的候选分割阈值为(0、0.1、0.2、……0.8、0.9、1)。

b、分别计算候选分割阈值集中各候选分割阈值对应的两个类的类间方差。

其中，两个类的类方差中的两个类分别指的是水体类和非水体类，由于本发明是确定陆表水体，因此只需要分为水体类和非水体类即可，若要区分更多类型，则可以是计算更多类的类间方差。对此本实施例不进行限定。

示例性的，计算各候选分割阈值对应的两个类的类间方差可以按照如下公式进行计算：

其中，t为候选分割阈值，σ²(t)为水体类和非水体类两个类的类间方差，为水体类的类内方差，为非水体类的类内方差。

c、选择类间方差最大的候选分割阈值作为最佳分割阈值。

示例性的，对候选分割阈值集中的每个候选分割阈值，都计算其对应的水体类和非水体类两个类的类内方差，从中选出最大类内方差对应的候选分割阈值作为最佳分割阈值。

s206，采用所述最佳阈值集分别对校正后的多光谱遥感影像数据进行阈值分割，得到陆表水体提取结果集，并从所述陆表水体提取结果集中确定最佳陆表水体提取结果。

本实施例提供的基于遥感影像的陆表水体提取方法，在确定多光谱段的水体指数前先进行多光谱遥感影像数据的筛选和校正，从最佳的遥感影像数据中进行陆表水体的提取，避免了遥感数据质量差造成的陆表水体提取误差，在调整确定最佳分割阈值时，采用等步长试错策略，提高了最佳分割阈值确定的准确性，进而保证对校正后的多光谱遥感影像数据分割、陆表水体提取的准确性。

实施例三

图3为本发明实施例三提供的一种基于遥感影像的陆表水体提取方法的流程图。本实施例在上述各实施例的基础上，提供了一个优选施例，具体给出了从陆表水体提取结果集中确定最佳陆表水体提取结果的具体情况介绍。

本实施例获取的多光谱遥感影像数据可以是位于北京市城区，空间范围为东经116.15°至东经116.60°、北纬39.75°至北纬40.20°之间。区域内包含自然河流、人工渠道、大小湖泊和水库等各种类型的陆表水体。区域内还包含北京市核心城区，该核心区高楼密集，其建筑物阴影给陆表水体的识别和提取带来潜在的干扰。区域西北部的山区所产生的阴坡面阴影也是陆表水体提取的传统混淆源。本实施例所使用的遥感影像为“哨兵-2”影像数据，包含13个光谱波段，横跨可见光、近红外和短波红外波长。采用python2.7编程语言，结合开源地理信息计算库gdal2.2.3，来具体执行本实施例的具体方法。参见图3和图4a-4c所示，该方法具体包括：

s301，根据获取的多光谱遥感影像数据中的云量占比，对多光谱遥感影像数据进行筛选。

示例性的，本实施例获取多光谱遥感影像数据可以是使用gdal函数读取“哨兵-2”多光谱成像仪大气层表观反射率遥感影像，生成包含多波段数据的三维数组(经度×纬度×波段)。读取影像的元数据，从影像元数据cloudy_pixel_percentage属性筛选整个影像元数据区域云量占比小于20％的且噪声最小的遥感影像。

s302，对筛选后的多光谱遥感影像数据进行辐射校正和大气校正。

示例性的，使用s301筛选出的大气层表观反射率遥感影像三维数组，按照公式(1)计算求得辐射率lλ，进而再进行辐射校正和flaash大气校正。如图4a所示，即为经过筛选和校正后的多光谱遥感影像示意图。

其中lλ是辐射率，ρλ是大气层表观反射率，esunλ是太阳辐照度，θ是太阳高度角，d是太阳和地球之间的平均距离。

s303，根据校正后的多光谱遥感影像数据，确定多光谱段的水体指数集；所述多光谱遥感影像数据中包含陆表水体。

示例性的，针对“哨兵-2”遥感影像数据的13个波段，依照公式(2)-(5)分别计算遥感影像各数据点的水体指数集(包括多光谱水体指数muwi、归一化水体指数ndwi、改进的归一化水体指数mndwi和自动提取水体指数awei)。

具体的，水体指数集中的每类水体指数的计算公式如下：

muwi＝-4nd(2，3)+2nd(3，8)+2nd(3，12)-nd(3，11)(2)

其中nd(i，j)代表第i个波段与第j个波段的归一化差值。

awei＝4×(ρband3-ρband11)-(0.25×ρband8+2.75×ρband12)(5)

其中表示遥感影像的第i个波段反射率值。

s304，根据水体指数集确定初始分割阈值集，对初始分割阈值集进行调整得到最佳分割阈值集。

示例性的，本实施例以根据水体指数集中的多光谱水体指数确定初始分割阈值，对该初始分割阈值进行调整得到多光谱水体指数对应的最佳分割阈值为例进行说明。具体的，根据多光谱水体指数在多光谱遥感影像数据中每个数据点确定的具体数值，构建如图4b所示的多光谱水体指数对应的双峰统计直方图；然后再根据该统计直方图中的波形确定初始分割阈值，如可以是将两波形的波峰的均值作为初始阈值；最后采用等步长试错策略，按照如下公式(6)计算水体类和非水体类两个类的类间方差，选取类间方差最大的分割点作为最佳分割阈值进行阈值分割，使得调整后的阈值能够最大程度满足实际水体的分布状况。

其中，t为候选分割阈值，σ²(t)为水体类和非水体类两个类的类间方差，为水体类的类内方差，为非水体类的类内方差。

需要说明的是，对于水体指数集中的其他水体指数(如归一化水体指数、改进的归一化水体指数和自动提取水体指数)也采用类似的方法，确定出每类水体指数对应的最佳分割阈值，对此不实施例不进行赘述。

s305，采用最佳阈值集分别对校正后的多光谱遥感影像数据进行阈值分割，得到陆表水体提取结果集。

示例性的，采用每类水体指数对应的最佳分割阈值，分别对s302校正后的多光谱遥感影像数据进行阈值分割，即得到根据每类水体指数提取到的陆表水体提取结果，如图4c-4g所示。其中，图4c为muwi指数对应的陆表水体提取结果示意图，该图4c中位于中间的图(2)为muwi指数对应的陆表水体提取结果的全景图，位于左边的图(1)为图(2)中方框40区域的放大示意图，位于右边的图(3)为图(2)中方框41区域的放大示意图；图4d为aweinsh指数对应的陆表水体提取结果示意图，该图4d中位于中间的图(2)为aweinsh指数对应的陆表水体提取结果的全景图，位于左边的图(1)为图(2)中方框40区域的放大示意图，位于右边的图(3)为图(2)中方框41区域的放大示意图；图4e为aweish指数对应的陆表水体提取结果示意图，该图4e中位于中间的图(2)为aweish指数对应的陆表水体提取结果的全景图，位于左边的图(1)为图(2)中方框40区域的放大示意图，位于右边的图(3)为图(2)中方框41区域的放大示意图；图4f为mndwi指数对应的陆表水体提取结果示意图，该图4f中位于中间的图(2)为aweish指数对应的陆表水体提取结果的全景图，位于左边的图(1)为图(2)中方框40区域的放大示意图，位于右边的图(3)为图(2)中方框41区域的放大示意图；图4g为ndwi指数对应的陆表水体提取结果示意图，该图4g中位于中间的图(2)为aweish指数对应的陆表水体提取结果的全景图，位于左边的图(1)为图(2)中方框40区域的放大示意图，位于右边的图(3)为图(2)中方框41区域的放大示意图。

s306，依据最佳似然水体指数判别规则，从陆表水体提取结果集中确定最佳陆表水体提取结果。

其中，最佳似然水体指数判别规则包括：最优空间分辨率规则和最优水体总体分类精度规则。具体的，由于“哨兵-2”遥感影像数据既包含10m分辨率的波段，也包含20m和60m分辨率的波段，运用公式(2)-(5)计算出的水体指数空间分辨率可能无法保证都达到10m的最优空间分辨率，因而最优空间分辨率规则可以是保留能够达到10m空间分辨率的水体指数。而对于最优水体总体分类精度规则，可以是按照公式(6)计算对应于实际水体分布样本的各类水体指数的总体分类精度，选择最优水体总体精度最大的水体指数。

其中，oa为总体分类精度，n为总体样本数量，xii为混淆矩阵对角上的值；r为混淆矩阵的维度。

示例性的，依据最佳似然水体指数判别规则，从陆表水体提取结果集中确定最佳陆表水体提取结果，可以是先根据最优空间分辨率规则，选择出分辨率为10m的波段的陆表水体提取结果，然后再从中选出最优水体总体精度最大的陆表水体提取结果作为最佳陆表水体提取结果。例如，图4c所示的muwi指数对应的陆表水体提取结果示意图为最佳陆表水体结果。

本实施例选用“哨兵-2”影像数据，采用本实施例提供的基于遥感影像的陆表水体提取方法，对“哨兵-2”影像数据进行了陆表水体识别提取验证，能够准确的识别提取出影像数据中的陆表水体区域。

实施例四

图5为本发明实施例四提供的一种基于遥感影像的陆表水体提取装置的结构框图，该装置可执行本发明任意实施例所提供的基于遥感影像的陆表水体提取方法，具备执行方法相应的功能模块和有益效果。如图5所示，该装置可以包括：

水体指数确定模块501，用于根据获取的多光谱遥感影像数据，确定多光谱段的水体指数集；所述多光谱遥感影像数据中包含陆表水体；

最佳阈值确定模块502，用于根据所述水体指数集确定初始分割阈值集，对所述初始分割阈值集进行调整得到最佳分割阈值集；

分割提取模块503，用于采用所述最佳阈值集分别对所述多光谱遥感影像数据进行阈值分割，得到陆表水体提取结果集，并从所述陆表水体提取结果集中确定最佳陆表水体提取结果。

本实施例提供的基于遥感影像的陆表水体提取装置，通过确定遥感影像数据中多光谱段的水体指数集，由该水体指数集确定初始分割阈值集，对初始分割阈值集进行调整确定最佳分割阈值集，对遥感影像数据进行分割，从多个分割结果中选择最佳陆表水体提取结果。由于分割阈值都是通过对初始分割阈值调整后得到的，保证了遥感影像数据分割的准确性，有效的避免了遥感影像数据效果不好时，因分割阈值确定不准确导致识别误差大的问题，进而提升了遥感影像中陆表水体提取的准确性。

进一步的，上述水体指数集包括：多光谱水体指数、归一化水体指数、改进的归一化水体指数和自动提取水体指数中的至少两个。

进一步的，上述最佳阈值确定模块502具体用于：

针对每一个初始分割阈值，采用等步长试错策略，确定候选分割阈值集；

分别计算所述候选分割阈值集中各候选分割阈值对应的两个类的类间方差；

选择类间方差最大的候选分割阈值作为最佳分割阈值。

进一步的，上述装置还包括：

影像数据筛选模块，用于根据获取的多光谱遥感影像数据中的云量占比，对所述多光谱遥感影像数据进行筛选；

影像数据校正模块，用于对筛选后的多光谱遥感影像数据进行辐射校正和大气校正。

进一步的，上述分割提取模块503具体用于：

依据最佳似然水体指数判别规则，从所述陆表水体提取结果集中确定最佳陆表水体提取结果；其中，所述最佳似然水体指数判别规则包括：最优空间分辨率规则和最优水体总体分类精度规则。

上述实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员应该明白，上述的本发明实施例的各模块或各操作可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或操作制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。

本说明书中的各个实施例均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，各个实施例之间的相同或相似的部分互相参见即可。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。