据水体指数及颜 色特征信息，自适应的对水体边界处进行精细化处理。
[0024] 为了便于公众理解，下面结合附图对本发明的技术方案进行详细说明：
[0025] 本发明基于RGBW特征空间图割算法的遥感图像水体提取方法，具体包括W下步 骤：
[0026] 步骤1、利用水体指数法对遥感图像进行水体的初步提取，并W初步提取的水体中 的最大连通区域作为水体主体。
[0027] 本步骤中可利用现有的各类水体指数法进行水体的初步提取，例如【背景技术】中所 提到的归一化差异水体指数NDWI、高斯归一化水体指数GNDWI、改进归一化差异水体指数 MNDWI、不依赖于中红外波段的伪归一化差异水体指数FNDWI、单波段阔值法与构建的阴影 水体指数SWI相结合的决策树水体信息提取方法等。
[0028] 遥感图像通常包括多个不同波段的遥感数据，W高分一号卫星16m分辨率的多光 谱宽覆盖WFV(wide field of view)相机为例，其提供0.45皿~0.89μπι共四个波段(蓝光波 段0.45μπι~0.52皿、绿光波段0.52皿~0.59皿、红光波段0.63皿~0.69皿、近红外波段0.77 μηι~0.89μηι)的遥感数据。多分辨率遥感影像用DN(Digital Number)值表示遥感影像像元 亮度值，记录地物的灰度值。DN值是无单位的整数值，其值大小与传感器的福射分辨率、地 物发射率、大气透过率和散射率等有关。
[0029] W经典的归一化差异水指数NDWI为例，其水体指数模型W地物在各个波段的DN值 为基础构建，其计算公式为：
[0030]
(1)
[0031] 其中DNgreen表示绿光波段，DNnIR表示近红外波段。在高分一号的多光谱遥感影像中 其分别对应第二和第四波段。
[0032] NDWI水体指数抑制陆地植被等信息而突出水体信息，并且公式（1)统一对NDWI数 值进行了拉伸，可使不同传感器、不同成像条件的影像也可获得具有可比较的、相近统计特 性的NDWI影像波段，便于后续建立统一的信息提取模型。
[0033] 根据计算出的NDWI值，利用简单的阔值法即可快速地对遥感图像进行初步水体提 取。为了避免图像中和水体相似的小区域W及图像噪声的干扰，本发明从初步提取的水体 中选取最大连通区域作为水体主体。运样即可粗略确定水体主体的大概范围。
[0034] 步骤2、对于遥感图像的每一像素，W其在标准假彩色遥感图像中的R、G、B^个颜 色通道值W及该像素的归一化差异水体指数NDWI值作为该像素的RGBW特征，从而构造出遥 感图像的RGBW特征空间。
[0(X3日]所谓标准假彩色遥感图像，是运用福射校正（Radiometric Cal化ration)、大气校 正（化AA細 atmos地eric Correction)、正射校正（RPC O;rthorectification)等对遥感数 据做预处理，然后将遥感数据的近红外波段、红光波段和绿光波段分别对应红、绿、蓝Ξ个 通道合成标准假彩色数字图像。标准假彩色遥感图像能充分显示各种地物影像特征的差 另IJ，能很好地区分不同地物特性，解译地物类型;但该图像与普通相机拍摄的图像有一些明 显颜色差异，例如在标准假彩色遥感图像上，茂密的植被显示为鲜红色，清澈的水体显示为 深蓝色，裸露的±壤显示为暗灰色等。标准假彩色遥感图像中的每个像素在RGB颜色空间中 均具有R、G、B^个颜色通道值。对于遥感图像的每一个像素，可用公式(1)计算其NDWI值。将 标准假彩色遥感图像的RGBS个颜色通道与NDWI值相结合，即可构建结合遥感数据彩色颜 色特征与NDWI模型的四维特征空间，我们称之为RGBW特征(W即NDWI水体指数值）dRGBW特征 考虑了遥感数据彩色图像中水体与其他地物的颜色特征区别，也考虑了传统的水体指数的 影响。
[0036] 步骤3、在RGBW特征空间中，W步骤1所得到的水体主体的外接矩形内、外部分别作 为初始的目标和背景，利用图割算法对遥感图像进行图像分割;并根据图像分割的多次迭 代结果，将每次迭代中均被判为目标的像素作为水体像素，从而提取出更精细的水体主体。
[0037] 近年来，基于马尔科夫随机场(MRF)模型的图像分割算法广泛运用于各种目标与 背景边界不清晰，前景背景相似等情况复杂的图像中提取目标，并取得良好的效果。基于 MRF模型的分割方法建立在MRF模型和贝叶斯理论(Bayesian Theory)的基础上，根据统计 决策和估计理论中的最优准则确定图像分割问题的目标函数，采用优化算法求取满足条件 的MRF的最大可能分布，从而将图像分割问题转换为求解MRF分布的最优化问题。
[0038] 图像分割可W看成图像像素标记问题，N个像素的图像可W用数组X={Xi，X2，···， Xn}来表示，每个像素 Xi都有一个标记xi E {〇，1} (0代表背景，1代表前景）。将X作为MRF的结 点并定义图的G比bs能量函数为：
[0039]
[0040] 其中，C为邻域像素集合的数目，χ={χι，Χ2，···，χν}为每个像素的标记，z={zi， Z2,…，zn}表示像素的亮度值，Θ为MRF模型参数，由图像前景和背景像素的特征值(在本发明 中即为RGBW值)分布确定。
[0041 ] 式中
为区域能量项(Regional Term),是像素被归类为目标 或者背景的惩罚，定义为像素 i分割为标记XI的概率的负对数。
[0042] Ri(x,Θ,ζ) =-log P(zi|xi) (3)
[0043] 区域能量项R可由灰度直图或高斯混合模型GMM(Gaussian Mix化re Model)计算 获得。
[0044]
为边界能量项（Boundary Term)，边界能量项体现邻 域像素 i和j不连续的惩罚，在RGBW模型中，采用欧式距离衡量两像素的相似性：
[0045] Bi'j(i^)(x，z)=AB<i'j〉*S(i，j) (4)
[0046] 其中，
，B<i, j〉= e邱（-0 Zi_zj 2),λ· = 50,β由图像像素间的对 比度决定，0=l/2(Zi-Zj)2。
[0047] 定义MRF的G化bs能量函数之后，图像分割的问题转化为求图的G化bs能量函数最 小化X*的问题：
[004引 x* = arg minx E(x，目，Z)巧）
[0049] Boykov等人（参见[Boykov Y,Kolmogorov V.An experimental comparison of min-cut/max-flow algorithms for energy minimization in vision[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,2004,26(9):1124- 1137 .])提出基于最大流最小割（max-f low/min-cut)理论，迭代求解全局MRF吉布斯 (G化bs)能量最小化的图割(Graph Cut)算法，获得较快的分割速度W及良好的图像分割结 果。
[0050] 对图像建立GMM模型可W利用多维特征来计算区域能量项R，获得更精确的分割结 果。每个GMM模型有η个高斯分量，Ξ个参数:每个高斯分量的权重31、每个高斯分量的均值向 量μ和协方差矩阵S。描述前景的GMM和描述背景的GMM的参数通过K-Means算法聚类已知的 前景像素和背景像素确定。
[0051] GMM的高斯分量向量表示为k=化1，42，..，^}，图像中的每个像素都服从高斯分 布：
[0052] P(zi|xi，目，ki)=N(z，目；y(Xi，ki)，S(xi，ki)) (6)
[0053] 引入GMM模型后(3)式化为：
[0化4]
[0055] 由每个像素的RGBW值计算出该像素分别属于目标GMM和背景GMM的概率，计算得出 区域能量项R。