从Landsat影像中提取河流和湖泊的一种自动方法外文翻译资料

 2022-04-27 20:22:58

英语原文共 23 页，剩余内容已隐藏，支付完成后下载完整资料

从Landsat影像中提取河流和湖泊的一种自动方法

摘要

水指数（WI）旨在突出内陆水体的遥感图像。 WI在水体测绘中的应用主要基于阈值法。 但是，这种方法存在三个主要困难：(1)无效的混合水像素识别; （2）水体与背景噪声混淆; 和（3）根据图像采集的位置和时间的阈值的变化。 考虑到混合水象素通常出现在湖泊或宽阔河流边缘的狭窄河流或浅水中，提出了一种通过将WI与数字图像处理技术相结合来提取河流和湖泊的自动化方法，以解决上述问题。 数据来源为中国三个代表性地区的Landsat TM（专题制图仪）和ETM （增强专题制图仪Plus）图像。结果与现有的阈值方法进行了比较。 还评估了新方法与不同WI相结合的稳健性。 几个指标，其中包括Kappa 系数，省略和佣金误差，边缘位置准确性和完整性，以评估方法的性能。 新方法通常优于阈值方法，但WI的改进程度各不相同。 该方法的优点和局限性也进行了讨论。

关键词：特征提取; 湖; 混合像素; 遥感; 河; 水指数

  1. 介绍

内陆地表水包括溪流，运河，池塘，湖泊和水库。 地表水的数量和位置随着时间和空间的变化而变化，这是自然过程和人类实践的结果，因此它们是农业，环境和生态问题以及人类社会经济发展的强有力指标。 准确绘制地表水以描述其空间和时间分布对于学术研究和政策制定都是至关重要的。

基于卫星的遥感可以长时间提供地球表面的连续快照。 Landsat TM（Thematic Mapper） 和ETM （Enhanced Thematic Mapper Plus）图像具有中等的空间分辨率（30米），提供多光谱图像（七或八个波段），短重访间隔（16天），包括数十年的记录〜30年）。 最近，Landsat档案已经免费提供; 因此，综合研究大面积地表水的动态变化不再是成本过高的。已经开发了多种方法来描绘遥感图像中的水体。最常用的方法分为三类：

    1. 光谱波段：这些方法通过对一个或多个光谱波段应用阈值来识别水体，很容易实现，但往往将山影，城市区域或其他背景噪声误分类为水体。
    2. 分类：这些方法应用有监督或无监督的机器学习算法从多光谱图像中提取水体。 对于监督分类，最显着的方法是最大似然分类器，决策树，人工神经网络和支持向量机。 对于无监督分类，最常见的方法包括K均值和迭代自组织数据分析（ISODATA）。 在某些情况下，这些方法可能比谱带方法具有更高的准确性; 然而，需要专家经验或现有的参考数据来选择适当的培训样本，这阻止了这些方法应用于大面积。
    3. 水指数（WIs）：这些方法使用各种代数运算将两个或多个光谱带结合起来，以增强水体和土地之间的差异。 大多数WI的原理与归一化植被指数（NDVI）相似。

由于WI在水体检测方面的准确度较高，且其实施成本较低，因此已被广泛使用。 这些指数的设计一直在不断改进。 例如，McFeeters 提出归一化差异水分指数（NDWI）来识别与湿地相关的湖泊和池塘。 Xu 提出了改进的NDWI（MNDWI）其中Band 5取代了Band 4。Ji et al。认为MNDWI比其他WI有更稳定的阈值。 Feyisa等人。 提出了自动水提取指数（AWEI）的两个版本，即AWEINSH（即无阴影）和AWEISH（即阴影）。

为了解决最佳阈值和噪声污染问题的变化，一些研究将WI与其他方法相结合，包括颜色空间变换，主成分分析，图像分割，地形掩蔽，线性判别分析[18]和数字图像处理与地理信息系统技术的结合。

虽然这些努力在消除噪音和提高准确度方面取得了进展，但很少考虑水体之间的差异，水体类型之间的准确性不一致。 深水清洁水体中的像素表现出稳定的光谱分布，并且能够耐受阈值变化。 相反，由于沉积物和/或土地引起的混合反射，浅水和窄水体中的像素可能产生不稳定的光谱轮廓或特征。 因此，这些水象素对阈值变化非常敏感，不能轻易地与土地分开。 然而，这些像素通常出现在大水体的边缘或狭窄的河流中; 因此，拓扑关系对于识别混合水像素很重要。

WI和数字图像处理技术相结合，开发了一种自动化的河流和湖泊提取方法（AMERL），以识别水体像素，尤其是浅水或窄水体中的混合水像素。 在这项研究中，狭窄的河流被定义为宽度小于或等于三个像素，因为宽阔的河流（即宽于三个像素）更可能包含容易通过阈值方法识别的纯水像素。

学习领域和数据准备

    1. 学习领域

为了评估新方法的稳健性，中国选择了三个研究区域，这些研究区域具有不同的水体类型， 气候条件和土地覆盖（表1）。 图1显示了三个研究区域的位置和视觉特征。

研究区1位于中国北方的河北省，包括潘家口水库和五条河流（即滦河，六合，宝河，黑河和沙河）。 主要落叶针叶林和灌木覆盖地表。 该地区崎岖多山; 海拔范围从107到1376米。因此，该地区水体提取方法的评估侧重于区分水体和山体阴影。

图1.中国三个研究区的位置 研究区1包括河北潘家口水库。 研究区2包括江西余干县。 研究区3包括宁夏回族自治区的青铜峡水库。

研究区2位于鄱阳湖东南部，这是中国南部最大的江西省淡水湖。 该地区水资源丰富，包括八个水库，三条河流（即莱安江，新疆，万年河）和几条支流。 该地区主要是平坦的，覆盖着灌溉农田。 丘陵地位于研究区的东南角; 这部分被常绿阔叶林覆盖。 背景噪音的最大来源是余干县和几个村庄。

研究区3位于中国西北部的宁夏回族自治区。 该地区一般平坦，主要由农田和裸地覆盖。黄河是中国第二长的河流，以浊水闻名，流经研究区。 选择这条河来测试所提出的用于混浊水体的方法的鲁棒性。

图像预处理

Landsat TM / ETM 图像是为这项研究获得的。 这些图像经过了几何校正，并以原始DN（数字 - 数字）值的形式进行了修正。 需要进行大气校正，以调整由臭氧，水蒸气，气溶胶和其他粒子引起的大气散射和吸收效应以及瑞利散射。 Landsat生态系统采用扰动自适应处理系统（LEDAPS，版本1.2.0）算法从DN值中检索地表反射率数据。

参考数据

为了提供比较基础，从Landsat图像手动数字化“真实”水体。 高分辨率Google EarthTM值图像被用作辅助参考，以帮助区分混乱的水像素与背景噪声（例如，山区阴影或城市区域）。

方法

    1. 代表光谱轮廓

为了描述水体和土地之间的光谱差异，从河北影像整个场景中选取了1000个样本来代表5种地表覆盖类型（即混合水，纯净水，植被，城市和山影）作为研究领域1的来源; 每个类别包含200个样本。 从狭窄的河流和湖泊边缘或宽阔的河流中采样混合水像素。 从水库中心和湖泊中选择纯净水像素，水体深而清晰，以保证像素仅含水。 其他三个样本集是基于类似的原则收集的，以确保样本集中每个像素的代表性。

图2总结了样品的反射特性（平均值plusmn;标准偏差）。 纯水的总光谱反射率低于植被，城市， 山影和混合水类。 随着泥浆，水生植物，悬浮沉积物，湖泊或河床和/或土地（即河岸或湖岸）的存在，混合水反射率增加。 山影的反射率模式与两种水类别的模式类似，这可能导致自动图像处理期间这些类别之间的混淆。

图2.五种地表覆盖类型中地表反射率的平均值和标准偏差。

水指数

WIs旨在加强对水体和土地的区分; 然而，它们的表述使得它们对某些类型的噪声具有固有的敏感性。

图3.混合水，纯净水，植被，城市和山区阴影表面类别的水分指数（WI）值分布。在盒子和晶须图中，底部的第二，第三和第四水平线分别代表第一四分位数（Q1）， 中位数和第三四分位数（Q3）。 底部的底部和顶部线分别表示Q1-1.5times;（Q3-Q1）和Q3 1.5times;（Q3-Q1）。 十字（ ）表示异常值。

本研究调查了四个WI，包括NDWI（方程（1）），MNDWI（方程（2）），AWEINSH（方程（3）） 和AWEISH（方程（4））：

这里，rho;代表来自Landsat TM / ETM 数据的波段1（蓝色），2（绿色），4（近红外），5（SWIR1）和7（SWIR2）的反射率。

图3显示了五种土地覆盖类别的WI值分布。 对于所有WI，纯水像素相对于非水类型显示出很大的差异。 AWEINSH最有可能将混合水像素与山影像素混淆，其次是MNDWI，AWEISH和NDWI。 对于NDWI，混合水像素更多时候与城市像素混淆，而不是阴影像素。 此外，与水像素的MNDWI相比，NDWI和两个AWEI具有更小的值范围，而AWEINSH展现非水像素的最大值范围。

这些分布的特征对于开发处理方案（第3.3节）和调整其参数（第3.6节）非常重要。

自动化方法提取河流和湖泊（AMERL）

如上所述，可以用严格的WI阈值来识别纯水像素; 但是，这些阈值可能无法识别混合水像素。相反，低WI阈值可以捕获混合水像素; 但是，这些阈值包含更多噪声。

在本文中，开发了一种自动化的河流和湖泊提取方法（AMERL）来解决这个问题。 图4说明了这种处理方案的逻辑和操作顺序。 使用故意选择的严格阈值（Thd纯）提取纯水像素。 使用具有稳定特征的多个训练图像为每个WI测试该阈值（Thd纯）。 然后采用分水岭分割方法检测湖泊或宽阔河流边缘的混合水像素。 此外，采用基于线性特征增强的方法来检测狭窄河流中的水象素。 最后，提取的湖泊，宽阔的河流和狭窄的河流相结合，产生最终的水体结果。

图4.从Landsat图像中提取江河和湖泊的自动化方法（AMERL）提取河流和湖泊的方法。 NDWI，归一化差异水指数; MNDWI，修改的NDWI; AWEI，自动水提取指数。

湖和宽河提取

图像的梯度在两个方面测量其强度的变化：梯度的大小（Gm）测量强度变化的速率; 梯度方向描绘了强度最大增加的方向[23]。 由于遥感影像的强度取决于土地覆盖光谱反射率[24]，具有低Gm的像素代表相对均匀的陆地覆盖类型的区域，而具有高G的像素m与其中周围的土地覆盖可能不同。

尽管纯水像素和混合像素之间的WI值存在差异，但假设这些差异小于水面和像素之间的差异是合理的。 使用分水岭算法[23,25]，基于WI的Gm可以将水体与陆地分离。

原始分水岭算法对区域最小值和噪声敏感，这可能导致图像过分割。 该问题的一个解决方案是使用标记来使用关于图像的先前知识来指定允许的区域最小值。 标记由图像中的连接像素组成。 内部标记着眼于感兴趣的对象，而外部标记与背景相关[26]。 这种标记控制的分水岭分割分三步进行。

第1步：典型水体和土地的划定。 值大于Thd纯的像素被归类为纯水像素（第3.3节），并被标记为内部标记。 值小于Thd土地的像素被归类为像素点，并被标记为外部标记。 值Thd土地和Thd纯之间的像素可能是平地或混合水像素; 这些未标记的像素在步骤3中分类。

对于山区或丘陵地区的图像，必须识别阴影像素并将其从内部标记中排除。 一个简单的方法包括阈值（Thd阴影;基于波段2（绿色）值的方程（5），因为波段2比其他波段更稳定，用于区分水体和阴影[14]。本研究没有使用基于高程数据的降影方法，因为目前现有的30米高分辨率数字高程模型（DEM）产品（例如先进的星载热辐射和反射辐射计（ASTER））中水域的高度不确定性， [27]。

步骤2：计算WI的Gm。 Sobel算子用于计算WI的Gm。 Sobel算子是一个离散微分算子，用于估计数字图像梯度。 该运算符比其他梯度运算符（如Prewitt运算符[28]）的性能更好。

第3步：分水岭分割。 分水岭算法迭代地扩展内部和外部标记[26]，并且每个未标记的像素被分类为水体或土地。 最终，所有的湖泊和宽阔的河流都在这一步被提取出来。

窄河提取

这里介绍的狭窄河流提取方法主要基于Fischler等人的工作。 [29]，其重点是从遥感影像中提取宽度小于或等于三个像素的道路。 费斯勒的方法包含两个步骤。 首先，该方法使用杜达运算符将图像的每个像素转换成指示该像素属于线性特征的可能性的数值分数。 在第二步中， 通过用启发式路径跟踪算法连接用户提供的种子像素来提取道路。 这种方法也被用于河流开采

[30]。 然而，有些困难阻止了这种方法被用于在大面积上自动绘制河流。 在第一步中，达达公路运营商的目的是识别直线或光滑的弯曲道路，并不完全适用于识别大多数天然河流特征的众多和突然的曲折和转弯。 另外，操作者对具有不同图像强度的两个均匀区域之间的逐步边缘敏感，这可能导致多次错误检测。 在第二步中，路径跟踪算法需要耗时的手动干预。

图5. AMERL中几个重要步骤的结果。 图像描绘了研究区域3的一部分。

TM 543带假彩色图像;

MNDWI;

用于比较的最佳阈值方法的结果;

线性特征增强（LFE）;

无道路（红星号）减少的AMERL的结果;

AMERL的最终结果。

在这项研究中，Fischler法的两个步骤改变了有利于河流开采并增加了降噪程序的第三步。下面介绍新的窄河提取方法的三个步骤。 图5显示了这些步骤的结果示例。

第1步：线性功能增强（LFE）。LFE的目标是突出线性空间形式的像素，同时抑制其他像素;

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[465317]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章