点击关心 关心咱们吧~
遥感图像水体信息索要的数据源主要包含合成孔径雷达(synthetic aperture Radar,SAR)遥感数据、光学/多光谱遥感数据以及两者和会后的数据。图1分手展示了高分三号、Sentinel-2和Landsat8获得的SAR和光学遥感图像,前2种图像的空间分辨率为10 m,Landsat8为30 m。对比4个场景中水体区域不错看出,水体在不同传感器成像情况下具有较大的豪情、纹理、几多么表征各异。受水体区域雷达波的平面散射影响,阈值法粗略快速地从SAR图像中索要水体区域。关于光学/多光谱遥感图像,水体索要则较多使用阈值和光谱指数法、面向对象法和机器学习分类法等。1)阈值和光谱指数法。该类要道具有盘算粗心、快速的优点,是中低空间分辨率遥感图像水体索要的常用要道,曾玲方等和Cao等运用SAR图像强度图的局部直方图单、双峰值分散进行水体分割阈值驯服,实考据明双峰法粗略阻挡SAR图像联系斑噪声对阈值估量及水体索要效果的影响。此外,阈值法多在后处理阶段使用模式学处理、Markov分割等要道对初步索要效果进行优化。在多光谱遥感图像水体索要征询中,征询东谈主员通过分析水体与其他各类地物的光谱弧线特征法例,建设归一化水体指数(normalized difference water index,NDWI)模子,继承阈值分割的要道从水体指数居品中索要隘表水体。为惩处NDWI易受云层、山体和建筑物暗影影响的问题,连续还需要贯串群众告诫来遴荐稳健的波段以及后处理本事对分割效果进行优化。由此可见,分割阈值的估量易受地舆环境、季节以及水体本人特点等成分变化影响,难以踏实地在不同区域终了自动、灵验地水体信息索要。2)面向对象法。频繁水体在光谱图像局部区域具有相同的纹理和光谱特征,以水体对象里面的同质性为量化范例,贯串多范例分割要道使同质像元构成大小不同的对象,进而终了更高脉络的水体区域索要。但受风波影响水体名义的体反射能量也出现各异,导致同质区域内出现各异较大的变化。因此,征询东谈主员也将SAR图像的极化领会特征、多源图像的和会特征等进行组兼并运用阈值函数或分类器进行分类。天然面向对象要道粗略取得比阈值法愈加准确的索要效果,但分割范例会显赫影响索要的性能,因此奈何自动、准确地遴荐最优分割范例依然该类要道征询的要害。3)机器学习分类法。跟着机器学习分类算法在图像分类、分割任务中的熟谙应用,基于非监督的迟滞C均值聚类(fuzzy C means,FCM)和监督学习的撑执向量机(support vector machine,SVM)、AdaBoost分类器要道渐渐成为大区域水体索要的首选决议之一。林顺海和洪亮等贯串水体指数NDWI和校阅的FCM聚类算法终泄漏城市地表水、河流的自动索要,不仅较好地保执了水体区域完好性,对复杂布景也具有更好的阻挡作用。为克服SAR图像强度图中建筑物、山体暗影导致水体误分的问题,胡德勇等运用单极化SAR图像的纹理特征,通过SVM分类器终泄漏水体和建筑用地信息的索要; Pradhan等借助ArcMap软件获得TerraSAR-X图像中灰度共生矩阵(gray-level co-occurrence matrix,GLCM)纹理信息索要洪水区域,总体索要精度最高达到了83.63%。这些将SAR贯串水体的纹理特征与极化特征的模式分类要道渐渐引起了关心。可是,机器学习要道索要水体需要复杂的光谱分析和特征遴荐,需要依赖于丰富的先验常识,不仅耗时且难以称心对精度、自动化水顺心应用限度的条目。