（广州市增城区城乡规划与测绘地理信息研究院，广东广州511300）
摘要：鉴于基于像元的方法在高分辨率影像中水体信息提取的不足，以高分辨率SPOT遥感影像为数据源，采用多尺度分割算法，对水体的特征进行分析，建立对象知识进行细分类。实验表明，基于目标的方法保证了信息提取的完整性且提高了精度，能够得到更好的效果。
关键词：基于目标；多尺度分割；知识库；分类
1引言
利用卫星遥感数据对水资源进行宏观的观测，在近年得到了广泛的应用。而水资源的研究离不开对水体的准确提取。本文利用SPOT遥感图像采用基于目标的方法，利用eCognition软件，实现水体信息的自动提取。
2实验区数据
实验区选择武汉，武汉位于江汉平原中部，市内湖泊塘堰众多，世界第三大河长江及其最长支流汉江横贯市区，是个水覆盖率高的地区，是水体识别和提取的好实验区。本实验的分类种类包括河流、湖泊和非水体。
实验采用SPOT高分辨率影像，SPOT多光谱影像具有红、绿、蓝、近红外4个波段，分辨率为10m，全色影像具有一个全色波段，分辨率为2.5m。
3研究方法
水体是一种特殊的地物，由于其所具有的液体特质，所在区域一般是连续的，边缘一般也较光滑，用基于目标的方法来提取水体，更容易将水体与非水体区分开，精度也会更高，主要包括多尺度分割和构建水体提取知识库。
3.1多尺度分割
多尺度分割采用自下而上的方法对影像进行分割。在分割前需要确定影响异质性最小的两种因子：光谱因子与形状因子，其中形状因子包括光滑度异质性、紧密度异质性。
多尺度影像分割就是对影像中目标设立一个特定的阈值，根据影像中目标地物的色彩、形状、纹理等特征，建立相应的分割准则，将光谱信息类似的相邻像元合并，组成一个有意义的对象。进行多尺度分割后，不同类别的地物即可以实现在不同尺度层的信息提取[5]。
3.2构建水体提取知识库
知识库是多种特征的集合，选择合适的特征表达式能较好地模拟道路、水体、植被等的知识，可构建出用于提取水体的知识库。
3.2.1归一化水体指数
通过水体的最强与最弱反射波段进行比值运算，扩大水体与其他地物之前的差异，有效抑制植被信息，从而突出水体信息。
NDWI=(Green－NIR)/(Green+NIR)(4)
其中，Green代表绿波段的亮度值，NIR代表近红外波段的亮度值。
3.2.2亮度值
亮度值是指影像对象的图层数量除以包含光谱信息的图层平均值的总和(一个影像对象的光谱平均值的平均值)。
4实验与结果分析
4.1数据预处理
数据预处理主要是运用ERDAS软件进行SPOT多光谱影像和全色影像的配准，将不同时刻、不同传感器或者不同角度获取的遥感数据变换采样到统一的参考坐标系下，实现同名地物影像像素的一一对应。
以全色波段图像为参照，通过选取两幅图像对应的明显地物点，采用多项式法对多光谱图像进行校正。多项式的次数为2，需要6个控制点，5个检查点。控制点应平均分布在整幅图像中，且为明显不易变动的点。通过重采样为相同的空间分辨率，空间配准误差不得超过一个像素。
在eCognition软件中，利用融合后的影像进行分类，实验结果表明与基于原始多光谱影像的分类结果相比，其分类精度有很大提高[4]。
4.2影像分割
在多尺度影像分割过程中要达到满意的分割结果，分割参数的选定很重要，直接影响分类精度。
武汉水体覆盖面积较大，分割尺度采用300能较好的把水体分割出来，除分割尺度外，还需设置形状指数和紧凑度指数来保证分割结果不会太破碎。在清晰分割出水体的同时，要使背景目标与水体目标形状差异尽可能的大。经过多次尝试，最终将形状指数设为0.1，紧凑度指数设置为0.5。
4.3隶属度函数分类精度
在本次实验中，采用隶属度函数的方法进行分类。隶属度函数[4]可以精确定义对象属于某一类的标准，可以利用对象特征和类间相关特征。在评估完形成每个类的每个特征后，会由隶属度函数返回一个在0和1之间的隶属度值。这些值可以通过逻辑运算符组合起来进行类赋值的计算。隶属度函数提供了组合不同维数不同范围值的可能性。隶属度函数可以利用对象特征和类间相关特征精确定义对象属于某一类的标准。
水体提取利用归一化水体指数和亮度来提取河流和湖泊。需要确定各个特征的阈值。在影像上点击一个影像对象，可以在ImageObjectInformation窗口中看到该对象所选特征的特征值。对于每一类，多选几个有代表性的对象，记下该对象所选特征的阈值范围。
湖泊和河流的NDWI的范围基本都在-0.7到-0.4之间，河流的亮度值范围定为：80-100，湖泊的亮度值范围为60-80。根据范围的分布，可以调整函数斜率图，以使影像分类更精确。
隶属度函数分类结果如下图2所示，其中红色代表湖泊，蓝色表示河流，未被分类的属于非水体。
从结果图上可以看出，有些湖泊被分成了河流，可能是因为河流和湖泊在亮度值和NDWI值范围上有相互重叠的范围，而这两类的函数分布幅度设置不当所致，可以经过多次试验设定合适的值。
5结束语
面向对象的分类方法，由于是对对象的操作，能够较好的克服“同物异谱”、“异物同谱”等对分类的影响，在分娄精度上优于传统的基于像元的分类方法[6]。面向对象方法的关键是图像分割，但是没有一个统一的标准来确定分割阈值，需要反复试验，因此选择科学合理的分割方法是关键的步骤。根据先验知识，选择适合的特征建立有效的知识库。也是本文的研究重点所在。
参考文献：
[1]孙雅荣.城市绿地信息提取及空间质量分析[D].上海：华东师范大学，2007.
[2]苏簪铀等．基于面向对象分类技术的景观信息提取研究.遥感信息，2009(2)：42-46．
[3]林先成，李永树.面向对象的成都平原高分辨率遥感影像分类研究[J].西南交通大学学报，2010,45（3）：366-372.