点击关怀 关怀咱们吧~

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开云体育,SAR)遥感数据、光学/多光谱遥感数据以及两者交融后的数据。图1划分展示了高分三号、Sentinel-2和Landsat8得到的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样式、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。该类设施具有计较轻佻、快速的优点,是中低空间分辨率遥感图像水体索要的常用设施,曾玲方等和Cao等诈欺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详情,实考解说双峰法粗略扼制SAR图像联系斑噪声对阈值揣测及水体索要恶果的影响。此外,阈值法多在后处理阶段使用口头学处理、Markov分割等设施对初步索要恶果进行优化。在多光谱遥感图像水体索要商讨中,商讨东谈主员通过分析水体与其他万般地物的光谱弧线特征规定,建立归一化水体指数(normalized difference water index,NDWI)模子,摄取阈值分割的设施从水体指数家具中索要隘表水体。为处理NDWI易受云层、山体和建筑物暗影影响的问题,往交游需要皆集众人训戒来采选合乎的波段以及后处理妙技对分割恶果进行优化。由此可见,分割阈值的揣测易受地舆环境、季节以及水体自己特色等身分变化影响,难以巩固地在不同区域收场自动、灵验地水体信息索要。2)面向对象法。持续水体在光谱图像局部区域具有一样的纹理和光谱特征,以水体对象里面的同质性为量化圭表,皆集多圭臬分割设施使同质像元构成大小不同的对象,进而收场更高等次的水体区域索要。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,商讨东谈主员也将SAR图像的极化确认特征、多源图像的交融特征等进行组归拢诈欺阈值函数或分类器进行分类。诚然面向对象设施粗略取得比阈值法愈加准确的索要恶果,但分割圭臬会显赫影响索要的性能,因此奈何自动、准确地采选最优分割圭臬如故该类设施商讨的关节。3)机器学习分类法。跟着机器学习分类算法在图像分类、分割任务中的锻真金不怕火应用,基于非监督的迂缓C均值聚类(fuzzy C means,FCM)和监督学习的援手向量机(support vector machine,SVM)、AdaBoost分类器设施逐步成为大区域水体索要的首选有设想之一。林顺海和洪亮等皆集水体指数NDWI和篡改的FCM聚类算法收场了城市地表水、河流的自动索要,不仅较好地保捏了水体区域好意思满性,对复杂配景也具有更好的扼制作用。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,胡德勇等诈欺单极化SAR图像的纹理特征,通过SVM分类器收场了水体和建筑用地信息的索要; Pradhan等借助ArcMap软件得到TerraSAR-X图像中灰度共生矩阵(gray-level co-occurrence matrix,GLCM)纹理信息索要急流区域,总体索要精度最高达到了83.63%。这些将SAR皆集水体的纹理特征与极化特征的模式分类设施逐步引起了关怀。但是,机器学习设施索要水体需要复杂的光谱分析和特征采选,需要依赖于丰富的先验学问,不仅耗时且难以悠闲对精度、自动化水仁爱应用鸿沟的条目。