下载掌阅APP，畅读海量书库
立即打开
在对水体对象进行特征分析、归纳总结的基础上，联合多尺度、多阈值分类，采用多种算法协同方式，开展针对示范区水体对象的分割、分类方法研究。
对通常情况以及示范区的水体光谱特征、几何特征、纹理特征、空间特征进行分析、总结，得到示范区水体的归类及其解译特征。
1.光谱特征
一般情况下水体在可见光波段吸收少、反射率较低、大量透射，而在近红外波段几乎吸收全部的入射能量。示范区所在的黄土高原丘陵沟壑区的河流有别于一般情况下的水体，泥沙量较大，因此，由于泥沙的反射率较高，示范区的很多水体反射率曲线整体比一般水体偏高。不同泥沙含量的水体反射光谱特征曲线图如图4.11所示。
图4.11 水体反射光谱特征曲线
（注：
可见光波长范围：0.38～0.76μm，近红外波长范围：0.76～2.5μm）
2.几何特征
（1）河流与沟渠均为线状或条带状，天然河流河道弯曲，河岸为自然河岸，宽窄不一；沟渠为人工构筑，形态比较规则，宽度统一，一般水岸平直，人工特征明显。
（2）湖泊和水库均为面状水体。湖泊为天然形成，水库有人工修筑的堤坝。
3.纹理特征
与其他地类相比，水体表面光滑连续，纹理细密。
4.空间特征
湖泊水库等面状水体多分布在地势平缓地带，河流分布在海拔相对低洼的沟谷地带。
基于以上特征分析，将示范区的水体分为一般水体和季节性以及泥沙含量较大的水体两类，解译特征见表4.3。另外，在其他地区存在水藻及水草含量较大的水域，在本项目中不做研究。
综上所述，一般水体的光谱特征明显，因此可优先考虑多阈值分割、分类的方法，先将一般水体提取出来。季节性以及泥沙含量较大的水体光谱特征不明显，解译特征较为复杂，因此可考虑在多尺度分割的基础上，通过多种算法融合的对比实验进行提取技术的研究。
表4.3 GF-1示范区不同类型的水体对象解译特征
注 表中4、3、2、1代表高分影像中近红外波段、红波段、绿波段和蓝波段。
基于以上对象特征分析，确定分层提取的策略，对两类水体对象分别进行多阈值和多尺度分割实验，确定最优分割参数，通过算法、算法组合及算法阈值的比选，建立算法集及规则集分别提取两类水体对象，最后将两部分的提取结果进行合并、形态学优化，最终得到完整水体。水体提取技术路线如图4.12所示。
对水体对象分别进行多阈值分割和多尺度分割方法的研究。
多阈值分割需要确定以下分割参数：参数Ⅰ：分割完成后最小图斑的大小；参数Ⅱ：参与分割的图层；参数Ⅲ：阈值范围。由于多阈值分割是一个边分割边分类的过程，将参数Ⅱ和参数Ⅲ在构建分类算法集和规则集时进行研究，此处只确定参数Ⅰ最小图斑的大小即可。
在1∶2.5万成图比例尺下，最小图斑上图面积为图上4mm 2 、实地 2500m 2 的要求，最小图斑面积应控制在625个像素以内，为了给后期编辑留有修改的空间，本研究将最小图斑面积控制在600个像素以内。
以示范区局部影像为例，分析参数Ⅰ对分割结果的影响。在研究一个参数时，需要固定其他参数即参数Ⅱ和参数Ⅲ，在此参数Ⅱ选用对水体有较强吸收的近红外波段，参数Ⅲ设定为能较好区分一般水体与其他地物的临界值2500。固定参数Ⅱ和Ⅲ后，调整参数Ⅰ，分析最小图斑大小的设置对一般水体分割结果的影响，见表4.4。
图4.12 水体提取技术路线
以上实验表明，一般水体的边界清晰，与其他地类异质性明显，多阈值分割用以区分一般水体与其他地类，分割速度快，效果较为理想，最小图斑大小设置在 100～300pix。
表4.4 最小图斑大小对分割结果的影响分析
续表
在提取一般水体之后的影像上进行多尺度分割，研究不同的分割参数组合对提取季节性以及泥沙含量较大的水体的影响。多尺度分割参数的选择实验分为两种情况：①在分析对象的光谱、形状特征后，如果能够明显给出参数的理论最小值或最大值，则以理论最小值或最大值为界进行参数调整，确定实际阈值范围；②如果不能明显给出参数的理论最小值和最大值，则从经验最小值开始实验，每一定参数间隔进行一次实验，通过对实验结果的定性或定量对比分析确定实际阈值范围。
1.图层组合方式比选
确定图层组合方式即选择参与分割的图层及图层之间的比值。图层可以为影像的波段、波段运算得到的灰度图像以及其他外部图像层，图层之间需要具有相同的地理参考。图层的比值决定了图层参与分割的权重，对影像分割影响大的图层权重比值适当调大，反之，影响小的图层权重比值适当调小。对每一种地类而言，图层组合方式都应该有各自的独特性。影像分割的速率与参与分割的图层数量、图层分辨率有很大关系，因此用多光谱和全色影像进行多尺度分割比用融合影像进行分割的速率相对较快，但分割精度也相对较低。在本研究中选用两种不同的分割基础数据进行研究，以满足不同的需求。
（1）多光谱和全色影像作为分割基础数据。水体的光谱特征曲线表明，水体在近红外波段上与植被和土壤有明显的区别，因此，在对水体对象进行分割时，近红外波段参与分割的比重适当调大很有必要。另外，细长河流的识别，对影像分辨率要求较高，影像全色波段参与分割的比重也需要适当调大。
因此，选用多光谱和全色影像作为分割基础数据时，为了达到更好的提取效果，把近红外波段和全色波段参与分割的权重值调大若干倍数（如10倍）的条件下进行分割，可以在分割较快的条件下适当提高分割精度。
（2）融合影像作为分割基础数据。为了得到更高的分割精度，选用融合影像作为分割基础数据。由于影像分辨率大大提高，融合后的影像4个波段以1∶1∶1∶1的比例参与分割即可保证对季节性以及泥沙含量较大的水体的提取精度。
本书采用Pansharp方法融合多光谱、全色影像，以融合影像作为多尺度分割的基础数据。
2.尺度阈值实验
为了研究尺度阈值对分割结果的影响，选取示范区局部实验数据，固定图层组合、形状和光谱因子权重、紧致度和光滑度因子权重。由于形状和光谱因子、紧致度和光滑度因子对季节性以及泥沙含量较大的水体的影响均未知，暂时取中值来进行实验。即在融合后的影像4个波段以1∶1∶1∶1的比例参与分割的前提下，固定形状因子和紧致度因子权重均为0.5，调整尺度阈值大小以研究分割尺度因子对季节性以及泥沙含量较大的水体提取效果的影响。
图4.13 不同尺度阈值下分割效果对比
（注：
水体分割示意图斑；水体分割示意图斑；
其他分割图斑）
如图4.13所示，尺度阈值100时，图斑分割形成的图斑数量多、斑块小，但纯净度高；尺度阈值200～500时，图斑斑块逐渐增大、总体数量逐渐减少，但对于季节性以及泥沙含量较大的水体而言，图斑的形状变化不大，随着尺度阈值的增大，局部开始出现混分现象；尺度阈值600时，与其他地物的混分现象严重。
以上实验表明，针对季节性以及泥沙含量较大的水体而言，最优分割尺度在200～500范围之间，具体值需要根据不同的影像和地域特征具体分析。尺度阈值过小时，虽然纯净度高，但图斑过于破碎，如图4.13 （b）所示，增加后期分类和分类后处理的工作量；尺度阈值过大时，容易混入过多的其他地类，如图4.13 （f）所示。
3.同质性因子确定
（1）形状因子和光谱因子。在融合后的影像4个波段以1∶1∶1∶1的比例参与分割的前提下，选择较为理想的尺度阈值300，同时固定尚未确定的紧致度因子权重为中值0.5，将形状因子权重分别调到最小（0.1）、中值（0.5）和最大（0.9），分析形状因子对季节性以及泥沙含量较大的水体分割结果的影响，以示范区局部实验数据为例，分割结果对比如图4.14所示。
图4.14 形状因子极值和中值条件下分割结果对比
（注：
水体分割示意图斑；
其他分割图斑）
形状因子权重为0.1时，光谱因子占主导因素，形成的图斑较为破碎，图斑边缘锯齿明显，图斑不规整，如图4.14 （b）所示；形状因子权重为0.5时，图斑边缘依然破碎，与0.1时相差不大，如图4.14 （c）所示；形状因子权重为0.9时，形状因子占主导因素，形成的图斑较为规整，边缘平滑，如图4.14 （d）所示。
形状因子极值和中值条件下的实验结果对比说明，对于季节性以及泥沙含量较大的条带状水系而言，形状因子对于分割效果的影响要大于光谱因子，形状因子权重较大时的分割效果较为理想，需要根据实际情况适当调大形状因子权重值。
（2）紧致度因子和光滑度因子。同样，在融合后的影像4个波段以1∶1∶1∶1的比例参与分割的前提下，选择较为理想的尺度阈值300、形状因子权重0.9，将紧致度因子权重分别调到最小（0.1）、中值（0.5）和最大（0.9）分析紧致度因子和光滑度因子对季节性以及泥沙含量较大的水体分割结果的影响，分割结果对比如图4.15所示。
图4.15 紧致度因子极值和中值条件下分割结果对比
（注：
水体分割示意图斑；水体分割示意图斑；
其他分割图斑）
紧致度因子权重为0.1时，边界破碎，容易掺杂其他地类，如图4.15 （b）所示；紧致度因子权重为0.5 时，较 0.1 时分割效果稍微有所改善，但依然不理想，如图 4.15（c）所示；紧致度因子权重为0.9时，对图斑边界形状刻画的较好，如图4.15 （d）所示。紧致度因子极值和中值条件下的实验结果对比说明，对于季节性以及泥沙含量较大的条带状水系，紧致度因子对于分割效果的影响大于光滑度因子的影响，紧致度因子权重较大时，分割效果较为理想。因此，在应用中需要根据实际情况适当调大紧致度因子的权重值。
综合以上研究实验，针对季节性以及泥沙含量较大的水体而言，用融合后的影像4个波段以1∶1∶1∶1的比例参与多尺度分割时，最优分割尺度在200～500范围之间，形状因子和紧致度因子的权重值均需要适当调大。季节性以及泥沙含量较大的水体较为理想的分割效果如图4.16所示。
图4.16 季节性以及泥沙含量较大的水体较为理想的分割效果图
（注：
水体分割示意图斑；水体分割示意图斑；
其他分割图斑）
目前，对于水体的提取有很多方法，本研究对一些水体提取方法进行了对比分析和实验研究，详见表4.5。经综合实验对比，指数法由于操作简便、适用性强，提取精度能够满足示范区提取需求，优先选择指数法提取水体，又由于高分影像缺少中红外波段，MNDWI不适用，因此选用NDWI作为水体提取的主要特征算法。另外根据示范区水体的各个解译特征，经实验分析研究，筛选出适合示范区水体对象提取的算法，构建水体提取的算法集。
表4.5 水体提取方法对比
1.归一化水体指数（NDWI）
归一化水体指数（Normalized Difference Water Index，NDWI）是基于绿光波段与近红外波段的归一化比值指数。NDWI公式计算如下：
式中 Green ——绿光波段；
NIR ——近红外波段。
为了说明水体及其他地类在NDWI图像上的分布趋势，在示范区影像上对每一种土地利用类型用人工选点的方式各取50个样本点，读取样本点的NDWI值进行统计分析，其中水体样本点中一般水体和季节性以及泥沙含量较大的水体各取 25 个。样本点在NDWI图像上按值升序排列的分布曲线图（图4.17）表明，水体在NDWI图像上的灰度值整体比其他地类灰度值高。其中一般水体在NDWI图像上的灰度值最高，与其他地类区别明显，NDWI本身又已经去除阴影的干扰，因此，通过设定较高的阈值范围，可以仅用NDWI将其提取出来；而季节性或泥沙含量较高的水体在NDWI图像上的灰度值一般偏高，与其他地类区分不太明显，因此不能单靠NDWI将其提取出来。
2.近红外波段或融合第4波段均值（Mean nir与Mean Fu_B 4 ）
均值的计算公式如下：
图4.17 样本点在NDWI图像上按值升序排列的分布曲线图
（注：
水体样本中1～25号样本为季节性以及泥沙含量较大的水体，26～50号样本为一般水体）
式中
——地物图斑
v
在图层
L
上的平均亮度值；
n ——地物图斑 v 的像元总个数；
C Li ——地物图斑 v 中第 i 个像素在图层 L 上的亮度值。
用在分析NDWI图像时的同一套样本点分析水体及其他地类在近红外波段上的分布趋势。水体在可见光波段吸收少、反射率较低、大量透射，而在近红外波段几乎吸收全部的入射能量，而植被、土壤在近红外波段内的吸收能量较小，且有较高的反射特性，这使得水体在近红外波段上与植被和土壤有明显的区别，在融合影像第4波段上也体现相似的光谱特征。样本点在融合影像第4波段上按值升序排列的分布曲线图（图4.18）表明，与其他地类相比水体在近红外波段的反射率最低，恰好呈现出与NDWI相反的光谱特征。一般水体与其他地类区分明显，但由于近红外波段不能排除阴影对水体的干扰，不能单用Mean nir或Mean Fu_B 4 （Fu_B 4 指融合数据的第4波段）来提取一般水体；季节性或泥沙含量较高的水体与以柏油路为主的交通运输用地容易混分，也不能单用Mean nir或Mean Fu_B 4 来提取。因此，Mean nir或Mean Fu_B 4 可作为水体提取的一个重要特征算法，与其他算法融合使用。
图4.18 样本点在融合第4波段上按值升序排列的分布曲线图
（注：
水体样本中1～25号样本为一般水体，26～50号样本为季节性以及泥沙含量较大的水体）
3.密度（Density）
密度反映分割对象的紧致程度，密度算法规定形状越接近正方形，密度越高。线状水体具有条带状的几何形状特征，密度值低于一般的多边形面状地物，因此理论上讲可通过密度阈值的设定区分季节性或泥沙含量较高的水系和其他多边形的干扰地类。密度通过影像对象面积除以半径的比值表征，半径采用协方差矩阵近似计算，计算公式如下：
式中 n ——分割对象包含的像素个数；
X ——分割对象的所有像素的 x 坐标；
Y ——分割对象所有像素的 y 坐标；
d ——分割对象的面积与半径的比值。
为了分析季节性或泥沙含量较高的水系及其他地类的密度特征，从分割后的影像对象中对季节性或泥沙含量较高的水系和其他土地利用类型各选取25个图斑，读取图斑对应的密度值进行统计分析。抽样图斑的密度分布曲线图（图4.19）表明，交通运输用地密度最低，季节性或泥沙含量较高的水系其次，但二者有交叉部分容易混淆。因此，密度可以作为提取季节性或泥沙含量较高的水系的一个重要算法，但不能作为唯一算法，需要与其他算法融合使用。
图4.19 样本图斑在密度图像上按值升序排列的分布曲线图
4.黄度指数（Yellow）
示范区季节性以及泥沙含量较大的水体在真彩色影像上呈现偏黄的颜色特征，根据此特征，构建黄度指数Yellow，框定影像上颜色偏黄的信息。此算法可作为水体提取的辅助算法，用以去除部分低反射的干扰地物对水体提取的影响，如柏油路、露天矿、阴影等。黄度指数计算公式如下：
式中 Green ——绿光波段；
Red ——红光波段；
Blue ——蓝光波段；
y ——黄度指数。
5.DEM均值
水体一般分布在沟谷低洼地带，在对研究区域水体认知的先验知识充足、DEM数据精度满足要求的情况下，可以用DEM框定水域分布的大致范围，提高提取精度和效率。DEM均值的计算公式同式（4.2）。
综上，水体提取算法集汇总情况见表4.6。
表4.6 水体提取算法集汇总情况表
根据水体的解译特征，针对一般水体和季节性以及泥沙含量较大的水体分别选取合适的算法，通过实验对比确定算法组合、算法应用流程及算法阈值，建立规则集。
1.一般水体规则集构建
一般水体采用多阈值分割、分类的方法，选用一种有效的算法提取即可。由样本点的统计特征曲线可知，NDWI和Mean nir/Mean Fu_B 4 均能有效区分一般水体与其他地类，但NDWI本身更能有效去除阴影对水体的干扰，因此选用NDWI作为一般水体提取的主要算法，确定一般水体提取的规则集构建方案如图 4.20所示。
图4.20 一般水体提取规则集构建方案
由样本点在NDWI图像上的统计特征曲线可知，水体处于NDWI图像灰度直方图的最右侧，因此阈值范围设定为：NDWI≥ water 1 _ ndwi ，其中 water 1 _ ndwi 为有效区分一般水体和其他地物的临界值，因影像而异。为了确定 water 1 _ ndwi 的值域范围，以示范区影像为例进行实验，分别截取面状一般水体、线状一般水体、混分地物集中地带共三块区域进行对比分析。
（1） water 1 _ ndwi =0。当 water 1 _ ndwi 取值为0时，面状的一般水体大部分可以提取出来，边缘地带提取不太完整，线状一般水体只有水体光谱特征特别明显的地带提取出来，同时会混入少量的露天矿，如图4.21所示。
图4.21 water 1 _ ndwi =0时分类结果
（注：
水体分割示意图斑；水体提取结果；
误分类示意图斑）
（2） water 1 _ ndwi =-0.05。当 water 1 _ ndwi 取值为-0.05时，面状一般水体和线状一般水体均可以较完整的提取出来，同时会混入较多露天矿和少量低反射建筑屋顶，如图4.22所示。
图4.22 water 1 _ ndwi =-0.05时分类结果
（注：
水体分割示意图斑；水体提取结果；
误分类示意图斑）
（3） water 1 _ ndwi =-0.1。当 water 1 _ ndwi 取值为-0.1时，面状一般水体和线状一般水体均可以较完整的提取出来，同时会混入更多的露天矿和低反射建筑屋顶，如图4.23所示。
图4.23 water 1 _ ndwi =-0.1时分类结果
（注：
水体分割示意图斑；水体提取结果；
误分类示意图斑）
（4） water 1 _ ndwi =-0.15。当 water 1 _ ndwi 取值为-0.15时，面状一般水体和线状一般水体均可以较完整的提取出来，但提取范围过大，同时会混入大量低反射的柏油路、水田、露天矿及其他低反射地类，如图4.24所示。
图4.24 water 1 _ ndwi =-0.15时分类结果
（注：
水体分割示意图斑；水体提取结果；
误分类示意图斑）
以上实验结果表明，为了较为完整地提取一般水体，又尽可能少的混入其他地类，通常设置 water 1 _ ndwi 的值较高，一般设置在0值左右，但依然会不可避免混入少量的其他地类，如水田、露天矿、低反射的建筑地物等，且此部分混分地物很难剔除。为了保证提取精度，可在提取完水体之后或在所有地类提取完成之后进行人工修正。
2.季节性以及泥沙含量较大的水体规则集构建
由对象特征分析及水体提取的算法研究可知，并没有一种独立的算法可以较好的提取季节性以及泥沙含量较大的水体，需要在多尺度分割之后，选用多种算法组合进行提取。在水体提取的算法集中，Mean nir/Mean Fu_B 4 可以提取水体的最大范围，其中掺杂多种低反射地类；Density可以有效提取线状水体，排除面状干扰地物；NDWI可以有效去除阴影对水体的干扰；Yellow可以保留泥沙含量较大的偏黄颜色的水系而去除其他颜色的干扰地物，从理论上讲，上述几种算法组合可以提取出季节性以及泥沙含量较大的水体，规则集构建的总体思想为先框定水体最大范围，再逐步剔除混分地类。因此，选择NDWI、Mean Fu_B 4 、Density、Yellow等，在一般水体提取完成之后，尝试构建季节性以及泥沙含量较大的水体提取的规则集，如图4.25所示。
图4.25 季节性以及泥沙含量较大的水体提取规则集构建方案
（注：红色斜体变量代表各个算法的取值，因影像和地域而异）
（1）融合第4波段均值（Mean Fu_B 4 ）框定水体最大范围。由样本点在Fu_B 4 上的统计特征曲线可知，水体处于Fu_B 4 图像灰度直方图的最左侧，因此在Mean Fu_B 4 上的值域范围可设为Mean Fu_B 4 ≤ water 2 _ nir ，其中 water 2 _ nir 为有效框定水体最大范围的临界值，因影像而异，为了最大范围框定水体，需要适当调高 water 2 _ nir 的值。 water 2 _ nir 值的确定方法，与 water 1 _ ndwi 相同，以示范区影像为例进行实验对比，实验过程在此不做赘述。实验对比结果表明， water 2 _ nir 的值基于简单实验，目视测试即可确定，与影像自身有关，无确定值，在晋陕蒙丘陵区可设在8000左右。在框定水体最大范围的同时，会混入很多在近红外波段反射率低的地物，如露天矿、低反射的建筑地物、水田、柏油路，如图4.26所示。
（2）密度（Density）剔除非线状干扰地物。由样本图斑在Density图像上的统计特征曲线可知，线状水体和交通运输用地的Density值最低，因此阈值范围设定为：Density≤ water 2 _ density ，可先将线状水体和部分在近红外波段低反射的交通运输用地一并提取出来，其中， water 2 _ density 为有效剔除非线状混分地物又能尽量完整地保留河流水系对象的临界值，因影像而异，一般经验最大值在1.2左右。示范区 water 2 _ density 值的确定方法与 water 1 _ ndwi 相同，以示范区影像为例进行实验对比，实验过程在此不做赘述。实验对比结果表明，在晋陕蒙丘陵区 water 2 _ density 可设为1.19左右。
Density在剔除部分露天矿、水田、低反射的建筑以及其他非线状低反射区域的同时，也会剔除掉部分非线状水体图斑，如图4.27所示，黄色图斑为错剔除的对象。此类错剔除的图斑可在水体对象提取完成之后，通过区域增长算法优化提取结果的时候补回。Density可以将大部分非线状的干扰图斑去除，但仍然很难剔除柏油路、线状阴影等线状低反射的干扰地物。Density提取结果如图4.28所示，图中，黄色区域为错提地物。
图4.26 Mean Fu_B 4 混分地物
（注：
水体分割示意图斑；误分类示意图斑；
其他提取结果）
图4.27 Density错剔除部分水体图斑
（注：
水体分割示意图斑；错剔除的水体图斑；
保留水体图斑）
（3）归一化水体指数（NDWI）剔除阴影。与提取一般水体不同，NDWI在此主要为了剔除线状阴影对水体的干扰，因此，为了尽大范围的保留水体对象又能有效去除阴影，NDWI的值域范围应该比提取一般水体时宽泛。NDWI的阈值范围设定为NDWI≥ water 2 _ ndwi ，其中， water 2 _ ndwi 为有效剔除阴影又能尽量完整的保留河流水系对象的临界值，因影像而异，无固定值。示范区 water 2 _ ndwi 值的确定方法，与 water 1 _ ndwi 相同，以示范区影像为例进行实验对比，实验过程在此不做赘述。实验对比结果表明，在晋陕蒙丘陵区 water 2 _ ndwi 通常在-0.2左右。
NDWI可以剔除尚存的线状阴影和部分NDWI值特别低的混分地物，但仍有柏油路等线状混分地物存在，如图4.29所示。
图4.28 Density剔除大量混分地物
图4.29 NDWI提取前后对比图
（注：
水体分割示意图斑；误分类示意图斑；
水体提取结果）
（4）黄度（Yellow）剔除柏油路。Yellow本身可以很好的区分在模拟真彩色影像上偏黄颜色的地物（沙地、裸地值最高）和其他地物，借此将错提地物中的部分柏油路和季节性以及泥沙含量较大的水体区分开来，Yellow的阈值范围设定为：Yellow≥ water 2 _ yellow ，其中， water 2 _ yellow 为有效剔除柏油路又能尽量完整的保留水体对象的临界值，基于简单实验，目视测试即可确定，因影像而异，无确定值。示范区 water 2 _ yellow 值的确定方法，与 water 1 _ ndwi 相同，以示范区影像为例进行实验对比，实验过程在此不做赘述。实验对比结果表明，在晋陕蒙丘陵区 water 2 _ yellow 通常在1000左右。
Yellow可以有效剔除柏油路，如图4.30所示，但由于分割的影响，柏油路图斑往往会混入周边地物，如果周边地物的Yellow值比较高，会影响柏油路图斑的均值，因此对于贯穿于沙漠或裸地中的柏油路剔除效果不佳。
一般水体的Yellow值也很低，该算法仅适合提取泥沙含量高的水体，因此仅作为水体提取的辅助算法使用。
图4.30 Yellow提取前后对比图
1.计算机自动分类结果质量控制
为了减少误差的逐层累积，需要对水体的计算机自动提取结果进行单层成果质量控制。从解译标志和外业采集样本中选取50个水体样本点用于精度检验，其中有38个样本点分类正确，12个样本点分类错误，总体精度为76%，满足“2.6.6评价实施方案”中确定的65%的精度控制要求，可以进入下一地类的提取。
2.分类结果
计算机自动提取的水体结果如图4.31所示。整体来看，一般水体提取效果较好，提取完整且边界清晰。而季节性以及泥沙含量较大的水体提取结果稍差，尤其是边界区域会有部分误分或漏提。由于“同物异谱”和“同谱异物”等现象的存在，水体提取成果中较易混入煤矿采掘区、水田和阴影等，而季节性以及泥沙含量较大的水体边缘和较细的沟渠易被漏提。错分和漏提部分需要在后处理环节中进行修改。
图4.31 水体提取成果
3.方法分析
基于水体的对象特征分析，将示范区的水体划分为一般水体和季节性以及泥沙含量较大的水体两种类型，采用多阈值和多尺度联合分割、多算法协同的面向对象方法对水体进行提取技术研究，分割、分类技术方法分析、归纳、总结如下：
（1）分割方法分析。边界清晰的一般水体采用速度较快的多阈值分割方法，其中面状一般水体可设置较大的最小图斑面积，线状一般水体设置较小的最小图斑面积；季节性以及泥沙含量较大的水体对象特征复杂，需要采用多尺度分割方法，此类对象多呈条带状分布，宽度相对固定，因此，尺度阈值范围相对固定，随地域变化不大，并应适当调大形状因子权重值，同时为了获得较为完整的对象边界，需要适当调大紧致度因子权重值。最终确定的水体分割方法集以及方法的适用性见表4.7。
表4.7 水体分割方法集
（2）分类方法分析。根据大多数水体在近红外波段低反射的光谱特征、季节性以及泥沙含量较大的水体呈现条带状的形状特征以及暗黄色的颜色特征，分别选择基于各个特征的算法，通过实验调整算法阈值，构建针对不同类型水体的决策树规则集，完成水体对象的提取。最终确定的水体分类提取的方法集及方法的适用性见表4.8。
表4.8 水体分类方法集
实验结果表明，本方法可行，分类效果理想。研究确定的方法、分割参数、分类规则集具有一定的区域适用性及可推广性，然而，最终依然会混入少量的错分地类，如水田、露天矿、低反射的建筑地物等，且很难剔除，后期可进行人工修正，或在后续工作中作进一步研究。另外，在后续推广应用时，如遇到本研究未涉及到的水体类型，如水藻及水草含量较大的水体，再单独进行提取方法研究，在现有算法集基础上追加相应算法即可。