基于自适应对象NDWI阈值分割的多光谱遥感图像浅水区域提取方法

《Computers & Geosciences》：Shallow water area extraction method for multispectral remote sensing imagery based on adaptive object NDWI thresholding

浅水区提取方法基于自适应对象NDWI阈值，通过SLIC超像素分割降低噪声影响，结合区域生长算法优化结果，有效提取多光谱遥感图像中岛屿及近岸浅水区，实验表明精度优于传统算法。

　　

董志鹏|刘彦雄|冯一凯|郭凯|陈一兰|王彦莉

自然资源部第一海洋研究所，青岛，266061，中国

摘要

从多光谱遥感图像中提取浅水区域是卫星导出的水深测量（SDB）的关键组成部分。针对浅水区域图像易受噪声影响以及难以准确设置光谱提取阈值的问题，本文提出了一种基于自适应对象NDWI阈值的多光谱遥感图像浅水区域提取方法。首先，使用简单线性迭代聚类算法对图像进行分割以生成超像素对象，并计算每个对象的归一化差异水指数（NDWI）。其次，基于对象自适应阈值计算算法获得浅水区域的最佳NDWI阈值，并根据最佳NDWI阈值提取初始浅水区域。最后，使用区域生长算法对初始浅水区域进行细化。本文提出的方法与一些先进的浅水区域提取方法进行了比较，实验对象为六个岛屿和近岸区域，在不同的环境条件下进行测试。实验结果表明，该方法优于其他浅水区域提取方法，能够准确提取不同环境条件下的岛屿和沿海区域的浅水区域。

引言

近岸和岛屿是人类活动最集中的区域。它们的浅水地理空间数据为海洋科学研究、海洋工程和海洋军事提供了重要基础（He等人，2025；Dong等人，2025；Li等人，2025）。由于遥感卫星具有观测范围广、重访周期短和成本低的优点，卫星导出的水深测量（SDB）已成为获取浅水地理空间数据的重要手段（Ma等人，2020；Zhang等人，2022）。在SDB过程中，从多光谱遥感图像中提取浅水区域是一个关键步骤（Zhu等人，2025）。如何准确高效地提取浅水区域对SDB的准确性有重要影响。

遥感图像的水体提取方法可分为两类：传统的水体提取算法和基于深度学习的提取算法（Li等人，2022c）。传统的水体算法通常需要手动设计的水体指数，然后利用这些指数从遥感图像中提取水体区域。常用的水体指数包括归一化差异水指数（NDWI）（Mcfeeters，1996）、改进的NDWI（MNDWI）（Xu，2006）和对比差异水指数（CDWI）（Li等人，2021a）。传统的水体提取算法可以从遥感图像中获得可接受的水体提取结果（Jiang等人，2021）。然而，这些算法对图像噪声和水体指数阈值敏感，导致鲁棒性和通用性较差。

卷积神经网络（CNN）是最流行的深度学习模型。许多基于CNN的遥感图像水体提取研究已经开展（Li等人，2022a；Farooq和Manocha，2025；Nagaraj和Kumar，2024；Cao等人，2024）。例如，Li等人（2021b）设计了一种密集局部特征压缩网络来从不同类型的遥感图像中提取水体。Wang等人（2020a）提出了一种结合Google Earth Engine和多尺度卷积神经网络的方法，从Landsat图像中提取城市水体。Li等人（2022b）将NDWI与无监督深度学习结合，实现了从高分图像数据集、Sentinel-2和Landsat图像中准确提取水体。Liu等人（2024）提出了基于ResNet50和三种注意力机制的R50A3-LWBENet网络模型，用于从遥感图像中提取湖泊水体。Luo等人（2022）采用假彩色处理和生成对抗网络（GAN）来重建遥感图像，然后使用改进的DeepLabV3+从重建的遥感图像中提取水体。Kang等人（2021）设计了一种多尺度上下文提取网络，用于从高分辨率光学遥感图像中划分水体。该网络框架包括三个关键组件：多尺度特征编码器、上下文特征提取模块和特征解码器。Zhong等人（2022）提出了一种噪声消除变换网络，用于自动从遥感图像中提取湖泊水体。在该网络中，设计了一个干扰衰减模块来解决水体提取过程中非湖泊对象过度分割的问题。Li等人（2021c）提出了一种基于改进的U-Net模型的无人机高分辨率遥感数据城市水体提取方法。Sun等人（2024）改进了Xception模块用于低级特征提取，并利用密集连接的空间金字塔池化（ASPP）模块将多尺度数据融合到DeepLabV3+中的高级特征中。Qin等人（2022）采用改进的U-Net卷积神经网络从珠海-1卫星高光谱遥感图像中提取小型水体。Li等人（2019）采用全卷积网络（FCN）从非常高空间分辨率的遥感图像中提取水体。Wang等人（2020b）设计了一种端到端可训练的模型，称为多尺度湖泊水体提取网络（MSLWENet），用于从遥感图像中提取湖泊水体。MSLWENet使用残差模块和多尺度连接来提高湖泊水体提取的准确性。总体而言，基于CNN的遥感图像水体提取算法在不同场景下可以获得良好的水体提取结果，其鲁棒性和通用性优于基于手动设计特征的传统水体提取算法（Kang等人，2023；Wang等人，2021；Feng等人，2019）。然而，现有的基于CNN的水体提取算法仅区分水体和非水体，无法进一步区分浅水区域（水深不超过20米）和深水区域（水深大于20米）。SDB通常需要从遥感图像中获取浅水区域，然后对浅水区域进行水深反演。此外，目前还没有公开的遥感图像浅水区域提取数据集。因此，关于基于CNN的遥感图像浅水区域提取的研究有限。

目前，在SDB过程中使用视觉解释和基于NDWI的方法从遥感图像中提取浅水区域（Le等人，2022；Xie等人，2023；Cao等人，2023；Li等人，2023；Xu等人，2024）。视觉解释在提取浅水区域方面具有较高的准确性，但效率较低且自动化程度较低。基于NDWI的方法对图像噪声敏感，其提取浅水区域的准确性高度依赖于NDWI阈值。然而，最佳NDWI阈值往往难以获得。

针对浅水区域图像易受噪声影响以及难以准确设置NDWI阈值的问题，本文提出了一种基于自适应对象NDWI阈值的多光谱遥感图像浅水区域提取方法。在提出的方法中，使用简单线性迭代聚类（SLIC）算法对图像进行分割以生成超像素对象（Achanta等人，2012），从而消除了图像噪声对浅水区域提取的影响。然后，提出了一种基于对象的自适应NDWI阈值计算算法，以解决获取最佳NDWI阈值的问题。与仅区分水体和陆地的传统水体指数阈值计算方法不同（Günen和Atasever，2024），该方法首次使用SLIC超像素对象作为基本单元，并采用两阶段逐步过程来获得浅水区域的最佳提取指数阈值。该阈值计算方法不需要初始参数设置，表现出出色的鲁棒性和通用性。此外，与传统的基于像素的处理方法相比，使用SLIC超像素对象作为基本单元消除了图像噪声的影响，并显著降低了计算复杂性，提高了效率。

本文的创新和贡献如下：

1)

提出了一种基于对象的NDWI自适应阈值计算算法，以获得不同场景下浅水区域的最佳NDWI阈值。

2)

提出了一种基于自适应对象NDWI阈值的多光谱遥感图像浅水区域提取方法。

3)

在不同环境条件下，可以准确提取岛屿和近岸周围的浅水区域。

本文的其余部分组织如下。第2节详细描述了所提出方法的关键步骤的原理和实现过程。第3节介绍了实验区域和数据，并分析和讨论了实验结果。第4节总结了所提出方法的结果，并讨论了未来的研究计划。

方法论

所提出的方法包括三个主要步骤。首先，对图像进行分割以生成一些对象。然后计算基于对象的最佳NDWI阈值。最后，根据最佳对象NDWI阈值获得初始浅水区域提取结果。实施所提出方法的整体流程图如下（图1）。

结果

为了全面验证所提出方法的有效性，使用多种不同类型的沿海和岛屿礁石区域，将所提出的方法与一些先进的浅水区域提取算法进行了定性和定量比较实验。

结论

针对浅水区域图像易受噪声影响以及难以准确设置NDWI阈值的问题，本文提出了一种基于自适应对象NDWI阈值的多光谱遥感图像浅水区域提取方法。在提出的方法中，使用对象作为基本单元来克服图像噪声对浅水区域提取的影响。

作者贡献声明

董志鹏：撰写 – 原稿编写、可视化、验证、方法论、调查、正式分析、数据管理、概念化。刘彦雄：撰写 – 审稿与编辑、监督、资源管理、项目管理、调查、资金获取。冯一凯：撰写 – 审稿与编辑、监督。郭凯：正式分析、数据管理。陈一兰：可视化、验证。

代码可用性

代码/库名称：SWAExtractionV2。

联系人：[e-mail] 和 [phone]。

硬件要求：配备Intel(R) Core(TM) i7-9750H CPU（2.60 GHz/2.59 GHz）的计算机。

编程语言：C++

所需软件：Visual Studio。

程序大小：9.67 MB。

源代码可在以下链接下载：https://github.com/dzpluck/SWAExtractionV2.git。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

致谢

本工作部分得到了国家自然科学基金（项目编号42404056）、国家公共研究机构基本科学基金（项目编号2025Q03）、山东省自然科学基金（项目编号ZR2025MS651和ZR2023QD113）、自然资源部海洋空间资源管理技术重点实验室（项目编号KF-2025-105）以及海洋等重点实验室的支持。