遥感影像水体提取与洪水监测应用综述

孟令奎，郭善昕，李 爽

（武汉大学 遥感信息工程学院，湖北 武汉 430079）

0 引言

遥感观测技术的出现，为人类更好地管理和利用水资源，提供了一种全新的视角。卫星遥感观测技术由于观测范围广、周期性重访等独特优势，已经引起包括水利、环境保护、防灾减灾等多个领域的广泛关注。利用遥感数据有效地提取水体信息，已经成为当前水利遥感技术研究重点。现阶段卫星遥感已经成为综合对地观测的重要组成部分，呈现出高空间、光谱、时间分辨率，和多平台、传感器、角度的发展趋势[1]。但是在相关部门，遥感影像水体范围提取目前还处于人工数据操作的层面，无法利用有效的计算资源，完成水体信息从发现、识别到提取的全自动过程。针对这一问题，国内外相关科研单位进行了长期的研究，目的在于有效利用计算机完成对遥感影像的自动解译和信息提取。

遥感技术应用于洪涝监测需要克服 4 个主要问题，首先必须准确识别水体，其次需要排除云的干扰，再者需要精确评估洪水覆盖面积，最后需要对洪水进行动态监测[2]。针对高空间分辨率遥感影像，由于其纹理信息丰富，需要先对影像进行有效的分割，然后基于分割后的影像，利用水体的相关光谱信息进行有效识别，从而确定水体的覆盖范围；对于中低分辨率的遥感影像，可以直接根据相应水体的光谱信息对水体信息进行有效提取，在此过程中需要对混合像元的问题加以考虑。

1 遥感影像分割方法

随着遥感数据空间分辨率的不断提升，影像分割成为遥感影像解译的必要途径之一。“先分割、再分类”的解译思想将传统的像素级别的解译提升为面向对象的解译方法。而水体信息的提取，在高分辨率遥感影像中，往往包含了很多纹理信息，“城中水，池塘”等小型水体的提取，需要影像有效分割后，才能与其他地物进行辨别。遥感影像由于成像原理的复杂性，导致针对不同类型的遥感影像，存在不同的影像分割方法。针对这一情况，通常采用多种混合分割方法对不同的影像进行分割。从传感器的类型来看，可以分为光谱和微波传感器 2 大类；从分割方法的分类来看，大致可以分为基于聚类、区域和特征的影像分割方法。

1.1 基于聚类的遥感影像分割方法

在影像分割分类体系中，聚类方法是常用的影像分割方法。同时聚类也是模式识别的重要研究领域，广泛应用于模式分析、决策、模式分类、数据挖掘、信息提取等多个方向。聚类是通过特定的相似性原则，例如特征空间距离最短等，对特征空间中的众多特征向量进行自动分组的过程。从而达到各个类别内差异最小、类别之间差异最大的效果。如果将遥感影像中像元的各种信息进行特征矢量的抽象，则影像分割问题就转化为 1 个聚类的问题。可以采用模式识别领域中大量的关于聚类的方法，对图像分割问题加以解决。当然这种分割方法由于其采用方法的特殊性，具有收敛速度较慢、聚类参数依赖性强等弊端，很难达到全局最优状态。

K 均值聚类方法进行影像分割经历了以下几个阶段：K 均值聚类法；采用 K 均值方法对 RGB 彩色空间进行聚类；利用 K 均值方法对特征空间进行聚类；采用模糊 K 均值的方法，对事先得到的特征空间进行聚类，实现纹理分割。此后出现的ISODATA（Iterative Self-Organization DATA analysis technique）方法由于在分类过程中引入类间合并-分裂的机制，一定程度上解决了聚类方法类别参数固定的局面。徐德启和汪志华[3]（2002）利用 Garbor小波对影像的纹理特征进行表达后，利用 ISODATA方法进行聚类，并将分割图像与人工分类图像进行相应的对比分析。

聚类算法中聚类参数的选取至关重要，合理的聚类参数才能引导完成较好的影像分割。针对这一问题，有关非参数聚类方法的研究得到开展。Comaniciu 和 Meer（1997）等[4]人提出了 1 种非参数均值移动算法。该方法通过对特征空间中的密度梯度进行合理的估计，通过迭代调整，使得特征矢量向局部空间密度最大的方向移动，从而完成迭代聚类的过程。

竞争学习（CL）方法对影像进行分割，具有算法收敛速度较快，能够自动调节类别个数等优势，但该类方法存在收敛速度不稳定的情况。竞争学习的基本思想类似于项目招标过程，当 1 个特征矢量输入后，所有权矢量都对该特征矢量进行争取，与该特征矢量相似度最大的权矢量成为争取的胜利者，此时胜利的权矢量利用新的特征矢量进行学习，获得相应的学习率，而失败的权矢量则维持较低的学习率。针对竞争学习中类别个数无法自动获取的缺点，Xu 等[5]（1993）提出次胜者受罚竞争学习方法（RPCL），通过对次胜者权矢量按照一定的遗忘率进行调整，使得输入矢量与次胜者权矢量的距离变远，对胜者施加引力，而对次胜者施加斥力。在学习过程中，RPCL 能够将多余单元剔除，使得 RPCL 具有自动识别数据集类别个数的能力。Cheung[6]（2002）在 RPCL 的基础上，提出次胜者有限受罚竞争学习方法（RPCCL），通过自动的选取合适的遗忘率，来缓解 RPCL 对遗忘率敏感的弊端。但收敛速度不稳定的问题依然存在。

1.2 基于区域的遥感影像分割方法

区域增长是一种简单的基于区域的分割方法，它不断地从图像中抽取空间上连通且特征相似的像素群所组成的区域[7]（Pham 等，2000）。区域增长方法通常从若干种子点或区域出发，按照一定的增长准则，对邻域像元进行判别并连接，重复此过程直至图像中的所有像元被归并到相应的区域中。Adams[8]等（1994）年提出了种子区域增长（SRG）方法，通过选取相应的种子点，结合增长原则，采用顺序排序表的数据结构（SSL）来记录像元的在影像中的位置，完成对整个图像的分割。SRG 方法相比传统的区域增长方法在分割效率和进度上都有较大提高。之后 ISRG 算法（Improved Seeded Region Growing）[9]提出，该算法消除 SRG 算法本身存在的次序依赖性。为了使得区域增长的方法更好地应用于遥感影像分割，周成虎等[10]（2008）对区域增长算法提出基于四邻域增长的改进措施。该方法通过构建相邻像元的特征差异矩阵对特定像元与其邻近像元的特征差异进行记录，并通过由粗到细的种子确定原则，结合外接像元区域进行区域增长，提高了区域增长的效率。

枸杞子药材中12种有机酸类成分含量测定与分析…………………………………………………… 李佳兴等（24）：3344

针对区域增长后产生的过分割现象，需要对分割后的区域进行合并。区域合并是按照一定的合并原则，将相似度较高的区域进行连接合并的过程。Bow 等[11]（1992）提出区域邻接图（Region Adjacency Graph，RAG）的概念，RAG 记录了区域之间的相互拓扑关系，并且以一系列代表区域的节点和相邻节点的一系列链接构成，是一种无向图结构。利用这种拓扑表达方式，对其中的节点进行合并即完成对区域的合并过程。但 RAG 算法实现效率不高。Haris[12]（1998）在 RAG 的基础上，提出了最近邻图（NNG）的概念。NNG 是一种有向图结构，在 NNG 中每个节点只记录该节点与相邻节点中代价最小的链接。因此，NNA 中的每个链接可以看作是指向了与该区域最相似的邻接区域，这给完成区域合并提供便利。

1.3 基于特征的遥感影像分割方法

遥感影像中地物的特征主要包括其形状、光谱、纹理和邻域等特征，早期的影像分割及分类方法都是以地物的光谱特征作为图像分割的依据。类比人眼目视判读的识别过程，地物的识别是通过综合考虑地物的多种特征反复判断得到的。因此基于特征的遥感影像分割方法希望能够实现类似目视判读般的智能分割。随着遥感影像空间分辨率的提升，在影像分割过程中，除传统的光谱特征外，形状和纹理特征表达方法也成为近几年的研究重点。

关于水体形状特征的表达，都金康等[13]（2001）在针对 SPOT 影像的水体提取过程中，采用自定义的周长和面积函数对水体的形状特征进行表达，通过形状指数对已经分割的水体进行再分类，以确定水体的具体类别。而后周成虎等[10]（2008）关于地物的形状特征表达方法进行了总结，指出形状表达方法主要包括基于傅里叶描述算子、边界矩和直方图的目标形状表达。

纹理特征是地物的基本特征，也是辅助目视解译的重要信息来源，特别在高空间分辨率遥感影像中，地物的细节被清晰地表达出来，整个影像具有更为详细的纹理特征。因此在高空间分辨率的遥感影像分割过程中，纹理信息的表达起着至关重要的作用。纹理信息包括很多方面，对复杂纹理的表达往往变得非常困难，常用的纹理表达的方式有灰度共生矩阵法、Markov 随机场模型，Gibbs 随机场模型、分型模型、小波变换分析法等。如今国内外研究主要集中于 Markov 随机场（MRF）和小波变换2 种方式。具有代表性的有 Zheng 等[14]（1999）通过将离散小波分解与多分辨率 Markov 随机场相结合，实现对 SAR 影像的分割。此后 Dong[15]（2003）分别利用 Gaussian-MRF 和 Gamma-MRF模型对 SAR 影像进行分割，并对 2 种模型分割后的方法进行了详细比较。黄昕等[16]（2006）在基于小波的纹理分类算法的基础上，提出了逐点特征加权和活动窗口算法，使小波纹理分析能够用于高分辨率遥感影像的分类。但是单一的特征表达具有较大的局限性，如何结合地物的多个特征来指导影像分割或分类，成为当前学者广泛关注的问题。黄昕等[17]（2006）提出了高分辨率遥感影像分类的 SSMC（Spatial and Spectral Mixed Classifier）方法，同时采用光谱和空间特征进行遥感影像分类。通过多尺度的空间金字塔构造每个像元的空间参数，整合影像的光谱信号和空间信息进行高分辨率遥感影像分类。此后，于 2007 黄昕[18]提出了 1 种多尺度空间特征融合的分类方法，针对不同尺度特点，基于小波变换和支持向量机得到不同尺度下的分类结果，建立尺度选择因子为每个像元选择最佳的类别。

2 水体特征描述

2.1 光谱指数法

2.1.1 归一化差异水体指数

Mcfeeters[19]（1996）提出的归一化差异水体指数 NDWI，公式如下：

式中：Green 代表绿光波段；NIR 代表近红外波段。水体的反射从可见光到中红外波段逐渐减弱，在近红外和中红外波长范围内吸收性最强，几乎无反射，因此用可见光波段和近红外波段的反差构成的NDWI 可以突出影像中的水体信息。另外由于植被在近红外波段的反射率一般最强，因此采用绿光波段与近红外波段的比值可以最大程度地抑制植被的信息，从而达到突出水体信息的目的。但是在很多情况下，用 NDWI 提取的水体信息中仍然夹杂着许多非水体信息，不利于提取城市范围内的水体。

2.1.2 改进归一化差异水体指数

针对 NDWI 存在的问题，提出改进归一化差异水体指数（MNDWI）[20]，以改进 NDWI 在城市范围内水体提取的不足：

式中：MIR 为中红外波段，如 TM / ETM + 的第 5 波段。利用中红外波段替换近红外波段构成的 MNDWI可快速、简便和准确地提取水体信息，比 NDWI 指数有着更广泛的应用范围。MNDWI 除了可用于植被区的水体提取以外，还可以用于准确地提取城镇范围内的水体信息。

闫霈等[21]（2007）在分析半干旱地区水系与背景噪音反射特点的基础上，提出了增强型水体指数EWI（Enhanced Water Index），有效区分了半干涸河道与背景噪音。在利用形状指数去噪音方法的基础上，使用 GIS 技术去除背景噪音，弥补了形状指数去噪音方法的缺陷，更好地去除水系提取过程中混入的背景噪音。EWI 定义如下：

徐涵秋[22]（2008）对 EWI 进行了分析和讨论，分别用经过和未经大气校正的 2 种影像对该指数作了验证，并与 MNDWI 进行比较。结果表明该指数在经过大气校正的影像中对水体的增强和提取效果不理想，许多水体影像特征不但未能得到增强，反而受到抑制而被漏提，指出该指数忽略了大气因素的影响。

2.2 光谱关系模型

光谱关系模型是指研究特定地物在各个波段的光谱特性响应曲线，通过光谱间的比较、组合、变换，建立相应的关系模型，从而达到地物提取的目的。水体信息的光谱特性响应曲线具有很强的代表性，因此针对不同的遥感传感器，可以采用光谱关系模型有效地将水体从其他背景地物中提取出来。毛先成等[23]（2007），以 MOS-1b/MESSR 湖南洞庭湖区域影像数据作为遥感信息源，结合枯水期和洪水期 2 个不同时相的各波段影像数据进行组合运算、比值变换等处理，以及影像、光谱、直方图的对比分析，建立了水体分类模型（B1+B2）/（B3+B4）＞ t；（B1+B2）/（B3+B4）＞ t，其中 B1，B2，B3，B4 代表影像 1～4 波段，t 为阀值。该模型可以有效地从 MOS/MESSR 中提取水体信息。邓劲松等[24]（2005）指出在 SPOT 影像的不同波段之间，只有水体具有 B3（green）＞B4（SW）且 B2（red）＞B1（IR）；B2（Red）＞B1（IR）的特殊关系，同时在短波红外波段（SW）上，水体与其它地物亮度值差异明显，可以通过设置阀值加以区分。通过建立相关决策树模型完成对水体信息的提取，但这种谱间关系在不同成像条件的影像中，差异性很大，相关的阈值也会在不同成像条件下波动较大，因此该方法的适用性有限。都金康等[13]（2001）在针对山区水体提取过程中，水体与山体阴影难以区分的问题，提出 1 套基于光谱决策树的模型，对水体的提取采用 2 次重复提取的方式，有效地将水体从阴影中分离出来，同时保证水体信息提取的完整性。

杨莹[25]（2010）以洪泽湖 Landsat TM 影像为研究对象，综合利用多波段谱间关系 TM2＋TM3＞TM4＋TM5和单波段 TM5建立适合于平原湖泊水域的水体提取方法，其中 TM1～TM5分别代表TM 影像1～5 波段。王培培[26]（2009）利用 ETM + 遥感影像数据，通过光谱特征分析将水体信息从其他地物中区分开来，并使用 NDVI 来进一步区分水体和阴影，最终利用水体形状因子对水体信息进行分类。

此外针对雷达影像，胡德勇[27]（2008）等，以单波段单极化 Radarsat-1 SAR 图像为研究对象，利用半变异函数分析样本图像的结构特性来确定纹理信息；然后，基于灰度共生矩阵计算 SAR 图像均值、角二阶矩和熵 3 种纹理测度，从而有效地增强了水体和居民地信息；使用支持向量机对水体和居民地信息提取，并采用近期归一化植被指数（NDVI）数据和分类结果进行目标层融合来消除山体因素的影响，较准确地提取了水体和居民地信息。

3 洪水监测应用

洪涝灾害监测是卫星遥感数据水利应用的重要组成部分。遥感影像在洪涝灾害中的应用按照应用时间大致可以分为灾前、中和后 3 部分。灾前主要进行常态化的监测，对洪峰、降水过程进行预测；灾中主要利用微波遥感技术对洪峰经过区域进行监控；灾后主要利用多时相遥感影像进行变化监测，评估灾害损失。其中灾前应用存在一定的难度，目前没有形成较好的方法加以解决，尚处于探索阶段。灾中监测光谱传感器很大程度上受到观测条件的限制，处于被动状态，仅仅依靠微波传感器，数据类型单一，获取的地物信息有限，但仍然能够较好地反映洪水的淹没范围等重要数据。灾后应用能够对灾后损失进行相应的评估，但时效性欠佳，需要较好的观测条件。由此看来，如何较好地消除云的干扰，有效地利用遥感技术准确地判定洪水及其淹没的范围成为卫星遥感数据洪涝灾害监测的 2 大关键问题。

3.1 光谱传感器监测

光谱传感器虽然在洪涝灾害发生过程中处于十分被动的地位，但由于光谱信息量大，易于从中有效地提取水体信息，因此在洪涝监测应用中也起到十分重要的作用，其应用重点主要在灾后的损失评估和水质调查等方面。如何有效地利用光谱信息进行洪涝灾害监测，Sheng[2]（2001）指出好的洪水监测系统需要攻破的 4 个难题。由 NOAA 气象卫星得到的 AVHRR 数据在洪水监测方面的优点是，数据时间分辨率高，重访周期短，提高了在泛洪区域获得优质影像的机率，给收集多时相历史数据提供条件。同时 AVHRR 数据覆盖范围广，地域性大，适合大面积洪水监测。但空间分辨率低是 AVHRR 数据的主要缺点。

通过利用光谱传感器对洪涝易发区域进行长期监测，实现常态化的监测机制，从而建立相应经验模型。对洪水或河道变化进行预测，已经成为卫星遥感灾前预测的重要组成部分。结合遥感技术进行灾前预测模型建立，目前仍然存在较大的困难，不少学者在这方面仍然进行不懈的努力。Nagarajan等[28]（1993）利用长序列的 TM MSS 数据对印度Rapti 河流进行分析，并采用形态学的理论和沉降分析数据，对河道的迁移过程进行了监测，并对河道迁移过程进行预测，确定洪水易发泛滥的区域，减少洪灾的损失。Frazier 等[29]（2003）指出，当河流流量经常发生变化时，水位与洪水淹没范围的关系就很难建立。Billa 等[30]（2006）利用 AVHRR 数据来反演云层表面的亮度温度，同时对云进行分类和等级划分，通过设定经验阈值来确定雨量强度较大的区域，从而对以往的数值雨量预报进行补充，对洪水灾害进行提前预报。Westra 等[31]（2009）利用降雨和 MODIS SWIR 等数据对 Waza-Logone区域逐年洪涝淹没范围建立预测模型，该模型使用了水体保持检测曲线（SCS-CN）及降水估计数据（RFEs）对该区域 1.5 个月的洪涝淹没范围进行估计，经过与实际淹没范围的比较，该模型准确精度达到 0.95。Yilmaz 等[32]（2010）结合 TMPA 方法，利用 TRMM 数据估计降水量，并通过简单水文模型和相关方法将降水量换算为地表净流量，从而对全球尺度下大规模降雨监测和洪水预报有积极作用。

其中各种洪水指数的提出，为快速发现洪涝灾害提供了定量的参考。Jin[33]（1999）指出洪水的发生与局部的地理环境有着密切的关系。传统针对DMSP SSM/I 数据验证的全局最优算法 TB22v -TB19v ＞4 K，在不考虑区域地理环境特征的情况下，将存在较大的偏差。其中 TB 代表地表温度；22和 19 分别对应 22，19 GHz 频率的波段；v 代表垂直极化方式；K 为开氏温度。文章提出 1 种新的洪水监测指数 FI = TB37h - TB85h，以及根据不同区域而有所变化的区域阈值 F0，指出当 FI＜F0 时，表明该区域发生洪水，并以 1996 中国武汉和婺源山区洪涝灾害作为实验区域，对方法进行了验证。式中37 与 85 分别代表37 和 85 GHz 的波段；h 代表水平极化方式。Lacava 等[34]（2010）利用 RAT（Robust AVHRR Technique）技术对 2000年4 月匈牙利地区的洪水进行检测，提出了针对 AVHRR 数据的 2 个洪水指数。同时指出 AVHRR 数据由于其高时间分辨率和重访周期短，对大面积的洪水灾害监控可以实现自动化处理，并不需要提供其他数据支持。

此外，灾害期间和发生后的地物光谱信息，对灾害发生状态和损失评估具有重大意义。Wang 等[35]（2002）利用灾前和灾中 2 个时间段的 TM 数据，对美国卡罗莱纳州北部 1999年12月30日的洪涝淹没情况进行检测，并指出只依靠 TM4 和 TM7 波段数据淹没范围没有考虑到被植被所覆盖的淹没区域。结合 DEM 数据将很好地对被指被所覆盖的淹没区域进行估计，修正淹没面积，同时对淹没区域不同地物的淹没范围进行统计，对灾害损失进行评估。Wang[36]（2004）利用 TM 影像的第 4 和 7 波段进行叠加来进行水体和非水体的分割，取得了一定的效果，但由于在洪水灾害期间，获取 TM 影像有一定的困难，因此用 TM 影像有一定的局限性。Zhou等[37]（2004）对国产中巴资源二号卫星的灾害评估能力、水体提取精度和洪水灾害正射影像生产3 个方面进行了评价，指出中巴资源二号适合于土地利用分类、多尺度正射影像生产及常规洪涝监测并结合其他数据生产相应的监测产品。Amini 等[38]（2010）通过结合 DEM 数据建立洪水潮位线地图数据，通过区域增长、克里金差值等方法建立洪水深度地图，并利用多层反响神经网络对 IKONOS 多波段融合影像进行分类，精度提高 15%。通过将洪水深度地图与分类结果图叠加，确定洪水淹没后各个类别地物的淹没信息，从而形成洪水淹没图。

3.2 微波传感器监测

微波传感器能够有效穿透云雾，获取洪涝灾害期间地面的水情信息。同时由于水体对雷达波束的镜面反射，使得水体能够较好地从雷达影像中提取出来；但由于雷达影像信息有限，雷达成像方式的特殊性，有效区分水体和阴影成为洪涝监测的重要问题之一。Nico 等[39]（2000）指出通过雷达影像探测洪水淹没范围有以下 2 种方法：1）通过获取洪水前、后的影像进行分析，得到淹没范围；2）通过雷达干涉测量技术获取振幅信息，从而获取相关的洪水信息。通过将雷达影像的振幅和反射信息相结合对洪水覆盖范围进行探测，取得了一定的成果。

Liu 等[40]（2002）利用雷达影像和由 TM 影像解译的 1∶100000 土地覆盖数据，对 1998 年发生在吉林省嫩江的特大洪涝灾害进行检测并对灾害损失进行估计。文章采用 1 种类似于 NOAA 数据去云 MVC方法，来提高不同时期洪水淹没范围边界的提取精度；同时对洪水淹没范围进行矢量化，并对不同区域洪水的淹没范围进行监控。Kiage 等[41]（2005）利用 Radarsat-1 数据对飓风登陆后湿地的淹没范围进行监控，利用数值差分和多时相影像差分对 SAR 数据水体后向散射系数与水位信息的关系进行总结，并揭示两者之间的正相关关系。同时指出由于城市区域角反射体复杂，所以从 SAR 影像上不能很好地获取城市的洪水淹没信息。Henry 等[42]（2006）对 Envisat 卫星上搭载的 ASAR 微波传感器就洪涝监测方面的性能进行了评价，并将检测结果与 TM 和ERS-2 的监测结果进行比较。并对该传感器的 3 种极化方式的监测能力进行了对比，实验结果表明：HH 极化方式更适合与洪水淹没范围的识别，HV 数据在洪水探测方面能够对 HH 数据进行支撑，VV数据容易受到地面粗糙程度的影响。Waisurasingha等[43]（2008）利用 RADARSAT-1 数据并结合 DEM数据，通过相应的水深算法，对洪水泛滥区域水深进行估计，从而评估不同区域水稻的受灾情况，生成相应的水稻受灾分布图。Rudorff[45]利用 EO-1 数据对亚马逊河流域洪水泛滥期和正常时期的水体波谱特性响应曲线进行检测分析，证实了 EO-1 上的Hyperion 数据对水质的监测作用，从而防止洪水过后水质灾害发生。

4 结语

随着遥感技术的不断发展，卫星遥感水利应用需求不断加大，相关研究工作也得到了开展。但目前遥感水利应用仍存在以下 3 个方面的问题：1）目前遥感技术还没有很好地与地面水文数据进行有效结合。遥感数据是众多水文数据中的一部分，在水文信息的提取过程中占有重要的地位，但传统水文数据、模型有着不可替代的优势和作用。如何将遥感数据分析与地面水文数据有效结合，是需要关注的重点问题。2）多传感器组合观测技术。现阶段卫星遥感传感器品种较多，但每种传感器都局限于某一技术参数中，具有优势的同时，也有不足。通过对卫星遥感水利核心机理研究，如何组合多传感器，让多个传感器服务于统一的观测需求，是目前水利遥感必须考虑的问题。3）缺少关于卫星遥感数据精度的评价体系。目前，虽然可以通过遥感技术，对洪涝、旱情等水文信息进行提取，但如何评价遥感数据，多尺度下每份数据的可靠性和准确性如何度量，是需要进一步研究的重点。

虽然充满挑战，但遥感技术水利应用的前景是光明的。高性能、高精度卫星传感器的不断发展，必定会给卫星遥感水利应用不断注入新的活力。

[1]李德仁. 论 21 世纪遥感与 GIS 的发展[J]. 武汉大学学报（信息科学版），2003, 28(2): 127-131.

[2]Sheng, Y., Gong, P. and Xiao, Q. Quantitative dynamic flood monitoring with NOAA AVHRR[J]. International Journal Of Remote Sensing, 2001, 22 (9): 1709-1724.

[3]徐德启，汪志华. 综合纹理和颜色的图像分割方法[J]. 计算技术与自动化，2002, 21 (3): 77-83.

[4]Comaniciu D. and Meer. P. Robust analusis of feature spaces:color image segmentation[C]. Proc. of IEEE Conf. Computer Vision and Pattern Recognition，1997: 750-755.

[5]Xu, L., Krzyzak, A., and Oja, E. Rival. Penalized competitive learning for clustering analysis, RBF net, and curve detection[J]. IEEE Transactions on Neural Networks, 1993, 4 (4):636-649.

[6]Cheung, Y., Rival. penalization controlled competitive learning for data clustering with unknown cluster number[C]Proc.Of 9th Inter. Conf. on Neural Information Processing, Singapore, 2002. Nov.18-22, 2: 467-471.

[7]Pham, D.L., Xu, C. and Prince, J.L. A survery of current methods in medical image segmentation[J]. Annual review of biomedical engineering, 2000 (2): 315-337.

[8]Adams, R. and Bischof, L. Seeded region growing[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1994, 16 (6): 641-647.

[9]Mehnert and Jackway, P., An improved seeded region growing algorithm[J]. Pattern Recognition Letters, 1997, 18 (10):1065-1071.

[10]周成虎，骆剑承. 高分辨率卫星遥感影像地学计算[M].北京：科学出版社，2008: 109-112.

[11]Bow, S.T. Pattern recognition and image preprocessing[M].New York: Academic Press, Inc, 1992: 157-159.

[12]Haris, K., Efstratiadis,S.N., Maglaveras, N. Hybrid image segmentation using watersheds and fast region merging[J].IEEE Trans, On Image Processing, 1998, 7 (12) : 1684-1699.

[13]都金康，黄永胜. SPOT 卫星影像的水体提取方法及分类研究[J]. 遥感学报，2001, 5 (3): 214-219.

[14]Zheng, L., Chan, A., and Liu, J.S., 1999. DWT based MMRF segmentation algorithm for remote sensing image processing[C]. Proc. of IGARSS, 2: 1332-1334.

[15]Dong, Y., Forster, B.C. and Milne, A.K., Comparison of radar image segmentation by Gaussian and Gamma-Markov random field models [J]. Int.J. Remote Sensing, 2003, 24 (4):711-722.

[16]黄昕，张良培，李平湘. 基于小波的高分辨率遥感影像纹理分类方法研究[J]. 武汉大学学报（信息科学版）2006, 13 (01): 66-69.

[17]黄昕，张良培，李平湘. 高空间分辨率遥感图像分类的SSMC 方法[J]. 中国图象图形学报，2006, 11 (04): 529-534.

[18]黄昕，张良培，李平湘. 基于多尺度特征融合和支持向量机的高分辨率遥感影像分类[J]. 遥感学报，2007,11 (01): 48-54.

[19]McFEETERS, S.K., The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features [J]. International Journal Of Remote Sensing,1996, 17 (7): 1425-1432.

[20]Xu, H. Modification of normalised difference water index(NDWI) to enhance open water features in remotely sensed imagery[J]. International Journal Of Remote Sensing,2006, 27 (14): 3025-3033.

[21]闫霈，张友静，张元. 利用增强型水体指数（EWI）和GIS 去噪音技术提取半干旱地区水系信息的研究[J]. 遥感信息2007, (06): 62-67.

[22]徐涵秋. 从增强型水体指数分析遥感水体指数的创建[J]. 地球信息科学，2008, 10 (6): 776-780.

[23]毛先成，熊靓辉，高岛·勋. 基于 MOS-1b/MESSR 的洪灾遥感监测[J]. 遥感技术与应用，2007, 22 (6): 685-689.[24]邓劲松，王珂，李君，等. 决策树方法从 SPOT-5 卫星影像中自动提取水体信息研究[J]. 浙江大学学报（农业与生命科学版），2005, 31 (2): 171-174.

[25]杨莹，阮仁宗. 基于 TM 影像的平原湖泊水体信息提取的研究[J]. 遥感信息，2010 (3): 60-64.

[26]王培培. 基于 ETM 影像的水体信息自动提取与分类研究[J]. 首都师范大学学报 (自然科学版)，2009, 30 (06): 75-79.

[27]胡德勇，李京，陈云浩，等. 单波段单极化 SAR 图像水体和居民地信息提取方法研究[J]. 中国图象图形学报，2008, 13 (02): 257-263.

[28]Nagarajan, R., Marathe, G.T. and Collins, W.G., Technical note Identification of flood prone regions of Rapti river using temporal remotely-sensed data[J]. International Journal Of Remote Sensing, 1993,14 (7): 1297-1303.

[29]Frazier, P., Page, K., Louis, J., Briggs, S. et al. Relating wetland inundation to river flow using Landsat TM data[J].International Journal Of Remote Sensing, 2003, 24 (19):3755-3770.

[30]Billa, L., et al. , Modelling rainfall intensity from NOAA AVHRR data for operational flood forecasting in Malaysia[J]. International Journal of Remote Sensing, 2006, 27 (23):5225-5234.

[31]Westra, T. and De Wulf, R.R., Modelling yearly flooding extent of the Waza-Logone floodplain in northern Cameroon based on MODIS and rainfall data[J]. International Journal Of Remote Sensing, 2009, 30 (21): 5527-5548.

[32]Yilmaz, K.K., Adler, R.F., Tian, Y., Hong, Y. and Pierce,H.F. Evaluation of a satellite-based global flood monitoring system[J]. International Journal Of Remote Sensing,2010, 31 (14): 3763-3782.

[33]Jin, Y., A flooding index and its regional threshold value for monitoring floods in China from SSM/I data[J]. International Journal Of Remote Sensing, 1999, 20 (5): 1025-1030.[34]Lacava, T., Filizzola, C., Pergola, N.et al, Improving flood monitoring by the Robust AVHRR Technique (RAT)approach: the case of the April 2000 Hungary flood[J].International Journal Of Remote Sensing, 2010,31 (8):2043-2062.

[35]Wang, Y., Colby, J.D. and Mulcahy, K.A. An efficient method for mapping flood extent in a coastal floodplain using Landsat TM and DEM data[J]. International Journal Of Remote Sensing, 2002, 23 (18): 3681-3696.

[36]Wang, Y. Using Landsat 7 TM data acquired days after a flood event to delineate the maximum flood extent on a coastal floodplain. [J].International Journal Of Remote Sensing, 2004, 25 (5): 959-974.

[37]Zhou, Y., Wang, S., Zhou, W. and Zhuang, P. Applications of CBERS-2 image data in flood disaster remote sensing monitoring[C]. Conference : International Geoscience and Remote Sensing Symposium, Anchorage AK, USA. 2004:4696-4699.

[38]Amini, J. A method for generating floodplain maps using IKONOS images and DEMs[J]. International Journal Of Remote Sensing, 2010,31 (9): 2441-2456.

[39]Nico, G., Pappalepore, M., Pasquariello, G., Refice, A. and Samarelli, S., 2000, Comparison of SAR amplitude vs.coherence flood detection methods - a GIS application[J].International Journal Of Remote Sensing, 2000, 21 (18):1619-1631.

[40]Liu, Z., Huang, F., Li, L.et al, Dynamic monitoring and damage evaluation of flood in north-west Jilin with remote sensing. [J]. International Journal Of Remote Sensing,2002, 23 (18): 3669-3679.

[41]Kiage, L.M., Walker, N.D., Balasubramanian, S.,et al.Applications of Radarsat-1 synthetic aperture radar imagery to assess hurricane-related flooding of coastal Louisiana[J].International Journal Of Remote Sensing, 2005, 26 (24):5359-5380.

[42]Harvey, R. and Bangham, J.A., A fully unsupervised texture segmentation algorithm[J]. Proc. Of British Machine Vision Conference, Norwich, UK, 2003: 519-528.

[43]Waisurasingha, C., Aniya, M., Hirano, A.et al. Use of RADARSAT-1 data and a digital elevation model to assess flood damage and improve rice production in the lower part of the Chi River Basin, Thailand. [J].International Journal Of Remote Sensing, 2008, 29 (20): 5837-5850.

[44]Rudorff, C.M., Galvà O, L.S. and Novo, E.M.L.M.,Reflectance of floodplain waterbodies using EO-1 Hyperion data from high and receding flood periods of the Amazon River [J]. International Journal Of Remote Sensing,2009, 30 (10): 2713-2720.