基于MNDWI的水体信息遥感提取

### 遥感图像处理中的水体提取方法 #### 单波段阈值法 单波段阈值法是一种简单直接的方法，适用于特定条件下的水体提取。该方法主要依赖于某一选定波段内的像素灰度值分布特性来区分水体和其他地物。对于Landsat 8 OLI传感器获取的数据而言，近红外(NIR)或短波红外(SWIR)波段常被用于此目的，因为这两个波段对水分有较高的敏感性[^1]。 ```python import numpy as np from skimage import io, filters def single_band_threshold(image_path, band_index=5): # 默认选择NIR波段(OLI第5波段) img = io.imread(image_path)[..., band_index] threshold_value = filters.threshold_otsu(img) water_mask = (img < threshold_value).astype(np.uint8)*255 return water_mask ``` #### 谱间关系分析法 这种方法基于不同物质反射光谱特性的差异来进行分类。具体来说，在可见光至短波红外范围内，水体会表现出与其他自然表面截然不同的反射率曲线形状。因此可以通过计算两个或多个人工定义的指数或者比率指标来突出显示潜在水域位置。 #### 水体指数法 NDWI（Normalized Difference Water Index）、MNDWI（Modified Normalized Difference Water Index）等都是常用的水体指数形式。它们利用了水体在某些波段上的强吸收特点以及植被或其他背景物体在此类波段上相对较低的响应强度之间的对比效应。这使得即使是在复杂背景下也能有效地分离出水面信息。 ```python def calculate_ndwi(nir_image, green_image): ndwi = (green_image.astype(float)-nir_image)/(green_image+nir_image+np.finfo(float).eps) return ndwi ``` #### OTSU自动阈值分割 OTSU算法能够自适应地找到最佳分割点，从而将整个场景划分为前景（即水体）和背景两部分。这一过程不需要预先设定固定的门限值，而是依据直方图统计规律动态调整，提高了结果的一致性和可靠性[^2]。 ```python def otsu_segmentation(gray_img): from skimage.filters import threshold_otsu thresh = threshold_otsu(gray_img) binary = gray_img > thresh return binary ``` #### 基于深度学习的语义分割 近年来，随着计算机视觉技术的发展，特别是卷积神经网络(CNNs)的成功应用，出现了许多新的思路和技术手段用来改进传统遥感影像解译流程。例如采用UNet架构训练专门面向高分辨率卫星图片中水系要素识别的任务模型，不仅提升了检测效率还增强了抗干扰性能[^4]。 ```python # 这里仅提供概念示意代码片段，实际部署需参照相应框架文档完成搭建工作。 class UNet(nn.Module): ... model = UNet() output = model(input_tensor) predicted_water_map = torch.argmax(output, dim=1) ```