基于 Dempster-Shafer 理论的多光谱图像自动水体检测方法

通过多光谱图像在自然环境中检测地表水已被广泛应用于土地覆盖识别等许多领域。然而，由于水体与建成区光谱的相似性，基于高分辨率卫星的方法有时会混淆这些特征。检测水体的一个流行方向是光谱指数，这通常需要地面真值来手动寻找合适的阈值。至于传统的机器学习方法，它们仅通过区分各种土地覆盖的光谱差异来识别水体，而未考虑光谱反射的具体性质。在本文中，我们提出了一种基于 Dempster-Shafer 理论的自动检测水体方法，在完全无监督的背景下将监督学习与水体在光谱波段中的具体特性相结合。我们方法的益处有两方面。一方面，它在绘制主要水体（包括小溪流和支流）方面表现良好。另一方面，它将所有通常与水混淆的物体标记为“无知”，包括半干水域、建成区以及半透明云层和阴影。“无知”不仅表明了水体光谱特性和监督学习本身的局限性，也表明了来自多光谱波段的信息不足，为进一步的土地覆盖分类提供了有价值的信息。