一、背景
之前写过基于双峰阈值分割的冰湖提取算法，近期需要做一个湖泊提取的简单程序，就以鄱阳湖为例吧。本文从零开始介绍如何提取鄱阳湖信息，并制作shp文件。
二、数据获取及预处理
为了获取鄱阳湖的Landsat-8 OLI影像，首先需要知道鄱阳湖的位置，利用百度直接搜索，可以查询到鄱阳湖的经纬度信息：
鄱阳湖位于北纬28°22′至29°45′，东经115°47′至116°45′。根据鄱阳湖的经纬度信息，查询其相应的Landsat-8 OLI的行列号信息，查询地址为：https://landsat.usgs.gov/wrs-2-pathrow-latitudelongitude-converter
查询结果如下：
我用北纬29°和东经116°进行查询，可知，鄱阳湖所在地区的行列号约为121/40左右，为了下载数据方便，这里我使用了地理空间数据云进行数据下载，当然也可以用USGS，只不过慢一点，打开地理空间数据云进行数据的查询：
从缩略图种可以看出，行列号为121/40的影像几乎包含了鄱阳湖的所有范围，因此我们只下载这一景影像即可，下载时候需注意，云量要尽可能的少，因此我找了2017年11月01日的Landsat-8 OLI影像，运量为0.04，直接下载即可。
下载好并解压之后，我们可以在ENVI软件中打开看一下：
图像的质量还不错，水体非常清晰，因此接下来的工作是关于图像预处理了。
（1）像元DN值转TOA（top of atmosphere）
因为像元DN值没有任何物理意义，只表示了图像的明暗程度。我们常常使用的水体指数，其计算的是波段反射率，因此我们需要将DN值转换为TOA，一般来说，地表参数真实反演的情况下需要计算地表真实反射率，只是提取水体的话，只需要计算传感器入瞳处的反射率，即天顶反射率TOA即可。计算的公式为：
其中，gain表示增益，offset表示偏置，这两个参数都能够从Landsat-8的头文件中查找到：
可知，所有可见光波段的gain=0.00002，offset=-0.1，在ENVI中对其进行转换即可。转换完成后查看其各个波段的反射率统计，反射率基本介于[0 1]说明转换成功。
（2）图像裁剪
为了去除图像中的冗余信息，需要对图像进行简单裁剪。这里我只是简单的用了一下矩形裁剪。
保存方式选择tiff即可：
保存好之后，即可开始我们的提取试验了。
三、加载图像并调用方法进行提取main.py
首先定义一个main.py文件作为主要文件，这个文件中需要定义两个函数，一个是加载影像函数，一个是根据提取湖泊二值图制作shp文件的函数。
首先需要读取预处理后的tiff文件，相应的代码为：
from osgeo import ogr, osr # 导入处理shp文件的库
from osgeo import gdal, gdal_array # 导入读取遥感影像的库
from NDWI import * # 导入湖泊提取方法，这里以NDWI为例
def main(img_dir):
# 加载影像，使用gdal将其加载到numpy中
img = gdal_array.LoadFile(img_dir)
# 调用湖泊提取方法，返回一个二值影像
extracted_img = NDWI(img)
# 保存二值影像
gdal_array.SaveArray(extracted_img.astype(gdal_array.numpy.uint8),
'extracted_img.tif', format="GTIFF", prototype='')
# 对提取的结果进行去噪处理，并将其转化为shp文件
raster2shp()
这里需要注意的是NDWI是接下来定义的湖泊提取方法，因为先写的main.py文件，所以即使这里先报错也不要急，后面会补上NDWI文件。
四、编写湖泊提取算法NDWI.py
一般的NDWI是利用的green和NIR波段，也就是Landsat-8 的第三和第五波段，根据这个原理，我们直接加载第三和第五波段来计算NDWI，这里需要注意的就是计算完的NDWI中有很多噪音，因此这里考虑利用形态学开运算去除噪音。下面直接给出代码：
import numpy as np
import cv2
def NDWI(img, threshold=0.4):
"""
该函数采用最简单的NDWI进行水体的提取。
需要输入的参数为加载好的影像img和阈值threshold
返回为提取好的水体掩模
"""
# NDWI用到了Landsat 8 OLI的第3和第5波段，先找到这两个波段
green = img[2]
nir = img[4]
# 计算NDWI并创建掩模
ndwi = (green - nir) / (green + nir)
# 根据阈值来确定掩模的值
for row in range(ndwi.shape[0]):
for col in range(ndwi.shape[1]):
if ndwi[row, col] >= threshold:
# ndwi_mask[row, col] = 1
ndwi[row, col] = 1
else:
ndwi[row, col] = 0
# 最后对图像进行开运算进行去噪，即先腐蚀后膨胀
kernel = np.ones((5, 5), np.uint8)
opening = cv2.morphologyEx(ndwi, cv2.MORPH_OPEN, kernel)
return opening
五、提取湖泊并制作shp文件main.py
最后一步是我们根据NDWI提取好的掩模结果来制作shp文件，之前我是matlab做这个部分的，如果是matlab可以考虑用contour制作，python的制作方法我是参考我之前的文章：遥感图像处理中常用的python操作中的第五节来做的，基本没有做任何改动，下面直接给出main.py后面部分的代码：
def raster2shp(src="extracted_img.tif"):
"""
函数输入的是一个二值影像，利用这个二值影像，创建shp文件
"""
# src = "extracted_img.tif"
# 输出的shapefile文件名称
tgt = "extract.shp"
# 图层名称
tgtLayer = "extract"
# 打开输入的栅格文件
srcDS = gdal.Open(src)
# 获取第一个波段
band = srcDS.GetRasterBand(1)
# 让gdal库使用该波段作为遮罩层
mask = band
# 创建输出的shapefile文件
driver = ogr.GetDriverByName("ESRI Shapefile")
shp = driver.CreateDataSource(tgt)
# 拷贝空间索引
srs = osr.SpatialReference()
srs.ImportFromWkt(srcDS.GetProjectionRef())
layer = shp.CreateLayer(tgtLayer, srs=srs)
# 创建dbf文件
fd = ogr.FieldDefn("DN", ogr.OFTInteger)
layer.CreateField(fd)
dst_field = 0
# 从图片中自动提取特征
extract = gdal.Polygonize(band, mask, layer, dst_field, [], None)
if __name__ == '__main__':
main('poyangLake.tif')六、试验结果
制作好main.py和NDWI.py，就可以直接运行main.py文件，运行的结果会生成一个二值掩模图像和shp文件，在ENVI中打开最终的效果：
效果算不上好，还有很大的提升空间。后续有空我再进行优化。
七、分析
1.虽然写的方法比较简单，不过提供了一种思路。这里我认为可以改进的地方有：（1）是湖泊提取方法的改进，NDWI的阈值分割法是最最初级的湖泊提取方法，对于众多的水体指数而言思路的差别不大。（2）提取结果的后处理，可以看到提取结果非常破碎，很多细小的河流被提取了出来，这部分可以考虑用形状指数进行限制，还有就是湖泊内部的很多斑点，需要进一步填充处理。
2.制作shp文件的地理参照过程，我个人感觉还有一点小问题，这似乎与你打开影像的左上角坐标有关。个人感觉可以利用contour来绘制湖泊边界。另外在预处理过程中，对原始影像进行裁剪的时候，裁剪数据的右上角其实是空值，在后续进行处理的时候需要对其置空处理。关于使用contour方法提取二值图像边界的代码：
# 可以参考https://www.cnblogs.com/denny402/p/5160955.html
from skimage import measure
# 检测所有图形的轮廓
contours = measure.find_contours(img, 0.5)3.如果改进了算法，也可以直接套用这个思路，需要改的地方只有main.py文件中的第3和第11行
4.所有文件的结构为：
-- poyangLake.tif # 预处理好的影像数据
-- main.py
{
from xxx import...
def main(img_dir):...
def raster2shp(src="extracted_img.tif"):...
if __name__ == '__main__':...
}
-- NDWI.py
{
import...
def NDWI(img, threshold=0.8):...
}