水资源是人类生产生活中的宝贵资源,对环境保护、灾害监测、地质勘探等具有重要的意义。本文对水体信息提取方法进行了研究。首先通过遥感影像分割获取了图像分析的最小单元-影像对象;然后对影像对象进行特征提取,以便构建出分类识别需要的特征向量;最后利用机器学习的方法将水体信息从遥感影像中提取出来。本文在具体的提取方法上进行了优化,主要的研究结果如下:(1)在遥感影像分割部分,采用基于均值漂移(mean_shift)结合异质性最小化合并规则(Heterogeneity Minimization Principle,HMP)对遥感影像进行了分割。该方法的影像分割是基于多种特征,分割区域的中心点自主确定,具有较好的分割精度和自适应性。该方法在mean_shift分割的基础上又进行了基于异质性最小化规则的区域合并,与传统图像分割方法相比,取得了更好的分割效果,更适合于遥感影像的分割。(2)在遥感影像特征提取部分,进行了光谱、几何、纹理等多特征的提取,其中,对几何信息的提取采用了最小外接矩形(MBR)的方法,对纹理特征的提取采用了基于灰度共生矩阵(GLCM)的方法。这种基于多特征的水体信息提取方法避免了单一利用光谱特征方法经常出现的“同物异谱,同谱异物”现象。(3)本文利用支持向量机(SVM)对水体信息进行识别,在构建支持向量机分类器的时候,利用了粒子群优化算法(PSO)对SVM的惩罚系数与核函数参数进行寻优,并通过典型的测试函数对PSO算法的性能进行了实验仿真。最后将本文采用的方法与经典的基于像元的方法、最大似然的分类方法以及未结合纹理特征的方法进行了对比,结果表明:本文采用的方法具有更高的提取精度,更适合于遥感影像数据的处理。