快速并且准确地提取水体信息，在水资源规划和调查、预防洪水灾 害和船舶航行中具有重要意义。
（1）遥感图像与人工勘测
遥感图像：成像周期相对较短、实时性强、不受地域限制；
人工勘测：耗费大量的人力物力以及时间
（2）水体识别方法
① 阈值法：操作简单但精度较低，只适用于地势平坦、水域较为宽阔的水体识别；
② 分类器法：精度相较于阈值法较高，但实现难度较高，无法实现全自动化水体提取；
③ 深度学习算法：目前已经可以基本实现全自动化水体提取；
（1）遥感图像水体提取发展历程
SAR图像对于浅水和阴影区域具有比较良好的适用性，可以充分利用雷达数据所具有的优势，进而为水体提取提供一定便利。
（2）深度学习方法
所解决的问题：传统的检测方法不能识别出小的支流，边缘信息粗糙
水体特征：光谱特征、空间特征
目前需要攻克的问题就是找到一种能够从充满噪声、不确定性和不完全性的海量信息当中提取出精确水体信息的方法。
光学（Optical）图像内存在实现分类提取和目标识别功能的灰度信息，这些信息由数个波段组成；
合成孔径雷达（SAR）图像采用二进制复数的形式记录一个波段的回波信息，由于能够变换各个像素的数据，可以利用这一点来实现相位信息和相应振幅的提取。
（1）阈值法
① 单波段法：对于地势较为平坦、背景不复杂的地区具有良好的适用性；
② 多波段法：
a. 谱间关系法：对于山区水体的提取具有较强的适用性，稳定性好，能够将水体和山体阴影进行有效区分；但操作繁琐，需要较多逻辑判断；
b. 水体指数法：各种水体指数都能够有效提取水体，其中利用新型水体指数提取水体的效果最好。然而，水体指数法针对湿地等反射强度大、散射复杂的目标存在不准确甚至误识别的情况。
（2）分类器法
① Support Vector Machine法：SVM法在精度方面具有非常显著的优势，然而在细节方面难以进行良好的处理，尤其是河流的边界或一些细小的水体；
② 决策树法：通过决策树能够明确各像素的正确类型；
③ 面向对象法：利用多样性的算法，使同质像元构成大小存在差异的对象对目标影像信息有效提取 。
（3）其他方法
① Back propagation神经网络法：BP神经网络是比较典型的监督分类方法，能够明确样本的阈值，大幅度缩减了主观选择阈值所形成的误差，该方法在具体应用的过程中存在一定限制，可能会陷入局部极小的情况，运行时间难以控制；
② 深度学习法：较好的特征表达能力。
（1）SAR图像预处理：几何校正、裁剪、镶嵌、融合；
（2）基于 SAR 影像的水体提取算法
在浅水区域，SAR图像能够提供有效的数据，充 分利用雷达数据所具有的优势可以为水体提取提供一 定帮助。
① 阈值法：利用阈值对影像进行划分，主要包括水体与非水体的二值图；
② 基于Digital Elevation Model数据
③ 基于滤波法：通过多样性的滤波算法对 SAR图像所涵盖的斑点噪声进行抑制，以此增加水体提取的精度；
④ 基于灰度共生矩阵：灰度共生矩阵能够构建多维特征空间，在对样本进行充分积累之后，SAR图像所涵盖的噪声能够得到有效清除，进而使“椒盐现象”的问题获得解决，优化了整体的提取精度。
光学影像与雷达影像有一定的互补性。云层和阴影通常情况下会在光学影像应用时产生较为明显的影响，雷达影像在阴影区域就可以很好地获取到所需的信息。先通过光学遥感影像展开处理，此后再通过SAR影像对水体完成进一步处理。
优化水体提取精度是水体提取需要攻克的一个难关。目前只能通过综合运用雷达影像和光学 影像的方法来进行优化。
水体提取精度、复杂地区的水体智能化高效提取是未来的挑战。传统水体释义方法需要人工 干预，基于深度学习方法的算法能够模仿人脑的运行机制进行全自动化的水体提取。利用深度学习方法构建水质反演模型，对水体的水质总磷、总氮、氨氮等污染物进行检测，使影像图中水体监测走向实用化成为可能。
