河道信息提取对于水资源调查与监测、水利评估与规划、气候监测、地图匹配、洪涝灾害预防及船舶导航等许多方面具有重要的意义。传统的野外测量需要消耗大量的人力物力，不适用于河道信息的及时监测与适时获取。随着遥感对地观测技术的不断成熟，利用遥感图像提取河道信息已成为一种重要的手段。本文主要研究从遥感图像中自动提取河流目标和对河流类型进行识别的方法。本文的主要工作包括河流遥感图像的预处理、河流目标的提取及河流类型的识别等3个部分：
　　第一部分，河流遥感图像的预处理。
　　首先，提出了基于加权l1范数的边缘保持滤波算法。原始算法的目标函数中采用l1范数衡量彼此在对方邻域中的像素之间的差异。为了改进算法的滤波性能，采用加权l1范数以更好地保持滤波后图像的平滑性。实验结果表明，提出的算法可以更好地平滑河流遥感图像，结果图像中仅有很少的纹理残留，同时河流与背景之间的边缘不受影响。
　　其次，提出了基于图像块l0梯度最小化的边缘保持滤波算法。提出的算法对输入图像的图像块进行平滑，平滑算法中的权重系数依赖当前待平滑图像块的局部统计信息。实验结果表明，提出的算法可以得到更好的河流图像平滑结果，对背景中的强纹理进行了更加有效的平滑，同时更好地保持了弱边缘。
　　最后，提出了局部拉普拉斯滤波器和相对全变差相结合的边缘保持滤波算法。在局部拉普拉斯滤波器的滤波过程中，采用全局阈值区分强对比度的边缘和弱对比度的纹理。当图像中存在强纹理或者弱边缘时，使用基于全局阈值的准则就会出现错误。在提出的算法中，通过引入相对全变差的方法改进了这一准则，采用局部阈值替代全局阈值。实验结果表明，采用提出的算法可以得到更好的河流图像平滑结果，对背景中的强纹理进行了有效的平滑，同时更好地保留了弱边缘。
　　第二部分，河流目标的提取。
　　首先，提出了基于图像分解和距离正则化CV(Chan-Vese)模型的河流目标提取算法。先采用张量扩散的方法将遥感图像进行分解。原始图像被分解为一幅卡通图像和一幅纹理图像，河流目标包含在卡通图像中。然后，采用CV模型对卡通图像进行分割，得到河流目标区域。实验结果表明，提出的算法可以更加准确地提取遥感图像中的河流目标。
　　其次，提出了基于交叉熵准则主动轮廓模型的河流目标提取算法。事实上，使用CV模型对图像进行分割的目标是使每一区域的类内方差最小，这和Otsu阈值分割算法是等价的。受此启发，提出了一种新的主动轮廓图像分割算法，其目标函数中的区域项由交叉熵阈值分割准则推导得到。实验结果表明，和CV模型相比，提出的算法可以更加准确地对河流目标进行提取，而快速全局最小化算法的求解速度较快。
　　最后，提出了基于形态学求解的引入测地边缘项的分片常值主动轮廓模型。传统的基于水平集的图像分割方法需要求解水平集演化方程。水平集演化方程也可以通过数学形态学求解，采用形态学求解具有如下优点：简单、快速和稳定。在提出的算法中，将数学形态学求解水平集演化方程的方法应用于引入测地边缘项的分片常值主动轮廓模型中。实验结果表明，和原始的引入测地边缘项的分片常值主动轮廓模型相比，提出的算法可以更加准确地分割图像，并且提出的模型求解简单、运行速度快、数值稳定性高。
　　第三部分，河流类型的识别。
　　首先，提出了基于F范数最小化的隐低秩表示的子空间聚类算法。将隐低秩表示算法和F范数结合起来，提出了一种新的子空间聚类算法，原始隐低秩表示算法中的核范数被替换为F范数。实验结果表明，提出的算法可以得到更高的河流样本聚类精度。和隐低秩表示算法相比，提出算法的运行时间缩短了一半。
　　然后，提出了基于拉普拉斯正则化的有效密度子空间聚类算法。在低秩表示算法中，采用数据样本本身作为字典表示数据样本的做法不尽合理。这一问题在低秩子空间聚类(Low Rank Subspace Clustering, LRSC)算法中得到了解决，有效密度子空间聚类(Efficient Dense Subspace Clustering, EDSC)算法是LRSC算法的一种改进。在EDSC算法中，学得的字典仍然含有一些噪声。为了引入数据的流形结构并且改善学得字典的质量，提出了一种新的子空间聚类算法。实验结果表明，所提算法可以得到更好的河流样本聚类结果。