何少林，徐京華，張帥毅

(西南交通大學(xué)地理信息工程中心，成都 610031)

0 引言

隨著遙感技術(shù)的發(fā)展，尤其是影像數(shù)據(jù)源的豐富和影像處理水平的提高，遙感技術(shù)的應(yīng)用越來(lái)越廣泛。運(yùn)用無(wú)人機(jī)遙感低空飛行，可以彌補(bǔ)以衛(wèi)星、大飛機(jī)等為平臺(tái)的航天航空攝影在多云霧地區(qū)難以獲取遙感數(shù)據(jù)的缺陷，獲取較之于低分辨率影像含有更豐富的空間信息、更明顯的地物幾何特征和紋理信息的高分辨率遙感影像，從而更容易地獲取地物類(lèi)別屬性信息［1］，更好地實(shí)現(xiàn)對(duì)土地利用信息的可視化。但是由于傳統(tǒng)基于像元的影像分類(lèi)方法難以區(qū)分影像中存在的“同物異譜”及“同譜異物”現(xiàn)象［2］，導(dǎo)致分類(lèi)精度不高，使得高分辨率遙感影像在土地利用中的效率不高。為了克服傳統(tǒng)技術(shù)的缺點(diǎn)，Baatz M和Schape A根據(jù)高分辨率遙感影像的特點(diǎn)，提出了面向?qū)ο蟮倪b感影像分類(lèi)方法［3］。但是面向?qū)ο髥我怀叨确指罘诸?lèi)容易產(chǎn)生“過(guò)分割”和“欠分割”問(wèn)題［4］。針對(duì)這一問(wèn)題，結(jié)合高分辨率無(wú)人機(jī)影像相對(duì)于衛(wèi)星影像能提供更多的形狀、紋理以及地表信息的優(yōu)勢(shì)，本文利用面向?qū)ο蟮亩喑叨确指罘诸?lèi)方法對(duì)無(wú)人機(jī)影像的土地利用分類(lèi)技術(shù)進(jìn)行了研究。

1 實(shí)驗(yàn)區(qū)選擇及研究方法

以具有代表性的四川省德陽(yáng)市某村莊為實(shí)驗(yàn)區(qū)。無(wú)人機(jī)高分辨率影像獲取的時(shí)間為2009年6月，影像分辨率為0．2 m，選用的數(shù)據(jù)大小為4 918像元×3 741像元。無(wú)人機(jī)原始影像是真彩色影像(圖1)，包括紅、綠、藍(lán)3個(gè)波段。從中可以看出，影像中土地利用類(lèi)型有居民地、道路、耕地、林地、水體等，其中耕地有覆蓋農(nóng)作物耕地、覆蓋薄膜耕地和裸土耕地3種情況，水體包括池塘、水田和小溪。

圖1 無(wú)人機(jī)影像Fig．1 UAV image

首先，對(duì)原始無(wú)人機(jī)影像進(jìn)行預(yù)處理。采用POS數(shù)據(jù)校正無(wú)人機(jī)飛行時(shí)姿態(tài)不穩(wěn)定及相機(jī)鏡頭畸變的影響，主要包括畸變差校正、空中三角測(cè)量及正射影像生成;然后，選取合適的分割參數(shù)對(duì)實(shí)驗(yàn)區(qū)進(jìn)行多尺度分割，在各自最優(yōu)分割尺度上依據(jù)地物特征提取規(guī)則，對(duì)土地利用信息進(jìn)行提取和分類(lèi)。本文實(shí)驗(yàn)流程如圖2所示。

圖2 實(shí)驗(yàn)流程Fig．2 Study flowchart

2 實(shí)驗(yàn)數(shù)據(jù)處理

2．1 最優(yōu)分割尺度選擇

遙感影像數(shù)據(jù)是對(duì)依賴(lài)于尺度的地表空間格局與過(guò)程的特征反映［4］，每一個(gè)地理實(shí)體都有其固有的空間屬性和分布特征，因此，觀測(cè)、分析和解釋不同地理現(xiàn)象的規(guī)律，提取不同的地理實(shí)體都需要在不同尺度的影像數(shù)據(jù)中進(jìn)行。影像多尺度分割是通過(guò)設(shè)定不同的對(duì)象異質(zhì)性最小的閾值即尺度，生產(chǎn)一系列分割分類(lèi)層次體系，針對(duì)不同類(lèi)別的對(duì)象單元進(jìn)行統(tǒng)計(jì)分析，找出不同土地利用類(lèi)型提取相應(yīng)的最優(yōu)尺度影像對(duì)象層。

對(duì)于某一種確定的土地利用類(lèi)型，最優(yōu)分割尺度使分割后的多邊形能將這種土地利用類(lèi)型的邊界顯示清楚，并且能用一個(gè)或幾個(gè)對(duì)象將其表示出來(lái)，分割之后的影像對(duì)象的內(nèi)部異質(zhì)性盡可能小，而不同類(lèi)別影像對(duì)象間的異質(zhì)性盡可能大［5］。當(dāng)影像中純對(duì)象增多時(shí)，與相鄰對(duì)象之間的光譜異質(zhì)性增大，整幅影像中所有對(duì)象的亮度均值標(biāo)準(zhǔn)差增大;相反，當(dāng)影像中混合對(duì)象增多時(shí)，與相鄰對(duì)象之間的光譜異質(zhì)性降低，整幅影像中所有對(duì)象的亮度均值標(biāo)準(zhǔn)差變小。經(jīng)多次試驗(yàn)，最優(yōu)分割的參考值發(fā)生在亮度均值標(biāo)準(zhǔn)差的峰值［6］。為獲取不同土地利用類(lèi)型的最優(yōu)分割尺度，本研究進(jìn)行了影像分割尺度實(shí)驗(yàn)。當(dāng)分割尺度小于100時(shí)，存在大量過(guò)度分割，結(jié)果相當(dāng)破碎;當(dāng)分割尺度大于350時(shí)，出現(xiàn)大量的混合對(duì)象。因此，分割尺度范圍設(shè)為100～350之間，每隔5進(jìn)行一次分割并計(jì)算亮度均值標(biāo)準(zhǔn)差(圖3)。影像的3個(gè)通道權(quán)重值都設(shè)為1，顏色權(quán)重值為0．5，形狀權(quán)重值為0．5，其中形狀因子中緊湊度權(quán)重為 0．6，光滑度權(quán)重為 0．4。

圖3 影像對(duì)象亮度均值標(biāo)準(zhǔn)差隨分割尺度變化情況Fig．3 Standard deviation of image objects brightness mean with an increasing scale parameter

由圖 3 得出:130，190，230，240，250，260，275，305，315，330為10個(gè)分割尺度最優(yōu)參考位置，并依次進(jìn)行分割處理，經(jīng)目視選擇，針對(duì)居民地、道路、農(nóng)作物耕地、覆蓋薄膜耕地、裸土耕地、林地和水體(包括池塘、水田和小溪)7種土地利用類(lèi)型，分別選取了130，230，240，305，315，330 共 6 個(gè)尺度，建立多尺度分割分類(lèi)層次表(表1)。利用多層分割尺度對(duì)土地利用類(lèi)型進(jìn)行分類(lèi)，能夠?qū)崿F(xiàn)各地類(lèi)在各自最優(yōu)分割層上被提取，最終按照一系列的分類(lèi)規(guī)則重新聚類(lèi)，得到較好的分類(lèi)結(jié)果［7］。

表1 多尺度分割分類(lèi)層次Tab．1 Classification levels based on multi－scale segmentation

2．2 不同尺度分割層土地利用類(lèi)型提取與分類(lèi)

適宜分割尺度的選擇能使影像對(duì)象與實(shí)際地物斑塊形狀大小基本一致。在各自土地利用類(lèi)型最優(yōu)的尺度分割層上，分析影像對(duì)象的特征信息，包括光譜、紋理、形狀、空間分布等，依據(jù)影像對(duì)象的特征信息差異，建立土地利用特征提取規(guī)則，在各自的最優(yōu)尺度分割層上提取地物，并進(jìn)行分類(lèi)，結(jié)果如圖4所示。

圖4 不同尺度分割層提取相應(yīng)土地利用類(lèi)型Fig．4 Corresponding land use type extraction of different scales segmentation layer

2．2．1 在Level1層提取覆蓋薄膜耕地

影像中覆蓋薄膜耕地、道路和居民地呈亮白色，因此可以通過(guò)亮度均值特征A來(lái)區(qū)分其他類(lèi)型地物，即

式中:e為影像對(duì)象的邊界長(zhǎng)度;S為影像對(duì)象的面積。最后，為了把居民地的建筑區(qū)分出來(lái)，可根據(jù)灰度差分矢量方法(GLDV)［8］，計(jì)算與相鄰像素絕對(duì)差異的發(fā)生概率。GLDV均值特征C的計(jì)算公式為［8］

式中:Vk為影像對(duì)象層灰度共生矩陣(GLCM)的對(duì)角線值之和;N是行或者列的個(gè)數(shù)。為了在Level1上提取有覆蓋薄膜耕地，根據(jù)上述A，B，C這3個(gè)特征值定義出分類(lèi)規(guī)則1為:A＞127，B＜3．3且C＞5．7。

2．2．2 在Level2層提取道路和水田

首先將Level1分割層提取有覆蓋薄膜耕地同步［9］到Level2分割層上，這樣只需在剩下未分類(lèi)的地物中提取道路和水田。為提取道路需要用到亮度均值特征A和形狀指數(shù)B，但是運(yùn)用這2個(gè)特征后，還有少量居民地也會(huì)被提取，為區(qū)分它們，建立相鄰暗對(duì)象個(gè)數(shù)特征D。D用于統(tǒng)計(jì)相鄰對(duì)象比自己亮度均值低的個(gè)數(shù)。由于道路狹長(zhǎng)，相鄰對(duì)象個(gè)數(shù)多，且多數(shù)比自己亮度均值低，所以相鄰暗對(duì)象個(gè)數(shù)特征D較大。根據(jù)上述A，B，D這3個(gè)特征值定義提取道路的分類(lèi)規(guī)則2為:A＞127，B＞3．3且D≥5。

然后在剩下未分類(lèi)對(duì)象里提取水田，首先利用藍(lán)波段均值特征將其范圍確定下來(lái)，通過(guò)觀察發(fā)現(xiàn)水田藍(lán)波段均值比,大，因此自定義特征E，即

據(jù)此定義提取水田的分類(lèi)規(guī)則3為:91＜B＜96且E＞0。

2．2．3 在Level3層提取林地和池塘

同樣先將Level2分割層上已經(jīng)提取分類(lèi)好的地物類(lèi)型同步到Level3分割層上，只需在剩下未分類(lèi)的地物中提取林地和池塘。利用綠波段均值特征在范圍［41，77］內(nèi)將林地和池塘全部提取進(jìn)來(lái);然后定義分類(lèi)規(guī)則4，即62＜A＜66并且E＞0，把池塘提出來(lái);剩下的林地中有少量的有作物耕地，通過(guò)定義分類(lèi)規(guī)則5，即A＞70，把少量有作物耕地提出來(lái)并將其刪除。

2．2．4 在Level4層提取農(nóng)作物耕地和裸土耕地

為提取農(nóng)作物耕地和裸土耕地，需要自定義特征F和G，即

定義特征F和G是考慮到農(nóng)作物耕地和裸土耕地在紅、綠波段均值的差別較大，用于區(qū)分這2種地類(lèi)。具體提取步驟是:首先將Level3分割層上已經(jīng)提取分類(lèi)好的地物類(lèi)型同步到Level4分割層上;再針對(duì)剩下未分類(lèi)的地物定義分類(lèi)規(guī)則6，即70＜A＜127，同時(shí)提取出的農(nóng)作物耕地和裸土;然后定義分類(lèi)規(guī)則7，即F≥9，將有農(nóng)作物耕地提取出來(lái);最后定義分類(lèi)規(guī)則8，即G＞0且F＜0，將裸土耕地提取出來(lái)。

2．2．5 在Level5層提取居民地

居民地主要包括房屋建筑和少量房屋周?chē)顒?dòng)場(chǎng)地。經(jīng)觀察發(fā)現(xiàn)實(shí)驗(yàn)區(qū)居民地房屋建筑有藍(lán)色屋頂和暗屋頂2種。對(duì)于藍(lán)色屋頂，考慮到藍(lán)波段反射率大，故首先利用藍(lán)波段進(jìn)行提取;對(duì)于暗屋頂，觀察發(fā)現(xiàn)其紅波段均值和藍(lán)波段均值比綠波段均值大，因此可通過(guò)自定義特征F將其提取出。而對(duì)于房屋周?chē)恍┗顒?dòng)場(chǎng)地，在影像上呈亮白色，藍(lán)波段反射大，同樣利用藍(lán)波段進(jìn)行提取。具體提取步驟是:首先將Level4分割層上已經(jīng)提取分類(lèi)好的地物類(lèi)型同步到Level5分割層上，針對(duì)剩下未分類(lèi)的地物定義分類(lèi)規(guī)則9，即藍(lán)波段均值＞158，將藍(lán)色屋頂和房屋周?chē)恍┗顒?dòng)場(chǎng)地提取出來(lái);然后定義分類(lèi)規(guī)則 10，即 74＜A＜159且F＜－5，將暗屋頂提取出來(lái)。

2．2．6 在Level6層提取小溪

Level6分割層上影像對(duì)象較多，分割形成的小溪對(duì)象較適宜，與小溪形狀一致，因此在本分割層提取小溪。首先將Level5分割層上已經(jīng)提取分類(lèi)好的地物類(lèi)型同步到Level6分割層上，其次針對(duì)剩下未分類(lèi)的地物定義分類(lèi)規(guī)則11，即E＞14，將小溪提取出來(lái)。

2．3 制作土地利用專(zhuān)題圖

將各分割層提取的土地類(lèi)型同步到同一分割層上，把沒(méi)有提取出來(lái)的地物歸為其他類(lèi)?？紤]到水田、池塘和小溪都為水體，故統(tǒng)歸為水體類(lèi)型。制作的土地利用專(zhuān)題圖如圖5所示。

圖5 土地利用專(zhuān)題圖Fig．5 Thematic map of land use

2．4 比較實(shí)驗(yàn)

為了與多尺度多層次分類(lèi)方法相比，本文還選擇單一尺度分類(lèi)方法對(duì)本實(shí)驗(yàn)區(qū)進(jìn)行分類(lèi)。通過(guò)利用多尺度多層次分類(lèi)方法建立起來(lái)的規(guī)則，微調(diào)特征參數(shù)，獲得了單一尺度為330和240的土地利用分類(lèi)結(jié)果(圖6)。

圖6 單一尺度提取土地利用結(jié)果Fig．6 Land use extraction on single－scale

3 精度分析評(píng)價(jià)

分類(lèi)精度是檢驗(yàn)分類(lèi)方法是否可行的首要指標(biāo)［10］。對(duì)實(shí)驗(yàn)區(qū)進(jìn)行目視解譯，將其矢量數(shù)據(jù)作為真實(shí)參考。根據(jù)實(shí)驗(yàn)區(qū)范圍，在其內(nèi)水平方向均勻各布23條樣線，垂直方向均勻布設(shè)30條樣線，樣線交叉處共有690個(gè)點(diǎn)，作為分類(lèi)精度檢驗(yàn)的樣本點(diǎn)。將對(duì)應(yīng)地區(qū)的樣本點(diǎn)數(shù)據(jù)真實(shí)參考和分類(lèi)結(jié)果進(jìn)行對(duì)比，得出各種方法下土地類(lèi)型統(tǒng)計(jì)的混淆矩陣。精度評(píng)價(jià)結(jié)果如表2所示。

表2 分類(lèi)精度評(píng)價(jià)Tab．2 Classification accuracy assessment

由表2可知，面向?qū)ο蟮亩喑叨榷鄬哟畏诸?lèi)方法明顯優(yōu)于單一尺度分別為330和240的分類(lèi)結(jié)果，總體精度達(dá)到91．30%，Kappa系數(shù)為0．89。單一尺度分割分類(lèi)使得地物出現(xiàn)過(guò)分割和欠分割狀態(tài)，分割尺度為240時(shí)分類(lèi)效果略好。總體來(lái)說(shuō)，多尺度多層次分類(lèi)結(jié)果較好，其中道路和水體分類(lèi)結(jié)果最好，但是其他土地類(lèi)型精度略低，分析主要原因是由于其他地類(lèi)中自然裸土和裸土耕地類(lèi)型沒(méi)有區(qū)分所致。

4 結(jié)論

1)無(wú)人機(jī)低空影像獲取技術(shù)可以彌補(bǔ)多云霧地區(qū)遙感影像難以獲取的缺陷，尤其在西南地區(qū)，在快速獲取有關(guān)土地利用及其變化信息上有廣闊的應(yīng)用前景。

2)本文采用面向?qū)ο蟮亩喑叨确诸?lèi)思想，將影像多層次分割，獲取不同土地利用類(lèi)型相應(yīng)最優(yōu)層次上的影像對(duì)象。這種基于多尺度多層次提取土地利用信息方法，能彌補(bǔ)在單一尺度下某些類(lèi)型地物分割不佳的缺陷，提高分類(lèi)精度，達(dá)到快速、準(zhǔn)確提取土地利用信息，制作土地利用專(zhuān)題圖，實(shí)現(xiàn)土地利用信息可視化的目的。

3)雖然面向?qū)ο蟮亩喑叨榷鄬哟畏诸?lèi)方法能取得較高的精度，但在分類(lèi)過(guò)程中最優(yōu)分割尺度選取和提取規(guī)則設(shè)置都需要人工參與，對(duì)分類(lèi)者的要求較高，發(fā)展地物最佳提取層次與最優(yōu)分割尺度的自適應(yīng)匹配和降低規(guī)則建立時(shí)人為干預(yù)，是下一步研究的目標(biāo)。

［1］ 鄧媛媛，巫兆聰，易俐娜，等．面向?qū)ο蟮母叻直媛视跋褶r(nóng)用地分類(lèi)［J］．國(guó)土資源遙感，2010，22(4):117－121．Deng Y Y，Wu Z C，Yi L N，et al．Research on object－oriented classification of agricultural land based on high resolution images［J］．Remote Sensing for Land and Resources，2010，22(4):117－121．

［2］ 周成虎，駱劍成．高分辨率衛(wèi)星遙感影像地學(xué)計(jì)算［M］．北京:科學(xué)出版社，2009:14－25．Zhou C H，Luo JC．The geocomputation of the high resolution satellite image［M］．Beijing:Science Press，2009:14－15．

［3］ BaatzM，Schape A．Object－oriented and multi－scale imageanalysis in semantic networks［C］//Proceedings of the 2nd International Symposium on Operationalization of Remote Sensing，Enschede，Netherlands，1999:16－20．

［4］ 黃慧萍．面向?qū)ο笥跋穹治鲋谐叨葐?wèn)題研究［D］．北京:中國(guó)科學(xué)院研究生院，2003．Huang H P．Scale issues in object－oriented image analysis［D］．Beijing:Institute of Remote Sensing Applications Chinese Academy of Sciences，2003．

［5］ Kim M，Madden M，Warner T．Estimation of optimal image object size for the segmentation of forest stands with multispectral IKONOS imagery［C］//Object－Based Image Analysis．Thomas Blaschke，Stefan Lang and Geoffrey JHay，2008:291－307．

［6］ 林先成，李永樹(shù)．成都平原高分辨率遙感影像分割尺度研究［J］．國(guó)土資源遙感，2010，22(2):7－11．Lin X C，LiY S．A study of the segmentation scale ofhigh－resolution remotely sensed sensed data in Chengdu plain［J］．Remote Sensing for Land and Resources，2010，22(2):7－11．

［7］ 龔劍明，楊曉梅，張 濤，等．基于遙感多特征組合的冰川及其相關(guān)地表類(lèi)型信息提取［J］．地球信息科學(xué)學(xué)報(bào)，2009，11(6):765－771．Gong JM，Yang XM，Zhang T，etal．Information extraction of glacier and its land form classes based on multi－feature remote sensing image combination［J］．Journal of Geo－Information Science，2009，11(6):765－771．

［8］ 關(guān)元秀，程曉陽(yáng)．高分辨率衛(wèi)星影像處理指南［M］．北京:科學(xué)出版社，2008:164－221．Guan Y X，Cheng X Y．The processing guidebook of the high resolution satellite image［M］．Beijing:Science Press，2008:164－221．

［9］ eCognition Developer Trial 8．0 Reference Book［M/CD］．Germany:Definiens，2009．

［10］ 魯 恒，李永樹(shù)，林先成．無(wú)人機(jī)高空間分辨率影像分類(lèi)研究［J］．測(cè)繪科學(xué)，2011，36(6):106－108．Lu H，Li Y S，Lin X C．Classification of high resolution imagery by unmanned aerial vehicle［J］．Science of Surveying and Mapping，2011，36(6):106－108．