許 燕，段福洲，段光耀

（1. 首都師范大學(xué) 資源環(huán)境與旅游學(xué)院，北京 100048；2. 北京市城市環(huán)境過程與數(shù)字模擬國家重點(diǎn)實(shí)驗(yàn)室培育基地，北京 100048；3. 資源環(huán)境與地理信息系統(tǒng)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100048；4. 三維信息獲取與應(yīng)用教育部重點(diǎn)實(shí)驗(yàn)室，北京 100048）

面向?qū)ο蟮臒o人機(jī)影像分類研究

許 燕1,2,3,4，段福洲1,2,3,4，段光耀1,2,3,4

（1. 首都師范大學(xué) 資源環(huán)境與旅游學(xué)院，北京 100048；2. 北京市城市環(huán)境過程與數(shù)字模擬國家重點(diǎn)實(shí)驗(yàn)室培育基地，北京 100048；3. 資源環(huán)境與地理信息系統(tǒng)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100048；4. 三維信息獲取與應(yīng)用教育部重點(diǎn)實(shí)驗(yàn)室，北京 100048）

選取同處于夏收秋種時(shí)期、不同地點(diǎn)的3幅無人機(jī)影像進(jìn)行面向?qū)ο蠓诸?。將影像?4個(gè)不同尺度上進(jìn)行多尺度分割，以便獲取對于分類對象較好的分割尺度。在對象基礎(chǔ)上，將影像分為灌木、農(nóng)田、道路、房屋及水體，并將分類結(jié)果精度與最大似然分類結(jié)果進(jìn)行對比。結(jié)果表明，采用定量評價(jià)分割效果的方法，同時(shí)采用面向?qū)ο蟮姆椒ㄟM(jìn)行信息提取，總體精度均在80%以上，明顯高于最大似然分類。

無人機(jī)影像；面向?qū)ο蠓诸?；IHS變換

無人機(jī)等低空航空遙感影像一般擁有較高的分辨率、豐富的紋理信息、較少的波段，比較適合人工目視判讀。而傳統(tǒng)的利用光譜信息，以像元為單位進(jìn)行分類[1,2]的方法很難充分利用高分辨率影像的位置、紋理、形狀等信息[3-7]，浪費(fèi)了一部分影像信息，且得不到令人滿意的分類結(jié)果。本文建立了一種普適的低空航空遙感影像信息提取策略。

1 數(shù)據(jù)與方法

實(shí)驗(yàn)數(shù)據(jù)為2009年8月河南鄧州、2008年7月山東菏澤、2008年5月甘肅隴南3個(gè)地區(qū)的低空航空遙感數(shù)據(jù)。研究區(qū)地物類型解譯標(biāo)志如表1所示。

表1 研究區(qū)地物類型解譯標(biāo)志

采用面向?qū)ο蟮姆椒?，利用多尺度分割生成影像對象，運(yùn)用模糊邏輯方法計(jì)算出對象的形狀信息、紋理信息以及對象間的拓?fù)潢P(guān)系信息，通過特征參數(shù)的組合建立規(guī)則集，從而實(shí)現(xiàn)影像的分類。

1.1 特征分析

通過對地物的目視解譯，了解地物的分布特征，掌握類別之間的主要區(qū)別。比如農(nóng)田與灌木在亮度上沒有較大區(qū)別，而兩者因?yàn)榕臄z時(shí)間原因，在紋理上有很大差異，可以利用紋理參數(shù)將兩者分開；鄉(xiāng)村道路形狀沒有規(guī)律，亮度也較高，與屋頂難區(qū)別，應(yīng)選擇兩個(gè)或兩個(gè)以上的特征參數(shù)將兩者區(qū)分開。

1.2 遙感影像分割

遙感影像分割是面向?qū)ο笥跋穹治龅幕A(chǔ)。進(jìn)行分割時(shí)，需設(shè)定合適的波段權(quán)重、形狀因子和緊致度、分割尺度等參數(shù)。根據(jù)任務(wù)中感興趣信息的特征設(shè)置參與分割波段的權(quán)重[8]。通過對形狀因子及緊致度的設(shè)定，確保其分割結(jié)果有較高的同質(zhì)性，并且得到的多邊形較為規(guī)整[9]。在面向?qū)ο蟮姆诸愔?，尺度選擇非常重要，它與對象大小直接相關(guān)，并影響分類的精度。

1.3 信息提取

分割后的對象由同質(zhì)像元組成[10]，充分利用影像的光譜與形狀信息。通過對影像的特征分析，選擇特征參數(shù)，建立規(guī)則集，從而實(shí)現(xiàn)對影像的分類。

1.4 精度評價(jià)

采用混淆矩陣，通過目視解譯選取一定數(shù)量的樣本，對分類后的結(jié)果進(jìn)行精度評價(jià)，并將結(jié)果與最大似然分類的精度進(jìn)行對比分析。

2 結(jié)果與分析

2.1 分割參數(shù)確定

3幅遙感圖像的參數(shù)設(shè)置步驟基本一致。選用2009年河南鄧州的圖像對各個(gè)參數(shù)的設(shè)置方法進(jìn)行分析。

考慮到影像只有RGB三個(gè)波段，每個(gè)波段對分割都很重要，因而將權(quán)重設(shè)置為1︰1︰1。由于文中所用影像分辨率較高，顏色因子權(quán)重較大，為0．7，而緊致度權(quán)重較小，為0．3。分割尺度采用14個(gè)。為了定量評價(jià)分割尺度的效果，采用Ke Yinghai的方法，通過計(jì)算分割對象與參考對象之間的拓?fù)浜蛶缀蜗嗨菩詫Ψ指罱Y(jié)果進(jìn)行評價(jià)：

其中，n為感興趣區(qū)域?qū)ο蟮膫€(gè)數(shù)；Ar為參考對象的面積；As為分割對象的面積；Ao為參考對象與分割對象重疊區(qū)域的面積。RAor與RAos是從拓?fù)浞矫鎭碓u價(jià)，而Dsr是從幾何方面來考慮，計(jì)算的是參考對象中心與分割對象中心的幾何距離。

圖1 不同尺度下RAor、RAos走勢圖

對于圖1，橫軸表示分割尺度，縱軸表示所占百分比。從圖上可以看出，在尺度很小時(shí)，RAos較小，在0%左右，RAor較大，在90%左右，此時(shí)處于過分割狀態(tài)。隨著尺度的增加，RAor逐漸降低，RAos逐漸增加，當(dāng)兩者相交時(shí)，則為較優(yōu)尺度。對于圖2，橫軸表示分割尺度，縱軸表示距離。分割對象與參考對象的距離越近，分割效果越好。依照圖1、圖2確定該影像的最優(yōu)尺度。依照此步驟，對影像上的地物一一計(jì)算出最優(yōu)尺度。

2.2 分類規(guī)則

分割完成后將影像進(jìn)行IHS變換，變換后各通道的分離圖如圖3[11]。

圖3 IHS顏色通道平面分離圖

如圖3所示，變換后H通道和S通道的植被與非植被的邊界較為模糊，對比度不太強(qiáng)；而I通道植被與非植被的邊界清晰，對比度較強(qiáng)，能夠?qū)⒓?xì)節(jié)信息很好地顯示出來。本文選取I通道，通過設(shè)定適當(dāng)?shù)拈撝递^好地將植被信息提取出來。

通過對影像各地物的分析，總的影像提取規(guī)則如表2所示。

表2 多尺度影像分類規(guī)則

表2是根據(jù)各個(gè)地物的分布規(guī)律選取的特征參數(shù)。對于水體，由于影像只包含3個(gè)波段，無法構(gòu)建歸一化水體指數(shù)，且本幅影像水體富營養(yǎng)化，普通方法無法準(zhǔn)確提取水體信息。分析發(fā)現(xiàn)，水體富營養(yǎng)化主要是一些水生植物高度富集所致，可以以葉綠素來表征。葉綠素本身呈深綠色或橄欖綠色，對綠色光（490～570 nm）反射率較大，對藍(lán)紫光（440 nm左右）及紅橙光（678 nm左右）則具有強(qiáng)烈的吸收效應(yīng)[12]。當(dāng)水生藻類等植物密度較高時(shí)，水體光譜反射曲線在藍(lán)紫光和紅橙光附近出現(xiàn)吸收峰值，而在綠光附近為吸收谷。據(jù)此，在影像分割之后，先以各個(gè)對象包含所有像素的平均亮度作為該對象亮度，得到Mean_ Band，再通過波段運(yùn)算構(gòu)建一種富營養(yǎng)化的水體指數(shù)（EWI）（如式（4）），達(dá)到富營養(yǎng)化水體信息增強(qiáng)的目的，進(jìn)而進(jìn)行水體提取。對于道路與房屋，由于形狀不同，在此選用“長度/寬度”（如式（5））將兩者區(qū)分開；對于林地與農(nóng)田，由于紋理不一致，本文利用紋理對比度（GLCM Contrast）（如式（6））區(qū)分。

其中，Mean_Band3、Mean_Band2分別表示藍(lán)色波段和綠色波段各個(gè)對象均值計(jì)算結(jié)果；EWI為本文構(gòu)建的富營養(yǎng)化的水體指數(shù)。

其中，a指邊界框的長度；b指邊界框的寬度；f指邊界框的填充度；A指影像對象的面積。

其中，i指一個(gè)像素的灰度值；j指另外一個(gè)像素的灰度值；P（i，j）表示該點(diǎn)的灰度共生矩陣。圖像的對比度隨著局部像素對灰度差別的增大而增大。

根據(jù)表2，將研究區(qū)分為水體、灌木、農(nóng)田、道路與房屋5類，其中閾值的確定主要依據(jù)人機(jī)交互。根據(jù)以上步驟，完成了鄧州市地物的分類。另外兩幅影像主要依據(jù)以上步驟進(jìn)行相應(yīng)分類。

2.3 精度評價(jià)

本文以混淆矩陣為基礎(chǔ)，采用分層抽樣策略進(jìn)行抽樣，以用戶精度與總體精度作為評價(jià)影像分類效果的指標(biāo)。表3為采用面向?qū)ο蟮姆椒?，植被與非植被提取精度對比表。表4、表5分別為3幅航空影像采用面向?qū)ο蠓椒ā⒆畲笏迫环诸惖木仍u價(jià)表。

表3 基于面向?qū)ο蟮闹脖慌c非植被精度對比表

表4 面向?qū)ο蠓诸惥仍u價(jià)

表5 最大似然分類精度評價(jià)

由表4、表5可以看出，采用面向?qū)ο蟮姆椒傮w精度均在80%以上，明顯高于最大似然分類。其中，

3 結(jié) 語

本次研究數(shù)據(jù)源為不同時(shí)相、不同地點(diǎn)的航空遙感影像，采用面向?qū)ο蟮姆椒ㄟM(jìn)行信息提取，總體精度均在80%以上，明顯高于最大似然分類。采用本文方法，閾值選擇沒有一個(gè)固定范圍，有待于進(jìn)一步研究。

[1] 李娜,周德民,趙魁義．高分辨率影像支持的群落尺度沼澤濕地分類制圖[J]．生態(tài)學(xué)報(bào),2011,31(22):6 717-6 726

[2] 黃慧萍．面向?qū)ο笥跋穹治鲋械某叨葐栴}研究[D]．北京：中國科學(xué)院遙感應(yīng)用研究所,2003

[3] 張秀英,馮學(xué)智,江洪．面向?qū)ο蠓诸惖奶卣骺臻g優(yōu)化[J]．遙感學(xué)報(bào),2009,13(4):664-669

[4] 宮鵬,黎夏,徐冰．高分辨率影像解譯理論與應(yīng)用方法中的一些研究問題[J]．遙感學(xué)報(bào),2006,10(1):1-5

[5] Yu Qian, Gong Peng,Cliton N．et al．Object-based Detailed Vegetation Classification with Airborne High Spatial Resolution Remote Sensing Imagery[J]．Photogrammetric Engineering and & Remote Sensing,2006,72(7):799-811

[6] 陳云浩,馮通,史培軍，等．基于面向?qū)ο蠛鸵?guī)則的遙感影像分類研究[J]．武漢大學(xué)學(xué)報(bào)：信息科學(xué)版,2006,31(4):316-320

[7] Ke Yinghai,Quackenbush L J，Jungho I．Synergistic Use of QuickBird Multispectral Imagery and LiDAR Data for Objectbased Forest Species Classification[J]．Remote Sensing of Environment, 2010,114:1 141-1 154

[8] 汪求來．面向?qū)ο筮b感影像分類方法及其應(yīng)用研究-以深圳市福田區(qū)植被提取為例[D]．南京：南京林業(yè)大學(xué),2008

[9] 張明媚，姚國紅．面向?qū)ο蟮母叻直媛蔬b感影像信息提取技術(shù)[J]．地理空間信息，2013,11(1):89-94

[10] Ouma Y O，Tateishi R． Urban-trees Extraction from QuickBird Imagery Using Multiscale Spectex-filtering and Non-parametric Classification[J]．Photogrammetry and Remote Sensing, 2008,63:333-351

[11] Ling Y R,Ehlers M,Usery E L,et al． FFT-enhanced HIS Transform Method for Fusing High-resolution Satellite Images[J]．ISPRS Journal of Photogrammetry & Remote Sensing,2007,61:381-392

[12] 鄒尚輝．武漢市湖泊環(huán)境的遙感研究[J]．地理科學(xué),1991,11(3): 261-268

P237.4

B

1672-4623（2014）05-0028-03

10.3969/j.issn.1672-4623.2014.05.010

許燕，碩士，主要從事遙感方面的研究。

2013-10-18。

項(xiàng)目來源：國家自然科學(xué)基金資助項(xiàng)目(41101403)。