王宏勝，李永樹(shù)，吳 璽，李 政

(1.西南交通大學(xué) 地球科學(xué)與環(huán)境工程學(xué)院，四川 成都 611756; 2.四川省土地統(tǒng)征整理事務(wù)中心，四川 成都 610041)

結(jié)合空間分析的面向?qū)ο鬅o(wú)人機(jī)影像土地利用分類(lèi)

王宏勝1，李永樹(shù)1，吳 璽2，李 政1

(1.西南交通大學(xué) 地球科學(xué)與環(huán)境工程學(xué)院，四川 成都 611756; 2.四川省土地統(tǒng)征整理事務(wù)中心，四川 成都 610041)

利用高分辨遙感影像進(jìn)行土地利用分類(lèi)，為農(nóng)村土地利用動(dòng)態(tài)監(jiān)測(cè)及土地綜合整治快速地提供基礎(chǔ)地理空間數(shù)據(jù)。以高分辨無(wú)人機(jī)影像為數(shù)據(jù)源，研究利用面向?qū)ο蠖喑叨确指罴夹g(shù)結(jié)合GIS空間分析對(duì)影像進(jìn)行土地利用分類(lèi)。根據(jù)對(duì)象內(nèi)同質(zhì)性高、對(duì)象間異質(zhì)性高的準(zhǔn)則，引入加權(quán)局部方差與空間自相關(guān)指數(shù)構(gòu)建全局最優(yōu)分割非監(jiān)督評(píng)價(jià)指數(shù)，然后利用最鄰近分類(lèi)器對(duì)影像進(jìn)行分類(lèi)。實(shí)驗(yàn)結(jié)果表明，該方法減少人工目視確定最優(yōu)分割尺度的主觀(guān)性，能夠避免某些地物不能被有效歸類(lèi)的現(xiàn)象，在單一尺度下獲得較高的分類(lèi)精度。

土地利用；無(wú)人機(jī)影像；多尺度分割；空間分析；面向?qū)ο?/p>

目前，社會(huì)經(jīng)濟(jì)的持續(xù)發(fā)展以及快速的工業(yè)化、城市化進(jìn)程伴隨著城鄉(xiāng)人口流動(dòng)和經(jīng)濟(jì)社會(huì)發(fā)展要素的重組與交互作用，對(duì)農(nóng)村土地利用方式的變化產(chǎn)生了顯著影響[1]。利用遙感技術(shù)為農(nóng)村土地利用動(dòng)態(tài)監(jiān)測(cè)及土地綜合整治快速提供基礎(chǔ)地理空間數(shù)據(jù)，對(duì)于實(shí)現(xiàn)土地資源的可持續(xù)發(fā)展具有十分重要的意義。

隨著遙感技術(shù)的發(fā)展，遙感影像的空間分辨率得到顯著提高，相對(duì)于中低分辨率遙感影像，高分辨率影像更能清晰地反映地物的細(xì)節(jié)信息，但其光譜信息不足，所以傳統(tǒng)基于像素層次的分類(lèi)方法難以獲得較高的精度，且容易產(chǎn)生“椒鹽”現(xiàn)象[2]。面向?qū)ο蟮挠跋穹治龇椒?Object-Based Image Analysis, OBIA)，克服了傳統(tǒng)分類(lèi)方法的不足，其更有效地將空間信息和專(zhuān)家知識(shí)結(jié)合到遙感信息提取中，十幾年來(lái)逐漸成為高分辨率遙感影像信息提取的主流技術(shù)[3]。

近年來(lái)，無(wú)人機(jī)遙感發(fā)展迅速，憑借方便、快捷、成本低等優(yōu)勢(shì)，現(xiàn)已成為獲取高分辨率遙感影像的一種重要技術(shù)手段，在土地資源調(diào)查、監(jiān)測(cè)與分類(lèi)等行業(yè)開(kāi)展了大量的研究實(shí)踐工作[4-5]。本文以高分辨無(wú)人機(jī)影像為數(shù)據(jù)源，利用面向?qū)ο蠖喑叨确指罴夹g(shù)結(jié)合GIS空間分析功能進(jìn)行土地利用分類(lèi)，并利用混淆矩陣對(duì)分類(lèi)結(jié)果進(jìn)行精度評(píng)定，結(jié)果表明，該方法減少了人工目視確定最優(yōu)分割尺度的主觀(guān)性，能夠避免某些地物不能被有效歸類(lèi)的現(xiàn)象，在單一尺度下取得滿(mǎn)意的分類(lèi)結(jié)果。

1 實(shí)驗(yàn)數(shù)據(jù)和技術(shù)流程

1.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)區(qū)域位于四川省邛崍市某鎮(zhèn)，丘陵地貌，地勢(shì)整體西北高而東南低。影像(見(jiàn)圖1)由無(wú)人機(jī)搭載Canon EOS 5D Mark II大型單反相機(jī)于2015年8月獲取，為真彩色影像(包含紅、綠、藍(lán)波段)，地面分辨率0.16 m，大小為5 616像元×3 744像元，包含有水體、道路、居民地、農(nóng)田等多種土地利用類(lèi)型，清晰地表達(dá)了農(nóng)村地區(qū)散亂的聚居特點(diǎn)。

圖1 實(shí)驗(yàn)區(qū)無(wú)人機(jī)影像

1.2 實(shí)驗(yàn)技術(shù)流程

高分辨率無(wú)人機(jī)影像土地利用分類(lèi)的技術(shù)流程:

1)影像預(yù)處理：對(duì)獲取的原始無(wú)人機(jī)影像進(jìn)行畸變差校正、空中三角測(cè)量、生成正射影像；

2)多尺度分割及確定最優(yōu)分割尺度：通過(guò)序列分割尺度參數(shù)對(duì)影像進(jìn)行多尺度分割，計(jì)算分割質(zhì)量評(píng)價(jià)指數(shù)，確定最優(yōu)分割尺度；

3)土地利用分類(lèi)：建立分類(lèi)體系，基于各個(gè)類(lèi)別的訓(xùn)練樣本以及初始特征組合，找到類(lèi)別之間可分性最大的特征集，進(jìn)行最優(yōu)特征空間的構(gòu)建，然后運(yùn)用最鄰近分類(lèi)器對(duì)影像進(jìn)行分類(lèi)；

4)土地利用分類(lèi)精度評(píng)定：利用混淆矩陣對(duì)分類(lèi)結(jié)果進(jìn)行評(píng)定。

2 最優(yōu)分割尺度的土地利用分類(lèi)

2.1 影像最優(yōu)分割尺度的選擇

影像完成預(yù)處理后，運(yùn)用eCognition Developer 8.9對(duì)其進(jìn)行多尺度分割，該過(guò)程以單個(gè)像元對(duì)象開(kāi)始，自下而上地合并相鄰對(duì)象，直到對(duì)象的異質(zhì)性達(dá)到閾值，而該閾值通過(guò)尺度參數(shù)的設(shè)定[6]。通常，最優(yōu)分割的結(jié)果應(yīng)該是對(duì)象內(nèi)具有較高的同質(zhì)性，相鄰對(duì)象間具有較高的異質(zhì)性。為此，分別計(jì)算分割影像對(duì)象內(nèi)同質(zhì)性評(píng)價(jià)參數(shù)面積加權(quán)局部方差和對(duì)象間異質(zhì)性評(píng)價(jià)參數(shù)全局Moran指數(shù)，然后定義二者歸一化綜合函數(shù)值為分割質(zhì)量評(píng)價(jià)指標(biāo)。

1)全局對(duì)象內(nèi)同質(zhì)性。全局對(duì)象內(nèi)同質(zhì)性評(píng)價(jià)指數(shù)采用面積加權(quán)局部方差計(jì)算，表達(dá)式為

(1)

式中：n為整幅影像分割對(duì)象的總數(shù)，vi是對(duì)象i在一個(gè)波段的方差，ai是對(duì)象i的面積。較小的vi表示對(duì)象內(nèi)部具有較高的同質(zhì)性，而在計(jì)算整幅影像全局對(duì)象同質(zhì)性特征時(shí)，將面積作為權(quán)重，能夠有效避免由于某些對(duì)象過(guò)小引起的偏向問(wèn)題。面積局部加權(quán)方差越小，全局對(duì)象內(nèi)部同質(zhì)性越高。

2)全局對(duì)象間異質(zhì)性。完成多尺度分割之后，影像被分為互相沒(méi)有交集的地理空間對(duì)象，全局Moran指數(shù)是最為常用的表達(dá)實(shí)驗(yàn)區(qū)對(duì)象與相鄰對(duì)象間空間相關(guān)關(guān)系的統(tǒng)計(jì)量[7]，相關(guān)性高意味著全局對(duì)象間異質(zhì)性低，相關(guān)性低意味相反。全局對(duì)象間異質(zhì)性評(píng)價(jià)參數(shù)采用全局Moran指數(shù)，其計(jì)算表達(dá)式

(2)

3)影像分割質(zhì)量評(píng)價(jià)指數(shù)。將影像的各個(gè)波段的面積加權(quán)局部方差V和全局Moran指數(shù)MI計(jì)算完成之后，分別對(duì)其按下式進(jìn)行歸一化處理：

(3)

式中：Xmin和Xmax為一個(gè)波段V(MI)的最小和最大值，norX為V(MI)的歸一化值，該值越接近于0，表示對(duì)象內(nèi)同質(zhì)性或?qū)ο箝g異質(zhì)性越高。記影像在波段i的V和MI歸一化值為norVi和nor MIi，將兩者按下式綜合并定義為整幅影像的分割質(zhì)量評(píng)價(jià)指數(shù)：

(4)

式中：n為影像波段的數(shù)量，GS為影像分割質(zhì)量評(píng)價(jià)指數(shù)，該值越小則分割質(zhì)量越好，因?yàn)榇藭r(shí)全局對(duì)象內(nèi)部具有較高同質(zhì)性，同時(shí)對(duì)象間具有較高異質(zhì)性，即此時(shí)的分割尺度為最優(yōu)分割尺度[8-10]。

4)確定影像最優(yōu)分割尺度。對(duì)于面向?qū)ο蟮挠跋穹诸?lèi)而言，一個(gè)合適的分割尺度是必須考慮的重要問(wèn)題[11]。實(shí)驗(yàn)中，為比較不同分割尺度對(duì)分割質(zhì)量的影響，選取100～360(步長(zhǎng)為20)共14個(gè)尺度參數(shù)，其他參數(shù)固定設(shè)置(影像三波段的權(quán)重都設(shè)為1，形狀和顏色權(quán)重各為0.5，緊湊度權(quán)重0.6，光滑度權(quán)重0.4)，然后將生成的相應(yīng)影像對(duì)象層輸出為矢量文件，利用GIS的空間分析功能對(duì)分割質(zhì)量評(píng)價(jià)指標(biāo)進(jìn)行計(jì)算。結(jié)果發(fā)現(xiàn)，分割尺度為280時(shí)，分割質(zhì)量評(píng)價(jià)指數(shù)最小，與之相比，分割尺度300的分割質(zhì)量評(píng)價(jià)指數(shù)為0.938 8，二者相差很小，為避免計(jì)算結(jié)果的偶然性，同時(shí)考慮到步長(zhǎng)20較大，在260和320之間增加分割尺度270、290、310對(duì)影像進(jìn)行細(xì)化分割，并計(jì)算其相應(yīng)分割質(zhì)量評(píng)價(jià)指數(shù)。表1為影像分割質(zhì)量評(píng)價(jià)指數(shù)計(jì)算表。

表1 影像分割質(zhì)量評(píng)價(jià)指數(shù)計(jì)算表

由表1可見(jiàn)，分割尺度為290時(shí)，分割質(zhì)量評(píng)價(jià)指數(shù)最小，即此時(shí)分割效果最好，因此分割尺度290為最優(yōu)分割尺度，圖2為最優(yōu)分割結(jié)果。同時(shí)應(yīng)注意到，單一波段分割質(zhì)量評(píng)價(jià)指數(shù)與整個(gè)影像分割質(zhì)量評(píng)價(jià)指數(shù)變化規(guī)律一致，且影像取得最優(yōu)分割質(zhì)量時(shí)，單一波段分割質(zhì)量評(píng)價(jià)指數(shù)也取得最小值，這說(shuō)明在以后的實(shí)踐應(yīng)用中，可以只計(jì)算單一波段的分割質(zhì)量評(píng)價(jià)指數(shù)以確定最優(yōu)分割尺度。另外，隨著分割尺度增大，分割質(zhì)量評(píng)價(jià)指數(shù)整體上呈U型變化，但其并沒(méi)有文獻(xiàn)[9]表現(xiàn)得具有規(guī)律性，這是因?yàn)槎叩难芯繀^(qū)域不同，文獻(xiàn)[9]的研究區(qū)域?yàn)槌擎?zhèn)居民區(qū)，該區(qū)域地物相對(duì)孤立，相鄰地物對(duì)象之間相關(guān)性低，同種地物同質(zhì)性強(qiáng)，隨著尺度的增大，地物對(duì)象由過(guò)分割到欠分割過(guò)程變化明顯；農(nóng)村地物則較為復(fù)雜，如林地與其他植被光譜特征相近，這些地物對(duì)象間具有較高的相關(guān)性，隨著尺度的增大，地物對(duì)象由過(guò)分割到欠分割現(xiàn)象過(guò)程變化并不明顯。

圖2 分割尺度為290的影像分割結(jié)果

2.2 土地利用分類(lèi)

面向?qū)ο蟮挠跋穹诸?lèi)能夠綜合利用分割對(duì)象的光譜、形狀、紋理等特征，其基本分類(lèi)方法分為基于規(guī)則分類(lèi)和最鄰近分類(lèi)兩種，前者對(duì)于一些特征明顯的地物類(lèi)別能夠取得較好的效果，而對(duì)于一些特征相似的地物類(lèi)別區(qū)分效果則較差[12]。另外，基于規(guī)則分類(lèi)也存在普適性和效率的問(wèn)題，自然地物復(fù)雜眾多，不存在一種規(guī)則(集)能夠適應(yīng)所有遙感影像，規(guī)則的制定及其閾值的選取往往需要根據(jù)特定的影像多次試驗(yàn)才能加以確定[13]。對(duì)于無(wú)人機(jī)影像而言，其空間分辨率高、反映地物特征精細(xì)、可利用的光譜特征較少，基于規(guī)則分類(lèi)往往會(huì)造成某些地物不能被有效歸類(lèi)的情況[14]。鑒此，本文選擇利用最鄰近分類(lèi)對(duì)實(shí)驗(yàn)區(qū)進(jìn)行土地利用分類(lèi)。

根據(jù)實(shí)驗(yàn)區(qū)地物類(lèi)型建立土地利用分類(lèi)體系，包括農(nóng)田、林地、其他植被、居民地、水體、道路、裸露土地等，為了提高分類(lèi)精度再將農(nóng)田分為農(nóng)作物覆蓋土地和田埂、林地分為密林地和疏林地、居民地分為建筑物和庭院，表2為實(shí)驗(yàn)區(qū)土地利用分類(lèi)體系及其基本特征。

表2 土地利用分類(lèi)體系及其基本特征

在建立分類(lèi)體系之后，根據(jù)相應(yīng)類(lèi)別選取一定的訓(xùn)練樣本，計(jì)算地物對(duì)象的光譜、形狀等特征參數(shù)，取不同地類(lèi)之間可分性最大的特征組合作為最優(yōu)特征空間集(見(jiàn)表3)，運(yùn)用最鄰近分類(lèi)器完成土地利用分類(lèi)(見(jiàn)圖3)。

表3 最優(yōu)特征空間集

圖3 土地利用分類(lèi)結(jié)果

2.3 土地利用分類(lèi)精度評(píng)定與分析

土地利用分類(lèi)完成之后，在實(shí)驗(yàn)區(qū)原始影像范圍內(nèi)布置22×33個(gè)網(wǎng)格，將其726個(gè)結(jié)點(diǎn)作為驗(yàn)證樣本點(diǎn)進(jìn)行目視判讀并與分類(lèi)結(jié)果對(duì)應(yīng)位置的土地類(lèi)型進(jìn)行比對(duì)得到混淆矩陣，然后據(jù)此計(jì)算各個(gè)土地利用類(lèi)別的生產(chǎn)與用戶(hù)精度以及整幅影像分類(lèi)精度(見(jiàn)表4)。

從表4可以看出，運(yùn)用本文方法得到的土地利用分類(lèi)結(jié)果的總體精度為89.94%，Kappa系數(shù)也達(dá)到了86.80%。與之相比：文獻(xiàn)[16]利用與本文實(shí)驗(yàn)區(qū)域相近的影像，采用目視確定最優(yōu)分割尺度和基于規(guī)則分類(lèi)的方法得到的分類(lèi)結(jié)果總體精度為88.76%，Kappa系數(shù)為81%；文獻(xiàn)[14]根據(jù)不同地物的最優(yōu)分割尺度建立多尺度分割分類(lèi)的結(jié)構(gòu)體系，運(yùn)用規(guī)則分類(lèi)得到結(jié)果的總體精度為91.30%，Kappa系數(shù)為89%，分類(lèi)精度略高，但分類(lèi)結(jié)果出現(xiàn)了大量未被有效歸類(lèi)的地物，這是不期望見(jiàn)到的結(jié)果。由此可知本文方法減少了最優(yōu)分割尺度選擇過(guò)程中目視確定的主觀(guān)性，能夠避免未參與分類(lèi)地物的出現(xiàn)，使得高分辨率無(wú)人機(jī)影像土地利用分類(lèi)在單一尺度下達(dá)到較高的精度。

表4 土地利用分類(lèi)精度評(píng)定

3 結(jié) 論

本文根據(jù)對(duì)象內(nèi)同質(zhì)性高、對(duì)象間異質(zhì)性高的準(zhǔn)則，通過(guò)引入加權(quán)局部方差與空間自相關(guān)指數(shù)構(gòu)建全局最優(yōu)分割非監(jiān)督評(píng)價(jià)指標(biāo)以確定影像最優(yōu)分割尺度，減少人工目視判斷的主觀(guān)性；運(yùn)用最鄰近分類(lèi)器進(jìn)行分類(lèi)克服了無(wú)人機(jī)影像可利用光譜信息少的局限，避免某些地物不能被有效歸類(lèi)的問(wèn)題，結(jié)果證明二者相結(jié)合使得無(wú)人機(jī)影像在單一尺度下能夠取得較好的分類(lèi)效果。另外，為了研究的需要，本文選擇了不同步長(zhǎng)的較多分割尺度對(duì)影像分割導(dǎo)致確定最優(yōu)分割尺度時(shí)計(jì)算量大，在實(shí)踐應(yīng)用中可以目視預(yù)判最優(yōu)分割尺度范圍，減少分割次數(shù)。同時(shí)應(yīng)注意，對(duì)于無(wú)人機(jī)影像，紅、綠、藍(lán)三波段對(duì)由加權(quán)局部方差結(jié)合全局Moran指數(shù)構(gòu)建的分割質(zhì)量評(píng)價(jià)指數(shù)的影響權(quán)重相同，說(shuō)明在確定最優(yōu)分割尺度時(shí)，可以只計(jì)算任意一個(gè)波段的分割質(zhì)量評(píng)價(jià)參數(shù)，這能夠有效減少計(jì)算量。

[1] 龍花樓. 論土地整治與鄉(xiāng)村空間重構(gòu)[J]. 地理學(xué)報(bào),2013,68(8):1019-1028.

[2] 費(fèi)鮮蕓, 王婷, 魏雪麗. 基于多尺度分割的遙感影像濱海濕地分類(lèi)[J]. 遙感技術(shù)與應(yīng)用, 2015, 30(2): 298-303.

[3] MING D P, JONATHAN L, WANG J Y, et al. Scale parameter selection by spatial statistics for GeOBIA: Using mean-shift based multi-scale segmentation as an example [J], ISPRS Journal of Photogrammetry and Remote Sensing, 2015,106:28-41.

[4] 唐敏, 楊鋒, 黃華平. 序列無(wú)人機(jī)影像拼接方法研究[J]. 測(cè)繪工程, 2016, 25(1):10-16.

[5] 李德仁, 李明. 無(wú)人機(jī)遙感系統(tǒng)的研究進(jìn)展與應(yīng)用前景[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2014, 39(5):505-513，540.

[6] BENZ U C, HOFMANN p, WILLHAUCK G, et al. Multiresolution, object-oriented fuzzy analysis of remote sensing data for GIS ready information [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2004, 58:239-258.

[7] 黃(美)，李(美)，ArcView GIS與ArcGIS地理信息統(tǒng)計(jì)分析[M]. 北京：中國(guó)財(cái)政經(jīng)濟(jì)出版社，2008.

[8] ESPINDOLA G, CAMARA G, REIS I, et al. Parameter selection for region growing image segmentation algorithms using spatial autocorrelation [J]. International Journal of Remote Sensing, 2006, 27(14):3035-3040.

[9] JOHNSON B, XIE Z. Unsupervised image segmentation evaluation and refinement using a multi-scale approach [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2011(66):473-483.

[10] 殷瑞娟, 施潤(rùn)和, 李鏡堯. 一種高分辨率遙感影像的最優(yōu)分割尺度自動(dòng)選取方法[J]. 地球信息科學(xué)學(xué)報(bào), 2013,15(6):902-910.

[11] LIU D S, XIA F. Assessing object-based classification: advantages and limitations, Remote Sensing Letters, 2010,1(4)：187-194.

[12] 孫家波. 基于知識(shí)的高分辨率遙感影像耕地自動(dòng)提取技術(shù)研究[D]. 北京：中國(guó)農(nóng)業(yè)大學(xué), 2014.

[13] 李秦, 高錫章, 張濤，等. 最優(yōu)分割尺度下的多層次遙感地物分類(lèi)實(shí)驗(yàn)分析[J]. 地球信息科學(xué)學(xué)報(bào), 2011,13(3):409-417.

[14] 何少林, 徐京華, 張帥毅. 面向?qū)ο蟮亩喑叨葻o(wú)人機(jī)影像土地利用信息提取[J]. 國(guó)土資源遙感, 2013,25(2):107-112.

[15] GITELSON A A, KAUFMAN Y J, STARK R, et al. Novel algorithms for remote estimation of vegetation fraction. Remote sensing of environment, 2002, 80(1):76-87.

[16] 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.

Object-oriented land use classification from UAV imagery with spatial analysis

WANG Hongsheng1, LI Yongshu1, WU Xi2, LI Zheng1

(1. School of Geosciences and Environmental Engineering, Southwest Jiaotong University, Chengdu 610056, China;2. Center of Land Acquisition and Consolidation in Sichuan Province, Chengdu 610041, China)

Using high resolution remote sensing imagery to conduct land use classification can provide basic geo-spatial data for rural land use dynamic monitoring and land comprehensive improvement. Taking high resolution UAV imagery as the test data, this paper makes the land use classification by using object-oriented multi-scale segmentation technique combined with GIS spatial analysis. According to the criterion of high intra-segment homogeneity and inter-segment heterogeneity, the weighted local variance and spatial autocorrelation index are introduced to construct the unsupervised evaluation index of global optimal imagery segmentation, and land use classification is then conducted by use of the nearest neighbor classifier. The experimental result shows that this method can reduce the subjectivity of artificial visual determination of the optimal segmentation scale, avoid the phenomenon that some objects can’t be effectively classified, and obtain a higher classification accuracy at a single scale.

land use; UAV imagery; multi-scale segmentation; spatial analysis; object-oriented

2016-12-12

十二五國(guó)家科技支撐計(jì)劃項(xiàng)目(2014BAL01B00)

王宏勝(1989-)，男，碩士研究生.

著錄：王宏勝，李永樹(shù)，吳璽，等.結(jié)合空間分析的面向?qū)ο鬅o(wú)人機(jī)影像土地利用分類(lèi)[J].測(cè)繪工程，2018，27(2)：57-61.

10.19349/j.cnki.issn1006-7949.2018.02.011

P237

A

1006-7949(2018)02-0057-05

李銘娜]