李瑩， 于海洋， 王燕， 吳建鵬， 楊禮

(河南理工大學(xué)礦山空間信息技術(shù)國家測繪地理信息局重點(diǎn)實(shí)驗(yàn)室，焦作 454000)

0 引言

植被是城市生態(tài)系統(tǒng)中重要的組成部分[1]，具有吸收噪音、減少霧霾和減輕城市熱島效應(yīng)的功能。研究并準(zhǔn)確掌握城市植被的類型、面積及空間分布可為城市規(guī)劃者優(yōu)化城市空間利用提供可靠依據(jù)，利于提高城市宜居指數(shù)、促進(jìn)城市發(fā)展。

傳統(tǒng)的植被調(diào)查多采用人工方法，雖然調(diào)查詳細(xì)、準(zhǔn)確率高，但人力、財(cái)力耗費(fèi)大且周期長，無法滿足植被信息快速更新的需求。無人機(jī)遙感具有客觀、高效等特點(diǎn)，可在短期內(nèi)獲取較大范圍地面信息，加之其影像空間分辨率高，在信息的分類與快速更新方面具有很大優(yōu)勢(shì)。近年來很多學(xué)者利用無人機(jī)數(shù)據(jù)進(jìn)行了植被信息提取的相關(guān)研究，如田振坤等[2]利用無人機(jī)影像，基于農(nóng)作物波譜特征及歸一化差分植被指數(shù)(normalized difference vegetation index，NDVI)變化閾值對(duì)農(nóng)作物進(jìn)行快速分類提取，其結(jié)果表明該方法有較高的正確率及普適性； 王小欽等[3]利用基于無人機(jī)影像生成的可見光波段差異植被指數(shù)(visible-band difference vegetation index，VDVI)和歸一化綠紅差異指數(shù)(normalized green-red difference index，NGRDI)等提取植被信息，發(fā)現(xiàn)VDVI適用于僅含可見光波段無人機(jī)遙感影像的健康綠色植被信息提?。?楊柳等[1]利用NDRGI提取無人機(jī)影像城市綠地信息，精度達(dá)到80.23%； 井然等[4]從微型無人機(jī)數(shù)據(jù)生成的可見光植被指數(shù)中選取最優(yōu)植被指數(shù)提取研究區(qū)水生植被，取得較好效果，證明了其可行性； 周在明等[5]利用無人機(jī)影像構(gòu)建基于可見光波段的改進(jìn)型土壤調(diào)整植被指數(shù)，實(shí)現(xiàn)了對(duì)入侵物種互花米草植被信息的有效提取，總體精度達(dá)到89%。傳統(tǒng)的植被提取方法充分利用影像的光譜、紋理等信息，能較好地提取某一類植被，而無法很好地從植被這一大類中根據(jù)高度信息對(duì)不同類型植被進(jìn)一步提取。在植被提取時(shí)結(jié)合運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)[6](structure from motion，SFM)點(diǎn)云得到的歸一化數(shù)字表面模型[7](normalized digital surface model，nDSM)信息，便能根據(jù)不同類型植被的高度信息從垂直方向上對(duì)植被進(jìn)行細(xì)分。

本文利用無人機(jī)遙感獲取的高空間分辨率影像，采用SFM、多視圖聚簇(cluster multi view stereo，CMVS)[8]和基于面片模型的密集匹配(patch based multi view stereo，PMVS)[9]方法重建研究區(qū)密集點(diǎn)云，經(jīng)濾波獲取地面點(diǎn)，通過插值生成研究區(qū)的數(shù)字高程模型(digital elevation model，DEM)、數(shù)字表面模型(digital surface model，DSM)和nDSM，采用面向?qū)ο蟮姆诸惙椒ňC合利用植被光譜特征及nDSM信息進(jìn)行植被提取，并對(duì)提取效果進(jìn)行評(píng)價(jià)分析。

1 研究區(qū)概況及數(shù)據(jù)源

本文以無人機(jī)低空遙感獲得的影像為數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，研究區(qū)為河南省焦作市某區(qū)域，地理范圍在E113°4′～113°26′，N35°10′～35°21′之間，屬于暖溫帶亞濕潤季風(fēng)氣候。研究區(qū)的植被主要有水生植被、草地、灌木及長勢(shì)較高的喬木，其他地物類型有裸地、水體、建筑物和水泥硬化地面等，對(duì)于分層次提取植被信息和地物信息具有代表性。研究選用的遙感平臺(tái)是北方天途TTA八旋翼無人機(jī)M8，搭載FUJIFILM X-M1數(shù)碼相機(jī)，傳感器類型為X-Trans CMOS。影像的拍攝時(shí)間為2016年7月12日，數(shù)據(jù)獲取時(shí)天氣微風(fēng)多云，拍攝影像幾乎不受大氣影響，拍攝高度為230 m。研究區(qū)無人機(jī)正射影像如圖1。

2 研究方法

2.1 基于SFM與CMVS/PMVS的無人機(jī)影像點(diǎn)云重建

研究區(qū)三維稠密點(diǎn)云的重建需要2個(gè)步驟，一是利用SFM完成點(diǎn)云的稀疏重建，二是通過多視角密集匹配(CMVS/PMVS)建立研究區(qū)的密集點(diǎn)云。

SFM是一種相機(jī)標(biāo)定方法，它可在相機(jī)參數(shù)及場景中三維信息未知的情況下，通過迭代方式求解出相機(jī)矩陣和三維點(diǎn)坐標(biāo)[10],其中每次迭代均先恢復(fù)相機(jī)運(yùn)動(dòng)(即計(jì)算投影矩陣)，再采用三角測量的方法恢復(fù)場景結(jié)構(gòu)[11-12]。SFM的理論基礎(chǔ)是透視投影幾何原理，基于照片之間特征點(diǎn)的匹配關(guān)系，借助投影模型采用非線性的優(yōu)化方法回算相機(jī)參數(shù)，從而建立起二維與三維之間的對(duì)應(yīng)關(guān)系，再根據(jù)該對(duì)應(yīng)關(guān)系生成稀疏的三維點(diǎn)云。若有m幅影像，空間中有n個(gè)點(diǎn)，則有

xij=XjPii=1,…,m；j=1,…,n，

(1)

式中:xij為第i幅影像中第j個(gè)點(diǎn)的二維信息；Xj為第j個(gè)點(diǎn)的三維位置信息；Pi為第i幅圖像的投影矩陣。由m×n個(gè)二維信息，估算m個(gè)投影矩陣以及n個(gè)點(diǎn)的三維位置信息[13]，從而得到稀疏點(diǎn)云。

稀疏點(diǎn)云無法較好表達(dá)地表物體信息，因此研究采用CMVS/PMVS方法進(jìn)一步將稀疏點(diǎn)云擴(kuò)展為密集點(diǎn)云。由于SFM得到的影像有大量重疊，為減少數(shù)據(jù)量、提高密集匹配效率，采用CMVS方法對(duì)影像進(jìn)行聚簇分類，在減少數(shù)據(jù)量的同時(shí)提高運(yùn)算速度； 聚簇后采用PMVS方法，經(jīng)匹配、擴(kuò)散和過濾完成密集匹配，生成研究區(qū)密集且?guī)в姓鎸?shí)顏色的三維點(diǎn)云； 在此基礎(chǔ)上通過克里金插值生成研究區(qū)格網(wǎng)，進(jìn)而生成紋理，最后獲得研究區(qū)的正射影像。

2.2 基于點(diǎn)云數(shù)據(jù)的nDSM生成

由點(diǎn)云生成nDSM需經(jīng)過濾波和插值2個(gè)步驟。首先對(duì)研究區(qū)的DSM點(diǎn)云進(jìn)行濾波處理，即根據(jù)地面與地物的高程不連續(xù)性從海量DSM點(diǎn)云中濾除非地貌特征點(diǎn)，以得到研究區(qū)的DEM數(shù)據(jù)。本文中采用自適應(yīng)不規(guī)則三角網(wǎng)(triangulated irregular network，TIN)點(diǎn)云濾波算法，其基本思想是通過反復(fù)建立地面三角網(wǎng)模型的方式分離出地面上的點(diǎn)。在濾波過程中，假定局部區(qū)域內(nèi)地面是平坦的，先選取局部最低點(diǎn)構(gòu)建TIN模型，預(yù)先設(shè)定閾值條件，然后計(jì)算目標(biāo)點(diǎn)到TIN模型中相應(yīng)三角形頂點(diǎn)角度和該目標(biāo)點(diǎn)到三角形面的距離與設(shè)定的閾值條件進(jìn)行比較。如果目標(biāo)點(diǎn)的距離和角度小于預(yù)先定義的閾值，該點(diǎn)將被加入到地面點(diǎn)集，再用地面點(diǎn)集構(gòu)建一個(gè)新的TIN模型，不斷重復(fù)上述過程。

濾除地面點(diǎn)后，對(duì)余下的地物點(diǎn)進(jìn)行插值生成DEM和DSM格網(wǎng)?？死锝鸩逯邓惴ㄊ且环N以空間結(jié)構(gòu)分析為基礎(chǔ)的插值方法，重點(diǎn)考慮的是離散點(diǎn)及所有對(duì)插值點(diǎn)有影響的臨近點(diǎn)的空間特征和屬性。周圍離散點(diǎn)的權(quán)值與插值點(diǎn)間的距離成反比，距離越近權(quán)值越大，根據(jù)權(quán)重來確定待插值點(diǎn)能消除由于離散點(diǎn)分布不均帶來的誤差。實(shí)驗(yàn)中利用DEM點(diǎn)云和DSM點(diǎn)云基于克里金插值生成研究區(qū)的DEM和DSM格網(wǎng)，對(duì)2格網(wǎng)進(jìn)行求差分析，獲得研究區(qū)的nDSM信息。

2.3 可見光植被指數(shù)

植被分類時(shí)綜合利用了影像的光譜信息和重建點(diǎn)云獲取的DEM和nDSM信息。實(shí)驗(yàn)選擇的無人機(jī)影像僅含可見光波段，無法計(jì)算NDVI，因此研究中選用NGRDI[14-15]和VDVI區(qū)分植被與非植被。計(jì)算公式分別為[3]

(2)

(3)

式中G，R，B，分別為綠、紅和藍(lán)3個(gè)波段的反射率或像元值。VDVI與NGRDI的值域均為[-1，1]，值越大表示植被的覆蓋度越高。

2.4 技術(shù)流程

基于無人機(jī)重建點(diǎn)云與影像的植被分類方法的具體技術(shù)流程圖如圖2所示。

圖2 技術(shù)流程Fig.2 Technical flow chart

3 實(shí)驗(yàn)與分析

3.1 數(shù)據(jù)預(yù)處理

利用無人機(jī)影像完成對(duì)研究區(qū)密集點(diǎn)云的重建與正射影像的生成，點(diǎn)云密度達(dá)到1 900個(gè)/m2，正射影像的空間分辨率為0.05 m。為方便后續(xù)實(shí)驗(yàn)數(shù)據(jù)的處理，對(duì)密集點(diǎn)云進(jìn)行抽稀，抽稀后點(diǎn)云密度約為22個(gè)/m2。點(diǎn)云經(jīng)濾波獲得研究區(qū)DEM點(diǎn)云數(shù)據(jù)，通過插值生成研究區(qū)的DEM和nDSM網(wǎng)格(圖3)，網(wǎng)格大小為0.2m×0.2 m。

(a) DEM(b) nDSM

圖3研究區(qū)DEM和nDSM

Fig.3DEMandnDSMofstudyarea

影像分割時(shí)使用尺度參數(shù)估計(jì)軟件確定影像的最優(yōu)分割尺度。其基本原理是計(jì)算影像分割生成的影像對(duì)象的局部方差(local variance，LV)和局部方差隨分割尺度變化的變化率(rate of change，ROC)，最后給出LV隨尺度參數(shù)的變化曲線和該曲線的ROC(圖4)。

圖4 局部方差及變化率曲線Fig.4 local variance and rate of change curve

尺度越小，LV越小，分割后對(duì)象的異質(zhì)性越小。ROC曲線上峰值處對(duì)應(yīng)的分割尺度則表示該尺度下影像中某類對(duì)象的分割效果較好。

綜合考慮LV曲線和ROC曲線，發(fā)現(xiàn)若固定緊湊度為0.5，形狀因子為0.1，當(dāng)尺度為22，26和33時(shí)，植被類型的整體分割效果較好。經(jīng)目視判讀，尺度為22時(shí)分割得到的對(duì)象較破碎而無法很好提取較大的地物(如圖5(a))； 尺度為33時(shí)，灌木的邊緣與其周圍陰影部分融合，不利于地物細(xì)節(jié)部分的提取(如圖5(c))； 尺度為26時(shí)則能較好地兼顧二者(如圖5(b))。

(a) 尺度為22(b) 尺度為26(c) 尺度為33

圖5不同尺度分割效果

Fig.5Effectofdifferentscalessegmentation

3.2 植被分類規(guī)則的建立

實(shí)驗(yàn)中，選用VDVI輔助水生植被類別的提取。通過分析，VDVI>0.168時(shí)，水生植被提取效果最佳。此外根據(jù)研究區(qū)的水生植被(如蘆葦和荷花等)特點(diǎn)設(shè)置nDSM<1.6。水生植被通常生長于地勢(shì)最低處，因此其DEM閾值選擇區(qū)域DEM的最低值加上水體起伏值，實(shí)驗(yàn)中設(shè)置DEM<94.1。

草地、灌木及喬木利用NGRDI進(jìn)行提取，經(jīng)目視判讀，當(dāng)NGRDI>0.2時(shí)，植被與非植被分類效果最佳。同時(shí)根據(jù)三者生長高度不同，設(shè)置草地nDSM<0.26,灌木0.26≤nDSM≤1.5，喬木nDSM>1.5。由于水生植被中蘆葦、荷花等長勢(shì)較高，因此草地及灌木另設(shè)置DEM>94.1以區(qū)分于水生植被。

研究區(qū)內(nèi)存在少量小喬木(紫葉李，葉片常年為紫紅色)，由于其葉片顏色特殊，其光譜特征與建筑物、水泥硬化地面等地物的光譜特征相似，水泥硬化地面nDSM=0，易于區(qū)分，而建筑物有一定高度，因此小喬木與建筑物無法通過nDSM進(jìn)行區(qū)分。分析可知，建筑物頂部較平坦，小喬木具有參差不齊的特征，因此可利用標(biāo)準(zhǔn)差(Standard deviation nDSM，Std. nDSM)區(qū)分二者。小喬木規(guī)則設(shè)置為NGRDI<0.2，Std.nDSM>0.1，2

除提取植被信息外，實(shí)驗(yàn)同時(shí)提取了研究區(qū)內(nèi)的建筑物、水泥硬化地面和水體信息。建筑物和水泥硬化地面的光譜特征相同，設(shè)置NGRDI<0.2，根據(jù)nDSM不同設(shè)置道路nDSM<0.055,建筑物nDSM>5。此外，水泥地面與水體雖均表現(xiàn)為非植被特征，但其高程大于水體，因此另設(shè)置DEM>94.1以區(qū)分于水體； 建筑物另設(shè)置Std.nDSM<0.1以區(qū)分于小喬木。水體提取時(shí)，設(shè)置VDVI<0.168且nDSM<0.01，以區(qū)分于水生植被。此外由于水體分布于地勢(shì)最低處，設(shè)置DEM<94.1。各類別分類規(guī)則見表1。

表1 分類規(guī)則Tab.1 Rules of classification

3.3 結(jié)果分析與評(píng)價(jià)

依據(jù)以上規(guī)則對(duì)不同高度的植被進(jìn)行提取，實(shí)驗(yàn)結(jié)果如圖6所示。

圖6 分類結(jié)果Fig.6 Classification result

為評(píng)價(jià)本文提出的分類方法的提取效果，研究選取大量檢驗(yàn)樣本，對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行精度評(píng)價(jià)，混淆矩陣見表2，各地物類型生產(chǎn)精度及用戶精度見表3。由混淆矩陣發(fā)現(xiàn)，草地錯(cuò)分至灌木較多，同時(shí)灌木也有部分錯(cuò)分至草地，這主要是由于研究區(qū)內(nèi)部分區(qū)域草地長勢(shì)較高，導(dǎo)致提取時(shí)2類出現(xiàn)錯(cuò)分現(xiàn)象。此外還發(fā)現(xiàn)建筑物和小喬木有部分錯(cuò)分至喬木類，水泥地面則有部分錯(cuò)分至草地，這是因?yàn)楫?dāng)某2類地物類型高度相近，同時(shí)2類距離較近甚至出現(xiàn)交錯(cuò)現(xiàn)象(如小喬木與喬木，建筑物與其周圍的喬木等)時(shí)，密集點(diǎn)云進(jìn)行三維建模時(shí)在2類邊界部分不夠精細(xì)，致使生成的正射影像在地物邊界部分不夠準(zhǔn)確，從而造成局部錯(cuò)分現(xiàn)象。

表3 分類精度Tab.3 Classification accuracy

由表3可以看出小喬木(紫葉李)的分類精度較低，這主要由于其葉片顏色特殊(呈紫紅色)而導(dǎo)致其光譜特征在可見光波段接近非植被類型的光譜特征，在提取時(shí)無法與建筑物較好區(qū)分，實(shí)驗(yàn)中雖設(shè)置了Std. nDSM閾值來區(qū)分二者，但是由于研究區(qū)內(nèi)存在仿古建筑以及部分建筑頂部有特殊構(gòu)造，使得上述類別的建筑頂部的Std. nDSM值偏大，從而降低了小喬木與建筑物的分類精度。此外，由于水體部分重建點(diǎn)云的精度較低，導(dǎo)致后續(xù)該部分生成的DEM精度降低，造成水體與岸邊地勢(shì)較低的草地?zé)o法較好區(qū)分，從而影響了水體與草地的分類精度。

總體來看，除小喬木外，其他植被的生產(chǎn)精度均達(dá)到87%以上，而非植被地物信息提取除水體外生產(chǎn)精度均達(dá)到82%以上，同時(shí)，實(shí)驗(yàn)的總體精度也達(dá)到了92.08%，Kappa系數(shù)則達(dá)到0.897 2。整體來看，植被分層次提取精度較高。本文實(shí)驗(yàn)證明，將重建點(diǎn)云獲得的nDSM信息結(jié)合光譜信息用于不同高度的城市植被的提取是可行的。

4 結(jié)論

本文綜合利用無人機(jī)影像SFM重建點(diǎn)云和數(shù)字正射影像數(shù)據(jù)，對(duì)城市植被類型精細(xì)制圖方法進(jìn)行了研究。主要研究結(jié)論如下：

1)無人機(jī)影像SFM重建點(diǎn)云能夠有效地區(qū)分喬木、灌木、草地和水生植被等不同高度的植被類型，結(jié)合nDSM與NGRDI，VDVI等影像光譜特征能夠得到較高的城市不同類型植被分類精細(xì)度和制圖精度。

2)本文建立的基于面向?qū)ο蟮某鞘兄脖痪?xì)分類方法能夠有效融合點(diǎn)云構(gòu)建的nDSM所提供的植被高度信息和影像光譜特征，實(shí)現(xiàn)不同植被類型的精確制圖。研究區(qū)植被分類精度達(dá)到81.20%，地表覆被分類總體精度達(dá)到92.08%，表明技術(shù)方法是有效的，可為城市植被分類與制圖提供參考。

但本文實(shí)驗(yàn)中還存在如下不足之處：

1)實(shí)驗(yàn)選用的無人機(jī)影像僅含可見光波段信息，不利于植被與非植被的區(qū)分，從而影響了小喬木和水體2類的提取精度。

2)SFM與CMVS/PMVS算法重建研究區(qū)密集點(diǎn)云時(shí)，水體部分的點(diǎn)云精度較低，對(duì)于后續(xù)DEM的生成精度以及水體與岸邊草地的分類精度造成了較大影響。