陳 行，夏麗華*，郭廣猛

(1.廣州大學地理科學學院，510006，廣州；2.南陽師范學院環(huán)境科學與旅游學院，473061，河南，南陽)

0 引言

這幾年來，無人機遙感技術快速發(fā)展，為快速獲取高分辨率影像提供了新的平臺和技術手段。特別是輕型多旋翼無人機，具備攜帶方便、飛行可靠性高、智能化程度高、操作簡單易學、影像空間分辨率高等優(yōu)點，在良好天氣情況下可以短時間內起飛，獲取到厘米級影像數(shù)據(jù)，在近幾年獲得了爆發(fā)式的發(fā)展[1]。

無人機遙感技術已經成為遙感圖像獲取的一種重要方式。高空間分辨率目前成為遙感技術發(fā)展的一個方向，高空間分辨率影像數(shù)據(jù)的可獲得性、普及性和豐富性使得無人機高分辨率影像應用越來越成熟，例如，災情監(jiān)測、農作物估產、國土調查、土地確權、土地利用變化等。高空間分辨率的無人機影像數(shù)據(jù)具有豐富的地物空間信息，突出了地物的幾何結構和紋理信息，影像中這些空間紋理、幾何形狀等地物屬性特征容易識別和提取。高分辨率無人機遙感數(shù)據(jù)也存在不足之處：和多光譜數(shù)據(jù)相比，輕型無人機載荷較小，通常搭載可見光傳感器，導致光譜信息少，光譜特征沒有空間信息突出[2-3]。對于高空間分辨率的遙感影像，基于像元遙感圖像分類方法，影像中大量的空間特征信息不能被很好利用，易造成分類精度低和出現(xiàn)“異物同譜”“同物異譜”，空間數(shù)據(jù)的信息不能很好挖掘和提取等問題。事實上，依靠傳統(tǒng)的遙感圖像分類法來處理高分辨率圖像已不能滿足實際應用的要求。面向對象分類技術作為一種新的遙感影像分類技術已經被大量運用[4]。它的基本原理，是根據(jù)像元的空間紋理、幾何形狀、灰度值等相關的特征信息，把那些具有相同特征的，異質性指數(shù)低于閾值的像元合并成一個對象，然后根據(jù)對象的特征，來對這些已經分割好的對象進行分類。

使用只有紅、綠、藍3個波段的信息的無人機可見光遙感影像，光譜信息相對較少，如果單純基于像元光譜信息對目標地物進行分類，勢必會導致分類精度的降低，且分類結果更容易出現(xiàn)“椒鹽”現(xiàn)象，不利于月季和其他目標地物的分類提取[5]。而面向對象的分類方法，充分利用光譜信息、幾何特征、紋理特征等多種屬性信息，避免“椒鹽”現(xiàn)象的產生，提升了遙感影像信息提取的能力，降低了成本，對分類及面積提取的精度提高具有極大幫助[5-7]。目前，無論是衛(wèi)星遙感還是無人機遙感，月季的監(jiān)測識別尚未有學者進行嘗試，因此本實驗基于無人機獲取月季圖像，使用易康eCognition Developer 9面向對象圖像處理軟件，圖像采用多尺度(multiresolution segmentation)分割算法和最近鄰(Nearest Neighbor)分類算法進行月季信息的解譯識別[8]，以期為月季的規(guī)模化和專業(yè)化種植提供技術手段的支撐。

1 數(shù)據(jù)來源

1.1 研究區(qū)概況

研究區(qū)位于河南省南陽市臥龍區(qū)石橋鎮(zhèn)，東經E112°37′20″，北緯N33°9′8″。石橋鎮(zhèn)位于南陽市市區(qū)北部，距離市中心20 km，屬于臥龍區(qū)、南召縣、方城縣的接壤處，地理位置優(yōu)越，區(qū)位優(yōu)勢明顯。地勢西高東低，西北部為崗丘地帶，最高海拔173 m，其他地方均為平原，最低海拔160 m，總面積39.73 km2，平原有31 km2；全鎮(zhèn)約有19 267 hm2耕地，潮土占總面積的70%，黃棕土占25%，其余為砂姜黑土。這里屬我國亞熱帶向溫帶的過渡地帶，四季分明，白河自北向南流經石橋鎮(zhèn)，提供充足灌溉水源，光照充足，雨量適中，溫度適宜，適合月季等的經濟作物種植。石橋鎮(zhèn)是“中國月季之鄉(xiāng)”，是全國最大的月季種苗繁育基地。研究區(qū)緊鄰S231省道，交通便利，方便數(shù)據(jù)的獲取[9-10]。

1.2 數(shù)據(jù)獲取

研究區(qū)的數(shù)據(jù)來源于2017年4月18日的無人機航拍，當日晴，氣溫16～28℃，北風三級，空氣質量良好，可見度較高，有利于無人機影像數(shù)據(jù)的采集。采用大疆精靈(Phantom 3 Advanced)四旋翼無人機平臺，最大續(xù)航能力約23 min，其搭載的相機傳感器為CMOS，型號為FC300S，光圈值為f/2.8，焦距為4 mm，曝光時間為1/1064 s，ISO為100，單幅最大像素4 000×3 000 pixel，成像高度361 m。獲取無人機影像如圖1所示

圖1 無人機遙感影像

2 面向對象的月季解譯識別

2.1 影像分割

面向對象的分類方法中，影像分割是分類的前提和基礎，分割的好壞將會直接影響分類的精度。多尺度分割(multiresolution segmentation)是一種常用的、自下而上的分割算法，它的原理是大的對象是由小的對象合并后生成。首先通過計算空間對象與相鄰對象的特征，得出其異質性指數(shù)，如果該值小于所設置的閾值就可以合并成一個對象，否則就不能合并成大的對象。第一次合并后生成的大的對象，成了下次合并的小的對象，再一次計算合并后對象與鄰近對象的特征，不斷重復循環(huán)計算，直到超出到所設定的閾值要求，合并過程即刻停止[11,24]。

異質性指數(shù)是多尺度分割進行對象合并或分割的根據(jù)，針對不同的目標地物要設置不同的尺度和因子權值，是多尺度分割算法的關鍵點。空間對象的光譜信息和空間信息的加權之和構成異質性指數(shù)。異質性指數(shù)F，計算如式(1)

F=ωspectral·Hspectral+ (1-ωspectral)·Hshape

(1)

式中：ωspectral是指在總的差異性指標中，光譜特征的差異性所占比重，光譜特征和形狀特征的差異性加起來為1；Hspectral、Hshape分別表示為影像光譜信息的差異性及形狀的差異性。

光滑度和緊致度都是用來度量形狀的差異性，它們加權和為形狀因子。相鄰對象合并后形成的新對象邊界的圓滑程度稱作光滑度，而合并后對象間的緊湊程度稱作緊致度。對于提取不同的目標地物，要根據(jù)目標地物的特征信息，選擇合適大小的分割尺度、光譜因子及緊致度因子，劃分出不同尺度的、具有不同層次的空間對象層。固定用一種分割尺度的傳統(tǒng)分割方法，對目標地物的提取有很大的局限性，多尺度分割算法打破了這種困局，在一幅影像上，采用大小不等的分割尺度(即不同的閾值)。相對較大的分割尺度得到相對較少的面積大的圖斑，設置過大的分割尺度會導致圖斑中包含不一樣的地物；較小的尺度則會得到較多、較零碎的圖斑，設置過小則會分出許多不必要地物，增加分類難度[11]。圖2為不同分割尺度對比。

分割尺度為10 分割尺度為50

分割尺度為100 分割尺度為150

在進行石橋鎮(zhèn)的月季提取研究時，分別將分割尺度以10遞進，形狀因子以0.1遞進，緊致度因子以0.1遞進，經多次實驗，發(fā)現(xiàn)設置分割尺度 (Scale parameter)為90，形狀因子(Shape)權重為0.2，緊致度因子(Compactness)權重為0.1時，能夠較為合理地分割目標地物，得到的分割效果較好。圖3為分割結果。

圖3 分割結果

2.2 分類系統(tǒng)的確立

通過前期無人機影像數(shù)據(jù)的獲取和月季種植區(qū)的實地考察，以及影像的目視判斷，確定解譯標志，可以大致將影像中地物分為月季，汽車，道路，地被覆膜，裸土，建筑，樹木7類地物，圖4為典型地物樣本。

研究區(qū)目標地物類別交叉或重疊相對較多，因此采用最近鄰(Nearest Neighbor)法。區(qū)別于其他方法依靠判別類域的方法來確定目標地物的所屬類別，最近鄰(Nearest Neighbor)法根據(jù)周圍鄰近的樣本來確定，所以更靈活有效。然后對這7個類別進行采樣，選取合適的、具有代表性的、一定數(shù)量的樣本。

2.3 圖像分類特征的選擇

研究使用的無人機影像只有紅(red)、綠(green)、藍(blue) 三色的灰度信息，通過對圖像中地物的目視觀察，除了這3個灰度信息特征之外，又在分類特征庫中增加了長寬比(Length/Width)、亮度值(Brightness)、形狀指數(shù)(Shape Index)以及可見光波段差異植被指數(shù)(VDVI)[12]。對于不含有近紅外波段的無人機可見光影像，汪小欽[12]等學者提出通過借鑒NDVI 的原理和形式，用無人機影像中較強的反射特征的綠光波段取代 NDVI 中的近紅外波段，用具備吸收特征紅藍波段之和取代NDVI中的紅光波段，用綠光波段的2倍使其在數(shù)值上與紅藍波段之和相當。通過此可見光3個波段構成可見光波段差異植被指數(shù)VDVI(Visible-band Difference Vegetation Index)，如公式(2)所示

圖4 典型地物樣本

VDVI=(2G-R-B)/(2G+R+B)

(2)

3 分類結果與精度評價

3.1 分類結果

根據(jù)所選的7個類別屬性特征，運用面向對象的方法，對無人機影像進行多尺度分割，然后建立分類特征，綜合利用光譜、形狀、紋理等特征信息，并進行優(yōu)化組合，對分割后的圖像進行分類，并合并同類別對象，共得到798個圖斑，圖5為分類結果。

圖5 分類結果

3.2 分類精度評價

對分類結果進行精度評價和分析是十分必要的，這是檢驗方法手段可行性和準確性的有效方法；同時，還可以從精度評價和分析中獲取相關信息,進一步完善實驗流程。根據(jù)圖5分類結果圖像，采用基于圖像信息綜合評價方法[13-14]，對分類精度進行評價，并進一步分析。

由表1可見，基于無人機遙感月季影像的面向對象方法分類總體精度達到了80.68%，標準差大部分在0.15以下。其中，建筑和地被覆膜分類精度較低，而建筑的目標數(shù)較少，通過目視檢查發(fā)現(xiàn)其分類基本全部對應，即分類精度較高，這與采樣時選取的建筑樣本數(shù)量多有關；地被覆膜的分類精度較低，部分地被覆膜和裸土不能夠有效區(qū)分出來，原因是部分地被覆膜被土覆蓋，被分為裸土。汽車分類精度較高，得益于汽車形狀特征明顯，且本類目標地物相對較少。而月季和樹分類精度較高，分別達到了83.34%和89.96%，獲得了較為滿意的分類效果。

表1 分類精度評價參數(shù)表

3.3 面向對象方法與傳統(tǒng)監(jiān)督分類方法的對比

在ENVI4.7中，將同一幅無人機影像進行基于像元的最大似然法的監(jiān)督分類，選取同樣的7類地物，訓練樣本并分類，其結果如圖6，圖7是基于面向對象的最近鄰分類結果。

通過對比可以發(fā)現(xiàn)，在ENVI軟件中用最大似然法分類比較細碎，“椒鹽”現(xiàn)象明顯，并且月季和樹，道路和地被覆膜沒有區(qū)分出來。這主要是因為月季和樹，道路和地被覆膜的可見光光譜信息差異小，單靠可見光光譜信息區(qū)分難度大；而基于面向對象的方法，先將目標地物運用面向對象的方法進行分割，然后根據(jù)光譜、空間、形狀、紋理等信息優(yōu)化組合，對已經分割好的地物進行分類，彌補了傳統(tǒng)方法的單純依靠光譜信息的不足，取得較好的分類結果，避免了“椒鹽”現(xiàn)象的產生[15,18]。

圖6 最大似然法分類結果

圖7 最近鄰法分類結果

4 結論與討論

本文以南陽市臥龍區(qū)為研究區(qū)域通過無人機獲取月季的高分辨率影像，采用面向對象的方法對獲取的無人機影像進行解譯識別。通過eCognition(易康)軟件以及目視解譯對影像分類結果進行了精度評價與分析，并與傳統(tǒng)的單純依靠光譜信息進行分類的方法進行了對比實驗。結果證明，無人機可以有效獲取月季種植信息；面向對象的方法分類精度高，能夠滿足地物目標分類的要求，極大提高了月季解譯識別的工作效率[16]。本文這種以高空間分辨率無人機遙感影像獲取為基礎，利用面向對象的思想和方法，以目標特征進行月季解譯識別的思路對于高空間分辨率影像的目標地物的解譯與監(jiān)測具有一定的借鑒性和參考性[17]。

此次實驗，探索了無人機獲取月季圖像到識別解譯，再進行精度評價的過程，形成了月季信息提取的一個實用可操作流程，彌補了前人沒有涉及的月季提取研究，總體精度達到80%，為月季提供了無人機可見光遙感提取方案。同時，在下一步研究中應當注意。

1)面向對象方法中，分割是分類的基礎[22-23]，通過反復實驗或定量研究，找出適合月季的分割尺度、形狀因子和緊致度因子，得到較為理想的分割結果，有利于提高分類精度。

2)面向對象分類采用的是光譜信息、空間特征和形狀紋理特征綜合進行分類的，因此月季“同物異譜”現(xiàn)象，以及月季和樹木的“異物同譜”現(xiàn)象仍然會對分類精度有一定影響，盡可能降低這種影響是將來研究的重點。