徐隆鑫，孫永華，吳文歡，鄒 凱，何仕俊，趙元銘，葉 淼，張曉涵

1.遙感信息與圖像分析技術(shù)國家級重點實驗室，核工業(yè)北京地質(zhì)研究院，北京 100029 2.水資源安全北京實驗室，北京 100048 3.教育部三維信息獲取與應(yīng)用重點實驗室，北京 100048 4.城市環(huán)境過程與數(shù)字模擬國家重點實驗室培育基地，北京 100048

引 言

隨著我國城市化進程的進一步加快，城市中的建筑垃圾也在持續(xù)增多，而建筑垃圾大多體積大、重量大，隨意堆放、填埋將會侵占大量土地，同時也嚴(yán)重危害了公共安全[1]。當(dāng)下建筑垃圾的分類回收主要是借助人工手段，不僅工作量大、成本高而且還極易出現(xiàn)建筑垃圾錯誤分類的現(xiàn)象，造成更加廣泛的環(huán)境破壞。

無人機遙感相較于衛(wèi)星遙感可以更為輕松地獲取厘米級甚至更高分辨率的遙感影像，不存在高空間分辨率和時間分辨率的矛盾[2]，并且具有操作靈活、性價比高等突出優(yōu)勢，已被廣泛應(yīng)用于水源地污染源監(jiān)測[3]、農(nóng)作物葉片氮素含量反演、森林冠層識別[4-5]、土壤水分檢測、植被、農(nóng)田[6-7]的自動化分類識別等多種領(lǐng)域。近些年來，國內(nèi)外不少學(xué)者借助高光譜成像技術(shù)，利用光譜角填圖(SAM)、Fisher判別分析以及機器學(xué)習(xí)等方法建立模型，對紙制品、木制品[8]、塑料[9]、混凝土、磚瓦/屋頂瓦、地磚/墻磚[10]等多種垃圾進行分類識別，取得了很好的效果。高光譜遙感圖像中每個像素均含有上百個不同波段的光譜反射信息，利用無人機搭載高光譜成像儀獲取高光譜遙感影像，降低了作業(yè)成本的同時還可以快速、實時地捕獲地物細(xì)微的空間特征和光譜特征[11]。因此，利用無人機高光譜遙感技術(shù)來實現(xiàn)建筑垃圾的分類回收，不僅可以充分考慮到不同類型建筑垃圾的光譜特征差異性，提高分類識別的準(zhǔn)確性，還節(jié)省了人力物力，彌補了傳統(tǒng)方法的不足。

本研究利用無人機搭載GaiaSky-mini 2高光譜成像儀獲取研究區(qū)高光譜遙感影像，分析各類地物的二維光譜曲線，找出各類地物之間的光譜特征差異，選取特征波段，利用決策樹分類法分別建立背景地物分離模型和建筑垃圾識別分類模型，驗證無人機高光譜在建筑垃圾分類與識別領(lǐng)域的科學(xué)性與實用性。

1 實驗部分

1.1 研究區(qū)概況

研究區(qū)位于中國遼寧省盤錦市大洼區(qū)二界溝鎮(zhèn)西大井村北部1 km處，該區(qū)位于遼東灣半島北部，瀕臨渤海，四季分明、溫度適宜、光照充裕，屬于暖溫帶大陸性半濕潤季風(fēng)氣候區(qū)。研究區(qū)內(nèi)包含水體、植被、裸土、白色塑料、防塵布、地基渣土和瓦礫砂石等多種類型地物，能提供實驗樣品需求。研究區(qū)影像如圖1所示。

圖1 研究區(qū)影像

1.2 數(shù)據(jù)獲取與處理

本研究使用大疆經(jīng)緯M600Pro無人機獲取研究區(qū)數(shù)據(jù)影像。經(jīng)緯M600 Pro可以實現(xiàn)超長續(xù)航，其標(biāo)配的Lightbridge 2高清數(shù)字圖傳系統(tǒng)，可以提供最大5KM的遠(yuǎn)距離、低延時高清實時影像與控制信號傳輸能力。無人機平臺搭載的GaiaSky-mini 2推掃式機載高光譜成像儀，擁有176個光譜通道，光譜范圍為400～1 000 nm, 光譜分辨率為3.5 nm，系統(tǒng)內(nèi)置掃描系統(tǒng)和增穩(wěn)系統(tǒng)，大大減少飛行過程中由于無人機機身震動造成的圖像質(zhì)量差的問題。并且在圖像采集的過程中，GaiaSky-mini 2可以同時實現(xiàn)自動曝光和自動匹配掃描的速度。

試驗于2019年9月27日進行，實驗時天氣晴朗、無風(fēng)。無人機航高設(shè)定為200 m，航線固定，航速設(shè)定為12.8 m·s-1；采用推掃模式采集數(shù)據(jù)，獲取的無人機高光譜影像的空間分辨率為0.079 m。搭載的高光譜相機具體技術(shù)參數(shù)見表1。

表1 高光譜相機技術(shù)參數(shù)

數(shù)據(jù)采集過程中，由于受到傳感器自身姿態(tài)角、大氣折射和地球曲率等因素的影響，會使得影像發(fā)生一定程度的幾何畸變。數(shù)據(jù)處理過程中利用野外試驗時選取的無遮擋、具有明顯特征的地面控制點數(shù)據(jù)對無人機遙感影像的幾何畸變進行數(shù)學(xué)模擬完成幾何校正。根據(jù)像控點布設(shè)原則，選擇道路中間路沿石、池塘拐角以及人工布設(shè)的標(biāo)志物等共5個像控點，其中人工布設(shè)的標(biāo)志物處用紅色噴漆噴成十字交叉型，像控點坐標(biāo)使用千尋星矩SR1智能網(wǎng)絡(luò)RTK接收機測量。飛行過程中，航線兩端由于無人機自身抖動，云臺未能及時補償運動誤差會造成影像的扭曲變形，因此需要對影像進行裁剪，消除影像扭曲對試驗的影響。

利用SpecView軟件平臺針對高光譜影像進行輻射校正，用來消除數(shù)據(jù)獲取和傳輸過程中產(chǎn)生的系統(tǒng)的、隨機的輻射失真或者畸變[12]。

首先進行反射率校正，將遙感影像的DN值(digital number)轉(zhuǎn)化為反射率值(reflectance)，反射率校正的公式如式(1)

(1)

式(1)中，Rref是反射率校正后的圖像反射率值，DNraw是原始影像的DN值，DNdark是相機測量時產(chǎn)生的內(nèi)部系統(tǒng)誤差，DNwhite為相機所測的白板數(shù)據(jù)。

其次，考慮到試驗過程中，高光譜成像儀是在無人機飛到一定高度后獲取的影像數(shù)據(jù)，因此可能會受到大氣、水汽等因素的影響。為了消除這些因素產(chǎn)生的影響，實驗開始之前，在拍攝區(qū)域放置一塊經(jīng)過國家計量院標(biāo)定過的反射率為20%、面積為1 m×1 m的灰布，在高光譜成像儀獲取影像時，只需要保證其中一景影像覆蓋到灰布即可。大氣校正的公式如式(2)

(2)

式(2)中，Rfixed是消除水汽或大氣等因素之后的圖像光譜反射率，Rref是經(jīng)過反射率校正后的圖像反射率，Rstandard是經(jīng)過國家計量院標(biāo)定的灰布的光譜反射率，Rgrayref是經(jīng)過反射率校正后圖像中的灰布反射率。

1.3 方法

1.3.1 識別分類方案

將研究區(qū)內(nèi)地物分為背景地物和建筑垃圾兩大類，其中背景地物包括植被、水體、裸土和柏油路等共6類，建筑垃圾包括白色塑料、防塵布、地基渣土和瓦礫砂石共4類，具體信息見表2。

表2 研究區(qū)地物類型

決策樹分類法是基于樹結(jié)構(gòu)原則，按照一定的分類原則將原始數(shù)據(jù)分為特征更為均質(zhì)的子集，屬于多元統(tǒng)計分類法的一種。這些子集在數(shù)據(jù)結(jié)構(gòu)中稱為節(jié)點, 其基本思想是利用一組自變量來預(yù)測每個樣本最可能對應(yīng)的類型即因變量[13]?；诟黝惐尘暗匚锖徒ㄖ墓庾V曲線，尋找特征波段，并利用決策樹分類法進行波段運算，對無人機高光譜遙感影像進行背景地物的分離和建筑垃圾的識別提取。

1.3.2 背景地物分離

研究區(qū)內(nèi)背景地物主要包含蘆葦、蒿子、水體、陰影、裸土和柏油路，為了消除背景地物對建筑垃圾識別提取產(chǎn)生的影響，需要將背景地物分離。針對6種背景地物，分別選取樣本點(其中蘆葦、水體、裸土和柏油路分別選取50個，蒿子和陰影分別選取30個)，統(tǒng)計并提取樣本點光譜信息，制作各類背景地物的光譜曲線，如圖2所示。

基于各類背景地物的光譜曲線，分析不同背景地物的光譜特征差異，選擇特征波段。研究區(qū)內(nèi)無效區(qū)域是由于對無人機影像進行幾何校正導(dǎo)致圖像位置變化，而顯示結(jié)果仍然以矩形范圍顯示產(chǎn)生的“黑邊”，反射率為零；分別選取紅光波段721 nm、綠光波段551 nm和藍(lán)光波段485 nm，利用三波段和為0將無效區(qū)域分離。構(gòu)造歸一化植被指數(shù)(NDVI)，當(dāng)NDVI大于等于0.2時首先將植被分離出去；在554～587 nm區(qū)間內(nèi)，蘆葦?shù)墓庾V反射率逐漸降低，蒿子的光譜反射率卻逐漸升高，因此通過波段比值法可以將植被進一步細(xì)分。水體和陰影的光譜反射率整體較低，光譜曲線變化較為平緩，二者的光譜曲線在947 nm處同時處在波峰位置，此時的光譜反射率值明顯低于其他類型背景地物，因此利用單波段閾值法將水體和陰影從影像中分離出來；構(gòu)造歸一化水體指數(shù)(NDWI)，當(dāng)NDWI大于0.5時提取水體；裸土和柏油路的光譜反射率從672 nm處開始快速下降，并且在537～648 nm之間同時存在反射峰和谷, 這是其他類型背景地物不具備的光譜特征，首先利用單波段閾值法和波段比值法將二者分離出來；對比分析二者光譜曲線，發(fā)現(xiàn)裸土和柏油路在534～577 nm之間的曲線斜率存在差異，因此通過波段比值法進行細(xì)分。分離背景地物所構(gòu)造的決策樹如圖3所示。

圖2 各類背景地物光譜曲線

1.3.3 建筑垃圾識別提取

研究區(qū)內(nèi)的建筑垃圾主要包括防塵布、地基渣土、瓦礫砂石、白色塑料，針對4種建筑垃圾分別選取30個樣本點，提取各類型建筑垃圾的光譜信息，制作光譜曲線，如圖4所示。

由圖4可知，4種建筑垃圾的光譜特征差異較為明顯，其中白色塑料的光譜曲線在433 nm處的光譜反射率值遠(yuǎn)遠(yuǎn)高于其他類別建筑垃圾，因此可以利用單波段閾值法提取白色塑料。防塵布在534～574 nm區(qū)間內(nèi)的光譜反射率開始降低，明顯區(qū)別與其他類型建筑垃圾，因此利用波段比值法提取防塵布。地基渣土和瓦礫砂石的光譜曲線在407 nm處為波谷，對應(yīng)的光譜反射率值也分屬于不同區(qū)間，因此利用單波段閾值法分別提取地基渣土和瓦礫砂石。識別提取建筑垃圾構(gòu)造的決策樹如圖5所示。

2 結(jié)果與討論

2.1 背景地物分離結(jié)果

根據(jù)建立的背景地物分離決策樹，對背景地物進行分離，分離結(jié)果如圖6所示，圖中每種背景地物的分類結(jié)果以不同顏色進行顯示，并將建筑垃圾和其他未參與分類的地物用黃色區(qū)別顯示；單從分離結(jié)果圖來看，各類背景地物之間能夠很好的區(qū)分出來，整體分離效果較好，但水體和陰影、柏油路和裸土之間仍存在少數(shù)錯分現(xiàn)象。

圖3 背景地物分離決策樹

圖4 各類建筑垃圾光譜曲線

圖5 建筑垃圾識別決策樹

圖6 背景地物分離結(jié)果

2.2 建筑垃圾識別結(jié)果

根據(jù)建立的建筑垃圾識別決策樹，對4種建筑垃圾進行識別提取，結(jié)果如圖7所示，圖中將4種建筑垃圾的分類結(jié)果以不同的顏色進行放大顯示；單從分類結(jié)果圖來看，4種建筑垃圾均被成功識別，其中防塵布、瓦礫砂石和白色塑料的識別結(jié)果較好，但地基渣土仍存在著部分漏分現(xiàn)象。

2.3 分類結(jié)果精度評價

針對6種背景地物和4種建筑垃圾，基于影像像元分別選取20個驗證樣本點，建立混淆矩陣，對分類結(jié)果的精度進行定量評價。建立的混淆矩陣如表3所示。

由表3可知，對背景地物進行分離時，6種背景地物的生產(chǎn)者精度均達(dá)到80%及以上，蘆葦、蒿子、水體和柏油路的用戶精度均達(dá)到95%及以上，6種背景地物均可以很好地被分離出來；由表3和圖6可以看出，對背景地巷進行分離時，仍存在部分驗證樣本點被錯分的現(xiàn)象：對于水體，選取的20個驗證樣本點中，有4個點被錯分為陰影，這是由于養(yǎng)殖池塘部分近岸水體被蒿子的陰影覆蓋，并且水體和陰影的光譜反射率均較低易產(chǎn)生錯分所導(dǎo)致的；對于蒿子，由于本次試驗是在9月份進行，此時蒿子進入花期和果期的交替期，部分蒿子莖基部及下部的葉片脫落提前進入果期，植株整體的光譜反射率發(fā)生變化，并且蒿子為一年生草本植被屬于灌木的一種，較為貼近地面，因此導(dǎo)致選取的20個驗證樣本點，有3個點被錯分為裸土；對于柏油路，選取的20個驗證樣本點，有一個點被錯分為裸土，分析是由柏油路表面部分區(qū)域被裸土覆蓋導(dǎo)致的。

針對4種建筑垃圾的識別，生產(chǎn)者精度都在90%以上，對于防塵布，選取的20個驗證樣本點中，有1個點被錯分為瓦礫砂石，分析是由于防塵布部分表面粘帶有碎瓦礫導(dǎo)致的。防塵布、地基渣土和瓦礫砂石三種建筑垃圾的用戶精度均在90%以上，而白色塑料的用戶精度為75%，分析是由于白布與白色塑料的光譜反射率較為接近，使得決策樹分類器自動將位于白布上的像元驗證點錯分為白色塑料，導(dǎo)致白色塑料的分類用戶精度相對較低。

3 結(jié) 論

基于獲取的研究區(qū)無人機高光譜遙感影像，分別提取研究區(qū)內(nèi)6種背景地物和4種建筑垃圾的光譜信息，制作光譜曲線，根據(jù)不同類型地物之間的光譜曲線差異，確定特征波段，采用決策樹分類法分別建立背景地物分離決策樹和建筑垃圾識別決策樹，能夠很好的分離研究區(qū)內(nèi)6種背景地物和精確識別4種不同類型建筑垃圾，但在無人機高光譜數(shù)據(jù)采集過程中，仍存在部分問題尚未得到解決：由于研究區(qū)內(nèi)復(fù)雜的環(huán)境，以及影像采集過程中，太陽入射角度、儀器觀測角度等眾多因素都會對地物反射率產(chǎn)生影響，可能會導(dǎo)致同物異譜、異物同譜等現(xiàn)象發(fā)生，必然會對影像的分類精度造成影響。針對特征波段選取問題，后續(xù)研究中將采用諸如一階微分、二階微分法等方法對不同建筑垃圾的原始光譜進行運算，在一定程度上放大原始光譜反射率曲線的變化速率、強度以及吸收特性等光譜特征，便于快速、準(zhǔn)確地選擇出最佳特征波段，提高決策樹模型的效率和精度，為未來精確、快速和高效完成建筑垃圾的分類回收提供一定的技術(shù)支持。

圖7 建筑垃圾識別結(jié)果

表3 建筑垃圾分類結(jié)果混淆矩陣