崔華偉,唐 權(quán)

(1.南京市測繪勘察研究院股份有限公司,江蘇 南京 210019;2.江蘇省測繪研究所,江蘇 南京 210013)

0 引 言

無人機技術(shù)及衛(wèi)星技術(shù),以及機載傳感器技術(shù)的發(fā)展,使得高分辨率遙感影像的可獲得性得到極大提高[1]。在此基礎(chǔ)上,利用高分辨率遙感影像進(jìn)行地物的自動提取及分類開始逐漸從理論走向?qū)嵱?。學(xué)者利用遙感及無人機高分辨率影像,進(jìn)行了道路提取的研究及應(yīng)用工作,得到了較好的研究成果[2]。例如,利用已有的網(wǎng)絡(luò)數(shù)據(jù)來對遙感數(shù)據(jù)加強,取得了精度更好的道路提取結(jié)果[3]。也有學(xué)者利用面向?qū)ο蠹懊嫦蛳袼亟Y(jié)合的方法,用以提高道路中心線的提取結(jié)果[4]。近年來隨著人工智能技術(shù)的發(fā)展,張新長等利用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行道路提取的前沿性研究,在神經(jīng)網(wǎng)絡(luò)在道路提取的適用性上取得了研究進(jìn)展[5]。

鄉(xiāng)村道路的提取,是土地利用調(diào)查工作中的一項重要工作,通常的做法是基于測繪內(nèi)業(yè)人員的目視解譯,然而這種方式費時費力,且解譯結(jié)果帶有工作人員的主觀性。此外,鄉(xiāng)村中存在大量不可滲透面的廣場,這類廣場通常是居民建筑的曬谷子的場地,也有較多的裸地,主要是用于建設(shè)的前期準(zhǔn)備用地。上述這些地物,會和鄉(xiāng)村道路形成混淆。自動提取技術(shù)可以有效解決同譜異物問題,本文充分利用道路在面向?qū)ο笾械膸缀翁卣鞯膮^(qū)別,例如長寬比、緊致度等,用來解決道路和這些同譜異物的混淆,從而提高鄉(xiāng)村道路的提取精度。

1 研究區(qū)及數(shù)據(jù)

本文研究區(qū)域如圖1所示。研究區(qū)位于南京市江寧區(qū),拍攝時間是2020年6月11日。從圖1中可以看到,本次實驗圖取自一幅完整的無人機影像,選取具有典型特征的樣區(qū)范圍。鄉(xiāng)村道路位于植被濃密的樹木之中,還包含了一大塊空曠的不可滲透面及未利用地,從而形成了道路自動提取的混淆。

圖1 研究區(qū)示意圖

本次數(shù)據(jù)是由無人機采集而成。無人機采用飛馬V100智能航測系統(tǒng)執(zhí)行,該系統(tǒng)由飛行平臺、低空數(shù)字航攝儀、控制系統(tǒng)三大部分組成。無人機機載的航測模塊是V-CAM100,由SONY提供,傳感器是35.9×24 mm全畫幅。數(shù)據(jù)的空間分辨率是0.08 m。

2 原理與方法

2.1 總體流程

方法的總體流程如圖2所示。首先,獲得無人機遙感影像,對其進(jìn)行多尺度分割,分割的方法采用的是eCognition軟件自帶的多尺度分割(Multiresolution Segmentation),該分割方法已經(jīng)得到市場和研究者的認(rèn)可,是一個普適性較強的分割方法。得到分割結(jié)果后,進(jìn)行光譜特征計算及幾何特征計算,得到量化后的光譜特征及幾何特征,并將這些特征進(jìn)行平均權(quán)重組合,從而形成幾何特征增強的光譜特征。最后,使用最近鄰分類對量化特征進(jìn)行分類,從而提取得到道路和非道路,進(jìn)行精度驗證及結(jié)果輸出。

圖2 方法流程圖

2.2 多尺度分割原理

本文使用的多尺度分割技術(shù)原理來自相關(guān)文獻(xiàn)[6],該分割原理應(yīng)用廣泛,已經(jīng)在道路識別領(lǐng)域得到廣泛應(yīng)用[7-9]。本次實驗所采用的軟件為eCognition,其分割方法的原理也是來自相關(guān)文獻(xiàn)[6]。

本文分割方法的原理示意如圖3所示。其采用的是一種自底向上的區(qū)域合并技術(shù),該方法從單個像元開始,通過合并異質(zhì)性增量最小的相鄰像元,實現(xiàn)分割對象的不斷增長,而當(dāng)異質(zhì)性增量最小值超過給定閾值則區(qū)域增長停止。

圖3 多尺度分割原理示意圖

在多尺度分割中,其評判異質(zhì)性特征主要包含光譜異質(zhì)性和形狀異質(zhì)性,異質(zhì)性的公式原理如公式1所示。

f=fcolor·wcolor+fshape·wshape

(1)

式中,f表示總體異質(zhì)性,fcolor表示光譜異質(zhì)性,wcolor表示光譜異質(zhì)性在總體異質(zhì)性的權(quán)重;fshape表示形狀異質(zhì)性,wshape表示形狀異質(zhì)性在總體異質(zhì)性的權(quán)重。光譜信息和幾何信息的結(jié)合,是采用如公式(1)所示的權(quán)重累加方式。在實際的運行中,通常將wcolor權(quán)重值設(shè)定為0.8,而將wshape權(quán)重值設(shè)置為0.2。而對于fcolor光譜異質(zhì)性的計算,其公式如式(2)所示,fshape形狀異質(zhì)性的公式如式(3)所示。

(2)

fshape=wcompt·fcompt+wsmooth·fsmooth

(3)

在公式(2)中,c表示光譜波段,通常為RGB 3個波段;wc表示波段權(quán)值,在此設(shè)置為1;nmerge表示合并后對象內(nèi)像元的數(shù)量;σc,merge表示合并后c波段的均方差;nobj_1和nobj_2分別表示對象1和對象2中的像元數(shù)量;σc,obj_1和σc,obj_1分別表示c波段對1和對象2的均方差。在公式(3)中,wcompt表示緊致度的權(quán)重,通常設(shè)置為0.5;wsmooth表示光滑度的權(quán)重,通常也設(shè)置為0.5;fcompt和fsmooth分別表示緊致度和光滑度的計算公式,其更為具體的計算公式可以參見相關(guān)文獻(xiàn)[6]所述,在此不再贅述。

2.3 幾何特征增強

幾何特征增強是指圖3中的分割—特征計算—特征結(jié)合這3個步驟的組合。此次分割的參數(shù)設(shè)定為60,較為適合本文的0.08 m分辨率的鄉(xiāng)村遙感影像。其分割的結(jié)果示意如圖4所示。從圖4b是局部放大圖,可以看到,道路部分具有狹長的幾何特征,這為利用幾何特征信息來區(qū)分其他不可滲透面及裸地提供了分類依據(jù)。

圖4 多尺度分割示意圖(a圖為全圖,b圖為局部放大圖)

圖5是特征計算的結(jié)果,綠色表示高值,藍(lán)色表示低值。其中圖5a為光譜特征,從圖中可以看到,圖中道路和不可滲透面都具有明顯的綠值(高值),其他區(qū)域呈現(xiàn)顯著的藍(lán)值(低值);圖5b是長寬比特征,可以看出,道路部分呈現(xiàn)出顯著的高值,但是圖的下方也存在一部分高值區(qū)域;圖5c是緊湊度特征,道路部分呈現(xiàn)出顯著的低值,而形狀較為規(guī)整的部分則呈現(xiàn)出高值。基于上述3個量化特征,將其進(jìn)行平均加權(quán),從而為后續(xù)的最近鄰分類提供量化特征。

圖5 特征示意圖(a圖為光譜特征,b圖為長寬比特征,c圖為緊湊度特征)

3 實驗結(jié)果及分析

對本文方法進(jìn)行實驗驗證,得到的結(jié)果如圖6所示,黃色區(qū)域表示提取的道路。總體而言,本文方法總體具有較好的提取精度,但在局部一些位置上未能很好地實現(xiàn)道路提取。本文使用的是標(biāo)準(zhǔn)模板對比法來進(jìn)行精度測試,即通過人工數(shù)字矢量化后得到參考的正確數(shù)據(jù),并和提取后的結(jié)果進(jìn)行差值對比,最后得到的本文方法的道路提取精度是92.8%,有效去除了不可滲透面及裸地的同譜異物的干擾,具有較好的實用性。然而,如圖6的紅框標(biāo)注范圍內(nèi),一些植被覆蓋濃密的地區(qū),由于遮擋,該部分的道路并未得到很好的提取,這說明僅僅依靠面向?qū)ο蠓椒ㄒ约肮庾V特征,并不能把遮擋的真實的道路完整提取。遮擋的部分無法提供道路的光譜數(shù)據(jù),導(dǎo)致對于這部分?jǐn)?shù)據(jù)提取無效,進(jìn)而導(dǎo)致提取斷連。

圖6 實驗結(jié)果示意圖

鄉(xiāng)村遙感影像中存在較多的不可滲透面及裸地,這為自動提取道路帶來了同譜異物的干擾問題。本文基于面向?qū)ο蟮匚锾崛》椒ǖ幕驹?利用鄉(xiāng)村道路的分割對象具有顯著的幾何特征(長寬比、緊致度等),用以對其他不可滲透面及裸地進(jìn)行有效區(qū)分,使得鄉(xiāng)村道路自動提取的精度提高。總體上,通過對目視解譯后的量化對比,本文方法的道路提取精度較高,有效去除了不可滲透面及裸地的同譜異物的干擾,具有較好的實用性,但本文方法同樣也具有局限性,主要是無法完整提取被遮擋道路。

4 結(jié) 語

通過南京市江寧區(qū)某鄉(xiāng)村的無人機影像進(jìn)行提取實驗,本文方法具有較好的識別精度,準(zhǔn)確率為92.8%,具有較好的實用性。同時,我們也從結(jié)果中看到,在植被覆蓋濃密的區(qū)域,道路在視覺上具有斷連,本文方法也未能夠有效保證連續(xù)性。后續(xù),將在道路識別的連續(xù)性上進(jìn)一步完善。