張彩煜，李明磊，魏大洲，吳伯春，李 正，李 佳

（1.南京航空航天大學(xué) 電子信息工程學(xué)院，江蘇 南京 211106；2.中國(guó)航空無線電電子研究所，上海 200233）

城市土地利用分類是城市規(guī)劃與區(qū)域管理的前提，能為合理規(guī)劃城市功能分區(qū)、促進(jìn)區(qū)域經(jīng)濟(jì)發(fā)展和實(shí)現(xiàn)土地資源可持續(xù)利用提供基礎(chǔ)[1-3]。隨著國(guó)家的快速發(fā)展，城市土地利用類型也在快速轉(zhuǎn)變，因此需對(duì)城市土地利用進(jìn)行更高效的分析和監(jiān)測(cè)。無人機(jī)技術(shù)為城市土地利用分類提供了豐富的數(shù)據(jù)支撐，通過在無人機(jī)上搭載可見光傳感器來獲取城市遙感影像數(shù)據(jù)，具有易操作、成本低、能快速采集研究區(qū)影像、獲取的影像分辨率高等特點(diǎn)。除可見光遙感數(shù)據(jù)外，數(shù)字表面模型（DSM）對(duì)城市土地利用分類也有不可忽視的作用[4-6]。DSM中包含從密集匹配技術(shù)中提取的高程信息，將可見光影像與DSM相結(jié)合，可為構(gòu)建精確的城市三維地圖提供更全面的表示。植被指數(shù)是反映和解釋植被的重要指標(biāo)，廣泛應(yīng)用于城市土地利用分類研究中，Mounir L[7]等提出的綠葉指數(shù)（GLI）是較早使用可見光波段計(jì)算的植被指數(shù)。可見光植被指數(shù)[8-10]的出現(xiàn)為無人機(jī)搭載可見光傳感器進(jìn)行城市土地利用分類中植被的提取提供了重要的理論支持。紋理特征用于描述地物的表面性質(zhì)，廣泛應(yīng)用于各種分類場(chǎng)景，大多紋理特征[11-12]都是基于二維影像定義的，并不能反映真實(shí)的三維世界，Wang X[13]等提出了基于DSM 的共生矩陣，將高度信息融入紋理特征計(jì)算中，可更真實(shí)地反映地物的三維紋理特征，從而提高地物分類精度，但該方法僅利用DSM計(jì)算紋理并未充分發(fā)揮DSM提供高度信息這一作用。鑒于此，本文提出了一種融合DSM特征、三維紋理特征和改進(jìn)型植被指數(shù)的多模態(tài)特征提取技術(shù)，以提高城市土地利用分類精度；并通過實(shí)驗(yàn)證明了多模態(tài)特征的優(yōu)越性。

1 研究區(qū)概況與研究方法

1.1 研究區(qū)概況

本文選取的研究區(qū)為蘇州市街區(qū)（30°32'37.284''E、119°58'13.44''N），包括住宅、公園、道路。利用搭載可見光傳感器的無人機(jī)圍繞研究區(qū)拍攝不同角度的影像，再通過多視圖三維重建技術(shù)生成正射影像作為后續(xù)分類的研究數(shù)據(jù)，同時(shí)生成DSM作為后續(xù)分類的附加特征，并為計(jì)算三維紋理特征提供高度信息。設(shè)置正射影像空間分辨率為0.4 m，既能保證建筑物輪廓，又能使道路上的車輛輪廓模糊從而避免對(duì)后續(xù)分類的影響。為了獲得參考評(píng)價(jià)指標(biāo)，本文通過目視解譯對(duì)該區(qū)域進(jìn)行逐像素標(biāo)注，標(biāo)注結(jié)果見圖1。

圖1 研究區(qū)正射影像、DSM和目視解譯標(biāo)注

1.2 研究方法

基于三維紋理的多模態(tài)特征城市土地利用分類主要包括多視圖三維重建、多模態(tài)特征提取、支持向量機(jī)（SVM）分類和分類后處理4 個(gè)步驟（圖2），多模態(tài)特征通過通道疊加的方式融合DSM特征、三維紋理特征和改進(jìn)型植被指數(shù)。

圖2 基于三維紋理的多模態(tài)特征城市土地利用分類流程圖

1.2.1 基于顏色的植被指數(shù)

本文提出了一種改進(jìn)型綠藍(lán)植被指數(shù)（MGBVI），由綠藍(lán)植被指數(shù)（GBVI）改進(jìn)而來，通過放大綠、藍(lán)反射率之間的差異，更有效地提取無人機(jī)影像中的植被信息，計(jì)算公式為：

1.2.2 三維紋理特征

1）基于DSM 的共生矩陣。傳統(tǒng)的二維紋理不能反映三維世界中物體的真實(shí)情況，因此本文采用一種基于DSM的共生矩陣（DSMB-CM）將二維共生矩陣擴(kuò)展到可見光譜與DSM圖像的三維空間。對(duì)于像素點(diǎn)對(duì)p1、p2，其對(duì)應(yīng)的DSM值分別為h1和h2，點(diǎn)對(duì)之間的水平距離為dp，天頂角的計(jì)算公式為：

點(diǎn)對(duì)之間的天頂角是一個(gè)在[0°,1 80°)范圍內(nèi)的連續(xù)值，為了離散方向，將天頂角劃分為N個(gè)截面，其中第t個(gè)截面的角度范圍為：

共生矩陣大小為L(zhǎng)×L，L為強(qiáng)度水平，由于高計(jì)算量和共生矩陣的高稀疏性不利于后續(xù)計(jì)算，通常將灰度級(jí)降低到16（L為16）。共生矩陣的元素是具有一定距離和方向的像素對(duì)的強(qiáng)度計(jì)數(shù)。Gp(i,j,θ,Sect)表示平面方向?yàn)棣?、垂直方向?yàn)镾ect的像素點(diǎn)p的DSMB-CM，(i,j)表示共生矩陣的第i行第j列，則有：

式 中，I(p)為像素點(diǎn)p的強(qiáng)度；Θ(p1,p2)、Φ(p1,p2)分別表示點(diǎn)對(duì)(p1,p2)之間的水平方向夾角和天頂角；#為滿足條件的點(diǎn)對(duì)的計(jì)數(shù)值。

DSMB-CM 不能直接作為分類特征，類似于Haralick R M[14]等提出的利用灰度共生矩陣從遙感影像中提取紋理特征，同樣地本文利用DSMB-CM 計(jì)算遙感影像的三維紋理特征。在最初提出的14個(gè)紋理特征中，用于遙感影像的主要為均值、方差、同質(zhì)性、對(duì)比度、差異性、熵、二階矩和相關(guān)性。

2）三維紋理特征的降維。與灰度共生矩陣計(jì)算類似，DSMB-CM的計(jì)算中像素對(duì)之間有4種水平相鄰情況，根據(jù)式（3）像素對(duì)之間的天頂角可分為N個(gè)截面，因此對(duì)于每個(gè)像素點(diǎn)所計(jì)算的DSMB-CM 共有4×N×C×8 維特征通道，C為遙感影像通道數(shù)，對(duì)于可見光遙感影像，在計(jì)算DSMB-CM 前通常將其灰度化，即C=1。均值的計(jì)算使特征具有旋轉(zhuǎn)不變性，但有丟失有效信息的風(fēng)險(xiǎn)。平面旋轉(zhuǎn)不變性對(duì)于特征提取很重要，且DSMB-CM 在不同垂直方向上的紋理特征反映了三維表面上的光譜分布，是物體識(shí)別的有效信息?？紤]上述問題，本文計(jì)算4 個(gè)水平方向紋理特征的平均值，同時(shí)保持不同垂直方向的特征，特征通道數(shù)從4×N×C×8 降至N×8。DSMB-CM 所產(chǎn)生的高維特征會(huì)降低分類器的性能。通過計(jì)算相同地物各項(xiàng)特征變異系數(shù)和不同地物間各項(xiàng)特征差異系數(shù)[15]，本文選擇變異系數(shù)小且差異系數(shù)大的特征項(xiàng)對(duì)DSMB-CM進(jìn)行降維處理。其計(jì)算公式為：

式中，D為方差；S為標(biāo)準(zhǔn)差；V為變異系數(shù)；M為樣本均值；Dw為差異系數(shù)；S1、S2為樣本1、2的均值。

1.2.3 SVM分類器

SVM[16-17]作為許多應(yīng)用領(lǐng)域中最強(qiáng)大、最魯棒的分類算法之一，基于統(tǒng)計(jì)學(xué)習(xí)理論，對(duì)于在低維空間中無法分類的樣本，通過映射將其轉(zhuǎn)化到高維空間，在高維空間中尋找最優(yōu)決策超平面，從而產(chǎn)生最優(yōu)的類分離。SVM 直接通過訓(xùn)練數(shù)據(jù)確定決策函數(shù)，使決策邊界之間的間隔在一個(gè)高維空間中最大化。該分類策略最小化訓(xùn)練數(shù)據(jù)的分類誤差，且獲得了更好的泛化能力，與SVM 等分類方法在輸入數(shù)據(jù)數(shù)量較小的情況下存在顯著差異。本文選擇SVM作為分類器。

2 實(shí)驗(yàn)與結(jié)果分析

2.1 評(píng)價(jià)指標(biāo)

本文通過混淆矩陣計(jì)算總體精度（OA）和用戶分類精度（UA）以評(píng)價(jià)城市土地利用分類性能。

式中，pii為第i類地物被分類為第i類地物的像素?cái)?shù)量；pij為第j類地物被分類為第i類地物的像素?cái)?shù)量；k為地物種類，本文中k=4。

2.2 實(shí)驗(yàn)結(jié)果分析

分類的可視化結(jié)果見圖3，可以看出，采用多模態(tài)特征后分類結(jié)果更加準(zhǔn)確；利用目視解譯獲得的標(biāo)注計(jì)算OA，多模態(tài)特征后OA提高了16.5%，達(dá)到93.4%，說明利用多模態(tài)特征進(jìn)行城市土地利用分類具有可靠性。本文將研究區(qū)分為建筑、道路、植被、水體4 種地物類型，分別分析了采用多模態(tài)特征后4種地物的分類效果（圖4），可以看出，采用多模態(tài)特征后4 種地物的錯(cuò)分現(xiàn)象均得到了改善，但改善效果不同，多模態(tài)特征為高度信息最顯著的建筑類地物提供了更真實(shí)的三維特征，包括三維紋理特征和DSM特征，因此建筑類地物的改善效果最明顯，分類結(jié)果與手工標(biāo)注結(jié)果基本一致；由于道路和建筑的高度差異大，采用多模態(tài)特征后道路類地物中誤分為建筑的像素被重新正確分類；多模態(tài)特征也使植被類地物的誤分類現(xiàn)象得到改善，但與手工標(biāo)注結(jié)果仍存在差異；水體類地物高度信息不明顯，且在僅使用正射影像分類時(shí)結(jié)果就已接近真實(shí)情況。4種地物的UA見表1，可以看出，采用多模態(tài)特征后建筑類地物的UA提升最多，達(dá)到39.1%，其次分別是道路、植被、水體，與可視化結(jié)果表現(xiàn)一致。

表1 不同地物類型的UA/%

圖3 蘇州市土地利用分類結(jié)果

圖4 不同地物類型分類的可視化結(jié)果

由于分類結(jié)果中存在許多雜點(diǎn)，因此本文采用主要分析進(jìn)行后處理。主要分析采用類似卷積濾波的方法將較大類別中的虛假像元?dú)w到該類中，定義一個(gè)變換核尺寸，用變換核中占主要地位的像元類別代替中心像元的類別。本文變換核尺寸選擇5×5，所有分類結(jié)果經(jīng)過主要分析后處理的結(jié)果見圖5，OA提高了2.1%，達(dá)93.4%。

圖5 主要分析后處理結(jié)果

2.3 對(duì)比實(shí)驗(yàn)

本文利用DSMB-CM 計(jì)算得到三維紋理特征，為避免添加三維紋理特征時(shí)高維特征對(duì)分類器性能的影響，分別選取建筑、道路、植被、水體4 種地物樣本并計(jì)算相同地物樣本間的變異系數(shù)和不同地物樣本間的差異系數(shù)。變異系數(shù)越小表明該特征越能有效代表該地物類型，差異系數(shù)越大表明越容易通過該特征與其他地物區(qū)分，因此本文選擇滿足變異系數(shù)小于3%、差異系數(shù)大于25%的特征通道；并利用相同方法選擇二維紋理特征和高度紋理特征做對(duì)比實(shí)驗(yàn)，結(jié)果見圖6，當(dāng)多模態(tài)特征中選擇二維紋理特征時(shí)，由于陰影與建筑的二維紋理特征相似，陰影被誤分為建筑，而陰影和建筑的高度差異大，采用三維紋理特征時(shí)該現(xiàn)象得到了改善；當(dāng)多模態(tài)特征中選擇高度紋理特征時(shí)，道路中的車輛易被誤分為建筑，而選擇三維紋理特征時(shí)該現(xiàn)象得到了改善。多模態(tài)特征中選擇正射影像、DSM、二維紋理特征、MGBVI 特征的OA為93.1%，選擇正射影像、DSM、高度紋理特征、MGBVI 特征的OA為91.8%，選擇正射影像、DSM、三維紋理特征、MGBV特征的OA為93.4%，說明三維紋理特征比二維紋理特征和高度紋理特征更能反映真實(shí)三維世界中的物體紋理，因此多模態(tài)特征中選擇三維紋理特征的分類結(jié)果更準(zhǔn)確，進(jìn)行城市土地利用分類時(shí)更可靠。

圖6 多模態(tài)特征中選擇不同紋理特征的分類可視化結(jié)果

為證明多模態(tài)特征中MGBVI的優(yōu)越性，本文將多模態(tài)特征中MGBVI替換為其他可見光植被指數(shù)做對(duì)比實(shí)驗(yàn)，結(jié)果表明，選擇正射影像、DSM、三維紋理特征、GBVI 特征的OA為93.2%，選擇正射影像、DSM、三維紋理特征、GRVI 特征的OA為93.1%，選擇正射影像、DSM、三維紋理特征、GLI特征的OA為93.2%，選擇正射影像、DSM、三維紋理特征、MGBVI 特征的OA為93.4%，采用MGBVI 時(shí)的OA最高，因此在進(jìn)行城市土地利用分類時(shí)也更可靠。

3 結(jié)語

城市土地利用分類研究對(duì)城市的可持續(xù)發(fā)展具有重要意義。城市土地的不合理利用將導(dǎo)致耕地、森林和其他土地等資源的浪費(fèi)，及時(shí)調(diào)查與研究土地利用情況是城市管理中必不可少的部分。為得到更加精確的分類效果，本文提出了基于三維紋理的多模態(tài)特征城市土地利用分類方法。利用搭載可見光傳感器的無人機(jī)獲取研究數(shù)據(jù)，通過融合DSM特征、三維紋理特征和MGBVI的多模態(tài)特征提高城市土地分類精度，并對(duì)蘇州市街區(qū)進(jìn)行了實(shí)驗(yàn)研究。

1）融合DSM特征、三維紋理特征和MGBVI的多模態(tài)特征豐富了遙感數(shù)據(jù)信息，DSM特征反映了不同地物的高度信息；三維紋理特征反映了不同地物的三維表面信息，比二維紋理特征更真實(shí)；MGBVI反映了植被與非植被之間的差異。通過通道疊加，各特征都能充分發(fā)揮其自身優(yōu)勢(shì)且沒有信息損失，從而提高了城市土地利用分類精度。

2）通過添加多模態(tài)特征提升城市土地利用分類精度，不同地物的提升效果不同。建筑類地物分類的提升效果最佳，其次是道路、植被、水體。隨著城市的發(fā)展，城市土地利用變化往往發(fā)生在建筑與道路兩種地物之間。