面向對象的多尺度無人機影像土地利用信息提取

何少林，徐京華，張帥毅

(西南交通大學地理信息工程中心，成都 610031)

0 引言

隨著遙感技術的發展，尤其是影像數據源的豐富和影像處理水平的提高，遙感技術的應用越來越廣泛。運用無人機遙感低空飛行，可以彌補以衛星、大飛機等為平臺的航天航空攝影在多云霧地區難以獲取遙感數據的缺陷，獲取較之于低分辨率影像含有更豐富的空間信息、更明顯的地物幾何特征和紋理信息的高分辨率遙感影像，從而更容易地獲取地物類別屬性信息［1］，更好地實現對土地利用信息的可視化。但是由于傳統基于像元的影像分類方法難以區分影像中存在的“同物異譜”及“同譜異物”現象［2］，導致分類精度不高，使得高分辨率遙感影像在土地利用中的效率不高。為了克服傳統技術的缺點，Baatz M和Schape A根據高分辨率遙感影像的特點，提出了面向對象的遙感影像分類方法［3］。但是面向對象單一尺度分割分類容易產生“過分割”和“欠分割”問題［4］。針對這一問題，結合高分辨率無人機影像相對于衛星影像能提供更多的形狀、紋理以及地表信息的優勢，本文利用面向對象的多尺度分割分類方法對無人機影像的土地利用分類技術進行了研究。

1 實驗區選擇及研究方法

以具有代表性的四川省德陽市某村莊為實驗區。無人機高分辨率影像獲取的時間為2009年6月，影像分辨率為0．2 m，選用的數據大小為4 918像元×3 741像元。無人機原始影像是真彩色影像(圖1)，包括紅、綠、藍3個波段。從中可以看出，影像中土地利用類型有居民地、道路、耕地、林地、水體等，其中耕地有覆蓋農作物耕地、覆蓋薄膜耕地和裸土耕地3種情況，水體包括池塘、水田和小溪。

圖1 無人機影像Fig．1 UAV image

首先，對原始無人機影像進行預處理。采用POS數據校正無人機飛行時姿態不穩定及相機鏡頭畸變的影響，主要包括畸變差校正、空中三角測量及正射影像生成;然后，選取合適的分割參數對實驗區進行多尺度分割，在各自最優分割尺度上依據地物特征提取規則，對土地利用信息進行提取和分類。本文實驗流程如圖2所示。

圖2 實驗流程Fig．2 Study flowchart

2 實驗數據處理

2．1 最優分割尺度選擇

遙感影像數據是對依賴于尺度的地表空間格局與過程的特征反映［4］，每一個地理實體都有其固有的空間屬性和分布特征，因此，觀測、分析和解釋不同地理現象的規律，提取不同的地理實體都需要在不同尺度的影像數據中進行。影像多尺度分割是通過設定不同的對象異質性最小的閾值即尺度，生產一系列分割分類層次體系，針對不同類別的對象單元進行統計分析，找出不同土地利用類型提取相應的最優尺度影像對象層。

對于某一種確定的土地利用類型，最優分割尺度使分割后的多邊形能將這種土地利用類型的邊界顯示清楚，并且能用一個或幾個對象將其表示出來，分割之后的影像對象的內部異質性盡可能小，而不同類別影像對象間的異質性盡可能大［5］。當影像中純對象增多時，與相鄰對象之間的光譜異質性增大，整幅影像中所有對象的亮度均值標準差增大;相反，當影像中混合對象增多時，與相鄰對象之間的光譜異質性降低，整幅影像中所有對象的亮度均值標準差變小。經多次試驗，最優分割的參考值發生在亮度均值標準差的峰值［6］。為獲取不同土地利用類型的最優分割尺度，本研究進行了影像分割尺度實驗。當分割尺度小于100時，存在大量過度分割，結果相當破碎;當分割尺度大于350時，出現大量的混合對象。因此，分割尺度范圍設為100～350之間，每隔5進行一次分割并計算亮度均值標準差(圖3)。影像的3個通道權重值都設為1，顏色權重值為0．5，形狀權重值為0．5，其中形狀因子中緊湊度權重為 0．6，光滑度權重為 0．4。

圖3 影像對象亮度均值標準差隨分割尺度變化情況Fig．3 Standard deviation of image objects brightness mean with an increasing scale parameter

由圖 3 得出:130，190，230，240，250，260，275，305，315，330為10個分割尺度最優參考位置，并依次進行分割處理，經目視選擇，針對居民地、道路、農作物耕地、覆蓋薄膜耕地、裸土耕地、林地和水體(包括池塘、水田和小溪)7種土地利用類型，分別選取了130，230，240，305，315，330 共 6 個尺度，建立多尺度分割分類層次表(表1)。利用多層分割尺度對土地利用類型進行分類，能夠實現各地類在各自最優分割層上被提取，最終按照一系列的分類規則重新聚類，得到較好的分類結果［7］。

表1 多尺度分割分類層次Tab．1 Classification levels based on multi－scale segmentation

2．2 不同尺度分割層土地利用類型提取與分類

適宜分割尺度的選擇能使影像對象與實際地物斑塊形狀大小基本一致。在各自土地利用類型最優的尺度分割層上，分析影像對象的特征信息，包括光譜、紋理、形狀、空間分布等，依據影像對象的特征信息差異，建立土地利用特征提取規則，在各自的最優尺度分割層上提取地物，并進行分類，結果如圖4所示。

圖4 不同尺度分割層提取相應土地利用類型Fig．4 Corresponding land use type extraction of different scales segmentation layer

2．2．1 在Level1層提取覆蓋薄膜耕地

影像中覆蓋薄膜耕地、道路和居民地呈亮白色，因此可以通過亮度均值特征A來區分其他類型地物，即

式中:e為影像對象的邊界長度;S為影像對象的面積。最后，為了把居民地的建筑區分出來，可根據灰度差分矢量方法(GLDV)［8］，計算與相鄰像素絕對差異的發生概率。GLDV均值特征C的計算公式為［8］

式中:Vk為影像對象層灰度共生矩陣(GLCM)的對角線值之和;N是行或者列的個數。為了在Level1上提取有覆蓋薄膜耕地，根據上述A，B，C這3個特征值定義出分類規則1為:A＞127，B＜3．3且C＞5．7。

2．2．2 在Level2層提取道路和水田

首先將Level1分割層提取有覆蓋薄膜耕地同步［9］到Level2分割層上，這樣只需在剩下未分類的地物中提取道路和水田。為提取道路需要用到亮度均值特征A和形狀指數B，但是運用這2個特征后，還有少量居民地也會被提取，為區分它們，建立相鄰暗對象個數特征D。D用于統計相鄰對象比自己亮度均值低的個數。由于道路狹長，相鄰對象個數多，且多數比自己亮度均值低，所以相鄰暗對象個數特征D較大。根據上述A，B，D這3個特征值定義提取道路的分類規則2為:A＞127，B＞3．3且D≥5。

然后在剩下未分類對象里提取水田，首先利用藍波段均值特征將其范圍確定下來，通過觀察發現水田藍波段均值比,大，因此自定義特征E，即

據此定義提取水田的分類規則3為:91＜B＜96且E＞0。

2．2．3 在Level3層提取林地和池塘

同樣先將Level2分割層上已經提取分類好的地物類型同步到Level3分割層上，只需在剩下未分類的地物中提取林地和池塘。利用綠波段均值特征在范圍［41，77］內將林地和池塘全部提取進來;然后定義分類規則4，即62＜A＜66并且E＞0，把池塘提出來;剩下的林地中有少量的有作物耕地，通過定義分類規則5，即A＞70，把少量有作物耕地提出來并將其刪除。

2．2．4 在Level4層提取農作物耕地和裸土耕地

為提取農作物耕地和裸土耕地，需要自定義特征F和G，即

定義特征F和G是考慮到農作物耕地和裸土耕地在紅、綠波段均值的差別較大，用于區分這2種地類。具體提取步驟是:首先將Level3分割層上已經提取分類好的地物類型同步到Level4分割層上;再針對剩下未分類的地物定義分類規則6，即70＜A＜127，同時提取出的農作物耕地和裸土;然后定義分類規則7，即F≥9，將有農作物耕地提取出來;最后定義分類規則8，即G＞0且F＜0，將裸土耕地提取出來。

2．2．5 在Level5層提取居民地

居民地主要包括房屋建筑和少量房屋周圍活動場地。經觀察發現實驗區居民地房屋建筑有藍色屋頂和暗屋頂2種。對于藍色屋頂，考慮到藍波段反射率大，故首先利用藍波段進行提取;對于暗屋頂，觀察發現其紅波段均值和藍波段均值比綠波段均值大，因此可通過自定義特征F將其提取出。而對于房屋周圍一些活動場地，在影像上呈亮白色，藍波段反射大，同樣利用藍波段進行提取。具體提取步驟是:首先將Level4分割層上已經提取分類好的地物類型同步到Level5分割層上，針對剩下未分類的地物定義分類規則9，即藍波段均值＞158，將藍色屋頂和房屋周圍一些活動場地提取出來;然后定義分類規則 10，即 74＜A＜159且F＜－5，將暗屋頂提取出來。

2．2．6 在Level6層提取小溪

Level6分割層上影像對象較多，分割形成的小溪對象較適宜，與小溪形狀一致，因此在本分割層提取小溪。首先將Level5分割層上已經提取分類好的地物類型同步到Level6分割層上，其次針對剩下未分類的地物定義分類規則11，即E＞14，將小溪提取出來。

2．3 制作土地利用專題圖

將各分割層提取的土地類型同步到同一分割層上，把沒有提取出來的地物歸為其他類?？紤]到水田、池塘和小溪都為水體，故統歸為水體類型。制作的土地利用專題圖如圖5所示。

圖5 土地利用專題圖Fig．5 Thematic map of land use

2．4 比較實驗

為了與多尺度多層次分類方法相比，本文還選擇單一尺度分類方法對本實驗區進行分類。通過利用多尺度多層次分類方法建立起來的規則，微調特征參數，獲得了單一尺度為330和240的土地利用分類結果(圖6)。

圖6 單一尺度提取土地利用結果Fig．6 Land use extraction on single－scale

3 精度分析評價

分類精度是檢驗分類方法是否可行的首要指標［10］。對實驗區進行目視解譯，將其矢量數據作為真實參考。根據實驗區范圍，在其內水平方向均勻各布23條樣線，垂直方向均勻布設30條樣線，樣線交叉處共有690個點，作為分類精度檢驗的樣本點。將對應地區的樣本點數據真實參考和分類結果進行對比，得出各種方法下土地類型統計的混淆矩陣。精度評價結果如表2所示。

表2 分類精度評價Tab．2 Classification accuracy assessment

由表2可知，面向對象的多尺度多層次分類方法明顯優于單一尺度分別為330和240的分類結果，總體精度達到91．30%，Kappa系數為0．89。單一尺度分割分類使得地物出現過分割和欠分割狀態，分割尺度為240時分類效果略好?？傮w來說，多尺度多層次分類結果較好，其中道路和水體分類結果最好，但是其他土地類型精度略低，分析主要原因是由于其他地類中自然裸土和裸土耕地類型沒有區分所致。

4 結論

1)無人機低空影像獲取技術可以彌補多云霧地區遙感影像難以獲取的缺陷，尤其在西南地區，在快速獲取有關土地利用及其變化信息上有廣闊的應用前景。

2)本文采用面向對象的多尺度分類思想，將影像多層次分割，獲取不同土地利用類型相應最優層次上的影像對象。這種基于多尺度多層次提取土地利用信息方法，能彌補在單一尺度下某些類型地物分割不佳的缺陷，提高分類精度，達到快速、準確提取土地利用信息，制作土地利用專題圖，實現土地利用信息可視化的目的。

3)雖然面向對象的多尺度多層次分類方法能取得較高的精度，但在分類過程中最優分割尺度選取和提取規則設置都需要人工參與，對分類者的要求較高，發展地物最佳提取層次與最優分割尺度的自適應匹配和降低規則建立時人為干預，是下一步研究的目標。

［1］ 鄧媛媛，巫兆聰，易俐娜，等．面向對象的高分辨率影像農用地分類［J］．國土資源遙感，2010，22(4):117－121．Deng Y Y，Wu Z C，Yi L N，et al．Research on object－oriented classification of agricultural land based on high resolution images［J］．Remote Sensing for Land and Resources，2010，22(4):117－121．

［2］ 周成虎，駱劍成．高分辨率衛星遙感影像地學計算［M］．北京:科學出版社，2009:14－25．Zhou C H，Luo JC．The geocomputation of the high resolution satellite image［M］．Beijing:Science Press，2009:14－15．

［3］ BaatzM，Schape A．Object－oriented and multi－scale imageanalysis in semantic networks［C］//Proceedings of the 2nd International Symposium on Operationalization of Remote Sensing，Enschede，Netherlands，1999:16－20．

［4］ 黃慧萍．面向對象影像分析中尺度問題研究［D］．北京:中國科學院研究生院，2003．Huang H P．Scale issues in object－oriented image analysis［D］．Beijing:Institute of Remote Sensing Applications Chinese Academy of Sciences，2003．

［5］ Kim M，Madden M，Warner T．Estimation of optimal image object size for the segmentation of forest stands with multispectral IKONOS imagery［C］//Object－Based Image Analysis．Thomas Blaschke，Stefan Lang and Geoffrey JHay，2008:291－307．

［6］ 林先成，李永樹．成都平原高分辨率遙感影像分割尺度研究［J］．國土資源遙感，2010，22(2):7－11．Lin X C，LiY S．A study of the segmentation scale ofhigh－resolution remotely sensed sensed data in Chengdu plain［J］．Remote Sensing for Land and Resources，2010，22(2):7－11．

［7］ 龔劍明，楊曉梅，張 濤，等．基于遙感多特征組合的冰川及其相關地表類型信息提取［J］．地球信息科學學報，2009，11(6):765－771．Gong JM，Yang XM，Zhang T，etal．Information extraction of glacier and its land form classes based on multi－feature remote sensing image combination［J］．Journal of Geo－Information Science，2009，11(6):765－771．

［8］ 關元秀，程曉陽．高分辨率衛星影像處理指南［M］．北京:科學出版社，2008:164－221．Guan Y X，Cheng X Y．The processing guidebook of the high resolution satellite image［M］．Beijing:Science Press，2008:164－221．

［9］ eCognition Developer Trial 8．0 Reference Book［M/CD］．Germany:Definiens，2009．

［10］ 魯 恒，李永樹，林先成．無人機高空間分辨率影像分類研究［J］．測繪科學，2011，36(6):106－108．Lu H，Li Y S，Lin X C．Classification of high resolution imagery by unmanned aerial vehicle［J］．Science of Surveying and Mapping，2011，36(6):106－108．