基于無人機可見光遙感影像的救災帳篷信息提取

吳 瑋，秦 其 明，范 一 大

(1.北京大學地球與空間科學學院，北京 100871；2.民政部國家減災中心減災和應急工程民政部重點實驗室，北京 100124)

?

基于無人機可見光遙感影像的救災帳篷信息提取

吳 瑋1,2，秦 其 明1，范 一 大2

(1.北京大學地球與空間科學學院，北京 100871；2.民政部國家減災中心減災和應急工程民政部重點實驗室，北京 100124)

在分析救災帳篷的光譜和形狀特征基礎上，將基于像元和面向對象分類方法相結合，提出一種針對無人機可見光遙感影像的救災帳篷信息提取方法。首先基于帳篷初始樣本在三維光譜空間中的范圍對圖像進行快速二值化初分類，通過聚類與尺寸濾波消除噪聲圖斑對后續信息提取的影響;然后引入不同結構模板的鄰域分析和形態學方法還原對象空間形狀,針對遙感影像的第一主成分，提取分割對象的光譜均值、局部二值模式對比度(LBP Contrast)均值、長軸長等特征;最后利用基于徑向基函數(RBF)的支持向量機(SVM)分類方法完整提取救災帳篷。以災后常用的0.2 m無人機可見光遙感影像為例的實驗結果表明，救災帳篷識別率高達95.5%。該方法運算效率高，克服了蓬頂內部異質性和相似物的影響，對于利用無人機可見光遙感影像開展救災帳篷的檢測與分析具有參考價值。

救災帳篷；無人機；高分辨率遙感

0 引言

救災帳篷是重大自然災害發生后安置災民的重要裝備，準確核實災區的帳篷數量和空間分布是評估災區救助需求、核查地方救災工作成效、優化安置點布局、估算轉移安置人數的重要依據。較之于地方上報數據，高分辨率遙感技術能更為詳細地反映地物空間形態和紋理特征，在救災帳篷數量真實性統計與核查方面有著顯著優勢。一般高分辨率遙感圖像呈現的地物結構和紋理等信息突出，但光譜信息不足，即波段數較少[1]。目前，高分衛星影像的探測波段多局限于可見光到近紅外范圍，而要精細化反映帳篷這類微小目標，則以采用分辨率更高的無人機(Unmanned Aerial Vehicle，UAV)等航空遙感監測手段為主。

帳篷作為一種臨時搭建的人工地物，目前國內外針對其在高分辨率遙感圖像上的信息提取研究還很少。面向對象分類與傳統的基于像元光譜統計特征的分類方法相比，在提取內部屬性相對一致或均質程度較高的分割單元及其特征后，可在特征空間中進行對象識別與分類，以實現影像的高層次理解[2]，可用于獲取帳篷信息。但多尺度影像分割一直是面向對象分類的難點問題，存在運算速度慢、規則設置較為復雜等問題[3]；同時，該方法容易產生欠分割或過分割等現象，分類規則參數的反復調試也影響分類效率。Abdulatif等[4]提出了采用互相關函數作為相似性匹配算法，通過設置合理閾值，計算航空圖像上連片分布的單體帳篷。這種方法采用模板匹配的策略進行對象分布與點位計算，雖然具有對噪聲和遮擋不敏感等優點，但易受目標方向性影響，計算開銷大[5]，而且模板匹配方法不能較為完整地提取帳篷空間結構。

通過分析高分辨率航空影像上救災帳篷的光譜和形狀特征，將面向像元和面向對象的分類方法相結合，以災后常用的0.2 m無人機影像為例，提出一種無人機可見光遙感圖像救災帳篷信息提取方法。該方法僅引入代表光譜、紋理和形狀等方面的3種典型特征作為分類判據，具有簡便易行、計算速度快、救災帳篷提取精度高等特點，對于識別和檢測救災帳篷具有很好的借鑒價值。

1 救災帳篷的特征

救災帳篷的顏色整體為藍色調，蓬體為規則的方形，蓬頂面為三角形斜坡，兩端標注有“民政救災”、“救災專用”白色字樣。救災帳篷一般安置在地勢較平坦的地區，連片分布的帳篷中單體帳篷間的空間間隔較窄，帳篷分布不存在較為固定的上下文關系；同時，帳篷的朝向也呈現多樣性，方向性特征不明顯。在高分辨率可見光圖像上，救災帳篷藍色色調的判讀標志非常明顯，“民政救災”的標志在圖像上表現為白色的亮孔。由于帳篷頂部的孔洞和環境噪聲的影響，救災帳篷內部光譜異質性增大，給帳篷形態結構特征的完整提取帶來困難。此外，帳篷顯著的藍色調和方形結構特征，在分類時易與顏色、形狀相似的民房等人工建筑混淆。因此，需要綜合救災帳篷的多種特征進行分類，以提高信息提取精度。

2 研究方法

以訓練樣本為基準，采用自上而下的方式，在精確提取對象形狀的基礎上通過分類提取救災帳篷信息。首先，針對救災帳篷樣本在圖像三維光譜空間上的亮度值分布特征，統計光譜閾值進行初步二值化分類，通過像元聚類與面積過濾處理消除噪聲圖斑對后續信息提取的影響。然后，利用不同結構模板的鄰域分析和形態學方法完整還原對象空間形狀。為提高運算效率，減少分類特征的復雜度，分別計算圖像第一主成分內各圖斑的光譜均值、局部二值模式對比度(LBP Contrast)均值、長軸長等特征。利用基于徑向基函數(RBF)的支持向量機(SVM)方法進行分類，提取救災帳篷完整輪廓，統計其數量和分布特征。

2.1 基于像元的初分類

基于像元的初分類目的是為了提取救災帳篷的空間分布范圍，這是后續對象生成的基礎，分類方法有非監督和監督分類兩種。非監督分類雖然操作簡單，不需要了解地域情況，但對聚類群組的結果很難控制；而監督分類中，最大似然法、馬氏距離等參數化分類器需要樣本符合正態分布等概率統計分布特征，且分類效率較慢，分類結果中圖斑破碎。平行六面體法作為一種非參數化分類方法，是利用n個光譜波段的訓練數據進行分類[6],該方法雖然會產生較多的混分現象，但運算速度快，方法簡單，相比參數化分類能得到較為完整的目標形態。由于通常采用的以統計均值、標準差為閾值范圍的平行六面體法，易受分類圖像的影響，且在各波段標準差的倍數取值不確定。考慮到無人機圖像的空間范圍相對較小，帳篷的光譜特征受大氣條件影響大致相同，光譜特征相似，因此，采用平行六面體法分類時，在規則設置上，按如下方式進行二值化分類。

(1)

式中：ρ(i,j)為生成的二值圖像上第i行j列的像元值，λ為波段號，Minλ、Maxλ分別表示第λ波段上帳篷樣本的最小灰度值和最大灰度值，DNλ(i,j)為第i行j列像元在λ波段的灰度值。

2.2 對象空間結構的精細化提取

基于像元分類后的二值圖像反映了救災帳篷的空間范圍，利用像元的空間連通性進行聚類統計，可以形成一系列離散的圖斑。為避免在聚類中將救災帳篷與其相鄰的其他地物混合，聚類連接一般采用垂直和水平方向的4鄰域方式。為消除圖斑中與救災帳篷在面積上存在明顯差異的鄰近對象對后續形狀完善處理造成的不利影響，可先進行面積過濾，以去除對象尺寸明顯大于或小于樣本帳篷大小的圖斑。

在聚類后的專題圖上，救災帳篷存在形狀不完整、篷頂內部出現孔洞或邊緣殘缺等問題。鄰域分析是在一定大小的窗口模板中，通過窗口內各像元的統計分析來確定其中心像元值。而數學形態學是一種分析空間結構的理論，可用于圖像濾波、分割、測量等方面，基本操作包括膨脹、腐蝕、開運算及閉運算等[7]。這兩種方法均可以填充帳篷頂部出現的孔洞，處理效果取決于窗口模板大小、形狀、處理順序等因素。如果先采用形態學的膨脹或者閉運算，雖然能基本去除孔洞，但也會造成分布較近的帳篷間出現連接的現象。而如果先做形態學腐蝕或開運算，則會進一步破壞有孔洞帳篷的空間形狀，不利于后續帳篷結構的完整提取。因此，通過分析可先采用鄰域方法進行孔洞填充處理。

采用5×5的矩形模板對二值圖像進行鄰域統計，取窗口內出現頻次最多的眾數取代中心像元值，處理后的圖像能夠實現救災帳篷孔洞的填充，同時保證了帳篷間不會誤連接。然后，對圖像進行二值形態學開運算操作，即先腐蝕后膨脹處理，定義為：

I°B=(IΘB)⊕B

(2)

式中：I為鄰域分析后的二值圖像，B為5×5的十字形結構元素。

這樣不僅可以消除可能與帳篷相連接的其他雜物或小的破碎物，使帳篷邊界平滑，保持帳篷的總體形狀和空間分布位置不變，而且十字形結構相比矩形結構還可以避免相鄰帳篷間隙過小的狀況。通過鄰域分析和形態學濾波后的柵格圖像，即可得到空間形態連續、結構特征清晰的地物對象。

2.3 面向對象的救災帳篷分類

為提高特征統計和分類效率，針對無人機可見光遙感圖像，采用主成分分析方法進行降維處理，選擇第一主成分分量作為特征提取的基底圖像，以減少參與分類的特征數量和復雜度。針對提取的對象引入對象長軸長、光譜均值、LBPContrast均值3個指標進行特征提取。對象的長軸長表征對象空間形狀特征，光譜均值則是以每個對象的像元亮度平均值表示對象的光譜特征，而紋理特征LBPContrast均值是以各對象內像元的LBPContrast平均值進行計算。LBP是描述圖像局部空間結構的非參數算子[8]。該算法具有光照不變性的特點，在紋理分類中有高度區分能力，已應用到人臉識別等目標檢測領域。本文中將該指標引入到帳篷特征提取中，對于1個3×3窗口的LBPContrast編碼計算方法如下：

(3)

式中：LBPC為中心像元(xc,yc)的LBP對比度值，Gi和M分別表示不小于中心像元值的8鄰域像元灰度值和像元個數，Gj是小于中心像元值的鄰近像元灰度值。特別地，當M為0或8時，LBPC為0。

SVM是一種適用于小樣本、高維特征的分類器，具有速度快、精度高、泛化能力強等優點，基于RBF的SVM算法在多維數據分類中能取得較為滿意的高精度分類結果[9-11]。因此，在完成對象的特征提取后，選擇訓練樣本，采用該方法進行救災帳篷的分類。

3 實驗結果與分析

3.1 實驗數據

實驗數據為重災區無人機可見光遙感拼接影像。圖像大小為8 980×10 442像素，空間分辨率達0.2m，圖1a(圖1見封3)為原始拼接圖像中的一個局部區域。圖像上帳篷的分布有連片的，也有散布的，連片分布的帳篷中單體帳篷間的空間間隔較窄。帳篷的朝向也沒有確定的方向。

3.2 結果與評價

圖1b中紅色部分為經過鄰域分析和形態學處理后提取的對象形狀。以對象的長軸長、光譜均值、LBPContrast均值3種特征作為分類判據，采用基于RBF的SVM分類器，懲罰系數C和核參數γ分別設置為100、0.33，這兩個參數值一般認為會直接影響圖像的分類精度；為簡化運算，γ取值按常用的輸入特征數的倒數值計算。為分析實驗結果的有效性，在其他條件不變情況下，增加分類特征數到7個，重復上述過程進行分類，對比結果如表1所示。

表1 基于不同特征的支持向量機分類結果對比

Table 1 The SVM classification results based on different features

特征核參數正確數識別率錯分數對象數錯分率長軸長、光譜均值、LBPContrast均值100，0．3314795．5%51523．3%面積、長軸長、短軸長、光譜均值、LBPContrast均值、熵和方差100，0．1414694．8%31492%

利用定性和定量相結合的方式評價圖像中救災帳篷形狀提取效果和分類精度。通過與原始影像的目視對比，發現基于3種特征提取的救災帳篷(圖1c中黃色部分)位置準確，幾何形態完整。整幅圖像中總計154個救災帳篷，共提取10頂以上連片分布帳篷6處。表1表明：基于3種特征進行SVM分類識別率可達95.5%，錯分率僅3.3%，而漏分的7頂帳篷中，有兩頂由于其顏色和光譜空間范圍與初始樣本存在較大差別而未被檢測出。通過加入對象面積、短軸長、熵和方差共7種特征參與分類，盡管錯分率有所降低，但并未提高分類識別率，說明簡單增加分類特征數并不一定會提高分類精度(圖1d中綠色部分表示提取的救災帳篷)。因此，僅采用長軸長、光譜均值、LBP Contrast均值3種特征進行分類，就能夠得到較高分類精度，而且降低了運算復雜度，提高了分類效率。

4 結論

針對救災帳篷在無人機可見光遙感圖像上的表現特征，本文引入光譜、紋理和形狀等特征，采用由粗到精、逐層剝離的方式，提出了基于無人機可見光遙感影像的救災帳篷提取方法。實驗結果表明，該方法克服了帳篷頂面光譜異質性、形狀和色調相似地物對分類結果的干擾，能夠獲得較高的分類精度。

本文方法適合圖像中帳篷光譜信息較為一致的情形，當帳篷的色調特征與初始訓練樣本存在明顯不同時，會遺漏提取帳篷信息。因此，有必要建立無人機遙感影像救災帳篷樣本庫，發展自動化的樣本選擇方法是需要繼續深入研究的內容。同時，實驗數據采用了業務中最為常用的0.2 m多光譜無人機數據，是否適用于其他尺度的無人機影像還需要進一步的驗證。

[1] 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，2008.1-143.

[2] 周成虎，駱劍承.高分辨率衛星遙感影像地學計算[M].北京：科學出版社，2009.21-26.

[3] 陳超,秦其明,陳理,等.基于地物光譜特征分析的高分辨率遙感圖像水上橋梁提取[J].光譜學與光譜分析,2013,3(3)：718-722.

[4] ABDULATIF A,NABEEL K.Automatic extraction of tents during Hajj from airborne images to support land use optimization[J].Automation in Construction,2007,16:107-111.

[5] 李實英，楊高波.特征提取與圖像處理(第二版)[M].北京：電子工業出版社，2010.149-155.

[6] 陳曉玲，龔威，李平湘.遙感數字影像處理導論[M].北京：機械工業出版社，2007.354-356.

[7] SOILLE P.王小鵬(譯).形態學圖像分析原理與應用(第二版)[M].北京：清華大學出版社，2008.1-102.

[8] 馬莉，范影樂.紋理圖像分析[M].北京：科學出版社，2009.36-38.

[9] 杜培軍，譚琨，夏俊士.高光譜遙感影像分類與支持向量機應用研究[M].北京：科學出版社，2012.89-97.

[10] 梁亮，楊敏華，李英芳.基于ICA與SVM算法的高光譜遙感影像分類[J].光譜學與光譜分析，2010,30(10)：2724-2728.

[11] 王新明,梁維泰,周方,等.基于支持向量機和Getis因子的高分辨率遙感圖像分類[J].地理與地理信息科學，2008，24(4)：16-24.

Information Extraction of Disaster Relief Tents in UAV Visible Light Remotely Sensed Image

WU Wei1,2,QIN Qi-ming1,FAN Yi-da2

(1.InstituteofRemoteSensingandGeographicInformationSystem,PekingUniversity,Beijing100871；2.KeyLabofDisasterReductionandEmergencyEngineering,NationalDisasterReductionCenterofChina,MinistryofCivilAffairs,Beijing100124，China)

At present,research on tents extraction based on high resolution remote sensing images is very little at home and abroad.In this paper,based on analysis of spectrum and shape features of disaster relief tents,a new approach of extraction for disaster relief tents in UAV visible light remotely sensed image is employed,which combines the pixel-oriented and object-oriented classification methods.First,based on the three-dimensional spectral range of initial sample,a rapid preliminary classification is utilized to form a binary image.Through clustering and size filtering,speckle noise is eliminated,which may affect the subsequent information extraction.Second,mathematical morphology and neighborhood analysis methods with different model structure are performed to restore the shape of objects,and fine post-processing is used subsequently.Then,features like LBP contrast mean,spectral mean and major axis length of segmented objects in the first principal component of remote sensing image are extracted.Finally,SVM classification method based on RBF kernel function is performed to completely get the number and location of disaster relief tents.Taking UAV visible light remotely sensed image with 0.2 m spatial resolution in post-disaster period as an example,the experiment shows that the accuracy rate of extraction for disaster relief tents can reach 95.5%.The results verify that this method has high operational efficiency and overcomes the influences of similar objects and internal heterogeneity of tents top.It has a good reference value for detection and analysis of disaster relief tents in UAV visible light remotely sensed image.

disaster relief tents;UAV;high resolution remote sensing

2014-06-25；

2014-08-26

國家重大科技專項“高分辨率對地觀測系統”項目(03-Y30B06-9001-13/15)；國家科技支撐計劃項目(2012BAK19B04)

吳瑋(1981-)，男，博士研究生，副研究員，研究方向為災害遙感與風險評估。E-mail:jockcen@163.com

10.3969/j.issn.1672-0504.2015.02.005

TP751

A

1672-0504(2015)02-0020-04