結合空間分析的面向對象無人機影像土地利用分類

王宏勝，李永樹，吳 璽，李 政

(1.西南交通大學 地球科學與環境工程學院，四川 成都 611756; 2.四川省土地統征整理事務中心，四川 成都 610041)

結合空間分析的面向對象無人機影像土地利用分類

王宏勝1，李永樹1，吳 璽2，李 政1

(1.西南交通大學 地球科學與環境工程學院，四川 成都 611756; 2.四川省土地統征整理事務中心，四川 成都 610041)

利用高分辨遙感影像進行土地利用分類，為農村土地利用動態監測及土地綜合整治快速地提供基礎地理空間數據。以高分辨無人機影像為數據源，研究利用面向對象多尺度分割技術結合GIS空間分析對影像進行土地利用分類。根據對象內同質性高、對象間異質性高的準則，引入加權局部方差與空間自相關指數構建全局最優分割非監督評價指數，然后利用最鄰近分類器對影像進行分類。實驗結果表明，該方法減少人工目視確定最優分割尺度的主觀性，能夠避免某些地物不能被有效歸類的現象，在單一尺度下獲得較高的分類精度。

土地利用；無人機影像；多尺度分割；空間分析；面向對象

目前，社會經濟的持續發展以及快速的工業化、城市化進程伴隨著城鄉人口流動和經濟社會發展要素的重組與交互作用，對農村土地利用方式的變化產生了顯著影響[1]。利用遙感技術為農村土地利用動態監測及土地綜合整治快速提供基礎地理空間數據，對于實現土地資源的可持續發展具有十分重要的意義。

隨著遙感技術的發展，遙感影像的空間分辨率得到顯著提高，相對于中低分辨率遙感影像，高分辨率影像更能清晰地反映地物的細節信息，但其光譜信息不足，所以傳統基于像素層次的分類方法難以獲得較高的精度，且容易產生“椒鹽”現象[2]。面向對象的影像分析方法(Object-Based Image Analysis, OBIA)，克服了傳統分類方法的不足，其更有效地將空間信息和專家知識結合到遙感信息提取中，十幾年來逐漸成為高分辨率遙感影像信息提取的主流技術[3]。

近年來，無人機遙感發展迅速，憑借方便、快捷、成本低等優勢，現已成為獲取高分辨率遙感影像的一種重要技術手段，在土地資源調查、監測與分類等行業開展了大量的研究實踐工作[4-5]。本文以高分辨無人機影像為數據源，利用面向對象多尺度分割技術結合GIS空間分析功能進行土地利用分類，并利用混淆矩陣對分類結果進行精度評定，結果表明，該方法減少了人工目視確定最優分割尺度的主觀性，能夠避免某些地物不能被有效歸類的現象，在單一尺度下取得滿意的分類結果。

1 實驗數據和技術流程

1.1 實驗數據

實驗區域位于四川省邛崍市某鎮，丘陵地貌，地勢整體西北高而東南低。影像(見圖1)由無人機搭載Canon EOS 5D Mark II大型單反相機于2015年8月獲取，為真彩色影像(包含紅、綠、藍波段)，地面分辨率0.16 m，大小為5 616像元×3 744像元，包含有水體、道路、居民地、農田等多種土地利用類型，清晰地表達了農村地區散亂的聚居特點。

圖1 實驗區無人機影像

1.2 實驗技術流程

高分辨率無人機影像土地利用分類的技術流程:

1)影像預處理：對獲取的原始無人機影像進行畸變差校正、空中三角測量、生成正射影像；

2)多尺度分割及確定最優分割尺度：通過序列分割尺度參數對影像進行多尺度分割，計算分割質量評價指數，確定最優分割尺度；

3)土地利用分類：建立分類體系，基于各個類別的訓練樣本以及初始特征組合，找到類別之間可分性最大的特征集，進行最優特征空間的構建，然后運用最鄰近分類器對影像進行分類；

4)土地利用分類精度評定：利用混淆矩陣對分類結果進行評定。

2 最優分割尺度的土地利用分類

2.1 影像最優分割尺度的選擇

影像完成預處理后，運用eCognition Developer 8.9對其進行多尺度分割，該過程以單個像元對象開始，自下而上地合并相鄰對象，直到對象的異質性達到閾值，而該閾值通過尺度參數的設定[6]。通常，最優分割的結果應該是對象內具有較高的同質性，相鄰對象間具有較高的異質性。為此，分別計算分割影像對象內同質性評價參數面積加權局部方差和對象間異質性評價參數全局Moran指數，然后定義二者歸一化綜合函數值為分割質量評價指標。

1)全局對象內同質性。全局對象內同質性評價指數采用面積加權局部方差計算，表達式為

(1)

式中：n為整幅影像分割對象的總數，vi是對象i在一個波段的方差，ai是對象i的面積。較小的vi表示對象內部具有較高的同質性，而在計算整幅影像全局對象同質性特征時，將面積作為權重，能夠有效避免由于某些對象過小引起的偏向問題。面積局部加權方差越小，全局對象內部同質性越高。

2)全局對象間異質性。完成多尺度分割之后，影像被分為互相沒有交集的地理空間對象，全局Moran指數是最為常用的表達實驗區對象與相鄰對象間空間相關關系的統計量[7]，相關性高意味著全局對象間異質性低，相關性低意味相反。全局對象間異質性評價參數采用全局Moran指數，其計算表達式

(2)

3)影像分割質量評價指數。將影像的各個波段的面積加權局部方差V和全局Moran指數MI計算完成之后，分別對其按下式進行歸一化處理：

(3)

式中：Xmin和Xmax為一個波段V(MI)的最小和最大值，norX為V(MI)的歸一化值，該值越接近于0，表示對象內同質性或對象間異質性越高。記影像在波段i的V和MI歸一化值為norVi和nor MIi，將兩者按下式綜合并定義為整幅影像的分割質量評價指數：

(4)

式中：n為影像波段的數量，GS為影像分割質量評價指數，該值越小則分割質量越好，因為此時全局對象內部具有較高同質性，同時對象間具有較高異質性，即此時的分割尺度為最優分割尺度[8-10]。

4)確定影像最優分割尺度。對于面向對象的影像分類而言，一個合適的分割尺度是必須考慮的重要問題[11]。實驗中，為比較不同分割尺度對分割質量的影響，選取100～360(步長為20)共14個尺度參數，其他參數固定設置(影像三波段的權重都設為1，形狀和顏色權重各為0.5，緊湊度權重0.6，光滑度權重0.4)，然后將生成的相應影像對象層輸出為矢量文件，利用GIS的空間分析功能對分割質量評價指標進行計算。結果發現，分割尺度為280時，分割質量評價指數最小，與之相比，分割尺度300的分割質量評價指數為0.938 8，二者相差很小，為避免計算結果的偶然性，同時考慮到步長20較大，在260和320之間增加分割尺度270、290、310對影像進行細化分割，并計算其相應分割質量評價指數。表1為影像分割質量評價指數計算表。

表1 影像分割質量評價指數計算表

由表1可見，分割尺度為290時，分割質量評價指數最小，即此時分割效果最好，因此分割尺度290為最優分割尺度，圖2為最優分割結果。同時應注意到，單一波段分割質量評價指數與整個影像分割質量評價指數變化規律一致，且影像取得最優分割質量時，單一波段分割質量評價指數也取得最小值，這說明在以后的實踐應用中，可以只計算單一波段的分割質量評價指數以確定最優分割尺度。另外，隨著分割尺度增大，分割質量評價指數整體上呈U型變化，但其并沒有文獻[9]表現得具有規律性，這是因為二者的研究區域不同，文獻[9]的研究區域為城鎮居民區，該區域地物相對孤立，相鄰地物對象之間相關性低，同種地物同質性強，隨著尺度的增大，地物對象由過分割到欠分割過程變化明顯；農村地物則較為復雜，如林地與其他植被光譜特征相近，這些地物對象間具有較高的相關性，隨著尺度的增大，地物對象由過分割到欠分割現象過程變化并不明顯。

圖2 分割尺度為290的影像分割結果

2.2 土地利用分類

面向對象的影像分類能夠綜合利用分割對象的光譜、形狀、紋理等特征，其基本分類方法分為基于規則分類和最鄰近分類兩種，前者對于一些特征明顯的地物類別能夠取得較好的效果，而對于一些特征相似的地物類別區分效果則較差[12]。另外，基于規則分類也存在普適性和效率的問題，自然地物復雜眾多，不存在一種規則(集)能夠適應所有遙感影像，規則的制定及其閾值的選取往往需要根據特定的影像多次試驗才能加以確定[13]。對于無人機影像而言，其空間分辨率高、反映地物特征精細、可利用的光譜特征較少，基于規則分類往往會造成某些地物不能被有效歸類的情況[14]。鑒此，本文選擇利用最鄰近分類對實驗區進行土地利用分類。

根據實驗區地物類型建立土地利用分類體系，包括農田、林地、其他植被、居民地、水體、道路、裸露土地等，為了提高分類精度再將農田分為農作物覆蓋土地和田埂、林地分為密林地和疏林地、居民地分為建筑物和庭院，表2為實驗區土地利用分類體系及其基本特征。

表2 土地利用分類體系及其基本特征

在建立分類體系之后，根據相應類別選取一定的訓練樣本，計算地物對象的光譜、形狀等特征參數，取不同地類之間可分性最大的特征組合作為最優特征空間集(見表3)，運用最鄰近分類器完成土地利用分類(見圖3)。

表3 最優特征空間集

圖3 土地利用分類結果

2.3 土地利用分類精度評定與分析

土地利用分類完成之后，在實驗區原始影像范圍內布置22×33個網格，將其726個結點作為驗證樣本點進行目視判讀并與分類結果對應位置的土地類型進行比對得到混淆矩陣，然后據此計算各個土地利用類別的生產與用戶精度以及整幅影像分類精度(見表4)。

從表4可以看出，運用本文方法得到的土地利用分類結果的總體精度為89.94%，Kappa系數也達到了86.80%。與之相比：文獻[16]利用與本文實驗區域相近的影像，采用目視確定最優分割尺度和基于規則分類的方法得到的分類結果總體精度為88.76%，Kappa系數為81%；文獻[14]根據不同地物的最優分割尺度建立多尺度分割分類的結構體系，運用規則分類得到結果的總體精度為91.30%，Kappa系數為89%，分類精度略高，但分類結果出現了大量未被有效歸類的地物，這是不期望見到的結果。由此可知本文方法減少了最優分割尺度選擇過程中目視確定的主觀性，能夠避免未參與分類地物的出現，使得高分辨率無人機影像土地利用分類在單一尺度下達到較高的精度。

表4 土地利用分類精度評定

3 結 論

本文根據對象內同質性高、對象間異質性高的準則，通過引入加權局部方差與空間自相關指數構建全局最優分割非監督評價指標以確定影像最優分割尺度，減少人工目視判斷的主觀性；運用最鄰近分類器進行分類克服了無人機影像可利用光譜信息少的局限，避免某些地物不能被有效歸類的問題，結果證明二者相結合使得無人機影像在單一尺度下能夠取得較好的分類效果。另外，為了研究的需要，本文選擇了不同步長的較多分割尺度對影像分割導致確定最優分割尺度時計算量大，在實踐應用中可以目視預判最優分割尺度范圍，減少分割次數。同時應注意，對于無人機影像，紅、綠、藍三波段對由加權局部方差結合全局Moran指數構建的分割質量評價指數的影響權重相同，說明在確定最優分割尺度時，可以只計算任意一個波段的分割質量評價參數，這能夠有效減少計算量。

[1] 龍花樓. 論土地整治與鄉村空間重構[J]. 地理學報,2013,68(8):1019-1028.

[2] 費鮮蕓, 王婷, 魏雪麗. 基于多尺度分割的遙感影像濱海濕地分類[J]. 遙感技術與應用, 2015, 30(2): 298-303.

[3] MING D P, JONATHAN L, WANG J Y, et al. Scale parameter selection by spatial statistics for GeOBIA: Using mean-shift based multi-scale segmentation as an example [J], ISPRS Journal of Photogrammetry and Remote Sensing, 2015,106:28-41.

[4] 唐敏, 楊鋒, 黃華平. 序列無人機影像拼接方法研究[J]. 測繪工程, 2016, 25(1):10-16.

[5] 李德仁, 李明. 無人機遙感系統的研究進展與應用前景[J]. 武漢大學學報(信息科學版), 2014, 39(5):505-513，540.

[6] BENZ U C, HOFMANN p, WILLHAUCK G, et al. Multiresolution, object-oriented fuzzy analysis of remote sensing data for GIS ready information [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2004, 58:239-258.

[7] 黃(美)，李(美)，ArcView GIS與ArcGIS地理信息統計分析[M]. 北京：中國財政經濟出版社，2008.

[8] ESPINDOLA G, CAMARA G, REIS I, et al. Parameter selection for region growing image segmentation algorithms using spatial autocorrelation [J]. International Journal of Remote Sensing, 2006, 27(14):3035-3040.

[9] JOHNSON B, XIE Z. Unsupervised image segmentation evaluation and refinement using a multi-scale approach [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2011(66):473-483.

[10] 殷瑞娟, 施潤和, 李鏡堯. 一種高分辨率遙感影像的最優分割尺度自動選取方法[J]. 地球信息科學學報, 2013,15(6):902-910.

[11] LIU D S, XIA F. Assessing object-based classification: advantages and limitations, Remote Sensing Letters, 2010,1(4)：187-194.

[12] 孫家波. 基于知識的高分辨率遙感影像耕地自動提取技術研究[D]. 北京：中國農業大學, 2014.

[13] 李秦, 高錫章, 張濤，等. 最優分割尺度下的多層次遙感地物分類實驗分析[J]. 地球信息科學學報, 2011,13(3):409-417.

[14] 何少林, 徐京華, 張帥毅. 面向對象的多尺度無人機影像土地利用信息提取[J]. 國土資源遙感, 2013,25(2):107-112.

[15] GITELSON A A, KAUFMAN Y J, STARK R, et al. Novel algorithms for remote estimation of vegetation fraction. Remote sensing of environment, 2002, 80(1):76-87.

[16] 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.

Object-oriented land use classification from UAV imagery with spatial analysis

WANG Hongsheng1, LI Yongshu1, WU Xi2, LI Zheng1

(1. School of Geosciences and Environmental Engineering, Southwest Jiaotong University, Chengdu 610056, China;2. Center of Land Acquisition and Consolidation in Sichuan Province, Chengdu 610041, China)

Using high resolution remote sensing imagery to conduct land use classification can provide basic geo-spatial data for rural land use dynamic monitoring and land comprehensive improvement. Taking high resolution UAV imagery as the test data, this paper makes the land use classification by using object-oriented multi-scale segmentation technique combined with GIS spatial analysis. According to the criterion of high intra-segment homogeneity and inter-segment heterogeneity, the weighted local variance and spatial autocorrelation index are introduced to construct the unsupervised evaluation index of global optimal imagery segmentation, and land use classification is then conducted by use of the nearest neighbor classifier. The experimental result shows that this method can reduce the subjectivity of artificial visual determination of the optimal segmentation scale, avoid the phenomenon that some objects can’t be effectively classified, and obtain a higher classification accuracy at a single scale.

land use; UAV imagery; multi-scale segmentation; spatial analysis; object-oriented

2016-12-12

十二五國家科技支撐計劃項目(2014BAL01B00)

王宏勝(1989-)，男，碩士研究生.

著錄：王宏勝，李永樹，吳璽，等.結合空間分析的面向對象無人機影像土地利用分類[J].測繪工程，2018，27(2)：57-61.

10.19349/j.cnki.issn1006-7949.2018.02.011

P237

A

1006-7949(2018)02-0057-05

李銘娜]