無人機遙感在塑料大棚識別中的方法研究

周 潔，范熙偉，劉耀輝

（1. 云南師范大學旅游與地理科學學院，昆明 650500；2. 中國地震局地質研究所，北京100029；3. 昆士蘭大學地球與環境科學系，布里斯班 4067）

0 引言

塑料大棚俗稱冷棚，是一種新興的保護地栽培設施。由于其具有建造容易、使用方便、降低氣候環境的限制、提高單位面積產量等優點［1-3］，被世界各國普遍使用推廣，近年來以每年20%速度持續增長［4］。但同時，塑料大棚改變了地表的能量平衡和水循環模式，對局地氣候、水文循環乃至全球氣候變化與生態系統產生影響；廢棄的塑料薄膜破壞了生態環境，使得土壤質量下降［5-6］。因此，快速準確地獲得塑料大棚覆蓋面積、位置分布等地理信息，對農業規劃、環境資源保護等方面具有積極意義［7］。

傳統的塑料大棚覆蓋面積信息獲取以人工實地測定為主，該方法需要耗費大量的人力、物力和時間，且無法獲得準確的地理位置分布信息，因此無法滿足海量數據實際生產需求。

近年來，隨著航空、航天遙感技術的迅猛發展，不同平臺、不同傳感器、不同分辨率的遙感影像數據不斷滿足不同領域的應用需求［8］。國內外許多學者將遙感技術應用于塑料大棚檢測提取研究，作了大量相關工作。根據所使用的遙感影像數據類型的不同，可將研究工作分為兩種：基于中低分辨率遙感影像大棚檢測提取研究［9-13］和基于高分辨率遙感影像大棚檢測提取研究［14-17］。中低分辨率遙感影像具有幅寬大、價格低廉甚至免費等優點，適用于大范圍、大面積的塑料大棚檢測，但存在空間分辨率較低、重訪時間長等缺點，不適合小區域塑料大棚面積的精確提取。高分辨率遙感影像數據可以更清楚地表達地物目標的空間結構特征及表面紋理信息，分辨內部更精細的地物組成、地物邊緣等信息［18-19］，但也存在數據價格昂貴等弊端。

無人機遙感技術的出現和發展，為這一問題的解決提供了新思路［20］。相比傳統的衛星遙感和載人飛機，無人機遙感具有經濟便捷、機動靈活、操作簡便、實時性強、影像分辨率高等一系列優點。無人機影像經過幾何校正和拼接后得到的正射影像具有很高的空間位置精度，可以實現對某一重點研究區域遙感影像超高時間、空間分辨率的快速獲取，能迅速且準確地完成對研究區塑料大棚的檢測提取［7，21-22］。

文章利用無人機高分辨率遙感數據，以云南省昆明市呈貢區可樂村某塑料大棚區為研究區域，分別采用基于像元法和面向對象法，對研究區進行分割、分類、面積提取，結合研究區背景資料和實地調研結果，對比分析了兩種方法的精度。

1 研究區概況及實驗數據

1.1 研究區域概況

該文研究區為云南省昆明市呈貢區斗南鎮可樂村。該村地處昆明市呈貢區西部，距昆明市區12 km。海拔1 900～2 000 m，地處亞熱帶季風氣候區，年降雨量800～1 000 mm米，全年無霜期320 d，年日照量2 311 h，土地肥沃，氣候適宜，交通便利，區位優勢突出。該村主要以花卉、蔬菜種植為主，塑料大棚種植已成為當地農業經濟發展的支柱

1.2 實驗數據

1.2.1 數據獲取

該研究于2018 年12 月21 日在可樂村塑料大棚區域使用小型旋翼無人機進行遙感圖像的獲取，無人機型號為深圳大疆創新科技有限公司的Phantom 3 Professional。此款無人機搭載了HD 高清相機，配有GPS 和GLONASS 雙衛星導航系統。無人機自帶的光學成像相機其鏡頭由9 組9 片玻璃鏡片組成，包含兩片非球面鏡片，拍攝視場角為94°，其焦距為4 mm，最大光圈F 2.8，曝光時間為8 s 至1/8 000 s 可調。此外，相機感光元件的尺寸為0.001 58 mm，拍攝有效像素1 240 萬，圖像大小為4 000×3 000 像素，空間分辨率達0.2 m。其他相關性能參數見表1、表2。

表1 Phantom 3 Professional 飛行器參數Table 1 Key aircraft parameters of Phantom 3 Professional

表2 Phantom 3 Professional 相機參數Table 2 Key camera parameters of Phantom 3 Professional

無人機拍攝起始位置為24.875°N，104.237°E，海拔1 928.4 m。飛行高度距地面140 m，工作范圍為700 m×700 m。作業起始時間為北京時間2018 年12 月21 日13 點42分，結束時間為13 點49 分。一架次共拍攝了130 張高清可見光真彩色遙感影像，每張相片圖像大小為4 000×3 000 像素，所有相片總大小為607 MB。

1.2.2 數據拼接

研究中所采用的無人機影像后處理軟件為EasyUAV 快拼軟件。該款軟件主要包括數字正射影像圖（Digital Orthophoto Map，DOM）、數字表面模型（Digital Surface Model，DSM）、數字高程模型（Digital Elevation Model，DEM）、真實三維密集點云、真三維模型的生成幾個模塊。將無人機獲取的遙感圖像導入軟件后建立工程文件，同時導入由上述公司提供的無人機相機檢校文件，EasyUAV 即可自動完成研究區DOM、DSM 和DEM 的生成。

將無人機獲取的130 張遙感影像進行拼接處理，得到的研究區DOM 圖如圖1 所示。其中，圖像大小為1.949 1 萬×1.865 2 萬像素，文件大小為369 MB，空三中誤差為0.55 916 象元，滿足該研究影像的精度需求。

圖1 研究區DOM 圖Fig.1 The DOM image of the study area

圖2 大棚放大細節圖Fig.2 The magnification of the greenhouse in detail

2 研究方法

2.1 基于像元法監督分類

監督分類（Supervised Classification），也稱為訓練分類法，是以建立統計識別函數為理論基礎，根據典型樣本訓練方法實現地物分類的技術。要求訓練區域具有典型性和代表性。判別準則若滿足分類精度要求，則此準則成立；反之，需重新建立分類的決策規則，直至滿足分類精度要求為止。

基于像元法監督分類的原理是基于影像的光譜特征來進行分類，基本單元是像元，不考慮地物的形狀、紋理、上下文等相關特征，主要依靠像元的灰度值來進行地物的區分。

2.2 面向對象信息提取

面向對象信息提取主要包括兩個關鍵性技術：影像分割和影像分類。eCognition 是當前應用最廣泛的基于面向對象分類方法的遙感信息提取軟件。

2.2.1 影像分割

面向對象的遙感分析是處理高分辨率影像的最佳途徑之一，而影像分割是面向對象遙感分析的基礎，分割結果決定后期特征識別與專題信息提取的精度。影像分割就是將圖像劃分為一個個大小不等、互不相交的小區域的過程，這些小區域具有相同的光譜特征和屬性。影像分割算法包括點分割算法、邊緣分割算法和區域分割算法，其中應用較為廣泛的是區域分割算法中的多尺度分割方法，該算法采用自下而上的分割方式，首先將影像分割為像元大小的對象，根據對象的顏色和形狀等特征將相鄰相似的對象逐級合并，直到達到設定的分割尺度閾值，從而完成對影像的分割。其中最佳分割尺度的確定是多尺度分割算法中最關鍵的步驟，若分割尺度較小，影像中單個地物被分割成多個細小斑塊，破壞了地物的完整性，增強了小目標的干擾作用，影像被“過分割”；若分割尺度過大，影像被分割成大對象，許多地物未與其周圍環境區分割開，影像“欠分割”。“過分割”或者“欠分割”都不利于分割對象對地物的真實表達［23］，進而影響到地物的提取精度。不同類型的數據、不同的分類任務需要在不同的尺度下進行分析，多尺度分割為方便的調整特定影像分析任務所需要的影像對象尺度提供了可能［24］。分割尺度以能最大程度適合該研究區地物類型的提取為最優，如圖3 所示為最優分割尺度函數示意圖。

圖3 最優分割尺度示意圖Fig.3 The image of optimal segmentation scale

多尺度分割算法中尺度參數的設置對分割結果有決定性的影響，對影像中地物異質性條件的不同，尺度參數設置需進行相應的調整，通常情況下，影像對象內部的異質性較小，地表相對均一時，該參數設置為較大值；反之，設置小值。所以多尺度分割算法的尺度參數值設置沒有同一的標準，往往憑借實驗經驗設置，這也正是該算法的弊端。

多尺度分割算法中對影像的均質性采用Color（顏色）和Shape（形狀）兩個參數度量。顏色標準是對影像光譜（色彩）特征的度量，通過設置不同波段的權重值可以調節各個波段的比重；形狀特征的度量又包括Smoothness（光滑度）和Compactness（緊致度）兩個參數，其中光滑度指影像中對象邊緣的光滑度，緊致度指影像對象之間的緊致程度。

2.2.2 影像分類

eCognition 中有隸屬度和最鄰近兩種分類器。面向對象的最鄰近方法是在傳統的最鄰近方法中將對象信息代替經典分類方法中的光譜信息進行分類［24］。此方法不僅利用影像的光譜信息，還充分考慮了地物的形狀、紋理、上下文等空間信息，極大提高了分類精度。

2.3 精度評價

在遙感信息提取完成后，需要對提取結果進行精度評價，以判斷提取結果的準確性和差異性。該研究在拼接后的DOM 圖像上采集樣本點，將實地調研與目視解譯結合起來確定樣本點類別，利用混淆矩陣來評價研究區各類地物提取精度。主要評價指標有：生產者精度、用戶精度、總體精度和Kappa 系數。

生產者精度PPA，它是指某一類別的正確分類數Xii占參考數據中該類別像元總數（Xi）的比例。計算公式為：

用戶精度PUA，它是指某一類別的正確分類數Xii占分為該類別的像元總數（Xj）的比例。計算公式為：

總體精度POA，它是指總分類正確數占總抽樣數N的比例，它反應分類結果總的正確程度。計算公式為：

Kappa 系數：所有真實參考的像素總數乘以混淆矩陣對角線的和，再減去某一類中真實參考像素數與該類中被分類像素總數之積之后，再除以像素總數的平方減去某一類中真實參考像素總數與該類中被分類像素總數之積對所有類別求和的結果［23］。它是測定兩幅圖之間吻合度和精度的一種指標，定義為：

式（4）中，N表示樣本總數，k表示分類類別數，Xii表示被準確分類類別數，Xi+表示混淆矩陣中每一列的樣本數，X+i表示每一行的樣本數。

3 實驗結果與分析

3.1 基于像元法監督分類

該研究的基于像元監督分類使用ENVI 5.1 軟件，具體按照以下5 個步驟進行。

（1）類別定義

通過目視判讀及野外實地調研結果，將待分類研究區分為4 種類型進行樣本選擇和圖像分類工作：即塑料大棚、房屋、植被、道路。

（2）樣本選擇

為完成監督分類，需要在遙感圖像處理軟件中進行訓練樣本的選擇。該研究選取ENVI 遙感圖像處理平臺，利用其中的ROI（Region Of Interest）工具進行訓練樣本的選擇。按照上述提到的4 種類別，每種類別選擇若干個典型區域作為樣本。ENVI 中采用J-M 距離（Jeffries-Matusita distance），轉換分離度（Transformed Divergence）參數表示，最為常用的是基于條件概率的J-M 距離［25］。其表達式為：

式子中的ωi和ωj為兩種地物的分類類別。可分離度的數值在0～2 之間，數值越大，可分離度越高。計算結果為塑料大棚與房屋的可分性值為1.46～1.72，塑料大棚與道路的可分性值大于1.91，塑料大棚與植被的可分性值為2.00。因此除了目視解譯，上述統計值也同時說明使用監督分類時，塑料大棚和房屋之間將存在一定程度的分類誤差。

（3）分類器選擇

一般根據待分類圖像的復雜度和分類精度需求等確定選用哪一種分類器。監督分類器以經典統計算法或貝葉斯理論為基礎，這類分類器主要有：平行六面體分類器、最小距離分類器、馬氏距離分類器和最大似然分類器，這類分類器的普遍問題是對分類訓練樣本的要求高，通常要求特征樣本空間服從正態分布，而實際應用中特征空間數據往往具有高維異構特征，很難滿足這類分類器的需求；基于神經網絡分類器包括神經網絡分類器、卷積神經網絡分類器，這類分類器以神經元結構為原型，屬仿生算法，其中卷積神經網絡分類器屬深度學習分類器，是近年來興起的面向大數據的處理算法，該算法在圖像分類中要求大量訓練樣本對分類器進行迭代學習運算，因此在地學應用中面臨樣本需求量過大，分類算法訓練成本高的問題；基于機器學習分類器包括支持向量機、模糊分類，這類分類器在遙感數據分類中應用較多，算法精度高、訓練樣本門檻低，但是運算效率低是其主要不足。考慮到該文分類采用的圖像僅有紅、綠、藍3 個波段，且圖像中的地物類別較為簡易，該研究選擇最大似然法進行圖像分類。

（4）影像分類

使用ROI 提取的監督分類樣本和最大似然法分類器，即可對EasyUAV 軟件拼接輸出的DOM 真彩色遙感圖像進行分類，圖4 為分類結果，其中塑料大棚用紅色表示、道路用灰色表示、房屋用藍色表示、植被用綠色表示。從監督分類結果圖4 和圖1 研究區DOM真彩色圖像對比可以發現，道路、植被類型與真彩色圖像的空間分布較為一致。但是，由于異物同譜的影響，部分以紅色為代表的塑料大棚被錯分到了房屋中，道路和植被之間也存在誤分。同時，分類結果中存在嚴重的“椒鹽現象”。

圖4 基于像元分類結果Fig.4 The image of the supervised classification result

（5）精度評價

為評價監督分類方法提取房屋數據的精度，考慮到分類使用的無人機遙感圖像空間分辨率優于5 cm，這里通過目視解譯的方式，同時結合實地考察若干采樣點的形式進行地表類型真值的提取。通過ROI 工具提取各種類別若干個采樣樣本后（盡量與分類樣本有所區別，其中房屋類別中所有的房屋都進行提取），使用ENVI 中的混淆矩陣（Confusion Matrix）工具基于分類后圖像和上述提取的ROI 真值進行分類結果的驗證。

圖4 可以看出，基于像元分類結果與無人機航拍DOM 圖所呈現的大棚分布和走向幾乎一致，可以清晰展示研究區的基本概況。但分類結果中存在明顯的“椒鹽現象”，也存在部分的錯分、誤分現象。

3.2 面向對象方法

3.2.1 面向對象分割

在進行圖像分割時，考慮每個編輯層對分類結果的重要性和適宜性，給每個編輯層賦予不同的權重，這里每個編輯層的權重都賦為1，使紅、綠、藍3 個圖層均同等重要地參與運算。再考慮不同類別地物的特征和分類要求，給圖像設置一個分割的尺度參數。通過對比不同尺度下分割對象邊界與地物實際邊界的吻合程度來確定最優分割尺度，同時考慮到研究區地物相對單一，故將分割尺度設為較大值。

試驗采用控制變量法。首先固定形狀因子為0.1，緊致度因子為0.5，共設置5 個分割尺度，分別為200，500，750，1 000，2 000。試驗影像在不同尺度下的分割效果如圖5 所示。可以看出：當分割尺度為200 時，許多均質斑塊被分割成幾個對象而過于破碎，屬于過分割；當分割尺度為500 時，分割得出的對象邊界與地物的實際邊界吻合較好；當分割尺度為750、1 000 時，部分塑料大棚未完全分割開；當分割尺度為2 000 時，得到的分割對象較大，單個對象中地物不均一。因此，確定最優分割尺度為500 時生成的對象大小較為理想。

圖5 不同尺度下相同異質性因子分割結果對比Fig.5 The comparison of segmentation results of the same heterogeneity factors at different scales

除分割尺度外，還需設置形狀因子（Shape）和緊致度（Compactness）因子以保證分割結果不會太破碎。圖6 是在影像給定相同的分割尺度500 條件下，通過改變不同的形狀因子和緊致度因子，最終選擇最優的分割尺度參數。對比圖像可以看：將形狀因子設置過大，圖像“欠分割”；將形狀因子設置過小，圖像“過分割”，過大或過小都不利于大棚的提取。當形狀因子和緊致度因子均設置為0.5 時，對本影像中的大棚分割效果較好。因此，該文的最優分割尺度為500，形狀因子0.5，緊致度因子0.5。具體細節信息如圖6 所示。

圖6 相同尺度下不同異質性因子分割結果對比Fig.6 The Comparison of segmentation results of different heterogeneity factors at the same scale

面向對象多尺度分割將研究區地物分割成若干個二維的多邊形。分割地物對象的幾何特征提取就是基于地物對象矢量對象建立遙感圖像的幾何特征提取模型，提取影像的長寬比、形狀指數、矩形擬合度等幾何特征。

分割地物對象的長寬比計算公式為：

式（6）中，L指分割地物對象外接橢圓的長軸長度，W指分割地物對象外接橢圓短軸的長度。

圖7 兩種分割結果細節放大對比（左圖分割得過于破碎）Fig.7 The magnified comparison of the two segmentation results

其（7）中，la表示分割地物對象的周長，A 指分割地物對象的面積。

矩形擬合度描繪了一個分割地物對象與矩形的相似程度。此值通過計算一個與分割地物對象相等的矩形面積得到，矩形的長寬與分割地物對象的長寬相等。當一個分割地物對象與矩形完全一致時，擬合度為1，完全不相等時，其擬合度為0。分割地物對象的幾何特征提取結果如圖8 所示。

分割地物對象的形狀指數的計算公式如下：

圖8 分割地物對象的形狀特征Fig.8 The shape features of object segmentation

3.2.2 面向對象分類

該研究采用監督分類方法，選用最鄰近分類器對研究區進行分類。首先根據前面的研究成果，將研究區分為塑料大棚、房屋、植被、道路4 類；其次選擇適當的樣本，使用最近鄰加權（Nearest Neighbor Configuration）工具配置最鄰近特征，特征選擇波段均值和標準差特征參與分類；最后，面向對象分類結果如圖9 所示，其中大棚用紅色表示、道路用灰色表示、房屋用藍色表示、植被用綠色表示。

圖9 面向對象分類結果圖Fig.9 The image of the object oriented classification

圖9 可以看出，面向對象分類結果與無人機航拍DOM 圖所呈現的大棚分布和走向幾乎一致，且無明顯的“椒鹽現象”，但也存在少量的錯分、誤分現象。

通過圖10 可以看出，面向對象分割效果明顯優于基于像元法。基于像元法分類結果中，錯分、漏分現象較為頻繁，且存在嚴重的“椒鹽現象”；面向對象法有效地減少錯分、漏分現象，抑制了“椒鹽現象”，極大地提高了分類精度。

圖10 兩種分類結果細節放大對比圖Fig.10 The magnified comparison of the two classification results

3.3 精度評價

為了對分類精度進行評價，該研究將研究區基本背景、實地調研結果與影像目視判讀結合起來，選取了多個樣本數據，并對這些樣本數據與分類結果一致性進行比較。所選取的精度驗證樣本在研究區的分布如圖11 所示，定量精度評價結果如表3、表4所示。

圖11 精度驗證樣本分布圖Fig.11 The samples distribution of accuracy verification

表3 分類結果精度對比Table 3 Comparison of the classification accuracy %

表4 分類結果精度評價Table 4 The evaluation of classification accuracy

從表4 可以看出，基于像元最大似然法分類結果的總體精度為68.3%，Kappa 系數為0.5848；面向對象最鄰近分類法分類結果的總體精度為94.6%，Kappa 系數為0.9133。面向對象提取方法精度明顯高于傳統的基于像元提取方法。

根據前文分類結果圖直觀對比及上述定量精度評價分析認為，出現錯分現象是由于地物之間光譜相似性造成。一方面，地物光譜相似性越高，出現錯分現象就越嚴重，這是基于傳統的像素分類方法對高分辨率遙感影像“同物異譜”、“同譜異物”現象難以克服的問題。另一方面，基于傳統的像素分類方法所使用的是光譜亮度差異作為區分不同地物的分類標準，這將產生“椒鹽現象”，即分類結果出現眾多小斑點，這些都嚴重影響地物提取的精度。

面向對象方法不僅僅利用影像的光譜特征，還充分利用形狀特征、紋理特征和上下文特征等細節信息，極大提高了高分辨率遙感影像的數據使用率，充分挖掘高分辨率遙感影像所包含的豐富地物信息，有效提高了分類精度。

3.4 地物信息提取分析

該研究采用面向對象方法提取各類地物的面積如表5 所示，其中：塑料大棚面積26.371 42 萬 m2，房屋面積 4.123 67 萬 m2，植被面積 11.073 49 萬 m2，道路面積 3.178 88 萬 m2，總面積44.747 46 萬m2。

表5 面向對象提取面積統計Table 5 The statistics of object-oriented extraction areas 萬m2

實地測量了13 個塑料大棚面積，將其作為樣本數據，與面向對象方法提取的面積作對比，對提取面積的精度做驗證，結果如表6 所示。

表6 實地面積與面向對象提取面積對比Table 6 Comparison of measurement and object extraction area

表6 的對比結果表明，面向對象方法提取的面積與實地測量提取面積相比仍然存在一定的誤差，在總面積上的差值為3.925 m2，累積差值為22.475 m2。若按差值比例來計算，大棚的估計面積為（26.371 42 萬±410.737）m2，滿足精度要求。

4 結論

準確、高效的塑料大棚面積提取方法，是塑料大棚遙感估算的重要技術之一。研究利用無人機高分辨率遙感數據，分別采用基于像元法和面向對象法，進行塑料大棚識別提取方法研究探討。通過試驗對比分析得出以下結論。

（1）塑料大棚面積的基于像元提取總體精度為68.3%，面向對象提取總體精度為94.6%。面向對象提取方法精度明顯高于傳統的基于像元提取方法。

（2）與傳統基于光譜特征像元的面積提取方法相比，面向對象分類方法充分考慮地物自身光譜、形狀、紋理、結構等信息，有效地抑制了“椒鹽現象”，極大降低了“同物異譜”、“同譜異物”的影響，提高了分類的精度。

隨著高分辨率遙感技術的迅猛發展，影像分辨率越來越高，帶來了更加豐富且復雜的地物信息，這使得面向對象分類方法比基于像元分類方法有更加廣闊的應用空間。但面向對象分類方法的分割和分類的準確性主要取決于操作者的先驗知識和經驗，分類結果的精度也受到分割質量和分類規則有效區分的影響。如何實現快速、準確、自動化提取地物信息，是當前乃至今后的研究目標。