基于無人機(jī)的月季提取方法研究

陳 行，夏麗華*，郭廣猛

(1.廣州大學(xué)地理科學(xué)學(xué)院，510006，廣州；2.南陽師范學(xué)院環(huán)境科學(xué)與旅游學(xué)院，473061，河南，南陽)

0 引言

這幾年來，無人機(jī)遙感技術(shù)快速發(fā)展，為快速獲取高分辨率影像提供了新的平臺(tái)和技術(shù)手段。特別是輕型多旋翼無人機(jī)，具備攜帶方便、飛行可靠性高、智能化程度高、操作簡(jiǎn)單易學(xué)、影像空間分辨率高等優(yōu)點(diǎn)，在良好天氣情況下可以短時(shí)間內(nèi)起飛，獲取到厘米級(jí)影像數(shù)據(jù)，在近幾年獲得了爆發(fā)式的發(fā)展[1]。

無人機(jī)遙感技術(shù)已經(jīng)成為遙感圖像獲取的一種重要方式。高空間分辨率目前成為遙感技術(shù)發(fā)展的一個(gè)方向，高空間分辨率影像數(shù)據(jù)的可獲得性、普及性和豐富性使得無人機(jī)高分辨率影像應(yīng)用越來越成熟，例如，災(zāi)情監(jiān)測(cè)、農(nóng)作物估產(chǎn)、國(guó)土調(diào)查、土地確權(quán)、土地利用變化等。高空間分辨率的無人機(jī)影像數(shù)據(jù)具有豐富的地物空間信息，突出了地物的幾何結(jié)構(gòu)和紋理信息，影像中這些空間紋理、幾何形狀等地物屬性特征容易識(shí)別和提取。高分辨率無人機(jī)遙感數(shù)據(jù)也存在不足之處：和多光譜數(shù)據(jù)相比，輕型無人機(jī)載荷較小，通常搭載可見光傳感器，導(dǎo)致光譜信息少，光譜特征沒有空間信息突出[2-3]。對(duì)于高空間分辨率的遙感影像，基于像元遙感圖像分類方法，影像中大量的空間特征信息不能被很好利用，易造成分類精度低和出現(xiàn)“異物同譜”“同物異譜”，空間數(shù)據(jù)的信息不能很好挖掘和提取等問題。事實(shí)上，依靠傳統(tǒng)的遙感圖像分類法來處理高分辨率圖像已不能滿足實(shí)際應(yīng)用的要求。面向?qū)ο蠓诸惣夹g(shù)作為一種新的遙感影像分類技術(shù)已經(jīng)被大量運(yùn)用[4]。它的基本原理，是根據(jù)像元的空間紋理、幾何形狀、灰度值等相關(guān)的特征信息，把那些具有相同特征的，異質(zhì)性指數(shù)低于閾值的像元合并成一個(gè)對(duì)象，然后根據(jù)對(duì)象的特征，來對(duì)這些已經(jīng)分割好的對(duì)象進(jìn)行分類。

使用只有紅、綠、藍(lán)3個(gè)波段的信息的無人機(jī)可見光遙感影像，光譜信息相對(duì)較少，如果單純基于像元光譜信息對(duì)目標(biāo)地物進(jìn)行分類，勢(shì)必會(huì)導(dǎo)致分類精度的降低，且分類結(jié)果更容易出現(xiàn)“椒鹽”現(xiàn)象，不利于月季和其他目標(biāo)地物的分類提取[5]。而面向?qū)ο蟮姆诸惙椒ǎ浞掷霉庾V信息、幾何特征、紋理特征等多種屬性信息，避免“椒鹽”現(xiàn)象的產(chǎn)生，提升了遙感影像信息提取的能力，降低了成本，對(duì)分類及面積提取的精度提高具有極大幫助[5-7]。目前，無論是衛(wèi)星遙感還是無人機(jī)遙感，月季的監(jiān)測(cè)識(shí)別尚未有學(xué)者進(jìn)行嘗試，因此本實(shí)驗(yàn)基于無人機(jī)獲取月季圖像，使用易康eCognition Developer 9面向?qū)ο髨D像處理軟件，圖像采用多尺度(multiresolution segmentation)分割算法和最近鄰(Nearest Neighbor)分類算法進(jìn)行月季信息的解譯識(shí)別[8]，以期為月季的規(guī)?；蛯I(yè)化種植提供技術(shù)手段的支撐。

1 數(shù)據(jù)來源

1.1 研究區(qū)概況

研究區(qū)位于河南省南陽市臥龍區(qū)石橋鎮(zhèn)，東經(jīng)E112°37′20″，北緯N33°9′8″。石橋鎮(zhèn)位于南陽市市區(qū)北部，距離市中心20 km，屬于臥龍區(qū)、南召縣、方城縣的接壤處，地理位置優(yōu)越，區(qū)位優(yōu)勢(shì)明顯。地勢(shì)西高東低，西北部為崗丘地帶，最高海拔173 m，其他地方均為平原，最低海拔160 m，總面積39.73 km2，平原有31 km2；全鎮(zhèn)約有19 267 hm2耕地，潮土占總面積的70%，黃棕土占25%，其余為砂姜黑土。這里屬我國(guó)亞熱帶向溫帶的過渡地帶，四季分明，白河自北向南流經(jīng)石橋鎮(zhèn)，提供充足灌溉水源，光照充足，雨量適中，溫度適宜，適合月季等的經(jīng)濟(jì)作物種植。石橋鎮(zhèn)是“中國(guó)月季之鄉(xiāng)”，是全國(guó)最大的月季種苗繁育基地。研究區(qū)緊鄰S231省道，交通便利，方便數(shù)據(jù)的獲取[9-10]。

1.2 數(shù)據(jù)獲取

研究區(qū)的數(shù)據(jù)來源于2017年4月18日的無人機(jī)航拍，當(dāng)日晴，氣溫16～28℃，北風(fēng)三級(jí)，空氣質(zhì)量良好，可見度較高，有利于無人機(jī)影像數(shù)據(jù)的采集。采用大疆精靈(Phantom 3 Advanced)四旋翼無人機(jī)平臺(tái)，最大續(xù)航能力約23 min，其搭載的相機(jī)傳感器為CMOS，型號(hào)為FC300S，光圈值為f/2.8，焦距為4 mm，曝光時(shí)間為1/1064 s，ISO為100，單幅最大像素4 000×3 000 pixel，成像高度361 m。獲取無人機(jī)影像如圖1所示

圖1 無人機(jī)遙感影像

2 面向?qū)ο蟮脑录窘庾g識(shí)別

2.1 影像分割

面向?qū)ο蟮姆诸惙椒ㄖ?，影像分割是分類的前提和基礎(chǔ)，分割的好壞將會(huì)直接影響分類的精度。多尺度分割(multiresolution segmentation)是一種常用的、自下而上的分割算法，它的原理是大的對(duì)象是由小的對(duì)象合并后生成。首先通過計(jì)算空間對(duì)象與相鄰對(duì)象的特征，得出其異質(zhì)性指數(shù)，如果該值小于所設(shè)置的閾值就可以合并成一個(gè)對(duì)象，否則就不能合并成大的對(duì)象。第一次合并后生成的大的對(duì)象，成了下次合并的小的對(duì)象，再一次計(jì)算合并后對(duì)象與鄰近對(duì)象的特征，不斷重復(fù)循環(huán)計(jì)算，直到超出到所設(shè)定的閾值要求，合并過程即刻停止[11,24]。

異質(zhì)性指數(shù)是多尺度分割進(jìn)行對(duì)象合并或分割的根據(jù)，針對(duì)不同的目標(biāo)地物要設(shè)置不同的尺度和因子權(quán)值，是多尺度分割算法的關(guān)鍵點(diǎn)?？臻g對(duì)象的光譜信息和空間信息的加權(quán)之和構(gòu)成異質(zhì)性指數(shù)。異質(zhì)性指數(shù)F，計(jì)算如式(1)

F=ωspectral·Hspectral+ (1-ωspectral)·Hshape

(1)

式中：ωspectral是指在總的差異性指標(biāo)中，光譜特征的差異性所占比重，光譜特征和形狀特征的差異性加起來為1；Hspectral、Hshape分別表示為影像光譜信息的差異性及形狀的差異性。

光滑度和緊致度都是用來度量形狀的差異性，它們加權(quán)和為形狀因子。相鄰對(duì)象合并后形成的新對(duì)象邊界的圓滑程度稱作光滑度，而合并后對(duì)象間的緊湊程度稱作緊致度。對(duì)于提取不同的目標(biāo)地物，要根據(jù)目標(biāo)地物的特征信息，選擇合適大小的分割尺度、光譜因子及緊致度因子，劃分出不同尺度的、具有不同層次的空間對(duì)象層。固定用一種分割尺度的傳統(tǒng)分割方法，對(duì)目標(biāo)地物的提取有很大的局限性，多尺度分割算法打破了這種困局，在一幅影像上，采用大小不等的分割尺度(即不同的閾值)。相對(duì)較大的分割尺度得到相對(duì)較少的面積大的圖斑，設(shè)置過大的分割尺度會(huì)導(dǎo)致圖斑中包含不一樣的地物；較小的尺度則會(huì)得到較多、較零碎的圖斑，設(shè)置過小則會(huì)分出許多不必要地物，增加分類難度[11]。圖2為不同分割尺度對(duì)比。

分割尺度為10 分割尺度為50

分割尺度為100 分割尺度為150

在進(jìn)行石橋鎮(zhèn)的月季提取研究時(shí)，分別將分割尺度以10遞進(jìn)，形狀因子以0.1遞進(jìn)，緊致度因子以0.1遞進(jìn)，經(jīng)多次實(shí)驗(yàn)，發(fā)現(xiàn)設(shè)置分割尺度 (Scale parameter)為90，形狀因子(Shape)權(quán)重為0.2，緊致度因子(Compactness)權(quán)重為0.1時(shí)，能夠較為合理地分割目標(biāo)地物，得到的分割效果較好。圖3為分割結(jié)果。

圖3 分割結(jié)果

2.2 分類系統(tǒng)的確立

通過前期無人機(jī)影像數(shù)據(jù)的獲取和月季種植區(qū)的實(shí)地考察，以及影像的目視判斷，確定解譯標(biāo)志，可以大致將影像中地物分為月季，汽車，道路，地被覆膜，裸土，建筑，樹木7類地物，圖4為典型地物樣本。

研究區(qū)目標(biāo)地物類別交叉或重疊相對(duì)較多，因此采用最近鄰(Nearest Neighbor)法。區(qū)別于其他方法依靠判別類域的方法來確定目標(biāo)地物的所屬類別，最近鄰(Nearest Neighbor)法根據(jù)周圍鄰近的樣本來確定，所以更靈活有效。然后對(duì)這7個(gè)類別進(jìn)行采樣，選取合適的、具有代表性的、一定數(shù)量的樣本。

2.3 圖像分類特征的選擇

研究使用的無人機(jī)影像只有紅(red)、綠(green)、藍(lán)(blue) 三色的灰度信息，通過對(duì)圖像中地物的目視觀察，除了這3個(gè)灰度信息特征之外，又在分類特征庫(kù)中增加了長(zhǎng)寬比(Length/Width)、亮度值(Brightness)、形狀指數(shù)(Shape Index)以及可見光波段差異植被指數(shù)(VDVI)[12]。對(duì)于不含有近紅外波段的無人機(jī)可見光影像，汪小欽[12]等學(xué)者提出通過借鑒NDVI 的原理和形式，用無人機(jī)影像中較強(qiáng)的反射特征的綠光波段取代 NDVI 中的近紅外波段，用具備吸收特征紅藍(lán)波段之和取代NDVI中的紅光波段，用綠光波段的2倍使其在數(shù)值上與紅藍(lán)波段之和相當(dāng)。通過此可見光3個(gè)波段構(gòu)成可見光波段差異植被指數(shù)VDVI(Visible-band Difference Vegetation Index)，如公式(2)所示

圖4 典型地物樣本

VDVI=(2G-R-B)/(2G+R+B)

(2)

3 分類結(jié)果與精度評(píng)價(jià)

3.1 分類結(jié)果

根據(jù)所選的7個(gè)類別屬性特征，運(yùn)用面向?qū)ο蟮姆椒?，?duì)無人機(jī)影像進(jìn)行多尺度分割，然后建立分類特征，綜合利用光譜、形狀、紋理等特征信息，并進(jìn)行優(yōu)化組合，對(duì)分割后的圖像進(jìn)行分類，并合并同類別對(duì)象，共得到798個(gè)圖斑，圖5為分類結(jié)果。

圖5 分類結(jié)果

3.2 分類精度評(píng)價(jià)

對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)和分析是十分必要的，這是檢驗(yàn)方法手段可行性和準(zhǔn)確性的有效方法；同時(shí)，還可以從精度評(píng)價(jià)和分析中獲取相關(guān)信息,進(jìn)一步完善實(shí)驗(yàn)流程。根據(jù)圖5分類結(jié)果圖像，采用基于圖像信息綜合評(píng)價(jià)方法[13-14]，對(duì)分類精度進(jìn)行評(píng)價(jià)，并進(jìn)一步分析。

由表1可見，基于無人機(jī)遙感月季影像的面向?qū)ο蠓椒ǚ诸惪傮w精度達(dá)到了80.68%，標(biāo)準(zhǔn)差大部分在0.15以下。其中，建筑和地被覆膜分類精度較低，而建筑的目標(biāo)數(shù)較少，通過目視檢查發(fā)現(xiàn)其分類基本全部對(duì)應(yīng)，即分類精度較高，這與采樣時(shí)選取的建筑樣本數(shù)量多有關(guān)；地被覆膜的分類精度較低，部分地被覆膜和裸土不能夠有效區(qū)分出來，原因是部分地被覆膜被土覆蓋，被分為裸土。汽車分類精度較高，得益于汽車形狀特征明顯，且本類目標(biāo)地物相對(duì)較少。而月季和樹分類精度較高，分別達(dá)到了83.34%和89.96%，獲得了較為滿意的分類效果。

表1 分類精度評(píng)價(jià)參數(shù)表

3.3 面向?qū)ο蠓椒ㄅc傳統(tǒng)監(jiān)督分類方法的對(duì)比

在ENVI4.7中，將同一幅無人機(jī)影像進(jìn)行基于像元的最大似然法的監(jiān)督分類，選取同樣的7類地物，訓(xùn)練樣本并分類，其結(jié)果如圖6，圖7是基于面向?qū)ο蟮淖罱彿诸惤Y(jié)果。

通過對(duì)比可以發(fā)現(xiàn)，在ENVI軟件中用最大似然法分類比較細(xì)碎，“椒鹽”現(xiàn)象明顯，并且月季和樹，道路和地被覆膜沒有區(qū)分出來。這主要是因?yàn)樵录竞蜆?，道路和地被覆膜的可見光光譜信息差異小，單靠可見光光譜信息區(qū)分難度大；而基于面向?qū)ο蟮姆椒?，先將目?biāo)地物運(yùn)用面向?qū)ο蟮姆椒ㄟM(jìn)行分割，然后根據(jù)光譜、空間、形狀、紋理等信息優(yōu)化組合，對(duì)已經(jīng)分割好的地物進(jìn)行分類，彌補(bǔ)了傳統(tǒng)方法的單純依靠光譜信息的不足，取得較好的分類結(jié)果，避免了“椒鹽”現(xiàn)象的產(chǎn)生[15,18]。

圖6 最大似然法分類結(jié)果

圖7 最近鄰法分類結(jié)果

4 結(jié)論與討論

本文以南陽市臥龍區(qū)為研究區(qū)域通過無人機(jī)獲取月季的高分辨率影像，采用面向?qū)ο蟮姆椒▽?duì)獲取的無人機(jī)影像進(jìn)行解譯識(shí)別。通過eCognition(易康)軟件以及目視解譯對(duì)影像分類結(jié)果進(jìn)行了精度評(píng)價(jià)與分析，并與傳統(tǒng)的單純依靠光譜信息進(jìn)行分類的方法進(jìn)行了對(duì)比實(shí)驗(yàn)。結(jié)果證明，無人機(jī)可以有效獲取月季種植信息；面向?qū)ο蟮姆椒ǚ诸惥雀?，能夠滿足地物目標(biāo)分類的要求，極大提高了月季解譯識(shí)別的工作效率[16]。本文這種以高空間分辨率無人機(jī)遙感影像獲取為基礎(chǔ)，利用面向?qū)ο蟮乃枷牒头椒ǎ阅繕?biāo)特征進(jìn)行月季解譯識(shí)別的思路對(duì)于高空間分辨率影像的目標(biāo)地物的解譯與監(jiān)測(cè)具有一定的借鑒性和參考性[17]。

此次實(shí)驗(yàn)，探索了無人機(jī)獲取月季圖像到識(shí)別解譯，再進(jìn)行精度評(píng)價(jià)的過程，形成了月季信息提取的一個(gè)實(shí)用可操作流程，彌補(bǔ)了前人沒有涉及的月季提取研究，總體精度達(dá)到80%，為月季提供了無人機(jī)可見光遙感提取方案。同時(shí)，在下一步研究中應(yīng)當(dāng)注意。

1)面向?qū)ο蠓椒ㄖ?，分割是分類的基礎(chǔ)[22-23]，通過反復(fù)實(shí)驗(yàn)或定量研究，找出適合月季的分割尺度、形狀因子和緊致度因子，得到較為理想的分割結(jié)果，有利于提高分類精度。

2)面向?qū)ο蠓诸惒捎玫氖枪庾V信息、空間特征和形狀紋理特征綜合進(jìn)行分類的，因此月季“同物異譜”現(xiàn)象，以及月季和樹木的“異物同譜”現(xiàn)象仍然會(huì)對(duì)分類精度有一定影響，盡可能降低這種影響是將來研究的重點(diǎn)。