基于無人機遙感影像的不動產信息提取

楊利娟 龐帥峰

（1.海南天涯人力資源管理服務有限公司，海南 海口 571000；2.自然資源部第七地形測量隊，海南 海口 571000）

1 引言

2013 年以來，國家開展農村土地確權工作，對農村宅基地、耕地等利用情況開展確權登記，其中十分重要的一項工作就是進行全國范圍內的宅基地普查測量[1,2]。農村不動產登記工作中，由于不動產確權登記工作的精度要求高、項目周期短、工作難度大、各地項目要求差異較大等，對較難獲取準確信息的地區，甚至采用傳統的全站儀測量手段[3]，成本高，工期長，承擔部門投入了巨大的人力物力[4]。

隨著硬件與軟件技術的快速發展，無人機在測繪行業取得了廣泛應用[5]。國內外眾多學者開展了大量的無人機航空攝影應用研究工作，從硬件與軟件兩方面入手，提升無人機航攝技術在地面信息提取工作中的精度[6]。目前，農村不動產信息航攝影像提取主要依靠內業人工勾畫，尚未形成全自動或半自動信息提取方案，而星載遙感影像的圖像識別與分類已經應用成熟。相對于其他分類器分類精度高，面向對象分類方法的優勢在于面向對象分類流程中，將像元通過多尺度分割，劃分為一個個像元集合，即對象，然后以對象代替像元作為樣本，帶入監督分類器中進行圖像識別與分類，以此避免混合像元對分類精度造成的影響[7]。而隨機森林分類方法通過多場合應用與驗證，其精度高于傳統的面向對象分類方法，采用多尺度分割+隨機森林分類的方法，勢必大大提升遙感識別精度[8,9]。

本文在不動產確權工作中，選用搭載于六旋翼大疆M600 無人機獲取的多光譜影像，采用多尺度分割+隨機森林分類方法進行不動產信息遙感提取試驗，探討無人機影像在遙感分類中的適用性，研究多尺度分割方法在隨機森林分類中的應用。

2 數據及原理

2.1 數據介紹

本研究選用的無人機平臺為深圳市大疆公司生產的六旋翼無人機M600，該飛機具有起降靈活、維護簡單、垂直起降場地無限制、攜帶方便、操作簡單、飛行姿態穩定等優勢，可實現定點懸停、低速飛行、多樣載荷。搭載于無人機平臺的鏡頭拍攝獲取的影像為4 波段多光譜影像，涵蓋了可見光近紅外光譜范圍，空間分辨率為5cm，具體成像效果如圖1 所示。

圖1 航空影像區

2.2 原理介紹

隨機森林分類算法是一種高效的分類學習器，該算法將多個CART 決策算子集合到一起進行綜合訓練，最終生成一個新的綜合型機器學習算法，該算法可預測幾千個解釋變量，是目前遙感影像分類中比較受歡迎的分類算法。

3 結果分析

3.1 多尺度分割

選用多尺度分割方法對無人機航空影像進行像元分割，不同分割尺度得到的分割效果也各不相同，如圖2 所示：圖2（a）為分割尺度60 的分割效果，分割圖斑瑣碎，且獨棟建筑按照像元邊界分割成多個圖斑，存在嚴重的過度分割，但該尺度適合裸地信息的分割提取；圖2（b）為分割尺度70 的分割效果，分割圖斑較之前改善較多，且紋理信息的劃分更加符合實際；圖2（c）為分割尺度80 的分割效果，分割圖斑中的建筑信息被完整分割出來，且道路信息也較好地識別出來，但林地信息仍存在過度分割現象；圖2（d）為分割尺度90 的分割效果，分割圖斑中水體與林地的分割效果達到最優，但建筑信息存在分割不飽和現象。

圖2 不同尺度分割效果

3.2 樣本選擇

在上述多尺度分割的基礎上，通過篩選不同分割尺度，進行不同地類的對象選擇，篩選出的對象作為樣本，送入隨機森林分類算法中。通過對比得出以下結論：建筑樣本選用分割尺度為80 的圖斑、道路樣本選用分割尺度為80 的圖斑、林地樣本選用分割尺度為90 的圖斑、水體選用分割尺度為70 的圖斑、裸地選用分割尺度為60 的圖斑，通過不同分割尺度提取的樣本如圖3 所示。

圖3 樣本選擇

3.3 隨機森林分類

將上述樣本帶入隨機森林分類算法中，得到如圖4（a）所示的分類成果。為了便于對比多尺度分割+隨機森林遙感識別放在不動產信息提取中的優勢，將面向對象分類算法也進行了遙感分類，結果如圖4（b）所示：整體來說面向對象分類效果整體較隨機森林分類效果模糊，建筑物識別多為連片分布，獨棟房屋未識別出來；而隨機森林分類算法的分類成果中，獨棟房屋被完整識別出來，且分布規則，邊界合理。但隨機森林分類算法的道路信息提取效果較差，面向對象分類方法識別的道路信息更合理。

圖4 不同分類算法遙感分類效果

無人機航空影像的不動產信息遙感提取效果分別如圖5（a）、5（b）所示：面向對象分類算法在不動產信息的提取中具有較好的適用性，房屋信息均識別出來，但對于不動產登記工作要求的農村宅基地面積精準測量與提取精度，仍然不能滿足；而隨機森林分類算法提取的不動產信息，具有較高的精度，獨棟房屋提取效果顯著，聯排獨棟房屋更是單獨提取出來，并且未有連片提取的現象，在影像上部的不規則分布圖斑中，隨機森林分類算法的精度更是遠高于面向對象分類算法，完好地區分出了硬化地表、荒地對不規則分布的獨棟房屋遙感提取的影響。

圖5 不同分類算法不動產信息提取效果

3.4 精度驗證

對兩種分類算法的提取精度進行驗證，各地類提取精度如表1 所示：整體來說隨機森林分類算法精度達到了97%，高于面向對象分類算法的分類精度。但面向對象提取結果中，道路信息提取精度高于隨機森林的精度，究其原因是道路信息具有典型的幾何特征，該特征在面向對象特征庫中經過大量訓練，可以較好地反映出來，而隨機森林分類算法中對幾何特征的計算有一定缺陷，但整體上，多尺度分割+隨機森林分類方法在地物信息提取中仍優于面向對象分類方法。

表1 各地類精度驗證

多尺度分割+隨機森林分類算法在不動產信息遙感提取中的精度也具有絕對優勢，如圖6 所示，隨機森林分類算法的精度高于面向對象分類精度8%，達到了91%，本研究采用的方法在無人機航空影像上的不動產信息提取工作中具有較好的應用性。

圖6 無人機影像不動產信息提取精度

4 結論與展望

結合目前不動產確權工作的開展情況、無人機技術的使用情況、遙感手段的應用情況，本文采用多尺度分割+隨機森林分類算法在無人機航空影像上進行不動產信息遙感提取，通過試驗得出以下結論：

（1）大疆M600 無人機獲取的多光譜影像質量較高，房屋等紋理信息表達清晰；

（2）通過多尺度分割工作，將房屋、道路等不同地物類型的像元特征進行最優組合，組合成不同的對象，并在分割基礎上得到了相對純凈的樣本對象；

（3）通過多尺度分割+隨機森林分類的方法，得到了較理想的分類成果，房屋不動產信息的遙感提取精度較高，圖斑提取邊界清晰，與實際情況高度吻合，且道路、裸地等其他地類對其混淆較小，分類精度達到97%；

（4）對于不動產信息遙感提取，結合實際提取效果可知，本研究采用的方法已處于較高層面，且具有較好的應用性。

在選定區域內，多為聯排房屋，且呈均勻分布，取得了較好的實驗效果，但在分布凌亂的地區，尚未開展相關研究，后續將持續深入開展相關工作。