基于三維紋理的多模態特征城市土地利用分類

張彩煜，李明磊，魏大洲，吳伯春，李 正，李 佳

（1.南京航空航天大學 電子信息工程學院，江蘇 南京 211106；2.中國航空無線電電子研究所，上海 200233）

城市土地利用分類是城市規劃與區域管理的前提，能為合理規劃城市功能分區、促進區域經濟發展和實現土地資源可持續利用提供基礎[1-3]。隨著國家的快速發展，城市土地利用類型也在快速轉變，因此需對城市土地利用進行更高效的分析和監測。無人機技術為城市土地利用分類提供了豐富的數據支撐，通過在無人機上搭載可見光傳感器來獲取城市遙感影像數據，具有易操作、成本低、能快速采集研究區影像、獲取的影像分辨率高等特點。除可見光遙感數據外，數字表面模型（DSM）對城市土地利用分類也有不可忽視的作用[4-6]。DSM中包含從密集匹配技術中提取的高程信息，將可見光影像與DSM相結合，可為構建精確的城市三維地圖提供更全面的表示。植被指數是反映和解釋植被的重要指標，廣泛應用于城市土地利用分類研究中，Mounir L[7]等提出的綠葉指數（GLI）是較早使用可見光波段計算的植被指數。可見光植被指數[8-10]的出現為無人機搭載可見光傳感器進行城市土地利用分類中植被的提取提供了重要的理論支持。紋理特征用于描述地物的表面性質，廣泛應用于各種分類場景，大多紋理特征[11-12]都是基于二維影像定義的，并不能反映真實的三維世界，Wang X[13]等提出了基于DSM 的共生矩陣，將高度信息融入紋理特征計算中，可更真實地反映地物的三維紋理特征，從而提高地物分類精度，但該方法僅利用DSM計算紋理并未充分發揮DSM提供高度信息這一作用。鑒于此，本文提出了一種融合DSM特征、三維紋理特征和改進型植被指數的多模態特征提取技術，以提高城市土地利用分類精度；并通過實驗證明了多模態特征的優越性。

1 研究區概況與研究方法

1.1 研究區概況

本文選取的研究區為蘇州市街區（30°32'37.284''E、119°58'13.44''N），包括住宅、公園、道路。利用搭載可見光傳感器的無人機圍繞研究區拍攝不同角度的影像，再通過多視圖三維重建技術生成正射影像作為后續分類的研究數據，同時生成DSM作為后續分類的附加特征，并為計算三維紋理特征提供高度信息。設置正射影像空間分辨率為0.4 m，既能保證建筑物輪廓，又能使道路上的車輛輪廓模糊從而避免對后續分類的影響。為了獲得參考評價指標，本文通過目視解譯對該區域進行逐像素標注，標注結果見圖1。

圖1 研究區正射影像、DSM和目視解譯標注

1.2 研究方法

基于三維紋理的多模態特征城市土地利用分類主要包括多視圖三維重建、多模態特征提取、支持向量機（SVM）分類和分類后處理4 個步驟（圖2），多模態特征通過通道疊加的方式融合DSM特征、三維紋理特征和改進型植被指數。

圖2 基于三維紋理的多模態特征城市土地利用分類流程圖

1.2.1 基于顏色的植被指數

本文提出了一種改進型綠藍植被指數（MGBVI），由綠藍植被指數（GBVI）改進而來，通過放大綠、藍反射率之間的差異，更有效地提取無人機影像中的植被信息，計算公式為：

1.2.2 三維紋理特征

1）基于DSM 的共生矩陣。傳統的二維紋理不能反映三維世界中物體的真實情況，因此本文采用一種基于DSM的共生矩陣（DSMB-CM）將二維共生矩陣擴展到可見光譜與DSM圖像的三維空間。對于像素點對p1、p2，其對應的DSM值分別為h1和h2，點對之間的水平距離為dp，天頂角的計算公式為：

點對之間的天頂角是一個在[0°,1 80°)范圍內的連續值，為了離散方向，將天頂角劃分為N個截面，其中第t個截面的角度范圍為：

共生矩陣大小為L×L，L為強度水平，由于高計算量和共生矩陣的高稀疏性不利于后續計算，通常將灰度級降低到16（L為16）。共生矩陣的元素是具有一定距離和方向的像素對的強度計數。Gp(i,j,θ,Sect)表示平面方向為θ、垂直方向為Sect的像素點p的DSMB-CM，(i,j)表示共生矩陣的第i行第j列，則有：

式 中，I(p)為像素點p的強度；Θ(p1,p2)、Φ(p1,p2)分別表示點對(p1,p2)之間的水平方向夾角和天頂角；#為滿足條件的點對的計數值。

DSMB-CM 不能直接作為分類特征，類似于Haralick R M[14]等提出的利用灰度共生矩陣從遙感影像中提取紋理特征，同樣地本文利用DSMB-CM 計算遙感影像的三維紋理特征。在最初提出的14個紋理特征中，用于遙感影像的主要為均值、方差、同質性、對比度、差異性、熵、二階矩和相關性。

2）三維紋理特征的降維。與灰度共生矩陣計算類似，DSMB-CM的計算中像素對之間有4種水平相鄰情況，根據式（3）像素對之間的天頂角可分為N個截面，因此對于每個像素點所計算的DSMB-CM 共有4×N×C×8 維特征通道，C為遙感影像通道數，對于可見光遙感影像，在計算DSMB-CM 前通常將其灰度化，即C=1。均值的計算使特征具有旋轉不變性，但有丟失有效信息的風險。平面旋轉不變性對于特征提取很重要，且DSMB-CM 在不同垂直方向上的紋理特征反映了三維表面上的光譜分布，是物體識別的有效信息。考慮上述問題，本文計算4 個水平方向紋理特征的平均值，同時保持不同垂直方向的特征，特征通道數從4×N×C×8 降至N×8。DSMB-CM 所產生的高維特征會降低分類器的性能。通過計算相同地物各項特征變異系數和不同地物間各項特征差異系數[15]，本文選擇變異系數小且差異系數大的特征項對DSMB-CM進行降維處理。其計算公式為：

式中，D為方差；S為標準差；V為變異系數；M為樣本均值；Dw為差異系數；S1、S2為樣本1、2的均值。

1.2.3 SVM分類器

SVM[16-17]作為許多應用領域中最強大、最魯棒的分類算法之一，基于統計學習理論，對于在低維空間中無法分類的樣本，通過映射將其轉化到高維空間，在高維空間中尋找最優決策超平面，從而產生最優的類分離。SVM 直接通過訓練數據確定決策函數，使決策邊界之間的間隔在一個高維空間中最大化。該分類策略最小化訓練數據的分類誤差，且獲得了更好的泛化能力，與SVM 等分類方法在輸入數據數量較小的情況下存在顯著差異。本文選擇SVM作為分類器。

2 實驗與結果分析

2.1 評價指標

本文通過混淆矩陣計算總體精度（OA）和用戶分類精度（UA）以評價城市土地利用分類性能。

式中，pii為第i類地物被分類為第i類地物的像素數量；pij為第j類地物被分類為第i類地物的像素數量；k為地物種類，本文中k=4。

2.2 實驗結果分析

分類的可視化結果見圖3，可以看出，采用多模態特征后分類結果更加準確；利用目視解譯獲得的標注計算OA，多模態特征后OA提高了16.5%，達到93.4%，說明利用多模態特征進行城市土地利用分類具有可靠性。本文將研究區分為建筑、道路、植被、水體4 種地物類型，分別分析了采用多模態特征后4種地物的分類效果（圖4），可以看出，采用多模態特征后4 種地物的錯分現象均得到了改善，但改善效果不同，多模態特征為高度信息最顯著的建筑類地物提供了更真實的三維特征，包括三維紋理特征和DSM特征，因此建筑類地物的改善效果最明顯，分類結果與手工標注結果基本一致；由于道路和建筑的高度差異大，采用多模態特征后道路類地物中誤分為建筑的像素被重新正確分類；多模態特征也使植被類地物的誤分類現象得到改善，但與手工標注結果仍存在差異；水體類地物高度信息不明顯，且在僅使用正射影像分類時結果就已接近真實情況。4種地物的UA見表1，可以看出，采用多模態特征后建筑類地物的UA提升最多，達到39.1%，其次分別是道路、植被、水體，與可視化結果表現一致。

表1 不同地物類型的UA/%

圖3 蘇州市土地利用分類結果

圖4 不同地物類型分類的可視化結果

由于分類結果中存在許多雜點，因此本文采用主要分析進行后處理。主要分析采用類似卷積濾波的方法將較大類別中的虛假像元歸到該類中，定義一個變換核尺寸，用變換核中占主要地位的像元類別代替中心像元的類別。本文變換核尺寸選擇5×5，所有分類結果經過主要分析后處理的結果見圖5，OA提高了2.1%，達93.4%。

圖5 主要分析后處理結果

2.3 對比實驗

本文利用DSMB-CM 計算得到三維紋理特征，為避免添加三維紋理特征時高維特征對分類器性能的影響，分別選取建筑、道路、植被、水體4 種地物樣本并計算相同地物樣本間的變異系數和不同地物樣本間的差異系數。變異系數越小表明該特征越能有效代表該地物類型，差異系數越大表明越容易通過該特征與其他地物區分，因此本文選擇滿足變異系數小于3%、差異系數大于25%的特征通道；并利用相同方法選擇二維紋理特征和高度紋理特征做對比實驗，結果見圖6，當多模態特征中選擇二維紋理特征時，由于陰影與建筑的二維紋理特征相似，陰影被誤分為建筑，而陰影和建筑的高度差異大，采用三維紋理特征時該現象得到了改善；當多模態特征中選擇高度紋理特征時，道路中的車輛易被誤分為建筑，而選擇三維紋理特征時該現象得到了改善。多模態特征中選擇正射影像、DSM、二維紋理特征、MGBVI 特征的OA為93.1%，選擇正射影像、DSM、高度紋理特征、MGBVI 特征的OA為91.8%，選擇正射影像、DSM、三維紋理特征、MGBV特征的OA為93.4%，說明三維紋理特征比二維紋理特征和高度紋理特征更能反映真實三維世界中的物體紋理，因此多模態特征中選擇三維紋理特征的分類結果更準確，進行城市土地利用分類時更可靠。

圖6 多模態特征中選擇不同紋理特征的分類可視化結果

為證明多模態特征中MGBVI的優越性，本文將多模態特征中MGBVI替換為其他可見光植被指數做對比實驗，結果表明，選擇正射影像、DSM、三維紋理特征、GBVI 特征的OA為93.2%，選擇正射影像、DSM、三維紋理特征、GRVI 特征的OA為93.1%，選擇正射影像、DSM、三維紋理特征、GLI特征的OA為93.2%，選擇正射影像、DSM、三維紋理特征、MGBVI 特征的OA為93.4%，采用MGBVI 時的OA最高，因此在進行城市土地利用分類時也更可靠。

3 結語

城市土地利用分類研究對城市的可持續發展具有重要意義。城市土地的不合理利用將導致耕地、森林和其他土地等資源的浪費，及時調查與研究土地利用情況是城市管理中必不可少的部分。為得到更加精確的分類效果，本文提出了基于三維紋理的多模態特征城市土地利用分類方法。利用搭載可見光傳感器的無人機獲取研究數據，通過融合DSM特征、三維紋理特征和MGBVI的多模態特征提高城市土地分類精度，并對蘇州市街區進行了實驗研究。

1）融合DSM特征、三維紋理特征和MGBVI的多模態特征豐富了遙感數據信息，DSM特征反映了不同地物的高度信息；三維紋理特征反映了不同地物的三維表面信息，比二維紋理特征更真實；MGBVI反映了植被與非植被之間的差異。通過通道疊加，各特征都能充分發揮其自身優勢且沒有信息損失，從而提高了城市土地利用分類精度。

2）通過添加多模態特征提升城市土地利用分類精度，不同地物的提升效果不同。建筑類地物分類的提升效果最佳，其次是道路、植被、水體。隨著城市的發展，城市土地利用變化往往發生在建筑與道路兩種地物之間。