面向對象的無人機影像分類研究

許 燕，段福洲，段光耀

（1. 首都師范大學 資源環境與旅游學院，北京 100048；2. 北京市城市環境過程與數字模擬國家重點實驗室培育基地，北京 100048；3. 資源環境與地理信息系統北京市重點實驗室，北京 100048；4. 三維信息獲取與應用教育部重點實驗室，北京 100048）

面向對象的無人機影像分類研究

許 燕1,2,3,4，段福洲1,2,3,4，段光耀1,2,3,4

（1. 首都師范大學 資源環境與旅游學院，北京 100048；2. 北京市城市環境過程與數字模擬國家重點實驗室培育基地，北京 100048；3. 資源環境與地理信息系統北京市重點實驗室，北京 100048；4. 三維信息獲取與應用教育部重點實驗室，北京 100048）

選取同處于夏收秋種時期、不同地點的3幅無人機影像進行面向對象分類。將影像在14個不同尺度上進行多尺度分割，以便獲取對于分類對象較好的分割尺度。在對象基礎上，將影像分為灌木、農田、道路、房屋及水體，并將分類結果精度與最大似然分類結果進行對比。結果表明，采用定量評價分割效果的方法，同時采用面向對象的方法進行信息提取，總體精度均在80%以上，明顯高于最大似然分類。

無人機影像；面向對象分類；IHS變換

無人機等低空航空遙感影像一般擁有較高的分辨率、豐富的紋理信息、較少的波段，比較適合人工目視判讀。而傳統的利用光譜信息，以像元為單位進行分類[1,2]的方法很難充分利用高分辨率影像的位置、紋理、形狀等信息[3-7]，浪費了一部分影像信息，且得不到令人滿意的分類結果。本文建立了一種普適的低空航空遙感影像信息提取策略。

1 數據與方法

實驗數據為2009年8月河南鄧州、2008年7月山東菏澤、2008年5月甘肅隴南3個地區的低空航空遙感數據。研究區地物類型解譯標志如表1所示。

表1 研究區地物類型解譯標志

采用面向對象的方法，利用多尺度分割生成影像對象，運用模糊邏輯方法計算出對象的形狀信息、紋理信息以及對象間的拓撲關系信息，通過特征參數的組合建立規則集，從而實現影像的分類。

1.1 特征分析

通過對地物的目視解譯，了解地物的分布特征，掌握類別之間的主要區別。比如農田與灌木在亮度上沒有較大區別，而兩者因為拍攝時間原因，在紋理上有很大差異，可以利用紋理參數將兩者分開；鄉村道路形狀沒有規律，亮度也較高，與屋頂難區別，應選擇兩個或兩個以上的特征參數將兩者區分開。

1.2 遙感影像分割

遙感影像分割是面向對象影像分析的基礎。進行分割時，需設定合適的波段權重、形狀因子和緊致度、分割尺度等參數。根據任務中感興趣信息的特征設置參與分割波段的權重[8]。通過對形狀因子及緊致度的設定，確保其分割結果有較高的同質性，并且得到的多邊形較為規整[9]。在面向對象的分類中，尺度選擇非常重要，它與對象大小直接相關，并影響分類的精度。

1.3 信息提取

分割后的對象由同質像元組成[10]，充分利用影像的光譜與形狀信息。通過對影像的特征分析，選擇特征參數，建立規則集，從而實現對影像的分類。

1.4 精度評價

采用混淆矩陣，通過目視解譯選取一定數量的樣本，對分類后的結果進行精度評價，并將結果與最大似然分類的精度進行對比分析。

2 結果與分析

2.1 分割參數確定

3幅遙感圖像的參數設置步驟基本一致。選用2009年河南鄧州的圖像對各個參數的設置方法進行分析。

考慮到影像只有RGB三個波段，每個波段對分割都很重要，因而將權重設置為1︰1︰1。由于文中所用影像分辨率較高，顏色因子權重較大，為0．7，而緊致度權重較小，為0．3。分割尺度采用14個。為了定量評價分割尺度的效果，采用Ke Yinghai的方法，通過計算分割對象與參考對象之間的拓撲和幾何相似性對分割結果進行評價：

其中，n為感興趣區域對象的個數；Ar為參考對象的面積；As為分割對象的面積；Ao為參考對象與分割對象重疊區域的面積。RAor與RAos是從拓撲方面來評價，而Dsr是從幾何方面來考慮，計算的是參考對象中心與分割對象中心的幾何距離。

圖1 不同尺度下RAor、RAos走勢圖

對于圖1，橫軸表示分割尺度，縱軸表示所占百分比。從圖上可以看出，在尺度很小時，RAos較小，在0%左右，RAor較大，在90%左右，此時處于過分割狀態。隨著尺度的增加，RAor逐漸降低，RAos逐漸增加，當兩者相交時，則為較優尺度。對于圖2，橫軸表示分割尺度，縱軸表示距離。分割對象與參考對象的距離越近，分割效果越好。依照圖1、圖2確定該影像的最優尺度。依照此步驟，對影像上的地物一一計算出最優尺度。

2.2 分類規則

分割完成后將影像進行IHS變換，變換后各通道的分離圖如圖3[11]。

圖3 IHS顏色通道平面分離圖

如圖3所示，變換后H通道和S通道的植被與非植被的邊界較為模糊，對比度不太強；而I通道植被與非植被的邊界清晰，對比度較強，能夠將細節信息很好地顯示出來。本文選取I通道，通過設定適當的閾值較好地將植被信息提取出來。

通過對影像各地物的分析，總的影像提取規則如表2所示。

表2 多尺度影像分類規則

表2是根據各個地物的分布規律選取的特征參數。對于水體，由于影像只包含3個波段，無法構建歸一化水體指數，且本幅影像水體富營養化，普通方法無法準確提取水體信息。分析發現，水體富營養化主要是一些水生植物高度富集所致，可以以葉綠素來表征。葉綠素本身呈深綠色或橄欖綠色，對綠色光（490～570 nm）反射率較大，對藍紫光（440 nm左右）及紅橙光（678 nm左右）則具有強烈的吸收效應[12]。當水生藻類等植物密度較高時，水體光譜反射曲線在藍紫光和紅橙光附近出現吸收峰值，而在綠光附近為吸收谷。據此，在影像分割之后，先以各個對象包含所有像素的平均亮度作為該對象亮度，得到Mean_ Band，再通過波段運算構建一種富營養化的水體指數（EWI）（如式（4）），達到富營養化水體信息增強的目的，進而進行水體提取。對于道路與房屋，由于形狀不同，在此選用“長度/寬度”（如式（5））將兩者區分開；對于林地與農田，由于紋理不一致，本文利用紋理對比度（GLCM Contrast）（如式（6））區分。

其中，Mean_Band3、Mean_Band2分別表示藍色波段和綠色波段各個對象均值計算結果；EWI為本文構建的富營養化的水體指數。

其中，a指邊界框的長度；b指邊界框的寬度；f指邊界框的填充度；A指影像對象的面積。

其中，i指一個像素的灰度值；j指另外一個像素的灰度值；P（i，j）表示該點的灰度共生矩陣。圖像的對比度隨著局部像素對灰度差別的增大而增大。

根據表2，將研究區分為水體、灌木、農田、道路與房屋5類，其中閾值的確定主要依據人機交互。根據以上步驟，完成了鄧州市地物的分類。另外兩幅影像主要依據以上步驟進行相應分類。

2.3 精度評價

本文以混淆矩陣為基礎，采用分層抽樣策略進行抽樣，以用戶精度與總體精度作為評價影像分類效果的指標。表3為采用面向對象的方法，植被與非植被提取精度對比表。表4、表5分別為3幅航空影像采用面向對象方法、最大似然分類的精度評價表。

表3 基于面向對象的植被與非植被精度對比表

表4 面向對象分類精度評價

表5 最大似然分類精度評價

由表4、表5可以看出，采用面向對象的方法總體精度均在80%以上，明顯高于最大似然分類。其中，

3 結 語

本次研究數據源為不同時相、不同地點的航空遙感影像，采用面向對象的方法進行信息提取，總體精度均在80%以上，明顯高于最大似然分類。采用本文方法，閾值選擇沒有一個固定范圍，有待于進一步研究。

[1] 李娜,周德民,趙魁義．高分辨率影像支持的群落尺度沼澤濕地分類制圖[J]．生態學報,2011,31(22):6 717-6 726

[2] 黃慧萍．面向對象影像分析中的尺度問題研究[D]．北京：中國科學院遙感應用研究所,2003

[3] 張秀英,馮學智,江洪．面向對象分類的特征空間優化[J]．遙感學報,2009,13(4):664-669

[4] 宮鵬,黎夏,徐冰．高分辨率影像解譯理論與應用方法中的一些研究問題[J]．遙感學報,2006,10(1):1-5

[5] Yu Qian, Gong Peng,Cliton N．et al．Object-based Detailed Vegetation Classification with Airborne High Spatial Resolution Remote Sensing Imagery[J]．Photogrammetric Engineering and & Remote Sensing,2006,72(7):799-811

[6] 陳云浩,馮通,史培軍，等．基于面向對象和規則的遙感影像分類研究[J]．武漢大學學報：信息科學版,2006,31(4):316-320

[7] Ke Yinghai,Quackenbush L J，Jungho I．Synergistic Use of QuickBird Multispectral Imagery and LiDAR Data for Objectbased Forest Species Classification[J]．Remote Sensing of Environment, 2010,114:1 141-1 154

[8] 汪求來．面向對象遙感影像分類方法及其應用研究-以深圳市福田區植被提取為例[D]．南京：南京林業大學,2008

[9] 張明媚，姚國紅．面向對象的高分辨率遙感影像信息提取技術[J]．地理空間信息，2013,11(1):89-94

[10] Ouma Y O，Tateishi R． Urban-trees Extraction from QuickBird Imagery Using Multiscale Spectex-filtering and Non-parametric Classification[J]．Photogrammetry and Remote Sensing, 2008,63:333-351

[11] Ling Y R,Ehlers M,Usery E L,et al． FFT-enhanced HIS Transform Method for Fusing High-resolution Satellite Images[J]．ISPRS Journal of Photogrammetry & Remote Sensing,2007,61:381-392

[12] 鄒尚輝．武漢市湖泊環境的遙感研究[J]．地理科學,1991,11(3): 261-268

P237.4

B

1672-4623（2014）05-0028-03

10.3969/j.issn.1672-4623.2014.05.010

許燕，碩士，主要從事遙感方面的研究。

2013-10-18。

項目來源：國家自然科學基金資助項目(41101403)。