基于無人機高分影像的綠地面積提取

李培君 劉亞亭（河南大學環境與規劃學院，河南開封 475000）

基于無人機高分影像的綠地面積提取

李培君 劉亞亭（河南大學環境與規劃學院，河南開封 475000）

無人機高分影像相比傳統遙感影像具有一定的優越性，用途十分廣泛。傳統遙感影像分類技術不再適用于無人機高分影像，本文采用面向對象的分類方法，經過多次實驗對比選擇出合適的分割尺度再進行分類，可以從影像中較為準確提取出綠地。

無人機影像；面向對象分類；影像分割

利用無人機高分影像提取出城市綠地面積和綠地的分布位置有助于提高城市規劃布局的合理性，在以往利用衛星影像提取綠地面積的過程中，由于影像分辨率不高，大范圍的綠地面積可以得到，但面積較小的綠地面積卻由于影像分辨率不高無法提取出來，因此影響了綠化覆蓋率統計的準確度。與傳統的衛星影像相比，無人機影像具有分辨率高、即時性、使用方便等特點，因此，可利用無人機影像代替傳統的遙感影像應用在小范圍的區域面積統計中。

1 數據來源及研究方案

本文的實驗區為河南大學明倫校區，該校區位于開封市順河回族區，北鄰鐵塔公園，學校內部綠化程度較高，由于學校整體區域不規則，本文盡量選擇一個較為規則的影像區域進行實驗。無人機飛行的相對航高為280m，預設航向重疊度81%，旁向重疊度43%，飛機搭載的相機焦距為35.626 8mm，獲取的無人機影像地面分辨率達到0.05m。由于無人機飛行高度不高，距離地面較近，加之風速等的影響，影像上的建筑物會存在一定程度的變形，所以在進行綠地面積提取之前需要對無人機影像進行矯正，得到按平面大地坐標排列的正射影像，為分類后的面積量算提供真實尺度［1］。在進行無人機影像糾正過程中，需要進行影像預處理、空三加密、DEM生成等，最終生成正射影像。

在對影像進行分類時，傳統的基于像素的遙感影像處理方法都要求遙感影像光譜信息極其豐富，地物間光譜差異較為明顯?；谙袼胤诸惙椒▽τ诜治龅头直媛蔬b感影像中的大面積區域變化，或多光譜、高光譜遙感影像地物層次結構可能會取得較好的結果［2］。無人機影像分辨率較高，相比分辨率較低的遙感影像，影像中不只有地物的光譜信息，還有地物的結構、紋理、形狀等細節特征，同時無人機高分影像包含的波段信息較少，而這種方法只考慮光譜信息，若使用傳統的方法分類便會使高分影像的分類精度降低。面向對象遙感圖像分類方法，處理的最小單元不再是像元，而是含有更多語義信息的多個相鄰像元組成的影像對象，在分類時更多地考慮圖像的空間特征以及影像的紋理信息、拓撲關系，而不僅僅是單個對象的光譜信息［3］。因此這種方法更適用于對高分辨率的無人機影像進行分類，eCognition軟件是采用面向對象分類的一種圖像處理軟件，本文使用此軟件對影像進行分割、分類。

2 影像前期糾正

2.1 空三加密

由于無人機搭載的相機自身有一定的畸變差，所以所拍攝的影像需要進行初畸變矯正，所需的內方位元素在相機檢校報告中已給出，影像矯正后需要進行空三加密，加密時最常用的方法是以每個像片作為基本平差單元，根據控制點的像方坐標x，y，z和物方坐標X，Y，Z，按照共線條件方程公式（1）分別列出誤差方程，在全區域內統一進行平差處理。確定區域內所有影像的外方位元素，從而求出加密點所對應的物方坐標［4］。

圖1

其中，a1、a2……c3為影像的外方位元素

2.2 DEM和DOM的生成

DEM的生成首先需要進行影像匹配，計算機將相鄰兩張影像組成立體像對，進行相關運算識別同名像點，建立各像對的立體模型，然后將逐個生成的單個DEM拼接到一起生成整體的DEM。最后，計算機根據像片外方位元素、DEM等起算數據，確定正射投影點位置與對應的中心投影點位置，然后將原始影像像元的密度值賦予對應的正射位置的像元，逐一進行糾正［4］，生成正射影像，如圖1中a、b兩圖為一幅影像糾正前后的對比。糾正完每一幅單幅正射影像后進行拼接鑲嵌，生成全區域的數字正射影像，如圖1中的c為影像剪切后明倫校區的正射影像圖。

3 從無人機影像上提取綠地

3.1 尋找最優分割尺度

影像分割是面向對象分類方法的基礎，它分割出來的是有意義的影像對象和對象間相互的聯系，這正是面向對象分類方法和基于像元分類方法的本質區別［5］，分割的關鍵是鑒別分割得到的對象內部是否具有好的同質性，一般選用多尺度分割的方法，在分割的時候有幾個參數：一般分割尺度越大，影像對象面積也越大。顏色參數和形狀參數代表的是兩個對象合并后的光譜異質性和形狀異質性，也是影響面積劃分的重要因素，二者的權重之和為1，一般情況下將顏色權重選取較大一些，相應的形狀權重就小一些，在某些特殊情況下，如果形狀十分規則，可以將形狀權重設的大一些，緊湊度和平滑度的權重之和為1，如果緊湊度越大，則分割形狀的不規則邊界就越少，利用軟件按照設置參數（分割尺度、顏色權重、緊湊度權重）進行分割[6]，結果如圖2。

圖2 不同尺度分割效果圖

從圖2可以看出，獲取最佳分割尺度對影像分類信息提取起到至關重要的作用。由于影像整體較大，分割尺度設為100時分割出的影像較為零碎，如圖a所示，由于分割尺度較小，生成的多邊形對象過多且形狀復雜，在后續的分類過程中會耗費較長的時間，而且還降低了分類的準確度。尺度為400時由于分割尺度過大，造成了分割不完全（例如圖c中紅色選中區域），一個對象包含了多個地物目標，在分類的時候此目標無法正確歸類，形成錯誤分類，經過多次測試，將分割尺度設為250時既可以有效地分割出各種地類，也不至于使地物過于零碎。將形狀權重設為0.8時，分割出的對象形狀簡單，但同時出現許多一個對象包含多個地物的情況（如圖d中紅色區域所示），因此應選取圖b中所設置的參數對影像進行分割。

3.2 影像的分類

在影像分割后要對影像進行分類，可以選取顏色比較純凈，且具有典型性的部分作為樣本，進行監督分類，通過所選樣本的特征參數來制定一些規則進行分類，在此，我們只需要提取出綠地的面積，把影像上的綠地地物分類出來即可，如圖3所示為分類好的結果。在軟件中得出整幅影像中綠地面積所占比例為33.44%。

在影像分類時，大面積的綠地基本上可以被正確劃分，但是一些路邊或者湖邊零碎的綠化帶在分類的時候會有一定的偏差。配合人工的檢查糾正，基本可以確定綠地面積。

4 結論

圖3 影像部分區域分類結果

無人機高分辨率正射影像可以真實地反映出地物的特征，同時具有地物的位置信息，其精度也較高，因此很有利用價值。面向對象分類與傳統分類方法相比可以較準確地提取出地物的邊界，快速地將各種地物進行分類，本文在利用無人機正射影像進行面向對象分類時，關鍵在于對影像分割尺度的選擇，合適的尺度需要經過反復實驗對比選擇出來，不同的影像需要選擇各自適合尺度。此結果分類出的影像比較準確，適用于小范圍的精確分類。

［1］賴震剛.利用真彩航空影像進行城市綠化面積的分類研究［J］.現代測繪,2003，26（1）：51-54.

［2］鄭文娟.面向對象的遙感影像模糊分類方法研究［J］.北京測繪，2009（3）：46-49.

［3］張春曉.基于面向對象和影像認知的遙感影像分類方法——以都江堰向峨鄉區域為例［J］.測繪通報，2010（4）：23-25.

［4］鄒小香.數字攝影測量空三加密處理技術及精度評價研究［J］.科技資訊，2013（35）：25-26.

［5］王佩軍，徐亞明.攝影測量學［M］.武漢：武漢大學出版社，2005.

［6］魯恒.無人機高空間分辨率影像分類研究［J］.測繪科學，2011，36（6）：106-108.

感謝黃河下游科學數據中心（http：//henu.geodata.cn）對論文的數據和技術支撐”。

Green Area Extraction Based on the High-resolution Imageof UAV

LiPeijun Liu Yating
(Schoolof Environmentand Planning，Henan University，Kaifeng，Henan 475000)

Compared with the traditional remote sensing image，the UAV high-resolution image has certain advantages，and it has been widely used..Traditional remote sensing image classification technology is no longer suitable for UAV high-resolution images.In this paper，the object oriented classification method was adopted. Through a lotof experimental comparison,suitable segmentation scalewas selected for sorting,and the green area can be extracted in a relatively accurateway from the image.

UAV image;bjectoriented classification;image segmentation

S731

：A

：1003-5168（2015）03-0039-4

2015-2-18

李培君（1991.10-），女，碩士研究生，研究方向：電子政務。