基于決策樹的無人機高光譜遙感影像地物分類研究

萬歡，孫昕，周浩瀾，王長委*

（1.華南農業大學資源環境學院，廣東 廣州 510642；2.珠海歐比特宇航科技股份有限公司，廣東 珠海 519080；3.華南農業大學水利與土木工程學院，廣東 廣州 510642）

分類是高光譜遙感影像處理和應用的一項重要內容，其最終目標是給影像中的每個像元賦以唯一的類別標識[1]。然而，高光譜遙感影像的高維特性、波段間高度相關性、光譜混合等使得高光譜遙感影像分類面臨著巨大挑戰[2]。隨著模式識別、機器學習、遙感技術等相關學科領域的發展，高光譜遙感影像分類研究取得了快速進展[3～5]。通過分析不同地物的光譜曲線，找出不同類地物之間的光譜曲線差異，明確最能區分某一類地物與其他地物間的波段，運用波段的代數運算方法，對高光譜遙感影像進行分類，并將分類結果與機器分類結果進行比較，評估了分類精度。

1 材料與方法

1.1 數據獲取

2017年6月8 日，UTC 時間6∶30～7∶30，采用Headwall 納米級高光譜成像光譜儀，獲取廣東省廣州市增城區溫涌路旁某一段河流的數據。以河流為中心線，包含河流兩岸的部分地物，測區寬約93 m、長約630 m。飛行路線大致為東南至西北，影像中有陰影，且陰影的位置均位于地物的東偏南方向。增城區當天無持續風向。影像區域的地物種類不多，地物均較為典型，且成像清晰（圖1）。

圖1 2017年6月8日廣州市增城區東江支流某段河流的影像圖Fig.1 Image of Dongjiang tributary in Zengcheng District of Guangzhou on June 8th 2017

1.2 研究方法

1.2.1 標準化處理 對不同類別地物各提取一定數量樣本點的全部波段的光譜信息，采集不同地物的特征值樣本。統計出各波段特征值范圍和平均值范圍、標準差范圍等（表1），用來衡量樣本反射率的整體大小。

表1 樣本點各個統計指標的區間范圍Table 1 Range of statistical data of sample points

1.2.2 分類方法 基于地物光譜特征差異，采用波段運算、閾值分割的決策樹方法，對地物進行逐步分類。具體操作步驟為：運用閾值分割法針對同一波段不同地物反射率的差異對地物進行逐級分割；波段運算使決策樹得到簡化。

1.2.2.1 各地物光譜反射率。制作地物在各個波段的光譜曲線（圖2）。對二維光譜曲線圖進行分析發現，植被和水體與其他類地物的光譜曲線差異較大，且植被與水體的光譜曲線差異也較為明顯。

1.2.2.2 分類處理。通過二維光譜曲線可以直觀地對各類地物的光譜曲線進行比較，利用不同類地物的光譜曲線差異，對影像中的地物進行分類是比較簡易又快速的方法。使用決策樹分類法進行波段代數運算，對地物進行分類。

（1）背景和影像分離（植被分離）。利用第164波段和第126 波段分離背景和影像。然后，利用歸一化植被指數NDVI 將植被分離出來。植被反射率變化的陡坡位于第126～164 波段，因此利用公式（1），判斷條件分離出植被，NDVI 的值可以通過分類效果進行調整。

（2）水體分離。水體的光譜曲線整體比較低，且變化較為平緩，在第226 波段（中心波長900.12 nm）的近紅外波段，水體的輻射值非常低，樣本反射率平均值＜0.005。而在此波段附近，其他地物的輻射值處于比較高的位置。因此，由第226 波段是否＜0.02 作為水體的分離條件，效果最好。

（3）建筑物分離。通過觀察光譜特征曲線，將判斷條件設置為公式（2）。在第25 波段，建筑物的光譜曲線處在波峰位置；而在到第77 波段的這段范圍內，建筑物的反射率下降得最為快速。因此，利用2 個波段的反射率差，將建筑物分離出來。同理，利用公式（3）對錯分的區域再次分離，進一步完善分類效果。

圖2 各類地物的光譜反射率Fig.2 Spectral reflectance of various ground objects

（4）道路區與水體間分離。由于受建筑和植被的雙重陰影影響，道路區和水體的反射率都非常低，導致二者的光譜曲線處于部分波段區域平行的狀態，難以區分。由于水體的整體反射率非常低，因此與暗區道路相比，在同一波段區域，變化速度就顯得較低；而在第137～162 波段水體有一個相對的反射率下降速度較快的斜坡，是暗區道路沒有的特征，將其與第69～137 波段這一整體都處于反射率下降的區域做比值，分離出水體；在第137～162 波段水體的反射率曲線是呈上升趨勢的，利用公式（4）將部分被分類成水體的暗區道路分離出來，歸類為道路。

2 結果與分析

采用Headwall 納米級高光譜成像光譜儀，獲取了廣東省廣州市增城區溫涌路旁的河流數據；然后，對數據進行標準化處理，運用波段運算、閾值分割的決策樹方法，對地物進行逐步分類，得到地物分類圖。

2.1 人工閾值分割

采用人工閾值分割產生的決策樹分類結果顯示，地物整體被分為四類，綠色為植被，藍色為水體，黃色代表道路，紫紅色代表藍頂房屋（圖3）。由于一些道路漁區被建筑物和植被的雙重陰影覆蓋，導致其反射率非常低且接近于水體的反射率，分類時被確認為水體。由于原始影像中可以清晰的看到河流中有植被和雜質，最終植被和水體的類別分離效果最好。試驗結果通過樣本分類精度評定，Kappa 系數＝0.86，整體分類精度為89.3%（表2）。說明分類效果較為良好，分類的準確率較高。

圖3 人工閾值分類結果Fig.3 Classification of artificial threshold

2.2 自動閾值分類

通過ENVI 下的機器分類得到的自動閾值，對采集數據進行分割，同樣將地物分為4 類（圖4）。可以看出，車體和植被分得較為清晰，但是影像中被分類的部分地物的區域呈散點狀的較多，且類似于斑馬線這種反射率較高的道路區域易被分類為建筑類別，被分類為建筑類別的車輛在機器分類的影像下，顯得較為散亂。機器分類精度評定Kappa 系數＝0.80，總體的分類精度83.51%（表3），均低于人工閾值分割。

表2 人工分類混淆矩陣Table 2 Obfuscation matrix of artificial classification

圖4 機器自動閾值分類結果Fig.4 Classification of mechanized automatic threshold

表3 機器分類混淆矩陣Table 3 Obfuscation matrix of machine classification

3 結論與討論

3.1 主要結論

采用波段特征值對廣東省增城市東江支流某段河流的無人機高光譜影像進行了地物分類，得到了以下結論：（1）由地物的光譜曲線可以看出，植被和水體在無人機高光譜影像上的光譜曲線差異比較明顯，植被和水體光譜曲線的差異為進一步采用特征值分類提供了借鑒；（2）對閾值分割產生的決策樹分類結果進行樣本分類精度評定，人工創建的決策樹的分類的精度明顯要高于機器自動創建的決策樹分類的精度。

3.2 討論

3.2.1 人工與機器分類效果的比較 機器自動做出的決策樹較為復雜，分類樹的級別達到近10 級，且較少通過對波段做代數運算進行分類。人工閾值分割，地物被分類的區域較多的集中在一起，散點較少，即使被分錯，也是以小塊區域為單位；而自動閾值分割出來的影像，散點較多，類域不夠集中。

3.2.2 高光譜遙感影像分類遇到的問題 在石灰巖過程中，（1）兩兩區分地物的條件設置不同，有可能將其他地物納入到兩類地物中，因此需要不斷調整設置條件，以達到最好的分類效果。（2）地物反射率測量結果受多種因素影響，如太陽電磁波入射角、波長、溫度、物體表面粗糙度等[6]。而試驗中，主要影響地物反射率變化的因素為溫度和陰影，其中陰影對地物的反射率光譜的影響屬于間接影響。 （3）決策樹軟件的運行對計算機有較高的要求，且分類結果雜點較多，分類相對散亂。對于特定的某一幅影像，根據其特點不斷調整分類條件，以求達到最佳分類。