遙感影像的分類評價及可視化分析
——以平頂山市平煤礦區附近區域為例

李曉陽樊 華徐 亮韓貞輝王斐斐謝恒義

1）中國鄭州450016 河南省地震局

2）中國天津300456 天津海關化礦金屬材料檢測中心

0 引言

地震具有突發性、破壞性強、防御難度大等特點，給社會造成巨大的經濟損失和人員傷亡（吳俁等，2013）。我國地震災害頻發，防災減災救災壓力較大。近年來的地震救災經驗表明，震后及時準確地獲取地震災情信息，開展應急響應，能夠有效減輕地震災害帶來的損失（薛騰飛等，2016）。因此，震后快速獲取災情信息，制定合理救援策略成為減輕災害的有效方法，而利用無人機機動靈活、分辨率高、航攝周期短的優勢（黃海峰等，2017），能夠快速獲取震區相關影像，并能依托大小無人機分別完成廣域及特定位置區域的精準識別，為震后應急指揮決策提供科學依據。

遙感圖像已成為救災人員的“眼睛”，在震后救災中發揮著越來越重要的作用（張雪華等，2019）。近年來，無人機遙感技術已分別在2013 年蘆山地震、2014 年盈江地震、2015 年尼泊爾地震中得到實際應用，對震后災情評估起到一定作用。文中就無人機影像的快速拼接及精準分類進行分析，并將無人機影像用于災害預評估，以不同方法驗證其有效性。

文中以平頂山平煤礦區附近區域為實驗區，使用多旋翼型大疆經緯M200 無人機，搭載禪思X5S 云臺，通過單兵設備實現拍攝影像的實時回傳。為后期做好圖像分類及可視化處理，飛行前需設定航線、航向和旁向重疊度、速度，并按照航測要求設置高度；利用Photoscan 及Pix4d 軟件，對源圖像做預處理及拼接，生成包含坐標信息的正射影像，并在ArcGIS 中進行分類，研究適合地震災害的分類及可視化顯示方法，并完成分類質量評價。

1 實驗背景

鑒于平煤礦區附近存在發生非天然地震的可能，進一步了解該區建筑物、生命線工程等信息，便于相關數據對應急救災輔助決策的補充，從而對當地災害預評估及震后災情評估起到一定作用。本文主要針對礦區附近地物種類信息，尤其是居民地和道路信息展開調研，利用無人機遙感影像，借助圖像處理軟件及可視化工具，完成對實驗區地物的分類處理，并使用分類評價指標驗證分類方法的有效性，得到較適用于地震應急救災的遙感影像處理方法。

1.1 實驗區概況

實驗區位于平頂山市礦區附近，使用無人機飛行2次，第一次飛行覆蓋范圍主要為礦區，第二次飛行覆蓋范圍涉及礦區附近地物較為豐富區域。無人機飛行設定參數為：高度100 m，航向重疊率67%、旁向重疊率51%，地面像素分辨率0.03 m，航攝面積0.2 km2，相機鏡頭均垂直于航線方向。第一次、第二次無人機飛行航線分別見圖1、圖2。

圖1 無人機第一次飛行航線Fig.1 The first flight route of the drone

圖2 無人機第二次飛行航線Fig.2 The second flight route of the drone

1.2 實驗過程

為深入了解實驗區附近地物種類分布情況，分類提取目標區域地物影像，得到輔助決策報告所需基礎信息，設定以下工作步驟：選定平頂山市某礦區附近，使用DJI GS Pro 軟件規劃航線，設定參數，于2020 年4 月，使用無人機自動拍攝，獲取近百張原始遙感影像；為了直觀觀察實驗區地物情況，將整幅遙感影像進行可視化顯示，使用2 款圖像處理軟件，完成遙感影像的拼接處理，并對比處理效果，選定適用本課題研究的處理軟件；選用3 種分類方法進行拼接影像的分類提取，并在ArcGIS 平臺上進行可視化顯示，除主觀觀察外，利用分類評價指標進行客觀判斷，從而實現該區域遙感影像的分類評價及可視化分析，以確保目標區域地物影像分類的準確提取，更好地將影像信息應用于地震應急救災工作。

2 無人機正射影像處理軟件對比

由于飛行姿態不穩定及裝載相機非專業量測型等因素，無人機遙感航片質量一般不如傳統航測，例如：航片數量多、影像畸變大、航片角較大、重疊度不規則等（張順等，2019），因此對無人機影像處理軟件提出了較高要求。使用Photoscan 及Pix4d 兩種目前主流的無人機正射影像處理軟件，在相同的數據條件下，分析2 種軟件特點，為選擇正射影像軟件提供借鑒，并以該實驗數據為基礎，分析影像效果更佳軟件。

2.1 處理流程對比

Photoscan 操作步驟相對復雜，包括：對齊照片、建立密集點云、生成網格等7 個步驟，每步均需設置參數。Pix4d較為簡單，共3個步驟，且初始即可設置，處理速度比Photoscan快。Pix4d 的空三測量能力有一定優勢，且自動生成的精度報告內容更為詳細，而Photoscan 并非適用于正射影像制作的專業軟件，對連接點的精度要求更高，處理過程中需要少量人工干預，匹配及處理效率較低。Pix4d 缺點體現在三維模型構建上，DTM 濾波方式及DOM拼接均色方式較單一，而Photoscan 在紋理添加及三維建模方面更具優勢。

2.2 影像拼接效果對比

在第一次航線規劃下，自動生成影像33 張。使用Photoscan 軟件，在一個界面內，按照添加照片、對齊照片、創建密集點云、創建TIN 模型、生成正射影像的步驟進行影像拼接，且每步均需設置參數，影像生成見圖3。對于相同的33 張原始影像，使用Pix4d 軟件，按照導入照片、設定參數、一鍵全自動處理（包括空三加密、正射影像生成）的步驟生成影像，見圖4。

圖3 Photoscan 軟件實現的拼接圖像Fig.3 Mosaic images realized by Photoscan software

觀察發現，圖3 中拼接影像有錯位、部分區域丟失現象，見圖中畫圈處，圖4 中影像拼接效果更佳，且Pix4d 軟件處理速度更快。分析認為，規劃航線中的航向、旁向重疊率較低，Photoscan 軟件對參數設置要求較高，當設置為中等質量時，效果不佳；高等質量時，處理時間過長，不符合本課題研究的實際需求。因此，進行遙感影像分類處理及可視化工作時，均采用經Pix4d 軟件實現的拼接圖像，并選用地物較為豐富的原始影像。

圖4 Pix4d 軟件實現的拼接圖像Fig.4 Mosaic images realized by Pix4d software

3 遙感影像分類提取

針對拼接實現的影像，提取目標區域，采用不同分類方法進行地物分類，分析遙感影像分類提取方法的有效性。根據是否已知訓練樣本的類別，將遙感圖像按照非監督和監督進行分類，其中非監督分類是在訓練樣本未知情況下，按照像素本身空間分布和特性來劃分類別，屬于邊學習邊分類的方法；監督分類是已知訓練樣本，按照訓練樣本的相關特征提取確定分類函數，從而將像元區分開來，分別劃分到不同類別中。

3.1 非監督分類

非監督分類能區分不同類別，卻不能自動確定類別屬性，分類結束后可通過肉眼觀察進行判定。較常用的非監督分類方法有K-means（模糊K均值算法）和ISODATA（迭代自組數據分析算法），2 種方法優于其他分類方式（陸曉果等，2018）。

本研究使用ISODATA 算法進行非監督分類。該算法由Ball 等（1965）提出，將所有樣本調整完畢后計算各類樣本均值，與K-means 算法不同，可自動進行類別分裂與合并，從而取得合理分類效果。在進行分類前，對影像做特征提取，以提高圖像信噪比，降低冗余，在一定程度上減少噪聲干擾，提高分類精度。在ArcGIS 軟件平臺上，采用PCA（主成分分析）算法進行特征提取，并使用ISODATA方法完成分類。原始影像及實現結果圖像見圖5、圖6。

圖5 Pix4d 軟件拼接后的待處理圖像Fig.5 Image to be processed after mosaic by Pix4d software

圖6 非監督分類處理后的圖像Fig.6 Image after unsupervised classification processing

3.2 監督分類

監督分類是先確定訓練樣本，后利用分類器對訓練樣本進行學習，獲取圖像上各訓練樣本的分類特征，最終按照決策準則進行分類（何家樂，2019）。本研究均采用面向對象的監督分類方法。與一般基于像素的分類方法不同，該方法首先需結合應用光譜、空間、紋理信息，將圖像分割成同質區域，然后以圖像對象作為分類基本單元，分類特征更為豐富，以此實現對無人機遙感圖像的深入挖掘。

面向對象的遙感影像分類框架見圖7，可知：數據層進行圖像分割處理，確定圖斑對象，其包含光譜、形狀、紋理等豐富空間信息（張曉羽等，2016）；特征層構建圖斑對象特征，該特征構建直接影響分類器的分類效果；目標層實現圖斑對象到目標的認知。

圖7 面向對象的遙感影像分類框架Fig.7 Object-oriented remote sensing image classification framework

文章旨在圖像分類，圖像分割算法不再贅述，重點闡述圖像特征的分類方法，并在ArcGIS 平臺進行對比分析，實現可視化處理。

3.2.1 最大似然分類法。此為根據概率理論建立的一種分類方法（許軍強等，2019），步驟如下：按照統計方法建立各類判別函數集，計算每個測試樣本的統計概率，并將樣本歸入統計概率大的類。

設數據x，給定類別k，則似然度Lk被定義為x出現時，x歸于該類別k的條件概率P(k|x)，公式如下最大似然分類法

式中，Lk為判別函數；P(x|k)為總體概率密度函數；P(k)為類別k的先驗概率；P(x)為x與類別無關條件下出現的概率。

對于同一類別及相同的訓練樣本，式（1）為常量，則公式可簡化為

式中要計算x與類別k的似然度，需給出總體概率密度函數P(x|k)。對于未知類別X，若屬于類別A、B的概率分別為Pa、Pb，且Pa＞Pb，則該類別X屬于類別A。本研究中最大似然法分類結果圖像見圖8。

圖8 最大似然法分類結果圖像Fig.8 Classification result image by maximum likelihood method

3.2.2 支持向量機。支持向量機是一類按照監督學習方式對數據進行二元分類的廣義線性分類器，其決策邊界是對學習樣本求解的最大邊距超平面（張合兵等，2020）。平行超平面間的距離或差距越大，分類器的總誤差越小。

圖9 支持向量機分類結果圖像Fig.9 Classification result image by support vector machine

4 分類評價方法研究

對分類結果進行精度評價才能驗證分類是否準確，同時可根據結果對分類過程進行適當調整，使分類結果更準確。為了客觀評價分類質量，判別分類提取的居民地、道路等地物面積準確性，以便更好地補充災情評估系統中礦區附近地物的基礎數據，完善震后輔助決策信息，采用類內分類精度、總體分類精度和kappa 系數3 種分類評價指標予以驗證。客觀評價是作為主觀分析的補充，文章中通過主觀觀察，可發現所采用的ISODATA 算法、最大似然法和支持向量機3 種分類方法均能實現拼接影像的分類處理，其中非監督分類效果較差，存在漏分、錯分現象。

4.1 評價指標

（1）類內分類精度，公式如下

式中，Ki表示第i類正確分類的樣本數，Mi表示第i類樣本總數。

（2）總體分類精度，公式如下

式中，Ki表示第i類正確分類的樣本數，c表示類的個數，K表示測試數據樣本總數。

（3）kappa 系數，公式如下

式中，xi,i表示混淆矩陣中主對角線上第i行的值，xi+表示混淆矩陣中第i行所有數值的和，x+i表示混淆矩陣中第i列所有數值的和，N為樣本數，c表示類的個數。

4.2 評價結果

使用同一組非訓練樣本數據，分別采用以上3 種分類方法對獲取的遙感影像進行分類，根據分類結果，采用混淆矩陣進行質量評價。混淆矩陣是通過將每個實測像元的位置與分類圖像中的相應位置比較計算得到的，混淆矩陣的每一列代表實際測得的信息，列中數值為實際測得像元對應于相應類別的數量；每一行代表遙感數據的分類信息，其數值為分類像元在實測像元相應類別中的數量。評價步驟如下：①分別求取分類結果圖像和正確分類圖像的混淆矩陣。混淆矩陣是在ArcGIS 軟件平臺中，利用軟件自帶工具對分類結果和實測值進行柵格圖像轉面要素處理，可從面要素屬性表中看到所有分類像元面積，利用分析工具中的相交屬性，計算求得面要素的幾何交集，并導出結果，結合excel 中的數據透視表獲得混淆矩陣；②將混淆矩陣的值分別代入公式（3）—（5），求得3 種影像分類結果的類內精度、總體精度及kappa 系數指標評價精度，具體分類精度見表1。

表1 分類精度評價Table 1 Classification accuracy evaluation

由表1 可知：①非監督分類效果較差，總體分類精度低于85%，監督分類方法精度均高于85%，分類精度較高；②kappa 系數（0 ＜kappa ＜1）越大，分類效果越好，3 種分類方法中支持向量機方法的分類精度最高；③部分地物種類提取精度相對較差，尤其在交通用地、居民地類中存在錯分現象。

采集圖像均為正射影像，拼接后圖像分辨率接近2 cm，交通用地、部分居民地光譜特征較為相似，在進行特征提取時容易混淆。針對個別地物分類的錯分情形，可在影像分類后選擇對照影像進行目視解譯，完成局部修改。此處可以參照總體分類精度最高的支持向量機分類結果，利用ArcGIS 軟件，通過目視解譯，對錯分漏分區域進行改正。

通過計算支持向量機分類方法所獲結果影像中各種類像元數在總像元中的占比，可分別求得各分類區域面積，補充災情評估系統中礦區附近居民地、道路等地物數據，從而提高產出的災情評估報告質量。同時，災害預評估工作中涉及房屋類型、面積、層高等數據，本課題拍攝的礦區附近影像可作為判別房屋類型的輔助數據，相應面積也可用于該區域預評估工作，而且可為研究區域的震后輔助決策提供地物分布的相關基礎數據。

5 結論

選取礦區附近作為研究區域，為獲取該區域準確的地物分布及基礎數據，利用無人機完成正射影像拍攝，使用2 款軟件實現圖像的拼接處理，并對比分析軟件優劣。在對區域內居民地、道路等地物類型分類提取中，選取非監督分類中的ISODATA 分類法和監督分類中的最大似然法、支持向量機分類法來探討分類效果。而且，為了客觀評價分類質量，利用3 種分類評價指標予以驗證。通過分析，得出以下結論。

（1）使用Photoscan 及Pix4d 軟件進行圖像拼接，對于重疊度較低的正射影像而言，Pix4d 軟件的速度和質量均優于Photoscan 軟件，但如需進行三維模型構建，Photoscan 軟件更具優勢。下一步將針對傾斜及正射影像結合的三維構建進行研究。

（2）為區分實驗區域內地物種類，實現居民地、道路的分類提取，從而準確計算該地物種類的面積，用以補充災情評估系統中礦區附近的基礎數據，對此本研究提出3 種分類方法，分別從處理速度、分類效果方面進行對比。為確保分類的準確性，利用3 種分類評價指標予以驗。從總體分類精度來看，支持向量機方法最優，但由于個別種類的物體影像特征相似度較高，存在漏分錯分現象，需通過目視解譯完成修改。從圖像處理速度來看，由于非監督分類方法不需要提前確定訓練樣本，所以處理速度最快。

在災害預評估與震后災害調查工作中，居民地分布區域、面積、房屋類型尤為重要，選擇越合適的無人機遙感影像的拼接、分類方法，得到的當地相關地物種類的面積越精確。遙感影像地物分類數據可用以補充平煤礦區附近應急救災輔助決策信息，若有破壞性地震發生，可為震后災情評估提供一定的數據支撐。