面向对象的无人机影像分类研究

许 燕，段福洲，段光耀

（1. 首都师范大学 资源环境与旅游学院，北京 100048；2. 北京市城市环境过程与数字模拟国家重点实验室培育基地，北京 100048；3. 资源环境与地理信息系统北京市重点实验室，北京 100048；4. 三维信息获取与应用教育部重点实验室，北京 100048）

面向对象的无人机影像分类研究

许 燕1,2,3,4，段福洲1,2,3,4，段光耀1,2,3,4

（1. 首都师范大学 资源环境与旅游学院，北京 100048；2. 北京市城市环境过程与数字模拟国家重点实验室培育基地，北京 100048；3. 资源环境与地理信息系统北京市重点实验室，北京 100048；4. 三维信息获取与应用教育部重点实验室，北京 100048）

选取同处于夏收秋种时期、不同地点的3幅无人机影像进行面向对象分类。将影像在14个不同尺度上进行多尺度分割，以便获取对于分类对象较好的分割尺度。在对象基础上，将影像分为灌木、农田、道路、房屋及水体，并将分类结果精度与最大似然分类结果进行对比。结果表明，采用定量评价分割效果的方法，同时采用面向对象的方法进行信息提取，总体精度均在80%以上，明显高于最大似然分类。

无人机影像；面向对象分类；IHS变换

无人机等低空航空遥感影像一般拥有较高的分辨率、丰富的纹理信息、较少的波段，比较适合人工目视判读。而传统的利用光谱信息，以像元为单位进行分类[1,2]的方法很难充分利用高分辨率影像的位置、纹理、形状等信息[3-7]，浪费了一部分影像信息，且得不到令人满意的分类结果。本文建立了一种普适的低空航空遥感影像信息提取策略。

1 数据与方法

实验数据为2009年8月河南邓州、2008年7月山东菏泽、2008年5月甘肃陇南3个地区的低空航空遥感数据。研究区地物类型解译标志如表1所示。

表1 研究区地物类型解译标志

采用面向对象的方法，利用多尺度分割生成影像对象，运用模糊逻辑方法计算出对象的形状信息、纹理信息以及对象间的拓扑关系信息，通过特征参数的组合建立规则集，从而实现影像的分类。

1.1 特征分析

通过对地物的目视解译，了解地物的分布特征，掌握类别之间的主要区别。比如农田与灌木在亮度上没有较大区别，而两者因为拍摄时间原因，在纹理上有很大差异，可以利用纹理参数将两者分开；乡村道路形状没有规律，亮度也较高，与屋顶难区别，应选择两个或两个以上的特征参数将两者区分开。

1.2 遥感影像分割

遥感影像分割是面向对象影像分析的基础。进行分割时，需设定合适的波段权重、形状因子和紧致度、分割尺度等参数。根据任务中感兴趣信息的特征设置参与分割波段的权重[8]。通过对形状因子及紧致度的设定，确保其分割结果有较高的同质性，并且得到的多边形较为规整[9]。在面向对象的分类中，尺度选择非常重要，它与对象大小直接相关，并影响分类的精度。

1.3 信息提取

分割后的对象由同质像元组成[10]，充分利用影像的光谱与形状信息。通过对影像的特征分析，选择特征参数，建立规则集，从而实现对影像的分类。

1.4 精度评价

采用混淆矩阵，通过目视解译选取一定数量的样本，对分类后的结果进行精度评价，并将结果与最大似然分类的精度进行对比分析。

2 结果与分析

2.1 分割参数确定

3幅遥感图像的参数设置步骤基本一致。选用2009年河南邓州的图像对各个参数的设置方法进行分析。

考虑到影像只有RGB三个波段，每个波段对分割都很重要，因而将权重设置为1︰1︰1。由于文中所用影像分辨率较高，颜色因子权重较大，为0．7，而紧致度权重较小，为0．3。分割尺度采用14个。为了定量评价分割尺度的效果，采用Ke Yinghai的方法，通过计算分割对象与参考对象之间的拓扑和几何相似性对分割结果进行评价：

其中，n为感兴趣区域对象的个数；Ar为参考对象的面积；As为分割对象的面积；Ao为参考对象与分割对象重叠区域的面积。RAor与RAos是从拓扑方面来评价，而Dsr是从几何方面来考虑，计算的是参考对象中心与分割对象中心的几何距离。

图1 不同尺度下RAor、RAos走势图

对于图1，横轴表示分割尺度，纵轴表示所占百分比。从图上可以看出，在尺度很小时，RAos较小，在0%左右，RAor较大，在90%左右，此时处于过分割状态。随着尺度的增加，RAor逐渐降低，RAos逐渐增加，当两者相交时，则为较优尺度。对于图2，横轴表示分割尺度，纵轴表示距离。分割对象与参考对象的距离越近，分割效果越好。依照图1、图2确定该影像的最优尺度。依照此步骤，对影像上的地物一一计算出最优尺度。

2.2 分类规则

分割完成后将影像进行IHS变换，变换后各通道的分离图如图3[11]。

图3 IHS颜色通道平面分离图

如图3所示，变换后H通道和S通道的植被与非植被的边界较为模糊，对比度不太强；而I通道植被与非植被的边界清晰，对比度较强，能够将细节信息很好地显示出来。本文选取I通道，通过设定适当的阈值较好地将植被信息提取出来。

通过对影像各地物的分析，总的影像提取规则如表2所示。

表2 多尺度影像分类规则

表2是根据各个地物的分布规律选取的特征参数。对于水体，由于影像只包含3个波段，无法构建归一化水体指数，且本幅影像水体富营养化，普通方法无法准确提取水体信息。分析发现，水体富营养化主要是一些水生植物高度富集所致，可以以叶绿素来表征。叶绿素本身呈深绿色或橄榄绿色，对绿色光（490～570 nm）反射率较大，对蓝紫光（440 nm左右）及红橙光（678 nm左右）则具有强烈的吸收效应[12]。当水生藻类等植物密度较高时，水体光谱反射曲线在蓝紫光和红橙光附近出现吸收峰值，而在绿光附近为吸收谷。据此，在影像分割之后，先以各个对象包含所有像素的平均亮度作为该对象亮度，得到Mean_ Band，再通过波段运算构建一种富营养化的水体指数（EWI）（如式（4）），达到富营养化水体信息增强的目的，进而进行水体提取。对于道路与房屋，由于形状不同，在此选用“长度/宽度”（如式（5））将两者区分开；对于林地与农田，由于纹理不一致，本文利用纹理对比度（GLCM Contrast）（如式（6））区分。

其中，Mean_Band3、Mean_Band2分别表示蓝色波段和绿色波段各个对象均值计算结果；EWI为本文构建的富营养化的水体指数。

其中，a指边界框的长度；b指边界框的宽度；f指边界框的填充度；A指影像对象的面积。

其中，i指一个像素的灰度值；j指另外一个像素的灰度值；P（i，j）表示该点的灰度共生矩阵。图像的对比度随着局部像素对灰度差别的增大而增大。

根据表2，将研究区分为水体、灌木、农田、道路与房屋5类，其中阈值的确定主要依据人机交互。根据以上步骤，完成了邓州市地物的分类。另外两幅影像主要依据以上步骤进行相应分类。

2.3 精度评价

本文以混淆矩阵为基础，采用分层抽样策略进行抽样，以用户精度与总体精度作为评价影像分类效果的指标。表3为采用面向对象的方法，植被与非植被提取精度对比表。表4、表5分别为3幅航空影像采用面向对象方法、最大似然分类的精度评价表。

表3 基于面向对象的植被与非植被精度对比表

表4 面向对象分类精度评价

表5 最大似然分类精度评价

由表4、表5可以看出，采用面向对象的方法总体精度均在80%以上，明显高于最大似然分类。其中，

3 结 语

本次研究数据源为不同时相、不同地点的航空遥感影像，采用面向对象的方法进行信息提取，总体精度均在80%以上，明显高于最大似然分类。采用本文方法，阈值选择没有一个固定范围，有待于进一步研究。

[1] 李娜,周德民,赵魁义．高分辨率影像支持的群落尺度沼泽湿地分类制图[J]．生态学报,2011,31(22):6 717-6 726

[2] 黄慧萍．面向对象影像分析中的尺度问题研究[D]．北京：中国科学院遥感应用研究所,2003

[3] 张秀英,冯学智,江洪．面向对象分类的特征空间优化[J]．遥感学报,2009,13(4):664-669

[4] 宫鹏,黎夏,徐冰．高分辨率影像解译理论与应用方法中的一些研究问题[J]．遥感学报,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] 陈云浩,冯通,史培军，等．基于面向对象和规则的遥感影像分类研究[J]．武汉大学学报：信息科学版,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] 汪求来．面向对象遥感影像分类方法及其应用研究-以深圳市福田区植被提取为例[D]．南京：南京林业大学,2008

[9] 张明媚，姚国红．面向对象的高分辨率遥感影像信息提取技术[J]．地理空间信息，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] 邹尚辉．武汉市湖泊环境的遥感研究[J]．地理科学,1991,11(3): 261-268

P237.4

B

1672-4623（2014）05-0028-03

10.3969/j.issn.1672-4623.2014.05.010

许燕，硕士，主要从事遥感方面的研究。

2013-10-18。

项目来源：国家自然科学基金资助项目(41101403)。