基于无人机高分影像的绿地面积提取

李培君 刘亚亭（河南大学环境与规划学院，河南开封 475000）

基于无人机高分影像的绿地面积提取

李培君 刘亚亭（河南大学环境与规划学院，河南开封 475000）

无人机高分影像相比传统遥感影像具有一定的优越性，用途十分广泛。传统遥感影像分类技术不再适用于无人机高分影像，本文采用面向对象的分类方法，经过多次实验对比选择出合适的分割尺度再进行分类，可以从影像中较为准确提取出绿地。

无人机影像；面向对象分类；影像分割

利用无人机高分影像提取出城市绿地面积和绿地的分布位置有助于提高城市规划布局的合理性，在以往利用卫星影像提取绿地面积的过程中，由于影像分辨率不高，大范围的绿地面积可以得到，但面积较小的绿地面积却由于影像分辨率不高无法提取出来，因此影响了绿化覆盖率统计的准确度。与传统的卫星影像相比，无人机影像具有分辨率高、即时性、使用方便等特点，因此，可利用无人机影像代替传统的遥感影像应用在小范围的区域面积统计中。

1 数据来源及研究方案

本文的实验区为河南大学明伦校区，该校区位于开封市顺河回族区，北邻铁塔公园，学校内部绿化程度较高，由于学校整体区域不规则，本文尽量选择一个较为规则的影像区域进行实验。无人机飞行的相对航高为280m，预设航向重叠度81%，旁向重叠度43%，飞机搭载的相机焦距为35.626 8mm，获取的无人机影像地面分辨率达到0.05m。由于无人机飞行高度不高，距离地面较近，加之风速等的影响，影像上的建筑物会存在一定程度的变形，所以在进行绿地面积提取之前需要对无人机影像进行矫正，得到按平面大地坐标排列的正射影像，为分类后的面积量算提供真实尺度［1］。在进行无人机影像纠正过程中，需要进行影像预处理、空三加密、DEM生成等，最终生成正射影像。

在对影像进行分类时，传统的基于像素的遥感影像处理方法都要求遥感影像光谱信息极其丰富，地物间光谱差异较为明显。基于像素分类方法对于分析低分辨率遥感影像中的大面积区域变化，或多光谱、高光谱遥感影像地物层次结构可能会取得较好的结果［2］。无人机影像分辨率较高，相比分辨率较低的遥感影像，影像中不只有地物的光谱信息，还有地物的结构、纹理、形状等细节特征，同时无人机高分影像包含的波段信息较少，而这种方法只考虑光谱信息，若使用传统的方法分类便会使高分影像的分类精度降低。面向对象遥感图像分类方法，处理的最小单元不再是像元，而是含有更多语义信息的多个相邻像元组成的影像对象，在分类时更多地考虑图像的空间特征以及影像的纹理信息、拓扑关系，而不仅仅是单个对象的光谱信息［3］。因此这种方法更适用于对高分辨率的无人机影像进行分类，eCognition软件是采用面向对象分类的一种图像处理软件，本文使用此软件对影像进行分割、分类。

2 影像前期纠正

2.1 空三加密

由于无人机搭载的相机自身有一定的畸变差，所以所拍摄的影像需要进行初畸变矫正，所需的内方位元素在相机检校报告中已给出，影像矫正后需要进行空三加密，加密时最常用的方法是以每个像片作为基本平差单元，根据控制点的像方坐标x，y，z和物方坐标X，Y，Z，按照共线条件方程公式（1）分别列出误差方程，在全区域内统一进行平差处理。确定区域内所有影像的外方位元素，从而求出加密点所对应的物方坐标［4］。

图1

其中，a1、a2……c3为影像的外方位元素

2.2 DEM和DOM的生成

DEM的生成首先需要进行影像匹配，计算机将相邻两张影像组成立体像对，进行相关运算识别同名像点，建立各像对的立体模型，然后将逐个生成的单个DEM拼接到一起生成整体的DEM。最后，计算机根据像片外方位元素、DEM等起算数据，确定正射投影点位置与对应的中心投影点位置，然后将原始影像像元的密度值赋予对应的正射位置的像元，逐一进行纠正［4］，生成正射影像，如图1中a、b两图为一幅影像纠正前后的对比。纠正完每一幅单幅正射影像后进行拼接镶嵌，生成全区域的数字正射影像，如图1中的c为影像剪切后明伦校区的正射影像图。

3 从无人机影像上提取绿地

3.1 寻找最优分割尺度

影像分割是面向对象分类方法的基础，它分割出来的是有意义的影像对象和对象间相互的联系，这正是面向对象分类方法和基于像元分类方法的本质区别［5］，分割的关键是鉴别分割得到的对象内部是否具有好的同质性，一般选用多尺度分割的方法，在分割的时候有几个参数：一般分割尺度越大，影像对象面积也越大。颜色参数和形状参数代表的是两个对象合并后的光谱异质性和形状异质性，也是影响面积划分的重要因素，二者的权重之和为1，一般情况下将颜色权重选取较大一些，相应的形状权重就小一些，在某些特殊情况下，如果形状十分规则，可以将形状权重设的大一些，紧凑度和平滑度的权重之和为1，如果紧凑度越大，则分割形状的不规则边界就越少，利用软件按照设置参数（分割尺度、颜色权重、紧凑度权重）进行分割[6]，结果如图2。

图2 不同尺度分割效果图

从图2可以看出，获取最佳分割尺度对影像分类信息提取起到至关重要的作用。由于影像整体较大，分割尺度设为100时分割出的影像较为零碎，如图a所示，由于分割尺度较小，生成的多边形对象过多且形状复杂，在后续的分类过程中会耗费较长的时间，而且还降低了分类的准确度。尺度为400时由于分割尺度过大，造成了分割不完全（例如图c中红色选中区域），一个对象包含了多个地物目标，在分类的时候此目标无法正确归类，形成错误分类，经过多次测试，将分割尺度设为250时既可以有效地分割出各种地类，也不至于使地物过于零碎。将形状权重设为0.8时，分割出的对象形状简单，但同时出现许多一个对象包含多个地物的情况（如图d中红色区域所示），因此应选取图b中所设置的参数对影像进行分割。

3.2 影像的分类

在影像分割后要对影像进行分类，可以选取颜色比较纯净，且具有典型性的部分作为样本，进行监督分类，通过所选样本的特征参数来制定一些规则进行分类，在此，我们只需要提取出绿地的面积，把影像上的绿地地物分类出来即可，如图3所示为分类好的结果。在软件中得出整幅影像中绿地面积所占比例为33.44%。

在影像分类时，大面积的绿地基本上可以被正确划分，但是一些路边或者湖边零碎的绿化带在分类的时候会有一定的偏差。配合人工的检查纠正，基本可以确定绿地面积。

4 结论

图3 影像部分区域分类结果

无人机高分辨率正射影像可以真实地反映出地物的特征，同时具有地物的位置信息，其精度也较高，因此很有利用价值。面向对象分类与传统分类方法相比可以较准确地提取出地物的边界，快速地将各种地物进行分类，本文在利用无人机正射影像进行面向对象分类时，关键在于对影像分割尺度的选择，合适的尺度需要经过反复实验对比选择出来，不同的影像需要选择各自适合尺度。此结果分类出的影像比较准确，适用于小范围的精确分类。

［1］赖震刚.利用真彩航空影像进行城市绿化面积的分类研究［J］.现代测绘,2003，26（1）：51-54.

［2］郑文娟.面向对象的遥感影像模糊分类方法研究［J］.北京测绘，2009（3）：46-49.

［3］张春晓.基于面向对象和影像认知的遥感影像分类方法——以都江堰向峨乡区域为例［J］.测绘通报，2010（4）：23-25.

［4］邹小香.数字摄影测量空三加密处理技术及精度评价研究［J］.科技资讯，2013（35）：25-26.

［5］王佩军，徐亚明.摄影测量学［M］.武汉：武汉大学出版社，2005.

［6］鲁恒.无人机高空间分辨率影像分类研究［J］.测绘科学，2011，36（6）：106-108.

感谢黄河下游科学数据中心（http：//henu.geodata.cn）对论文的数据和技术支撑”。

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，硕士研究生，研究方向：电子政务。