综合机载LiDAR与高分影像的煤矿区典型地物提取方法

卢　遥，卢小平，武永斌，李国清，于海洋

(1. 河南理工大学矿山空间信息技术国家测绘地理信息局重点实验室，河南 焦作 454003； 2. 国家测绘

产品质量检验测试中心，北京100830； 3. 河南省遥感测绘院，河南 郑州 450003)

Typical Surface Features Extraction in Mining Area Based

on Data of LiDAR and WorldView-2

LU Yao,LU Xiaoping,WU Yongbin,LI Guoqing,YU Haiyang



综合机载LiDAR与高分影像的煤矿区典型地物提取方法

卢遥1,2，卢小平1，武永斌3，李国清3，于海洋1

(1. 河南理工大学矿山空间信息技术国家测绘地理信息局重点实验室，河南 焦作 454003； 2. 国家测绘

产品质量检验测试中心，北京100830； 3. 河南省遥感测绘院，河南 郑州 450003)

Typical Surface Features Extraction in Mining Area Based

on Data of LiDAR and WorldView-2

LU Yao,LU Xiaoping,WU Yongbin,LI Guoqing,YU Haiyang

摘要：综合利用LiDAR点云数据与WorldView-2高空间分辨率遥感影像，采用面向对象分类的矿区地表覆盖信息提取方法，利用nDSM高度阈值区分候选分割对象，构建了基于决策树分类器的矿区典型地物提取模型，在此基础上将图像光谱信息、DSM数据和地形参数等多源数据进行了融合，提取了出矸石堆、煤堆等典型煤矿区地物要素及植被、道路、水体等地表覆被要素信息。

关键词：机载LiDAR；高分辨率遥感影像；煤矿区；典型地物提取

一、引言

多源遥感信息协同提取是指同时使用两种或两种以上不同类型的遥感数据源完成某一事件的过程。利用主被动遥感数据主要体现在建立各类遥感机理模型及其地学描述中的尺度问题、参数提取理论与方法、提取结果的真实性检验等方面，解决的方法就是同时利用所有不同时空尺度和不同来源的数据，估计待求参数的最合理值(序列值)。20世纪90年代中后期协同信息处理逐渐成为计算机、生物模式识别等领域的研究热点，近几年来在理论基础和应用领域上更是取得了一些重大进展。

机载LiDAR点云数据能够提供高精度地表高程信息，而WorldView-2卫星影像可以提供高清晰度的地物纹理信息和丰富的光谱信息。因此，综合利用点云数据与高分辨率遥感影像，可以充分发挥两种不同遥感数据源的优势，弥补单一数据源的不足，有效提高地表覆盖物的提取精度。本文选择鹤壁矿区作为试验研究区，将高分辨图像的光谱信息和nDSM信息作为支持向量机分类模型的输入，构建基于决策树分类器的矿区典型地物提取模型，将图像光谱信息、DSM数据和地形参数等多源数据进行融合，提取出矸石堆、煤堆等典型煤矿区地物及植被、道路、水体等典型地表覆被要素信息。

二、基于主被动遥感的煤矿区典型地物提取方法

1. 基于决策树的矿区典型地物提取模型

利用高分辨率光学遥感图像的光谱信息、机载LiDAR的DSM数据及地形参数等多源数据融合，建立了一个树型的主被动遥感数据推理模型，自动提取与煤矿生产密切相关的堆状物体，如矸石堆、堆煤场等，以及开采沉陷区地表覆被要素，如植被和农田、矿区内道路与空地、水体(包括尾矿湖)等煤矿区典型地物。

(1) 理论模型

理论提取模型所需要的6种信息分别用F1、F2、F3、F4、F5、F6表示，其中F1定义为红、绿、蓝3个波段光谱信息的均值，即

(1)

设高程信息为F2，Z为像元高度，n为物体的像元数，则物体的平均高度值为

(2)

据此设定物体的标准规划高程F3为

(3)

则相应的地形坡度倾斜信息、地面倾角为

(4)

地面的平均倾角F4及规划的地面倾斜角F5的表达式为

(5)

地形信息用F6表示。在上述6种信息确定的基础上，建立了推理模型。

(2) 基于决策树的矿区典型地物要素协同分类器

煤矿区典型地物在LiDAR和WorldView-2图像中的特征表现不同，如煤矸石堆、水体与尾矿湖等地物对光谱的吸收作用，使得LiDAR后向反射较弱，但在WorldView-2近红外波段有一个明显的吸收带。本文采用NDWI水体指数和分割对象的DSM标准差(σ)来提取水体和堆煤场。水体指数NDWI可由WorldView-2的绿波段G和近红外波段Nir计算得到，即

NDWI=(G-Nir)/(G+Nir)。

由于水体、堆煤场与矸石堆在NDWI图像中具有相似的特征，分类采用的具体解决方法是：首先利用NDWI水体指数提取出亮度暗的地物如水体和堆煤场；然后，根据构建DSM的标准差来区分这两类地物。水体对象与其他地物相比，通常具有较小的DSM标准差。标准差计算公式为

σm=

(6)

式中，σm是第m个分割对象的所有像元(n)DSM的标准差；Pm为分割对象m的像元集合；f(i,j)为像元(i,j)的DSM值。本文将区分水体与堆煤场的DSM标准差阈值设定为0.26。矸石堆与堆煤场的光谱特征相似，但其占地面积和高程远大于堆煤场，据此可将两者区分开来。

2. 煤矿区典型地物提取

(1) 道路与空地的提取

由于道路和空地这两类目标在光谱信息和高度上都非常相似，仅仅依据光谱特征和LiDAR高程信息难以区分。因此，可根据对象形状特征的不同对两者加以区分。利用eCognition软件提供的形状指数—紧致度进行道路和空地的分类，其计算公式为

(7)

式中，comp为紧致度；a、b分别表示分割对象最小外接长方形的长和宽；n为对象内的像元数量。

(2) 植被要素提取

用于植被提取的归一化植被指数NDVI，是由校正后的WorldView-2多光谱图像计算得到，计算公式为

(8)

通过对直方图分析，将植被和非植被NDVI阈值设置为0.57。nDSM高度差异的信息可以用来区分植被乔木、灌木和农作物，因为在4月份，乔木、灌木高度较高，而农作物较矮小。隶属函数是用来定义nDSM高度差，区分灌木和乔木的高度阈值分别设定为0.5 m和1 m。

三、提取结果分析

评价遥感图像分类精度的方法一般是将分类图与标准数据(图件或地面实测值)进行对比，选取有代表性的样本对分类误差进行估计，并以正确分类的百分比表示分类精度。通常采用混淆矩阵对分类精度进行评定，即以Kappa系数评价整个分类结果的精度，以条件Kappa系数评价单一类别的分类精度。

对WorldView-2影像的目视解译结果随机选取具有典型矿区特征的地物(地物提取结果如图1所示)，作为分类结果的精度评价依据。表1为分类结果混淆矩阵及精度评价结果，其中提取了共10类典型地物。

图1　煤矿区典型地物要素提取结果

四、结束语

本文利用LiDAR数据与WorldView-2高分辨率遥感影像，基于面向对象分类方法对煤矿区构建(筑)物信息提取进行了研究，试验证明本研究取得的结果可为地理矿情监测提供借鉴。面向对象的分类方法能够较好地获取反映真实地表的理想分类结果，有效去除椒盐噪声的影响。主要结论如下：①LiDAR高度信息能够有效解决建筑物光谱多样性问题，与WorldView-2高分辨率多光谱遥感影像进行协同提取，能够提取更详细的地表覆盖类型，总体精度达90.78%；②分割对象的DSM标准差特征能够有效区分在WorldView-2影像中具有相似光谱特征的沉陷坑水体、堆煤场和矸石堆等煤矿区典型地物。

表1　分类精度统计　m2

参考文献：

[1]CARVALHO J,MENESES P R．Spectral Correlation Mapper(SCM): An Improving Spectral Angle Mapper[C]∥Ninth JPL Airborne Earth Science Workshop. Pasadena: JPL Publication, 2000.

[2]毕如田,白中科．基于遥感影像的露天煤矿区土地特征信息及分类研究[J]．农业工程学报，2007,l23(2):79-82.

[3]袁修孝，宋妍．一种运用纹理和光谱特征消除投影差影响的建筑物变化检测方法[J]．武汉大学学报:信息科学版，2007,32(6):489-493.

[4] 齐家国，王翠珍,INOUE Y,等．光与雷达遥感协作及其农业应用[J]．电波科学学报，2004，19(4):399-404.

[5]MARSH S H, COTTON C, AGER G, et al．Detecting Mine Pollution Using Hyperspectral Data in Temperate Vegetated European Environments[C]∥14th Geologic Remote Sensing Conference. Las Vegas:[s. n.], 2000.

[6]ZHU C Q，SHI W Z，PESARASI M, et al．The Recognition of Road Network from High Resolution Satellite Remotely Sensed Data Using Image Morphological Characteristics [J]．International Journal of Remote Sensing, 2006, 26(24):5493-5508.

[7]DEFINIENS A G. Definiens eCognition Developer 8 Reference Book[EB/OL].[2010-01-02]. www. definiens.com.

[8]卢小平，马剑，卢遥,等．多源遥感数据融合在矿区土地覆盖分类中的应用[J]．河南理工大学学报:自然科学版，2010,29(3):56-60.

[9]李怡静，胡翔云，张剑清,等．影像与LiDAR数据信息融合复杂场景下的道路提取[J]．测绘学报，2012(6):870-876.

[10]李广水，宋丁全，郑滔,等．协同训练支持向量机对遥感影像的分类研究[J]．计算机工程与应用，2009,45(29):160-163.

[11]李珵, 卢小平, 朱宁宁, 等. 基于激光点云的隧道断面连续提取与形变分析方法[J]. 测绘学报, 2015, 44 (9): 1056-1062.

[12]张弓同,李四海,焦红波,等.LiDAR点云生成DEM的水面置平方法研究与实现[J]. 测绘通报,2015(6):61-64.

[13]段佳,孙敬宇,刘海飞,等.利用机载激光三维点云构建张家界地貌DEM[J].测绘通报, 2015 (10): 107-109,113.

[14]卢小平，王双亭．遥感原理与方法[M]．北京：测绘出版社，2012.

通信作者：卢小平

作者简介：卢遥(1988—)，男，硕士，助理工程师，主要研究方向为遥感信息处理与应用。E-mail:156291029@qq.com

基金项目：河南省高校创新团队支持计划(14IRTSTHN026)

收稿日期：2015-04-29

中图分类号：P237

文献标识码：B

文章编号：0494-0911(2015)12-0057-03

引文格式： 卢遥，卢小平，武永斌,等. 综合机载LiDAR与高分影像的煤矿区典型地物提取方法[J].测绘通报，2015(12)：57-59.DOI:10.13474/j.cnki.11-2246.2015.378