结合空间分析的面向对象无人机影像土地利用分类

王宏胜，李永树，吴 玺，李 政

(1.西南交通大学 地球科学与环境工程学院，四川 成都 611756; 2.四川省土地统征整理事务中心，四川 成都 610041)

结合空间分析的面向对象无人机影像土地利用分类

王宏胜1，李永树1，吴 玺2，李 政1

(1.西南交通大学 地球科学与环境工程学院，四川 成都 611756; 2.四川省土地统征整理事务中心，四川 成都 610041)

利用高分辨遥感影像进行土地利用分类，为农村土地利用动态监测及土地综合整治快速地提供基础地理空间数据。以高分辨无人机影像为数据源，研究利用面向对象多尺度分割技术结合GIS空间分析对影像进行土地利用分类。根据对象内同质性高、对象间异质性高的准则，引入加权局部方差与空间自相关指数构建全局最优分割非监督评价指数，然后利用最邻近分类器对影像进行分类。实验结果表明，该方法减少人工目视确定最优分割尺度的主观性，能够避免某些地物不能被有效归类的现象，在单一尺度下获得较高的分类精度。

土地利用；无人机影像；多尺度分割；空间分析；面向对象

目前，社会经济的持续发展以及快速的工业化、城市化进程伴随着城乡人口流动和经济社会发展要素的重组与交互作用，对农村土地利用方式的变化产生了显著影响[1]。利用遥感技术为农村土地利用动态监测及土地综合整治快速提供基础地理空间数据，对于实现土地资源的可持续发展具有十分重要的意义。

随着遥感技术的发展，遥感影像的空间分辨率得到显著提高，相对于中低分辨率遥感影像，高分辨率影像更能清晰地反映地物的细节信息，但其光谱信息不足，所以传统基于像素层次的分类方法难以获得较高的精度，且容易产生“椒盐”现象[2]。面向对象的影像分析方法(Object-Based Image Analysis, OBIA)，克服了传统分类方法的不足，其更有效地将空间信息和专家知识结合到遥感信息提取中，十几年来逐渐成为高分辨率遥感影像信息提取的主流技术[3]。

近年来，无人机遥感发展迅速，凭借方便、快捷、成本低等优势，现已成为获取高分辨率遥感影像的一种重要技术手段，在土地资源调查、监测与分类等行业开展了大量的研究实践工作[4-5]。本文以高分辨无人机影像为数据源，利用面向对象多尺度分割技术结合GIS空间分析功能进行土地利用分类，并利用混淆矩阵对分类结果进行精度评定，结果表明，该方法减少了人工目视确定最优分割尺度的主观性，能够避免某些地物不能被有效归类的现象，在单一尺度下取得满意的分类结果。

1 实验数据和技术流程

1.1 实验数据

实验区域位于四川省邛崃市某镇，丘陵地貌，地势整体西北高而东南低。影像(见图1)由无人机搭载Canon EOS 5D Mark II大型单反相机于2015年8月获取，为真彩色影像(包含红、绿、蓝波段)，地面分辨率0.16 m，大小为5 616像元×3 744像元，包含有水体、道路、居民地、农田等多种土地利用类型，清晰地表达了农村地区散乱的聚居特点。

图1 实验区无人机影像

1.2 实验技术流程

高分辨率无人机影像土地利用分类的技术流程:

1)影像预处理：对获取的原始无人机影像进行畸变差校正、空中三角测量、生成正射影像；

2)多尺度分割及确定最优分割尺度：通过序列分割尺度参数对影像进行多尺度分割，计算分割质量评价指数，确定最优分割尺度；

3)土地利用分类：建立分类体系，基于各个类别的训练样本以及初始特征组合，找到类别之间可分性最大的特征集，进行最优特征空间的构建，然后运用最邻近分类器对影像进行分类；

4)土地利用分类精度评定：利用混淆矩阵对分类结果进行评定。

2 最优分割尺度的土地利用分类

2.1 影像最优分割尺度的选择

影像完成预处理后，运用eCognition Developer 8.9对其进行多尺度分割，该过程以单个像元对象开始，自下而上地合并相邻对象，直到对象的异质性达到阈值，而该阈值通过尺度参数的设定[6]。通常，最优分割的结果应该是对象内具有较高的同质性，相邻对象间具有较高的异质性。为此，分别计算分割影像对象内同质性评价参数面积加权局部方差和对象间异质性评价参数全局Moran指数，然后定义二者归一化综合函数值为分割质量评价指标。

1)全局对象内同质性。全局对象内同质性评价指数采用面积加权局部方差计算，表达式为

(1)

式中：n为整幅影像分割对象的总数，vi是对象i在一个波段的方差，ai是对象i的面积。较小的vi表示对象内部具有较高的同质性，而在计算整幅影像全局对象同质性特征时，将面积作为权重，能够有效避免由于某些对象过小引起的偏向问题。面积局部加权方差越小，全局对象内部同质性越高。

2)全局对象间异质性。完成多尺度分割之后，影像被分为互相没有交集的地理空间对象，全局Moran指数是最为常用的表达实验区对象与相邻对象间空间相关关系的统计量[7]，相关性高意味着全局对象间异质性低，相关性低意味相反。全局对象间异质性评价参数采用全局Moran指数，其计算表达式

(2)

3)影像分割质量评价指数。将影像的各个波段的面积加权局部方差V和全局Moran指数MI计算完成之后，分别对其按下式进行归一化处理：

(3)

式中：Xmin和Xmax为一个波段V(MI)的最小和最大值，norX为V(MI)的归一化值，该值越接近于0，表示对象内同质性或对象间异质性越高。记影像在波段i的V和MI归一化值为norVi和nor MIi，将两者按下式综合并定义为整幅影像的分割质量评价指数：

(4)

式中：n为影像波段的数量，GS为影像分割质量评价指数，该值越小则分割质量越好，因为此时全局对象内部具有较高同质性，同时对象间具有较高异质性，即此时的分割尺度为最优分割尺度[8-10]。

4)确定影像最优分割尺度。对于面向对象的影像分类而言，一个合适的分割尺度是必须考虑的重要问题[11]。实验中，为比较不同分割尺度对分割质量的影响，选取100～360(步长为20)共14个尺度参数，其他参数固定设置(影像三波段的权重都设为1，形状和颜色权重各为0.5，紧凑度权重0.6，光滑度权重0.4)，然后将生成的相应影像对象层输出为矢量文件，利用GIS的空间分析功能对分割质量评价指标进行计算。结果发现，分割尺度为280时，分割质量评价指数最小，与之相比，分割尺度300的分割质量评价指数为0.938 8，二者相差很小，为避免计算结果的偶然性，同时考虑到步长20较大，在260和320之间增加分割尺度270、290、310对影像进行细化分割，并计算其相应分割质量评价指数。表1为影像分割质量评价指数计算表。

表1 影像分割质量评价指数计算表

由表1可见，分割尺度为290时，分割质量评价指数最小，即此时分割效果最好，因此分割尺度290为最优分割尺度，图2为最优分割结果。同时应注意到，单一波段分割质量评价指数与整个影像分割质量评价指数变化规律一致，且影像取得最优分割质量时，单一波段分割质量评价指数也取得最小值，这说明在以后的实践应用中，可以只计算单一波段的分割质量评价指数以确定最优分割尺度。另外，随着分割尺度增大，分割质量评价指数整体上呈U型变化，但其并没有文献[9]表现得具有规律性，这是因为二者的研究区域不同，文献[9]的研究区域为城镇居民区，该区域地物相对孤立，相邻地物对象之间相关性低，同种地物同质性强，随着尺度的增大，地物对象由过分割到欠分割过程变化明显；农村地物则较为复杂，如林地与其他植被光谱特征相近，这些地物对象间具有较高的相关性，随着尺度的增大，地物对象由过分割到欠分割现象过程变化并不明显。

图2 分割尺度为290的影像分割结果

2.2 土地利用分类

面向对象的影像分类能够综合利用分割对象的光谱、形状、纹理等特征，其基本分类方法分为基于规则分类和最邻近分类两种，前者对于一些特征明显的地物类别能够取得较好的效果，而对于一些特征相似的地物类别区分效果则较差[12]。另外，基于规则分类也存在普适性和效率的问题，自然地物复杂众多，不存在一种规则(集)能够适应所有遥感影像，规则的制定及其阈值的选取往往需要根据特定的影像多次试验才能加以确定[13]。对于无人机影像而言，其空间分辨率高、反映地物特征精细、可利用的光谱特征较少，基于规则分类往往会造成某些地物不能被有效归类的情况[14]。鉴此，本文选择利用最邻近分类对实验区进行土地利用分类。

根据实验区地物类型建立土地利用分类体系，包括农田、林地、其他植被、居民地、水体、道路、裸露土地等，为了提高分类精度再将农田分为农作物覆盖土地和田埂、林地分为密林地和疏林地、居民地分为建筑物和庭院，表2为实验区土地利用分类体系及其基本特征。

表2 土地利用分类体系及其基本特征

在建立分类体系之后，根据相应类别选取一定的训练样本，计算地物对象的光谱、形状等特征参数，取不同地类之间可分性最大的特征组合作为最优特征空间集(见表3)，运用最邻近分类器完成土地利用分类(见图3)。

表3 最优特征空间集

图3 土地利用分类结果

2.3 土地利用分类精度评定与分析

土地利用分类完成之后，在实验区原始影像范围内布置22×33个网格，将其726个结点作为验证样本点进行目视判读并与分类结果对应位置的土地类型进行比对得到混淆矩阵，然后据此计算各个土地利用类别的生产与用户精度以及整幅影像分类精度(见表4)。

从表4可以看出，运用本文方法得到的土地利用分类结果的总体精度为89.94%，Kappa系数也达到了86.80%。与之相比：文献[16]利用与本文实验区域相近的影像，采用目视确定最优分割尺度和基于规则分类的方法得到的分类结果总体精度为88.76%，Kappa系数为81%；文献[14]根据不同地物的最优分割尺度建立多尺度分割分类的结构体系，运用规则分类得到结果的总体精度为91.30%，Kappa系数为89%，分类精度略高，但分类结果出现了大量未被有效归类的地物，这是不期望见到的结果。由此可知本文方法减少了最优分割尺度选择过程中目视确定的主观性，能够避免未参与分类地物的出现，使得高分辨率无人机影像土地利用分类在单一尺度下达到较高的精度。

表4 土地利用分类精度评定

3 结 论

本文根据对象内同质性高、对象间异质性高的准则，通过引入加权局部方差与空间自相关指数构建全局最优分割非监督评价指标以确定影像最优分割尺度，减少人工目视判断的主观性；运用最邻近分类器进行分类克服了无人机影像可利用光谱信息少的局限，避免某些地物不能被有效归类的问题，结果证明二者相结合使得无人机影像在单一尺度下能够取得较好的分类效果。另外，为了研究的需要，本文选择了不同步长的较多分割尺度对影像分割导致确定最优分割尺度时计算量大，在实践应用中可以目视预判最优分割尺度范围，减少分割次数。同时应注意，对于无人机影像，红、绿、蓝三波段对由加权局部方差结合全局Moran指数构建的分割质量评价指数的影响权重相同，说明在确定最优分割尺度时，可以只计算任意一个波段的分割质量评价参数，这能够有效减少计算量。

[1] 龙花楼. 论土地整治与乡村空间重构[J]. 地理学报,2013,68(8):1019-1028.

[2] 费鲜芸, 王婷, 魏雪丽. 基于多尺度分割的遥感影像滨海湿地分类[J]. 遥感技术与应用, 2015, 30(2): 298-303.

[3] MING D P, JONATHAN L, WANG J Y, et al. Scale parameter selection by spatial statistics for GeOBIA: Using mean-shift based multi-scale segmentation as an example [J], ISPRS Journal of Photogrammetry and Remote Sensing, 2015,106:28-41.

[4] 唐敏, 杨锋, 黄华平. 序列无人机影像拼接方法研究[J]. 测绘工程, 2016, 25(1):10-16.

[5] 李德仁, 李明. 无人机遥感系统的研究进展与应用前景[J]. 武汉大学学报(信息科学版), 2014, 39(5):505-513，540.

[6] BENZ U C, HOFMANN p, WILLHAUCK G, et al. Multiresolution, object-oriented fuzzy analysis of remote sensing data for GIS ready information [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2004, 58:239-258.

[7] 黄(美)，李(美)，ArcView GIS与ArcGIS地理信息统计分析[M]. 北京：中国财政经济出版社，2008.

[8] ESPINDOLA G, CAMARA G, REIS I, et al. Parameter selection for region growing image segmentation algorithms using spatial autocorrelation [J]. International Journal of Remote Sensing, 2006, 27(14):3035-3040.

[9] JOHNSON B, XIE Z. Unsupervised image segmentation evaluation and refinement using a multi-scale approach [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2011(66):473-483.

[10] 殷瑞娟, 施润和, 李镜尧. 一种高分辨率遥感影像的最优分割尺度自动选取方法[J]. 地球信息科学学报, 2013,15(6):902-910.

[11] LIU D S, XIA F. Assessing object-based classification: advantages and limitations, Remote Sensing Letters, 2010,1(4)：187-194.

[12] 孙家波. 基于知识的高分辨率遥感影像耕地自动提取技术研究[D]. 北京：中国农业大学, 2014.

[13] 李秦, 高锡章, 张涛，等. 最优分割尺度下的多层次遥感地物分类实验分析[J]. 地球信息科学学报, 2011,13(3):409-417.

[14] 何少林, 徐京华, 张帅毅. 面向对象的多尺度无人机影像土地利用信息提取[J]. 国土资源遥感, 2013,25(2):107-112.

[15] GITELSON A A, KAUFMAN Y J, STARK R, et al. Novel algorithms for remote estimation of vegetation fraction. Remote sensing of environment, 2002, 80(1):76-87.

[16] 鲁恒, 李永树, 林先成. 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.

Object-oriented land use classification from UAV imagery with spatial analysis

WANG Hongsheng1, LI Yongshu1, WU Xi2, LI Zheng1

(1. School of Geosciences and Environmental Engineering, Southwest Jiaotong University, Chengdu 610056, China;2. Center of Land Acquisition and Consolidation in Sichuan Province, Chengdu 610041, China)

Using high resolution remote sensing imagery to conduct land use classification can provide basic geo-spatial data for rural land use dynamic monitoring and land comprehensive improvement. Taking high resolution UAV imagery as the test data, this paper makes the land use classification by using object-oriented multi-scale segmentation technique combined with GIS spatial analysis. According to the criterion of high intra-segment homogeneity and inter-segment heterogeneity, the weighted local variance and spatial autocorrelation index are introduced to construct the unsupervised evaluation index of global optimal imagery segmentation, and land use classification is then conducted by use of the nearest neighbor classifier. The experimental result shows that this method can reduce the subjectivity of artificial visual determination of the optimal segmentation scale, avoid the phenomenon that some objects can’t be effectively classified, and obtain a higher classification accuracy at a single scale.

land use; UAV imagery; multi-scale segmentation; spatial analysis; object-oriented

2016-12-12

十二五国家科技支撑计划项目(2014BAL01B00)

王宏胜(1989-)，男，硕士研究生.

著录：王宏胜，李永树，吴玺，等.结合空间分析的面向对象无人机影像土地利用分类[J].测绘工程，2018，27(2)：57-61.

10.19349/j.cnki.issn1006-7949.2018.02.011

P237

A

1006-7949(2018)02-0057-05

李铭娜]