利用无人机和面向对象技术快速提取田坎面积

杨云辉赵鲁全李新举侯 乐

1山东农业大学资源与环境学院，山东 泰安，271018

2山东省土地调查规划院，山东 济南，250014

田坎是土地整治的重点对象［1］，统计田坎面积是土地整治工作的重要环节。目前，对田坎的统计方法主要有：实测法和系数扣除法［2］。实测法工作量大，测绘周期长，消耗成本高；系数扣除法准确度低，可靠性差。因此，需要寻找一种准确、快速、低成本的提取田坎面积的方法。

近年来，高空间分辨率遥感影像的快速发展为较精细的影像分类提供了条件［3］。刘常娟等［4］运用高分辨率卫星遥感影像，提出一种获取田坎面积的方法。由于当时技术条件的限制，数据源选择了2.5 m分辨率的SPOT-5卫星影像数据，从结果可以看出，田坎面积的精确度与影像的分辨率有直接的关系。而近几年飞速发展的无人机遥感技术，在具有更高的分辨率、更细致的光谱、几何、纹理等特征参量［5］的同时，还具备卫星遥感所不具备的响应快、周期短、易操作、成本低等特点［6］，且已经在耕地作物信息提取［7］等多方面取得了飞跃式的发展。但在已有研究中，航拍影像以高光谱和多光谱影像为主，拍摄成本高昂，严重限制了无人机遥感技术的快速发展［8］。

仅含有可见光波段的无人机影像获取简便、成本低廉，实际使用也更为广泛［9］。汪小钦等［10］通过对无人机可见光波段进行段运算，获得了一种快速提取植被信息的方法，提取精度高达90%。因此，本文以仅含可见光波段的高分辨率无人机遥感影像作为数据源，探索一种准确、高效提取田坎面积的新方法。

1 数据获取与处理方法

1.1 研究区数据获取

研究区域位于山东省泰安市新泰禹村镇西南部，占地826.02 hm2。影像获取时间为2017年9月22日，使用瑞士进口的eBee plus航拍测绘无人机，飞行高度340 m，搭载Canon IXUS 220 HS相机，1 600万像素，航摄比例尺选定为1∶40 000，获取研究区航片后利用Pix4d mapper数据处理软件进行校正、拼接处理，得到研究区的正射影像，影像包含了红、绿、蓝3个波段，此时影像的地面分辨率为0.48 m，如图1所示。

图1 研究区数字正射影像Fig.1 Digital Orthophoto Map of the Research Area

1.2 数据的处理方法

在获得研究区的航空影像后，对航空影像进行人工分幅处理，区分对待田坎、石堰。在分幅后，采用波段运算构建新型指数，增强石堰地物信息，提升分类精度。

1.2.1根据坡度和剖面曲率进行影像分幅

本文选择坡度和剖面曲率作为对整幅影像的划分依据。原因有两点：①田坎系数和坡度之间存在关联；②研究区地处平原地区，最大坡度为15°，土质田坎系数与坡度之间的关系并不显著，所以引入剖面曲率作为一个新的划分标准。剖面曲率指的是地面上任意一点地表坡度的变化率，表示坡度的变化程度［11］。

最终将影像根据《农村土地调查规程》分类方法分为6幅，如图2所示。经观察发现，按此划分后，剖面曲率和坡度越高的影像土坎分布越为密集，与石堰关系不明显。

图2 不同剖面曲率、坡度下土坎分布图Fig.2 Different Profile Curvature，the Slope of the Ridge Profile

1.2.2新型可见光波段指数的构建

影像分幅后，因石堰易被漏分，需要增强石堰的地物信息。如表1所示，对比耕地、石堰的像元值，用ρ1、ρ2分别代表耕地、石堰在可见光波段上的像元值，用e代表耕地、石堰在可见光波段上像元值的相对差异，计算方式如式（1）所示：

表1 典型地物在蓝、绿、红波段的像元值平均值差异表Tab.1 Difference Pixels Value in Blue，Green，Red Band of Typical Land Cover Table

结果表明，耕地、石堰在蓝光波段上的相对差异最大，红光、绿光波段相对差异较小。参考目前存在的可见光波段指数构建后发现，基于过绿指数EXG（excess green）［12］改进后的指数可以更好的增强石堰与耕地的区分度，如图3所示，以EXB（excess blue）表示，计算方式如式（2）、式（3）所示：

图3 原影像与EXB指数结果对比图Fig.3 Comparison of Original Image and EXB Index Results

式中，ρred、ρgreen、ρblue分别代表红、绿、蓝3色波段的像元值。

2 面向对象的影像分割合并和分类方法

面向对象的分类方法在高地面分辨率的影像分类中有着广泛应用［13，14］，因此将无人机影像和面向对象分类方法结合，可以极大提高影像分类精度。

2.1 面向对象的影像分割合并

依据坡度和剖面曲率划分成6幅图后，由于每幅图的数据量仍然很大，为了便于说明，选取影像中包含丰富土坎信息或石堰信息，且具有代表性的10幅影像。

在分割合并过程中，如何确定最优尺度，人工目视判别是目前最好的选择，具体参数如表2所示。

经观察发现，剖面曲率和坡度越高的影像，参数设置的越低，才能更好地提取田坎的边界信息，土坎的分割合并参数随剖面曲率和坡度的变化趋势明显，石堰则符合此变化趋势。

2.2 基于规则的特征提取

分割合并后的对象由同质像元组成［15］。在提取对象为土坎时，以红波段光谱值和空间特征中的Area、Minor Length作为主要划分依据，具体的规则选择如表2所示。

表2 影像分割及规则构建表Tab.2 Image Segmentation and Rule Construction Table

3 提取结果及精度评价

3.1 提取结果

确定分类规则输出影像后，应对分类图进行过滤和平滑处理，过滤处理解决分类结果中出现的孤岛问题，平滑处理使分类结果更符合实际地物情况。具体分类结果如图4所示。

图4 田坎分类结果图Fig.4 Field Ridge Classification Result

3.2 精度评价

在对精度的评价中，将基于规则的面向对象提取田坎的结果作为预测面积，目视解译提取田坎的结果作为实测面积。具体精度评价公式如式（4）所示。

式中，S1为基于规则的面向对象提取的田坎面积；S2为目视解译提取田坎的面积；e为面积的相对误差。结果如表3所示。

表3 田坎面积一致性精度评价表Tab.3 Field Ridge Area Consistency Accuracy Evaluation Table

由表2分析可知，将无人机影像和基于规则的面向对象分类方法应用在土坎、石堰的提取上，精度是可以保证的。10个样本区域中，8个样本的相对误差在10%以下。分析不同分割区域的相对误差可知，土坎的精确度与区域选择有密切联系，在低剖面曲率条件下，坡度2°～6°的区域范围大，土坎、耕地相似度高，分界线模糊，地物特征基本趋于一致，判别难度较大，相对误差高；0°～2°区域范围虽大，但土坎与耕地分界线明显，相对易于区分；6°以上的区域范围小，地形以平缓山坡为主，且土坎、耕地差别明显，区分度高。在高剖面曲率条件下，0°～2°区域范围虽小，但实测面积偏小，相对误差高；2°～6°区域由于剖面曲率的变化，土坎、耕地分界线明显，区分度变高；6°以上区域以陡峭山地为主，地形参差不齐，耕地呈碎块状分布，使田坎区分难度变大。石堰在进行图像增强处理后与耕地区分明显，相对误差较低，在剖面曲率高，坡度为2°～6°区域中，由于石堰较多，分布密集，规律性下降，造成相对误差变高，其他区域石堰预测面积与实测面积较为接近，相对误差普遍较低。

4 讨论与分析

在研究中可以看出，成本低、适用性强的可见光相机获取的航空影像虽然只有红绿蓝3个波段的光谱信息，但田坎在高空间分辨率影像上仍与其他地物有着明显的区别。通过对整幅影像田坎的特征划分、对石堰光谱信息的重新构建，结合基于规则的面向对象提取方法，从光谱和空间特征上对田坎信息进行规则构建，进而提取田坎面积的方法，可以逐步代替实测法和系数扣除法对田坎面积的提取方式，解决了传统方法工作量大、提取精确度低，难以快速获取田坎面积的不足，对于准确把握土地整治区田坎整治情况与耕地实际面积具有重要的现实意义。

在研究中发现，基于可见光波段的无人机遥感和面向对象的提取方法也存在一定的局限性：

1）无人机遥感所获得的影像地面分辨率相较于其他遥感方式更高，这虽然对田坎的精细分类提供了可靠的条件，但地面分辨率越高并不意味着分类结果越精确，Bruzzone等［16］就曾指出，过高的地面分辨率会导致类内方差变大，类间方差变小。在实验中发现，通过降低分辨率的方式对高分辨率影像进行处理，可以有效地增强地物边界的识别，但由于本文目的是提取田坎的面积，降低分辨率的滤波处理方式会改变田坎边界，对田坎的面积精度造成影响，所以未进行深入研究。但能否通过其他方式，消除降低分辨率后对提取地物面积造成的影响，仍有待研究。

2）影像基于坡度和剖面曲率进行分幅，对剖面曲率高低的划定，在于尽可能地将影像分为面积相同的两部分，分幅后，分割合并参数的设定，随坡度和剖面曲率的升高而下降，坡度和剖面曲率的划定可以作为一个分割合并参数设定的标准，但二者之间是否有更明显的关系，剖面曲率和坡度之间是否有更好的结合方式，仍需要大量实验数据作为研究依据。

3）在提取田坎面积时，土坎面积的精度要略低于石堰面积的精度，这证明了对石堰光谱信息进行重新构建是可行的，而对土坎地物信息的增强、构建将会是下一步研究的重点。

4）分类完成后，对整个影像进行精度评价，与目视解译实测面积对比时总体精度高，但不能排除个别地物面积偏大，又存在某些漏分现象，一加一减反而影响了总体精度的验证。而混淆矩阵的精度评价方法，适合评价多个类别的分类结果，且人为影响因素大。最精确的验证方法是实测法，验证每一条土坎、石堰的具体面积，再与分类结果作对比，进行评价。但在缺乏实测条件下，用目视解译的分类结果进行精度评价仍是最可靠的方法。

5 结束语

本文以仅含可见光波段的高分辨率无人机遥感影像作为数据源，运用面向对象的分类方法提取田坎面积，经过相关研究与讨论，结论如下：

1）石堰作为田坎的重要组成部分，通过比较与耕地在可见光三波段上的反射率特征后发现，石堰与耕地相对差异率在蓝波段上最高，基于EXG指数改进后的EXB指数，可以增强石堰与耕地的区分，实现石堰的精确提取。

2）土坎作为田坎的重要组成部分，与坡度、剖面曲率存在分布关系，坡度和剖面曲率越高，土坎分布越密集，影像上需要分割的越细致，可以作为判定分割合并参数设置的一个标准。

3）以目视解译提取田坎的面积作为实测值，通过对比基于规则的面向对象分类方法提取的田坎面积，确定基于规则的面向对象分类方法可以有效地提取田坎，精确度高。