基于无人机可见光遥感影像的救灾帐篷信息提取

吴 玮，秦 其 明，范 一 大

(1.北京大学地球与空间科学学院，北京 100871；2.民政部国家减灾中心减灾和应急工程民政部重点实验室，北京 100124)



基于无人机可见光遥感影像的救灾帐篷信息提取

吴 玮1,2，秦 其 明1，范 一 大2

(1.北京大学地球与空间科学学院，北京 100871；2.民政部国家减灾中心减灾和应急工程民政部重点实验室，北京 100124)

在分析救灾帐篷的光谱和形状特征基础上，将基于像元和面向对象分类方法相结合，提出一种针对无人机可见光遥感影像的救灾帐篷信息提取方法。首先基于帐篷初始样本在三维光谱空间中的范围对图像进行快速二值化初分类，通过聚类与尺寸滤波消除噪声图斑对后续信息提取的影响;然后引入不同结构模板的邻域分析和形态学方法还原对象空间形状,针对遥感影像的第一主成分，提取分割对象的光谱均值、局部二值模式对比度(LBP Contrast)均值、长轴长等特征;最后利用基于径向基函数(RBF)的支持向量机(SVM)分类方法完整提取救灾帐篷。以灾后常用的0.2 m无人机可见光遥感影像为例的实验结果表明，救灾帐篷识别率高达95.5%。该方法运算效率高，克服了蓬顶内部异质性和相似物的影响，对于利用无人机可见光遥感影像开展救灾帐篷的检测与分析具有参考价值。

救灾帐篷；无人机；高分辨率遥感

0 引言

救灾帐篷是重大自然灾害发生后安置灾民的重要装备，准确核实灾区的帐篷数量和空间分布是评估灾区救助需求、核查地方救灾工作成效、优化安置点布局、估算转移安置人数的重要依据。较之于地方上报数据，高分辨率遥感技术能更为详细地反映地物空间形态和纹理特征，在救灾帐篷数量真实性统计与核查方面有着显著优势。一般高分辨率遥感图像呈现的地物结构和纹理等信息突出，但光谱信息不足，即波段数较少[1]。目前，高分卫星影像的探测波段多局限于可见光到近红外范围，而要精细化反映帐篷这类微小目标，则以采用分辨率更高的无人机(Unmanned Aerial Vehicle，UAV)等航空遥感监测手段为主。

帐篷作为一种临时搭建的人工地物，目前国内外针对其在高分辨率遥感图像上的信息提取研究还很少。面向对象分类与传统的基于像元光谱统计特征的分类方法相比，在提取内部属性相对一致或均质程度较高的分割单元及其特征后，可在特征空间中进行对象识别与分类，以实现影像的高层次理解[2]，可用于获取帐篷信息。但多尺度影像分割一直是面向对象分类的难点问题，存在运算速度慢、规则设置较为复杂等问题[3]；同时，该方法容易产生欠分割或过分割等现象，分类规则参数的反复调试也影响分类效率。Abdulatif等[4]提出了采用互相关函数作为相似性匹配算法，通过设置合理阈值，计算航空图像上连片分布的单体帐篷。这种方法采用模板匹配的策略进行对象分布与点位计算，虽然具有对噪声和遮挡不敏感等优点，但易受目标方向性影响，计算开销大[5]，而且模板匹配方法不能较为完整地提取帐篷空间结构。

通过分析高分辨率航空影像上救灾帐篷的光谱和形状特征，将面向像元和面向对象的分类方法相结合，以灾后常用的0.2 m无人机影像为例，提出一种无人机可见光遥感图像救灾帐篷信息提取方法。该方法仅引入代表光谱、纹理和形状等方面的3种典型特征作为分类判据，具有简便易行、计算速度快、救灾帐篷提取精度高等特点，对于识别和检测救灾帐篷具有很好的借鉴价值。

1 救灾帐篷的特征

救灾帐篷的颜色整体为蓝色调，蓬体为规则的方形，蓬顶面为三角形斜坡，两端标注有“民政救灾”、“救灾专用”白色字样。救灾帐篷一般安置在地势较平坦的地区，连片分布的帐篷中单体帐篷间的空间间隔较窄，帐篷分布不存在较为固定的上下文关系；同时，帐篷的朝向也呈现多样性，方向性特征不明显。在高分辨率可见光图像上，救灾帐篷蓝色色调的判读标志非常明显，“民政救灾”的标志在图像上表现为白色的亮孔。由于帐篷顶部的孔洞和环境噪声的影响，救灾帐篷内部光谱异质性增大，给帐篷形态结构特征的完整提取带来困难。此外，帐篷显著的蓝色调和方形结构特征，在分类时易与颜色、形状相似的民房等人工建筑混淆。因此，需要综合救灾帐篷的多种特征进行分类，以提高信息提取精度。

2 研究方法

以训练样本为基准，采用自上而下的方式，在精确提取对象形状的基础上通过分类提取救灾帐篷信息。首先，针对救灾帐篷样本在图像三维光谱空间上的亮度值分布特征，统计光谱阈值进行初步二值化分类，通过像元聚类与面积过滤处理消除噪声图斑对后续信息提取的影响。然后，利用不同结构模板的邻域分析和形态学方法完整还原对象空间形状。为提高运算效率，减少分类特征的复杂度，分别计算图像第一主成分内各图斑的光谱均值、局部二值模式对比度(LBP Contrast)均值、长轴长等特征。利用基于径向基函数(RBF)的支持向量机(SVM)方法进行分类，提取救灾帐篷完整轮廓，统计其数量和分布特征。

2.1 基于像元的初分类

基于像元的初分类目的是为了提取救灾帐篷的空间分布范围，这是后续对象生成的基础，分类方法有非监督和监督分类两种。非监督分类虽然操作简单，不需要了解地域情况，但对聚类群组的结果很难控制；而监督分类中，最大似然法、马氏距离等参数化分类器需要样本符合正态分布等概率统计分布特征，且分类效率较慢，分类结果中图斑破碎。平行六面体法作为一种非参数化分类方法，是利用n个光谱波段的训练数据进行分类[6],该方法虽然会产生较多的混分现象，但运算速度快，方法简单，相比参数化分类能得到较为完整的目标形态。由于通常采用的以统计均值、标准差为阈值范围的平行六面体法，易受分类图像的影响，且在各波段标准差的倍数取值不确定。考虑到无人机图像的空间范围相对较小，帐篷的光谱特征受大气条件影响大致相同，光谱特征相似，因此，采用平行六面体法分类时，在规则设置上，按如下方式进行二值化分类。

(1)

式中：ρ(i,j)为生成的二值图像上第i行j列的像元值，λ为波段号，Minλ、Maxλ分别表示第λ波段上帐篷样本的最小灰度值和最大灰度值，DNλ(i,j)为第i行j列像元在λ波段的灰度值。

2.2 对象空间结构的精细化提取

基于像元分类后的二值图像反映了救灾帐篷的空间范围，利用像元的空间连通性进行聚类统计，可以形成一系列离散的图斑。为避免在聚类中将救灾帐篷与其相邻的其他地物混合，聚类连接一般采用垂直和水平方向的4邻域方式。为消除图斑中与救灾帐篷在面积上存在明显差异的邻近对象对后续形状完善处理造成的不利影响，可先进行面积过滤，以去除对象尺寸明显大于或小于样本帐篷大小的图斑。

在聚类后的专题图上，救灾帐篷存在形状不完整、篷顶内部出现孔洞或边缘残缺等问题。邻域分析是在一定大小的窗口模板中，通过窗口内各像元的统计分析来确定其中心像元值。而数学形态学是一种分析空间结构的理论，可用于图像滤波、分割、测量等方面，基本操作包括膨胀、腐蚀、开运算及闭运算等[7]。这两种方法均可以填充帐篷顶部出现的孔洞，处理效果取决于窗口模板大小、形状、处理顺序等因素。如果先采用形态学的膨胀或者闭运算，虽然能基本去除孔洞，但也会造成分布较近的帐篷间出现连接的现象。而如果先做形态学腐蚀或开运算，则会进一步破坏有孔洞帐篷的空间形状，不利于后续帐篷结构的完整提取。因此，通过分析可先采用邻域方法进行孔洞填充处理。

采用5×5的矩形模板对二值图像进行邻域统计，取窗口内出现频次最多的众数取代中心像元值，处理后的图像能够实现救灾帐篷孔洞的填充，同时保证了帐篷间不会误连接。然后，对图像进行二值形态学开运算操作，即先腐蚀后膨胀处理，定义为：

I∘B=(IΘB)⊕B

(2)

式中：I为邻域分析后的二值图像，B为5×5的十字形结构元素。

这样不仅可以消除可能与帐篷相连接的其他杂物或小的破碎物，使帐篷边界平滑，保持帐篷的总体形状和空间分布位置不变，而且十字形结构相比矩形结构还可以避免相邻帐篷间隙过小的状况。通过邻域分析和形态学滤波后的栅格图像，即可得到空间形态连续、结构特征清晰的地物对象。

2.3 面向对象的救灾帐篷分类

为提高特征统计和分类效率，针对无人机可见光遥感图像，采用主成分分析方法进行降维处理，选择第一主成分分量作为特征提取的基底图像，以减少参与分类的特征数量和复杂度。针对提取的对象引入对象长轴长、光谱均值、LBPContrast均值3个指标进行特征提取。对象的长轴长表征对象空间形状特征，光谱均值则是以每个对象的像元亮度平均值表示对象的光谱特征，而纹理特征LBPContrast均值是以各对象内像元的LBPContrast平均值进行计算。LBP是描述图像局部空间结构的非参数算子[8]。该算法具有光照不变性的特点，在纹理分类中有高度区分能力，已应用到人脸识别等目标检测领域。本文中将该指标引入到帐篷特征提取中，对于1个3×3窗口的LBPContrast编码计算方法如下：

(3)

式中：LBPC为中心像元(xc,yc)的LBP对比度值，Gi和M分别表示不小于中心像元值的8邻域像元灰度值和像元个数，Gj是小于中心像元值的邻近像元灰度值。特别地，当M为0或8时，LBPC为0。

SVM是一种适用于小样本、高维特征的分类器，具有速度快、精度高、泛化能力强等优点，基于RBF的SVM算法在多维数据分类中能取得较为满意的高精度分类结果[9-11]。因此，在完成对象的特征提取后，选择训练样本，采用该方法进行救灾帐篷的分类。

3 实验结果与分析

3.1 实验数据

实验数据为重灾区无人机可见光遥感拼接影像。图像大小为8 980×10 442像素，空间分辨率达0.2m，图1a(图1见封3)为原始拼接图像中的一个局部区域。图像上帐篷的分布有连片的，也有散布的，连片分布的帐篷中单体帐篷间的空间间隔较窄。帐篷的朝向也没有确定的方向。

3.2 结果与评价

图1b中红色部分为经过邻域分析和形态学处理后提取的对象形状。以对象的长轴长、光谱均值、LBPContrast均值3种特征作为分类判据，采用基于RBF的SVM分类器，惩罚系数C和核参数γ分别设置为100、0.33，这两个参数值一般认为会直接影响图像的分类精度；为简化运算，γ取值按常用的输入特征数的倒数值计算。为分析实验结果的有效性，在其他条件不变情况下，增加分类特征数到7个，重复上述过程进行分类，对比结果如表1所示。

表1 基于不同特征的支持向量机分类结果对比

Table 1 The SVM classification results based on different features

特征核参数正确数识别率错分数对象数错分率长轴长、光谱均值、LBPContrast均值100，0．3314795．5%51523．3%面积、长轴长、短轴长、光谱均值、LBPContrast均值、熵和方差100，0．1414694．8%31492%

利用定性和定量相结合的方式评价图像中救灾帐篷形状提取效果和分类精度。通过与原始影像的目视对比，发现基于3种特征提取的救灾帐篷(图1c中黄色部分)位置准确，几何形态完整。整幅图像中总计154个救灾帐篷，共提取10顶以上连片分布帐篷6处。表1表明：基于3种特征进行SVM分类识别率可达95.5%，错分率仅3.3%，而漏分的7顶帐篷中，有两顶由于其颜色和光谱空间范围与初始样本存在较大差别而未被检测出。通过加入对象面积、短轴长、熵和方差共7种特征参与分类，尽管错分率有所降低，但并未提高分类识别率，说明简单增加分类特征数并不一定会提高分类精度(图1d中绿色部分表示提取的救灾帐篷)。因此，仅采用长轴长、光谱均值、LBP Contrast均值3种特征进行分类，就能够得到较高分类精度，而且降低了运算复杂度，提高了分类效率。

4 结论

针对救灾帐篷在无人机可见光遥感图像上的表现特征，本文引入光谱、纹理和形状等特征，采用由粗到精、逐层剥离的方式，提出了基于无人机可见光遥感影像的救灾帐篷提取方法。实验结果表明，该方法克服了帐篷顶面光谱异质性、形状和色调相似地物对分类结果的干扰，能够获得较高的分类精度。

本文方法适合图像中帐篷光谱信息较为一致的情形，当帐篷的色调特征与初始训练样本存在明显不同时，会遗漏提取帐篷信息。因此，有必要建立无人机遥感影像救灾帐篷样本库，发展自动化的样本选择方法是需要继续深入研究的内容。同时，实验数据采用了业务中最为常用的0.2 m多光谱无人机数据，是否适用于其他尺度的无人机影像还需要进一步的验证。

[1] 关元秀,程晓阳.高分辨率卫星影像处理指南[M].北京：科学出版社，2008.1-143.

[2] 周成虎，骆剑承.高分辨率卫星遥感影像地学计算[M].北京：科学出版社，2009.21-26.

[3] 陈超,秦其明,陈理,等.基于地物光谱特征分析的高分辨率遥感图像水上桥梁提取[J].光谱学与光谱分析,2013,3(3)：718-722.

[4] ABDULATIF A,NABEEL K.Automatic extraction of tents during Hajj from airborne images to support land use optimization[J].Automation in Construction,2007,16:107-111.

[5] 李实英，杨高波.特征提取与图像处理(第二版)[M].北京：电子工业出版社，2010.149-155.

[6] 陈晓玲，龚威，李平湘.遥感数字影像处理导论[M].北京：机械工业出版社，2007.354-356.

[7] SOILLE P.王小鹏(译).形态学图像分析原理与应用(第二版)[M].北京：清华大学出版社，2008.1-102.

[8] 马莉，范影乐.纹理图像分析[M].北京：科学出版社，2009.36-38.

[9] 杜培军，谭琨，夏俊士.高光谱遥感影像分类与支持向量机应用研究[M].北京：科学出版社，2012.89-97.

[10] 梁亮，杨敏华，李英芳.基于ICA与SVM算法的高光谱遥感影像分类[J].光谱学与光谱分析，2010,30(10)：2724-2728.

[11] 王新明,梁维泰,周方,等.基于支持向量机和Getis因子的高分辨率遥感图像分类[J].地理与地理信息科学，2008，24(4)：16-24.

Information Extraction of Disaster Relief Tents in UAV Visible Light Remotely Sensed Image

WU Wei1,2,QIN Qi-ming1,FAN Yi-da2

(1.InstituteofRemoteSensingandGeographicInformationSystem,PekingUniversity,Beijing100871；2.KeyLabofDisasterReductionandEmergencyEngineering,NationalDisasterReductionCenterofChina,MinistryofCivilAffairs,Beijing100124，China)

At present,research on tents extraction based on high resolution remote sensing images is very little at home and abroad.In this paper,based on analysis of spectrum and shape features of disaster relief tents,a new approach of extraction for disaster relief tents in UAV visible light remotely sensed image is employed,which combines the pixel-oriented and object-oriented classification methods.First,based on the three-dimensional spectral range of initial sample,a rapid preliminary classification is utilized to form a binary image.Through clustering and size filtering,speckle noise is eliminated,which may affect the subsequent information extraction.Second,mathematical morphology and neighborhood analysis methods with different model structure are performed to restore the shape of objects,and fine post-processing is used subsequently.Then,features like LBP contrast mean,spectral mean and major axis length of segmented objects in the first principal component of remote sensing image are extracted.Finally,SVM classification method based on RBF kernel function is performed to completely get the number and location of disaster relief tents.Taking UAV visible light remotely sensed image with 0.2 m spatial resolution in post-disaster period as an example,the experiment shows that the accuracy rate of extraction for disaster relief tents can reach 95.5%.The results verify that this method has high operational efficiency and overcomes the influences of similar objects and internal heterogeneity of tents top.It has a good reference value for detection and analysis of disaster relief tents in UAV visible light remotely sensed image.

disaster relief tents;UAV;high resolution remote sensing

2014-06-25；

2014-08-26

国家重大科技专项“高分辨率对地观测系统”项目(03-Y30B06-9001-13/15)；国家科技支撑计划项目(2012BAK19B04)

吴玮(1981-)，男，博士研究生，副研究员，研究方向为灾害遥感与风险评估。E-mail:jockcen@163.com

10.3969/j.issn.1672-0504.2015.02.005

TP751

A

1672-0504(2015)02-0020-04