基于无人机的月季提取方法研究

陈 行，夏丽华*，郭广猛

(1.广州大学地理科学学院，510006，广州；2.南阳师范学院环境科学与旅游学院，473061，河南，南阳)

0 引言

这几年来，无人机遥感技术快速发展，为快速获取高分辨率影像提供了新的平台和技术手段。特别是轻型多旋翼无人机，具备携带方便、飞行可靠性高、智能化程度高、操作简单易学、影像空间分辨率高等优点，在良好天气情况下可以短时间内起飞，获取到厘米级影像数据，在近几年获得了爆发式的发展[1]。

无人机遥感技术已经成为遥感图像获取的一种重要方式。高空间分辨率目前成为遥感技术发展的一个方向，高空间分辨率影像数据的可获得性、普及性和丰富性使得无人机高分辨率影像应用越来越成熟，例如，灾情监测、农作物估产、国土调查、土地确权、土地利用变化等。高空间分辨率的无人机影像数据具有丰富的地物空间信息，突出了地物的几何结构和纹理信息，影像中这些空间纹理、几何形状等地物属性特征容易识别和提取。高分辨率无人机遥感数据也存在不足之处：和多光谱数据相比，轻型无人机载荷较小，通常搭载可见光传感器，导致光谱信息少，光谱特征没有空间信息突出[2-3]。对于高空间分辨率的遥感影像，基于像元遥感图像分类方法，影像中大量的空间特征信息不能被很好利用，易造成分类精度低和出现“异物同谱”“同物异谱”，空间数据的信息不能很好挖掘和提取等问题。事实上，依靠传统的遥感图像分类法来处理高分辨率图像已不能满足实际应用的要求。面向对象分类技术作为一种新的遥感影像分类技术已经被大量运用[4]。它的基本原理，是根据像元的空间纹理、几何形状、灰度值等相关的特征信息，把那些具有相同特征的，异质性指数低于阈值的像元合并成一个对象，然后根据对象的特征，来对这些已经分割好的对象进行分类。

使用只有红、绿、蓝3个波段的信息的无人机可见光遥感影像，光谱信息相对较少，如果单纯基于像元光谱信息对目标地物进行分类，势必会导致分类精度的降低，且分类结果更容易出现“椒盐”现象，不利于月季和其他目标地物的分类提取[5]。而面向对象的分类方法，充分利用光谱信息、几何特征、纹理特征等多种属性信息，避免“椒盐”现象的产生，提升了遥感影像信息提取的能力，降低了成本，对分类及面积提取的精度提高具有极大帮助[5-7]。目前，无论是卫星遥感还是无人机遥感，月季的监测识别尚未有学者进行尝试，因此本实验基于无人机获取月季图像，使用易康eCognition Developer 9面向对象图像处理软件，图像采用多尺度(multiresolution segmentation)分割算法和最近邻(Nearest Neighbor)分类算法进行月季信息的解译识别[8]，以期为月季的规模化和专业化种植提供技术手段的支撑。

1 数据来源

1.1 研究区概况

研究区位于河南省南阳市卧龙区石桥镇，东经E112°37′20″，北纬N33°9′8″。石桥镇位于南阳市市区北部，距离市中心20 km，属于卧龙区、南召县、方城县的接壤处，地理位置优越，区位优势明显。地势西高东低，西北部为岗丘地带，最高海拔173 m，其他地方均为平原，最低海拔160 m，总面积39.73 km2，平原有31 km2；全镇约有19 267 hm2耕地，潮土占总面积的70%，黄棕土占25%，其余为砂姜黑土。这里属我国亚热带向温带的过渡地带，四季分明，白河自北向南流经石桥镇，提供充足灌溉水源，光照充足，雨量适中，温度适宜，适合月季等的经济作物种植。石桥镇是“中国月季之乡”，是全国最大的月季种苗繁育基地。研究区紧邻S231省道，交通便利，方便数据的获取[9-10]。

1.2 数据获取

研究区的数据来源于2017年4月18日的无人机航拍，当日晴，气温16～28℃，北风三级，空气质量良好，可见度较高，有利于无人机影像数据的采集。采用大疆精灵(Phantom 3 Advanced)四旋翼无人机平台，最大续航能力约23 min，其搭载的相机传感器为CMOS，型号为FC300S，光圈值为f/2.8，焦距为4 mm，曝光时间为1/1064 s，ISO为100，单幅最大像素4 000×3 000 pixel，成像高度361 m。获取无人机影像如图1所示

图1 无人机遥感影像

2 面向对象的月季解译识别

2.1 影像分割

面向对象的分类方法中，影像分割是分类的前提和基础，分割的好坏将会直接影响分类的精度。多尺度分割(multiresolution segmentation)是一种常用的、自下而上的分割算法，它的原理是大的对象是由小的对象合并后生成。首先通过计算空间对象与相邻对象的特征，得出其异质性指数，如果该值小于所设置的阈值就可以合并成一个对象，否则就不能合并成大的对象。第一次合并后生成的大的对象，成了下次合并的小的对象，再一次计算合并后对象与邻近对象的特征，不断重复循环计算，直到超出到所设定的阈值要求，合并过程即刻停止[11,24]。

异质性指数是多尺度分割进行对象合并或分割的根据，针对不同的目标地物要设置不同的尺度和因子权值，是多尺度分割算法的关键点。空间对象的光谱信息和空间信息的加权之和构成异质性指数。异质性指数F，计算如式(1)

F=ωspectral·Hspectral+ (1-ωspectral)·Hshape

(1)

式中：ωspectral是指在总的差异性指标中，光谱特征的差异性所占比重，光谱特征和形状特征的差异性加起来为1；Hspectral、Hshape分别表示为影像光谱信息的差异性及形状的差异性。

光滑度和紧致度都是用来度量形状的差异性，它们加权和为形状因子。相邻对象合并后形成的新对象边界的圆滑程度称作光滑度，而合并后对象间的紧凑程度称作紧致度。对于提取不同的目标地物，要根据目标地物的特征信息，选择合适大小的分割尺度、光谱因子及紧致度因子，划分出不同尺度的、具有不同层次的空间对象层。固定用一种分割尺度的传统分割方法，对目标地物的提取有很大的局限性，多尺度分割算法打破了这种困局，在一幅影像上，采用大小不等的分割尺度(即不同的阈值)。相对较大的分割尺度得到相对较少的面积大的图斑，设置过大的分割尺度会导致图斑中包含不一样的地物；较小的尺度则会得到较多、较零碎的图斑，设置过小则会分出许多不必要地物，增加分类难度[11]。图2为不同分割尺度对比。

分割尺度为10 分割尺度为50

分割尺度为100 分割尺度为150

在进行石桥镇的月季提取研究时，分别将分割尺度以10递进，形状因子以0.1递进，紧致度因子以0.1递进，经多次实验，发现设置分割尺度 (Scale parameter)为90，形状因子(Shape)权重为0.2，紧致度因子(Compactness)权重为0.1时，能够较为合理地分割目标地物，得到的分割效果较好。图3为分割结果。

图3 分割结果

2.2 分类系统的确立

通过前期无人机影像数据的获取和月季种植区的实地考察，以及影像的目视判断，确定解译标志，可以大致将影像中地物分为月季，汽车，道路，地被覆膜，裸土，建筑，树木7类地物，图4为典型地物样本。

研究区目标地物类别交叉或重叠相对较多，因此采用最近邻(Nearest Neighbor)法。区别于其他方法依靠判别类域的方法来确定目标地物的所属类别，最近邻(Nearest Neighbor)法根据周围邻近的样本来确定，所以更灵活有效。然后对这7个类别进行采样，选取合适的、具有代表性的、一定数量的样本。

2.3 图像分类特征的选择

研究使用的无人机影像只有红(red)、绿(green)、蓝(blue) 三色的灰度信息，通过对图像中地物的目视观察，除了这3个灰度信息特征之外，又在分类特征库中增加了长宽比(Length/Width)、亮度值(Brightness)、形状指数(Shape Index)以及可见光波段差异植被指数(VDVI)[12]。对于不含有近红外波段的无人机可见光影像，汪小钦[12]等学者提出通过借鉴NDVI 的原理和形式，用无人机影像中较强的反射特征的绿光波段取代 NDVI 中的近红外波段，用具备吸收特征红蓝波段之和取代NDVI中的红光波段，用绿光波段的2倍使其在数值上与红蓝波段之和相当。通过此可见光3个波段构成可见光波段差异植被指数VDVI(Visible-band Difference Vegetation Index)，如公式(2)所示

图4 典型地物样本

VDVI=(2G-R-B)/(2G+R+B)

(2)

3 分类结果与精度评价

3.1 分类结果

根据所选的7个类别属性特征，运用面向对象的方法，对无人机影像进行多尺度分割，然后建立分类特征，综合利用光谱、形状、纹理等特征信息，并进行优化组合，对分割后的图像进行分类，并合并同类别对象，共得到798个图斑，图5为分类结果。

图5 分类结果

3.2 分类精度评价

对分类结果进行精度评价和分析是十分必要的，这是检验方法手段可行性和准确性的有效方法；同时，还可以从精度评价和分析中获取相关信息,进一步完善实验流程。根据图5分类结果图像，采用基于图像信息综合评价方法[13-14]，对分类精度进行评价，并进一步分析。

由表1可见，基于无人机遥感月季影像的面向对象方法分类总体精度达到了80.68%，标准差大部分在0.15以下。其中，建筑和地被覆膜分类精度较低，而建筑的目标数较少，通过目视检查发现其分类基本全部对应，即分类精度较高，这与采样时选取的建筑样本数量多有关；地被覆膜的分类精度较低，部分地被覆膜和裸土不能够有效区分出来，原因是部分地被覆膜被土覆盖，被分为裸土。汽车分类精度较高，得益于汽车形状特征明显，且本类目标地物相对较少。而月季和树分类精度较高，分别达到了83.34%和89.96%，获得了较为满意的分类效果。

表1 分类精度评价参数表

3.3 面向对象方法与传统监督分类方法的对比

在ENVI4.7中，将同一幅无人机影像进行基于像元的最大似然法的监督分类，选取同样的7类地物，训练样本并分类，其结果如图6，图7是基于面向对象的最近邻分类结果。

通过对比可以发现，在ENVI软件中用最大似然法分类比较细碎，“椒盐”现象明显，并且月季和树，道路和地被覆膜没有区分出来。这主要是因为月季和树，道路和地被覆膜的可见光光谱信息差异小，单靠可见光光谱信息区分难度大；而基于面向对象的方法，先将目标地物运用面向对象的方法进行分割，然后根据光谱、空间、形状、纹理等信息优化组合，对已经分割好的地物进行分类，弥补了传统方法的单纯依靠光谱信息的不足，取得较好的分类结果，避免了“椒盐”现象的产生[15,18]。

图6 最大似然法分类结果

图7 最近邻法分类结果

4 结论与讨论

本文以南阳市卧龙区为研究区域通过无人机获取月季的高分辨率影像，采用面向对象的方法对获取的无人机影像进行解译识别。通过eCognition(易康)软件以及目视解译对影像分类结果进行了精度评价与分析，并与传统的单纯依靠光谱信息进行分类的方法进行了对比实验。结果证明，无人机可以有效获取月季种植信息；面向对象的方法分类精度高，能够满足地物目标分类的要求，极大提高了月季解译识别的工作效率[16]。本文这种以高空间分辨率无人机遥感影像获取为基础，利用面向对象的思想和方法，以目标特征进行月季解译识别的思路对于高空间分辨率影像的目标地物的解译与监测具有一定的借鉴性和参考性[17]。

此次实验，探索了无人机获取月季图像到识别解译，再进行精度评价的过程，形成了月季信息提取的一个实用可操作流程，弥补了前人没有涉及的月季提取研究，总体精度达到80%，为月季提供了无人机可见光遥感提取方案。同时，在下一步研究中应当注意。

1)面向对象方法中，分割是分类的基础[22-23]，通过反复实验或定量研究，找出适合月季的分割尺度、形状因子和紧致度因子，得到较为理想的分割结果，有利于提高分类精度。

2)面向对象分类采用的是光谱信息、空间特征和形状纹理特征综合进行分类的，因此月季“同物异谱”现象，以及月季和树木的“异物同谱”现象仍然会对分类精度有一定影响，尽可能降低这种影响是将来研究的重点。