基于无人机影像城市建筑物的分类制图与统计

陈梁 余学祥 蒲涛 汤连盟

DOI：10.19850/j.cnki.2096-4706.2024.02.030

收稿日期：2023-06-02

基金项目：2021年度安徽省科技重大科技专项（202103a05020026）

摘  要：建筑物是人类生活的主要场所，对其进行分类与统计可以为城市规划、资源管理、灾害风险评估和环境监测等要事提供所需的基础数据和信息，从而支持正确决策的制定和城市的可持续发展。为解决遥感影像中各建筑物之间间距小的问题，基于机器学习中随机森林算法并结合多尺度分割进行安庆市区无人机影像建筑物的分类制图与统计，结果表明该方法的分类精度为0.873 4，Kappa系数为0.762 7，并通过目视解译法进行对比分析，得出该方法在建筑物分类上具有可行性。

关键词：建筑物；无人机影像；分类；遥感应用

中图分类号：P237；TP391  文献标识码：A    文章编号：2096-4706（2024）02-0141-04

Classification Mapping and Statistics Based on UAV Image Urban Buildings

CHEN Liang1，2，3， YU Xuexiang1，2，3， PU Tao1，2，3， TANG Lianmeng1，2，3

（1.School of Space Information and Surveying Engineering， Anhui University of Science and Technology， Huainan  232001， China; 2.Key Laboratory of Aviation-aerospace-ground Cooperative Monitoring and Early Warning of Coal Mining-induced Disasters of Anhui Higher Education Institutes， Anhui University of Science and Technology， Huainan  232001， China;

3.Coal Industry Engineering Research Center of Mining Area Environmental and Disaster Cooperative Monitoring， Anhui University of Science and Technology， Huainan  232001， China）

Abstract： Buildings are the main places of human life， and classification and statistics of them can provide the necessary basic data and information for urban planning， resource management， disaster risk assessment， environmental monitoring， and other important matter， thereby supporting the formulation of correct decisions and the sustainable development of cities. To solve the problem of small spacing between buildings in remote sensing images， a classification mapping and statistics of UAV image buildings in Anqing urban area are carried out based on the random forest algorithm in machine learning and multi-scale segmentation. The results show that the classification accuracy of this method is 0.873 4， and the Kappa coefficient is 0.762 7. Through comparative analysis using visual interpretation， it is found that this method is feasible for building classification.

Keywords： building; UAV image; classification; remote sensing application

0  引  言

傳统建筑物的分类制图和统计主要依赖于卫星遥感影像。然而，由于卫星遥感影像技术存在空间分辨率低以及数据获取成本高的问题，在精细化建筑物信息呈现和更新频率方面存在一定的局限性。近年来，随着无人机遥感技术的快速发展，高分辨率影像数据的获取和处理变得更加容易。基于无人机遥感高分辨率影像建筑物的分类制图与统计成为一个备受关注的研究热点，可以帮助我们更好地理解和管理城市的建筑环境，为城市规划、土地管理和灾害响应等要事提供有力支撑。

刘贾贾等[1]采用多分割图层及多尺度分割技术，通过特征库阈值分类与样本最邻近分类相结合的方法对遥感影像建筑物进行信息提取及分类，但适用范围有限；翟玮等[2]使用一景极化SAR影像，利用经典的H/α/A-Wishart极化分类方法对实验数据进行提取分类，出现严重的错分现象导致分类精度不高；李方方等[3]利用面向对象的方法结合除像元光谱信息以外的形状、纹理和位置关系等多种信息对建筑物进行分类，因未考虑地面塌陷和地表沉降引起的建筑物塌方问题，使用起来具有一定的局限性；张莹等[4]提出一种基于特征提取的SVM方法，对无人机遥感影像进行了建筑物震害识别与分类，由于特征维数较大导致图像识别错误率较高；王志盼等[5]提出一种基于一类样本即无须负样本参与的方法来检测单分类建筑物变化，存在地物形状与建筑物类似而造成的分类不准确问题；于书媛等[6]基于CART决策树的面向对象分类对研究区的建筑物进行分类提取，但无法对建筑物类型进行细化区分。

为了解决遥感影像中各建筑物之间间距小的问题，基于安庆市区无人机遥感影像，利用多尺度分割结合随机森林算法对建筑物进行分类，分类精度为0.873 4，Kappa系数为0.762 7，并通过目视解译法进行对比分析，实现了对建筑物的自动识别、分类和统计。

1  基本理论与方法

1.1  多尺度分割

多尺度分割是一种图像分割方法，旨在按照不同尺度分析图像以获得更加准确的分割结果，利用多个尺度的信息来捕捉图像中不同区域的细节和结构特征。多尺度分割首先构建尺度空间以生成图像的不同尺度表示，此过程可通过应用高斯金字塔或拉普拉斯金字塔等技术实现；接着按照不同尺度从图像或尺度空间中提取特征，例如颜色、纹理和形状等；再使用合适的分割算法对每个尺度上的特征进行处理，获得初步的分割结果；最后将从不同尺度上得到的分割结果进行融合（可以采用像素级别的加权融合或基于区域的分割结果融合等方法）得到最终的分割结果。多尺度分割方法能够克服单尺度分割的局限性，提高分割的准确性和鲁棒性，广泛应用于图像处理等领域[7-9]。

1.2  随机森林

随机森林分类法是一种基于决策树的集成学习方法，用于分类任务。通过构建多个决策树并集成它们的预测结果来进行分类。每个决策树都是独立构建的，且在构建过程中引入了随机性，使得每两棵树之间都有差异性。随机森林分类法是从原始数据集中随机选择一部分样本（有放回抽样），构成每棵决策树的训练集，对于每棵决策树的节点，在特征的随机子集中选择最佳分割点，使得划分后的子节点纯度最大化，无限递归地重复这个过程，直至达到预定的停止条件，从而使最大树深度或节点样本数小于某个阈值。随机森林的预测过程是通过将所有决策树的预测结果进行投票或取平均来获得最终的分类结果。对于分类问题，通常采用多数投票策略，即选取得票最多的类别作为最终的预测结果[10-12]。

2  实验与结果分析

2.1  研究区概况

安庆市位于安徽省西南部，长江下游北岸，四面环山，人口众多，建筑物种类繁多。以安庆市部分区域为研究区，实地调查结果显示，高层建筑物、多层建筑物、低层建筑物、正在施工的建筑物、棚房、绿化带和马路彼此相交，地理环境复杂，传统的人工调查对建筑物分类不仅效率低且耗资高。

2.2  实验数据及分析

本文选取安庆市部分区域的无人机遥感影像，如图1所示，空间分辨率为0.1 m，通过易康软件采用多尺度分割算法分割影像，在多尺度影像分割中，利用多个尺度的信息对图像进行分析，根据特征、颜色和纹理等信息能够捕捉到图像中不同区域的细节和结构特征，分割结果能更好地满足实际应用需求。如图2所示，根据实地调查及目视解译将影像分割结果分为六类：高层建筑物、多层建筑物、低层建筑物、正在施工的建筑物、棚房以及其他地物。

1）高层建筑物。建筑高度大于27 m的住宅建筑和建筑高度大于24 m的非单层厂房、仓库和其他民用建筑，种类多样，彼此间距较大，设有丰富多彩的绿化带。

2）多层建筑物。建筑高度大于10 m，小于24 m，且建筑层数大于3层，小于7层，大多数为民用住宅，小部分是商业用地或小型写字楼，外观单一，周围有少量绿化植物及人行道。

3）低层建筑物。建筑高度小于等于10 m，且建筑层数小于等于3层的建筑，一般为平房、别墅等，周围有小巷。

4）正在施工的建筑物。各建筑高度有所不同，可见基本框架和施工网，周围有吊塔和大片空地并被围栏围住。

5）棚房。自建房屋的一种，多数由蓝色或红色彩鋼瓦构建而成，具有可移动性，用来放置居民的电动车或其他物品，起到挡风避雨、防晒遮阳的作用。

6）其他地物。是指建筑物旁边的绿化带、游乐园、健身器材、马路及停车场等居民生活必需场所。

2.3  实验过程

本文利用易康软件对样本进行分割、分类和训练。首先对加载的影像进行多尺度分割，多尺度分割可避免“同物异谱”“同谱异物”现象与“椒盐效应”，以此提高分类精度。由于不同种类的地物混合在一起，分割尺度过大容易割裂地物，分割尺度过小容易导致地物分割不充分，通过反复的实验，最终将分割尺度设置为600，形状因子为0.4，紧致度因子为0.5；然后标记感兴趣区域作为训练样本（选择样本时遵循随机性、典型性、准确性和分散性原则）；最后基于样本光谱特征和纹理特征的差异性经过多次训练完成分类，将结果导入ArcGis软件中给每个类别附上特定颜色得到相应的专题地图，并进行类别统计。具体操作过程如图3所示。

2.4  结果与分析

2.4.1  分类结果与影像对比分析

根据分类结果采用ArcGis软件进行相应的地物标绘得到专题地图，通过目视解译与遥感影像进行对比分析，如图4所示。多尺度分割较为准确，能将各地物分隔开来，且很好地保留了各地物的边界，使地物保持相对完整性，分割后的地物形状也基本具有原状性，可以说多尺度分割对建筑物分类是一个不错的选择。分类结果显示，各地物位置与遥感影像中的位置基本保持一致，我们在地图中也能够清晰明了地看出各地物的分布情况，对于高层建筑物而言，彼此位置分布没有规律性，散开性比较强，但能够快速统计出其数量；对于多层建筑物而言，其分布规律性比较强，大部分都在高层建筑物和低层建筑物周围，符合城市多层建筑物分布的特点；对于低层建筑物而言，大部分属私人居民宅，并伴有院子，以成片的形式存在，还有一小部分与高层建筑物和低层建筑物紧密相连，位置分布较有规律；对于正在施工的建筑物而言，其特点是周围有大片空地，用于放置建筑机器和材料，旁边有吊塔和围栏，具体位置分布无法确定；对于棚房而言，大多数坐落在低层建筑物之中，作为居民宅院子的一部分，零星散布在其他建筑物周围，位置分布比较散乱；对于其他地物而言，以小区绿化带、停车场、游乐园、喷泉及马路等形式存在，其分布在各个建筑物之间，作为人们美好生活的必备条件。总体来说，利用无人机城市建筑物遥感影像结合多尺度分割与决策树算法对建筑物进行分类，效果极佳，能够清晰明了地对各地物进行判别和分类。

2.4.2  统计结果分析

在专题地图的基础上进行各类建筑物占地面积及相关比例情况统计，其结果如表1所示，高层建筑物、多层建筑物和低层建筑物合计占总面积的28.69%，该地区的建筑物以多层和低层建筑为主，高层建筑物相对较少，其中低层建筑物在所属类型中占地面积最大。根据实地调查，低层建筑物大部分是2～3层独立住宅或别墅；正在施工的建筑物占比最小，可能是新的建筑项目，也可能是对现有建筑物进行的扩建、改造或维修，施工活动可能代表了该地区的发展情况；棚房和其他地物占总面积的69.56%，面积占比最大，显示了该地区非建筑用地的利用情况，为今后的城市规划与土地管理利用提供了有力支撑。

3  结  论

通过研究解决遥感影像中因各建筑物之间间距小而导致的分类精度低及“椒盐现象”问题，本文利用安庆市部分区域的无人机遥感影像，通过易康软件平台采用多尺度分割结合随机森林算法对建筑物进行分类并得到相应的专题地图，最后对各类地物进行统计分析，通过混淆矩阵算得分类精度为0.873 4，Kappa系数为0.762 7，结果表明该方法适用于建筑物分类，分类效果较好，能够清晰明了地将各类地物区分开来，错分漏分的情况很少出现，可为合理规划城乡、充分利用国土资源和准确预报地震灾害提供一定的参考标准。本实验仅限于对建筑物进行相关分类，各建筑物之间有其他地物，并没有更为细致地划分地物类型，后期将更深层次地研究对其他地物与建筑物的识别分类。

参考文献：

[1] 刘贾贾，刘志辉，刘龙，等.基于遥感影像的城镇建筑物分类 [J].测绘与空间地理信息，2021，44（1）：130-133.

[2] 翟玮，赵斐.基于极化SAR的城市建筑物提取 [J].甘肃科技，2016，32（2）：46-48.

[3] 李方方，马超，张桂芳，等.面向对象分类的震区建筑物损害快速评估 [J].河南理工大学学报：自然科学版，2011，30（1）：55-60.

[4] 张莹，郭红梅，尹文刚，等.基于特征提取的SVM图像分类技术的无人机遥感建筑物震害识别应用研究 [J].灾害学，2022，37（4）：30-36+56.

[5] 王志盼，沈彦，王亮，等.單类分类框架下的高分辨率遥感影像建筑物变化检测算法 [J].武汉大学学报：信息科学版，2020，45（10）：1610-1618.

[6] 于书媛，骆佳骥，杨源源.基于高分卫星遥感影像的城市建筑物提取研究 [J].华南地震，2019，39（2）：26-33.

[7] 范应龙，唐赛男，谭炳香.基于多尺度分割和缨帽变换的高原山区森林覆盖变化检测 [J].北京林业大学学报，2023，45（4）：60-69.

[8] 朱丽，国巧真，吴正鹏，等.多尺度分割与特征优选下的盐碱地提取 [J].地球环境学报，2022，13（6）：714-723.

[9] 张德会.基于无人机多光谱影像的植被信息遥感提取 [J].北京测绘，2022，36（7）：919-923.

[10] 闫国东，左雪漫，陈瑾，等.基于多特征优选的Sentinel-2遥感影像林分类型分类 [J].森林工程，2023，39（3）：12-20.

[11] 杨庆振，郭敏，范新成.基于随机森林算法的高光谱遥感作物分类 [J].测绘与空间地理信息，2023，46（4）：149-151+154.

[12] 汤圣君，张韵婕，李晓明，等.超体素随机森林与LSTM神经网络联合优化的室内点云高精度分类方法 [J].武汉大学学报：信息科学版，2023，48（4）：525-533.

作者简介：陈梁（1995—），男，汉族，安徽安庆人，硕士研究生在读，研究方向：遥感图像处理。