高光譜遙感影像與機(jī)載LiDAR數(shù)據(jù)融合的地物提取方法研究

董彥芳，龐勇，許麗娜，陳立澤

(1.中國(guó)地震局 地震預(yù)測(cè)研究所，北京 100036；2.中國(guó)林業(yè)科學(xué)研究院 資源信息研究所，北京 100091；3.中國(guó)地質(zhì)大學(xué) 地球物理與空間信息學(xué)院，武漢 430074；4.武漢大學(xué) 遙感信息工程學(xué)院，武漢 430079)

1 引 言

多光譜遙感影像的光譜波段有限，可能會(huì)造成相似類別之間的分類錯(cuò)誤；而高光譜影像的光譜分辨率高、具有更多的波段，信息量豐富，能夠區(qū)分十分相似的地物類別，具有更準(zhǔn)確、更詳細(xì)的信息提取能力。但高光譜影像各波段之間可能具有很大的相關(guān)性，因此需要降維處理。機(jī)載激光雷達(dá)(Airborne Light Detection And Ranging，Airborne LiDAR)是一種用于城市監(jiān)測(cè)的新型數(shù)據(jù)，能提供地面物體的第三維坐標(biāo)(即高度)，可以用來區(qū)分地面、房屋和樹木等地物；但其通常缺乏光譜信息。高光譜影像與機(jī)載LiDAR數(shù)據(jù)各有優(yōu)勢(shì)，兩者融合在城市地區(qū)的特征提取研究領(lǐng)域具有重要意義。

機(jī)載LiDAR與高分辨率的遙感影像融合已經(jīng)在土地類型制圖中得到利用，并獲取了比用單一數(shù)據(jù)源更好的分類結(jié)果[1-4]。Geerling等[5]和劉麗娟等[6]將CASI(Compact Airborne Spectrographic Imager)高光譜影像與機(jī)載LiDAR數(shù)據(jù)融合，實(shí)現(xiàn)不同植被類型的分類，結(jié)果表明兩種數(shù)據(jù)的融合能明顯提高分類精度。不同數(shù)據(jù)源融合的目的就在于發(fā)揮不同數(shù)據(jù)的優(yōu)勢(shì)，提高最終信息提取的質(zhì)量。

本文在對(duì)高光譜影像和機(jī)載LiDAR數(shù)據(jù)進(jìn)行處理的基礎(chǔ)上，對(duì)兩種數(shù)據(jù)的融合方法進(jìn)行研究，提出了城市房屋和樹木提取的方法和步驟，并對(duì)結(jié)果進(jìn)行精度評(píng)定。

2 數(shù)據(jù)和方法

2.1 數(shù)據(jù)

本文使用的機(jī)載高光譜影像和機(jī)載LiDAR數(shù)據(jù)獲取于2012年6月，覆蓋美國(guó)休斯頓大學(xué)及附近居民區(qū)，由“2013 IEEE GRSS Data Fusion Contest”提供[7]。高光譜傳感器CASI(Compact Airborne Spectrographic Imager)的影像光譜范圍為380mm～1050nm，波段數(shù)為144個(gè)，空間分辨率為2.5m。機(jī)載LiDAR數(shù)據(jù)與高光譜影像具有相同的地面分辨率(2.5m)，兩者相互配準(zhǔn)并具有相同的覆蓋區(qū)域。本文中的部分實(shí)驗(yàn)數(shù)據(jù)區(qū)域位于整個(gè)數(shù)據(jù)區(qū)域的西部，包含商用房屋、民用房屋、樹木等主要地物類型。

2.2 方法

首先對(duì)機(jī)載LiDAR點(diǎn)云數(shù)據(jù)進(jìn)行濾波、分類等預(yù)處理，利用所有點(diǎn)云內(nèi)插生成數(shù)字地面模型(Digital Surface Model，DSM)。對(duì)機(jī)載LiDAR點(diǎn)云數(shù)據(jù)中的地面點(diǎn)內(nèi)插得到數(shù)字地形模型(Digital Terrain Model，DTM)。將DSM與DTM作差運(yùn)算得到nDSM(normalized Digital Surface Model)，以消除地形的影響，使得nDSM中的像元值直接反映地物的高度。

對(duì)于高光譜影像，本文分別采用PCA方法和最小噪聲分離變換(Minimum Noise Fraction，MNF)進(jìn)行降維處理，MNF本質(zhì)上是兩層PCA變換。通過結(jié)果對(duì)比顯示，PCA對(duì)本研究數(shù)據(jù)具有更好的去噪效果。結(jié)合nDSM和NDVI提取房屋，使用面向?qū)ο蟮奶卣魈崛》椒?，將房屋提取結(jié)果與數(shù)字化結(jié)果對(duì)比分析提取精度，將進(jìn)行修正后的房屋多邊形作為最終結(jié)果。民用房屋、樹木等地物的提取采用監(jiān)督分類方法對(duì)高光譜影像與機(jī)載LiDAR數(shù)據(jù)融合圖像進(jìn)行分類來提取。本文的方法和技術(shù)路線如圖1所示。

圖1 高光譜影像與機(jī)載LiDAR數(shù)據(jù)的融合分類技術(shù)路線圖

3 結(jié) 果

3.1 高光譜影像與機(jī)載LiDAR數(shù)據(jù)的處理與融合

本文中使用的高光譜影像具有144個(gè)波段，噪聲的存在也是影響影像質(zhì)量的主要因素，降維處理是很重要的處理步驟。圖2(a)為將高光譜影像的第67波段、40波段、19波段分別賦予R、G、B生成的真彩色合成影像。圖2(b)是經(jīng)過主成分變換，將第二、三、一主成分分量分別賦予R、G、B生成的彩色合成影像。PCA方法充分利用像元間的相關(guān)性，保留不同類在相鄰像元間的局部空間信息。PCA變換中的第一主分量中富含空間信息，而光譜信息大都包含在其他分量中，因此前三主成分的彩色合成影像可以用來提高分類的精度。

圖3(a)是由機(jī)載LiDAR點(diǎn)云數(shù)據(jù)生成的nDSM圖像，圖中用灰度顯示了地物的高度，房屋建筑和樹木在nDSM中得到突出。圖3(b)是由PCA變換的第二主成分、第三主成分和nDSM別賦予R、G、B融合生成的彩色合成圖像。與圖2(b)相比，圖3(b)用nDSM替換代表空間信息分量的第一主成分，綜合利用了光譜信息和nDSM的高程信息

圖2

圖3

增強(qiáng)不同地物的差別。圖3(b)的圖像中突出顯示了休斯頓大學(xué)校區(qū)的商用房屋、民用房屋和樹木。商用房屋面積大、高度大，民用房屋面積小、相對(duì)較矮。由于樹木的高度大，且其光譜特征與房屋有明顯差異，樹木在圖3(b)中顯示為藍(lán)色。同樣，房屋由于屋頂材質(zhì)的差異，在融合影像中顯示為多種顏色。本文將nDSM波段添加到PCA變換結(jié)果中，生成四波段的融合圖像，即PCA+nDSM，應(yīng)用到3.3節(jié)中的監(jiān)督分類中。

本文利用高光譜影像的近紅外波段(Near Infrared，NIR)和紅波段(Red，R)來計(jì)算歸一化植被指數(shù)(Normalized Difference Vegetation Index，NDVI)。NDVI值的范圍在-1～1之間，植被區(qū)的NDVI值范圍一般為0.2～0.8。本文利用高光譜影像的第92波段(NIR)和第67波段(R)來計(jì)算NDVI，圖4是NDVI圖像。圖4中顯示植被區(qū)為高值，表現(xiàn)為高亮區(qū)域，房屋建筑的NDVI為低值，表現(xiàn)為黑暗區(qū)域。

圖4 NDVI圖像

圖5 局部區(qū)域內(nèi)商用房屋提取結(jié)果

3.2 商用房屋提取

從研究區(qū)圖像分析可得，可以將圖像分成商用區(qū)和居民區(qū)兩部分分別進(jìn)行房屋建筑的提取，能提高提取效率和準(zhǔn)確度。本文中通過nDSM和NDVI結(jié)合，綜合利用房屋的空間特征和光譜信息，使用基于面向?qū)ο蟮奶卣魈崛》椒▽?shí)現(xiàn)了商用房屋的提取。本文建立了3條規(guī)則來實(shí)現(xiàn)商用房屋的提取：(1)面積>100m2；(2)高度>3m；(3)NDVI<0.2。圖5顯示局部范圍內(nèi)的商用房屋提取結(jié)果。從圖中看到區(qū)域內(nèi)的房屋除圖中左邊體育場(chǎng)兩側(cè)的兩棟房子未被識(shí)別外，其余商用房屋全部正確提取。

圖6為全區(qū)內(nèi)商用房屋的提取結(jié)果。圖中藍(lán)色填充的多邊形為利用nDSM和NDVI結(jié)合提取得到的商用房屋范圍，紅色框多邊形為商用房屋的數(shù)字化結(jié)果與藍(lán)色多邊形不相符的部分，研究區(qū)的商用房屋總數(shù)應(yīng)為藍(lán)色與紅色多邊形的集合。從圖6中可以看出，不相符的結(jié)果多分布在圖像邊緣部分，一些面積較小的房屋也難以用本文的方法提取出來。使用ArcGIS軟件統(tǒng)計(jì)計(jì)算可得，商用房屋總面積應(yīng)為584243.8m2，紅色多邊形內(nèi)有61161.3m2的商用房屋未被提取，占總房屋面積的10.47%。本研究中正確提取的商用房屋面積為523082.5m2，提取率達(dá)到89.53%。用數(shù)字化結(jié)果對(duì)本文房屋提取結(jié)果進(jìn)行修正，即將圖6中兩種結(jié)果進(jìn)行空間合并，作為最終提取結(jié)果。

圖6 全區(qū)的商用房屋提取結(jié)果

3.3 監(jiān)督分類

本文用監(jiān)督分類方法將地物分為15類，圖7是利用訓(xùn)練樣本對(duì)PCA變換圖像和融合圖像進(jìn)行監(jiān)督分類結(jié)果的顯示和對(duì)比。圖7(a)是對(duì)PCA變換圖像進(jìn)行監(jiān)督分類的結(jié)果，圖7(b)是對(duì)PCA+nDSM融合圖像進(jìn)行監(jiān)督分類的結(jié)果。圖7(c)是整個(gè)研究區(qū)的分類結(jié)果，圖中的白色框內(nèi)是圖7(a)和7(b)對(duì)應(yīng)的局部范圍。對(duì)比圖7(a)和7(b)顯示，圖7(a)的分類結(jié)果中有許多噪聲，圖7(b)的分類結(jié)果更平滑，民用房屋和樹木的提取效果更好。本研究中對(duì)PCA前三個(gè)主成分合成圖像、PCA+nDSM融合圖像分別利用最大似然法(Maximum Likelihood Classification)和支持向量機(jī)(Support Vector Machine)方法進(jìn)行分類，并對(duì)各種分類結(jié)果的精度進(jìn)行評(píng)價(jià)(表1)。表1顯示，融合圖像的分類結(jié)果優(yōu)于PCA變換圖像的分類結(jié)果，MLC分類算法優(yōu)于SVM分類算法。本研究中，利用MLC方法對(duì)融合圖像進(jìn)行分類的精度最高，總體精度為84.00%，Kappa系數(shù)為82.86。一般的研究結(jié)果認(rèn)為SVM方法用于高光譜影像分類，分類精度比MLC方法要高。但其性能受到特征維數(shù)和研究區(qū)的實(shí)際情況影響[8]，由于本研究監(jiān)督分類使用的PCA圖像特征維數(shù)小(為3)，得到的結(jié)果顯示MLC方法分類的精度(總體精度84.00%，Kappa系數(shù)82.86)略高于SVM分類的精度(總體精度80.44%，Kappa系數(shù)79.04)。

圖7

表1不同分類結(jié)果的精度分析

分類方法PCA3波段圖像的精度及Kappa系數(shù)PCA+nDSM圖像的精度及為Kappa系數(shù)MLC78.71%,77.1984.00%,82.86SVM71.64%,69.6280.44%,79.04

圖8是全區(qū)的典型地物提取結(jié)果。其中商用房屋的提取基于nDSM圖像和NDVI圖像的結(jié)合，利用面向?qū)ο蟮奶卣魈崛》椒▽?shí)現(xiàn)，并利用房屋數(shù)字化結(jié)果進(jìn)行修正。民用房屋和樹木的提取基于監(jiān)督分類，將分類結(jié)果轉(zhuǎn)換成矢量。對(duì)民用房屋多邊形采用面積閾值進(jìn)行后處理，將面積小于40m2和沒有完全落在居民區(qū)中的多邊形去除。

圖8 全區(qū)典型地物的提取結(jié)果

4 結(jié)束語

本文將高光譜影像和機(jī)載LiDAR數(shù)據(jù)融合進(jìn)行城市典型地物——房屋和樹木的提取方法研究。研究結(jié)果表明：使用面向?qū)ο蟮姆诸惙椒軌驅(qū)崿F(xiàn)高精度的大型商用房屋的提取，準(zhǔn)確率達(dá)89.53%。通過監(jiān)督分類，實(shí)現(xiàn)了民用房屋和樹木的提取，分類的總體精度為84.00%，Kappa系數(shù)為82.86。由于民用房屋與樹木在高度和面積方面有一定的相似性，再加上兩者有毗鄰的地方，本文對(duì)融合圖像采用監(jiān)督分類的方法實(shí)現(xiàn)二者的區(qū)分，明顯改善了用單一的高光譜影像進(jìn)行地物特征提取的精度。用高光譜信息和機(jī)載LiDAR數(shù)據(jù)融合進(jìn)行地物特征提取的技術(shù)方法還有待于進(jìn)一步深入研究，更高分辨率的數(shù)據(jù)將有助于實(shí)現(xiàn)房屋類型和樹種的識(shí)別。

致謝：感謝美國(guó)休斯頓大學(xué)的高光譜圖像分析組和美國(guó)國(guó)家科學(xué)基金會(huì)資助的機(jī)載激光測(cè)繪中心提供本研究中使用的遙感數(shù)據(jù)。

參考文獻(xiàn)：

[1] PHOL C，VAN GENDEREN J L.Multisensor image fusion in remote sensing：Concepts，methods and applications[J].International Journal of Remote Sensing，1998，19(5)：823-854.

[2] HAALA N，BRENNER C.Extraction of buildings and trees in urban environments[J].ISPRS Journal of Photogrammetry and Remote Sensing，1999，54(2-3)：130-137.

[3] ROTTENSTEINER F，TRINDER J，CLODE S，et al.Using the Dempster-Shafer method for the fusion of LiDAR data and multi-spectral images for building detection[J].Information Fusion，2005，6(4)：283-300.

[4] ALI S S，DARE P M，JONES S D.A comparison of pixel-and object-level data fusion using LiDAR and high-resolution imagery for enhanced classification[R].In：Innovation in Remote Sensing and Photogrammetry (Lecture Notes in Geoinformation and Cartography)，Edited by Jones，S.and Reinke，K.，2009，part 1：3-17.

[5] GEERLING G W，ABRADOR-GARCIA M，CLEVERS J G P W，et al.Classification of floodplain vegetation by data fusion of spectral (CASI) and LiDAR data[J].International Journal of Remote Sensing，2007，28：4263-4284.

[6] 劉麗娟，龐勇，范文義，等.機(jī)載LiDAR和高光譜融合實(shí)現(xiàn)溫帶天然林樹種識(shí)別[J].遙感學(xué)報(bào)，2013，17(3)：679-695.

[7] 2013 IEEE GRSS Data Fusion Contest[EB/OL].http：//www.grss-ieee.org/community/technical-committees/data-fusion/.

[8] 譚琨，杜培軍，王小美.特征維數(shù)對(duì)支持向量機(jī)分類器性能影響的研究—以高光譜遙感影像為例[J].測(cè)繪科學(xué)，2011，36(1)：55-57.