綜合機載LiDAR與高分影像的煤礦區(qū)典型地物提取方法

盧　遙，盧小平，武永斌，李國清，于海洋

(1. 河南理工大學(xué)礦山空間信息技術(shù)國家測繪地理信息局重點實驗室，河南 焦作 454003； 2. 國家測繪

產(chǎn)品質(zhì)量檢驗測試中心，北京100830； 3. 河南省遙感測繪院，河南 鄭州 450003)

Typical Surface Features Extraction in Mining Area Based

on Data of LiDAR and WorldView-2

LU Yao,LU Xiaoping,WU Yongbin,LI Guoqing,YU Haiyang

?

綜合機載LiDAR與高分影像的煤礦區(qū)典型地物提取方法

盧遙1,2，盧小平1，武永斌3，李國清3，于海洋1

(1. 河南理工大學(xué)礦山空間信息技術(shù)國家測繪地理信息局重點實驗室，河南 焦作 454003； 2. 國家測繪

產(chǎn)品質(zhì)量檢驗測試中心，北京100830； 3. 河南省遙感測繪院，河南 鄭州 450003)

Typical Surface Features Extraction in Mining Area Based

on Data of LiDAR and WorldView-2

LU Yao,LU Xiaoping,WU Yongbin,LI Guoqing,YU Haiyang

摘要：綜合利用LiDAR點云數(shù)據(jù)與WorldView-2高空間分辨率遙感影像，采用面向?qū)ο蠓诸惖牡V區(qū)地表覆蓋信息提取方法，利用nDSM高度閾值區(qū)分候選分割對象，構(gòu)建了基于決策樹分類器的礦區(qū)典型地物提取模型，在此基礎(chǔ)上將圖像光譜信息、DSM數(shù)據(jù)和地形參數(shù)等多源數(shù)據(jù)進(jìn)行了融合，提取了出矸石堆、煤堆等典型煤礦區(qū)地物要素及植被、道路、水體等地表覆被要素信息。

關(guān)鍵詞：機載LiDAR；高分辨率遙感影像；煤礦區(qū)；典型地物提取

一、引言

多源遙感信息協(xié)同提取是指同時使用兩種或兩種以上不同類型的遙感數(shù)據(jù)源完成某一事件的過程。利用主被動遙感數(shù)據(jù)主要體現(xiàn)在建立各類遙感機理模型及其地學(xué)描述中的尺度問題、參數(shù)提取理論與方法、提取結(jié)果的真實性檢驗等方面，解決的方法就是同時利用所有不同時空尺度和不同來源的數(shù)據(jù)，估計待求參數(shù)的最合理值(序列值)。20世紀(jì)90年代中后期協(xié)同信息處理逐漸成為計算機、生物模式識別等領(lǐng)域的研究熱點，近幾年來在理論基礎(chǔ)和應(yīng)用領(lǐng)域上更是取得了一些重大進(jìn)展。

機載LiDAR點云數(shù)據(jù)能夠提供高精度地表高程信息，而WorldView-2衛(wèi)星影像可以提供高清晰度的地物紋理信息和豐富的光譜信息。因此，綜合利用點云數(shù)據(jù)與高分辨率遙感影像，可以充分發(fā)揮兩種不同遙感數(shù)據(jù)源的優(yōu)勢，彌補單一數(shù)據(jù)源的不足，有效提高地表覆蓋物的提取精度。本文選擇鶴壁礦區(qū)作為試驗研究區(qū)，將高分辨圖像的光譜信息和nDSM信息作為支持向量機分類模型的輸入，構(gòu)建基于決策樹分類器的礦區(qū)典型地物提取模型，將圖像光譜信息、DSM數(shù)據(jù)和地形參數(shù)等多源數(shù)據(jù)進(jìn)行融合，提取出矸石堆、煤堆等典型煤礦區(qū)地物及植被、道路、水體等典型地表覆被要素信息。

二、基于主被動遙感的煤礦區(qū)典型地物提取方法

1. 基于決策樹的礦區(qū)典型地物提取模型

利用高分辨率光學(xué)遙感圖像的光譜信息、機載LiDAR的DSM數(shù)據(jù)及地形參數(shù)等多源數(shù)據(jù)融合，建立了一個樹型的主被動遙感數(shù)據(jù)推理模型，自動提取與煤礦生產(chǎn)密切相關(guān)的堆狀物體，如矸石堆、堆煤場等，以及開采沉陷區(qū)地表覆被要素，如植被和農(nóng)田、礦區(qū)內(nèi)道路與空地、水體(包括尾礦湖)等煤礦區(qū)典型地物。

(1) 理論模型

理論提取模型所需要的6種信息分別用F1、F2、F3、F4、F5、F6表示，其中F1定義為紅、綠、藍(lán)3個波段光譜信息的均值，即

(1)

設(shè)高程信息為F2，Z為像元高度，n為物體的像元數(shù)，則物體的平均高度值為

(2)

據(jù)此設(shè)定物體的標(biāo)準(zhǔn)規(guī)劃高程F3為

(3)

則相應(yīng)的地形坡度傾斜信息、地面傾角為

(4)

地面的平均傾角F4及規(guī)劃的地面傾斜角F5的表達(dá)式為

(5)

地形信息用F6表示。在上述6種信息確定的基礎(chǔ)上，建立了推理模型。

(2) 基于決策樹的礦區(qū)典型地物要素協(xié)同分類器

煤礦區(qū)典型地物在LiDAR和WorldView-2圖像中的特征表現(xiàn)不同，如煤矸石堆、水體與尾礦湖等地物對光譜的吸收作用，使得LiDAR后向反射較弱，但在WorldView-2近紅外波段有一個明顯的吸收帶。本文采用NDWI水體指數(shù)和分割對象的DSM標(biāo)準(zhǔn)差(σ)來提取水體和堆煤場。水體指數(shù)NDWI可由WorldView-2的綠波段G和近紅外波段Nir計算得到，即

NDWI=(G-Nir)/(G+Nir)。

由于水體、堆煤場與矸石堆在NDWI圖像中具有相似的特征，分類采用的具體解決方法是：首先利用NDWI水體指數(shù)提取出亮度暗的地物如水體和堆煤場；然后，根據(jù)構(gòu)建DSM的標(biāo)準(zhǔn)差來區(qū)分這兩類地物。水體對象與其他地物相比，通常具有較小的DSM標(biāo)準(zhǔn)差。標(biāo)準(zhǔn)差計算公式為

σm=

(6)

式中，σm是第m個分割對象的所有像元(n)DSM的標(biāo)準(zhǔn)差；Pm為分割對象m的像元集合；f(i,j)為像元(i,j)的DSM值。本文將區(qū)分水體與堆煤場的DSM標(biāo)準(zhǔn)差閾值設(shè)定為0.26。矸石堆與堆煤場的光譜特征相似，但其占地面積和高程遠(yuǎn)大于堆煤場，據(jù)此可將兩者區(qū)分開來。

2. 煤礦區(qū)典型地物提取

(1) 道路與空地的提取

由于道路和空地這兩類目標(biāo)在光譜信息和高度上都非常相似，僅僅依據(jù)光譜特征和LiDAR高程信息難以區(qū)分。因此，可根據(jù)對象形狀特征的不同對兩者加以區(qū)分。利用eCognition軟件提供的形狀指數(shù)—緊致度進(jìn)行道路和空地的分類，其計算公式為

(7)

式中，comp為緊致度；a、b分別表示分割對象最小外接長方形的長和寬；n為對象內(nèi)的像元數(shù)量。

(2) 植被要素提取

用于植被提取的歸一化植被指數(shù)NDVI，是由校正后的WorldView-2多光譜圖像計算得到，計算公式為

(8)

通過對直方圖分析，將植被和非植被NDVI閾值設(shè)置為0.57。nDSM高度差異的信息可以用來區(qū)分植被喬木、灌木和農(nóng)作物，因為在4月份，喬木、灌木高度較高，而農(nóng)作物較矮小。隸屬函數(shù)是用來定義nDSM高度差，區(qū)分灌木和喬木的高度閾值分別設(shè)定為0.5 m和1 m。

三、提取結(jié)果分析

評價遙感圖像分類精度的方法一般是將分類圖與標(biāo)準(zhǔn)數(shù)據(jù)(圖件或地面實測值)進(jìn)行對比，選取有代表性的樣本對分類誤差進(jìn)行估計，并以正確分類的百分比表示分類精度。通常采用混淆矩陣對分類精度進(jìn)行評定，即以Kappa系數(shù)評價整個分類結(jié)果的精度，以條件Kappa系數(shù)評價單一類別的分類精度。

對WorldView-2影像的目視解譯結(jié)果隨機選取具有典型礦區(qū)特征的地物(地物提取結(jié)果如圖1所示)，作為分類結(jié)果的精度評價依據(jù)。表1為分類結(jié)果混淆矩陣及精度評價結(jié)果，其中提取了共10類典型地物。

圖1　煤礦區(qū)典型地物要素提取結(jié)果

四、結(jié)束語

本文利用LiDAR數(shù)據(jù)與WorldView-2高分辨率遙感影像，基于面向?qū)ο蠓诸惙椒▽γ旱V區(qū)構(gòu)建(筑)物信息提取進(jìn)行了研究，試驗證明本研究取得的結(jié)果可為地理礦情監(jiān)測提供借鑒。面向?qū)ο蟮姆诸惙椒軌蜉^好地獲取反映真實地表的理想分類結(jié)果，有效去除椒鹽噪聲的影響。主要結(jié)論如下：①LiDAR高度信息能夠有效解決建筑物光譜多樣性問題，與WorldView-2高分辨率多光譜遙感影像進(jìn)行協(xié)同提取，能夠提取更詳細(xì)的地表覆蓋類型，總體精度達(dá)90.78%；②分割對象的DSM標(biāo)準(zhǔn)差特征能夠有效區(qū)分在WorldView-2影像中具有相似光譜特征的沉陷坑水體、堆煤場和矸石堆等煤礦區(qū)典型地物。

表1　分類精度統(tǒng)計　m2

參考文獻(xiàn)：

[1]CARVALHO J,MENESES P R．Spectral Correlation Mapper(SCM): An Improving Spectral Angle Mapper[C]∥Ninth JPL Airborne Earth Science Workshop. Pasadena: JPL Publication, 2000.

[2]畢如田,白中科．基于遙感影像的露天煤礦區(qū)土地特征信息及分類研究[J]．農(nóng)業(yè)工程學(xué)報，2007,l23(2):79-82.

[3]袁修孝，宋妍．一種運用紋理和光譜特征消除投影差影響的建筑物變化檢測方法[J]．武漢大學(xué)學(xué)報:信息科學(xué)版，2007,32(6):489-493.

[4] 齊家國，王翠珍,INOUE Y,等．光與雷達(dá)遙感協(xié)作及其農(nóng)業(yè)應(yīng)用[J]．電波科學(xué)學(xué)報，2004，19(4):399-404.

[5]MARSH S H, COTTON C, AGER G, et al．Detecting Mine Pollution Using Hyperspectral Data in Temperate Vegetated European Environments[C]∥14th Geologic Remote Sensing Conference. Las Vegas:[s. n.], 2000.

[6]ZHU C Q，SHI W Z，PESARASI M, et al．The Recognition of Road Network from High Resolution Satellite Remotely Sensed Data Using Image Morphological Characteristics [J]．International Journal of Remote Sensing, 2006, 26(24):5493-5508.

[7]DEFINIENS A G. Definiens eCognition Developer 8 Reference Book[EB/OL].[2010-01-02]. www. definiens.com.

[8]盧小平，馬劍，盧遙,等．多源遙感數(shù)據(jù)融合在礦區(qū)土地覆蓋分類中的應(yīng)用[J]．河南理工大學(xué)學(xué)報:自然科學(xué)版，2010,29(3):56-60.

[9]李怡靜，胡翔云，張劍清,等．影像與LiDAR數(shù)據(jù)信息融合復(fù)雜場景下的道路提取[J]．測繪學(xué)報，2012(6):870-876.

[10]李廣水，宋丁全，鄭滔,等．協(xié)同訓(xùn)練支持向量機對遙感影像的分類研究[J]．計算機工程與應(yīng)用，2009,45(29):160-163.

[11]李珵, 盧小平, 朱寧寧, 等. 基于激光點云的隧道斷面連續(xù)提取與形變分析方法[J]. 測繪學(xué)報, 2015, 44 (9): 1056-1062.

[12]張弓同,李四海,焦紅波,等.LiDAR點云生成DEM的水面置平方法研究與實現(xiàn)[J]. 測繪通報,2015(6):61-64.

[13]段佳,孫敬宇,劉海飛,等.利用機載激光三維點云構(gòu)建張家界地貌DEM[J].測繪通報, 2015 (10): 107-109,113.

[14]盧小平，王雙亭．遙感原理與方法[M]．北京：測繪出版社，2012.

通信作者：盧小平

作者簡介：盧遙(1988—)，男，碩士，助理工程師，主要研究方向為遙感信息處理與應(yīng)用。E-mail:156291029@qq.com

基金項目：河南省高校創(chuàng)新團(tuán)隊支持計劃(14IRTSTHN026)

收稿日期：2015-04-29

中圖分類號：P237

文獻(xiàn)標(biāo)識碼：B

文章編號：0494-0911(2015)12-0057-03

引文格式： 盧遙，盧小平，武永斌,等. 綜合機載LiDAR與高分影像的煤礦區(qū)典型地物提取方法[J].測繪通報，2015(12)：57-59.DOI:10.13474/j.cnki.11-2246.2015.378