最優(yōu)分割尺度支持下高分遙感影像水土資源信息分類

魯　恒　付　蕭　李龍國　劉　超　白茹月　李乃穩(wěn)

(1.四川大學水力學與山區(qū)河流開發(fā)保護國家重點實驗室, 成都 610065； 2.四川大學水利水電學院, 成都 610065；3.西南交通大學地球科學與環(huán)境工程學院, 成都 611756； 4.漢諾威萊布尼茨大學攝影測量與地理信息研究所, 漢諾威 30167；5.中地六合科工貿有限公司, 成都 610042)

?

最優(yōu)分割尺度支持下高分遙感影像水土資源信息分類

魯恒1,2付蕭3,4李龍國1,2劉超1,2白茹月5李乃穩(wěn)1,2

(1.四川大學水力學與山區(qū)河流開發(fā)保護國家重點實驗室, 成都 610065； 2.四川大學水利水電學院, 成都 610065；3.西南交通大學地球科學與環(huán)境工程學院, 成都 611756； 4.漢諾威萊布尼茨大學攝影測量與地理信息研究所, 漢諾威 30167；5.中地六合科工貿有限公司, 成都 610042)

為提升水土資源信息分類精度，以無人機航拍獲取的高分辨率影像為實驗對象，提出了最優(yōu)分割尺度和決策樹支持下的對象級影像分類方法。首先，根據(jù)影像內部的同質性和異質性，建立了分割質量函數(shù)，通過該函數(shù)獲取了最優(yōu)分割尺度；然后，提出了基于光譜信息和面積信息的最優(yōu)分割尺度評價模型對分割結果進行評價；最后，引入決策樹規(guī)則機制，完成了水土資源信息分類，并與最大似然法分類結果進行對比。研究結果表明：所建立的分割質量函數(shù)能準確獲取最優(yōu)分割尺度，有效避免了人工分割帶來的主觀性，所提方法分類總體精度為86.78%，最大似然分類方法總體精度為77.59%，在分類精度上有較大提升。

高分辨率遙感影像； 最優(yōu)分割尺度； 決策樹； 水土資源信息； 分類

引言

在當今精準農業(yè)技術高速發(fā)展的時代，快速、準確地獲取區(qū)域地表水土資源分布信息已經成為農業(yè)信息化領域研究的重點問題。對高分辨率遙感影像和地理空間信息的需求量越來越大，對其現(xiàn)勢性、實時性及準確性要求也越來越高[1-4]。目前，采集地表水土資源信息的技術手段主要分為兩類：一類是地面測量方式，如全站儀大比例尺數(shù)字測圖技術等；另一類是空間對地觀測方式，如衛(wèi)星遙感觀測、航空遙感等技術等[5-6]。

通過各種對地觀測傳感器獲取的影像種類越來越多，分辨率也越來越高。傳統(tǒng)的影像分類技術(人工目視解譯、面向像元分類)已難以適應高分辨率影像，對象級影像分類技術應運而生[7]。對象級影像分類技術所面臨的首要問題是影像分割，分割質量的好壞直接決定了最終分類的精度，因此，針對高分辨影像如何獲取最優(yōu)的分割尺度已成為對象級影像分類技術的關鍵。決策樹分類方法具有結構清晰、易于理解、實現(xiàn)簡單、運行速度快、準確性高等特點，且不需要假設先驗概率分布，非參數(shù)化的特點使其具有更好的靈活性和魯棒性[8]?；诖?，本文選取無人機航拍獲取的高分辨影像作為實驗對象，提出一種最優(yōu)分割尺度和決策樹支持下的高空間分辨率影像水土資源信息對象級分類方法。

1　研究區(qū)概況及工作流程

應成都平原地震災區(qū)重建后水土資源信息快速調研的需求，研究區(qū)設于彭州市北部葛仙山鎮(zhèn)熙玉村，該區(qū)域地勢起伏較大、受地震影響水土資源利用類型復雜度高。由于彭州市地處成都平原與龍門山過渡地帶，因此地質構造較為復雜，整個地勢為西北高東南低，最高海拔高度1 320 m，最低海拔高度623 m。研究區(qū)地理位置如圖1所示。

圖1　研究區(qū)位置Fig.1　Location of study area

由于無人機飛行姿態(tài)不穩(wěn)定，搭載的相機為非量測型數(shù)碼相機，拍攝的影像存在較嚴重的鏡頭畸變，且由于飛行過程中曝光時間不同會導致影像色彩存在色差，因此需要首先對獲取的無人機影像進行畸變差校正、影像勻色和正射校正[9-10]。然后根據(jù)影像內部的同質性和異質性，建立分割質量函數(shù)，求取最優(yōu)分割尺度，進而提出了基于光譜信息和面積信息的最優(yōu)分割尺度評價模型對分割結果進行評價，最后引入決策樹規(guī)則完成水土資源信息分類，并與最大似然法分類結果進行對比，對分類結果進行定量評價。主要工作流程如圖2所示。

圖2　無人機影像水土資源信息分類流程圖Fig.2　Flow chart of soil and water resources information classification from UAV image

2　實驗數(shù)據(jù)與方法

2.1數(shù)據(jù)獲取與預處理

實驗預設無人機飛行的相對航高為650 m，預設航向重疊度75%，旁向重疊度45%，飛行范圍覆蓋20 km2，飛機所裝載的相機鏡頭焦距為24 mm，獲取的無人機影像地面分辨率達到0.2 m，通過預設的飛行航線獲取的原始無人機影像如圖3a所示。

圖3　原始影像和預處理后影像Fig.3　Original image and image after preprocessing

首先根據(jù)相機的畸變參數(shù)對影像進行畸變差校正，然后采用掩膜方法對影像進行勻色、勻光處理，通過飛行控制系統(tǒng)記錄的飛機姿態(tài)參數(shù)數(shù)據(jù)，對影像進行初步排序定位后進行相鄰像對同名點匹配。最后，根據(jù)共線方程條件進行區(qū)域網平差。區(qū)域網平差完成后，加入地面控制點坐標信息，完成絕對定向，進而獲取校正后的正射影像，經過預處理后的無人機影像如圖3b所示。

2.2分割質量函數(shù)建立

高分辨遙感影像分割過程中，同質性和異質性是兩個最重要的評判指標。因為同質性和異質性是影像完成分割后評判分割質量好壞的關鍵，根據(jù)內部同質性越高、異質性越低，外部異質性越高、同質性越低的原則可判斷分割結果好壞[7]。為簡化，本文選用標準差來表示同質性，即

(1)

式中vi——對象i的標準差

ai——對象i的面積

n——分割后對象總數(shù)

v——同質性程度

v越小，說明異質性越小，即同質性越好。

異質性是對象之間光譜屬性特征和形狀屬性特征的差異性程度，即

f=whc+(1-w)hsh(w<1)

(2)

式中f——異質性程度w——權重

hc、hsh——對象合并后的光譜異質性系數(shù)和形狀異質性系數(shù)

標準差的取值由目標大小來制衡，即

(3)

式中c——影像層數(shù)wc——影像層c權重

nm——合并后像元數(shù)

no1、no2——合并前對象1、2像元數(shù)

形狀異質性系數(shù)hsh是緊湊度hcm和平滑度hsm的綜合，即

hsh=wlhcm+(1-wl)hsm

(4)

其中

(5)

(6)

式中wl——緊湊度權重因子，取0～1之間

lm——合并后邊界周長

bm——合并后外接矩形周長

依據(jù)以上定義，對比計算合并前及合并后結果的不同，再評價由合并引發(fā)其異質性的改變，最終確定是否需要對象繼續(xù)生長或者建立新對象。

為了取得較好的分割結果，就需要使對象內部同質性高，外部異質性高。因此建立分割質量函數(shù)，定義為

W(v,f)=mW(v)+(1-m)W(f)

(7)

其中

(8)

(9)

式中W(v)——影像對象內部同質性函數(shù)

vmax、vmin——最大、最小同質性程度

W(f)——影像對象之間異質性函數(shù)

fmax、fmin——最大、最小異質性程度

m——指數(shù)v在函數(shù)中所占權重

m的取值范圍為[0,1]，可依據(jù)強調同質性及異質性的側重點不同做相應的調整。

根據(jù)以上函數(shù)關系，構建以分割尺度x為自變量的分割函數(shù)，然后計算出最優(yōu)分割尺度，計算式為

Tn(x)=t0+t1x+t2x2+…+tnxn

(10)

其中

Tn(xi)=W(vxi,fxi)

式中Tn(x)——分割尺度x的質量函數(shù)

通過對影像完成n+1次預分割實驗，根據(jù)式(1)～(9)求出n+1個W(v,f)的值，并且求出系數(shù)t0、t1、…、tn的值，獲得分割質量函數(shù)。當Tn(x)取到最大值時所對應的x就是最優(yōu)分割尺度。

2.3分割結果評價

通常情況下，現(xiàn)行的影像分割結果評價主要是通過目視定性判別，這難免會有較強的主觀性和較大誤差。即使有部分學者提出了部分評價分割結果的方法，也是僅考慮了矢量距離[11]、面積匹配度[12]等?；诖?，綜合考慮影響分割結果最重要的兩個因素：光譜和面積，提出一種顧及光譜信息和面積信息的最優(yōu)分割尺度評價模型(Segmentation matching index, SMI)，即

(11)

式中Alsi——最大分割對象面積

Aroi——實際地面物體面積

Gsi——最大分割對象灰度均值

Gri——參考實際地物的灰度均值

圖5　決策樹分類規(guī)則Fig.5　Decision tree classification rules

如圖4所示，對于實際地面物體A，分割對象A1、A2、A3均為A的一部分，但A1面積最大，所以A1為最大分割對象。

圖4　實際地物與分割對象關系Fig.4　Relationship between actual objects and segmentation objects

對于所有參與評價的對象，取其均方根誤差，MSMI代表對象匹配指數(shù)。當分割對象與實際地面物體差異最小，即MSMI取得最小值時，對應的分割尺度最優(yōu)。MSMI計算式為

(12)

2.4決策樹對象級分類和最大似然法分類

決策樹是一種樹型結構，其中每個內部結點表示在一個屬性上測試，每個分支代表一個測試輸出，每個葉結點代表一種類別[13]。決策樹能夠處理的數(shù)據(jù)集對象不僅包含光譜信息，還可以是紋理信息、空間特征等。

最大似然法是遙感影像分類的經典算法。通過對感興趣區(qū)域的統(tǒng)計和計算，得到各個類別的均值和方差，從而確定一個分類函數(shù)，然后將待分類影像中的每一個像元代入各個類別的分類函數(shù)，將函數(shù)返回值最大的類別作為被掃描像元的歸屬類別，從而達到分類的效果[14]。主要步驟如下：

(1)確定需要分類的地區(qū)和使用的波段和特征分類數(shù)，檢查所用各波段或特征分量是否相互已經位置配準。

(2)根據(jù)已掌握的典型區(qū)域的特征情況，在影像上選擇訓練區(qū)。

(3)計算參數(shù)，根據(jù)選出的各類訓練區(qū)的影像數(shù)據(jù)計算和確定先驗概率。

(4)將訓練區(qū)以外的影像像元逐個逐類代入公式，根據(jù)每個像元分類數(shù)安排計算次數(shù)，最后比較大小，選擇最大值得出類別。

(5)產生分類圖，精度檢驗。

3　結果與分析

3.1水土資源信息分類結果

根據(jù)2.2節(jié)所述原理，首先進行預分割實驗，將分割結果過于“破碎”或者“淹沒”的尺度排除，因此定義分割尺度在[50，105]內，在此范圍內以5為步長逐級增加，求解每個分割尺度所獲得的Tn(x)。當Tn(x)取得最大值時所對應的x就是最優(yōu)尺度。通過計算知，當尺度為80時Tn(x)取得最大值，即80為最優(yōu)尺度。不同分割尺度下計算出的Tn(x)如圖6a所示，最優(yōu)尺度分割結果如圖6b所示。

根據(jù)2.3節(jié)建立的分割結果評價模型，隨機選擇了50個實際地物數(shù)據(jù)作為樣本參考數(shù)據(jù)，參考數(shù)據(jù)主要選擇了邊界明顯的建設用地、道路和水體。通過計算可知，由分割質量函數(shù)計算出的最優(yōu)分割尺度80對應的MSMI值為2.878，如圖7所示，是不同分割尺度下MSMI取得的最小值，這與通過分割質量函數(shù)計算出的最優(yōu)尺度吻合，驗證了最優(yōu)分割尺度計算方法的可靠性。

圖6　最優(yōu)尺度分割結果Fig.6　Segmentation result based on optimal scale

完成影像分割后即可根據(jù)2.4節(jié)建立的決策樹分類規(guī)則進行水土資源信息分類，結果如圖8a所示，最大似然法分類結果如圖8b所示。

3.2分類精度評價

通常遙感影像完成分類后精度評價有兩種方式，一種是定性評價，即通過人眼手工判斷地物邊界的吻合程度；一種是定量評價，該方式是選取可靠的數(shù)據(jù)作為參考樣本，通過計算正確與錯誤分類比例，即總體精度、生產精度、用戶精度和Kappa系數(shù)進行評價[15]。在參考樣本選取上，由于無人機影像空間分辨率很高，部分地物可直接通過人工目視解譯獲取，因此實驗過程中的參考樣本采用了實地調研和人工目視解譯相結合的方式。共隨機選取了實地調研和人工目視解譯獲取的174個參考樣本點，通過將樣本點與分類結果進行疊加的方式來判斷分類結果的正確或錯誤。通過統(tǒng)計計算可知，采用本文方法進行水土資源信息分類的總體精度為86.78%，Kappa系數(shù)為0.82；采用最大似然方法進行水土資源信息分類的總體精度為77.59%，Kappa系數(shù)為0.74，具體結果如表1和表2所示。實驗發(fā)現(xiàn)本文方法分類精度明顯優(yōu)于最大似然分類方法。

圖8　2種方法分類結果Fig.8　Classification results of two methods

樣本林地有作物耕地無作物耕地道路建筑用地裸地水體林地28400000有作物耕地23400000無作物耕地02180030道路00016310建筑用地10023620裸地00300130水體0000006生產精度/%90.3285.0085.7188.8992.3168.42100用戶精度/%87.5094.4478.2680.0087.8081.25100

表2　最大似然法精度檢驗矩陣Tab.2　Precision test matrix of maximum likelihood classification method

4　結束語

研究了一種基于最優(yōu)分割尺度和決策樹的無人機高分辨遙感影像水土資源信息分類方法。建立分割質量函數(shù)獲取最優(yōu)分割尺度，提出了驗證最優(yōu)分割結果的分割尺度評價模型。將分類結果與經典的最大似然分類方法進行比較，本文所提方法精度有較顯著提升。下一步需要重點解決的問題是在進行分割結果評價時，如何自動判斷最大分割對象。本文研究對于高分辨遙感影像農業(yè)應用有較大的潛力，為農業(yè)信息化中的水土資源信息快速獲取提供了新思路。

1MA Lei, CHENG Liang, HAN Wenqi, et al. Cultivated land information extraction from high-resolution unmanned aerial vehicle imagery data[J]. Journal of Applied Remote Sensing, 2014,8(1): 083673.

2LIAGHAT S, BALASUNDRAM S K. A review: the role of remote sensing in precision agriculture[J]. American Journal of Agricultural and Biological Sciences, 2010,5(1):50-55.

3史舟,梁宗正,楊媛媛,等.農業(yè)遙感研究現(xiàn)狀與展望[J]. 農業(yè)機械學報,2015,46(2):247-260.

SHI Zhou, LIANG Zongzheng, YANG Yuanyuan, et al. Status and prospect of agricultural remote sensing[J]. Transactions of the Chinese Society for Agricultural Machinery,2015,46(2):247-260.(in Chinese)

4趙春江.農業(yè)遙感研究與應用進展[J].農業(yè)機械學報,2014,45(12):277-293.

ZHAO Chunjiang. Advances of research and application in remote sensing for agriculture[J].Transactions of the Chinese Society for Agricultural Machinery,2014,45(12):277-293.(in Chinese)

5李德仁,童慶禧,李榮興,等.高分辨率對地觀測的若干前沿科學問題[J]. 中國科學:地球科學,2012,42(6):805-813.

LI Deren, TONG Qingxi, LI Rongxing, et al. Current issues in high-resolution earth observation technology[J]. Science China: Earth Science, 2012,42(6):805-813.(in Chinese)

6LI Huifang, ZHANG Liangpei, SHEN Huanfeng. A perceptually inspired variational method for the uneven intensity correction of remote sensing images[J]. IEEE Transactions on Geoscience and Remote Sensing,2012,50(8):3053-3065.

7周成虎,駱劍承.高分辨率衛(wèi)星遙感影像地學計算[M]. 北京:科學出版社,2009.

8劉曉娜,封志明,姜魯光.基于決策樹分類的橡膠林地遙感識別[J].農業(yè)工程學報,2013,29(24):163-172.

LIU Xiaona, FENG Zhiming, JIANG Luguang. Application of decision tree classification to rubber plantations extraction with remote sensing[J].Transactions of the CSAE,2013,29(24):163-172.(in Chinese)

9王利民,劉佳,楊玲波,等.基于無人機影像的農情遙感監(jiān)測應用[J]. 農業(yè)工程學報,2013,29(18):136-145.

WANG Limin, LIU Jia, YANG Lingbo, et al. Applications of unmanned aerial vehicle images on agricultural remote sensing monitoring[J]. Transactions of the CSAE,2013,29(18):136-145.(in Chinese)

10魯恒,李龍國,賀一楠,等.考慮地形特征的無人機影像分區(qū)域加權平差拼接方法[J]. 農業(yè)機械學報, 2015,46(9):296-301.

LU Heng, LI Longguo, HE Yi’nan, et al. Method of UAV image mosaic based on weighted adjustment considering terrain feature[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015,46(9):296-301.(in Chinese)

11于歡,張樹清,孔博,等.面向對象遙感影像分類的最優(yōu)分割尺度選擇研究[J]. 中國圖象圖形學報,2010,15(2):352-360.

YU Huan, ZHANG Shuqing, KONG Bo, et al. Optimal segmentation scale selection for object-oriented remote sensing image classification[J]. Journal of Image and Graphics,2010,15(2):352-360.(in Chinese)

12NEUBERT M, HEROLD H. Assessment of remote sensing image segmentation quality[C]∥International Society for Photogrammetry and Remote Sensing Commission IV, Working Group IV/3,2008.

13劉勇洪,牛錚,王長耀. 基于MODIS數(shù)據(jù)的決策樹分類方法研究與應用[J]. 遙感學報, 2005, 9(4):405-412.

LIU Yonghong, NIU Zheng, WANG Changyao. Research and application of the decision tree classification using MODIS data[J]. Journal of Remote Sensing, 2005, 9(4):405- 412.(in Chinese)

14駱劍承,王欽敏,馬江洪,等.遙感圖像最大似然分類方法的EM改進算法[J]. 測繪學報,2002,31(3):234-238.

LUO Jiancheng, WANG Qinmin, MA Jianghong, et al. The EM-based maximum likelihood classifier for remotely sensed data[J]. Acta Geodaetica et Cartographica Sinica, 2002,31(3):234-238.(in Chinese)

15FOODY G M. Status of land cover classification accuracy assessment[J]. Remote Sensing of Environment, 2002,80(1):185-201.

Soil and Water Resources Information Classification in High Resolution Images with Optimal Segmentation Scale

Lu Heng1,2Fu Xiao3,4Li Longguo1,2Liu Chao1,2Bai Ruyue5Li Naiwen1,2

(1.StateKeyLaboratoryofHydraulicsandMountainRiverEngineering,SichuanUniversity,Chengdu610065,China2.CollegeofHydraulicandHydroelectricEngineering,SichuanUniversity,Chengdu610065,China3.FacultyofGeosciencesandEnvironmentalEngineering,SouthwestJiaotongUniversity，Chengdu611756，China4.InstituteofPhotogrammetryandGeoInformation,UniversityofHannover,Hannover30167,Germany5.Zondy-LHCo.,Ltd.,Chengdu610042,China)

With the rapid development of agricultural informationization, the demand for accuracy and reality of regional soil and water resources information data becomes higher and higher. The progress of remote sensing technology makes the selectable data source richer. High spatial resolution images contain rich shape and texture information which are widely used in soil and water resources survey, while traditional image classification method cannot satisfy the requirement any more.Because of this, unmanned aerial vehicle (UAV) images were used as experimental objects, and the image object-oriented classification method based on optimal segmentation scale and decision tree was proposed. Firstly, a segmentation quality function was established based on internal homogeneity and heterogeneity of images, and the optimal segmentation scale was obtained according to this function. Then, optimal segmentation scale evaluation model based on spectral and area information was proposed to evaluate segmentation result. Lastly, soil and water resource information classification was completed by introducing decision tree rule mechanism, and compared with the maximum likelihood classification results. The experimental results showed that the segmentation quality function can obtain optimal segmentation scale accurately, and avoid the subjectivity of manual segmentation. The overall accuracy is 86.78% and compared with 77.59% of maximum likelihood classification method has a great improvement in classification accuracy.

high resolution images; optimal segmentation scale; decision tree; soil and water resources information; classification

10.6041/j.issn.1000-1298.2016.09.044

2016-06-13

2016-06-28

國家自然科學基金青年基金項目(51209153、41301021)、數(shù)字制圖與國土信息應用工程國家測繪地理信息局重點實驗室開放基金項目(DM2014SC02)和國土資源部地學空間信息技術重點實驗室開放基金項目(KLGSIT2015-04)

魯恒(1984—)，男，講師，博士，主要從事3S技術在農業(yè)信息化中的應用研究，E-mail: luheng@scu.edu.cn

李龍國(1970—)，男，副教授，主要從事農業(yè)水土工程研究，E-mail: cwrh_awr@scu.edu.cn

P231.5； TP75

A

1000-1298(2016)09-0327-07