無(wú)人機(jī)遙感在塑料大棚識(shí)別中的方法研究

周 潔，范熙偉，劉耀輝

（1. 云南師范大學(xué)旅游與地理科學(xué)學(xué)院，昆明 650500；2. 中國(guó)地震局地質(zhì)研究所，北京100029；3. 昆士蘭大學(xué)地球與環(huán)境科學(xué)系，布里斯班 4067）

0 引言

塑料大棚俗稱冷棚，是一種新興的保護(hù)地栽培設(shè)施。由于其具有建造容易、使用方便、降低氣候環(huán)境的限制、提高單位面積產(chǎn)量等優(yōu)點(diǎn)［1-3］，被世界各國(guó)普遍使用推廣，近年來(lái)以每年20%速度持續(xù)增長(zhǎng)［4］。但同時(shí)，塑料大棚改變了地表的能量平衡和水循環(huán)模式，對(duì)局地氣候、水文循環(huán)乃至全球氣候變化與生態(tài)系統(tǒng)產(chǎn)生影響；廢棄的塑料薄膜破壞了生態(tài)環(huán)境，使得土壤質(zhì)量下降［5-6］。因此，快速準(zhǔn)確地獲得塑料大棚覆蓋面積、位置分布等地理信息，對(duì)農(nóng)業(yè)規(guī)劃、環(huán)境資源保護(hù)等方面具有積極意義［7］。

傳統(tǒng)的塑料大棚覆蓋面積信息獲取以人工實(shí)地測(cè)定為主，該方法需要耗費(fèi)大量的人力、物力和時(shí)間，且無(wú)法獲得準(zhǔn)確的地理位置分布信息，因此無(wú)法滿足海量數(shù)據(jù)實(shí)際生產(chǎn)需求。

近年來(lái)，隨著航空、航天遙感技術(shù)的迅猛發(fā)展，不同平臺(tái)、不同傳感器、不同分辨率的遙感影像數(shù)據(jù)不斷滿足不同領(lǐng)域的應(yīng)用需求［8］。國(guó)內(nèi)外許多學(xué)者將遙感技術(shù)應(yīng)用于塑料大棚檢測(cè)提取研究，作了大量相關(guān)工作。根據(jù)所使用的遙感影像數(shù)據(jù)類型的不同，可將研究工作分為兩種：基于中低分辨率遙感影像大棚檢測(cè)提取研究［9-13］和基于高分辨率遙感影像大棚檢測(cè)提取研究［14-17］。中低分辨率遙感影像具有幅寬大、價(jià)格低廉甚至免費(fèi)等優(yōu)點(diǎn)，適用于大范圍、大面積的塑料大棚檢測(cè)，但存在空間分辨率較低、重訪時(shí)間長(zhǎng)等缺點(diǎn)，不適合小區(qū)域塑料大棚面積的精確提取。高分辨率遙感影像數(shù)據(jù)可以更清楚地表達(dá)地物目標(biāo)的空間結(jié)構(gòu)特征及表面紋理信息，分辨內(nèi)部更精細(xì)的地物組成、地物邊緣等信息［18-19］，但也存在數(shù)據(jù)價(jià)格昂貴等弊端。

無(wú)人機(jī)遙感技術(shù)的出現(xiàn)和發(fā)展，為這一問(wèn)題的解決提供了新思路［20］。相比傳統(tǒng)的衛(wèi)星遙感和載人飛機(jī)，無(wú)人機(jī)遙感具有經(jīng)濟(jì)便捷、機(jī)動(dòng)靈活、操作簡(jiǎn)便、實(shí)時(shí)性強(qiáng)、影像分辨率高等一系列優(yōu)點(diǎn)。無(wú)人機(jī)影像經(jīng)過(guò)幾何校正和拼接后得到的正射影像具有很高的空間位置精度，可以實(shí)現(xiàn)對(duì)某一重點(diǎn)研究區(qū)域遙感影像超高時(shí)間、空間分辨率的快速獲取，能迅速且準(zhǔn)確地完成對(duì)研究區(qū)塑料大棚的檢測(cè)提?。?，21-22］。

文章利用無(wú)人機(jī)高分辨率遙感數(shù)據(jù)，以云南省昆明市呈貢區(qū)可樂(lè)村某塑料大棚區(qū)為研究區(qū)域，分別采用基于像元法和面向?qū)ο蠓ǎ瑢?duì)研究區(qū)進(jìn)行分割、分類、面積提取，結(jié)合研究區(qū)背景資料和實(shí)地調(diào)研結(jié)果，對(duì)比分析了兩種方法的精度。

1 研究區(qū)概況及實(shí)驗(yàn)數(shù)據(jù)

1.1 研究區(qū)域概況

該文研究區(qū)為云南省昆明市呈貢區(qū)斗南鎮(zhèn)可樂(lè)村。該村地處昆明市呈貢區(qū)西部，距昆明市區(qū)12 km。海拔1 900～2 000 m，地處亞熱帶季風(fēng)氣候區(qū)，年降雨量800～1 000 mm米，全年無(wú)霜期320 d，年日照量2 311 h，土地肥沃，氣候適宜，交通便利，區(qū)位優(yōu)勢(shì)突出。該村主要以花卉、蔬菜種植為主，塑料大棚種植已成為當(dāng)?shù)剞r(nóng)業(yè)經(jīng)濟(jì)發(fā)展的支柱

1.2 實(shí)驗(yàn)數(shù)據(jù)

1.2.1 數(shù)據(jù)獲取

該研究于2018 年12 月21 日在可樂(lè)村塑料大棚區(qū)域使用小型旋翼無(wú)人機(jī)進(jìn)行遙感圖像的獲取，無(wú)人機(jī)型號(hào)為深圳大疆創(chuàng)新科技有限公司的Phantom 3 Professional。此款無(wú)人機(jī)搭載了HD 高清相機(jī)，配有GPS 和GLONASS 雙衛(wèi)星導(dǎo)航系統(tǒng)。無(wú)人機(jī)自帶的光學(xué)成像相機(jī)其鏡頭由9 組9 片玻璃鏡片組成，包含兩片非球面鏡片，拍攝視場(chǎng)角為94°，其焦距為4 mm，最大光圈F 2.8，曝光時(shí)間為8 s 至1/8 000 s 可調(diào)。此外，相機(jī)感光元件的尺寸為0.001 58 mm，拍攝有效像素1 240 萬(wàn)，圖像大小為4 000×3 000 像素，空間分辨率達(dá)0.2 m。其他相關(guān)性能參數(shù)見(jiàn)表1、表2。

表1 Phantom 3 Professional 飛行器參數(shù)Table 1 Key aircraft parameters of Phantom 3 Professional

表2 Phantom 3 Professional 相機(jī)參數(shù)Table 2 Key camera parameters of Phantom 3 Professional

無(wú)人機(jī)拍攝起始位置為24.875°N，104.237°E，海拔1 928.4 m。飛行高度距地面140 m，工作范圍為700 m×700 m。作業(yè)起始時(shí)間為北京時(shí)間2018 年12 月21 日13 點(diǎn)42分，結(jié)束時(shí)間為13 點(diǎn)49 分。一架次共拍攝了130 張高清可見(jiàn)光真彩色遙感影像，每張相片圖像大小為4 000×3 000 像素，所有相片總大小為607 MB。

1.2.2 數(shù)據(jù)拼接

研究中所采用的無(wú)人機(jī)影像后處理軟件為EasyUAV 快拼軟件。該款軟件主要包括數(shù)字正射影像圖（Digital Orthophoto Map，DOM）、數(shù)字表面模型（Digital Surface Model，DSM）、數(shù)字高程模型（Digital Elevation Model，DEM）、真實(shí)三維密集點(diǎn)云、真三維模型的生成幾個(gè)模塊。將無(wú)人機(jī)獲取的遙感圖像導(dǎo)入軟件后建立工程文件，同時(shí)導(dǎo)入由上述公司提供的無(wú)人機(jī)相機(jī)檢校文件，EasyUAV 即可自動(dòng)完成研究區(qū)DOM、DSM 和DEM 的生成。

將無(wú)人機(jī)獲取的130 張遙感影像進(jìn)行拼接處理，得到的研究區(qū)DOM 圖如圖1 所示。其中，圖像大小為1.949 1 萬(wàn)×1.865 2 萬(wàn)像素，文件大小為369 MB，空三中誤差為0.55 916 象元，滿足該研究影像的精度需求。

圖1 研究區(qū)DOM 圖Fig.1 The DOM image of the study area

圖2 大棚放大細(xì)節(jié)圖Fig.2 The magnification of the greenhouse in detail

2 研究方法

2.1 基于像元法監(jiān)督分類

監(jiān)督分類（Supervised Classification），也稱為訓(xùn)練分類法，是以建立統(tǒng)計(jì)識(shí)別函數(shù)為理論基礎(chǔ)，根據(jù)典型樣本訓(xùn)練方法實(shí)現(xiàn)地物分類的技術(shù)。要求訓(xùn)練區(qū)域具有典型性和代表性。判別準(zhǔn)則若滿足分類精度要求，則此準(zhǔn)則成立；反之，需重新建立分類的決策規(guī)則，直至滿足分類精度要求為止。

基于像元法監(jiān)督分類的原理是基于影像的光譜特征來(lái)進(jìn)行分類，基本單元是像元，不考慮地物的形狀、紋理、上下文等相關(guān)特征，主要依靠像元的灰度值來(lái)進(jìn)行地物的區(qū)分。

2.2 面向?qū)ο笮畔⑻崛?/h3>

面向?qū)ο笮畔⑻崛≈饕▋蓚€(gè)關(guān)鍵性技術(shù)：影像分割和影像分類。eCognition 是當(dāng)前應(yīng)用最廣泛的基于面向?qū)ο蠓诸惙椒ǖ倪b感信息提取軟件。

2.2.1 影像分割

面向?qū)ο蟮倪b感分析是處理高分辨率影像的最佳途徑之一，而影像分割是面向?qū)ο筮b感分析的基礎(chǔ)，分割結(jié)果決定后期特征識(shí)別與專題信息提取的精度。影像分割就是將圖像劃分為一個(gè)個(gè)大小不等、互不相交的小區(qū)域的過(guò)程，這些小區(qū)域具有相同的光譜特征和屬性。影像分割算法包括點(diǎn)分割算法、邊緣分割算法和區(qū)域分割算法，其中應(yīng)用較為廣泛的是區(qū)域分割算法中的多尺度分割方法，該算法采用自下而上的分割方式，首先將影像分割為像元大小的對(duì)象，根據(jù)對(duì)象的顏色和形狀等特征將相鄰相似的對(duì)象逐級(jí)合并，直到達(dá)到設(shè)定的分割尺度閾值，從而完成對(duì)影像的分割。其中最佳分割尺度的確定是多尺度分割算法中最關(guān)鍵的步驟，若分割尺度較小，影像中單個(gè)地物被分割成多個(gè)細(xì)小斑塊，破壞了地物的完整性，增強(qiáng)了小目標(biāo)的干擾作用，影像被“過(guò)分割”；若分割尺度過(guò)大，影像被分割成大對(duì)象，許多地物未與其周圍環(huán)境區(qū)分割開(kāi)，影像“欠分割”?！斑^(guò)分割”或者“欠分割”都不利于分割對(duì)象對(duì)地物的真實(shí)表達(dá)［23］，進(jìn)而影響到地物的提取精度。不同類型的數(shù)據(jù)、不同的分類任務(wù)需要在不同的尺度下進(jìn)行分析，多尺度分割為方便的調(diào)整特定影像分析任務(wù)所需要的影像對(duì)象尺度提供了可能［24］。分割尺度以能最大程度適合該研究區(qū)地物類型的提取為最優(yōu)，如圖3 所示為最優(yōu)分割尺度函數(shù)示意圖。

圖3 最優(yōu)分割尺度示意圖Fig.3 The image of optimal segmentation scale

多尺度分割算法中尺度參數(shù)的設(shè)置對(duì)分割結(jié)果有決定性的影響，對(duì)影像中地物異質(zhì)性條件的不同，尺度參數(shù)設(shè)置需進(jìn)行相應(yīng)的調(diào)整，通常情況下，影像對(duì)象內(nèi)部的異質(zhì)性較小，地表相對(duì)均一時(shí)，該參數(shù)設(shè)置為較大值；反之，設(shè)置小值。所以多尺度分割算法的尺度參數(shù)值設(shè)置沒(méi)有同一的標(biāo)準(zhǔn)，往往憑借實(shí)驗(yàn)經(jīng)驗(yàn)設(shè)置，這也正是該算法的弊端。

多尺度分割算法中對(duì)影像的均質(zhì)性采用Color（顏色）和Shape（形狀）兩個(gè)參數(shù)度量。顏色標(biāo)準(zhǔn)是對(duì)影像光譜（色彩）特征的度量，通過(guò)設(shè)置不同波段的權(quán)重值可以調(diào)節(jié)各個(gè)波段的比重；形狀特征的度量又包括Smoothness（光滑度）和Compactness（緊致度）兩個(gè)參數(shù)，其中光滑度指影像中對(duì)象邊緣的光滑度，緊致度指影像對(duì)象之間的緊致程度。

2.2.2 影像分類

eCognition 中有隸屬度和最鄰近兩種分類器。面向?qū)ο蟮淖钹徑椒ㄊ窃趥鹘y(tǒng)的最鄰近方法中將對(duì)象信息代替經(jīng)典分類方法中的光譜信息進(jìn)行分類［24］。此方法不僅利用影像的光譜信息，還充分考慮了地物的形狀、紋理、上下文等空間信息，極大提高了分類精度。

2.3 精度評(píng)價(jià)

在遙感信息提取完成后，需要對(duì)提取結(jié)果進(jìn)行精度評(píng)價(jià)，以判斷提取結(jié)果的準(zhǔn)確性和差異性。該研究在拼接后的DOM 圖像上采集樣本點(diǎn)，將實(shí)地調(diào)研與目視解譯結(jié)合起來(lái)確定樣本點(diǎn)類別，利用混淆矩陣來(lái)評(píng)價(jià)研究區(qū)各類地物提取精度。主要評(píng)價(jià)指標(biāo)有：生產(chǎn)者精度、用戶精度、總體精度和Kappa 系數(shù)。

生產(chǎn)者精度PPA，它是指某一類別的正確分類數(shù)Xii占參考數(shù)據(jù)中該類別像元總數(shù)（Xi）的比例。計(jì)算公式為：

用戶精度PUA，它是指某一類別的正確分類數(shù)Xii占分為該類別的像元總數(shù)（Xj）的比例。計(jì)算公式為：

總體精度POA，它是指總分類正確數(shù)占總抽樣數(shù)N的比例，它反應(yīng)分類結(jié)果總的正確程度。計(jì)算公式為：

Kappa 系數(shù)：所有真實(shí)參考的像素總數(shù)乘以混淆矩陣對(duì)角線的和，再減去某一類中真實(shí)參考像素?cái)?shù)與該類中被分類像素總數(shù)之積之后，再除以像素總數(shù)的平方減去某一類中真實(shí)參考像素總數(shù)與該類中被分類像素總數(shù)之積對(duì)所有類別求和的結(jié)果［23］。它是測(cè)定兩幅圖之間吻合度和精度的一種指標(biāo)，定義為：

式（4）中，N表示樣本總數(shù)，k表示分類類別數(shù)，Xii表示被準(zhǔn)確分類類別數(shù)，Xi+表示混淆矩陣中每一列的樣本數(shù)，X+i表示每一行的樣本數(shù)。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 基于像元法監(jiān)督分類

該研究的基于像元監(jiān)督分類使用ENVI 5.1 軟件，具體按照以下5 個(gè)步驟進(jìn)行。

（1）類別定義

通過(guò)目視判讀及野外實(shí)地調(diào)研結(jié)果，將待分類研究區(qū)分為4 種類型進(jìn)行樣本選擇和圖像分類工作：即塑料大棚、房屋、植被、道路。

（2）樣本選擇

為完成監(jiān)督分類，需要在遙感圖像處理軟件中進(jìn)行訓(xùn)練樣本的選擇。該研究選取ENVI 遙感圖像處理平臺(tái)，利用其中的ROI（Region Of Interest）工具進(jìn)行訓(xùn)練樣本的選擇。按照上述提到的4 種類別，每種類別選擇若干個(gè)典型區(qū)域作為樣本。ENVI 中采用J-M 距離（Jeffries-Matusita distance），轉(zhuǎn)換分離度（Transformed Divergence）參數(shù)表示，最為常用的是基于條件概率的J-M 距離［25］。其表達(dá)式為：

式子中的ωi和ωj為兩種地物的分類類別?？煞蛛x度的數(shù)值在0～2 之間，數(shù)值越大，可分離度越高。計(jì)算結(jié)果為塑料大棚與房屋的可分性值為1.46～1.72，塑料大棚與道路的可分性值大于1.91，塑料大棚與植被的可分性值為2.00。因此除了目視解譯，上述統(tǒng)計(jì)值也同時(shí)說(shuō)明使用監(jiān)督分類時(shí)，塑料大棚和房屋之間將存在一定程度的分類誤差。

（3）分類器選擇

一般根據(jù)待分類圖像的復(fù)雜度和分類精度需求等確定選用哪一種分類器。監(jiān)督分類器以經(jīng)典統(tǒng)計(jì)算法或貝葉斯理論為基礎(chǔ)，這類分類器主要有：平行六面體分類器、最小距離分類器、馬氏距離分類器和最大似然分類器，這類分類器的普遍問(wèn)題是對(duì)分類訓(xùn)練樣本的要求高，通常要求特征樣本空間服從正態(tài)分布，而實(shí)際應(yīng)用中特征空間數(shù)據(jù)往往具有高維異構(gòu)特征，很難滿足這類分類器的需求；基于神經(jīng)網(wǎng)絡(luò)分類器包括神經(jīng)網(wǎng)絡(luò)分類器、卷積神經(jīng)網(wǎng)絡(luò)分類器，這類分類器以神經(jīng)元結(jié)構(gòu)為原型，屬仿生算法，其中卷積神經(jīng)網(wǎng)絡(luò)分類器屬深度學(xué)習(xí)分類器，是近年來(lái)興起的面向大數(shù)據(jù)的處理算法，該算法在圖像分類中要求大量訓(xùn)練樣本對(duì)分類器進(jìn)行迭代學(xué)習(xí)運(yùn)算，因此在地學(xué)應(yīng)用中面臨樣本需求量過(guò)大，分類算法訓(xùn)練成本高的問(wèn)題；基于機(jī)器學(xué)習(xí)分類器包括支持向量機(jī)、模糊分類，這類分類器在遙感數(shù)據(jù)分類中應(yīng)用較多，算法精度高、訓(xùn)練樣本門檻低，但是運(yùn)算效率低是其主要不足?？紤]到該文分類采用的圖像僅有紅、綠、藍(lán)3 個(gè)波段，且圖像中的地物類別較為簡(jiǎn)易，該研究選擇最大似然法進(jìn)行圖像分類。

（4）影像分類

使用ROI 提取的監(jiān)督分類樣本和最大似然法分類器，即可對(duì)EasyUAV 軟件拼接輸出的DOM 真彩色遙感圖像進(jìn)行分類，圖4 為分類結(jié)果，其中塑料大棚用紅色表示、道路用灰色表示、房屋用藍(lán)色表示、植被用綠色表示。從監(jiān)督分類結(jié)果圖4 和圖1 研究區(qū)DOM真彩色圖像對(duì)比可以發(fā)現(xiàn)，道路、植被類型與真彩色圖像的空間分布較為一致。但是，由于異物同譜的影響，部分以紅色為代表的塑料大棚被錯(cuò)分到了房屋中，道路和植被之間也存在誤分。同時(shí)，分類結(jié)果中存在嚴(yán)重的“椒鹽現(xiàn)象”。

圖4 基于像元分類結(jié)果Fig.4 The image of the supervised classification result

（5）精度評(píng)價(jià)

為評(píng)價(jià)監(jiān)督分類方法提取房屋數(shù)據(jù)的精度，考慮到分類使用的無(wú)人機(jī)遙感圖像空間分辨率優(yōu)于5 cm，這里通過(guò)目視解譯的方式，同時(shí)結(jié)合實(shí)地考察若干采樣點(diǎn)的形式進(jìn)行地表類型真值的提取。通過(guò)ROI 工具提取各種類別若干個(gè)采樣樣本后（盡量與分類樣本有所區(qū)別，其中房屋類別中所有的房屋都進(jìn)行提取），使用ENVI 中的混淆矩陣（Confusion Matrix）工具基于分類后圖像和上述提取的ROI 真值進(jìn)行分類結(jié)果的驗(yàn)證。

圖4 可以看出，基于像元分類結(jié)果與無(wú)人機(jī)航拍DOM 圖所呈現(xiàn)的大棚分布和走向幾乎一致，可以清晰展示研究區(qū)的基本概況。但分類結(jié)果中存在明顯的“椒鹽現(xiàn)象”，也存在部分的錯(cuò)分、誤分現(xiàn)象。

3.2 面向?qū)ο蠓椒?/h3>

3.2.1 面向?qū)ο蠓指?/p>

在進(jìn)行圖像分割時(shí)，考慮每個(gè)編輯層對(duì)分類結(jié)果的重要性和適宜性，給每個(gè)編輯層賦予不同的權(quán)重，這里每個(gè)編輯層的權(quán)重都賦為1，使紅、綠、藍(lán)3 個(gè)圖層均同等重要地參與運(yùn)算。再考慮不同類別地物的特征和分類要求，給圖像設(shè)置一個(gè)分割的尺度參數(shù)。通過(guò)對(duì)比不同尺度下分割對(duì)象邊界與地物實(shí)際邊界的吻合程度來(lái)確定最優(yōu)分割尺度，同時(shí)考慮到研究區(qū)地物相對(duì)單一，故將分割尺度設(shè)為較大值。

試驗(yàn)采用控制變量法。首先固定形狀因子為0.1，緊致度因子為0.5，共設(shè)置5 個(gè)分割尺度，分別為200，500，750，1 000，2 000。試驗(yàn)影像在不同尺度下的分割效果如圖5 所示?？梢钥闯觯寒?dāng)分割尺度為200 時(shí)，許多均質(zhì)斑塊被分割成幾個(gè)對(duì)象而過(guò)于破碎，屬于過(guò)分割；當(dāng)分割尺度為500 時(shí)，分割得出的對(duì)象邊界與地物的實(shí)際邊界吻合較好；當(dāng)分割尺度為750、1 000 時(shí)，部分塑料大棚未完全分割開(kāi)；當(dāng)分割尺度為2 000 時(shí)，得到的分割對(duì)象較大，單個(gè)對(duì)象中地物不均一。因此，確定最優(yōu)分割尺度為500 時(shí)生成的對(duì)象大小較為理想。

圖5 不同尺度下相同異質(zhì)性因子分割結(jié)果對(duì)比Fig.5 The comparison of segmentation results of the same heterogeneity factors at different scales

除分割尺度外，還需設(shè)置形狀因子（Shape）和緊致度（Compactness）因子以保證分割結(jié)果不會(huì)太破碎。圖6 是在影像給定相同的分割尺度500 條件下，通過(guò)改變不同的形狀因子和緊致度因子，最終選擇最優(yōu)的分割尺度參數(shù)。對(duì)比圖像可以看：將形狀因子設(shè)置過(guò)大，圖像“欠分割”；將形狀因子設(shè)置過(guò)小，圖像“過(guò)分割”，過(guò)大或過(guò)小都不利于大棚的提取。當(dāng)形狀因子和緊致度因子均設(shè)置為0.5 時(shí)，對(duì)本影像中的大棚分割效果較好。因此，該文的最優(yōu)分割尺度為500，形狀因子0.5，緊致度因子0.5。具體細(xì)節(jié)信息如圖6 所示。

圖6 相同尺度下不同異質(zhì)性因子分割結(jié)果對(duì)比Fig.6 The Comparison of segmentation results of different heterogeneity factors at the same scale

面向?qū)ο蠖喑叨确指顚⒀芯繀^(qū)地物分割成若干個(gè)二維的多邊形。分割地物對(duì)象的幾何特征提取就是基于地物對(duì)象矢量對(duì)象建立遙感圖像的幾何特征提取模型，提取影像的長(zhǎng)寬比、形狀指數(shù)、矩形擬合度等幾何特征。

分割地物對(duì)象的長(zhǎng)寬比計(jì)算公式為：

式（6）中，L指分割地物對(duì)象外接橢圓的長(zhǎng)軸長(zhǎng)度，W指分割地物對(duì)象外接橢圓短軸的長(zhǎng)度。

圖7 兩種分割結(jié)果細(xì)節(jié)放大對(duì)比（左圖分割得過(guò)于破碎）Fig.7 The magnified comparison of the two segmentation results

其（7）中，la表示分割地物對(duì)象的周長(zhǎng)，A 指分割地物對(duì)象的面積。

矩形擬合度描繪了一個(gè)分割地物對(duì)象與矩形的相似程度。此值通過(guò)計(jì)算一個(gè)與分割地物對(duì)象相等的矩形面積得到，矩形的長(zhǎng)寬與分割地物對(duì)象的長(zhǎng)寬相等。當(dāng)一個(gè)分割地物對(duì)象與矩形完全一致時(shí)，擬合度為1，完全不相等時(shí)，其擬合度為0。分割地物對(duì)象的幾何特征提取結(jié)果如圖8 所示。

分割地物對(duì)象的形狀指數(shù)的計(jì)算公式如下：

圖8 分割地物對(duì)象的形狀特征Fig.8 The shape features of object segmentation

3.2.2 面向?qū)ο蠓诸?/p>

該研究采用監(jiān)督分類方法，選用最鄰近分類器對(duì)研究區(qū)進(jìn)行分類。首先根據(jù)前面的研究成果，將研究區(qū)分為塑料大棚、房屋、植被、道路4 類；其次選擇適當(dāng)?shù)臉颖?，使用最近鄰加?quán)（Nearest Neighbor Configuration）工具配置最鄰近特征，特征選擇波段均值和標(biāo)準(zhǔn)差特征參與分類；最后，面向?qū)ο蠓诸惤Y(jié)果如圖9 所示，其中大棚用紅色表示、道路用灰色表示、房屋用藍(lán)色表示、植被用綠色表示。

圖9 面向?qū)ο蠓诸惤Y(jié)果圖Fig.9 The image of the object oriented classification

圖9 可以看出，面向?qū)ο蠓诸惤Y(jié)果與無(wú)人機(jī)航拍DOM 圖所呈現(xiàn)的大棚分布和走向幾乎一致，且無(wú)明顯的“椒鹽現(xiàn)象”，但也存在少量的錯(cuò)分、誤分現(xiàn)象。

通過(guò)圖10 可以看出，面向?qū)ο蠓指钚Ч黠@優(yōu)于基于像元法?；谙裨ǚ诸惤Y(jié)果中，錯(cuò)分、漏分現(xiàn)象較為頻繁，且存在嚴(yán)重的“椒鹽現(xiàn)象”；面向?qū)ο蠓ㄓ行У販p少錯(cuò)分、漏分現(xiàn)象，抑制了“椒鹽現(xiàn)象”，極大地提高了分類精度。

圖10 兩種分類結(jié)果細(xì)節(jié)放大對(duì)比圖Fig.10 The magnified comparison of the two classification results

3.3 精度評(píng)價(jià)

為了對(duì)分類精度進(jìn)行評(píng)價(jià)，該研究將研究區(qū)基本背景、實(shí)地調(diào)研結(jié)果與影像目視判讀結(jié)合起來(lái)，選取了多個(gè)樣本數(shù)據(jù)，并對(duì)這些樣本數(shù)據(jù)與分類結(jié)果一致性進(jìn)行比較。所選取的精度驗(yàn)證樣本在研究區(qū)的分布如圖11 所示，定量精度評(píng)價(jià)結(jié)果如表3、表4所示。

圖11 精度驗(yàn)證樣本分布圖Fig.11 The samples distribution of accuracy verification

表3 分類結(jié)果精度對(duì)比Table 3 Comparison of the classification accuracy %

表4 分類結(jié)果精度評(píng)價(jià)Table 4 The evaluation of classification accuracy

從表4 可以看出，基于像元最大似然法分類結(jié)果的總體精度為68.3%，Kappa 系數(shù)為0.5848；面向?qū)ο笞钹徑诸惙ǚ诸惤Y(jié)果的總體精度為94.6%，Kappa 系數(shù)為0.9133。面向?qū)ο筇崛》椒ň让黠@高于傳統(tǒng)的基于像元提取方法。

根據(jù)前文分類結(jié)果圖直觀對(duì)比及上述定量精度評(píng)價(jià)分析認(rèn)為，出現(xiàn)錯(cuò)分現(xiàn)象是由于地物之間光譜相似性造成。一方面，地物光譜相似性越高，出現(xiàn)錯(cuò)分現(xiàn)象就越嚴(yán)重，這是基于傳統(tǒng)的像素分類方法對(duì)高分辨率遙感影像“同物異譜”、“同譜異物”現(xiàn)象難以克服的問(wèn)題。另一方面，基于傳統(tǒng)的像素分類方法所使用的是光譜亮度差異作為區(qū)分不同地物的分類標(biāo)準(zhǔn)，這將產(chǎn)生“椒鹽現(xiàn)象”，即分類結(jié)果出現(xiàn)眾多小斑點(diǎn)，這些都嚴(yán)重影響地物提取的精度。

面向?qū)ο蠓椒ú粌H僅利用影像的光譜特征，還充分利用形狀特征、紋理特征和上下文特征等細(xì)節(jié)信息，極大提高了高分辨率遙感影像的數(shù)據(jù)使用率，充分挖掘高分辨率遙感影像所包含的豐富地物信息，有效提高了分類精度。

3.4 地物信息提取分析

該研究采用面向?qū)ο蠓椒ㄌ崛「黝惖匚锏拿娣e如表5 所示，其中：塑料大棚面積26.371 42 萬(wàn) m2，房屋面積 4.123 67 萬(wàn) m2，植被面積 11.073 49 萬(wàn) m2，道路面積 3.178 88 萬(wàn) m2，總面積44.747 46 萬(wàn)m2。

表5 面向?qū)ο筇崛∶娣e統(tǒng)計(jì)Table 5 The statistics of object-oriented extraction areas 萬(wàn)m2

實(shí)地測(cè)量了13 個(gè)塑料大棚面積，將其作為樣本數(shù)據(jù)，與面向?qū)ο蠓椒ㄌ崛〉拿娣e作對(duì)比，對(duì)提取面積的精度做驗(yàn)證，結(jié)果如表6 所示。

表6 實(shí)地面積與面向?qū)ο筇崛∶娣e對(duì)比Table 6 Comparison of measurement and object extraction area

表6 的對(duì)比結(jié)果表明，面向?qū)ο蠓椒ㄌ崛〉拿娣e與實(shí)地測(cè)量提取面積相比仍然存在一定的誤差，在總面積上的差值為3.925 m2，累積差值為22.475 m2。若按差值比例來(lái)計(jì)算，大棚的估計(jì)面積為（26.371 42 萬(wàn)±410.737）m2，滿足精度要求。

4 結(jié)論

準(zhǔn)確、高效的塑料大棚面積提取方法，是塑料大棚遙感估算的重要技術(shù)之一。研究利用無(wú)人機(jī)高分辨率遙感數(shù)據(jù)，分別采用基于像元法和面向?qū)ο蠓?，進(jìn)行塑料大棚識(shí)別提取方法研究探討。通過(guò)試驗(yàn)對(duì)比分析得出以下結(jié)論。

（1）塑料大棚面積的基于像元提取總體精度為68.3%，面向?qū)ο筇崛】傮w精度為94.6%。面向?qū)ο筇崛》椒ň让黠@高于傳統(tǒng)的基于像元提取方法。

（2）與傳統(tǒng)基于光譜特征像元的面積提取方法相比，面向?qū)ο蠓诸惙椒ǔ浞挚紤]地物自身光譜、形狀、紋理、結(jié)構(gòu)等信息，有效地抑制了“椒鹽現(xiàn)象”，極大降低了“同物異譜”、“同譜異物”的影響，提高了分類的精度。

隨著高分辨率遙感技術(shù)的迅猛發(fā)展，影像分辨率越來(lái)越高，帶來(lái)了更加豐富且復(fù)雜的地物信息，這使得面向?qū)ο蠓诸惙椒ū然谙裨诸惙椒ㄓ懈訌V闊的應(yīng)用空間。但面向?qū)ο蠓诸惙椒ǖ姆指詈头诸惖臏?zhǔn)確性主要取決于操作者的先驗(yàn)知識(shí)和經(jīng)驗(yàn)，分類結(jié)果的精度也受到分割質(zhì)量和分類規(guī)則有效區(qū)分的影響。如何實(shí)現(xiàn)快速、準(zhǔn)確、自動(dòng)化提取地物信息，是當(dāng)前乃至今后的研究目標(biāo)。