基于無(wú)人機(jī)可見(jiàn)光影像和面向?qū)ο蟮臉?shù)種分類(lèi)研究

溫昱婷，趙 靜*，蘭玉彬，楊東建，潘方江，曹佃龍

(1.山東理工大學(xué) 農(nóng)業(yè)工程與食品科學(xué)學(xué)院，山東 淄博 255000；2.山東理工大學(xué) 生態(tài)無(wú)人農(nóng)場(chǎng)研究院，山東 淄博 255000)

隨著光學(xué)傳感器及計(jì)算機(jī)圖像算法的發(fā)展，應(yīng)用遙感技術(shù)進(jìn)行樹(shù)種分類(lèi)成為研究熱點(diǎn)[1-5]。樹(shù)種分類(lèi)研究不僅是區(qū)域內(nèi)林業(yè)部門(mén)進(jìn)行種植結(jié)構(gòu)調(diào)整的基礎(chǔ)，也是林業(yè)資源管理的主要依據(jù)[6-8]。近年來(lái)，隨著國(guó)內(nèi)外衛(wèi)星技術(shù)的發(fā)展，利用衛(wèi)星遙感手段開(kāi)展樹(shù)種分類(lèi)研究成為有效提升調(diào)查效率的重要手段。但衛(wèi)星遙感受傳感器及氣候影響，時(shí)間分辨率和空間分辨率較低，無(wú)法滿(mǎn)足小區(qū)域精準(zhǔn)分類(lèi)的發(fā)展需求。無(wú)人機(jī)技術(shù)的快速發(fā)展，為小面積樹(shù)種生境遙感解譯的研究提供可能[9-12]。無(wú)人機(jī)遙感具有分辨率高、機(jī)動(dòng)靈活、操作方便等優(yōu)點(diǎn)，可與衛(wèi)星遙感數(shù)據(jù)互為補(bǔ)充，準(zhǔn)確快速提取樹(shù)種信息則是無(wú)人機(jī)遙感在林業(yè)發(fā)揮作用的關(guān)鍵。研究精準(zhǔn)的樹(shù)種分類(lèi)方法，對(duì)于林業(yè)種植結(jié)構(gòu)分析、樹(shù)種調(diào)查、病蟲(chóng)害防治等工作具有重要意義。

目前基于無(wú)人機(jī)進(jìn)行樹(shù)種分類(lèi)研究的方式主要為2種：一是基于像元利用圖像光譜、紋理、顏色等特征進(jìn)行分類(lèi)，如進(jìn)行植被指數(shù)的構(gòu)建以實(shí)現(xiàn)圖像特征信息篩選和優(yōu)化。李哲等[13]在分層分類(lèi)的基礎(chǔ)上，利用SVM、決策樹(shù)、FSO特征優(yōu)選方法實(shí)現(xiàn)多類(lèi)樹(shù)種的分類(lèi)，表明基于決策樹(shù)所選用特征分類(lèi)精度最高且用時(shí)最短，分類(lèi)精度達(dá)86.90%。E.B.Jonasetal[14]利用消費(fèi)級(jí)無(wú)人機(jī)獲取瑞士高原小比例農(nóng)田影像，對(duì)耕作生境進(jìn)行分類(lèi)的結(jié)果表明，在RGB影像中添加NIR波段可有效增加影像空間分辨率，提升影像分類(lèi)精度。二是面向?qū)ο罄脠D像光譜、紋理等特征進(jìn)行分類(lèi)。戴鵬欽等[15]利用面向?qū)ο蠼Y(jié)合深度學(xué)習(xí)方法對(duì)森林樹(shù)種進(jìn)行遙感分類(lèi)，引入VDVI和ExG-ExR 2個(gè)特征圖像與RGB圖像進(jìn)行融合，證明引入特征圖像可有效提高FCN的分類(lèi)精度。T.F.Benjaminetal[16]利用無(wú)人機(jī)獲取英國(guó)6個(gè)林地的遙感圖像，以無(wú)人機(jī)影像與地面抽樣調(diào)查數(shù)據(jù)的相似性生成正交圖譜，基于像素和面向?qū)ο筮M(jìn)行樹(shù)種分類(lèi)，基于像素分類(lèi)精度為71.43%，面向?qū)ο蠓诸?lèi)精度為85.71%。目前對(duì)非耕作生境的解譯研究大多都是基于衛(wèi)星尺度開(kāi)展，難以符合林業(yè)精準(zhǔn)管理的需求?；跓o(wú)人機(jī)遙感的樹(shù)種分類(lèi)研究中，將紋理特征、顏色特征作為分類(lèi)依據(jù)的研究較多，引入DSM圖像結(jié)合面向?qū)ο蟮姆椒ㄟM(jìn)行樹(shù)種分類(lèi)的研究鮮有報(bào)道。

本研究利用無(wú)人機(jī)獲取的可見(jiàn)光影像與DSM圖像進(jìn)行特征融合，采用面向?qū)ο蟮姆椒▽?duì)獲取的林地可見(jiàn)光影像進(jìn)行分類(lèi)研究，提高無(wú)人機(jī)可見(jiàn)光影像的作物分類(lèi)精度，在林業(yè)種植結(jié)構(gòu)分析、林業(yè)資源管理、病蟲(chóng)害防治等工作中尋求一種高精度分類(lèi)方法。

1 材料與方法

1.1 研究區(qū)概況

試驗(yàn)區(qū)位于山東省淄博市臨淄區(qū)朱臺(tái)鎮(zhèn)謝家村(118°13′E，36°57′N(xiāo))，面積為1.92 hm2。平均海拔約27 m，土壤類(lèi)型為沙壤土，試驗(yàn)區(qū)主要樹(shù)種為矮冬青(Ilexlohfauensis)、三球懸鈴木(Platanusorientalis)、馬尾松(Pinusmassoniana)和紫葉李(Prunuscerasiferaf.atropurpurea)。試驗(yàn)區(qū)域?qū)儆诒睖貛?，半濕?rùn)大陸性氣候，夏季炎熱多雨，冬季干燥寒冷。年平均溫度13.2 ℃，年平均降水量650～800 mm，降水主要集中在夏季，全年日照時(shí)長(zhǎng)2 100 h。

1.2 數(shù)據(jù)獲取及預(yù)處理

試驗(yàn)數(shù)據(jù)獲取工作于2020年6月5日11：00-13：00進(jìn)行，當(dāng)日風(fēng)力小于4級(jí)，天氣晴朗，數(shù)據(jù)采集設(shè)備為大疆精靈4 RTK，搭載可見(jiàn)光相機(jī)(DJI FC6310R)，航高70 m，飛行速度5 m·s-1,設(shè)置航向重疊率為80%，旁向重疊率為70%，曝光方式為自動(dòng)曝光，獲取圖像空間分辨率0.02 m，存儲(chǔ)格式為JPG。無(wú)人機(jī)圖像數(shù)據(jù)獲取完成后，對(duì)試驗(yàn)區(qū)域樹(shù)種信息進(jìn)行實(shí)地調(diào)查，記錄樹(shù)木的種類(lèi)及分布區(qū)域。

利用Pix4Dmapper軟件對(duì)無(wú)人機(jī)獲取圖像進(jìn)行拼接生成數(shù)字正射圖像(digital orthophoto map，DOM)和數(shù)字表面模型(digital surface model，DSM)。Pix4Dmapper拼接流程如下：首先利用每張?jiān)紙D像的飛行POS數(shù)據(jù)尋找同名點(diǎn)進(jìn)行匹配，然后通過(guò)空中三角測(cè)量計(jì)算生成點(diǎn)云模型，對(duì)圖像進(jìn)行自動(dòng)校準(zhǔn)并生成可見(jiàn)光影像和DSM圖像。由于受成像設(shè)備與外部環(huán)境噪聲影響，在數(shù)字化與傳輸過(guò)程中存在圖像噪聲，因此頻率域選用濾波窗口大小為7×7的卷積低通濾波對(duì)圖像進(jìn)行處理，消除圖像噪聲，提高后續(xù)圖像處理效率。同時(shí)由于數(shù)據(jù)量大，為避免建筑用地等因素對(duì)作物分類(lèi)可能造成影響，試驗(yàn)區(qū)分布見(jiàn)圖1。

1.3 研究方法

1.3.1 可見(jiàn)光影像色彩空間轉(zhuǎn)換 由于可見(jiàn)光影像只包含紅綠藍(lán)3個(gè)波段的信息，因此不能計(jì)算含有近紅外波段的多種植被指數(shù)。色彩空間轉(zhuǎn)換可有目的性地豐富圖像信息量，提高目視效果，以滿(mǎn)足分析應(yīng)用需要[17]。本研究選用HSV(USGS Munsell)彩色系統(tǒng)[18-20]描述試驗(yàn)區(qū)域的顏色特征[21]。在HSV色彩空間中色度變化范圍為0～360(0和360代表藍(lán)，120代表綠，240代表紅)；飽和度變化范圍0～208，值越高代表顏色越純；顏色亮度值的變化范圍0～512，較高的值代表較亮的顏色。RGB顏色空間向HSV顏色空間的轉(zhuǎn)換為一種像元級(jí)轉(zhuǎn)換[22]，其公式如下。

R′=R/255

(1)

G′=G/255

(2)

B′=B/255

(3)

Cmax=max(R′,G′,B′)

(4)

Cmin=min(R′,G′,B′)

(5)

Δ=Cmax-Cmin

(6)

(7)

(8)

V=Cmax

(9)

式中：R為紅波段反射率；G為綠波段反射率；B為藍(lán)波段反射率；C表示3個(gè)波段的賦值總稱(chēng)。

1.3.2 樹(shù)種分類(lèi)提取方法 根據(jù)面向?qū)ο蠓诸?lèi)方法設(shè)計(jì)樹(shù)種提取研究技術(shù)路線見(jiàn)圖2。將可見(jiàn)光影像和DSM圖像進(jìn)行特征融合，其中，DSM圖像表示的是最真實(shí)的地面起伏情況，在農(nóng)、林業(yè)測(cè)繪及監(jiān)測(cè)領(lǐng)域應(yīng)用極為廣泛[23-24]，特征融合利用ENVI軟件中Layer Stacking工具完成。面向?qū)ο笫且环N基于目標(biāo)的分類(lèi)方法，分類(lèi)時(shí)將相同屬性像元組成的對(duì)象進(jìn)行進(jìn)一步處理。以圖像的顏色特征、紋理特征、形狀特征等屬性信息為依據(jù)，可得到高精度的信息提取結(jié)果[25]。此分類(lèi)方法可以彌補(bǔ)基于像元分類(lèi)的不足，在很大程度上提高遙感數(shù)據(jù)的分類(lèi)效率，有效減少遙感圖像分類(lèi)中“同物異譜”“同譜異物”和基于像素分類(lèi)時(shí)的椒鹽現(xiàn)象[26]。

根據(jù)試驗(yàn)區(qū)域地物種類(lèi)及圖像特征，以每個(gè)分割對(duì)象為單元對(duì)圖像進(jìn)行分類(lèi)處理，選擇用于分類(lèi)的特征空間分別為：顏色特征、紋理特征及幾何特征。顏色特征選擇平均值(mean)、標(biāo)準(zhǔn)差(standard deviation)、亮度(brightness)；通過(guò)灰度共生矩陣提取紋理特征，紋理特征包括平均值(mean)、均方差(variance)、平均熵(entropy)等8個(gè)參數(shù)；幾何特征選擇長(zhǎng)寬比(length/width)、形狀指數(shù)(shape index)和緊湊型(compactness)等參數(shù)[27-29]。

2 結(jié)果與分析

2.1 色彩空間轉(zhuǎn)換結(jié)果分析

由圖3A-圖3F為可見(jiàn)光影像的地物特征，圖3a-圖3f為色彩空間轉(zhuǎn)換后HSV圖像的地物特征。HSV圖像中紫葉李呈現(xiàn)飽和度較高的深紅色，均質(zhì)性較高；裸地呈現(xiàn)紫色，覆蓋面積大；矮冬青、三球懸鈴木、馬尾松呈現(xiàn)不同程度的綠色，但冠層紋理特征區(qū)別較大，矮冬青亮度值較高，三球懸鈴木和馬尾松色度單一但不均勻；陰影呈現(xiàn)出與裸地色度相近的紫紅色，均勻分布在各類(lèi)樹(shù)種間。表1為色彩空間轉(zhuǎn)換前后各樹(shù)種在藍(lán)、綠、紅波段的像元值，可知矮冬青、三球懸鈴木、馬尾松在3個(gè)波段的像元值有交叉現(xiàn)象，通過(guò)可見(jiàn)光影像仍難以提取3類(lèi)樹(shù)種，考慮將DSM圖像與可見(jiàn)光影像進(jìn)行特征融合。

表1 各地物在藍(lán)、綠、紅波段像元值差異

2.2 面向?qū)ο蟮臉?shù)種分割結(jié)果

面向?qū)ο蠓诸?lèi)流程分為兩步：圖像對(duì)象構(gòu)建和圖像對(duì)象分類(lèi)[30]。采用Canny邊緣檢測(cè)算法構(gòu)建分割對(duì)象，實(shí)現(xiàn)圖像的分割處理。這是一種自上而下的分割方式，針對(duì)的是“對(duì)象”而不是傳統(tǒng)意義上的像素。圖像分割尺度參數(shù)的設(shè)置直接決定圖像中對(duì)象的個(gè)數(shù)及顏色的色相范圍，分割尺度參數(shù)根據(jù)圖像分辨率、樹(shù)種類(lèi)型及所占圖像比例等確定，依據(jù)分割尺度設(shè)置可決定分割對(duì)象的大小這一規(guī)律，根據(jù)試錯(cuò)法分析所有分割結(jié)果，由最終分類(lèi)精度確定圖像分割質(zhì)量最佳的參數(shù)為：分割尺度設(shè)置為29，合并尺度設(shè)置為75；卷積紋理核大小設(shè)置為9。面向?qū)ο蠓指罱Y(jié)果見(jiàn)圖4。

2.3 分類(lèi)器選擇

支持向量機(jī)(support vector machine,SVM)是一種以統(tǒng)計(jì)學(xué)習(xí)理論(statistical learning theory，SLT)為基礎(chǔ)的機(jī)器學(xué)習(xí)算法[31]。選擇核函數(shù)為徑向基函數(shù)(radial basis function，RBF)。徑向基函數(shù)通常定義為空間中任一點(diǎn)x到某一中心xi之間歐氏距離的單調(diào)函數(shù) ,可記作K(||x-xi||)。

K(x,xi)=exp(-r‖x-xi‖2),0.1≤r≤1.5

(10)

支持向量機(jī)主要包含2類(lèi)參數(shù)：懲罰系數(shù)C和自帶參數(shù)gamma，其中C是一個(gè)大于零的浮點(diǎn)型數(shù)據(jù)，指對(duì)分類(lèi)誤差的寬容度，C越高，說(shuō)明越不能容忍出現(xiàn)分類(lèi)誤差，考慮懲罰系數(shù)設(shè)置過(guò)小會(huì)降低分類(lèi)精度，但設(shè)置過(guò)大會(huì)導(dǎo)致未分類(lèi)地物增多，最終將懲罰系數(shù)設(shè)置為10；gamma是選擇徑向基函數(shù)作為kernel后，該函數(shù)自帶的1個(gè)參數(shù)。值越小，支持向量越多，值越大，支持向量越少。支持向量的個(gè)數(shù)會(huì)影響訓(xùn)練及預(yù)測(cè)的速度，將gamma設(shè)置為0.5。

2.4 樹(shù)種分類(lèi)結(jié)果分析

圖5a和圖5b為可見(jiàn)光影像基于顏色特征+紋理特征、顏色特征+紋理特征+幾何特征的分類(lèi)結(jié)果，圖5c和圖5d為特征融合圖像基于顏色特征+紋理特征、顏色特征+紋理特征+幾何特征的分類(lèi)結(jié)果。通過(guò)分類(lèi)結(jié)果圖5a和圖5b可知，可見(jiàn)光影像分類(lèi)結(jié)果存在椒鹽現(xiàn)象及邊緣效應(yīng)，如三球懸鈴木的種植區(qū)位于左下部試驗(yàn)區(qū)，結(jié)果圖中顯示三球懸鈴木均布在整個(gè)試驗(yàn)區(qū)，錯(cuò)分明顯。由圖5c和圖5d和表2可知，特征融合圖像樹(shù)種分類(lèi)精度提升，最高總體精度達(dá)98.27%，Kappa系數(shù)為0.98。

2.5 樹(shù)種分類(lèi)精度評(píng)價(jià)

根據(jù)拍攝當(dāng)天實(shí)地調(diào)查結(jié)果對(duì)試驗(yàn)區(qū)域多類(lèi)樹(shù)種進(jìn)行樣本標(biāo)記。訓(xùn)練樣本對(duì)象為分割后的樣本塊，樣本選擇能代表其所在區(qū)域的樹(shù)種特征，裸地選擇樣本37個(gè)，矮冬青選擇樣本124個(gè)，三球懸鈴木選擇樣本81個(gè)，紫葉李選擇樣本54個(gè)，陰影選擇樣

本35個(gè)，馬尾松選擇樣本38個(gè)。驗(yàn)證樣本需避開(kāi)上述訓(xùn)練樣本選擇區(qū)域，考慮像元的均質(zhì)性，將樣區(qū)大小設(shè)置為20×20 pt，選擇樣本點(diǎn)均勻分布在試驗(yàn)區(qū)域內(nèi)[32]。根據(jù)各類(lèi)地物在試驗(yàn)區(qū)域的分布特征，最終選擇1 763個(gè)樣本組成驗(yàn)證樣本集，其中矮冬青樹(shù)選擇樣本607個(gè)，三球懸鈴木樹(shù)選擇樣本304個(gè)，馬尾松選擇樣本93個(gè)，紫葉李選擇樣本285個(gè)，裸地選擇樣本303個(gè)，陰影選擇樣本171個(gè)。利用驗(yàn)證樣本集對(duì)分類(lèi)結(jié)果進(jìn)行驗(yàn)證，并采用混淆矩陣(confusion matrix)[33-34]評(píng)價(jià)分類(lèi)結(jié)果。混淆矩陣中主要的2個(gè)評(píng)價(jià)指標(biāo)為：總體分類(lèi)精度、Kappa系數(shù)。

由表2可知，4種特征集的分類(lèi)結(jié)果中，特征融合圖像分類(lèi)精度均高于可見(jiàn)光影像，即利用特征融合圖像分類(lèi)效果最佳。利用3類(lèi)特征分類(lèi)時(shí)，特征融合圖像的最佳分類(lèi)特征集為顏色+紋理特征，可見(jiàn)光影像中顏色+紋理+幾何的特征集分類(lèi)精度最高。

表2 不同圖像提取總體精度及Kappa系數(shù)

表3為各類(lèi)樹(shù)種的分類(lèi)精度比較，能夠看出可見(jiàn)光影像和特征融合圖像中裸地分類(lèi)精度均大于95%；比較矮冬青分類(lèi)精度，特征融合圖像比可見(jiàn)光影像分類(lèi)精度提升約14.7%，可見(jiàn)光影像中誤分為馬尾松的區(qū)域得到正確區(qū)分；特征融合圖像的馬尾松分類(lèi)精度提升幅度約為15.7%，主要將誤分為矮冬青的區(qū)域糾正。

表3 各地物分類(lèi)精度

3 結(jié)論與討論

利用無(wú)人機(jī)獲取的可見(jiàn)光影像與DSM圖像進(jìn)行特征融合，采用面向?qū)ο蠓ɑ陬伾⒓y理和幾何3項(xiàng)特征進(jìn)行樹(shù)種分類(lèi)。分析比較了3項(xiàng)特征不同組合的分類(lèi)精度。

與可見(jiàn)光影像相比，DSM特征融合圖像能豐富圖像的高程信息量，在減弱數(shù)據(jù)椒鹽噪聲的同時(shí)，可有效提高各樹(shù)種間的區(qū)分度。

采用面向?qū)ο蠓诸?lèi)方法，當(dāng)特征集選擇顏色特征和紋理特征組合時(shí)分類(lèi)精度最佳，分類(lèi)精度為98.27%，Kappa系數(shù)為0.98。

由表3可知，DSM圖像對(duì)于誤分斑塊具有良好的抑制作用，其分類(lèi)優(yōu)勢(shì)在馬尾松中得到明顯的體現(xiàn)，混淆矩陣結(jié)果表明特征融合圖像中馬尾松的分類(lèi)精度為94.64%，遠(yuǎn)高于可見(jiàn)光影像的分類(lèi)精度78.94%。由圖5a和圖5b分類(lèi)結(jié)果能夠看出可見(jiàn)光影像分類(lèi)結(jié)果中馬尾松具有嚴(yán)重碎斑塊，特征融合圖像馬尾松區(qū)域平滑完整。圖5d分類(lèi)結(jié)果顯示，將三球懸鈴木部分種植區(qū)誤分為馬尾松，研究認(rèn)為是大量冗余特征作用所致。由于本研究中利用的數(shù)據(jù)源為無(wú)人機(jī)可見(jiàn)光影像，樹(shù)種光譜信息量較少，因此樹(shù)種提取結(jié)果仍存在部分誤差，在今后的研究中嘗試?yán)枚喙庾V、高光譜數(shù)據(jù)進(jìn)行樹(shù)種的提取，進(jìn)一步改進(jìn)分類(lèi)算法，提高樹(shù)種提取精度。

綜上所述，采用面向?qū)ο蠼Y(jié)合特征融合圖像提取樹(shù)種信息是可行的，該方法對(duì)可見(jiàn)光影像的分類(lèi)精度較高，并且對(duì)樹(shù)種高程信息具有較高的敏感性，可為實(shí)現(xiàn)樹(shù)種計(jì)數(shù)、統(tǒng)計(jì)、分類(lèi)提供數(shù)據(jù)參考。