基于點云與影像融合的黃河三角洲互花米草提取方法

曹裕超, 王 健, 邵為真, 孫文瀟, 曾靜靜

基于點云與影像融合的黃河三角洲互花米草提取方法

曹裕超1, 2, 王 健1, 邵為真3, 孫文瀟4, 曾靜靜5

(1. 山東科技大學(xué) 測繪與空間信息學(xué)院, 山東 青島 266590; 2. 寧波市阿拉圖數(shù)字科技有限公司, 浙江寧波 315042; 3. 山東新匯建設(shè)集團有限公司, 山東 東營 257091; 4. 山東建筑大學(xué)測繪地理信息學(xué)院, 山東 濟南 250101; 5. 青島市勘察測繪研究院, 山東 青島 266032)

針對衛(wèi)星遙感技術(shù)在對濱海濕地互花米草監(jiān)測時受分辨率、氣候條件等多種因素限制存在一定局限性且通過單一的影像數(shù)據(jù)提取互花米草時精度不穩(wěn)定的問題, 提出了基于無人機點云與影像融合的面向?qū)ο蠡セ撞萏崛》椒?。以黃河三角洲自然保護區(qū)為研究對象, 獲取了該區(qū)域的點云和多光譜影像。先將地面濾波后提取的植被點云與多光譜影像進行特征組合優(yōu)化, 然后對融合影像采用FNEA算法進行多尺度分割后采用基于改進的最近鄰算法進行面向?qū)ο蠓诸? 最終得到的互花米草生產(chǎn)者精度和用戶精度分別達到了82.53%和86.43%, 較未融合點云的提取精度分別提高了22.34%和7.66%, 分類結(jié)果的總體精度從89.54%提升至92.61%, 且融合點云后影像能夠有效區(qū)分兩種生長狀態(tài)的互花米草, 表明本文提出的方法能夠有效提高互花米草的提取精度。

黃河三角洲; 互花米草; 無人機; 數(shù)據(jù)融合; 面向?qū)ο蠓诸?/p>

濱海濕地是陸地與海洋的過渡地帶, 濕地生態(tài)系統(tǒng)具有涵養(yǎng)水源、調(diào)節(jié)氣候、保護生物多樣性等重要作用, 2021年12月24日, 第十三屆全國人民代表大會常務(wù)委員會第三十二次會議正式通過了《中華人民共和國濕地保護法》[1], 濕地保護正式走向法治化, 也體現(xiàn)出我國對濕地保護的重視[2-3]?；セ撞菔且环N海岸帶鹽沼植物, 自1990年前后首次在黃河三角洲引種后憑借其地下根莖發(fā)達、耐受力強的優(yōu)勢在潮間帶區(qū)域快速蔓延, 侵占了蘆葦、堿蓬和檉柳等本土植物的生存空間, 嚴重破壞了生物的多樣性[4]。黃河三角洲自然保護區(qū)是被正式列入國際重要濕地名錄的國家級自然保護區(qū), 但近年來以互花米草為主的外來入侵物種對保護區(qū)的生態(tài)平衡構(gòu)成了極大的威脅[5-7], 因此加強對外來入侵物種互花米草的監(jiān)測研究具有重要的意義。

互花米草主要生長在近岸的潮間帶, 受濱海濕地多云多雨的氣候特征影響, 獲取高分辨率的遙感影像較為困難[8], 而利用中低分辨率影像在分類時易在植物交錯地帶發(fā)生混淆, 無法準確提取互花米草的范圍邊界[9], 因此, 目前對互花米草的遙感監(jiān)測研究主要以長時序、大面積范圍互花米草的總體變化趨勢分析為主。陳柯欣等[10]以整個黃河三角洲為研究區(qū), 利用Landsat影像基于面向?qū)ο蠓诸惙椒ê途坝^重心轉(zhuǎn)移模型分析了互花米草和堿蓬的動態(tài)變化, 并基于此模型預(yù)測了2026年的變化趨勢。王娟等[11]以鹽城國家級自然保護區(qū)為研究區(qū)分析了2006—2015年互花米草的擴張情況, 指出了互花米草種群整體向西北方向加速偏移的規(guī)律并預(yù)測了未來五年的入侵趨勢。但在濕地治理過程中, 為了對特定區(qū)域內(nèi)互花米草進行動態(tài)監(jiān)測, 需要準確地區(qū)分互花米草與其他植被的范圍邊界, 因此, 基于衛(wèi)星的遙感監(jiān)測手段難以滿足應(yīng)用需求, 鑒于無人機在農(nóng)業(yè)領(lǐng)域應(yīng)用的出色表現(xiàn)[12-13], 一些學(xué)者采用無人機技術(shù)進行了互花米草的監(jiān)測研究, 李曉敏等[14]基于無人機高光譜技術(shù)分析不同情形下互花米草的光譜特征, 并以此建立了互花米草遙感檢測模型。周在明等[15]利用無人機獲取的10 cm分辨率可見光波段影像, 基于改進型土壤調(diào)整植被指數(shù)有效的提取了互花米草的覆蓋范圍。無人機搭載相機可以快速獲取厘米級的高分辨率遙感影像, 有效減少了不同地物的識別難度, 但同時增加了同一地物內(nèi)部的光譜差異性, 使得同一地物內(nèi)部提取結(jié)果破碎, 在對互花米草提取時難以保證精度的穩(wěn)定。目前已有學(xué)者將高程信息與影像融合提取植被的研究, 趙欣怡[16]在對海岸帶鹽沼植被分類時基于雷達影像的高程信息有效的區(qū)分了堿蓬與光灘, 提高了分類精度。董迪等[17]在對漳江口國家級紅樹林自然保護區(qū)的紅樹林和互花米草進行提取時利用SAR影像的高程和坡度信息分離出植被與地面信息, 在此基礎(chǔ)上利用光學(xué)影像進一步分類, 證明了融合高程信息與影像的光譜信息提高分類精度有效性。機載LiDAR具有成本低、靈活高效、實時獲取的特點, 且獲取的點云數(shù)據(jù)同樣具有高精度的高程信息, 在濱海濕地場景下受天氣影響小, 目前基于點云影像融合的濕地互花米草監(jiān)測研究少有報道, 基于此, 本文提出無人機點云與影像融合的互花米草提取方法, 以無人機獲取的點云和影像為數(shù)據(jù)源, 探究利用基于點云與影像融合的面向?qū)ο蠓诸惙椒ㄌ岣邽I海濕地互花米草提取精度的可行性。

1 研究方法

點云與影像數(shù)據(jù)在獲取時由于傳感器的不同, 其數(shù)據(jù)成果在分辨率、特征等許多方面存在差異, 直接進行融合分類存在諸多難點[18], 本文通過把點云轉(zhuǎn)化為二值圖像, 將提取的植被點云高程信息以灰度值表示, 在此基礎(chǔ)上進行點云與影像的融合分類。面向?qū)ο蠓诸愂菍⒂跋癜匆欢ㄒ?guī)則分割為若干對象后, 以對象為最小單元進行分類的方法, 該方法可以顯著減輕傳統(tǒng)分類方法中的“椒鹽現(xiàn)象”, 在光譜信息豐富的高分辨率影像分類中具有顯著優(yōu)勢, 因此采用基于面向?qū)ο蟮姆诸惙椒◤娜诤虾蟮挠跋裰羞M行互花米草提取。

1.1 基于區(qū)域生長的點云圖像濾波

在濕地場景中沒有建筑和樹木等地物, 因此將點云進行地面濾波后得到的非地面點即為植被。由于點云存在密度不均且離散的特點, 在將點云轉(zhuǎn)化為二值圖像后仍存在含有內(nèi)部洞和外部小斑塊的噪點, 這些噪點的產(chǎn)生原因主要來源于點云濾波中漏分的地面點云, 因此需要對圖像進行濾波, 去除點云圖像中的小塊噪點。區(qū)域生長法是一種經(jīng)典的圖像分割算法, 該算法能夠保留完整的邊界信息且無需先驗知識就可以獲得較好的分割結(jié)果, 適用于二值圖像這類簡單圖像的濾波。算法的基本思想是對任意一個輸入的種子點, 判斷鄰域點與該種子點是否具有相似性質(zhì), 若具有相似性質(zhì)則將該鄰域點加入種子點集并繼續(xù)生長, 最終將圖像分割成為以每個種子點為起點的具有相似性質(zhì)的連通域[19]。本文以該算法為基礎(chǔ), 將鄰域內(nèi)與種子點像素值是否相同作為是否生長的條件, 計算生長結(jié)束后每個連通域的面積, 通過面積閾值去除小面積的內(nèi)部洞和小斑塊噪聲, 實現(xiàn)點云圖像的濾波。

1.2 基于FNEA算法的影像分割

在進行面向?qū)ο蠓诸惽? 需要對影像進行分割, 常用的分割方法有分水嶺分割、光譜分割、多尺度分割等, 其中多尺度分割綜合考慮了光譜、紋理、形狀等特征, 將不同目標以不同的尺度進行分割, 是目前廣泛使用的分割方法[20]。分形網(wǎng)絡(luò)演化方法(fractal net evolution approach, FNEA) 是Baatz M與Schape A于2000年提出的一種影像多尺度分割算法[21], 通過在像素層自下而上的增長, 依據(jù)異質(zhì)性最小原則, 不斷迭代合并將圖像分割為若干個內(nèi)部同質(zhì)度最大的對象, 對象之間的異質(zhì)度增量Δ根據(jù)光譜異質(zhì)度增量Δcolor和形狀異質(zhì)性Δshape和加權(quán)后確定[22], 計算公式為:

式中, ω為形狀權(quán)重, Δcolor和Δshape的計算公式為:

式中,為光譜波段數(shù)量;ω為第波段的權(quán)重;1和2為相鄰兩個待合并對象;為兩對象合并結(jié)果;δ為對象像元的標準方差;為對象的像素數(shù)量;ω為緊致度權(quán)重, Δcompact和Δsmooth的計算公式為:

式中,和分別代表對象的周長和最小外接矩形邊界周長。

FNEA算法通過不斷迭代實現(xiàn)對象的合并, 在迭代過程中, 若該對象與鄰域?qū)ο蟮淖钚‘愘|(zhì)度增量小于閾值, 則將這兩個對象合并, 否則不進行合并操作。遍歷所有對象直至所有對象與其鄰域?qū)ο蟮漠愘|(zhì)度的增量均超出閾值時迭代終止[23]。

1.3 基于融合特征的改進最近鄰算法分類

影像分割完成后需要基于訓(xùn)練樣本進行監(jiān)督分類, 最近鄰算法(nearest neighbor, NN)是一種基于監(jiān)督學(xué)習(xí)的分類算法, 該算法結(jié)構(gòu)簡單、對異常值和噪聲有較高的容忍度, 相較于其他分類算法, 該算法無需先驗參數(shù), 可以最大程度減少人為因素對分類結(jié)果的影響。算法的基本思想是輸入的未知樣本進行類別判斷時, 通過計算該樣本與其他已知樣本的特征距離, 將距離最近的樣本視為該樣本的類別[24], 距離的計算常用的是歐氏距離, 當特征數(shù)量為時, 樣本1和2的歐式距離計算表達式為:

此外, 公式(4)中各特征的權(quán)重相同, 即認為各個特征對最終的分類貢獻度相同, 而實際中, 存在著大量與分類結(jié)果相關(guān)性較小甚至無關(guān)的特征[25], 在計算值時冗余特征一方面減弱了有效特征的貢獻度, 降低分類精度, 另一方面增加了計算量, 使得算法更為耗時。為了提高有效特征在分類過程中的權(quán)重, 本文共選取常用的光譜、幾何、紋理特征共26個和2個植被指數(shù), 其中歸一化植被指數(shù)(normalized difference vegetation index, NDVI)和增強型植被指數(shù)(enhanced vegetation index, EVI)的計算公式如下:

式中,NIR、W、W分別為近紅外、紅光、藍光波段的反射率。

通過計算所有特征對已知樣本判別的貢獻度, 剔除貢獻度較低的冗余特征后將特征集按貢獻度賦權(quán), 將加權(quán)后的歐氏距離用于類別判斷, 加權(quán)歐氏距離如下:

式中,ω為第個特征的權(quán)。

2 實驗與分析

2.1 實驗區(qū)域概況及數(shù)據(jù)獲取

實驗區(qū)域位于東營市黃河口國家自然保護區(qū)內(nèi), 如圖1所示, 區(qū)域內(nèi)主要分布有互花米草和蘆葦兩類植被以及水體、泥灘等地物。

圖1 實驗區(qū)位置及實地照片

采用大疆M300搭載禪思L1激光雷達獲取點云, 大疆P4M多光譜無人機獲取影像, 其中點云密度大于100 pts /m2, 影像包括可見光RGB和B、G、R、RE、NIR 5個單波段數(shù)據(jù), 飛行高度均為100 m, 拼接后的多光譜正射影像分辨率為0.08 m。獲取的點云和多光譜影像如圖2所示, 從影像和實地現(xiàn)場觀察到互花米草受海濱風(fēng)力因素的影響, 存在倒伏和正常直立生長兩種狀態(tài), 此外還有蘆葦、水體、泥灘等地物分布。

圖2 原始數(shù)據(jù)

2.2 植被點云提取

點云經(jīng)去噪預(yù)處理后采用布料模擬算法進行地面濾波, 分離地面點后得到的植被點云如圖3所示。

圖3 地面濾波后提取的植被點云

將植被點云經(jīng)插值后輸出為二值化圖像, 利用1.1節(jié)的濾波算法將二值圖像進行濾波, 通過計算并統(tǒng)計所有連通域的面積得到小斑塊噪聲的連通域面積均小于80, 因此將面積閾值設(shè)置為80, 得到如圖4所示的點云植被提取結(jié)果, 可以看出, 本文的圖像濾波算法對去除小斑塊和內(nèi)部洞具有顯著效果。

圖4 二值圖像濾波

2.3 融合數(shù)據(jù)分類

將濾波后點云二值圖像作為波段與多光譜影像進行波段合成, 合成前先對點云影像進行分辨率重采樣, 采樣分辨率為0.08 m, 使得點云圖像與多光譜影像具有相同的分辨率, 使用Ecognition軟件的ESP工具尋找FNEA的最佳分割尺度, 在測試時設(shè)置起始分割尺度為20, 步長10, 計算按每個尺度分割后的對象間局部方差, 在當分割尺度為120, 形狀和光滑緊致度為0.4和0.5時影像對象同質(zhì)性的局部變化的變化率達到現(xiàn)峰值, 將參數(shù)設(shè)置為上述值后的局部分割結(jié)果如圖5所示。

圖5 局部分割結(jié)果

通過計算訓(xùn)練樣本中各個特征在不同類別間的平均距離, 將平均距離相加后得到不同數(shù)量特征對應(yīng)的最佳分離距離, 添加特征的順序按照訓(xùn)練樣本時各特征對分類結(jié)果的貢獻度進行排序, 其中, 貢獻度最大的5個特征分別為近紅外均值、點云均值、NDVI、最大差分均值和EVI。圖6顯示了不同數(shù)量特征的最佳分離距離, 可以看出, 在特征數(shù)量少于12個時, 最佳分離距離隨特征數(shù)量的增加快速增長, 但由于特征數(shù)量不足, 使得最佳分離距離處于2.5以下的較低值, 表明少量特征難以有效分類出本文的五種地物。在特征數(shù)量達到19個時最佳分離距離達到峰值, 表明該包含19個特征的特征組合能使各地物的可分離度達到最大, 而繼續(xù)增加特征數(shù)量后, 由于貢獻率較低的冗余特征減弱了有效特征的權(quán)重, 因此最佳分離距離呈現(xiàn)逐步下降趨勢。

圖6 不同數(shù)量特征的最佳分離距離

計算該特征組合下訓(xùn)練樣本間的加權(quán)歐氏距離用于類別判斷, 通過ArcMap生成2 707個隨機采樣點作為樣本, 其中訓(xùn)練樣本和驗證樣本的數(shù)量如表1所示。

為了驗證融合點云后對分類結(jié)果的影響, 設(shè)置未融合點云的影像進行對比實驗, 對比實驗中, 分割參數(shù)保持不變, 在加權(quán)歐氏距離計算中去除了點云均值和點云標準差兩個特征, 最終的分類結(jié)果如

表1 訓(xùn)練樣本和驗證樣本的地物數(shù)量統(tǒng)計

圖7所示, 從分類結(jié)果可以看出, 融合點云的最近鄰分類結(jié)果對正?；セ撞莸奶崛【让黠@優(yōu)于未融合點云的分類結(jié)果, 互花米草的分布范圍具有較好的連通性, 未融合點云的分類結(jié)果中正常互花米草漏分較多, 且分布范圍比較破碎。

圖7 分類結(jié)果

2.4 精度評定與分析

為了更準確地評價分類精度, 將驗證樣本與分類結(jié)果建立混淆矩陣, 驗證樣本如圖8所示, 分別計算用戶精度、生產(chǎn)者精度、總體精度和kappa系數(shù)進行精度評定, 結(jié)果如表2所示。

圖8 隨機點驗證樣本

由表2可知, 融合點云前后的總體精度達到了89.54%和92.61%, kappa系數(shù)達到了0.86和0.9, 表明基于最近鄰分算法的面向?qū)ο蠓诸惙椒ň哂休^好的分類精度。從各個地物的分類精度來看, 融合點云后正?；セ撞莸纳a(chǎn)者精度提升顯著, 從67.46%增加至82.53%, 提升了22.34%, 表明融合點云后能有效的減少正常互花米草的漏分數(shù)量。除蘆葦精度有小幅降低外, 融合點云后其他地物的生產(chǎn)者精度和用戶精度均有所提高, 所有地物中, 水體的分類精度最高, 主要是由于水體對NIR波段的吸收能力較高因而光譜特征顯著, 而正常互花米草、倒伏互花米草和蘆葦三種地物分類精度相對較低的原因主要是這三類植物交錯生長且在特征上存在一定的相似度, 因此在交界處存在一定的分類誤差。綜上所述, 基于最近鄰算法的面向?qū)ο蠓诸惙椒梢院芎玫倪m用于入侵物種互花米草的分類研究, 且點云與多光譜影像融合的分類精度優(yōu)于僅使用多光譜影像的分類精度, 驗證了利用多源數(shù)據(jù)融合以提高濱海濕地的地物分類精度的可行性。

表2 融合點云前后的分類精度對比

3 結(jié)論

本文利用無人機獲取的點云與多光譜正射影像, 結(jié)合點云與多光譜的優(yōu)勢, 研究基于面向?qū)ο蠛妥罱徦惴ńY(jié)合的互花米草提取方法, 并與未融合點云的分類結(jié)果進行對比, 通過精度評定得出以下結(jié)論:

1)采用面向?qū)ο蟮姆诸惙椒ㄖ卸喑叨确指羁梢猿浞掷酶叻致视跋竦呢S富信息, 根據(jù)像元的光譜特征和幾何特征進行合并對象, 相較基于像元的分類方法可以減少同一地物范圍內(nèi)的像元錯分情況, 減輕了“椒鹽現(xiàn)象”。無人機多光譜影像融合點云可以提高互花米草的提取精度, 利用點云可以很好的區(qū)分正常生長和倒伏兩種狀態(tài)的互花米草, 同時, 通過融合點云提取的互花米草范圍更加完整, 改善了分類結(jié)果破碎的現(xiàn)象。

2)在濕地場景中, 植被指數(shù)和NIR波段對植被和水體的提取具有很好的效果, 在所有的特征中, 對分類結(jié)果貢獻度排在前五的特征中有三種屬于光譜特征, 分別為近紅外均值、點云均值和最大差分均值, 表明光譜特征對分類的貢獻最大, 分類精度隨著特征數(shù)量的增加會先增加然后逐漸降低, 因此選擇合適的特征組合對分類結(jié)果精度的提高具有重要意義。

基于無人機的多源遙感監(jiān)測手段比傳統(tǒng)遙感監(jiān)測具有分辨率高、實時高效、信息豐富成本低等優(yōu)勢, 在濱海濕地的保護監(jiān)測擁有廣泛的應(yīng)用前景, 在后續(xù)的研究中可進一步考慮融合點云的其他信息或其他數(shù)據(jù)對提高分類結(jié)果的可行性。

[1] 中華人民共和國濕地保護法[J].浙江林業(yè)科技, 2022, 42(1): 75.

Wetland protection law of the people's Republic of China[N].Journal of Zhejiang Forestry Science and Technology, 2022, 42(1): 75.

[2] 杜培軍, 陳宇, 譚琨. 濕地景觀格局與生態(tài)安全遙感監(jiān)測分析—以江蘇濱海濕地為例[J]. 國土資源遙感, 2014, 26(1): 158-166.

DU Peijun, CHEN Yu, TAN Kun. Monitoring and analyzing wetland landscape pattern change and ecological secturity using remote sensing images-A case study of Jiangsu coastal wetland[J]. Remote Sensing for Land and Resources, 2014, 26(1): 158-166.

[3] 孫工棋, 張明祥, 雷光春. 黃河流域濕地水鳥多樣性保護對策[J]. 生物多樣性, 2020, 28(12): 1469-1482.

SUN Gongqi, ZHANG Mingxiang, LEI Guangchun. Wetland water bird biodiversity conservation strategies in the Yellow River basin[J]. Biodiversity Science, 2020, 28(12): 1469-1482.

[4] 李昱蓉, 武海濤, 張森, 等. 互花米草入侵和持續(xù)擴張下黃河三角洲濱海濕地潮溝的形態(tài)特征及其變化[J]. 濕地科學(xué), 2021, 19(1): 88-97.

Ll Yurong, WU Haitao, ZHANG Sen, et al. Morphological characteristics and changes of tidal creeks in coastal wetlands of the Yellow River Delta underinvasion and continuous expansion[J].Wetland Science, 2021, 19(1): 88-97.

[5] 姜少玉, 陳琳琳, 閆朗, 等. 互花米草入侵對黃河三角洲秋季底棲食物網(wǎng)的影響[J]. 應(yīng)用生態(tài)學(xué)報, 2021, 32(12): 4499-4507.

JIANG Shaoyu, CHEN Linlin, YAN Lang, et al. Impacts ofinvasion on the benthic food web in the Yellow River Delta during autumn[J]. Chinese Journal of Applied Ecology, 2021, 32(12): 4499-4507.

[6] OKOYE O K, LI H, GONG Z. Retraction of invasiveand its effect on the habitat loss of endangered migratory bird species and their decline in YNNR using remote sensing technology[J]. Ecology and Evolution, 2020, 10(24): 13810-13824.

[7] CHRITY N, WAILS, KALEB B, et al. Assessing changes to ecosystem structure and function following invasion byand phragmites australis: a meta- analysis[J]. Biological Invasions, 2021(23): 2695-2709.

[8] 朱婉雪, 孫志剛, 李彬彬, 等. 基于無人機遙感的濱海鹽堿地土壤空間異質(zhì)性分析與作物光譜指數(shù)響應(yīng)脅迫診斷[J]. 地球信息科學(xué)學(xué)報, 2021, 23(3): 536-549.

ZHU Wanxue, SUN Zhigang, LI Binbin, et al. Analysis of spatial heterogeneity for soil attributes and spectral indices-based diagnosis of coastal saline alkaline farmland stress using UAV remote sensing[J].Journal of Geo-information Science, 2021, 23(3): 536-549.

[9] 周在明, 楊燕明, 陳本清. 基于無人機影像的灘涂入侵種互花米草植被信息提取與覆蓋度研究[J]. 遙感技術(shù)與應(yīng)用, 2017, 32(4): 714-720.

ZHOU Zaiming, YANG Yanming, CHEN Benqing. Research on vegetation extraction and fractional vegetation cover ofusing UAV images[J]. Remote Sensing Technology and Application, 2017, 32(4): 714-720.

[10] 陳柯欣, 叢丕福, 曲麗梅, 等. 黃河三角洲互花米草、堿蓬種群變化及擴散模擬[J]. 北京師范大學(xué)學(xué)報(自然科學(xué)版), 2021, 57(1): 128-134.

CHEN Kexin, CONG Pifu, QU Limei, et al. Simulation of dynamic changes and diffusion of typical vegetation populations in coastal wetlands in the Yellow River Delta[J]. Journal of Beijing Normal University (Natural Science), 2021, 57(1): 128-134.

[11] 王娟, 劉紅玉, 李玉鳳, 等. 入侵種互花米草空間擴張模式識別與景觀變化模擬[J]. 生態(tài)學(xué)報, 2018, 38(15): 5413-5422.

WANG Juan, LIU Hongyu, LI Yufeng, et al. Recognition of spatial expansion patterns of invasiveand simulation of the resulting landscape changes[J]. Acta Ecologica Sinica, 2018, 38(15): 5413- 5422.

[12] 魏鵬飛, 徐新剛, 李中元, 等. 基于無人機多光譜影像的夏玉米葉片氮含量遙感估測[J]. 農(nóng)業(yè)工程學(xué)報, 2019, 35(8): 126-133.

WEI Pengfei, XU Xingang, LI Zhongyuan, et al. Remote sensing estimation of nitrogen content in summer maize leaves based on multispectral images of UAV[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(8): 126-133.

[13] 史舟, 梁宗正, 楊媛媛, 等. 農(nóng)業(yè)遙感研究現(xiàn)狀與展望[J]. 農(nóng)業(yè)機械學(xué)報, 2015, 46(2): 247-260. SHI Zhou, LIANG Zongzheng Z, YANG Yuanyuan, et al. Status and prospect of agricultural remote sensing[J]. Transactions of the Chinese Society of Agricultural Machinery, 2015, 46(2): 247-260.

[14] 李曉敏, 張杰, 馬毅, 等. 基于無人機高光譜的外來入侵種互花米草遙感監(jiān)測方法研究—以黃河三角洲為研究區(qū)[J]. 海洋科學(xué), 2017, 41(4): 98-107.

LI Xiaomin, ZHANG Jie, MA Yi, et al. Study on monitoring alien invasive speciesusing unmanned aerial vehicle hyperspectral remote sensing-a case study of the Yellow River Delta[J]. Marine Sciences, 2017, 41(4): 98-107.

[15] 周在明, 楊燕明, 陳本清. 基于可見光波段無人機影像的入侵物種互花米草提取研究[J]. 亞熱帶資源與環(huán)境學(xué)報, 2017, 12(2): 90-95.

ZHOU Zaiming, YANG Yanming, CHEN Benqing. Study on the extraction of exotic speciesfrom UAV visible images[J]. Journal of Subtropical Resources and Environment, 2017, 12(2): 90-95.

[16] 趙欣怡. 基于時序光學(xué)和雷達影像的中國海岸帶鹽沼植被分類研究[D]. 上海: 華東師范大學(xué), 2020.

ZHAO Xinyi. Classification of salt marsh vegetation in coastal zone of China based on temporal optics and radar images[D]. Shanghai: East China Normal University, 2020.

[17] 董迪, 曾紀勝, 魏征, 等. 聯(lián)合星載光學(xué)和SAR影像的漳江口紅樹林與互花米草遙感監(jiān)測[J]. 熱帶海洋學(xué)報, 2020, 39(2): 107-117.

DONG Di, ZENG Jisheng, WEI Zheng, et al. Integrating spaceborne optical and SAR imagery for monitoring mangroves andin Zhangjiang Estuary[J]. Journal of Tropical Oceanography, 2020, 39(2): 107-117.

[18] 姚春靜. 機載LiDAR點云數(shù)據(jù)與遙感影像配準的方法研究[D]. 武漢: 武漢大學(xué), 2010.

YAO Chunjing. Research on registration of LiDAR point data and remote sensing images[D]. Wuhan: Wuhan University, 2010.

[19] 周強鋒. 融合改進區(qū)域生長和圖割理論的SAR圖像分割[J]. 現(xiàn)代防御技術(shù), 2020, 48(4): 73-77.

ZHOU Qiangfeng. SAR image segmentation based on improved region growing and graph cut theory[J]. Modern Defence Technology, 2020, 48(4): 73-77.

[20] 殷瑞娟, 施潤和, 李鏡堯. 一種高分辨率遙感影像的最優(yōu)分割尺度自動選取方法[J]. 地球信息科學(xué)學(xué)報, 2013, 15(6): 902-910.

YIN Ruijuan, SHI Runhe, LI Jingyao. Automatic selection of optimal segmentation scale of high-resolution remote sensing images[J]. Journal of Geo-information Science, 2013, 15(6): 902-910.

[21] BAATZ M, SCHPE A. An optimization approach for high quality multi-scale image segmentation[C]//Angewandte Geographische Informations-verarbeitung XII. Beitrage Zum AGIT-symposium Salzburg, KarIsruhe, Herbert Wichmann Verlag, 2000: 12-23.

[22] 孫坤, 魯鐵定. 顧及多尺度分割參數(shù)的FNEA面向?qū)ο蠓诸怺J]. 測繪通報, 2018(3): 43-48.

SUN Kun, LU Tieding.Research on FNEA object-orien-ted classification based on multi-scale partition parameters[J].Bulletin of surveying and mapping, 2018(3): 43-48.

[23] 王慧賢, 靳惠佳, 王嬌龍, 等. k均值聚類引導(dǎo)的遙感影像多尺度分割優(yōu)化方法[J]. 測繪學(xué)報, 2015, 44(5): 526-532.

WANG Huixian, JIN Huijia, WANG Jiaolong, et al. Optimization approach for multi-scale segmentation of remotely sensed imagery under k-means clustering guidance[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(5): 526-532.

[24] 聶倩, 七珂珂, 趙艷福. 融入超像素分割的高分辨率影像面向?qū)ο蠓诸怺J]. 測繪通報, 2021(6): 44-49.

NIE Qian, QI Keke, ZHAO Yanfu. Object-oriented classification of high-resolution image combining super-pixel segmentation[J]. Bulletin of Surveying and Mapping, 2021(6): 44-49.

[25] 程遠國, 唐文杰, 滿欣. 基于剪枝加權(quán)k-NN算法的雷達電磁行為識別[J]. 海軍工程大學(xué)學(xué)報, 2020, 32(3): 7-11.

CHENG Yuanguo, TANG Wenjie, MAN Xin. Radar electromagnetic behavior recognition based on Radar electromagnetic behavior recognition based on edited and weighted k-NN algorithm[J]. Journal of Naval University of Engineering, 2020, 32(3): 7-11.

Extraction method ofin the Yellow River Delta based on point cloud and image fusion

CAO Yu-chao1, 2, WANG Jian1, SHAO Wei-zhen3, SUN Wen-xiao4, ZENG Jing-jing5

(1. College of Geodesy and Geomatics, Shandong University of Science and Technology, Qingdao 266590, China; 2.Ningbo Alatu Digital Science and Technology Co., Ltd, Ningbo 315042, China; 3. Shandong Xinhui Construction Group Limited Company, Dongying 257091, China; 4.College of Surveying and Geo-Informatics, Shandong Jianzhu University, Jinan 250101, China; 5.Qingdao Institute of Geotechnical Investigation and Surveying Research, Qingdao 266032, China)

Considering the limitations of satellite remote sensing technology for monitoringin coastal wetlands, which are affected by factors such as resolution and climate conditions, and the unstable extraction accuracy offrom single-image data, an object-oriented extraction method ofwas proposed based on unmanned aerial vehiclepoint cloud and image fusion. The point cloud and multispectral images of the Yellow River Delta Nature Reserve were used as the research subjects. First, the extracted vegetation point cloud after ground filtering was combined with the multispectral image for feature optimization. Then, the fused image was segmented by the fractal net evolution approach algorithm. Finally, object-oriented classification was performed based on an improved nearest neighbor algorithm. The producer and user accuracies ofreached 82.53% and 86.43%, respectively, representing improvements of 22.34% and 7.66% compared to results without point cloud fusion. The overall accuracy of the classification results increased from 89.54% to 92.61%. Therefore, image and point cloud fusion can effectively distinguish between the two growth states of. This work demonstrates that the proposed method can effectively improve the extraction accuracy of.

Yellow River Delta; Spartina alterniflora; UAV; data fusion; object-oriented classification

Jan. 14, 2022

TP79

A

1000-3096(2023)5-0131-08

10.11759/hykx20220114001

2022-01-14;

2022-03-09

山東省重大科技創(chuàng)新工程項目(2019JZZY020103)

[Major Scientific and Technological Innovation Projects of Shandong Province, No. 2019JZZY020103]

曹裕超(1997—), 男, 漢族, 江蘇蘇州人, 碩士研究生, 主要從事多源空間數(shù)據(jù)集成與應(yīng)用的研究, E-mail: 1004911295@qq.com; 王健(1974—),通信作者, 女, 漢族, 山東沂水人, 副教授, 主要從事現(xiàn)代測量數(shù)據(jù)處理理論和LiDAR技術(shù)的研究, E-mail: wangj@sdust. edu.cn

(本文編輯: 楊 悅)