鲁　恒　付　萧　李龙国　刘　超　白茹月　李乃稳

(1.四川大学水力学与山区河流开发保护国家重点实验室, 成都 610065； 2.四川大学水利水电学院, 成都 610065；3.西南交通大学地球科学与环境工程学院, 成都 611756； 4.汉诺威莱布尼茨大学摄影测量与地理信息研究所, 汉诺威 30167；5.中地六合科工贸有限公司, 成都 610042)



最优分割尺度支持下高分遥感影像水土资源信息分类

鲁恒1,2付萧3,4李龙国1,2刘超1,2白茹月5李乃稳1,2

(1.四川大学水力学与山区河流开发保护国家重点实验室, 成都 610065； 2.四川大学水利水电学院, 成都 610065；3.西南交通大学地球科学与环境工程学院, 成都 611756； 4.汉诺威莱布尼茨大学摄影测量与地理信息研究所, 汉诺威 30167；5.中地六合科工贸有限公司, 成都 610042)

为提升水土资源信息分类精度，以无人机航拍获取的高分辨率影像为实验对象，提出了最优分割尺度和决策树支持下的对象级影像分类方法。首先，根据影像内部的同质性和异质性，建立了分割质量函数，通过该函数获取了最优分割尺度；然后，提出了基于光谱信息和面积信息的最优分割尺度评价模型对分割结果进行评价；最后，引入决策树规则机制，完成了水土资源信息分类，并与最大似然法分类结果进行对比。研究结果表明：所建立的分割质量函数能准确获取最优分割尺度，有效避免了人工分割带来的主观性，所提方法分类总体精度为86.78%，最大似然分类方法总体精度为77.59%，在分类精度上有较大提升。

高分辨率遥感影像； 最优分割尺度； 决策树； 水土资源信息； 分类

引言

在当今精准农业技术高速发展的时代，快速、准确地获取区域地表水土资源分布信息已经成为农业信息化领域研究的重点问题。对高分辨率遥感影像和地理空间信息的需求量越来越大，对其现势性、实时性及准确性要求也越来越高[1-4]。目前，采集地表水土资源信息的技术手段主要分为两类：一类是地面测量方式，如全站仪大比例尺数字测图技术等；另一类是空间对地观测方式，如卫星遥感观测、航空遥感等技术等[5-6]。

通过各种对地观测传感器获取的影像种类越来越多，分辨率也越来越高。传统的影像分类技术(人工目视解译、面向像元分类)已难以适应高分辨率影像，对象级影像分类技术应运而生[7]。对象级影像分类技术所面临的首要问题是影像分割，分割质量的好坏直接决定了最终分类的精度，因此，针对高分辨影像如何获取最优的分割尺度已成为对象级影像分类技术的关键。决策树分类方法具有结构清晰、易于理解、实现简单、运行速度快、准确性高等特点，且不需要假设先验概率分布，非参数化的特点使其具有更好的灵活性和鲁棒性[8]。基于此，本文选取无人机航拍获取的高分辨影像作为实验对象，提出一种最优分割尺度和决策树支持下的高空间分辨率影像水土资源信息对象级分类方法。

1　研究区概况及工作流程

应成都平原地震灾区重建后水土资源信息快速调研的需求，研究区设于彭州市北部葛仙山镇熙玉村，该区域地势起伏较大、受地震影响水土资源利用类型复杂度高。由于彭州市地处成都平原与龙门山过渡地带，因此地质构造较为复杂，整个地势为西北高东南低，最高海拔高度1 320 m，最低海拔高度623 m。研究区地理位置如图1所示。

图1　研究区位置Fig.1　Location of study area

由于无人机飞行姿态不稳定，搭载的相机为非量测型数码相机，拍摄的影像存在较严重的镜头畸变，且由于飞行过程中曝光时间不同会导致影像色彩存在色差，因此需要首先对获取的无人机影像进行畸变差校正、影像匀色和正射校正[9-10]。然后根据影像内部的同质性和异质性，建立分割质量函数，求取最优分割尺度，进而提出了基于光谱信息和面积信息的最优分割尺度评价模型对分割结果进行评价，最后引入决策树规则完成水土资源信息分类，并与最大似然法分类结果进行对比，对分类结果进行定量评价。主要工作流程如图2所示。

图2　无人机影像水土资源信息分类流程图Fig.2　Flow chart of soil and water resources information classification from UAV image

2　实验数据与方法

2.1数据获取与预处理

实验预设无人机飞行的相对航高为650 m，预设航向重叠度75%，旁向重叠度45%，飞行范围覆盖20 km2，飞机所装载的相机镜头焦距为24 mm，获取的无人机影像地面分辨率达到0.2 m，通过预设的飞行航线获取的原始无人机影像如图3a所示。

图3　原始影像和预处理后影像Fig.3　Original image and image after preprocessing

首先根据相机的畸变参数对影像进行畸变差校正，然后采用掩膜方法对影像进行匀色、匀光处理，通过飞行控制系统记录的飞机姿态参数数据，对影像进行初步排序定位后进行相邻像对同名点匹配。最后，根据共线方程条件进行区域网平差。区域网平差完成后，加入地面控制点坐标信息，完成绝对定向，进而获取校正后的正射影像，经过预处理后的无人机影像如图3b所示。

2.2分割质量函数建立

高分辨遥感影像分割过程中，同质性和异质性是两个最重要的评判指标。因为同质性和异质性是影像完成分割后评判分割质量好坏的关键，根据内部同质性越高、异质性越低，外部异质性越高、同质性越低的原则可判断分割结果好坏[7]。为简化，本文选用标准差来表示同质性，即

(1)

式中vi——对象i的标准差

ai——对象i的面积

n——分割后对象总数

v——同质性程度

v越小，说明异质性越小，即同质性越好。

异质性是对象之间光谱属性特征和形状属性特征的差异性程度，即

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

(2)

式中f——异质性程度w——权重

hc、hsh——对象合并后的光谱异质性系数和形状异质性系数

标准差的取值由目标大小来制衡，即

(3)

式中c——影像层数wc——影像层c权重

nm——合并后像元数

no1、no2——合并前对象1、2像元数

形状异质性系数hsh是紧凑度hcm和平滑度hsm的综合，即

hsh=wlhcm+(1-wl)hsm

(4)

其中

(5)

(6)

式中wl——紧凑度权重因子，取0～1之间

lm——合并后边界周长

bm——合并后外接矩形周长

依据以上定义，对比计算合并前及合并后结果的不同，再评价由合并引发其异质性的改变，最终确定是否需要对象继续生长或者建立新对象。

为了取得较好的分割结果，就需要使对象内部同质性高，外部异质性高。因此建立分割质量函数，定义为

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

(7)

其中

(8)

(9)

式中W(v)——影像对象内部同质性函数

vmax、vmin——最大、最小同质性程度

W(f)——影像对象之间异质性函数

fmax、fmin——最大、最小异质性程度

m——指数v在函数中所占权重

m的取值范围为[0,1]，可依据强调同质性及异质性的侧重点不同做相应的调整。

根据以上函数关系，构建以分割尺度x为自变量的分割函数，然后计算出最优分割尺度，计算式为

Tn(x)=t0+t1x+t2x2+…+tnxn

(10)

其中

Tn(xi)=W(vxi,fxi)

式中Tn(x)——分割尺度x的质量函数

通过对影像完成n+1次预分割实验，根据式(1)～(9)求出n+1个W(v,f)的值，并且求出系数t0、t1、…、tn的值，获得分割质量函数。当Tn(x)取到最大值时所对应的x就是最优分割尺度。

2.3分割结果评价

通常情况下，现行的影像分割结果评价主要是通过目视定性判别，这难免会有较强的主观性和较大误差。即使有部分学者提出了部分评价分割结果的方法，也是仅考虑了矢量距离[11]、面积匹配度[12]等。基于此，综合考虑影响分割结果最重要的两个因素：光谱和面积，提出一种顾及光谱信息和面积信息的最优分割尺度评价模型(Segmentation matching index, SMI)，即

(11)

式中Alsi——最大分割对象面积

Aroi——实际地面物体面积

Gsi——最大分割对象灰度均值

Gri——参考实际地物的灰度均值

图5　决策树分类规则Fig.5　Decision tree classification rules

如图4所示，对于实际地面物体A，分割对象A1、A2、A3均为A的一部分，但A1面积最大，所以A1为最大分割对象。

图4　实际地物与分割对象关系Fig.4　Relationship between actual objects and segmentation objects

对于所有参与评价的对象，取其均方根误差，MSMI代表对象匹配指数。当分割对象与实际地面物体差异最小，即MSMI取得最小值时，对应的分割尺度最优。MSMI计算式为

(12)

2.4决策树对象级分类和最大似然法分类

决策树是一种树型结构，其中每个内部结点表示在一个属性上测试，每个分支代表一个测试输出，每个叶结点代表一种类别[13]。决策树能够处理的数据集对象不仅包含光谱信息，还可以是纹理信息、空间特征等。

最大似然法是遥感影像分类的经典算法。通过对感兴趣区域的统计和计算，得到各个类别的均值和方差，从而确定一个分类函数，然后将待分类影像中的每一个像元代入各个类别的分类函数，将函数返回值最大的类别作为被扫描像元的归属类别，从而达到分类的效果[14]。主要步骤如下：

(1)确定需要分类的地区和使用的波段和特征分类数，检查所用各波段或特征分量是否相互已经位置配准。

(2)根据已掌握的典型区域的特征情况，在影像上选择训练区。

(3)计算参数，根据选出的各类训练区的影像数据计算和确定先验概率。

(4)将训练区以外的影像像元逐个逐类代入公式，根据每个像元分类数安排计算次数，最后比较大小，选择最大值得出类别。

(5)产生分类图，精度检验。

3　结果与分析

3.1水土资源信息分类结果

根据2.2节所述原理，首先进行预分割实验，将分割结果过于“破碎”或者“淹没”的尺度排除，因此定义分割尺度在[50，105]内，在此范围内以5为步长逐级增加，求解每个分割尺度所获得的Tn(x)。当Tn(x)取得最大值时所对应的x就是最优尺度。通过计算知，当尺度为80时Tn(x)取得最大值，即80为最优尺度。不同分割尺度下计算出的Tn(x)如图6a所示，最优尺度分割结果如图6b所示。

根据2.3节建立的分割结果评价模型，随机选择了50个实际地物数据作为样本参考数据，参考数据主要选择了边界明显的建设用地、道路和水体。通过计算可知，由分割质量函数计算出的最优分割尺度80对应的MSMI值为2.878，如图7所示，是不同分割尺度下MSMI取得的最小值，这与通过分割质量函数计算出的最优尺度吻合，验证了最优分割尺度计算方法的可靠性。

图6　最优尺度分割结果Fig.6　Segmentation result based on optimal scale

完成影像分割后即可根据2.4节建立的决策树分类规则进行水土资源信息分类，结果如图8a所示，最大似然法分类结果如图8b所示。

3.2分类精度评价

通常遥感影像完成分类后精度评价有两种方式，一种是定性评价，即通过人眼手工判断地物边界的吻合程度；一种是定量评价，该方式是选取可靠的数据作为参考样本，通过计算正确与错误分类比例，即总体精度、生产精度、用户精度和Kappa系数进行评价[15]。在参考样本选取上，由于无人机影像空间分辨率很高，部分地物可直接通过人工目视解译获取，因此实验过程中的参考样本采用了实地调研和人工目视解译相结合的方式。共随机选取了实地调研和人工目视解译获取的174个参考样本点，通过将样本点与分类结果进行叠加的方式来判断分类结果的正确或错误。通过统计计算可知，采用本文方法进行水土资源信息分类的总体精度为86.78%，Kappa系数为0.82；采用最大似然方法进行水土资源信息分类的总体精度为77.59%，Kappa系数为0.74，具体结果如表1和表2所示。实验发现本文方法分类精度明显优于最大似然分类方法。

图8　2种方法分类结果Fig.8　Classification results of two methods

样本林地有作物耕地无作物耕地道路建筑用地裸地水体林地28400000有作物耕地23400000无作物耕地02180030道路00016310建筑用地10023620裸地00300130水体0000006生产精度/%90.3285.0085.7188.8992.3168.42100用户精度/%87.5094.4478.2680.0087.8081.25100

表2　最大似然法精度检验矩阵Tab.2　Precision test matrix of maximum likelihood classification method

4　结束语

研究了一种基于最优分割尺度和决策树的无人机高分辨遥感影像水土资源信息分类方法。建立分割质量函数获取最优分割尺度，提出了验证最优分割结果的分割尺度评价模型。将分类结果与经典的最大似然分类方法进行比较，本文所提方法精度有较显著提升。下一步需要重点解决的问题是在进行分割结果评价时，如何自动判断最大分割对象。本文研究对于高分辨遥感影像农业应用有较大的潜力，为农业信息化中的水土资源信息快速获取提供了新思路。

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,杨媛媛,等.农业遥感研究现状与展望[J]. 农业机械学报,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赵春江.农业遥感研究与应用进展[J].农业机械学报,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,童庆禧,李荣兴,等.高分辨率对地观测的若干前沿科学问题[J]. 中国科学:地球科学,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,骆剑承.高分辨率卫星遥感影像地学计算[M]. 北京:科学出版社,2009.

8刘晓娜,封志明,姜鲁光.基于决策树分类的橡胶林地遥感识别[J].农业工程学报,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,刘佳,杨玲波,等.基于无人机影像的农情遥感监测应用[J]. 农业工程学报,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鲁恒,李龙国,贺一楠,等.考虑地形特征的无人机影像分区域加权平差拼接方法[J]. 农业机械学报, 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于欢,张树清,孔博,等.面向对象遥感影像分类的最优分割尺度选择研究[J]. 中国图象图形学报,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刘勇洪,牛铮,王长耀. 基于MODIS数据的决策树分类方法研究与应用[J]. 遥感学报, 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骆剑承,王钦敏,马江洪,等.遥感图像最大似然分类方法的EM改进算法[J]. 测绘学报,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

国家自然科学基金青年基金项目(51209153、41301021)、数字制图与国土信息应用工程国家测绘地理信息局重点实验室开放基金项目(DM2014SC02)和国土资源部地学空间信息技术重点实验室开放基金项目(KLGSIT2015-04)

鲁恒(1984—)，男，讲师，博士，主要从事3S技术在农业信息化中的应用研究，E-mail: luheng@scu.edu.cn

李龙国(1970—)，男，副教授，主要从事农业水土工程研究，E-mail: cwrh_awr@scu.edu.cn

P231.5； TP75

A

1000-1298(2016)09-0327-07