利用無人機和面向對象技術快速提取田坎面積

楊云輝趙魯全李新舉侯 樂

1山東農業大學資源與環境學院，山東 泰安，271018

2山東省土地調查規劃院，山東 濟南，250014

田坎是土地整治的重點對象［1］，統計田坎面積是土地整治工作的重要環節。目前，對田坎的統計方法主要有：實測法和系數扣除法［2］。實測法工作量大，測繪周期長，消耗成本高；系數扣除法準確度低，可靠性差。因此，需要尋找一種準確、快速、低成本的提取田坎面積的方法。

近年來，高空間分辨率遙感影像的快速發展為較精細的影像分類提供了條件［3］。劉常娟等［4］運用高分辨率衛星遙感影像，提出一種獲取田坎面積的方法。由于當時技術條件的限制，數據源選擇了2.5 m分辨率的SPOT-5衛星影像數據，從結果可以看出，田坎面積的精確度與影像的分辨率有直接的關系。而近幾年飛速發展的無人機遙感技術，在具有更高的分辨率、更細致的光譜、幾何、紋理等特征參量［5］的同時，還具備衛星遙感所不具備的響應快、周期短、易操作、成本低等特點［6］，且已經在耕地作物信息提?。?］等多方面取得了飛躍式的發展。但在已有研究中，航拍影像以高光譜和多光譜影像為主，拍攝成本高昂，嚴重限制了無人機遙感技術的快速發展［8］。

僅含有可見光波段的無人機影像獲取簡便、成本低廉，實際使用也更為廣泛［9］。汪小欽等［10］通過對無人機可見光波段進行段運算，獲得了一種快速提取植被信息的方法，提取精度高達90%。因此，本文以僅含可見光波段的高分辨率無人機遙感影像作為數據源，探索一種準確、高效提取田坎面積的新方法。

1 數據獲取與處理方法

1.1 研究區數據獲取

研究區域位于山東省泰安市新泰禹村鎮西南部，占地826.02 hm2。影像獲取時間為2017年9月22日，使用瑞士進口的eBee plus航拍測繪無人機，飛行高度340 m，搭載Canon IXUS 220 HS相機，1 600萬像素，航攝比例尺選定為1∶40 000，獲取研究區航片后利用Pix4d mapper數據處理軟件進行校正、拼接處理，得到研究區的正射影像，影像包含了紅、綠、藍3個波段，此時影像的地面分辨率為0.48 m，如圖1所示。

圖1 研究區數字正射影像Fig.1 Digital Orthophoto Map of the Research Area

1.2 數據的處理方法

在獲得研究區的航空影像后，對航空影像進行人工分幅處理，區分對待田坎、石堰。在分幅后，采用波段運算構建新型指數，增強石堰地物信息，提升分類精度。

1.2.1根據坡度和剖面曲率進行影像分幅

本文選擇坡度和剖面曲率作為對整幅影像的劃分依據。原因有兩點：①田坎系數和坡度之間存在關聯；②研究區地處平原地區，最大坡度為15°，土質田坎系數與坡度之間的關系并不顯著，所以引入剖面曲率作為一個新的劃分標準。剖面曲率指的是地面上任意一點地表坡度的變化率，表示坡度的變化程度［11］。

最終將影像根據《農村土地調查規程》分類方法分為6幅，如圖2所示。經觀察發現，按此劃分后，剖面曲率和坡度越高的影像土坎分布越為密集，與石堰關系不明顯。

圖2 不同剖面曲率、坡度下土坎分布圖Fig.2 Different Profile Curvature，the Slope of the Ridge Profile

1.2.2新型可見光波段指數的構建

影像分幅后，因石堰易被漏分，需要增強石堰的地物信息。如表1所示，對比耕地、石堰的像元值，用ρ1、ρ2分別代表耕地、石堰在可見光波段上的像元值，用e代表耕地、石堰在可見光波段上像元值的相對差異，計算方式如式（1）所示：

表1 典型地物在藍、綠、紅波段的像元值平均值差異表Tab.1 Difference Pixels Value in Blue，Green，Red Band of Typical Land Cover Table

結果表明，耕地、石堰在藍光波段上的相對差異最大，紅光、綠光波段相對差異較小。參考目前存在的可見光波段指數構建后發現，基于過綠指數EXG（excess green）［12］改進后的指數可以更好的增強石堰與耕地的區分度，如圖3所示，以EXB（excess blue）表示，計算方式如式（2）、式（3）所示：

圖3 原影像與EXB指數結果對比圖Fig.3 Comparison of Original Image and EXB Index Results

式中，ρred、ρgreen、ρblue分別代表紅、綠、藍3色波段的像元值。

2 面向對象的影像分割合并和分類方法

面向對象的分類方法在高地面分辨率的影像分類中有著廣泛應用［13，14］，因此將無人機影像和面向對象分類方法結合，可以極大提高影像分類精度。

2.1 面向對象的影像分割合并

依據坡度和剖面曲率劃分成6幅圖后，由于每幅圖的數據量仍然很大，為了便于說明，選取影像中包含豐富土坎信息或石堰信息，且具有代表性的10幅影像。

在分割合并過程中，如何確定最優尺度，人工目視判別是目前最好的選擇，具體參數如表2所示。

經觀察發現，剖面曲率和坡度越高的影像，參數設置的越低，才能更好地提取田坎的邊界信息，土坎的分割合并參數隨剖面曲率和坡度的變化趨勢明顯，石堰則符合此變化趨勢。

2.2 基于規則的特征提取

分割合并后的對象由同質像元組成［15］。在提取對象為土坎時，以紅波段光譜值和空間特征中的Area、Minor Length作為主要劃分依據，具體的規則選擇如表2所示。

表2 影像分割及規則構建表Tab.2 Image Segmentation and Rule Construction Table

3 提取結果及精度評價

3.1 提取結果

確定分類規則輸出影像后，應對分類圖進行過濾和平滑處理，過濾處理解決分類結果中出現的孤島問題，平滑處理使分類結果更符合實際地物情況。具體分類結果如圖4所示。

圖4 田坎分類結果圖Fig.4 Field Ridge Classification Result

3.2 精度評價

在對精度的評價中，將基于規則的面向對象提取田坎的結果作為預測面積，目視解譯提取田坎的結果作為實測面積。具體精度評價公式如式（4）所示。

式中，S1為基于規則的面向對象提取的田坎面積；S2為目視解譯提取田坎的面積；e為面積的相對誤差。結果如表3所示。

表3 田坎面積一致性精度評價表Tab.3 Field Ridge Area Consistency Accuracy Evaluation Table

由表2分析可知，將無人機影像和基于規則的面向對象分類方法應用在土坎、石堰的提取上，精度是可以保證的。10個樣本區域中，8個樣本的相對誤差在10%以下。分析不同分割區域的相對誤差可知，土坎的精確度與區域選擇有密切聯系，在低剖面曲率條件下，坡度2°～6°的區域范圍大，土坎、耕地相似度高，分界線模糊，地物特征基本趨于一致，判別難度較大，相對誤差高；0°～2°區域范圍雖大，但土坎與耕地分界線明顯，相對易于區分；6°以上的區域范圍小，地形以平緩山坡為主，且土坎、耕地差別明顯，區分度高。在高剖面曲率條件下，0°～2°區域范圍雖小，但實測面積偏小，相對誤差高；2°～6°區域由于剖面曲率的變化，土坎、耕地分界線明顯，區分度變高；6°以上區域以陡峭山地為主，地形參差不齊，耕地呈碎塊狀分布，使田坎區分難度變大。石堰在進行圖像增強處理后與耕地區分明顯，相對誤差較低，在剖面曲率高，坡度為2°～6°區域中，由于石堰較多，分布密集，規律性下降，造成相對誤差變高，其他區域石堰預測面積與實測面積較為接近，相對誤差普遍較低。

4 討論與分析

在研究中可以看出，成本低、適用性強的可見光相機獲取的航空影像雖然只有紅綠藍3個波段的光譜信息，但田坎在高空間分辨率影像上仍與其他地物有著明顯的區別。通過對整幅影像田坎的特征劃分、對石堰光譜信息的重新構建，結合基于規則的面向對象提取方法，從光譜和空間特征上對田坎信息進行規則構建，進而提取田坎面積的方法，可以逐步代替實測法和系數扣除法對田坎面積的提取方式，解決了傳統方法工作量大、提取精確度低，難以快速獲取田坎面積的不足，對于準確把握土地整治區田坎整治情況與耕地實際面積具有重要的現實意義。

在研究中發現，基于可見光波段的無人機遙感和面向對象的提取方法也存在一定的局限性：

1）無人機遙感所獲得的影像地面分辨率相較于其他遙感方式更高，這雖然對田坎的精細分類提供了可靠的條件，但地面分辨率越高并不意味著分類結果越精確，Bruzzone等［16］就曾指出，過高的地面分辨率會導致類內方差變大，類間方差變小。在實驗中發現，通過降低分辨率的方式對高分辨率影像進行處理，可以有效地增強地物邊界的識別，但由于本文目的是提取田坎的面積，降低分辨率的濾波處理方式會改變田坎邊界，對田坎的面積精度造成影響，所以未進行深入研究。但能否通過其他方式，消除降低分辨率后對提取地物面積造成的影響，仍有待研究。

2）影像基于坡度和剖面曲率進行分幅，對剖面曲率高低的劃定，在于盡可能地將影像分為面積相同的兩部分，分幅后，分割合并參數的設定，隨坡度和剖面曲率的升高而下降，坡度和剖面曲率的劃定可以作為一個分割合并參數設定的標準，但二者之間是否有更明顯的關系，剖面曲率和坡度之間是否有更好的結合方式，仍需要大量實驗數據作為研究依據。

3）在提取田坎面積時，土坎面積的精度要略低于石堰面積的精度，這證明了對石堰光譜信息進行重新構建是可行的，而對土坎地物信息的增強、構建將會是下一步研究的重點。

4）分類完成后，對整個影像進行精度評價，與目視解譯實測面積對比時總體精度高，但不能排除個別地物面積偏大，又存在某些漏分現象，一加一減反而影響了總體精度的驗證。而混淆矩陣的精度評價方法，適合評價多個類別的分類結果，且人為影響因素大。最精確的驗證方法是實測法，驗證每一條土坎、石堰的具體面積，再與分類結果作對比，進行評價。但在缺乏實測條件下，用目視解譯的分類結果進行精度評價仍是最可靠的方法。

5 結束語

本文以僅含可見光波段的高分辨率無人機遙感影像作為數據源，運用面向對象的分類方法提取田坎面積，經過相關研究與討論，結論如下：

1）石堰作為田坎的重要組成部分，通過比較與耕地在可見光三波段上的反射率特征后發現，石堰與耕地相對差異率在藍波段上最高，基于EXG指數改進后的EXB指數，可以增強石堰與耕地的區分，實現石堰的精確提取。

2）土坎作為田坎的重要組成部分，與坡度、剖面曲率存在分布關系，坡度和剖面曲率越高，土坎分布越密集，影像上需要分割的越細致，可以作為判定分割合并參數設置的一個標準。

3）以目視解譯提取田坎的面積作為實測值，通過對比基于規則的面向對象分類方法提取的田坎面積，確定基于規則的面向對象分類方法可以有效地提取田坎，精確度高。