基于無人機影像城市建筑物的分類制圖與統計

陳梁 余學祥 蒲濤 湯連盟

DOI：10.19850/j.cnki.2096-4706.2024.02.030

收稿日期：2023-06-02

基金項目：2021年度安徽省科技重大科技專項（202103a05020026）

摘? 要：建筑物是人類生活的主要場所，對其進行分類與統計可以為城市規劃、資源管理、災害風險評估和環境監測等要事提供所需的基礎數據和信息，從而支持正確決策的制定和城市的可持續發展。為解決遙感影像中各建筑物之間間距小的問題，基于機器學習中隨機森林算法并結合多尺度分割進行安慶市區無人機影像建筑物的分類制圖與統計，結果表明該方法的分類精度為0.873 4，Kappa系數為0.762 7，并通過目視解譯法進行對比分析，得出該方法在建筑物分類上具有可行性。

關鍵詞：建筑物；無人機影像；分類；遙感應用

中圖分類號：P237；TP391? 文獻標識碼：A? ? 文章編號：2096-4706（2024）02-0141-04

Classification Mapping and Statistics Based on UAV Image Urban Buildings

CHEN Liang1，2，3， YU Xuexiang1，2，3， PU Tao1，2，3， TANG Lianmeng1，2，3

（1.School of Space Information and Surveying Engineering， Anhui University of Science and Technology， Huainan? 232001， China; 2.Key Laboratory of Aviation-aerospace-ground Cooperative Monitoring and Early Warning of Coal Mining-induced Disasters of Anhui Higher Education Institutes， Anhui University of Science and Technology， Huainan? 232001， China;

3.Coal Industry Engineering Research Center of Mining Area Environmental and Disaster Cooperative Monitoring， Anhui University of Science and Technology， Huainan? 232001， China）

Abstract： Buildings are the main places of human life， and classification and statistics of them can provide the necessary basic data and information for urban planning， resource management， disaster risk assessment， environmental monitoring， and other important matter， thereby supporting the formulation of correct decisions and the sustainable development of cities. To solve the problem of small spacing between buildings in remote sensing images， a classification mapping and statistics of UAV image buildings in Anqing urban area are carried out based on the random forest algorithm in machine learning and multi-scale segmentation. The results show that the classification accuracy of this method is 0.873 4， and the Kappa coefficient is 0.762 7. Through comparative analysis using visual interpretation， it is found that this method is feasible for building classification.

Keywords： building; UAV image; classification; remote sensing application

0? 引? 言

傳統建筑物的分類制圖和統計主要依賴于衛星遙感影像。然而，由于衛星遙感影像技術存在空間分辨率低以及數據獲取成本高的問題，在精細化建筑物信息呈現和更新頻率方面存在一定的局限性。近年來，隨著無人機遙感技術的快速發展，高分辨率影像數據的獲取和處理變得更加容易?；跓o人機遙感高分辨率影像建筑物的分類制圖與統計成為一個備受關注的研究熱點，可以幫助我們更好地理解和管理城市的建筑環境，為城市規劃、土地管理和災害響應等要事提供有力支撐。

劉賈賈等[1]采用多分割圖層及多尺度分割技術，通過特征庫閾值分類與樣本最鄰近分類相結合的方法對遙感影像建筑物進行信息提取及分類，但適用范圍有限；翟瑋等[2]使用一景極化SAR影像，利用經典的H/α/A-Wishart極化分類方法對實驗數據進行提取分類，出現嚴重的錯分現象導致分類精度不高；李方方等[3]利用面向對象的方法結合除像元光譜信息以外的形狀、紋理和位置關系等多種信息對建筑物進行分類，因未考慮地面塌陷和地表沉降引起的建筑物塌方問題，使用起來具有一定的局限性；張瑩等[4]提出一種基于特征提取的SVM方法，對無人機遙感影像進行了建筑物震害識別與分類，由于特征維數較大導致圖像識別錯誤率較高；王志盼等[5]提出一種基于一類樣本即無須負樣本參與的方法來檢測單分類建筑物變化，存在地物形狀與建筑物類似而造成的分類不準確問題；于書媛等[6]基于CART決策樹的面向對象分類對研究區的建筑物進行分類提取，但無法對建筑物類型進行細化區分。

為了解決遙感影像中各建筑物之間間距小的問題，基于安慶市區無人機遙感影像，利用多尺度分割結合隨機森林算法對建筑物進行分類，分類精度為0.873 4，Kappa系數為0.762 7，并通過目視解譯法進行對比分析，實現了對建筑物的自動識別、分類和統計。

1? 基本理論與方法

1.1? 多尺度分割

多尺度分割是一種圖像分割方法，旨在按照不同尺度分析圖像以獲得更加準確的分割結果，利用多個尺度的信息來捕捉圖像中不同區域的細節和結構特征。多尺度分割首先構建尺度空間以生成圖像的不同尺度表示，此過程可通過應用高斯金字塔或拉普拉斯金字塔等技術實現；接著按照不同尺度從圖像或尺度空間中提取特征，例如顏色、紋理和形狀等；再使用合適的分割算法對每個尺度上的特征進行處理，獲得初步的分割結果；最后將從不同尺度上得到的分割結果進行融合（可以采用像素級別的加權融合或基于區域的分割結果融合等方法）得到最終的分割結果。多尺度分割方法能夠克服單尺度分割的局限性，提高分割的準確性和魯棒性，廣泛應用于圖像處理等領域[7-9]。

1.2? 隨機森林

隨機森林分類法是一種基于決策樹的集成學習方法，用于分類任務。通過構建多個決策樹并集成它們的預測結果來進行分類。每個決策樹都是獨立構建的，且在構建過程中引入了隨機性，使得每兩棵樹之間都有差異性。隨機森林分類法是從原始數據集中隨機選擇一部分樣本（有放回抽樣），構成每棵決策樹的訓練集，對于每棵決策樹的節點，在特征的隨機子集中選擇最佳分割點，使得劃分后的子節點純度最大化，無限遞歸地重復這個過程，直至達到預定的停止條件，從而使最大樹深度或節點樣本數小于某個閾值。隨機森林的預測過程是通過將所有決策樹的預測結果進行投票或取平均來獲得最終的分類結果。對于分類問題，通常采用多數投票策略，即選取得票最多的類別作為最終的預測結果[10-12]。

2? 實驗與結果分析

2.1? 研究區概況

安慶市位于安徽省西南部，長江下游北岸，四面環山，人口眾多，建筑物種類繁多。以安慶市部分區域為研究區，實地調查結果顯示，高層建筑物、多層建筑物、低層建筑物、正在施工的建筑物、棚房、綠化帶和馬路彼此相交，地理環境復雜，傳統的人工調查對建筑物分類不僅效率低且耗資高。

2.2? 實驗數據及分析

本文選取安慶市部分區域的無人機遙感影像，如圖1所示，空間分辨率為0.1 m，通過易康軟件采用多尺度分割算法分割影像，在多尺度影像分割中，利用多個尺度的信息對圖像進行分析，根據特征、顏色和紋理等信息能夠捕捉到圖像中不同區域的細節和結構特征，分割結果能更好地滿足實際應用需求。如圖2所示，根據實地調查及目視解譯將影像分割結果分為六類：高層建筑物、多層建筑物、低層建筑物、正在施工的建筑物、棚房以及其他地物。

1）高層建筑物。建筑高度大于27 m的住宅建筑和建筑高度大于24 m的非單層廠房、倉庫和其他民用建筑，種類多樣，彼此間距較大，設有豐富多彩的綠化帶。

2）多層建筑物。建筑高度大于10 m，小于24 m，且建筑層數大于3層，小于7層，大多數為民用住宅，小部分是商業用地或小型寫字樓，外觀單一，周圍有少量綠化植物及人行道。

3）低層建筑物。建筑高度小于等于10 m，且建筑層數小于等于3層的建筑，一般為平房、別墅等，周圍有小巷。

4）正在施工的建筑物。各建筑高度有所不同，可見基本框架和施工網，周圍有吊塔和大片空地并被圍欄圍住。

5）棚房。自建房屋的一種，多數由藍色或紅色彩鋼瓦構建而成，具有可移動性，用來放置居民的電動車或其他物品，起到擋風避雨、防曬遮陽的作用。

6）其他地物。是指建筑物旁邊的綠化帶、游樂園、健身器材、馬路及停車場等居民生活必需場所。

2.3? 實驗過程

本文利用易康軟件對樣本進行分割、分類和訓練。首先對加載的影像進行多尺度分割，多尺度分割可避免“同物異譜”“同譜異物”現象與“椒鹽效應”，以此提高分類精度。由于不同種類的地物混合在一起，分割尺度過大容易割裂地物，分割尺度過小容易導致地物分割不充分，通過反復的實驗，最終將分割尺度設置為600，形狀因子為0.4，緊致度因子為0.5；然后標記感興趣區域作為訓練樣本（選擇樣本時遵循隨機性、典型性、準確性和分散性原則）；最后基于樣本光譜特征和紋理特征的差異性經過多次訓練完成分類，將結果導入ArcGis軟件中給每個類別附上特定顏色得到相應的專題地圖，并進行類別統計。具體操作過程如圖3所示。

2.4? 結果與分析

2.4.1? 分類結果與影像對比分析

根據分類結果采用ArcGis軟件進行相應的地物標繪得到專題地圖，通過目視解譯與遙感影像進行對比分析，如圖4所示。多尺度分割較為準確，能將各地物分隔開來，且很好地保留了各地物的邊界，使地物保持相對完整性，分割后的地物形狀也基本具有原狀性，可以說多尺度分割對建筑物分類是一個不錯的選擇。分類結果顯示，各地物位置與遙感影像中的位置基本保持一致，我們在地圖中也能夠清晰明了地看出各地物的分布情況，對于高層建筑物而言，彼此位置分布沒有規律性，散開性比較強，但能夠快速統計出其數量；對于多層建筑物而言，其分布規律性比較強，大部分都在高層建筑物和低層建筑物周圍，符合城市多層建筑物分布的特點；對于低層建筑物而言，大部分屬私人居民宅，并伴有院子，以成片的形式存在，還有一小部分與高層建筑物和低層建筑物緊密相連，位置分布較有規律；對于正在施工的建筑物而言，其特點是周圍有大片空地，用于放置建筑機器和材料，旁邊有吊塔和圍欄，具體位置分布無法確定；對于棚房而言，大多數坐落在低層建筑物之中，作為居民宅院子的一部分，零星散布在其他建筑物周圍，位置分布比較散亂；對于其他地物而言，以小區綠化帶、停車場、游樂園、噴泉及馬路等形式存在，其分布在各個建筑物之間，作為人們美好生活的必備條件?？傮w來說，利用無人機城市建筑物遙感影像結合多尺度分割與決策樹算法對建筑物進行分類，效果極佳，能夠清晰明了地對各地物進行判別和分類。

2.4.2? 統計結果分析

在專題地圖的基礎上進行各類建筑物占地面積及相關比例情況統計，其結果如表1所示，高層建筑物、多層建筑物和低層建筑物合計占總面積的28.69%，該地區的建筑物以多層和低層建筑為主，高層建筑物相對較少，其中低層建筑物在所屬類型中占地面積最大。根據實地調查，低層建筑物大部分是2～3層獨立住宅或別墅；正在施工的建筑物占比最小，可能是新的建筑項目，也可能是對現有建筑物進行的擴建、改造或維修，施工活動可能代表了該地區的發展情況；棚房和其他地物占總面積的69.56%，面積占比最大，顯示了該地區非建筑用地的利用情況，為今后的城市規劃與土地管理利用提供了有力支撐。

3? 結? 論

通過研究解決遙感影像中因各建筑物之間間距小而導致的分類精度低及“椒鹽現象”問題，本文利用安慶市部分區域的無人機遙感影像，通過易康軟件平臺采用多尺度分割結合隨機森林算法對建筑物進行分類并得到相應的專題地圖，最后對各類地物進行統計分析，通過混淆矩陣算得分類精度為0.873 4，Kappa系數為0.762 7，結果表明該方法適用于建筑物分類，分類效果較好，能夠清晰明了地將各類地物區分開來，錯分漏分的情況很少出現，可為合理規劃城鄉、充分利用國土資源和準確預報地震災害提供一定的參考標準。本實驗僅限于對建筑物進行相關分類，各建筑物之間有其他地物，并沒有更為細致地劃分地物類型，后期將更深層次地研究對其他地物與建筑物的識別分類。

參考文獻：

[1] 劉賈賈，劉志輝，劉龍，等.基于遙感影像的城鎮建筑物分類 [J].測繪與空間地理信息，2021，44（1）：130-133.

[2] 翟瑋，趙斐.基于極化SAR的城市建筑物提取 [J].甘肅科技，2016，32（2）：46-48.

[3] 李方方，馬超，張桂芳，等.面向對象分類的震區建筑物損害快速評估 [J].河南理工大學學報：自然科學版，2011，30（1）：55-60.

[4] 張瑩，郭紅梅，尹文剛，等.基于特征提取的SVM圖像分類技術的無人機遙感建筑物震害識別應用研究 [J].災害學，2022，37（4）：30-36+56.

[5] 王志盼，沈彥，王亮，等.單類分類框架下的高分辨率遙感影像建筑物變化檢測算法 [J].武漢大學學報：信息科學版，2020，45（10）：1610-1618.

[6] 于書媛，駱佳驥，楊源源.基于高分衛星遙感影像的城市建筑物提取研究 [J].華南地震，2019，39（2）：26-33.

[7] 范應龍，唐賽男，譚炳香.基于多尺度分割和纓帽變換的高原山區森林覆蓋變化檢測 [J].北京林業大學學報，2023，45（4）：60-69.

[8] 朱麗，國巧真，吳正鵬，等.多尺度分割與特征優選下的鹽堿地提取 [J].地球環境學報，2022，13（6）：714-723.

[9] 張德會.基于無人機多光譜影像的植被信息遙感提取 [J].北京測繪，2022，36（7）：919-923.

[10] 閆國東，左雪漫，陳瑾，等.基于多特征優選的Sentinel-2遙感影像林分類型分類 [J].森林工程，2023，39（3）：12-20.

[11] 楊慶振，郭敏，范新成.基于隨機森林算法的高光譜遙感作物分類 [J].測繪與空間地理信息，2023，46（4）：149-151+154.

[12] 湯圣君，張韻婕，李曉明，等.超體素隨機森林與LSTM神經網絡聯合優化的室內點云高精度分類方法 [J].武漢大學學報：信息科學版，2023，48（4）：525-533.

作者簡介：陳梁（1995—），男，漢族，安徽安慶人，碩士研究生在讀，研究方向：遙感圖像處理。