滑坡信息提取與分析
1.多尺度分割與參數(shù)的選擇
無人機遙感獲取的影像具有較高的分辨率,而傳統(tǒng)的基于像元的分類結(jié)果會產(chǎn)生椒鹽效應(yīng),分類精度低,而面向?qū)ο蠓诸惙椒ňC合利用了光譜信息、紋理信息、空間形態(tài)結(jié)構(gòu)和上下文等多源信息, 分類精度較高,更適合高分辨率的無人機影像。本文采用 ESP (Estimation of Scale Parameters)工具輔助影像分割 來獲取最佳的分割尺度,ESP工具是通過引入局部方差(Local Variance, LV)指數(shù)來反映分割結(jié)果的均質(zhì)性,其中LV指數(shù)代表分割單元的內(nèi)部標(biāo)準(zhǔn)差,隨著分割單元的增大而增加,達到某一范圍LV指數(shù)便不會增加,該尺度可能為最佳分割尺度。但LV指數(shù)所對應(yīng)的尺度閾值不易從圖像上觀察到,因此通過變化率(RateofChange,ROC)參數(shù)來表征(式(3)),其中ScaleL代表L層所對應(yīng)的LV參數(shù)值,ScaleL-1代表更低一層所對應(yīng)的LV參數(shù)值,運用ESP 工具得到計算結(jié)果如圖5所示,圖1中ROC的極大值可能代表地物信息提取的最佳分割尺度,根據(jù)實驗結(jié)果并結(jié)合目視解譯,最終選定分割尺度為320。
圖1 ESP工具計算結(jié)果
為了更好地將地形與地貌信息納入到分割體系中,因此加入了DEM和坡度影像參與分割。在均值因子的選擇上,形狀因子過大會制約光譜信息,緊密度過大會使得分割結(jié)果的邊緣形成鋸齒狀區(qū)域。為了獲取最佳的分割結(jié)果,本文通過充分的實驗,確定光譜權(quán)重中紅光波段、綠光波段、藍光波段、DEM、坡度影像分別占比例為1:1:1:0.2:0.2,分割尺度為320,形狀因子為0.2,緊密度為0.4,通過上述參數(shù)進行分割時,獲取的分割對象大小適中,內(nèi)部光譜差異小,不同類別間邊界清晰。
2. 基于模糊分類與決策樹的滑坡信息提取
基于決策樹的分類方法具有運算速度快,漏分區(qū)域少的優(yōu)勢,而決策樹的構(gòu)建方式以及每個節(jié)點分類算法和參數(shù)的選擇是研究的重點問題。依據(jù) 成員函數(shù)建立決策樹的分類方法多是基于布爾邏輯陳述(Boolean Logic Statement),通過對待分類單 元賦予1或0來確定歸屬類別的二元硬分類。為了改善二元硬分類的不足,模糊分類的方法應(yīng)運而生,它是以模糊邏輯(Fuzzy Logic)為理論基礎(chǔ),采用隸屬度函數(shù)來描述模糊的概念,從而將屬于與不 屬于的絕對概念過渡到相對概念,避免了人為設(shè)定 閾值的主觀性與差異性,更符合客觀真實規(guī)律。由于決策樹分類存在著誤差累積的現(xiàn)象,因此在決策 樹的構(gòu)建方面,最好先將易于區(qū)分的類別進行分類,并且在每個節(jié)點上選擇合適的分類方法與參考 特征,以提高分類精度。遵循以上規(guī)則構(gòu)建決策樹 (圖2)來實現(xiàn)研究區(qū)植被、道路、疑似滑坡區(qū)域的信息提取。
圖2 分類決策樹
(1)植被信息提取
本文研究區(qū)內(nèi)植被覆蓋度較高、邊界清晰,提取難度較小,因此在第1層進行植被提取。VDVI指數(shù)對于僅含可見光波段的影像中綠色植被信息具有較好的提取效果,更適用于無人機影像;提取方法選擇基于閾值與隸屬度函數(shù)相結(jié)合的模糊分類方法,通過選取VDVI指數(shù)構(gòu)造植被的隸屬度函數(shù)來實現(xiàn)植被信息的提取。當(dāng)VDVI指數(shù)小于-0.018時地物類型為非植被,當(dāng)大于0.002時地物類型為植被,因此在(-0.018,0.002)區(qū)間構(gòu)建植被信息的隸屬度函數(shù)(表3),通過隸屬的函數(shù)值來確定類別的歸屬,通過上述方法將原始影像分為植被與非植被。
(2)道路信息提取
在非植被區(qū)域進行下一步的道路信息提取,由于研究區(qū)為山區(qū),地勢起伏明顯,而人工修建的盤 山公路坡度平緩,因此依據(jù)坡度影像可以實現(xiàn)對道 路的提取,提取的方法選擇基于閾值與隸屬度函數(shù) 相結(jié)合的模糊分類方法。當(dāng)坡度小于14°時,影像 對象的地物類型為道路,當(dāng)坡度大于16°時地物類 型為非道路,因此在(14,16)構(gòu)建道路信息的隸屬度 函數(shù)(表1),通過上述方法可以實現(xiàn)山區(qū)公路信息的 提取,從而將非植被區(qū)域劃分為道路與非道路區(qū)域。
表1 分類規(guī)則
(3)疑似滑坡區(qū)域的提取
經(jīng)過前2個步驟已經(jīng)提取了研究區(qū)的植被與道 路信息,下一步需要在非道路區(qū)域進行滑坡信息的 提取。在滑坡信息的提取方面,很難設(shè)定合適的閾值來實現(xiàn)提取,因此本文通過人工選取樣本點并采用 SVM(Support Vector Machine)分類方法進行分類,SVM具有較強的小樣本學(xué)習(xí)能力,并且魯棒性 強,是一種優(yōu)秀的監(jiān)督分類算法。本實驗在待分類影像區(qū)域選擇9個滑坡區(qū)域的 樣本點和10個非滑坡區(qū)域的樣本點,分別獲得每個樣本區(qū)域的8種 GLCM 紋理,并對 8 種紋理值進行歸一化處理,統(tǒng)計結(jié)果如圖3所示。
圖3 樣本點的GLCM紋理特征統(tǒng)計
通過比較滑坡區(qū)域與非滑坡區(qū)域在8種GLCM紋理影像上值的差異,可以發(fā)現(xiàn)在方差(Variance)統(tǒng)計值中,滑坡區(qū)域集中在0.64-0.81之間,在對比度(Contrast)統(tǒng)計值,滑坡區(qū)域集中在0.48-0.79之間,在角二階矩(Angular Second Moment)統(tǒng)計值中,滑坡區(qū)域集中在 0.51-0.78 之間,由于滑坡區(qū)域主要為堆積的碎石,異質(zhì)性強于側(cè)壁巖石,弱于裸露土壤,因此在以上3種紋理特征中(表 2),滑坡區(qū)域與非滑坡區(qū)域具有較明顯的分界值,而在其他5種紋理特征中,滑 坡區(qū)域與非滑坡區(qū)域相混淆。
表2 GLCM紋理特征
人工選取的樣本點在坡度值上也存在著較明顯的分界值,滑坡區(qū)域的坡度值主要集中在30°~40°之間,而非滑坡區(qū)域主要為側(cè)壁巖石和裸露土地,側(cè)壁巖石坡度大于45°,而裸露土壤的坡度集中在20°~30°之間。綜上所示,選定方差、對比度、角二階矩與坡度作為分類參考特征,通過人工選擇樣本點的方式,采用 SVM 監(jiān)督分類算法實現(xiàn)滑坡信息的提取,提取結(jié)果如圖4所示。
圖4 研究區(qū)信息提取結(jié)果
3.3重點滑坡區(qū)域的形態(tài)分析和精度評價
通過前文介紹的信息提取方法,可以將研究區(qū)的植被、道路、疑似滑坡區(qū)域很好地提取出來,其中疑似滑坡區(qū)域大部分為堆積的碎石,結(jié)合滑坡的空間位置以及公路的分布特征,可以發(fā)現(xiàn)區(qū)域A(圖9) 具有較高的風(fēng)險等級。為了更準(zhǔn)確地對區(qū)域 A 進行滑坡形態(tài)與紋理的分析,本文獲取了基于滑坡表面的投影影像,其中投影面的位置如圖5所示。
圖5 重點滑坡區(qū)域的投影影像以及滑坡形態(tài)分析
結(jié)合前文獲取的DEM與坡度數(shù)據(jù),可以發(fā)現(xiàn)該區(qū)域在形態(tài)方面,斜面上出現(xiàn)馬蹄形狀的洼地,形狀與周圍區(qū)域明顯不協(xié)調(diào),在斜坡面形成上部陡峭中部平緩下部陡峭的折線狀地形,其中上部區(qū)域平均坡度為37°,中部區(qū)域為26°,下部區(qū)域為34°,滑坡后壁較陡,中間有一個較平緩的核心臺階。該區(qū)域的 巖石類型主要為施工遺留的碎石,在重力作用下呈 流態(tài)分布于滑坡表面,結(jié)構(gòu)上較為松散,與周圍未 滑動的整塊巖石具有明顯的差異。本文采用用戶精度,生產(chǎn)者精度作為評價指標(biāo),其中分類結(jié)果的精度評價如表5所示。結(jié)果表明本文的方法具有較高的精度,3種主要地物類型中生產(chǎn)者精度在80%左右,用戶精度在90%左右,其中重點提取的滑坡區(qū)域用戶精度為91.44%,生產(chǎn)者精度為84.65%。
圖6 精度評價方法示意圖
表3 分類結(jié)果精度評價
4 結(jié)論與展望
針對研究區(qū)的滑坡信息提取要求,利用無人機遙感平臺,采取傾斜拍攝與支持拍攝相結(jié)合的影像獲取方式,結(jié)合攝影測量基本原理與計算機視覺算法,得到了高精度的DOM與DEM數(shù)據(jù),通過面向?qū)ο蠓椒▽崿F(xiàn)了研究區(qū)滑坡信息的提取。具體結(jié)論如下:
(1)利用無人機遙感平臺獲取的影像有效地保留了光譜與紋理信息,并結(jié)合野外測量的控制點保證了位置精度,采用影像匹配、相對定向、光束法平差以及數(shù)字微分糾正的方法,獲取了研究區(qū)的DEM與DOM,通過對影像的精度驗證,證明本文的研究方法適用于無人機影像的獲取與處理。
(2)確定了DOM影像分割的最佳尺度,結(jié)合研究地物的光譜、紋理以及形態(tài)特征,構(gòu)建了基于模糊分類與SVM算法相結(jié)合的決策樹,實現(xiàn)了滑坡信息的提取。并對提取的滑坡區(qū)域進行了形態(tài)與紋理的分析以及精度評價,其中滑坡提取的用戶精度為91.44%、生產(chǎn)者精度為84.65%,證明本文的提取方法具有較高的精度與應(yīng)用價值。本文雖然獲得了研究區(qū)高分辨率和高精度的DEM和DOM數(shù)據(jù),但是影像的覆蓋面積較小,無法實現(xiàn)大范圍的滑坡信息提取與監(jiān)測,其主要限制在于無人機的續(xù)航問題,今后將大幅度地提升續(xù)航能力,以便實現(xiàn)大區(qū)域的滑坡信息提取與監(jiān)測。
萊森光學(xué)(深圳)有限公司是一家提供光機電一體化集成解決方案的高科技公司,我們專注于光譜傳感和光電應(yīng)用系統(tǒng)的研發(fā)、生產(chǎn)和銷售。
審核編輯 黃昊宇
-
無人機
+關(guān)注
關(guān)注
226文章
10199瀏覽量
177505 -
遙感數(shù)據(jù)
+關(guān)注
關(guān)注
0文章
14瀏覽量
7217
發(fā)布評論請先 登錄
相關(guān)推薦
評論