無人機遙感數(shù)據(jù)處理與滑坡信息提取

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