無(wú)人機(jī)遙感分類方法研究

無(wú)人機(jī)遙感分類方法研究

0應(yīng)用新研究進(jìn)展及應(yīng)用前景無(wú)人機(jī)（iuv）是一種帶動(dòng)力的無(wú)人駕駛飛機(jī)，可以獨(dú)立控制或駕駛。多個(gè)任務(wù)可以多次使用，可以是無(wú)人駕駛的飛機(jī)。無(wú)人機(jī)與遙感技術(shù)的結(jié)合,即無(wú)人機(jī)遙感,是利用先進(jìn)的無(wú)人駕駛飛行器技術(shù)、遙感傳感器技術(shù)、遙測(cè)遙控技術(shù)、通訊技術(shù)、GPS差分定位技術(shù)和遙感應(yīng)用技術(shù),具有自動(dòng)化、智能化、專題化快速獲取國(guó)土、資源、環(huán)境等的空間遙感信息,完成遙感數(shù)據(jù)處理、建模和應(yīng)用分析能力的應(yīng)用技術(shù)。無(wú)人機(jī)具有低成本、低損耗、可重復(fù)使用且風(fēng)險(xiǎn)小等諸多優(yōu)勢(shì),其應(yīng)用已經(jīng)從最初的偵察、預(yù)警等軍事領(lǐng)域擴(kuò)大到資源勘測(cè)、氣象觀測(cè)及處理突發(fā)事件等非軍事領(lǐng)域。無(wú)人機(jī)遙感的高時(shí)效、高分辨率等性能,是傳統(tǒng)衛(wèi)星遙感所無(wú)法比擬的,無(wú)人機(jī)的發(fā)展給遙感技術(shù)的應(yīng)用提供了新的平臺(tái)。隨著遙感技術(shù)的發(fā)展,遙感已成為精準(zhǔn)農(nóng)業(yè)中農(nóng)田信息獲取的重要手段,也是地塊面積量算、作物種類識(shí)別、長(zhǎng)勢(shì)分析等工作的重要數(shù)據(jù)來(lái)源,無(wú)人機(jī)遙感平臺(tái)作為一種新的信息獲取手段也已經(jīng)開始應(yīng)用于精準(zhǔn)農(nóng)業(yè)中,而地表農(nóng)作物分類信息的提取則是進(jìn)行這些研究的基礎(chǔ)與關(guān)鍵。因此,使用無(wú)人機(jī)航空平臺(tái)獲取高空間分辨率遙感數(shù)據(jù),以此高精度反演農(nóng)作物覆蓋信息,在農(nóng)業(yè)實(shí)踐中具有重要的意義。傳統(tǒng)遙感分類方法中穩(wěn)定性和精度較高的監(jiān)督分類方法如最大似然法等所需的人工參與程度和時(shí)間成本極高,而非監(jiān)督分類方法雖然自動(dòng)化程度高但分類精度卻有限,二者很難兼顧。本文將以冬小麥為研究對(duì)象,對(duì)無(wú)人機(jī)航拍獲得的高分辨率圖像特征進(jìn)行分析研究,提出一種快速自動(dòng)分類方法,并與其他幾種常用的分類方法進(jìn)行比較,嘗試兼顧分類的精度與效率,以期對(duì)基于無(wú)人機(jī)低空遙感平臺(tái)的高精度農(nóng)作物分類信息提取研究提供方法支持。1數(shù)據(jù)和方法1.1數(shù)據(jù)采集和預(yù)處理1.1.1主要技術(shù)指標(biāo)使用美國(guó)Tetracam公司的ADCAir冠層測(cè)量相機(jī),其功能是記錄植物冠層反射比。獲取圖像適合提取多種植被指數(shù)。飛行中通過(guò)數(shù)據(jù)線來(lái)進(jìn)行控制,快門全密封防雨,可用做有人和無(wú)人駕駛飛行器的外部固定,適合用于長(zhǎng)期植被研究。相機(jī)的主要技術(shù)指標(biāo):1)320萬(wàn)像素CMOS傳感器(2048×1536像素);2)綠色、紅色與近紅外波段,基本同于TM2、TM3和TM4;3)鏡頭:適合多種不同鏡頭,標(biāo)準(zhǔn)8.5mm鏡頭,可選多種鏡頭;4)圖像大小與采集速度:每圖3MB空間;每圖2~5s;5)輸入:5~12VDC;RS-232;外置快門;6)尺寸與質(zhì)量:137mm×90mm×80mm,630g。1.1.2無(wú)人機(jī)系統(tǒng)及抗風(fēng)能力分析目前民用的無(wú)人機(jī)遙感平臺(tái)包括無(wú)人固定翼飛機(jī)平臺(tái)、無(wú)人直升機(jī)平臺(tái)、無(wú)人飛艇平臺(tái)和其他類型的平臺(tái)。本研究中,無(wú)人機(jī)采用京商260遙控汽油直升機(jī)KyoshoCaliberZG,配備地面遙控系統(tǒng),主槳長(zhǎng)度達(dá)1770mm,機(jī)身長(zhǎng)寬高為1570mm×450mm×740mm,總質(zhì)量6kg,有效載荷5kg,飛行高度500m,飛行速度100km/h,抗風(fēng)能力達(dá)到5級(jí)。1.1.3年生農(nóng)村典型農(nóng)作物影像試驗(yàn)地點(diǎn)位于北京市順義區(qū)天北路(40.23°N,116.5°E),從2011年4月3日至2011年11月13日,每7~10d飛行試驗(yàn)一次,共計(jì)33次,所獲取的高分辨率遙感數(shù)據(jù)覆蓋了冬小麥和玉米2種農(nóng)作物的整個(gè)生育期。飛行高度設(shè)為50~100m,使用ADCAir冠層測(cè)量相機(jī)的標(biāo)準(zhǔn)8.5mm鏡頭進(jìn)行垂直拍攝,空間分辨率可達(dá)0.06m。1.1.4影像的選取由于直升機(jī)平臺(tái)未搭載姿態(tài)控制系統(tǒng),飛行時(shí)的俯仰、滾動(dòng)、偏航會(huì)導(dǎo)致圖像畸變,因此需要選取畸變較小的影像,并且選取影像的中心部分進(jìn)行研究。使用相機(jī)自帶的PixelWrench2軟件將raw格式的圖像導(dǎo)出至jpg格式,再用ENVI軟件導(dǎo)入,并結(jié)合標(biāo)準(zhǔn)白板的影像數(shù)據(jù)計(jì)算波譜反射率。1.2小麥的覆蓋度影像獲取時(shí)小麥處于拔節(jié)期,比較矮小,剛剛開始封壟,葉片為綠色。影像中存在裸露的土壤和少量殘留物,小麥長(zhǎng)勢(shì)好的地方覆蓋度高,形成了垂直層,有明顯的陰影;長(zhǎng)勢(shì)差的地方背景土壤裸露較多,陰影少。鑒于土壤上的殘留物很少,且多是干枯的枝葉,與土壤分開具有較大困難并且基本不影響小麥信息的提取,因此將影像分為3類:小麥、光照土壤和陰影土壤。1.3小麥和光照土壤的ndvi健康的小麥在綠光波段有一個(gè)小的反射峰,在紅光波段有一個(gè)吸收谷,在近紅外波段則有很高的反射峰,反射率可達(dá)0.7以上,遠(yuǎn)遠(yuǎn)高于在綠光波段的反射率。裸露土壤在各波段的反射率近似于一條斜率很低的直線,從綠光至近紅外波段緩緩上升,如圖1所示。本次試驗(yàn)獲取的影像中,小麥在綠光波段的反射率變化范圍在0.3~0.5左右,而在近紅外波段的反射率高達(dá)0.9以上;光照土壤在綠波波段的反射率稍低于紅外波段,但是受殘留物的影響,有少部分光照土壤在綠波波段的反射率反而大于紅外波段;陰影土壤在綠光波段的反射率稍高于近紅外波段;因此使用紅光和近紅外波段的差值可以將小麥劃分出來(lái)。為了進(jìn)一步區(qū)分小麥和光照土壤,計(jì)算了歸一化差值植被指數(shù)NDVI,計(jì)算公式如式(1):式中,ρnir、ρred分別為近紅外和紅光波段反射率。NDVI可以消除大部分與儀器定標(biāo)、太陽(yáng)角、地形、云陰影和大氣條件有關(guān)輻照度的變化,增強(qiáng)了對(duì)植被的響應(yīng)能力,是目前已有的40多種植被指數(shù)中應(yīng)用最廣的一種,在比較成熟的各種遙感分類方法中也有很廣泛的應(yīng)用[18,19,20,21,22,23,24,27,28,29,30]。從圖像中提取小麥、光照土壤和陰影土壤的小塊典型區(qū)域,并統(tǒng)計(jì)其中這3類地物NDVI統(tǒng)計(jì)特征和對(duì)應(yīng)的像元累計(jì)百分比,如表1和圖2所示。從圖1和表1中可以看出,小麥像元的NDVI值很高,均值為0.9687,分布在0.7~1之間;光照土壤典型區(qū)中,NDVI均值僅為0.1087,其中96%的像元NDVI值小于0.4,100%的像元NDVI值小于0.7;陰影土壤典型區(qū)中,NDVI均值也較高,達(dá)到0.8831,其中88%的像元NDVI值大于0.8,93%的像元NDVI值大于0.4;陰影土壤在紅外至近紅外波段的波譜曲線斜率較高,因此其NDVI比光照土壤更高。從以上的數(shù)據(jù)分析可以得出,在此次航拍獲取的數(shù)據(jù)中,0.7可以作為區(qū)分小麥與光照土壤的NDVI閾值,0.4可以作為區(qū)分光照土壤與陰影土壤的NDVI閾值。通過(guò)以上對(duì)遙感影像的分析,使用綠光波段和近紅外波段的反射率值,再輔以NDVI就可以快速對(duì)圖像進(jìn)行分類。具體算法如圖3所示。其中fg是綠光波段的反射率;fnir是近紅外波段的反射率;T1是區(qū)分光照土壤和小麥的NDVI閾值,此處取0.7;T2是區(qū)分光照土壤和陰影土壤的閾值,此處取0.4。2結(jié)果與分析2.1土壤檢測(cè)按照以上的算法分析,可以編程實(shí)現(xiàn)自動(dòng)分類,也可以在ENVI軟件中使用決策樹分類方法完成。為了便于計(jì)算與比較,本研究在ENVI中使用決策樹來(lái)完成上述算法,同時(shí)使用應(yīng)用較多的最大似然分類法、支持向量機(jī)分類法(SVM)、神經(jīng)網(wǎng)絡(luò)分類法(ANN)和ISODATA方法對(duì)高分辨率小麥影像進(jìn)行分類。進(jìn)行監(jiān)督分類之前先對(duì)小麥、光照土壤和背景土壤手工選擇訓(xùn)練樣本,訓(xùn)練樣本在圖像中具有代表性且均勻分布。分類結(jié)果如圖4所示。完成分類之后,使用目視判讀的方法從圖像上選取210個(gè)光照土壤像元、119個(gè)陰影土壤像元和279個(gè)小麥像元,分別對(duì)3類地物分類結(jié)果計(jì)算混淆矩陣進(jìn)行驗(yàn)證。結(jié)合驗(yàn)證數(shù)據(jù),采用混淆矩陣的方法對(duì)5類方法進(jìn)行精度評(píng)價(jià),結(jié)果如表2所示。由上面精度評(píng)價(jià)表可以看出,最大似然分類方法的小麥正確率最高,決策樹方法次之,ISODATA方法最低。在對(duì)小麥類別的信息提取的上,ISODATA方法的正確率僅僅70.42%,決策樹方法達(dá)到了96.18%,僅僅比最大似然方法低0.44個(gè)百分點(diǎn)。SVM方法和ANN方法小麥正確率也達(dá)到90%以上,效果較好。前4種分類方法中,光照土壤的正確率達(dá)到了100%,是由于部分小麥和陰影土壤被誤分至該類所致。考慮到?jīng)Q策樹不需要人工訓(xùn)練樣本,僅需做一次簡(jiǎn)單的類別統(tǒng)計(jì)特征分析以確定NDVI閾值,且可應(yīng)用于同批次航飛的大量數(shù)據(jù),因此在分類所花費(fèi)的人力與時(shí)間代價(jià)上,遠(yuǎn)遠(yuǎn)小于最大似然、SVM和ANN等監(jiān)督分類方法,所以在無(wú)人機(jī)大批量航拍數(shù)據(jù)的處理上,使用決策樹分類方法提取農(nóng)作物信息是更可行的。2.2目標(biāo)方法驗(yàn)證結(jié)果為了驗(yàn)證自動(dòng)分類方法的普適性,選擇2011年7月22日獲取的玉米影像作為分類數(shù)據(jù)源,玉米的反射波譜曲線特征與小麥類似,但是由于作物種類不同、影像時(shí)相不同以及背景土壤墑情也不同,自動(dòng)分類算法中NDVI的閾值選取需要做出調(diào)整。經(jīng)過(guò)對(duì)影像特征的分析統(tǒng)計(jì),將T1調(diào)整為0.5,T2調(diào)整為0.3。同時(shí)使用5類方法對(duì)玉米影像進(jìn)行分類,分類結(jié)果如圖5所示。完成分類之后,使用目視判讀方法從圖像上選取1046個(gè)光照土壤像元、372個(gè)陰影土壤像元和412個(gè)玉米像元分別對(duì)3類地物分類結(jié)果計(jì)算混淆矩陣進(jìn)行驗(yàn)證。結(jié)合驗(yàn)證數(shù)據(jù),采用混淆矩陣的方法對(duì)5類方法進(jìn)行精度評(píng)價(jià),結(jié)果如表3所示。從對(duì)玉米的分類情況來(lái)看,自動(dòng)分類方法的正確率是90.14%,稍低于最大似然方法91.74%的正確率,這2種分類方法的效果最好;ANN方法玉米分類的正確率是85.21%,SVM和ISODATA方法對(duì)玉米信息的提取較差。從總正確率來(lái)看,自動(dòng)分類和最大似然方法都超過(guò)了93%,效果很好。后4種分類方法中陰影土壤的正確率為100%,這是由于部分玉米和陰影土壤被誤分至該類所致。綜合以上分析,在對(duì)玉米覆蓋信息的提取上,自動(dòng)分類方法適用性是很高的。這5種分類方法的比較見表4。5種分類方法的原理不同,從人工參與程度、處理時(shí)間和分類精度等方面進(jìn)行比較,自動(dòng)分類法和最大似然法一樣具有較高的分類精度,和ISODATA方法一樣具有較快的處理時(shí)間和很少的人工參與程度。因此,它同時(shí)具備了監(jiān)督分類的高精度和非監(jiān)督分類的低時(shí)間成本的特點(diǎn),在無(wú)人機(jī)低空遙感研究中,能夠以較低的工作成本獲取高精度的農(nóng)作物分類結(jié)果。3自動(dòng)分類方法基于數(shù)碼相機(jī)自身的特點(diǎn)和獲取的無(wú)人機(jī)低空遙感數(shù)據(jù),本研究提出了一種決策樹自動(dòng)分類方法。試驗(yàn)表明,該方法處理時(shí)間短,分類精度高,冬小麥的分類精度達(dá)到96.62%,玉米的分類精度達(dá)到90.14%,結(jié)果令人滿意,是一種可行的適合在大數(shù)據(jù)量遙感圖像中快速提取農(nóng)作物覆蓋信息的分類方法。與衛(wèi)星平臺(tái)相比,無(wú)人機(jī)在特定地區(qū)獲取的遙感影像分辨率更高,數(shù)據(jù)量更大,這就需要有更高效的圖像處理與分類處理方法。與常用的分類方法相比,本文提出