基于面向对象的无人机正射影像地物分类

第36卷第2期农业工程学报V ol.36 No.22020年1月Transactions of the Chinese Society of Agricultural Engineering Jan. 2020 87 基于超高空间分辩率无人机影像的面向对象土地利用分类方法刘舒1，朱航2※（1. 吉林建筑大学测绘与勘查工程学院，长春 130118； 2. 吉林大学机械与航空航天工程学院，长春 130022）摘要：为明确基于无人机超高空间分辨率影像的土地利用分类方法，尤其是有效特征和算法的选择，该研究获取吉林省德惠市一农耕区超高分无人机影像，获取区域正射影像图和数字表面模型，计算地形指标，采用面向对象方法进行土地利用分类研究。

首先，采用随机森林算法，以光谱特征为基础，依次引入指数、形态、地形、纹理特征，建立5种特征选择方案，分析各类特征对分类效果的影响。

其次，以Boruta特征选择算法获取的优化特征集为基础，采用随机森林算法、朴素贝叶斯算法、逻辑回归算法和支持向量机算法分类，分析不同算法的分类效果。

结果表明：采用5种特征选择方案分类，引入形态特征时总体精度降低，引入其他特征时总体精度逐渐提高。

5种特征共同参与的分类效果最佳，总体精度为98.04%，Kappa系数为0.980。

错分主要发生在裸地和宅基地，漏分主要发生在草地、裸地、水渠和道路。

错分和漏分主要是因为这几种类型对象具有相似的光谱、形态、纹理特征或相似的分布位置。

采用优化特征集分类时，相比其他算法，随机森林算法更擅长处理高维特征集，获得最高的总体精度98.19%，最低的错分和漏分误差，分类效果最佳。

借助无人机超高空间分辨率影像提取地形信息、形态信息，可以有效辅助土地利用分类，并能提高传统分类方法精度。

关键词：遥感；土地利用；无人机影像；面向对象；特征选择；随机森林doi：10.11975/j.issn.1002-6819.2020.02.011中图分类号：TP79 文献标志码：A 文章编号：1002-6819(2020)-02-0087-08刘 舒，朱 航. 基于超高空间分辩率无人机影像的面向对象土地利用分类方法[J]. 农业工程学报，2020，36(2)：87－94. doi：10.11975/j.issn.1002-6819.2020.02.011 Liu Shu, Zhu Hang. Object-oriented land use classification based on ultra-high resolution images taken by unmanned aerial vehicle[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(2): 87－94. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.02.011 0 引 言实时可靠的土地利用信息，是土地利用变化监测的基础[1]。

结合空间分析的面向对象无人机影像土地利用分类作者：吴端阳来源：《科技信息·下旬刊》2018年第01期摘要：根据遥感影像技术对土地的监测分析来进行土地分类，使土地的管理更加有效和快速，结合GIS空间分析技术的使用对影响数据进行分析，可以提高分类的准确性，提高对象间的异质性，通过加权局部方差和相关指数对土地的分割进行优化，文章通过实验分析来研究这种方法的有效性和准确度，得出此方法能够减少分割的主观性带来的误差，并且能够提高精确度，对土地的归类更加明确。

关键词：土地利用；无人机影像；多尺度分割；空间分析；面向对象随着社会的发展，经济的提升也有着快速的趋势，工业技术水平有了明显的提高，城市化使社会和人们的需求不断提升，土地的使用也发生了改变，城市和农村的土地需要进一步的合理划分和利用，使用遥感技术来对农村的土地进行监测可以使土地的管理更加有效，土地的资源利用能够得到大大的改善，遥感技术虽然具有比较直观的功能，呈现出清晰度较高的影像资料，但是由于光谱的问题，不同的像素的土地情况难以得到高精确的图像，依然存在缺陷，所以，通过影像分析，结合空间信息等分析来完善遥感影像的技术是重要的内容。

1 无人机使用现状无人机的使用随着科技的发展开始逐渐扩大，由于无人机具有比较便捷和节省成本的特点，在对遥感影像的清晰度有所提高的情况下，对土地的监测和分析有着重要的价值，为土地管理工作提供了更多的研究数据和帮助，通过GIS空间分析的使用对土地的不同种类进行划分，还对土地的划分进一步精确的判断分析，提高了土地划分的准确性，采用这种方式能够避免主观的因素影响，也能够有效减少误差，对多种土地的分类有着比较详细的概念，对土地分类工作的完成度有所提升。

2 实验数据和技术流程2.1 实验数据实验区域位于某镇，丘陵地貌，地势整体西北高而东南低。

影像由无人机搭载CaonEOS5DMarkII大型单反相机于2015ano年8月获取，为真彩色影像（包含红、绿、蓝波段），地面分辨率0.16m，大小为5616像元×374像元，包含有水体、道路、居民地、农田等多种土地利用类型，清晰地表达了农村地区散乱的聚居特点。

第34卷第1期农业工程学报V ol.34 No.170 2018年1月Transactions of the Chinese Society of Agricultural Engineering Jan. 2018无人机遥感影像面向对象分类方法估算市域水稻面积吴金胜1,2,3，刘红利1,2，张锦水※1,2（1. 北京师范大学地表过程与资源生态国家重点实验室，北京 100875；2. 北京师范大学地理科学学部遥感科学与工程研究院，北京 100875；3. 国家统计局山东调查总队，济南 250001）摘要：：针对如何高效地从无人机遥感影像中提取农作物样方数据，用于农作物面积遥感估算，该文以浙江省平湖市为例，利用面向对象分类方法对无人机影像进行水稻自动化识别，作为样方数据与卫星遥感全覆盖空间分布分类结果结合，采用分层联合比估计进行2014年单季晚稻面积估算。

然后，与人工目视解译识别方法获取的水稻样方数据推断的区域水稻面积估算的结果进行精度、效率对比分析。

研究结果表明：1）利用面向对象分类方法对无人机影像进行分类，总体分类精度达到93%以上，满足构建样本的要求；2）通过区域作物估算对比分析发现，面向对象分类方法对无人机影像进行水稻识别，构建平湖市单季晚稻的样方数据，能够替代人工目视解译样方准确推断区域作物种植面积，有效地提高了无人机影像在遥感面积估算中的应用效率。

关键词：无人机；抽样；遥感；单季晚稻；面向对象分类；目视解译；面积推断doi：10.11975/j.issn.1002-6819.2018.01.010中图分类号：S127 文献标志码：A 文章编号：1002-6819(2018)-01-0070-08吴金胜，刘红利，张锦水. 无人机遥感影像面向对象分类方法估算市域水稻面积[J]. 农业工程学报，2018，34(1)：70－77. doi：10.11975/j.issn.1002-6819.2018.01.010 Wu Jinsheng, Liu Hongli, Zhang Jinshui. Paddy planting acreage estimation in city level based on UA V images and object-oriented classification method[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(1): 70－77. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.01.010 0 引 言中国是世界上最大的稻米生产国和消费国[1]，及时、准确地掌握水稻种植面积，对保证国家粮食安全具有重要的意义[2]。

第５２卷第３期东㊀北㊀林㊀业㊀大㊀学㊀学㊀报Ｖｏｌ．５２Ｎｏ．３２０２４年３月ＪＯＵＲＮＡＬＯＦＮＯＲＴＨＥＡＳＴＦＯＲＥＳＴＲＹＵＮＩＶＥＲＳＩＴＹＭａｒ．２０２４１）国家自然科学基金项目（３１９０１２９８），西藏自治区科学技术重点研发计划项目（ＸＺ２０２２０１ＺＹ０００３Ｇ），福建农林大学省级大学生创新创业训练项目（Ｓ２０２３１０３８９０４６），福建农林大学科技创新专项基金项目（ＫＦｂ２２０３３ＸＡ）㊂第一作者简介：陈逊龙，男，１９９８年１０月生，福建农林大学林学院，硕士研究生㊂Ｅ－ｍａｉｌ：１２２０４９６００２＠ｆａｆｕ．ｅｄｕ．ｃｎ㊂通信作者：张厚喜，福建农林大学林学院㊁南方红壤区水土保持国家林业和草原局重点实验室（福建农林大学）㊁海峡两岸红壤区水土保持协同创新中心（福建农林大学）㊁福建长汀红壤丘陵生态系统国家定位观测研究站，副教授㊂Ｅ－ｍａｉｌ：ｚｈａｎｇｈｏｕｘｉ＠１２６．ｃｏｍ㊂收稿日期：２０２３年１０月２３日㊂责任编辑：王广建㊂应用无人机可见光影像和面向对象的随机森林模型对城市树种分类１）陈逊龙㊀孙一铭㊀郭仕杰㊀段煜柯㊀唐桉琦㊀叶章熙㊀张厚喜（福建农林大学，福州，３５０００２）㊀㊀摘㊀要㊀为及时准确的了解城市树种空间分布信息，提升城市居民生活水平和推动城市生态系统可持续发展㊂以福州市仓山区城市森林为研究对象，应用无人机（ＵＡＶ）监测城市树种空间分布及其动态变化的可见光影像，根据最佳尺度对影像进行分割，并提取分割对象的光谱㊁地形㊁指数㊁纹理和几何特征㊂通过对不同类型特征的组合构建不同的分类方案，利用递归特征消除法（ＲＦＥ）筛选出优选特征子集，利用面向对象方法结合随机森林（ＲＦ）模型对城市树种进行分类㊂结果表明：在随机森林模型分类的过程中，利用光谱特征对树种分类的总体分类精度为８２．１２％；地形特征对树种分类的贡献度率为１４．９６％；指数特征和纹理特征的引入，在一定程度提高了树种的分类精度；几何特征的贡献较小，在分类过程中没有明显的贡献㊂特征优选子集的Ｓ１０方案分类精度最高，总体精度达９２．４２％，Ｋａｐｐａ系数为０．９１㊂说明特征优选能够降低高维度特征的复杂性，在大幅减少数据冗余的同时提高了分类精度㊂在最优特征子集下，随机森林（ＲＦ）算法分类的总体精度比极致梯度提升（ＸＧＢｏｏｓｔ）㊁轻量级梯度提升机（ＬｉｇｈｔＧＢＭ）和ｋ最近邻算法（ＫＮＮ）分别提高了１．１５％㊁１．８１％和１５．１５％，Ｋａｐｐａ系数分别提高了１％㊁２％和１７％㊂关键词㊀城市树种；无人机影像；面向对象；随机森林模型；地形特征分类号㊀Ｓ７７１．８ＵｒｂａｎＴｒｅｅＳｐｅｃｉｅｓＣｌａｓｓｉｆｉｃａｔｉｏｎｂｙＵＡＶＶｉｓｉｂｌｅＬｉｇｈｔＩｍａｇｅｒｙａｎｄＯＢＩＡ－ＲＦＭｏｄｅｌ／／ＣｈｅｎＸｕｎｌｏｎｇ，ＳｕｎＹｉｍ⁃ｉｎｇ，ＧｕｏＳｈｉｊｉｅ，ＤｕａｎＹｕｋｅ，ＴａｎｇＡｎｑｉ，ＹｅＺｈａｎｇｘｉ，ＺｈａｎｇＨｏｕｘｉ（ＦｕｊｉａｎＡｇｒｉｃｕｌｔｕｒｅａｎｄＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，Ｆｕｚｈｏｕ３５０００２，Ｐ．Ｒ．Ｃｈｉｎａ）／／ＪｏｕｒｎａｌｏｆＮｏｒｔｈｅａｓｔＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，２０２４，５２（３）：４８－５９．Ｉｎｏｒｄｅｒｔｏｏｂｔａｉｎｔｉｍｅｌｙａｎｄａｃｃｕｒａｔｅｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｉｎｆｏｒｍａｔｉｏｎｏｆｕｒｂａｎｔｒｅｅｓｐｅｃｉｅｓ，ｉｍｐｒｏｖｅｔｈｅｌｉｖｉｎｇｓｔａｎｄ⁃ａｒｄｓｏｆｕｒｂａｎｒｅｓｉｄｅｎｔｓ，ａｎｄｐｒｏｍｏｔｅｔｈｅｓｕｓｔａｉｎａｂｌｅｄｅｖｅｌｏｐｍｅｎｔｏｆｕｒｂａｎｅｃｏｓｙｓｔｅｍｓ，ｔｈｉｓｓｔｕｄｙｔａｋｅｓｔｈｅｕｒｂａｎｆｏｒｅｓｔｉｎＣａｎｇｓｈａｎＤｉｓｔｒｉｃｔ，ＦｕｚｈｏｕＣｉｔｙａｓｔｈｅｒｅｓｅａｒｃｈｏｂｊｅｃｔ．Ｉｔａｐｐｌｉｅｓｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉｃｌｅｓ（ＵＡＶｓ）ｔｏｍｏｎｉｔｏｒｔｈｅｖｉｓｉｂｌｅｌｉｇｈｔｉｍａｇｅｓｏｆｕｒｂａｎｔｒｅｅｓｐｅｃｉｅｓｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎａｎｄｔｈｅｉｒｄｙｎａｍｉｃｃｈａｎｇｅｓ．Ｔｈｅｉｍａｇｅｓｗｅｒｅｓｅｇｍｅｎｔｅｄｂａｓｅｄｏｎｔｈｅｏｐｔｉｍａｌｓｃａｌｅ，ａｎｄｔｈｅｓｐｅｃｔｒａｌ，ｔｅｒｒａｉｎ，Ｉｎｄｅｘ，ｔｅｘｔｕｒｅ，ａｎｄｇｅｏｍｅｔｒｉｃｆｅａｔｕｒｅｓｏｆｔｈｅｓｅｇｍｅｎｔｅｄｏｂｊｅｃｔｓａｒｅｅｘｔｒａｃｔｅｄ．Ｄｉｆｆｅｒｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎｓｃｈｅｍｅｓｗｅｒｅｃｏｎｓｔｒｕｃｔｅｄｂｙｃｏｍｂｉｎｉｎｇｄｉｆｆｅｒｅｎｔｔｙｐｅｓｏｆｆｅａｔｕｒｅｓ，ａｎｄｔｈｅｏｐｔｉｍａｌｆｅａｔｕｒｅｓｕｂｓｅｔｗａｓｓｅｌｅｃｔｅｄｕｓｉｎｇｔｈｅｒｅｃｕｒｓｉｖｅｆｅａｔｕｒｅｅｌｉｍｉｎａｔｉｏｎ（ＲＦＥ）ｍｅｔｈｏｄ．Ｔｈｅｕｒｂａｎｔｒｅｅｓｐｅｃｉｅｓｗｅｒｅｃｌａｓｓｉｆｉｅｄｕｓｉｎｇｔｈｅｏｂ⁃ｊｅｃｔ⁃ｏｒｉｅｎｔｅｄｍｅｔｈｏｄｃｏｍｂｉｎｅｄｗｉｔｈｔｈｅｒａｎｄｏｍｆｏｒｅｓｔ（ＲＦ）ｍｏｄｅｌ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｉｎｔｈｅｐｒｏｃｅｓｓｏｆＲＦｍｏｄｅｌｃｌａｓｓｉｆｉｃａｔｉｏｎ，ｔｈｅｏｖｅｒａｌｌｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｆｔｒｅｅｓｐｅｃｉｅｓｕｓｉｎｇｓｐｅｃｔｒａｌｆｅａｔｕｒｅｓｗａｓ８２．１２％．Ｔｈｅｃｏｎｔｒｉｂｕｔｉｏｎｒａｔｅｏｆｔｅｒｒａｉｎｆｅａｔｕｒｅｓｔｏｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｗａｓ１４．９６％．ＴｈｅｉｎｔｒｏｄｕｃｔｉｏｎｏｆＩｎｄｅｘｆｅａｔｕｒｅｓａｎｄｔｅｘｔｕｒｅｆｅａｔｕｒｅｓｉｍ⁃ｐｒｏｖｅｓｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｆｔｒｅｅｓｐｅｃｉｅｓｔｏａｃｅｒｔａｉｎｅｘｔｅｎｔ．Ｇｅｏｍｅｔｒｉｃｆｅａｔｕｒｅｓｈａｖｅａｓｍａｌｌｃｏｎｔｒｉｂｕｔｉｏｎａｎｄｄｏｎｏｔｈａｖｅａｓｉｇｎｉｆｉｃａｎｔｃｏｎｔｒｉｂｕｔｉｏｎｉｎｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｐｒｏｃｅｓｓ．ＴｈｅＳ１０ｓｃｈｅｍｅｏｆｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎｓｕｂｓｅｔｈａｄｔｈｅｈｉｇｈｅｓｔｃｌａｓ⁃ｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙ，ｗｉｔｈａｎｏｖｅｒａｌｌａｃｃｕｒａｃｙｏｆ９２．４２％ａｎｄａＫａｐｐａｃｏｅｆｆｉｃｉｅｎｔｏｆ０．９１．Ｔｈｉｓｉｎｄｉｃａｔｅｓｔｈａｔｆｅａｔｕｒｅｓｅｌｅｃ⁃ｔｉｏｎｃａｎｒｅｄｕｃｅｔｈｅｃｏｍｐｌｅｘｉｔｙｏｆｈｉｇｈ⁃ｄｉｍｅｎｓｉｏｎａｌｆｅａｔｕｒｅｓ，ｗｈｉｌｅｇｒｅａｔｌｙｒｅｄｕｃｉｎｇｄａｔａｒｅｄｕｎｄａｎｃｙａｎｄｉｍｐｒｏｖｉｎｇｃｌａｓｓｉｆｉ⁃ｃａｔｉｏｎａｃｃｕｒａｃｙ．Ｕｎｄｅｒｔｈｅｏｐｔｉｍａｌｆｅａｔｕｒｅｓｕｂｓｅｔ，ｔｈｅｏｖｅｒａｌｌａｃｃｕｒａｃｙｏｆｃｌａｓｓｉｆｉｃａｔｉｏｎｕｓｉｎｇｔｈｅＲＦａｌｇｏｒｉｔｈｍｗａｓｉｎ⁃ｃｒｅａｓｅｄｂｙ１．１５％，１．８１％，ａｎｄ１５．１５％ｃｏｍｐａｒｅｄｔｏｅｘｔｒｅｍｅｇｒａｄｉｅｎｔｂｏｏｓｔｉｎｇ（ＸＧＢｏｏｓｔ），ｌｉｇｈｔｇｒａｄｉｅｎｔｂｏｏｓｔｉｎｇｍａ⁃ｃｈｉｎｅ（ＬｉｇｈｔＧＢＭ），ａｎｄｋ⁃ｎｅａｒｅｓｔｎｅｉｇｈｂｏｒａｌｇｏｒｉｔｈｍ（ＫＮＮ），ｒｅｓｐｅｃｔｉｖｅｌｙ．ＴｈｅＫａｐｐａｃｏｅｆｆｉｃｉｅｎｔｗａｓｉｎｃｒｅａｓｅｄｂｙ１％，２％，ａｎｄ１７％，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｋｅｙｗｏｒｄｓ㊀Ｕｒｂａｎｔｒｅｅｓｐｅｃｉｅｓ；ＵＡＶｉｍａｇｅｒｙ；Ｏｂｊｅｃｔ－ｂａｓｅｄ；Ｒａｎｄｏｍｆｏｒｅｓｔｍｏｄｅｌ；Ｔｅｒｒａｉｎｆｅａｔｕｒｅ㊀㊀城市树木作为城市的重要组成部分是评估城市生态环境的重要指标之一，具有重要的生态㊁经济和社会效益［１］㊂随着城市化进程的不断深化，城市树木的生态效益也日渐凸显㊂然而，不同种类㊁种植结构和种植区域的城市树木会产生不同的生态环境效益［２］㊂因此，及时准确地获取城市树种的类别和空间分布信息对城市规划㊁城市树木的管理与维护具有重要意义［３］㊂传统的城市树种分类主要依靠地面调查，然而该方法存在成本高㊁耗时长且难以获取大尺度数据等不足［４］㊂近年来，遥感技术飞速发展，为城市树种的准确快速识别提供了新的途径㊂然而，传统的高分辨率卫星遥感影像易受天气和环境因素干扰㊁时效性较差且费用昂贵㊂此外，免费提供的卫星遥感影像空间分辨率低，难以适用于树种层面的识别研究［５］㊂相比传统的遥感平台，近地无人机（ＵＡＶ）能在较小空间尺度上提供高分辨率的遥感影像和地理数据，具有更高的适用性，是遥感数据获取的重要手段之一［６］㊂然而，目前有关树种信息提取的无人机遥感研究多集中于多光谱㊁高光谱影像的分类领域，但由于搭载多光谱㊁高光谱传感器的无人机普遍价格昂贵，极大地限制了其在实际生产中的推广应用㊂随着数码技术的发展，通过搭载可见光传感器的无人机获取包含树种信息的遥感影像，具有获取方便㊁成本低㊁空间分辨率高等优点，已成为遥感影像识别树种研究方向上重要的数据源之一［７］㊂根据遥感影像分类单元的不同，可将分类方法归为基于像元和面向对象两类㊂基于像元的方法主要关注局部像素的光谱信息，在处理高分辨率遥感影像时对噪声比较敏感㊁稳健性差，极易出现错分㊁漏分现象［８］㊂为弥补基于像元方法的不足，面向对象的影像分析技术（ＯＢＩＡ）逐渐被用于处理高分辨率遥感影像［９］㊂ＯＢＩＡ方法综合考虑区域相邻像素的纹理㊁形态以及空间结构等多维特征，减少了 椒盐噪声 的同时，通常具有更高的准确率［１０］㊂然而，随着特征维数的增加，数据处理的难度呈几何倍数增长，使得传统分类算法的应用受到一定限制㊂随机森林（ＲＦ）是一种基于集成学习思想集成多颗决策树的机器学习算法，通过对样本的决策树建模以及组合多棵决策树的预测，最终由分类树投票决定数据的分类［１１］㊂随机森林算法不仅具有模型简单㊁分类精度更高㊁校正参数更少的特点，而且鲁棒性强，不易过拟合，在遥感领域高维特征分类中得到广泛应用［１２］㊂面向对象方法可以有效减少 同物异谱 现象，而随机森林算法在处理高维数据时有其独特的性能优势，二者的结合在一定程度上提高了分类精度㊂宗影等［１３］将面向对象方法和随机森林算法的有机结合，有效提高了滨海湿地植被的分类精度，总体精度达８７．０７％；赵士肄等［１４］将面向对象方法和随机森林算法应用于耕地领域，并与其他机器学习分类算法进行对比验证，结果表明基于面向对象的随机森林模型取得了最高的耕地提取精度，并减弱了 椒盐 噪声，优化了分类结果；耿仁方等［１５］研究结果表明，基于面向对象结合随机森林算法对岩溶湿地植被具有较高的识别能力，在９５％置信区间内的总体精度为８６．７５％㊂虽然该方法的研究已经取得了一定的成功，但不同类型的特征对城市树种信息提取效果的影响尚不明确㊂因此，面向对象结合随机森林的方法对于城市树种分类的效果有待进一步探讨㊂此外，目前主流的数据源是大尺度的卫星影像和航空影像，或者是特征信息更加丰富的多光谱和激光雷达影像，而消费级无人机可见光影像在城市树种的精细分类方面还鲜有报道㊂因此，本文以福州市仓山区无人机可见光影像为研究对象，基于ＯＢＩＡ－ＲＦ模型，通过特征优选，构建最佳子集并比较不同机器学习算法的分类精度，并分析不同特征对城市树种分类的影响，构建该研究区城市行道树的最佳特征子集，比较不同分类算法对城市树种的分类效果，进一步评估ＯＢＩＡ－ＲＦ模型的分类性能和适用性，为城市生态系统保护及生态环境治理提供技术支持㊂１㊀研究区概况研究区位于福建省福州市仓山区（见图１），该区域属于南亚热带海洋性季风气候温暖湿润，冬季无严寒，夏季无酷暑㊂年日照时间１７００ １９８０ｈ，年降水量９００ ２１００ｍｍ，气温２０ ２５ħ㊂福州市仓山区典型树种包括白兰（Ｍｉｃｈｅｌｉａ✕ａｌｂａ）㊁荔枝（Ｌｉ⁃ｔｃｈｉｃｈｉｎｅｎｓｉｓ）㊁芒果（Ｍａｎｇｉｆｅｒａｉｎｄｉｃａ）㊁南洋楹（Ｆａｌ⁃ｃａｔａｒｉａｆａｌｃａｔａ）㊁榕树（Ｆｉｃｕｓｍｉｃｒｏｃａｒｐａ）㊁棕榈（Ｔｒａ⁃ｃｈｙｃａｒｐｕｓｆｏｒｔｕｎｅｉ）㊁樟（Ｃｉｎｎａｍｏｍｕｍｃａｍｐｈｏｒａ）等㊂研究区地势平坦，自然环境相对复杂，具备城市的基本特征，对研究城市树种分类具有一定的代表性㊂２㊀研究方法２．１㊀无人机数据采集与预处理实验数据于２０２０年２月８日采集，采用搭载ＦＣ６３１０Ｓ可见光镜头的大疆精灵４Ｐｒｏ（ＤＪＩＰｈａｎｔｏｍ４Ｐｒｏ）无人机进行航拍获取研究区影像，为削弱阴影对分类过程的干扰，选择天气状况良好无风有云的时间段进行作业㊂飞行相关参数设置如下：航高设置为６０ｍ，航向与旁向重叠率均为７０％，镜头角度－９０ʎ，光圈值ｆ／５，曝光时间１／２００ｓ，ＩＯＳ速度为ＩＯＳ－４００㊂本次飞行共获得４５０张航拍影像，照片分辨率为５４７２ˑ３０７８㊂通过瑞士Ｐｉｘ４Ｄｍａｐｐｅｒ专业摄影测量软件对所采集的原始数据进行空中三角测量㊁点云重建㊁裁切以及镶嵌等操作，得到研究区的正射影像（ＤＯＭ）和数字地表模型（ＤＳＭ）㊂为了精确获得研究区的道路信息，采用天地图在线矢量影像作为辅助信息，并通过手绘的方式提取道路矢量数据㊂根据实际调查情况，利用缓冲分析，将缓冲距离设置为５ｍ，得到了行道树的矢量分布图，然后，将矢量布图与原始影像叠加，最终裁剪出了研究区影像㊂２．２㊀地形特征提取归一化数字表面模型（ｎＤＳＭ）是一种反映地物绝对高度的高程模型［１６］，可为地物判别提供可靠依９４第３期㊀㊀㊀㊀㊀㊀㊀陈逊龙，等：应用无人机可见光影像和面向对象的随机森林模型对城市树种分类据㊂使用ＡｒｃＭａｐ１０．２软件进行地形特征提取㊂首先，通过人工目视解译方法从ＤＳＭ中选取９５０个地面点，并批量提取栅格的高程信息，其中１００个样本点的高程数据用以验证精度㊂其次采用插值的方法生成数字高程模型（ＤＥＭ）㊂为获取更加精确的地面高程信息，比较常见的插值方法（克里金插值法㊁反距离权重法㊁样条插值法以及自然邻域法）生成的数字高程模型（ＤＥＭ），以均方根误差㊁平均绝对值误差和决定系数（Ｒ２）作为评分指标（见表１）㊂４种插值方法均可得到较高精度的ＤＥＭ数据，综合考虑决定系数（Ｒ２）㊁平均绝对值误差以及均方根误差，最终确定采用克里金插值法生成连续的ＤＥＭ数据㊂最后，根据已生成的ＤＥＭ数据，利用Ａｒｃ⁃Ｍａｐ１０．２软件中的栅格计算器，将ＤＳＭ数据与ＤＥＭ数据相减得到ｎＤＳＭ数据［１７］㊂图１㊀研究区概况图表１㊀不同插值方法精度评价方㊀法决定系数（Ｒ２）平均绝对值误差均方根误差克里金插值法０．９９０．０７０．０４反距离权重法０．９９０．０８０．０４样条插值法０．９９０．０８０．０５自然邻域法０．９９０．０７０．０４２．３㊀最佳分割尺度确定影像分割是面向对象方法中至关重要的初始环节，分割结果将直接影响分类精度［１８］㊂本研究采用尺度参数评价工具（ＥＳＰ２），结合目视解译的方法确定最佳分割尺度，所有图像分割过程均在ｅＣｏｇｎｉ⁃ｔｉｏｎ９．０Ｄｅｖｅｌｏｐｅｒ９．０软件完成㊂ＥＳＰ２是用以评价不同尺度影像整体最大差异性的工具，通过计算整体局部方差均值随尺度变化率评估不同地物所对应的最佳尺度参数［１９］㊂而ＥＳＰ２计算出的尺度参数往往是多个值，需要结合人工目视才能确定最佳分割尺度㊂形状参数和紧致度参数是准确表示不同树种轮廓，使得对象内部同质性高的关键㊂综合考虑无人机影像的特点以及影像对象形状和紧致度因子的相互关系，将形状参数设置为０．５，紧致度参数设置为０．３㊂其他必要参数为：各波段的权重值设置为１㊁起始分割尺度为４０㊁分割步长为１㊁迭代８０次㊂随着尺度的增大，局部方差均值整体呈现上升的趋势，而尺度变化率呈现下降的趋势（见图２）㊂为了获得图像的过分割和欠分割之间的临界值，选取尺度变化率峰值为５１㊁５７㊁７６㊁８０㊁８９㊁１０４㊁１０９和１１８作为相对最佳分割尺度参数，采用多尺度分割算法得到分割结果（见图３）㊂当分割尺度参数设置较大（分割尺度参数大于１０４）时，白兰㊁榕树和背景多处０５㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷被划分为同一个对象，不同树种存在混淆现象难以被区分㊂当分割尺度参数设置较小（分割尺度小于７６）时，不同地物内部出现了过分割现象，增加了数据冗余㊂当分割尺度参数设置７６ ８９时，植被与背景区分相对明显，不同的树种之间能够被分割成独立的对象，整体分割效果较为理想㊂权衡分割效果与实际情况的吻合度，最终确定研究区无人机影像最佳分割尺度参数为７６，并利用该分割尺度参数进行城市行道树提取㊂图２㊀ＥＳＰ２最佳分割尺度估计图图３㊀不同尺度参数分割效果图２．４㊀对象光谱特征提取光谱特征是遥感影像的重要特征之一，地物通常具有不同的光谱特征，因此根据可见光影像中的地物光谱信息的差异可以用来区分不同的地物类型［２０］㊂植被指数利用植被在不同波段下反射和吸收的特性，增强植被信息的同时使非植被信息最小化［２１］，被广泛应用于林业病虫害防治㊁农作物生长量估计㊁生态环境监测等领域［２２］㊂在遥感图像中，不同地物通常具有复杂程度不同的边缘特征，因此，形状特征可以作为快速准确识别地物类型的有效手段［２３］㊂纹理特征是遥感影像的底层特征，不受图像亮度的影响，能够综合反映像素的灰度分布和结构信息，利用纹理特征可以有效弥补可见光影像光谱信息的不足［６］㊂在面向对象的分类过程中，结合纹理特征对于提升分类精度效果显著［２４］㊂地形特征能真实反映不同地物的高程信息，在影像分类过程中对于区分不同类型的地物具有重要意义㊂因此，本研究共选取光谱㊁指数㊁纹理㊁几何以及地形５大特征，剔除无效特征筛选出４０个子特征，具体如下：（１）光谱特征（ＳＰＥＣ）：主要包括：红色（Ｒ）波段的像元亮度的均值（ＭＲ）㊁绿色（Ｇ）波段的像元亮度的均值（ＭＧ）㊁蓝色（Ｂ）波段像元亮度的均值（ＭＢ）㊁最大差异值（Ｍｄ）㊁亮度值（Ｂｒ）㊂（２）指数特征（ＩＮＤＥ）：包括植被颜色指数（ＩＣＩＶＥ）㊁可见光波段差异植被指数（ＩＶＤＶＩ）㊁联合指数２（ＩＣＯＭ２）㊁超绿指数（ＩＥＸＧ）㊁超绿超红差分指数（ＩＥＸＧＲ）㊁植被指数（ＩＶＧＥ）㊁归一化红绿差异指数（ＩＮＧＲＤＩ）以及归一化绿蓝差异指数（ＩＮＧＢＤＩ）（见表２）㊂（３）几何特征（ＧＥＯＭ）：包括面积㊁边界长㊁宽度㊁长度㊁不对称性㊁长宽比㊁边界指数㊁圆度㊁像素个数㊁紧致度㊁体积㊁密度㊁椭圆拟合㊁主方向㊁形状指数㊁最大封闭椭圆半径㊁最小封闭椭圆半径以及矩形拟合㊂１５第３期㊀㊀㊀㊀㊀㊀㊀陈逊龙，等：应用无人机可见光影像和面向对象的随机森林模型对城市树种分类（４）纹理特征（ＧＬＣＭ）：基于灰度共生矩阵（ＧＬＣＭ）提取影像的纹理特征，包括对比度（ＴＣＯＮ）㊁相关性（ＴＣＯＲ）㊁相异性（ＴＤＩＳ）㊁熵（ＴＥＮＴ）㊁同质度（ＴＨＯＭ）㊁均值（ＴＭＥＡ）㊁角二阶矩（ＴＡＳＭ）和标准差（ＴＳＤ）等特征值［６］（见表３）㊂（５）地形特征：归一化数字表面模型（ｎＤＳＭ）㊂表２㊀植被指数及表达式指数特征公㊀式归一化红绿差异指数（ＩＮＧＲＤＩ）［２５］ＩＮＧＲＤＩ＝（ＭＧ－ＭＲ）／（ＭＧ＋ＭＲ）归一化绿蓝差异指数（ＩＮＧＢＤＩ）［２６］ＩＮＧＢＤＩ＝（ＭＧ－ＭＢ）／（ＭＧ＋ＭＲ）超绿指数（ＩＥＸＧ）［２７］ＩＥＸＧ＝２ＭＧ－ＭＢ－ＭＲ超绿超红差分指数（ＩＥＸＧＲ）［２８］ＩＥＸＧＲ＝ＭＧ－ＭＢ－２．４ＭＲ可见光波段差异植被指数（ＩＶＤＶＩ）［２１］ＩＶＤＶＩ＝（２ＭＧ－ＭＲ－ＭＢ）／（２ＭＧ＋ＭＲ＋ＭＢ）植被颜色指数（ＩＣＩＶＥ）［２９］ＩＣＩＶＥ＝０．４４ＭＲ－０．８８ＭＧ－０．３９ＭＢ＋１８．７９植被指数（ＩＶＧＥ）［３０］ＩＶＧＥ＝ＭＧ／ＭａＲＭ１－ａＢ，ａ＝０．６６７联合指数２（ＩＣＯＭ２）［３１］ＩＣＯＭ２＝０．３６ＩＥＸＧ＋０．４７ＩＣＩＶＥ＋０．１７ＩＶＧＥ㊀㊀注：ＭＲ㊁ＭＧ㊁ＭＢ分别为红㊁绿㊁蓝波段像元亮度的均值㊂表３㊀纹理特征及表达式纹理指标公㊀式角二阶矩（ＴＡＳＭ）ＴＡＳＭ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）２对比度（ＴＣＯＮ）ＴＣＯＮ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑ（ｉ－ｊ）２相关性（ＴＣＯＲ）ＴＣＯＲ＝ðＮｇｉ＝０ðＮｇｊ＝０（（ｉ－ｕｘ）ˑ（ｊ－ｕｙ）ˑｐ（ｉ，ｊ）２）／σｘσｙ相异性（ＴＤＩＳ）ＴＤＩＳ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑ｜ｉ－ｊ｜熵（ＴＥＮＴ）ＴＥＮＴ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑｌｎｐ（ｉ，ｊ）同质度（ＴＨＯＭ）ＴＨＯＭ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑ（１／（１＋（ｉ＋ｊ）２））均值（ＴＭＥＡ）ＴＭＥＡ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑｉ标准差（ＴＳＤ）ＴＳＤ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑ（ｉ－ｕｘ）２㊀㊀注：其中ｉ，ｊ是像元在图像中的行列坐标，ｐ（ｉ，ｊ）为像素对的频数，Ｎｇ为灰度级数，ｕｘ㊁σｘ分别为ｐｘ的均值和标准差，ｕｙ㊁σｙ分别为ｐｙ的均值和标准差㊂２．５㊀试验样本选取本实验通过实地调查获取样本数据㊂调查者沿着研究区的主要道路记录了绿化树种，并排除了数量较少或被其他冠层遮挡的树种，最终确定了７类树种（白兰（Ｍｉｃｈｅｌｉａ✕ａｌｂａ）㊁荔枝（Ｌｉｔｃｈｉｃｈｉｎｅｎｓｉｓ）㊁芒果（Ｍａｎｇｉｆｅｒａｉｎｄｉｃａ）㊁南洋楹（Ｆａｌｃａｔａｒｉａｆａｌｃａ⁃ｔａ）㊁榕树（Ｆｉｃｕｓｍｉｃｒｏｃａｒｐａ）㊁棕榈（Ｔｒａｃｈｙｃａｒｐｕｓｆｏｒ⁃ｔｕｎｅｉ）㊁樟（Ｃｉｎｎａｍｏｍｕｍｃａｍｐｈｏｒａ））以及草地㊁灌木作为研究对象㊂根据遥感影像中不同地物类型的分布位置与大致面积比例，共选取了１１００个样本点㊂为了避免较小的样本数量影响模型分类精度，将最小样本数量设置为６０㊂采用Ｓｃｉｋｉｔ－ｌｅａｒｎ中内置的ｔｒａｉｎ＿ｔｅｓｔ＿ｓｐｌｉｔ函数进行分层抽样，按７：３的比例将数据划分为训练集和测试集（见表４），使各类别样本点数量大致与该类别的总面积成比例㊂训练集用于构建分类模型，测试集用于验证分类精度㊂表４㊀训练和验证样本地物总样本数训练样本数测试样本数白兰２００１４０６０草地５０３５１５灌木５０３５１５荔枝１４０９８４２芒果２００１４０６０南洋楹１２０８４３６榕树１４０９８４２棕榈６０４２１８樟１２０８４３６总计１１００７７０３３０２．６㊀分类模型与参数优化２．６．１㊀随机森林算法随机森林算法（ＲＦ）是一种通过集成学习的装袋思想将多棵决策树集合起来的算法，每棵决策树都充当预测目标类别的分类器㊂随机森林模型在样本数据和分类特征选择方面具有随机性，不容易过拟合，并且表现出良好的稳健性，即使在处理具有缺失值的高维数据时，仍能保持较高的分类精度㊂因此，它被认为是当今最好的算法之一［３２］㊂目前，随机森林算法已经广泛集成在各种软件包中，使用Ｓｔａｔａ数据管理统计绘图软件㊁Ｒ语言统计软件可以轻松实现㊂在模型构造的过程中，通常只需要确定每个树节点包含的特征数量（Ｍ）以及决策树数量（Ｎ），就足以保证模型的性能［３３］㊂本文采取递归特征消除法（ＲＦＥ）［３４］结合交叉验证（Ｃｒｏｓｓ－Ｖａｌｉｄａｔｉｏｎ）确定最佳特征数（见图４）㊂随着特征维数的增加，整体分类精度曲线经历 几何增长 ㊁ 缓慢上升 这个两个阶段后趋于平稳㊂当特征数为２０时，各分类精度曲线均处于相对最高点，因此最终将特征数量的参数设置为２０㊂在使用装袋方法生成训练集的过程中，随机森林算法会导致原始数据集中大约３７％的数据未被抽到，这部分数据被称为袋外（ＯＯＢ）数据㊂利用袋外数据对随机森林模型进行评估是一种无偏估计方法，且在一定程度上能减少计算量，提高算法的运行效率［３５］㊂因此，本文采取遍历不同数量（１ １０００）决策树的方法，通过比较袋外误差的大小，确定最佳的决策树数量（见图５）㊂当决策树数量小于８５时，不同子集的袋外数据误差均随着决策树数量的增加而急剧下降，而后随着决策树数量的增加袋外数据误差的下降速度逐渐迟缓，当决策树数量为２００时，袋外数据误差处于相对最低点㊂因此，选择决策树２５㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷的最佳数量为２００㊂图４㊀模型分类精度与特征数的关系曲线图５㊀袋外误差与决策树数量的关系曲线２．６．２㊀其他分类模型为充分探索随机森林算法对城市树种信息提取的适用性，引入当下流行的机器学习算法作为对照，包括极致梯度提升（ＸＧＢｏｏｓｔ）㊁轻量级梯度提升机（ＬｉｇｈｔＧＢＭ）以及ｋ最近邻算法（ＫＮＮ）㊂ＸＧＢｏｏｓｔ是一种基于增强学习（Ｂｏｏｓｔｉｎｇ）的集成算法，它通过在梯度下降方向上将弱分类器集成到强分类器中，并迭代生成新树以拟合先前树的残差㊂ＸＧＢｏｏｓｔ能够自动利用中央处理器（ＣＰＵ）的多线程进行分布式学习和多核计算，在保证分类准确度的前提下提高计算效率，尤其适用于处理大规模数据［３６－３７］㊂ＬｉｇｈｔＧＢＭ也属于增强学习方法，基本原理与ＸＧ⁃Ｂｏｏｓｔ相似㊂但ＬｉｇｈｔＧＢＭ使用基于直方图的决策树算法来减少存储与计算成本，并优化模型训练速度［３８］㊂ＫＮＮ算法是一种近似自变量与连续结果之间的关系的非参数方法［３９］，其基本思路是通过计算待分类样本与临近样本的距离（欧氏距离㊁曼哈顿距离）来确定所属类别，是一种简单而有效的分类算法㊂为了防止过拟合，本研究在ＪｕｐｙｔｅｒＮｏｔｅｂｏｏｋ平台上利用Ｓｃｉｋｉｔ－ｌｅａｒｎ库中的ＧｒｉｄＳｅａｒｃｈＣＶ包对这３种分类器参数进行了调优（见表５）㊂表５㊀不同分类器的超参数分类器参㊀数参数取值范围极致梯度提升（ＸＧＢｏｏｓｔ）决策树数量［５０，１００，１５０，２００］最大树深度［３，５，７，９］学习率［０．０１，０．０５，０．１０］样本抽样率［０．６，０．８，１．０］特征抽样率［０．６，０．８，１．０］轻量级梯度提升机（ＬｉｇｈｔＧＢＭ）学习率［０．０１，０．０５，０．１０］决策树数量［５０，１００，１５０，２００］叶子节点数［１０，２０，３０，４０］最大树深度［３，５，７，９］ｋ最近邻算法（ＫＮＮ）近邻数［１，２，３，４，５，６，７，８，９，１０］２．７㊀试验方案构建不同树种之间单一特征的差异有限，难以满足树种分类的要求㊂因此，本研究采取增加特征数量的方式来提高分类精度，并探究不同特征组合对分类结果的影响（见表６）㊂表６㊀研究区各地物特征值地物特征不同地物的特征值草地灌木白兰荔枝芒果南洋楹榕树棕榈樟面积６８５９．６７３６３６．７３２９２８．７９７１９４．０５７２００．１０８６８８．４８３４５７．７５２２６３．１３７３２５．０１不对称性０．５５０．４３０．４４０．４３０．４５０．４２０．４８０．５６０．４５边界指数１．７４１．４６２．０１１．９７１．９９１．８４２．０６２．１９１．７９边界长５７８．７０３４０．２０４３１．９５６５０．４１６６９．２９６７０．７３４８８．１６４０８．６３６０１．００亮度值８３．１０７８．７９１１５．６９７４．０９７７．２０８１．１５７１．６３９６．８７６３．８３植被颜色指数－２９．１４－３３．１７－４７．７８－２１．１５－１８．８９－２１．６２－２９．９６－１７．７４－２０．１８联合指数２１４．１１１６．２５２０．１９１１．７４１０．７５１１．６０１５．２７９．２５１１．８２紧致度１．８５１．６３１．８７１．９１１．８６１．８０２．００２．３６１．８５密度２．０３２．１０２．０４２．１０２．１０２．１６１．９７１．８２２．０９超绿指数７６．６０８７．７７１１７．８１５９．６２５３．９３５９．８２８０．８３４８．３１５８．５２超绿超红差分指数－２１５．５６－２０４．０６－３０４．３３－１９４．８８－２０４．０７－１９９．５４－１６８．３２－２７３．２４－１５５．９７椭圆拟合０．６８０．７５０．６３０．６７０．６７０．７１０．５９０．５００．６８角二阶矩０００００００００对比度５５６．７７７８６．２４８７７．５５５９７．２９６１４．１２７７０．７７７１４．２５７６５．５１５１４．１１相关性０．８７０．８２０．８２０．８８０．８８０．８４０．８５０．８６０．９０相异性１７．１３１９．０５２１．６６１８．１２１８．６８２０．２８１９．７２１９．６２１６．６４熵８．７９８．６６８．９０９．１４９．１８９．１９８．９４８．６９９．０７同质度０．０６０．０６０．０５０．０５０．０５０．０５０．０５０．０５０．０６均值１２７．０３１２６．０７１２５．６７１２６．８１１２６．６８１２６．７３１２６．２３１２５．９７１２６．８８３５第３期㊀㊀㊀㊀㊀㊀㊀陈逊龙，等：应用无人机可见光影像和面向对象的随机森林模型对城市树种分类续（表６）地物特征不同地物的特征值草地灌木白兰荔枝芒果南洋楹榕树棕榈樟标准差３４．１７３４．６５３６．２３３６．４０３６．２３３５．７６３６．４０３７．６６３６．３２长度１４３．４５９１．１０８５．９６１３６．３３１３６．９０１４４．３８１００．０３８９．６２１３８．３１长宽比１．８１１．７４１．５２１．５５１．５５１．５１１．６２１．７８１．６１主方向１１３．６１１３０．６３９５．３２９６．５２９４．５６９４．５５９１．４８８３．５６８１．４５最大差异值１．６４１．６９１．５３１．４７１．３６１．２０１．５０１．３４１．４６蓝色（Ｂ）波段像元亮度的均值８４．４７６６．８０９４．６２７４．２０７９．０８８１．７２６３．６４１０５．５３６４．３８绿色（Ｇ）波段像元亮度的均值１３６．２２１３３．７５１８９．３６１１６．２８１１６．９０１２０．４０１１８．７９１４１．２９１０１．７２红色（Ｒ）波段像元亮度的均值１１１．３８１１２．９２１６６．２８９８．７４１００．７９９９．２６９３．１１１２８．７５８０．５５归一化数字表面模型０．３２１．７０１２．５１７．１６１２．０４２３．２０１０．９６１１．９３８．６７归一化绿蓝差异指数０．２１０．２７０．２７０．２００．１７０．１８０．２６０．１３０．２１归一化红绿差异指数０．１００．０９０．０７０．０８０．０７０．１００．１３０．０５０．１２像素个数６８５９．６７３６３６．７３２９２８．７９７１９４．０５７２００．１０８６８８．４８３４５７．７５２２６３．１３７３２５．０１最大封闭椭圆半径０．５８０．７２０．４９０．５６０．５４０．６１０．４５０．３８０．５９最小封闭椭圆半径１．４５１．３９１．４４１．４９１．４５１．４３１．５１１．６３１．４５矩形拟合０．８２０．８６０．８００．８２０．８２０．８３０．７８０．７４０．８２圆度０．８６０．６７０．９５０．９３０．９２０．８２１．０６１．２５０．８６形状指数１．８４１．５５２．０９２．０４２．０６１．９０２．１６２．３２１．８６可见光波段差异植被指数０．１７０．２００．１９０．１５０．１３０．１４０．２１０．０９０．１７植被指数１．３６１．４３１．３８１．３０１．２６１．３０１．４６１．１８１．３７体积６８５９．６７３６３６．７３２９２８．７９７１９４．０５７２００．１０８６８８．４８３４５７．７５２２６３．１３７３２５．０１宽度８０．７８５２．７５５８．０３９０．８１９０．４９９７．８８６２．９６５１．４６８８．９４㊀㊀根据优选特征贡献率（见表７），将所选取的５大特征组合形成了１０种试验方案（Ｓ１ Ｓ１０）㊂光谱特征作为每幅遥感影像的基本特征，作为基础被纳入到这１０种方案的构建中㊂其中，Ｓ１仅包含光谱特征；为了全面探究其他特征对分类结果的影响，在Ｓ１基础上引入了地形㊁指数㊁纹理等３个总体特征贡献率较高的特征，通过遍历这３个特征的各种组合得到了Ｓ２ Ｓ８；Ｓ９包含了所有的特征；根据２０个优选特征组合建立Ｓ１０，具体的分类方案见表８㊂表７㊀优选特征重要性优选特征重要性／％归一化数字表面模型１４．９６最大差异值１２．４１联合指数２５．５７植被颜色指数５．４２绿色（Ｇ）波段像元亮度的均值４．８４归一化绿蓝差异指数４．６７超绿指数４．５８亮度值４．３６可见光波段差异植被指数３．４２植被指数３．２６红色（Ｒ）波段像元亮度的均值３．０５角二阶矩２．９０蓝色（Ｂ）波段像元亮度的均值２．８６超绿超红差分指数２．７８标准差２．２５归一化红绿差异指数２．２３熵２．０３相关性１．９７均值１．４１边界指数１．２８表８㊀分类方案方案特征子集特征数量Ｓ１光谱５Ｓ２光谱＋地形６Ｓ３光谱＋指数１３Ｓ４光谱＋纹理１３Ｓ５光谱＋地形＋指数１４Ｓ６光谱＋地形＋纹理１４Ｓ７光谱＋指数＋纹理２１Ｓ８光谱＋地形＋指数＋纹理２２Ｓ９光谱＋地形＋指数＋纹理＋几何４０Ｓ１０优选特征２０２．８㊀精度评价本文根据混淆矩阵对模型的分类精度进行定量评价㊂混淆矩阵也称为误差矩阵，是遥感影像二分类问题上的一种评价方法，反映了分类结果与真实地物类别之间的相关性［４０］㊂混淆矩阵的评价指标包括总体精度（ＯＡ）㊁Ｋａｐｐａ系数（Ｋｐ）㊁生产者精度（ＰＡ）以及用户精度（ＵＡ）㊂其中，总体精度指正确分类样本与总体样本的比值；生产者精度指分类结果与参考分类相符合的程度；用户精度指样本分类正确的可能性；Ｋａｐｐａ系数是用于检验遥感影像分类结果的一致性，也可以用以均衡分类效果［４１］㊂各指标计算公式如下：㊀㊀㊀㊀㊀ＯＡ＝ðｎｉ＝１ｘｉｉＮ；㊀㊀㊀㊀㊀Ｋｐ＝Ｎðｎｉ＝１ｘｉｉ－ðｎｉ＝１ｘｉ＋ｘ＋ｉＮ２－ðｎｉ＝１ｘｉ＋ｘ＋ｉ；４５㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷㊀㊀㊀㊀㊀ＰＡ＝ｘｉｉ／ｘ＋ｉ；㊀㊀㊀㊀㊀ＵＡ＝ｘｉｉ／ｘｉ＋㊂式中：Ｎ为参与评价的样本总数；ｎ为混淆矩阵的行列数；ｘｉｉ为混淆矩阵第ｉ行㊁第ｉ列上的样本数；ｘｉ＋和ｘ＋ｉ分别为第ｉ行和第ｉ列的样本总数㊂３㊀结果与分析３．１㊀随机森林算法的不同分类方案精度由表９可知，随着不同特征类型数量的增加，总体分类精度和ｋａｐｐａ系数整体呈上升趋势㊂其中，仅利用光谱特征作为分类依据的方案Ｓ１精度最低，总体精度和ｋａｐｐａ系数分别为８２．１２％和０．７９，说明光谱特征是遥感影像最重要的特征之一，但仅利用光谱特征难以达到所需的分类精度㊂方案Ｓ２ Ｓ４是在Ｓ１的基础上分别加上地形㊁指数和纹理特征，相比方案Ｓ１，这３个方案的总体分类精度分别提高了５．１５％㊁４．５５％㊁１．８２％，ｋａｐｐａ系数分别提高了０．０６㊁０．０６㊁０．０３㊂在分类过程中，地形特征相较于指数和纹理特征扮演着更重要的角色，大幅提高了分类精度㊂方案Ｓ５ Ｓ７是在光谱特征的基础上加入地形㊁指数和纹理特征的两两组合，旨在研究它们之间的相互作用对分类精度的影响㊂整体而言，与Ｓ２ Ｓ４相比，这３个方案的总体分类精度呈上升趋势㊂其中，Ｓ６具有最高的总体精度和ｋａｐｐａ系数，分别达到９０％和０．８８；其次是Ｓ７，和Ｓ１相比，总体精度和ｋａｐｐａ系数分别提高了７．２７％和０．０９；而Ｓ５总体精度和ｋａｐｐａ系数只增长了６．３６％和０．０８㊂表明地形与指数特征交互作用在分类过程中提供了更大的贡献度㊂方案Ｓ８是由特征重要性靠前的光谱㊁地形㊁指数以及纹理特征构成㊂与包含所有特征的方案Ｓ９相比，Ｓ８反而具有更高的总体分类精度和ｋａｐｐａ系数，分别达到９２．１２％和０．９１㊂表明几何特征对分类精度具有负向影响，它的加入降低了分类精度㊂方案Ｓ１０由优选特征组成，其获得了所有子集中最高的分类精度和ｋａｐｐａ系数，分别为９２．４２％和０．９１㊂与Ｓ９相比，分类精度提高了０．６０％㊂说明特征优选方法能消除高维复杂特征间的信息冗余，使模型仅利用较少特征数量并获得更高的运行效率和分类精度㊂表９㊀不同分类方案分类精度方案总体精度／％Ｋａｐｐａ系数方案总体精度／％Ｋａｐｐａ系数Ｓ１８２．１２０．７９Ｓ６９０．０００．８８Ｓ２８７．２７０．８５Ｓ７８９．３９０．８８Ｓ３８６．６７０．８５Ｓ８９２．１２０．９１Ｓ４８３．９４０．８２Ｓ９９１．８２０．９１Ｓ５８８．４８０．８７Ｓ１０９２．４２０．９１㊀㊀由表１０可知，虽然Ｓ１方案的用户精度与生产者精度整体上处于最低水平，但棕榈树的用户精度达到了１００％，表明棕榈与其他树种存在明显的光谱差异㊂方案Ｓ２加入地形指数后，各类地物的用户精度与生产者精度相比Ｓ１都有不同程度的提高，用户精度提升幅度１．８８％ ８．１８％，生产者精度提升幅度２．７８％ １１．１１％，因为地形特征的加入更好的反映了不同地物之间的空间关系，从而大幅提高了分类精度㊂方案Ｓ３在Ｓ１的基础上加入了指数特征，荔枝㊁榕树以及樟的用户精度分别提升了１０．９５％㊁９．１８％和８．７２％，说明植被指数对荔枝㊁榕树以及樟分类效果显著，但对于其他树种的区分能力有限㊂方案Ｓ４加入纹理特征，芒果和樟的用户精度提升了８．８５％和９．００％，而棕榈和榕树的生产者精度分别提升了２２．２２％和１１．９％，说明这些树种的纹理结构特异性强与其他地物的差异显著，因此纹理特征的加入对分类精度有正向影响㊂方案Ｓ５与Ｓ２相比，荔枝和榕树的用户精度提升了７．０５％和５．１２％，而草地的精度下降了５．８８％；与Ｓ３相比，灌木的用户精度提升了４．４７％㊂总体而言，地形特征与指数特征的组合对分类精度的提升不显著，并且在某些树种的分类上精度出现不同程度的下降，说明这二者的组合产生了冗余信息影响了分类精度㊂方案Ｓ６与Ｓ２相比，芒果与樟的用户精度分别提升了６．４４％和７．６６％，而棕榈树和榕树的生产者精度分别提升了２７．７８％和１１．９０％，这个结果与方案Ｓ４类似，说明地形特征和纹理特征的组合与树种的分类精度呈正相关㊂方案Ｓ７与Ｓ６相比，除个别树种外，整体精度出现了不同程度的降低，波动范围为－６．２１％ ４．０４％㊂然而，与方案Ｓ５相比，总体分类精度有一定的提升，波动范围是－０．５８％ ７．５５％㊂方案Ｓ８与表现最好的方案Ｓ７相比，荔枝和榕树的总体分类精度分别提升了９．４２％和６．６７％，其他树种的总体分类精度保持稳定，这表明高维度的特征组合带来了更多的信息，在一定程度上提高了分类精度㊂综合所有特征的方案Ｓ９与Ｓ８相比，总体分类精度呈现出不升反降的现象，波动范围为－１０．２３％ ４．７４％，说明高纬度的特征产生了冗余信息，影响了随机森林模型的分类性能㊂优选特征子集Ｓ１０与Ｓ９相比，总体分类精度有所提升，其中灌木㊁草地以及荔枝的用户精度分别提升了１０．２３％㊁５．８８％和３．５５％㊂由此可见，特征优选通过对高维数据集的降维和优化，使模型仅利用较少的特征仍能保证良好的分类效果㊂３．２㊀应用优选特征子集对不同分类模型的精度评价由表１１可知，随机森林模型的分类精度最高，总体精度为９２．４２％，比ｋ最近邻算法（ＫＮＮ）㊁极致５５第３期㊀㊀㊀㊀㊀㊀㊀陈逊龙，等：应用无人机可见光影像和面向对象的随机森林模型对城市树种分类。

基于无人机的遥感图像的地表覆盖类型分类无人机技术在现代的应用非常广泛，其中包括遥感技术。

遥感技术是利用遥感传感器采集地球表面信息的一种手段，其间接性和综合性是其他传统调查手段不可比拟的。

地表覆盖类型分类是遥感技术在实际应用中最广泛的一个领域，无人机遥感图像也成为地表覆盖类型分类的新兴技术。

地表覆盖类型分类是指将地球表面不同的特征分类成为若干种不同的类型。

这些类型通常包括草地、耕地、林地、城市、水面等等。

由于不同的地表类型具有不同的反射特性，因此可以利用遥感技术进行遥感图像分类。

遥感图像分类可以为土地利用规划、环境监测、自然资源调查等提供重要信息。

传统的遥感图像分类方法主要有像元分类方法、像元邻域分析方法和对象识别方法。

像元分类方法基于像元图像值分布特征进行分类，又可分为有监督分类和无监督分类。

像元邻域分析方法是基于像元邻域的分割与分类来进行地表覆盖类型分类。

对象识别方法则是利用相邻像元之间的关联性，将相邻像元组成完整的图像对象，进而进行分类。

无人机遥感图像分类具有许多优势。

一方面，无人机遥感图像的高分辨率是它的优势之一。

相比于传统的遥感图像，无人机遥感图像可以提供更加细致和清晰的图片，从而保证更加精确地的分类结果。

另一方面，无人机遥感图像的实时性和动态性也非常突出。

传统的遥感图像通常需要较长时间处理和拍摄，而无人机遥感图像则具有瞬间获取和实时传输的能力，大大降低了时间和成本成本。

无人机遥感图像的分类方法也有很多。

一种方法是基于特征提取和机器学习的方法。

特征提取通常包括光谱信息和纹理信息等方面。

机器学习方法可以利用现有数据来训练模型，从而实现自动分类。

常用的机器学习算法包括支持向量机、决策树、神经网络等等。

另一种方法是基于深度学习的方法。

深度学习是一种基于大量数据和深度神经网络的机器学习方法，其可以更加精确地分类。

总的来说，无人机遥感图像作为一种新型遥感技术，具有许多优势和重要的应用前景，尤其是在地表覆盖类型分类方面。

第三次国土调查中面向对象的自动分类技术运用分析第三次国土调查是国家对自然资源、土地利用状况等方面进行全面调查的一次重要活动。

而在这次国土调查中，面向对象的自动分类技术是一项非常重要的技术，它可以大大提高调查的效率和精度。

本文将就第三次国土调查中面向对象的自动分类技术运用进行分析。

一、面向对象的自动分类技术概述面向对象的自动分类技术是指利用计算机技术对数字影像进行自动分类划分的技术。

它通过识别数字影像中的不同对象，将其分成不同的类别，从而实现对地物的自动分类。

传统的影像分类技术主要是基于像元的分类方法，即将影像中的每个像元都进行分类判断，而面向对象的自动分类技术则是基于影像中的对象来进行分类划分，从而能够更好地反映地物的实际情况。

面向对象的自动分类技术主要包括以下几个步骤：首先是影像预处理，对数字影像进行去噪、增强等处理；然后是对象识别，通过目标检测和分割的方法对数字影像中的不同对象进行识别；接着是特征提取，对识别出的对象进行特征提取，获取其形状、颜色、纹理等特征信息；最后是分类划分，利用机器学习和模式识别等方法对对象进行分类划分。

在第三次国土调查中，面向对象的自动分类技术得到了广泛的应用。

首先是在土地利用状况的调查中，利用面向对象的自动分类技术可以对数字影像中的不同土地利用类型进行自动分类，比如农田、林地、水域等，从而可以更精确地获取土地利用状况的信息，为土地规划和管理提供依据。

其次是在自然资源调查中，面向对象的自动分类技术可以对数字影像中的森林、草地、湖泊等自然资源进行自动分类，从而可以更好地了解自然资源的分布和数量情况，为资源保护和合理利用提供支持。

在城市规划和土地利用规划中，面向对象的自动分类技术也可以对城市建设用地、居民区、工业区等进行自动分类，为城市规划和土地利用规划提供科学依据。

1. 提高调查效率。

利用面向对象的自动分类技术可以对数字影像中的地物进行自动分类，大大提高了调查的效率。

传统的影像分类需要人工逐像元进行判断，耗时耗力，而面向对象的自动分类技术可以实现自动分类，节省了大量的人力和时间。

无人机图像分类与地物识别研究无人机（Unmanned Aerial Vehicle，UAV）技术已经在很多领域得到了广泛的应用，其中就包括了遥感。

通过搭载各种成像传感器，像加装热成像仪、多光谱相机等，无人机可以从空中进行高分辨率、高灵敏度的数据采集等，应用于农业、自然资源调查、城市规划、环境监测等领域。

其中，无人机图像的分类与地物识别研究显得尤为重要。

无人机通过搭载高清相机，可以实现图像的高分辨率采集，得到一张尽可能精细的图像。

这张图像通常是由许多象素构成的，其中每个象素都对应一定的空间位置和颜色信息。

通过分析图像中每个象素所包含的颜色和亮度等信息，我们可以将他们进行分类，知道它们所代表的地物类型。

地物识别研究是地物分类的高级应用，它可以为我们提供更加全面的地物信息。

通过无人机对拍摄出来的图像进行地物识别，我们可以更准确地判断地物类型，获得更多有价值的数据。

同时，凭借着无人机在空间视野的特点，地物识别的数据可以提供我们更广阔的分析空间。

无人机图像分类和地物识别方面的研究，不仅需要用到计算机视觉、图像处理技术，同时还需要涉及深度学习等前沿技术。

通过构建分类模型和识别模型，对图像信息进行快速、自动分类和地物识别，可以提高大规模地物信息的获取和加工效率。

对于图像分类方面的研究，目前广泛采用CNN（Convolutional Neural Network）等神经网络进行处理。

在无人机图像这类数据中，我们通常会遇到一些情况，例如：数据量较大、类别数目较多、背景复杂。

这些都会导致现有模型在实际应用时出现准确度不足的情况。

如何对现有模型进行优化，进一步提高分类准确度，是当前无人机图像分类方面的研究热点之一。

而对于地物识别研究方面，相比图像分类，需要考虑的问题更多。

在现实应用中，我们往往面临光照、遮挡、复杂背景等复合环境下的数据处理。

如何针对这些情况进行数据处理、模型设计，提高地物识别准确度，提升模型的鲁棒性，也是我们需要重点关注和探究的问题。

基于无人机影像的面向对象建筑物震害提取研究地震发生后及时获取灾区的遥感影像可为应急救援、指挥决策和灾害评估等提供可靠的数据支撑。

低空无人机遥感系统弥补了卫星遥感受天气影响较大和卫星过境时效性等方面的不足,同时具备轻便灵活、受天气影响较小、场地条件限制小、可深入人员无法进入的灾区获取影像等特点,在地震应急中发挥着日益重要的作用。

地震发生时建筑物的损坏是造成人员伤亡和经济损失的重要因素,因此开展建筑物破坏的精准评估和快速自动提取对减轻灾害损失具有重要意义。

低空无人机遥感系统可以快速获取灾区的高分辨率正射影像。

通过高分辨率的正射影像可以第一时间了解每一地区的受灾情况,从而更加科学合理地指挥应急救援、物资投放等。

但是,在依据建筑物破坏进行烈度或损失评估等时,正射影像仅能获取建筑物的顶部信息,难以获取底部或墙体倒塌受损的建筑物震害信息,这在一定程度上限制了灾害损失评估的精度。

近几年快速发展的无人机倾斜摄影技术很好地解决了这一难题。

倾斜摄影技术可以从多个角度对建筑物进行影像拍摄,不仅可以获取建筑物的顶部信息,还可以获取墙体裂缝或者楼梯倒塌等三维立体震害特征。

在建筑物震害的自动提取方面,传统的数据源为灾区的正射影像,使用建筑物的二维平面特征进行震害提取,而使用倾斜摄影技术可生成建筑物的三维特征。

已有研究表明结合建筑物三维特征可在一定程度上提高建筑物震害的提取精度。

为探讨倾斜摄影无人机影像的震害表现特征与其在震害自动提取方面的应用,本文以北川老县城为研究区,通过无人机低空遥感系统采集研究区高分辨率正射和倾斜影像,结合三维建模技术生成高分辨率的地面三维模型、密集点云数据和DOM(Digital Orthophoto Map,数字正射影像图)。

基于以上数据,本文研究工作主要分为以下两个部分:(1)结合研究区结构类型损坏特点,构建基于倾斜影像特征的建筑物震害精细分类体系,将该地区建筑物破坏类型分为3大类11小类,并对各个类型的三维震害特点与实地调查结果进行对比分析。

基于面向对象的无人机正射影像地物分类宋雪莲;阮玺睿;张威;张文;丁磊磊;雷霞;谢彩云;陈伟;王志伟【期刊名称】《测绘科学技术》【年(卷),期】2018(006)003【摘要】无人机航拍能够快速准确获取地表的高分辨率影像,已经成为遥感数据获取的重要手段之一。

采用eCognition软件面向对象分类方法,对无人机影像进行地物分类研究。

通过ENVI OneButton生成无人机正射镶嵌影像,选择合适的分割参数对实验区影像进行多尺度分割,找出最优的分割尺度。

利用eCognition特征优化功能选择最优对象特征组合,进行最近邻分类。

结果表明,分类的总体精度达到83%,Kappa达到0.8,采用eCognition面向对象的分类方法能够较为准确地得到地物覆盖信息。

利用无人机技术和eCognition面向对象分类方法,可充分利用影像的光谱信息和形状、纹理等空间信息,能够实现地物信息的快速、准确提取。

【总页数】9页(P165-173)【作者】宋雪莲;阮玺睿;张威;张文;丁磊磊;雷霞;谢彩云;陈伟;王志伟【作者单位】[1]贵州省农业科学院草业研究所,贵州贵阳;[1]贵州省农业科学院草业研究所,贵州贵阳;[2]贵州省水利水电勘测设计研究院,贵州贵阳;[1]贵州省农业科学院草业研究所,贵州贵阳;[3]贵州阳光草业科技有限责任公司,贵州贵阳;[1]贵州省农业科学院草业研究所,贵州贵阳;[1]贵州省农业科学院草业研究所,贵州贵阳;[1]贵州省农业科学院草业研究所,贵州贵阳;[1]贵州省农业科学院草业研究所,贵州贵阳;[1]贵州省农业科学院草业研究所,贵州贵阳【正文语种】中文【中图分类】TP39【相关文献】1.基于面向对象的QUICKBIRD数据和SAR数据融合的地物分类 [J], 王宇航;范文义;刘超逸2.基于面向对象分类方法在SPOT影像中的地物信息提取 [J], 祖琪;袁希平;莫源富;袁磊3.基于无人机遥感和面向对象法的简单地物分类研究 [J], 袁慧洁4.面向对象的无人机影像地物分类 [J], 马飞虎;徐发东;孙翠羽5.基于Wordview-3数据的面向对象地物分类研究 [J], 叶蕾;蒋永泉;沈润;罗琪因版权原因，仅展示原文概要，查看原文内容请购买。

无人机影像分割尺度及地物分类研究1.研究背景无人机遥感技术的快速发展和广泛应用，为地物分类和影像分割提供了新的途径和工具。

无人机搭载的高分辨率相机可以获取到高精度、高分辨率的影像数据，为地物分类和影像分割提供了更细致的信息。

因此，研究无人机影像分割尺度及地物分类成为当前遥感领域的热点问题。

2.研究内容（1）影像分割尺度的选择影像分割的尺度是指将复杂的影像数据划分为一系列由相似特征组成的空间单元的过程。

影像分割尺度的选择对最终的分类结果有着重要的影响。

研究者可以根据需要而选择不同的分割尺度，比如基于像素的分割尺度、基于物体的分割尺度以及基于语义的分割尺度等。

在无人机影像分割中，可以根据地物的大小和形状特征选择适当的分割尺度，以提高分类精度和运算效率。

（2）地物分类方法地物分类是将影像数据中的像素归类到不同的地物类别中的过程。

在无人机影像分割中，地物分类方法可以采用传统的机器学习方法，如支持向量机（SVM）、随机森林（RF）等。

此外，深度学习方法，如卷积神经网络（CNN）也可以用于地物分类。

深度学习方法具有较好的自适应性和泛化能力，对地物分类有着良好的效果。

（3）地物精度评价对于无人机影像分割尺度及地物分类研究，地物精度评价是不可忽视的一部分。

常用的评价指标包括像元精度、面精度、判图精度等，可以用于评估地物分类结果的准确性和一致性。

3.研究意义无人机影像分割尺度及地物分类的研究对于提高地物分类的精度和效率具有重要意义。

通过选择合适的分割尺度和分类方法，可以实现对地物的精确检测和识别，有助于对地表进行精细的分析和监测。

此外，研究无人机影像分割尺度及地物分类还可以为城市规划、土地利用、生态环境等领域的研究和应用提供支撑。

4.研究方法在研究无人机影像分割尺度及地物分类时，可以采用以下方法：（1）数据采集：通过无人机采集高分辨率影像数据。

（2）数据预处理：对采集到的影像数据进行去噪、辐射定标、几何校正等处理。

第４３卷第３期２０２０年３月测绘与空间地理信息ＧＥＯＭＡＴＩＣＳ＆ＳＰＡＴＩＡＬＩＮＦＯＲＭＡＴＩＯＮＴＥＣＨＮＯＬＯＧＹＶｏｌ.４３ꎬＮｏ.３Ｍａｒ.ꎬ２０２０收稿日期:２０１８－０９－２５作者简介:袁慧洁(１９９４－)ꎬ女ꎬ山东菏泽人ꎬ测绘工程专业硕士研究生ꎬ主要研究方向为地理国情遥感监测ꎮ基于无人机遥感和面向对象法的简单地物分类研究袁慧洁(山东科技大学测绘科学与工程学院ꎬ山东青岛２６６５９０)摘要:近年来ꎬ全国各地进行了大范围的土地利用调查ꎬ随着无人机遥感技术越来越成熟ꎬ无人机影像分析技术已深入应用到土地利用调查中ꎬ其中最多的用途是地物分类ꎮ本文选择昭通市昭阳区某乡镇区域为研究区ꎬ对采集到的无人机影像进行预处理ꎬ生成对应的正射影像ꎻ基于多种可见光植被指数ꎬ计算每３种指数合并得到影像的ＯＩＦ指数ꎬ确定最佳波段组合ꎻ采用基于规则和基于样本两种面向对象分类方法ꎬ提取房屋㊁道路㊁植被等简单地物及背景ꎮ分析结果:两种方法的提取精度均达到９０％以上ꎬ基于规则的面向对象分类方法精度较高ꎬ但耗时较长ꎻ基于样本的面向对象方法耗时较短ꎬ精度相对较低ꎮ两种方法相结合的全自动分类提取是下一步研究的目标ꎮ关键词:无人机遥感技术ꎻ正射影像ꎻ植被指数ꎻ面向对象中图分类号:Ｐ２３７㊀㊀㊀文献标识码:Ａ㊀㊀㊀文章编号:１６７２－５８６７(２０２０)０３－０１１３－０５ＲｅｓｅａｒｃｈｏｎＳｉｍｐｌｅＯｂｊｅｃｔＣｌａｓｓｉｆｉｃａｔｉｏｎＢａｓｅｄｏｎＵＡＶＲｅｍｏｔｅＳｅｎｓｉｎｇａｎｄＯｂｊｅｃｔ－ｏｒｉｅｎｔｅｄＭｅｔｈｏｄＹＵＡＮＨｕｉｊｉｅ(ＣｏｌｌｅｇｅｏｆＧｅｏｍａｔｉｃｓꎬＳｈａｎｄｏｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙꎬＱｉｎｇｄａｏ２６６５９０ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｗｉｔｈｔｈｅｄｅｖｅｌｏｐｍｅｎｔｏｆｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙｏｆｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉｃｌｅ(ＵＡＶ)ｂｅｃｏｍｉｎｇｍｏｒｅａｎｄｍｏｒｅｍａｔｕｒｅꎬｕ￣ｓｉｎｇｏｆＵＡＶｉｍａｇｅａｎａｌｙｓｉｓｔｅｃｈｎｏｌｏｇｙｆｏｒｆｅａｔｕｒｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｈａｓｂｅｃｏｍｅａｐｏｐｕｌａｒａｎｄｅｆｆｅｃｔｉｖｅｍｅａｎｓ.Ｔｈｉｓｐａｐｅｒｓｅｌｅｃｔｓａｔｏｗｎ￣ｓｈｉｐａｒｅａｉｎＺｈａｏｙａｎｇＤｉｓｔｒｉｃｔｏｆＺｈａｏｔｏｎｇＣｉｔｙａｓｔｈｅｒｅｓｅａｒｃｈａｒｅａꎬａｎｄｐｒｅｐｒｏｃｅｓｓｅｓｔｈｅａｃｑｕｉｒｅｄｉｍａｇｅｏｆｔｈｅＵＡＶｔｏｇｅｎｅｒａｔｅｔｈｅｃｏｒｒｅｓｐｏｎｄｉｎｇｏｒｔｈｏｐｈｏｔｏꎻｃａｌｃｕｌａｔｅａｖａｒｉｅｔｙｏｆｖｉｓｉｂｌｅｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓꎬａｎｄｏｐｔｉｍｕｍｉｎｄｅｘｆａｃｔｏｒ(ＯＩＦ)ｉｎｄｅｘｏｆｔｈｒｅｅｉｎｄｉｃｅｓｃｏｍｂｉｎｅｄｉｍａｇｅꎬｔｈｅｉｎｄｅｘｄｅｔｅｒｍｉｎｅｓｔｈｅｏｐｔｉｍａｌｂａｎｄｃｏｍｂｉｎａｔｉｏｎꎻＲｕｌｅ－ｂａｓｅｄａｎｄｓａｍｐｌｅ－ｂａｓｅｄｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｓａｒｅｕｓｅｄｔｏｃｌａｓｓｉｆｙａｎｄｅｘｔｒａｃｔｓｉｍｐｌｅｏｂｊｅｃｔｓｓｕｃｈａｓｈｏｕｓｅｓꎬｒｏａｄｓꎬｖｅｇｅｔａｔｉｏｎꎬａｎｄｂａｃｋｇｒｏｕｎｄｓ.Ｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｅｘｔｒａｃｔｉｏｎａｃｃｕｒａｃｙｏｆｂｏｔｈｍｅｔｈｏｄｓｉｓａｂｏｖｅ９０％.Ｔｈｅｒｕｌｅ－ｂａｓｅｄｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｈａｓｈｉｇｈｅｒｐｒｅ￣ｃｉｓｉｏｎꎬｂｕｔｉｔｔａｋｅｓａｌｏｎｇｔｉｍｅ.Ｔｈｅｓａｍｐｌｅ－ｂａｓｅｄｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄｍｅｔｈｏｄｔａｋｅｓｌｅｓｓｔｉｍｅａｎｄｈａｓｌｏｗｅｒｐｒｅｃｉｓｉｏｎ.Ｔｈｅａｕｔｏｍａｔｉｃｃｌａｓ￣ｓｉｆｉｃａｔｉｏｎａｎｄｅｘｔｒａｃｔｉｏｎｏｆｔｈｅｔｗｏｍｅｔｈｏｄｓｉｓｔｈｅｉｓｔｈｅｎｅｘｔｒｅｓｅａｒｃｈｇｏａｌ.Ｋｅｙｗｏｒｄｓ:ＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙꎻｏｒｔｈｏｐｈｏｔｏꎻｖｅｇｅｔａｔｉｏｎｉｎｄｅｘꎻｏｂｊｅｃｔｏｒｉｅｎｔｅｄ０㊀引㊀言早在２０世纪初ꎬ部分发达国家就已经意识到土地利用调查的必要性和重要性并采取了相关措施ꎮ随着人类活动与环境的关系越来越密切ꎬ及时有效地获取最新㊁最详细的土地利用现状数据ꎬ可为城市建设㊁国土整治㊁土地开发等社会发展战略决策提供重要依据ꎮ无人机(ｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉｃｌｅꎬＵＡＶ)是指通过无线遥控与规划航线飞行㊁自带动力的无人驾驶飞机[２]ꎮ２０世纪上半叶正值世界大战ꎬ为了提高作战效率ꎬ减少人员伤亡ꎬ无人机的概念被提出并被很快设计出来ꎮ１９１７年第一台自动陀螺稳定器的问世推动了无人机的诞生ꎬ后来被广泛应用于军事领域ꎮ近年来ꎬ易于携带㊁便于操作的无人机又被民众广泛应用于其他领域ꎬ加之摄影与遥感技术的发展ꎬ更是加大了无人机在测绘领域的重要性比例ꎬ目前已广泛应用于灾害应急㊁气象观测㊁土地调查㊁数字化建设等领域[３]ꎮ土地利用调查工序繁多㊁环环相扣ꎬ基础数据的获取效率和质量显得尤为重要ꎮ但是基础卫星数据成本较高㊁采购时间长ꎬ由于气候㊁传感器等多种因素ꎬ数据分辨率与成像效果不一定能够满足所有要求ꎬ为了填补航空遥感的缺陷与不足ꎬ无人机遥感被纳入到土地利用调查技术中ꎮ其中ꎬ针对无人机获取的影像进行分类提取技术大体可以分为两个发展阶段 传统的基于光谱分类㊁面向对象分类ꎮ本文以可见光无人机影像为数据源ꎬ针对研究区中房屋㊁道路和植被等基础地物特征ꎬ采取面向对象的多尺度分割技术并分别基于规则与基于样本的特征提取方法进行信息提取ꎬ最后从时间和精度两个角度进行对比分析ꎮ１㊀研究方法遥感图像是针对通过遥感技术手段在非接触的情况下获取并可视化为影像的数据ꎬ其中ꎬ包含物体的多项特征㊁属性等一种或多种信息ꎬ根据项目具体需求ꎬ利用计算机技术采用人工交互的方式或者模拟人类的识别功能ꎬ按照某种规则或者算法将遥感图像分类成若干部分ꎬ以达到提取所需信息的目的ꎮ在传统的分类方法中ꎬ按照分类前是否需要样本可以划分为两大类 监督分类和非监督分类ꎮ随着机器学习的发展应用ꎬ人们对分类提出了新的需求ꎬ需要监督与非监督分类融合实现ꎬ即越来越流行的半监督分类方式ꎮ在面向对象的分类方法中ꎬ常用的是监督分类和基于规则分类ꎬ这里所说的监督分类和上面提到的监督分类不同ꎬ它也可以称为基于样本的分类ꎬ在分类时所用到的样本参数还包含了除特征以外的其他属性信息ꎮ基于规则分类则是根据具体需求调节各对象特征属性的阈值ꎬ然后将目标提取出来ꎮ将面向对象分类与传统的基于光谱的分类方法进行比较ꎮ结果见表１ꎮ表１㊀基于规则分类与传统的基于光谱的分类方法比较Ｔａｂ.１㊀Ｃｏｍｐａｒｉｓｏｎｏｆｒｕｌｅ－ｂａｓｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｔｒａｄｉｔｉｏｎａｌｓｐｅｃｔｒｕｍ－ｂａｓｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｓ类型基本原理影像的最小单元适用数据源缺陷基于光谱的分类方法根据地物光谱特征㊁空间关系和其他上下文关系归类像元单个的影像像元中低分辨率多光谱和高光谱影像丰富的空间信息利用率较低面向对象分类方法几何信息㊁结构信息以及光谱信息一个个影像对象中高分辨率多光谱和全色影像速度比较慢㊀㊀对遥感图像进行分类ꎬ均需要用户对研究区中所要进行分类的地物类型及特征有所了解ꎮ面向对象法进行分类[４]时ꎬ首先ꎬ选择一定的分割方法分割出影像中具有同质的对象ꎻ然后ꎬ根据用户的具体需求进行合并提取ꎬ得到最终的理想结果ꎮ这里采用的分割方法是多尺度分割算法ꎬ首先ꎬ根据遥感图像的光谱特征㊁形状特征等信息给定一个阈值ꎬ然后ꎬ计算每个波段异质性特征值的综合加权值ꎬ重复迭代至加权值大于给定阈值时ꎬ完成分割ꎮ２㊀研究区概况与数据来源２.１㊀研究区概况本文采用２００９年６月拍摄的云南省昭通市昭阳区某镇无人机遥感影像为数据源ꎮ实验前ꎬ先根据现场情况设定详细的飞行计划ꎬ在无人机到达设定起飞点后ꎬ在专用的航线规划软件中输入所需的飞行信息ꎮ此次实验的飞行高度平均为３６３３ｍꎬ属于低空拍摄ꎬ拍摄时天气状况良好ꎮ２.２㊀数据来源本次实验采用快眼－Ⅱ无人机ꎮ该无人机最大飞行高度为４５００ｍꎬ无负载最大飞行速度为１４０ｋｍ/ｈꎮ搭载ＣａｎｏｎＥＯＳ４５０Ｄ相机ꎬ有效像素１２４０万ꎬ单个像素大小为１.８９μｍꎬ传感器焦距为２４ｍｍꎬ快门速度为１/１０００ｓꎬ照片最大分辨率为４２７２ˑ２８４８ꎮ影像采集过程共耗时约３ｍｉｎꎬ覆盖面积为０.１８ｋｍ２ꎮ研究影像具有红㊁绿㊁蓝３个波段即常说的ＲＧＢ通道ꎬ空间分辨率为０.２４ｍꎮ为了便于说明ꎬ本文选取航拍数据中包含地物类别丰富且较具代表性的１０景影像(编号ＩＭＧ＿００４７ ００５１ꎬＩＭＧ０１２９－０１３３)开展方法研究ꎮ３㊀影像处理３.１㊀预处理无人机搭载非量测相机ꎬ会造成影像边缘畸变ꎮ在实际飞行作业中ꎬ由于相机倾角㊁光线㊁天气等因素的影响ꎬ会导致航带间的影像状态不能完全相同ꎬ甚至有较大差异ꎮ所以在获取无人机影像之后ꎬ需要进行预处理工作ꎬ包括相机检校㊁畸变纠正㊁几何校正㊁空三平差㊁图像匀色㊁匹配㊁拼接等ꎬ最终生成正射影像ꎮ采用试验场检校法进行相机检校ꎬ获得内方位元素ꎻ之后导入ＰＯＳ文件ꎬ采用基于惯导的姿态参数做几何校正ꎻ引入控制点数据进行空中三角测量平差ꎬ通过空三平差快速测定出大量的点经过内定向㊁相对定向㊁绝对定向可获取各张相片的外方位元素ꎻ随后引入ＳＩＦＴ算子对影像进行匹配处理ꎻ由空三测量方法计算得到同名点坐标和外方位元素ꎬ加之上述得到的内方位元素ꎬ计算得出对应特征点坐标ꎬ进而进行影像拼接得到正射影像ꎬ最后使用ＰＯＳ参数直接进行纠正ꎬ得到最终的正射影像图(如图１所示)ꎮ３.２㊀图像增强图像增强是指通过一定的算法有目的性的增强图像整体或局部特征ꎬ增强图像中的有用信息ꎬ以满足分析应用ꎮ增强算法主要分为两大类:空间域和频率域ꎮ基于空间域的算法属于直接增强ꎬ直接对图像中的像素点进４１１㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀测绘与空间地理信息㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０２０年图１㊀实验区正射影像图Ｆｉｇ.１㊀Ｏｒｔｈｏｐｈｏｔｏｉｍａｇｅｏｆｅｘｐｅｒｉｍｅｎｔａｌａｒｅａ行处理ꎻ基于频率域的算法属于间接增强ꎬ是利用特定的变换方法将原来的图像空间中的图像转换到其他空间中ꎬ再进行图像处理ꎬ最后ꎬ转换回原来的图像空间中ꎬ从而得到所需结果ꎮ由于无人机的飞行姿态较不稳定ꎬ加上云南的６月多阴雨天气ꎬ云雾较多ꎬ因此ꎬ导致获取的无人机影像曝光不均匀ꎬ相片偏白ꎬ尽管在预处理中进行了匀色ꎬ但是ꎬ在对影像进行分析之前ꎬ有必要对其进行增强处理ꎮ在这里采用带颜色恢复的多尺度ＭＳＭＣＲ(ＭｕｌｔｉＳｃａｌｅＲｅｔｉｎｅｘ￣ｗｉｔｈＣｏｌｏｒＲｅｓｔｏｒａｔｉｏｎ)算法对图像进行增强处理(如图２所示)ꎬＭＳＭＣＲ的计算公式如下:ＲＭＳＲＣＲｉ(ｘꎬｙ)＝β{ｌｏｇ[αＳᶄｉ((ｘꎬｙ))]－ｌｏｇ[ðＮｊＳｊ(ｘꎬｙ)]}ＲＭＳＲｉ(ｘꎬｙ)(１)其中:ＲＭＳＲｉ(ｘꎬｙ)＝ðＫｋｗｋ{ｌｏｇＳ(ｘꎬｙ)－ｌｏｇ[Ｆｋ(ｘꎬｙ)ˑＳ(ｘꎬｙ)]}(２)式(１) (２)中ꎬβ是增益常数ꎬα为受控制的非线性强度指数ꎬｉ表示第ｉ个通道ꎬＳ(ｘꎬｙ)为原始图像ꎬＦｋ(ｘꎬｙ)为中心环绕函数ꎬＫ代表高斯中心环绕函数的个数ꎮ３.３㊀植被指数植被指数首次被提出是在１９６９年ꎬＪｏｒｄａｎ基于可见光和红外波段计算并提出的比值植被指数(ＲＶＩ)ꎬ用于提取叶冠光谱参数且效果较好ꎮ随后越来越多的植被指数被提出ꎬ它们被用来定性和定量地评价植被覆盖及其生长活力ꎬ主要反映各个波段中植被的反射与其他类别包括背景之间的差异ꎮ它们广泛应用在具体方向上ꎬ包括植被变化监测㊁生物量计算㊁叶绿素含量反演等方面ꎮ随着低成本高效率的可见光无人机航拍的应用越来越普遍ꎬ可见光与红外波段计算所得的植被指数已经不能满足具体需求ꎬ无人机挂载的主要是可见光相机ꎬ目前被提出利用可见光提取植被信息的植被指数主要有:归一化绿蓝差异指数ＮＧＢＤＩ㊁归一化绿蓝差异指数ＮＧＲＤＩ㊁红绿比值指数ＲＧＲＩ㊁蓝绿比值指数ＢＧＲＩ㊁过绿指数ＥＸＧ㊁图２㊀去相关拉伸图像Ｆｉｇ.２㊀Ｄｅｃｏｒｒｅｌａｔｉｎｇｓｔｒｅｔｃｈｅｄｉｍａｇｅ过红指数ＥＸＲ与可见光波段差异植被指数ＶＤＶＩ㊁超绿超红差分指数ＥＸＧＲ㊁红绿蓝植被指数ＲＧＶＢＩ等[５]ꎬ主要用于农业作物分类㊁森林监测等方面ꎮ本文以仅含可见光波段的无人机高分辨率影像为数据源ꎬ在经过适当的多尺度分割处理之后ꎬ采用基于规则和基于样本的方法对影像中的简单地物进行分类ꎬ开展基于植被指数的地物提取方法研究ꎬ以期获得更加快速有效提取地物信息的方法ꎬ扩大无人机遥感的应用范围及效率ꎮ在本文中我们主要对ＶＤＶＩ㊁ＲＧＲＩ㊁ＮＧＢＤＩ㊁ＮＧＲＤＩ㊁ＥＸＧ㊁ＥＸＲ㊁ＥＸＧＲ等７个植被指数进行计算并做处理对比ꎮ计算公式见表２ꎮ表２㊀主要可见光植被指数Ｔａｂ.２㊀Ｍａｉｎｖｉｓｉｂｌｅｌｉｇｈｔｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ序号名称公式１归一化绿红差值指数ＮＧＲＤＩ＝ρｇｒｅｅｎ－ρｒｅｄρｇｒｅｅｎ＋ρｒｅｄ２归一化绿蓝差值指数ＮＧＢＤＩ＝ρｇｒｅｅｎ－ρｂｌｕｅρｇｒｅｅｎ＋ρｂｌｕｅ３红绿比值指数ＲＧＲＩ＝ρｒｅｄρｇｒｅｅｎ４可见光波段差异植被指数ＶＤＶＩ＝２∗ρｇｒｅｅｎ－(ρｒｅｄ＋ρｂｌｕｅ)２∗ρｇｒｅｅｎ＋(ρｒｅｄ＋ρｂｌｕｅ)５过绿指数ＥＸＧ＝２∗ρｇｒｅｅｎ－ρｒｅｄ－ρｂｌｕｅ６过红指数ＥＸＲ＝１.４∗ρｒｅｄ－ρｇｒｅｅｎ７过绿减过红指数ＥＸＧＲ＝３∗ρｇｒｅｅｎ－２.４∗ρｒｅｄ－ρｂｌｕｅ在利用遥感技术对多光谱影像进行分析时ꎬ研究者通常会采用由美国查维茨提出的最佳指数法(ＯＩＦ)ꎬＯＩＦ５１１第３期袁慧洁:基于无人机遥感和面向对象法的简单地物分类研究通过选取３个合适的波段组合成信息量最大的色彩组合ꎬ进而完成图像解译ꎮＯＩＦ综合考虑单波段图像的信息量及各波段间的相关性ꎬ图像数据的标准差越大ꎬ所包含的信息量也越大ꎬ而波段间的相关系数越小ꎬ表明各波段图像数据的独立性越高㊁信息冗余度越小[６]ꎮ本文把７种植被指数看作是多光谱图像中的各个波段ꎬ通过计算它们的ＯＩＦ值选取最佳组合ꎬ计算公式如下:ＯＩＦ＝ð３ｉ＝１Ｓｉ/ð３ｉ＝１Ｒｉｊ｜(３)其中:ｉ表示第ｉ个波段ꎬＳｉ表示第ｉ个波段的标准差ꎬＲｉｊ表示第ｉ和第ｊ两波段的相关系数ꎮ汪小钦[７]等人通过研究多种植被指数在地物提取中的作用ꎬ得到ＶＤＶＩ指数提取植被的效果更好ꎮ为了减少一定的计算量ꎬ此处以ＶＤＶＩ为基准ꎬ加入另外任意两个影像合成最佳色彩组合ꎮ分别计算合并影像的均值㊁标准差㊁统计量以及它们的ＯＩＦ值ꎬ结果见表３ꎮ表３㊀各合成影像指标计算结果Ｔａｂ.３㊀Ｃａｌｃｕｌａｔｉｏｎｒｅｓｕｌｔｏｆｅａｃｈｓｙｎｔｈｅｔｉｃｉｍａｇｅｉｎｄｅｘ图像指标ＶＤＶＩ－ＮＧＲＤＩ－ＲＧＲＩ合成ＶＤＶＩ－ＮＧＲＤＩ－ＮＧＢＤＩ合成ＶＤＶＩ－ＮＧＲＤＩ－ＥＸＧＲ合成ＶＤＶＩ－ＲＧＲＩ－ＮＧＢＤＩ合成ＶＤＶＩ－ＲＧＲＩ－ＥＸＧＲ合成ＶＤＶＩ－ＮＧＢＤＩ－ＥＸＧＲ合成红色均值０.０３１１２９０.０３１１２９０.０３１１２９０.０３１１２９０.０３１１２９０.０３１１２９绿色均值－０.０５５１８２－０.０５５１８２－０.０４５３４０１.１０４１６２１.１０４１６２０.１３６３９６蓝色均值１.１１６９２２０.１３４８３０－４２.８８１１４２０.１３６３９６－４２.８８１１４２－４２.８８１１４２红色标准差０.００６４４００.００６４４００.０５０３０２０.０５０３０２０.０５０３０２０.０５０３０２绿色标准差０.００６８８３０.００６８８３０.０６３２８７０.１３９５１６０.１３９５１６０.０７１８７４蓝色标准差０.０１５４４２０.００８２９７４４.５５６３２７０.０７１８７４４４.５５６３２７４４.５５６３２７红色统计量０.０００５２６０.０００５２６０.００３４８８０.００３４８８０.００３４８８０.００３４８８绿色统计量０.０００６３５０.０００６３５０.００６３７３０.０１８６２４０.０１８６２４０.００４５９２蓝色统计量０.００１４４９０.０００５１５２.７２３９２１０.００４５９２２.７２３９２１２.７２３９２１ＯＩＦ０.０１０４０.０１００１.４１５７０.０１４０１.４２０３１.６２３３㊀㊀表３中ＶＤＶＩ－ＮＧＢＤＩ－ＥＸＧＲ合成的影像拥有最大的ＯＩＦ指数ꎬ说明在该影像中蕴含的信息量最大ꎮ所以在后续的操作中ꎬ对ＶＤＶＩ－ＮＧＢＤＩ－ＥＸＧＲ合并影像进行分类来提取植被信息ꎮ３.４㊀监督分类 基于样本的面向对象监督分类之所以称之为 监督 是指在已知类别的样本像元的 监督 下去识别其余未知类别像元的过程ꎮ基于样本的面向对象分类其实质是一种监督分类方法ꎬ但是它与传统的监督分类有区别ꎬ首先根据具体需求建立分类体系ꎬ建立相应的特征空间ꎬ在实地考察之后ꎬ以人工目视方式选择各类地物样本对象ꎬ随后采用最近邻分类[８]的方法进行自动分类ꎮ基于样本的面向对象分类基本步骤ꎬ如图３所示ꎮ图３㊀基于样本的面向对象分类基本步骤Ｆｉｇ.３㊀Ｂａｓｉｃｓｔｅｐｓｏｆｓａｍｐｌｅ－ｂａｓｅｄｏｂｊｅｃｔ－㊀㊀㊀㊀ｏｒｉｅｎｔｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎ３.５㊀基于规则的面向对象分类基于规则的面向对象分类主要根据不同地物的特征人为设定一定的规则来提取不同的土地利用类型ꎬ与上述基于样本的面向对象分类的区别在于此方法建立在无样本的基础上ꎬ并对地物的特征了解得更清晰ꎮ在本次实验中首先剔除背景层的干扰ꎬ背景颜色单一ꎬ面积普遍较大ꎬ利用对象的面积特征作为限制条件ꎮ接着在剩下的土地利用类别中通过上文中得到的具有最大ＯＩＦ值的ＶＤＶＩ－ＮＧＢＤＩ－ＥＸＧＲ合并影像提取植被层ꎮ道路呈长条带状ꎬ形状较规则ꎬ与其他地物的区别主要在于它的长宽比较大㊁亮度值较高ꎮ房屋多为规则的长方形ꎬ分布紧凑且面积大小较统一ꎬ可根据密度㊁形状或面积来提取房屋层ꎮ４㊀实验结果与分析４.１㊀分类结果本研究区的土地利用类型主要分为植被㊁道路㊁房屋㊁其他ꎮ王宏胜等人根据对比试验ꎬ得到结论 在实践应用中ꎬ只计算单一波段的分割质量评价指数就可以确定整幅影像的最优分割尺度[９]ꎮ在本次实验中ꎬ采用基于样本和基于规则的多尺度分割的方法对经过预处理后的图像进行处理ꎬ共分为４个层次(背景层㊁道路层㊁房屋层㊁植被层)ꎮ４.１.１㊀基于规则的面向对象分类在本次实验中ꎬ设定分割阈值６０ꎬ合并阈值６５来创６１１㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀测绘与空间地理信息㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０２０年建目标ꎮ首先ꎬ根据面积大小剔除背景层的干扰ꎬ随后ꎬ基于规则的多尺度分割的方法根据各类别特征进行分层ꎬ在经过背景掩膜之后的图像中ꎬ根据特征提取中的道路的形状及颜色特征ꎬ进行阈值分割ꎬ调整阈值ꎬ阈值范围见表４ꎬ分离出道路ꎬ之后对已去除背景的原图像进行掩膜ꎮ以同样的方法提取房屋ꎮ在这里需要指出的是ꎬ由于每幅图像中的亮度等各种参数的不同ꎬ阈值范围会有不同程度的变化ꎮ表４㊀分割阈值范围Ｔａｂ.４㊀Ｓｐｌｉｔｔｈｒｅｓｈｏｌｄｒａｎｇｅ层次最小值最大值植被层１１０８.５５４１１０.３９植被层２１１０.７１１１１.２４道路层１１１０.３９１１０.７１道路层２１１１.２４１１７.６６３５５房屋层１００.２２８４５１０８.５５４在这里ꎬ因为在外业调查中ꎬ城区道路和房屋院落地面的建造材质有雷同ꎬ在郊区伴有泥土道路ꎬ而且植被覆盖度少的耕地中裸露土地和泥土道路无法完全分离ꎬ所以ꎬ需将道路和裸露的土地共同提取ꎮ把每一个分类结果展示在一个图像中ꎬ结果如图４所示ꎮ图４㊀基于规则的分类结果图Ｆｉｇ.４㊀Ｒｕｌｅ－ｂａｓｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｇｒａｐｈ４.１.２㊀基于样本的面向对象分类选取０ １００(步长为２０)共６个尺度参数ꎬ其他参数固定设置为(影像三波段的权重都设为１ꎬ形状和颜色权重各为０.５ꎬ紧凑度权重０.６ꎬ光滑度权重０.４)ꎬ经过对比试验ꎬ其中分割尺度为６０的分类效果最优ꎬ结果如图５所示ꎮ图５㊀分割尺度为６０的基于样本分类结果图Ｆｉｇ.５㊀Ｓａｍｐｌｅｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｂａｓｅｄｏｎａ㊀㊀㊀㊀ｓｅｇｍｅｎｔａｔｉｏｎｓｃａｌｅｏｆ６０４.２㊀精度分析每一类地物根据实验区大小ꎬ分别采集５０个样本点ꎬ在最终提取结果中ꎬ分类的个数及精度见表５ꎮ表５㊀提取精度和耗时时间Ｔａｂ.５㊀Ｅｘｔｒａｃｔｉｏｎａｃｃｕｒａｃｙａｎｄｔｉｍｅ－ｃｏｎｓｕｍｉｎｇ提取方式植被道路及裸露土地房屋耗时/ｍｉｎ基于规则分类４８５１５１１１０基于样本分类５５４６４９６０目视解译５０５０５０６００基于规则分类提取精度９６％９８％９８％基于样本分类提取精度９０％９２％９８％表中ꎬ通过实地调研对目视解译的精度进行了修正ꎬ精度可达到１００％ꎬ以目视解译为基准对两种方法得到的结果进行判定ꎮ两者在预处理中的总耗时相同ꎬ基于规则分类的耗时工序主要有植被指数的计算㊁植被指数效果判定㊁尺度及阈值的确定ꎮ基于样本分类的耗时工序主要包括最佳尺度的判定及样本的选取ꎮ目视解译的耗时工序主要有地类分析㊁目视解译和手动提取ꎮ通过对精度及耗时时长的对比ꎬ基于规则分类处理后的精度较高ꎬ但是耗时较长ꎻ基于样本分类处理后的精度相对较差ꎬ但是耗时最短ꎮ根据表５中对精度和耗时的对比ꎬ在实际应用中ꎬ如果对精度要求不高ꎬ但是时间紧迫ꎬ可以采用基于样本的分类方法进行操作ꎻ如果需要较高的精度ꎬ可以采用基于规则的分类方法进行提取ꎮ采用基于规则的分类已经能够满足大部分用户的精度要求ꎬ如果尺度和阈值设定合理ꎬ有望达到目视解译的精度ꎮ５㊀结束语本文通过对无人机影像采用基于样本与基于规则的面向对象分类方法进行地物的简单分类 包括绿地㊁房屋㊁道路及背景ꎮ首先对影像进行预处理得到正射影像ꎬ之后对正射影像进行去相关拉伸并计算多种植被指数ꎬ通过计算ＯＩＦ指数并对比得到一组特征相对显著的合并影像ꎬ分别采用两种面向对象分类提取方法ꎬ按顺序提取分为背景㊁道路及裸露土地㊁房屋和植被四种类别ꎮ本文仅对无人机影像地物进行了简单分类ꎬ提出了一套对地物简单分类的半自动快速流程ꎬ能够提升信息提取速度ꎬ对需要在短时间内完成分类的任务有一定的帮助ꎮ通过对基于样本分类及基于规则分类效果进行比对ꎬ得出基于样本的分类方法能够更快速地完成分类ꎬ基于规则的分类能够更高效地完成分类ꎮ但是在分类过程中ꎬ分类阈值的选取㊁最优分割尺度㊁规则设定都需要人工参与ꎬ对分类者的要求较高ꎬ将两种方法结合以达到最精最快速的全自动分类提取是下一步研究的目标ꎮ参考文献:[１]㊀李军英.基于无人机遥感技术的土地利用现状调查[Ｄ].长春:吉林大学ꎬ２０１７.(下转第１２３页)７１１第３期袁慧洁:基于无人机遥感和面向对象法的简单地物分类研究２)国情要素道路由于等级升级需要改变图层ꎬ道路要素原图层内要素 变化类型(ＣｈａｎｇｅＴｙｐｅ) 按灭失型变化赋值ꎬ新图层内要素 变化类型(ＣｈａｎｇｅＴｙｐｅ) 按新生型变化赋值ꎮ３)由于采集指标发生变化ꎬ本底数据中采集中心线而变化数据中应采集为面的河流要素ꎬ原有河流中心线修改为河流结构线ꎬ采集为面的河流按新生型记录信息ꎬ中心线改为结构线按属性更新记录信息ꎮ对新增的河流ꎬ达到采集指标的应按照面采集ꎬ与新增按面采集的河流有汇流关系的其他河流ꎬ如果达到新的按面采集的指标ꎬ也应按面采集ꎬ原有河流中心线修改为河流结构线ꎮ４)由于新增属性项而需要对原有本底几何要素进行切分或重新采集的ꎬ切分或采集结果按照新生型变化记录ꎮ同时ꎬ有属性更新和图形变化时ꎬ按照图形变化类型填写ꎮ４㊀问题处理方法１)公路专题资料使用 吉林省普通国家公路网路线方案表 全省最新公路轨迹 吉林省公路名称.ＪＰＧ ꎮ资料不支持的不予更新ꎮ２)分区数据中对于新增要素的唯一标识码和起始时间填写为 空字符串 ꎬ终止时间填写为 (空) ꎬ分区代码分别填写为 ０ ꎮ３)境界面以ＢＯＵＡ５为准ꎬ对ＢＯＵＡ６进行处理ꎮＢＯＵＬ中涉及国界线的问题不做处理ꎮ４)对于本底不一致的不修改ꎬ变化的按照本底数据的字段类型填写默认值ꎬ新增字段按照数据规定ꎬ对于未变化的要素也按照本底数据的类型赋值ꎮ５㊀结束语本文主要介绍了国情监测中变化要素的采集总体要求㊁地表覆盖的采集要求及变化信息记录方法㊁地理国情要素的采集要求及变化信息记录方法㊁国情监测作业当中遇到的问题及处理方法分析ꎮ每年对地理国情监测的更新ꎬ形成现势性强㊁精度高㊁全覆盖的全省地理国情数据成果ꎬ将为政府提供地理信息信息决策支撑ꎬ形成全省统一的地理信息空间平台ꎮ参考文献:[１]㊀阮于州.对地理国情监测的战略思考[Ｊ].地理信息世界ꎬ２０１４ꎬ２１(２):４０－４４.[２]㊀毕凯ꎬ桂德竹.浅谈地理国情监测与基础测绘[Ｊ].遥感信息ꎬ２０１４ꎬ２９(４):１０－１５.[３]㊀国家测绘地理信息局.基础性地理国情监测内容与指标:ＧＱＪＣ０３－２０１７[Ｓ].北京:国家测绘地理信息局ꎬ２０１７.[４]㊀国家测绘地理信息局.基础性地理国情监测数据技术规定:ＧＱＪＣ０１－２０１７[Ｓ].北京:国家测绘地理信息局ꎬ２０１７.[编辑:张㊀曦](上接第１１７页)[２]㊀范承啸ꎬ韩俊ꎬ熊志军ꎬ等.无人机遥感技术现状与应用[Ｊ].测绘科学ꎬ２００９ꎬ３４(５):２１４－２１５.[３]㊀吴波ꎬ林珊珊ꎬ周桂军.面向对象的高分辨率遥感影像分割分类评价指标[Ｊ].地球信息科学学报ꎬ２０１３ꎬ１５(４):５６７－５７３.[４]㊀ＢＡＡＴＺＭꎬＳＣＨＡＰＥＡ.Ｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄａｎｄｍｕｌｔｉ－ｓｃａｌｅｉｍａｇｅａｎａｌｙｓｉｓｉｎｓｅｍａｎｔｉｃｎｅｔｗｏｒｋｓ[Ｃ]//Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２ｎｄＩｎｔｅｒｎａｔｉｏｎａｌＳｙｍｐｏｓｉｕｍｏｎＯｐｅｒａｔｉｏｎａｌｉｚａｔｉｏｎｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇꎬＥｎｓｃｈｅｄｅ:Ｎｅｔｈｅｒｌａｎｄｓꎬ１９９９:１６－２０. [５]㊀郭震冬ꎬ顾正东ꎬ许盛ꎬ等.利用无人机技术进行社区植被覆盖率调查[Ｊ].北京测绘ꎬ２０１７ꎬ３１(５):８８－９１.[６]㊀杨金红.高光谱遥感数据最佳波段选择方法研究[Ｄ].南京:南京信息工程大学ꎬ２００５.[７]㊀汪小钦ꎬ王苗苗ꎬ王绍强ꎬ等.基于可见光波段无人机遥感的植被信息提取[Ｊ].农业工程学报ꎬ２０１５(５):１５２－１５７.[８]㊀邓书斌ꎬ陈秋锦ꎬ杜会建ꎬ等.ＥＮＶＩ遥感图像处理方法[Ｍ].第二版.北京:高等教育出版社ꎬ２０１４. [９]㊀王宏胜ꎬ李永树ꎬ吴玺ꎬ等.结合空间分析的面向对象无人机影像土地利用分类[Ｊ].测绘工程ꎬ２０１８ꎬ２７(２):５７－６１.[编辑:刘莉鑫](上接第１２０页)基础测绘等项目中ꎬ系统受到用户一致好评ꎬ是一种较为成熟的借力北斗定位实现自然资源实地调查的信息化解决方案ꎮ本文研究成果实现了外业测绘的无纸化㊁信息化ꎬ打破了传统外业测绘手工生产模式ꎬ减轻了外业工作量ꎬ缩短了成图周期ꎬ提高了作业的精度和质量ꎬ提高了生产效率ꎬ可广泛应用于外业调绘测图工作中ꎬ研究成果为促进北斗卫星导航定位技术在测绘事业中的推广应用做出了积极的探索ꎬ并取得了良好的成效ꎮ参考文献:[１]㊀李海峰.ＭＶＣ模式架构的应用研究[Ｊ].自动化与仪器仪表ꎬ２０１３(１):４－５ꎬ７.[２]㊀陶庆.基于云计算的ＭＶＣ架构数据挖掘平台的研究与设计[Ｊ].集宁师范学院学报ꎬ２０１８ꎬ４０(３):５３－５７. [３]㊀任中方ꎬ张华ꎬ闫明松ꎬ等.ＭＶＣ模式研究的综述[Ｊ].计算机应用研究ꎬ２００４(１０):１－４ꎬ８.[编辑:任亚茹]３２１第３期袁宗福:浅谈基础性地理国情监测变化信息采集。

面向对象技术在无人机影像信息提取中的应用张文博1，张源2摘要：为解决无人机影像高精度信息提取问题，本文以无人机低空遥感获取的影像为数据源，将面向对象的信息提取技术运用到高分辨率的无人机影像分类中，精确而快速提取各地物信息，充分验证面向对象信息提取技术在无人机影像分类中的有效应用，以期为相关工程应用提供参考。

关键词：面向对象；无人机影像；特征提取；影像分割；混淆矩阵0 引言本文突破传统的单一利用光谱信息的影像提取技术，针对无人机影像分辨率高的特点，充分利用其地物的各种纹理特征信息、结构特征信息，利用多尺度分割技术，然后对比分析影像特征，定义各种地物的对象特征知识库，深入探讨面向对象技术在无人机影像信息提取中的应用。

1 研究区概况研究区选择在湖南省宁乡县大成桥乡，该乡位于宁乡县西南面，境内蕴含丰富自然资源。

地貌特征属于典型的丘陵地物，山溪分布均匀，水资源丰富，东低西高，南低北高，一般山峰在100m左右。

为顺利完成研究区的影像获取，采用单反数码相机进行影像采集（Canon EOS 5D Mark Ⅱ），该相机属于非量测型，所获取影像的像元为6.41um，装载镜头的焦距为24mm；对无人机航线的飞行进行预规划，航线的航向重叠率为76%，航线的旁向重叠率为45%，可以获得无人机影像地面分辨率为0.4m。

2 研究方法2.1 影像预处理无人机在飞行过程中受到高空风力的影响，飞行姿态并不稳定，这会造成无人机航拍时的航向冲跌幅和旁向重叠度并不完全规则，为了解决这些航飞时的问题，需要对获取的影像进行一定的处理工作，预处理的流程包括：相机畸变差的校正、空中三角测量、DOM 影像图处理等。

2.2 影像分割面向对象的信息提取工作基础之一就是影像分割，评价影像分割的关键具有两个指标：同质性和异质性，同质性是针对对象内部来说的，而异质性是针对相邻对象来说的。

异质性值f 包括两个方面：光谱异质性值（h color）、形状异质性值（h shape）。

基于无人机多光谱遥感影像的地物分类方法研究基于无人机多光谱遥感影像的地物分类方法研究地物分类是遥感影像处理中的一个重要任务，对于土地利用、环境监测、城市规划等领域具有重要意义。

传统的地物分类方法主要基于光谱信息进行分类，但随着无人机的广泛应用，无人机多光谱遥感影像因其高空间分辨率和多光谱信息优势，成为地物分类领域的研究热点。

无人机多光谱遥感影像数据包含多个波段的光谱信息，除常见的可见光和红外波段外，还包含近红外和短波红外等波段。

这些波段的组合能够提供更为丰富的地物特征信息，有助于提高分类的精度和准确性。

地物分类方法的研究涉及特征提取、分类器设计以及分类结果评估等方面。

特征提取是地物分类的关键步骤，其目的是从多光谱遥感影像数据中提取有效的特征信息以描述地物。

常用的特征包括光谱特征、纹理特征和形状特征等。

光谱特征是最基本的特征，可以通过光谱反射率或者光谱指数来表征地物的光谱信息。

纹理特征描述同一地物在空间上的分布规律，常用的纹理特征包括平均灰度、方差和对比度等。

形状特征则主要描述地物的形状属性，包括面积、周长、紧凑度等。

在特征提取的基础上，需要设计合适的分类器来对地物进行分类。

常用的分类器包括最大似然分类器、支持向量机和人工神经网络等。

最大似然分类器是一种统计分类方法，假设每个类别的样本分布服从多元正态分布，在此基础上计算样本所属各类别的概率，并选择概率最大的类别作为分类结果。

支持向量机是一种机器学习方法，通过构建超平面来将样本进行分类。

人工神经网络则模拟人脑的神经元网络结构，通过训练样本来获取地物分类的模型。

地物分类的结果评估是对分类结果进行定量评估，常用的指标包括准确性、召回率、精确率和F1-score等。

准确性是对分类结果整体的评估，召回率和精确率则侧重于分类结果中的正例样本和负例样本。

F1-score综合了召回率和精确率的指标，能够更准确地评估分类器的性能。

虽然无人机多光谱遥感影像在地物分类中具备优势，但仍然面临一些挑战。

基于深度学习的无人机遥感影像农村地物分类研究随着科技的快速发展，无人机作为一种高效便捷的遥感技术工具，已经在农业领域得到广泛应用。

无人机遥感影像可以提供高分辨率的图像信息，为农村地物分类研究提供了新的可能性。

基于深度学习的无人机遥感影像农村地物分类研究是目前热点的研究方向之一。

一、研究背景传统的农村地物分类方法主要依赖人工提取特征和手动构建分类模型，这种方法在时间和人力成本上存在较大的局限性。

而基于深度学习的方法能够通过学习大量的样本数据自动提取特征，并构建高效的分类模型。

因此，基于深度学习的无人机遥感影像农村地物分类研究具有巨大的应用潜力。

二、分析方法基于深度学习的农村地物分类研究主要包括以下几个步骤：数据采集、数据预处理、特征提取、模型训练和分类结果评估。

1. 数据采集：使用无人机获取高分辨率的遥感影像数据，包括农田、建筑物、水体等不同地物类型。

在数据采集过程中，要注意遥感影像的角度、高度和光照条件等因素，以提高分类的准确性。

2. 数据预处理：对采集到的遥感影像进行预处理操作，包括影像校正、去除噪声、图像增强等。

预处理的目的是提高数据的质量和减少对模型训练的干扰。

3. 特征提取：利用卷积神经网络（CNN）等深度学习方法，从预处理后的遥感影像中提取特征。

通过训练好的CNN模型，可以自动学习到不同地物类型的特征表示，为后续的分类任务提供有用的信息。

4. 模型训练：利用提取的特征和标注的地物类型信息，通过训练深度学习模型，构建地物分类模型。

常用的分类模型包括卷积神经网络（CNN）和支持向量机（SVM）等。

在训练模型时，需要将数据集划分为训练集和测试集，以评估模型的性能。

5. 分类结果评估：通过对测试集中的样本进行分类预测，计算分类模型的准确率、召回率、F1值等指标，评估其分类性能。

通过对分类结果进行分析，可以了解模型的优势和不足之处，并进一步优化模型表现。

三、研究意义与应用价值基于深度学习的无人机遥感影像地物分类研究具有以下几个方面的意义和应用价值：1. 提高农村地物分类的准确性：深度学习方法能够自动学习到地物的特征表示，相比传统方法更具区分度和准确性，可以有效提高农村地物的分类准确性。

无人机遥感图像处理与地物分类研究随着无人机技术的快速发展，无人机遥感图像处理与地物分类成为近年来热门的研究领域。

无人机遥感图像处理主要指对无人机采集到的图像进行分析和处理，以提取有用的信息。

地物分类是无人机遥感图像处理中的一个关键环节，通过将遥感图像中的地物进行分类，可以为资源管理、环境监测、农业种植等领域提供重要的支持。

一、无人机遥感图像处理无人机遥感图像处理主要包括图像获取、图像预处理、图像增强和图像分割等步骤。

1. 图像获取：无人机可以通过搭载相机或其他传感器来获取地面的图像信息。

相机的选择要考虑分辨率、光谱范围和稳定性等因素。

2. 图像预处理：由于无人机遥感图像容易受到光照条件、噪声和运动模糊等因素的影响，所以需要对图像进行预处理，以提高图像质量。

常见的预处理方法包括噪声去除、几何校正和图像融合等。

3. 图像增强：为了提高图像的对比度和清晰度，可以使用图像增强算法，如直方图均衡化、滤波和锐化等。

4. 图像分割：图像分割是将图像分成不同的区域或对象的过程。

常用的图像分割方法有阈值分割、区域生长和边缘检测等。

图像分割可以为地物分类提供有用的信息。

二、地物分类方法地物分类是无人机遥感图像处理的关键环节，其目的是将遥感图像中的地物进行分类并标注。

地物分类方法主要包括监督分类和非监督分类两种。

1. 监督分类：监督分类是指根据已知的训练样本对遥感图像进行分类。

首先需要采集一些包含各类地物的样本，并对其进行人工标注。

然后利用分类算法，如最大似然法、支持向量机和随机森林等，对遥感图像进行分类。

2. 非监督分类：非监督分类是指对遥感图像进行自动分类，无需人工标注训练样本。

常见的非监督分类算法包括聚类、最大似然法和自组织映射等。

非监督分类方法适用于多类别地物的分类。

三、无人机遥感图像处理与地物分类应用无人机遥感图像处理与地物分类在许多领域都有广泛的应用。

1. 农业种植：通过对农田的无人机遥感图像进行处理和地物分类，可以实现对农作物的生长状态和病虫害情况的监测。

无人机图像的地物分类技术研究一、引言随着科技的不断进步，无人机技术已经越来越成熟和普及，无人机图像的地物分类技术也被广泛研究和应用。

无人机图像地物分类是指将无人机获取的地面图像按类别进行分类，例如建筑、水体、道路等等，目的是为了更加准确、快速地获取地理信息，为科研、决策等领域提供数据支持。

本文将从“地物分类技术的意义”、“无人机图像地物分类技术的研究现状”、“无人机图像地物分类技术的方法总结”、“无人机图像地物分类技术的应用与展望”四方面来进行阐述。

二、地物分类技术的意义地物分类技术在当今社会中具有重要的意义。

其一，地物分类技术能够提供高空观测数据，实现低成本快速地获取精确的地理数据，这对于国土资源调查、环境监测、农业研究等领域具有十分重要的意义。

其二，地物分类技术可以为城市规划提供参考，国家的城市化建设正日益加快，因此一些城市规划部门开始应用无人机获取的地物信息、建筑模型等数据来分析城市建设、地形变化等问题，提供了可靠的数据支持。

其三，地物分类技术也可以为灾害预防和治理提供帮助，例如地震、山体滑坡、洪涝等自然灾害，可以通过无人机获取高空、全景地面图像，对灾害现场进行全方位监测与调查，为应急救援以及灾后重建提供数据支持。

三、无人机图像地物分类技术的研究现状随着无人机技术的发展，无人机图像地物分类技术的研究也在不断深入。

从传统的基于像素的分类方法到基于场景的深度学习，无人机图像地物分类方法在精度、速度和鲁棒性上实现了质的飞跃。

目前，常见的无人机图像分类方法可以归纳为以下几种：1. 基于传统图像处理方法的分类该分类方法主要是采用图像的空间、频率等特征进行提取和分类，包括像素级分类、纹理、边缘等领域。

这类方法主要根据图像的基础特征，通过线性分类器、支持向量机、人工神经网络等算法，进行分类处理，优点是运算速度较快，但准确率较低。

2. 基于机器学习的分类这种分类方法主要利用机器学习算法，通过对大量样本数据的学习，提取有效的特征并建立模型，并对新的图像进行分类，只要提供充分的样例数据，分类效果很好。