无人机遥感数据处理与滑坡信息提取

滑坡信息提取与分析

1.多尺度分割与参数的选择

无人机遥感获取的影像具有较高的分辨率，而传统的基于像元的分类结果会产生椒盐效应，分类精度低，而面向对象分类方法综合利用了光谱信息、纹理信息、空间形态结构和上下文等多源信息， 分类精度较高，更适合高分辨率的无人机影像。本文采用 ESP (Estimation of Scale Parameters)工具辅助影像分割 来获取最佳的分割尺度，ESP工具是通过引入局部方差（Local Variance, LV）指数来反映分割结果的均质性，其中LV指数代表分割单元的内部标准差，随 着分割单元的增大而增加，达到某一范围LV指数 便不会增加，该尺度可能为最佳分割尺度。但 LV 指数所对应的尺度阈值不易从图像上观察到，因此 通过变化率（Rate of Change, ROC）参数来表征（式（3）），其中 ScaleL 代表 L 层所对应的 LV 参数值， ScaleL-1代表更低一层所对应的LV参数值，运用ESP 工具得到计算结果如图5所示，图1中ROC的极大值可能代表地物信息提取的最佳分割尺度，根据实验结果并结合目视解译，最终选定分割尺度为320。

图1 ESP工具计算结果

为了更好地将地形与地貌信息纳入到分割体系中，因此加入了 DEM 和坡度影像参与分割。在 均值因子的选择上，形状因子过大会制约光谱信息，紧密度过大会使得分割结果的边缘形成锯齿状区域。为了获取最佳的分割结果，本文通过充分的实验，确定光谱权重中红光波段、绿光波段、蓝光波段、DEM、坡度影像分别占比例为 1:1:1:0.2:0.2，分割尺度为 320，形状因子为 0.2，紧密度为 0.4，通过上述参数进行分割时，获取的分割对象大小适中，内部光谱差异小，不同类别间边界清晰。

2. 基于模糊分类与决策树的滑坡信息提取

基于决策树的分类方法具有运算速度快，漏分区域少的优势，而决策树的构建方式以及每个节点分类算法和参数的选择是研究的重点问题。依据 成员函数建立决策树的分类方法多是基于布尔逻辑陈述（Boolean Logic Statement），通过对待分类单 元赋予1或0来确定归属类别的二元硬分类。为了改善二元硬分类的不足，模糊分类的方法应运而生，它是以模糊逻辑（Fuzzy Logic）为理论基础，采用隶属度函数来描述模糊的概念，从而将属于与不 属于的绝对概念过渡到相对概念，避免了人为设定 阈值的主观性与差异性，更符合客观真实规律。由于决策树分类存在着误差累积的现象，因此在决策 树的构建方面，最好先将易于区分的类别进行分类，并且在每个节点上选择合适的分类方法与参考 特征，以提高分类精度。遵循以上规则构建决策树 （图2）来实现研究区植被、道路、疑似滑坡区域的信息提取。

图2 分类决策树

（1）植被信息提取

本文研究区内植被覆盖度较高、边界清晰，提取难度较小，因此在第1层进行植被提取。VDVI 指数对于仅含可见光波段的影像中绿色植被信息 具有较好的提取效果，更适用于无人机影像；提取方法选择基于阈值与隶属度函数相结合的模糊 分类方法，通过选取VDVI指数构造植被的隶属度 函数来实现植被信息的提取。当 VDVI 指数小于 -0.018时地物类型为非植被，当大于0.002时地物类型为植被，因此在（-0.018，0.002）区间构建植被 信息的隶属度函数（表3），通过隶属的函数值来确 定类别的归属，通过上述方法将原始影像分为植被与非植被。 

（2）道路信息提取

在非植被区域进行下一步的道路信息提取，由于研究区为山区，地势起伏明显，而人工修建的盘 山公路坡度平缓，因此依据坡度影像可以实现对道 路的提取，提取的方法选择基于阈值与隶属度函数 相结合的模糊分类方法。当坡度小于14°时，影像 对象的地物类型为道路，当坡度大于16°时地物类 型为非道路，因此在（14，16）构建道路信息的隶属度 函数（表1），通过上述方法可以实现山区公路信息的 提取，从而将非植被区域划分为道路与非道路区域。

表1 分类规则

（3）疑似滑坡区域的提取

经过前2个步骤已经提取了研究区的植被与道 路信息，下一步需要在非道路区域进行滑坡信息的 提取。在滑坡信息的提取方面，很难设定合适的阈值来实现提取，因此本文通过人工选取样本点并采用 SVM（Support Vector Machine）分类方法进行分类，SVM具有较强的小样本学习能力，并且鲁棒性 强，是一种优秀的监督分类算法。本实验在待分类影像区域选择9个滑坡区域的 样本点和10个非滑坡区域的样本点，分别获得每个样本区域的8种 GLCM 纹理，并对 8 种纹理值进行归一化处理，统计结果如图3所示。

图3 样本点的GLCM纹理特征统计

通过比较滑坡区域与非滑坡区域在 8 种 GLCM 纹理影像上值的差异，可以发现在方差（Variance）统计值中，滑坡区域集中在0.64-0.81之间，在对比度（Contrast）统计值，滑坡区域集中在0.48-0.79之间，在角二阶矩（Angular Second Moment）统计值中，滑坡区域集中在 0.51-0.78 之间，由于滑坡区域主要为堆积的碎石，异质性强于侧壁岩石，弱于裸露土壤，因此在以上3种纹理特征中（表 2），滑坡区域与非滑坡区域具有较明显的分界值，而在其他5种纹理特征中，滑 坡区域与非滑坡区域相混淆。

表2 GLCM纹理特征

人工选取的样本点在坡度值上也存在着较明显的分界值，滑坡区域的坡度值主要集中在30°~40° 之间，而非滑坡区域主要为侧壁岩石和裸露土地， 侧壁岩石坡度大于45°，而裸露土壤的坡度集中在 20°~30°之间。综上所示，选定方差、对比度、角二阶矩与坡度作为分类参考特征，通过人工选择样本点的方式，采用 SVM 监督分类算法实现滑坡信息的提取，提取结果如图4所示。

图4 研究区信息提取结果

3.3 重点滑坡区域的形态分析和精度评价

通过前文介绍的信息提取方法，可以将研究区的植被、道路、疑似滑坡区域很好地提取出来，其中疑似滑坡区域大部分为堆积的碎石，结合滑坡的空 间位置以及公路的分布特征，可以发现区域A（图9） 具有较高的风险等级。为了更准确地对区域 A 进行滑坡形态与纹理的分析，本文获取了基于滑坡表面的投影影像，其中投影面的位置如图5所示。

图5 重点滑坡区域的投影影像以及滑坡形态分析

结合前文获取的 DEM 与坡度数据，可以发现该区域在形态方面，斜面上出现马蹄形状的洼地，形状与周围区域明显不协调，在斜坡面形成上部陡峭中部 平缓下部陡峭的折线状地形，其中上部区域平均坡 度为37°，中部区域为26°，下部区域为34°，滑坡后 壁较陡，中间有一个较平缓的核心台阶。该区域的 岩石类型主要为施工遗留的碎石，在重力作用下呈 流态分布于滑坡表面，结构上较为松散，与周围未 滑动的整块岩石具有明显的差异。本文采用用户精度，生产者精度作为评价指标，其中分类结果的精度评价如表5所示。结果表明本文的方法具有较高的精度，3种主要地物类型中生产者精度在 80%左右，用户精度在 90%左右，其中重点提取的滑坡区域用户精度为91.44%，生产者精度 为84.65%。

图6 精度评价方法示意图

表3 分类结果精度评价

4 结论与展望

针对研究区的滑坡信息提取要求，利用无人机遥感平台，采取倾斜拍摄与支持拍摄相结合的影像获取方式，结合摄影测量基本原理与计算机视觉算法，得到了高精度的 DOM 与 DEM 数据，通过面向对象方法实现了研究区滑坡信息的提取。具体结论如下： 

（1）利用无人机遥感平台获取的影像有效地保 留了光谱与纹理信息，并结合野外测量的控制点保证了位置精度，采用影像匹配、相对定向、光束法平差以及数字微分纠正的方法，获取了研究区的 DEM与DOM，通过对影像的精度验证，证明本文的研究方法适用于无人机影像的获取与处理。 

（2）确定了 DOM 影像分割的最佳尺度，结合研究地物的光谱、纹理以及形态特征， 构建了基于模糊分类与 SVM 算法相结合的决策树，实现了滑坡信息的提取。并对提取的滑坡区域 进行了形态与纹理的分析以及精度评价，其中滑坡提取的用户精度为91.44%、生产者精度为84.65%，证明本文的提取方法具有较高的精度与应用价值。本文虽然获得了研究区高分辨率和高精度的 DEM 和 DOM 数据，但是影像的覆盖面积较小，无法实现大范围的滑坡信息提取与监测，其主要限制在于无人机的续航问题，今后将大幅度地提升续航能力，以便实现大区域的滑坡信息提取与监测。

莱森光学（深圳）有限公司是一家提供光机电一体化集成解决方案的高科技公司，我们专注于光谱传感和光电应用系统的研发、生产和销售。

审核编辑 黄昊宇