服务热线:
86-0755-23229824
您当前所在位置: 首页>>应用案例
融合机载 Li DAR 和高光谱影像的土地利用分类

image.png

0  言

高光谱影像包含丰富的光谱信息,能够准确地描述地物的光谱特征,但在地物分类应用中通常会存在同物异谱和同谱异物现象。机载激光雷达(Light  Detection and  Ranging,Li DAR)可以直接获取地物高精度、高密度的三维空间信息,通常为离散点云,由于缺乏光谱/纹理信息,在地物分类方面表现出最大的不足。因此,融合机载 Li DAR 点云的三维空间信息和高光谱影像的纹理信息,即可发挥各自优势、取长补短,提升地物分类的精度和可信度。 本文在已有研究基础上从机载 Li DAR数据和高光谱影像数据提取不同特征,设计了不同特征组合的融合数据集,采用效率 更 高 、 实 现 简 单 的 随 机 森 林 算 法(random  forest ,RF) 进行地物分类研究,并进行精度评价与对比,以提高分类精度,为土地资源利用监测、管理提供据支持。

1数据源

机载 Li DAR 和高光谱影像数据覆盖区域位于广西灵川县,地形平坦,包括民房、农田、林地、裸地等地物类型(图1)。其中机载 Li DAR 数据采集于 2020 年11 月 6 日,由 无人机 Li DAR系统获取,飞行高度约 120  m,平均点密度 38 点/m2,包含 xyz 坐标信息、强度信息及多次回波信息。高光谱数据采用高光谱成像仪于 2020 年 12 月 25日获取,当日天气晴好,飞行高度为 130 m ,空间分辨率为 0.12  m ;波长范围为400-1000 nm,包含 270 个光谱波段。

image.png 

 1 实验区地理位置

 

2研究方法 

分别从机载 Li DAR 点云数据和高光谱影像中提取地物的高度特征、光谱特征、红边特征及纹理特征,并设计了 5 种不同特征组合的影像,然后应用随机森林分类器对不同特征组合的影像进行土地利用分类,并比较其精度。技术路线如图 2。

 image.png

 2 技术路线图 

2.1  Li DAR 点云特征提取 

首先采用三角网滤波方法进行点云滤波 , 然 后 采 用 不 规 则 三 角 网 方 法(Triangulated  Irregular  Network,TIN)对滤波后的地面点和非地面点进行插值,生成格网分辨率为 0.25m 的数字高程模型(digital  elevation  model,DEM)和数字表面模型(digital  surface  model,DSM),将插值生成的 DEM 和 DSM 进行差值运算,得到 n DSM。

2.2 高光谱影像特征提取 

高光谱影像包含丰富的地物光谱信息,波段数多,在分类过程中,会导致数据冗余、效率变低、影响分类精度,因此首先要对高光谱影像数据进行降维处理。主成分分析法(principal  component analysis,PCA)是目前应用最广泛的降维方法,在 ENVI5.3 中对高光谱数据进行降维处理,选取前 5 个主成分波段特征。利用红边波段可以增强不同地物间的区分度,本文根据所用高光谱影像的光谱特点,定义了 3 种红边植被指数,组成红边特征集(后文以 RE 表示)。归一化植被指数(normalized  difference vegetation index,NDVI)对绿色植被比较敏感,也是遥感影像分类中常用的植被指数。各植被指数计算公式如表 1 所示。

 1 植被指数 

image.png

注:NIR 为近红外波段;R 为红波段;RE1 为红边 710 波段;RE2 为红边 750 波段 

 

纹理特征信息能够有效提升分类精度,本文采用灰度共生矩阵(gray-level co-occurrence  matrix,GLCM)方法提取影像的纹理特征,并选取了同质度、非相似性、对比度、相关性、熵和角二阶矩作为影像的纹理特征,对经 PCA 变换后的影像进行 GLCM 计算得到纹理特征。

2.3 分类方法  

首先使用 ENVI5.3 软件,以高光谱影像为基准影像,选取 n DSM 和高光谱影像上明显的同名地物点作为配准基元进行配准。  为探究不同特征组合的分类效果,本文根据提取的不同特征,设计了 5个特征组合的融合影像,如表 2 所示。

 

 

 

 2 不同特征波段组合

image.png 

随机森林是一种机器学习算法,它将多棵决策树集成在一起组成“森林”是目前遥感影像分类常用的方法,具有参数设置少、稳定性好、训练样本速度快、分类精度高等特点。本文根据实地调查数据和通过 Google earth 高分辨率影像目视解译完成训练样本和验证样本的选择,使用 RF分类器,对构建的不同特征组合进行地物分类。在随机森林算法中,决策树的数量(ntree)和为随机特征的数量(mtry)是两个关键参数,本文通过反复优化,将ntree 设置为 100,mtry 设为特征数量的平方根。

2.4 精度评价  

 用 Kappa 系 数 和 总 体 分 类 精 度(Overall  Classification Accuracy,OA)对分类结果进行精度评价。并计算每种地物类别的用户精度和生产者精度,以便更好地评价不同实验组合的分类结果。

3 结果与分析 

不同特征组合的分类结果如图 3 所示。可以看出,在融合影像仅具有光谱特征时(组合 1),部分建筑物明显被误分为了道路和裸地。在加入植被指数和纹理特征后(组合 3),植被和裸地的区分更明显,建筑物误分为道路的情况也有所改善,但仍有部分裸地被分为了建筑物;加入 Li DAR 点云数据提取的 n DSM 后,融合影像(组合 4)具有了高度特征,建筑物和道路边缘区分更清晰,建筑物和裸地的误分情况相较于组合 3 也有极大改善,林地、农作物和裸地的区分也更明显。

image.png 

 3 不同特征组合分类结果 

 3 分类结果精度统计

image.png 

注:PA 为生产者精度;UA 为用户精度 

从表 3 可以看出,组合 1 的分类精度最低,OA 和 Kappa 系数分别为 77.73%和0.69 ;组合 5 的分类精度最高, OA 和Kappa 系数分别为 85.96%、0.81,说明高光谱影像融合植被指数、纹理特征和高度特征后,分类精度得到有效提升。特别在添加了 Li DAR 点云数据提取的 n DSM 的高度特征后,分类精度提升最多,相较于未添加高度特征(组合 3)OA 和 Kappa 系数分别提升了 5.33%和 0.07,说明融合高程信息可以极大提高高光谱数据的分类精度;组合 4 的总体分类精度虽略低于组合5,但组合 4 中林地的分类精度却更高,PA和 UA 均达到 95%以上,说明红边光谱特征与从 Li DAR 数据提取的 n DSM 融合后对高植被的分类效果更好。 

推荐  

便携式地物光谱仪iSpecField-NIR/WNIR

专门用于野外遥感测量、土壤环境、矿物地质勘探等领域的最新明星产品,由于其操作灵活、便携方便、光谱测试速度快、光谱数据准确是一款真正意义上便携式地物光谱仪。

image.png 

无人机机载高光谱成像系统 iSpecHyper-VM100

一款基于小型多旋翼无人机机载高光谱成像系统,该系统由高光谱成像相机、稳定云台、机载控制与数据采集模块、机载供电模块等部分组成。无人机机载高光谱成像系统采用了独有内置扫描系统和增稳系统,成功克服了小型无人机系统搭载推扫式高光谱相机时,由于无人机系统的震动造成的成像质量差的问题,同时具有高光谱分辨率和优异的成像性能。

image.png 

便携式高光谱成像系统 iSpecHyper-VS1000

专门用于公安刑侦、物证鉴定、医学医疗、精准农业、矿物地质勘探等领域的最新产品,主要优势具有体积小、帧率高、高光谱分辨率高、高像质等性价比特点采用了透射光栅内推扫原理高光谱成像,系统集成高性能数据采集与分析处理系统,高速USB3.0接口传输,全靶面高成像质量光学设计,物镜接口为标准C-Mount,可根据用户需求更换物镜。

 image.png

 


Copyright © 2020 All Rights Reserved 莱森光学(深圳) 有限公司·版权所有 备案号:粤ICP备18141551号-1