广州市房地产测绘院广东广州510000
摘要:无人机遥感技术是一项由无人机与遥感器相结合的技术，目前已在各个领域中得到应用。本文针对无人机遥感技术存在的不足，利用无人机遥感影像，基于图像分割算法设计了一种农村房屋信息自动提取方法，以期为土地利用规划等工作提供参考依据。
关键词:房屋；遥感技术；影像分割；研究
引言
现代社会中，遥感技术作为一种高效的空间监测手段，能提供快速、准确且覆盖广的地面信息，为建筑用地信息的提取提供了极大的方便。当前卫星遥感系统在应用中存在时效性低、易受天气影响等问题，已无法满足高分辨率影像需要。而运用无人机遥感技术可以快速提取空间遥感信息，同时此技术也具有机动灵活、高分辨率、灵活性强以及成本低等优点，成为了传统航空遥感与航天遥感有力补充。但在大多数应用中，无人机遥感影像信息提取的自动化程度较低，针对此问题，本研究提出了一种基于面向对象分割的农村房屋信息提取方法。
1.研究区与数据源
以某镇的无人机遥感影像为研究数据，采用固定翼无人机搭载佳能5DmarkⅡ相机进行影像获取，影像空间分辨率为0．25m，获取时间为2010年6月。影像进行了空三加密、正射校正等预处理。本文所用无人机遥感影像具有高空间分辨率特点。空间分辨率的提高不仅丰富了地物信息，而且使地物几何结构和纹理信息显示得更加清晰。研究区内农村房屋几乎都为青瓦房顶，且房顶以屋脊为界，向两侧倾斜。房屋屋顶在无人机遥感影像中纹理清晰，颜色与林地、耕地等有显著区别，与硬化道路比较相似，但形状明显不同。
2.研究方法
在高空间分辨率的无人机遥感影像中，地物内部纹理和形状等细节信息更加丰富，但光谱分辨率却相对较低，因此传统基于像元光谱特征的信息提取方法将变得非常困难和复杂。为此，本文利用面向对象的分析方法对无人机遥感影像中的农村房屋信息进行提取。
2.1影像滤波
为了降低噪声对无人机影像分割结果的影响，采用具有较好边缘保持作用的双边滤波方法进行图像降噪。该方法是一种非线性的滤波方法，它同时考虑了像元之间的空间距离和灰度相似性，达到保边去噪的目的，具有简单、非迭代和局部的特点。
2.2基于均值移动算法的影像分割
为了避免相关软件或模块在对高分辨率影像进行处理时需要人工介入并逐步设置复杂参数，难以实现自动处理的问题，本文利用均值移动(meanshift，MS)算法，快速自动地实现影像面向对象的分割。
MS算法是基于概率密度估计的非参数化空间特征提取与分析方法，无需预先知道聚类的数目，能够描述任意形状的特征空间。特征空间可由后验概率密度函数表示，密度大的区域对应着未知概率密度的众数，对应同一众数的数据点就组成一个聚类。概率密度估计常用方法为核密度估计，对于d维空间Ｒd中的n个数据点组成的集合{xi}ni=1，其高斯核函数定义为
上述纹理指数基于双边滤波后的影像按11像元×11像元的窗口计算，影像分割后再分别计算对象内像元Mean，VAＲ和Ent这3个指数的均值。此外，还计算了对象的光谱最小值(Min)、最大值(Max)和范围(Ｒange)。图1为一组实验数据的原始影像及其6种纹理特征结果。
图1实验数据及其不同纹理特征结果
分析图1中不同纹理特征的结果发现，房屋对象和其他地物对象在均值、方差、最大值、最小值以及熵的信息差别明显。房屋对象的均值为灰色，而其他地物为偏绿色或白色;在方差信息上，由于房顶相对比较均匀，因此其方差要小于林地和耕地等。
2.3.3形状特征分析
在研究区内，房屋屋顶和硬化道路的光谱、纹理较为相似，但两者的形状区别明显。农村房屋的形状一般都为矩形，且面积有一定的范围，而道路则呈现长带状且面积较大，因此本文也提取了分割后对象的面积A和体态比C来对屋顶和硬化道路进行区分。其中A定义为对象边界所包围的面积；C定义为对象所在区域最小外接矩形的长除以宽。
2.4房屋提取算法
根据分割后影像中房屋对象的光谱、纹理和形状特征统计分析结果，并对比其他地物类别的特征后，建立了如表1所示的房屋提取规则，表中Ｒ，G和B值为对象不同波段的均值。
图2无人机遥感影像分割结果
图2(a)ＲGB影像中包括了从无人机遥感影像不同位置选出的6种具有不同纹理特征的典型地物。ISODATA非监督分类时最小和最大类别都设置为6，迭代阈值为0．05，最大迭代次数为100。最大似然监督分类中样本类别为6类，分别在不同地物的中心选择，每类样本的像元个数大于3000。
从图2可以看到，对于高分辨率影像，ISODATA非监督分类结果中除了水体之外，其他类别的分类结果几乎都不可用，而且传统基于像元的方法带来了严重的椒盐噪声；最大似然监督分类结果要好于非监督分类结果，但对于耕地、草地和农村房屋，仍有较多像元被误分为其他类别；而本文的MS算法，房屋、草地和水体几乎都实现了完美分割。但分割结果中，房屋屋顶被分成了2部分，主要是因为遥感影像中屋顶的颜色由于屋脊两侧对光照反射方向的不同有所差异，不过这2部分可以在分割后的分类中进行合并。综上所述，面向对象的MS分割方法优于传统基于像元的分类方法。
3．2农村房屋信息提取结果
分别利用本文算法和人工目视解译的方法，对无人机遥感影像中8处不同布局的农村房屋进行提取。并将提取结果进行对比，如图3所示。
图3研究区原始遥感影像和农村房屋信息提取结果
图3中包括8处不同布局的农村房屋影像，其中左图为原始遥感影像，右边黑色区域为本文算法提取的房屋信息，红色多边形为目视解译结果。将目视解译结果作为参考数据，对算法提取结果进行精度评价，分别计算了制图精度和用户精度，结果如表2所示。
表2房屋信息提取结果精度验证
制图精度是正确分类数占参考数据的比例，此处表示红色多边形和黑色像元的交集面积占红色多边形面积的比例；用户精度是正确分类数占该类别的比例，此处为交集面积占黑色像元面积的比例。
从表2中可以看出，本研究建立的无人机高分辨率遥感影像的农村房屋提取方法，可以很好地对农村房屋信息进行提取，提取结果精度较高，基本都大于90%。但是，也发现部分房屋信息有遗漏的情况。通过对比提取结果和原始影像后发现，漏分主要发生在阴影区域。由于阴影投影到房顶需要满足一定的几何关系，研究区遥感影像中阴影区域并不多。但为了减少阴影对提取精度的影响，无人机航摄时间应尽量选择在太阳高度角较大的正午时段。
4.结语
总而言之，无人机遥感影像中农村房屋信息快速提取对于农村居民点整治、土地利用规划等工作有着重要的意义。本文基于无人机高分辨率遥感数据，提出了一种农村房屋信息提取方法。结果表明：该方法可有效提取无人机遥感影像中的农村房屋信息，平均提取精度约为92%；由于无人机遥感影像空间分辨率高，波段数较少，因而建立在中低分辨率影像光谱信息基础上的分类方法，不适用于高分辨率的无人机遥感数据；此外，该方法适用于青瓦房顶的房屋信息提取，对于其他房顶的房屋信息提取应要进行深入系统的研究。
参考文献:
[1]韩健,孙时钟.无人机遥感技术方法应用与研究[J].地球.2015(6)
[2]李国杰.对无人机遥感技术在土地执法工作中应用的研究[J].科技创新导报.2016,13(16):9-12