基於無人機高光譜不同高度的地物快速識別研究

基於無人機高光譜不同高度的地物快速識別研究

摘要：無人機遙感以其操作簡便、高時效

、高分辨率、低成本、低風險、低損耗等傳統

遙感無法比擬的優勢，給高空目標識別
、地物分類等研究提供了新的平台。為了研究不同高度下地物的光譜特征變化以及不同時期、不同高度下地物的有效快速識別方法，本研究以2015年8月7日200 m高空高光譜影像和2015年9月25日100 m
、200 m、300 m高空高光譜影像共4景影像為研究對象
，研究不同高度下，地物的高光譜特征變化以及不同時期
、不同高度下地物的分類精度。結果表明不同高度下
，植被的光譜反射率差異顯著
，隨著高度的升高，植被特有的特征如“綠峰”降低、“紅穀”升高、“紅邊位置”出現“紅移”，在近紅外範圍內，光譜反射率降低
；在綜合考慮人工參與程度、處理時間和分類精度等方麵進行比較可知，基於ISODATA法可實現不同時期、不同高度下地物的快速識別研究。研究結果為利用無人機高光譜遙感在其他領域的應用奠定了基礎。

關鍵詞：無人機遙感；高光譜；不同高度；地物識別；ISODATA

無人機(unmanned aerial vehicle，UAV），是一種通過無線遙控或規劃航線飛行的無人駕駛飛機，它一般有動力係統、飛控係統、無線通訊遙控係統、有效載荷（武器
、偵查設備）等部分組成[1]。無人機與遙感技術的結合
，即無人機遙感
，克服了近地麵小範圍的作物遙感監測的極限，同時也克服了衛星影像受時間分辨率
、空間分辨率的影響。無人機遙感以其全天時、實時化、高分辨率
、靈活機動
、高性價比等優勢
，在農業、生態環境
、新農村建設規劃、自然災害監測
、公共安全、水利、礦產資源勘探、測繪等國民經濟及社會發展各個領域發揮著越來越重要的作用，成為繼衛星遙感和有人通用航空遙感技術之後的新興發展方向[2]。

目前，國內外學者通過無人機遙感平台搭載各種傳感器獲取地麵圖像光譜信息，取得了較大的研究進展。如Sugiura 等[3]將成像傳感器搭載在無人機上，獲取小麵積農田信息
，劃分出研究區域內的作物葉麵積指數分布情況。李冰等[4] 利用低空無人機遙感監測冬小麥不同生長時期覆蓋度的變化。Mitch Bryson 等[5]使用可見光低空拍攝無人機影像基於植被顏色及紋理對不同植被類型進行分類。Francisco 等[6]使用無人機影像對植被黃龍病進行監測。Córcoles 等[7]利用旋翼無人機實現了洋蔥鬱閉度的無損測量，並建模分析了鬱閉度與葉麵積指數之間的關係。劉峰等[8]設計構建基於無人直升機平台的低空遙感係統
，對板栗生育期內植被覆蓋度變化情況實施了監測。高林等[9] 以yi多duo旋xuan翼yi無wu人ren機ji為wei平ping台tai同tong步bu搭da載zai高gao清qing數shu碼ma相xiang機ji和he多duo光guang譜pu傳chuan感gan器qi組zu成cheng的de無wu人ren機ji農nong情qing監jian測ce係xi統tong對dui研yan究jiu大da豆dou葉ye麵mian積ji指zhi數shu反fan演yan，取qu得de了le較jiao高gao的de精jing度du。

然而，國內外大部分學者利用無人機遙感平台運用於作物的農情監測、礦產資源探測等領域較多[10-12]
，然ran而er很hen少shao有you人ren利li用yong無wu人ren機ji平ping台tai搭da載zai成cheng像xiang高gao光guang譜pu傳chuan感gan器qi研yan究jiu不bu同tong高gao度du下xia同tong一yi地di物wu光guang譜pu反fan射she率lv的de變bian化hua以yi及ji不bu同tong高gao度du下xia不bu同tong時shi期qi地di物wu的de快kuai速su識shi別bie研yan究jiu。因yin此ci本ben研yan究jiu利li用yong無wu人ren機ji搭da載zai成cheng像xiang高gao光guang譜pu儀yi，以yi期qi分fen析xi不bu同tong高gao度du下xia地di物wu的de光guang譜pu反fan射she率lv差cha異yi和he不bu同tong高gao度du不bu同tong時shi期qi地di物wu的de快kuai速su精jing準zhun識shi別bie，為wei利li用yong無wu人ren機ji高gao光guang譜pu遙yao感gan在zai其qi他ta領ling域yu的de應ying用yong奠dian定ding基ji礎chu。

2.1  研究區域

野外實驗分別於2015年8月7日和9月25日在北京市通州區馬駒橋鎮某農田開展。

2.2  數據采集設備

本次試驗采用大疆八旋翼無人機S1000 (無人機淨重約4 kg，最大載重約 6 kg)，在無人機遙感平台上搭載四川雙利合譜科技有限公司自主研發的成像光譜儀GaiaSky-mini
，該無人機遙感平台采用的是無人機懸置空中
，成像光譜儀內置推掃獲取地麵圖像(其主要參數見表1)。8月7日僅飛行了200 m高度，地麵範圍約80 m×80 m；9月25日飛行了100 m、200 m、300 m三個不同高度，地麵範圍分別約為40 m×40 m

、80 m×80 m
、120 m×120 m，無人機遙感平台的實景圖
，如圖1。

表1   GaiaSky-mini 機載成像高光譜儀係統參數

Table 1 GaiaSky-mini high airborne imaging spectrometer system parameters

圖1   無人機遙感平台實景圖

Fig. 1 UAV remote sensing platform picture

2.3  數據的預處理與分析

無人機高光譜圖像的預處理在四川雙利合譜科技有限公司自主研發的SpecView軟件中進行
，包括鏡像變換[13]
、黑白幀校準[14-15]（如公式1所示）。高光譜圖像噪聲去除采用最小噪聲分離變換（Minimum Noise Fraction Rotation，MNF Rotation）[16-18]

，圖像的感興趣區域提取、圖像分類方法均在ENVI/IDL 5.3上完成。

   (1)

式中，Rref 是校正過的圖像，DNraw 是原始圖像
，DNwhite為白板校正圖像
，DNdark 是黑板校正圖像。

gaoguangpuyaogantuxiangfenleishigaoguangpuyaogantuxiangfenxiheyingyongdezhongyaoneirong，genjushifoushiyongleibiedexianyanzhishi，kefenweijiandufenleihefeijiandufenlei，changyongdejiandufenleifangfayouzuixiaojulifenleifa、馬氏距離分類法、最大似然分類法、光譜匹配法和神經網絡法等，非監督分類常用的方法有K-Means和ISODATA法[19]。本研究運用監督分類方法中的馬氏距離分類法、最大似然分類法
、神經網絡法以及非監督分類的ISODATA法，比較這四種分類方法在不同高度下不同時期的無人機高光譜影像中地物的分類識別精度
，本研究利用總體分類精度和Kappa係數對分類精度進行評價[20]。

3.1  同一研究區域不同高度下光譜曲線的差異分析

    圖2為9月25日
，天氣為晴，基於無人機獲取的三個不同高度的高光譜圖像的（RGB真彩色合成圖），光譜曲線分別為同一研究區域，100 m、200 m、300 m三個高度的光譜曲線差異。以植被為研究對象，分析同一研究區域不同高度下光譜曲線的差異。以一個具體的植被象元為例，從圖2中可知
，不同高度下植被光譜反射率差異顯著
，隨著高度的升高，植被特有的特征“綠峰”降低、“紅穀”升高
、“紅邊位置”出現“紅移”。且在400-510 nm範圍內光譜反射率隨無人機飛行高度的升高而升高
；在(zai)近(jin)紅(hong)外(wai)範(fan)圍(wei)內(nei)
，光(guang)譜(pu)反(fan)射(she)率(lv)隨(sui)無(wu)人(ren)機(ji)飛(fei)行(xing)高(gao)度(du)的(de)升(sheng)高(gao)而(er)降(jiang)低(di)，該(gai)這(zhe)是(shi)因(yin)為(wei)隨(sui)著(zhe)高(gao)度(du)升(sheng)高(gao)，空(kong)間(jian)分(fen)辨(bian)率(lv)降(jiang)低(di)，圖(tu)像(xiang)中(zhong)一(yi)個(ge)像(xiang)元(yuan)代(dai)表(biao)地(di)麵(mian)的(de)範(fan)圍(wei)加(jia)大(da)，出(chu)現(xian)混(hun)合(he)像(xiang)元(yuan)的(de)概(gai)率(lv)增(zeng)加(jia)。從(cong)圖(tu)2中可知
，隨著無人機高度的升高，混合像元中土壤所占比例增加，從而造成“綠峰”降低、“紅穀”升高，紅邊位置發生了“紅移”等現象。

圖2 同一研究區域不同高度下光譜曲線

         Fig. 2 The spectral curve at different heights in the same study area

3.2  機載影像中不同地物的光譜曲線差異分析

  圖3為8月7日天氣為晴，利用無人機獲取的近地麵200 m高度的高光譜圖像及不同作物與土壤的光譜反射率曲線。從圖中可知
，土壤的光譜曲線與三種作物的光譜曲線差異顯著，在400-515 nm和580 - 690 nm範圍內


，土壤的光譜反射率高於三種作物的光譜反射率。在可見光區域，茄子苗
、西瓜苗
、葡萄樹三種作物的光譜反射率差異也較為顯著，其中西瓜苗的光譜反射率最高，其次是茄子苗
，最後是葡萄樹；在近紅外區域，西瓜苗和茄子苗的光譜反射率十分相近，總體而言，茄子苗的光譜反射率最高

，其次是西瓜苗
，最後是葡萄樹。

圖3  8月7日不同作物與土壤的光譜反射率曲線

Fig. 3 The spectral reflectance curves of different crops and soil on August 7

    圖4為9月25日天氣為晴，利用無人機獲取的近地麵300 m高度的高光譜圖像及不同地物的光譜反射率曲線。從中可知
，植物、土壤、公路、大棚植物等地物光譜曲線差異顯著。在400-920 nm範圍內公路的光譜反射率曲線保持較平穩的趨勢，土壤的光譜反射率在此範圍內呈上升趨勢；400-700 nm範圍內，大棚植物的光譜反射率高於裸露植物，而在700-100 nm範圍內，則是裸露植物的光譜反射率高於大棚植物。

圖4  9月25日不同地物的光譜反射率曲線

Fig. 4 The spectral reflectance curves of different ground objects on September 25

3.3  不同地物的快速識別分類研究

分別運用馬氏距離法
、最大似然法
、神經網絡、ISODATA（K-Means分類效果不佳
，在此不列舉）四種分類方法對8月7日的200 m高光譜圖像和9月25日的300 m高光譜圖像進行分類研究。完成分類之後，使用目視判讀的方法從圖像上選取不同地物各1000像元計算混淆矩陣進行驗證。結合驗證數據，采用混淆矩陣的方法對 4 類方法進行精度評價，結果如表 2和表3 所示。從表2和表3可知，神經網絡法的分類精度最高，其次是馬氏距離分類法，再次是ISODATA法，最低的最大似然分類法。但從處理時間來看，神經網絡的處理時間較長，分別為35.14 min和38.26 min，其次是最大似然分類法
，分別為15.61 min和16.75min，再次是馬氏距離法
，分別是12.54 min和14.55 min，處理時間最短的是ISODATA法，處理時間分別為3.64 min和3.97 min。

表2  8月7日的200 m高光譜圖像分類精度評價

Table 2 200 m hyperspectral image classification accuracy evaluation on August 7

表3  9月25日的300 m高光譜圖像分類精度評價

Table 3 300 m hyperspectral image classification accuracy evaluation on September 25

4種分類方法的原理各不同，從人工參與程度
、處理效率和分類精度等方麵進行比較分析可知，ISODATA法(fa)的(de)分(fen)類(lei)精(jing)度(du)雖(sui)然(ran)低(di)於(yu)神(shen)經(jing)網(wang)絡(luo)和(he)馬(ma)氏(shi)距(ju)離(li)法(fa)
，但(dan)是(shi)不(bu)需(xu)要(yao)太(tai)多(duo)的(de)人(ren)工(gong)參(can)與(yu)，處(chu)理(li)卻(que)大(da)大(da)提(ti)高(gao)
，且(qie)分(fen)類(lei)精(jing)度(du)高(gao)於(yu)最(zui)大(da)似(si)然(ran)分(fen)類(lei)法(fa)。因(yin)此(ci)
，它(ta)同(tong)時(shi)具(ju)備(bei)了(le)監(jian)督(du)分(fen)類(lei)的(de)高(gao)精(jing)度(du)和(he)非(fei)監(jian)督(du)分(fen)類(lei)的(de)低(di)時(shi)間(jian)的(de)特(te)點(dian)，在(zai)無(wu)人(ren)機(ji)低(di)空(kong)遙(yao)感(gan)研(yan)究(jiu)中(zhong)，能(neng)夠(gou)以(yi)較(jiao)低(di)的(de)工(gong)作(zuo)成(cheng)本(ben)快(kuai)速(su)獲(huo)取(qu)高(gao)精(jing)度(du)的(de)地(di)物(wu)識(shi)別(bie)。圖(tu)5和圖6分別為8月7日200 m和9月25日300 m高光譜圖像基於ISODATA法的分類效果圖。從圖5可知，少量的雜草被錯分為葡萄樹
、西瓜苗、茄子苗，但是從大的區域來看，原味葡萄樹、西瓜苗、茄子苗的像素並未存在錯分和漏分現象。在圖6中，少量的土壤
，可能是沙土
，被錯分為大棚或公路斑馬線
，其他地物不存在錯分和漏分現象。總體而言，ISODATA法可實現無人機高光譜遙感對地麵地物的快速有效的識別。

圖5  8月7日200 m高光譜圖像基於ISODATA法的分類效果圖

Fig. 5 The classification rendering of 200m hyperspectral image based on ISODATA method on August 7

圖6  9月25日300 m高光譜圖像基於ISODATA法的分類效果圖

Fig. 6 The classification rendering of 300m hyperspectral image based on ISODATA method on September 25

4.  結論

本ben研yan究jiu基ji於yu無wu人ren機ji平ping台tai搭da載zai成cheng像xiang高gao光guang譜pu相xiang機ji，分fen別bie獲huo取qu了le兩liang個ge時shi間jian段duan不bu同tong高gao度du的de高gao光guang譜pu圖tu像xiang，分fen析xi了le不bu同tong高gao度du同tong一yi地di物wu光guang譜pu曲qu線xian的de差cha異yi和he基ji於yu不bu同tong高gao度du下xia不bu同tong分fen類lei方fang法fa的de分fen類lei精jing度du評ping價jia。研究表明隨著無人機高度的升高，混合像元中土壤所占比例增加，從而造成“綠峰”降低、“紅穀”升高，紅邊位置發生了“紅移”等現象，研究結果與地麵光譜儀ASD的研究結果一致[21-22]。ISODATA法的分類精度雖然不及神經網絡和馬氏距離分類法，但是在綜合考慮人工參與程度
、處理效率和分類精度時可知，ISODATA法對於快速實現地物的識別效果最佳
，研究結果為利用無人機高光譜遙感進行軍事偽裝快速識別、海洋油汙麵積估測、災害損失評估等領域具有重大意義。

參考文獻

[1]  鄒湘伏，何清華，賀繼林.  無人機發展現狀及相關技術[J]. 飛航導彈，2006(10): 9 -14.

[2]  周清波. 國內外農情遙感現狀與發展趨勢[J]. 中國農業資源與區劃，2004，25(5): 9 -14.

[3]  Sugiura R, Noguchi N, Ishii K. Remote sensing technology for vegetation monitoring using an unmanned helicopter[J]. Biosystems Engineering, 2005, 90(4): 369 -379.

[4]  李冰，劉鎔源，劉素紅
，等. 基於低空無人機遙感的冬小麥覆蓋度變化監測[J]. 農業工程學報
，2012，28(13): 160-165.

[5]  Bryson Mitch, Reid Alistair, Ramos Fabio, et al. Airborne vision-based mapping and  classification of large farmland environments[J]. Journal of Field Robotics, 2010, 27(5): 632-655.

[6]  Garcia Ruiz Francisco, Sankaran Sindhuja, Maja Joe Mari, et al. Comparison of two aerial  imaging platforms for identification of Huanglongbing-infected citrus trees[J]. Computers  and Electronics in Agriculture, 2013, 91: 106-115.

[7]  Córcoles J I, Ortega J F, Hernández D, et al. Estimation of leaf area index in onion (Allium cepa L.) using an unmanned aerial vehicle[J]. Biosystems Engineering, 2013, 115(1): 31- 42.

[8]  劉峰，劉素紅
，向陽. 園地植被覆蓋度的無人機遙感監測研究[J]. 農業機械學報，2014
，45(11): 250 - 257.   

[9]  高林，楊貴軍

，王寶山等. 基於無人機遙感影像的大豆葉麵積指數反演研究[J]. 中國生態農業學報，2015，23(7): 868-876.

[10]  田振坤
，傅鶯鶯，劉素紅等. 基於無人機低空遙感的農作物快速分類方法[J]. 農業工程學報，2013，29(7): 109-116.

[11]  王利民，劉佳
，楊玲波等. 基於無人機影像的農情遙感監測應用[J]. 農業工程學報，2013，29(18): 136 -145.

[12]  邴媛媛. 無人機遙感在某鐵礦礦區資源監測中的應用[M]. 遼寧，遼寧工程技術大學
， 2008.

[13]  賽恒吉雅. 數字圖像鏡像變換方法的實現[J]. 信息科技
，2010，18(2)：142-143.

[14]  張東彥. 基於高光譜成像技術的作物葉綠素信息診斷機理及方法研究[M]. 浙江，浙江大學
，2012.

[15]  Liu Jiangui, Wu Changshan, Zhang Bing, et al. Spectral reflectance retrival of image data by imaging spectrometer PHI[J]. Journal of Remote Sensing, 1999, 3(4): 290-294.

[16]  Numata Izaya, Roberts Dar A, Chadwick Oliver A, et al. Evaluation of hyperspectral data for pasture estimate in the Brazilian Amazonusing field and imaging spectrometers[J]. Remote Sensing of Environment, 2008, 112:1569-1583.

[17]  Petropoulos George P, Arvanitis Kostas, Sigrimis Nick. Hyperion hyperspectral imagery analysis combined with machine learning classier for land use/cover mapping[J]. Expert Systems with Applications, 2012, 39:3800-3809.

[18]  Wang JianJun, Zhang Yun, Bussink Coen. Unsupervised multiple end member spectral mixture analysis based detection of opium poppy fields from an EO-1 hyperion image in Helmand, Afghanistan[J]. Science of the Total Environment, 2014, 476:1-6.

[19]  梅安新，彭望碌，秦其明，劉慧平. 遙感導論[M]. 北京，高等教育出版社，2005.

[20]  趙英時. 遙感應用分析原理與方法[M]．北京，科技出版社，2003.

[21]  儲旭. 不同覆蓋度條件下水稻葉層氮素營養的高光譜監測研究[M]
，南京
，南京農業大學
，2013.

[22]  Yao X, Ren H, Cao Z, et al. Detecting leaf nitrogen content in wheat with canopy hyperspectrum under different soil backgrounds. International Journal of Applied Earth Observation and Geoinformation, 2014, 32:114 -124.