EN中文

地球信息科学学报 >

2017 , Vol. 19 >Issue 5: 692 - 701

DOI: https://doi.org/10.3724/SP.J.1047.2017.00692

遥感科学与应用技术

无人机遥感数据处理与滑坡信息提取

  • 陈天博 ,
  • 胡卓玮 , * ,
  • 魏铼 ,
  • 胡顺强
展开
  • 1. 首都师范大学资源环境与旅游学院,北京 100048;2. 首都师范大学 资源环境与地理信息系统北京市重点实验室,北京 100048;3. 首都师范大学 三维信息获取与应用教育部重点实验室,北京 100048
*通讯作者：胡卓玮（1980-）,男,博士,副教授,主要从事资源环境遥感、地理信息系统开发与应用研究。E-mail:

作者简介：陈天博（1990-）,男,硕士生,主要从事无人机遥感影像处理与信息提取研究。E-mail:

收稿日期: 2016-01-21

  要求修回日期: 2016-06-23

  网络出版日期: 2017-05-20

基金资助

国家科技支撑计划项目（2013BAC03B04）

国家自然科学基金项目（41301468）

收起

Data Processing and Landslide Information Extraction Based on UAV Remote Sensing

  • CHEN Tianbo ,
  • HU Zhuowei , * ,
  • WEI Lai ,
  • HU Shunqiang
Expand
  • 1. College of Resource Environment and Tourism, Capital Normal University, Beijing 100048, China;2. Key Lab of Resources Environment and GIS, Capital Normal University, Beijing 100048, China;3. Key Lab of 3D Information Acquisition and Application, Ministry of Education, Capital Normal University, Beijing 100048, China
*Corresponding author: HU Zhuowei, E-mail:

Received date: 2016-01-21

  Request revised date: 2016-06-23

  Online published: 2017-05-20

Copyright

《地球信息科学学报》编辑部 所有
Fold

摘要

高分辨率的DEM和DOM数据是对地形地貌信息的准确描述,也是滑坡信息提取的重要数据源。首先,针对滑坡信息提取的要求,本文采用无人搭载微型单反相机的影像获取平台,结合野外测量的GPS数据,弥补了无人机POS信息精度低的劣势;针对无人机影像的特点,运用摄影测量基本原理与计算机视觉算法,获取高精度、高分辨率的DEM与DOM影像,保留了丰富的光谱与纹理信息。其次,借助ESP辅助工具获取了DOM影像的最佳分割尺度,并结合研究区地物特征构建了基于模糊分类与SVM算法相结合的决策树,运用面向对象的分类方法实现了对研究区内植被、道路、疑似滑坡区域的信息提取。最后,依照研究区地物分布的空间特征确定了高风险等级区域,并对该区域进行滑坡的形态与纹理分析以及精度评价,其中提取的疑似滑坡区域用户精度为91.44%、生产者精度为84.65%,结果表明无人机遥感在滑坡信息提取领域具有较高的应用价值。

关键词： 无人机遥感; 滑坡信息提取; 面向对象分类; 影像处理; DEM; DOM

本文引用格式

陈天博 , 胡卓玮 , 魏铼 , 胡顺强 . 无人机遥感数据处理与滑坡信息提取[J]. 地球信息科学学报, 2017 , 19(5) : 692 -701 . DOI: 10.3724/SP.J.1047.2017.00692

Abstract

The high-resolution DEM and DOM data is an accurate description of the topography and geomorphology, and it is also an important source data for landslide information extraction. At first,according to the requirement of landslide information extraction,we use the UAV platform equipped with mini SLR camera combined with the GPS data measured in the field, as the image acquisition method. According to the characteristics of the UAV images, we use the basic principle of photography measurement and computer vision algorithms to obtain the high-resolution DEM and DOM images, which greatly preserves the rich spectral and texture information. Then, with the help of the ESP auxiliary tool we get optimal segmentation scale of the DOM. Based on the fuzzy classification and SVM algorithm to construct a decision tree, which we used to achieve the object oriented classification and information extraction. Finally, according to the spatial feature and distribution of study area we determine the high risk area. By the morphology and texture analysis and accuracy assessment of the landslide area, we show that the producer’s accuracy and user's accuracy of the landslide area are 84.65% , 91.44%. The result proves that the UAV remote sensing has a high value in the field of landslide information extraction.

Key words： UAV remote sensing; landslide information extraction; object-oriented classification; image processing; DEM; DOM

1 引言

滑坡是一种极具破坏性的突发地质灾害,近年来中国的滑坡灾害造成了大量的财产损失和人员伤亡。2015年12月20日,广东省深圳市光明新区凤凰社区恒泰裕工业园发生山体滑坡,事故造成69人遇难,滑坡面积达38万m2,造成了巨大的人员和财产损失。由于北京郊区山区较多,地形起伏较大,大量的盘山公路存在着滑坡的风险[1]。目前滑坡信息提取的数据源主要为高分辨率的卫星影像[2]（如SPOT5、Quick bird、IKONOS）,丁辉等[3]利用单期SPOT5影像,通过基于多特征的面向对象方法实现了滑坡区域的识别,但由于分辨率的限制以及无法获取表面纹理信息,错误识别率高达30.4%;童立强等[4]分析和总结了巫山大清坎滑坡、千将坪滑坡、武隆滑坡等典型滑坡的遥感影像特征,根据滑坡体在形态、纹理和色调上的差异建立了解译标志,但缺少对高程、坡度等地形地貌信息的利用,从而限制了滑坡信息提取的精度。
近些年无人机遥感技术发展迅速,已经成为传统航空摄影测量的有利补充[5],它具有拍摄角度灵活,起降不受地形地势影响,悬停时间长,分辨率高等优势,已被广泛应用在地质环境与灾害调查、国土资源管理、基础地理信息更新等领域[6-8]。虽然无人机获取的影像分辨率较高,但由于无人机所携带的相机一般为普通的数码相机,这种相机的像幅较小,使得获取的影像数量较多,影像畸变较大;由于拍摄时倾角过大以及倾斜方向不规律的原因,使得相邻影像同名点之间存在尺度与旋转的差异;另外无人机上搭载的GPS精度较低,利用POS数据进行绝对定向时误差较大,因此只依赖于传统的摄影测量方法不适合处理无人机影像[9]。郭复胜等[10]成功地将三维重建技术应用到无人机图像处理领域,实现了对全自动的大场景三维重建,从而实现了利用无人机影像获取高分辨率的DOM,但未获取地面控制点,因此无法进行绝对定向,限制了成果的进一步利用。虽然近些年无人机遥感得到了广泛的应用,但是在滑坡信息提取方面的研究较少,特别是运用高精度的DEM与DOM对滑坡区域进行定量的提取与分析方面。
因此,本文采用四旋翼无人机搭载微型单反相机的影像获取平台,采取倾斜拍摄与垂直拍摄相结合的拍摄方式,获取了滑坡表面丰富的光谱与纹理信息;在绝对定向方面,采用RTK野外测量控制点的方式,克服了POS信息精度低的问题;在影像处理方面,将计算机视觉算法与摄影测量原理相结合,实现了DEM与DOM的数据生产;在滑坡信息提取方面,采用多尺度分割与面向对象分类方法,并引入了坡度信息、可见光波段差异植被指数、灰度共生矩阵作为分类参数,运用基于阈值的模糊分类与SVM监督分类方法实现了滑坡信息的提取,使得无人机遥感在滑坡信息提取领域有了更深一步的应用。

2 研究区概况和数据获取

2.1 研究区概况

本文的研究区位于北京市西南部的霞云岭乡附近,经度范围115°36′20″~115°37′ 25″E,纬度范围39°42′35″~39°43′25″N。研究区纵向长为850 m,横宽约900 m,海拔范围378 ~850 m,研究区概况如图1所示。研究区主要为山区,地形起伏较大,平均坡度为30°,其中疑似滑坡区域的最大坡度为55°。该区域主要为公路施工残渣的堆渣场,表现出潜在的变形复活迹象,伴随着复杂的地形条件和人为因素,一旦发生滑坡将会造成巨大的人员和财产损失。
Fig. 1 Distribution of the control points and check points in the study area

图1 研究区概况及控制点和检查点的分布

2.2 控制点的量测

本文选择55个均匀分布在研究区内的控制点进行三维坐标的量测,为了获得高精度的控制点,选取地势较高,视野开阔的区域架设基站点,并在每个测量点上涂抹油漆,便于后期对无人机影像进行绝对定向。控制点的量测有2个目的：①可以用来对无人机影像进行绝对定向;②可以对获取的DEM和DOM影像进行精度验证。本实验采用天宝GPS RTK进行量测,空间参考选择WGS_1984_UTM投影坐标系,其中5个控制点用于绝对定向,公路区域内20个点和滑坡区域内30个点作为检查点,用于精度验证,其中测量点的空间位置与标记以及基站的位置如图1所示。

2.3 无人机影像的获取

本文研究区为山区,地势起伏大,高程变化显著,因而会增加影像的畸变,并且传统的垂直拍摄的方式可能会损失部分纹理信息,因此本文对重点研究区域采取倾斜拍摄与垂直拍摄相结合的影像获取方式,充分利用侧视影像来获取地物的侧面纹理信息,更有利于提取滑坡特征。研究区内大部分为山区的公路和低矮植被,地物种类少,具有显著特征的地物较少,为了保证影像匹配以及后期成果的精度,在航线规划过程中尽量增加重叠度,本次飞行过程中航向重叠不低于75%,旁向重叠不低于60%。因此,在飞行航线的设计过程中,需要根据航向重叠、旁向重叠、地面分辨率的要求来设定飞行航高以及拍摄位置,并结合航高与相机参数来计算航线的最低点的分辨率[11],具体计算公式如下：
GSD = H × α f （1）
式中：H为相对航高,m;f为摄影相机镜头焦距,mm;GSD为地面分辨率,m;a为像元大小,mm。本次试验采用索尼NEX-7相机,焦距为16 mm,像元大小为0.0039 mm。计算得到航线1的最低点地面分辨率为0.1137 m,航线2a为0.074 m,航线2b为0.084 m。
通过上述计算确定本次实验分为2次飞行：第1次飞行对整个研究区进行垂直拍摄,飞行航高为950 m;第2次飞行对重点滑坡区域进行垂直拍摄加倾斜拍摄,其中垂直拍摄的飞行航高为720 m,倾斜拍摄的航高为700 m,飞行的详细航线参数与相机参数如表1所示,航线的位置与拍摄方式如图2所示。
Tab. 1 The detail parameters of the UAV flight routes

表1 无人机飞行航线详细参数

航线1 航线2a 航线2b
拍摄方式 垂直拍摄 垂直拍摄 倾斜拍摄
航线全长/km 9.4 2.6 3.1
飞行绝对高度/m 950 720 700
航向重叠率/% 80 90 90
旁向重叠率/% 65 70 7
相机芯片尺寸/mm 23.5×15.6 23.5×15.6 23.5×15.6
相片分辨率 6000×4000 6000×4000 6000×4000
飞行区海拔范围/m 389~808 417~650 417~650
最低点地面分辨率/m 0.14 0.07 0.08
照片数/张 238 72 70
相机俯仰角/° 90 90 35
Fig. 2 The flight routes and the range of images

图2 飞行航线与影像范围

3 数据处理与精度验证

3.1 无人机影像的预处理

由于无人机的飞行姿态较不稳定,加上北京的空气常伴有雾霾,因此导致获取的无人机影像曝光不均匀,相片偏白,本文采用多尺度Retinex算法对图像进行增强处理,该算法是一种基于光照补偿的影像增强算法[12],经过处理后每张照片图像清晰,色调均匀。为了保证后期产品的精度,在人工选取控制点进行绝对定向时,选择了标志点清晰、重叠率高、均匀分布于重点研究区域的5个点作为控制点,并将每个控制点转刺到5到8张相片上,其中控制点的分布如图1所示。

3.2 自动空中三角测量

空中三角测量是无人机影像处理的核心内容,其结果的质量直接影响后期DEM和DOM的精度,主要包括以下3个方面：
（1）特征点的提取与匹配：通过SURF算法提取每张照片的特征点进行匹配[13],并通过RANSAC算法对匹配的结果进行优化[14],以提高匹配精度。
（2）相对定向与绝对定向：通过相片的焦距信息以及匹配的特征点进行相对定向[15],从而恢复每张照片拍摄时的空间姿态,其空间位置如图3所示。接着通过野外测量的控制点进行绝对定向,从而使每张照片具有绝对的空间坐标。
Fig. 3 The spatial location and coverage of the photos

图3 相片的空间位置与覆盖范围

（3）光束法平差：根据提取的特征点以及匹配点来恢复投影光束,并按照光束法平差模型对研究区进行整体解算[16],求取像点坐标与相片的内外方位元素。区域1中选取的5个控制点中误差为0.103 m,区域2中5个控制点中误差为0.079 m,空中三角测量的详细结果如表2所示。
Tab. 2 The result of aero-triangulation and bundle adjustment

表2 空中三角测量及光书法平差结果

空中三角测量 光束法平差
覆盖面积/km2 GSD/cm 每张照片特征点/个 每张照片匹配点/个 平面点/个 平高点/个 反投影误差（像元）
区域1 1.32 8.6 109 411 21 133 8 657 698 3 399 563 0.24
区域2 0.28 5.4 118 108 34 010 2 187 265 879 857 0.17

3.3 DEM与DOM的生产

DEM和DOM是后期信息提取的核心数据,通过该数据可以获取滑坡的空间形态与表面纹理 信息。利用空中三角测量加密后的结果进行密集匹配[17],生成高精度的三维点云数据,依据点云数据生成DEM影像。根据高精度的DEM影像依 次对每张相片进行数字微分纠正,并进行拼接与 镶嵌处理,从而获得整个研究区的DOM影像。通过上述方法,获得整个研究区（图2（a））的DOM和DEM数据,其空间分辨率为8.6 cm,重点区域（图2（b））的分辨率为5.4 cm,数据成果如图4所示。
Fig. 4 The DEM and DOM of the study area

图4 研究区DOM与DEM影像

3.4 DEM与DOM的精度评价

高精度的DEM和DOM数据对地形地势分析和滑坡信息提取具有十分重要的意义,因此需要选择合适的方法来对DEM和DOM进行精度验证。本文通过野外测量的检查点坐标与获取的DEM与DOM数据进行运算来完成精度验证。选取50个均匀分布在研究区内的点作为检查点,其中30个点分布在滑坡区域,20个点分布在公路区域,分布情况如图1所示。对于DEM的验证,通过将野外GPS RTK测量的检查点高程值与相应点的DEM影像值进行运算得到误差[18],计算公式如下所示,其中Zi（i=1, 2, 3,…,n）为检查点高程值,zi（i=1,2,3…,n）为DEM相应点的高程值,中误差为 σ 。
σ = 1 n ∑ i = 1 n ( Z i - z i ) 2 （2）
DOM的精度评价方法与上述方法类似,通过野外GPS RTK测量的检查点平面坐标与DOM上相应点坐标进行运算得到误差。根据上述方法,计算得到DEM与DOM影像中检查点中误差,其中DEM影像的高程中误差为0.253 m,DOM的水平位移中误差为0.104 m。根据《数字航空摄影测量空中三角测量规范》（GB/T 23236-2009）的要求,符合1:500的DEM与DOM的制作要求,因此,本文的实验成果具有较高的精度。本文获取的DOM影像分辨率较高,较好地保留了局部的纹理信息,其中植被、裸露岩石、堆积碎石清晰可见,弥补了卫星影像分辨率不足的劣势。参照验证结果,DEM数据具有较高的分辨率与位置精度,相较于地面测量获取DEM的方式,本文的方法生产效率高,并且有精度保证;相较于运用遥感影像建立的立体像对获取DEM方法,本文的研究方法在精度上有了大幅度的提升。

4 滑坡信息提取与分析

4.1 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。
在进行面向对象分类时首先对研究区影像进行分割,其目的是将影像的同质区域划分出来,分割结果的好坏直接影响分类的精度[19],在影像分割过程中分割尺度的选择尤为重要,分割不足与过度分割都可能导致分类精度的下降,需要根据实际情况的反复实验确定最优分割尺度。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5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。
ROC = Scal e L - Scal e L - 1 Scal e L - 1 × 100 （3）
Fig. 5 The calculation results of ESP tool

图5 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。

4.2 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[20]。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6）来实现研究区植被、道路、疑似滑坡区域的信息提取。
Fig. 6 The classification decision tree

图6 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[21],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。
Tab. 3 The classification rule

表3 分类规则

类别 参考特征 隶属度函数 阈值
植被 VDVI指数 （-0.018, 0.002）
道路 坡度 （14, 16）
（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3）,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。
（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[22],并对8种纹理值进行归一化处理,统计结果如图7所示。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4）,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。
Fig. 7 GLCM texture feature statistics of sample points

图7 样本点的GLCM纹理特征统计

Tab. 4 The feature of GLCM texture

表4 GLCM纹理特征

纹理特征
方差 当区域内的灰度变化较大时,该值较高
对比度 表示领域内的灰度差异,影像局部变化越大,值越大
角二阶矩 为同质性的度量,区域内像元值越相近,其同质性越高,该值也越大
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8所示。
Fig. 8 The result of the study area information

图8 研究区信息提取结果

4.3 重点滑坡区域的形态分析与精度评价

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9所示。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。从图9中还可以发现,该区域具有十分明显的滑坡边界,存在3个滑坡要素：滑坡后壁、滑坡体移动区域、滑坡舌,其中滑坡体表面积为9745 m2,体积为304 489 m3,并且下边分布着公路,一旦发生滑坡,会带来严重的生命和财产损失。
Fig. 9 The projected image and morphological analysis of the key landslide area

图9 重点滑坡区域的投影影像以及滑坡形态分析

为了评估研究区信息提取的精度,以高分辨率DOM作为参考影像,通过目视解译与野外实地考察的方式确定真实的地物分布类型,并采用人工矢量化的方式确定地物范围用于精度评价。以图10所示区域的滑坡提取精度评价为例,真实的滑坡范围为R（图10（a）中的蓝色区域）,本文方法提取的结果为R’（图10（a）中实线区域）,则正确提取的范围为R ⋂ R’（图10（b）中蓝色区域）,错提取区域与漏提取区域如图10（b）中紫色区域和绿色区域所示。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%。
Fig. 10 The schematic diagram of the accuracy evaluation method

图10 精度评价方法示意图

Tab. 5 The accuracy evaluation of classification results

表5 分类结果精度评价

地物
类型		 参考分类
结果/m2		 实际分类
结果/m2		 正确分类
区域/m2		 生产者
精度/%		 用户精度/%
道路 35 190.39 31 882.42 29 466.97 83.74 92.42
植被 763 596.05 654 317.23 605 215.03 79.26 92.50
疑似滑坡区域 18 331.57 16 971.47 15 518.28 84.65 91.44

5 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）借助ESP工具确定了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。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
郭芳芳,杨农,孟晖,等.地形起伏度和坡度分析在区域滑坡灾害评价中的应用[J].中国地质,2008,35(1):131-143.基于ArcGIS平台，利用SRTM3-DEM数据资料，选择鄂尔多斯及其周缘为研究区，计 算并定量分析了地形起伏度和坡度．并利用区域滑坡灾害调查资料，初步建立了地形起伏度、坡度与滑坡灾害之间的相关性，讨论了地形起伏度的区域地貌意义。结 果表明．研究区滑坡集中发育地区的地形起伏度为200-300m，在此范围内滑坡占研究区所有滑坡总数的48．5％,此区间的面积占研究区总面积的 20．3％；坡度为10-18°，此范围内滑坡占研究区所有滑坡总数的46．7％,而此区间的面积占研究区总面积的30．5％。在地貌类型上，滑坡集中发 育地区对应残丘、黄土塬及黄土墚等。通过研究区横向、纵向剖面的地形特征分析，表明地形起伏度和坡度分析是相互补充的，它们均与区域滑坡发生和分布存在良 好的相关性。这种相关性为区域滑坡灾害评价提供了新的思路，对区域防灾规划和灾害区预测具有重要的应用意义。

DOI

[Guo F F, Yang N, Meng H, et al.Application of the relief amplitude and slope analysis to regional landslide hazard assessments[J]. Geology in China, 2008,35(1):131-143. ]

[2]
Casson B, Delacourt C, Baratoux D, et al.Seventeen years of the “La Clapière” landslide evolution analysed from ortho-rectified aerial photographs[J]. Engineering Geology, 2003,68(1):123-139.We present a new method of digital elevation model (DEM) calculation from aerial photographs and apply this method to the La Clapiere landslide in the Mercantour Massif in eastern France. The method uses new techniques of image correlation and of restitution of camera parameters. The calculated DEMs are used to ortho-rectify three aerial photographs acquired between 1983 and 1999. Measurements, made from these ortho-rectified images, show that the average velocity of the landslide was of 1.7 cm/day, with the rate of the headscarp retreat of 4.1 cm/ day, and the toe of the landslide advancing at 1.7 cm/day, between 1983 and 1999. Within the landslide, the velocity field is are relatively homogeneous, although their directions are locally heterogeneous. Scree slopes and scarps develop in an heterogeneous way within the landslide. Because the headscarp moves faster than the front of the landslide, material spreads laterally at the scree slopes, and/or is eroded at the front of the landslide by the river, and/or is accumulated within the landslide, on a low slope area located above a competent bar called Igli re bar.

DOI

[3]
丁辉,张茂省,李林.基于多特征面向对象区域滑坡现象识别[J].遥感技术与应用,2013,28(6):1107-1113.<p>高空间分辨率卫星遥感数据的发展为滑坡灾害数据获取和更新提供了新的途径。以西北黄土高原为研究区,提出了一种基于多特征面向对象区域滑坡现象的识别方法,基于单期高空间分辨率遥感数据,利用集合和特征组合进行区域滑坡现象识别,实验结果表明:该方法是识别滑坡现象有效的技术方法之一,对开展滑坡监测、影像理解和地学分析具有重要的研究意义。</p>

[Ding H, Zhang M S, Li L.Regional landslide identification based on multi-feature object-oriented image classification[J]. Remote Sensing Technology and Application,2013,28(6):1107-1113. ]

[4]
童立强,郭兆成.典型滑坡遥感影像特征研究[J].国土资源遥感,2013,25(1):86-92.lt;p>对于不同地质条件、成因类型和运动距离的滑坡,在不同分辨率遥感图像上显示的影像特征往往存在较大差别,尚难以确定统一的滑坡遥感识别标志。尤其对于规模较大、形成机理和活动规律复杂的远程滑坡和复合滑坡,一直是遥感识别的难点,可供借鉴的前人研究成果不多,目前主要还是靠地面调查。在国内外滑坡遥感调查成果调研以及国土资源大调查地质灾害遥感调查、近年来地质灾害应急遥感调查研究成果的基础上,分析和总结了笔者参与调查过的巫山大清坎滑坡、千将坪滑坡、武隆滑坡及西藏102滑坡群等典型滑坡的遥感影像特征,提出了滑坡(尤其是高速远程滑坡)的遥感识别标志,以期与同行专家共商榷。</p>

DOI

[Tong L Q, Guo Z C.A study of remote sensing image features of typical landslides[J].Remote sensing of land and resources, 2013,25(1):86-92. ]

[5]
陈玲,潘伯鸣,曹黎云.低空无人机航摄系统在四川地形测绘中的应用[J].城市勘测,2011(5):75-77.低空无人机航摄系统作为全数字摄影测量的有力补充,目前在应急测绘及小面积高分辨率地理信息数据快速获取等方面已起到越来越重要的作用。本文介绍了无人机低空摄影测量系统的概况,并以四川绵竹旅游规划测绘项目为例,阐述了应用无人机低空摄影测量系统进行地形测绘的流程及方法。

DOI

[Chen L, Pan B M, Cao L Y.The application of low altitude unmanned aerial mapping system to survey and map of geography in Sichuan[J]. Urban Geotechnical Investigation & Surveying, 2011,5:75-77. ]

[6]
雷添杰,李长春,何孝莹.无人机航空遥感系统在灾害应急救援中的应用[J].自然灾害学报,2011,20(1):178-183.自然灾害具有突发性特点，灾害应急救援的关键是灾害发生后的快速反应。及时快捷的灾情信息对 于及时制定救援策略，提高救援效率和质量起着至关重要的作用。目前，由于卫星遥感和载人航空遥感在获取灾害信息时受时空分辨率、外界环境和使用成本的影 响，其在灾害应急救援过程中的作用受到限制。无人机航空遥感系统具有实时性强、机动灵活、影像分辨率高、成本低的特点，且能够在高危地区作业。介绍了无人 机航空遥感系统的构成及其在灾害应急救援方面的应用，具体介绍了这一系统在四川5．12大地震救灾中的应用情况。最后总结了无人机航空遥感系统在灾害应急 救援中的优势，并提出了该系统目前存在的缺陷和改进办法。

[Lei T J, Li C C, He X Y.Application of aerial remote sensing of pilotless aircraft to disaster emergency rescue[J]. Journal of natural Disasters, 2011,20(1):178-183. ]

[7]
臧克,孙永华,李京,等. 微型无人机遥感系统在汶川地震中的应用[J].自然灾害学报,2010(3):162-166.微型无人机遥感系统具有运行成本低、执行任务灵活性高等优点,是遥感数据获取的重要工具之一。首先介绍了微型无人机遥感系统的组成,并设计了微型无人机遥感监测的技术流程,最后应用微型无人机遥感系统对"5.12汶川大地震"的重灾区北川县城进行了航拍,获得了107张高清晰的航空照片。通过图像拼接和几何校正,对比震前的卫星影像,对灾区的受灾情况进行了初步评价,取得了较好的效果。

[Zang K, Sun Y H, Li J, et al.Application of miniature unmanned aerial vehicle remote sensing system to Wenchuan earthquake[J]. Journal of natural Disasters, 2010,3:162-166. ]

[8]
Gonçalves J A, Henriques R.UAV photogrammetry for topographic monitoring of coastal areas[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2015,104:101-111.Coastal areas suffer degradation due to the action of the sea and other natural and human-induced causes. Topographical changes in beaches and sand dunes need to be assessed, both after severe events and on a regular basis, to build models that can predict the evolution of these natural environments. This is an important application for airborne LIDAR, and conventional photogrammetry is also being used for regular monitoring programs of sensitive coastal areas. This paper analyses the use of unmanned aerial vehicles (UAV) to map and monitor sand dunes and beaches. A very light plane (SwingletCam) equipped with a very cheap, non-metric camera was used to acquire images with ground resolutions better than 502cm. The Agisoft Photoscan software was used to orientate the images, extract point clouds, build a digital surface model and produce orthoimage mosaics. The processing, which includes automatic aerial triangulation with camera calibration and subsequent model generation, was mostly automated. To achieve the best positional accuracy for the whole process, signalised ground control points were surveyed with a differential GPS receiver. Two very sensitive test areas on the Portuguese northwest coast were analysed. Detailed DSMs were obtained with 1002cm grid spacing and vertical accuracy (RMS) ranging from 3.5 to 5.002cm, which is very similar to the image ground resolution (3.2–4.502cm). Where possible to assess, the planimetric accuracy of the orthoimage mosaics was found to be subpixel. Within the regular coastal monitoring programme being carried out in the region, UAVs can replace many of the conventional flights, with considerable gains in the cost of the data acquisition and without any loss in the quality of topographic and aerial imagery data.

DOI

[9]
金伟,葛宏立,杜华强,等. 无人机遥感发展与应用概况[J].遥感信息,2009(1):88-92.

[Jin W, Ge H L, Du H Q, et al.A review on unmanned aerial vehicle remote sensing and its application[J]. Remote Sensing Information, 2009,1:88-92. ]

[10]
郭复胜,高伟.基于辅助信息的无人机图像批处理三维重建方法[J].自动化学报,2013,39(6):834-845.lt;p>随着我国低空空域对民用的开放,无人机 (Unmanned aerial vehicles, UAVs)的应用将是一个巨大的潜在市场. 目前,如何对轻便的无人机获取的图像进行全自动处理,是一项急需解决的瓶颈技术. 本文将探索如何将近年来在视频、图像领域获得巨大成功的三维重建技术应用到无人机图像处理领域, 对无人机图像进行全自动的大场景三维重建.本文首先给出了经典增量式三维重建方法Bundler在无人机图像处理中存在的问题, 然后通过分析无人机图像的辅助信息的特点,提出了一种基于批处理重建(Batch reconstruction)框架下的鲁棒无人机图像三维重建方法.多组无人机图像三维重建实验表明: 本文提出的方法在算法鲁棒性、三维重建效率与精度等方面都具有很好的结果.</p>

DOI

[Guo F S, Gao W.Batch reconstruction from UAV images with prior information[J]. Acta Automatica Sinica, 2013,39(6):834-845. ]

[11]
杨爱玲,孙汝岳,徐开明.基于固定翼无人机航摄影像获取及应用探讨[J].测绘与空间地理信息,2010,33(5):160-162.

[Yang A L, Sun R Y, Xu K M.The acquisiton of aerial photography image based on the fixed-wing UAV discussion[J]. Mapping and Spatial Geographic Information, 2010,33(5):160-162. ]

[12]
Jobson D J, Rahman Z, Woodell G A.A multiscale retinex for bridging the gap between color images and the human observation of scenes[J]. IEEE Transactions on Image Processing, 1997,6(7):965-976.Direct observation and recorded color images of the same scenes are often strikingly different because human visual perception computes the conscious representation with vivid color and detail in shadows, and with resistance to spectral shifts in the scene illuminant. A computation for color images that approaches fidelity to scene observation must combine dynamic range compression, color consistency-a computational analog for human vision color constancy-and color and lightness tonal rendition. In this paper, we extend a previously designed single-scale center/surround retinex to a multiscale version that achieves simultaneous dynamic range compression/color consistency/lightness rendition. This extension fails to produce good color rendition for a class of images that contain violations of the gray-world assumption implicit to the theoretical foundation of the retinex. Therefore, we define a method of color restoration that corrects for this deficiency at the cost of a modest dilution in color consistency. Extensive testing of the multiscale retinex with color restoration on several test scenes and over a hundred images did not reveal any pathological behaviour

DOI PMID

[13]
Bay H, Tuytelaars T, Gool L V.SURF: speeded up robust features[J]. Computer Vision & Image Understanding, 2006,110(3):404-417.

[14]
Fischler M A, Bolles R C.Random sample consensus: A paradigm for model fitting with applications to image analysis and automated cartography[J]. Communications of the the Acm, 1981,24(6):381-395.We introduce a new paradigm, Random Sample Consensus (RANSAC),for fitting a model to experimental data; and illustrate its use in scene analysis and auto- mated cartography. The application discussed, the loca- tion determination problem (LDP), is treated at a level beyond that of a mere example of the use of the RANSAC paradigm; new basic findings concerning the conditions under which the LDP can be solved are presented and a comprehensive approach to the solution of this problem that we anticipate will have near-term practical appli- cations is described.To a large extent, scene analysis (and, in fact, science in general) is concerned with the interpretation of sensed data in terms of a set of predefmed models. Conceptually, interpretation involves two distinct activities: First, there is the problem of finding the best match between the data and one of the available models (the classification problem); Second, there is the problem of computing the best values for the free parameters of the selected model (the parameter estimation problem). In practice, these two problems are not independent--a solution to the parameter estimation problem is often required to solve the classification problem.Classical techniques for parameter estimation, such as least squares, optimize (according to a specified ob- jective function) the fit of a functional description (model) to all of the presented data. These techniques have no internal mechanisms for detecting and rejecting gross errors. They are averaging techniques that rely on the assumption (the smoothing assumption) that the maximum expected deviation of any datum from the assumed model is a direct function of the size of the data set, and thus regardless of the size of the data set, there will always be enough good values to smooth out any gross deviations.In many practical parameter estimation problems the smoothing assumption does not hold; i.e., the data con- tain uncompensated gross errors. To deal with this situ- ation, several heuristics have been proposed. The tech- nique usually employed is some variation of first using all the data to derive the model parameters, then locating the datum that is farthest from agreement with the instantiated model, assuming that it is a gross error, deleting it, and iterating this process until either the maximum deviation is less then some preset threshold or until there is no longer sufficient data to proceed.It can easily be shown that a single gross error ("poisoned point"), mixed in with a set of good data, can

DOI

[15]
Nister D.An efficient solution to the five-point relative pose problem[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2004,26(6):756-777.Abstract n efficient algorithmic solution to the classical five-point relative pose problem is presented. The problem is to find the possible solutions for relative camera pose between two calibrated views given five corresponding points. The algorithm consists of computing the coefficients of a tenth degree polynomial in closed form and, subsequently, finding its roots. It is the first algorithm well-suited for numerical implementation that also corresponds to the inherent complexity of the problem. We investigate the numerical precision of the algorithm. We also study its performance under noise in minimal as well as overdetermined cases. The performance is compared to that of the well-known 8 and 7-point methods and a 6-point scheme. The algorithm is used in a robust hypothesize-and-test framework to estimate structure and motion in real-time with low delay. The real-time system uses solely visual input and has been demonstrated at major conferences.

DOI PMID

[16]
王聪华. 无人飞行器低空遥感影像数据处理方法[D].青岛:山东科技大学,2006.

[Wang C H.Image Data Processing Method of UAV Low-altitude Remote Sensing[D]. Qingdao: Shandong University of Science and Technology,2006. ]

[17]
Scharstein D, Szeliski R.A taxonomy and evaluation of dense two-frame stereo correspondence algorithms[J]. International journal of computer vision, 2002,47(1-3):7-42.lt;a name="Abs1"></a>Stereo matching is one of the most active research areas in computer vision. While a large number of algorithms for stereo correspondence have been developed, relatively little work has been done on characterizing their performance. In this paper, we present a taxonomy of dense, two-frame stereo methods. Our taxonomy is designed to assess the different components and design decisions made in individual stereo algorithms. Using this taxonomy, we compare existing stereo methods and present experiments evaluating the performance of many different variants. In order to establish a common software platform and a collection of data sets for easy evaluation, we have designed a stand-alone, flexible C++ implementation that enables the evaluation of individual components and that can easily be extended to include new algorithms. We have also produced several new multi-frame stereo data sets with ground truth and are making both the code and data sets available on the Web. Finally, we include a comparative evaluation of a large set of today's best-performing stereo algorithms.

DOI

[18]
卢华兴. DEM误差模型研究[D].南京:南京师范大学, 2008.

[Lu H X.Research on DEM error model[D].Nanjing: Nanjing Normal University, 2008. ]

[19]
仇江啸,王效科.基于高分辨率遥感影像的面向对象城市土地覆被分类比较研究[J].遥感技术与应用,2010,25(5):653-661.

[Qiu J X, Wang X K.A comparative study on object-based land cover classification in high spatial resolution remote sensing of urban areas[J]. Remote Sensing Technology and Application, 2010,25(5):653-661. ]

[20]
陈杰,孙志英,檀满枝.模糊逻辑在土地利用遥感分类中的应用[J].土壤学报,2007,44(5):769-775.

[Chen J, Sun Z Y, Tan M Z.Application of fuzzy logic in landuse of classification based on remote sensing dafa[J]. Acta pelogica sinica, 2007,44(5):769-775.

[21]
汪小钦,王苗苗,王绍强,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,2015,31(5):152-159.无人机遥感具有使用成本低、操作简单、获取影像速度快、地面分辨率高等传统遥感无法比拟的优势。该文通过分析仅含红光、绿光和蓝光3个可见光波段的无人机影像中植被与非植被的光谱特性，同时结合健康绿色植被的光谱特征，借鉴归一化植被指数NDVI的构造原理及形式，提出了一种综合利用红、绿、蓝3个可见光波段的归一化植被指数--可见光波段差异植被指数VDVI（visible-band difference vegetation index）。与其他基于可见光波段的植被指数，如过绿指数EXG（excess green）、归一化绿红差值指数NGRDI（normalized green-red difference index）、归一化绿蓝差值指数NGBDI（normalized green-blue difference index）和红绿比值指数RGRI（red-green ratio index）以及仅用绿光波段的提取结果进行对比分析，结果表明：VDVI植被提取精度高于其他可见光波段植被指数，且阈值在0附近，较易确定。为了验证VDVI的适用性与可靠性，选取与试验影像同一时期拍摄但不同区域的另一影像使用同样的方法提取植被信息。结果表明：VDVI对于仅含可见光波段无人机遥感影像的健康绿色植被信息具有较好的提取效果，提取精度可达90%以上，适用于仅含可见光波段无人机遥感影像的健康绿色植被信息提取。

[Wang X Q, Wang M M, Wang S Q, et al.Extraction of vegetation information from visible unmanned aerial vehicle images[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015,31(5):152-159. ]

[22]
李智峰,朱谷昌,董泰锋.基于灰度共生矩阵的图像纹理特征地物分类应用[J].地质与勘探,2011,47(3):456-461.针对传统遥感影像分类方法的分类精度不高，在分析图像的光谱信息的基础上，对基于灰度共生矩阵的纹理特征在地物分类中的应用进行了研究。本研究利用原始图像进行主成分分析后的前两个主成分，经过编程运算，提取了基于灰度共生矩阵方法的不同测度的纹理特征，将提取的纹理特征作为新的波段，与原始波段进行组合，再对组合图像进行监督分类，探索了利用纹理特征进行地物分类的可行性，并将分类结果与最大似然法分类结果进行定性和定量比较分析。结果表明，综合了纹理特征和光谱特征的地物分类方法，能够有效地提高地物分类精度，证明了基于纹理特征的遥感影像分类的有效性。

[Li Z F, Zhu G C, Dong T F.Application of GLCM-Based texture features to remote sensing image classification[J]. Geology and Prospecting, 2011,47(3):456-461. ]

Options
文章导航

/

〈 〉