基于无人机高光谱不同高度的地物快速识别研究

黄宇　陈兴海　刘业林　黄智辉　孙梅　苏运城

摘要[目的]探究不同高度下地物的光谱特征变化以及不同时期、不同高度下地物的有效快速识别方法。[方法]以2016年8月7日200m高空高光谱影像和2016年9月25日100、200、300m高空高光谱影像共4景影像为研究对象，研究不同高度下地物的高光谱特征变化以及不同时期、不同高度下地物的分类精度。[结果]不同高度下，植被的光谱反射率差异显著，随着高度的升高，植被特有的特征如“绿峰”降低、“红谷”升高、“红边位置”出现“红移”，在近红外范围内，光谱反射率降低；综合考虑人工参与程度、处理时间和分类精度等方面，基于ISODATA法可实现不同时期、不同高度下地物的快速识别研究。[结论]该研究结果为利用无人机高光谱遥感在其他领域的应用奠定了基础。

关键词 无人机遥感；高光谱；不同高度；地物识别；ISODATA

中图分类号 S127 文献标识码 A 文章编号 0517-6611（2018）11-0170-04

无人机（unmannedaerialvehicle，UAV），是一种通过无线遥控或规划航线飞行的无人驾驶飞机，它一般有动力系统、飞控系统、无线通讯遥控系统、有效载荷（武器、侦查设备）等部分组成。无人机与遥感技术的结合，即无人机遥感，克服了近地面小范围的作物遥感监测的极限，同时也克服了卫星影像受时间分辨率、空间分辨率的影响。无人机遥感以其全天时、实时化、高分辨率、灵活机动、高性价比等优势，在农业、生态环境、新农村建设规划、自然灾害监测、公共安全、水利、矿产资源勘探、测绘等国民经济及社会发展各个领域发挥着越来越重要的作用，成为继卫星遥感和有人通用航空遥感技术之后的新兴发展方向。

目前，国内外学者通过无人机遥感平台搭载各种传感器获取地面图像光谱信息，取得了较大的研究进展。如Sugiura等將成像传感器搭载在无人机上，获取小面积农田信息，划分出研究区域内的作物叶面积指数分布情况。李冰等利用低空无人机遥感监测冬小麦不同生长时期覆盖度的变化。Bryson等使用可见光低空拍摄无人机影像基于植被颜色及纹理对不同植被类型进行分类。Garcia-ruiz等使用无人机影像对植被黄龙病进行监测。C6rcoles等利用旋翼无人机实现了洋葱郁闭度的无损测量，并建模分析了郁闭度与叶面积指数之间的关系。刘峰等设计构建基于无人直升机平台的低空遥感系统，对板栗生育期内植被覆盖度变化情况实施了监测。高林等以多旋翼无人机为平台同步搭载高清数码相机和多光谱传感器组成的无人机农情监测系统对研究大豆叶面积指数反演，取得了较高的精度。然而，国内外大部分学者利用无人机遥感平台运用于作物的农情监测、矿产资源探测等领域较多，然而很少有人利用无人机平台搭载成像高光谱传感器研究不同高度下同一地物光谱反射率的变化以及不同高度下不同时期地物的快速识别。为此，笔者利用无人机搭载成像高光谱仪，分析了不同高度下地物的光谱反射率差异，并进行了不同高度不同时期地物的快速精准识别，以期为利用无人机高光谱遥感在其他领域的应用奠定基础。

1材料与方法

1.1研究区域 野外试验分别于2016年8月7日和9月25日在北京市通州区马驹桥镇某农田开展。

1.2方法

1.2.1数据采集。采用大疆无人机M600Pro，在无人机遥感平台上搭载四川双利合谱科技有限公司自主研发的成像光谱仪GalaSky-mini，该无人机遥感平台采用的是无人机悬置空中，成像光谱仪内置推扫获取地面图像，其主要参数见表1。8月7日仅飞行了200m高度，地面范围约80m×80m；9月25日飞行了100、200、300m3个不同高度，地面范围分别约为40m×40m、80m×80m、120m×120m，无人机遥感平台的实景如图1所示。

1.2.2数据的预处理与分析。无人机高光谱图像的预处理在四川双利合谱科技有限公司自主研发的specView软件中进行，包括镜像变换、黑白帧校准（如公式1所示）。高光谱图像噪声去除采用最小噪声分离变换（MinimumNoiseFractionRotation，MNFRotation），图像的感兴趣区域提取、图像分类方法均在ENVI/IDL5.3上完成。

1.2.3分类方法与分类精度评价。高光谱遥感图像分类是高光谱遥感图像分析和应用的重要内容，根据是否使用类别的先验知识，可分为监督分类和非监督分类，常用的监督分类方法有最小距离分类法、马氏距离分类法、最大似然分类法、光谱匹配法和神经网络法等，非监督分类常用的方法有K-Means和ISODATA法。该研究运用监督分类方法中的马氏距离分类法、最大似然分类法、神经网络法以及非监督分类的ISODATA法，比较这4种分类方法在不同高度下不同时期的无人机高光谱影像中地物的分类识别精度，利用总体分类精度和Kappa系数对分类精度进行评价。

2结果与分析

2.1同一研究区域不同高度下光谱曲线的差异分析

图2为9月25日，天气为晴，基于无人机获取的3个不同高度的高光谱图像的RGB真彩色合成图（RGB分别代表640、550、460nm的波段），光谱曲线分别为同一研究区域，100、200、300m3个高度的光谱曲线差异。以植被为研究对象，分析同一研究区域不同高度下光谱曲线的差异。以1个具体的植被象元为例，不同高度下植被光谱反射率差异显著，随着高度的升高，植被特有的特征“绿峰”降低、“红谷”升高、“红边位置”出现“红移”。且在400～510nm光谱反射率随无人机飞行高度的升高而升高；在近红外范围内，光谱反射率随无人机飞行高度的升高而降低，这是因为随着高度升高，空间分辨率降低，图像中1个像元代表地面的范围加大，出现混合像元的概率增加。由此可见，随着无人机高度的升高，混合像元中土壤所占比例增加，从而造成“绿峰”降低、“红谷”升高，红边位置发生了“红移”等现象。

2.2机载影像中不同地物的光谱曲线差异分析 图3为8月7日天气为晴，利用无人机获取的近地面200m高度的高光谱图像及不同作物与土壤的光谱反射率曲线。土壤的光谱曲线与3种作物的光谱曲线差异显著，在400～515和580～690nm区域，土壤的光谱反射率高于3种作物的光谱反射率。在可见光区域，茄子苗、西瓜苗、葡萄树3种作物的光谱反射率差异也较为显著，其中西瓜苗的光谱反射率最高，其次是茄子苗，最后是葡萄树；在近红外区域，西瓜苗和茄子苗的光谱反射率十分相近。总体而言，茄子苗的光谱反射率最高，其次是西瓜苗，最后是葡萄树。

图4为9月25日天气为晴，利用无人机获取的近地面300m高度的高光谱图像及不同地物的光谱反射率曲线。植物、土壤、公路、大棚植物等地物光谱曲线差异显著。在400～920nm区域公路的光谱反射率曲线保持较平稳的趋势，土壤的光谱反射率在该范围内呈上升趋势；在400～700nm区域，大棚植物的光谱反射率高于裸露植物，而在700～100nm区域，则是裸露植物的光谱反射率高于大棚植物。

2.3不同地物的快速识别分类研究 分别运用马氏距离法、最大似然法、神经网络、ISODATA（K-Means分类效果不佳，在此不列举）4种分类方法对8月7日的200m高光谱图像和9月25日的300m高光谱图像进行分类研究。完成分类之后，使用目视判读的方法从图像上选取不同地物各1000像元计算混淆矩阵进行验证。結合验证数据，采用混淆矩阵的方法对4类方法进行精度评价。由表2和表3可知，神经网络法的分类精度最高，其次是马氏距离分类法，再次是ISODATA法，最低的最大似然分类法。但从处理时间来看，神经网络的处理时间较长，分别为35.14和38.26min，其次是最大似然分类法，分别为15.61和16.75min，再次是马氏距离法，分别是12.54和14.55min，处理时间最短的是ISO-

4种分类方法的原理各不同，从人工参与程度、处理效率和分类精度等方面进行比较分析可知，ISODATA法的分类精度虽然低于神经网络和马氏距离法，但是不需要太多的人工参与，处理效率却大大提高，且分类精度高于最大似然分类法。因此，它同时具备了监督分类的高精度和非监督分类的低时间的特点，在无人机低空遥感研究中，能够以较低的工作成本快速获取高精度的地物识别。图5和图6分别为8月7日200m和9月25日300m高光谱图像基于ISODATA法的分类效果图。由图5可知，少量的杂草被错分为葡萄树、西瓜苗、茄子苗，但是从大的区域来看，葡萄树、西瓜苗、茄子苗的像素并未存在错分和漏分现象。由图6可知，少量的土壤，可能是沙土，被错分为大棚或公路斑马线，其他地物不存在错分和漏分现象。总体而言，ISODATA法可实现无人机高光谱遥感对地面地物的快速有效的识别。

3结论与讨论

该研究基于无人机平台搭载成像高光谱相机，分别获取了2个时间段不同高度的高光谱图像，分析了不同高度同一地物光谱曲线的差异和基于不同高度下不同分类方法的分类精度评价。结果表明，随着无人机高度的升高，混合像元中土壤所占比例增加，从而造成“绿峰”降低、“红谷”升高，红边位置发生了“红移”等现象，该研究结果与地面光谱仪ASD的研究结果一致。ISODATA法的分类精度虽然不及神经网络和马氏距离分类法，但是在综合考虑人工参与程度、处理效率和分类精度时可知，ISODATA法对于快速实现地物的识别效果最佳，研究结果为利用无人机高光谱遥感进行军事伪装快速识别、海洋油污面积估测、灾害损失评估等领域具有重大意义。