CN108363983A

CN108363983A - 一种基于无人机影像与重建点云的城市植被分类方法

Info

Publication number: CN108363983A
Application number: CN201810181133.1A
Authority: CN
Inventors: 于海洋; 李莹; 王燕燕; 吴建鹏; 杨礼
Original assignee: Henan University of Technology
Current assignee: Henan University of Technology
Priority date: 2018-03-06
Filing date: 2018-03-06
Publication date: 2018-08-03
Anticipated expiration: 2038-03-06
Also published as: CN108363983B

Abstract

本发明提供了一种基于无人机影像与重建点云的城市植被分类方法，包括：对原始无人机影像进行点云重建；生成研究区的nDSM信息；基于可见光的植被指数计算；影像对象的分类判别。本发明基于运动恢复结构（SFM）、多视图聚簇（CMVS）和基于面片模型的密集匹配（PMVS）算法重建研究区密集点云；经滤波、插值生成研究区数字高程模型（DEM）和归一化数字表面模型（nDSM），同时结合影像光谱信息对不同高度的城市植被分类提取；采用面向对象的图像分析方法，根据nDSM信息与归一化绿红差异指数(NGRDI)及可见光波段差异植被指数(VDVI)等光谱信息，实现了对不同高度植被类别的区分，大大提高了区分精度。

Description

一种基于无人机影像与重建点云的城市植被分类方法

技术领域

本发明涉及一种城市植被分类方法，具体的说，涉及了一种基于无人机影像与重建点云的城市植被分类方法。

背景技术

植被是城市生态系统中重要的组成部分，具有吸收噪音、减少雾霾和减轻城市热岛效应的功能。研究并准确掌握城市植被的类型、面积及空间分布可为城市规划者优化城市空间利用提供可靠依据，利于提高城市宜居指数、促进城市发展。传统的植被调查多采用人工方法，虽然调查详细、准确率高，但人力、财力消耗大而且周期长，无法满足植被信息快速更新的需求。无人机遥感具有客观、高效等特点，可在短期内获取较大范围地面信息，加之其影像分辨率高，用于信息的分类与快速更新具有很大优势。以往城市植被分类时多利用影像光谱、纹理和形状等特征，能较好地提取某一类植被，而无法很好从植被这一大类中根据高度信息对不同类型植被进一步提取。

为了解决以上存在的问题，人们一直在寻求一种理想的技术解决方案。

发明内容

本发明的目的是针对现有技术的不足，从而提供一种可区分不同高度的植被、分类精度高、分类效率高、实用性强的基于无人机影像与重建点云的城市植被分类方法。

为了实现上述目的，本发明所采用的技术方案是：一种基于无人机影像与重建点云的城市植被分类方法，包括以下步骤：

步骤1、对原始无人机影像进行点云重建

拍摄研究区的原始无人机影像，采用SFM算法，获得研究区的稀疏点云，采用CMVS/PMVS算法将稀疏点云扩展为密集点云；

对密集点云进行克里金插值建模，生成文理，获得研究区的正射影像DOM，并对正射影像DOM进行影像分割；

步骤2、生成研究区的nDSM信息

对获得的密集点云进行抽稀处理，获得抽稀点云；

对所述抽稀点云进行滤波，滤除非地貌特征点，获得地面点云集合，经克里金插值处理后，获得研究区的数字高程模型DEM；

对所述抽稀点云进行克里金插值处理，获得研究区的数字表面模型DSM；

对所述数字高程模型DEM与所述数字表面模型DSM进行求差分析获得研究区的nDSM信息；

步骤3、基于可见光的植被指数计算

取含可见光波段的研究区的正射影像，计算归一化绿-红差异指数NGRDI和可见光波段差异植被指数VDVI，以NGRDI值和VDVI值的大小表示植被的覆盖度；其中，

式中，G，R，B，分别表示绿、红和蓝三个波段的反射率或像元值；NGRDI和VDVI的值域均为[-1，1]；

步骤4、影像对象的分类判别

所述影像对象包括草地、灌木、乔木、水生植被、建筑物、水泥硬化地面和水体；

4.1设定DEM的值域范围以及VDVI的值域范围，再加设nDSM的值域范围，进行水体与水生植被的分类判别；

4.2、设定DEM的值域范围以及NGRDI的值域范围，进行陆生植被与非陆生植被的分类判别；

4.2.1、加设nDSM的值域范围，进行草地、灌木和乔木的分类判别，以及建筑物和水泥硬化地面分类判别；

4.2.2、计算nDSM的标准偏差standard deviation nDSM，在区分建筑物与小乔木时，加设standard deviation nDSM的值域范围。

基于上述，所述步骤4中：

当NGRDI＞0.2、nDSM＜0.26、DEM＞94.1时判定为草地；

当NGRDI＞0.2、0.26＜nDSM＜1.5、DEM＞94.1时判定为灌木；

当NGRDI＞0.2、nDSM＞1.5时判定为乔木；

当NGRDI＜0.2、nDSM＞5、Standard deviation nDSM＜0.1时判定为建筑物；

当NGRDI＜0.2、2＜nDSM＜9、Standard deviation nDSM＞0.1时判定为小乔木；

当NGRDI＜0.2、nDSM＜0.055、DEM＞94.1时判定为水泥地面；

当VDVI＞0.168、nDSM＜1.6、DEM＜94.1时判定为水生植物；

当VDVI＜0.168、nDSM＜0.01、DEM＜94.1时判定为水体。

基于上述，所述步骤2中，对所述抽稀点云采用自适应不规则三角网点云滤波算法滤除非地貌特征点；

1.1、预设阈值条件，任取局部区域最低点构建一自适应不规则三角网TIN模型；

1.2、计算目标点到不规则栅格网TIN中相应三角形顶点角度和该目标点到相应三角形面的距离，并与预设的阈值条件进行比较；

1.3、如果目标点的距离和角度小于预设阈值，将该点加入到地面点云集合，再用地面点云集合构建一个新的不规则栅格网TIN模型，返回步骤1.2直到滤除所有非地面特征点。

基于上述，所述步骤1中，对正射影像DOM进行影像分割时，采用ESP软件确定影像的最优分割尺度。

本发明相对现有技术具有突出的实质性特点和显著的进步，具体的说，本发明提供了一种全新的城市植被分类思路，其基于运动恢复结构（SFM）、多视图聚簇（CMVS）和基于面片模型的密集匹配（PMVS）算法重建研究区密集点云；经滤波、插值生成研究区数字高程模型（DEM）和归一化数字表面模型（nDSM），同时结合影像光谱信息对不同高度的城市植被分类提取；采用面向对象的图像分析方法，根据nDSM信息与归一化绿红差异指数(NGRDI)及可见光波段差异植被指数(VDVI)等光谱信息，分别建立了水生植被、草地、灌木、小乔木、乔木等不同植被和非植被的分类规则，从而实现了对具体植被类别的区分，通过不同指数的设定，使得总体精度大于92.08%，大大提高了区分精度；其具有可区分不同植被、分类精度高、分类效率高、实用性强的优点。

附图说明

图1是本发明的技术流程图。

图2是研究区的原始无人机影像。

图3（a）是研究区的DEM。

图3（b）是研究区的nDSM。

图4是局部方差及变化率曲线。

图5（a）是尺度为22时分割得到的对象。

图5（b）是尺度为26时分割得到的对象。

图5（c）是尺度为33时分割得到的对象。

具体实施方式

下面通过具体实施方式，对本发明的技术方案做进一步的详细描述。

如图1和图2所示，一种基于无人机影像与重建点云的城市植被分类方法，包括以下步骤：

步骤1、对原始无人机影像进行点云重建

具体的，所述SFM算法是一种相机标定方法，可在相机参数及场景中三维信息未知的情况下，通过迭代的方式求解出相机矩阵和三维点坐标，其中每次迭代均先恢复相机运动（即计算投影矩阵），再采用三角测量的方法恢复场景结构。SFM算法的理论基础是透视投影几何原理，基于照片之间特征点的匹配关系，借助投影模型采用非线性的优化方法回算相机参数，从而建立起二维与三维之间的对应关系，再根据该对应关系生成稀疏的三维点云。如有m幅影像，空间中有n个点，有方程

i=1，…，m；j=1，…，n ；

式中，为第i幅图像中第j个点的二维信息，为第j个点的三维位置信息，为第i幅图像的投影矩阵。由m×n个二维信息，估算m个投影矩阵以及n个点的三维位置信息，以此得到稀疏点云。

由于稀疏点云无法较好表达地表物体信息，因此继续采用CMVS/PMVS方法进一步将稀疏点云扩展为密集点云。由于SFM算法得到的影像有大量重叠，为减少数据量、提高密集匹配效率，先采用CMVS方法对影像进行聚簇分类，在减少数据量的同时提高运算速度。聚簇后再通过PMVS方法，经匹配、扩散和过滤后完成密集匹配，继而生成研究区密集且带有真实颜色的三维点云--密集点云。

对密集点云进行克里金插值建模，生成文理，获得研究区的正射影像DOM，并对正射影像DOM进行影像分割。

步骤2、生成研究区的nDSM信息

对获得的密集点云进行抽稀处理，获得抽稀点云；

具体的，需要根据地面与地物的高程不连续性从海量抽稀点云中滤除非地貌特征点，以得到研究区域的DEM数据。其中，对所述抽稀点云采用自适应不规则三角网点云滤波算法滤除非地貌特征点；

步骤3、基于可见光的植被指数计算

取含可见光波段的研究区的正射影像，计算归一化绿红差异指数NGRDI和可见光波段差异植被指数VDVI，以NGRDI值和VDVI值的大小表示植被的覆盖度，值越大表示植被的覆盖度越高；其中，

步骤4、影像对象的分类判别

采用本发明方法对研究区进行植被分类：

利用无人机影像完成对研究区密集点云的重建与正射影像的生成，生成的点云密度达到1900个/m²，正射影像的像元大小为0.05 m×0.05 m。为方便后续数据的处理，对密集点云进行抽稀，抽稀后点云密度约22个/m²。如图3（a）、（b）所示，抽稀点云经滤波获得研究区DEM点云数据，对所述抽稀点云进行克里金插值处理，获得研究区的数字表面模型DSM，对所述数字高程模型DEM 与所述数字表面模型DSM 进行求差分析获得研究区的nDSM信息，其中，nDSM网格大小为0.2m×0.2 m。

影像分割时使用尺度参数估计（estimation of scale parameter，ESP）软件确定影像的最优分割尺度，即，计算影像分割后的影像对象的局部方差LV（local variance）和局部方差随分割尺度变化的变化率ROC（rate of change），最后给出LV随尺度参数的变化曲线和该曲线的ROC，如图4所示。尺度越小，LV越小，分割后对象的异质性越小。ROC曲线上峰值与谷值处对应的分割尺度则表示该尺度下影像中某类对象的分割效果较好。

通过综合考虑LV曲线和ROC曲线，发现当固定紧凑度为0.5，形状因子为0.1，尺度为22、26、33时，植被这一类型的整体分割效果较好。经目视判读，尺度为22时分割得到的对象较破碎而无法很好提取较大的地物,如图5（a）；尺度为33时，灌木的边缘与其周围阴影部分融合，不利于地物细节部分的提取，如图5（c）；尺度为26时则能较好的兼顾二者，如图5（b）。

进行植被提取分类时，各类别分类规则见表1。

表1 分类规则

选用VDVI辅助水生植被类别的提取，通过分析，VDVI>0.168时，水生植被提取效果最佳。此外根据研究区的水生植被（如芦苇、荷花等）特点设置nDSM<1.6。水生植被通常生长于地势最低处，因此其DEM阈值选择区域DEM的最低值加上水体起伏值，设置DEM<94.1。

草地、灌木及乔木利用NGRDI进行提取，当NGRDI>0.2时，陆生植被与非陆生植被分类效果最佳。同时根据草地、灌木与乔木生长高度不同，设置草地nDSM<0.26,灌木nDSM为0.26~1.5，乔木nDSM>1.5。由于水生植被中芦苇、荷花等长势较高，因此草地及灌木另设置DEM>94.1以区分水生植被。

研究区内存在少量小乔木（紫叶李，叶片常年紫红色，著名观叶树种），由于其叶片颜色特殊，其光谱特征与建筑物、水泥硬化地面等地物的光谱特征相似，水泥硬化地面nDSM值为0，易于区分，而建筑物有一定高度，因此小乔木与建筑物无法通过nDSM进行区分。分析可知，建筑物顶部较平坦，小乔木具有参差不齐的特征，因此利用nDSM 的标准偏差Standard deviation nDSM区分二者。小乔木设置为NGRDI<0.2，Standard deviation nDSM>0.1，nDSM 为2~9之间。

因此，除提取植被信息外，还提取了研究区内的建筑物、水泥硬化地面和水体信息。建筑物和水泥硬化地面的光谱特征相同，设置NGRDI<0.2，根据nDSM不同设置道路 nDSM<0.055,建筑物nDSM>5。此外，水体与水泥地面均表现为非植被特征，因此另设置DEM>94.1以区分水体；同时建筑物另设置Standard deviation nDSM<0.1以区分小乔木。水体提取时，设置VDVI<0.168、nDSM<0.01时，以区分水体与水生植被。此外由于水体分布于地势最低处，其DEM阈值设置为低于94.1。

依据以上规则对不同高度的植被进行提取分类。

为评价本发明提出的分类方法的提取效果，选取大量检验样本，对结果进行精度评价，混淆矩阵见表2，各地物类型生产精度及用户精度见表3。

表2 混淆矩阵

表3 分类精度

由混淆矩阵发现，草地错分至灌木较多，同时灌木也有部分错分至草地，这主要是由于研究区内部分区域草地长势较高，导致提取时两类出现错分现象。此外还发现建筑物和小乔木有部分错分至乔木类，水泥地面则有部分错分至草地，这是因为当某两类地物类型高度相近，同时两类距离较近甚至出现交错现象（如小乔木与乔木，建筑物与其周围的乔木等）时，由于密集点云进行三维建模时在两类边界部分不够精细，致使生成的正射影像在地物边界部分不够准确，从而造成部分地物类型出现错分现象。

由表3可以看出小乔木（紫叶李）的分类精度较低，这主要由于其叶片颜色特殊（呈紫红色）而导致其光谱特征在可见光波段接近非植被类型的光谱特征，在提取时无法与建筑物较好区分，实验中虽设置Standard deviation nDSM阈值区分两者，但是由于研究区内存在仿古建筑以及部分建筑顶部有特殊构造，使得上述类别的建筑顶部的Standarddeviation nDSM值偏大，从而使得小乔木与建筑物的分类精度降低。此外，由于水体部分重建点云的精度较低，导致后续水体部分生成DEM精度降低，造成水体与岸边地势较低的草地无法较好区分从而影响了水体与草地的分类精度。

总体来看，除小乔木外，其他植被的生产精度均达到87%以上，而非植被地物信息提取除水体外生产精度均达到82%以上，同时，实验的总体精度也达到了92.08%，Kappa系数则达到0.8972。整体来看，植被分层次提取精度较高。由结果评价可知，将重建点云获得的nDSM信息结合光谱信息用于不同高度的城市植被的提取是可行的，能够实现不同植被类型的精确制图，可为城市植被分类与制图提供参考。

最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。

Claims

1.一种基于无人机影像与重建点云的城市植被分类方法，其特征在于，包括以下步骤：

步骤1、对原始无人机影像进行点云重建

步骤2、生成研究区的nDSM信息

对获得的密集点云进行抽稀处理，获得抽稀点云；

步骤3、基于可见光的植被指数计算

步骤4、影像对象的分类判别

2.根据权利要求1所述的基于无人机影像与重建点云的城市植被分类方法，其特征在于，所述步骤4中：

当NGRDI＞0.2、nDSM＜0.26、DEM＞94.1时判定为草地；

当NGRDI＞0.2、0.26＜nDSM＜1.5、DEM＞94.1时判定为灌木；

当NGRDI＞0.2、nDSM＞1.5时判定为乔木；

当NGRDI＜0.2、nDSM＜0.055、DEM＞94.1时判定为水泥地面；

当VDVI＞0.168、nDSM＜1.6、DEM＜94.1时判定为水生植物；

当VDVI＜0.168、nDSM＜0.01、DEM＜94.1时判定为水体。

3.根据权利要求1或2所述的基于无人机影像与重建点云的城市植被分类方法，其特征在于：所述步骤2中，对所述抽稀点云采用自适应不规则三角网点云滤波算法滤除非地貌特征点；

4.根据权利要求1所述的基于无人机影像与重建点云的城市植被分类方法，其特征在于：所述步骤1中，对正射影像DOM进行影像分割时，采用ESP软件确定影像的最优分割尺度。