基于面向对象的无人机正射影像地物分类
基于超高空间分辩率无人机影像的面向对象土地利用分类方法
第36卷第2期农业工程学报V ol.36 No.22020年1月Transactions of the Chinese Society of Agricultural Engineering Jan. 2020 87 基于超高空间分辩率无人机影像的面向对象土地利用分类方法刘舒1，朱航2※（1. 吉林建筑大学测绘与勘查工程学院，长春 130118； 2. 吉林大学机械与航空航天工程学院，长春 130022）摘要：为明确基于无人机超高空间分辨率影像的土地利用分类方法，尤其是有效特征和算法的选择，该研究获取吉林省德惠市一农耕区超高分无人机影像，获取区域正射影像图和数字表面模型，计算地形指标，采用面向对象方法进行土地利用分类研究。
首先，采用随机森林算法，以光谱特征为基础，依次引入指数、形态、地形、纹理特征，建立5种特征选择方案，分析各类特征对分类效果的影响。
其次，以Boruta特征选择算法获取的优化特征集为基础，采用随机森林算法、朴素贝叶斯算法、逻辑回归算法和支持向量机算法分类，分析不同算法的分类效果。
结果表明：采用5种特征选择方案分类，引入形态特征时总体精度降低，引入其他特征时总体精度逐渐提高。
5种特征共同参与的分类效果最佳，总体精度为98.04%，Kappa系数为0.980。
错分主要发生在裸地和宅基地，漏分主要发生在草地、裸地、水渠和道路。
错分和漏分主要是因为这几种类型对象具有相似的光谱、形态、纹理特征或相似的分布位置。
采用优化特征集分类时，相比其他算法，随机森林算法更擅长处理高维特征集，获得最高的总体精度98.19%，最低的错分和漏分误差，分类效果最佳。
借助无人机超高空间分辨率影像提取地形信息、形态信息，可以有效辅助土地利用分类，并能提高传统分类方法精度。
关键词：遥感；土地利用；无人机影像；面向对象；特征选择；随机森林doi：10.11975/j.issn.1002-6819.2020.02.011中图分类号：TP79 文献标志码：A 文章编号：1002-6819(2020)-02-0087-08刘 舒，朱 航. 基于超高空间分辩率无人机影像的面向对象土地利用分类方法[J]. 农业工程学报，2020，36(2)：87－94. doi：10.11975/j.issn.1002-6819.2020.02.011 Liu Shu, Zhu Hang. Object-oriented land use classification based on ultra-high resolution images taken by unmanned aerial vehicle[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(2): 87－94. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.02.011 0 引 言实时可靠的土地利用信息，是土地利用变化监测的基础[1]。
结合空间分析的面向对象无人机影像土地利用分类
结合空间分析的面向对象无人机影像土地利用分类作者：吴端阳来源：《科技信息·下旬刊》2018年第01期摘要：根据遥感影像技术对土地的监测分析来进行土地分类，使土地的管理更加有效和快速，结合GIS空间分析技术的使用对影响数据进行分析，可以提高分类的准确性，提高对象间的异质性，通过加权局部方差和相关指数对土地的分割进行优化，文章通过实验分析来研究这种方法的有效性和准确度，得出此方法能够减少分割的主观性带来的误差，并且能够提高精确度，对土地的归类更加明确。
关键词：土地利用；无人机影像；多尺度分割；空间分析；面向对象随着社会的发展，经济的提升也有着快速的趋势，工业技术水平有了明显的提高，城市化使社会和人们的需求不断提升，土地的使用也发生了改变，城市和农村的土地需要进一步的合理划分和利用，使用遥感技术来对农村的土地进行监测可以使土地的管理更加有效，土地的资源利用能够得到大大的改善，遥感技术虽然具有比较直观的功能，呈现出清晰度较高的影像资料，但是由于光谱的问题，不同的像素的土地情况难以得到高精确的图像，依然存在缺陷，所以，通过影像分析，结合空间信息等分析来完善遥感影像的技术是重要的内容。
1 无人机使用现状无人机的使用随着科技的发展开始逐渐扩大，由于无人机具有比较便捷和节省成本的特点，在对遥感影像的清晰度有所提高的情况下，对土地的监测和分析有着重要的价值，为土地管理工作提供了更多的研究数据和帮助，通过GIS空间分析的使用对土地的不同种类进行划分，还对土地的划分进一步精确的判断分析，提高了土地划分的准确性，采用这种方式能够避免主观的因素影响，也能够有效减少误差，对多种土地的分类有着比较详细的概念，对土地分类工作的完成度有所提升。
2 实验数据和技术流程2.1 实验数据实验区域位于某镇，丘陵地貌，地势整体西北高而东南低。
影像由无人机搭载CaonEOS5DMarkII大型单反相机于2015ano年8月获取，为真彩色影像（包含红、绿、蓝波段），地面分辨率0.16m，大小为5616像元×374像元，包含有水体、道路、居民地、农田等多种土地利用类型，清晰地表达了农村地区散乱的聚居特点。
基于无人机影像的面向对象地类信息提取
doi:10. 3969 / j. issn. 1672 - 4623. 2020. 12. 019
地理空间信息
GEOSPATIAL INFORMATION
Dec. , 2020 Vol.18, No.12
基于无人机影像的面向对象地类信息提取
刘冬烨 1，问 鼎 2,3，朱京海 4*
大的指数进行面向对象地物分类，通过总体分类精度和 Kappa 系数的比较，得到分类效果最好的指数图像，生成地物分类结果
图。结果表明基于纹理滤波红色二阶矩指数的图像分类总体分类精度达到了 90.1%，Kappa 系数为 0.851，效果最好；其次是植被
指数 ExG 以及 NGBDI，Kappa 系数分别为 0.826 和 0.809；经过纹理滤波处理后的图像在像元值统计以及地物分类方面均优于光
不同地物类型的反射光谱曲线形态不同。借助无 人机遥感技术，利用波段结合，计算得到各种植被指 数，这些植被指数比起单一波段能反映出更全面的光 谱信息，增强不同地类之间的差异 [7]。Rasmussen 等 [8] 利用植被指数对农作物进行反演研究，表明其可用于 农作物管理。此外，从遥感影像中获得的纹理滤波信 息能更好地提高图像的目视效果，使结果图像比原始 图像更适合于分类，消除噪声，避免“椒盐现象”。
（1. 沈阳航空航天大学能源与环境学院 辽宁省清洁能源重点实验室，辽宁 沈阳 110136；2. 中国科学院沈阳应用 生态研究所 中国科学院森林生态与管理重点实验室，辽宁 沈阳 110016；3. 中国科学院大学，北京 100049； 4. 中国医科大学环境健康研究所，辽宁 沈阳 110122）
摘 要：基于小型无人机获取的遥感影像，通过其生成的可见光植被指数和纹理滤波指数，从中选取地类间像元统计值差异较
无人机遥感影像面向对象分类方法估算市域水稻面积
第34卷第1期农业工程学报V ol.34 No.170 2018年1月Transactions of the Chinese Society of Agricultural Engineering Jan. 2018无人机遥感影像面向对象分类方法估算市域水稻面积吴金胜1,2,3，刘红利1,2，张锦水※1,2（1. 北京师范大学地表过程与资源生态国家重点实验室，北京 100875；2. 北京师范大学地理科学学部遥感科学与工程研究院，北京 100875；3. 国家统计局山东调查总队，济南 250001）摘要：：针对如何高效地从无人机遥感影像中提取农作物样方数据，用于农作物面积遥感估算，该文以浙江省平湖市为例，利用面向对象分类方法对无人机影像进行水稻自动化识别，作为样方数据与卫星遥感全覆盖空间分布分类结果结合，采用分层联合比估计进行2014年单季晚稻面积估算。
然后，与人工目视解译识别方法获取的水稻样方数据推断的区域水稻面积估算的结果进行精度、效率对比分析。
研究结果表明：1）利用面向对象分类方法对无人机影像进行分类，总体分类精度达到93%以上，满足构建样本的要求；2）通过区域作物估算对比分析发现，面向对象分类方法对无人机影像进行水稻识别，构建平湖市单季晚稻的样方数据，能够替代人工目视解译样方准确推断区域作物种植面积，有效地提高了无人机影像在遥感面积估算中的应用效率。
关键词：无人机；抽样；遥感；单季晚稻；面向对象分类；目视解译；面积推断doi：10.11975/j.issn.1002-6819.2018.01.010中图分类号：S127 文献标志码：A 文章编号：1002-6819(2018)-01-0070-08吴金胜，刘红利，张锦水. 无人机遥感影像面向对象分类方法估算市域水稻面积[J]. 农业工程学报，2018，34(1)：70－77. doi：10.11975/j.issn.1002-6819.2018.01.010 Wu Jinsheng, Liu Hongli, Zhang Jinshui. Paddy planting acreage estimation in city level based on UA V images and object-oriented classification method[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(1): 70－77. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.01.010 0 引 言中国是世界上最大的稻米生产国和消费国[1]，及时、准确地掌握水稻种植面积，对保证国家粮食安全具有重要的意义[2]。
应用无人机可见光影像和面向对象的随机森林模型对城市树种分类
第５２卷第３期东㊀北㊀林㊀业㊀大㊀学㊀学㊀报Ｖｏｌ．５２Ｎｏ．３２０２４年３月ＪＯＵＲＮＡＬＯＦＮＯＲＴＨＥＡＳＴＦＯＲＥＳＴＲＹＵＮＩＶＥＲＳＩＴＹＭａｒ．２０２４１）国家自然科学基金项目（３１９０１２９８），西藏自治区科学技术重点研发计划项目（ＸＺ２０２２０１ＺＹ０００３Ｇ），福建农林大学省级大学生创新创业训练项目（Ｓ２０２３１０３８９０４６），福建农林大学科技创新专项基金项目（ＫＦｂ２２０３３ＸＡ）㊂第一作者简介：陈逊龙，男，１９９８年１０月生，福建农林大学林学院，硕士研究生㊂Ｅ－ｍａｉｌ：１２２０４９６００２＠ｆａｆｕ．ｅｄｕ．ｃｎ㊂通信作者：张厚喜，福建农林大学林学院㊁南方红壤区水土保持国家林业和草原局重点实验室（福建农林大学）㊁海峡两岸红壤区水土保持协同创新中心（福建农林大学）㊁福建长汀红壤丘陵生态系统国家定位观测研究站，副教授㊂Ｅ－ｍａｉｌ：ｚｈａｎｇｈｏｕｘｉ＠１２６．ｃｏｍ㊂收稿日期：２０２３年１０月２３日㊂责任编辑：王广建㊂应用无人机可见光影像和面向对象的随机森林模型对城市树种分类１）陈逊龙㊀孙一铭㊀郭仕杰㊀段煜柯㊀唐桉琦㊀叶章熙㊀张厚喜（福建农林大学，福州，３５０００２）㊀㊀摘㊀要㊀为及时准确的了解城市树种空间分布信息，提升城市居民生活水平和推动城市生态系统可持续发展㊂以福州市仓山区城市森林为研究对象，应用无人机（ＵＡＶ）监测城市树种空间分布及其动态变化的可见光影像，根据最佳尺度对影像进行分割，并提取分割对象的光谱㊁地形㊁指数㊁纹理和几何特征㊂通过对不同类型特征的组合构建不同的分类方案，利用递归特征消除法（ＲＦＥ）筛选出优选特征子集，利用面向对象方法结合随机森林（ＲＦ）模型对城市树种进行分类㊂结果表明：在随机森林模型分类的过程中，利用光谱特征对树种分类的总体分类精度为８２．１２％；地形特征对树种分类的贡献度率为１４．９６％；指数特征和纹理特征的引入，在一定程度提高了树种的分类精度；几何特征的贡献较小，在分类过程中没有明显的贡献㊂特征优选子集的Ｓ１０方案分类精度最高，总体精度达９２．４２％，Ｋａｐｐａ系数为０．９１㊂说明特征优选能够降低高维度特征的复杂性，在大幅减少数据冗余的同时提高了分类精度㊂在最优特征子集下，随机森林（ＲＦ）算法分类的总体精度比极致梯度提升（ＸＧＢｏｏｓｔ）㊁轻量级梯度提升机（ＬｉｇｈｔＧＢＭ）和ｋ最近邻算法（ＫＮＮ）分别提高了１．１５％㊁１．８１％和１５．１５％，Ｋａｐｐａ系数分别提高了１％㊁２％和１７％㊂关键词㊀城市树种；无人机影像；面向对象；随机森林模型；地形特征分类号㊀Ｓ７７１．８ＵｒｂａｎＴｒｅｅＳｐｅｃｉｅｓＣｌａｓｓｉｆｉｃａｔｉｏｎｂｙＵＡＶＶｉｓｉｂｌｅＬｉｇｈｔＩｍａｇｅｒｙａｎｄＯＢＩＡ－ＲＦＭｏｄｅｌ／／ＣｈｅｎＸｕｎｌｏｎｇ，ＳｕｎＹｉｍ⁃ｉｎｇ，ＧｕｏＳｈｉｊｉｅ，ＤｕａｎＹｕｋｅ，ＴａｎｇＡｎｑｉ，ＹｅＺｈａｎｇｘｉ，ＺｈａｎｇＨｏｕｘｉ（ＦｕｊｉａｎＡｇｒｉｃｕｌｔｕｒｅａｎｄＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，Ｆｕｚｈｏｕ３５０００２，Ｐ．Ｒ．Ｃｈｉｎａ）／／ＪｏｕｒｎａｌｏｆＮｏｒｔｈｅａｓｔＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，２０２４，５２（３）：４８－５９．Ｉｎｏｒｄｅｒｔｏｏｂｔａｉｎｔｉｍｅｌｙａｎｄａｃｃｕｒａｔｅｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｉｎｆｏｒｍａｔｉｏｎｏｆｕｒｂａｎｔｒｅｅｓｐｅｃｉｅｓ，ｉｍｐｒｏｖｅｔｈｅｌｉｖｉｎｇｓｔａｎｄ⁃ａｒｄｓｏｆｕｒｂａｎｒｅｓｉｄｅｎｔｓ，ａｎｄｐｒｏｍｏｔｅｔｈｅｓｕｓｔａｉｎａｂｌｅｄｅｖｅｌｏｐｍｅｎｔｏｆｕｒｂａｎｅｃｏｓｙｓｔｅｍｓ，ｔｈｉｓｓｔｕｄｙｔａｋｅｓｔｈｅｕｒｂａｎｆｏｒｅｓｔｉｎＣａｎｇｓｈａｎＤｉｓｔｒｉｃｔ，ＦｕｚｈｏｕＣｉｔｙａｓｔｈｅｒｅｓｅａｒｃｈｏｂｊｅｃｔ．Ｉｔａｐｐｌｉｅｓｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉｃｌｅｓ（ＵＡＶｓ）ｔｏｍｏｎｉｔｏｒｔｈｅｖｉｓｉｂｌｅｌｉｇｈｔｉｍａｇｅｓｏｆｕｒｂａｎｔｒｅｅｓｐｅｃｉｅｓｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎａｎｄｔｈｅｉｒｄｙｎａｍｉｃｃｈａｎｇｅｓ．Ｔｈｅｉｍａｇｅｓｗｅｒｅｓｅｇｍｅｎｔｅｄｂａｓｅｄｏｎｔｈｅｏｐｔｉｍａｌｓｃａｌｅ，ａｎｄｔｈｅｓｐｅｃｔｒａｌ，ｔｅｒｒａｉｎ，Ｉｎｄｅｘ，ｔｅｘｔｕｒｅ，ａｎｄｇｅｏｍｅｔｒｉｃｆｅａｔｕｒｅｓｏｆｔｈｅｓｅｇｍｅｎｔｅｄｏｂｊｅｃｔｓａｒｅｅｘｔｒａｃｔｅｄ．Ｄｉｆｆｅｒｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎｓｃｈｅｍｅｓｗｅｒｅｃｏｎｓｔｒｕｃｔｅｄｂｙｃｏｍｂｉｎｉｎｇｄｉｆｆｅｒｅｎｔｔｙｐｅｓｏｆｆｅａｔｕｒｅｓ，ａｎｄｔｈｅｏｐｔｉｍａｌｆｅａｔｕｒｅｓｕｂｓｅｔｗａｓｓｅｌｅｃｔｅｄｕｓｉｎｇｔｈｅｒｅｃｕｒｓｉｖｅｆｅａｔｕｒｅｅｌｉｍｉｎａｔｉｏｎ（ＲＦＥ）ｍｅｔｈｏｄ．Ｔｈｅｕｒｂａｎｔｒｅｅｓｐｅｃｉｅｓｗｅｒｅｃｌａｓｓｉｆｉｅｄｕｓｉｎｇｔｈｅｏｂ⁃ｊｅｃｔ⁃ｏｒｉｅｎｔｅｄｍｅｔｈｏｄｃｏｍｂｉｎｅｄｗｉｔｈｔｈｅｒａｎｄｏｍｆｏｒｅｓｔ（ＲＦ）ｍｏｄｅｌ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｉｎｔｈｅｐｒｏｃｅｓｓｏｆＲＦｍｏｄｅｌｃｌａｓｓｉｆｉｃａｔｉｏｎ，ｔｈｅｏｖｅｒａｌｌｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｆｔｒｅｅｓｐｅｃｉｅｓｕｓｉｎｇｓｐｅｃｔｒａｌｆｅａｔｕｒｅｓｗａｓ８２．１２％．Ｔｈｅｃｏｎｔｒｉｂｕｔｉｏｎｒａｔｅｏｆｔｅｒｒａｉｎｆｅａｔｕｒｅｓｔｏｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｗａｓ１４．９６％．ＴｈｅｉｎｔｒｏｄｕｃｔｉｏｎｏｆＩｎｄｅｘｆｅａｔｕｒｅｓａｎｄｔｅｘｔｕｒｅｆｅａｔｕｒｅｓｉｍ⁃ｐｒｏｖｅｓｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｆｔｒｅｅｓｐｅｃｉｅｓｔｏａｃｅｒｔａｉｎｅｘｔｅｎｔ．Ｇｅｏｍｅｔｒｉｃｆｅａｔｕｒｅｓｈａｖｅａｓｍａｌｌｃｏｎｔｒｉｂｕｔｉｏｎａｎｄｄｏｎｏｔｈａｖｅａｓｉｇｎｉｆｉｃａｎｔｃｏｎｔｒｉｂｕｔｉｏｎｉｎｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｐｒｏｃｅｓｓ．ＴｈｅＳ１０ｓｃｈｅｍｅｏｆｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎｓｕｂｓｅｔｈａｄｔｈｅｈｉｇｈｅｓｔｃｌａｓ⁃ｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙ，ｗｉｔｈａｎｏｖｅｒａｌｌａｃｃｕｒａｃｙｏｆ９２．４２％ａｎｄａＫａｐｐａｃｏｅｆｆｉｃｉｅｎｔｏｆ０．９１．Ｔｈｉｓｉｎｄｉｃａｔｅｓｔｈａｔｆｅａｔｕｒｅｓｅｌｅｃ⁃ｔｉｏｎｃａｎｒｅｄｕｃｅｔｈｅｃｏｍｐｌｅｘｉｔｙｏｆｈｉｇｈ⁃ｄｉｍｅｎｓｉｏｎａｌｆｅａｔｕｒｅｓ，ｗｈｉｌｅｇｒｅａｔｌｙｒｅｄｕｃｉｎｇｄａｔａｒｅｄｕｎｄａｎｃｙａｎｄｉｍｐｒｏｖｉｎｇｃｌａｓｓｉｆｉ⁃ｃａｔｉｏｎａｃｃｕｒａｃｙ．Ｕｎｄｅｒｔｈｅｏｐｔｉｍａｌｆｅａｔｕｒｅｓｕｂｓｅｔ，ｔｈｅｏｖｅｒａｌｌａｃｃｕｒａｃｙｏｆｃｌａｓｓｉｆｉｃａｔｉｏｎｕｓｉｎｇｔｈｅＲＦａｌｇｏｒｉｔｈｍｗａｓｉｎ⁃ｃｒｅａｓｅｄｂｙ１．１５％，１．８１％，ａｎｄ１５．１５％ｃｏｍｐａｒｅｄｔｏｅｘｔｒｅｍｅｇｒａｄｉｅｎｔｂｏｏｓｔｉｎｇ（ＸＧＢｏｏｓｔ），ｌｉｇｈｔｇｒａｄｉｅｎｔｂｏｏｓｔｉｎｇｍａ⁃ｃｈｉｎｅ（ＬｉｇｈｔＧＢＭ），ａｎｄｋ⁃ｎｅａｒｅｓｔｎｅｉｇｈｂｏｒａｌｇｏｒｉｔｈｍ（ＫＮＮ），ｒｅｓｐｅｃｔｉｖｅｌｙ．ＴｈｅＫａｐｐａｃｏｅｆｆｉｃｉｅｎｔｗａｓｉｎｃｒｅａｓｅｄｂｙ１％，２％，ａｎｄ１７％，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｋｅｙｗｏｒｄｓ㊀Ｕｒｂａｎｔｒｅｅｓｐｅｃｉｅｓ；ＵＡＶｉｍａｇｅｒｙ；Ｏｂｊｅｃｔ－ｂａｓｅｄ；Ｒａｎｄｏｍｆｏｒｅｓｔｍｏｄｅｌ；Ｔｅｒｒａｉｎｆｅａｔｕｒｅ㊀㊀城市树木作为城市的重要组成部分是评估城市生态环境的重要指标之一，具有重要的生态㊁经济和社会效益［１］㊂随着城市化进程的不断深化，城市树木的生态效益也日渐凸显㊂然而，不同种类㊁种植结构和种植区域的城市树木会产生不同的生态环境效益［２］㊂因此，及时准确地获取城市树种的类别和空间分布信息对城市规划㊁城市树木的管理与维护具有重要意义［３］㊂传统的城市树种分类主要依靠地面调查，然而该方法存在成本高㊁耗时长且难以获取大尺度数据等不足［４］㊂近年来，遥感技术飞速发展，为城市树种的准确快速识别提供了新的途径㊂然而，传统的高分辨率卫星遥感影像易受天气和环境因素干扰㊁时效性较差且费用昂贵㊂此外，免费提供的卫星遥感影像空间分辨率低，难以适用于树种层面的识别研究［５］㊂相比传统的遥感平台，近地无人机（ＵＡＶ）能在较小空间尺度上提供高分辨率的遥感影像和地理数据，具有更高的适用性，是遥感数据获取的重要手段之一［６］㊂然而，目前有关树种信息提取的无人机遥感研究多集中于多光谱㊁高光谱影像的分类领域，但由于搭载多光谱㊁高光谱传感器的无人机普遍价格昂贵，极大地限制了其在实际生产中的推广应用㊂随着数码技术的发展，通过搭载可见光传感器的无人机获取包含树种信息的遥感影像，具有获取方便㊁成本低㊁空间分辨率高等优点，已成为遥感影像识别树种研究方向上重要的数据源之一［７］㊂根据遥感影像分类单元的不同，可将分类方法归为基于像元和面向对象两类㊂基于像元的方法主要关注局部像素的光谱信息，在处理高分辨率遥感影像时对噪声比较敏感㊁稳健性差，极易出现错分㊁漏分现象［８］㊂为弥补基于像元方法的不足，面向对象的影像分析技术（ＯＢＩＡ）逐渐被用于处理高分辨率遥感影像［９］㊂ＯＢＩＡ方法综合考虑区域相邻像素的纹理㊁形态以及空间结构等多维特征，减少了 椒盐噪声 的同时，通常具有更高的准确率［１０］㊂然而，随着特征维数的增加，数据处理的难度呈几何倍数增长，使得传统分类算法的应用受到一定限制㊂随机森林（ＲＦ）是一种基于集成学习思想集成多颗决策树的机器学习算法，通过对样本的决策树建模以及组合多棵决策树的预测，最终由分类树投票决定数据的分类［１１］㊂随机森林算法不仅具有模型简单㊁分类精度更高㊁校正参数更少的特点，而且鲁棒性强，不易过拟合，在遥感领域高维特征分类中得到广泛应用［１２］㊂面向对象方法可以有效减少 同物异谱 现象，而随机森林算法在处理高维数据时有其独特的性能优势，二者的结合在一定程度上提高了分类精度㊂宗影等［１３］将面向对象方法和随机森林算法的有机结合，有效提高了滨海湿地植被的分类精度，总体精度达８７．０７％；赵士肄等［１４］将面向对象方法和随机森林算法应用于耕地领域，并与其他机器学习分类算法进行对比验证，结果表明基于面向对象的随机森林模型取得了最高的耕地提取精度，并减弱了 椒盐 噪声，优化了分类结果；耿仁方等［１５］研究结果表明，基于面向对象结合随机森林算法对岩溶湿地植被具有较高的识别能力，在９５％置信区间内的总体精度为８６．７５％㊂虽然该方法的研究已经取得了一定的成功，但不同类型的特征对城市树种信息提取效果的影响尚不明确㊂因此，面向对象结合随机森林的方法对于城市树种分类的效果有待进一步探讨㊂此外，目前主流的数据源是大尺度的卫星影像和航空影像，或者是特征信息更加丰富的多光谱和激光雷达影像，而消费级无人机可见光影像在城市树种的精细分类方面还鲜有报道㊂因此，本文以福州市仓山区无人机可见光影像为研究对象，基于ＯＢＩＡ－ＲＦ模型，通过特征优选，构建最佳子集并比较不同机器学习算法的分类精度，并分析不同特征对城市树种分类的影响，构建该研究区城市行道树的最佳特征子集，比较不同分类算法对城市树种的分类效果，进一步评估ＯＢＩＡ－ＲＦ模型的分类性能和适用性，为城市生态系统保护及生态环境治理提供技术支持㊂１㊀研究区概况研究区位于福建省福州市仓山区（见图１），该区域属于南亚热带海洋性季风气候温暖湿润，冬季无严寒，夏季无酷暑㊂年日照时间１７００ １９８０ｈ，年降水量９００ ２１００ｍｍ，气温２０ ２５ħ㊂福州市仓山区典型树种包括白兰（Ｍｉｃｈｅｌｉａ✕ａｌｂａ）㊁荔枝（Ｌｉ⁃ｔｃｈｉｃｈｉｎｅｎｓｉｓ）㊁芒果（Ｍａｎｇｉｆｅｒａｉｎｄｉｃａ）㊁南洋楹（Ｆａｌ⁃ｃａｔａｒｉａｆａｌｃａｔａ）㊁榕树（Ｆｉｃｕｓｍｉｃｒｏｃａｒｐａ）㊁棕榈（Ｔｒａ⁃ｃｈｙｃａｒｐｕｓｆｏｒｔｕｎｅｉ）㊁樟（Ｃｉｎｎａｍｏｍｕｍｃａｍｐｈｏｒａ）等㊂研究区地势平坦，自然环境相对复杂，具备城市的基本特征，对研究城市树种分类具有一定的代表性㊂２㊀研究方法２．１㊀无人机数据采集与预处理实验数据于２０２０年２月８日采集，采用搭载ＦＣ６３１０Ｓ可见光镜头的大疆精灵４Ｐｒｏ（ＤＪＩＰｈａｎｔｏｍ４Ｐｒｏ）无人机进行航拍获取研究区影像，为削弱阴影对分类过程的干扰，选择天气状况良好无风有云的时间段进行作业㊂飞行相关参数设置如下：航高设置为６０ｍ，航向与旁向重叠率均为７０％，镜头角度－９０ʎ，光圈值ｆ／５，曝光时间１／２００ｓ，ＩＯＳ速度为ＩＯＳ－４００㊂本次飞行共获得４５０张航拍影像，照片分辨率为５４７２ˑ３０７８㊂通过瑞士Ｐｉｘ４Ｄｍａｐｐｅｒ专业摄影测量软件对所采集的原始数据进行空中三角测量㊁点云重建㊁裁切以及镶嵌等操作，得到研究区的正射影像（ＤＯＭ）和数字地表模型（ＤＳＭ）㊂为了精确获得研究区的道路信息，采用天地图在线矢量影像作为辅助信息，并通过手绘的方式提取道路矢量数据㊂根据实际调查情况，利用缓冲分析，将缓冲距离设置为５ｍ，得到了行道树的矢量分布图，然后，将矢量布图与原始影像叠加，最终裁剪出了研究区影像㊂２．２㊀地形特征提取归一化数字表面模型（ｎＤＳＭ）是一种反映地物绝对高度的高程模型［１６］，可为地物判别提供可靠依９４第３期㊀㊀㊀㊀㊀㊀㊀陈逊龙，等：应用无人机可见光影像和面向对象的随机森林模型对城市树种分类据㊂使用ＡｒｃＭａｐ１０．２软件进行地形特征提取㊂首先，通过人工目视解译方法从ＤＳＭ中选取９５０个地面点，并批量提取栅格的高程信息，其中１００个样本点的高程数据用以验证精度㊂其次采用插值的方法生成数字高程模型（ＤＥＭ）㊂为获取更加精确的地面高程信息，比较常见的插值方法（克里金插值法㊁反距离权重法㊁样条插值法以及自然邻域法）生成的数字高程模型（ＤＥＭ），以均方根误差㊁平均绝对值误差和决定系数（Ｒ２）作为评分指标（见表１）㊂４种插值方法均可得到较高精度的ＤＥＭ数据，综合考虑决定系数（Ｒ２）㊁平均绝对值误差以及均方根误差，最终确定采用克里金插值法生成连续的ＤＥＭ数据㊂最后，根据已生成的ＤＥＭ数据，利用Ａｒｃ⁃Ｍａｐ１０．２软件中的栅格计算器，将ＤＳＭ数据与ＤＥＭ数据相减得到ｎＤＳＭ数据［１７］㊂图１㊀研究区概况图表１㊀不同插值方法精度评价方㊀法决定系数（Ｒ２）平均绝对值误差均方根误差克里金插值法０．９９０．０７０．０４反距离权重法０．９９０．０８０．０４样条插值法０．９９０．０８０．０５自然邻域法０．９９０．０７０．０４２．３㊀最佳分割尺度确定影像分割是面向对象方法中至关重要的初始环节，分割结果将直接影响分类精度［１８］㊂本研究采用尺度参数评价工具（ＥＳＰ２），结合目视解译的方法确定最佳分割尺度，所有图像分割过程均在ｅＣｏｇｎｉ⁃ｔｉｏｎ９．０Ｄｅｖｅｌｏｐｅｒ９．０软件完成㊂ＥＳＰ２是用以评价不同尺度影像整体最大差异性的工具，通过计算整体局部方差均值随尺度变化率评估不同地物所对应的最佳尺度参数［１９］㊂而ＥＳＰ２计算出的尺度参数往往是多个值，需要结合人工目视才能确定最佳分割尺度㊂形状参数和紧致度参数是准确表示不同树种轮廓，使得对象内部同质性高的关键㊂综合考虑无人机影像的特点以及影像对象形状和紧致度因子的相互关系，将形状参数设置为０．５，紧致度参数设置为０．３㊂其他必要参数为：各波段的权重值设置为１㊁起始分割尺度为４０㊁分割步长为１㊁迭代８０次㊂随着尺度的增大，局部方差均值整体呈现上升的趋势，而尺度变化率呈现下降的趋势（见图２）㊂为了获得图像的过分割和欠分割之间的临界值，选取尺度变化率峰值为５１㊁５７㊁７６㊁８０㊁８９㊁１０４㊁１０９和１１８作为相对最佳分割尺度参数，采用多尺度分割算法得到分割结果（见图３）㊂当分割尺度参数设置较大（分割尺度参数大于１０４）时，白兰㊁榕树和背景多处０５㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷被划分为同一个对象，不同树种存在混淆现象难以被区分㊂当分割尺度参数设置较小（分割尺度小于７６）时，不同地物内部出现了过分割现象，增加了数据冗余㊂当分割尺度参数设置７６ ８９时，植被与背景区分相对明显，不同的树种之间能够被分割成独立的对象，整体分割效果较为理想㊂权衡分割效果与实际情况的吻合度，最终确定研究区无人机影像最佳分割尺度参数为７６，并利用该分割尺度参数进行城市行道树提取㊂图２㊀ＥＳＰ２最佳分割尺度估计图图３㊀不同尺度参数分割效果图２．４㊀对象光谱特征提取光谱特征是遥感影像的重要特征之一，地物通常具有不同的光谱特征，因此根据可见光影像中的地物光谱信息的差异可以用来区分不同的地物类型［２０］㊂植被指数利用植被在不同波段下反射和吸收的特性，增强植被信息的同时使非植被信息最小化［２１］，被广泛应用于林业病虫害防治㊁农作物生长量估计㊁生态环境监测等领域［２２］㊂在遥感图像中，不同地物通常具有复杂程度不同的边缘特征，因此，形状特征可以作为快速准确识别地物类型的有效手段［２３］㊂纹理特征是遥感影像的底层特征，不受图像亮度的影响，能够综合反映像素的灰度分布和结构信息，利用纹理特征可以有效弥补可见光影像光谱信息的不足［６］㊂在面向对象的分类过程中，结合纹理特征对于提升分类精度效果显著［２４］㊂地形特征能真实反映不同地物的高程信息，在影像分类过程中对于区分不同类型的地物具有重要意义㊂因此，本研究共选取光谱㊁指数㊁纹理㊁几何以及地形５大特征，剔除无效特征筛选出４０个子特征，具体如下：（１）光谱特征（ＳＰＥＣ）：主要包括：红色（Ｒ）波段的像元亮度的均值（ＭＲ）㊁绿色（Ｇ）波段的像元亮度的均值（ＭＧ）㊁蓝色（Ｂ）波段像元亮度的均值（ＭＢ）㊁最大差异值（Ｍｄ）㊁亮度值（Ｂｒ）㊂（２）指数特征（ＩＮＤＥ）：包括植被颜色指数（ＩＣＩＶＥ）㊁可见光波段差异植被指数（ＩＶＤＶＩ）㊁联合指数２（ＩＣＯＭ２）㊁超绿指数（ＩＥＸＧ）㊁超绿超红差分指数（ＩＥＸＧＲ）㊁植被指数（ＩＶＧＥ）㊁归一化红绿差异指数（ＩＮＧＲＤＩ）以及归一化绿蓝差异指数（ＩＮＧＢＤＩ）（见表２）㊂（３）几何特征（ＧＥＯＭ）：包括面积㊁边界长㊁宽度㊁长度㊁不对称性㊁长宽比㊁边界指数㊁圆度㊁像素个数㊁紧致度㊁体积㊁密度㊁椭圆拟合㊁主方向㊁形状指数㊁最大封闭椭圆半径㊁最小封闭椭圆半径以及矩形拟合㊂１５第３期㊀㊀㊀㊀㊀㊀㊀陈逊龙，等：应用无人机可见光影像和面向对象的随机森林模型对城市树种分类（４）纹理特征（ＧＬＣＭ）：基于灰度共生矩阵（ＧＬＣＭ）提取影像的纹理特征，包括对比度（ＴＣＯＮ）㊁相关性（ＴＣＯＲ）㊁相异性（ＴＤＩＳ）㊁熵（ＴＥＮＴ）㊁同质度（ＴＨＯＭ）㊁均值（ＴＭＥＡ）㊁角二阶矩（ＴＡＳＭ）和标准差（ＴＳＤ）等特征值［６］（见表３）㊂（５）地形特征：归一化数字表面模型（ｎＤＳＭ）㊂表２㊀植被指数及表达式指数特征公㊀式归一化红绿差异指数（ＩＮＧＲＤＩ）［２５］ＩＮＧＲＤＩ＝（ＭＧ－ＭＲ）／（ＭＧ＋ＭＲ）归一化绿蓝差异指数（ＩＮＧＢＤＩ）［２６］ＩＮＧＢＤＩ＝（ＭＧ－ＭＢ）／（ＭＧ＋ＭＲ）超绿指数（ＩＥＸＧ）［２７］ＩＥＸＧ＝２ＭＧ－ＭＢ－ＭＲ超绿超红差分指数（ＩＥＸＧＲ）［２８］ＩＥＸＧＲ＝ＭＧ－ＭＢ－２．４ＭＲ可见光波段差异植被指数（ＩＶＤＶＩ）［２１］ＩＶＤＶＩ＝（２ＭＧ－ＭＲ－ＭＢ）／（２ＭＧ＋ＭＲ＋ＭＢ）植被颜色指数（ＩＣＩＶＥ）［２９］ＩＣＩＶＥ＝０．４４ＭＲ－０．８８ＭＧ－０．３９ＭＢ＋１８．７９植被指数（ＩＶＧＥ）［３０］ＩＶＧＥ＝ＭＧ／ＭａＲＭ１－ａＢ，ａ＝０．６６７联合指数２（ＩＣＯＭ２）［３１］ＩＣＯＭ２＝０．３６ＩＥＸＧ＋０．４７ＩＣＩＶＥ＋０．１７ＩＶＧＥ㊀㊀注：ＭＲ㊁ＭＧ㊁ＭＢ分别为红㊁绿㊁蓝波段像元亮度的均值㊂表３㊀纹理特征及表达式纹理指标公㊀式角二阶矩（ＴＡＳＭ）ＴＡＳＭ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）２对比度（ＴＣＯＮ）ＴＣＯＮ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑ（ｉ－ｊ）２相关性（ＴＣＯＲ）ＴＣＯＲ＝ðＮｇｉ＝０ðＮｇｊ＝０（（ｉ－ｕｘ）ˑ（ｊ－ｕｙ）ˑｐ（ｉ，ｊ）２）／σｘσｙ相异性（ＴＤＩＳ）ＴＤＩＳ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑ｜ｉ－ｊ｜熵（ＴＥＮＴ）ＴＥＮＴ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑｌｎｐ（ｉ，ｊ）同质度（ＴＨＯＭ）ＴＨＯＭ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑ（１／（１＋（ｉ＋ｊ）２））均值（ＴＭＥＡ）ＴＭＥＡ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑｉ标准差（ＴＳＤ）ＴＳＤ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑ（ｉ－ｕｘ）２㊀㊀注：其中ｉ，ｊ是像元在图像中的行列坐标，ｐ（ｉ，ｊ）为像素对的频数，Ｎｇ为灰度级数，ｕｘ㊁σｘ分别为ｐｘ的均值和标准差，ｕｙ㊁σｙ分别为ｐｙ的均值和标准差㊂２．５㊀试验样本选取本实验通过实地调查获取样本数据㊂调查者沿着研究区的主要道路记录了绿化树种，并排除了数量较少或被其他冠层遮挡的树种，最终确定了７类树种（白兰（Ｍｉｃｈｅｌｉａ✕ａｌｂａ）㊁荔枝（Ｌｉｔｃｈｉｃｈｉｎｅｎｓｉｓ）㊁芒果（Ｍａｎｇｉｆｅｒａｉｎｄｉｃａ）㊁南洋楹（Ｆａｌｃａｔａｒｉａｆａｌｃａ⁃ｔａ）㊁榕树（Ｆｉｃｕｓｍｉｃｒｏｃａｒｐａ）㊁棕榈（Ｔｒａｃｈｙｃａｒｐｕｓｆｏｒ⁃ｔｕｎｅｉ）㊁樟（Ｃｉｎｎａｍｏｍｕｍｃａｍｐｈｏｒａ））以及草地㊁灌木作为研究对象㊂根据遥感影像中不同地物类型的分布位置与大致面积比例，共选取了１１００个样本点㊂为了避免较小的样本数量影响模型分类精度，将最小样本数量设置为６０㊂采用Ｓｃｉｋｉｔ－ｌｅａｒｎ中内置的ｔｒａｉｎ＿ｔｅｓｔ＿ｓｐｌｉｔ函数进行分层抽样，按７：３的比例将数据划分为训练集和测试集（见表４），使各类别样本点数量大致与该类别的总面积成比例㊂训练集用于构建分类模型，测试集用于验证分类精度㊂表４㊀训练和验证样本地物总样本数训练样本数测试样本数白兰２００１４０６０草地５０３５１５灌木５０３５１５荔枝１４０９８４２芒果２００１４０６０南洋楹１２０８４３６榕树１４０９８４２棕榈６０４２１８樟１２０８４３６总计１１００７７０３３０２．６㊀分类模型与参数优化２．６．１㊀随机森林算法随机森林算法（ＲＦ）是一种通过集成学习的装袋思想将多棵决策树集合起来的算法，每棵决策树都充当预测目标类别的分类器㊂随机森林模型在样本数据和分类特征选择方面具有随机性，不容易过拟合，并且表现出良好的稳健性，即使在处理具有缺失值的高维数据时，仍能保持较高的分类精度㊂因此，它被认为是当今最好的算法之一［３２］㊂目前，随机森林算法已经广泛集成在各种软件包中，使用Ｓｔａｔａ数据管理统计绘图软件㊁Ｒ语言统计软件可以轻松实现㊂在模型构造的过程中，通常只需要确定每个树节点包含的特征数量（Ｍ）以及决策树数量（Ｎ），就足以保证模型的性能［３３］㊂本文采取递归特征消除法（ＲＦＥ）［３４］结合交叉验证（Ｃｒｏｓｓ－Ｖａｌｉｄａｔｉｏｎ）确定最佳特征数（见图４）㊂随着特征维数的增加，整体分类精度曲线经历 几何增长 ㊁ 缓慢上升 这个两个阶段后趋于平稳㊂当特征数为２０时，各分类精度曲线均处于相对最高点，因此最终将特征数量的参数设置为２０㊂在使用装袋方法生成训练集的过程中，随机森林算法会导致原始数据集中大约３７％的数据未被抽到，这部分数据被称为袋外（ＯＯＢ）数据㊂利用袋外数据对随机森林模型进行评估是一种无偏估计方法，且在一定程度上能减少计算量，提高算法的运行效率［３５］㊂因此，本文采取遍历不同数量（１ １０００）决策树的方法，通过比较袋外误差的大小，确定最佳的决策树数量（见图５）㊂当决策树数量小于８５时，不同子集的袋外数据误差均随着决策树数量的增加而急剧下降，而后随着决策树数量的增加袋外数据误差的下降速度逐渐迟缓，当决策树数量为２００时，袋外数据误差处于相对最低点㊂因此，选择决策树２５㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷的最佳数量为２００㊂图４㊀模型分类精度与特征数的关系曲线图５㊀袋外误差与决策树数量的关系曲线２．６．２㊀其他分类模型为充分探索随机森林算法对城市树种信息提取的适用性，引入当下流行的机器学习算法作为对照，包括极致梯度提升（ＸＧＢｏｏｓｔ）㊁轻量级梯度提升机（ＬｉｇｈｔＧＢＭ）以及ｋ最近邻算法（ＫＮＮ）㊂ＸＧＢｏｏｓｔ是一种基于增强学习（Ｂｏｏｓｔｉｎｇ）的集成算法，它通过在梯度下降方向上将弱分类器集成到强分类器中，并迭代生成新树以拟合先前树的残差㊂ＸＧＢｏｏｓｔ能够自动利用中央处理器（ＣＰＵ）的多线程进行分布式学习和多核计算，在保证分类准确度的前提下提高计算效率，尤其适用于处理大规模数据［３６－３７］㊂ＬｉｇｈｔＧＢＭ也属于增强学习方法，基本原理与ＸＧ⁃Ｂｏｏｓｔ相似㊂但ＬｉｇｈｔＧＢＭ使用基于直方图的决策树算法来减少存储与计算成本，并优化模型训练速度［３８］㊂ＫＮＮ算法是一种近似自变量与连续结果之间的关系的非参数方法［３９］，其基本思路是通过计算待分类样本与临近样本的距离（欧氏距离㊁曼哈顿距离）来确定所属类别，是一种简单而有效的分类算法㊂为了防止过拟合，本研究在ＪｕｐｙｔｅｒＮｏｔｅｂｏｏｋ平台上利用Ｓｃｉｋｉｔ－ｌｅａｒｎ库中的ＧｒｉｄＳｅａｒｃｈＣＶ包对这３种分类器参数进行了调优（见表５）㊂表５㊀不同分类器的超参数分类器参㊀数参数取值范围极致梯度提升（ＸＧＢｏｏｓｔ）决策树数量［５０，１００，１５０，２００］最大树深度［３，５，７，９］学习率［０．０１，０．０５，０．１０］样本抽样率［０．６，０．８，１．０］特征抽样率［０．６，０．８，１．０］轻量级梯度提升机（ＬｉｇｈｔＧＢＭ）学习率［０．０１，０．０５，０．１０］决策树数量［５０，１００，１５０，２００］叶子节点数［１０，２０，３０，４０］最大树深度［３，５，７，９］ｋ最近邻算法（ＫＮＮ）近邻数［１，２，３，４，５，６，７，８，９，１０］２．７㊀试验方案构建不同树种之间单一特征的差异有限，难以满足树种分类的要求㊂因此，本研究采取增加特征数量的方式来提高分类精度，并探究不同特征组合对分类结果的影响（见表６）㊂表６㊀研究区各地物特征值地物特征不同地物的特征值草地灌木白兰荔枝芒果南洋楹榕树棕榈樟面积６８５９．６７３６３６．７３２９２８．７９７１９４．０５７２００．１０８６８８．４８３４５７．７５２２６３．１３７３２５．０１不对称性０．５５０．４３０．４４０．４３０．４５０．４２０．４８０．５６０．４５边界指数１．７４１．４６２．０１１．９７１．９９１．８４２．０６２．１９１．７９边界长５７８．７０３４０．２０４３１．９５６５０．４１６６９．２９６７０．７３４８８．１６４０８．６３６０１．００亮度值８３．１０７８．７９１１５．６９７４．０９７７．２０８１．１５７１．６３９６．８７６３．８３植被颜色指数－２９．１４－３３．１７－４７．７８－２１．１５－１８．８９－２１．６２－２９．９６－１７．７４－２０．１８联合指数２１４．１１１６．２５２０．１９１１．７４１０．７５１１．６０１５．２７９．２５１１．８２紧致度１．８５１．６３１．８７１．９１１．８６１．８０２．００２．３６１．８５密度２．０３２．１０２．０４２．１０２．１０２．１６１．９７１．８２２．０９超绿指数７６．６０８７．７７１１７．８１５９．６２５３．９３５９．８２８０．８３４８．３１５８．５２超绿超红差分指数－２１５．５６－２０４．０６－３０４．３３－１９４．８８－２０４．０７－１９９．５４－１６８．３２－２７３．２４－１５５．９７椭圆拟合０．６８０．７５０．６３０．６７０．６７０．７１０．５９０．５００．６８角二阶矩０００００００００对比度５５６．７７７８６．２４８７７．５５５９７．２９６１４．１２７７０．７７７１４．２５７６５．５１５１４．１１相关性０．８７０．８２０．８２０．８８０．８８０．８４０．８５０．８６０．９０相异性１７．１３１９．０５２１．６６１８．１２１８．６８２０．２８１９．７２１９．６２１６．６４熵８．７９８．６６８．９０９．１４９．１８９．１９８．９４８．６９９．０７同质度０．０６０．０６０．０５０．０５０．０５０．０５０．０５０．０５０．０６均值１２７．０３１２６．０７１２５．６７１２６．８１１２６．６８１２６．７３１２６．２３１２５．９７１２６．８８３５第３期㊀㊀㊀㊀㊀㊀㊀陈逊龙，等：应用无人机可见光影像和面向对象的随机森林模型对城市树种分类续（表６）地物特征不同地物的特征值草地灌木白兰荔枝芒果南洋楹榕树棕榈樟标准差３４．１７３４．６５３６．２３３６．４０３６．２３３５．７６３６．４０３７．６６３６．３２长度１４３．４５９１．１０８５．９６１３６．３３１３６．９０１４４．３８１００．０３８９．６２１３８．３１长宽比１．８１１．７４１．５２１．５５１．５５１．５１１．６２１．７８１．６１主方向１１３．６１１３０．６３９５．３２９６．５２９４．５６９４．５５９１．４８８３．５６８１．４５最大差异值１．６４１．６９１．５３１．４７１．３６１．２０１．５０１．３４１．４６蓝色（Ｂ）波段像元亮度的均值８４．４７６６．８０９４．６２７４．２０７９．０８８１．７２６３．６４１０５．５３６４．３８绿色（Ｇ）波段像元亮度的均值１３６．２２１３３．７５１８９．３６１１６．２８１１６．９０１２０．４０１１８．７９１４１．２９１０１．７２红色（Ｒ）波段像元亮度的均值１１１．３８１１２．９２１６６．２８９８．７４１００．７９９９．２６９３．１１１２８．７５８０．５５归一化数字表面模型０．３２１．７０１２．５１７．１６１２．０４２３．２０１０．９６１１．９３８．６７归一化绿蓝差异指数０．２１０．２７０．２７０．２００．１７０．１８０．２６０．１３０．２１归一化红绿差异指数０．１００．０９０．０７０．０８０．０７０．１００．１３０．０５０．１２像素个数６８５９．６７３６３６．７３２９２８．７９７１９４．０５７２００．１０８６８８．４８３４５７．７５２２６３．１３７３２５．０１最大封闭椭圆半径０．５８０．７２０．４９０．５６０．５４０．６１０．４５０．３８０．５９最小封闭椭圆半径１．４５１．３９１．４４１．４９１．４５１．４３１．５１１．６３１．４５矩形拟合０．８２０．８６０．８００．８２０．８２０．８３０．７８０．７４０．８２圆度０．８６０．６７０．９５０．９３０．９２０．８２１．０６１．２５０．８６形状指数１．８４１．５５２．０９２．０４２．０６１．９０２．１６２．３２１．８６可见光波段差异植被指数０．１７０．２００．１９０．１５０．１３０．１４０．２１０．０９０．１７植被指数１．３６１．４３１．３８１．３０１．２６１．３０１．４６１．１８１．３７体积６８５９．６７３６３６．７３２９２８．７９７１９４．０５７２００．１０８６８８．４８３４５７．７５２２６３．１３７３２５．０１宽度８０．７８５２．７５５８．０３９０．８１９０．４９９７．８８６２．９６５１．４６８８．９４㊀㊀根据优选特征贡献率（见表７），将所选取的５大特征组合形成了１０种试验方案（Ｓ１ Ｓ１０）㊂光谱特征作为每幅遥感影像的基本特征，作为基础被纳入到这１０种方案的构建中㊂其中，Ｓ１仅包含光谱特征；为了全面探究其他特征对分类结果的影响，在Ｓ１基础上引入了地形㊁指数㊁纹理等３个总体特征贡献率较高的特征，通过遍历这３个特征的各种组合得到了Ｓ２ Ｓ８；Ｓ９包含了所有的特征；根据２０个优选特征组合建立Ｓ１０，具体的分类方案见表８㊂表７㊀优选特征重要性优选特征重要性／％归一化数字表面模型１４．９６最大差异值１２．４１联合指数２５．５７植被颜色指数５．４２绿色（Ｇ）波段像元亮度的均值４．８４归一化绿蓝差异指数４．６７超绿指数４．５８亮度值４．３６可见光波段差异植被指数３．４２植被指数３．２６红色（Ｒ）波段像元亮度的均值３．０５角二阶矩２．９０蓝色（Ｂ）波段像元亮度的均值２．８６超绿超红差分指数２．７８标准差２．２５归一化红绿差异指数２．２３熵２．０３相关性１．９７均值１．４１边界指数１．２８表８㊀分类方案方案特征子集特征数量Ｓ１光谱５Ｓ２光谱＋地形６Ｓ３光谱＋指数１３Ｓ４光谱＋纹理１３Ｓ５光谱＋地形＋指数１４Ｓ６光谱＋地形＋纹理１４Ｓ７光谱＋指数＋纹理２１Ｓ８光谱＋地形＋指数＋纹理２２Ｓ９光谱＋地形＋指数＋纹理＋几何４０Ｓ１０优选特征２０２．８㊀精度评价本文根据混淆矩阵对模型的分类精度进行定量评价㊂混淆矩阵也称为误差矩阵，是遥感影像二分类问题上的一种评价方法，反映了分类结果与真实地物类别之间的相关性［４０］㊂混淆矩阵的评价指标包括总体精度（ＯＡ）㊁Ｋａｐｐａ系数（Ｋｐ）㊁生产者精度（ＰＡ）以及用户精度（ＵＡ）㊂其中，总体精度指正确分类样本与总体样本的比值；生产者精度指分类结果与参考分类相符合的程度；用户精度指样本分类正确的可能性；Ｋａｐｐａ系数是用于检验遥感影像分类结果的一致性，也可以用以均衡分类效果［４１］㊂各指标计算公式如下：㊀㊀㊀㊀㊀ＯＡ＝ðｎｉ＝１ｘｉｉＮ；㊀㊀㊀㊀㊀Ｋｐ＝Ｎðｎｉ＝１ｘｉｉ－ðｎｉ＝１ｘｉ＋ｘ＋ｉＮ２－ðｎｉ＝１ｘｉ＋ｘ＋ｉ；４５㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷㊀㊀㊀㊀㊀ＰＡ＝ｘｉｉ／ｘ＋ｉ；㊀㊀㊀㊀㊀ＵＡ＝ｘｉｉ／ｘｉ＋㊂式中：Ｎ为参与评价的样本总数；ｎ为混淆矩阵的行列数；ｘｉｉ为混淆矩阵第ｉ行㊁第ｉ列上的样本数；ｘｉ＋和ｘ＋ｉ分别为第ｉ行和第ｉ列的样本总数㊂３㊀结果与分析３．１㊀随机森林算法的不同分类方案精度由表９可知，随着不同特征类型数量的增加，总体分类精度和ｋａｐｐａ系数整体呈上升趋势㊂其中，仅利用光谱特征作为分类依据的方案Ｓ１精度最低，总体精度和ｋａｐｐａ系数分别为８２．１２％和０．７９，说明光谱特征是遥感影像最重要的特征之一，但仅利用光谱特征难以达到所需的分类精度㊂方案Ｓ２ Ｓ４是在Ｓ１的基础上分别加上地形㊁指数和纹理特征，相比方案Ｓ１，这３个方案的总体分类精度分别提高了５．１５％㊁４．５５％㊁１．８２％，ｋａｐｐａ系数分别提高了０．０６㊁０．０６㊁０．０３㊂在分类过程中，地形特征相较于指数和纹理特征扮演着更重要的角色，大幅提高了分类精度㊂方案Ｓ５ Ｓ７是在光谱特征的基础上加入地形㊁指数和纹理特征的两两组合，旨在研究它们之间的相互作用对分类精度的影响㊂整体而言，与Ｓ２ Ｓ４相比，这３个方案的总体分类精度呈上升趋势㊂其中，Ｓ６具有最高的总体精度和ｋａｐｐａ系数，分别达到９０％和０．８８；其次是Ｓ７，和Ｓ１相比，总体精度和ｋａｐｐａ系数分别提高了７．２７％和０．０９；而Ｓ５总体精度和ｋａｐｐａ系数只增长了６．３６％和０．０８㊂表明地形与指数特征交互作用在分类过程中提供了更大的贡献度㊂方案Ｓ８是由特征重要性靠前的光谱㊁地形㊁指数以及纹理特征构成㊂与包含所有特征的方案Ｓ９相比，Ｓ８反而具有更高的总体分类精度和ｋａｐｐａ系数，分别达到９２．１２％和０．９１㊂表明几何特征对分类精度具有负向影响，它的加入降低了分类精度㊂方案Ｓ１０由优选特征组成，其获得了所有子集中最高的分类精度和ｋａｐｐａ系数，分别为９２．４２％和０．９１㊂与Ｓ９相比，分类精度提高了０．６０％㊂说明特征优选方法能消除高维复杂特征间的信息冗余，使模型仅利用较少特征数量并获得更高的运行效率和分类精度㊂表９㊀不同分类方案分类精度方案总体精度／％Ｋａｐｐａ系数方案总体精度／％Ｋａｐｐａ系数Ｓ１８２．１２０．７９Ｓ６９０．０００．８８Ｓ２８７．２７０．８５Ｓ７８９．３９０．８８Ｓ３８６．６７０．８５Ｓ８９２．１２０．９１Ｓ４８３．９４０．８２Ｓ９９１．８２０．９１Ｓ５８８．４８０．８７Ｓ１０９２．４２０．９１㊀㊀由表１０可知，虽然Ｓ１方案的用户精度与生产者精度整体上处于最低水平，但棕榈树的用户精度达到了１００％，表明棕榈与其他树种存在明显的光谱差异㊂方案Ｓ２加入地形指数后，各类地物的用户精度与生产者精度相比Ｓ１都有不同程度的提高，用户精度提升幅度１．８８％ ８．１８％，生产者精度提升幅度２．７８％ １１．１１％，因为地形特征的加入更好的反映了不同地物之间的空间关系，从而大幅提高了分类精度㊂方案Ｓ３在Ｓ１的基础上加入了指数特征，荔枝㊁榕树以及樟的用户精度分别提升了１０．９５％㊁９．１８％和８．７２％，说明植被指数对荔枝㊁榕树以及樟分类效果显著，但对于其他树种的区分能力有限㊂方案Ｓ４加入纹理特征，芒果和樟的用户精度提升了８．８５％和９．００％，而棕榈和榕树的生产者精度分别提升了２２．２２％和１１．９％，说明这些树种的纹理结构特异性强与其他地物的差异显著，因此纹理特征的加入对分类精度有正向影响㊂方案Ｓ５与Ｓ２相比，荔枝和榕树的用户精度提升了７．０５％和５．１２％，而草地的精度下降了５．８８％；与Ｓ３相比，灌木的用户精度提升了４．４７％㊂总体而言，地形特征与指数特征的组合对分类精度的提升不显著，并且在某些树种的分类上精度出现不同程度的下降，说明这二者的组合产生了冗余信息影响了分类精度㊂方案Ｓ６与Ｓ２相比，芒果与樟的用户精度分别提升了６．４４％和７．６６％，而棕榈树和榕树的生产者精度分别提升了２７．７８％和１１．９０％，这个结果与方案Ｓ４类似，说明地形特征和纹理特征的组合与树种的分类精度呈正相关㊂方案Ｓ７与Ｓ６相比，除个别树种外，整体精度出现了不同程度的降低，波动范围为－６．２１％ ４．０４％㊂然而，与方案Ｓ５相比，总体分类精度有一定的提升，波动范围是－０．５８％ ７．５５％㊂方案Ｓ８与表现最好的方案Ｓ７相比，荔枝和榕树的总体分类精度分别提升了９．４２％和６．６７％，其他树种的总体分类精度保持稳定，这表明高维度的特征组合带来了更多的信息，在一定程度上提高了分类精度㊂综合所有特征的方案Ｓ９与Ｓ８相比，总体分类精度呈现出不升反降的现象，波动范围为－１０．２３％ ４．７４％，说明高纬度的特征产生了冗余信息，影响了随机森林模型的分类性能㊂优选特征子集Ｓ１０与Ｓ９相比，总体分类精度有所提升，其中灌木㊁草地以及荔枝的用户精度分别提升了１０．２３％㊁５．８８％和３．５５％㊂由此可见，特征优选通过对高维数据集的降维和优化，使模型仅利用较少的特征仍能保证良好的分类效果㊂３．２㊀应用优选特征子集对不同分类模型的精度评价由表１１可知，随机森林模型的分类精度最高，总体精度为９２．４２％，比ｋ最近邻算法（ＫＮＮ）㊁极致５５第３期㊀㊀㊀㊀㊀㊀㊀陈逊龙，等：应用无人机可见光影像和面向对象的随机森林模型对城市树种分类。
基于无人机的遥感图像的地表覆盖类型分类
基于无人机的遥感图像的地表覆盖类型分类无人机技术在现代的应用非常广泛，其中包括遥感技术。
遥感技术是利用遥感传感器采集地球表面信息的一种手段，其间接性和综合性是其他传统调查手段不可比拟的。
地表覆盖类型分类是遥感技术在实际应用中最广泛的一个领域，无人机遥感图像也成为地表覆盖类型分类的新兴技术。
地表覆盖类型分类是指将地球表面不同的特征分类成为若干种不同的类型。
这些类型通常包括草地、耕地、林地、城市、水面等等。
由于不同的地表类型具有不同的反射特性，因此可以利用遥感技术进行遥感图像分类。
遥感图像分类可以为土地利用规划、环境监测、自然资源调查等提供重要信息。
传统的遥感图像分类方法主要有像元分类方法、像元邻域分析方法和对象识别方法。
像元分类方法基于像元图像值分布特征进行分类，又可分为有监督分类和无监督分类。
像元邻域分析方法是基于像元邻域的分割与分类来进行地表覆盖类型分类。
对象识别方法则是利用相邻像元之间的关联性，将相邻像元组成完整的图像对象，进而进行分类。
无人机遥感图像分类具有许多优势。
一方面，无人机遥感图像的高分辨率是它的优势之一。
相比于传统的遥感图像，无人机遥感图像可以提供更加细致和清晰的图片，从而保证更加精确地的分类结果。
另一方面，无人机遥感图像的实时性和动态性也非常突出。
传统的遥感图像通常需要较长时间处理和拍摄，而无人机遥感图像则具有瞬间获取和实时传输的能力，大大降低了时间和成本成本。
无人机遥感图像的分类方法也有很多。
一种方法是基于特征提取和机器学习的方法。
特征提取通常包括光谱信息和纹理信息等方面。
机器学习方法可以利用现有数据来训练模型，从而实现自动分类。
常用的机器学习算法包括支持向量机、决策树、神经网络等等。
另一种方法是基于深度学习的方法。
深度学习是一种基于大量数据和深度神经网络的机器学习方法，其可以更加精确地分类。
总的来说，无人机遥感图像作为一种新型遥感技术，具有许多优势和重要的应用前景，尤其是在地表覆盖类型分类方面。
第三次国土调查中面向对象的自动分类技术运用分析
第三次国土调查中面向对象的自动分类技术运用分析第三次国土调查是国家对自然资源、土地利用状况等方面进行全面调查的一次重要活动。
而在这次国土调查中，面向对象的自动分类技术是一项非常重要的技术，它可以大大提高调查的效率和精度。
本文将就第三次国土调查中面向对象的自动分类技术运用进行分析。
一、面向对象的自动分类技术概述面向对象的自动分类技术是指利用计算机技术对数字影像进行自动分类划分的技术。
它通过识别数字影像中的不同对象，将其分成不同的类别，从而实现对地物的自动分类。
传统的影像分类技术主要是基于像元的分类方法，即将影像中的每个像元都进行分类判断，而面向对象的自动分类技术则是基于影像中的对象来进行分类划分，从而能够更好地反映地物的实际情况。
面向对象的自动分类技术主要包括以下几个步骤：首先是影像预处理，对数字影像进行去噪、增强等处理；然后是对象识别，通过目标检测和分割的方法对数字影像中的不同对象进行识别；接着是特征提取，对识别出的对象进行特征提取，获取其形状、颜色、纹理等特征信息；最后是分类划分，利用机器学习和模式识别等方法对对象进行分类划分。
在第三次国土调查中，面向对象的自动分类技术得到了广泛的应用。
首先是在土地利用状况的调查中，利用面向对象的自动分类技术可以对数字影像中的不同土地利用类型进行自动分类，比如农田、林地、水域等，从而可以更精确地获取土地利用状况的信息，为土地规划和管理提供依据。
其次是在自然资源调查中，面向对象的自动分类技术可以对数字影像中的森林、草地、湖泊等自然资源进行自动分类，从而可以更好地了解自然资源的分布和数量情况，为资源保护和合理利用提供支持。
在城市规划和土地利用规划中，面向对象的自动分类技术也可以对城市建设用地、居民区、工业区等进行自动分类，为城市规划和土地利用规划提供科学依据。
1. 提高调查效率。
利用面向对象的自动分类技术可以对数字影像中的地物进行自动分类，大大提高了调查的效率。
传统的影像分类需要人工逐像元进行判断，耗时耗力，而面向对象的自动分类技术可以实现自动分类，节省了大量的人力和时间。
无人机图像分类与地物识别研究
无人机图像分类与地物识别研究无人机（Unmanned Aerial Vehicle，UAV）技术已经在很多领域得到了广泛的应用，其中就包括了遥感。
通过搭载各种成像传感器，像加装热成像仪、多光谱相机等，无人机可以从空中进行高分辨率、高灵敏度的数据采集等，应用于农业、自然资源调查、城市规划、环境监测等领域。
其中，无人机图像的分类与地物识别研究显得尤为重要。
无人机通过搭载高清相机，可以实现图像的高分辨率采集，得到一张尽可能精细的图像。
这张图像通常是由许多象素构成的，其中每个象素都对应一定的空间位置和颜色信息。
通过分析图像中每个象素所包含的颜色和亮度等信息，我们可以将他们进行分类，知道它们所代表的地物类型。
地物识别研究是地物分类的高级应用，它可以为我们提供更加全面的地物信息。
通过无人机对拍摄出来的图像进行地物识别，我们可以更准确地判断地物类型，获得更多有价值的数据。
同时，凭借着无人机在空间视野的特点，地物识别的数据可以提供我们更广阔的分析空间。
无人机图像分类和地物识别方面的研究，不仅需要用到计算机视觉、图像处理技术，同时还需要涉及深度学习等前沿技术。
通过构建分类模型和识别模型，对图像信息进行快速、自动分类和地物识别，可以提高大规模地物信息的获取和加工效率。
对于图像分类方面的研究，目前广泛采用CNN（Convolutional Neural Network）等神经网络进行处理。
在无人机图像这类数据中，我们通常会遇到一些情况，例如：数据量较大、类别数目较多、背景复杂。
这些都会导致现有模型在实际应用时出现准确度不足的情况。
如何对现有模型进行优化，进一步提高分类准确度，是当前无人机图像分类方面的研究热点之一。
而对于地物识别研究方面，相比图像分类，需要考虑的问题更多。
在现实应用中，我们往往面临光照、遮挡、复杂背景等复合环境下的数据处理。
如何针对这些情况进行数据处理、模型设计，提高地物识别准确度，提升模型的鲁棒性，也是我们需要重点关注和探究的问题。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Geomatics Science and Technology 测绘科学技术, 2018, 6(3), 165-173Published Online July 2018 in Hans. /journal/gsthttps:///10.12677/gst.2018.63018UAV Ortho-Images ClassificationBased on ObjectXuelian Song1, Xirui Ruan1, Wei Zhang2, Wen Zhang1,3, Leilei Ding1, Xia Lei1, Caiyun Xie1, Wei Chen1, Zhiwei Wang1*1Institute of Prataculture, Guizhou Academy of Agricultural Sciences, Guiyang Guizhou2Guizhou Survey & Design Research Institute for Water Resources and Hydropower, Guiyang Guizhou3Guizhou Sunshine Grass Technology Co., Ltd., Guiyang GuizhouReceived: Jun. 13th, 2018; accepted: Jun. 28th, 2018; published: Jul. 5th, 2018AbstractUnmanned aerial vehicle can obtain high-resolution images quickly and accurately, which had become one of the most important means of remote sensing data acquisition. In this paper, ob-ject-oriented method of eCognition software is used to UAV ortho-images classification. ENVI OneButton was used to generate UAV orthographic mosaic image. We selected the appropriate multi-resolution segmentation parameters for image segmentation and optimal object feature combination using optimization function of eCognition software. Finally, the nearest neighbor method is used for classification. The results showed that the overall accuracy of the classification was 83%, and the Kappa reached 0.8. The objected-oriented classification method of eCognition software can obtain more accurate coverage information of ground objects. combined with UAV technology and objected-oriented classification method, the surface information can be acquired accurately by full use of the spectral ,shape, texture and other spatial information.KeywordsUav Image, Object Oriented, eCognition, Feature Selection, Classification基于面向对象的无人机正射影像地物分类宋雪莲1，阮玺睿1，张威2，张文1,3，丁磊磊1，雷霞1，谢彩云1，陈伟1，王志伟1*1贵州省农业科学院草业研究所，贵州贵阳2贵州省水利水电勘测设计研究院，贵州贵阳3贵州阳光草业科技有限责任公司，贵州贵阳*通讯作者。
宋雪莲 等收稿日期：2018年6月13日；录用日期：2018年6月28日；发布日期：2018年7月5日摘要无人机航拍能够快速准确获取地表的高分辨率影像，已经成为遥感数据获取的重要手段之一。
采用eCognition 软件面向对象分类方法，对无人机影像进行地物分类研究。
通过ENVI OneButton 生成无人机正射镶嵌影像，选择合适的分割参数对实验区影像进行多尺度分割，找出最优的分割尺度。
利用eCognition 特征优化功能选择最优对象特征组合，进行最近邻分类。
结果表明，分类的总体精度达到83%，Kappa 达到0.8，采用eCognition 面向对象的分类方法能够较为准确地得到地物覆盖信息。
利用无人机技术和eCognition 面向对象分类方法，可充分利用影像的光谱信息和形状、纹理等空间信息，能够实现地物信息的快速、准确提取。
关键词无人机影像，面向对象，eCognition ，特征选择，分类Copyright © 2018 by authors and Hans Publishers Inc.This work is licensed under the Creative Commons Attribution International License (CC BY). /licenses/by/4.0/1. 引言无人机航拍相对于传统航拍具有机动灵活、环境适应性强、作业成本低的优势，能快速准确获取飞行困难地区的高分辨率影像，已经成为航空摄影测量的重要手段之一[1] [2] [3]。
无人机影像不仅能克服传统遥感手段在多云雾地区难以获取数据的缺陷，其获取的高分辨率数据具有更加明显的地物几何特征和纹理特征，包含更丰富的空间信息，从而能够更加容易地获取地物类别属性信息[4]。
传统的基于像素的分类方法主要利用遥感影像丰富的光谱特征，且地物间的光谱差异非常明显。
而普通无人机提供的高分辨率影像通常只包含较少的波段，光谱信息单一。
因此，如果利用传统的基于像素的分类方法进行无人机影像的分类将会造成空间数据的大量冗余，分类精度低。
Baatz M 等提出面向对象的高分辨率遥感影像分类方法[5]。
面向对象的分类方法能够充分应用无人机高分辨率影像的空间信息，已经在无人机影像地物分类中取得了较为准确的结果。
如何少林等利用面向对象的方法对无人机影像进行了土地利用信息的提取研究[6]。
董梅等结合无人机遥感影像和面向对象方法较为准确地提取了烟草的种植面积[7]。
许燕等对无人机影像分类的结果表明，面向对象分类方法的总体精度在80%以上，明显高于最大似然分类[8]。
eCognition 软件采用基于目标信息的遥感信息提取方法，它集合了面向对象的分割方法以及大量的分类规则，适用于高分辨率遥感影像的解译。
目前已有学者采用eCognition 面向对象方法进行遥感影像分类的研究，并取得了较好的结果[9] [10] [11]。
无人机影像包含丰富的空间信息，应用eCognition 面向对象方法进行无人机影像分类能够快速、准确的获取地物信息。
因此，本文利用eCognition 面向对象的分类方法对无人机影像进行地物分类。
2 研究区域与数据2.1. 研究区域及无人机影像获取以具有代表性的贵州省贵阳市某城乡结合部作为实验区，采用Phantom 4 DJI 无人机对实验区进行拍宋雪莲等摄，影像获取的时间为2017年12月，拍摄高度为100m，选用的数据大小为6000×5000像元。
无人机影像包含红、绿、蓝三波段。
实验区域包含菜地、裸地、道路、房屋、水体、废弃建材用地、灌丛、树木等。
2.2. 无人机正射镶嵌影像生成利用ENVI OneButton生成无人机正射镶嵌影像。
ENVI OneButton是ENVI新增的无人机图像处理工具，利用先进的摄影测量和计算机视觉算法，采用空三加密和区域网平差技术快速得到高精度、具备标准地理参考、无缝镶嵌的正射影像。
ENVI OneButton对影像的正射处理主要包含影像匹配、空三计算、正射影像生产和镶嵌匀色等步骤。
生成的无人机正射影像无明显拼接痕迹(图1)，颜色色调平衡，影像边界无明显畸变，可用于地物分类。
3. 面向对象的地物分类eCognition软件的提取对象是基于影像分割后的多边形，综合影像空间和波谱信息，对影像进行分类。
进行面向对象分类的核心流程包含是对象分割和分类。
eCognition在对象分割后，选择参加分类的对象特征，并按照对象在特征空间中的距离及相应的分类规则进行分类。
3.1. 影像分割3.1.1. 多尺度分割对象分割是分类的基础，分类的精度很大程度上取决于分割的效果。
eCognition中的多尺度分割是用的最多、最有效、速度最慢的一种分割方式。
多尺度分割通过合并相邻的像素或小的分割对象，在符合对象异质性标准前提下，进行区域合并，实现影像分割[12]。
多尺度分割的参数设置决定着对象间的差异，也影响着对象的数量和面积的差异。
多尺度分割是一个合并与判断算法是否终止的反复过程，并不对原始影像提取与知识相关的任何信息。
在多尺度分割过程中，光谱、紧致度、平滑度等作为度量是否同质或者异质的标准。
分割时，将具有相同或者相近的特征性质的像素组合成一个对象。
不同的对象间的像素则具有明显的特征差异。
在已分割的对象层基础上，Figure 1. Orthographic image of experimental area图1.实验区正射镶嵌影像宋雪莲等通过比较相邻对象间的异质标准，当其小于定义的尺度参数则继续合并为同一个对象。
多尺度分割的三个主要参数分别为尺度参数、颜色参数和形状参数。
颜色参数和形状参数用来表示对象的同质性，两者的权重之和为1。
形状参数由光滑度和紧致度来表示，二者的权重之和为1。
同一幅影像在不同的分割参数设置下生成的影像对象及其包含的特征不同，分割产生的对象将直接影像分类的精度和效率。
因此在分类前，要选取合适的尺度参数，才能在分类时充分利用对象特征。
最优分割应保证对象内部同质性最大，不同对象间的异质性尽可能大。
3.1.2. 最适分割参数确定分别设置不同的尺度参数、形状参数和紧凑度参数，通过对比分割对象来确定最适应的分割参数。