0引  言

高光譜影像包含豐富的光譜信息，能夠準確地描述地物的光譜特征，但在地物分類應用中通常會存在同物異譜和同譜異物現象。機載激光雷達（Light  Detection and  Ranging，Li DAR）可以直接獲取地物高精度、高密度的三維空間信息，通常為離散點云，由于缺乏光譜/紋理信息，在地物分類方面表現出最大的不足。因此，融合機載 Li DAR 點云的三維空間信息和高光譜影像的紋理信息，即可發揮各自優勢、取長補短，提升地物分類的精度和可信度。 本文在已有研究基礎上從機載 Li DAR數據和高光譜影像數據提取不同特征，設計了不同特征組合的融合數據集，采用效率 更 高 、 實 現 簡 單 的 隨 機 森 林 算 法（random  forest ，RF） 進行地物分類研究，并進行精度評價與對比，以提高分類精度，為土地資源利用監測、管理提供據支持。

1數據源

機載 Li DAR 和高光譜影像數據覆蓋區域位于廣西靈川縣，地形平坦，包括民房、農田、林地、裸地等地物類型（圖1）。其中機載 Li DAR 數據采集于 2020 年11 月 6 日，由 無人機 Li DAR系統獲取，飛行高度約 120  m，平均點密度 38 點/m²，包含 xyz 坐標信息、強度信息及多次回波信息。高光譜數據采用高光譜成像儀于 2020 年 12 月 25日獲取，當日天氣晴好，飛行高度為 130 m ，空間分辨率為 0.12  m ；波長范圍為400-1000 nm，包含 270 個光譜波段。

圖 1 實驗區地理位置

2研究方法 

分別從機載 Li DAR 點云數據和高光譜影像中提取地物的高度特征、光譜特征、紅邊特征及紋理特征，并設計了 5 種不同特征組合的影像，然后應用隨機森林分類器對不同特征組合的影像進行土地利用分類，并比較其精度。技術路線如圖 2。

圖 2 技術路線圖 

2.1  Li DAR 點云特征提取 

首先采用三角網濾波方法進行點云濾波 ， 然 后 采 用 不 規 則 三 角 網 方 法（Triangulated  Irregular  Network，TIN）對濾波后的地面點和非地面點進行插值，生成格網分辨率為 0.25m 的數字高程模型（digital  elevation  model，DEM）和數字表面模型（digital  surface  model，DSM），將插值生成的 DEM 和 DSM 進行差值運算，得到 n DSM。

2.2 高光譜影像特征提取 

高光譜影像包含豐富的地物光譜信息，波段數多，在分類過程中，會導致數據冗余、效率變低、影響分類精度，因此首先要對高光譜影像數據進行降維處理。主成分分析法（principal  component analysis，PCA）是目前應用最廣泛的降維方法，在 ENVI5.3 中對高光譜數據進行降維處理，選取前 5 個主成分波段特征。利用紅邊波段可以增強不同地物間的區分度，本文根據所用高光譜影像的光譜特點，定義了 3 種紅邊植被指數，組成紅邊特征集（后文以 RE 表示）。歸一化植被指數（normalized  difference vegetation index，NDVI）對綠色植被比較敏感，也是遙感影像分類中常用的植被指數。各植被指數計算公式如表 1 所示。

表 1 植被指數 

注：NIR 為近紅外波段；R 為紅波段；RE1 為紅邊 710 波段；RE2 為紅邊 750 波段 

紋理特征信息能夠有效提升分類精度，本文采用灰度共生矩陣（gray-level co-occurrence  matrix，GLCM）方法提取影像的紋理特征，并選取了同質度、非相似性、對比度、相關性、熵和角二階矩作為影像的紋理特征，對經 PCA 變換后的影像進行 GLCM 計算得到紋理特征。

2.3 分類方法  

首先使用 ENVI5.3 軟件，以高光譜影像為基準影像，選取 n DSM 和高光譜影像上明顯的同名地物點作為配準基元進行配準。  為探究不同特征組合的分類效果，本文根據提取的不同特征，設計了 5個特征組合的融合影像，如表 2 所示。

表 2 不同特征波段組合

隨機森林是一種機器學習算法，它將多棵決策樹集成在一起組成“森林”是目前遙感影像分類常用的方法，具有參數設置少、穩定性好、訓練樣本速度快、分類精度高等特點。本文根據實地調查數據和通過 Google earth 高分辨率影像目視解譯完成訓練樣本和驗證樣本的選擇，使用 RF分類器，對構建的不同特征組合進行地物分類。在隨機森林算法中，決策樹的數量（ntree）和為隨機特征的數量（mtry）是兩個關鍵參數，本文通過反復優化，將ntree 設置為 100，mtry 設為特征數量的平方根。

2.4 精度評價  

采 用 Kappa 系 數 和 總 體 分 類 精 度（Overall  Classification Accuracy，OA）對分類結果進行精度評價。并計算每種地物類別的用戶精度和生產者精度，以便更好地評價不同實驗組合的分類結果。

3 結果與分析 

不同特征組合的分類結果如圖 3 所示。可以看出，在融合影像僅具有光譜特征時（組合 1），部分建筑物明顯被誤分為了道路和裸地。在加入植被指數和紋理特征后（組合 3），植被和裸地的區分更明顯，建筑物誤分為道路的情況也有所改善，但仍有部分裸地被分為了建筑物；加入 Li DAR 點云數據提取的 n DSM 后，融合影像（組合 4）具有了高度特征，建筑物和道路邊緣區分更清晰，建筑物和裸地的誤分情況相較于組合 3 也有極大改善，林地、農作物和裸地的區分也更明顯。

圖 3 不同特征組合分類結果 

表 3 分類結果精度統計

注：PA 為生產者精度；UA 為用戶精度 

從表 3 可以看出，組合 1 的分類精度最低，OA 和 Kappa 系數分別為 77.73%和0.69 ；組合 5 的分類精度最高， OA 和Kappa 系數分別為 85.96%、0.81，說明高光譜影像融合植被指數、紋理特征和高度特征后，分類精度得到有效提升。特別在添加了 Li DAR 點云數據提取的 n DSM 的高度特征后，分類精度提升最多，相較于未添加高度特征（組合 3）OA 和 Kappa 系數分別提升了 5.33%和 0.07，說明融合高程信息可以極大提高高光譜數據的分類精度；組合 4 的總體分類精度雖略低于組合5，但組合 4 中林地的分類精度卻更高，PA和 UA 均達到 95%以上，說明紅邊光譜特征與從 Li DAR 數據提取的 n DSM 融合后對高植被的分類效果更好。 

推薦：  

便攜式地物光譜儀iSpecField-NIR/WNIR

專門用于野外遙感測量、土壤環境、礦物地質勘探等領域的最新明星產品，由于其操作靈活、便攜方便、光譜測試速度快、光譜數據準確是一款真正意義上便攜式地物光譜儀。

無人機機載高光譜成像系統 iSpecHyper-VM100

一款基于小型多旋翼無人機機載高光譜成像系統，該系統由高光譜成像相機、穩定云臺、機載控制與數據采集模塊、機載供電模塊等部分組成。無人機機載高光譜成像系統采用了獨有內置掃描系統和增穩系統，成功克服了小型無人機系統搭載推掃式高光譜相機時，由于無人機系統的震動造成的成像質量差的問題，同時具有高光譜分辨率和優異的成像性能。

便攜式高光譜成像系統 iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫學醫療、精準農業、礦物地質勘探等領域的最新產品，主要優勢具有體積小、幀率高、高光譜分辨率高、高像質等性價比特點采用了透射光柵內推掃原理高光譜成像，系統集成高性能數據采集與分析處理系統，高速USB3.0接口傳輸，全靶面高成像質量光學設計，物鏡接口為標準C-Mount，可根據用戶需求更換物鏡。