凯发·k8

应用案例——基于无人机多光谱影像的枯死树自动识别与提取

松材线虫病，又称松树萎蔫病，是由松材线虫引起的具有毁灭性的森林病害，已被我国列入对内、对外的森林植物检疫对象。自1982年传入我国，扩散与蔓延较为迅速，全国已有多省(市、区)发生，导致大量松树枯死，对我国的松林资源、自然景观和生态环境造成严重破坏，造成了严重的经济和生态损失。

为保护我国松林资源安全，需要各部门扎实做好关于松材线虫病疫情防控工作。目标是通过遥感技术手段来调查与监测松科植物是否出现枯死、松针变色等异常情况，一旦确认，应立即进行定点清除。同时，需要详细调查疫情发生地点、发生面积、病死松科植物数量以及传入途径和方式等情况，对病死寄主树种进行精准定位，绘制疫情分布示意图和疫情小班详图。

一． 数据源

一． 技术路线

首先基于无人机摄影测量处理软件UASMaster先对无人机航测数据进行数据处理得到研究区的真正射影像成果数据，主要流程如下所示：

图1 UASMaster真正射影像创建

其次，利用eCognition软件中的面向对象影像分析技术（OBIA）和深度学习技术来对真正射影像进行数据处理与目标识别：

基于阈值法进行影像分类

阈值法分类基本流程为：①利用影像分割预览工具进行分割尺度参数的预测，确定阈值范围以及识别分类出健康植被类型；②通过蓝光波段的波谱特征、明亮度特征、面积特征、长宽比特征等因子提取出枯树类型和树顶已经发黄的树木；③统计与确定目标物的数目与位置。在这个过程中，对生长状态健康的植被、丛林道路和水域这3类均进行了地物分类，取得了较好成果，满足行业发展的需求与标准。相关影像分析技术流程如下:

图 2 eCognition地物阈值分类方法的基本应用流程

 基于深度学习样本法进行影像分类

利用深度学习样本应用方法进行分类的基本流程为：

图 3  eCognition深度学习分类方法基本应用流程

一． 基于无人机航空摄影测量处理软件UASMaster真正射影像创建

利用UASMaster软件对无人机航测获取的多波段数据进行了数据处理，生成的真正射影像成果：①具备红、绿、蓝三波段的真正射影像；②近红外波段的真正射影像；③红边波段真正射影像。

图4  影像匹配的连接点

真正射影像成果如下图所示。

图5 真彩色真正射影像

图6 红边波段真正射影像

图7 近红外波段真正射影像

一． 基于eCognition软件枯死树识别与提取

4.1基于多光谱影像的枯死树识别与提取

主要利用的是eCognition软件中的面向对象影像分析（OBIA）技术。

（1）将多光谱影像进行多尺度分割算法。

图8 多尺度分割算法

（2）通过指数计算算法（Index Layer Calculation），运用红光波段、绿光波段和近红外波段创建归一化差异植被指数（NDVI）和水体指数（NDWI）。

（3）基于NDVI指数分类出生长状态健康植被，在影像中的表现是NDVI值大于0。根据影像背景值为0将影像进行分类。“健康植被”、“影像背景”的分类效果如下所示：

图9“健康植被”&“背景”分类效果

（4）基于NDWI指数，识别“水体”类型。

图10 “水体”提取效果

（5）基于NDWI指数，识别“道路”类型。

图11 分类算法参数设置面板

图12“道路”提取效果

（6）提取枯死树。基于影像对象层级进行影像的二次分割，分割尺度设置为30，为实现单株树木提取创建基础。

图13多尺度分割参数设置

图14 多尺度分割效果

（7）复制影像对象层级到“goallevel”。目的是保存“枯树”&“发黄树顶”前分类的所有地物。首先，基于蓝光波段提取目标物，进行合并。利用长宽比特征因子、道路外边框特征因子和红边特征因子来对目标物的分类结果进行优化。最终枯死树的优化结果如下所示：

图15“枯树”最终分类效果

(8)将“枯树”先进行合并，再基于红边波段进行多尺度分割，设置形状因子为0.5，分割效果如下：

图16多尺度分割算法参数设置

图17红边分割效果

(9)将“枯树”和“发黄树顶”的影像分类结果转换为矢量对象。输出成果如下：

图18 eCognition软件界面分类效果展示

图19“松材线虫病”疫情整体分布图

图20 枯死树空间位置属性表

4.2基于深度学习方法的枯死树自动识别与提取

4.2.1创建样本

（1）基于矢量缓冲算法为目标物矢量样本创建缓冲区

图21 矢量缓冲区算法

图22  样本点缓冲区效果

利用生成样本算法（generate labeled sample patches）将“枯树”和“发黄树顶”进行样本创建，结果如下

图23 生成枯死松树样本

图24 生成非枯死松树样本

4.2.2深度学习（CNN）模型创建与应用

（1）创建CNN模型（create convolutional neural network）

图25 创建模型算法参数设置

（2）打乱样本顺序（shuffle labeled sample patches）

图26打乱样本算法参数设置

（3）训练模型（train convolutional neural network）

图27 训练模型算法参数设置

（4）保存模型（save convolutional neural network）

图28 保存模型算法参数设置

（5）应用模型（apply convolutional neural network）

图29 应用模型算法参数设置面板

图30  应用模型算法参数设置

4.2.3地物特征分类

（1）基于多尺度分割算法先分割出个地物特征的边界，为热度图中的样本类型（即要提取的枯死树特征）设置类条件描述，基于分类算法（classification）进行分类。基于热度图层的初次分类结果如下：

图31 类条件描述参数设置

图32 基于热度图层分类结果

（2）基于最大差分特征和蓝光波段特征进行分类。最终的分类结果如下所示：

图33“枯树”优化分类结果

（3）将“枯树”和“发黄树顶”的分类结果转换为点，导出属性表和“枯树疫情分布图”。

图34 枯树疫情分布图

图35所提取的枯死树的空间位置属性表