高光譜影像包含豐富的光譜信息，能夠準(zhǔn)確地描述地物的光譜特征，但在地物分類應(yīng)用中通常會(huì)存在同物異譜和同譜異物現(xiàn)象。機(jī)載激光雷達(dá)（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(diǎn)云，由于缺乏光譜/紋理信息，在地物分類方面表現(xiàn)出最大的不足。因此，融合機(jī)載?Li?DAR?點(diǎn)云的三維空間信息和高光譜影像的紋理信息，即可發(fā)揮各自優(yōu)勢(shì)、取長補(bǔ)短，提升地物分類的精度和可信度。?本文在已有研究基礎(chǔ)上從機(jī)載?Li?DAR數(shù)據(jù)和高光譜影像數(shù)據(jù)提取不同特征，設(shè)計(jì)了不同特征組合的融合數(shù)據(jù)集，采用效率?更?高?、?實(shí)?現(xiàn)?簡(jiǎn)?單?的?隨?機(jī)?森?林?算?法（random??forest?，RF）?進(jìn)行地物分類研究，并進(jìn)行精度評(píng)價(jià)與對(duì)比，以提高分類精度，為土地資源利用監(jiān)測(cè)、管理提供據(jù)支持。

1數(shù)據(jù)源

機(jī)載?Li?DAR?和高光譜影像數(shù)據(jù)覆蓋區(qū)域位于廣西靈川縣，地形平坦，包括民房、農(nóng)田、林地、裸地等地物類型（圖1）。其中機(jī)載?Li?DAR?數(shù)據(jù)采集于?2020?年11?月?6?日，由?無人機(jī)?Li?DAR系統(tǒng)獲取，飛行高度約?120??m，平均點(diǎn)密度?38?點(diǎn)/m2，包含?xyz?坐標(biāo)信息、強(qiáng)度信息及多次回波信息。高光譜數(shù)據(jù)采用高光譜成像儀于?2020?年?12?月?25日獲取，當(dāng)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(gè)光譜波段。

圖?1?實(shí)驗(yàn)區(qū)地理位置

?

2研究方法?

分別從機(jī)載?Li?DAR?點(diǎn)云數(shù)據(jù)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(shè)計(jì)了?5?種不同特征組合的影像，然后應(yīng)用隨機(jī)森林分類器對(duì)不同特征組合的影像進(jìn)行土地利用分類，并比較其精度。技術(shù)路線如圖?2。

?

圖?2?技術(shù)路線圖?

2.1 ?Li?DAR?點(diǎn)云特征提取?

首先采用三角網(wǎng)濾波方法進(jìn)行點(diǎn)云濾波?，?然?后?采?用?不?規(guī)?則?三?角?網(wǎng)?方?法（Triangulated??Irregular??Network，TIN）對(duì)濾波后的地面點(diǎn)和非地面點(diǎn)進(jìn)行插值，生成格網(wǎng)分辨率為?0.25m?的數(shù)字高程模型（digital??elevation??model，DEM）和數(shù)字表面模型（digital??surface??model，DSM），將插值生成的?DEM?和?DSM?進(jìn)行差值運(yùn)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(shù)多，在分類過程中，會(huì)導(dǎo)致數(shù)據(jù)冗余、效率變低、影響分類精度，因此首先要對(duì)高光譜影像數(shù)據(jù)進(jìn)行降維處理。主成分分析法（principal??component?analysis，PCA）是目前應(yīng)用最廣泛的降維方法，在?ENVI5.3?中對(duì)高光譜數(shù)據(jù)進(jìn)行降維處理，選取前?5?個(gè)主成分波段特征。利用紅邊波段可以增強(qiáng)不同地物間的區(qū)分度，本文根據(jù)所用高光譜影像的光譜特點(diǎn)，定義了?3?種紅邊植被指數(shù)，組成紅邊特征集（后文以?RE?表示）。歸一化植被指數(shù)（normalized??difference?vegetation?index，NDVI）對(duì)綠色植被比較敏感，也是遙感影像分類中常用的植被指數(shù)。各植被指數(shù)計(jì)算公式如表?1?所示。

表?1?植被指數(shù)?

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(zhì)度、非相似性、對(duì)比度、相關(guān)性、熵和角二階矩作為影像的紋理特征，對(duì)經(jīng)?PCA?變換后的影像進(jìn)行?GLCM?計(jì)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(zhǔn)影像，選取?n?DSM?和高光譜影像上明顯的同名地物點(diǎn)作為配準(zhǔn)基元進(jìn)行配準(zhǔn)。??為探究不同特征組合的分類效果，本文根據(jù)提取的不同特征，設(shè)計(jì)了?5個(gè)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(jī)森林是一種機(jī)器學(xué)習(xí)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(shù)設(shè)置少、穩(wěn)定性好、訓(xùn)練樣本速度快、分類精度高等特點(diǎn)。本文根據(jù)實(shí)地調(diào)查數(shù)據(jù)和通過?Google?earth?高分辨率影像目視解譯完成訓(xùn)練樣本和驗(yàn)證樣本的選擇，使用?RF分類器，對(duì)構(gòu)建的不同特征組合進(jìn)行地物分類。在隨機(jī)森林算法中，決策樹的數(shù)量（ntree）和為隨機(jī)特征的數(shù)量（mtry）是兩個(gè)關(guān)鍵參數(shù)，本文通過反復(fù)優(yōu)化，將ntree?設(shè)置為?100，mtry?設(shè)為特征數(shù)量的平方根。

2.4?精度評(píng)價(jià)??

采?用?Kappa?系?數(shù)?和?總?體?分?類?精?度（Overall??Classification?Accuracy，OA）對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)。并計(jì)算每種地物類別的用戶精度和生產(chǎn)者精度，以便更好地評(píng)價(jià)不同實(shí)驗(yàn)組合的分類結(jié)果。

3 結(jié)果與分析?不同特征組合的分類結(jié)果如圖?3?所示。可以看出，在融合影像僅具有光譜特征時(shí)（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(shù)和紋理特征后（組合?3），植被和裸地的區(qū)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(diǎn)云數(shù)據(jù)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(qū)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(nóng)作物和裸地的區(qū)分也更明顯。

圖?3?不同特征組合分類結(jié)果?

表?3?分類結(jié)果精度統(tǒng)計(jì)

注：PA?為生產(chǎn)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(shù)分別為?77.73%和0.69?；組合?5?的分類精度最高，?OA?和Kappa?系數(shù)分別為?85.96%、0.81，說明高光譜影像融合植被指數(shù)、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(diǎn)云數(shù)據(jù)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(shù)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(shù)據(jù)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(dá)到?95%以上，說明紅邊光譜特征與從?Li?DAR?數(shù)據(jù)提取的?n?DSM?融合后對(duì)高植被的分類效果更好。?

歡迎關(guān)注公眾號(hào)：萊森光學(xué)，了解更多光譜知識(shí)。

萊森光學(xué)（深圳）有限公司是一家提供光機(jī)電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應(yīng)用系統(tǒng)的研發(fā)、生產(chǎn)和銷售。