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。