0 引言

地震具有突发性、破坏性强、防御难度大等特点，给社会造成巨大的经济损失和人员伤亡（吴俣等，2013）。我国地震灾害频发，防灾减灾救灾压力较大。近年来的地震救灾经验表明，震后及时准确地获取地震灾情信息，开展应急响应，能够有效减轻地震灾害带来的损失（薛腾飞等，2016）。因此，震后快速获取灾情信息，制定合理救援策略成为减轻灾害的有效方法，而利用无人机机动灵活、分辨率高、航摄周期短的优势（黄海峰等，2017），能够快速获取震区相关影像，并能依托大小无人机分别完成广域及特定位置区域的精准识别，为震后应急指挥决策提供科学依据。

遥感图像已成为救灾人员的“眼睛”，在震后救灾中发挥着越来越重要的作用（张雪华等，2019）。近年来，无人机遥感技术已分别在2013年芦山地震、2014年盈江地震、2015年尼泊尔地震中得到实际应用，对震后灾情评估起到一定作用。文中就无人机影像的快速拼接及精准分类进行分析，并将无人机影像用于灾害预评估，以不同方法验证其有效性。

文中以平顶山平煤矿区附近区域为实验区，使用多旋翼型大疆经纬M200无人机，搭载禅思X5S云台，通过单兵设备实现拍摄影像的实时回传。为后期做好图像分类及可视化处理，飞行前需设定航线、航向和旁向重叠度、速度，并按照航测要求设置高度；利用Photoscan及Pix4d软件，对源图像做预处理及拼接，生成包含坐标信息的正射影像，并在ArcGIS中进行分类，研究适合地震灾害的分类及可视化显示方法，并完成分类质量评价。

1 实验背景

鉴于平煤矿区附近存在发生非天然地震的可能，进一步了解该区建筑物、生命线工程等信息，便于相关数据对应急救灾辅助决策的补充，从而对当地灾害预评估及震后灾情评估起到一定作用。本文主要针对矿区附近地物种类信息，尤其是居民地和道路信息展开调研，利用无人机遥感影像，借助图像处理软件及可视化工具，完成对实验区地物的分类处理，并使用分类评价指标验证分类方法的有效性，得到较适用于地震应急救灾的遥感影像处理方法。

1.1 实验区概况

实验区位于平顶山市矿区附近，使用无人机飞行2次，第一次飞行覆盖范围主要为矿区，第二次飞行覆盖范围涉及矿区附近地物较为丰富区域。无人机飞行设定参数为：高度100 m，航向重叠率67%、旁向重叠率51%，地面像素分辨率0.03 m，航摄面积0.2 km²，相机镜头均垂直于航线方向。第一次、第二次无人机飞行航线分别见图 1、图 2。

1.2 实验过程

为深入了解实验区附近地物种类分布情况，分类提取目标区域地物影像，得到辅助决策报告所需基础信息，设定以下工作步骤：选定平顶山市某矿区附近，使用DJI GS Pro软件规划航线，设定参数，于2020年4月，使用无人机自动拍摄，获取近百张原始遥感影像；为了直观观察实验区地物情况，将整幅遥感影像进行可视化显示，使用2款图像处理软件，完成遥感影像的拼接处理，并对比处理效果，选定适用本课题研究的处理软件；选用3种分类方法进行拼接影像的分类提取，并在ArcGIS平台上进行可视化显示，除主观观察外，利用分类评价指标进行客观判断，从而实现该区域遥感影像的分类评价及可视化分析，以确保目标区域地物影像分类的准确提取，更好地将影像信息应用于地震应急救灾工作。

2 无人机正射影像处理软件对比

由于飞行姿态不稳定及装载相机非专业量测型等因素，无人机遥感航片质量一般不如传统航测，例如：航片数量多、影像畸变大、航片角较大、重叠度不规则等（张顺等，2019），因此对无人机影像处理软件提出了较高要求。使用Photoscan及Pix4d两种目前主流的无人机正射影像处理软件，在相同的数据条件下，分析2种软件特点，为选择正射影像软件提供借鉴，并以该实验数据为基础，分析影像效果更佳软件。

2.1 处理流程对比

Photoscan操作步骤相对复杂，包括：对齐照片、建立密集点云、生成网格等7个步骤，每步均需设置参数。Pix4d较为简单，共3个步骤，且初始即可设置，处理速度比Photoscan快。Pix4d的空三测量能力有一定优势，且自动生成的精度报告内容更为详细，而Photoscan并非适用于正射影像制作的专业软件，对连接点的精度要求更高，处理过程中需要少量人工干预，匹配及处理效率较低。Pix4d缺点体现在三维模型构建上，DTM滤波方式及DOM拼接均色方式较单一，而Photoscan在纹理添加及三维建模方面更具优势。

2.2 影像拼接效果对比

在第一次航线规划下，自动生成影像33张。使用Photoscan软件，在一个界面内，按照添加照片、对齐照片、创建密集点云、创建TIN模型、生成正射影像的步骤进行影像拼接，且每步均需设置参数，影像生成见图 3。对于相同的33张原始影像，使用Pix4d软件，按照导入照片、设定参数、一键全自动处理（包括空三加密、正射影像生成）的步骤生成影像，见图 4。

观察发现，图 3中拼接影像有错位、部分区域丢失现象，见图中画圈处，图 4中影像拼接效果更佳，且Pix4d软件处理速度更快。分析认为，规划航线中的航向、旁向重叠率较低，Photoscan软件对参数设置要求较高，当设置为中等质量时，效果不佳；高等质量时，处理时间过长，不符合本课题研究的实际需求。因此，进行遥感影像分类处理及可视化工作时，均采用经Pix4d软件实现的拼接图像，并选用地物较为丰富的原始影像。

3 遥感影像分类提取

针对拼接实现的影像，提取目标区域，采用不同分类方法进行地物分类，分析遥感影像分类提取方法的有效性。根据是否已知训练样本的类别，将遥感图像按照非监督和监督进行分类，其中非监督分类是在训练样本未知情况下，按照像素本身空间分布和特性来划分类别，属于边学习边分类的方法；监督分类是已知训练样本，按照训练样本的相关特征提取确定分类函数，从而将像元区分开来，分别划分到不同类别中。

3.1 非监督分类

非监督分类能区分不同类别，却不能自动确定类别属性，分类结束后可通过肉眼观察进行判定。较常用的非监督分类方法有K-means（模糊K均值算法）和ISODATA（迭代自组数据分析算法），2种方法优于其他分类方式（陆晓果等，2018）。

本研究使用ISODATA算法进行非监督分类。该算法由Ball等（1965）提出，将所有样本调整完毕后计算各类样本均值，与K-means算法不同，可自动进行类别分裂与合并，从而取得合理分类效果。在进行分类前，对影像做特征提取，以提高图像信噪比，降低冗余，在一定程度上减少噪声干扰，提高分类精度。在ArcGIS软件平台上，采用PCA（主成分分析）算法进行特征提取，并使用ISODATA方法完成分类。原始影像及实现结果图像见图 5、图 6。

3.2 监督分类

监督分类是先确定训练样本，后利用分类器对训练样本进行学习，获取图像上各训练样本的分类特征，最终按照决策准则进行分类（何家乐，2019）。本研究均采用面向对象的监督分类方法。与一般基于像素的分类方法不同，该方法首先需结合应用光谱、空间、纹理信息，将图像分割成同质区域，然后以图像对象作为分类基本单元，分类特征更为丰富，以此实现对无人机遥感图像的深入挖掘。

面向对象的遥感影像分类框架见图 7，可知：数据层进行图像分割处理，确定图斑对象，其包含光谱、形状、纹理等丰富空间信息（张晓羽等，2016）；特征层构建图斑对象特征，该特征构建直接影响分类器的分类效果；目标层实现图斑对象到目标的认知。

文章旨在图像分类，图像分割算法不再赘述，重点阐述图像特征的分类方法，并在ArcGIS平台进行对比分析，实现可视化处理。

3.2.1 最大似然分类法

此为根据概率理论建立的一种分类方法（许军强等，2019），步骤如下：按照统计方法建立各类判别函数集，计算每个测试样本的统计概率，并将样本归入统计概率大的类。

设数据x，给定类别k，则似然度L_k被定义为x出现时，x归于该类别k的条件概率P(k|x)，公式如下最大似然分类法

$ {L_k} = P\left({k|x} \right) = \frac{{P\left(k \right) \times P\left({x|k} \right)}}{{P\left(x \right)}} $

(1)

式中，L_k为判别函数；P(x|k)为总体概率密度函数；P(k)为类别k的先验概率；P(x)为x与类别无关条件下出现的概率。

对于同一类别及相同的训练样本，式（1）为常量，则公式可简化为

$ {L_k} = P\left({k|x} \right) = P\left(k \right) \times P\left({x|k} \right) $

(2)

式中要计算x与类别k的似然度，需给出总体概率密度函数P(x|k)。对于未知类别X，若属于类别A、B的概率分别为P_a、P_b，且P_a＞P_b，则该类别X属于类别A。本研究中最大似然法分类结果图像见图 8。

3.2.2 支持向量机

支持向量机是一类按照监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面（张合兵等，2020）。平行超平面间的距离或差距越大，分类器的总误差越小。

采用支持向量机分类器完成分类，步骤如下：①选择训练样本，构造块阵波段图像A_i（如共有c类，i =1，2，...，c）；②利用旋转正交三角分解方法，得到水平、垂直方向近似波段块阵图像B_i和C_i；③利用波段信息的差异判别模型，求出最优投影波段信息差异变换矩阵W_MB-QRcp=[w₁, w₂, …, w_k]；④利用变换矩阵W_MB-QRcp提取遥感图像的低维光谱特征；⑤在径向基核函数K(x, y)=exp{-|x-y|²/σ²}下完成分类，得到分类结果（图 9）。

4 分类评价方法研究

对分类结果进行精度评价才能验证分类是否准确，同时可根据结果对分类过程进行适当调整，使分类结果更准确。为了客观评价分类质量，判别分类提取的居民地、道路等地物面积准确性，以便更好地补充灾情评估系统中矿区附近地物的基础数据，完善震后辅助决策信息，采用类内分类精度、总体分类精度和kappa系数3种分类评价指标予以验证。客观评价是作为主观分析的补充，文章中通过主观观察，可发现所采用的ISODATA算法、最大似然法和支持向量机3种分类方法均能实现拼接影像的分类处理，其中非监督分类效果较差，存在漏分、错分现象。

4.1 评价指标

（1）类内分类精度，公式如下

$ {\rm{WC}}{{\rm{A}}_i}{\rm{ = }}\frac{{{K_i}}}{{{M_i}}} \times 100\% $

(3)

式中，K_i表示第i类正确分类的样本数，M_i表示第i类样本总数。

（2）总体分类精度，公式如下

$ {\rm{TCA}} = \frac{{\sum\limits_{i = 1}^c {{K_i}} }}{K} \times 100\% $

(4)

式中，K_i表示第i类正确分类的样本数，c表示类的个数，K表示测试数据样本总数。

（3）kappa系数，公式如下

$ {\rm{kappa}} = \frac{{N\sum\limits_{i = 1}^c {{x_{i, i}}} - \sum\limits_{i = 1}^c {{x_i}_ + {x_{ + i}}} }}{{{N^2} - \sum\limits_{i = 1}^c {{x_{i + }}{x_{ + i}}} }} $

(5)

式中，x_i, _i表示混淆矩阵中主对角线上第i行的值，x_i+表示混淆矩阵中第i行所有数值的和，x_+i表示混淆矩阵中第i列所有数值的和，N为样本数，c表示类的个数。

4.2 评价结果

使用同一组非训练样本数据，分别采用以上3种分类方法对获取的遥感影像进行分类，根据分类结果，采用混淆矩阵进行质量评价。混淆矩阵是通过将每个实测像元的位置与分类图像中的相应位置比较计算得到的，混淆矩阵的每一列代表实际测得的信息，列中数值为实际测得像元对应于相应类别的数量；每一行代表遥感数据的分类信息，其数值为分类像元在实测像元相应类别中的数量。评价步骤如下：①分别求取分类结果图像和正确分类图像的混淆矩阵。混淆矩阵是在ArcGIS软件平台中，利用软件自带工具对分类结果和实测值进行栅格图像转面要素处理，可从面要素属性表中看到所有分类像元面积，利用分析工具中的相交属性，计算求得面要素的几何交集，并导出结果，结合excel中的数据透视表获得混淆矩阵；②将混淆矩阵的值分别代入公式（3）—（5），求得3种影像分类结果的类内精度、总体精度及kappa系数指标评价精度，具体分类精度见表 1。

由表 1可知：①非监督分类效果较差，总体分类精度低于85%，监督分类方法精度均高于85%，分类精度较高；②kappa系数（0＜kappa＜1）越大，分类效果越好，3种分类方法中支持向量机方法的分类精度最高；③部分地物种类提取精度相对较差，尤其在交通用地、居民地类中存在错分现象。

采集图像均为正射影像，拼接后图像分辨率接近2 cm，交通用地、部分居民地光谱特征较为相似，在进行特征提取时容易混淆。针对个别地物分类的错分情形，可在影像分类后选择对照影像进行目视解译，完成局部修改。此处可以参照总体分类精度最高的支持向量机分类结果，利用ArcGIS软件，通过目视解译，对错分漏分区域进行改正。

通过计算支持向量机分类方法所获结果影像中各种类像元数在总像元中的占比，可分别求得各分类区域面积，补充灾情评估系统中矿区附近居民地、道路等地物数据，从而提高产出的灾情评估报告质量。同时，灾害预评估工作中涉及房屋类型、面积、层高等数据，本课题拍摄的矿区附近影像可作为判别房屋类型的辅助数据，相应面积也可用于该区域预评估工作，而且可为研究区域的震后辅助决策提供地物分布的相关基础数据。

5 结论

选取矿区附近作为研究区域，为获取该区域准确的地物分布及基础数据，利用无人机完成正射影像拍摄，使用2款软件实现图像的拼接处理，并对比分析软件优劣。在对区域内居民地、道路等地物类型分类提取中，选取非监督分类中的ISODATA分类法和监督分类中的最大似然法、支持向量机分类法来探讨分类效果。而且，为了客观评价分类质量，利用3种分类评价指标予以验证。通过分析，得出以下结论。

（1）使用Photoscan及Pix4d软件进行图像拼接，对于重叠度较低的正射影像而言，Pix4d软件的速度和质量均优于Photoscan软件，但如需进行三维模型构建，Photoscan软件更具优势。下一步将针对倾斜及正射影像结合的三维构建进行研究。

（2）为区分实验区域内地物种类，实现居民地、道路的分类提取，从而准确计算该地物种类的面积，用以补充灾情评估系统中矿区附近的基础数据，对此本研究提出3种分类方法，分别从处理速度、分类效果方面进行对比。为确保分类的准确性，利用3种分类评价指标予以验。从总体分类精度来看，支持向量机方法最优，但由于个别种类的物体影像特征相似度较高，存在漏分错分现象，需通过目视解译完成修改。从图像处理速度来看，由于非监督分类方法不需要提前确定训练样本，所以处理速度最快。

在灾害预评估与震后灾害调查工作中，居民地分布区域、面积、房屋类型尤为重要，选择越合适的无人机遥感影像的拼接、分类方法，得到的当地相关地物种类的面积越精确。遥感影像地物分类数据可用以补充平煤矿区附近应急救灾辅助决策信息，若有破坏性地震发生，可为震后灾情评估提供一定的数据支撑。