本发明公开了基于轻小型无人机的森林火灾林木受损程度提取方法，包括面向对象影像分割与最优尺度选取；地物特征分析；多尺度分割分类层次参数设置；面向对象地物特征信息提取与分类；最后建立不同层次和不同地物的地物分类规则，将各分割层提取的地物类型结果同步到同一分割层上，得到森林火灾林木受损类型专题结果。本发明的有益效果是实现了森林火灾发生后受害林木区域的高精度分类。
1.基于轻小型无人机图像的森林火灾受损信息提取方法，其特征在于按照以下步骤进行：
步骤4、面向对象地物特征信息提取与分类；包括面向对象地物特征信息提取与分类、第二层信息水体LEVEL2提取、第三层信息烧毁植被区域LEVEL3提取、第四层信息烧死植被区域LEVEL4提取、第五层信息烧伤植被区域LEVEL5提取；
步骤5、建立不同层次和不同地物的地物分类规则，将各分割层提取的地物类型结果同步到同一分割层上，得到森林火灾林木受损类型专题结果。
2.按照权利要求1所述基于轻小型无人机图像的森林火灾受损信息提取方法，其特征在于：所述面向对象影像分割与最优尺度选取是综合现有的ESP算法及局部方差LV表示分割结果内的标准差，确定最适合研究数据的分割尺度ROC：式中为LVL目标对象层次的平均标准差，为LVL-1目标层下层L-1层对象层对应的平均标准差，利用典型的数学形态学先开后闭组合算法，采用的结构元素为3×3方形矩阵，对无人机影像进行处理，消除部分无用信息，对影像对象进行分割。
3.按照权利要求1所述基于轻小型无人机图像的森林火灾受损信息提取方法，其特征在于：所述光谱特征是对无人机森林火灾灾后影像内烧毁植被区域、烧死植被区域、烧伤植被区域、未伤植被区域、裸地、水泥表面及水体的R红、G绿、B蓝波段光谱特征进行分析，每一类地物分别采集30以上不等的样本区，统计分析了各地类的光谱均值和亮度均值，并生成各类地物的波普曲线关系图；所述几何特征、纹理特征及色彩亮值是根据分割对象的形状特征特征描述，以灰度共生矩阵法的均值、方差、标准差、同质性、对比度、非相似、熵、角二阶矩、相关性特征分析，借助色度、亮度、饱和度作为各地物颜色差异分类的依据。
4.按照权利要求1所述基于轻小型无人机图像的森林火灾受损信息提取方法，其特征在于：所述多尺度分割分类层次参数设置是通过影像分割实验，借助ESP评价工具，获取LV-ROC折线图，读取波峰点尺度参数、形状因子、紧致度因子，对原影像不同层次地物分割，建立不同地物多尺度分割分类层次表。
5.按照权利要求4所述基于轻小型无人机图像的森林火灾受损信息提取方法，其特征在于：所述波峰点为452尺度参数，形状因子为0.4、紧致度因子为0.6。
6.按照权利要求1所述基于轻小型无人机图像的森林火灾受损信息提取方法，其特征在于：所述面向对象地物特征信息提取与分类是面向对象多尺度分割后，根据不同地类选取特征信息及构建自定义特征，无人机遥感可见光植被指数采用便于阈值确定的过绿指数EXG、可见光波段差异植被指数VDVI，公式为：EXG＝2×ρgreen-ρred-ρblue
式中ρgreen，ρred，ρblue分别表示R、G、B三波段像元平均值；
为了区分颜色差异较大地物，在提取未伤植被区域、烧毁植被区域，烧死植被区域及水库，分别借助自定义F和N特征：第一层信息未伤植被LEVEL1提取：未伤植被包含有灌草地、分布不同种类的树种、林窗间隙及树冠边缘阴影，采用三种方法对其进行信息提取，未烧伤植被的第一组分信息提取，第一组分主要包含灌草地，以及亮绿色的树冠区域；第二组分为暗绿色的林草区域；第三组分植为林窗较多分布的植被区域、体现为林窗与植被的混合，通过纹理特征GLCM相关分量及HIS分量作为区分的重要特征，同时结合波段比值、长宽比及波段均值作为辅助特征进行识别；
第二层信息水体LEVEL2提取：对第一层对象分类结果进行合并掩，水体在Band3反射率最高，利用A特征进行初步提取，借助特征F及分量I，依据颜色及亮度差异，将水体与其他地物区分开，并对LEVEL2分割结果进行合并，掩模后的图像继承到LEVEL3层；
第三层信息烧毁植被区域LEVEL3提取：烧毁植被和其他地物数值范围在Band1、Band2、Band3波段没有重叠现象，信息易于区分，且在蓝光波段反射较强，红光波段吸收较强，结合A、C和F特征进行大面积提取，信息提取结果与林缝阴影和烧伤树冠之间被烧区域有一定程度的混淆，林缝间隙阴影多数还有绿色色调，利用G与R、B波段比值及VDVI区分，其余混淆部分结合纹理特征均值及对比度分量区别其他误分地物，进一步合并分割结果，继承到下层；
第四层信息烧死植被区域LEVEL4提取：通过光谱分析可知烧死植被区域在红光波段反射较强，蓝光波段吸收较强，结合A、C和N特征进行大面积提取，烧死植被区域与裸地波谱曲线具有相似性，存在部分误提现象，且裸地部分亮度较高，同质性较强，使用纹理特征同质性分量，去除误提裸地，部分烧死植被区域存在少量零星绿色树冠，结合亮度均值、分量H和特征N，补充漏提部分，合并分割结果并继承至下一层；
第五层信息烧伤植被区域LEVEL5提取：通过前述对象的提取，剩余裸地、水泥表面、浅水池及烧伤植被区域，为避免该层在分割尺度小而造成部分过分割的现象，通过实验先针对分割较佳的裸地、水泥表面及浅水池三种地物进行提取，通过综合分析裸地、水泥表面及浅水池，存在良好的纹理可分性，并结合特征N和A易于区分这三类地物，最后未分类区域定义为烧伤植被区域。
基于轻小型无人机的森林火灾林木受损程度提取方法
技术领域
[0001] 本发明属于图像处理技术领域，涉及基于轻小型无人机的森林火灾林木受损程度提取方法。
背景技术
[0002] 森林火灾过后，形成了不同林火烈度的火烧迹地，即形成不同程度森林火灾受损信息斑块，烧毁木、烧死木、烧伤木和未伤木。森林火灾受损调查是现代林火管理中的一个重要组成部分，是科学评估森林火灾造成直接经济损失的重要基础资料。快速可靠的森林火灾受损信息获取方法对于有效建立森林火灾档案，制定防火扑救应急预案、减少森林火灾发生、科学评估火灾损失及林业司法鉴定、林火保险赔偿、灾后植被恢复等具有重要现实指导意义。传统森林火灾损失调查，需要进行大面积的现场勘测，每木检尺、或样地抽样，其工作量大、效率低、成本高。随着无人机遥感技术的快速发展，轻小型无人机凭借其小巧、空间分辨率高、实时性强、易操作、信息获取精准、经济高效等优势在野外数据获取，特别是对于交通条件差、山地环境复杂、野外工作危险性高的山地森林火灾损失调查具有重要应用潜力。但轻小型无人机多搭载红(R)、绿(G)、蓝(B)三个可见光波段，难以从图像光谱上反映不同火灾受损程度的差异特征，故准确可靠的森林火灾受损信息特征定义及提取方法成为关键的技术难点。传统遥感图像信息提取多基于像元光谱特征，而森林火灾受损林木像元混合特征突出，在实际应用中会产生大量“椒盐”现象，分类精度较低，难以满足森林火灾受损程度信息提取的需求。面向对象分类方法是以相似像素的集合为对象，具有综合对象的纹理特征、空间关系、图像模式特征及光谱特征等优势，且高分辨率无人机图像具有丰富的光谱和纹理信息，且已有学者针对无人机遥感高分辨率影像对火烧迹地进行了初步研究。因此，利用无人机遥感高分辨率影像对森林火灾林木受损信息识别成为可能。通过大量的图像处理实验、野外调查比对，提出了基于轻小型无人机图像自动提取森林火灾受损程度的方法，把过火区域分为烧毁区、烧死区、烧伤区、以及未烧伤区等四种不同森林火灾受损程度类型，提出了对各类信息敏感的图像特征及提取方法。
发明内容
[0003] 本发明的目的在于提供基于轻小型无人机的森林火灾林木受损程度提取方法，本发明的有益效果是实现了森林火灾发生后受害林木区域的高精度分类。利用ESP(Estimation of Scale Parameter)评价工具，可以较为准确快速确定最佳分割尺度，有效缩减了大量分割实验与目视判定的耗费；利用形态学滤波处理影像，以改善影像面向对象的分割效果，有助于提高分类精度；用无人机图像的可见光波段综合指数A、C、F、N及几何特征与纹理指标等遥感指数，刻画图斑受害程度；综合利用了地物特征参量的差异性，通过特征规则的建立，分层分类提取森林火灾不同受损程度林木区。轻小型无人机可见光图像提取森林火场的林木受损区域，能够满足森林火灾灾后灾损的快速调查与损失评估的需求。
[0004] 本发明所采用的技术方案是按照以下步骤进行：
[0005] 步骤1、面向对象影像分割与最优尺度选取；
[0006] 步骤2、地物特征分析；
[0007] 2.1光谱特征；
[0008] 2.2几何特征、纹理特征及色彩亮值；
[0009] 步骤3、多尺度分割分类层次参数设置；
[0010] 步骤4、面向对象地物特征信息提取与分类；包括面向对象地物特征信息提取与分类、第二层信息水体LEVEL2提取、第三层信息烧毁植被区域LEVEL3提取、第四层信息烧死植被区域LEVEL4提取、第五层信息烧伤植被区域LEVEL5提取；
[0011] 步骤5、建立不同层次和不同地物的地物分类规则，将各分割层提取的地物类型结果同步到同一分割层上，得到森林火灾林木受损类型专题结果。
[0012] 进一步，面向对象影像分割与最优尺度选取是综合现有的ESP算法及局部方差LV表示分割结果内的标准差，确定最适合研究数据的分割尺度ROC：
[0013]
[0014] 式中为LVL目标对象层次的平均标准差，为LVL-1目标层下层L-1层对象层对应的平均标准差，利用典型的数学形态学先开后闭组合算法，采用的结构元素为3×3方形矩阵，对无人机影像进行处理，消除部分无用信息，对影像对象进行分割。
[0015] 进一步，光谱特征是对无人机森林火灾灾后影像内烧毁植被区域、烧死植被区域、烧伤植被区域、未伤植被区域、裸地、水泥表面及水体的R红、G绿、B蓝波段光谱特征进行分析，每一类地物分别采集30以上不等的样本区，统计分析了各地类的光谱均值和亮度均值，并生成各类地物的波普曲线关系图；所述几何特征、纹理特征及色彩亮值是根据分割对象的形状特征特征描述，以灰度共生矩阵法的均值、方差、标准差、同质性、对比度、非相似、熵、角二阶矩、相关性特征分析，借助色度、亮度、饱和度作为各地物颜色差异分类的依据。
[0016] 进一步，多尺度分割分类层次参数设置是通过影像分割实验，借助ESP评价工具，获取LV-ROC折线图，读取波峰点尺度参数、形状因子、紧致度因子，对原影像不同层次地物分割，建立不同地物多尺度分割分类层次表。
[0017] 进一步，波峰点为452尺度参数，形状因子为0.4、紧致度因子为0.6。
[0018] 进一步，面向对象地物特征信息提取与分类是面向对象多尺度分割后，根据不同地类选取特征信息及构建自定义特征，无人机遥感可见光植被指数采用便于阈值确定的过绿指数EXG、可见光波段差异植被指数VDVI，公式为：
[0019] EXG＝2×ρgreen-ρred-ρblue
[0020]
[0021] 式中ρgreen，ρred，ρblue分别表示R、G、B三波段像元平均值；
[0022] 构建自定义特征：
[0023] A＝2×ρblue-ρred-ρgreen
[0024] C＝2×ρred-ρgreen-ρblue
[0025] 为了区分颜色差异较大地物，在提取未伤植被区域、烧毁植被区域，烧死植被区域及水库，分别借助自定义F和N特征：
[0026]
[0027]
[0028] 第一层信息未伤植被LEVEL1提取：未伤植被包含有灌草地、分布不同种类的树种、林窗间隙及树冠边缘阴影，采用三种方法对其进行信息提取，未烧伤植被的第一组分信息提取，第一组分主要包含灌草地，以及亮绿色的树冠区域；第二组分为暗绿色的林草区域；第三组分植为林窗较多分布的植被区域、体现为林窗与植被的混合，通过纹理特征GLCM相关分量及HIS分量作为区分的重要特征，同时结合波段比值、长宽比及波段均值作为辅助特征进行识别；
[0029] 第二层信息水体LEVEL2提取：对第一层对象分类结果进行合并掩，水体在Band3反射率最高，利用A特征进行初步提取，借助特征F及分量I，依据颜色及亮度差异，将水体与其他地物区分开，并对LEVEL2分割结果进行合并，掩模后的图像继承到LEVEL3层；
[0030] 第三层信息烧毁植被区域LEVEL3提取：烧毁植被和其他地物数值范围在Band1、Band2、Band3波段没有重叠现象，信息易于区分，且在蓝光波段反射较强，红光波段吸收较强，结合A、C和F特征进行大面积提取，信息提取结果与林缝阴影和烧伤树冠之间被烧区域有一定程度的混淆，林缝间隙阴影多数还有绿色色调，利用G与R、B波段比值及VDVI区分，其余混淆部分结合纹理特征均值及对比度分量区别其他误分地物，进一步合并分割结果，继承到下层；
[0031] 第四层信息烧死植被区域LEVEL4提取：通过光谱分析可知烧死植被区域在红光波段反射较强，蓝光波段吸收较强，结合A、C和N特征进行大面积提取，烧死植被区域与裸地波谱曲线具有相似性，存在部分误提现象，且裸地部分亮度较高，同质性较强，使用纹理特征同质性分量，去除误提裸地，部分烧死植被区域存在少量零星绿色树冠，结合亮度均值、分量H和特征N，补充漏提部分，合并分割结果并继承至下一层；
[0032] 第五层信息烧伤植被区域LEVEL5提取：通过前述对象的提取，剩余裸地、水泥表面、浅水池及烧伤植被区域，为避免该层在分割尺度小而造成部分过分割的现象，通过实验先针对分割较佳的裸地、水泥表面及浅水池三种地物进行提取，通过综合分析裸地、水泥表面及浅水池，存在良好的纹理可分性，并结合特征N和A易于区分这三类地物，最后未分类区域定义为烧伤植被区域。
附图说明
[0033] 图1是原始图像及形态滤波图像下ESP最优分割尺度；
[0034] 图2是各类地物光谱均值和亮度均值响应曲线；
[0035] 图3是森林火灾受损程度类型专题图。
具体实施方式
[0036] 下面结合具体实施方式对本发明进行详细说明。
[0037] 1.面向对象影像分割与最优尺度选取
[0038] 综合现有的ESP(Estimation of Scale Parameter)算法及局部方差LV(Local Variance)表示分割结果内的标准差，确定最适合研究数据的分割尺度ROC(Rate of change)：
[0039]
[0040] 式中为LVL目标对象层次的平均标准差，为LVL-1目标层下层L-1层对象层对应的平均标准差。
[0041] 利用典型的数学形态学先开后闭组合算法，采用的结构元素为3×3方形矩阵，对无人机影像进行处理，消除部分无用信息，便于影像对象的优良分割。原始影像最优分割尺度图1中(a)及形态滤波图像最优分割尺度图1中(b)。
[0042] 2.地物特征分析
[0043] 2.1光谱特征
[0044] 对无人机森林火灾灾后影像内烧毁植被区域、烧死植被区域、烧伤植被区域、未伤植被区域、裸地、水泥表面及水体的R(红)、G(绿)、B(蓝)波段光谱特征进行分析，每一类地物分别采集30以上不等的样本区，统计分析了各地类的光谱均值和亮度均值，如表1，并生成各类地物的波普曲线关系图，如图2所示。
[0045] 表1各类地物光谱均值和亮度均值统计
[0046]
[0047] 2.2几何特征、纹理特征及色彩亮值
[0048] 根据分割对象的Length/Width(长宽比)、Area(面积)及紧致度等形状特征描述。以灰度共生矩阵法(GLCM)的Mean(均值)、Variance(方差)、StdDev(标准差)、Homogeneity(同质性)、Contrast(对比度)、Dissimilarity(非相似、Entropy(熵)、ASM(Angular Second Moment，角二阶矩)、Correlation(相关性)等特征分析。借助H(色度)、I(亮度)、S(饱和度)作为各地物颜色差异分类的依据。
[0049] 3.多尺度分割分类层次参数设置
[0050] 通过影像分割实验，借助ESP评价工具，获取LV-ROC折线图(图1b)，读取波峰点：290、320、360、452、490、540的6个尺度参数。由于未伤植被区域分布相对集中，影像分割选用较大尺度，且实验分割发现分割尺度越大，过分割现象严重，且分割逐渐趋于饱和不再分割，分割尺度越小，欠分割现象严重。通过对比发现，分割尺度为中尺度452、形状因子为
0.4、紧致度因子为0.6时，未伤植被分割效果最佳。在分别固定形状因子0.3、0.4，紧致度因子0.6、0.7，对原影像不同层次地物分割尺度参数实验。因水库物理构成相对均一、边界清晰，确定形状因子较大为0.7，紧致度因子为0.6。分别建立不同地物多尺度分割分类层次表
2。
[0051] 表2不同地物多尺度分割分类层次表
[0052]
[0053] 4.面向对象地物特征信息提取与分类
[0054] 面向对象多尺度分割后，根据不同地类选取特征信息及构建自定义特征。无人机遥感可见光植被指数采用前人提出的便于阈值确定的过绿指数EXG(Excess Green)、可见光波段差异植被指数VDVI(Visible-band Difference Vegetation Index)，公式为：
[0055] EXG＝2×ρgreen-ρred-ρblue
[0056]
[0057] 式中ρgreen，ρred，ρblue分别表示R、G、B三波段像元平均值。
[0058] 通过各对象特征信息分析发现，在地物信息提取时，仅依据现有的R、G、B三波段进行线性重组构建植被指数，不能有效的将其进行区分。但综合地物在各波段的光谱反射率，可利用波段之间的亮度值差异，进行特定组合及运算(差值、比值或归一化)，自定义特征，有助于突出相关地物信息。由图2地物波普响应曲线可知未伤植被满足ρgreen>ρred>ρblue表现为绿光波段反射较强，蓝光波段吸收较强；烧死植被区域和裸地满足ρred>ρgreen>ρblue，表现为红光波段反射较强，蓝光波段吸收较强；烧毁植被和水体满足ρblue>ρgreen>ρred，表现为蓝光波段反射较强，红光波段吸收较强。通常地物在某波段有较高反射特性或较高吸收特性都有助于信息的提取，因此构建自定义特征：
[0059] A＝2×ρblue-ρred-ρgreen
[0060] C＝2×ρred-ρgreen-ρblue
[0061] 为了区分颜色差异较大地物，在提取未伤植被区域、烧毁植被区域，烧死植被区域及水库，分别借助了自定义F和N特征：
[0062]
[0063]
[0064] 第一层信息未伤植被LEVEL1提取。未伤植被包含有灌草地、分布不同种类的树种、林窗间隙及树冠边缘阴影等，虽同其他类别呈现出光谱差异，像元混合的复杂度高，因此，采用三种方法对其进行信息提取。未烧伤植被的第一组分信息提取，第一组分主要包含灌草地，以及亮绿色的树冠区域；第二组分为暗绿色的林草区域；第三组分植为林窗较多分布的植被区域、体现为林窗与植被的混合。未伤植被和烧伤植被光谱响应曲线具有相似性，仅依靠光谱特征存在错分现象。可通过纹理特征GLCM相关分量及HIS分量作为区分的重要特征，同时结合波段比值、长宽比及波段均值作为辅助特征进行识别，具体的设备规则如表3中LEVEL1所示。
[0065] 第二层信息水体LEVEL2提取。对第一层对象分类结果进行合并掩，由图2水体在Band3反射率最高，通过实验，利用A特征进行初步提取，借助特征F及分量I，依据颜色及亮度差异，将水体与其他地物区分开。并对LEVEL2分割结果进行合并，掩模后的图像继承到LEVEL3层。
[0066] 第三层信息烧毁植被区域LEVEL3提取。烧毁植被和其他地物数值范围在Band1、Band2、Band3波段没有重叠现象，信息易于区分，且在蓝光波段反射较强，红光波段吸收较强，可结合A、C和F特征进行大面积提取。信息提取结果与林缝阴影和烧伤树冠之间被烧区域有一定程度的混淆，林缝间隙阴影多数还有绿色色调，利用G与R、B波段比值及VDVI区分，其余混淆部分可结合纹理特征均值及对比度分量区别其他误分地物。进一步合并分割结果，继承到下层。
[0067] 第四层信息烧死植被区域LEVEL4提取。通过光谱分析可知烧死植被区域在红光波段反射较强，蓝光波段吸收较强，可结合A、C和N特征进行大面积提取。由图2可知烧死植被区域与裸地波谱曲线具有相似性，存在部分误提现象，且裸地部分亮度较高，同质性较强，使用纹理特征同质性分量，去除误提裸地。部分烧死植被区域存在少量零星绿色树冠，结合亮度均值、分量H和特征N，补充漏提部分。同理，合并分割结果并继承至下一层。
[0068] 第五层信息烧伤植被区域LEVEL5提取。通过前述对象的提取，剩余裸地、水泥表面、浅水池及烧伤植被区域。为避免该层在分割尺度小而造成部分过分割的现象，通过实验先针对分割较佳的裸地、水泥表面及浅水池三种地物进行提取，通过综合分析裸地、水泥表面及浅水池，存在良好的纹理可分性，并结合特征N和A易于区分这三类地物。最后未分类区域定义为烧伤植被区域。
[0069] 5.综合以上分析，建立不同层次和不同地物的地物分类规则，如表3所示，将各分割层提取的地物类型结果同步到同一分割层上，得到森林火灾林木受损类型专题结果，如图3所示。
[0070] 表3不同层次和不同地物的地物分类规则
[0071]
[0072]
[0073] 6.精度验证
[0074] 结合地面调查资料和目视解译小班矢量数据资料确定地物类别,得到分类误差矩阵和分类精度。通过实验，在研究区域影像上随机选取515个样点，得到不同林木受损程度样点精度评价表，如表4所示，分类总体精度为87.76％，Kappa系数为84.02％。
[0075] 根据面向对象分类结果，借助ArcGIS几何参数计算工具，统计得到实验区烧伤植被、烧死植被、烧毁植被区域总灾损面积为54.4hm2。而根据无人机影像综合野外调查及目视解译图像信息提取方法统计总灾损面积为55.24hm2。通过本发明提出的灾损信息提取的方法，比对现行目视解译结果，误分率为1.52％，表明提出的灾损信息的提取方法在精度上能满足林业行业三类专项调查面积精度95％内的要求，可用于森林火灾灾后损失科学、快速调查需求。
[0076] 表4面向对象分类结果精度评价表
[0077]
[0078] 以上所述仅是对本发明的较佳实施方式而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施方式所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。
