高分辨率多光譜影像城區(qū)建筑物提取研究

譚衢霖

北京交通大學(xué)土木建筑工程學(xué)院,北京100044

高分辨率多光譜影像城區(qū)建筑物提取研究

譚衢霖

北京交通大學(xué)土木建筑工程學(xué)院,北京100044

城區(qū)高空間分辨率遙感數(shù)據(jù)由于存在大量同物異譜和異物同譜現(xiàn)象,應(yīng)用傳統(tǒng)的基于像元光譜分類的方法進(jìn)行建筑物分類提取難以取得滿意的效果。發(fā)展一種從高分辨率IKONOS衛(wèi)星影像上基于知識規(guī)則的面向?qū)ο蠓诸愄崛〕菂^(qū)建筑物方法,包括如下步驟:①融合1 m全色和4 m多光譜波段影像,生成1 m分辨率的多光譜融合影像;②分割融合影像;③執(zhí)行基于對象光譜的最近鄰監(jiān)督分類;④應(yīng)用模糊邏輯分類器結(jié)合光譜、空間、紋理和上下文特征等知識規(guī)則進(jìn)行建筑物分類。統(tǒng)計(jì)試驗(yàn)表明,該分類方法提取城區(qū)建筑物精度可達(dá)到93%。

面向?qū)ο笥跋穹治?模糊邏輯;分割;分類;建筑物提取

1 引 言

詳細(xì)的城區(qū)建筑物分布圖主要通過航空相片解譯或人工地面測量獲得,這種傳統(tǒng)獲取方法需要較高的數(shù)據(jù)成本。近年來,相對低廉的m級及優(yōu)于m級的商業(yè)高分辨率(VHR)多光譜衛(wèi)星(如 IKONOS、QuickBird和 WorldView-1/2)影像的出現(xiàn),有望改變必須借助航空遙感影像進(jìn)行城區(qū)制圖的局面。在高分辨率衛(wèi)星遙感影像上,建筑物屋頂是城區(qū)建筑物制圖的主要特征,地面建筑物的輪廓形狀可通過衛(wèi)星遙感影像上顯示的屋頂?shù)男螤罴捌浞植紒肀碚?。?dāng)前,由于城區(qū)屋頂材料組分、顏色、形狀、大小以及建筑物的朝向在城區(qū)環(huán)境下變化多樣,高分辨率遙感影像城區(qū)建筑物制圖仍是一件挑戰(zhàn)性的工作。

由于城區(qū)環(huán)境空間格局復(fù)雜多樣,城區(qū)各類地物在上述高分辨率多光譜影像上光譜變異度高,同物異譜和異物同譜現(xiàn)象遠(yuǎn)比自然環(huán)境下普遍,給應(yīng)用傳統(tǒng)的基于像元光譜特征進(jìn)行自動或半自動地物分類帶來了困難[1]。已有研究表明,高分辨率遙感影像4個(gè)多光譜波段雖然光譜范圍覆蓋較寬,但區(qū)分城區(qū)水體、裸土、植被、陰影和不透水性地面等土地覆蓋類是有效的[2-3],進(jìn)一步把光譜混淆嚴(yán)重的不透水性地面區(qū)分為道路、停車場和建筑物則存在困難[4]。面向?qū)ο笥跋穹治鍪遣煌谥鹣裨庾V特征分析的一種可以表達(dá)和應(yīng)用語義信息特征的新方法。這種方法把影像分割成有意義的影像區(qū)域(對象),不僅能夠表達(dá)影像區(qū)域的光譜特征,還能表達(dá)豐富的空間、紋理和上下文特征等語義信息,從而使區(qū)分光譜相似的地類成為可能[5]。

當(dāng)前,已有不少研究者嘗試?yán)妹嫦驅(qū)ο蠓治龇椒▉磉M(jìn)行高分辨率遙感影像城區(qū)建筑物提取制圖。如Hofmann等利用IKONOS高分辨率遙感影像數(shù)據(jù),結(jié)合機(jī)載激光掃描儀獲得的高分辨率數(shù)字高程模型和數(shù)字地籍圖,采用基于對象分類的方法進(jìn)行城區(qū)建筑物制圖試驗(yàn),取得了很好的效果[6]。Shackelford等在較為規(guī)則的網(wǎng)格狀城區(qū),把像元分類圖作為基于知識規(guī)則的面向?qū)ο竽：诸愝斎?利用簡單的空間和上下文語義特征參數(shù)對建筑物進(jìn)行分類制圖,也取得了很好的效果[7]。總結(jié)分析可以發(fā)現(xiàn),當(dāng)前的已有相關(guān)研究主要是針對排列較為規(guī)則或建筑物屋頂材料較為單一的簡單城區(qū)場景,或者是借助外部數(shù)據(jù)(如DEM或地籍圖),利用面向?qū)ο蟮姆治龇椒▉硖崛〕菂^(qū)建筑物。對于不規(guī)整或復(fù)雜的城區(qū)場景,當(dāng)缺乏先驗(yàn)知識或其他的外部數(shù)據(jù)時(shí),如何利用面向?qū)ο蟮挠跋穹治黾胺诸惙椒ㄟM(jìn)行高分辨率遙感城區(qū)建筑物提取則尚待進(jìn)一步研究。

2 方法與試驗(yàn)

試驗(yàn)城區(qū)位于加拿大安大略省倫敦市西安大略大學(xué)校區(qū)(圖1),區(qū)內(nèi)建筑物的形狀大小及密度、方向、用途和屋頂材料復(fù)雜多樣。試驗(yàn)數(shù)據(jù)為2004年4月15日獲取的經(jīng)過輻射和幾何校正的IKONOS地學(xué)參考影像。

圖1 試驗(yàn)區(qū)IKONOS全色影像和多分辨率影像分割結(jié)果Fig.1 Panchromatic IKONOS image and segmentation result of the test site

2.1 圖像預(yù)處理

影像增強(qiáng)有利于感興趣地物的分割提取。1 m全色和4 m多光譜波段的IKONOS影像非常適合于圖像融合增強(qiáng)。為盡量減少光譜信息損失,采用 SFIM(smoothing filter-based intensity modulation)方法[8]進(jìn)行融合。對融合后的影像進(jìn)行直方圖均衡化增強(qiáng)對比度,然后用多分辨率分割算法進(jìn)行分割。

2.2 圖像分割

圖像分割算法采用Baatz和 Schaepe[9]發(fā)展的多分辨率分割算法(MRS)。多分辨率分割程序執(zhí)行時(shí),首先需要確定待分割影像各圖層的權(quán)值,然后設(shè)置尺度參數(shù),光譜(顏色)和形狀異質(zhì)性計(jì)算的權(quán)值,緊密度和平滑度的權(quán)值[10]。這些設(shè)置參數(shù)都與分割生成的影像區(qū)域大小范圍緊密相關(guān)。其中,尺度參數(shù)對分割生成的影像區(qū)域大小直接正相關(guān),影響最明顯。在其他參數(shù)設(shè)置相同的情況下,尺度參數(shù)越大,生成的影像分割區(qū)域越大。本試驗(yàn)研究中,為了更有效地分離植被類,使用NDVI二值掩膜影像限制分割過程中的區(qū)域增長過程。該NDVI掩膜通過對雙峰式分布的直方圖進(jìn)行閾值操作,然后,濾除小于10個(gè)像元的小區(qū)域得到。圖1右為試驗(yàn)處理中采用的分割結(jié)果影像。

2.3 基于光譜的最近鄰分類

最近鄰監(jiān)督分類基于影像對象與代表性樣本對象在多維特征空間的特征距離確定地物類別[10]。本研究中,每一類的代表性樣本對象采用分層隨機(jī)取樣方法來選擇。對分割后的影像對象執(zhí)行基于光譜的最近鄰監(jiān)督分類,包括:不透水性地面、陰影、植被、裸地和水體等(圖2(a))。對分類結(jié)果進(jìn)行精度評價(jià)表明,總精度達(dá)98.7%,其中不透水性地面類生產(chǎn)者精度達(dá)100%,用戶精度達(dá)98.6%。本研究重點(diǎn)是建筑物分類提取,因此,再把基于光譜的最近鄰監(jiān)督分類圖進(jìn)行制圖綜合,合并陰影、植被、裸地和水體類為其他類,最后獲得不透水性地面類和其他類分布圖(圖2 (b))。當(dāng)獲得了基于對象的不透水性地面分類結(jié)果后,隨后便可應(yīng)用模糊邏輯知識規(guī)則來進(jìn)一步區(qū)分建筑物屋頂對象。

2.4 基于知識規(guī)則的模糊邏輯分類

基于知識規(guī)則的模糊邏輯分類器通過成員函數(shù)值來表達(dá)影像對象的地類隸屬度[11]。成員函數(shù)是表達(dá)影像對象特征值與地類隸屬度之間關(guān)系的數(shù)學(xué)模型。當(dāng)對象特征值增大,地類隸屬度也增大時(shí),利用上升型函數(shù)來表達(dá)。相反,當(dāng)對象特征值增大,地類隸屬度降低時(shí),利用下降型函數(shù)來表達(dá)。本研究中,地類 x隸屬度μx采用Sigmoid (S型)成員函數(shù)曲線來表示(圖3)。

上升S型函數(shù)

下降S型函數(shù)

其中,a是當(dāng)隸屬度為0或1時(shí)對象屬性i的特征值;b是當(dāng)隸屬度為0.5時(shí)對象屬性i的特征值b =(a+c)/2;c是當(dāng)隸屬度為1或0時(shí)對象屬性i的特征值。

圖2 最近鄰監(jiān)督分類圖Fig.2 Nearest-neighbour classification map

圖3 S型成員函數(shù)曲線Fig.3 Sigmoid(S-shaped)membership functions

模糊邏輯分類器可以給每個(gè)對象計(jì)算多個(gè)不同地類的隸屬度,從而可以使對象的分類不限于某一類,而是可以屬于多個(gè)類別?；谥R規(guī)則的模糊分類方法在成員函數(shù)表達(dá)的知識規(guī)則之間利用布爾邏輯操作符“and”或“or”,或者它們的組合來表達(dá)分類知識,最終可獲得影像對象對于所有地類的隸屬度。通常情況下,把計(jì)算獲得的最高隸屬度地類作為最終的分類結(jié)果進(jìn)行輸出,即可獲得常規(guī)的土地利用/覆蓋遙感分類圖。

通過統(tǒng)計(jì)樣本對象的特征值頻率分布,選擇建筑物屋頂類的代表性光譜、空間、紋理和上下文屬性特征,然后用Sigmoid成員函數(shù)來計(jì)算這些代表性特征指示的隸屬度。模糊邏輯知識規(guī)則中成員函數(shù)的方向和控制點(diǎn)利用樣本對象特征值分布的概要統(tǒng)計(jì)值(如平均值、最小值或最大值加上或減去標(biāo)準(zhǔn)差等)和這些特征值類間分離性來確定。本研究中,選擇的代表性對象特征及所應(yīng)用的模糊邏輯知識規(guī)則列于表1,關(guān)于對象特征的概念和具體計(jì)算可以參見文獻(xiàn)[10,12]。

表1 模糊邏輯知識規(guī)則Tab.1 Fuzzy logic rule base

2.4.1 知識規(guī)則一

盡管屋頂材料組分多樣,光譜響應(yīng)離散,但“非建筑物屋頂類”卻表現(xiàn)出幾乎連續(xù)的光譜響應(yīng),這種光譜變化差異可以通過光譜標(biāo)準(zhǔn)差來反映。此外,屋頂對象呈現(xiàn)出一定程度的局部色調(diào)變化,而這可以通過紋理特征參數(shù)來表征。再有,空間上屋頂類對象在長度和緊密度特征上比其他的不透水性地面類更統(tǒng)一。綜合上述分析,結(jié)合對“建筑物屋頂類”和“非建筑物屋頂類”樣本對象特征值的統(tǒng)計(jì)分析比較,確定如下5個(gè)獨(dú)立的代表性屬性(光譜、紋理和空間)特征來進(jìn)一步區(qū)分“建筑物屋頂類”:

1.全色波段標(biāo)準(zhǔn)差(σp):指影像對象所有像元在全色波段的灰度值的標(biāo)準(zhǔn)差。對于每個(gè)影像對象,σp采用如下公式計(jì)算

其中,Ci是由n個(gè)像元組成的對象內(nèi)部像元i的灰度值是 所有像元的平均灰度值。

2.多光譜標(biāo)準(zhǔn)差(σm):指每個(gè)多光譜通道影像對象所有像元灰度值的標(biāo)準(zhǔn)差的平均值。對于每個(gè)影像對象,σm采用如下公式計(jì)算

其中,σL是指影像對象L波段所有像元的標(biāo)準(zhǔn)差;nL是波段數(shù)。

3.全方向紋理對比度特征 (PCON):由Haralik發(fā)展的通過灰度共現(xiàn)矩陣(grey-level cooccurrence matrix,GLCM)計(jì)算的影像對象局部變化的一種紋理特征。當(dāng)影像對象在空間尺度上具有較高的對比度時(shí),可以通過GLCM把紋理對比度特征計(jì)算出來。對于第L光譜通道的紋理對比度特征,其計(jì)算式為

Pi,j是歸一化后的 GLCM矩陣中元素(i,j)處的值。本研究中計(jì)算了藍(lán)、綠、紅和近紅外四個(gè)通道的紋理對比度特征。

4.長度(l):指包圍影像對象的與影像的縱橫軸平行的矩形計(jì)算而來的,以像元為單位表示

其中,a是矩形的長邊;b是最短邊;f是填充度,是指影像對象的像元組成數(shù)除以矩形的總面積a×b。

5.緊密度(κ):通過影像對象的近似橢圓計(jì)算。對于每個(gè)影像對象,κ采用如下公式計(jì)算

其中,v和w表示橢圓的長軸和短軸的長度;α是包含在近似橢圓內(nèi)的像元數(shù)。

本研究中,統(tǒng)計(jì)分析表明屋頂類隸屬度隨著上述5個(gè)對象特征值的增大而降低,因此,知識規(guī)則一的每個(gè)特征成員函數(shù)都用下降的 S型曲線來表示。此外,屋頂類全色波段標(biāo)準(zhǔn)差(σp)、多光譜標(biāo)準(zhǔn)差(σm)、長度(l)、緊密度(κ)、全方向紋理對比度特征(Pblue、Pgreen、Pred和 Pnir)的最大特征值小于非屋頂類特征值的平均值減去標(biāo)準(zhǔn)差,據(jù)此,確定各特征成員函數(shù)的控制點(diǎn)值:a為非屋頂類樣本對象特征值的平均值減去標(biāo)準(zhǔn)差;b為非屋頂類樣本對象特征值的平均值;c為非屋頂類樣本對象特征值的平均值加上標(biāo)準(zhǔn)差。如全色波段標(biāo)準(zhǔn)差(σp)特征,其成員函數(shù)控制點(diǎn)值為: a=310.77,b=337.18,c=363.59。

2.4.2 知識規(guī)則二

由于材料組分、坡度或坡向不同,分割后的影像中屋頂和非屋頂區(qū)域通常由多個(gè)影像對象組成。因此,屋頂類對象更有可能與屋頂類對象相鄰,同樣,非屋頂類對象更有可能與非屋頂類對象相鄰。再者,在城區(qū)環(huán)境下,屋頂類對象一般更接近其他的屋頂對象。因此,這第二條知識規(guī)則,即結(jié)合了描述屋頂和非屋頂類對象相鄰關(guān)系的上下文特征,用來再對分類結(jié)果進(jìn)行優(yōu)化。采用的特征描述如下:

1.與相鄰對象的相對邊界(B):影像對象和某確定類對象的共同邊界長度(以像元計(jì))與影像對象邊界總長度之比。此處,計(jì)算相鄰屋頂類和非屋頂類的相對邊界。

2.與相鄰對象的距離(D):指從影像對象的中心至最近的確定類(建筑物屋頂類)影像對象中心的像元距離。

3.鄰近對象的數(shù)量(N):距影像對象中心一定距離范圍內(nèi)某一特定類影像對象(屋頂類)的數(shù)量。研究中確定10個(gè)像元的距離值。

本研究中,統(tǒng)計(jì)分析表明屋頂類隸屬度隨著與相鄰(非屋頂類)對象的相對邊界和與相鄰對象(屋頂類)的距離兩種對象特征值的增大而降低,因此,這兩個(gè)特征的成員函數(shù)表達(dá)為下降S型曲線。此外,屋頂類這兩種特征的平均對象特征值加上標(biāo)準(zhǔn)差小于非屋頂類平均對象特征值加上標(biāo)準(zhǔn)差,據(jù)此,確定兩特征成員函數(shù)的控制點(diǎn)值:a為屋頂類樣本對象特征值的平均值加上標(biāo)準(zhǔn)差,c為非屋頂類樣本對象特征值的平均值加上標(biāo)準(zhǔn)差。

統(tǒng)計(jì)分析表明屋頂類隸屬度隨著與相鄰(屋頂類)對象的相對邊界和與鄰近對象(屋頂類)的數(shù)量兩種對象特征值的增大而增大,因此,這兩個(gè)特征的成員函數(shù)表達(dá)為上升S型曲線。此外,屋頂類這兩種特征的平均對象特征值減去標(biāo)準(zhǔn)差大于非屋頂類平均對象特征值加上標(biāo)準(zhǔn)差,據(jù)此,確定兩特征成員函數(shù)的控制點(diǎn)值:a為非屋頂類樣本對象平均特征值加上標(biāo)準(zhǔn)差,c為屋頂類樣本對象特征值的平均值減去標(biāo)準(zhǔn)差。

2.4.3 知識規(guī)則三

盡管許多屋頂對象和非屋頂不透水性對象光譜上相似,非屋頂不透水性對象相對于整個(gè)城區(qū)場景在多光譜通道上還是表現(xiàn)出一些不同的光譜響應(yīng)。通過對屋頂和非屋頂樣本對象一些光譜比值特征的統(tǒng)計(jì)比較,兩個(gè)獨(dú)立的代表性的描述非屋頂類對象的有效的光譜屬性特征被確定用來進(jìn)一步優(yōu)化過度分類的屋頂類對象。

1.與場景比率(RL):第L層相對于場景的比率就是L層影像對象所有像元的平均值與L層整個(gè)場景所有像元的平均值之比。

2.比率(rL):第L層的比率是影像對象所有像元的平均值與該對象所有光譜層平均值總和之比。

統(tǒng)計(jì)分析表明屋頂類隸屬度隨著近紅外波段與場景比率特征值的增大而增大,因此,這個(gè)特征的成員函數(shù)表達(dá)為上升S型曲線。此外,非屋頂類的近紅外波段與場景比率特征的平均對象特征值減去標(biāo)準(zhǔn)差大于屋頂類平均對象特征值加上標(biāo)準(zhǔn)差,據(jù)此,確定該特征成員函數(shù)的控制點(diǎn)值:a為屋頂類樣本對象特征值的平均值加上標(biāo)準(zhǔn)差, c為非屋頂類樣本對象特征值的平均值減去標(biāo)準(zhǔn)差。

統(tǒng)計(jì)分析表明屋頂類隸屬度隨著藍(lán)波段比率特征和紅波段比率特征兩種對象特征值的增大而降低,因此,這兩個(gè)特征的成員函數(shù)表達(dá)為下降S型曲線。此外,非屋頂類的藍(lán)和紅波段比率特征的平均對象特征值加上標(biāo)準(zhǔn)差小于屋頂類平均對象特征值減去標(biāo)準(zhǔn)差,據(jù)此,確定兩特征成員函數(shù)的控制點(diǎn)值:a為非屋頂類樣本對象的平均特征值加上標(biāo)準(zhǔn)差,c為屋頂類樣本對象平均特征值減去標(biāo)準(zhǔn)差。

圖4(a)為最終基于知識規(guī)則的模糊邏輯分類圖,后分類過程融合鄰近的分類對象建筑物屋頂類和其他類,從而生成可表示建筑物屋頂邊界和位置的建筑物分布圖(圖4(b))。最后,對分類結(jié)果進(jìn)行逐對象分類精度評估。混淆矩陣計(jì)算結(jié)果顯示,城區(qū)建筑物分類提取總精度達(dá)到93%。

圖4 模糊邏輯建筑物屋頂分類提取結(jié)果Fig.4 Building mapping results of rule-based classification

3 結(jié)論與討論

本文發(fā)展了一種從高分辨率多光譜IKONOS衛(wèi)星融合影像上基于知識規(guī)則的面向?qū)ο筇崛〕菂^(qū)建筑物的方法。處理流程可分為兩大步:第一步,對分割的影像對象層執(zhí)行基于對象光譜的監(jiān)督最近鄰分類,區(qū)分出不透水地類;第二步,采用監(jiān)督方法生成知識規(guī)則應(yīng)用于模糊邏輯分類器中,從不透水地類中區(qū)分出城區(qū)建筑物屋頂類。這種方法利用模糊邏輯知識規(guī)則,借助監(jiān)督樣本對象的概要統(tǒng)計(jì)獲得光譜、空間、紋理和上下文特征及成員函數(shù)控制點(diǎn)值,不需要輔助數(shù)據(jù),并且在分類中不必再對建筑物屋頂類之外的其他不透水性地面類再細(xì)分。本文試驗(yàn)研究表明,采用本方法流程進(jìn)行高分辨率多光譜城區(qū)建筑物提取可以取得較高的精度(如本試驗(yàn)研究取得了93%的城區(qū)建筑物分類提取總精度)。因此,本方法流程具有靈活性和一定的實(shí)用性,對于應(yīng)用面向?qū)ο蠓诸惙椒ㄌ崛≥^復(fù)雜的城區(qū)建筑物,可以提供借鑒和參考。

需要指出的是,由于加拿大相對于中國的城區(qū)環(huán)境較為簡單,因此,如果用中國的城區(qū)數(shù)據(jù)進(jìn)行試驗(yàn)和驗(yàn)證,分類精度上可能有所降低;而且本方法流程也不能提取城區(qū)高大建筑物陰影或遮擋區(qū)域中的低、矮、小建筑物。此外,為了獲得地面建筑物較準(zhǔn)確的地理位置和形狀,所處理的高分辨率遙感影像數(shù)據(jù)是經(jīng)過輻射和幾何精糾正后的地理參考正射影像,因此,最終分類提取的建筑物分布圖中,建筑物的形狀和位置具有地理位置坐標(biāo)。而如果將最后提取出的建筑物屋頂分類圖與該區(qū)已有的地理信息系統(tǒng)中的建筑物矢量多邊形參考圖進(jìn)行疊加對比,就可以定量評價(jià)最終提取的建筑物分布圖中建筑物形狀與參考圖對應(yīng)建筑物的符合程度,并可定量計(jì)算建筑物邊界位置誤差和形狀差異程度。但本研究僅僅是評價(jià)了最終的建筑物分類提取精度,對建筑物形狀與邊界位置符合精度進(jìn)行定量評價(jià)有待進(jìn)一步深入研究。致謝:IKONOS衛(wèi)星影像試驗(yàn)數(shù)據(jù)由加拿大西安大略大學(xué)地理系提供;感謝 David Andrew Aldred在數(shù)據(jù)處理試驗(yàn)中提供的幫助。

[1] DAVIS C H,WANG X Y.Urban Land Cover Classification from High Resolution Multi-spectral IKONOS Imagery [C]∥Proceedings of IEEE IGARSS.Toronto:[s.n.], 2002:1204-1206.

[2] HEROLD M,GARDNER M,ROBERTS D.Spectral Resolution Requirement for Mapping Urban Areas[J].IEEE Transactions on Geoscience and Remote Sensing,2003,41 (9):1907-1919.

[3] FRAUMAN E,WOLFF E.Segmentation of Very High Spatial Resolution Satellite Images in Urban Areas for Segments-based Classification[C]∥Proceedings of the 3rd International Symposium Remote Sensing and Data Fusion over Urban Areas.Arizona:ISPRS,2005:24-27.

[4] BAUER T,STEINNOCHER K.Per-parcel Land Use Classification in Urban Areas Applying a Rule-based Technique[J]. Geo-Information System,2001(6): 28-33.

[5] HEROLD M,SCEPAN J,MüLLER A,et al.Objectoriented Mapping and Analysis of Urban Land Use/Cover Using IKONOS Data[C]∥Proceedings of the 22nd EARSEL Symposium.Prague:EARSEL,2002:11-18.

[6] HOFMANN P.Detecting Urban Features from IKONOS Data Using Additional Elevation Information[J].GIS Geo-Information System,2001,6:28-33.

[7] SHACKELFORD A,DAVIS C.A Combined Fuzzy Pixelbased and Object-based Approach for Classification of Highresolution Multi-spectral Data over Urban Areas[J].IEEE Transactions on Geoscience and Remote Sensing,2003,41 (10):2354-2363.

[8] LIU J.Smoothing Filter-based Intensity Modulation:a Spectral Preserve Image Fusion Technique for Improving Spatial Details[J].International Journal of Remote Sensing,2000,21(18):3461-3472.

[9] BAATZ M,SCHAPE A.Multi-resolution Segmentation: an Optimization Approach for High Quality Multi-scale Image Segmentation[C]∥Proceedings of the Angewandte Geographische Informationsverarbeitung Symposium. Salzburg:[s.n.],2000:12-23.

[10] Trimble Navigation Limited.ECognition User Guide,Definiens Imaging[EB/OL].[2004-10-12].http:∥www. definiens-imaging.com.

[11] BARDOSSYA,SAMANIEGO L.Fuzzy Rule-based Classification of Remotely Sensed Imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2002,40(2): 362-374.

[12] CARLEER B,WOLFF E.Urban Land Cover Multi-level Region-based Classification of VHR Data by Selecting Relevant Features[J].International Journal of Remote Sensing,2006,27(6):1035-1051.

Urban Building Extraction from VHR Multi-spectralImages Using Object-based Classification

TAN Qulin
School of Civil Engineering,Beijing Jiaotong University,Beijing 100044,China

Building extraction in urban environment requires high spatial resolution remotely sensed data.However, traditional pixel-based classifiers based on spectral features are ineffective for high-resolution multi-spectral images due to large within-class spectral variations and between-class spectral confusions.In this study,a rule-based object-oriented classification method for building extraction was developed from an IKONOS urban scene.The method included the following steps:①fusion of 1 m panchromatic and 4 m multispectral bands to produce a pan-sharpened 1 m multispectral image;②segmentation of the 1 m dataset;③supervised object-based classification into broad spectral classes;④spectral,spatial,textural and contextual parameters developed from sample building objects were implemented in a fuzzy logic rule base to separate building rooftops from other impervious surface classes.The rule-based method identifies building rooftops with 93%accuracy in the experiment.

object-oriented image analysis;fuzzy logic;segmentation;classification;building extraction

T AN Qulin(1975—),male,PhD,associate professor,majors in high resolution remote sensing image processing and information extraction,application of remote sensing in transportation.

1001-1595(2010)06-0618-06

P237

A

國家自然科學(xué)基金(40801121);中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)項(xiàng)目(2009JBM067)

(責(zé)任編輯:宋啟凡)

2009-11-04

2010-04-20

譚衢霖(1975—),男,博士,副教授,研究方向?yàn)楦叻直媛蔬b感影像處理與地物信息提取、交通遙感應(yīng)用。

E-mail:qulintan@sina.com