基于面向?qū)ο蟮母叻直媛蔬b感影像建筑物提取研究

徐昌榮，葛山運(yùn)

(江西理工大學(xué)建筑與測繪工程學(xué)院，江西贛州 341000)

基于面向?qū)ο蟮母叻直媛蔬b感影像建筑物提取研究

徐昌榮?，葛山運(yùn)

(江西理工大學(xué)建筑與測繪工程學(xué)院，江西贛州 341000)

遙感影像上的建筑物是一種非常重要的地物。利用高分辨率遙感影像上建筑物的光譜、空間特征及上下文特征等，并通過貝葉斯理論計(jì)算對(duì)象的歸屬概率屬性，提出了一種面向?qū)ο蟮母叻直媛视跋窠ㄖ锾崛》椒?。?shí)驗(yàn)證明該方法有較好的提取效果。

面向?qū)ο?；?duì)象歸屬概率；貝葉斯理論；規(guī)則

1 引 言

隨著遙感數(shù)據(jù)的空間分辨率越來越高，遙感影像數(shù)據(jù)獲取的成本越來越低，其提供的信息越來越豐富，如地物的結(jié)構(gòu)、紋理等細(xì)節(jié)信息都能很清楚的表現(xiàn)出來，使得遙感數(shù)據(jù)的應(yīng)用價(jià)值也越來越高，因此提取像建筑物等重要地物的信息成為遙感研究熱點(diǎn)。但傳統(tǒng)的建筑物提取方法像監(jiān)督分類、非監(jiān)督分類，以及專家分類、子像元分類等，均是基于像素的光譜信息統(tǒng)計(jì)分析，認(rèn)為每個(gè)像素都是獨(dú)立的，沒有考慮相鄰像素的空間相關(guān)，比較適用于中低精度的遙感影像。對(duì)于目前高分辨率的影像(比如IKONOS、QuickBird和World-View衛(wèi)星數(shù)據(jù)或者航空照片)，其單個(gè)像素不僅僅反映的分類目標(biāo)的特征，而且這種內(nèi)部光譜信息分類變異性的增加導(dǎo)致分類間統(tǒng)計(jì)特征的可分離性及分類準(zhǔn)確性的降低，故這些傳統(tǒng)的提取方法有些不再適合。面向?qū)ο蟮姆椒芫C合利用光譜信息(顏色、色調(diào))和空間信息(形狀、尺寸、紋理等)將相鄰像素作為一個(gè)整體，建立不同的策略來解譯對(duì)象，更符合高分辨率影像的視覺判別[1]。

建筑物是高分辨率遙感影像上一種非常重要的地物。本文利用高分辨率遙感影像上建筑物的光譜、空間特征及上下文特征等，并通過貝葉斯理論計(jì)算對(duì)象的歸屬概率屬性，提出一種面向?qū)ο蟮母叻直媛视跋窠ㄖ锾崛》椒ā?shí)驗(yàn)證明該方法有較好的提取效果。

2 對(duì)象歸屬概率的概念

設(shè)待處理圖像中的每個(gè)像元(對(duì)象)取m個(gè)變量，則像元(對(duì)象)值可用向量表示:

假設(shè)研究區(qū)域可分為G類，則任意像元(對(duì)象)必來自其中的某一類。當(dāng)各類總體為多元正態(tài)總體N (μg，∑g)時(shí)，像元或?qū)ο?即隨機(jī)變量)特征向量X在第g類的概率密度為:

式中，μg與∑g分別為第g類總體的均值向量和協(xié)方差矩陣，的逆矩陣。

在隨機(jī)抽樣情況下，μg與∑g可以通過下面方法進(jìn)行估計(jì):

式中，xik表示第i類第k個(gè)像元(對(duì)象)的灰度值，mi為第i類的平均值表示第i分量xi的方差，表示xi和xj的協(xié)方差。

根據(jù)貝葉斯公式[3]，在X出現(xiàn)的條件下，其歸屬第g類的概率為:

故有，p(g/X)越大，像元(對(duì)象)X來自g類的概率就越大，所以p(g/X)表示X歸屬于g類的概率，稱為像元(對(duì)象)X的歸屬概率。

3 面向?qū)ο蟮慕ㄖ锾崛》椒?/h2>

通過對(duì)影像的分割，使同質(zhì)像元組成大小不同的對(duì)象，由于高分辨率影像上建筑物對(duì)象內(nèi)部的光譜差異小，所以對(duì)任一對(duì)象從空間特征、幾何特征及上下文特征等方面進(jìn)行刻畫。利用分割后的候選對(duì)象的這些特征進(jìn)行目標(biāo)識(shí)別和提取，可以有效地克服基于像元層次提取信息的不足。另外，通過選擇合適的樣本進(jìn)行訓(xùn)練，再根據(jù)貝葉斯理論計(jì)算獲得每個(gè)候選對(duì)象的歸屬概率屬性，從而可以更準(zhǔn)確的提取目標(biāo)對(duì)象。面向?qū)ο蟮奶崛》椒╗2]主要包括影像分割、提取規(guī)則建立和目標(biāo)提取。

3.1 影像分割

將一幅影像分割為空間上連續(xù)的、互不重疊的并具有同質(zhì)性的區(qū)域，稱為對(duì)象。對(duì)象是面向?qū)ο蟮挠跋穹治龅幕締卧?，具有豐富的光譜、紋理、幾何、上下文等信息，與像元比更易于進(jìn)行信息的提取。

根據(jù)研究的高分辨率遙感影像的特性及邊緣信息的重要性，利用臨近像素亮度、紋理、顏色等對(duì)影像進(jìn)行一種基于邊緣的分割。影像分割時(shí)會(huì)產(chǎn)生錯(cuò)分或過度分割的現(xiàn)象。為解決這類問題，利用了歐氏距離聚類算法[5]在結(jié)合光譜和空間信息的基礎(chǔ)上迭代合并部分鄰近的小對(duì)象。

3.2 提取規(guī)則的建立

經(jīng)過分割后，影像的基本單元已不是單個(gè)像元，而是由同質(zhì)像元組成的多邊形對(duì)象。計(jì)算各對(duì)象的屬性:光譜、空間、紋理、自定義(顏色空間和波段比)，更重要的是通過選擇具有代表性的樣本，統(tǒng)計(jì)計(jì)算各對(duì)象的歸屬概率屬性。這樣每一多邊形對(duì)象不僅僅具有光譜，形狀、紋理、面積、位置以及多邊形間的拓?fù)潢P(guān)系等屬性，也同時(shí)具有了歸屬概率屬性。具體的提取規(guī)則就是充分利用對(duì)象的這些屬性進(jìn)行組合建立規(guī)則。

3.3 目標(biāo)提取

根據(jù)建立的規(guī)則提取目標(biāo)對(duì)象初始結(jié)果，再根據(jù)實(shí)際目標(biāo)對(duì)象的幾何特征等對(duì)初始結(jié)果進(jìn)行后處理，從而獲得最終比較理想的目標(biāo)對(duì)象提取結(jié)果。其基本步驟是:預(yù)處理→影像分割與合并→建筑物特征選擇[4，6]及規(guī)則建立→初步提取→后處理優(yōu)化[7，8]。

圖1 基于貝葉斯理論的面向?qū)ο筮b感影像建筑物提取流程圖

4 實(shí)驗(yàn)及分析

按照前述建筑物提取流程對(duì)一幅620?483的全色高分辨率遙感影像(如圖2所示)進(jìn)行實(shí)驗(yàn)。

圖2 原始遙感影像

圖3 影像分割及合并

首先利用ERDAS軟件對(duì)預(yù)處理后的影像進(jìn)行影像分割與合并，如圖3所示，然后計(jì)算各候選目標(biāo)對(duì)象的屬性，包括空間、光譜、紋理、及歸屬概率屬性特征等。再次分析影像中容易跟建筑物錯(cuò)分的地物有:道路、植被以及建筑物旁邊的水泥地，建立提取規(guī)則如下:

其中probability of object＞0.6000排除了大部分非建筑物目標(biāo)，但是仍然無法完全去除在光譜、紋理上與建筑物目標(biāo)相似度高的道路及水泥地面；avgband_2 [70.0000，150.0000]能去除部分水泥地面的影響，因?yàn)樗嗟氐姆瓷渎时冉ㄖ锏母撸籥rea[500.0000，3000.0000]AND rect_fit＞0.4000能去除大部分道路的影響；

由于種種原因，根據(jù)以上規(guī)則得到的建筑物初步提取結(jié)果(圖4)與建筑物的視覺判別效果還有一定的差距，如部分建筑物存在空洞；建筑物的邊緣變形，該是直線的不是直線，該正交的地方卻沒有正交。因此需對(duì)其進(jìn)行后處理優(yōu)化:采用不變幾何矩與邊緣直線能量確定建筑物輪廓，通過不變幾何矩計(jì)算得到各建筑物區(qū)域的重心、兩軸長、主方向等元素，對(duì)各個(gè)元素優(yōu)化，對(duì)外接矩形網(wǎng)格化，計(jì)算每條邊緣直線的能量，取能量大者為邊緣，從而獲得建筑物目標(biāo)的最終提取結(jié)果，如圖5所示。

圖4 基于規(guī)則的建筑物提取初步結(jié)果

圖5 后處理優(yōu)化(空洞填充、邊緣擬合正交化)建筑物目標(biāo)的最終結(jié)果

從原始遙感影像上可知該區(qū)域共有66個(gè)建筑物，而最終提取結(jié)果中有65個(gè)對(duì)象，根據(jù)目視判別其中有64個(gè)為建筑物和1個(gè)為道路，即有2個(gè)建筑物被遺漏(左上方和左下方各有1個(gè))，正確率為96.97%，誤判率為1.51%，漏判率為3.03%。

5 結(jié) 語

本文在面向?qū)ο蠓椒ǖ幕A(chǔ)上，利用基于邊緣的多尺度分割，為防止過度分割采用“歐氏距離聚類算法”進(jìn)行適度的合并，通過計(jì)算對(duì)象的屬性，尤其是引入了基于貝葉斯理論的對(duì)象的歸屬概率屬性信息，對(duì)這些屬性進(jìn)行組合建立提取規(guī)則實(shí)現(xiàn)對(duì)建筑物的提取，并對(duì)結(jié)果進(jìn)行優(yōu)化后處理，得到較滿意的結(jié)果?？傊P者通過貝葉斯理論計(jì)算對(duì)象歸屬概率屬性，從而利用更多的知識(shí)來提取地物，在很大程度上避免了遺漏和錯(cuò)誤現(xiàn)象；對(duì)初始結(jié)果進(jìn)行后處理優(yōu)化，使其更逼近真實(shí)地物，也更符合視覺判別的效果。面向?qū)ο蠓椒ǜ嗟乩昧说匚锏墓庾V、形狀、幾何、紋理信息和上下文關(guān)系等，且其運(yùn)用靈活，融入了更多的知識(shí)。

[1] 陳云浩，馮通，史培軍等.基于面向?qū)ο蠛鸵?guī)則的遙感影像分類研究[J].武漢大學(xué)學(xué)報(bào)·信息科學(xué)版，2006，31 (4):316～320

[2] 喬程，駱劍承，吳泉源等.面向?qū)ο蟮母叻直媛视跋癯鞘薪ㄖ锾崛J].地理與地理信息科學(xué)，2008，24(5):36～39

[3] 董立巖，苑森淼.基于貝葉斯分類器的圖像分類[J].吉林大學(xué)學(xué)報(bào)(理學(xué)版)2007，45(2):249～253

[4] 王潤芳.高分辨率遙感影像中建筑物外形提取方法研究[D].遼寧工程技術(shù)大學(xué)碩士學(xué)位論文，2008

[5] 董旭，魏振軍.一種加權(quán)歐氏距離聚類方法[D].河南:信息工程大學(xué)，2005

[6] 趙鴻燕，饒歡，張璋等.基于高分辨率影像城市建筑物研究[J].測繪與空間地理信息，2008，31(6):27～30

[7] 李海月，王宏琦，陸見微等.遙感圖像中建筑物自動(dòng)識(shí)別與標(biāo)繪方法研究[J].電子測量技術(shù)，2007，30(2):15～20

[8] 馬建文.遙感數(shù)據(jù)智能處理方法與程序設(shè)計(jì)[M].北京:科學(xué)出版社，2010

Object－Oriented Remote Sensing Image of Building Extraction

Xu ChangRong，Ge ShanYun
(Faculty of Architectural and Mapping Engineering，Jiangxi University of Science and Technology，Ganzhou 341000，China)

Remote sensing image building is a very important surface features.High－resolution remote sensing spectral images of buildings，spatial characteristics and context characteristics，and calculated by Bayesian probability of property ownership of the object，a object－oriented high－resolution imaging Building Extraction.Experiment shows that the better extraction.

Object－oriented；The probability of an object belonging；Bayesian theory；Rule

1672－8262(2011)01－84－03

TP751，P237

A

2010—07—14

徐昌榮(1964—)，男，教授，研究方向:大地測量技術(shù)，空間定位技術(shù)，地理信息系統(tǒng)應(yīng)用開發(fā)、空間數(shù)據(jù)采集技術(shù)。