一種新的面向?qū)ο蟪鞘薪ㄖ镄畔⑻崛》椒ㄑ芯?/h1>
2015-12-14 06:09:52樊舒迪胡月明劉振華
樊舒迪，胡月明 ，劉振華
(華南農(nóng)業(yè)大學(xué)資源環(huán)境學(xué)院，國土資源部建設(shè)用地再開發(fā)重點(diǎn)實(shí)驗(yàn)室，廣東省土地利用與整治重點(diǎn)實(shí)驗(yàn)室，廣東省土地信息工程技術(shù)研究中心，廣州510642)
城市建筑用地信息提取是城市發(fā)展規(guī)劃和建筑用地開發(fā)的重要基礎(chǔ)工作，快速、準(zhǔn)確的建筑用地信息能夠在國家的城鎮(zhèn)化進(jìn)程中發(fā)揮重要作用. 隨著遙感技術(shù)的發(fā)展，影像地表信息的提取變?yōu)榭赡?，在城市建設(shè)用地信息提取方面取得一定的成就. 曹雪和柯長青［1］結(jié)合高分辨率影像提出一種多尺度遙感分類算法提取城市建筑信息;劉勇洪等［2］基于決策樹對影像進(jìn)行分類;孫曉霞等［3］利用面向?qū)ο蠓诸惙椒◤腎KONOS 全色影像中提取城市中的道路信息;程家聰［4］通過多尺度分割后，基于樣本的面向?qū)ο蠓诸愄崛≈槿堑貐^(qū)的建筑用地信息;徐涵秋［5］通過對譜間特征和歸一化指數(shù)分析對城市建筑用地信息進(jìn)行提取;樊風(fēng)雷等［6］分析了建筑用地、水體和植被等3個(gè)指數(shù)的分布規(guī)律，找出了獲取建筑用地信息的最優(yōu)組合，獲取了全新的NDBI 提取建筑信息.
目前的城市信息提取方法大致分為以下4 種:(1)利用非監(jiān)督分類分類器進(jìn)行分類，也稱為聚類分析，如ISODATA、鏈狀方法等［7］;(2)經(jīng)過特征判斷和樣本選取后，利用監(jiān)督分類分類器進(jìn)行分類，如最小距離、最大似然、支持向量機(jī)等;(3)利用成熟的單一指數(shù)或多個(gè)指數(shù)結(jié)合進(jìn)行提取;(4)將地物作為對象，采用面向?qū)ο蟮姆诸惙椒▽δ繕?biāo)地物進(jìn)行提取.
基于遙感影像進(jìn)行建筑物自動提取技術(shù)存在諸多問題:(1)傳統(tǒng)的影像信息提取是在光譜分析的基礎(chǔ)上進(jìn)行的，由于高分辨率影像的光譜信息十分有限，此類方法不能最大程度地挖掘建筑物信息;(2)采用單一歸一化指數(shù)或是多個(gè)指數(shù)組合的方法雖然可以有效地獲取建筑用地信息，同樣因高分辨率影像光譜信息的局限性，該類方法效果好壞取決于影像融合結(jié)果的優(yōu)劣;(3)建筑用地不同于其他類型的地物，其獲取方式有一定的針對性. 綜上所述，由于眾多條件的限制和影響，在影像中提取建筑特征比水體、綠地等信息更加具有挑戰(zhàn)性.
建筑用地信息提取方法的研究更多地把關(guān)注點(diǎn)放在地物光譜信息的差異，雖然考慮了多因子結(jié)合聯(lián)合提取的可能性，但還未將地物的形狀、紋理、大小、相鄰關(guān)系納入考慮范圍，就高空間分辨率遙感的影像而言，其地物景觀的結(jié)構(gòu)、紋理、幾何特征和位置等信息更為豐富.因此，本文采用多尺度分割和基于規(guī)則知識庫結(jié)合的方法對廣州市白云區(qū)的建筑用地進(jìn)行提取.
1 材料與方法
1.1 研究區(qū)概況
以白云區(qū)榕溪街區(qū)為研究區(qū)，該區(qū)的建筑物分布密度大且綠化較少，東部與鐵路相鄰，西街與大岡街區(qū)隔水相望，南部有榕溪花園(圖1).
圖1 研究區(qū)(QuickBird-2 真彩色合成)Figure 1 Study area (QuickBird-2 true color)
1.2 數(shù)據(jù)及預(yù)處理
采用QuickBird-2 衛(wèi)星數(shù)據(jù)，QuickBird-2 多光譜有4個(gè)波段，其分辨率為2.44 m，全色波段1個(gè)，空間分辨率為0.61 m; 該數(shù)據(jù)的多光譜波段為可見近/紅外波段，傳感器的可見光/近紅外部分與Landsat-7 ETM 數(shù)據(jù)中的可見光/近紅外的波譜范圍基本一致.其掃描寬度為16.50 km;重訪周期1.00 ～3.50 d，隨緯度不同而異，研究區(qū)影響像素為555*444，對應(yīng)面積為9.16 km2.本文采用ENVI 5.1 平臺開發(fā)的基于MODTRAN4+輻射傳輸模型的FLAASH模塊對QuickBird-2 各波段進(jìn)行大氣校正. 考慮到QuickBird-2 包含較低分辨率多光譜數(shù)據(jù)和高分辨率全波段數(shù)據(jù)，采用Gram-Schmidt 融合方法對QuickBird-2 數(shù)據(jù)進(jìn)行融合，從多光譜波段中提取1個(gè)波段作為全色波段，對提取出的全色波段和多光譜波段進(jìn)行變換，將改全色波段被作為變換的第一波段;用高分辨率的全色波段替換Gram-Schmidt 變換后的第一波段;最后應(yīng)用Gram-Schmidt 反變換得到融合圖像(圖2).
圖2 融合前后圖像對比Figure 2 Comparison of images before and after fusion
1.3 研究方法
采用尺度分割和規(guī)則數(shù)據(jù)庫結(jié)合的方法，技術(shù)流程見圖3，首先對高分遙感多光譜和高光譜數(shù)據(jù)進(jìn)行融合，并以融合后的結(jié)果為研究對象采用基于Mumford-Shah 模型的Full Lambda-Schedule 算法做多尺度分割;最后，經(jīng)過反復(fù)試驗(yàn)，選取包含光譜特征、形狀特征、幾何特征和紋理特征等多個(gè)指標(biāo)建立規(guī)則知識庫，利用此規(guī)則知識庫對Full Lambda-Schedule 算法獲取的多尺度分割結(jié)果進(jìn)行分類，從而得到較高的分類結(jié)果.
圖3 技術(shù)流程圖Figure 3 Technical flowchart
1.3.1 多尺度分割-MumfordShah 模型 圖像分割的目的在于將圖像中相似度高的灰度值或遙感影像中輻射亮度值的區(qū)域分離出來，然后通過各個(gè)區(qū)域邊界的方式表達(dá). Full Lambda-Schedule 算法是基于簡化的Mumford-Shah 模型針對Synthetic Aperture Radar(SAR) 影像的初步識別、地物特征獲取以及挖掘潛在研究區(qū)目標(biāo)地物的需求而提出的. 基本思想是統(tǒng)籌考慮影像數(shù)據(jù)中的光譜信息、形狀信息以及空間信息，對相鄰區(qū)域的像元集合區(qū)域迭代至一定的預(yù)設(shè)條件，以完成對圖像的分割［7］.
假設(shè)u(x，y)是定義域Ω 的圖像，K 是圖像邊界，它將圖像分成若干個(gè)離散的區(qū)域，得到分割圖像u0(x，y)，則Mumford-Shah 模型目的就是找出最優(yōu)的邊界，將定義域內(nèi)的若干分離像元集合連接起來，最終分割后的圖像u0(x，y)與原來的任何分割圖像u(x，y)形成邊界的誤差相比都要小，即令方程最小化:
其中，K 為分割得到的邊界集合;邊界總長度為φ(K);Ω 為已有圖像;g 為圖像Ω 的灰度值;u 表示圖像各個(gè)子區(qū)域的分段近似值常數(shù);λ為分割參數(shù)，若λ取值較小，得到細(xì)節(jié)較多的分割結(jié)果，反之，得到細(xì)節(jié)較少的分割結(jié)果.
Mumford-Shah 模型是一種很好的分割架構(gòu)，該模型優(yōu)點(diǎn)在于不需要知道待分割圖像區(qū)域的先驗(yàn)知識，完全可以基于圖像數(shù)據(jù)來完成分割.要將該模型應(yīng)用于實(shí)際的數(shù)字圖像分割中，就需要將其離散化.將Ω 看作一個(gè)由離散變量i (i =1，2，…，n)索引的像元集合，圖像g 和它的模型分別由每個(gè)像元灰度值g(i)和u(i)表示，分割后得到的區(qū)域?yàn)閳D像Ω 被邊界K 分成的子集，K 表示邊界，φ(K)表示邊界包含的像元總數(shù).
式(1)離散化后，轉(zhuǎn)化為:
對于固定的邊界K，當(dāng)u 為每個(gè)區(qū)域的均值時(shí)，E(u，K)達(dá)到最小，因此可以假設(shè):
其中O 表示整個(gè)圖像區(qū)域.要令式(3)最小，需通過區(qū)域生長的方法，Oi表示圖像的第i 子區(qū)域，ui表示該區(qū)域所有g(shù) 值的均值，θ(Oi，Oj)表示子區(qū)域Oi和Oj的公共邊長，區(qū)域合并的標(biāo)準(zhǔn)如下［8］:E(K，θ(Oi，Oj))－E(K) =
其中|Oi|表示第i 子區(qū)域面積;若Oi、Oj滿足條件λ≥ti，j時(shí)，說明Oi、Oj需要被合并，ti，j表示方法如下:
其中，Oi表示圖像Ω 的第i 子區(qū)域，|Oi|表示第i 子區(qū)域面積，ui表示該區(qū)域所有g(shù) 值的均值，‖ui－uj‖2表示第i 子區(qū)域和第子區(qū)域的歐式距離，φ(θ(Oi，Oj))表示第i 子區(qū)域和第j 子區(qū)域的公共邊長.
簡單描述Full Lambda-Schedule 算法如下:
初始階段，將圖像中的每個(gè)像元都作為一類地物，如50* 50 的圖像在初始狀態(tài)下，認(rèn)為該圖像存在2 500個(gè)地物類型.
第二階段，對所有相鄰區(qū)域的像元計(jì)算其ti，j值，并通過一般的排序方法定位最小的ti，j值，并且確定最小值的下標(biāo)編號i 和j.
第三階段，將第二階段定位到的編號為i 和j 區(qū)域內(nèi)的像元作為同一類地物，即一個(gè)新的地物類型.
最后，重復(fù)第三階段的合并過程，直到ti，j大于合并預(yù)設(shè)的終止條件為止，假如只剩下一類地物，同樣終止運(yùn)算.
1.3.2 建筑物規(guī)則知識庫的建立 面向?qū)ο蠹夹g(shù)將對象作為最小單元，采用基于規(guī)則(rule) 的方法提取地物信息，對每個(gè)對象設(shè)置規(guī)則對其對象進(jìn)行約束，每一個(gè)規(guī)則中包含許多屬性，每個(gè)屬性都是對其規(guī)則的描述.每個(gè)對象可包含一個(gè)或者多個(gè)規(guī)則，每個(gè)規(guī)則包含多個(gè)屬性，每個(gè)對象中各個(gè)規(guī)則之間的關(guān)系是邏輯運(yùn)算中“或”的關(guān)系，每個(gè)規(guī)則中各個(gè)屬性之間的關(guān)系是邏輯運(yùn)算中“且”的關(guān)系.通過以上規(guī)則的邏輯關(guān)系，建立合理的規(guī)則體系可實(shí)現(xiàn)對地物的精確識別.參考文獻(xiàn)［9－11］，本文根據(jù)光譜特征、形狀特征、幾何特征和紋理特征等指標(biāo)建立建筑物規(guī)則知識庫.
(1)對地表建筑物提取必須先排除其他類型的地物，首先要排除水體的影響，本文根據(jù)當(dāng)前的數(shù)據(jù)情況改進(jìn)了Xu［12］提出的MNDWI.對構(gòu)成該指數(shù)的波長組合進(jìn)行了修改，可以看出MNDIWI 需要數(shù)據(jù)中包含中紅外波段，現(xiàn)有數(shù)據(jù)并不滿足此條件，通過水體的光譜特征分析，發(fā)現(xiàn)水體對可見光中的綠色波段反射率相對近紅外較高，與其他的地物有著較明顯的區(qū)別，鑒于以上情況，采用近紅外替代中紅外，分別在含不同水體類型的遙感影像進(jìn)行實(shí)驗(yàn)，獲得了與MNDWI 相似的效果，精度與原有的指數(shù)相持平.實(shí)驗(yàn)還發(fā)現(xiàn)，改進(jìn)后的歸一化指數(shù)比原來的NDWI 更能夠體現(xiàn)出水體內(nèi)部不易發(fā)掘的特征，如懸浮顆粒的密度、沉淀物的狀態(tài)變化、水體污染情況等.除此之外，MNDWI_Changed 能夠有效地剔除水體中的陰影區(qū)域，解決了消除水體陰影的難題.修改后的MNDWI 用于精確分辨影像中的水體，修改后的歸一化水體指數(shù)為:
其中，Bgreen表示綠色波段反射率，Bnir表示近紅外波段反射率.使用修改后的指數(shù)可較精確地區(qū)分研究區(qū)水體信息.
(2)在排除植被影響的過程中，考慮到植被光譜中近紅外和紅色波段的典型光譜特性，可以利用歸一化植被指數(shù)進(jìn)行提取. 城市中的植被主要以公園的植被和道路中的綠化帶為主，由于植被的近紅外波段與紅色波段差值明顯大于建筑物以及水體等地物.經(jīng)過反復(fù)試驗(yàn)，本文將與之定為0.30，大于或等于閾值的地物為植被.
(3)道路的光譜特性與低反射率的建筑物十分相似，僅通過各波段的反射率難以將其區(qū)分.通過對道路的幾何形狀特征分析，可知道路主要呈狹長的帶狀，亮度與低反射率建筑物相似，根據(jù)以上特征，可以使用空間屬性中的延伸性和形狀要素進(jìn)行提取.
(4)地表建筑物相對復(fù)雜，不能單一采用光譜特征來進(jìn)行判斷，可以采用主成分分析提取出主要信息［12］，其中包括大部分的建筑物、部分植被、部分水體以及少量陰影，首先排除植被、水體和陰影，通過植被指數(shù)NDVI ＞0.30 排除植被，剩下建筑物、水體和陰影. 然后通過MNDIWI_Changed ＞0 排除水體，得到建筑物和陰影. 由于陰影的光譜比較特殊，可通過(Band(B)－Band(R)) /(Band(NIR)－Band(R)) ＜0 進(jìn)行提取，除此之外，還需外加規(guī)則Band(NIR) ＜1 000.00 和AREA ＜100.00 約束以去除一些噪聲的影響，以上條件為第一層條件.
對于建筑物的光譜特征判斷，可知建筑物反射率隨波長單調(diào)遞增且斜率增大，可以建立規(guī)則知識庫使用約束條件:(Band( R)－ Band( B)) /( Band(NIR)－Band(R)) ＞0 AND Band(B)－Band(R) ＜0 AND (Band(R)－ Band(B)) ＞(Band(NIR)－ Band(R)) AND (Band(R)－ Band(G)) /(660－560) ＞(Band(NIR)－Band(R)) /(830－660); 對于建筑物的形狀特征，該街區(qū)并無大面積的廠房或廣場，可以添加約束條件:AREA ＜300.00 AND (RECT_FIT ＜1.00 OR 1.00 ＜=ELONGATION ＜5.00 OR FORMFACTOR ＞1.27 OR LENGTH ＞92.96 OR 15.00 ＜=MAINDIR ＜=75.00)，以上條件為第二層規(guī)則.根據(jù)低反射率建筑的光譜曲線分析，其可見光近紅外反射率在0.10 ～0.20，需要在第二層條件基礎(chǔ)上添加新的約束條件:Mean( Band( B)) ＞1 000.00 AND Mean( Band( NIR)) ＜2 000.00，其中，Mean( Band(* ))表示地物某波段反射率，由于原始數(shù)據(jù)經(jīng)過輻射校正，數(shù)據(jù)存在10 000 的倍率，在此特別說明(1 000 表示地物反射率為0.10). 同理，根據(jù)低反射率建筑的光譜曲線，在第二層條件上添加約束條件:Mean(Band(B)) ＞1 250.00 AND Mean(Band(NIR))＜1 750.00;對于高反射率建筑物，由于已知其光譜曲線為單調(diào)遞增函數(shù)，只需添加約束條件:Mean(Band(B)) ＞2 000.00.由于研究區(qū)存在一些藍(lán)色屋頂?shù)慕ㄖ?，需要另分一類，由于藍(lán)色屋頂建筑的光譜曲線與陰影相似，但反射率整體高于陰影，去除水體和植被的影響后，將陰影提取出來，并添加光譜特征條件:Mean(Band(B)) ＞1 000.00 AND Mean(Band(NIR)) ＜2 000.00.
2 結(jié)果與分析
2.1 利用Full Lambda-Schedule 算法進(jìn)行多尺度分割
本文利用Full Lambda-Schedule 算法對原始影像進(jìn)行多尺度分割. Full Lambda-Schedule 算法中的閾值設(shè)置如下:記t 為地物與背景的分割閾值;地物像元數(shù)占圖像比例為w0; 平均灰度為u0; 背景像元數(shù)占圖像比例為w1，平均灰度為u1，圖像的總平均灰度為:u =w0u0+w1u1，從最小灰度值到最大灰度值遍歷t，當(dāng)t 使得值g =w0(u0－u)2+w1(u1－u)2最大時(shí)，t 即為分割的最佳閾值. 經(jīng)過反復(fù)實(shí)驗(yàn)對比發(fā)現(xiàn)，在分割與合并的閾值分別為80 和50 條件下，能夠最大可能地將不同類型(光譜特性)的地物分開并且合并同類的碎塊.多尺度分割后(圖4)，原有的噪聲得到了很好的控制. 雖然多尺度分割最大可能地將不同類型的地物分開并且合并同類的碎塊，但由于地物本身的形狀、紋理等性質(zhì)的差異，依然存在同一類地物被分成了2 類甚至多類的現(xiàn)象，在這樣的情況之下，需要在此基礎(chǔ)上結(jié)合規(guī)則知識庫對信息提取進(jìn)行優(yōu)化.
圖4 分割前后圖像對比Figure 4 Comparison of images before and after segmentation
2.2 地表建筑物信息提取
在多尺度分割的基礎(chǔ)之上，根據(jù)遙感影像信息、相關(guān)資料的收集和調(diào)查，將地物分類為8 類(植被、水體、藍(lán)色屋頂建筑物、高反射建筑、中反射建筑、低反射建筑、道路和陰影)進(jìn)行信息提取. 其中，藍(lán)色屋頂?shù)慕ㄖ锸卿摻Y(jié)構(gòu)廠房或貨集裝箱房，屋頂采用藍(lán)色彩鋼瓦或防火巖棉夾芯板，低反射建筑是光譜反射率大約0.10 的建筑物，其光譜與道路的相似，中反射建筑是一般的建筑，如城中村的紅磚房、表層深色涂料的房屋等，其反射率介于0.10 ～0.20之間，高反射建筑物是指表層為反光涂料如白色輕質(zhì)隔墻板的建筑，其反射率在0.20 以上，光譜特性區(qū)別于其他建筑. 用FullLambda-Schedule 算法對影像進(jìn)行多尺度分割后，根據(jù)各個(gè)地物的紋理特征、形狀特征和光譜特征，通過邏輯運(yùn)算對每類地物進(jìn)行進(jìn)一步提取，提取結(jié)果如圖5C 所示.為了便于比較分析，本文分別采用一般面向?qū)ο蠓ā跇颖咎卣鞯拿嫦驅(qū)ο蠓诸惡捅O(jiān)督分類法提取地表結(jié)構(gòu)信息(圖5A 和圖5B).由圖5 可看出，傳統(tǒng)的監(jiān)督分類并沒有對圖像進(jìn)行分割，出現(xiàn)較多的噪聲，造成部分水體被錯分為陰影，而傳統(tǒng)的基于樣本特征的面向?qū)ο蠓诸?，很難將低反射建筑物從中反射建筑物中分離.對于本文的高分辨率影像數(shù)據(jù)，采用基于規(guī)則的方法，結(jié)合對光譜特征的判斷，通過知識庫的一系列規(guī)則的限定，更容易將原有錯分為陰影的道路和基于樣本特征的面向?qū)ο蠓诸惡茈y提取的低反射建筑物提取出來，不但提高了特征提取的精度，而且規(guī)則易于理解，可行性較高.
本文采用的數(shù)據(jù)分辨率較高，相對于監(jiān)督分類來說，面向?qū)ο蠓椒ㄌ崛〉匚镄畔⒖尚行愿?，?yōu)勢更大.文中采用的基于規(guī)則的面向?qū)ο蠓诸愒谝话愕拿嫦驅(qū)ο蠓椒ǖ幕A(chǔ)上，加入了形狀要素、矩形要素、紋理要素等條件約束可優(yōu)化城市信息的提取，得到精度更高的結(jié)果(圖6).可以看出，面向?qū)ο蠓椒ū葌鹘y(tǒng)監(jiān)督分類更好地提取建筑物的輪廓，減少噪聲，得益于規(guī)則知識庫的條件限制，基于規(guī)則的面向?qū)ο蠓诸惖男畔⑻崛【缺纫话愕拿嫦驅(qū)ο蠓椒ǜ撸崛〉男Ч?，比傳統(tǒng)方法更適合高分辨率影像的城市信息提取.城市地區(qū)的矩形輪廓較為明顯，原本由于高樓、樹冠等地物形成的陰影被去除.
圖5 分類結(jié)果Figure 5 Classification results
圖6 城市信息提取結(jié)果Figure 6 Information extraction results of city
2.3 精度驗(yàn)證
通過對訓(xùn)練區(qū)隨抽樣、相關(guān)資料的收集調(diào)查和目視解譯的方法對分類結(jié)果進(jìn)行精度評價(jià)，其結(jié)果見表1 ～表3，結(jié)果表明總體精度等于被正確分類的像元數(shù)除以總像元數(shù)，其中基于規(guī)則的面向?qū)ο蠓诸惖目傮w精度為87.01%，基于樣本的面向?qū)ο蠓诸惖目傮w精度為81.17%，最大似然分類的總體精度為72.54%.在最大似然分類誤差矩陣中，植被分類的精度較高，誤差較小;但是水體、道路、陰影和藍(lán)色屋頂?shù)慕ㄖ镥e分誤差較大，有相當(dāng)一部分的道路被錯分類為低反射建筑物，這主要是由于道路與低反射建筑物的光譜特性十分接近，僅僅通過光譜特征難以從低反射建筑物中提取出道路;同樣也有一部分藍(lán)色屋頂建筑未被從低反射建筑物中提取出來，這是因?yàn)樗{(lán)色屋頂?shù)耐苛喜槐M相同，有部分與低反射地物的光譜極為相似，導(dǎo)致錯分現(xiàn)象的出現(xiàn).面向?qū)ο蟮姆诸惙椒ǔ浞掷昧说匚锏募y理特征、形狀特征和光譜特征等對象知識，綜合分析各個(gè)特征，道路提取的精度得到了顯著提高，除此之外，部分水體被錯分類為陰影的問題也得到很好解決，錯分和漏分比傳統(tǒng)監(jiān)督分類要少得多，總體精度也達(dá)到了87.01%，該方法比一般的面向?qū)ο蠓椒ǖ目傮w精度更高. 最大似然分類方法的Kappa 系數(shù)為0.68，表示達(dá)到中等的一致性;基于樣本的面向?qū)ο蠓ǖ腒appa 系數(shù)為0.81，基于規(guī)則的面向?qū)ο蠓ǖ腒appa 系數(shù)為0.87，幾乎完全一致，對于高分辨率影像的建筑物的信息提取，面向?qū)ο蟮姆椒▋?yōu)于傳統(tǒng)監(jiān)督分類，而本文的方法比一般的面向?qū)ο蠓椒ň雀?，更適用于高分辨率的遙感影像信息提取.
表1 基于規(guī)則的面向?qū)ο蠓ň仍u價(jià)Table 1 The accuracy assessment of rule-based object-oriented method
表2 基于樣本的面向?qū)ο蠓ň仍u價(jià)Table 2 The accuracy assessment of example-based object-oriented method
表3 最大似然分類方法精度評價(jià)Table 3 The accuracy assessment of maximum likelihood method
3 結(jié)論
多尺度分割技術(shù)與知識庫結(jié)合的方法很好地解決了傳統(tǒng)方法的噪聲問題，這是因?yàn)榧?xì)小的噪聲低于判斷閾值，被合并入相鄰區(qū)域中，在分析時(shí)被作為同類像元對待，即同一對象.該方法在分類過程中靈活地應(yīng)用影像中的各種光譜特征、幾何特征、紋理特征、空間屬性和拓?fù)潢P(guān)系建立有層次的規(guī)則知識庫，符合人的思維，高分辨率影像的城市信息提取工作中可行性高.
尺度分割和規(guī)則數(shù)據(jù)庫結(jié)合的方法可以有效地避免傳統(tǒng)的基于像素分類時(shí)出現(xiàn)一些錯分類或漏分類的情況(如:道路和陰影)，比其分類方式更加符合人類的思維方式，與實(shí)際值更接近，總體分類精度可達(dá)到87.01%，是高分辨率影像城市信息提取的較為有效的方法，精度有保障.
本文提取城市信息具有一定的局限性:其一，多尺度分割的閾值是通過像元數(shù)所占比例確定，耗時(shí)較長，需要經(jīng)過多次試驗(yàn)，如果研究區(qū)過大，可能出現(xiàn)多個(gè)閾值，需要對研究區(qū)進(jìn)行分區(qū)然后在逐一確定閾值;其二，一種地物區(qū)別于其他地物的特征難以選取，同樣需要大量試驗(yàn)，且需要擁有豐富的遙感學(xué)、地理學(xué)、物理學(xué)和材料學(xué)等知識以及信息提取經(jīng)驗(yàn)作為支撐.
［1］曹雪，柯長青. 基于對象級的高分辨率遙感影像分類研究［J］.遙感信息，2006(5):27－29.Cao X， Ke C Q. Classification of high-resolution remote sensing images using object-oriented method［J］. Remote Sensing Information，2006(5):27－29.
［2］劉勇洪，牛錚，王長耀.基于MODIS 數(shù)據(jù)的決策樹分類方法研究與應(yīng)用［J］. 遙感學(xué)報(bào)，2005，9(4):407－409.Liu Y H， Niu Z， Wang C Y. Research and application of the decision tree classification using MODIS data［J］.Journal of Remote Sensing，2005，9(4):407－409.
［3］孫曉霞，張繼賢，劉正軍. 利用面向?qū)ο蠓诸惙椒◤腎KONOS 全色影像中提取河流和道路［J］. 測繪科學(xué)，2006，31(1):62－63.Sun X X， Zhang J X， Liu Z J. Extracting the river and the road using an object oriented technique from IKONOS panchromatic imagery［J］. Science of Surveying and Mapping，2006，31(1):62－63.
［4］程家聰.面向?qū)ο蟮母叻直媛蔬b感信息提取技術(shù)研究［D］.武漢:華中科技大學(xué)，2013.Cheng J C. Object-oriented information extraction technology research of high resolution remote sensing［D］.Wuhan: Huazhong University of Science ＆ Technology，2013.
［5］徐涵秋.基于譜間特征和歸一化指數(shù)分析的城市建筑用地信息提?。跩］.地理研究，2005，24(2):311－320.Xu H Q. Fast information extraction of urban built-up land based on the analysis of spectral signature and normalized difference index ［J］. Geographical Research，2005，24(2):311－320.
［6］樊風(fēng)雷，劉潤萍，張佃國.一種改進(jìn)的城市建筑用地信息提取方法及在廣州地區(qū)的應(yīng)用［J］. 華南師范大學(xué)學(xué)報(bào):自然科學(xué)版，2014，46(4):98－102.Fan F L，Liu R P，Zhang D G. An improved method to extract building land information and the application in Guangzhou［J］. Journal of South China Normal University:Natural Science Edition，2014，46(4):98－102.
［7］馮登超.基于最小距離法的遙感圖像分類［J］.北華航天工業(yè)學(xué)報(bào)，2012，22(3):1－2.Feng D C. Remote sensing image classification based on minimum distance method［J］. Journal of North China Institute of Aerospace Engineering，2012，22(3):1－2.
［8］Robinson D J，Redding N J，Crisp D J.Implementation of a fast algorithm for segmenting SAR imagery［R］. Australia: DefenseScience and Technology Organization，2002:34.
［9］Koepfler G， Lopez C， Morel J M.A multisca1e a1gorithm for image segmentation by variational method［J］. SIMA Journal on Numerical Analysis，1994，31(1):282－299.
［10］胡進(jìn)剛. 一種面向?qū)ο蟮母叻直嬗跋竦缆诽崛》椒ǎ跩］.遙感技術(shù)與應(yīng)用，2006，21(3):184－188.Hu J G. A method of road extraction in high-resolution remote sensing imagery based on object-oriented image analysis［J］. Remote Sensing Technology and Application，2006，21(3):184－188.
［11］Mcfeeters S K.The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features［J］. International Journal of Remote Sensing，1996，17(7):1425－1432.
［12］Xu H. A new index for delineating built-up land features in satellite imagery［J］. International Journal of Remote Sensing，2008，29(14):4269－4276.
猜你喜歡
基于三維Saab變換的高光譜圖像壓縮方法北京航空航天大學(xué)學(xué)報(bào)(2022年8期)2022-08-31 08:58:58 鄰近既有建筑物全套管回轉(zhuǎn)鉆機(jī)拔樁技術(shù)鐵道建筑技術(shù)(2021年4期)2021-07-21 05:33:36 描寫建筑物的詞語小學(xué)生學(xué)習(xí)指導(dǎo)(低年級)(2019年9期)2019-09-25 07:43:18 面向?qū)ο蟮挠?jì)算機(jī)網(wǎng)絡(luò)設(shè)計(jì)軟件系統(tǒng)的開發(fā)電子測試(2018年15期)2018-09-26 06:01:34 面向?qū)ο蟮臄?shù)據(jù)交換協(xié)議研究與應(yīng)用電測與儀表(2017年24期)2017-12-19 05:15:24 面向?qū)ο骔eb開發(fā)編程語言的的評估方法現(xiàn)代計(jì)算機(jī)(2016年12期)2016-02-28 18:35:25 星載近紅外高光譜CO2遙感進(jìn)展中國光學(xué)(2015年5期)2015-12-09 09:00:28 火柴游戲小天使·二年級語數(shù)英綜合(2015年12期)2015-12-04 16:36:12 苦味酸與牛血清蛋白相互作用的光譜研究食品工業(yè)科技(2014年23期)2014-03-11 18:18:54 鋱（Ⅲ）與PvdA作用的光譜研究無機(jī)化學(xué)學(xué)報(bào)(2014年1期)2014-02-28 17:30:08
樊舒迪，胡月明 ，劉振華
(華南農(nóng)業(yè)大學(xué)資源環(huán)境學(xué)院，國土資源部建設(shè)用地再開發(fā)重點(diǎn)實(shí)驗(yàn)室，廣東省土地利用與整治重點(diǎn)實(shí)驗(yàn)室，廣東省土地信息工程技術(shù)研究中心，廣州510642)
城市建筑用地信息提取是城市發(fā)展規(guī)劃和建筑用地開發(fā)的重要基礎(chǔ)工作，快速、準(zhǔn)確的建筑用地信息能夠在國家的城鎮(zhèn)化進(jìn)程中發(fā)揮重要作用. 隨著遙感技術(shù)的發(fā)展，影像地表信息的提取變?yōu)榭赡?，在城市建設(shè)用地信息提取方面取得一定的成就. 曹雪和柯長青［1］結(jié)合高分辨率影像提出一種多尺度遙感分類算法提取城市建筑信息;劉勇洪等［2］基于決策樹對影像進(jìn)行分類;孫曉霞等［3］利用面向?qū)ο蠓诸惙椒◤腎KONOS 全色影像中提取城市中的道路信息;程家聰［4］通過多尺度分割后，基于樣本的面向?qū)ο蠓诸愄崛≈槿堑貐^(qū)的建筑用地信息;徐涵秋［5］通過對譜間特征和歸一化指數(shù)分析對城市建筑用地信息進(jìn)行提取;樊風(fēng)雷等［6］分析了建筑用地、水體和植被等3個(gè)指數(shù)的分布規(guī)律，找出了獲取建筑用地信息的最優(yōu)組合，獲取了全新的NDBI 提取建筑信息.
目前的城市信息提取方法大致分為以下4 種:(1)利用非監(jiān)督分類分類器進(jìn)行分類，也稱為聚類分析，如ISODATA、鏈狀方法等［7］;(2)經(jīng)過特征判斷和樣本選取后，利用監(jiān)督分類分類器進(jìn)行分類，如最小距離、最大似然、支持向量機(jī)等;(3)利用成熟的單一指數(shù)或多個(gè)指數(shù)結(jié)合進(jìn)行提取;(4)將地物作為對象，采用面向?qū)ο蟮姆诸惙椒▽δ繕?biāo)地物進(jìn)行提取.
基于遙感影像進(jìn)行建筑物自動提取技術(shù)存在諸多問題:(1)傳統(tǒng)的影像信息提取是在光譜分析的基礎(chǔ)上進(jìn)行的，由于高分辨率影像的光譜信息十分有限，此類方法不能最大程度地挖掘建筑物信息;(2)采用單一歸一化指數(shù)或是多個(gè)指數(shù)組合的方法雖然可以有效地獲取建筑用地信息，同樣因高分辨率影像光譜信息的局限性，該類方法效果好壞取決于影像融合結(jié)果的優(yōu)劣;(3)建筑用地不同于其他類型的地物，其獲取方式有一定的針對性. 綜上所述，由于眾多條件的限制和影響，在影像中提取建筑特征比水體、綠地等信息更加具有挑戰(zhàn)性.
建筑用地信息提取方法的研究更多地把關(guān)注點(diǎn)放在地物光譜信息的差異，雖然考慮了多因子結(jié)合聯(lián)合提取的可能性，但還未將地物的形狀、紋理、大小、相鄰關(guān)系納入考慮范圍，就高空間分辨率遙感的影像而言，其地物景觀的結(jié)構(gòu)、紋理、幾何特征和位置等信息更為豐富.因此，本文采用多尺度分割和基于規(guī)則知識庫結(jié)合的方法對廣州市白云區(qū)的建筑用地進(jìn)行提取.
1 材料與方法
1.1 研究區(qū)概況
以白云區(qū)榕溪街區(qū)為研究區(qū)，該區(qū)的建筑物分布密度大且綠化較少，東部與鐵路相鄰，西街與大岡街區(qū)隔水相望，南部有榕溪花園(圖1).
圖1 研究區(qū)(QuickBird-2 真彩色合成)Figure 1 Study area (QuickBird-2 true color)
1.2 數(shù)據(jù)及預(yù)處理
采用QuickBird-2 衛(wèi)星數(shù)據(jù)，QuickBird-2 多光譜有4個(gè)波段，其分辨率為2.44 m，全色波段1個(gè)，空間分辨率為0.61 m; 該數(shù)據(jù)的多光譜波段為可見近/紅外波段，傳感器的可見光/近紅外部分與Landsat-7 ETM 數(shù)據(jù)中的可見光/近紅外的波譜范圍基本一致.其掃描寬度為16.50 km;重訪周期1.00 ～3.50 d，隨緯度不同而異，研究區(qū)影響像素為555*444，對應(yīng)面積為9.16 km2.本文采用ENVI 5.1 平臺開發(fā)的基于MODTRAN4+輻射傳輸模型的FLAASH模塊對QuickBird-2 各波段進(jìn)行大氣校正. 考慮到QuickBird-2 包含較低分辨率多光譜數(shù)據(jù)和高分辨率全波段數(shù)據(jù)，采用Gram-Schmidt 融合方法對QuickBird-2 數(shù)據(jù)進(jìn)行融合，從多光譜波段中提取1個(gè)波段作為全色波段，對提取出的全色波段和多光譜波段進(jìn)行變換，將改全色波段被作為變換的第一波段;用高分辨率的全色波段替換Gram-Schmidt 變換后的第一波段;最后應(yīng)用Gram-Schmidt 反變換得到融合圖像(圖2).
圖2 融合前后圖像對比Figure 2 Comparison of images before and after fusion
1.3 研究方法
采用尺度分割和規(guī)則數(shù)據(jù)庫結(jié)合的方法，技術(shù)流程見圖3，首先對高分遙感多光譜和高光譜數(shù)據(jù)進(jìn)行融合，并以融合后的結(jié)果為研究對象采用基于Mumford-Shah 模型的Full Lambda-Schedule 算法做多尺度分割;最后，經(jīng)過反復(fù)試驗(yàn)，選取包含光譜特征、形狀特征、幾何特征和紋理特征等多個(gè)指標(biāo)建立規(guī)則知識庫，利用此規(guī)則知識庫對Full Lambda-Schedule 算法獲取的多尺度分割結(jié)果進(jìn)行分類，從而得到較高的分類結(jié)果.
圖3 技術(shù)流程圖Figure 3 Technical flowchart
1.3.1 多尺度分割-MumfordShah 模型 圖像分割的目的在于將圖像中相似度高的灰度值或遙感影像中輻射亮度值的區(qū)域分離出來，然后通過各個(gè)區(qū)域邊界的方式表達(dá). Full Lambda-Schedule 算法是基于簡化的Mumford-Shah 模型針對Synthetic Aperture Radar(SAR) 影像的初步識別、地物特征獲取以及挖掘潛在研究區(qū)目標(biāo)地物的需求而提出的. 基本思想是統(tǒng)籌考慮影像數(shù)據(jù)中的光譜信息、形狀信息以及空間信息，對相鄰區(qū)域的像元集合區(qū)域迭代至一定的預(yù)設(shè)條件，以完成對圖像的分割［7］.
假設(shè)u(x，y)是定義域Ω 的圖像，K 是圖像邊界，它將圖像分成若干個(gè)離散的區(qū)域，得到分割圖像u0(x，y)，則Mumford-Shah 模型目的就是找出最優(yōu)的邊界，將定義域內(nèi)的若干分離像元集合連接起來，最終分割后的圖像u0(x，y)與原來的任何分割圖像u(x，y)形成邊界的誤差相比都要小，即令方程最小化:
其中，K 為分割得到的邊界集合;邊界總長度為φ(K);Ω 為已有圖像;g 為圖像Ω 的灰度值;u 表示圖像各個(gè)子區(qū)域的分段近似值常數(shù);λ為分割參數(shù)，若λ取值較小，得到細(xì)節(jié)較多的分割結(jié)果，反之，得到細(xì)節(jié)較少的分割結(jié)果.
Mumford-Shah 模型是一種很好的分割架構(gòu)，該模型優(yōu)點(diǎn)在于不需要知道待分割圖像區(qū)域的先驗(yàn)知識，完全可以基于圖像數(shù)據(jù)來完成分割.要將該模型應(yīng)用于實(shí)際的數(shù)字圖像分割中，就需要將其離散化.將Ω 看作一個(gè)由離散變量i (i =1，2，…，n)索引的像元集合，圖像g 和它的模型分別由每個(gè)像元灰度值g(i)和u(i)表示，分割后得到的區(qū)域?yàn)閳D像Ω 被邊界K 分成的子集，K 表示邊界，φ(K)表示邊界包含的像元總數(shù).
式(1)離散化后，轉(zhuǎn)化為:
對于固定的邊界K，當(dāng)u 為每個(gè)區(qū)域的均值時(shí)，E(u，K)達(dá)到最小，因此可以假設(shè):
其中O 表示整個(gè)圖像區(qū)域.要令式(3)最小，需通過區(qū)域生長的方法，Oi表示圖像的第i 子區(qū)域，ui表示該區(qū)域所有g(shù) 值的均值，θ(Oi，Oj)表示子區(qū)域Oi和Oj的公共邊長，區(qū)域合并的標(biāo)準(zhǔn)如下［8］:E(K，θ(Oi，Oj))－E(K) =
其中|Oi|表示第i 子區(qū)域面積;若Oi、Oj滿足條件λ≥ti，j時(shí)，說明Oi、Oj需要被合并，ti，j表示方法如下:
其中，Oi表示圖像Ω 的第i 子區(qū)域，|Oi|表示第i 子區(qū)域面積，ui表示該區(qū)域所有g(shù) 值的均值，‖ui－uj‖2表示第i 子區(qū)域和第子區(qū)域的歐式距離，φ(θ(Oi，Oj))表示第i 子區(qū)域和第j 子區(qū)域的公共邊長.
簡單描述Full Lambda-Schedule 算法如下:
初始階段，將圖像中的每個(gè)像元都作為一類地物，如50* 50 的圖像在初始狀態(tài)下，認(rèn)為該圖像存在2 500個(gè)地物類型.
第二階段，對所有相鄰區(qū)域的像元計(jì)算其ti，j值，并通過一般的排序方法定位最小的ti，j值，并且確定最小值的下標(biāo)編號i 和j.
第三階段，將第二階段定位到的編號為i 和j 區(qū)域內(nèi)的像元作為同一類地物，即一個(gè)新的地物類型.
最后，重復(fù)第三階段的合并過程，直到ti，j大于合并預(yù)設(shè)的終止條件為止，假如只剩下一類地物，同樣終止運(yùn)算.
1.3.2 建筑物規(guī)則知識庫的建立 面向?qū)ο蠹夹g(shù)將對象作為最小單元，采用基于規(guī)則(rule) 的方法提取地物信息，對每個(gè)對象設(shè)置規(guī)則對其對象進(jìn)行約束，每一個(gè)規(guī)則中包含許多屬性，每個(gè)屬性都是對其規(guī)則的描述.每個(gè)對象可包含一個(gè)或者多個(gè)規(guī)則，每個(gè)規(guī)則包含多個(gè)屬性，每個(gè)對象中各個(gè)規(guī)則之間的關(guān)系是邏輯運(yùn)算中“或”的關(guān)系，每個(gè)規(guī)則中各個(gè)屬性之間的關(guān)系是邏輯運(yùn)算中“且”的關(guān)系.通過以上規(guī)則的邏輯關(guān)系，建立合理的規(guī)則體系可實(shí)現(xiàn)對地物的精確識別.參考文獻(xiàn)［9－11］，本文根據(jù)光譜特征、形狀特征、幾何特征和紋理特征等指標(biāo)建立建筑物規(guī)則知識庫.
(1)對地表建筑物提取必須先排除其他類型的地物，首先要排除水體的影響，本文根據(jù)當(dāng)前的數(shù)據(jù)情況改進(jìn)了Xu［12］提出的MNDWI.對構(gòu)成該指數(shù)的波長組合進(jìn)行了修改，可以看出MNDIWI 需要數(shù)據(jù)中包含中紅外波段，現(xiàn)有數(shù)據(jù)并不滿足此條件，通過水體的光譜特征分析，發(fā)現(xiàn)水體對可見光中的綠色波段反射率相對近紅外較高，與其他的地物有著較明顯的區(qū)別，鑒于以上情況，采用近紅外替代中紅外，分別在含不同水體類型的遙感影像進(jìn)行實(shí)驗(yàn)，獲得了與MNDWI 相似的效果，精度與原有的指數(shù)相持平.實(shí)驗(yàn)還發(fā)現(xiàn)，改進(jìn)后的歸一化指數(shù)比原來的NDWI 更能夠體現(xiàn)出水體內(nèi)部不易發(fā)掘的特征，如懸浮顆粒的密度、沉淀物的狀態(tài)變化、水體污染情況等.除此之外，MNDWI_Changed 能夠有效地剔除水體中的陰影區(qū)域，解決了消除水體陰影的難題.修改后的MNDWI 用于精確分辨影像中的水體，修改后的歸一化水體指數(shù)為:
其中，Bgreen表示綠色波段反射率，Bnir表示近紅外波段反射率.使用修改后的指數(shù)可較精確地區(qū)分研究區(qū)水體信息.
(2)在排除植被影響的過程中，考慮到植被光譜中近紅外和紅色波段的典型光譜特性，可以利用歸一化植被指數(shù)進(jìn)行提取. 城市中的植被主要以公園的植被和道路中的綠化帶為主，由于植被的近紅外波段與紅色波段差值明顯大于建筑物以及水體等地物.經(jīng)過反復(fù)試驗(yàn)，本文將與之定為0.30，大于或等于閾值的地物為植被.
(3)道路的光譜特性與低反射率的建筑物十分相似，僅通過各波段的反射率難以將其區(qū)分.通過對道路的幾何形狀特征分析，可知道路主要呈狹長的帶狀，亮度與低反射率建筑物相似，根據(jù)以上特征，可以使用空間屬性中的延伸性和形狀要素進(jìn)行提取.
(4)地表建筑物相對復(fù)雜，不能單一采用光譜特征來進(jìn)行判斷，可以采用主成分分析提取出主要信息［12］，其中包括大部分的建筑物、部分植被、部分水體以及少量陰影，首先排除植被、水體和陰影，通過植被指數(shù)NDVI ＞0.30 排除植被，剩下建筑物、水體和陰影. 然后通過MNDIWI_Changed ＞0 排除水體，得到建筑物和陰影. 由于陰影的光譜比較特殊，可通過(Band(B)－Band(R)) /(Band(NIR)－Band(R)) ＜0 進(jìn)行提取，除此之外，還需外加規(guī)則Band(NIR) ＜1 000.00 和AREA ＜100.00 約束以去除一些噪聲的影響，以上條件為第一層條件.
對于建筑物的光譜特征判斷，可知建筑物反射率隨波長單調(diào)遞增且斜率增大，可以建立規(guī)則知識庫使用約束條件:(Band( R)－ Band( B)) /( Band(NIR)－Band(R)) ＞0 AND Band(B)－Band(R) ＜0 AND (Band(R)－ Band(B)) ＞(Band(NIR)－ Band(R)) AND (Band(R)－ Band(G)) /(660－560) ＞(Band(NIR)－Band(R)) /(830－660); 對于建筑物的形狀特征，該街區(qū)并無大面積的廠房或廣場，可以添加約束條件:AREA ＜300.00 AND (RECT_FIT ＜1.00 OR 1.00 ＜=ELONGATION ＜5.00 OR FORMFACTOR ＞1.27 OR LENGTH ＞92.96 OR 15.00 ＜=MAINDIR ＜=75.00)，以上條件為第二層規(guī)則.根據(jù)低反射率建筑的光譜曲線分析，其可見光近紅外反射率在0.10 ～0.20，需要在第二層條件基礎(chǔ)上添加新的約束條件:Mean( Band( B)) ＞1 000.00 AND Mean( Band( NIR)) ＜2 000.00，其中，Mean( Band(* ))表示地物某波段反射率，由于原始數(shù)據(jù)經(jīng)過輻射校正，數(shù)據(jù)存在10 000 的倍率，在此特別說明(1 000 表示地物反射率為0.10). 同理，根據(jù)低反射率建筑的光譜曲線，在第二層條件上添加約束條件:Mean(Band(B)) ＞1 250.00 AND Mean(Band(NIR))＜1 750.00;對于高反射率建筑物，由于已知其光譜曲線為單調(diào)遞增函數(shù)，只需添加約束條件:Mean(Band(B)) ＞2 000.00.由于研究區(qū)存在一些藍(lán)色屋頂?shù)慕ㄖ?，需要另分一類，由于藍(lán)色屋頂建筑的光譜曲線與陰影相似，但反射率整體高于陰影，去除水體和植被的影響后，將陰影提取出來，并添加光譜特征條件:Mean(Band(B)) ＞1 000.00 AND Mean(Band(NIR)) ＜2 000.00.
2 結(jié)果與分析
2.1 利用Full Lambda-Schedule 算法進(jìn)行多尺度分割
本文利用Full Lambda-Schedule 算法對原始影像進(jìn)行多尺度分割. Full Lambda-Schedule 算法中的閾值設(shè)置如下:記t 為地物與背景的分割閾值;地物像元數(shù)占圖像比例為w0; 平均灰度為u0; 背景像元數(shù)占圖像比例為w1，平均灰度為u1，圖像的總平均灰度為:u =w0u0+w1u1，從最小灰度值到最大灰度值遍歷t，當(dāng)t 使得值g =w0(u0－u)2+w1(u1－u)2最大時(shí)，t 即為分割的最佳閾值. 經(jīng)過反復(fù)實(shí)驗(yàn)對比發(fā)現(xiàn)，在分割與合并的閾值分別為80 和50 條件下，能夠最大可能地將不同類型(光譜特性)的地物分開并且合并同類的碎塊.多尺度分割后(圖4)，原有的噪聲得到了很好的控制. 雖然多尺度分割最大可能地將不同類型的地物分開并且合并同類的碎塊，但由于地物本身的形狀、紋理等性質(zhì)的差異，依然存在同一類地物被分成了2 類甚至多類的現(xiàn)象，在這樣的情況之下，需要在此基礎(chǔ)上結(jié)合規(guī)則知識庫對信息提取進(jìn)行優(yōu)化.
圖4 分割前后圖像對比Figure 4 Comparison of images before and after segmentation
2.2 地表建筑物信息提取
在多尺度分割的基礎(chǔ)之上，根據(jù)遙感影像信息、相關(guān)資料的收集和調(diào)查，將地物分類為8 類(植被、水體、藍(lán)色屋頂建筑物、高反射建筑、中反射建筑、低反射建筑、道路和陰影)進(jìn)行信息提取. 其中，藍(lán)色屋頂?shù)慕ㄖ锸卿摻Y(jié)構(gòu)廠房或貨集裝箱房，屋頂采用藍(lán)色彩鋼瓦或防火巖棉夾芯板，低反射建筑是光譜反射率大約0.10 的建筑物，其光譜與道路的相似，中反射建筑是一般的建筑，如城中村的紅磚房、表層深色涂料的房屋等，其反射率介于0.10 ～0.20之間，高反射建筑物是指表層為反光涂料如白色輕質(zhì)隔墻板的建筑，其反射率在0.20 以上，光譜特性區(qū)別于其他建筑. 用FullLambda-Schedule 算法對影像進(jìn)行多尺度分割后，根據(jù)各個(gè)地物的紋理特征、形狀特征和光譜特征，通過邏輯運(yùn)算對每類地物進(jìn)行進(jìn)一步提取，提取結(jié)果如圖5C 所示.為了便于比較分析，本文分別采用一般面向?qū)ο蠓ā跇颖咎卣鞯拿嫦驅(qū)ο蠓诸惡捅O(jiān)督分類法提取地表結(jié)構(gòu)信息(圖5A 和圖5B).由圖5 可看出，傳統(tǒng)的監(jiān)督分類并沒有對圖像進(jìn)行分割，出現(xiàn)較多的噪聲，造成部分水體被錯分為陰影，而傳統(tǒng)的基于樣本特征的面向?qū)ο蠓诸?，很難將低反射建筑物從中反射建筑物中分離.對于本文的高分辨率影像數(shù)據(jù)，采用基于規(guī)則的方法，結(jié)合對光譜特征的判斷，通過知識庫的一系列規(guī)則的限定，更容易將原有錯分為陰影的道路和基于樣本特征的面向?qū)ο蠓诸惡茈y提取的低反射建筑物提取出來，不但提高了特征提取的精度，而且規(guī)則易于理解，可行性較高.
本文采用的數(shù)據(jù)分辨率較高，相對于監(jiān)督分類來說，面向?qū)ο蠓椒ㄌ崛〉匚镄畔⒖尚行愿?，?yōu)勢更大.文中采用的基于規(guī)則的面向?qū)ο蠓诸愒谝话愕拿嫦驅(qū)ο蠓椒ǖ幕A(chǔ)上，加入了形狀要素、矩形要素、紋理要素等條件約束可優(yōu)化城市信息的提取，得到精度更高的結(jié)果(圖6).可以看出，面向?qū)ο蠓椒ū葌鹘y(tǒng)監(jiān)督分類更好地提取建筑物的輪廓，減少噪聲，得益于規(guī)則知識庫的條件限制，基于規(guī)則的面向?qū)ο蠓诸惖男畔⑻崛【缺纫话愕拿嫦驅(qū)ο蠓椒ǜ撸崛〉男Ч?，比傳統(tǒng)方法更適合高分辨率影像的城市信息提取.城市地區(qū)的矩形輪廓較為明顯，原本由于高樓、樹冠等地物形成的陰影被去除.
圖5 分類結(jié)果Figure 5 Classification results
圖6 城市信息提取結(jié)果Figure 6 Information extraction results of city
2.3 精度驗(yàn)證
通過對訓(xùn)練區(qū)隨抽樣、相關(guān)資料的收集調(diào)查和目視解譯的方法對分類結(jié)果進(jìn)行精度評價(jià)，其結(jié)果見表1 ～表3，結(jié)果表明總體精度等于被正確分類的像元數(shù)除以總像元數(shù)，其中基于規(guī)則的面向?qū)ο蠓诸惖目傮w精度為87.01%，基于樣本的面向?qū)ο蠓诸惖目傮w精度為81.17%，最大似然分類的總體精度為72.54%.在最大似然分類誤差矩陣中，植被分類的精度較高，誤差較小;但是水體、道路、陰影和藍(lán)色屋頂?shù)慕ㄖ镥e分誤差較大，有相當(dāng)一部分的道路被錯分類為低反射建筑物，這主要是由于道路與低反射建筑物的光譜特性十分接近，僅僅通過光譜特征難以從低反射建筑物中提取出道路;同樣也有一部分藍(lán)色屋頂建筑未被從低反射建筑物中提取出來，這是因?yàn)樗{(lán)色屋頂?shù)耐苛喜槐M相同，有部分與低反射地物的光譜極為相似，導(dǎo)致錯分現(xiàn)象的出現(xiàn).面向?qū)ο蟮姆诸惙椒ǔ浞掷昧说匚锏募y理特征、形狀特征和光譜特征等對象知識，綜合分析各個(gè)特征，道路提取的精度得到了顯著提高，除此之外，部分水體被錯分類為陰影的問題也得到很好解決，錯分和漏分比傳統(tǒng)監(jiān)督分類要少得多，總體精度也達(dá)到了87.01%，該方法比一般的面向?qū)ο蠓椒ǖ目傮w精度更高. 最大似然分類方法的Kappa 系數(shù)為0.68，表示達(dá)到中等的一致性;基于樣本的面向?qū)ο蠓ǖ腒appa 系數(shù)為0.81，基于規(guī)則的面向?qū)ο蠓ǖ腒appa 系數(shù)為0.87，幾乎完全一致，對于高分辨率影像的建筑物的信息提取，面向?qū)ο蟮姆椒▋?yōu)于傳統(tǒng)監(jiān)督分類，而本文的方法比一般的面向?qū)ο蠓椒ň雀?，更適用于高分辨率的遙感影像信息提取.
表1 基于規(guī)則的面向?qū)ο蠓ň仍u價(jià)Table 1 The accuracy assessment of rule-based object-oriented method
表2 基于樣本的面向?qū)ο蠓ň仍u價(jià)Table 2 The accuracy assessment of example-based object-oriented method
表3 最大似然分類方法精度評價(jià)Table 3 The accuracy assessment of maximum likelihood method
3 結(jié)論
多尺度分割技術(shù)與知識庫結(jié)合的方法很好地解決了傳統(tǒng)方法的噪聲問題，這是因?yàn)榧?xì)小的噪聲低于判斷閾值，被合并入相鄰區(qū)域中，在分析時(shí)被作為同類像元對待，即同一對象.該方法在分類過程中靈活地應(yīng)用影像中的各種光譜特征、幾何特征、紋理特征、空間屬性和拓?fù)潢P(guān)系建立有層次的規(guī)則知識庫，符合人的思維，高分辨率影像的城市信息提取工作中可行性高.
尺度分割和規(guī)則數(shù)據(jù)庫結(jié)合的方法可以有效地避免傳統(tǒng)的基于像素分類時(shí)出現(xiàn)一些錯分類或漏分類的情況(如:道路和陰影)，比其分類方式更加符合人類的思維方式，與實(shí)際值更接近，總體分類精度可達(dá)到87.01%，是高分辨率影像城市信息提取的較為有效的方法，精度有保障.
本文提取城市信息具有一定的局限性:其一，多尺度分割的閾值是通過像元數(shù)所占比例確定，耗時(shí)較長，需要經(jīng)過多次試驗(yàn)，如果研究區(qū)過大，可能出現(xiàn)多個(gè)閾值，需要對研究區(qū)進(jìn)行分區(qū)然后在逐一確定閾值;其二，一種地物區(qū)別于其他地物的特征難以選取，同樣需要大量試驗(yàn)，且需要擁有豐富的遙感學(xué)、地理學(xué)、物理學(xué)和材料學(xué)等知識以及信息提取經(jīng)驗(yàn)作為支撐.
［1］曹雪，柯長青. 基于對象級的高分辨率遙感影像分類研究［J］.遙感信息，2006(5):27－29.Cao X， Ke C Q. Classification of high-resolution remote sensing images using object-oriented method［J］. Remote Sensing Information，2006(5):27－29.
［2］劉勇洪，牛錚，王長耀.基于MODIS 數(shù)據(jù)的決策樹分類方法研究與應(yīng)用［J］. 遙感學(xué)報(bào)，2005，9(4):407－409.Liu Y H， Niu Z， Wang C Y. Research and application of the decision tree classification using MODIS data［J］.Journal of Remote Sensing，2005，9(4):407－409.
［3］孫曉霞，張繼賢，劉正軍. 利用面向?qū)ο蠓诸惙椒◤腎KONOS 全色影像中提取河流和道路［J］. 測繪科學(xué)，2006，31(1):62－63.Sun X X， Zhang J X， Liu Z J. Extracting the river and the road using an object oriented technique from IKONOS panchromatic imagery［J］. Science of Surveying and Mapping，2006，31(1):62－63.
［4］程家聰.面向?qū)ο蟮母叻直媛蔬b感信息提取技術(shù)研究［D］.武漢:華中科技大學(xué)，2013.Cheng J C. Object-oriented information extraction technology research of high resolution remote sensing［D］.Wuhan: Huazhong University of Science ＆ Technology，2013.
［5］徐涵秋.基于譜間特征和歸一化指數(shù)分析的城市建筑用地信息提?。跩］.地理研究，2005，24(2):311－320.Xu H Q. Fast information extraction of urban built-up land based on the analysis of spectral signature and normalized difference index ［J］. Geographical Research，2005，24(2):311－320.
［6］樊風(fēng)雷，劉潤萍，張佃國.一種改進(jìn)的城市建筑用地信息提取方法及在廣州地區(qū)的應(yīng)用［J］. 華南師范大學(xué)學(xué)報(bào):自然科學(xué)版，2014，46(4):98－102.Fan F L，Liu R P，Zhang D G. An improved method to extract building land information and the application in Guangzhou［J］. Journal of South China Normal University:Natural Science Edition，2014，46(4):98－102.
［7］馮登超.基于最小距離法的遙感圖像分類［J］.北華航天工業(yè)學(xué)報(bào)，2012，22(3):1－2.Feng D C. Remote sensing image classification based on minimum distance method［J］. Journal of North China Institute of Aerospace Engineering，2012，22(3):1－2.
［8］Robinson D J，Redding N J，Crisp D J.Implementation of a fast algorithm for segmenting SAR imagery［R］. Australia: DefenseScience and Technology Organization，2002:34.
［9］Koepfler G， Lopez C， Morel J M.A multisca1e a1gorithm for image segmentation by variational method［J］. SIMA Journal on Numerical Analysis，1994，31(1):282－299.
［10］胡進(jìn)剛. 一種面向?qū)ο蟮母叻直嬗跋竦缆诽崛》椒ǎ跩］.遙感技術(shù)與應(yīng)用，2006，21(3):184－188.Hu J G. A method of road extraction in high-resolution remote sensing imagery based on object-oriented image analysis［J］. Remote Sensing Technology and Application，2006，21(3):184－188.
［11］Mcfeeters S K.The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features［J］. International Journal of Remote Sensing，1996，17(7):1425－1432.
［12］Xu H. A new index for delineating built-up land features in satellite imagery［J］. International Journal of Remote Sensing，2008，29(14):4269－4276.
猜你喜歡
北京航空航天大學(xué)學(xué)報(bào)(2022年8期)2022-08-31 08:58:58
鐵道建筑技術(shù)(2021年4期)2021-07-21 05:33:36
小學(xué)生學(xué)習(xí)指導(dǎo)(低年級)(2019年9期)2019-09-25 07:43:18
電子測試(2018年15期)2018-09-26 06:01:34
電測與儀表(2017年24期)2017-12-19 05:15:24
現(xiàn)代計(jì)算機(jī)(2016年12期)2016-02-28 18:35:25
中國光學(xué)(2015年5期)2015-12-09 09:00:28
小天使·二年級語數(shù)英綜合(2015年12期)2015-12-04 16:36:12
食品工業(yè)科技(2014年23期)2014-03-11 18:18:54
無機(jī)化學(xué)學(xué)報(bào)(2014年1期)2014-02-28 17:30:08
