無人機遙感影像中農(nóng)村房屋信息快速提取

胡勇， 張孝成， 馬澤忠， 周志躍

(1.重慶市國土資源和房屋勘測規(guī)劃院，重慶　400020; 2.重慶市土地利用與遙感監(jiān)測工程技術(shù)研究中心，重慶　400020)

?

無人機遙感影像中農(nóng)村房屋信息快速提取

胡勇1,2， 張孝成1,2， 馬澤忠1,2， 周志躍1,2

(1.重慶市國土資源和房屋勘測規(guī)劃院，重慶400020; 2.重慶市土地利用與遙感監(jiān)測工程技術(shù)研究中心，重慶400020)

摘要：針對無人機遙感技術(shù)應(yīng)用中信息提取自動化、智能化不足的問題，提出了一種基于面向?qū)ο蠓指畹霓r(nóng)村房屋信息提取方法。該方法首先利用雙邊濾波器濾掉影像中的噪聲，然后利用移動均值算法分割影像，最后根據(jù)分割后房屋對象的特征建立提取規(guī)則，對房屋信息進行提取。實驗結(jié)果表明，該方法可有效提取無人機遙感影像中的農(nóng)村房屋信息，平均提取精度約為92%。

關(guān)鍵詞：無人機； 面向?qū)ο蠓指睿?移動均值； 信息提取

0引言

改善農(nóng)民的生活和居住條件是社會主義新農(nóng)村建設(shè)的重要內(nèi)容。隨著統(tǒng)籌城鄉(xiāng)和節(jié)約集約用地的全面開展，農(nóng)村居民點用地整理逐漸成為農(nóng)村土地整治的熱點和亮點[1]。房屋用地是農(nóng)村居民點用地的主要類型之一，對農(nóng)村房屋信息進行準確地調(diào)查，是農(nóng)村建設(shè)用地整理、土地確權(quán)的需求，也是開展農(nóng)村土地利用規(guī)劃、優(yōu)化農(nóng)村資源配置的數(shù)據(jù)基礎(chǔ)[2-3]。

遙感技術(shù)具有客觀、及時的特點，可以在短期內(nèi)連續(xù)獲取大范圍的地面信息，用于建筑用地信息的提取具有得天獨厚的優(yōu)勢。如Xian等[4]利用遙感技術(shù)監(jiān)測了佛羅里達西部的城市化發(fā)展進程；Jin等[5]結(jié)合建筑物的形狀、陰影和光譜特征提取了城市建筑物信息，提取結(jié)果的準確率為72.7%； 崔世勇[6]采用位姿聚類和尺度不變特征轉(zhuǎn)換來檢測復(fù)雜建筑物的位置，并提出了基于圖搜索的建筑物輪廓提取方法； 徐涵秋等[7]利用LandsatTM影像和遙感建筑用地指數(shù)，實現(xiàn)了中分辨遙感影像城市建筑用地的自動提取。但受限于遙感影像空間分辨率和需求驅(qū)動，之前研究主要針對城市建筑用地信息提取，針對農(nóng)村房屋信息的提取較少； 雖有部分針對農(nóng)村建設(shè)用地整治的應(yīng)用研究，但主要集中在整治項目區(qū)監(jiān)管和土地整理可行性評價方面[8]，對農(nóng)村房屋信息的提取研究還很少。

近年來，無人機遙感技術(shù)發(fā)展迅速，因其機動靈活、低成本及云下高分辨率成像等優(yōu)點，彌補了衛(wèi)星遙感在時效性和天氣影響等方面的不足，已成為獲取高分辨率遙感數(shù)據(jù)的一種重要手段[9-10]。目前，無人機遙感技術(shù)已開始應(yīng)用于土地整治和鄉(xiāng)村規(guī)劃中[11-14]。但在大多數(shù)應(yīng)用中，無人機遙感影像僅僅作為高分辨率影像圖用于目視解譯或測量計算，影像信息提取的自動化程度較低。本研究利用無人機高分辨率遙感影像，基于圖像分割算法設(shè)計了一種農(nóng)村房屋信息自動提取方法，以期為農(nóng)村居民點整治、土地利用規(guī)劃等工作提供基礎(chǔ)數(shù)據(jù)。

1研究區(qū)與數(shù)據(jù)源

以重慶市長壽區(qū)雙龍鎮(zhèn)的無人機遙感影像為研究數(shù)據(jù)，采用固定翼無人機搭載佳能5DmarkⅡ相機進行影像獲取，影像空間分辨率為0.25m，獲取時間為2010年6月。影像進行了空三加密、正射校正等預(yù)處理。

本文所用無人機遙感影像具有高空間分辨率特點。空間分辨率的提高不僅豐富了地物信息，而且使地物幾何結(jié)構(gòu)和紋理信息顯示得更加清晰。研究區(qū)內(nèi)農(nóng)村房屋幾乎都為青瓦房頂，且房頂以屋脊為界，向兩側(cè)傾斜。房屋屋頂在無人機遙感影像中紋理清晰，顏色與林地、耕地等有顯著區(qū)別，與硬化道路比較相似，但形狀明顯不同。

2研究方法

在高空間分辨率的無人機遙感影像中，地物內(nèi)部紋理和形狀等細節(jié)信息更加豐富，但光譜分辨率卻相對較低，因此傳統(tǒng)基于像元光譜特征的信息提取方法將變得非常困難和復(fù)雜。為此，本文利用面向?qū)ο蟮姆治龇椒▽o人機遙感影像中的農(nóng)村房屋信息進行提取。

2.1影像濾波

為了降低噪聲對無人機影像分割結(jié)果的影響，采用具有較好邊緣保持作用的雙邊濾波方法進行圖像降噪。該方法是一種非線性的濾波方法，它同時考慮了像元之間的空間距離和灰度相似性，達到保邊去噪的目的，具有簡單、非迭代和局部的特點[15]。

2.2基于均值移動算法的影像分割

為了避免相關(guān)軟件或模塊在對高分辨率影像進行處理時需要人工介入并逐步設(shè)置復(fù)雜參數(shù)，難以實現(xiàn)自動處理的問題，本文利用均值移動(meanshift,MS)算法，快速自動地實現(xiàn)影像面向?qū)ο蟮姆指睢?/p>

KN(x)=(2π)-d/2exp(-‖x‖2) ,

(1)

則MS迭代向量為

(2)

MS算法能挖掘遙感影像中的上下文同質(zhì)性，減少局部光譜變化，同時能很好地保持邊緣和細節(jié)信息。這些特性使其成為一種潛在的面向?qū)ο筇崛∨c分析算法[16]。本研究基于MS算法，進行無人機遙感影像面向?qū)ο蠓指钆c分析的步驟如下：

2)對每一像元利用式(2)迭代計算移動均值，若迭代前后的差值小于閾值ε迭代收斂，即‖m(x)-x‖<ε，則停止計算，否則將m(x)賦值給x。

3)將迭代后空間距離小于hs，光譜距離小于hr的點劃分為一個聚類對象，并將對象的值設(shè)置為對象內(nèi)所有像元值的均值。

2.3房屋特征分析

2.3.1光譜特征分析

研究區(qū)內(nèi)房屋在圖像上多呈現(xiàn)灰色或灰藍色，各波段像元值都大于100。由于房頂紋理、顏色比較均勻，利用MS算法將影像分割為若干“同質(zhì)”像素的集合后，房屋基本都被分為一個或有限的幾個對象，若為多個對象時，都以屋脊為界。

2.3.2紋理特征分析

紋理是對影像各像元之間空間分布的一種描述，可以較好地用于解決同譜異物和同物異譜現(xiàn)象，因而可以與其他分類方法結(jié)合使用以提高識別精度。提取紋理特征的方法較多，其中灰度共生矩陣方法應(yīng)用較廣泛。根據(jù)共生矩陣，Haralick[17]定義了均值、方差、熵、對比度、同質(zhì)性和相關(guān)性等紋理指數(shù)，本文中用到了均值(Mean)、方差(VAR)和熵(Ent)3種特征。Mean表示對象的平均灰度值； VAR表示對象各像元的灰度變化大小； Ent表示對象的無序程度，公式分別為

(3)

(4)

(5)

上述紋理指數(shù)基于雙邊濾波后的影像按11像元×11像元的窗口計算，影像分割后再分別計算對象內(nèi)像元Mean，VAR和Ent這3個指數(shù)的均值。此外，還計算了對象的光譜最小值(Min)、最大值(Max)和范圍(Range)。圖1為一組實驗數(shù)據(jù)的原始影像及其6種紋理特征結(jié)果。

(a) 原始影像 (b) 分割后均值 (c) 方差 (d) 熵

(e) 最小值 (f) 最大值 (g) 范圍

圖1實驗數(shù)據(jù)及其不同紋理特征結(jié)果

Fig.1Experimentaldataanditsdifferenttexturalfeatures

分析圖1中不同紋理特征的結(jié)果發(fā)現(xiàn)，房屋對象和其他地物對象在均值、方差、最大值、最小值以及熵的信息差別明顯。房屋對象的均值為灰色，而其他地物為偏綠色或白色； 在方差信息上，由于房頂相對比較均勻，因此其方差要小于林地和耕地等。

2.3.3形狀特征分析

在研究區(qū)內(nèi)，房屋屋頂和硬化道路的光譜、紋理較為相似，但兩者的形狀區(qū)別明顯。農(nóng)村房屋的形狀一般都為矩形，且面積有一定的范圍，而道路則呈現(xiàn)長帶狀且面積較大，因此本文也提取了分割后對象的面積A和體態(tài)比C來對屋頂和硬化道路進行區(qū)分。其中A定義為對象邊界所包圍的面積； C定義為對象所在區(qū)域最小外接矩形的長除以寬。

2.4房屋提取算法

根據(jù)分割后影像中房屋對象的光譜、紋理和形狀特征統(tǒng)計分析結(jié)果，并對比其他地物類別的特征后，建立了如表1所示的房屋提取規(guī)則，表中R，G和B值為對象不同波段的均值。

表1　房屋提取規(guī)則

①分割后對象特征滿足表中所有條件，即提取對象為房屋。

3實驗結(jié)果

3.1影像分割結(jié)果

在IDL8.0+ENVI4.8編程環(huán)境下實現(xiàn)上述濾波、分割和房屋提取流程。首先利用一組實驗數(shù)據(jù)來檢驗MS算法，同時也利用非監(jiān)督分類的迭代自組織數(shù)據(jù)分析算法(iterativeselforganizingdataanalysistechniquesalgorithm,ISODATA)和監(jiān)督分類方法的最大似然法進行對比驗證，圖2為6種不同地物的實驗結(jié)果。

(a)RGB影像 (b)ISODATA非監(jiān)督分類結(jié)果

圖2-1無人機遙感影像分割結(jié)果

Fig.2-1SegmentationresultsofUAVimagery

(c) 最大似然法監(jiān)督分類結(jié)果 (d) 本文方法分割結(jié)果

圖2-2無人機遙感影像分割結(jié)果

Fig.2-2SegmentationresultsofUAVimagery

圖2(a)RGB影像中包括了從無人機遙感影像不同位置選出的6種具有不同紋理特征的典型地物。ISODATA非監(jiān)督分類時最小和最大類別都設(shè)置為6，迭代閾值為0.05，最大迭代次數(shù)為100。最大似然監(jiān)督分類中樣本類別為6類，分別在不同地物的中心選擇，每類樣本的像元個數(shù)大于3 000。

從圖2可以看到，對于高分辨率影像，ISODATA非監(jiān)督分類結(jié)果中除了水體之外，其他類別的分類結(jié)果幾乎都不可用，而且傳統(tǒng)基于像元的方法帶來了嚴重的椒鹽噪聲； 最大似然監(jiān)督分類結(jié)果要好于非監(jiān)督分類結(jié)果，但對于耕地、草地和農(nóng)村房屋，仍有較多像元被誤分為其他類別； 而本文的MS算法，房屋、草地和水體幾乎都實現(xiàn)了完美分割。但分割結(jié)果中，房屋屋頂被分成了2部分，主要是因為遙感影像中屋頂?shù)念伾捎谖菁箖蓚?cè)對光照反射方向的不同有所差異，不過這2部分可以在分割后的分類中進行合并。綜上所述，面向?qū)ο蟮腗S分割方法優(yōu)于傳統(tǒng)基于像元的分類方法。

3.2農(nóng)村房屋信息提取結(jié)果

分別利用本文算法和人工目視解譯的方法，對無人機遙感影像中8處不同布局的農(nóng)村房屋進行提取。并將提取結(jié)果進行對比，如圖3所示。

(a) 實例1 (b) 實例2

(c) 實例3 (d) 實例4

(e) 實例5 (f) 實例6

圖3-1研究區(qū)原始遙感影像和農(nóng)村房屋信息提取結(jié)果

Fig.3-1Originalimagesandtheextractionresultsofruralresidentialarea

(g) 實例7 (h) 實例8

圖3-2研究區(qū)原始遙感影像和農(nóng)村房屋信息提取結(jié)果

Fig.3-2Originalimagesandtheextractionresultsofruralresidentialarea

圖3中包括8處不同布局的農(nóng)村房屋影像，其中左圖為原始遙感影像，右邊黑色區(qū)域為本文算法提取的房屋信息，紅色多邊形為目視解譯結(jié)果。將目視解譯結(jié)果作為參考數(shù)據(jù)，對算法提取結(jié)果進行精度評價，分別計算了制圖精度和用戶精度，結(jié)果如表2所示。

表2　房屋信息提取結(jié)果精度驗證

制圖精度是正確分類數(shù)占參考數(shù)據(jù)的比例，此處表示紅色多邊形和黑色像元的交集面積占紅色多邊形面積的比例； 用戶精度是正確分類數(shù)占該類別的比例，此處為交集面積占黑色像元面積的比例。

從表2中可以看出，本研究建立的無人機高分辨率遙感影像的農(nóng)村房屋提取方法，可以很好地對農(nóng)村房屋信息進行提取，提取結(jié)果精度較高，基本都大于90%。但是，也發(fā)現(xiàn)部分房屋信息有遺漏的情況。通過對比提取結(jié)果和原始影像后發(fā)現(xiàn)，漏分主要發(fā)生在陰影區(qū)域。由于陰影投影到房頂需要滿足一定的幾何關(guān)系，研究區(qū)遙感影像中陰影區(qū)域并不多。但為了減少陰影對提取精度的影響，無人機航攝時間應(yīng)盡量選擇在太陽高度角較大的正午時段。

4結(jié)論與討論

本文基于無人機高分辨率遙感數(shù)據(jù)，提出了一種農(nóng)村房屋信息提取方法，得出以下結(jié)論：

1)和傳統(tǒng)中低分辨率衛(wèi)星遙感影像相比，無人機遙感影像空間分辨率高，但波段數(shù)較少。由于光譜波段的減少和影像信息的細節(jié)化，造成了類內(nèi)方差的增大和類間方差的減少。因此，建立在中低分辨率影像光譜信息基礎(chǔ)上的分類方法，不適用于高分辨率的無人機遙感數(shù)據(jù)，需要發(fā)展新的處理方法和分類技術(shù)。

2)本文利用均值移動分割算法對無人機遙感影像進行分割，然后根據(jù)分割后房屋對象的特征，建立了房屋信息的提取規(guī)則。實驗結(jié)果顯示，本文方法提取的農(nóng)村房屋信息精度較高，平均精度約為92%，明顯優(yōu)于傳統(tǒng)基于像元的分類方法。

3)研究發(fā)現(xiàn)陰影會影響結(jié)果的精度，因此無人機航攝時間應(yīng)選擇太陽高度角較大的時段。此外，本文方法最適用于青瓦房頂?shù)姆课菪畔⑻崛。瑢τ谄渌馁|(zhì)房頂房屋的信息提取則有待進一步研究。

參考文獻(References)：

[1]陳玉福,孫虎,劉彥隨.中國典型農(nóng)區(qū)空心村綜合整治模式[J].地理學(xué)報,2010,65(6):727-735.

ChenYF,SunH,LiuYS.ReconstructionmodelsofhollowedvillagesinkeyagriculturalregionsofChina[J].ActaGeographicaSinica,2010,65(6):727-735.

[2]孔雪松,劉耀林,鄧宣凱,等.村鎮(zhèn)農(nóng)村居民點用地適宜性評價與整治分區(qū)規(guī)劃[J].農(nóng)業(yè)工程學(xué)報,2012,28(18):215-222.

KongXS,LiuYL,DengXK,etal.Suitabilityevaluationandconsolidationdivisionofruralresidentialareasinvillagesandtowns[J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2012,28(18):215-222.

[3]宋偉,陳百明,姜廣輝.中國農(nóng)村居民點整理潛力研究綜述[J].經(jīng)濟地理,2010,30(11):1871-1877.

SongW,ChenBM,JiangGH.ResearchonlandconsolidationpotentialofruralhabitatinChina:Reviewandpreview[J].EconomicGeography,2010,30(11):1871-1877.

[4]XianG,CraneM.AssessmentsofurbangrowthintheTampaBaywatershedusingremotesensingdata[J].RemoteSensingofEnvironment,2005,97(2):203-215.

[5]JinXY,DavisCH.Automatedbuildingextractionfromhigh-resolutionsatelliteimageryinurbanareasusingstructural,contextual,andspectralinformation[J].EURASIPJournalonAppliedSignalProcessing,2005:2196-2206.doi:10.1155/ASP.2005.2196.

[6]崔世勇.高分辨率遙感影像建筑物半自動提取方法研究[D].北京:中國測繪科學(xué)研究院,2009.

CuiSY.Semi-AutomaticBuildingExtractionfromHighResolutionRemoteSensingImages[D].Beijing:ChineseAcademyofSurveyingandMapping,2009.

[7]徐涵秋,杜麗萍.遙感建筑用地信息的快速提取[J].地球信息科學(xué)學(xué)報,2010,12(4):574-579.

XuHQ,DuLP.Fastextractionofbuilt-uplandinformationfromremotesensingimagery[J].JournalofGeo-InformationScience,2010,12(4):574-579.

[8]楊清華,李景華,韓旭,等.QuickBird遙感數(shù)據(jù)在土地整理工作中的應(yīng)用[J].國土資源遙感,2007,19(4):72-75.doi:10.6046/gtzyyg.2007.04.16.

YangQH,LiJH,HanX,etal.TheapplicationofQuickBirdremotesensingdatatolandre-organization[J].RemoteSensingforLandandResources,2007,19(4):72-75.doi:10.6046/gtzyyg.2007.04.16.

[9]李德仁,李明.無人機遙感系統(tǒng)的研究進展與應(yīng)用前景[J].武漢大學(xué)學(xué)報:信息科學(xué)版,2014,39(5):505-513,540.

LiDR,LiM.Researchadvanceandapplicationprospectofunmannedaerialvehicleremotesensingsystem[J].GeomaticsandInformationScienceofWuhanUniversity,2014,39(5):505-513,540.

[10]汪沛,羅錫文,周志艷,等.基于微小型無人機的遙感信息獲取關(guān)鍵技術(shù)綜述[J].農(nóng)業(yè)工程學(xué)報,2014,30(18):1-12.

WangP,LuoXW,ZhouZY,etal.KeytechnologyforremotesensinginformationacquisitionbasedonmicroUAV[J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2014,30(18):1-12.

[11]李鳳娟.無人機技術(shù)在天水百萬畝土地整治中的應(yīng)用[J].地理空間信息,2014,12(4):40-41.

LiFJ.ApplicationofUAVtechnologyontheTianshui’sonemillionmuoflandreclamationproject[J].GeospatialInformation,2014,12(4):40-41.

[12]雷雙友,尹向紅,李軒宇.無人機遙感技術(shù)在城鎮(zhèn)土地集約利用監(jiān)測評價中的應(yīng)用[J].測繪通報,2011(7):34-36.

LeiSY,YinXH,LiXY.ApplicationofUAVRStomonitoringandevaluatingofintensiveland-use[J].BulletinofSurveyingandMapping,2011(7):34-36.

[13]張文博.無人機航測技術(shù)在土地綜合整治中的應(yīng)用研究[D].長沙:長沙理工大學(xué),2013.

ZhangWB.TheApplicationResearchofUAVAerialSurveyinComprehensiveRenovationofLand[D].Changsha:ChangshaUniversityofScienceandTechnology,2013.

[14]何少林,徐京華,張帥毅.面向?qū)ο蟮亩喑叨葻o人機影像土地利用信息提取[J].國土資源遙感,2013,25(2):107-112.doi:10.6046/gtzyyg.2013.02.19.

HeSL,XuJH,ZhangSY.Landuseclassificationofobject-orientedmulti-scalebyUAVimage[J].RemoteSensingforLandandResources,2013,25(2):107-112.doi:10.6046/gtzyyg.2013.02.19.

[15]TomasiC,ManduchiR.Bilateralfilteringforgrayandcolorimages[C]//Proceedingsofthe6thInternationalConferenceonComputerVision.Bombay:IEEE,1998:839-846.

[16]韓現(xiàn)偉.大幅面可見光遙感圖像典型目標識別關(guān)鍵技術(shù)研究[D].哈爾濱:哈爾濱工業(yè)大學(xué),2013.

HanXW.StudyonKeyTechnologyofTypicalTargetsRecognitionfromLarge-FieldOpticalRemoteSensingImages[D].Harbin:HarbinInstituteofTechnology,2013.

[17]HaralickRM,ShanmugamK,DinsteinI.Texturalfeaturesforimageclassification[J].IEEETransactionsonSystems,Man,andCybernetics,1973,SMC-3(6):610-621.

(責(zé)任編輯： 陳理)

Rural residential area extraction from UAV remote sensing imagery

HU Yong1,2， ZHANG Xiaocheng1,2， MA Zezhong1,2， ZHOU Zhiyue1,2

(1. Chongqing Institute of Surveying and Planning for Land Resources and Housing, Chongqing 400020, China;2. Chongqing Engineering Research Center of Land Use and Remote-Sense Monitoring, Chongqing 400020, China)

Abstract:Inordertoimprovetheautomaticlevelofinformationextraction,thispaperproposesanautomatedruralresidentialareadetectingprocedurefromUAVremotesensingimagerybasedonobject-orientedsegmentation.Firstly,thebilateralfilteringisperformedonUAVremotesensingimagetoeliminatetheimagenoise.Secondly,thefilteredimageissegmentedbasedonmeanshiftclusteringalgorithm.Thirdly,theruralresidentialareaisdetectedfromthesegmentedimageaccordingtothefeaturesofruralresidentialobjects.ThismethodwastestedusingUAVremotesensingimages,andtheresultshowedthattheruralresidentialareacouldbeextractedeffectively,withanaverageaccuracyabout92%.

Keywords:UAV；object-orientedsegmentation；meanshift；informationextraction

doi:10.6046/gtzyyg.2016.03.16

收稿日期：2015-03-02；

修訂日期：2015-03-27

基金項目：“十二五”國家科技支撐計劃項目“村鎮(zhèn)區(qū)域空間規(guī)劃與土地利用優(yōu)化技術(shù)集成示范”(編號: 2012BAJ22B06)資助。

中圖法分類號：TP79

文獻標志碼：A

文章編號：1001-070X(2016)03-0096-06

第一作者簡介：胡勇(1985-)，男，博士，研究方向為遙感數(shù)據(jù)定量化處理與土地利用遙感。Email:rihor@sina.com。

通信作者：張孝成(1966 - )，男，正高級工程師，研究方向為國土資源信息化。Email:ccqzxc@sina.com。

引用格式： 胡勇,張孝成,馬澤忠,等.無人機遙感影像中農(nóng)村房屋信息快速提取[J].國土資源遙感,2016,28(3):96-101.(HuY,ZhangXC,MaZZ,etal.RuralresidentialareaextractionfromUAVremotesensingimagery[J].RemoteSensingforLandandResources,2016,28(3):96-101.)