基于變差函數(shù)和格網(wǎng)劃分的居民區(qū)特征描述與提取

張恩兵， 秦昆， 岳夢雪， 張曄， 曾誠

(武漢大學(xué)遙感信息工程學(xué)院,武漢 430079)

?

基于變差函數(shù)和格網(wǎng)劃分的居民區(qū)特征描述與提取

張恩兵， 秦昆， 岳夢雪， 張曄， 曾誠

(武漢大學(xué)遙感信息工程學(xué)院,武漢 430079)

變差函數(shù)作為一種有效的結(jié)構(gòu)特征描述方法，在高分遙感影像居民區(qū)提取中有較好的應(yīng)用。然而，現(xiàn)有利用變差函數(shù)進行居民區(qū)提取的方法大多采用基于像元的移動窗口，當(dāng)數(shù)據(jù)量較大時，計算效率較低，實用性較差，并且針對不同數(shù)據(jù)源描述紋理結(jié)構(gòu)特征時選取參數(shù)的穩(wěn)健性和有效性較差。為此，采用基于變差函數(shù)和格網(wǎng)劃分的方法進行居民區(qū)的有效提取。首先，將原始影像規(guī)則劃分為較小的格網(wǎng)單元，作為后續(xù)影像處理的基本單元； 然后，依據(jù)選取的目標(biāo)與背景樣本計算紋理差值曲線，并基于該曲線選取最優(yōu)紋理結(jié)構(gòu)的特征描述參數(shù)； 最后，利用計算得到的紋理特征從高分影像中提取居民區(qū)。實驗結(jié)果表明，上述算法在對多種高分影像數(shù)據(jù)提取居民區(qū)時，具有更好的空間結(jié)構(gòu)特征描述能力和較高的計算效率。

變差函數(shù)； 格網(wǎng)劃分； 居民區(qū)； 穩(wěn)健性； 紋理差值曲線； 空間結(jié)構(gòu)

0 引言

居民區(qū)是由建筑物、道路、植被等地物共同組成的復(fù)合目標(biāo)，是遙感影像的重要組成部分。居民區(qū)提取是遙感影像解譯的重要內(nèi)容，在監(jiān)測城鎮(zhèn)變化，進行城鎮(zhèn)規(guī)劃、災(zāi)害評估、地圖更新等工作中是必不可少的重要任務(wù)?？焖侔l(fā)展的遙感數(shù)據(jù)獲取技術(shù)帶來了大量的遙感信息，為居民區(qū)等典型人工地物目標(biāo)的精確提取提供了有利條件。高空間分辨率(簡稱“高分”)遙感影像的出現(xiàn),使目標(biāo)的紋理結(jié)構(gòu)等細(xì)節(jié)信息得到充分展現(xiàn)，利用高分影像提取典型地物目標(biāo)的方法已得到廣泛應(yīng)用[1-2]。

變差函數(shù)作為一種有效的紋理結(jié)構(gòu)描述方法，在遙感影像的結(jié)構(gòu)特征建模中已有大量研究。通常，基于變差函數(shù)的高分影像紋理特征的計算方式有2種： ①通過鄰域窗口計算相應(yīng)的變差函數(shù)值，作為紋理特征賦予中心像元[3-4]； ②對各鄰域窗口計算變差函數(shù)曲線，提取相應(yīng)的曲線參數(shù)作為紋理特征[5-8]。前者需要通過大量的探索性實驗來較好地計算滯后距離； 后者則在計算過程中會涉及到對模型參數(shù)的擬合，使得計算較為復(fù)雜，而且選取的結(jié)構(gòu)描述參數(shù)對不同影像數(shù)據(jù)存在穩(wěn)健性與有效性較差的問題。2種處理方法在影像數(shù)據(jù)量較大時，處理效率均較低。對于高分影像居民區(qū)提取這一應(yīng)用，由于居民區(qū)屬于大尺度復(fù)合目標(biāo)，其紋理空間結(jié)構(gòu)往往是十分復(fù)雜的，采用基于像元的鄰域窗口方法難以對各像元的紋理結(jié)構(gòu)進行準(zhǔn)確建模； 且計算效率較低，很難滿足應(yīng)用需求。

本文采用基于格網(wǎng)劃分的數(shù)據(jù)處理方式，以劃分后的格網(wǎng)單元作為基元對象，在基元層次上對影像中大尺度目標(biāo)的空間結(jié)構(gòu)進行描述，且針對劃分后的格網(wǎng)單元只做一次特征計算，從而簡化影像紋理特征的計算； 同時，在特征參數(shù)選取過程中提出一種基于紋理差值可區(qū)分性判定方式選取最優(yōu)結(jié)構(gòu)特征參數(shù)的方法，使選取的參數(shù)對不同影像中的目標(biāo)結(jié)構(gòu)均具有較好的描述能力。

1 基于改進變差函數(shù)的居民區(qū)提取

1.1 變差函數(shù)模型

變差函數(shù)亦稱半變差函數(shù)，是構(gòu)建區(qū)域化隨機變量空間結(jié)構(gòu)的有效工具。其定義為區(qū)域化變量Z在p與(p+h)2個像元點處的值Z(p)與Z(p+h)差的方差的一半, 記為γ(h)，即

(1)

在實際應(yīng)用中，因影像屬于離散的柵格數(shù)據(jù)，無法直接獲得變差函數(shù)，通常采用下式進行估計，得到實驗變差函數(shù)，即

(2)

式中：N(h)為計算窗口內(nèi)間距為h的像元點對個數(shù)；h為滯后距離，即2個采樣點之間的間隔；Z(pi)和Z(pi+h)分別為區(qū)域化隨機變量在點pi和(pi+h)處的值；γ(h)通常被稱為實驗變差函數(shù)。

從地統(tǒng)計學(xué)的角度來看，遙感影像中像元的灰度值可被視為區(qū)域化隨機變量。因此，利用變差函數(shù)能夠有效地描述像元之間的空間相關(guān)性，刻畫出影像中目標(biāo)的紋理空間結(jié)構(gòu)信息。變差函數(shù)已在影像信息提取中得到廣泛應(yīng)用[9-10]。

1.2 變差函數(shù)參數(shù)選取

在變差函數(shù)紋理特征計算過程中，需要設(shè)定窗口尺寸、步長、計算方向等參數(shù)。

1)窗口尺寸。窗口尺寸必須適宜，太小會對地物目標(biāo)空間結(jié)構(gòu)的變異性無法準(zhǔn)確表達，從而對特征無法有效地進行描述； 太大則會增加計算量，包含過多的冗余信息。本文首先基于居民區(qū)樣本計算得到相應(yīng)的變差函數(shù)曲線，提取變程值a； 然后依據(jù)經(jīng)驗性規(guī)則，得到較適宜的窗口尺寸范圍為3a～5a； 再結(jié)合實際影像的分辨率和地物目標(biāo)的尺寸，確定最終的窗口大小(亦即后續(xù)格網(wǎng)劃分的尺寸)。

2)步長。依據(jù)本文提出的紋理差值曲線，選取最優(yōu)的計算步長(詳見1.4)。

3)計算方向。由于變差函數(shù)具有各向異性，為了消除方向性對計算結(jié)果的影響，本文采用全向變差函數(shù)，即使用0°,45°,90°和135°方向上的變差函數(shù)值的均值作為全向變差函數(shù)值。

1.3 影像特征計算

目前，利用變差函數(shù)計算紋理特征時,大多采用基于像元的鄰域窗口方法。該方法需要遍歷整景圖像，計算量較大； 尤其對高分遙感影像來說，為了獲取居民區(qū)等大尺度目標(biāo)的完整紋理空間結(jié)構(gòu)，計算過程中設(shè)定的窗口尺寸往往會更大，造成計算量大增、處理效率降低。同時，高分影像中居民區(qū)目標(biāo)空間結(jié)構(gòu)的復(fù)雜性也會對各像元空間結(jié)構(gòu)的準(zhǔn)確建模提出挑戰(zhàn)。事實上，針對高分影像中大尺度目標(biāo)的分割提取，準(zhǔn)確構(gòu)建各像元的空間結(jié)構(gòu)往往也是不必要的，而格網(wǎng)劃分的計算方式更加適用于這類典型目標(biāo)的提取。

本文采用基于格網(wǎng)劃分的影像特征快速計算方法。首先，依據(jù)1.2節(jié)中的方法選擇適宜的劃分尺寸對原始影像進行規(guī)則格網(wǎng)劃分，以劃分后的格網(wǎng)單元作為后續(xù)影像處理基本對象； 然后，對各格網(wǎng)單元分別計算變差函數(shù)曲線，提取相應(yīng)的曲線參數(shù)作為紋理結(jié)構(gòu)特征，并將該特征賦予格網(wǎng)單元中的所有像元。由于將基于各像元的紋理特征計算方式簡化為針對少量格網(wǎng)單元的特征計算，故可在很大程度上減少計算量，進而提高影像特征計算效率。

1.4 最優(yōu)結(jié)構(gòu)特征參數(shù)選取

作為影像分類或目標(biāo)提取過程中的重要環(huán)節(jié)，紋理結(jié)構(gòu)描述參數(shù)的選取將直接影響影像分類(或目標(biāo)提取)精度。現(xiàn)有的結(jié)構(gòu)特征選取方式存在無有效依據(jù)以及選取的參數(shù)對不同影像數(shù)據(jù)表現(xiàn)出穩(wěn)健性與有效性較差的問題。由于結(jié)構(gòu)特征描述參數(shù)與不同滯后情況下的變差函數(shù)值存在直接或間接的相關(guān)性，因此本文以目標(biāo)與背景的變差函數(shù)曲線為依據(jù)，通過計算不同滯后情況下目標(biāo)與背景的變差函數(shù)值的差值，得到相應(yīng)的差值曲線。具體方法為： 選取m個目標(biāo)樣本和n個背景樣本，設(shè)定最大計算滯后距離s為格網(wǎng)尺寸的一半。首先用式(2)計算各樣本在滯后距離為k時的變差函數(shù)值Vark，k=1,2,…,s； 然后將對應(yīng)滯后情況下的目標(biāo)與背景的變差函數(shù)值求差，得到初步差值矩陣Dk，即

(3)

式中：dij=abs(Varik-Varjk)；i=1,2,…,m；j=1,2,…,n；Varik和Varjk分別為第i個目標(biāo)樣本和第j個背景樣本在滯后距離為k時的變差函數(shù)值。

對差值矩陣Dk進一步求取最小值，得到DCk=Min(Dk)，DCk反映了在對應(yīng)滯后情況下目標(biāo)和背景變差函數(shù)值的最小差值； 亦即以變差函數(shù)作為結(jié)構(gòu)特征描述參數(shù)時，目標(biāo)和背景在該滯后情況下可區(qū)分性的大小。DCk越大，可區(qū)分性越好。經(jīng)進一步計算，得到與各樣本變差函數(shù)曲線相對應(yīng)的差值曲線。因此，選取差值曲線中極大值點所對應(yīng)的變差函數(shù)值作為目標(biāo)的結(jié)構(gòu)特征描述參數(shù)，具有明顯的合理性。在保證針對不同影像數(shù)據(jù)參數(shù)結(jié)構(gòu)描述有效、穩(wěn)健的前提下，相對于其他滯后情況下的變差函數(shù)值亦為最優(yōu)。

1.5 高分影像居民區(qū)提取

在確定計算方式和參數(shù)選取方法后，建立了基于變差函數(shù)的高分影像居民區(qū)提取的流程(圖1)。

圖1 居民區(qū)提取流程

關(guān)鍵步驟包括： ①依據(jù)1.2中的方法，確定適宜的格網(wǎng)劃分尺寸，對原始影像進行規(guī)則格網(wǎng)劃分； ②選取目標(biāo)和背景樣本，計算差值曲線，并根據(jù)差值曲線計算樣本結(jié)構(gòu)特征； ③依據(jù)差值曲線，分別對分割后的格網(wǎng)單元計算結(jié)構(gòu)特征，并基于樣本及其對應(yīng)的特征對支持向量機(support vector machine,SVM)分類器進行訓(xùn)練； ④根據(jù)訓(xùn)練后的SVM分類器，對各格網(wǎng)單元進行分類計算，得到居民區(qū)初步提取結(jié)果； ⑤利用數(shù)學(xué)形態(tài)學(xué)的面積閾值和開、閉運算，進一步對提取結(jié)果進行后處理； ⑥最終從高分影像中得到居民區(qū)提取結(jié)果。

2 實驗與分析

為了驗證本文算法的有效性，選取了4個不同數(shù)據(jù)來源的高分影像實驗區(qū)，分別為分辨率為0.61 m的QuickBird實驗區(qū)1(圖2)、分辨率為1.8 m的WorldView2實驗區(qū)2、分辨率為2.1 m的ZY-3實驗區(qū)3和Google Earth上分辨率為1.9 m的高分影像實驗區(qū)4。各實驗區(qū)的大小分別為645像元×532像元、653像元×580像元、567像元×836像元和1 536像元×1 024像元，均含有居民區(qū)和復(fù)雜背景2類目標(biāo)。

圖2 實驗區(qū)1的QuickBird原始影像

在進行格網(wǎng)劃分時，依據(jù)1.2中的方法，得到4個實驗區(qū)的較優(yōu)計算網(wǎng)格尺寸分別為16像元×16像元、20像元×20像元、16像元×16像元和30像元×30像元。本文在不同實驗區(qū)的差值曲線計算中，分別設(shè)定m=3和n=9； 在最優(yōu)結(jié)構(gòu)特征描述參數(shù)選取中，以差值曲線的第一個局部極大值點所對應(yīng)的變差函數(shù)值LagMaxV作為單一結(jié)構(gòu)特征描述參數(shù)。同時，考慮到SVM分類器具有抗噪聲強、訓(xùn)練速度快、分類精度高等特點，本文采用SVM分類器從高分影像中提取居民區(qū)。

在精度評定中，本文以查全率R和查準(zhǔn)率P作為參照，以F1測度(根據(jù)查準(zhǔn)率P和查全率R給出的一個綜合評價指標(biāo))作為主要的評價依據(jù)，相應(yīng)的定義分別為

(4)

式中：TP為真正類，表示提取的居民區(qū)為真實居民區(qū)的像元數(shù)目；FP為假正類，表示提取的居民區(qū)為非居民區(qū)的像元數(shù)目；FN為假負(fù)類，表示提取的非居民區(qū)為居民區(qū)的像元數(shù)目。

首先，利用各實驗區(qū)樣本分別計算對應(yīng)的差值曲線，實驗區(qū)1對應(yīng)的差值曲線如圖3所示。

圖3 實驗區(qū)1對應(yīng)的差值曲線

由圖3可以看出，實驗區(qū)1所對應(yīng)的差值曲線在第6個滯后值取得局部極大值。類似地，可以計算得到實驗區(qū)2,3和4分別在第1,3和3滯后值取得的極大值。依據(jù)上文方法，選取相應(yīng)的結(jié)構(gòu)特征描述參數(shù)，分別對4個實驗區(qū)進行基于格網(wǎng)劃分和基于像元的居民區(qū)提取實驗。其中基于像元方法的居民區(qū)提取采用了與基于格網(wǎng)方法相同的窗口尺寸和計算滯后距離。在實驗區(qū)1中，2種方法的居民區(qū)提取結(jié)果如圖4所示。

(a) 基于像元 (b) 基于格網(wǎng)

圖4 實驗區(qū)1居民區(qū)提取結(jié)果

Fig.4 Results of residential area extraction for experimental zone 1

從圖4(b)可以看出，基于格網(wǎng)的居民區(qū)提取方法能夠很好地保持居民區(qū)結(jié)構(gòu)的完整性。圖5示出實驗區(qū)2―4基于格網(wǎng)劃分的居民區(qū)提取結(jié)果。

(b) 實驗區(qū)4(Google Earth) (c) 實驗區(qū)3(ZY-3)

圖5 實驗區(qū)2―4基于格網(wǎng)的居民區(qū)提取結(jié)果

Fig.5 Results of residential area extraction based on grid division for experimental zone 2―4

各實驗區(qū)居民區(qū)提取過程中相應(yīng)的計算成本和提取精度見表1。

表1 不同方法居民區(qū)提取的計算成本與分類精度

由表1可以看出，對于基于格網(wǎng)劃分的高分影像居民區(qū)提取方法，居民區(qū)目標(biāo)的提取精度可以達到82%以上，提取精度基本上可滿足大部分應(yīng)用需求，且計算效率明顯優(yōu)于基于像元的方法。例如實驗區(qū)2，基于像元方法的居民區(qū)提取耗時超過892 s，而利用格網(wǎng)劃分方法耗時僅為7.1 s，且后者的居民區(qū)提取精度還略高于前者。

為了進一步驗證基于本文方法所提取結(jié)構(gòu)特征描述參數(shù)的有效性，本文從橫向和縱向2個方面進行了評價： ①橫向比較。選擇目標(biāo)和背景均具有的通用結(jié)構(gòu)特征參數(shù)作為對比對象，將本文提取得到的結(jié)構(gòu)特征描述參數(shù)與其進行比較，以驗證本文方法提取的結(jié)構(gòu)參數(shù)在空間結(jié)構(gòu)描述上的穩(wěn)健性與有效性； ②縱向比較。將變差函數(shù)曲線上不同滯后情況下的函數(shù)值分別作為目標(biāo)的結(jié)構(gòu)參數(shù)，以驗證本文方法提取的結(jié)構(gòu)特征參數(shù)是否為最優(yōu)。常用的通用結(jié)構(gòu)特征參數(shù)包括： 第一滯后變差函數(shù)值FLS、一階差分FD、二階差分SD、第一個局部極大變差函數(shù)值FMaxV、第一個極值點內(nèi)變差函數(shù)均值MFM和第一個極大滯后至最大滯后區(qū)間內(nèi)所有變差函數(shù)值的均值A(chǔ)mean等[8]。表2給出了依據(jù)不同參數(shù)的居民區(qū)提取精度。

表2 基于各類結(jié)構(gòu)特征參數(shù)的居民區(qū)提取精度

①LagMaxV為結(jié)構(gòu)特征描述參數(shù)。

1)橫向比較。由表2可以看出，對于實驗區(qū)1和3，通用結(jié)構(gòu)特征參數(shù)中FMaxV，MFM及Amean的提取結(jié)果較好，實驗區(qū)2中FLS，MFM及FMaxV的居民區(qū)提取結(jié)果較好，實驗區(qū)4中FD，SD和FLS對目標(biāo)結(jié)構(gòu)的描述更為有效。綜合來看，對于不同的影像數(shù)據(jù)，有效的通用結(jié)構(gòu)特征描述參數(shù)不是一致的，結(jié)構(gòu)描述參數(shù)的空間結(jié)構(gòu)描述能力的穩(wěn)健性較差。從表2還可以看出，基于本文方法提取的結(jié)構(gòu)特征描述參數(shù)LagMaxV對于不同的數(shù)據(jù)源均表現(xiàn)出了較好的穩(wěn)健性與有效性，并且相對通用結(jié)構(gòu)特征參數(shù)具有更好的結(jié)構(gòu)描述能力，因而從橫向驗證了本文方法所提取的特征描述參數(shù)的優(yōu)勢。

表3―6給出了4個實驗區(qū)分別依據(jù)變差函數(shù)曲線不同滯后對應(yīng)的變差函數(shù)值作為結(jié)構(gòu)特征參數(shù)提取居民區(qū)結(jié)果的精度對比。

表3 實驗區(qū)1不同滯后下的居民區(qū)提取精度

表4 實驗區(qū)2不同滯后下的居民區(qū)提取精度

表5 實驗區(qū)3不同滯后下的居民區(qū)提取精度

表6 實驗區(qū)4不同滯后下的居民區(qū)提取精度

2)縱向比較。由表3―6可以看出，依據(jù)本文方法選取的變差函數(shù)值，相對于其他滯后下的變差函數(shù)值具有更好的空間結(jié)構(gòu)描述能力。對實驗區(qū)1來說，基于紋理差值曲線獲得的第一個局部極大值點位為6，相應(yīng)的F1測度在第6個滯后點位達到極大值； 實驗區(qū)2的最優(yōu)點位為1，提取結(jié)果的精度曲線在第1個點位達到了最大值； 實驗區(qū)3和4均在差值曲線的極值點3處獲得了最高的居民區(qū)目標(biāo)提取精度。同時，根據(jù)實驗結(jié)果可以看出，基于差值曲線的方法可以自適應(yīng)地選取對不同影像數(shù)據(jù)最為有效的結(jié)構(gòu)描述參數(shù)。

根據(jù)表2―6的橫向與縱向的對比分析可以說明，基于本文方法提取的結(jié)構(gòu)特征描述參數(shù)對不同的影像數(shù)據(jù)均保持了較好的穩(wěn)健性，在結(jié)構(gòu)特征描述能力上可以與傳統(tǒng)的通用結(jié)構(gòu)特征參數(shù)相媲美，甚至優(yōu)于通用結(jié)構(gòu)特征描述參數(shù)； 同樣，在進行結(jié)構(gòu)描述時，取得的參數(shù)相對于變差函數(shù)曲線上其他變差函數(shù)值更為有效。

3 結(jié)論

1)針對高分影像中居民區(qū)這類大尺度目標(biāo)的提取，本文采用基于格網(wǎng)劃分和變差函數(shù)方法，對原始影像直接進行格網(wǎng)劃分，以劃分后的格網(wǎng)單元作為影像處理的基本對象，在保證較好的影像居民區(qū)提取結(jié)果的前提下，使提取的效率得到了很大改善。

2)在格網(wǎng)單元的結(jié)構(gòu)特征參數(shù)計算過程中，提出一種基于紋理差值曲線的最優(yōu)結(jié)構(gòu)特征參數(shù)選取方法，使得選取的參數(shù)對于不同影像數(shù)據(jù)空間結(jié)構(gòu)的描述均具有較好的穩(wěn)健性，結(jié)構(gòu)特征描述能力與傳統(tǒng)的通用結(jié)構(gòu)特征參數(shù)相當(dāng)，甚至?xí)?yōu)于通用結(jié)構(gòu)特征參數(shù)。

3)綜合考慮算法的性能和效率，本文提出的基于變差函數(shù)和格網(wǎng)劃分方法對不同高分影像數(shù)據(jù)均能有效、快速地提取居民區(qū)，具有很好的實用價值。

由于目前還只是依據(jù)差值曲線的第一個局部極大值選取對應(yīng)的變差函數(shù)值作為單個結(jié)構(gòu)特征描述參數(shù)，故未能對不同滯后情況下的變差函數(shù)值進行綜合考慮以獲得更為有效的特征描述參數(shù)； 另外，基于格網(wǎng)劃分的影像居民區(qū)提取方法，其提取結(jié)果的邊緣尚存在一定的誤差。因此，如何獲得更為有效的結(jié)構(gòu)特征描述參數(shù)組合，如何進一步細(xì)化邊緣格網(wǎng)的提取結(jié)果，仍需進行深入研究。

[1] 沈小樂,邵振峰,田英潔.紋理特征與視覺注意相結(jié)合的建筑區(qū)提取[J].測繪學(xué)報,2014,43(8):842-847. Shen X L,Shao Z F,Tian Y J.Built-up areas extraction by textural feature and visual attention mechanism[J].Acta Geodaetica et Cartographica Sinica,2014,43(8):842-847.

[2] 李亮,舒寧,王凱,等.融合多特征的遙感影像變化檢測方法[J].測繪學(xué)報,2014,43(9):945-953. Li L,Shu N,Wang K,et al.Chang detection method for remote sensing images based on multi-features fusion[J].Acta Geodaetica et Cartographica Sinica,2014,43(9):945-953.

[3] Wu S S,Xu B,Wang L.Urban land-use classification using variogram-based analysis with an aerial photograph[J].Photogrammetric Engineering & Remote Sensing,2006,72(7):813-822.

[4] 王燕紅,程博,尤淑撐,等.基于改進變差函數(shù)的高分辨率SAR圖像建筑區(qū)提取[J].遙感信息,2014,29(2):3-8. Wang Y H,Cheng B,You S C,et al.Extraction of building areas from high-resolution SAR images based on advanced variogram method[J].Remote Sensing Information,2014,29(2):3-8.

[5] Tonye E,Fotsing J,Zobo B E,et al.Contribution of variogram and feature vector of texture for the classification of big size SAR images[C]//Proceedings of the 7th International Conference on Signal-Image Technology and Internet-Based Systems.Dijon:IEEE,2011:382-389.

[6] Wallace C S A,Watts J M,Yool S R.Characterizing the spatial structure of vegetation communities in the Mojave Desert using geostatistical techniques[J].Computers & Geosciences,2000,26(4):397-410.

[7] Chen Q,Gong P.Automatic variogram parameter extraction for textural classification of the panchromatic IKONOS imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2004,42(5):1106-1115.

[8] 陳一祥.高分影像空間結(jié)構(gòu)特征建模與信息提取[D].武漢:武漢大學(xué),2013. Chen Y X.Modeling of Spatial Strutural Features and Information Extraction for High Resolution Remote Sensing Images[D].Wuhan:Wuhan University,2013.

[9] Carr J R,de Miranda F P.The semivariogram in comparison to the co-occurrence matrix for classification of image texture[J].IEEE Transactions on Geoscience and Remote Sensing,1998,36(6):1945-1952.

[10]董慶,馮林新.變差函數(shù)在遙感圖像處理中的應(yīng)用[J].遙感技術(shù)與應(yīng)用,1997,12(1):8-13. Dong Q,Feng L X.The use of the variogram in remotely sensed images[J].Remote Sensing Technology and Application,1997,12(1):8-13.

(責(zé)任編輯： 劉心季)

Feature description and extraction of residential area based on variogram function and grid division

ZHANG Enbing， QIN Kun， YUE Mengxue， ZHANG Ye， ZENG Cheng

(SchoolofRemoteSensingandInformationEngineering，WuhanUniversity，Wuhan430079，China)

As an effective method for describing texture structure, variogram has a good application in residential areas extraction from high-resolution remote sensing image. However, nowadays, residential areas extraction methods mostly apply the calculation in pixel level by moving window, thus the computational efficiency tends to be lower when encountering large images. In addition, when describing texture structure characteristics for different data sources, it has a poor robustness and efficiency for selecting parameters. Therefore, the authors propose an effective method for residential area extraction based on variogram function and grid division in this paper. Firstly, the original image was divided into small grid units and then the unit was taken as the processing object；meanwhile, the optimal description parameters were selected based on the texture difference curve. Finally, the calculated texture characteristics were used to extract residential areas. The experimental results show that the proposed method has better spatial structure description capability and calculation efficiency.

variogram； grid division； residential areas； robustness； texture difference curve； spatial structure

10.6046/gtzyyg.2016.04.23

張恩兵,秦昆,岳夢雪,等.基于變差函數(shù)和格網(wǎng)劃分的居民區(qū)特征描述與提取[J].國土資源遙感,2016,28(4)：149-155.(Zhang E B,Qin K,Yue M X,et al.Feature description and extraction of residential area based on variogram function and grid division[J].Remote Sensing for Land and Resources,2016,28(4)：149-155.)

2015-05-25；

2015-07-28

國家重點基礎(chǔ)研究發(fā)展計劃(973)項目“高分辨率遙感影像的目標(biāo)特征描述與數(shù)學(xué)建?！?編號： 2012CB719903)、國家科技支撐計劃項目“地理國情監(jiān)測科技支撐”(編號： 2012BAJ15B04)和四川省測繪地理信息局科技計劃項目“城市三維建?！?編號： J2014ZC02)共同資助。

TP 751.1

A

1001-070X(2016)04-0149-07

張恩兵(1990-)，男，碩士研究生，主要研究方向為高分辨率遙感圖像信息提取。Email： zeb@whu.edu.cn。