基于圖割與陰影鄰接關(guān)系的高分辨率遙感影像建筑物提取方法

施文灶，毛政元

(1.福州大學空間數(shù)據(jù)挖掘與信息共享教育部重點實驗室，福建福州 350002；2.福建師范大學光電與信息工程學院，福建福州 350108；3.福州大學地理空間信息技術(shù)國家地方聯(lián)合工程研究中心，福建福州 350002；4.福州大學福建省空間信息工程研究中心，福建福州 350002)

基于圖割與陰影鄰接關(guān)系的高分辨率遙感影像建筑物提取方法

施文灶1,2,3,4，毛政元1,3,4

(1.福州大學空間數(shù)據(jù)挖掘與信息共享教育部重點實驗室，福建福州 350002；2.福建師范大學光電與信息工程學院，福建福州 350108；3.福州大學地理空間信息技術(shù)國家地方聯(lián)合工程研究中心，福建福州 350002；4.福州大學福建省空間信息工程研究中心，福建福州 350002)

高空間分辨率遙感影像的建筑物自動提取能夠加速城市基礎(chǔ)地理數(shù)據(jù)庫的更新進程.建筑物提取方法存在的一個亟需解決的問題是建筑物輪廓難以準確提取.本文通過建筑物的陰影特征和圖割提出一種在高分辨率遙感影像中識別與提取建筑物的方法.首先，基于勢直方圖函數(shù)檢測陰影；然后，以長寬比和矩形度作為約束條件從圖割結(jié)果中篩選出候選分割對象；最后，利用開運算、膨脹和腐蝕分別對陰影進行處理，計算處理后的陰影和候選分割對象之間的鄰接關(guān)系得到建筑物及其輪廓.為了驗證本文方法的有效性，選取PLEIADES影像中6幅具有代表性的子圖像進行試驗，結(jié)果表明本方法的平均查準率和平均查全率分別達到92.31%和74.23%.

遙感影像；陰影；圖割；建筑物提取

1 引言

高分辨率遙感影像信息提取是圖像處理領(lǐng)域中的熱點問題，建筑物提取是其中的難點.現(xiàn)有文獻中有關(guān)從高分辨率影像中提取建筑物較有代表性的方法有：(1)基于區(qū)域分割的方法.先通過將遙感影像分割成若干個獨立的對象，再根據(jù)建筑物自身的幾何形狀和空間位置等特征提取具體的建筑物目標[1]，分割算法的質(zhì)量是影響提取精度的重要因素，利用現(xiàn)有的分割算法直接提取建筑物難以得到滿意的結(jié)果；(2)基于輔助知識的方法.通過挖掘遙感影像中的顏色[2]、陰影[3]、紋理[4]、幾何結(jié)構(gòu)[5]等特征，并結(jié)合LiDAR[6]、SAR[7]或DSM等三維數(shù)據(jù)提取建筑物[8]，但此類數(shù)據(jù)一般較難獲取或成本較高，因此，研究利用顏色、陰影等信息提取建筑物將更有實用價值；(3)基于邊緣提取的方法.利用邊緣提取算法得到建筑物的邊緣，根據(jù)空間關(guān)系對邊緣線段進行分組，搜索平行線，進而搜索符合建筑物空間結(jié)構(gòu)和輪廓的矩形，得到建筑物的位置[9]，在建筑物獨立和結(jié)構(gòu)較為簡單的情況下效果較好，但在邊緣提取和直線跟蹤擬合等步驟中使用了較多閾值，難以同時適應(yīng)不同的建筑物類型和成像條件，實用性受到限制.

針對高分辨率遙感影像提取建筑物現(xiàn)有相關(guān)研究成果的不足，本文在圖割中同時利用幾何結(jié)構(gòu)、顏色特征和邊緣信息提高分割質(zhì)量，最大程度地挖掘二維高分影像中的信息，提出一種基于陰影和圖割、更加高效與魯棒地自動識別和提取建筑物的方法.

2 算法原理

本研究的算法流程如圖1所示，主要包括基于圖割的候選分割對象提取、基于勢直方圖函數(shù)的陰影提取和基于鄰接關(guān)系的建筑物提取三個部分.

2.1 陰影提取算法

陰影和非陰影的分割關(guān)鍵在于確定一個合適的閾值，而傳統(tǒng)的分割方法大多采用人工設(shè)置.本研究在文獻[10]的基礎(chǔ)上，提出一種基于勢直方圖函數(shù)的自動陰影提取算法.

設(shè)I=[f(i,j)]M×N為M×N的灰度圖像，G為灰度級，I的灰度統(tǒng)計直方圖函數(shù)H(k)計算公式為：

(1)

(2)

根據(jù)陰影的灰度級較低的特征，通過構(gòu)造勢直方圖函數(shù)的一階差分自動確定分割閾值，如式(3)所示.

P(k)=PH(k+1)-PH(k),k∈{0,1,2,…,G-1}

(3)

將P(k)中第一個由負到正的階躍點作為陰影提取的自動分割閾值T.

從I=[f(i,j)]M×N中提取的陰影為：

(4)

2.2 圖的構(gòu)造及權(quán)值計算

本研究在傳統(tǒng)圖割理論的基礎(chǔ)上，利用高分辨遙感影像的像元空間關(guān)系和對象邊緣等信息，提出一種適用于高分辨率遙感影像的分割方法.

對于M×N的遙感影像I，構(gòu)造圖G=(V,E,W)，將I中的各個像元作為圖的頂點，所有頂點的集合記為V；若像元之間的距離不大于r，則通過一條邊進行連接，所有邊的集合記為E；鄰接矩陣W用于測度具有連接關(guān)系的兩個像元的相似性，即屬于同一對象的可能性，像元m和n之間的邊的權(quán)值w(m,n)通過式(5)計算.

(5)

權(quán)值w(m,n)的設(shè)置決定分割的效果，本研究利用位置、灰度值和邊緣三種特征計算邊的權(quán)值.

(1)位置.利用位置的權(quán)值WD通過式(6)計算.

(6)

兩個像元在空間位置上越鄰近，WD越大，越有可能屬于同一對象.

(2)灰度值.利用灰度值的權(quán)值WI通過式(7)計算.

(7)

其中，Ii表示像元i的灰度值；σI表示全局灰度值方差.兩個像元的灰度值越接近，WI越大，越有可能屬于同一對象.

(3)邊緣.通過距離和灰度值計算的權(quán)值進行后續(xù)的圖割有利于連接對象的斷裂部分，但由于高分辨率遙感影像地物復(fù)雜，即表現(xiàn)出紋理多樣，若僅用距離和灰度值計算權(quán)值繼續(xù)分割可能會導致分割效果不好，而通過邊緣特征能夠直接地分割兩個對象，本研究的邊緣檢測算法采用基于梯度的方法.利用邊緣的權(quán)值WE通過式(8)計算.

(8)

其中，line(m,n)表示像元m和n之間的連線；edge(x)表示與邊緣相交的line包含的x的邊緣梯度幅值；σE表示提取的全局邊緣梯度幅值方差.如果兩個像元之間的連線沒有與邊緣相交，則WE很大，越有可能屬于同一對象.

對以上三個權(quán)值進行合并，且考慮邊緣特征對于建筑物的提取具有決定性的作用，因此需要體現(xiàn)邊緣權(quán)值WE的主要作用，構(gòu)造像元m和n之間的連接邊對應(yīng)的權(quán)值WM(m,n)為：

+βWE(m,n)

(9)

歸一化圖割及相應(yīng)特征向量的求解過程可參考文獻[11].

2.3 建筑物提取算法

基于圖割對象與陰影鄰接關(guān)系進行建筑物的提取，具體處理流程如圖2所示.

在提取候選分割對象和陰影對象的基礎(chǔ)上，首先用數(shù)學形態(tài)學方法對陰影對象進行處理：

(1)開運算處理.目的是為了減小與建筑物陰影具有相似光譜特征的植被陰影及小面積人工地物的干擾，可以提高建筑物對象的查準率；

(2)膨脹處理.對開運算處理后的陰影對象進行膨脹處理.目的是為了彌補候選分割對象提取的不準確性，保證陰影對象和對應(yīng)的建筑物有一定的重疊部分，可以提高建筑物檢測的查全率；

(3)腐蝕處理.對開運算處理后的陰影對象進行腐蝕處理.目的是為了防止陰影本身被當作建筑物，可以提高建筑物提高的查準率.

然后，將與膨脹處理后的陰影對象有重疊部分的候選分割對象判定為候選建筑物，將與腐蝕處理后的陰影對象有重疊部分的候選分割對象判定為陰影，將候選建筑物減去陰影得到建筑物對象.

3 試驗與分析

3.1 數(shù)據(jù)和評價方法

本研究的試驗數(shù)據(jù)為深圳市2012年11月6日的PLEIADES影像，分辨率為0.5m，從中選取6幅具有代表性的測試影像，尺寸均為400像素×400像素，編號分別為#1～#6.為了測試本研究方法對大規(guī)模影像的適用能力，另外選取一幅尺寸為3000像素×2000像素的測試影像，編號為#7.

分別采用式(10)～(12)的查準率Precision、查全率Recall和F1分數(shù)(將查準率和查全率聯(lián)合量化為一個數(shù)值，取值越大，表明算法性能越好)[12]，對每幅測試影像進行評價.

(10)

(11)

(12)

其中，TP(True Positive)表示本算法和人工標注法均提取到的建筑物數(shù)量；FP(False Positive)表示本算法檢測到而人工標注法未檢測到的建筑物數(shù)量；FN(False Negative)表示本算法未檢測到而人工標注法檢測到的建筑物數(shù)量.

3.2 參數(shù)分析與取值

本算法包括3個步驟，其中所涉及的6個參數(shù)的含義如表1所示.

表1 參數(shù)及描述

以圖4(a)的#1測試影像作為分析對象為例，得到算法的查準率、查全率和F1分數(shù)隨6個參數(shù)的變化曲線，如圖3所示.

由圖3可見，上述6個參數(shù)對算法性能的影響均有一定的規(guī)律性，即參數(shù)中變化過程中有某一取值區(qū)間均能使算法性能達到最高并且穩(wěn)定，同時對圖4中#2～#6的測試影像也進行同樣的參數(shù)變化分析，均能得到與圖3相似的曲線，據(jù)此可確定使總體性能達到最佳的參數(shù)值(表2).

表2 參數(shù)設(shè)定

3.3 試驗結(jié)果與分析

用本研究算法結(jié)合表2的參數(shù)取值對7幅測試影像進行建筑物提取，結(jié)果如圖4所示，其中黑色邊緣包含的區(qū)域代表TP建筑物的數(shù)量，實心圓代表FP建筑物的數(shù)量，即誤檢數(shù)；空心圓代表FN建筑物的數(shù)量，即漏檢數(shù).計算得到的性能結(jié)果如表3所示.

表3 算法的性能數(shù)值表

如圖4(a)～4(f)所示，6幅測試影像中的大多數(shù)建筑物都能被正確提取，表明本研究算法能適用于不同形狀、尺寸、顏色、分布及具有周圍地物干擾的建筑物提取，表3中列舉的數(shù)據(jù)也證明了這一點，綜合6幅測試影像的平均查準率和查全率分別為92.31%和74.23%，F(xiàn)1分數(shù)為82.29.可以發(fā)現(xiàn)，#2、#3、#4和#5測試影像的查全率較低，約為70%，拉低了綜合的平均查全率，其原因在于#2測試影像中有3處建筑物是由互成角度的矩形組成的，在分割算法中無法滿足長寬比和矩形度的約束條件而導致漏檢；#3測試影像頂部的3個沒被提取到的建筑物是由于其陰影沒有包含在影像中，在計算陰影對象和周圍建筑物的重疊關(guān)系時造成漏檢；#4測試影像是最具挑戰(zhàn)性的測試對象，由于建筑物和背景之間的對比度不明顯且建筑物之間分布較為密集，導致分割效果不好，所以造成較多建筑物的漏檢；#5測試影像查全率較低的原因是有3個建筑物被影像邊界分割成不完整的片段，同樣在分割算法中無法滿足長寬比和矩形度的約束條件而導致漏檢.另外，#6測試影像只有75%的查準率，與其他5幅查準率均高達90%以上的測試影像相差較大，因為其中兩個被誤檢的對象剛好鄰近陰影且能夠滿足長寬比和矩形度的約束條件，所以被檢測為建筑物.

比較6幅測試影像的F1分數(shù)，其中#2和#4測試影像的F1分數(shù)不到80%，說明本研究算法用于對包含較多非矩形或無法通過矩形組合的建筑物提取以及對比度較低、分布較為密集的建筑物提取還存在一定的局限性，但對于多數(shù)的場景具有較好的提取效果.

從圖4(h)和表3中#7測試影像的性能分析結(jié)果看，當應(yīng)用于圖像范圍大、地物復(fù)雜、干擾多的場景時，本研究算法同樣能保持較高的性能.

3.4 方法對比

基于#1～#6測試影像，將本文方法與利用分割和陰影的建筑物提取的方法進行對比，結(jié)果如表4.其中，方法1為利用水平集進行分割的建筑物提取方法[9]；方法2為基于不變顏色特征和陰影的建筑物提取方法[13].

表4 方法對比

由表4可知，在總體算法性能F1分數(shù)方面，本文方法比方法1和方法2均有提高，其中，方法1具有較高的查全率，但查準率相對較低，其原因在于方法1的水平集初始曲線由均勻分布在整幅影像上的圓形組成，當建筑物邊界較為明顯及分布較為稀疏時，能夠較好地檢測到建筑物，相反，活動輪廓線難以準確收斂至建筑物邊界；方法2先利用不變顏色特征進行分割，需要預(yù)先提取紅色建筑物(為了保證滿足此前提條件，隨機將6幅測試影像中的兩處建筑物進行紅色填充)，方法2達到93.33%的查準率，但條件要求較為苛刻，不利于實際應(yīng)用.

4 結(jié)論

本文針對高分辨率遙感影像提出了一種基于陰影和圖割的建筑物提取方法，利用陰影和分割對象之間的鄰接關(guān)系篩選并提取建筑物，為建筑物提取提供了一種有效的新方案.試驗結(jié)果表明，本文提出的方法可以同時高效、準確地提取矩形建筑物或由若干矩形組合形成的不規(guī)則形狀建筑物的位置和邊緣，突破了現(xiàn)有建筑物提取方法存在的只能提取建筑物位置或用矩形簡單擬合其輪廓、需要人工設(shè)置大量參數(shù)等方面的局限性，能更好地適應(yīng)城市建筑物變化檢測等涉及復(fù)雜場景的應(yīng)用需求；此外，本文的方法還具有參數(shù)調(diào)校更加簡便的優(yōu)勢.如何評價建筑物位置和邊緣的準確性、提高查全率，同時通過優(yōu)化分割算法降低時間復(fù)雜度、使本文的研究成果工程化，是后續(xù)研究的目標.

[1]Wegne J D,Soergel U,Rosenhahn B.Segment-based building detection with conditional random fields[A].Proceedings of 2011 Joint Urban Remote Sensing Event (JURSE)[C].Munich:IEEE,2011.205-208.

[2]Benedek C,Descombes X,Zerubia J.Building extraction and change detection in multitemporal remotely sensed images with multiple birth and death dynamics[A].2009 Workshop on Applications of Computer Vision (WACV)[C].Snowbird,UT:IEEE,2009.1-6.

[3]Huang X,Zhang L.Morphological building/shadow index for building extraction from high-resolution imagery over urban areas[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2012,5(1):161-172.

[4]Benarchid O,Raissouni N.Support vector machines for object based building extraction in suburban area using very high resolution satellite images,a case study:Tetuan,Morocco[J].IAES International Journal of Artificial Intelligence (IJ-AI),2013,2(1):43-50.

[5]陶超,譚毅華,蔡華杰,等.面向?qū)ο蟮母叻直媛蔬b感影像城區(qū)建筑物分級提取方法[J].測繪學報,2010,39(1):39-45. TAO Chao,TAN Yihua,CAI Huajie,et al.Object oriented method of hierarchical urban building extraction from high resolution remote sensing imagery[J].Acta Geodaetica et Cartographica Sinica,2010,39(1):39-45.(in Chinese)

[6]程亮,龔健雅.LiDAR輔助下利用超高分辨率影像提取建筑物輪廓方法[J].測繪學報,2008,37(3):391-393. CHENG Liang,GONG Jianya.Building boundary extraction using very high resolution images and LiDAR[J].Acta Geodaetica et Cartographica Sinica,2008,37(3):391-393.(in Chinese)

[7]蘇娟,張強,陳煒,等.高分辨率SAR圖像中建筑物特征融合檢測算法[J].測繪學報,2014,43(9):939-944. SU Juan,ZHANG Qiang,CHEN Wei,et al.A Building detection algorithm based on feature fusion in high resolution SAR images[J].Acta Geodaetica et Cartographica Sinica,2014,43(9):939-944.(in Chinese)

[8]ünsalan C,Boyer K L.A system to detect houses and residential street networks in multispectral satellite images[J].Computer Vision and Image Understanding,2005,98(3):423-461.

[9]Ahmadi S,Zoej M J V,Ebadi H,et al.Automatic urban building boundary extraction from high resolution aerial images using an innovative model of active contours[J].International Journal of Applied Earth Observation and Geoinformation,2010,12(3):150-157.

[10]裴繼紅,謝維信.勢函數(shù)聚類自適應(yīng)多閾值圖像分割[J].計算機學報,1999,22(7):758-762. PEI Jihong,XIE Weixin.Adaptive multi thresholds image segmentation based on potential function clustering[J].Chinese J.Computers,1999,22(7):758-762.(in Chinese)

[11]Shi J,Malik J.Normalized cuts and image segmentation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2000,22(8):888-905.

[12]Ok A O.Automated detection of buildings from single vhr multispectral images using shadow information and graph cuts[J].ISPRS Journal of Photogrammetry and Remote Sensing,2013,86:21-40.

[13]Sirmacek B,Unsalan C.Building detection from aerial images using invariant color features and shadow information[A].23rd International Symposium on Computer and Information Sciences[C].Istanbul:IEEE,2008.1-5.

施文灶 男，1982年8月出生于福建省晉江市，現(xiàn)為福建師范大學講師，福州大學博士研究生.主要研究方向為遙感影像信息提取.

E-mail:swz@fjnu.edu.cn

毛政元 男，1964年10月出生于湖南省武岡市，現(xiàn)為福州大學教授、博士生導師.主要研究方向為時空序列分析與變化檢測.獲省級科技進步獎、國家知識產(chǎn)權(quán)局發(fā)明專利各1項，在國內(nèi)外發(fā)表學術(shù)論文40余篇.

E-mail:zymao@fzu.edu.cn

Building Extraction from High Resolution Remotely Sensed Imagery Based on Shadows and Graph-Cut Segmentation

SHI Wen-zao1,2,3,4,MAO Zheng-yuan1,3,4

(1.KeyLabofSpatialDataMining&InformationSharingofMinistryofEducation,FuzhouUniversity,Fuzhou,Fujian350002,China; 2.CollegeofPhotonicandElectronicEngineering,FujianNormalUniversity,Fuzhou,Fujian350108,China; 3.NationalEngineeringResearchCentreofGeospatialInformationTechnology,FuzhouUniversity,Fuzhou,Fujian350002,China; 4.SpatialInformationEngineeringResearchCentreofFujianProvince,FuzhouUniversity,Fuzhou,Fujian350002,China)

Automatic building extraction from high spatial resolution remotely sensed imagery can accelerate the update process for urban basic geographic database.One problem of building extraction methods is the difficulty of extracting the precise building contour.This article proposes an approach to recognizing and extracting buildings from high resolution remotely sensed imagery based on shadows and graph-cut segmentation.Firstly,shadows were detected by using potential histogram function.Then,candidate segmentation objects were selected from the result of graph-cut segmentation with the constraint by integrating aspect ratio and rectangularity.At last,shadows were processed with open,dilate and corrode operations respectively,while buildings and their exact boundaries were extracted with adjacency between processed shadows and candidate segmentation objects.For verifying the validity of the proposed method,six sub-images were chosen from PLEIADES images.Experimental results show that the average precision and recall of the proposed method are 92.31% and 74.23% respectively.

remotely sensed imagery;shadows;graph-cut;building extraction

2015-05-04;

2015-08-13;責任編輯：覃懷銀

“十二五”國家科技支撐計劃項目(No.2013BAC08B02-01);國家重點基礎(chǔ)研究發(fā)展計劃項目課題(No.2006CB708306);福建省教育廳項目(No.JB14038)

TP237.4

A

0372-2112 (2016)12-2849-06

??學報URL:http://www.ejournal.org.cn

10.3969/j.issn.0372-2112.2016.12.006