融合直角點(diǎn)和直角邊特征的高分辨率遙感影像居民點(diǎn)提取方法

林祥國(guó)，寧曉剛

中國(guó)測(cè)繪科學(xué)研究院，北京 100830

融合直角點(diǎn)和直角邊特征的高分辨率遙感影像居民點(diǎn)提取方法

林祥國(guó)，寧曉剛

中國(guó)測(cè)繪科學(xué)研究院，北京 100830

提出了一種融合直角點(diǎn)和直角邊兩種特征的高分辨率遙感影像居民點(diǎn)提取方法：首先，分別檢測(cè)高分辨率遙感影像的角點(diǎn)和直線段，通過(guò)兩種特征交叉驗(yàn)證確定直角點(diǎn)和直角邊，并對(duì)二者進(jìn)行柵格化；然后，基于局部直角點(diǎn)和直角邊點(diǎn)的密度和距離特征生成居民點(diǎn)指數(shù)圖像；最后，通過(guò)指數(shù)圖像二值化、柵格轉(zhuǎn)矢量、剔除小圖斑等操作確定居民點(diǎn)多邊形。使用3景影像進(jìn)行了試驗(yàn)。試驗(yàn)結(jié)果表明，本文方法提高了居民點(diǎn)提取精度，其正確率、完整率、質(zhì)量等3個(gè)指標(biāo)的平均值比已有方法的相關(guān)值分別高6.76%、10.12%、12.14%。

高分辨率遙感影像；居民點(diǎn)；Harris角點(diǎn)；直線段；空間投票

目前，高空間分辨率(簡(jiǎn)稱“高分辨率”)遙感影像已經(jīng)廣泛應(yīng)用于測(cè)繪制圖、城市規(guī)劃、國(guó)土資源管理、國(guó)防安全、農(nóng)業(yè)、林業(yè)等眾多領(lǐng)域，成為相關(guān)行業(yè)和領(lǐng)域所需空間信息的一種重要數(shù)據(jù)源[1-2]。城鄉(xiāng)居民點(diǎn)是一類重要的空間數(shù)據(jù)[3]，準(zhǔn)確的居民點(diǎn)信息可以為土地管理、城市規(guī)劃等政府部門開(kāi)展土地利用現(xiàn)狀調(diào)查和宏觀規(guī)劃等工作提供重要決策支持[4]。高分辨率遙感影像居民點(diǎn)提取是當(dāng)前研究熱點(diǎn)之一，目前已有眾多研究方法。按照是否使用訓(xùn)練數(shù)據(jù)，已有方法可以被分為兩大類：監(jiān)督式和非監(jiān)督式[5]。其中，監(jiān)督式方法需要居民點(diǎn)和非居民點(diǎn)訓(xùn)練樣本。例如，文獻(xiàn)[6]使用形態(tài)學(xué)和人工神經(jīng)網(wǎng)絡(luò)從高分辨率全色影像中通過(guò)監(jiān)督分類的方式提取城鎮(zhèn)；文獻(xiàn)[7]使用多個(gè)條件隨機(jī)場(chǎng)集成學(xué)習(xí)，并利用多種光譜紋理特征和上下文特征檢測(cè)影像上的城鎮(zhèn)。但是，訓(xùn)練樣本的選擇不僅耗時(shí)、費(fèi)力，且居民點(diǎn)提取精度也與樣本精度、數(shù)量和分類器性能等多個(gè)因素密切相關(guān)，具有較大的不確定性。第2類非監(jiān)督式方法無(wú)需訓(xùn)練樣本；另外，基于使用的不同特征，該類方法又可以細(xì)分為以下3個(gè)子類:

(1) 基于紋理特征的方法。例如，PanTex[8]是一種基于灰度共生矩陣派生的紋理特征，應(yīng)用較廣。但是，該方法需要影像空間分辨率固定在5.0 m，且居民地容易與林地混淆。另外，差分形態(tài)學(xué)剖面[9]、非下采樣輪廓波變換[10]等紋理特征也被用于居民點(diǎn)識(shí)別，但提取結(jié)果存在邊界不精確、輪廓不平滑、誤提取、遺漏等問(wèn)題[10]。

(2) 基于角點(diǎn)特征的方法。其中，角點(diǎn)涉及Harris角點(diǎn)[11]、尺度不變特征變換(scale-invariant feature transform，SIFT)關(guān)鍵點(diǎn)[12]、基于Gabor濾波的局部特征點(diǎn)[13]、交叉點(diǎn)[5]等。但是，文獻(xiàn)[14]發(fā)現(xiàn)Harris角點(diǎn)并不適合區(qū)分城鎮(zhèn)和非城鎮(zhèn)。另外，文獻(xiàn)[15—16]分別提出了改進(jìn)型Harris角點(diǎn)。

(3) 基于邊緣特征的方法。例如，文獻(xiàn)[17]發(fā)現(xiàn)直線段統(tǒng)計(jì)特征可以用于衡量區(qū)域開(kāi)發(fā)強(qiáng)度。文獻(xiàn)[18]提出了基于建筑物邊緣特征的居民點(diǎn)檢測(cè)方法。文獻(xiàn)[4]使用邊緣密度特征提取高分辨率遙感影像居民點(diǎn)。

目前，基于角點(diǎn)和邊緣特征的居民點(diǎn)提取方法較多，且已有方法針對(duì)特定區(qū)域取得了較為理想的提取結(jié)果。但是，相關(guān)方法存在使用單一類型角點(diǎn)或邊緣特征、未同時(shí)融合角點(diǎn)和邊緣兩種特征的問(wèn)題。而在高分辨率遙感影像上，居民點(diǎn)通常由密集的建筑物群、內(nèi)部的道路交通網(wǎng)以及周邊鄰近的綠地所構(gòu)成[16]，居民點(diǎn)區(qū)域同時(shí)包含大量、且符合一定要求的直角點(diǎn)和直角邊兩種特征，忽略任何一種特征會(huì)帶來(lái)信息損失，進(jìn)而影響提取效果。為此，本文提出一種融合直角點(diǎn)和直角邊兩種特征的高分辨率遙感影像城鄉(xiāng)居民點(diǎn)提取方法。

1 本文方法

本文方法包括直角點(diǎn)及直角邊提取、居民點(diǎn)指數(shù)圖像構(gòu)建、居民點(diǎn)多邊形確定等3個(gè)主要環(huán)節(jié)，其整體技術(shù)框架如圖1所示。另外，圖2展示了某一影像各處理環(huán)節(jié)的效果。

圖1 本文方法的整體技術(shù)流程Fig.1 The whole work flow of the proposed method

1.1 直角點(diǎn)及直角邊提取

圖2(a)展示了空間分辨率為0.1 m、尺寸為8412×7958像素的航空正射影像，圖3(a)和(b)分別展示了該影像Harris角點(diǎn)和LSD(line segment detector)[19]直線段提取結(jié)果。可知，高分辨率遙感圖像上，不僅居民點(diǎn)富含Harris角點(diǎn)和直線段特征，而且農(nóng)田、規(guī)則分布園林也同樣富含兩種特征。但是，鑒于一棟規(guī)則建筑物尺寸與一塊規(guī)則農(nóng)田或園林地尺寸有著顯著差別，則可通過(guò)一個(gè)直角兩條直角邊長(zhǎng)度來(lái)區(qū)分兩種區(qū)域。

為此，本文將直角點(diǎn)定義為：一個(gè)Harris角點(diǎn)，且距離該角點(diǎn)一定歐氏距離范圍內(nèi)有兩條近似互相垂直、且長(zhǎng)度滿足一定要求的直線段，將這兩條滿足要求的直線段定義為該直角點(diǎn)的直角邊。相關(guān)公式為

|θi-90°|<φ1

(1)

(2)

(3)

式中，θi為兩條直線段夾角；distance1、distance2分別為兩條直線段距離該Harris角點(diǎn)最近端點(diǎn)到該角點(diǎn)的歐氏距離；length1、length2分別為兩條直線段長(zhǎng)度；另外，φ1、φ2、φ3和φ4分別是已知的角度閾值、距離閾值、最小長(zhǎng)度閾值、最大長(zhǎng)度閾值。

另外，在上述定義中，直線段是必備數(shù)據(jù)。已有方法中，文獻(xiàn)[4,16]均采取了邊緣檢測(cè)、邊緣分裂、直線段擬合的策略，這比較繁瑣、耗時(shí)，且提取結(jié)果受參數(shù)取值優(yōu)劣的影響較大。圖3(c)展示了采用文獻(xiàn)[4,16]策略的直線段提取結(jié)果，共耗時(shí)601.20 s，提取結(jié)果中建筑物及其周邊存在偽直線段，且林地存在大量短小的直線段，整體上直線段數(shù)量過(guò)多且長(zhǎng)短不一，該結(jié)果并不理想。為此，本文采用LSD[19]提取圖像中直線段。LSD改進(jìn)了文獻(xiàn)[20]的方法，且融入了對(duì)立推理理論[21]，它主要包括圖像縮小、梯度計(jì)算、梯度偽排序、梯度閾值、區(qū)域生長(zhǎng)、矩形估計(jì)、誤檢數(shù)量計(jì)算、對(duì)齊點(diǎn)密度檢驗(yàn)、矩形優(yōu)化等9個(gè)步驟[19]。LSD能在線性的時(shí)間內(nèi)得出亞像素級(jí)精度的檢測(cè)結(jié)果，可以在任何數(shù)字圖像上無(wú)需參數(shù)調(diào)節(jié)；并且它可以自己控制誤檢的數(shù)量，平均而言，每張圖像有一個(gè)誤檢[19]。圖3(b)展示了圖2(a)影像LSD直線段提取結(jié)果，共耗時(shí)123.19 s，直線段主要分布在建筑物和農(nóng)田區(qū)域。可見(jiàn)，LSD效率高、提取效果較為理想。

綜上，高分辨率遙感影像直角點(diǎn)及直角邊提取步驟包括：

(1) Harris角點(diǎn)提取。

(2) LSD直線段提取。

(3) 角點(diǎn)和直線段交叉驗(yàn)證。即對(duì)任何一個(gè)Harris角點(diǎn)，如果找到其兩個(gè)直角邊，則保留該角點(diǎn)；否則，刪除該角點(diǎn)。對(duì)于任何一條直線段，如果判定其為直角邊，則保留該直線段；否則，刪除該直線段。圖2(b)展示了本文提出的直角點(diǎn)和直角邊的提取結(jié)果，該結(jié)果保留了居民點(diǎn)區(qū)域的大部分Harris角點(diǎn)和直線段、而刪除了非居民點(diǎn)區(qū)域的絕大部分Harris角點(diǎn)和直線段。

(4) 直角點(diǎn)及直角邊柵格化。按照輸入遙感影像尺寸和空間分辨率對(duì)直角點(diǎn)及直角邊進(jìn)行柵格化。圖2(b)即為相關(guān)的柵格化結(jié)果。

1.2 居民點(diǎn)指數(shù)圖像構(gòu)建

如圖2(b)所示，居民點(diǎn)區(qū)域富含直角點(diǎn)和直角邊，而且非居民點(diǎn)區(qū)域直角點(diǎn)和直角邊十分稀疏。因此，局部區(qū)域的直角點(diǎn)、直角邊的密度特征可以很好地區(qū)分居民點(diǎn)和非居民點(diǎn)。為此，設(shè)計(jì)了下述居民點(diǎn)指數(shù)圖像的構(gòu)建步驟：

(1) 初始居民點(diǎn)指數(shù)圖像生成。該圖像與輸入的遙感影像具有相同的尺寸和空間分辨率，且值默認(rèn)為零。

(4)

式中，(xk,yk)(k=1,2,…,n1)代表了某一直角點(diǎn)的坐標(biāo);(xj,yj)(j=1,2,…,n2)代表了某一直角邊點(diǎn)的坐標(biāo)。另外，式(4)表明，在同樣距離的情況下，直角點(diǎn)的權(quán)值是直角邊點(diǎn)權(quán)值的100(100為經(jīng)驗(yàn)閾值)倍。圖2(c)展示了居民點(diǎn)指數(shù)圖像。在指數(shù)圖像中，像素值越大，表明該像素屬于居民點(diǎn)的概率越大；反之，該像素屬于居民點(diǎn)的概率越小。另外，通過(guò)局部空間投票這種方式構(gòu)建的居民點(diǎn)指數(shù)圖像，不僅有利于同時(shí)識(shí)別大面積的居民點(diǎn)和相對(duì)孤立的、小面積的居民點(diǎn)，而且有利于后續(xù)的邊界精確定位。

1.3 居民點(diǎn)多邊形確定

主要步驟包括：

(1) 指數(shù)圖像二值化。觀察居民點(diǎn)指數(shù)圖像的直方圖，通過(guò)試錯(cuò)法[22]確定一個(gè)最優(yōu)的閾值φ6，利用該閾值對(duì)居民點(diǎn)指數(shù)圖像進(jìn)行二值化處理，且“1”代表居民點(diǎn)、“0”代表非居民點(diǎn)。

(2) 柵格轉(zhuǎn)矢量。矢量化后，刪除類別為“0”的矢量圖斑。

(3) 剔除小圖斑。確定一個(gè)最小居民點(diǎn)面積的經(jīng)驗(yàn)閾值φ7，并刪除面積小于φ7的矢量圖斑。圖2(d)展示了最終提取的居民點(diǎn)區(qū)域。

2 試驗(yàn)與分析

基于Visual Studio 2010 C++集成開(kāi)發(fā)環(huán)境實(shí)現(xiàn)了本文提出的方法。同時(shí)，集成了文獻(xiàn)[5]的方法，以進(jìn)行兩種方法性能比較。試驗(yàn)平臺(tái)配置如下：ThinkPad W520筆記本，CPU為Intel酷睿i7-2760QM 2.4 GHz，內(nèi)存2.98 GB，裝配Windows XP系統(tǒng)。

2.1 試驗(yàn)數(shù)據(jù)及結(jié)果

試驗(yàn)中共使用了3景影像。試驗(yàn)數(shù)據(jù)1為0.10 m空間分辨率的航空影像，其長(zhǎng)寬分別為26 590像素、49 654像素,相應(yīng)區(qū)域位于山東省沂水縣丘陵地區(qū)，其中分布著10個(gè)村莊、大量規(guī)則農(nóng)田、5座小型水庫(kù)和鄉(xiāng)村道路，且村莊周邊有大面積的林地，如圖4(a)所示。試驗(yàn)數(shù)據(jù)2為0.61 m空間分辨率的QuickBird全色影像，其長(zhǎng)寬分別為6904像素、6905像素,相應(yīng)區(qū)域位于西藏自治區(qū)林芝市，其中分布著林芝市主城區(qū)、若干村莊和一條寬闊河流，河流水面形狀和分布極不規(guī)則，內(nèi)部有大量綠洲分布，且河流穿城而過(guò)，但有一條大橋橫跨河流，連接著河流兩側(cè)城區(qū)，如圖4(b)所示。試驗(yàn)數(shù)據(jù)3為0.50 m空間分辨率的GeoEye-1影像，其長(zhǎng)寬分別為3000像素、2200像素,相應(yīng)的區(qū)域位于日本的Inakadate，是一個(gè)以農(nóng)田藝術(shù)而知名的村莊，如圖4(c)所示。

試驗(yàn)中，本文方法相關(guān)參數(shù)的取值見(jiàn)表1。3組參數(shù)取值時(shí)，既需要依據(jù)相應(yīng)圖像具體特性，也需要經(jīng)驗(yàn)知識(shí)。參數(shù)確定后，相關(guān)處理過(guò)程由計(jì)算機(jī)自動(dòng)完成。圖5展示了本文方法對(duì)3個(gè)試驗(yàn)數(shù)據(jù)的提取結(jié)果。目視效果表明，盡管存在少量錯(cuò)誤，但整體上的提取效果較好。相關(guān)錯(cuò)誤主要表現(xiàn)在，試驗(yàn)數(shù)據(jù)1中容易將農(nóng)田中構(gòu)筑物誤認(rèn)為居民點(diǎn)，試驗(yàn)數(shù)據(jù)2中容易將河流中破碎綠洲區(qū)域誤認(rèn)為居民點(diǎn)，試驗(yàn)數(shù)據(jù)3中容易將寬廣道路誤認(rèn)為居民點(diǎn)，且3個(gè)試驗(yàn)數(shù)據(jù)中均存容易將居民點(diǎn)周邊一定距離內(nèi)非居民點(diǎn)誤識(shí)別為居民點(diǎn)的現(xiàn)象。

表1 本文方法相關(guān)參數(shù)在3個(gè)試驗(yàn)數(shù)據(jù)中的取值

Tab.1 The values of the input parameters of the proposed method for the three testing datasets

試驗(yàn)數(shù)據(jù)?1/(°)?2/像素?3/像素?4/像素?5/像素?6?7/m215.0052015030020.00100.00210.002530060050.00100.00310.0025100200200.00100.00

同時(shí)，采用了文獻(xiàn)[5]方法開(kāi)展了對(duì)比試驗(yàn)。文獻(xiàn)[5]方法提取了“+”“T”“X”型的交叉點(diǎn)作為角點(diǎn)特征、并采用了全局投票產(chǎn)生居民點(diǎn)指數(shù)圖像。試驗(yàn)結(jié)果表明，文獻(xiàn)[5]方法也能較好地提取城鄉(xiāng)居民點(diǎn)，但與本文方法提取結(jié)果相比，存在更多的錯(cuò)誤。另外，采用人工勾繪的方式提取了相應(yīng)的城鄉(xiāng)居民點(diǎn)作為參考數(shù)據(jù)，且勾繪時(shí)要將全部面積大于φ7的居民點(diǎn)進(jìn)行識(shí)別。但鑒于篇幅原因未展示這兩種方式提取的相關(guān)結(jié)果。

2.2 精度評(píng)價(jià)

采用正確率Pc、完整率Pe、質(zhì)量Pq3個(gè)指標(biāo)對(duì)上述兩種自動(dòng)方法性能進(jìn)行定量分析。3個(gè)指標(biāo)計(jì)算公式為

(5)

式中，Sauto&manual是相關(guān)方法提取結(jié)果與人工勾選結(jié)果交集的面積；Sauto為相關(guān)方法提取居民點(diǎn)的面積；Smanual為人工勾選居民點(diǎn)的面積；Sauto||manual為相關(guān)方法提取結(jié)果與人工勾選結(jié)果并集的面積。

兩種方法在3個(gè)試驗(yàn)數(shù)據(jù)中的3個(gè)指標(biāo)值見(jiàn)表2。表2的統(tǒng)計(jì)數(shù)據(jù)表明，3個(gè)試驗(yàn)數(shù)據(jù)中，本文方法的3個(gè)指標(biāo)值均優(yōu)于文獻(xiàn)[5]方法的相應(yīng)指標(biāo)值。以試驗(yàn)數(shù)據(jù)3為例，本文方法和文獻(xiàn)[5]方法的正確率分別為84.60%、77.13%，完整率分別為88.69%、81.27%，質(zhì)量分別為76.36%、65.49%，且其他試驗(yàn)的統(tǒng)計(jì)數(shù)據(jù)也呈現(xiàn)類似規(guī)律。另外，平均而言，本文方法比文獻(xiàn)[5]方法的正確率高6.76%、完整率高10.12%、質(zhì)量高12.14%。可知，定量評(píng)價(jià)表明本文方法的精度優(yōu)于已有文獻(xiàn)[5]方法。

表2 居民點(diǎn)提取精度統(tǒng)計(jì)Tab.2 Statistics of the accuracy of human settlements extraction (%)

2.3 分析與討論

本文方法的精度明顯高于文獻(xiàn)[5]方法的精度，這有兩方面原因：首先，本文方法同時(shí)融合了直角點(diǎn)和直線段兩種特征，而文獻(xiàn)[5]方法僅僅使用了角點(diǎn)特征。其次，在空間投票階段，本文方法進(jìn)行了局部投票，而文獻(xiàn)[5]方法使用了全局投票。全局投票的負(fù)面影響有兩點(diǎn)：①投票效果與居民點(diǎn)形狀有著密切關(guān)系，居民點(diǎn)的形狀越接近圓形，則居民地的提取效果越好，但是，對(duì)于不規(guī)則形狀的居民點(diǎn)，全局投票會(huì)導(dǎo)致提取的居民點(diǎn)多邊形與其真實(shí)形狀不符；②投票效果與居民點(diǎn)數(shù)量和空間分布有著密切關(guān)系。如果同一張影像上同時(shí)存在大小不一、空間分布不均勻的居民點(diǎn)，則全局投票會(huì)導(dǎo)致較大居民點(diǎn)具有更大概率值、較小且距離最大居民點(diǎn)較遠(yuǎn)居民點(diǎn)具有更小概率值，且很難確定合理的全局閾值區(qū)分居民點(diǎn)和非居民點(diǎn)。但是，本文局部空間投票也會(huì)導(dǎo)致提取的居民點(diǎn)多邊形內(nèi)部出現(xiàn)空洞、誤提取面積極小的居民點(diǎn)、誤提取居民點(diǎn)周邊區(qū)域等問(wèn)題。綜合而言，直角點(diǎn)和直角邊兩種特征融合和局部空間投票提高了本文方法提取精度。

圖2 本文提出方法的關(guān)鍵步驟處理效果示意圖Fig.2 Illustration of the process of the proposed filtering method

圖3 高分辨率遙感影像角點(diǎn)和直線段的提取結(jié)果Fig.3 The detected corners and line segments from one high resolution remote sensing image

圖4 3個(gè)試驗(yàn)數(shù)據(jù)Fig.4 The three testing datasets

圖5 本文方法提取的居民點(diǎn)結(jié)果Fig.5 The extracted human settlments by our proposed method

3 結(jié) 論

針對(duì)高分辨率遙感影像城鄉(xiāng)居民點(diǎn)提取的需求，本文提出了一種融合直角點(diǎn)和直角邊兩種特征的居民點(diǎn)提取方法。該方法需要7個(gè)人工干預(yù)的參數(shù)閾值。但是，其中的6個(gè)參數(shù)具有物理意義、容易確定，且其中的兩個(gè)參數(shù)具有固定的倍數(shù)關(guān)系。使用3景不同類型的影像進(jìn)行了試驗(yàn)。試驗(yàn)表明，本文的方法具有更高的提取精度。本文的主要貢獻(xiàn)表現(xiàn)在兩個(gè)方面：①高分辨率遙感影像城鄉(xiāng)居民點(diǎn)提取過(guò)程中，首次融合直角點(diǎn)和直角邊兩種特征構(gòu)建了居民點(diǎn)指數(shù)圖像；②面向居民點(diǎn)的提取，首次使用了LSD算法提取影像中的直線段，避免了邊緣檢測(cè)、邊緣分裂、直線段擬合的這種繁瑣流程。但是，本文方法目前也存在下述缺陷：①容易將規(guī)則分布、尺寸與建筑物相當(dāng)?shù)霓r(nóng)田、水體區(qū)域誤認(rèn)為居民點(diǎn)；②空間投票過(guò)程相當(dāng)耗時(shí)，導(dǎo)致方法效率不高。

下一步研究工作包括：①進(jìn)一步優(yōu)化算法，并采用并行計(jì)算[23]技術(shù)提升效率；②進(jìn)一步融合植被指數(shù)、水體指數(shù)[24]、不透水層指數(shù)[25]等相關(guān)成果以增強(qiáng)居民點(diǎn)與農(nóng)田、水體的區(qū)分性；③進(jìn)一步融合規(guī)劃、人口、行政界線等數(shù)據(jù)以確定精確城區(qū)邊界。

致謝:感謝武漢大學(xué)夏桂松教授提供的技術(shù)支持。

[1] 關(guān)元秀, 程曉陽(yáng). 高分辨率衛(wèi)星影像處理指南[M]. 北京: 科學(xué)出版社, 2008: 222-255. GUAN Yuanxiu, CHENG Xiaoyang. High Resolution Satellite Image Processing Guide[M]. Beijing: Science Press, 2008: 222-255.

[2] SIRMA?EK B, üNSALAN C. A Probabilistic Framework to Detect Buildings in Aerial and Satellite Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(1): 211-221.

[3] 陳軍, 陳利軍, 李然, 等. 基于GlobeLand30的全球城鄉(xiāng)建設(shè)用地空間分布與變化統(tǒng)計(jì)分析[J]. 測(cè)繪學(xué)報(bào), 2015, 44(11): 1181-1188. DOI: 10.11947/j.AGCS.2015.20140677.CHEN Jun, CHEN Lijun, LI Ran, et al. Spatial Distribution and Ten Years Change of Global Built-up Areas Derived from GlobeLand30[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(11): 1181-1188. DOI: 10.11947/j.AGCS.2015.20140677.

[4] 陳洪, 陶超, 鄒崢嶸, 等. 利用邊緣密度特征提取高分辨率遙感影像中的居民區(qū)[J]. 應(yīng)用科學(xué)學(xué)報(bào), 2014, 32(5): 537-542. CHEN Hong, TAO Chao, ZOU Zhengrong, et al. Extraction of Built-up Areas Extraction from High-resolution Remote-sensing Images Using Edge Density Features[J]. Journal of Applied Sciences-Electronics and Information Engineering, 2014, 32(5): 537-542.

[5] LIU Gang, XIA Guisong, HUANG Xin, et al. A Perception-inspired Building Index for Automatic Built-up Area Detection in High-resolution Satellite Images[C]∥Proceedings of IEEE International Geoscience and Remote Sensing Symposium. Melbourne, VIC: IEEE, 3132-3135.

[6] BENEDIKTSSON J A, PESARESI M, AMASON K. Classification and Feature Extraction for Remote Sensing Images from Urban Areas Based on Morphological Transformations[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(9): 1940-1949.

[7] ZHONG Ping, WANG Runsheng. A Multiple Conditional Random Fields Ensemble Model for Urban Area Detection in Remote Sensing Optical Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(12): 3978-3988.

[8] PESARESI M, GERHARDINGER A. Improved Textural Built-up Presence Index for Automatic Recognition of Human Settlements in Arid Regions with Scattered Vegetation[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2011, 4(1): 16-26.

[9] HUANG Xin, ZHANG Liangpei. 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.

[10] 沈小樂(lè)，邵振峰，田英潔. 紋理特征與視覺(jué)注意相結(jié)合的建筑區(qū)提取[J]. 測(cè)繪學(xué)報(bào), 2014, 43(8): 842-847. DOI: j.cnki.11-2089.2014.0131. SHEN Xiaole, SHAO Zhenfeng, TIAN Yingjie. Built-up Areas Extraction of High-resolution Remote Sensing Images by Texture Driven Visual Attention Mechanism[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(8): 842-847. DOI: j.cnki.11-2089.2014.0131.

[11] LI Yansheng, TAN Yihua, DENG Jianjin, et al. Cauchy Graph Embedding Optimization for Built-up Areas Detection from High-resolution Remote Sensing Images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(5): 2078-2096.

[12] SIRMACEK B, UNSALAN C. Urban-area and Building Detection Using Sift Keypoints and Graph Theory[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(4): 1156-1167.

[13] SIRMACEK B, UNSALAN C. Urban Area Detection Using Local Feature Points and Spatial Voting[J]. IEEE Geoscience and Remote Sensing Letters, 2010, 7(1): 146-150.

[14] MARTINEZ-FONTE L, GAUTAMA S, PHILIPS W, et al. Evaluating Corner Detectors for the Extraction of Man-made Structures in Urban Areas[C]∥Proceedings of IEEE International Geoscience and Remote Sensing Symposium. Seoul: IEEE, 2005.

[16] 陶超, 鄒崢嶸, 丁曉利. 利用角點(diǎn)進(jìn)行高分辨率遙感影像居民地檢測(cè)方法[J]. 測(cè)繪學(xué)報(bào), 2014, 43(2): 164-169, 192. TAO Chao, ZOU Zhengrong, DING Xiaoli. Unsupervised Urban Detection from High-resolution Remote-sensing Imagery Based on Improved Harris Corner Detector[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(2): 164-169, 192.

[17] üNSALAN C, BOYER K L. Classifying Land Development in High-resolution Panchromatic Satellite Images Using Straight-line Statistics[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(4): 907-919.

[18] 顧娟, 陳軍, 張宏偉, 等. 基于建筑物邊緣特征的居民地自動(dòng)識(shí)別方法研究[C]∥中國(guó)測(cè)繪學(xué)會(huì)九屆二次全體理事會(huì)議暨2006年學(xué)術(shù)年會(huì)論文集. 深圳: [s.n.], 2006: 152-161. GU Juan, CHEN Jun, ZHANG Hongwei, et al. Research on Automatic Human Settlement Recognition Method Based on Building Edge Feature[C]∥Proceedings of the 2006 Annual Conference of the Chinese Society of Geodesy, Photogrammetry and Cartography.Shenzhen:[s.n.]，2007: 152-161.

[19] VON GIOI R G, JAKUBOWICZ J, MOREL J M, et al. LSD: A Fast Line Segment Detector with a False Detection Control[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(4): 722-732.

[20] BURNS J B, HANSON A R, RISEMAN E M. Extracting Straight Lines[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986, PAMI-8(4): 425-455.

[21] DESOLNEUX A, MOISAN L, MOREL J M. From Gestalt Theory to Image Analysis: A Probabilistic Approach[M]. New York: Springer, 2008.

[22] JACKSON R R, CROSS F R, CARTER C M. Geographic Variation in a Spider's Ability to Solve a Confinement Problem by Trial and Error[J]. International Journal of Comparative Psychology, 2006, 19(3): 282-296.

[23] 亢曉琛，劉紀(jì)平，林祥國(guó).多核處理器的機(jī)載激光雷達(dá)點(diǎn)云并行三角網(wǎng)漸進(jìn)加密濾波[J].測(cè)繪學(xué)報(bào)，2013,42(3)：331-336. KANG Xiaochen,LIU Jiping,LIN Xiangguo.Parallel Filter of Progressive TIN Densification for Airborne LiDAR Point Clouds Using Multi-core CPU[J]. Acta Geodaetica et Cartographica Sinica,2013,42(3):331-336.

[24] XU H. Modification of Normalised Difference Water Index(NDWI)to Enhance Open Water Features in Remotely Sensed Imagery[J].International Journal of Remote Sensing.2006,27(14):3025-3033.

[25] XU H. Analysis of Impervious Surface and Its Impact on Urban Heat Environment using the Normalized Difference Impervious Surface Index(NDISI)[J].Photogrammetric Engineering and Remote Sensing,2010,76(5):557-565.

(責(zé)任編輯：張艷玲)

第46卷 第1期

Extraction of Human Settlements from High Resolution Remote Sensing Imagery by Fusing Features of Right Angle Corners and Right Angle Sides

LIN Xiangguo,NING Xiaogang

Chinese Academy of Surveying and Mapping, Beijing 100830, China

A method for human settlements extraction from high resolution remote sensing imagery using feature-level-based fusion of right-angle-corners and right-angle-sides is proposed in this paper. First, the corners and line segments are detected, the right-angle-corners and right-angle-sides are determined by cross verification of the detected corners and line segments, and these two types of features are rasterized. Second, a human settlement index image is built based on the density and distance of the right-angle-corners and right-angle-sides in a local region. Finally, the polygons of human settlements are generated through binary thresholding of the index image, conversion from raster format to vector format, and sieving. Three images are used for testing the proposed method. The experimental results show that our proposed method has higher accuracy than the existed method. Specifically, the correctrate, completeness, and quality of our method is higher 6.76%, 10.12%, 12.14% respectively than the existed method.

high resolution remote sensing image; human settlement; Harris corners; line segment; spatial voting Foundation support： The National Natural Science Foundations of China (Nos.41371405；41671440); The Foundation for Remote Sensing Young Talents by the National Remote Sensing Center of China; The Basic Research Fund of the Chinese Academy of Surveying and Mapping(No.777161103)

LIN Xiangguo(1981—), male, postdoetoral, associate professor, master supervisor, majors in remote sensing image understanding and LiDAR data processing.

林祥國(guó)，寧曉剛.融合直角點(diǎn)和直角邊特征的高分辨率遙感影像居民點(diǎn)提取方法[J].測(cè)繪學(xué)報(bào)，2017,46(1)：83-89.

10.11947/j.AGCS.2017.20160389. LIN Xiangguo,ZHANG Jixian.Extraction of Human Settlements from High Resolution Remote Sensing Imagery by Fusing Features of Right Angle Corners and Right Angle Sides[J]. Acta Geodaetica et Cartographica Sinica,2017,46(1):83-89. DOI:10.11947/j.AGCS.2017.20160389.

P237

A

1001-1595(2017)01-0083-07

國(guó)家自然科學(xué)基金(41371405;41671440)；遙感青年科技人才創(chuàng)新資助計(jì)劃；中央級(jí)公益性科研院所基本科研業(yè)務(wù)費(fèi)項(xiàng)目(777161103)

2016-08-17

林祥國(guó)(1981—)，男，博士后，副研究員，碩士生導(dǎo)師，主要從事遙感影像理解、LiDAR數(shù)據(jù)處理方法研究。

E-mail： linxiangguo@gmail.com

修回日期： 2016-12-01