多特征多尺度相結(jié)合的高分辨率遙感影像建筑物提取

林雨準，張保明，徐俊峰，侯 凱，周 迅

(1. 信息工程大學，河南 鄭州 450001； 2. 78125部隊，四川 成都 610000)

多特征多尺度相結(jié)合的高分辨率遙感影像建筑物提取

林雨準1，張保明1，徐俊峰1，侯 凱2，周 迅2

(1. 信息工程大學，河南 鄭州 450001； 2. 78125部隊，四川 成都 610000)

在高分辨率遙感影像中，建筑物通常表現(xiàn)為多尺度形態(tài)，且存在同譜異物和同物異譜現(xiàn)象。因此，本文提出了一種綜合利用光譜特征、形狀特征和紋理特征，并結(jié)合多尺度分割的建筑物分級提取方法。該方法首先對遙感影像進行形態(tài)學建筑物指數(shù)(MBI)計算，而后對其特征影像進行閾值分割，并借助形狀特征參數(shù)實現(xiàn)建筑物初提??；然后引入面向?qū)ο笏枷胪瓿蛇b感影像多尺度分割，并利用紋理特征實現(xiàn)單一尺度的建筑物對象識別；最后借助多尺度融合思想完成建筑物后提取。利用本文方法對沖繩某地區(qū)影像進行了建筑物提取試驗。試驗結(jié)果表明，該方法的識別查準率和查全率在對象級和像素級兩方面均取得較高精度。

高分辨率遙感影像；建筑物提?。欢嗵卣?；多尺度分割；多尺度融合

建筑物作為基礎地理數(shù)據(jù)庫中最重要的人工目標類型之一，對其進行提取在城市規(guī)劃和管理、城鎮(zhèn)人口與生產(chǎn)力的布局及三維建模等方面具有重要意義。隨著多源遙感數(shù)據(jù)的實用化，運用遙感技術尤其是借助遙感影像進行快速、大范圍的建筑物提取避免了人工手段提取時存在的費時費力、自動化程度低和采集質(zhì)量不一致等問題。目前，學者們提出了很多用于遙感影像建筑物提取的模型和策略，主要可以分為以下3類：①基于幾何邊界的提取方法，該方法主要分為基于邊緣檢測的方法[1]和能量泛函的方法[2-3]；②基于輔助特征和信息的方法，利用陰影等輔助信息建立空間上下文關系，完成建筑物提取[4]；③基于區(qū)域分割的方法，引入面向?qū)ο笏枷耄ㄟ^對影像的分割，使同質(zhì)像素組成大小不同的影像對象[5]，而后利用光譜、形狀、紋理等特征實現(xiàn)建筑物提取。上述3類方法從不同角度對建筑物的提取方法進行研究，并取得一定效果，但同時存在一定問題。如方法①對于存在遮擋的建筑物具有一定的恢復作用，但復雜形狀建筑物的提取效果不夠理想，其先驗模型庫也有待建立；方法②充分利用影像的各類信息，但其輔助特征和信息不一定總是存在；方法③采用了面向?qū)ο笏枷耄^于依賴影像分割結(jié)果，且對于特定地物的尺度無法做到統(tǒng)一。

針對以上分析，本文在方法③的基礎上，充分利用建筑物在遙感影像上的光譜、形狀和紋理特征，引入形態(tài)學建筑物指數(shù)(morphology building index,MBI)[6-8]和多尺度分割[9]的思想，采用存在“建筑物樣本”的“監(jiān)督型”方式[5,10]，提出了一種結(jié)合光譜、形狀和紋理特征的建筑物分級提取方法。

1 建筑物分級提取原理

1.1 建筑物初提取

MBI的基本思想是利用建筑物的空間光譜特征(亮度、形狀和對比度等)及形態(tài)學操作的思想對遙感影像的建筑物進行提取，其定義如下

(1)

式中，D和S分別表示結(jié)構元素方向和尺度數(shù)目；TH_DMP(d,s)為多尺度差分形態(tài)序列，可以表示為

TH_DMP(d,s)=|TH(d,s)(b)-TH(d,s-Δs)(b)|

(2)

式中,TH(d,s)(b)表示在結(jié)構元素方向為d、尺度為s下亮度影像進行的基于開重建的高帽變化；Δs為相鄰尺度間的尺度差分，其中亮度影像的像素光譜值為該像素在原始影像中所有波段的光譜最大值。

基于開重建的高帽變換對于小于結(jié)構元素且又比周圍亮的區(qū)域有突出作用，而建筑物在亮度圖像上多表現(xiàn)為亮特征[11]，又考慮到建筑物尺寸的不確定性和不統(tǒng)一性，以及建筑物相對道路在方向上的各向同性。因此，選取多尺度多方向結(jié)構元素對亮度影像進行相應形態(tài)學操作。在獲取MBI特征影像后，進行Otsu閾值分割，并采取八鄰域增長法生成對象。由于遙感影像中空地、道路等地物也存在亮屬性，通過簡單的MBI屬性值無法實現(xiàn)建筑物的準確分離。因此，引入形狀特征參數(shù)(面積、矩形率和長寬比)對非狹長矩形建筑物進行識別。其中面積為對象包含的像素數(shù)目，矩形率為對象面積和其最小外接矩形面積之比，長寬比為對象最小外接矩形的長邊與短邊之比。為保證建筑物在初提取過程中的準確性，設定矩形率的下限為0.8，長寬比的上限為4∶1。

1.2 建筑物后提取

1.2.1 基于紋理特征的建筑物識別

紋理特征作為基本視覺特征之一，在高分辨率遙感影像中，有助于區(qū)分紋理細節(jié)豐富的地物目標，而建筑物紋理特征在同一幅遙感影像中表現(xiàn)較為一致。因此本文將初提取結(jié)果作為樣本信息，并對影像進行分割，獲取分割后對象與樣本間的紋理距離，并對紋理距離進行閾值分割實現(xiàn)建筑物區(qū)域識別。

Gabor變化包含一組不同尺度和方向的濾波器，可以提取目標在各個方向和尺度的紋理特征[12]。利用3個尺度、8個方向(22.5°～180°)的濾波器對遙感影像進行Gabor紋理特征提取，并求取同一尺度下所有方向的平均值。經(jīng)過以上分析，每個像素將擁有3個尺度下的紋理特征屬性值，構成了相應的三維紋理特征向量Tex(i)=X(xscale1,xscale2,xscale3)。

均值漂移(mean shift)分割法[13]是一種非參數(shù)估計密度函數(shù)法,其利用色域距離閾值和空域距離閾值，通過圖像濾波和分割區(qū)域的合并生成影像對象。在生成影像對象后，求取每個對象和建筑物樣本的紋理特征向量及兩者之間的紋理距離，求取公式為

(3)

(4)

(5)

式中，areanum和num分別為每個建筑物初提取結(jié)果和影像對象包含的像素數(shù)目；Tex(i)是所包含像素的紋理特征向量；ST(n)和OT(k)分別表示建筑物初提取結(jié)果和分割后影像對象的紋理特征向量平均值；DOT(k)和n則為第k個影像對象的紋理距離和初提取的建筑物數(shù)目。

在獲得所有對象的紋理距離后，將其規(guī)劃至0—255，而后借助Otsu閾值分割實現(xiàn)基于紋理距離的建筑物識別。此外，為提高建筑物的識別準確率，對識別結(jié)果為建筑物的對象進行進一步判斷，分別求取對象面積、超綠指數(shù)均值[14]和亮度均值，從而排除小面積噪聲、大面積道路、植被和陰影的干擾。

1.2.2 基于多尺度融合的建筑物后提取

在高分辨率遙感影像中，細節(jié)特征豐富，同一建筑物對象的光譜信息存在不均勻現(xiàn)象，使用單一尺度進行影像分割必然存在過分割或欠分割現(xiàn)象。多尺度分割在特定地物目標提取中使用不同空間距離閾值和光譜距離閾值，有助于提高建筑物提取精度。

如圖1所示，(a)—(c)依次為原始影像、小尺度分割結(jié)果和大尺度分割結(jié)果，圖中包含一個建筑物?？梢钥闯鲂〕叨确指钊菀讌^(qū)分細節(jié)特征，分割與周圍信息接近的建筑物效果較好，但在建筑物內(nèi)部光譜信息不均勻時會造成過分割現(xiàn)象，如圖1(b)所示；大尺度分割對光譜信息不均勻建筑物分割效果較好，但容易將與周圍地物信息接近的建筑物劃分為同一對象，如圖1(c)所示。

因此，本文采用多尺度分割方法，利用不同尺度實現(xiàn)建筑物對象的正確識別，并通過決策級融合規(guī)則[9，15]將多個尺度下的識別結(jié)果進行融合。以3個尺度為例，如表1所示，其中1和0分別表示該像素在相應尺度下的識別結(jié)果為建筑物和非建筑物。本文定義如下規(guī)則：若該像素在超過一半的尺度下識別結(jié)果為建筑物，則將該像素屬于建筑物。

圖1 不同尺度分割結(jié)果圖

表1 多尺度融合

2 建筑物分級提取方法

通過上述分析，本文算法主要由兩部分組成：一是進行建筑物初提取，二是利用建筑物初提取結(jié)果、紋理特征和影像分割實現(xiàn)建筑物后提取。其流程如圖2所示。

圖2 建筑物提取流程

建筑物初提取包括MBI特征影像生成及閾值分割、區(qū)域增長和形狀特征篩選。建筑物后提取過程涉及多尺度分割、紋理特征向量和紋理距離計算及多尺度融合。具體步驟如下：①結(jié)合多尺度多方向結(jié)構元素對原始影像進行形態(tài)學操作，形成MBI特征影像；②對MBI特征影像進行閾值分割，并采用八鄰域區(qū)域增長方式將待選點劃分成對象；③利用形狀特征參數(shù)對劃分對象進行篩選，實現(xiàn)初提取；④進行影像分割，并計算分割后對象的紋理特征向量和紋理距離，同時借助面積參數(shù)、超綠指數(shù)均值和亮度均值實現(xiàn)建筑物區(qū)域識別；⑤將不同尺度下的建筑物識別結(jié)果進行融合，完成建筑物提取。

3 試驗與分析

為驗證所提方法的有效性和可靠性，選取Google Earth提供的沖繩某地區(qū)影像進行試驗，影像大小為1052×700像素，包含99個建筑物，光譜信息為3個波段，影像空間分辨率約為1.1 m。此外，為直觀反映本文算法的建筑物提取能力，利用3個定量指標[16]對其進行評價，查準率(Precision)、查全率(Recall)和F1分數(shù)(取值越大，算法越好)，其計算公式為

(6)

(7)

(8)

式中，TP表示人工采集和本文檢測都為建筑物的數(shù)目；FP表示本文檢測為建筑物但未被人工采集的數(shù)目；FN表示人工采集為建筑物但未被本文檢測出的數(shù)目。

如圖3所示，(a)—(d)分別為試驗區(qū)域的原始影像、建筑物提取參考結(jié)果(人工提取)、本文算法提取結(jié)果及MBI算法提取結(jié)果。在本文所提算法的建筑物初提取過程中，對于MBI法中的形狀特征參數(shù)進行更嚴格的控制，將建筑物初提取結(jié)果限制為非狹長矩形，從而控制初提取過程中的誤檢測情況?？梢钥闯霰疚乃惴ㄔ贛BI法的基礎上對非矩形建筑物具備提取能力。為具體分析兩種方法的優(yōu)異性，將兩種方法的檢測結(jié)果進行量化，從對象級和像素級兩個方面對精度進行比較，結(jié)果見表2。

圖3 試驗影像建筑物提取結(jié)果

表2 建筑物提取精度評定

由表2可知，本文方法相對于MBI法其精度在對象級和像素級兩方面均得到了較大提高，尤其是查全率方面，提高程度達10%左右，這說明本文方法在建筑物的漏檢方面控制較好，但像素級的查全率仍有待提高，這也反映了建筑物的檢測完整性還有待加強。

針對多尺度分割對檢測精度的影響，對試驗影像進行相應的單一尺度和多尺度融合比較試驗，將原始影像進行尺度大小(色域距離閾值和空域距離閾值之和，且兩個閾值各占一半)為16、18、20、22、24、26、28的影像分割，并依次完成相應尺度下的陰影檢測，而后將尺度大小分為16、18、20、22、24及16、18、20、26、28兩組進行決策級融合，其檢測精度見表3。

表3 不同尺度建筑物提取精度比較

由表3可知，在單一尺度進行建筑物提取時，總體來說查準率、查全率和F1分數(shù)隨著尺度的增大依次呈現(xiàn)上升、下降和先上升后下降趨勢。多尺度融合結(jié)果結(jié)合了粗細尺度優(yōu)勢，同時具有較高的查準率、查全率和F1分數(shù)，且利用不同的粗細尺度進行融合均具備較好的檢測結(jié)果，證明了該方法的適用性(試驗證明當影像分辨率為1 m左右時，分割尺度可以按上述方式選取)。

4 結(jié) 語

本文提出了一種建筑物分級自動提取方法。針對同物異譜及同譜異物現(xiàn)象，本文在利用建筑物光譜特征的基礎上，綜合利用了形狀特征和紋理特征。針對建筑物在影像中的多尺度多方向特性，本文分別采用多尺度多方向結(jié)構元素、Gabor濾波器及多尺度分割進行解決。在多尺度分割與決策級融合的過程中，將面向?qū)ο蟮妮斎牒突谙袼氐妮敵鼋Y(jié)合，得到了單獨像素的建筑物屬性。但對于小面積建筑物如何與噪聲進行區(qū)別及密集型建筑物提取還有待進一步研究。

[1] WANG J, YANG X, QIN X, et al. An Efficient Approach for Automatic Rectangular Building Extraction from Very High Resolution Optical Satellite Imagery[J]. IEEE Geoscience & Remote Sensing Letters, 2014, 12(3):487-491.

[2] 田昊, 楊劍, 汪彥明,等. 基于先驗形狀約束水平集模型的建筑物提取方法[J]. 自動化學報, 2010, 36(11):1502-1511.

[3] LIASIS G, STAVROU S. Building Extraction in Satellite Images Using Active Contours and Colour Features[J]. International Journal of Remote Sensing, 2016, 37(5):1127-1153.

[4] 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 & Remote Sensing, 2012, 5(1):161-172.

[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.

[6] HUANG X, ZHANG L, ZHU T. Building Change Detection from Multi-temporal High-resolution Remotely Sensed Images Based on a Morphological Building Index[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2013,7(1):105-115.

[7] HUANG X, ZHANG L. A Multidirectional and Multiscale Morphological Index for Automatic Building Extraction from Multispectral GeoEye-1 Imagery[J]. Photogrammetric Engineering & Remote Sensing, 2011, 77(7):721-732.

[8] 胡榮明, 黃小兵, 黃遠程. 增強形態(tài)學建筑物指數(shù)應用于高分辨率遙感影像中建筑物提取[J]. 測繪學報, 2014, 43(5):514-520.

[9] 馮文卿, 張永軍. 利用多尺度融合進行面向?qū)ο蟮倪b感影像變化檢測[J]. 測繪學報, 2015, 44(10):1142-1151.

[10] 吳煒, 駱劍承, 沈占鋒,等. 光譜和形狀特征相結(jié)合的高分辨率遙感圖像的建筑物提取方法[J]. 武漢大學學報(信息科學版), 2012, 37(7):800-805.

[11] 姜春雪, 郭海濤, 喻金桃,等. 假高帽變換的高分影像居民地信息提取[J]. 測繪科學, 2016, 41(3):104-108.

[12] 陳小光, 封舉富. Gabor濾波器的快速實現(xiàn)[J]. 自動化學報, 2007, 33(5):456-461.

[13] COMANICIU D，MEER P. Mean Shift: A Robust Approach toward Feature Space Nnalysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002.24(5):603-619.

[14] 井然, 鄧磊, 趙文吉,等. 基于可見光植被指數(shù)的面向?qū)ο鬂竦厮脖惶崛》椒╗J]. 應用生態(tài)學報, 2016, 27(5):1427-1436.

[15] 佃袁勇, 方圣輝, 姚崇懷. 多尺度分割的高分辨率遙感影像變化檢測[J]. 遙感學報, 2016, 20(1):129-137.

[16] OK A O. Automated Detection of Buildings from Single VHR Multispectral Using Shadow Information and Graph Cuts[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013,86(12):21-40.

BuildingExtractionfromHighResolutionRemoteSensingImagerywithMulti-featureandMulti-scale

LIN Yuzhun1，ZHANG Baoming1，XU Junfeng1，HOU Kai2，ZHOU Xun2

(1. Information Engineering University, Zhengzhou 450001, China; 2. 78125 Troop, Chengdu 610000, China)

Buildings vary in different shapes and sizes in high resolution remote sensing imageries, and the phenomenon that large within-class spectral variations and between-class spectral confusions also exist. In this paper, a method based on spectral feature, shape feature, texture feature and multilevel segmentation is proposed. Firstly, the original extraction is carried out by calculating the MBI, threshold segmentation and shape features. Then, object-oriented analysis is used for multi-scale segmentation and texture feature is used for building recognition in single scale. Finally, multi-scale fusion is used for the ultimate extraction. The presented method is evaluated with an image of Okinawa, Japan. The experiments show that the proposed building extraction algorithm can provide satisfactory precision ratio with a high level of recall ratio.

high resolution remote sensing imagery； building extraction； multi-feature； multi-scale segmentation； multi-scale fusion

2017-04-24

地理信息工程國家重點實驗室開放研究基金(SKLGIE2015-M-3-3)

林雨準(1993—)，男，碩士生，主要研究方向為高分辨率遙感影像建筑物提取與變化檢測。 E-mail:lyz120218@163.com

林雨準，張保明，徐俊峰,等.多特征多尺度相結(jié)合的高分辨率遙感影像建筑物提取[J].測繪通報，2017(12)：53-57.

10.13474/j.cnki.11-2246.2017.0378.

P237

A

0494-0911(2017)12-0053-05