基于植被似然建模與陰影的建筑物提取*

謝明鴻， 張亞運(yùn)， 高春霞， 鄭星星， 黃冰晶

(昆明理工大學(xué) 信息工程與自動(dòng)化學(xué)院，云南 昆明 650500)

0 引 言

鑒于此，本文結(jié)合植被似然建模，提出了基于植被似然建模與陰影的彩色遙感影像建筑物提取方法。降低了樹木等大量植被陰影區(qū)域?qū)μ崛〗ㄖ镪幱皫淼母蓴_，且對(duì)較小建筑物提取結(jié)果較理想。實(shí)驗(yàn)表明，其能夠有效地提取出建筑物。

1 建筑物提取算法

建筑物提取方法具體流程如圖1所示。

1.1 植被似然建模

本文采用彩色遙感影像將植被作為主要背景，通過離線監(jiān)督學(xué)習(xí)進(jìn)行似然建模，實(shí)現(xiàn)對(duì)植被的提取。主要原因有：植被目標(biāo)的紋理和色彩在不同的場(chǎng)景中基本保持一致，可以離線地學(xué)習(xí)植被的統(tǒng)計(jì)模型；植被目標(biāo)與其它目標(biāo)具有比較明顯的色彩和紋理差異，很容易區(qū)分來；樹木等植被對(duì)建筑物信息的提取干擾最嚴(yán)重。

1.1.1高斯混合模型

高斯混合模型[7](Gaussian mixture model，GMM)在圖像處理中的具體應(yīng)用是對(duì)背景進(jìn)行建模

(1)

采用最大期望(EM)迭代算法獲得高斯混合模型的未知參數(shù)。

1.1.2EM參數(shù)估計(jì)

EM算法[8]過程分2步實(shí)現(xiàn)：

E步驟：在給定參數(shù)和不完整數(shù)據(jù)x的條件下，對(duì)y進(jìn)行估計(jì)，獲得該數(shù)據(jù)對(duì)(x，y)的似然度；

M步驟：重新估計(jì)參數(shù)，使得似然度最大，得到模型參數(shù)值。

通過不斷地EM迭代，最終獲得模型參數(shù)。根據(jù)上述的分析理解，高斯混合模型EM參數(shù)估計(jì)如下[7]：

2)E步：計(jì)算響應(yīng)

(2)

3)M步：令

(3)

4)重新估計(jì)參數(shù)

(4)

(5)

(6)

1.1.3似然圖像實(shí)現(xiàn)

通過對(duì)植被模型離線學(xué)習(xí)，利用EM參數(shù)估計(jì)方法，可以容易地得到植被色彩的高斯混合模型。由EM聚類可得每個(gè)GMM分量的先驗(yàn)概率，因此，計(jì)算植被似然圖像，可以先通過概率推導(dǎo)的方式獲得每個(gè)像素點(diǎn)屬于植被的隸屬度。本文中的植被區(qū)域視為背景，其似然圖像應(yīng)該變?yōu)榍熬八迫粓D像，即當(dāng)前點(diǎn)指“非植被”的似然度。RGB色彩值用c表示在像素點(diǎn)處，GMM分布個(gè)數(shù)用K表示，πi表示i分量的權(quán)重，色彩值x隸屬于i分量的概率用pi(c) 表示。則每個(gè)像素點(diǎn)屬于植被的隸屬度為

(7)

似然圖像的實(shí)現(xiàn)流程如圖2所示。

圖2 似然圖像產(chǎn)生流程

1.2 建筑物陰影提取

采用mean-shift算法[9]在過分割的基礎(chǔ)上提取建筑物陰影。根據(jù)遙感影像中陰影具有色度增強(qiáng)和亮度降低的特性，采用色調(diào)與亮度的比值提取陰影。前提為將獲取的遙感圖像的RGB值轉(zhuǎn)換成HIS方可進(jìn)行計(jì)算[10]。主要實(shí)現(xiàn)過程如下：

1)進(jìn)行RGB與HSI色彩空間轉(zhuǎn)換；

2)從HIS中獲取H和I的值，并計(jì)算H/I[11]，將得到的新圖像用Ostu閾值法[12]分割，結(jié)果呈現(xiàn)出一個(gè)僅含陰影的二值圖像；

3)除去樹木陰影后剩余部分即為建筑物陰影。

1.3 建筑物提取

1.3.1最近陰影區(qū)域

通過計(jì)算陰影區(qū)域像素距離確定候選區(qū)域，首先需確定陰影擴(kuò)張區(qū)域。為了判讀結(jié)果更精確，僅考慮與光照方向相反的區(qū)域，例如假設(shè)光照方向?yàn)楸毕颍敲春蜻x區(qū)域只可能存在陰影的南、東南和西南方向。像素距離計(jì)算實(shí)現(xiàn)原理如圖3所示。

圖3 距離計(jì)算圖解說明

從圖3(a)可知，光照方向?yàn)榻Y(jié)構(gòu)元素1～0的方向，即陰影擴(kuò)張區(qū)域就在結(jié)構(gòu)元素為1的位置。圖3(b)黑色區(qū)域表示陰影，灰色區(qū)域表示陰影擴(kuò)張區(qū)域，僅在擴(kuò)張區(qū)域內(nèi)計(jì)算像素到陰影的距離，將離陰影最近的區(qū)域設(shè)為1，根據(jù)像素距離計(jì)算公式可知，與緊鄰的像素距離為1.4，依次為2.2，2.8等，擴(kuò)展區(qū)域外像素距離設(shè)置為無窮大，具體如圖3(c)所示。在每個(gè)陰影區(qū)域內(nèi)均進(jìn)行上述計(jì)算，發(fā)現(xiàn)大部分像素具有多個(gè)距離值，為了確保距離最近的陰影區(qū)域，將最小值設(shè)為像素距離。

1.3.2確定候選區(qū)域

在剔除植被干擾的前提下借鑒文獻(xiàn)[13]候選區(qū)域確定方法。對(duì)于每個(gè)陰影區(qū)域在光照的方向處均有2個(gè)端點(diǎn)，該端點(diǎn)由光照方向決定，如圖4(a)所示，位于陰影區(qū)域的最右邊最下方和最下方最右邊兩處。將該連通區(qū)域繞其端點(diǎn)旋轉(zhuǎn)180°后形成一個(gè)封閉的區(qū)域，即可獲得圖4(b)中候選區(qū)域。通過計(jì)算候選區(qū)域內(nèi)部的面積百分比即得到一個(gè)真正存在的區(qū)域，如圖4(c)所示。

圖4 候選區(qū)域的判定

1.3.3形態(tài)學(xué)后處理

由于各種干擾因素的存在或是研究方法本身存在的弊端，上會(huì)出現(xiàn)部分圖像誤檢、漏檢、孔洞以及邊緣不夠清晰等問題，需要數(shù)學(xué)形態(tài)學(xué)處理：對(duì)圖像實(shí)施開運(yùn)算，消除圖像上的斑點(diǎn)、去噪；再對(duì)圖像實(shí)施閉運(yùn)算，填補(bǔ)孔洞、連接臨近物體以及平滑邊界。最終獲得精確的地物區(qū)域。

2 實(shí)驗(yàn)結(jié)果與分析

選取2幅相同分辨率、不同區(qū)域的彩色Quick Bird衛(wèi)星影像進(jìn)行實(shí)驗(yàn)，采集時(shí)間為夏季。

2.1 數(shù)據(jù)1實(shí)驗(yàn)結(jié)果與分析

數(shù)據(jù)1為某地區(qū)分辨率為0.61m的遙感影像，如圖5(a)所示。為城區(qū)低矮建筑物影像，植被和陰影為建筑物提取的主要干擾特征。

1)似然建模:讀入原圖像，由于背景統(tǒng)計(jì)模型用K分量的GMM表示，植被似然圖像因K值的不同而不同，因此，需要針對(duì)不同的K值進(jìn)行實(shí)驗(yàn)，由實(shí)驗(yàn)結(jié)果找到對(duì)似然圖像干擾最小的K值(本文選取K=5)。然后根據(jù)1.1節(jié)得到植被區(qū)域，如圖5(b)所示。比較圖(a)與(b)，可以看到植被提取比較完整，誤檢、漏檢的植被區(qū)域較少。

2)陰影提取:對(duì)圖像進(jìn)行過分割，使得同一區(qū)域內(nèi)具有同質(zhì)性，不同區(qū)域間具有異質(zhì)性，在此基礎(chǔ)上進(jìn)行陰影提取，利于大面積陰影提取的實(shí)現(xiàn)。在過分割的過程中，對(duì)于不同的帶寬參數(shù)取值，將影響分割的結(jié)果。當(dāng)參數(shù)值較大時(shí)，過分割嚴(yán)重，當(dāng)參數(shù)較小時(shí)，圖像很多信息將被漏掉，導(dǎo)致欠分割現(xiàn)象。經(jīng)過多次試驗(yàn)證明:帶寬取值在0.5～13范圍內(nèi)時(shí)，分割結(jié)果較好。本文帶寬為9時(shí)實(shí)現(xiàn)過分割(經(jīng)過大量試驗(yàn)證明，如果兩幅圖像的色彩比較相近，此步驟具有通用性，可以直接省略)。結(jié)果如圖5(c)所示。

分別計(jì)算出樣本在HSI顏色空間的H,S,I值，將H/I作為閾值，進(jìn)行Otsu閾值分割可以得出陰影區(qū)域，目標(biāo)區(qū)域范圍全部表示成白色，非目標(biāo)區(qū)域直接設(shè)為0，如圖5(d)所示結(jié)果。

3)形態(tài)學(xué)處理由:提取結(jié)果看出:圖像中仍有零星斑點(diǎn)，這是由于部分樹木陰影造成的，為了不影響下面的實(shí)驗(yàn)，對(duì)提取結(jié)果進(jìn)行數(shù)學(xué)形態(tài)學(xué)優(yōu)化處理，最終提取結(jié)果如圖5(e)所示。與直接進(jìn)行陰影提取相比較，如圖5(f)所示，此方法降低了樹木陰影的誤檢，提取形狀、大小較完整，更接近實(shí)際情況。

4)建筑物提取:從圖5(e)中可以看出:經(jīng)過植被似然建模，陰影提取和形態(tài)學(xué)后處理之后，得到了較好的建筑物陰影提取結(jié)果，最后通過計(jì)算最小陰影像素距離確定候選區(qū)域，結(jié)合QDA分類法提取出最終的建筑物，如圖5(g)所示。與原圖像相比，圖像中大部分建筑物被完整的提，但是仍然存在部分漏提和誤提現(xiàn)象(圖5(g)圓圈標(biāo)記)，特別是足球場(chǎng)被誤提，原因主要是足球場(chǎng)與周圍建筑物顏色信息比較接近，僅靠色彩信息無法有效提取，可通過結(jié)合DSM數(shù)據(jù)排除足球場(chǎng)等類似場(chǎng)景的干擾。

圖5 數(shù)據(jù)1提取結(jié)果

2.2 數(shù)據(jù)2的實(shí)驗(yàn)結(jié)果與分析

數(shù)據(jù)2為某地區(qū)分辨率為0.61m的遙感影像，對(duì)建筑物提取主要的干擾為植被和小建筑物等。具體提取結(jié)果如圖6所示。

圖6 數(shù)據(jù)2提取結(jié)果

由圖6(d)與圖6(a)相比可知，數(shù)據(jù)2中幾乎提取出了所有的建筑物，與數(shù)據(jù)1一樣，僅有個(gè)別建筑物漏提(圖6(a)中標(biāo)記區(qū)域)。

由以上2個(gè)實(shí)驗(yàn)的提取結(jié)果可知：本文算法對(duì)存在陰影、植被等的城區(qū)影像建筑物提取效率較高，提取的建筑物比較清晰，接近實(shí)際。

2.3 本文方法評(píng)價(jià)

為了比較本文方法與傳統(tǒng)方法的效果，下面對(duì)數(shù)據(jù)1和數(shù)據(jù)2分別用傳統(tǒng)的閾值分割的方法[4]和基于LSD線段檢測(cè)[14]進(jìn)行處理，提取效果如圖7所示。

圖7 傳統(tǒng)方法提取結(jié)果

2.3.1定性評(píng)價(jià)

將2種傳統(tǒng)方法和本文方法提取結(jié)果進(jìn)行認(rèn)真比較后發(fā)現(xiàn)：基于閾值分割的建筑物提取方法，雖然已經(jīng)被證明實(shí)用性較好，但是在提取大量被植被陰影干擾的建筑物時(shí)(如數(shù)據(jù)2實(shí)驗(yàn))，樹木陰影和建筑物陰影難以區(qū)分；基于LSD線段檢測(cè)對(duì)細(xì)節(jié)的過度提取造成誤提建筑物較嚴(yán)重，且算法速度也比較慢。而本文方法只有少量誤提和漏提現(xiàn)象，因此，本文方法具有較好的魯棒性。

2.3.2定量評(píng)價(jià)

為了對(duì)本文方法做出更準(zhǔn)確的評(píng)估，借鑒朱慶等人[15]對(duì)精度的評(píng)估方法衡量檢測(cè)結(jié)果。主要使用了3個(gè)指標(biāo)對(duì)提取結(jié)果做定量分析：檢測(cè)率(detection rate,DR)作為衡量檢測(cè)結(jié)果的標(biāo)準(zhǔn)，代表能檢測(cè)到真正建筑物的精度；假負(fù)率(false negative rate,FNR)表示在檢測(cè)過程中真實(shí)建筑物誤判為非建筑物的概率；總體精度同時(shí)考慮了檢測(cè)結(jié)果的準(zhǔn)確性和完整性，是一個(gè)綜合性的判斷指標(biāo)。結(jié)果如表1。

表1 定量分析 %

3 結(jié)束語

提出了植被似然建模并結(jié)合陰影提取建筑物的方法。有效消除了植被等在提取中的干擾，但仍存在一些不足：當(dāng)遇到建筑物密集，陰影特征較弱的影像時(shí)，提取結(jié)果精確度降低；在剔除植被的時(shí)候，建?？紤]的因素比較少，還需人工參與；目標(biāo)建筑物與周圍場(chǎng)景顏色信息比較接近時(shí)，僅靠色彩信息無法將建筑物與周圍場(chǎng)景進(jìn)行有效區(qū)分。

[1] Chaudhuri D,Kushwaha N K,Samal A,et al.Automatic building detection from high-resolution satellite images based on morphology and internal gray variance[J].IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing,2016,9(5):1767-1779.

[2] 曹 流,金龍旭,陶宏江,等.基于DCT的遙感圖像融合算法[J].傳感器與微系統(tǒng),2015,34(9):124-127.

[3] Gilani S,Awrangjeb M,Lu G.An automatic building extraction and regularisation technique using LiDAR point cloud data and orthoimage[J].Remote Sensing,2016,8(3):258.

[4] Shi W,Mao Z.Building extraction from panchromatic high-resolution remotely sensed imagery based on potential histogram and neighborhood total variation[J].Earth Science Informatics,2016,9(4):497-509.

[5] Tomljenovic I,Tiede D,Blaschke T.A building extraction approach for airborne laser scannerdata utilizing the object based image analysis paradigm[J].International Journal of Applied Earth Observation & Geoinformation,2016,52:137-148.

[6] Drǎgut L,Csillik O,Eisank C,et al.Automated parameterisation for multi-scale image segmentation on multiple layers[J].ISPRS Journal of Photogrammetry & Remote Sensing Official Publication of the International Society for Photogrammetry& Remote Sensing,2014,88(100):119-127.

[7] 劉 嘉.視覺計(jì)算中的離線和在線樣本學(xué)習(xí)研究[D].北京：中國(guó)科學(xué)院電子學(xué)研究所,2005.

[8] Dempster A.Maximum likelihood from incom plete data via the EM algorithm[J]. Elearn,1977,39(1):1-38.

[9] Comaniciu D,Meer P.Mean shift:A robust approach toward feature space analysis[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2002,24(5):603-619.

[10] Gonzalez S l.Digital Image Processing[M].2nd ed.Beijing:Publishing House of Electronics Industry,2004:228-240.

[11] Aytekin ?,Ulusoy,Abacioglu E Z,et al.Building detection in high resolution remotely sensed images based on morphological operators[C]∥International Conference on Recent Advances in Space Technologies.2009:376-379.

[12] Ohtsu N.A threshold selection method from gray-level histograms[J].IEEE Transactions on Systems Man & Cybernetics,1979,9(1):62-66.

[13] Dikmen M,Halici U.A Learning-based resegmentation method for extraction of buildings in satellite images[J].IEEE Geoscience & Remote Sensing Letters,2014,11(12):2150-2153.

[14] Gioi R G V,Jakubowicz J,Morel J M,et al.LSD:A fast line segment detector with a false detection control[J].IEEE Transactions on Software Engineering,2010,32(4):722-32.

[15] 朱 慶,徐勝華,韓李濤.基于D-S證據(jù)理論的彩色航空影像陰影提取方法[J].自動(dòng)化學(xué)報(bào),2007,33(6):588-595.