基于Grabcut融合多源數(shù)據(jù)提取不透水面

易佳思， 胡翔云

(武漢大學(xué)遙感信息工程學(xué)院，武漢 430079)

0 引言

近年來(lái)城市防災(zāi)減災(zāi)任務(wù)艱巨，城市暴雨澇災(zāi)常發(fā)。城鎮(zhèn)建設(shè)面積迅速擴(kuò)張、以植被為主的自然景觀逐漸被人工不透水面所取代，是導(dǎo)致城市發(fā)生暴雨內(nèi)澇的重要影響因素[1]。不透水面指天然或人造的難以被水穿透的地表，城市不透水面主要由人工地物構(gòu)成，如屋頂、停車場(chǎng)、水泥及瀝青路面等。不透水面作為衡量城市化程度和環(huán)境質(zhì)量的重要指標(biāo)，受到越來(lái)越多的關(guān)注。研究表明，遙感數(shù)據(jù)在地物提取方面有著很大的潛力和優(yōu)勢(shì)，利用遙感手段提取不透水面已成為研究熱點(diǎn)之一[2]。

目前常用的不透水面遙感提取方法有人工解譯法、指數(shù)模型法、回歸分析法、線性光譜混合模型法、決策樹分類法、人工神經(jīng)網(wǎng)絡(luò)和面向?qū)ο蠓ǖ?。這些研究取得了較好的成果，但是在精確高效提取不透水面方面仍存在不足。如： 基于V-I-S模型利用線性光譜混合分解將光譜信息分解成高反照度、低反照度、植被和土壤端元，但是由于光譜相似造成端元之間存在不確定性[3-5]； 回歸分析法對(duì)于不同時(shí)相不同區(qū)域難以實(shí)現(xiàn)自適應(yīng)歸一化，且對(duì)數(shù)據(jù)噪聲敏感[3,6-7]； 人工智能算法在遙感影像上應(yīng)用還不夠成熟，網(wǎng)絡(luò)連接權(quán)值的物理意義不易推斷，學(xué)習(xí)收斂速度慢，且對(duì)訓(xùn)練樣本的數(shù)量和質(zhì)量有較高要求[8]； 面向?qū)ο蠓m然包含了形狀、紋理和上下文關(guān)系等空間信息，但是分割尺度的確定對(duì)分類精度影響很大[9]?；谏鲜龇椒?，也開展了大量改進(jìn)研究，以提高算法的魯棒性和精度。同時(shí)，傳統(tǒng)不透水面提取的研究方法只采用單一衛(wèi)星數(shù)據(jù)源，沒(méi)有利用多源數(shù)據(jù)的優(yōu)勢(shì)。因此引入了夜間數(shù)據(jù)、合成孔徑雷達(dá)數(shù)據(jù)(synthetic aperture Radar，SAR)、機(jī)載激光點(diǎn)云數(shù)據(jù)(light detection and ranging，LiDAR)等新型數(shù)據(jù)。將這些數(shù)據(jù)與傳統(tǒng)遙感影像相結(jié)合[10-11]，已成為了當(dāng)前不透水面提取的重要手段。Hodgson等[12]利用航片數(shù)據(jù)和LiDAR數(shù)據(jù)，對(duì)城區(qū)不透水面進(jìn)行了提取，相比使用傳統(tǒng)分類方法精度得到了提高； Im等[13]使用WorldView數(shù)據(jù)和LiDAR數(shù)據(jù)對(duì)城市不透水面進(jìn)行了提取，既豐富了信息源，也提高了不透水面的提取精度。

廣州市是國(guó)內(nèi)城市化發(fā)展最為快速的地區(qū)之一，曾多次遭遇連續(xù)強(qiáng)降雨，導(dǎo)致市區(qū)大面積內(nèi)澇，因而實(shí)時(shí)準(zhǔn)確獲取廣州市不透水面分布情況迫在眉睫。以該地區(qū)作為研究區(qū)，把建筑物、水泥瀝青道路和停車場(chǎng)等人工構(gòu)造物歸為不透水面，把植被、裸地和水系歸為透水面?；趫D論的最優(yōu)分割方法(Grabcut)，將不透水面的提取轉(zhuǎn)換為不同數(shù)據(jù)源下的最優(yōu)標(biāo)記問(wèn)題，建立能量函數(shù)，融合Landsat8和我國(guó)高分一號(hào)(GF-1)衛(wèi)星影像的光譜和空間信息，并且加入了LiDAR點(diǎn)云數(shù)據(jù)的高程和強(qiáng)度信息，結(jié)合多源特征的優(yōu)勢(shì)，精確提取不透水面。

1 數(shù)據(jù)源及其預(yù)處理

1.1 數(shù)據(jù)源

本研究多源數(shù)據(jù)選用30 m和15 m空間分辨率Landsat8影像、8 m和2 m空間分辨率GF-1影像以及0.5 m空間分辨率LiDAR點(diǎn)云數(shù)據(jù)。全部數(shù)據(jù)均在2013年10—12月間采集，獲取時(shí)間相近。其中，Landsat8影像波段數(shù)較多，光譜信息豐富； GF-1影像空間分辨率較高，空間信息豐富； LiDAR點(diǎn)云數(shù)據(jù)擁有高程和強(qiáng)度信息。

1.2 數(shù)據(jù)預(yù)處理

首先進(jìn)行影像配準(zhǔn)，將不同傳感器獲取的不同空間分辨率衛(wèi)星影像配準(zhǔn)到統(tǒng)一的坐標(biāo)系下，并且對(duì)衛(wèi)星影像進(jìn)行輻射糾正，建立同時(shí)相、多尺度、多源數(shù)據(jù)金字塔。其中，由于多源影像間空間分辨率跨度較大，直接配準(zhǔn)會(huì)導(dǎo)致操作不便且精度較低，故采取根據(jù)空間分辨率大小，逐級(jí)配準(zhǔn)的方法。以ENVI軟件中同地區(qū)的數(shù)字高程模型(digital elevation model，DEM)為基準(zhǔn)，先對(duì)全色和多光譜GF-1影像分別進(jìn)行無(wú)控制點(diǎn)的正射校正，再逐次將全色和多光譜Landsat8影像配準(zhǔn)到正射校正后的GF-1影像坐標(biāo)系。

2 提取方法

為了精確提取不透水面，采用Grabcut融合多源衛(wèi)星影像的光譜和空間信息，并輔以LiDAR點(diǎn)云數(shù)據(jù)的高程和強(qiáng)度信息。研究方案如圖1所示。

圖1 提取方法流程Fig.1 Flowchart of extracted method

首先進(jìn)行影像預(yù)處理，統(tǒng)一坐標(biāo)系； 然后分別從衛(wèi)星影像和點(diǎn)云數(shù)據(jù)中提取光譜特征和道路信息； 再將提取的光譜特征使用模糊C均值聚類(fuzzy C-means clustering，F(xiàn)CM)方法進(jìn)行聚類，以分類粗結(jié)果作為分類初值； 最后構(gòu)建基于Grabcut的分類模型，建立能量函數(shù)，融合多源特征，迭代優(yōu)化初值。

2.1 多源特征

2.1.1 光譜特征

由于不透水面普遍在熱紅外波段輻射率很高，在近紅外反射率很低[14]，因此衛(wèi)星影像可以在不透水面提取方面發(fā)揮其光譜特征方面的較大優(yōu)勢(shì)。本文將歸一化差值植被指數(shù)(normalized differential vegetation index，NDVI)、增強(qiáng)型植被指數(shù)(enhanced vegetation index，EVI)和改進(jìn)的歸一化差值水體指數(shù)(modified normalized differential water index，MNDWI)選作光譜特征參數(shù)，用于Grabcut的輸入特征和初值獲取。

1)NDVI。通過(guò)表現(xiàn)植被強(qiáng)吸收能力的紅光波段和表示植被生物量的近紅外波段的組合計(jì)算，可以使感興趣地物信息得到增強(qiáng)[15]，其公式為

(1)

式中：NIR表示近紅外波段的反射率值；RED表示紅光波段的反射率值。

2)EVI。在NDVI的基礎(chǔ)上改進(jìn)得到EVI，其公式為

(2)

式中：BLUE表示藍(lán)光波段的反射率值；L=1，為土壤調(diào)節(jié)參數(shù)； 參數(shù)C1=6.0，C2=7.5，用來(lái)描寫通過(guò)BLUE修正大氣對(duì)RED的影響。

3)MNDWI。由于土壤、水體和沙土、部分水泥瀝青具有類似的光譜特征，單利用NDVI無(wú)法準(zhǔn)確區(qū)分出不透水面，有必要引入水體指數(shù)。水體在綠光波段中比紅外波段具有更高反射率，MNDVI可以準(zhǔn)確提取出水體[16]，其公式為

(3)

式中：GREEN表示綠光波段的反射率值；MIR表示中紅外波段的反射率值。Landsat8影像第6波段SWIR1對(duì)應(yīng)中紅外波段。

2.1.2 點(diǎn)云特征

由于光譜相似性，單從衛(wèi)星影像中難以準(zhǔn)確區(qū)分出人工道路和裸地。通過(guò)引入LiDAR數(shù)據(jù)，得到較準(zhǔn)確的人工道路和停車場(chǎng)等不透水面，彌補(bǔ)衛(wèi)星影像的缺陷。

LiDAR系統(tǒng)可以快速獲取具有地表三維坐標(biāo)及反射強(qiáng)度等信息的密集點(diǎn)云，對(duì)于植被、建筑物和道路等地物的精確提取具有重要意義。然而僅依靠高程信息進(jìn)行分類的可靠性有限，并且強(qiáng)度信息的噪聲大，影響因素多，還難以真實(shí)反映地物反射率信息[17]。因此，可以結(jié)合高程和強(qiáng)度信息，將點(diǎn)云信息作為輔助信息參與到不透水面分類過(guò)程中。

1)高程信息。為了精確提取道路，首先需要利用高程信息通過(guò)點(diǎn)云濾波區(qū)分地面點(diǎn)和非地面點(diǎn)； 再采用形態(tài)學(xué)濾波，依次對(duì)移動(dòng)窗口中的點(diǎn)進(jìn)行腐蝕和膨脹，搜索窗口內(nèi)的最低點(diǎn)，逐步構(gòu)建DEM。此算法對(duì)于城市地區(qū)濾波很有效，且計(jì)算簡(jiǎn)單。

2)強(qiáng)度信息。LiDAR強(qiáng)度信息是接收到的目標(biāo)回波信號(hào)形成的圖像。瀝青、混凝土的回波強(qiáng)度明顯區(qū)別于植被等自然地物，且在回波特點(diǎn)上，道路點(diǎn)云都為末次回波[18]。對(duì)于強(qiáng)度值，有學(xué)者采取先對(duì)樣本標(biāo)定再提取的方法，也有采取聚類方法提取點(diǎn)云數(shù)據(jù)中的道路[17]。基于以上理論，本文首先去除多次回波點(diǎn)，排除一部分非道路點(diǎn)； 然后采取FCM方法利用強(qiáng)度值將道路和植被、裸地分開。同時(shí)，在實(shí)驗(yàn)過(guò)程中，發(fā)現(xiàn)道路和建筑物質(zhì)地均一，回波強(qiáng)度在某一小范圍內(nèi)，而裸地里包含有沙石、土壤和草地等，回波強(qiáng)度起伏較大，因此將回波強(qiáng)度的方差值同強(qiáng)度值一起作為聚類的特征，增強(qiáng)道路信息。

2.2 多源數(shù)據(jù)融合分類模型

2.2.1 圖割與Grabcut

圖割(Graph cut)是一種基于圖論的圖像分割方法，其能量最小化框架由Boykov等提出[19]，近年來(lái)在計(jì)算機(jī)視覺(jué)領(lǐng)域中被廣泛應(yīng)用。該方法可以很好地將圖像的區(qū)域和邊界信息相結(jié)合，建立能量模型，通過(guò)最大流最小割算法，從而得到能量最小的分割結(jié)果。

Grabcut是在此研究基礎(chǔ)上進(jìn)行了改進(jìn)，將交互方式從種子點(diǎn)選取變成框選目標(biāo)，并且引入高斯混合模型進(jìn)行建模，通過(guò)不斷分割估計(jì)和模型參數(shù)學(xué)習(xí)進(jìn)行迭代，實(shí)現(xiàn)分割[20]。其能量函數(shù)為

E(α,κ,θ,z)=U(α,κ,θ,z)+V(α,z),

(4)

式中：α為像素標(biāo)記值；κ為像素的高斯分量；θ為像素屬于前景/背景的概率；z為圖像像素；U(α,κ,θ,z)為數(shù)據(jù)項(xiàng)；V(α,z)為平滑項(xiàng)。

數(shù)據(jù)項(xiàng)表示圖模型上所有節(jié)點(diǎn)的權(quán)值，由高斯混合模型計(jì)算得到，即

U(α,κ,θ,z)=∑D(αn,κn,θ,zn),

(5)

式中n表示第n個(gè)像素。該項(xiàng)也表示像素被標(biāo)記為前景或背景的懲罰，即某個(gè)像素屬于前景或背景概率的負(fù)對(duì)數(shù)，代入高斯混合模型可得

D(αn,κn,θ,zn)=-lnp(zn|αn,κn,θ)-ln π(αn,κn) ，

(6)

(7)

式中： det用來(lái)計(jì)算行列式的值；μ為每個(gè)高斯分量的均值向量。

平滑項(xiàng)表示圖模型上所有邊的權(quán)值，由相鄰節(jié)點(diǎn)間的歐式距離計(jì)算得到，體現(xiàn)了像素間不連續(xù)的懲罰，即

(8)

式中： ?為常數(shù)，用來(lái)調(diào)節(jié)數(shù)據(jù)項(xiàng)和平滑項(xiàng)的比例；i和j表示圖像范圍C內(nèi)的相鄰像素； 參數(shù)β由圖像對(duì)比度決定，用來(lái)調(diào)節(jié)相鄰像素間的差異。

通過(guò)最大流最小割算法，計(jì)算能量函數(shù)最小狀態(tài)，更新高斯混合模型的參數(shù)，重新計(jì)算新的能量函數(shù)，如此反復(fù)迭代得到最優(yōu)分割結(jié)果。

2.2.2 基于改進(jìn)的Grabcut不透水面提取模型

將Grabcut和多源遙感數(shù)據(jù)結(jié)合，從能量函數(shù)項(xiàng)、初值設(shè)置和特征空間3方面進(jìn)行改進(jìn)，融合多源特征實(shí)現(xiàn)不透水面提取。

1)能量函數(shù)項(xiàng)。由于點(diǎn)云數(shù)據(jù)的不穩(wěn)定性，只能作為輔助條件參與分類，因此在原有函數(shù)基礎(chǔ)上，增加了一項(xiàng)道路信息的約束項(xiàng)L(α)，改進(jìn)后的能量函數(shù)為

E(α,κ,θ,z)=U(α,κ,θ,z)+V(α,z)+L(α),

(9)

式中： 數(shù)據(jù)項(xiàng)U表示由光譜特征建模得到每個(gè)像素隸屬于對(duì)應(yīng)類別的權(quán)值； 平滑項(xiàng)V表示所有相鄰像素間特征距離的加權(quán)累加；L(α)為道路信息的約束項(xiàng)，表示由點(diǎn)云數(shù)據(jù)判斷像素隸屬于對(duì)應(yīng)類別的權(quán)值，即

L(α)=γ∑[ln≠αn],

(10)

式中：γ為新增點(diǎn)云數(shù)據(jù)項(xiàng)的權(quán)值，由于點(diǎn)云數(shù)據(jù)強(qiáng)度信息的不穩(wěn)定性，僅將其作為一種軟約束，可根據(jù)實(shí)際情況，通過(guò)改變權(quán)值大小來(lái)調(diào)節(jié)點(diǎn)云信息的影響力；ln表示點(diǎn)云數(shù)據(jù)中的像素類別標(biāo)記，當(dāng)其和當(dāng)前標(biāo)記值αn不一致時(shí)取1，否則取0。

2)初值設(shè)置。原始Grabcut中，將人工框選區(qū)外的像素標(biāo)記為絕對(duì)背景初值，框內(nèi)標(biāo)記為可能前景初值，通過(guò)迭代一步步在可能的前景中篩選出絕對(duì)前景。本文將不透水面和透水面分別作為分類的前景和背景，需要處理的是覆蓋面積大、連通區(qū)域細(xì)碎的衛(wèi)星影像，人工標(biāo)記種子點(diǎn)工作量大，需盡可能減少人工干預(yù)。所以首先對(duì)多源衛(wèi)星影像進(jìn)行了FCM聚類，將得到的粗分類結(jié)果作為Grabcut的初值，即將聚類得到的不透水面和透水面分別標(biāo)記為可能前景和背景初值。

3)特征空間。一般的圖割基于顏色空間(灰度或RGB)對(duì)目標(biāo)和背景建模，經(jīng)典的模型有灰度直方圖、高斯混合模型等。但是對(duì)于多源多光譜影像而言，每個(gè)波段的重要性不一樣，顏色信息冗余，所以需要先進(jìn)行篩選組合，將計(jì)算得到的一系列突出表征特定地物的指數(shù)作為輸入特征，進(jìn)行建模。本文采用NDVI，EVI和MNDWI作為輸入特征，采用高斯混合模型建模，并結(jié)合由鄰接關(guān)系得到的空間特征和點(diǎn)云數(shù)據(jù)中提取的道路信息，共同構(gòu)建能量函數(shù)。

通過(guò)以上3方面的改進(jìn)，本文將改進(jìn)的Grabcut引入不透水面提取中，建立了新的能量函數(shù)，融合植被特征、水系特征、道路特征以及各相鄰點(diǎn)間的光譜和空間特征，使分類過(guò)程更有針對(duì)性，并且很大程度上減少了人工干預(yù)，有利于分類精度的改善和不透水面的準(zhǔn)確提取。

3 實(shí)驗(yàn)結(jié)果與分析

在Visual Studio2013軟件平臺(tái)上，通過(guò)編程實(shí)現(xiàn)研究區(qū)不透水面的提取。所需的多源特征如圖2所示。

(a) NDVI (b) EVI (c) MNDWI (d) LiDAR道路信息

圖2多源特征

Fig.2Multi-sourcefeatures

首先，對(duì)多源衛(wèi)星影像計(jì)算指數(shù)值，GF-1具有紅光、綠光、藍(lán)光和紅外4個(gè)波段，且空間分辨率較高，故采用GF-1計(jì)算NDVI和EVI值，如圖2(a)和(b)所示； 由于Landsat8具有11個(gè)波段，且具有對(duì)應(yīng)于中紅外的SWIR1波段，故采用Landsat8計(jì)算MNDWI，如圖2(c)所示。其次，結(jié)合高程和強(qiáng)度信息從LiDAR數(shù)據(jù)中提取出人工道路，如圖2(d)所示。然后，根據(jù)提取的光譜特征，采用FCM聚類得到初值。最后，構(gòu)建圖割能量函數(shù)，迭代得到能量最小的分類結(jié)果。

3.1 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)結(jié)果如圖3所示。

(a) GF-1 B3(R)，B2(G)，B1(B)假彩色合成影像 (b) 聚類初值(c) 最終分類結(jié)果

圖3分類結(jié)果

Fig.3Classificationresults

從圖3(c)中可以看出，經(jīng)過(guò)Grabcut分割后，由于空間特征的影響，離散的噪聲點(diǎn)都被消除了； 道路也由于點(diǎn)云信息的加入被較好地提取出； 水系、植被和建筑物也均被較好提取出； 人造田徑場(chǎng)通常是在水泥地面上鋪蓋草皮，應(yīng)該被分為不透水面，分類正確； 然而裸地和人造道路間存在部分誤分，原因是部分裸露地表含水量低、沙石含量較高、有人工挖掘碾壓痕跡，光譜表現(xiàn)和不透水面相似，且表面平滑無(wú)法根據(jù)高程信息計(jì)算粗糙度來(lái)剔除。局部細(xì)節(jié)分類結(jié)果如圖4所示。

(a) 局部影像1(b) 局部影像2 (c) 局部影像3(d) 局部影像4 (e) 局部影像5

(f) 局部結(jié)果1(g) 局部結(jié)果2 (h) 局部結(jié)果3(i) 局部結(jié)果4 (j) 局部結(jié)果5

圖4局部細(xì)節(jié)分類結(jié)果

Fig.4Detailsofclassificationresults

從圖4(f)和(g)可以看出植被和建筑群間區(qū)分清晰； (h)中道路和植被分類正確； (i)中左下角為水系，右上角為植被，中間為獨(dú)立建筑物，均能被較好地區(qū)分； (j)右上角的植被被正確提取出，但左半部分和左下角的裸地均沒(méi)有提取出，被誤分為不透水面。說(shuō)明本文方法在裸地和不透水面的區(qū)分上還有待改進(jìn)，對(duì)于其他地物均能正確區(qū)分。

3.2 精度評(píng)定

為了定量檢驗(yàn)分類精度，隨機(jī)選取了均勻分布在影像中的5 136個(gè)測(cè)試樣本，每個(gè)樣本均為5像素×5像素大小，將各個(gè)樣本中的每個(gè)點(diǎn)，通過(guò)人工解譯賦予屬性作為真值，其中不透水面點(diǎn)有71 550個(gè)像素，透水面點(diǎn)有56 850個(gè)像素。在ENVI軟件上完成真值勾畫。

為了證明本文方法能優(yōu)化聚類結(jié)果，且選取的多源數(shù)據(jù)均對(duì)分類結(jié)果有利，分別對(duì)本文方法結(jié)果、聚類所得初值的分類結(jié)果、不加入LiDAR數(shù)據(jù)的分類結(jié)果、不加入Landsat8數(shù)據(jù)的分類結(jié)果進(jìn)行精度評(píng)定。

精度評(píng)價(jià)結(jié)果如表1所示。

表1不同數(shù)據(jù)源的分類精度

Tab.1Classificationaccuracyofdifferentsourcedata

數(shù)據(jù)源生產(chǎn)者精度/%用戶精度/%不透水面透水面不透水面透水面總體精度/%Kappa系數(shù)本文方法93.4786.2099.9399.9790.250.820聚類所得初值88.4187.4289.8485.7087.970.783不加入LiDAR數(shù)據(jù)89.3886.2989.1386.5988.010.783不加入Landsat8數(shù)據(jù)90.9381.1885.8887.6786.610.760

由表1中分析，僅采用聚類所得初值、不加入點(diǎn)云數(shù)據(jù)和不加入Landsat8數(shù)據(jù)時(shí)，分類精度均比本文方法低，主要體現(xiàn)在不透水面的漏分上。結(jié)合分類結(jié)果影像來(lái)分析，原因其一是缺乏鄰接關(guān)系干預(yù)導(dǎo)致離散噪聲未被剔除； 其二是缺乏點(diǎn)云信息的干預(yù)而導(dǎo)致道路漏分； 其三是Landsat8的中紅外波段對(duì)水系敏感，其缺失將使水系被誤分成不透水面。由此證明了本文將多源數(shù)據(jù)在Grabcut框架下融合分類對(duì)于不透水面提取有一定意義，精度得到提高。

為對(duì)比分析本文和其他不透水面提取方法的精度，本文使用ENVI5.1軟件里的最大似然監(jiān)督分類、線性光譜混合分解和決策樹分類3種方法分別進(jìn)行分類實(shí)驗(yàn)，精度評(píng)價(jià)如表2所示。根據(jù)表2結(jié)果可知，本文方法的總精度達(dá)到90.25%，Kappa系數(shù)為0.820，均優(yōu)于其他3種傳統(tǒng)遙感方法，在道路和水系提取上更準(zhǔn)確。同時(shí)，相比于監(jiān)督分類需要采集感興趣區(qū)域作為訓(xùn)練樣本、線性光譜混合分解需要人工選取端元波譜、決策樹分類需要進(jìn)行屬性選擇度量，本文方法在人工干預(yù)方面大大減少了工作量，具有更高的適應(yīng)性和穩(wěn)定性。

表2本文方法與傳統(tǒng)遙感方法的分類精度評(píng)價(jià)

Tab.2Classificationaccuracyoftheproposedmethodandthetraditionalremotesensingmethods

方法生產(chǎn)者精度/%用戶精度/%不透水面透水面不透水面透水面總體精度/%Kappa系數(shù)本文方法93.47 86.20 99.93 99.97 90.25 0.820 最大似然監(jiān)督分類77.47 91.48 91.97 76.34 83.68 0.719 線性光譜混合分解94.20 72.43 81.13 90.84 84.56 0.727 決策樹分類89.22 82.66 86.62 85.90 86.31 0.756

4 結(jié)論

本文結(jié)合多光譜影像Landsat8、高空間分辨率衛(wèi)星影像GF-1和LiDAR點(diǎn)云數(shù)據(jù)的優(yōu)勢(shì)，構(gòu)建圖模型，將Grabcut引入不透水面提取中。結(jié)論如下：

1)基于Grabcut的多源數(shù)據(jù)融合提取方法，通過(guò)能量?jī)?yōu)化框架，實(shí)現(xiàn)了光譜信息、空間信息、高度和強(qiáng)度信息等多源特征融合。根據(jù)多源數(shù)據(jù)特點(diǎn)設(shè)計(jì)特征，一定程度上解決了裸地和不透水面相互混淆的問(wèn)題，相比于單一數(shù)據(jù)提取精度得到明顯提高。

2)本文方法能夠?qū)ο袼刂g的空間關(guān)系和局部的相似性信息進(jìn)行很好的表達(dá)，相較于傳統(tǒng)的像素分類方法，有利于獲得噪聲更少的分類結(jié)果。

3)與傳統(tǒng)提取方法相比，本文方法大大減少了工作量，具有更高的適應(yīng)性和穩(wěn)定性。

基于Grabcut的多源數(shù)據(jù)融合提取方法在以下方面還有待進(jìn)一步深入研究： 第一，可引入更多突出表現(xiàn)特定地物的波段或指數(shù)，提高分類精度； 第二，采用的LiDAR數(shù)據(jù)空間分辨率僅0.5 m，而若使用空間分辨率更高的密集點(diǎn)云，可以通過(guò)計(jì)算粗糙度來(lái)區(qū)分自然裸地和平坦道路，在一定程度上減少誤分； 第三，需對(duì)更多區(qū)域進(jìn)行實(shí)驗(yàn)，檢驗(yàn)方法的普適性。