基于多尺度多特征的高空間分辨率遙感影像建筑物自動(dòng)化檢測(cè)

吳柳青， 胡翔云

(武漢大學(xué)遙感信息工程學(xué)院，武漢 430079)

0 引言

建筑物作為城市主要的地物類(lèi)型之一，是城市大比例尺基礎(chǔ)地理圖中必須重點(diǎn)表現(xiàn)的專(zhuān)題要素。建筑物的識(shí)別與提取，直接影響到地物測(cè)繪的自動(dòng)化水平，對(duì)于特征提取、特征匹配、圖像理解、制圖和作為其他目標(biāo)的參照體有著重要的意義。準(zhǔn)確的建筑物信息可以為土地管理、城市規(guī)劃等政府部門(mén)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，在數(shù)字化城市建設(shè)、違章建筑物查處[1]以及軍事偵察[2]等多個(gè)領(lǐng)域也有著重要的應(yīng)用。因此，如何準(zhǔn)確提取遙感影像中的建筑物是遙感影像目標(biāo)識(shí)別中的重要研究課題之一。

目前國(guó)內(nèi)外學(xué)者針對(duì)這一課題已經(jīng)提出了許多較為成熟的模型和方案，這些方案可以歸納為3類(lèi)：

1)基于建筑物的光譜、紋理、結(jié)構(gòu)等特征建模，實(shí)現(xiàn)建筑物的自動(dòng)檢測(cè)。該方法是目前常用的方法，呂鳳華等[3]通過(guò)結(jié)合紋理和光譜融合特征來(lái)剔除誤檢的非建筑物從而進(jìn)行建筑物提??； 譚衢霖[4]通過(guò)融合多光譜影像，依據(jù)光譜信息對(duì)影像進(jìn)行監(jiān)督分類(lèi)提取建筑物； 徐宏根等[5]通過(guò)對(duì)建筑物特殊的陰影結(jié)構(gòu)進(jìn)行提取從而獲知建筑物信息； 龐池海等[6]通過(guò)提取影像中的直線段構(gòu)建直線關(guān)系圖來(lái)搜索候選建筑物。但在高空間分辨率遙感影像(以下簡(jiǎn)稱(chēng)“高分影像”)中，建筑物形狀多樣、大小不一、朝向各異，因此僅考慮建筑物的紋理和光譜信息難以取得很好的效果； 且建筑物被鄰近樹(shù)木遮擋造成的形狀缺失現(xiàn)象普遍存在，給提取直線段來(lái)分析建筑物的存在帶來(lái)了很大的困難。

2)基于激光探測(cè)與測(cè)量(light detection and ranging，LiDAR)點(diǎn)云數(shù)據(jù)和遙感影像數(shù)據(jù)相結(jié)合的方法提取建筑物。趙傳等[7]通過(guò)構(gòu)建局部協(xié)方差矩陣計(jì)算點(diǎn)云分布特征對(duì)建筑物輪廓點(diǎn)聚類(lèi)實(shí)現(xiàn)建筑物的提?。?王雪等[8]利用機(jī)載LiDAR數(shù)據(jù)和高分影像，通過(guò)計(jì)算歸一化植被指數(shù)和LiDAR高度數(shù)據(jù)設(shè)定閾值來(lái)提取復(fù)雜城區(qū)建筑物。此類(lèi)方法中的高程信息是提取建筑物的關(guān)鍵信息，但LiDAR數(shù)據(jù)不易獲取，限制了該方法的應(yīng)用。

3)通過(guò)深度學(xué)習(xí)的方法提取建筑物。Vakalopoulou等[9]采用深度卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)大量帶有標(biāo)簽的樣本進(jìn)行訓(xùn)練，并用訓(xùn)練好的模型對(duì)高分影像進(jìn)行建筑物檢測(cè)； 陳文康[10]也采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)農(nóng)村遙感影像中的建筑物進(jìn)行識(shí)別。由于建筑物各異，該方法在樣本量足夠充足的情況下可以達(dá)到很高的提取精度，但是當(dāng)樣本數(shù)量不足時(shí)則很難有好的效果，因此也具有一定的操作難度和局限性。

綜上所述，當(dāng)前的已有相關(guān)研究主要是針對(duì)形狀較為規(guī)則或建筑物屋頂材料較為單一的簡(jiǎn)單情況，或借助外部數(shù)據(jù)(如數(shù)字高程模型(digital elevation model，DEM)或地籍圖)來(lái)提取城區(qū)建筑物，或通過(guò)大量先驗(yàn)樣本進(jìn)行深度學(xué)習(xí)來(lái)訓(xùn)練模型。對(duì)于不規(guī)則或復(fù)雜的建筑物場(chǎng)景，當(dāng)缺乏充足的先驗(yàn)知識(shí)或其他的外部數(shù)據(jù)時(shí)，以上方法在提取高分影像中的建筑物時(shí)都難以取得很好的效果。針對(duì)以上局限性，本文提出一種基于多尺度多特征的高分影像建筑物自動(dòng)化檢測(cè)算法。通過(guò)構(gòu)建高斯金字塔實(shí)現(xiàn)多尺度建筑物同步檢測(cè)，同時(shí)結(jié)合超像素分割算法計(jì)算超像素的多特征顯著性來(lái)檢測(cè)建筑物目標(biāo)，以解決高分影像中建筑物形狀大小各異、存在樹(shù)木遮擋以及陰影導(dǎo)致建筑物難以檢測(cè)的問(wèn)題，提高建筑物檢測(cè)精度。

1 算法原理

本文算法具體流程如圖1所示。

圖1 本文算法流程圖Fig.1 Flow chart of proposed algorithm

本文算法主要由3部分組成：

1)對(duì)高分影像進(jìn)行高斯降采樣構(gòu)建影像金字塔。

2)超像素分割及多尺度窗口下的多種特征值提取，包括邊緣密度和邊緣分布、主方向正交性、亮度和色彩反差，以及基于超像素分割結(jié)果的目標(biāo)完整性等； 通過(guò)多尺度多特征融合計(jì)算目標(biāo)顯著性得分，并進(jìn)行局部非極大值抑制得到顯著圖。

3)計(jì)算超像素的顯著性均值，并通過(guò)Otsu算法[11]求取自適應(yīng)閾值，進(jìn)一步設(shè)置長(zhǎng)寬比等約束條件，自動(dòng)檢測(cè)建筑物。

1.1 構(gòu)建影像金字塔

建筑物在高分影像中的大小、位置和朝向等都有很大的區(qū)別，僅用一個(gè)尺度，很難將不同大小的建筑物檢測(cè)出來(lái)。因此本文算法首先通過(guò)高斯卷積核對(duì)高分影像做降采樣，得到一個(gè)空間分辨率逐級(jí)遞減的圖像序列{ML,ML-1,……,M0}組成的影像金字塔，即

(1)

式中：W(m,n)為5像素×5像素的高斯卷積核，其中m，n=-2，-1,0,1,2；Gk(i,j)表示第k層金字塔影像(i,j)像素處的灰度值。

金字塔底層高分影像細(xì)節(jié)保存完好，而頂層低空間分辨率影像則更注重全局特征，因此通過(guò)金字塔影像進(jìn)行建筑物檢測(cè)能兼顧細(xì)節(jié)和整體，達(dá)到更高的檢測(cè)精度。且固定尺度的窗口在不同空間分辨率的影像中對(duì)應(yīng)著不同的實(shí)際地面面積，如圖2所示，假設(shè)原影像空間分辨率為1 m，則10像素×10像素大小的窗口在第一層原始影像中對(duì)應(yīng)的實(shí)際地面面積為10 m×10 m，在經(jīng)過(guò)一次降采樣的第2層影像中對(duì)應(yīng)的實(shí)際地面面積為20 m×20 m，而在第3層影像中對(duì)應(yīng)的實(shí)際地面面積為40 m×40 m。根據(jù)不同大小的建筑物在不同尺度的窗口中反應(yīng)的顯著性強(qiáng)度不同，通過(guò)計(jì)算多個(gè)尺度窗口下的建筑物顯著性，實(shí)現(xiàn)對(duì)不同大小建筑物的準(zhǔn)確定位。

圖2 高斯金字塔影像實(shí)現(xiàn)多尺度檢測(cè)建筑物示意圖Fig.2 Sketch map of multi-scale building detection by Gauss pyramid images

設(shè)檢測(cè)的最小建筑物尺寸Smin為10 m×10 m，根據(jù)影像空間分辨率RP即可計(jì)算預(yù)設(shè)滑動(dòng)窗口尺寸l，即

(2)

1.2 多特征計(jì)算顯著性

建筑物作為獨(dú)特的一類(lèi)地物，在顏色、邊緣、結(jié)構(gòu)等特征上都和背景有著明顯的反差。本文算法通過(guò)計(jì)算滑動(dòng)窗口中的多種特征值來(lái)衡量建筑物的顯著性，將建筑物同背景區(qū)分出來(lái)。

1.2.1 邊緣密度與邊緣分布

邊緣是描述目標(biāo)的一種重要特征，邊緣信息可以反映出目標(biāo)的光譜不連續(xù)性、反差、方向信息以及結(jié)構(gòu)類(lèi)型。尤其對(duì)于建筑物這樣有著特殊結(jié)構(gòu)和紋理的目標(biāo)，邊緣信息對(duì)于目標(biāo)提取可以起到很好的指示作用。

本文采用Hu等[12]提出的算法來(lái)更為簡(jiǎn)單有效地計(jì)算影像邊緣： 首先，對(duì)影像進(jìn)行高斯平滑抑制影像噪聲點(diǎn)； 然后，計(jì)算平滑后的影像中每個(gè)像素點(diǎn)的梯度值，并將在梯度主方向上比相鄰2個(gè)像素點(diǎn)梯度大的像素作為邊緣點(diǎn)保存起來(lái)，其他非邊緣點(diǎn)設(shè)置為0； 最后，通過(guò)Otsu算法[11]最小化非邊緣點(diǎn)和邊緣點(diǎn)的類(lèi)內(nèi)差異來(lái)自動(dòng)求取閾值，有效地提取出更強(qiáng)的邊緣，得到邊緣影像f(x,y)。

定義邊緣密度de和邊緣分布ds為

de=ne/nw，

(3)

(4)

式中：ne和nw分別為以l為邊長(zhǎng)的正方形滑動(dòng)窗口內(nèi)的邊緣點(diǎn)數(shù)和總像素?cái)?shù)，如圖3所示；ni表示第i象限所包含的邊緣點(diǎn)數(shù)。取4個(gè)象限所包含的最少的邊緣點(diǎn)數(shù)min (ni)除以平均每個(gè)象限包含的邊緣點(diǎn)數(shù)mean(ni)得到ds，用來(lái)衡量邊緣點(diǎn)在4個(gè)象限內(nèi)分布的均勻性。

圖3 邊緣點(diǎn)在4個(gè)象限的分布Fig.3 Distribution of edge points in four quadrants

定義邊緣特征LED=de×ds，考慮到建筑物一般具有完整且較強(qiáng)的邊緣，且在以建筑物中心為原點(diǎn)的4個(gè)象限內(nèi)分布均勻，de和ds都較背景更大，因此邊緣特征LED值越大的窗口包含建筑物的可能性越大。

1.2.2 主方向正交性

相比起其他的目標(biāo)而言，建筑物的結(jié)構(gòu)信息明顯，大多是由較為規(guī)則的矩形結(jié)構(gòu)或者多邊形結(jié)構(gòu)組成，具有明顯的主方向并顯現(xiàn)出一定的正交性，即具有2個(gè)相互垂直的主方向θM和θM+90°(θM∈[0,90°])，如圖4(a)所示。

(a) 建筑物主方向正交性(b) 分布直方圖

圖4建筑物主方向正交性及邊緣點(diǎn)在12個(gè)方向級(jí)的分布直方圖

Fig.4Orthogonalityofmaindirectionofbuildingandhistogramofdistributionofedgepointsat12directionbins

因此在邊緣影像f(x,y)的基礎(chǔ)上，計(jì)算窗口內(nèi)每個(gè)邊緣點(diǎn)的梯度方向θ，即

(5)

以15°為一個(gè)方向級(jí)將梯度方向劃分為12個(gè)區(qū)間k(k=1,2，……12)，并統(tǒng)計(jì)每個(gè)方向區(qū)間包含的邊緣點(diǎn)數(shù)N(k)，如圖4(b)所示。如果窗口內(nèi)包含有垂直結(jié)構(gòu)的目標(biāo)，則會(huì)在某2個(gè)特定的相互垂直的方向上具有較密集的邊緣，該特定的方向即目標(biāo)主方向。通過(guò)計(jì)算相互垂直的2個(gè)方向級(jí)的邊緣點(diǎn)數(shù)的和，將取到最大值的2個(gè)垂直方向級(jí)作為該窗口的主方向，即max[N(k)+N(k+6)],(k<6)，其中N(k)表示第k個(gè)方向級(jí)所包含的邊緣點(diǎn)個(gè)數(shù)，N(k)和N(k+6)相差90°，是正交關(guān)系。

將這2個(gè)相互垂直的方向級(jí)的比值作為該區(qū)域的正交指數(shù)r，即

(6)

相互垂直的邊緣結(jié)構(gòu)會(huì)在2個(gè)垂直主方向級(jí)上同時(shí)包含更密集的邊緣點(diǎn)，因此具有更大的正交指數(shù)r。

1.2.3 亮度反差

在高分影像中，建筑物大多和周?chē)臉?shù)、道路等背景形成較為明顯的亮度反差，因此設(shè)計(jì)了一個(gè)和窗口大小相等的中間亮、周?chē)档恼叫文０錞(圖5)來(lái)衡量窗口中心和周?chē)牧炼确床畛潭取?/p>

圖5 中間亮周?chē)档恼叫文０錐ig.5 Square template with dark light around

用模板T覆蓋住滑動(dòng)窗口w，利用窗口和模板的匹配測(cè)度TMatch來(lái)反映該滑動(dòng)窗口w與模板T的相似程度，計(jì)算公式為

(7)

式中：l為和滑動(dòng)窗口等大的模板T的長(zhǎng)度；T(m,n)(m,n=1,2,…,l)為l×l的模板內(nèi)所有的像素點(diǎn)；wi,j(m,n)為中心點(diǎn)為(i,j)的滑動(dòng)窗口w與模板T(m,n)相對(duì)應(yīng)的像素點(diǎn)的灰度值。匹配測(cè)度TMatch越大，表示窗口和模板越相似，即窗口中心與周?chē)牧炼确床钤綇?qiáng)烈，說(shuō)明該滑動(dòng)窗口內(nèi)包含建筑物的可能性就越大。

1.2.4 色彩反差

建筑物在色彩上通常與周?chē)牡缆?、陰影和草地等背景表現(xiàn)出不一樣的顏色分布，因此采用色彩反差CC衡量滑動(dòng)窗口與其周?chē)尘暗姆床畛潭取６x鄰近窗口Surr(w)為窗口w周?chē)欢ǚ秶鷥?nèi)能夠取到的所有窗口，則CC的計(jì)算公式為

CC(w)=max{χ2[h(w)],h[Surr(w)]} ，

(8)

式中：h(w)為滑動(dòng)窗口w在LAB色彩空間的色彩梯度；h[Surr(w)]為窗口w周?chē)欢ǚ秶鷥?nèi)能夠取到的所有窗口的LAB空間色彩梯度。通過(guò)計(jì)算二者的卡方距離χ2，并保留取到的最大值來(lái)衡量窗口w和周?chē)尘暗纳什町愋?。CC越大表示窗口與背景的色彩反差越大，說(shuō)明該滑動(dòng)窗口內(nèi)包含建筑物的可能性也越大。

1.2.5 目標(biāo)完整性

建筑物作為一個(gè)目標(biāo)整體，具有一定的完整性。而超像素分割算法根據(jù)顏色和紋理的相似度將影像分割成超像素，一個(gè)超像素中的所有像素應(yīng)當(dāng)屬于同一個(gè)目標(biāo)，因此，一個(gè)建筑物目標(biāo)應(yīng)當(dāng)由一個(gè)或多個(gè)完整的超像素組成，而不應(yīng)該跨越超像素的邊界[13]。本算法采用超像素的這一特性來(lái)衡量窗口內(nèi)目標(biāo)的完整性： 采用Mean Shift算法[14]將高分影像劃分成若干個(gè)超像素，通過(guò)計(jì)算滑動(dòng)窗口內(nèi)不完整的超像素的面積占整個(gè)窗口面積的比重SS來(lái)衡量該滑動(dòng)窗口內(nèi)是否包含目標(biāo)，SS的計(jì)算公式為

(9)

式中|sw|和|s∩w|分別為超像素s在窗口w外和窗口內(nèi)的面積。完全在窗口內(nèi)或完全在窗口外的超像素對(duì)于求和的貢獻(xiàn)值為0，因此SS值越高的窗口包含目標(biāo)的可能性越大。

1.3 基于超像素顯著性的建筑物自動(dòng)檢測(cè)

相較于固定尺寸的矩形窗口，超像素能夠更好地描述目標(biāo)的形狀和統(tǒng)計(jì)目標(biāo)的顯著性，因此對(duì)影像進(jìn)行超像素分割，計(jì)算每一塊超像素的顯著性均值來(lái)代表該超像素的目標(biāo)顯著性，并通過(guò)閾值去掉一些響應(yīng)的虛警。建筑物表現(xiàn)出強(qiáng)烈的顯著性，但是有些田地和道路段也因?yàn)楹捅尘按嬖谳^為明顯的反差或具有結(jié)構(gòu)規(guī)則性而計(jì)算出一定的顯著性，因此需要通過(guò)設(shè)置約束條件來(lái)進(jìn)一步精確提取建筑物。

基于超像素顯著性的建筑物自動(dòng)檢測(cè)步驟描述如下：

1)如圖6所示，將影像金字塔每一層計(jì)算的多特征進(jìn)行線性組合計(jì)算每一層的顯著性，并使用雙線性內(nèi)插將多個(gè)尺度的顯著性圖像內(nèi)插為和原始影像空間分辨率相同的大小，進(jìn)行局部非極大值抑制得到最終的顯著圖。

(a) 原始影像(b) 顯著圖

圖6多尺度多特征融合計(jì)算顯著圖

Fig.6Multi-scaleandmulti-featurefusioncomputingsaliencymap

2)在之前計(jì)算目標(biāo)顯著性的超像素分割結(jié)果的基礎(chǔ)上，計(jì)算每個(gè)超像素所包含的所有像素的顯著性得分和與該超像素面積的比值代表該超像素的顯著性，即

(10)

式中： |s(k)|為第k個(gè)超像素的面積；saliency(k)為第k個(gè)超像素的顯著性；saliency(i,j)為像素點(diǎn)(i,j)的目標(biāo)顯著性得分。

然后，采用Otsu算法根據(jù)超像素的顯著性大小通過(guò)最大化背景和目標(biāo)之間的類(lèi)間方差，將超像素分成背景和目標(biāo)2類(lèi)。

3)進(jìn)一步設(shè)置約束條件篩選檢測(cè)結(jié)果，設(shè)置原則包括： ①目標(biāo)長(zhǎng)寬比不能過(guò)大，主要除去誤判為建筑物的城市道路段； ②目標(biāo)面積應(yīng)該在一定范圍內(nèi)，圖斑面積大于閾值的將被剔除，主要除去誤檢的大面積田地和池塘、湖泊； ③對(duì)于面積過(guò)小的碎圖斑則計(jì)算其鄰接超像素的灰度均值，將其與灰度均值最接近的鄰接超像素合并。

4)輸出最終得到的結(jié)果。

2 實(shí)例驗(yàn)證

本文選用2種不同空間分辨率的高分影像來(lái)評(píng)估算法性能。

實(shí)驗(yàn)1影像為重慶市主城區(qū)2015年0.5 m空間分辨率航片影像上截取的3幅具有不同特色建筑物的局部影像。其中S1影像包含整齊規(guī)則的建筑物群，中間一些朝向各異的高密度住宅，以及右邊排列較為不規(guī)則的建筑物； S2影像主要為城郊區(qū)域，包含規(guī)則的建筑物群以及一些藍(lán)頂?shù)膹S房； S3影像環(huán)繞大量獨(dú)棟住宅，以及右下角在影像中表現(xiàn)為破碎的建筑物屋頂?shù)拈L(zhǎng)條形建筑。為了比較提取精度，選取了基于顏色和紋理特征建模的馬爾科夫隨機(jī)場(chǎng)模型[15]的建筑物檢測(cè)算法同本文算法進(jìn)行對(duì)比(圖7)，并采用人工矢量化結(jié)果作為參考，定性和定量評(píng)價(jià)2種算法的檢測(cè)結(jié)果。

(a) S1影像(b) S2影像(c) S3影像

(d) 本文算法S1檢測(cè)結(jié)果(e) 本文算法S2檢測(cè)結(jié)果(f) 本文算法S3檢測(cè)結(jié)果

(g) 馬爾科夫隨機(jī)場(chǎng)S1檢測(cè)結(jié)果(h) 馬爾科夫隨機(jī)場(chǎng)S2檢測(cè)結(jié)果(i) 馬爾科夫隨機(jī)場(chǎng)S3檢測(cè)結(jié)果

圖7-1實(shí)驗(yàn)1影像建筑物檢測(cè)結(jié)果及參考結(jié)果

Fig.7-1Detectionresultsandreferenceresultsofexperiment1images

(j) S1參考結(jié)果(k) S2參考結(jié)果(l) S3參考結(jié)果

圖7-2實(shí)驗(yàn)1影像建筑物檢測(cè)結(jié)果及參考結(jié)果

Fig.7-2Detectionresultsandreferenceresultsofexperiment1images

由圖7可以看出本文算法通過(guò)多尺度多特征計(jì)算建筑物顯著性，可以很好地提取出絕大部分建筑物。尤其是S1右上角的不規(guī)則建筑物，由于結(jié)構(gòu)特性明顯，也經(jīng)由本文算法得以檢測(cè)出來(lái)，而馬爾科夫隨機(jī)場(chǎng)算法對(duì)于色彩和周?chē)尘安町惒惶黠@或者被樹(shù)木遮擋的建筑物則難以達(dá)到很好的實(shí)驗(yàn)效果，漏檢建筑物個(gè)數(shù)較多。

為了定量評(píng)價(jià)本文算法和馬爾科夫隨機(jī)場(chǎng)算法的檢測(cè)精度，將2種算法的檢測(cè)結(jié)果和參考結(jié)果進(jìn)行對(duì)比，定義當(dāng)一個(gè)建筑物80%以上的面積被檢測(cè)出來(lái)的時(shí)候，算作正確檢測(cè)出該建筑物，否則認(rèn)為該建筑物沒(méi)有被檢測(cè)出來(lái)(影像邊界上不完整的建筑物不算在內(nèi))。并計(jì)算查準(zhǔn)率(Precision)、準(zhǔn)確率(Accuracy)和召回率(Recall)3個(gè)指標(biāo)作為衡量標(biāo)準(zhǔn)，即

Precision=TP/(TP+FP)，

(11)

Accuracy=TP/(TP+FN+FP)，

(12)

Recall=TP/(TP+FN)，

(13)

式中：TP為被正確檢測(cè)出的建筑物個(gè)數(shù)；FN為漏檢建筑物個(gè)數(shù)；FP為誤檢建筑物個(gè)數(shù)。

表1示出各影像2種算法的檢測(cè)精度。從表1中可以看出本文算法能夠正確檢測(cè)出90%以上的建筑物，具有令人滿意的檢測(cè)精度，且查準(zhǔn)率、準(zhǔn)確率、召回率均比馬爾科夫隨機(jī)場(chǎng)算法要高。馬爾科夫隨機(jī)場(chǎng)算法雖然也可以達(dá)到較好的查準(zhǔn)精度，但是漏檢現(xiàn)象較為嚴(yán)重，召回率較低。說(shuō)明本文算法具有一定的優(yōu)越性。

表1 實(shí)驗(yàn)1中2種算法的檢測(cè)精度比較Tab.1 Comparison of detection accuracy between two algorithms of experiment 1 (%)

實(shí)驗(yàn)2選取了巫山市0.2 m空間分辨率遙感影像上的局部影像，相較于實(shí)驗(yàn)1的3幅影像，實(shí)驗(yàn)2影像地物類(lèi)型復(fù)雜，建筑物更加破碎和不規(guī)則，且存在密集的建筑物群，大大增大了建筑物的檢測(cè)難度。實(shí)驗(yàn)2影像和2種方法的建筑物檢測(cè)結(jié)果如圖8所示。

(a) 實(shí)驗(yàn)2影像(b) 本文算法檢測(cè)結(jié)果(c) 馬爾科夫隨機(jī)場(chǎng)模型檢測(cè)結(jié)果

圖8實(shí)驗(yàn)2影像建筑物檢測(cè)結(jié)果

Fig.8Detectionresultofexperiment2image

從圖8可以看出，馬爾科夫隨機(jī)場(chǎng)算法對(duì)于顏色反差較大、紋理豐富而有規(guī)則的建筑物可以達(dá)到很好的檢測(cè)效果，但是當(dāng)建筑物屋頂紋路零亂，形狀多變，色彩和背景反差不大時(shí)，馬爾科夫隨機(jī)場(chǎng)算法會(huì)造成大量的漏檢現(xiàn)象。而本文算法則因兼顧了建筑物的結(jié)構(gòu)、多尺度變化、顏色以及亮度反差等特征，對(duì)于復(fù)雜建筑物的檢測(cè)也可以達(dá)到較好的實(shí)驗(yàn)效果，能夠基本將建筑物和其他地物分離開(kāi)來(lái)，對(duì)于精細(xì)化的建筑物信息提取具有實(shí)用意義。

3 結(jié)論

本文提出了一種基于多尺度多特征的高分影像建筑物的自動(dòng)化檢測(cè)算法。經(jīng)實(shí)驗(yàn)得到如下結(jié)論：

1)基于高斯金字塔選取滑動(dòng)窗口進(jìn)行建筑物特征計(jì)算，可實(shí)現(xiàn)不同尺寸建筑物的同步檢測(cè)。

2)考慮邊緣密度和分布、主方向正交性、亮度反差、色彩反差、目標(biāo)完整性等多種用于計(jì)算建筑物顯著性的有效特征，并進(jìn)行融合，從而提高建筑物檢測(cè)精度。

3)結(jié)合超像素分割算法，以超像素為單位計(jì)算建筑物顯著性并提取建筑物，保留了建筑物的輪廓特征。

通過(guò)選取不同空間分辨率的2組實(shí)驗(yàn)數(shù)據(jù)，并與基于顏色和紋理特征的馬爾科夫隨機(jī)場(chǎng)算法的實(shí)驗(yàn)結(jié)果進(jìn)行定性和定量比較，證明本方法對(duì)于高分影像中建筑物的檢測(cè)具有令人滿意的實(shí)驗(yàn)效果和檢測(cè)精度。

本文算法還存在一些不足，主要表現(xiàn)在： ①對(duì)于一些邊緣較為模糊的建筑物仍會(huì)存在漏檢現(xiàn)象； ②一些和建筑物一樣具有明顯結(jié)構(gòu)性的操場(chǎng)等目標(biāo)有時(shí)會(huì)被當(dāng)作建筑物誤檢出來(lái)； ③對(duì)于破碎而且密集的建筑物群的檢測(cè)效果尚存在較大的進(jìn)步空間。在今后的研究中，將考慮機(jī)器學(xué)習(xí)的方法，通過(guò)樣本訓(xùn)練確定更優(yōu)的特征模型，以解決上述不足，實(shí)現(xiàn)復(fù)雜建筑物檢測(cè)的精確性和完整性。