基于改進(jìn)MRF的遙感影像建筑物精提取

朱 恰，王 建，劉星雨，周再文，馬紫雯，高賢君

(長(zhǎng)江大學(xué)地球科學(xué)學(xué)院，湖北 武漢 430100)

0 引 言

隨著遙感技術(shù)的不斷發(fā)展，遙感影像分辨率在不斷提高，影像的光譜、紋理和結(jié)構(gòu)等細(xì)節(jié)信息呈現(xiàn)得更為精細(xì)，更有利于建筑物的自動(dòng)提取[1]。而建筑物的自動(dòng)提取和變化檢測(cè)能完善城市基礎(chǔ)地理數(shù)據(jù)庫(kù)的建設(shè)以及提高數(shù)據(jù)庫(kù)的更新效率[2]，為城市建設(shè)、土地利用等提供了重要支持。因此如何快速、準(zhǔn)確有效地自動(dòng)提取遙感影像中的建筑物，是目前的熱點(diǎn)研究問題[3]，具有重要的研究意義與價(jià)值。

由于建筑物具有復(fù)雜多變的結(jié)構(gòu)、紋理和空間信息的特點(diǎn)，加大了基于遙感影像建筑物提取的難度[4]。近些年來許多學(xué)者提出了諸多建筑物自動(dòng)化或半自動(dòng)化的提取方法，主要分為3類：基于深度學(xué)習(xí)的方法、基于邊緣檢測(cè)的方法、結(jié)合輔助信息的方法。

1)基于深度卷積神經(jīng)網(wǎng)絡(luò)的方法利用建筑物的訓(xùn)練樣本對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，并采用反向傳播算法將訓(xùn)練的輸出結(jié)果與真實(shí)的標(biāo)簽值的差值逐層反饋傳遞給上層，進(jìn)而調(diào)整各層的參數(shù)，以實(shí)現(xiàn)優(yōu)化輸出、精確提取建筑物。劉文濤等[5]提出了一種基于級(jí)聯(lián)式全卷積網(wǎng)絡(luò)的遙感影像建筑物提取方法，將圖像的全局信息與局部信息結(jié)合起來，提高了建筑物提取的精度。范榮雙等[6]在神經(jīng)網(wǎng)絡(luò)訓(xùn)練中采取了自適應(yīng)池化模型，并獲取了影像的紋理特征，使紋理特征與神經(jīng)網(wǎng)絡(luò)提取的多層次特征融合以更精確地提取建筑物。由于神經(jīng)網(wǎng)絡(luò)的激活函數(shù)以及網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性，使傳統(tǒng)的基于神經(jīng)網(wǎng)絡(luò)提取的結(jié)果易出現(xiàn)特征灰度圖模糊、錯(cuò)分建筑物的現(xiàn)象。

2)基于邊緣檢測(cè)的方法利用直線檢測(cè)、角點(diǎn)檢測(cè)等方法提取建筑物的邊緣后，通過經(jīng)驗(yàn)知識(shí)或搜索等方法對(duì)邊緣進(jìn)行分類重構(gòu)[3]，最后填充建筑物輪廓，進(jìn)而得到建筑物區(qū)域。李巍岳等[7]用Sobel算子進(jìn)行邊緣檢測(cè)，并結(jié)合數(shù)學(xué)形態(tài)學(xué)的方法進(jìn)行增強(qiáng)處理，在多光譜遙感圖像中建筑物區(qū)域有較好的提取效果。但是此法難以將大量的非建筑物區(qū)域的邊緣清理掉，易出現(xiàn)較多假目標(biāo)[8]。

3)結(jié)合輔助信息的方法。此法多是借助數(shù)字表面模型(DSM)、數(shù)字高程模型(DEM)或建筑物陰影等其它輔助信息來提取建筑物。王子明[9]在建筑物提取時(shí)，將DSM作為一個(gè)波段參與分割，并利用多種約束條件來提取建筑物。但可分割尺度難以確定，很難處理不同面積的建筑物。高賢君等[10]設(shè)計(jì)了建筑物陰影的提取方法，并利用陰影自動(dòng)提取建筑物樣本以用于支持向量機(jī)(SVM)分類，再利用陰影將建筑物與裸地區(qū)分出來，使建筑物的精確自動(dòng)化提取得以實(shí)現(xiàn)。但若建筑物的陰影相互遮擋，提取精度會(huì)降低。

以上方法可實(shí)現(xiàn)對(duì)建筑物的提取，但仍存在一些提取精度不穩(wěn)定的問題。例如基于深度學(xué)習(xí)的方法利用深度神經(jīng)網(wǎng)絡(luò)提取建筑物，網(wǎng)絡(luò)中的參數(shù)難以準(zhǔn)確確定，存在初步提取的灰度圖模糊以及易引起較多錯(cuò)分建筑物的問題。針對(duì)這一問題，本文在提取特征灰度圖的基礎(chǔ)上，采用大津閾值分割法(OTSU法)進(jìn)行預(yù)分割、形態(tài)學(xué)預(yù)處理，再利用馬爾可夫隨機(jī)場(chǎng)(Markov Random Field, MRF)模型進(jìn)行二次分割，提出根據(jù)圖像局部鄰域特征動(dòng)態(tài)估計(jì)先驗(yàn)參數(shù)β的改進(jìn)方法。該方法強(qiáng)化了圖像的像素點(diǎn)之間的空間關(guān)系，可實(shí)現(xiàn)有效地剔除神經(jīng)網(wǎng)絡(luò)提取結(jié)果中的錯(cuò)分建筑物進(jìn)而提高建筑物提取精度。

1 改進(jìn)馬爾可夫隨機(jī)場(chǎng)的建筑物提取

1.1 基于深度學(xué)習(xí)的建筑物特征初提取

基于深度學(xué)習(xí)的建筑物提取方法由于其利用由低到高的層次化特征表達(dá)進(jìn)行深度分析的優(yōu)勢(shì)，相比于其他高分影像建筑物提取方法，在自動(dòng)化程度和識(shí)別精度上均取得不錯(cuò)的提升[11]。Unet網(wǎng)絡(luò)作為較早的卷積神經(jīng)網(wǎng)絡(luò)之一，其主要結(jié)構(gòu)為編碼器-解碼器結(jié)構(gòu)[12]。即主要由用于捕捉語(yǔ)義特征的編碼端、精準(zhǔn)定位的解碼端以及結(jié)合底層信息和高層信息的跳躍連接這3個(gè)部分組成。基于Unet能從低至高地進(jìn)行深層次分析進(jìn)而有效提取建筑物特征。而原始遙感影像經(jīng)卷積神經(jīng)網(wǎng)絡(luò)提取后得到的建筑物分布圖是灰度圖，灰度分布在0～256之間，存在許多非建筑物干擾。必須繼續(xù)進(jìn)行二值化處理，再將其中的錯(cuò)分建筑物去除，以減小干擾，以免造成誤判。

(a) 原始影像YX1

(b) 神經(jīng)網(wǎng)絡(luò)提取的灰度圖

(c) 大津法分割結(jié)果圖

(d) 形態(tài)學(xué)處理后的結(jié)果圖

進(jìn)行二值化處理時(shí)，把建筑物作為目標(biāo)區(qū)域、非建筑物作為背景部分。圖1為利用Unet網(wǎng)絡(luò)進(jìn)行特征灰度圖提取、大津法分割、形態(tài)學(xué)處理提取建筑物初始結(jié)果的過程圖。由圖1(b)和圖1(d)可知，錯(cuò)分建筑物一般是顏色較淺、像素灰度值較小的部分。而建筑物區(qū)域一般較亮，灰度值較大。故灰度值靠近0的屬于背景部分，灰度值靠近255的屬于目標(biāo)部分。由于圖像的背景與待分割目標(biāo)之間的灰度值區(qū)別較大，采用大津法分割可以快速確定閾值且分割效果較佳[13]。但由于大津法分割屬于單一的全局閾值分割，并未結(jié)合圖像像素之間的空間相關(guān)特性，對(duì)噪聲較敏感[14]。直接采用大津法閾值分割，會(huì)導(dǎo)致錯(cuò)分建筑物去除不完全，導(dǎo)致部分小區(qū)域殘留，而且存在建筑物內(nèi)部出現(xiàn)孔洞的問題。為了解決大津法分割帶來的新問題，本文通過將像素間的空間關(guān)系引入到圖像分割中，實(shí)現(xiàn)精提取，這就需要使用到MRF模型方法。

在數(shù)學(xué)中形態(tài)學(xué)是以結(jié)構(gòu)元素為基礎(chǔ)分析圖像的工具[15]。通過使用形態(tài)學(xué)開運(yùn)算處理圖像，利用5×5的矩形結(jié)構(gòu)元素，先去除一些小區(qū)域，減小對(duì)MRF分割的干擾。但形態(tài)學(xué)的結(jié)構(gòu)元素需要合理地選取才能達(dá)到良好的效果，且形態(tài)學(xué)也可能對(duì)建筑物邊緣造成一些磨損。因此，還需要借助MRF來進(jìn)一步提高精度。

由圖1(c)可知，直接對(duì)灰度圖進(jìn)行大津法分割，提取出了大部分的真實(shí)建筑物，但是仍存在較多的錯(cuò)分建筑物區(qū)域。形態(tài)學(xué)處理可以進(jìn)一步減少錯(cuò)分建筑物。但會(huì)使建筑物邊緣變光滑，損失邊界精度[16]。

1.2 改進(jìn)馬爾可夫隨機(jī)場(chǎng)的建筑物精提取

1.2.1 馬爾可夫隨機(jī)場(chǎng)圖像分割原理

MRF是一種基于統(tǒng)計(jì)模型的方法[17]，把一幅待分割的M×N的圖像當(dāng)作一個(gè)二維網(wǎng)絡(luò)點(diǎn)集S={(i,j)|1≤i≤M,1≤j≤N}。若要分割一幅灰度圖，實(shí)際上是為二維網(wǎng)絡(luò)節(jié)點(diǎn)分配合適的標(biāo)簽值。

通常用觀測(cè)場(chǎng)和標(biāo)號(hào)場(chǎng)來描述MRF模型。觀測(cè)場(chǎng)Y={ys|s∈S}用條件分布函數(shù)描述觀測(cè)數(shù)據(jù)的分布[17]，即把待分割圖像上的整體像素分布作為觀測(cè)場(chǎng)。設(shè)X={xs|s∈S}表示定義在整個(gè)二維網(wǎng)絡(luò)點(diǎn)集上的隨機(jī)場(chǎng)，s表示圖像中的任意網(wǎng)絡(luò)節(jié)點(diǎn)。若xs∈{0,1,2,3，…,h}，h表示圖像的待分類數(shù)目，則此隨機(jī)場(chǎng)可作為圖像的標(biāo)號(hào)場(chǎng)。若有點(diǎn)集Ns={N(s)|N(s)?S,sN(s)}，對(duì)于任意s(i,j)N(s)且S上除s外任一點(diǎn)z(p,q)∈N(s)，則s∈N(z)，其中i、j、p、q表示網(wǎng)格坐標(biāo)。則稱N(s)為像素點(diǎn)s周圍的一個(gè)鄰域，Ns為圖像上的鄰域系統(tǒng)[18]。若對(duì)于鄰域系統(tǒng)的任意子集n，都有n中的任意2個(gè)像素點(diǎn)間都滿足類似于上述點(diǎn)s與點(diǎn)z之間的關(guān)系，則可稱n為一個(gè)基團(tuán)。一般的鄰域系統(tǒng)有一階鄰域系統(tǒng)和二階鄰域系統(tǒng)(見圖2)。

(a) 一階鄰域系統(tǒng)及其對(duì)應(yīng)的基團(tuán)

(b) 二階鄰域系統(tǒng)及其對(duì)應(yīng)的基團(tuán)

當(dāng)隨機(jī)場(chǎng)X滿足如下特征時(shí)，可將X稱作是關(guān)于鄰域系統(tǒng)的MRF[19]：

1)隨機(jī)場(chǎng)X在任何一個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)處的取值屬于某一分類標(biāo)號(hào)的概率不小于0。

2)若已知S中任意一個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)的實(shí)際值，則隨機(jī)場(chǎng)X在此點(diǎn)的取值屬于某一分類標(biāo)號(hào)的概率只與該點(diǎn)鄰域內(nèi)點(diǎn)的特征(灰度值、分類標(biāo)號(hào)值等)有關(guān)而與其它點(diǎn)的特征無關(guān)。

則：

(1)

而：

(2)

又由于S是觀測(cè)到的圖像，故在分割前P(S)已經(jīng)確定，可將其視為常數(shù)。

故：

P(X|S)∝P(S|X)P(X)

(3)

因此：

(4)

因此圖像像素標(biāo)號(hào)的確定就取決于P(S|X)與P(X)。它們可分別通過建立標(biāo)號(hào)場(chǎng)模型和觀測(cè)場(chǎng)模型來求解。

在標(biāo)號(hào)場(chǎng)中，根據(jù)Hammersley-Clifford定理，存在上述標(biāo)號(hào)場(chǎng)X的MRF與一個(gè)Gibbs隨機(jī)場(chǎng)等價(jià)。因此，可用Gibbs隨機(jī)場(chǎng)的概率密度函數(shù)來代替P(X)[20],即：

(5)

此處：

(6)

其中，Z是歸一化常數(shù)，用于將概率限制在[0，1]內(nèi)，T是常數(shù)。U1(x)是能量函數(shù)，其值等于定義在像素點(diǎn)鄰域的基團(tuán)上的所有勢(shì)團(tuán)勢(shì)能Vc(x)之和，此處C為勢(shì)團(tuán)集合，因此：

U1(x)=∑c∈CVc(x)

(7)

其中，假設(shè)像素點(diǎn)s鄰域內(nèi)的其他點(diǎn)為z，用xs、xz分別表示s、z在標(biāo)號(hào)場(chǎng)中的標(biāo)號(hào)。則：

(8)

其中，β是先驗(yàn)參數(shù)，通常界于0.5與1之間。式(8)表明，當(dāng)點(diǎn)s的標(biāo)號(hào)與z的標(biāo)號(hào)相同時(shí)，Vc(x)的值取-β；不同時(shí)，取+β。

(9)

1.2.2 改進(jìn)MRF的建筑物精確分類

傳統(tǒng)的MRF圖像分割法中，對(duì)于勢(shì)團(tuán)勢(shì)能Vc(x)中的先驗(yàn)參數(shù)β的取值通常是根據(jù)經(jīng)驗(yàn)選取，未充分結(jié)合圖像局部鄰域特征，故應(yīng)用于實(shí)際問題的能力有限。針對(duì)這一問題，本文提出一種根據(jù)圖像局部鄰域特征動(dòng)態(tài)估計(jì)先驗(yàn)參數(shù)β的新方法，使改進(jìn)后的MRF法能更好地適用于建筑物的精提取。在標(biāo)號(hào)場(chǎng)中，用標(biāo)號(hào)1表示非建筑物，用標(biāo)號(hào)2表示建筑物。

(10)

(11)

(12)

公式(10)～公式(12)表明的意思是：以原始像素點(diǎn)s周圍的8鄰域各像素點(diǎn)為中心，各點(diǎn)8鄰域像素點(diǎn)標(biāo)號(hào)之和的初始平均值為1時(shí)，像素點(diǎn)z[i]位于非建筑物內(nèi)部區(qū)域。則Aver(z[i])的值取為π/2，sin(Aver(z[i])的值為1，β的絕對(duì)值越大，則+β與-β之間的差值也就越大，故s往該方向延伸的趨勢(shì)更趨向于非建筑物內(nèi)部區(qū)域。由于s的總勢(shì)團(tuán)勢(shì)能為s周圍8鄰域±βi取值之和，則實(shí)際原本就在非建筑物內(nèi)部區(qū)域的像素，其依然會(huì)被正確分類。同理，當(dāng)Aver(z[i])的初始值為1到2之間的小數(shù)時(shí)，z[i]處于建筑物與非建筑物交界的邊緣區(qū)域，則該方向β的取值取決于具體的Aver(z[i])：π/2。因正弦函數(shù)在區(qū)間(0,π)內(nèi)取值大于0，且邊緣處Aver(z[i])的初始取值大于1且小于2，故此時(shí)β的取值大于0且小于等于1。則孤立的邊緣呈圓弧彎曲外凸?fàn)畹腻e(cuò)分建筑物，由于其內(nèi)部各白色像素點(diǎn)的鄰域標(biāo)號(hào)均值不等于1(為2)，則β的絕對(duì)值變小。若邊緣黑色像素點(diǎn)越多，則邊緣白色像素點(diǎn)的標(biāo)號(hào)在每次迭代過程中更趨向于黑色標(biāo)號(hào)1，故多次迭代后可去除部分形態(tài)學(xué)不能去除的孤立錯(cuò)分建筑物，尤其對(duì)邊緣呈圓弧外凸?fàn)畹腻e(cuò)分建筑物的去除更有效，進(jìn)而提高建筑物提取精度。

圖3 像素點(diǎn)s與Aver(z[i])、z[i]的關(guān)系圖

在觀測(cè)場(chǎng)中，由單一的神經(jīng)網(wǎng)絡(luò)提取的灰度圖計(jì)算出的P(S|X)可能受其影響較大，若神經(jīng)網(wǎng)絡(luò)提取結(jié)果較差，則分割效果會(huì)受到較大影響。因此，需要增加原圖特征來增強(qiáng)P(S|X)的可靠性。由于原圖的R通道圖片對(duì)物體的區(qū)分較為清晰，故將R通道圖片引入MRF。假設(shè)神經(jīng)網(wǎng)絡(luò)提取的灰度圖為S1，原始影像的R通道圖片為S2。經(jīng)S1、S2計(jì)算出來的條件概率分別為P(S1|X)、P(S2|X)。令最終P(S|X)的取值為P(S1|X)與P(S2|X)之和的平均值。這樣在計(jì)算某像素點(diǎn)標(biāo)號(hào)的過程中若P(S1|X)出現(xiàn)較大的偏差，可以利用原始影像的P(S2|X)來對(duì)其進(jìn)行制約，減小錯(cuò)誤的影響，提高P(S|X)的準(zhǔn)確性，進(jìn)而提高分割精度。

1.2.3 聯(lián)合后處理修正邊緣精度

以下將僅結(jié)合大津法的改進(jìn)MRF法簡(jiǎn)稱為改進(jìn)MRF法。雖然改進(jìn)MRF法在去除錯(cuò)分建筑物方面很有效，但大津法分割后的真實(shí)建筑物邊緣并不都是平整的，其依然會(huì)帶有局部彎曲特征，故經(jīng)改進(jìn)MRF法分割后的圖像真實(shí)建筑物邊緣會(huì)存在鋸齒。由于被腐蝕的真實(shí)建筑物邊緣像素點(diǎn)緊靠真實(shí)建筑物，而被去除的錯(cuò)分建筑物多為圖像中的孤立單位。故可通過被去除的像素點(diǎn)鄰域內(nèi)的灰度均值來區(qū)分真實(shí)建筑物的邊緣與錯(cuò)分建筑物，進(jìn)而達(dá)到去除錯(cuò)分建筑物而又使圖像保持良好的邊緣特征的目的。因此設(shè)計(jì)了一種對(duì)比方法，可將最終的圖像邊緣逼近大津法分割的結(jié)果。實(shí)驗(yàn)流程圖如圖4所示，實(shí)驗(yàn)算法步驟如下：

步驟1設(shè)大津法分割的結(jié)果為image1，改進(jìn)MRF法分割的結(jié)果為image2。

步驟2對(duì)圖像image2所有像素點(diǎn)求其8鄰域像素點(diǎn)的平均值，并將結(jié)果記錄在圖像image3中。設(shè)一幅新二值圖像image4中白色部分表示改進(jìn)MRF法相較于大津法分割結(jié)果中建筑物減少的部分，其余為黑色點(diǎn)。記錄image3中像素值大于0且image4中像素值為255的部分對(duì)應(yīng)的像素點(diǎn)的位置。設(shè)另一相同大小的二值圖像image5中在這些位置的像素點(diǎn)的像素值為255，其余部分為0。將圖像image2與圖像image5之和賦予image6。

步驟3輸出圖像image6。

圖4 對(duì)比法修正算法圖

(a) 鋸齒修正前局部放大

(b) 鋸齒修正后局部放大

圖5為圖像YX1經(jīng)改進(jìn)MRF法實(shí)驗(yàn)后的后處理前后結(jié)果的局部放大圖?？梢悦黠@看到，后處理后圖像建筑物邊緣的鋸齒得到了明顯的修正。

1.3 提取流程

步驟1搭建U-Net神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)集The WHU data進(jìn)行訓(xùn)練，并輸出訓(xùn)練結(jié)果灰度圖。

步驟2對(duì)輸出的灰度圖采取大津法進(jìn)行預(yù)分割，得到初始分割標(biāo)簽。

步驟3運(yùn)用形態(tài)學(xué)開運(yùn)算處理圖像。

步驟5運(yùn)用對(duì)比法對(duì)圖像進(jìn)行后處理。

步驟6輸出最終的標(biāo)號(hào)場(chǎng)圖像。

2 實(shí)驗(yàn)對(duì)比分析

本文實(shí)驗(yàn)中原始輸入影像大小為512×512，從而構(gòu)建特征金字塔。實(shí)驗(yàn)的編程語(yǔ)言為Python，編程平臺(tái)為JetBrains PyCharm 2017.1。實(shí)驗(yàn)數(shù)據(jù)集為Ji等[24]論文中分享的數(shù)據(jù)集：The WHU data。實(shí)驗(yàn)環(huán)境為：i7-9700k處理器，32 GB內(nèi)存，NVIDIA RTX2080Ti 8 GB顯卡，GPU加速庫(kù)采用CUDA10.0。DeepLearning框架以Keras作為前端，TensorFlow為后端。

以下將僅結(jié)合大津法的經(jīng)典MRF法稱為經(jīng)典MRF法(β取定值1，P(X)的取值法與改進(jìn)MRF相同)，將僅結(jié)合大津法的改進(jìn)MRF法稱為改進(jìn)MRF法，將經(jīng)大津法分割、形態(tài)學(xué)改進(jìn)、對(duì)比法后處理的改進(jìn)MRF法稱為綜合改進(jìn)法。通過對(duì)影像YX1及YX2分別采用以上方法進(jìn)行處理并對(duì)比分析。圖6為影像YX1的建筑物提取結(jié)果對(duì)比圖，圖7為影像YX2的建筑物提取結(jié)果對(duì)比圖。

(a) 遙感影像YX1 (b) 大津法分割結(jié)果

(c) 形態(tài)學(xué)處理后的結(jié)果 (d) 經(jīng)典MRF分割結(jié)果

(e) 改進(jìn)MRF分割結(jié)果 (f) 綜合改進(jìn)法分割結(jié)果

(a) 遙感影像YX2 (b) 大津法分割結(jié)果

(c) 形態(tài)學(xué)處理后的結(jié)果 (d) 經(jīng)典MRF分割結(jié)果

(e) 改進(jìn)MRF分割結(jié)果 (f) 綜合改進(jìn)法分割結(jié)果

2.1 僅大津法分割與經(jīng)典MRF法分割對(duì)比

結(jié)合圖6(b)、圖6(d)與圖7(b)、圖7(d)對(duì)比發(fā)現(xiàn)相較于大津法分割的結(jié)果，經(jīng)典MRF法可以減少一部分錯(cuò)分建筑物，或使大的錯(cuò)分建筑物變小。經(jīng)典MRF法不僅能減少錯(cuò)分建筑物，也會(huì)使圖像變得更光滑自然，可消除因大津法分割產(chǎn)生的撕裂狀特征，但這可能是以增加多余建筑物為代價(jià)而獲得的有利結(jié)果。經(jīng)典MRF法會(huì)自動(dòng)填充一些大津法分割時(shí)殘留在真實(shí)建筑物內(nèi)部的小孔洞或使孔洞變小，但也會(huì)帶來新的問題：若2個(gè)部分真實(shí)建筑物相鄰比較近，會(huì)自動(dòng)填充一些建筑物間的縫隙，導(dǎo)致錯(cuò)分建筑物增多。建筑物周圍鄰近的小區(qū)域會(huì)被直接連接到建筑物中，導(dǎo)致無法區(qū)分其中的干擾。這是因?yàn)榻?jīng)典MRF法并未充分結(jié)合像素之間的空間關(guān)系。β的確定通常根據(jù)經(jīng)驗(yàn)選取，缺乏一定的參考。故經(jīng)典MRF法，對(duì)于建筑物的精提取有一定效果，但效果仍然有限，僅適用于圖像中孤立且少量的小面積錯(cuò)分建筑物區(qū)域。

2.2 僅大津法分割與改進(jìn)MRF法分割對(duì)比

結(jié)合圖6(b)、圖6(e)與圖7(b)、圖7(e)對(duì)比發(fā)現(xiàn)相較于經(jīng)典MRF分割的方法，改進(jìn)MRF分割法可以更明顯地減少錯(cuò)分建筑物，能夠有效去除大津法分割后殘留的小斑點(diǎn)，以及一些較大的在圖像中被孤立的錯(cuò)分建筑物。在增加建筑物區(qū)域的方面，改進(jìn)MRF法繼承了經(jīng)典MRF法的優(yōu)點(diǎn)，并且相較于經(jīng)典MRF法，改進(jìn)MRF法能夠有效地減少相鄰建筑物因距離太近而導(dǎo)致的建筑物縫隙被填充的問題，能夠更加真實(shí)地保留原始遙感影像的建筑物分布特征。這是由于改進(jìn)MRF法充分利用了各像素點(diǎn)之間的空間關(guān)系，使先驗(yàn)參數(shù)β的取值更能結(jié)合實(shí)際情況確定。對(duì)于減少由大津法分割后殘留的小區(qū)域斑點(diǎn)，相較于經(jīng)典MRF法具有更加明顯的效果。因此改進(jìn)MRF法能在大津法分割的基礎(chǔ)上更加準(zhǔn)確地提取出真實(shí)建筑物區(qū)域。

2.3 僅大津法與形態(tài)學(xué)改進(jìn)的分割與綜合改進(jìn)法的分割的對(duì)比

結(jié)合圖6(c)、圖6(f)與圖7(c)、圖7(f)對(duì)比發(fā)現(xiàn)綜合對(duì)比法同時(shí)兼具了形態(tài)學(xué)改進(jìn)法與改進(jìn)MRF法的優(yōu)點(diǎn)，能在形態(tài)學(xué)改進(jìn)的基礎(chǔ)上更進(jìn)一步地減少錯(cuò)分建筑物，并能夠填充一些建筑物內(nèi)部細(xì)小的孔洞。并且通過對(duì)比法后處理使綜合改進(jìn)法的結(jié)果能夠真實(shí)地還原建筑物的邊緣，消除改進(jìn)MRF法分割結(jié)果中的鋸齒，使其建筑物邊緣能逼近大津法分割的結(jié)果。但是綜合改進(jìn)法的結(jié)果易受大津法分割的結(jié)果影響，若錯(cuò)分建筑物表現(xiàn)為與真實(shí)建筑物粘連的小斑點(diǎn)，本應(yīng)被改進(jìn)MRF法去除的錯(cuò)分建筑物易被還原。因此綜合改進(jìn)法更適用于錯(cuò)分建筑物與真實(shí)建筑物相隔較遠(yuǎn)、建筑物分布比較分散的情況。

2.4 實(shí)驗(yàn)精度評(píng)定

對(duì)以上影像的建筑物提取結(jié)果的精度評(píng)定結(jié)果如表1所示。由表1可知對(duì)比大津法分割的結(jié)果，除了經(jīng)典MRF法分割的效果不明顯外，其它幾種方法均能不同程度地降低建筑物錯(cuò)分誤差。形態(tài)學(xué)法分割后錯(cuò)分誤差降低是因?yàn)椴捎昧碎_運(yùn)算，可以有效消除圖中的小斑點(diǎn)，但是此法可能會(huì)對(duì)建筑物邊緣造成微小損失，使總體精度難以提升。改進(jìn)MRF法雖然能夠在形態(tài)學(xué)分割的基礎(chǔ)上進(jìn)一步消除錯(cuò)分建筑物，但是其邊緣會(huì)產(chǎn)生一些小鋸齒，也同樣會(huì)使總體精度降低。而經(jīng)過對(duì)比法后處理的改進(jìn)MRF法，其不僅結(jié)合了形態(tài)學(xué)與改進(jìn)MRF法的優(yōu)點(diǎn)，更對(duì)建筑物的邊緣進(jìn)行了有效還原，使其能夠在總體精度與建筑物用戶精度2個(gè)方面上得到雙重提升。

表1 精度評(píng)價(jià)表

3 結(jié)束語(yǔ)

本文針對(duì)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)提取建筑物精度不高的問題，在大津法分割的基礎(chǔ)上，結(jié)合形態(tài)學(xué)的方法，提出了改進(jìn)MRF法中先驗(yàn)參數(shù)β的新的動(dòng)態(tài)估計(jì)方法，以提高建筑物提取精度。通過將原圖特征引入MRF，并針對(duì)方法中圖像邊緣的鋸齒實(shí)現(xiàn)修正，可以有效提高建筑物提取精度。該方法比傳統(tǒng)MRF法更側(cè)重像素點(diǎn)間的鄰域空間關(guān)系，可以有效減少神經(jīng)網(wǎng)絡(luò)提取的灰度圖中的錯(cuò)分建筑物，實(shí)現(xiàn)建筑物的精提取。但是該方法仍屬于基于像素的分割，且受大津法分割結(jié)果影響較大，故尤其適用于待分割灰度圖中背景與目標(biāo)之間的灰度值相差較大的情況。今后結(jié)合圖像的多種特征綜合分割以及分割時(shí)更完整地保持真實(shí)建筑物邊緣形態(tài)是需要進(jìn)一步研究的方向之一。