結(jié)合ZY-3高分影像和OSM數(shù)據(jù)的城市建筑物提取與分類

李青娜，陳廣乾，黃帥帥，謝相建

(東華理工大學(xué)測繪工程學(xué)院，江西 南昌 330013)

0 引 言

隨著國內(nèi)城市化進程速度的逐漸加快，城市中建筑物的分布數(shù)量范圍和密度正逐漸增大，為城市規(guī)劃與管理帶來了越來越多的難題。顯然，及時、準(zhǔn)確且完整的實現(xiàn)二維或三維城市空間建筑物信息的完整提取是我國構(gòu)建現(xiàn)代化智慧城市的必然需求。近些年來，隨著科學(xué)技術(shù)的高速發(fā)展，目前，遙感技術(shù)已經(jīng)實現(xiàn)了全天時、全天候、全方位地提供多類型、多尺度和多時相的航空航天對地觀測數(shù)據(jù)。遙感圖像的空間分辨率從10 m提高到米甚至亞米級別，可實現(xiàn)更精確詳細(xì)地描述各類地物細(xì)節(jié)特征，包括幾何形狀、空間關(guān)系及復(fù)雜表面紋理構(gòu)造等空間信息。因此，充分利用高分辨率遙感圖像進行城市區(qū)域內(nèi)一定尺度的建筑物的自動可靠提取具有非常廣泛的現(xiàn)實意義。

近些年來國內(nèi)外很多學(xué)者也提出了大量的建筑遙感提取模型和策略，并取得了不錯的效果。劉大偉(2016)等對不同地物光譜和紋理特征進行分析，并對遙感影像中各個地物類別隨機取樣，根據(jù)隨機選取的樣本對城市地物進行分類，得到精度較高的分類結(jié)果[1]。Lee(2013)等首先運用遙感影像光譜特征選取建筑物樣本點，再進一步運用其他的算法分析影像的形狀特征并以此來實現(xiàn)對建筑物的提取[2]。Cui(2012)等根據(jù)建筑的灰度和幾何特性，并根據(jù)空間結(jié)構(gòu)的分布特性進行精確的提取。吳文福(2019)等從SAR影像上構(gòu)建建筑物結(jié)構(gòu)對其進行提取，SAR具有全天時，全天候的特點，結(jié)合空間特征對建筑物進行提取，在地物變化檢測和軍事偵測等領(lǐng)域中起到了重要作用[3]。Ahmadi (2010)等通過基于幾何特征的輪廓模型進行建筑物提取，相比于傳統(tǒng)模型，此模型可以更加精確的檢測和提取建筑物邊界，且能夠有效避免附近地物的干擾[4-5]。近年來也有學(xué)者將流行的深度學(xué)習(xí)技術(shù)用于城市建筑的遙感提取，提取精度已達到空前的程度[6]。然而，深層復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型不易理解，并且在模型解算和輸入數(shù)據(jù)層面有很高的門檻，應(yīng)用普及極為有限?？偟膩碚f，盡管利用高分遙感影像進行建筑物的提取已有很多的研究，并且取得了顯著成果，對于如何綜合現(xiàn)有的眾源地圖(OpenStreetMap，OSM)矢量數(shù)據(jù)克服高分影像在城市建筑提取中的不足，相關(guān)研究相對較少[7]。因此本文將分別從結(jié)合OSM矢量數(shù)據(jù)的道路提取、建筑物的光譜特征分析與提取、空間特征表達和決策樹分類等方面著手研究，以進一步挖掘高分辨率遙感數(shù)據(jù)和OSM矢量數(shù)據(jù)在建筑物提取中的潛力。

1 研究數(shù)據(jù)與方法

1.1 研究數(shù)據(jù)

數(shù)據(jù)選用的是資源三號(ZY-3)高分影像，影像的獲取時間為2017年12月08日。ZY-3衛(wèi)星是我國自主研制的第一顆集測繪和資源研究為一體的高分辨率民用空間測量衛(wèi)星，多光譜影像空間分辨率為5.8 m，全色影像分辨率為2.1 m。開放街道地圖(OpenStreetMap，OSM)是一個在線眾源地圖數(shù)據(jù)，包括高速公路，鐵路，水系，水域，土地利用，建筑物等地理空間數(shù)據(jù)。

本研究選擇南昌市紅谷灘區(qū)和新建區(qū)的中心城區(qū)作為研究區(qū)域，該地區(qū)各色屋面材料的建筑物分布較廣，水體、植被、裸地等地類也均有分布。圖像經(jīng)過輻射校正、幾何矯正和裁剪等預(yù)處理，由于OSM矢量數(shù)據(jù)與遙感影像之間存在位置偏移，故對影像進行空間配準(zhǔn)，使道路矢量位置位于影像道路中央，并采用緩沖區(qū)分析方法計算得到城市道路面數(shù)據(jù)。校正后影像如圖1(a)所示。

圖1 研究區(qū)數(shù)據(jù)及典型地物影像光譜

1.2 研究方法

1.2.1 結(jié)合光譜特征的建筑物決策提取

結(jié)合光譜特征的建筑物決策提取過程主要包括樣本選取、光譜統(tǒng)計分析、建立特征指數(shù)、確定閾值等。根據(jù)研究區(qū)的實際情況，地表覆蓋類型分為植被、水體、裸地和各類建筑幾種類型。對影像中感興趣區(qū)內(nèi)的所有地物樣本進行統(tǒng)計，可得到不同地物的平均光譜特征曲線，如圖1(b)所示。

光譜指數(shù)是由多波段組合構(gòu)建而成，其本質(zhì)是一種與研究對象相關(guān)聯(lián)的數(shù)學(xué)模型，因此，光譜指數(shù)的構(gòu)造和選取都是基于目標(biāo)的光譜特性的分析。對研究區(qū)域中不同類型的建筑物光譜特征進行分析可發(fā)現(xiàn)，藍(lán)色建筑物在藍(lán)光波段的反射率明顯高于綠色波段的反射率，據(jù)此構(gòu)建歸一化的藍(lán)色表面指數(shù)(Normalized Difference Blue Surface Index，NDBSI)。同樣，紅色建筑物在紅色與綠色波段具有較大的反射差異特征，據(jù)此構(gòu)建歸一化的紅色表面指數(shù)(Normalized Difference Red Surface Index，NDRSI)，兩個指數(shù)計算公式如下：

(1)

(2)

式中，BLUE、GREEN和RED分別代表藍(lán)光、綠光及紅光波段的反射值。通過構(gòu)建該兩個歸一化差值光譜指數(shù)來增強兩類建筑與其他地物的光譜差異，以便更好提取這藍(lán)色建筑和紅色建筑物。對于植被和水體的區(qū)分，研究選擇常用的歸一化植被指數(shù)(NDVI[9])和歸一化水體指數(shù)(NDWI[10])。

決策樹分類方法在土地利用研究和分類中得到了廣泛的應(yīng)用。它具有算法簡單、效率高、獨立處理不相關(guān)數(shù)據(jù)的特點。由各類建筑物及其他典型地物在光譜指數(shù)特征空間中的分布特性可以確定區(qū)分彼此的閾值，據(jù)此制定分類規(guī)則進而建立決策樹，如圖2前四條規(guī)則所示。

圖2 光譜指數(shù)決策樹

1.2.2 結(jié)合影像對象空間特征的建筑物分類

在面向?qū)ο蠓诸愔?，分類單位使用信息類似的“同質(zhì)”對象。根據(jù)對象之間的相似性和差異性進行分類判別。ENVI提供的面向?qū)ο蠓诸惞δ?，包括基于樣本和?guī)則的分類方法。本文使用基于規(guī)則的特征提取方法，針對分割對象指定規(guī)則，包括光譜、紋理和空間三大類的多種屬性。

因部分紅色建筑物和裸土光譜特征相似，僅利用光譜特征難以將其區(qū)分，因此對易混淆地物的空間特征進行分析提取，以便區(qū)分紅色建筑物和裸土，灰色建筑和其他地物。在決策樹分類結(jié)果的基礎(chǔ)上對進行面向?qū)ο蠓诸?，首先通過圖像分割及合并得到圖斑對象，進而根據(jù)建筑物與裸土的空間特征，選擇空間面積和矩形度及延伸度作為分類規(guī)則，通過樣本統(tǒng)計分析得出分類閾值，據(jù)此構(gòu)建面向?qū)ο蟮姆诸愐?guī)則完成紅色和灰色建筑物提取。基于空間特征的面向?qū)ο蠓诸悰Q策規(guī)則如圖2中第五級所示。

1.2.3 結(jié)合矢量數(shù)據(jù)的道路提取與精度檢驗

結(jié)合OSM道路矢量的緩沖區(qū)分析可區(qū)分主要城市道路和灰色建筑物，達到提高建筑物分類精度的目的。在本研究中，對不同等級的道路進行測量后，分別設(shè)置不同寬度的緩沖區(qū)，以保證影像中道路提取結(jié)果的準(zhǔn)確性。最后將面向?qū)ο蠓诸惤Y(jié)果與原始分類結(jié)果加載到ENVI中，利用Band Math波段運算工具對決策分類結(jié)果進行修正并疊加道路網(wǎng)，得到最終的建筑提取結(jié)果。

通過高分辨率影像的目視解譯手動選取檢驗樣本，通過計算混淆矩陣，進而得到用戶精度、制圖精度、總體精度及Kappa系數(shù)等評價指標(biāo)，最后對不同類型建筑物的提取精度加以比較分析評價。

2 實驗結(jié)果與分析

決策樹分類之后進行篩查和聚類分析后處理，去除一些小碎斑，最終分類結(jié)果如圖3所示。

圖3 建筑物決策提取結(jié)果

從圖3可以看出，研究區(qū)域內(nèi)灰色建筑物分布最廣；藍(lán)色建筑物數(shù)量較少，且與灰色建筑物有交叉分布，因此視覺效果不夠突出；紅色建筑物數(shù)量最少，零星分布于圖像的西北部和東南部建筑群中。建筑物與其他地物類型總體區(qū)分效果較好，但部分灰色建筑與水泥路面有錯分的情況。

決策分類結(jié)果的混淆矩陣評價結(jié)果如表1所示，總體精度為88.2916%，Kappa系數(shù)為0.8464，屬于高度一致性。不同類型的建筑物中，藍(lán)色建筑物分類精度最高，沒有出現(xiàn)錯分；紅色建筑物制圖精度為92.86，而用戶精度僅為49.22，這主要是部分裸地的形狀與建筑相似，在面向?qū)ο蠓诸惖倪^程中與裸地有混淆，導(dǎo)致用戶精度較低；灰色建筑物因為與水泥地表面光譜極為相似，同時在空間上又有交錯分布，所以兩者混淆嚴(yán)重，兩類地物的分類精度較低，這種情況或許在面向?qū)ο蠓诸愡^程中分割尺度及空間特征選擇方面可以進一步優(yōu)化而得到改善。

表1 各類地物混淆矩陣

3 結(jié) 語

本文通過對樣本統(tǒng)計進行分析，根據(jù)不同建筑物與其他典型地物的光譜特點，利用NDVI、NDWI、NDBSI和NDRSI這4個特征指數(shù)分別可對植被、水體及藍(lán)色建筑和紅色地物進行提取。為了進一步提取其他建筑，研究根據(jù)建筑物的空間面積及矩形度等空間特征，嘗試區(qū)分出紅色建筑物與裸地以及灰色建筑物和其他非建筑類地面，并結(jié)合OSM道路網(wǎng)矢量數(shù)據(jù)，將道路單獨進行提取，從而將灰色建筑物與道路進行分離。最終將決策樹、面向?qū)ο笠约笆噶刻崛〉慕Y(jié)果進行疊加，獲得較好的分類結(jié)果，并得出以下結(jié)論：

(1)單純的影像光譜特征分類方法通俗易懂，然而，隨著空間分辨率的提高，不同地物的光譜特征不再明顯，而不同地物間的空間特征往往差異較為明顯，將二者相結(jié)合，可以提高目標(biāo)地物提取的精度。

(2)使用分層決策的方法，操作效率高，可重復(fù)性較強，可分別對不同地物類別進行研究及操作，有助于細(xì)化及更改。相比復(fù)雜神經(jīng)網(wǎng)絡(luò)模型，整體通俗易懂，應(yīng)用推廣潛力較大。

另外一方面，研究存在的不足為未來進一步探究指明了方向，紅色建筑和灰色建筑的空間特征還有待進一步挖掘，尤其是在面向?qū)ο笥跋穹治鲭A段，由于未對圖像的最佳分割及合并尺度做深入研究及分析，參數(shù)的選擇具有一定的主觀性。另外，建筑陰影部分未做分離，未來應(yīng)降低此類干擾因素的影響，提高建筑目標(biāo)提取的準(zhǔn)確性。