基于面向對象的高分辨率遙感影像建筑物提取研究

徐昌榮，葛山運

(江西理工大學建筑與測繪工程學院，江西贛州 341000)

基于面向對象的高分辨率遙感影像建筑物提取研究

徐昌榮?，葛山運

(江西理工大學建筑與測繪工程學院，江西贛州 341000)

遙感影像上的建筑物是一種非常重要的地物。利用高分辨率遙感影像上建筑物的光譜、空間特征及上下文特征等，并通過貝葉斯理論計算對象的歸屬概率屬性，提出了一種面向對象的高分辨率影像建筑物提取方法。實驗證明該方法有較好的提取效果。

面向對象；對象歸屬概率；貝葉斯理論；規則

1 引 言

隨著遙感數據的空間分辨率越來越高，遙感影像數據獲取的成本越來越低，其提供的信息越來越豐富，如地物的結構、紋理等細節信息都能很清楚的表現出來，使得遙感數據的應用價值也越來越高，因此提取像建筑物等重要地物的信息成為遙感研究熱點。但傳統的建筑物提取方法像監督分類、非監督分類，以及專家分類、子像元分類等，均是基于像素的光譜信息統計分析，認為每個像素都是獨立的，沒有考慮相鄰像素的空間相關，比較適用于中低精度的遙感影像。對于目前高分辨率的影像(比如IKONOS、QuickBird和World-View衛星數據或者航空照片)，其單個像素不僅僅反映的分類目標的特征，而且這種內部光譜信息分類變異性的增加導致分類間統計特征的可分離性及分類準確性的降低，故這些傳統的提取方法有些不再適合。面向對象的方法能綜合利用光譜信息(顏色、色調)和空間信息(形狀、尺寸、紋理等)將相鄰像素作為一個整體，建立不同的策略來解譯對象，更符合高分辨率影像的視覺判別[1]。

建筑物是高分辨率遙感影像上一種非常重要的地物。本文利用高分辨率遙感影像上建筑物的光譜、空間特征及上下文特征等，并通過貝葉斯理論計算對象的歸屬概率屬性，提出一種面向對象的高分辨率影像建筑物提取方法。實驗證明該方法有較好的提取效果。

2 對象歸屬概率的概念

設待處理圖像中的每個像元(對象)取m個變量，則像元(對象)值可用向量表示:

假設研究區域可分為G類，則任意像元(對象)必來自其中的某一類。當各類總體為多元正態總體N (μg，∑g)時，像元或對象(即隨機變量)特征向量X在第g類的概率密度為:

式中，μg與∑g分別為第g類總體的均值向量和協方差矩陣，的逆矩陣。

在隨機抽樣情況下，μg與∑g可以通過下面方法進行估計:

式中，xik表示第i類第k個像元(對象)的灰度值，mi為第i類的平均值表示第i分量xi的方差，表示xi和xj的協方差。

根據貝葉斯公式[3]，在X出現的條件下，其歸屬第g類的概率為:

故有，p(g/X)越大，像元(對象)X來自g類的概率就越大，所以p(g/X)表示X歸屬于g類的概率，稱為像元(對象)X的歸屬概率。

3 面向對象的建筑物提取方法

通過對影像的分割，使同質像元組成大小不同的對象，由于高分辨率影像上建筑物對象內部的光譜差異小，所以對任一對象從空間特征、幾何特征及上下文特征等方面進行刻畫。利用分割后的候選對象的這些特征進行目標識別和提取，可以有效地克服基于像元層次提取信息的不足。另外，通過選擇合適的樣本進行訓練，再根據貝葉斯理論計算獲得每個候選對象的歸屬概率屬性，從而可以更準確的提取目標對象。面向對象的提取方法[2]主要包括影像分割、提取規則建立和目標提取。

3.1 影像分割

將一幅影像分割為空間上連續的、互不重疊的并具有同質性的區域，稱為對象。對象是面向對象的影像分析的基本單元，具有豐富的光譜、紋理、幾何、上下文等信息，與像元比更易于進行信息的提取。

根據研究的高分辨率遙感影像的特性及邊緣信息的重要性，利用臨近像素亮度、紋理、顏色等對影像進行一種基于邊緣的分割。影像分割時會產生錯分或過度分割的現象。為解決這類問題，利用了歐氏距離聚類算法[5]在結合光譜和空間信息的基礎上迭代合并部分鄰近的小對象。

3.2 提取規則的建立

經過分割后，影像的基本單元已不是單個像元，而是由同質像元組成的多邊形對象。計算各對象的屬性:光譜、空間、紋理、自定義(顏色空間和波段比)，更重要的是通過選擇具有代表性的樣本，統計計算各對象的歸屬概率屬性。這樣每一多邊形對象不僅僅具有光譜，形狀、紋理、面積、位置以及多邊形間的拓撲關系等屬性，也同時具有了歸屬概率屬性。具體的提取規則就是充分利用對象的這些屬性進行組合建立規則。

3.3 目標提取

根據建立的規則提取目標對象初始結果，再根據實際目標對象的幾何特征等對初始結果進行后處理，從而獲得最終比較理想的目標對象提取結果。其基本步驟是:預處理→影像分割與合并→建筑物特征選擇[4，6]及規則建立→初步提取→后處理優化[7，8]。

圖1 基于貝葉斯理論的面向對象遙感影像建筑物提取流程圖

4 實驗及分析

按照前述建筑物提取流程對一幅620?483的全色高分辨率遙感影像(如圖2所示)進行實驗。

圖2 原始遙感影像

圖3 影像分割及合并

首先利用ERDAS軟件對預處理后的影像進行影像分割與合并，如圖3所示，然后計算各候選目標對象的屬性，包括空間、光譜、紋理、及歸屬概率屬性特征等。再次分析影像中容易跟建筑物錯分的地物有:道路、植被以及建筑物旁邊的水泥地，建立提取規則如下:

其中probability of object＞0.6000排除了大部分非建筑物目標，但是仍然無法完全去除在光譜、紋理上與建筑物目標相似度高的道路及水泥地面；avgband_2 [70.0000，150.0000]能去除部分水泥地面的影響，因為水泥地的反射率比建筑物的高；area[500.0000，3000.0000]AND rect_fit＞0.4000能去除大部分道路的影響；

由于種種原因，根據以上規則得到的建筑物初步提取結果(圖4)與建筑物的視覺判別效果還有一定的差距，如部分建筑物存在空洞；建筑物的邊緣變形，該是直線的不是直線，該正交的地方卻沒有正交。因此需對其進行后處理優化:采用不變幾何矩與邊緣直線能量確定建筑物輪廓，通過不變幾何矩計算得到各建筑物區域的重心、兩軸長、主方向等元素，對各個元素優化，對外接矩形網格化，計算每條邊緣直線的能量，取能量大者為邊緣，從而獲得建筑物目標的最終提取結果，如圖5所示。

圖4 基于規則的建筑物提取初步結果

圖5 后處理優化(空洞填充、邊緣擬合正交化)建筑物目標的最終結果

從原始遙感影像上可知該區域共有66個建筑物，而最終提取結果中有65個對象，根據目視判別其中有64個為建筑物和1個為道路，即有2個建筑物被遺漏(左上方和左下方各有1個)，正確率為96.97%，誤判率為1.51%，漏判率為3.03%。

5 結 語

本文在面向對象方法的基礎上，利用基于邊緣的多尺度分割，為防止過度分割采用“歐氏距離聚類算法”進行適度的合并，通過計算對象的屬性，尤其是引入了基于貝葉斯理論的對象的歸屬概率屬性信息，對這些屬性進行組合建立提取規則實現對建筑物的提取，并對結果進行優化后處理，得到較滿意的結果。總之，筆者通過貝葉斯理論計算對象歸屬概率屬性，從而利用更多的知識來提取地物，在很大程度上避免了遺漏和錯誤現象；對初始結果進行后處理優化，使其更逼近真實地物，也更符合視覺判別的效果。面向對象方法更多地利用了地物的光譜、形狀、幾何、紋理信息和上下文關系等，且其運用靈活，融入了更多的知識。

[1] 陳云浩，馮通，史培軍等.基于面向對象和規則的遙感影像分類研究[J].武漢大學學報·信息科學版，2006，31 (4):316～320

[2] 喬程，駱劍承，吳泉源等.面向對象的高分辨率影像城市建筑物提取[J].地理與地理信息科學，2008，24(5):36～39

[3] 董立巖，苑森淼.基于貝葉斯分類器的圖像分類[J].吉林大學學報(理學版)2007，45(2):249～253

[4] 王潤芳.高分辨率遙感影像中建筑物外形提取方法研究[D].遼寧工程技術大學碩士學位論文，2008

[5] 董旭，魏振軍.一種加權歐氏距離聚類方法[D].河南:信息工程大學，2005

[6] 趙鴻燕，饒歡，張璋等.基于高分辨率影像城市建筑物研究[J].測繪與空間地理信息，2008，31(6):27～30

[7] 李海月，王宏琦，陸見微等.遙感圖像中建筑物自動識別與標繪方法研究[J].電子測量技術，2007，30(2):15～20

[8] 馬建文.遙感數據智能處理方法與程序設計[M].北京:科學出版社，2010

Object－Oriented Remote Sensing Image of Building Extraction

Xu ChangRong，Ge ShanYun
(Faculty of Architectural and Mapping Engineering，Jiangxi University of Science and Technology，Ganzhou 341000，China)

Remote sensing image building is a very important surface features.High－resolution remote sensing spectral images of buildings，spatial characteristics and context characteristics，and calculated by Bayesian probability of property ownership of the object，a object－oriented high－resolution imaging Building Extraction.Experiment shows that the better extraction.

Object－oriented；The probability of an object belonging；Bayesian theory；Rule

1672－8262(2011)01－84－03

TP751，P237

A

2010—07—14

徐昌榮(1964—)，男，教授，研究方向:大地測量技術，空間定位技術，地理信息系統應用開發、空間數據采集技術。