基于面向對象的航空影像建筑物提取技術研究

摘 要:本文基于筆者多年從事航空影像數據處理的相關工作經驗，以航空影像建筑物提取為研究對象，采用面向對象的思路，探討了預處理、特征選擇、外形初步提取等一套流程形成的思路方法，并進行了實驗，全文是筆者長期工作實踐基礎上的理論升華，相信對從事相關工作的同行能有所裨益。

關鍵詞:面向對象 航空影像 建筑物提取 光譜特征

中圖分類號:P2文獻標識碼:A文章編號:1672-3791(2012)06(c)-0003-02

面向對象信息提取是以對象為基本單位來進行的，其關鍵步驟有兩個:多尺度影像分割(對象生成)和影像信息提取。其中，分割(對象生成)是面向對象信息提取方法的基礎，分割結果的好壞直接關系到后續信息提取結果的精度。本文提出的面向對象的建筑物外形提取基本思路是:預處理→多尺度分割→建筑物特征選擇→初步提取→優化外形。

1 預處理

本文的預處理采用影像融合，隨著多種遙感衛星的發射成功，我們有了許多可利用的多傳感器、多時相、多分辨率和多光譜遙感影像。遙感影像的信息提取常常要求把多傳感器、多時相、多光譜和多分辨率影像進行融合分析，以提取感興趣的信息。

圖像融合的定義可描述為:將傳感器獲取的圖像數據預處理后，采用一定的算法將各圖像中所包含的信息有機的結合起來，以產生新的數據，來獲得對同一事物或目標更客觀、更本質的認識。從而大大提高融合圖像的信息含量并使其在特征提取、分類、目標識別以及目視效果等方面更為有效。其優點可以歸納如以下幾點。

(1)可靠的數據來源。在有若干傳感器不能被利用或受干擾，或某個目標/事件不在覆蓋范圍內時，至少有一種傳感器可以提供圖像信息。(2)增加測量維數，增加了置信度。利用對同一目標的多波段、多時相、多角度的圖像數據可以更全面地揭示目標的本質特性，提高目標判別結果的可靠性。(3)提高了空間分辨率。多傳感器孔徑可以獲得比任何單一傳感器更高的圖像分辨率。(4)信息互補。不同的影像傳感器由于其觀測能力的片面性，不能全面的反映地物的整體信息，將不同類型、不同時相的影像數據進行針對性的融合可以進行信息互補。(5)改進了系統的可靠性和可維護性，且降低了對單個傳感器的性能要求。

通過實驗要求及實驗所得效果比較，采用本文主成份變換融合法對Quickbird全色和多光譜圖像進行融合。

2 建筑物特征選擇

建筑物特征選擇與提取是在影像分割得到多邊形對象基礎上進行的，通過分割得到多邊形對象并不是最終目的，而是為后續分類提供更多的描述特征，參與影像分類的因子不僅包括對象的光譜信息，還有對象的紋理、形狀、拓撲、語義等信息，但并不是特征越多，效果越好，特征提取也是研究的關鍵。由此，本節重點定量化描述了這些特征，并介紹了特征提取的策略，同時提出并解決了特征選擇與提取實現中的關鍵問題。影像對象包含了豐富的特征信息，它主要包括光譜、幾何、紋理等特征。

2.1 光譜特征

光譜特征是所有描述影像對象與像元灰度值相關特征的集合，反映對象的光譜信息。它包括影像對象的均值、均方差、亮度、比率等。

2.2 幾何特征

影像對象的形狀特征反映了對象的幾何特征，形狀特征是所有描述影像對象本身形狀特征的集合，反映對象的形狀方面的信息。它是在提取區域邊界點的基礎上形成的，計算形狀特征的理論基礎是根據矢量化后各點的坐標組成的協方差矩陣，即:

其中，X和Y分別是該對象的所有像元坐標(x，y)組成的矢量，var(x)，var(y)分別是X和Y的方差，cov(XY)是X，Y之間的協方差。

2.3 紋理特征

紋理在遙感影像分類中占有重要地位，描述紋理最常用的方法有灰度共生矩陣(GreyLevel Concurrence Matix，GLC-M)。通過分析與實驗，得到建筑物與其他地物對比度較大的有光譜特征和形狀特征。所以本文將從光譜特征和形狀特征中選擇特征參數進行提取建筑物外形。

3 建筑物外形初步提取

本文使用基于模糊規則的分類器進行提取建筑物外形。模糊分類器能夠較準確地提取所屬類別的對象。選擇不同地物最優尺度對原始影像分割而成的多尺度影像是進行地物信息有效提取的前提，它是將固定尺度的影像轉換為各種地物對應的尺度影像，使地物在各自的最佳尺度上顯示，尺度分割只完成了面向對象影像分析的一部分。要想提取出感興趣的地物就必須要對影像對象進行分類，研究表明模糊分類器分類影像對象效果較好。一般模糊分類器的設計要考慮以下幾方面內容。

(1)模糊特征空間選擇，即在眾多的特征中選擇相對獨立的特征組成模糊空間。

(2)模糊分類規則的建立。

(3)模糊集隸屬函數(Member ship Funetion)的選擇及參數調節。

例如水體的提取可以通過下面的表達式來建立模糊規則。

If Layermean of Nir(Object)∈[a，b]

Then class(Object)=Water.

但是在面向對象分類時，經常出現有些類別不能由單條模糊規則進行有效區別。如河流的分類則不僅需要近紅外波段低反射值條件還需要形狀特征length/width來區分河流和其他的水域，length/width值越大，對象越呈線狀，因此水域屬于河流。多條件規則表達式的建立需要表示邏輯的“and”、“or”、“not”等連接，如下河流提取表達式:

If(Layermean of Nir(Object)∈[c，d])AND(length/width(Object)∈[e，f])Then class(Object)=river

這樣的分類器一方面可以完成非常復雜的分類任務，另一方面也使得分類過程在細節方面透明、可調節。

4 實驗

本實驗應用Erdas做影像融合，Ecognition實現分割提取，Matlab優化提取結果。

首先應用主成份變換進行融合，然后對融合后的影像進行多尺度分割。本實驗在進行多尺度影像分割之前，充分考慮了以下幾點:(1)分割過程應該生成高度同質的分割區域，分割后的小區域具有最優的可分離性與代表性。(2)由于影像分析問題與給定尺度遙感數據的空間結構有關系，那么分割后對象的平均大小必須與建筑物的尺度大小相適宜。(3)分割過程應該具有普遍性，能適用于多種不同類型的數據與問題;分割成果應該具有再生性等。由于實驗數據只有四個波段，所以它們將都參與分割，將權重都設置為1。由于建筑物的特殊性選擇異質性尺度為50，同質性的顏色因子和形狀因子各取0.5，緊湊度和光滑度也各取0.5，進行分割。

融合后的影像被分割成不同的多邊形對象，如何將屬于建筑物的對象提取出來呢？這就需要分析研究建筑物的特征。首先建筑物的亮度值在(150.5，184)，把這個范圍內的地物提取出來形成建筑物的候選區。在候選區中我們發現主要是建筑物和道路兩種地物，經過反復實驗，區別這兩種地物的主要特征是形狀特征。在形狀特征中，由于建筑物的幾何特征，本實驗首先選擇“矩形匹配”特征;其次根據道路的形狀特征，選擇“最大方向”特征。所謂的“最大方向”特征是指影像對象的空間分布協方差矩陣中最大特征向量的方向特征。根據這兩個特征進一步提取，建筑物外形就基本顯現出來了。但是由于圖像的光譜范圍、建筑物自身附帶的其他人造目標(如太陽能熱水器)等因素影像，提取出來的建筑物外形并不是規則形狀。所以下一步就要進行外形優化。

本實驗設計了一個方向為26°，大小9*9的結構元素進行形態學開運算，優化建筑物外形。根據本文提出的方法進行編程和實驗，得到的結果圖如圖1。

5 結語

本文發展了一種面向對象的建筑物外形提取方法。應用多尺度分割技術將具有高空間分辨率和高光譜信息的融合影像分割成不同的對象，依據建筑物特征自定義分類因子，運用模糊分類技術對建筑物外形進行初步提取，最后通過形態學開運算進行結果優化。

參考文獻

[1] 唐亮，謝維信，等.直線Snakes及其在建筑物提取中的應用[J].西安電子科技大報.2005，32(1):60～65.

[2] 宋文濤.基于數字攝影測量的DOM制作與應用研究[J].測繪通報，2010(2).

[3] 杜金莉.正射影像圖的制作與應用研究[J].測繪通報，2009(24).

[4] 胡海駒.SPOT-5衛星DOM制作的質量控制研究[J].測繪通報，2008(20).

[5] 王衍臻.城市空間信息工程理論與應用研究[D].武漢大學，2004.