基于航空立體影像的建筑物提取

闞培濤，曹良中

(1.中國科學(xué)院新疆生態(tài)與地理研究所，烏魯木齊 830011；2.中國科學(xué)院研究生院，北京 100049)

1 引 言

目前一般采用人工采集的方式對航空影像進行建筑物矢量化，這種模式需要大量的人力物力，效率低下。近年來國內(nèi)外對建筑物的矢量化進行了廣泛的研究，大致分為2類：①利用LiDAR數(shù)據(jù)和高分辨影像相結(jié)合提取建筑物[1-3]。用LiDAR數(shù)據(jù)提取DSM相較于航空影像提取DSM而言具有精度高、時效性強、周期快的優(yōu)點，但與此同時由于LiDAR數(shù)據(jù)缺少光譜、紋理信息，數(shù)據(jù)掃描帶中數(shù)據(jù)分布不均勻，掃描條帶覆蓋面積小，同名點獲取困難，以及費用昂貴等缺陷，導(dǎo)致LiDAR數(shù)據(jù)在城市建模方面沒有航攝數(shù)據(jù)應(yīng)用廣泛。②利用高分辨影像提取建筑物[4-6]。但是復(fù)雜地物在高分辨遙感影像中存在樹木遮擋、陰影等噪聲，使得分割后的建筑物的目標(biāo)形狀并不完整。同時由于建筑物在圖像上存在傾斜，提取的建筑物也不能反映建筑物的真實位置。

本文利用航空影像具有一定重疊度的照片生成DSM，借助影像的光譜信息和DSM進行建筑物的提取。從建筑物位置精度和準確度上考慮，利用DSM，DEM來提取建筑物，并加以影像光譜信息，能夠達到位置上的準確性。在DSM噪聲信息很少的情況下，可以準確地對復(fù)雜建筑物的邊界進行提取。同時利用DSM模型驗證建筑物矢量位置的偏差，輔助正射影像驗證建筑物輪廓，從而達到對提取建筑物多邊形質(zhì)量的評價。

2 航空立體影像建筑物提取方法

2.1 預(yù)處理

利用航空立體像對提取DSM，其中DSM的分辨率為圖像分辨率的3倍。本文利用基于Axlesson的改進的不規(guī)則三角格網(wǎng)加密方法，對DSM進行過濾得到DEM。得到初始DEM后對其進行少量的人工編輯，就可以達到滿意的效果。

2.2 圖像分割

本文主要采用多尺度分割，多尺度分割的算法如下：

2.3 建筑物提取算法

建筑物形狀的多樣性和地形的復(fù)雜性，導(dǎo)致建筑物的提取難度很大。只從高分辨影像上提取建筑物是非常困難的，本文提出利用精確的DEM模型和DSM模型提取非地面點：

S=DSM-DEM

(2)

其中S為非地面點。借助于DSM分離出兩類點：①地面點和噪聲點，②由建筑物、植被、陰影構(gòu)成非地面點。

植被具有以下光譜特性：

(3)

其中T為植被的光譜差異性指數(shù)，NDVI為歸一化植被指數(shù)。在沒有近紅外波段的情況下可用T來代替NDVI。利用上面植被指數(shù)，設(shè)定一個合適的閾值，可以分離出70%左右的植被。考慮到植被和建筑物之間的復(fù)雜性，可以利用多尺度對其進行二次分割，達到每一個多邊形代表一類地物。利用光譜特性和紋理信息對其進行二次分類。

光譜特性主要考慮在樹木臨近建筑物多邊形之間，分離它們的光譜差異：

(4)

其中R，G，B分別為高分辨影像的3個波段，P為每個多邊形的光譜平均值，由于樹木和建筑物的光譜差異性比較明顯，可以分離出建筑物和植被。但是在少量的多邊形里面會同時包含樹木光譜成分和建筑物光譜成分。這時候需要考慮建筑物和植被的紋理特性。

紋理特性一般為圖像灰度在空間上的變化和重復(fù)，利用灰度共生矩陣進行兩類地物的識別[9]。用灰度值得共生特性度量紋理的指標(biāo)主要有：對比度，角二階矩、熵、同質(zhì)性[10]。主要利用能夠較好反映居民點，道路等建設(shè)用地的對比度指標(biāo)，用來度量影像中對比的強烈程度，主要監(jiān)測圖像反差邊緣以及邊緣效應(yīng)：

(5)

其中i，j表示像元的灰度，d為i，j像元對間距，θ為兩像元的連接方向。

2.4 建筑物邊緣優(yōu)化算法

建筑物分割出來，是由一系列多邊形組成，建筑的邊界不會光滑，需要對建筑物進行規(guī)整化，分為兩個步驟：首先，基于分割時的規(guī)整化。這主要去棱，使其光滑。主要原理是增長和去棱，定義兩類別的比例。

P=Ai/T

(6)

其中T為兩個相鄰多邊形邊鄰區(qū)域，A為目標(biāo)區(qū)域(即需要增長或者去棱的部分)利用式6能夠有效地改正多邊形的結(jié)點數(shù)目，從而達到建筑物更加符合實際。其次，基于建模的規(guī)整化。這主要是取直，在盡量不偏離建筑物基本形狀和大小的情況下去除邊界毛刺，直線延長較短邊界或者簡化曲線，從而獲得規(guī)則幾何形狀的多邊形建筑物。

2.5 質(zhì)量評價

利用DSM渲染圖和提取出的建筑物矢量圖疊加分析，可以得到建筑物矢量圖偏離其真實位置的情況。

Dis=Bu-Md

(7)

其中Dis為建筑物矢量圖偏離真實位置的距離。Bu為建筑物矢量的位置，Md為建筑物的真實位置即DSM中建筑物模型。計算Bu，Md時，建筑物的中心位置為計算起點。

3 實驗分析與評價

3.1 基于SWDC相機

本次實驗區(qū)域使用數(shù)碼相機進行航飛作業(yè)，圖像分辨率為0.15cm，DSM、DEM 的分辨率為0.5cm。實驗區(qū)域比較典型：處于城鄉(xiāng)結(jié)合處、綠化面積比較多、房屋的高低、類型更加的多樣化。

利用公式(2)～公式(5)對研究區(qū)建筑物進行提取，結(jié)果如圖1(a)所示。由圖上可以看出可以提取出97%以上的房子而且植被基本上沒有包含在房屋這一類別中。將提取的多邊形房屋矢量轉(zhuǎn)化為shp文件，然后進行邊緣優(yōu)化，圖1(b)為在分割后規(guī)整化結(jié)果，可以看出還有很多毛刺需要進一步規(guī)則化以減少建筑物角點。對圖1(b)進行取直規(guī)整，結(jié)果如圖1(c)所示。可以看出邊界更加規(guī)整，可以滿足建模要求。

圖1 建筑物原始提取結(jié)果與規(guī)整化后的結(jié)果

利用提取的房屋矢量與DEM結(jié)合建模，和提取前的正射影像，DSM模型結(jié)合，實現(xiàn)對建筑物提取質(zhì)量的評價，同時得到了建筑物數(shù)量、面積、高度等信息，結(jié)果如圖2所示。

圖2 建筑物提取評價

從圖2(a)、圖2(b)中可以看出：房子的邊角都是直線，建模出來的模型側(cè)面光滑。從圖2(c)、圖2(d)可以看出：房屋模型沒有偏離其真實房屋位置，高度符合真實情況。從而達到對房屋的提取質(zhì)量評價的目的。其中房屋的高度、面積信息如表1所示。

共提取了1476個矢量多邊形，其中塑料大棚占了432個，未提取塑料大棚為89個。房屋數(shù)量1044個，未提取15個。提取出的正確率為98.5%。

表1 基于SWDC相機統(tǒng)計信息

3.2 基于ADS40相機

ADS40相機是三線陣推掃式相機，具有4個通道(R、G、B、NIR)旁向12000像素，航向無限。由于ADS40的作業(yè)區(qū)域大，推掃式樓房的傾斜現(xiàn)象更加明顯，本次試驗為城市地區(qū)，利用影像為NIR，RED，GREEN三個波段，分辨率為0.2m，其中DSM、DEM 從ADS40立體像對中提取，分辨率為0.5m。利用上述方法提取建筑物如圖3所示。

圖3 建筑物提取評價

從圖3(a)中可以看出：同時利用生成的DSM渲染圖與建筑物矢量圖疊加提取的房屋位置是正確的，輪廓符合要求。其中房屋的高度、面積信息如表2所示。

表2 基于ADS40相機統(tǒng)計信息

共提取了93個矢量多邊形，房屋數(shù)量93個，未提取3個，提取出的正確率為96%。

3.3 分析評價

本次試驗涉及兩種傳感器類型：框幅式和推掃式(ADS40)，充分驗證了該方法適用性。由以上的試驗得出以下結(jié)論：

(1)由于框幅式傳感器只含有R，G，B 3個波段，利用公式(3)代替植被指數(shù)提取植被信息效果一般，因此會把個別植被歸為建筑物。ADS40傳感器含有NIR波段，可以直接利用植被指數(shù)提取植被，不會把植被歸為建筑物，后續(xù)處理較為簡單。

(2)由于ADS40相機成像的數(shù)學(xué)模型復(fù)雜，影像的房屋傾斜嚴重，需要保證一定得重疊度和基高比才能生成效果好的模型。

(3)對DSM的精度有一定的要求，同時需要保證DEM質(zhì)量，才能夠提取出較好的效果。

4 結(jié)束語

本文主要基于高分辨率航空影像的建筑物提取，從而達到節(jié)約成本和作業(yè)時間，該方法具有很好的穩(wěn)定性和實用性。可以批量化、流程化建模作業(yè)，且能夠大量減少人力、物力。可同時利用DSM模型對提取的矢量多邊形進行質(zhì)量評價以及建模分析。

對于建筑物的內(nèi)部紋理的提取，并沒有做深入研究，下一步工作主要考慮針對建筑物內(nèi)部模型的優(yōu)化。同時考慮對植被的提取，以及對其進行數(shù)量上的識辨。

參考文獻：

[1] 尤紅建，蘇林，李樹楷.利用機載三維成像儀的DSM數(shù)據(jù)自動提取建筑物[J].武漢大學(xué)學(xué)報(信息科學(xué)版)，2002，27(4)：408-413.

[2] 管海燕.高分辨率衛(wèi)星影像與LiDAR數(shù)據(jù)的自動建筑物提取[J].測繪科技情報，2008，68(3)：2-14.

[3] 程亮，龔健雅.LiDAR 輔助下利用超高分辨率影像提取建筑物輪廓方法[J].測繪學(xué)報，2008，37(3)：383-399.

[4] 周小成，汪小欽，駱劍承，等.結(jié)合對象關(guān)系特征的高分辨率衛(wèi)星影像建筑物識別方法[J].國土資源遙感，2008，78(4)：27-31.

[5] 張桂芳，單新建，尹京苑，等.單幅高空間分辨率衛(wèi)星圖像提取建筑物三維信息的方法研究[J].地震地質(zhì)，2007，29(1)：180-187.

[6] 陶超，譚毅華，蔡華杰.面向?qū)ο蟮母叻直媛蔬b感影像城區(qū)建筑物分級提取方法[J].測繪學(xué)報，2010，39(1)：39-41.

[7] 汪閩，萬其明，張大騫，等.光譜、形狀特征結(jié)合的多精度圖像分割算法與應(yīng)用[J].地球信息科學(xué)，2010，12(2)：261-268.

[8] 王衛(wèi)紅，何敏.面向?qū)ο笸恋乩眯畔⑻崛〉亩喑叨确指頪J].測繪科學(xué)，2007，36(4)：160-162.

[9] 胡玉福，鄧良基，匡先輝，等.基于紋理特征的高分辨率遙感圖像土地利用分類研究[J].地理與地理信息科學(xué)，2011，27(5)：42-45.

[10] 潘潔，李明詩.基于信息量的高分辨率影像紋理提取的研究[J].南京林業(yè)大學(xué)學(xué)報(自然科版)，2010，34(4)：129-134.