面向?qū)ο筮b感圖像處理方法在建筑物震害評估中的應(yīng)用研究

翟永梅，陳 剛，黃曉峰

（1.同濟(jì)大學(xué) 上海防災(zāi)救災(zāi)研究所，上海 200092；2.同濟(jì)大學(xué) 土木工程學(xué)院，上海 200092；3.嘉興萬科房地產(chǎn)有限公司，浙江 嘉興 314000）

0 引言

地震給人類造成了極大的災(zāi)難和損失，是目前人類所面臨的最嚴(yán)重的自然災(zāi)害之一。在城市地震災(zāi)害的應(yīng)急救援過程中，遙感影像作為重要的信息獲取平臺，能夠起到預(yù)警、動態(tài)監(jiān)測、災(zāi)情評估、輔助決策等作用。

傳統(tǒng)的震害信息提取技術(shù)主要采用基于像元的圖像信息提取方法，是依據(jù)圖像的光譜、紋理、色調(diào)等的某一項(xiàng)或者某幾項(xiàng)特征單獨(dú)來分割圖像，精度較差。

隨著高分辨率遙感影像獲取技術(shù)快速發(fā)展，在基于高分辨率圖像的遙感信息提取研究中，必須尋找新的能夠充分挖掘高分辨率遙感影像所包含信息的圖像處理技術(shù)，以期提高分類精度。面向?qū)ο蟮膱D像處理方法的出現(xiàn)，很好的解決了這一問題，它利用光譜統(tǒng)計特征、紋理、大小、形狀、相鄰關(guān)系等一系列因素，能夠提高震害破壞程度的識別精度，從而提高震害評估的準(zhǔn)確性，從而開拓了高分辨率遙感影像處理的新篇章。

但隨著分類尺度和分類地物種類的增加，面向?qū)ο蟮膱D像處理方法計算量迅速增加，同時分類精度有所下降。如何尋求一種更加有效的、更具針對性的震害提取技術(shù)成為當(dāng)前震害評估研究的一個方向。

本文擬結(jié)合都江堰市震害分析的具體實(shí)例，基于ENVIFX平臺，開展基于遙感圖像的建筑物震害評估的研究。

1 面向?qū)ο髨D像處理方法

面向?qū)ο髨D像處理方法最重要的特點(diǎn)就是以圖像分割獲得的影像對象為基本操作單元，而不是以像元為基本操作單元。通過圖像分割獲得的圖像對象具有一定的屬性，從二維的影像信息陣列中恢復(fù)出影像所反映的景觀場景中目標(biāo)地物的空間形狀及其組合方式，不僅包含了光譜信息，還包括了形狀特征、紋理特征和相鄰關(guān)系等空間特征。空間信息和拓?fù)潢P(guān)系信息是完全屬于圖像對象的。在震害評估過程中并未增加外來信息，卻在很大程度上提高了分類的精度，使分類結(jié)果更加接近目視判別的結(jié)果[1]。

面向?qū)ο髨D像處理技術(shù)中的兩個核心問題是遙感影像分割和模糊分類，以下將分別對這兩個問題進(jìn)行研究。

1.1 高分辨率影像分割

影像分割，也叫做圖像分割，是一個重要的圖像分析技術(shù)，是圖像分析的第一步，也是圖像處理與機(jī)器視覺的基本問題之一，是將圖像劃分成若干互補(bǔ)交疊區(qū)域的集合，使區(qū)域內(nèi)部所考慮的特征或?qū)傩允且恢碌摹６嗄陙碛跋穹指罘椒ǖ难芯渴怯跋穹治鲱I(lǐng)域的一大課題，一直受到人們的高度重視，至今已提出了上千種各種類型的分割算法[2]。

常用的圖像分割技術(shù)大致可劃分為六類[3]：

（1）自頂向下分割，如直方圖閾值分割，或基于最大后驗(yàn)概率（MAP）的最優(yōu)分類；

（2）基于邊緣檢測的分割；

（3）區(qū)域生長與合并；

（4）自底向上的迭代像元聚類，如模糊C均值方法（FCM），基于馬爾柯夫隨機(jī)場（MRF）的聚類，基于神經(jīng)網(wǎng)絡(luò)的聚類；

（5）主動輪廓模型（ACM）方法；

（6）全局優(yōu)化方法，如基于能量函數(shù)，貝葉斯公式，或最小描述長度（MDL）的分類方法。

本文利用ENVI軟件的特征提取模塊“面向?qū)ο罂臻g特征提取模塊—Feature Extraction”，根據(jù)臨近像素亮度紋理顏色等對影像進(jìn)行分割，是一種基于邊緣的分割算法[4]。

1.2 多特征模糊分類

分類一般是指按照某類描述將影像對象賦予某一類[5]。因此，類描述就是對類的典型特征或條件的描述，按它們是否滿足這些屬性或條件來進(jìn)行分類。

模糊分類是除了神經(jīng)網(wǎng)絡(luò)和概率法之外一種典型的分類，以模糊集合論為基礎(chǔ)，針對不確定性事物的分析方法。對一個事物分類時，它是把此像元的類型特征值轉(zhuǎn)換成[0，1]之間的模糊值，不像傳統(tǒng)分類方法那樣硬性地把它歸為某一類，以此來表明對于某一特定類的隸屬度[6]。

在震害評估中，地震災(zāi)害損失主要指破壞性地震對人工建造環(huán)境破壞所造成的人員傷亡和經(jīng)濟(jì)損失等。建筑物是最主要的人工建造環(huán)境，地震造成的建筑物受損情況是評估地震引發(fā)的經(jīng)濟(jì)損失、人員傷亡和社會功能受損狀況的主要標(biāo)準(zhǔn)。因此，本文提出一種針對城市建筑物震害評估的新方法，通過閾值分類和掩膜技術(shù)去除植被、河流和道路，然后對建筑物(包括倒塌建筑物和完好建筑物)目標(biāo)進(jìn)行單尺度和多特征的面向?qū)ο笳鸷υu估，這一方法彌補(bǔ)了通常的面向?qū)ο筮b感圖像處理技術(shù)因尺度類型的增加所導(dǎo)致分割精度降低和計算量增大的缺陷。

2 震害評估實(shí)例

針對城市的復(fù)雜特征，本研究對城市地物進(jìn)行了細(xì)致的分析，先對局部區(qū)域進(jìn)行了震害評估，然后再將范圍擴(kuò)大，以驗(yàn)證本文分析方法的穩(wěn)定性。

圖1 都江堰局部遙感影像圖Fig.1 Local remote sensing images of Dujiangyan

圖2 經(jīng)過提取后的目標(biāo)區(qū)域Fig.2 The target area after extraction

取汶川地震都江堰市某個街區(qū)為實(shí)驗(yàn)區(qū)，進(jìn)行精度驗(yàn)算。使用的影像為經(jīng)過前處理的三波段IKONOS融合圖像，分辨率為1米，見圖1和圖2。

本文采取單尺度、多特征的面向?qū)ο笳鸷υu估方法。對于某一種特定的地物，在一個特定的尺度上能夠更加有效地被發(fā)現(xiàn)與研究，在觀測地表實(shí)體并試圖理解他們之間的關(guān)系時，應(yīng)當(dāng)選擇最優(yōu)尺度[7]。同時，分類時不僅依靠地物的光譜特性，也要綜合考慮光譜統(tǒng)計特征及形狀、大小、紋理等一系列相關(guān)特征，通過模糊分類模擬人的思維，并通過人機(jī)交互構(gòu)建知識庫，自動提取出符合實(shí)際目標(biāo)地物。

本次研究的目標(biāo)為各類建筑物，通過圖像的前處理，將非目標(biāo)對象的植被、河流和道路去除。采用的分割尺度參數(shù)為適合建筑物的最佳分割尺度，取18，區(qū)域合并度取95%。

2.1 都江堰市局部面向?qū)ο蟮恼鸷μ崛?/h3>

2.1.1 紋理規(guī)則

紋理信息參數(shù)比較多，為了更好更直觀的進(jìn)行比較，本文選取一訓(xùn)練區(qū)，對遙感圖像震害紋理信息和光譜信息進(jìn)行選擇研究，分別圈定完好建筑物區(qū)域和倒塌建筑物區(qū)域，用ENVI進(jìn)行紋理和光譜信息計算。（注：黃色框?yàn)橥旰脜^(qū)域，紅色框?yàn)榈顾鷧^(qū)域）

由表1可知基于灰度共生矩陣（GLCM）的紋理分析方法的常用紋理測度和紋理方差（Variance）在完好區(qū)域和倒塌區(qū)域中差別較大。所以取紋理均值紋理方差（Variance）來區(qū)分完好建筑和倒塌建筑。

2.1.2 灰度規(guī)則

圖3 分類特征訓(xùn)練區(qū)Fig.3 The training area with classification characteristics

圖4 基于像元分類類別定義Fig.4 The classification categories based on pixels

表1 圖像增強(qiáng)評價參數(shù)

曹代勇等[8]根據(jù)1976年唐山地震時期的黑白航空像片不同類型訓(xùn)練區(qū)的統(tǒng)計分析結(jié)果表明，灰度平均值、灰度標(biāo)準(zhǔn)差和灰度方差3種特征參數(shù)是建筑物震害識別和分級的良好指標(biāo)。故本研究選取灰度平均值、灰度標(biāo)準(zhǔn)差和灰度方差3種灰度特征值。

2.1.3 幾何規(guī)則

通過反復(fù)實(shí)驗(yàn)，幾何特征參數(shù)選取Envi Zoom中的延伸度（ELONGATION）、矩形形狀的度量（RECT_FIT）和面積（Area）。

模糊參數(shù)設(shè)定 本研究中，各規(guī)則模糊容限設(shè)定為5%，隸屬函數(shù)選取S-type。

圖5 樣本數(shù)據(jù)選擇Fig.5 Sample selection

2.2 都江堰市局部基于像元震害提取

為了說明面向?qū)ο笳鸷μ崛〉膬?yōu)勢，本研究中對相同地物進(jìn)行了基于像元的震害提取。如圖4和圖5所示，首先定義要分類的三個類別，然后選定每個類別的樣本數(shù)據(jù)，再分析每個類別中樣本的特征，并應(yīng)用于整個影像。

基于像元分類的類別定義是單純的一種樣本庫的建立，各個類別之間除了并列的存在，沒有其它相互關(guān)系。并且在分析過程中，兩個類別之間的劃分是一分為二的。而本文中的面向?qū)ο蟮姆诸愂腔谀：诸愐?guī)則的，結(jié)合了多特征和模糊分類，在分類過程中最大限度的模擬了人類的思維。

2.3 都江堰市局部震害分類結(jié)果比對與精度評價

圖6 基于像元分類Fig.6 Classification based on pixel

圖7 面向?qū)ο蠓诸怓ig.7 Object-oriented classification

分別應(yīng)用基于像元和面向?qū)ο蟮膬煞N分類方法對同一研究對象進(jìn)行分類，得到下圖6與圖7的分類結(jié)果圖。圖中紅色為倒塌建筑物，黃色為完好建筑物，黑色為非目標(biāo)區(qū)域。從視覺上判斷，基于像元的分類地物破碎，不易理解，而面向?qū)ο蟮姆诸惤Y(jié)果規(guī)則整體化，每一個類別都很清晰。

為了進(jìn)一步分析比較分類的效果，就要對遙感圖像分類后的結(jié)果進(jìn)行精度評價。分類精度是指分類圖像中的像元被正確分類的程度。在遙感分類精度評價中，最常用的是Congalton在1991年提出的混淆矩陣（Confusion Matrix）[9]。混淆矩陣的定義如下：

式中，mij表示試驗(yàn)區(qū)內(nèi)屬于i類的像素被分到j(luò)類中去的像素總數(shù)，n為類別數(shù)。如果混淆矩陣中對角線上的元素值越大，則表示分類結(jié)果的可靠性越高，如果混淆矩陣中非對角線上的元素值越大，則表示錯誤分類的現(xiàn)象越嚴(yán)重。

本文主要采用以下兩項(xiàng)混淆矩陣中的評價指標(biāo)[10]：

總體分類精度（Overall Accuracy）：指總正確分類數(shù)占總抽樣數(shù)的比例，它反映了分類結(jié)果總的正確程度。利用混淆矩陣可以表示為：

Kappa系數(shù)（Kappa Coefficient）：Kappa系數(shù)全面的利用了混淆矩陣的信息，可作為分類精度評價的綜合指數(shù)。

Kappa計算公式：

進(jìn)行精度評價時，首先要建立精度評價混淆矩陣。本文中的混淆矩陣以建筑物單體為基本單位，通過目視判讀逐個確定建筑物單體的參考值（真實(shí)類別），并逐個讀取計算機(jī)自動判別的建筑物單體類別，最后建立混淆矩陣。

基于以上建立混淆矩陣的方法建立混淆矩陣，并得到了定量化的精度評價，如下表3及表4所示。計算得到基于像元的總體分類精度為84.8%，Kappa統(tǒng)計量為0.590；面向?qū)ο蟮目傮w分類精度為 97.0%，Kappa統(tǒng)計量為0.884。根據(jù)表2可知面向?qū)ο蠛兔嫦蛳裨嫉玫搅溯^好的分類精度，但總體上，面向?qū)ο蠓椒ň雀哂诿嫦蛳裨椒ā?/p>

表2 kappa統(tǒng)計值與分類精度對應(yīng)關(guān)系[11]

表3 基于像元震害評估混淆矩陣

表4 基于對象震害評估混淆矩陣

表5 基于像元和基于對象震害評估精度比較

2.4 都江堰城區(qū)建筑物震害提取的穩(wěn)定性驗(yàn)證

圖8 基于像元分類Fig.8 Classification based on pixel

圖9 面向?qū)ο蠓诸怓ig.9 Object-oriented classification

為了驗(yàn)證分類結(jié)果的穩(wěn)定性，本研究中又選取一塊范圍較大、地物更加豐富的影像，利用上述選取的參數(shù)和分類方法對其進(jìn)行分類，驗(yàn)證上述模型參數(shù)的穩(wěn)定性，圖8與圖9為分類結(jié)果圖。

表6 基于像元震害評估混淆矩陣

表7 基于對象震害評估混淆矩陣

表8 基于像元和基于對象震害評估精度比較

分類規(guī)則與分類方法基本相同，只是增大了研究面積。同樣的，研究中也采用了基于像元的方法和基于對象的方法，并將兩者進(jìn)行了對比。

兩種分類的誤差矩陣如表6和表7所示。從精度評價結(jié)果可以證實(shí)，雖然，由于范圍擴(kuò)大和地物類型增加，面向?qū)ο蟮姆诸惙椒ㄔ诘匚飶?fù)雜和區(qū)域較大的范圍精度也有所下降，但不論是總體分類精度和Kappa統(tǒng)計量，都在一個可以接受的誤差范圍內(nèi)；而基于像元的分類在表面上與總體分類精度差距不大，但是更為客觀的精度評價Kappa統(tǒng)計分析中，卻顯著下降，由原本就不高的0.590下降到0.534。所以基于像元的分類精度遠(yuǎn)遠(yuǎn)不及面向?qū)ο蟮姆诸惥龋e分、漏分現(xiàn)象嚴(yán)重，結(jié)果不穩(wěn)定。

3 結(jié)論

本文研究了基于遙感圖像的建筑物震害評估技術(shù)，介紹了圖像分割方法和模糊分類方法，提出了單尺度、多特征的面向?qū)ο笳鸷υu估方法。以都江堰地區(qū)為示例，分別采用改進(jìn)后的面向?qū)ο蠓椒ā鹘y(tǒng)的面向像元的方法和目視判讀方法進(jìn)行比較，分析計算精度和穩(wěn)定性。結(jié)果表明改進(jìn)后的方法簡單、快速且精度較高，具有良好的適用性和穩(wěn)定性。

[1]趙福軍.遙感影像震害信息提取技術(shù)研究[D].北京：中國地震局工程力學(xué)研究所，2010.

[2]Matsuyama.K.Current Account Dynamics in a Finite Horizon Model[J].Journal of International Economics,1987:299-313.

[3]趙宇鸞，林愛文.基于面向?qū)ο蠛投喑叨扔跋穹指罴夹g(shù)的城市用地分類研究－以武漢市城市中心區(qū)為例[J].國土資源科技管理，2008，25（5）：90-95.

[4]沈陽.基于形態(tài)學(xué)的圖像邊緣檢測技術(shù)研究[D].成都：電子科技大學(xué)，2008.

[5]關(guān)元秀.高分辨率遙感衛(wèi)星處理指南[M].北京：科學(xué)出版社，2008.

[6]曾志遠(yuǎn).遙感圖像大氣校正方法綜述[J].遙感信息，2005，(4)：66-70.

[7]趙玉濤.景觀異質(zhì)性研究評述[J].應(yīng)用生態(tài)學(xué)報，2002，13(4)：495-500.

[8]尹京苑，柳稼航，單新建.基于圖像結(jié)構(gòu)信息的城市房屋震害特征自動提取技術(shù)[J].遙感信息，2004，12(1)：27-30.

[9]Congalton,R.G.A Review of Assessing the Accuracy of Classifications of Remotely Sensed Data[J].Remote Sensing Environ, 1991,37:35-46.

[10]Stehman.S.V.Selecting and Interpreting Measures of theMatic Classification Accuracy[J].Remote Sensing Environ, 1997,62:77-89.

[11]Richards.J.A.Classifier Performance and Map Accuracy[J].Remote Sensing Environ, 1996, (57): 161-166.