高分辨率遙感影像的平原建成區提取

溫　奇，王　薇，李苓苓，梅立琴，譚毅華

(1.民政部國家減災中心，北京 100124；2.華中科技大學 自動化學院，湖北 武漢 430074)

?

高分辨率遙感影像的平原建成區提取

溫奇1*，王薇1，李苓苓1，梅立琴2，譚毅華2

(1.民政部國家減災中心，北京 100124；2.華中科技大學 自動化學院，湖北 武漢 430074)

通過分析高分辨率遙感影像中平原建成區的紋理特征和局部關鍵點特征，提出了基于多核學習、多尺度分割以及多假設投票的平原建成區提取方法。該方法利用MR8紋理特征和尺度不變特征變換(SIFT)算法提取建成區，融合多個特征進行學習和分類，從而加強了分類器的魯棒性和穩定性，提高了檢測準確率。該方法還通過超像素分割和多假設投票將基于圖像塊的判別結果轉化為基于像素的檢測結果，完全消除塊狀效應，使得目標區域具有準確的邊緣和形狀。在多幅GF-1衛星遙感圖像上進行測試，結果顯示：提出方法的平均檢測精度為80%，平均召回率高于85%，平均F值可達80%以上，綜合指標高于其他方法，驗證了提取平原地形建成區的可行性和準確性。由于建成區提取結果已精確到了像素級別，同時避免了漏檢和誤檢，提取出的建成區影像很準確。

高分辨率遙感影像；平原建成區提取；多假設投票；多特征學習;多尺度分割

1　引　言

建成區指市行政區范圍內經過征用的土地和實際建設發展起來的非農業生產建設地段，主要指建筑物密集分布的區域。本文所述的建成區包括城市區域和鄉鎮區域，位于建成區內部的水體綠地等區域和村落房屋聚集區也屬于本文的建成區提取范疇。在我國廣袤的國土范圍內，地震、滑坡泥石流等自然災害頻繁發生，使人民群眾的生命和財產遭受了極大損失。利用遙感影像提取建成區輪廓可以作為建筑物數量估算、街區地理網格構建等工作的前期處理步驟，并可為災害損失評估、應急救援和災后恢復重建提供信息支持。高分辨率遙感影像中的地物目標信息更加豐富、精確，紋理和結構信息更加明顯[1]，利用高分辨率遙感數據精確提取建成區輪廓也成為近年來學術界研究的熱點之一。

在上述背景下，學者們對遙感影像建成區提取技術進行了探索和研究，并已取得了大量的科研成果。從有無監督的角度，建成區提取方法可以分為兩種：一種是無監督分類的方法。Sirmacek和Unsalan在2009年提出了一種用SIFT(Scale Invariant Feature Transform)提取關鍵點和圖理論檢測城區和建筑物的方法[2]。Tao等人提出了在多分辨率影像上提取Harris角點，再通過角點分布構造似然函數以提取候選城區的方法[3]。利用改進后的Harris角點檢測方法[4-5]，能夠更精確地提取出影像中的角點，減少噪聲的干擾，使后續提取出的建成區范圍更加精確。黃昕提出一種基于形態學理論的多方向多尺度建筑物指數MBI(Morphological Building Index)，該指數對于建成區判別效果顯著[6]；另一種是采用有監督特征學習的方法檢測建成區。Barnsley和 Rarr用像元光譜特征學習的方法對遙感影像中的城區地物進行判別和分類[7]。Yu等人用馬爾可夫隨機場和貝葉斯模型,結合地圖知識和上下文信息建立一種反饋控制機制，在SPOT圖像中檢測建成區并進行圖像的魯棒性分析[8]。L. Weizman等人通過將一批圖像分割為大小相同的子塊進行離線訓練，形成視覺詞典，然后用該視覺詞典對另一批圖像進行在線測試，由于訓練樣本來自大量不同的圖像，故該方法能夠克服多種場景變化[9]。Tao等人采用多核學習和圖割的方法進行城區檢測，并融合了多特征對圖像子塊進行學習和判別，為了優化圖像塊判別結果，用圖割方法進行平滑，最終得到像素級的檢測結果[10]。

以上方法在進行建成區檢測時，由于對建成區邊界范圍的準確性考慮不足，導致提取出的建成區邊界和實際邊界差異較大，同時也存在較多的漏檢和誤檢的情況。本文結合高分辨率遙感影像中平原建成區的特點，提出了一種基于多核學習、多尺度分割以及多假設投票的平原建成區提取方法，該方法將建成區提取結果精確到像素級別，同時能夠盡量避免漏檢和誤檢的情況，因此可以提取出更加準確的結果。

2　高分辨率遙感影像平原建成區檢測

2.1算法設計流程

經過大量的觀察分析，發現平原建成區一般有以下特點：

(1)平原地區相對人口稠密，建成區總面積較大，而且分布較為集中。

(2)背景較為平坦單一，建成區周邊一般分布著梯田、植被、河流。

(3)建成區內部紋理粒度較大，紋理特征與背景有明顯差別。

(4)在平原建成區區域內部，灰度變化較均勻平坦，局部關鍵點并不豐富。

考慮到平原建成區的以上特點，選用MR8 (Maximum Response 8)紋理特征檢測建成區區域，同時使用SIFT特征濾除虛警，對有標簽的訓練數據集分別提取MR8特征和SIFT特征構建各自的數據詞典，生成特征向量后分別訓練SVM分類器，實現有監督的多特征學習；然后構造線性分類器進行圖像塊的判別。為獲取更加精確的邊緣并進一步濾除虛警，對圖像進行不同參數組合的超像素分割，結合圖像塊得分與植被指數進行像素級的多假設投票。其算法流程如圖1所示。

圖1　平原建成區提取方法Fig.1　Extraction method of plain built-up area

2.2圖像預處理

衛星獲取的遙感影像需經過一定的預處理步驟，才能達到建成區提取的使用標準。本文所采用的遙感影像預處理技術包括正射校正、圖像配準和對比度拉伸。

由于地形變化和傳感器誤差等的影響，原始遙感影像會有一定的幾何畸變。正射校正可以消除這些幾何畸變，使得校正后影像的空間位置更為準確。而采用ENVI對原始影像進行正射校正，可以消除幾何畸變，并使影像攜帶地理坐標，通過地理坐標可以將分辨率不同的全色影像與多光譜影像進行匹配，以便進行后續的檢測步驟。

在對全色影像和多光譜影像進行正射校正之后，圖像上同一地點的地理坐標可能存在細微的偏移，因此需要對全色和多光譜影像進行配準。配準方法有很多，如基于改進BRISK特征的快速圖像配準算法[11]、采用圖像斑點特征和角點特征相結合的配準方法[12]、結合區域分割的SIFT圖像匹配算法[13]、應用FREAK算子的多線程并行加速配準算法[14]等。考慮到ENVI具有自動、準確、快速的特點，而且配準后的圖像可以使后續像素級的投票判別更加精確。本文用其Image Registration Workflow進行全色影像和多光譜影像的配準。

通常情況下，直接獲得的原始遙感影像數據的數值分布范圍過小，對比度過小，使得影像整體偏亮或者偏暗，勢必會影響有用信息的提取。線性拉伸是最典型的用于改善對比度的方法，其通過對圖像像素值進行定比例變化來改善對比度。

在遙感影像處理中，最常用且效果最好的是2%線性裁剪拉伸。2%線性裁剪拉伸是計算出原始圖像的直方圖后，對圖像亮度值分布在2%～98%的像素做線性拉伸，即在拉伸時，去除小于2%和大于98%的值，這樣絕大多數異常值會在拉伸時舍掉。

圖2為影像上截取的同一片區域預處理前后的結果。由圖2可知，經過對比度拉伸預處理后，明顯加大了背景與目標的對比度，使圖像整體變得清晰。

圖2　影像預處理(上為原圖，下為預處理結果圖)Fig.2　Image pre-processing(the upper one is the original image, the below one is the image after pre-processing)

2.3基于MR8和SIFT特征學習的圖像塊判別

本文通過提取SIFT局部關鍵點特征和MR8紋理特征，構造SVM線性分類器，進行建成區提取。

SVM是90年代中期發展起來的基于統計學習理論的一種機器學習方法[15]，其在統計學習的VC維理論和結構風險最小原理基礎上建立，通過尋求結構化風險最小來提高學習機泛化能力，實現經驗風險和置信范圍的最小化，從而在統計樣本量較少的情況下，也能獲得良好的統計規律。SVM適用于訓練樣本較少情況下的分類問題，具有結構簡單、全局最優泛化能力好和計算復雜度低等特點，而且具有較強的高維樣本處理能力。

SIFT由David Lowe在1999年提出[16]，SIFT算子通過構造尺度空間，并在尺度空間中提取極值點，從而尋找出保持尺度旋轉不變性的量，進而描述并探測圖像中的局部性特征，它具有穩定、特征點豐富、運行速度快的特點。文獻[17]提出了改進后的SIFT算子，即在SIFT原有框架的基礎上融入全局形狀信息和顏色不變信息，本文使用改進后的SIFT算子進行建成區提取，以有效提升建成區的提取精度。MR8濾波器組由38個濾波器組成，但是只輸出沿各個方向的最大響應值，組成一個8維的濾波響應信號，其具有旋轉不變性。MR8濾波器組不僅能提取到圖像精細的局部紋理特征，而且去除了冗余響應，具有良好的紋理分類性能和效率。

接著，用以上特征構造SVM線性分類器：首先，將含有建成區的圖像子塊和含有非建成區的圖像子塊組成訓練樣本集，分別提取上述特征，生成視覺詞匯表；然后，對于每類特征，利用該視覺詞匯表對輸入的測試圖像進行相關特征的提取和描述；最后利用每類特征訓練得到的w值和b值，計算線性分類器如下：

y=w*x+b.

(1)

對于數量為M的訓練樣本集合，每個樣本包含N個像素。對于SIFT局部關鍵特征來說，一共可形成(M×N)×128維特征矢量集，對于MR8紋理特征來說，一共形成維特征矢量集。用K-Means聚類方法對特征矢量集進行聚類，假設聚成L(L=1 024)類，聚類后得到的每類中心對應的特征向量可看作是一個視覺詞匯。由此，生成由L個視覺詞匯{w1,w2,…,wL}組成的視覺詞匯表W。生成視覺詞匯表后，根據該詞匯表提取相關特征步驟如下：

step1用測試圖像像元點的特征向量與對應的視覺詞匯表中的每個視覺詞匯進行比較，從中找出最相近的視覺詞匯，來表示該像元點(x,y)，從而將測試圖像中每個像元點(x,y)對應到視覺詞匯表中的一個視覺詞匯上，假設該像元點對應的視覺詞匯為wi，則記f(x,y)=i。

step2用視覺詞匯直方圖描述測試圖像中視覺詞匯的出現頻率，即統計視覺詞頻為：

hi=∑I(f(x,y)=i)i=0,1,…L-1,

(2)

式中，i為特征單詞wi序數,hi表示測試圖像中特征單詞wi的數目。

利用學習得到的SVM參數，可將每個圖像塊的判讀得分映射到-1和1之間。其值越接近1，則該圖像塊是建成區的可能性越大；越接近-1，則是非建成區的可能性越大。

如上所述，該多核學習框架下的圖像塊判讀得分為：

(3)

其中dj(j=1,2)表示SIFT關鍵點特征、MR8紋理特征的權值，w和b為訓練得到的每類特征SVM分類參數。

用MR8和SIFT特征組成線性分類器,對每一圖像塊進行判別，根據公式(1)可知其判別得分如下式所示：

Scoresblock=dMR8(wMR8Xblock+bMR8)+

dSIFT(wSIFTXblock+bSIFT),

(4)

其中，Scoresblock表示任意block的判讀得分，Xblock表示任意block的視覺詞匯直方圖。wMR8、wSIFT和bMR8、bSIFT分別表示經過訓練得到的MR8特征分類器和SIFT特征分類器的w和b參數。dMR8和dSIFT分別表示MR8特征分類器和SIFT特征分類器的權值，依據設定不同權值進行實驗的結果可知，在選取dMR8=0.8,dSIFT=0.2時效果最佳。

2.4基于超像素塊的多假設投票判別

多假設投票是為了得到更準確的基于像素水平的檢測結果，這涉及到圖像的超像素表達，多參數假設的設置和多假設投票結果的融合。

超像素是將一些具有一定相似性且空間位置相鄰的像素歸為一個像素對待，這個像素具有一定的形狀和位置。超像素塊的內部像素不僅位置相鄰，而且具有相似的顏色、紋理、亮度等特征。超像素分割方法既考慮了像素間的空間關系，也考慮了像素間的相似性，可以省略大量的冗余信息，大大降低圖像處理的復雜度。本文中的超像素表達采用SLIC(Simple Linear Iterative Clustering)方法[14],即簡單線性迭代聚類，該方法不僅能使分割結果保持相對較準確的邊緣，而且計算速度較快。

采用SLIC方法對圖像進行超像素分割，分割結果取決于緊致度參數c和分割塊數n。令分割塊數為n=sqrt(wh/k)。其中k為聚類中心初始距離，w和h為圖像的寬度和高度。多假設表達可以通過變換參數組合得到，這里取：

(1)c=15,k=5;(2)c=15,k=10;

(3)c=15,k=15;(4)c=15,k=20

用V1,V2,V3,V4表示不同超像素分割參數組合情形下得到的投票結果。多假設投票結果可表示為：

V=(V1+V2+V3+V4)/4.

(5)

結合MR8和SIFT特征學習的得分結果，對超像素塊進行投票，投票結果記為S(scores)。MR8和SIFT特征學習判別是基于圖像塊的，分別計算MR8和SIFT特征學習判別對第i個超像素的投票，其中block(pix)為像素pix所屬的圖像塊，scoresblock(pix)為其所對應的判別得分，Ni表示第i個超像素塊的像素個數。

(6)

平原地區存在部分植被等干擾，雖然通過SIFT特征學習可以去除部分植被虛警，但為了達到更好的虛警去除效果，可以通過計算歸一化植被指數NDVI(Normalized Difference Vegetation Index)來進一步去除植被虛警。植被指數定義為可見光紅光波段和近紅外波段光譜之差與之和的比值[15]，如下式所示：

(7)

其中INir和IRed分別為近紅外波段和可見光紅光波段的光譜反射率。

通過上式求得的植被指數統計是基于像素的，應當將其轉化為基于超像素塊來計算，其投票結果記為S(ndvi)，用求平均值的方法對像素所屬的超像素塊進行投票。

(8)

其中，NDVIpix為像素pix的植被指數，Ni表示第i個超像素塊的像素個數。

綜上所述，記S1,S2,S3,S4為不同參數假設下的超像素投票結果，像素pix在不同假設下分別屬于第i、j、k、l個超像素塊，則最終投票結果可表示為：

Vpix(scores)=(S1i(scores)+S2j(scores)+

S3k(scores)+S4l(scores))/4,

(9)

Vpix(ndvi)=(S1i(ndvi)+S2j(ndvi)+

S3k(ndvi)+S4l(ndvi))/4,

(10)

則得到最終的建成區判別準則：

(11)

其中，閾值分割參數t1=0,t2=0.2，為實驗獲得的最佳閾值組合。

2.5結果后處理

以上獲得的建成區提取結果是像素級別的，在提取結果中存在將建成區區域中的部分像素誤判為非建成區或相反的情況。實際情況中，某一像素周邊像素大部分為建成區，那么該像素應該也為建成區，反之亦然。基于上述前提，對提取結果中每一個像素與其周邊像素的分類結果作對比，填充建成區內部漏檢點并消除非建成區中的虛警點，得到最終的建成區提取結果。

3　實驗結果與分析

3.1算法檢測效果

本文選取GF1衛星的全色影像和多光譜影像進行測試，建成區提取結果如圖3、圖4所示。圖3中(彩圖見期刊電子版)影像數據來自河北省某地區，其分辨率為2 m，大小為18 192×18 000，該影像中存在大量的平原建成區。圖4中(彩圖見期刊電子版)影像數據來自四川省某地區，其分辨率為2 m，大小依次為1 092×1 128，876×779，1 233×1 163，影像中存在一個或多個平原建成區。圖3左圖為全景影像檢測結果，將紅色標出部分放大顯示如右圖所示。圖4為截取的平原地形下的建成區提取結果。

為了進一步驗證本研究方法的有效性，利用準確率(Precision)、召回率(Recall)和F值(F-measure)等精度評價指標對實驗結果進行定量評價。其定義分別如下所述：

(12)

(13)

(14)

其中，TP為正確提取的建成區目標，FN為漏提的建成區目標，FP為錯誤提取的建成區目標。定量評價結果如表1所示。

圖3　整景影像提取結果及其細節圖Fig.3　Extraction results of one whole image and its detail image

圖4　平原地形下的建成區提取結果(左圖為原圖，右圖為結果圖)Fig.4　Extraction results of plain built-up area (the left ones are original images, the right ones are result images)

3.2算法對比

采用不同方法對27幅長寬在1 000～2 000 pixel的圖像進行實驗，分別計算3個指標的平均值。使用方法依次有：(1)M. Pesaresi (2008)提出的旋轉不變性紋理測度PanTex[16](Procedure for the Calculation of A Texture-derived Built-up Presence Index);(2) A. Kovacs (2013)提出的改進Harris角點投票法MHEC[17](Modified Harris for Edges and Corners);(3) Huang (2012)提出的形態學建筑物指數法MBI[18]；(4) Tao (2013)提出的核學習和圖割法MKLGC[10](Multiple Kernel Learning and Graph Cut);(5)本文方法。結果見表2和圖5(彩圖見期刊電子版)。從中可知，本文方法的提取效果優于其他方法。

表1　實驗結果精度統計

表2　建成區檢測精度對比

圖5　幾種方法的檢測精度對比結果Fig.5　Precision comparison between different methods

4　結　論

本文在分析平原建成區特點的基礎上，利用MR8紋理特征和SIFT關鍵點特征學習的方式進行建成區提取，融合多個特征進行學習和分類，加強了分類器的魯棒性和穩定性，提高了檢測的準確率。通過超像素分割和多假設投票的方法，將基于圖像塊的判別結果轉化為基于像素的檢測結果，完全消除了塊狀效應，并使目標區域具有準確的邊緣和形狀。通過對多幅平原建成區GF-1的衛星圖像進行實驗測試，本方法平原地區建成區的平均檢測精度可以達到80%，平均召回率可以達到85%以上，平均F值可達到80%以上，綜合指標高于其他方法，驗證了該方法的可行性和準確性。下一步計劃考慮在多光譜影像上提取其它有益于建成區提取的特征，以進一步提高建成區的提取精度。

[1]史偉國，周立民，靳穎. 全球高分辨率商業遙感衛星的現狀與發展[J]. 衛星應用, 2012(3): 43-50.

SHI W G, ZHOU L M, JIN Y. The present situation and development of the global commercial high resolution remote sensing satellite [J].SatelliteApplication, 2012(3): 43-50.(in Chinese)

[2]SIRMACEK B, UNSALAN C. Urban-area and building detection using SIFT keypoints and graph theory [J].IEEETransactiononGeoscienceandRemoteSensing, 2009, 47(4): 1156-1167.

[3] TAO C, TAN Y H, ZOU Z R,etal.. Unsupervised detection of built-up areas from multiple high-resolution remote sensing images [J].IEEEGeoscienceandRemoteSensingLetter, 2013, 10(6): 1300-1304.

[4]王崴, 唐一平, 任娟莉, 等. 一種改進的Harris角點提取算法[J]. 光學 精密工程, 2008, 16(10): 1995-2001.

WANG W, TANG Y P, REN J L,etal.. An improved algorithm for Harris corner detection[J].Opt.PrecisionEng., 2008, 16(10): 1995-2001. (in Chinese)

[5]王富平, 水鵬朗. 利用局部方向微分向量一致性的角點檢測[J]. 光學 精密工程, 2015, 23(12): 3509-3518.

WANG F P, SHUI P L. Corner detection via consistency of local directional differential vectors[J].Opt.PrecisionEng., 2015, 23(12): 3509-3518. (in Chinese)

[6]HUANG X, ZHANG L P. Morphological building/shadow index for building extraction from high-resolution imagery over urban areas [J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing, 2012, 5(1): 161-172.

[7]BARNSLEY M J, RARR S L. Inferring urban land use from satellite sensor images using kernel-based spatial reclassification [J].PhotogrammetricEngineeringandRemoteSensing, 1996, 62(7): 949-958.

[8]YU S, BERTHOD M, GIRAUDON G. Toward robust analysis of satellite images using map information-application to urban area detection [J].IEEETransactionsonGeoscienceandRemoteSensing, 1999, 37(4): 1925-1939.

[9]WEIZMAN L, GOLDBERGER J. Detection of urban zones in satellite images using visual words [C].IEEEConferenceonGeoscienceandRemoteSensingSymposium, 2008: 160-163.

[10]TAO C, TAN J G, YU Y H,etal.. Urban area detection using multiple kernel learning and graph cut [C].IEEEConferenceonGeoscienceandRemoteSensingSymposium,2012:83-86.

[11]何林陽, 劉晶紅, 李剛, 等. 改進BRISK特征的快速圖像配準算法[J]. 紅外與激光工程, 2014, 43(8): 2722-2727.

HE L Y, LIU J H, LI G,etal.. Fast image registration approach based on improved BRISK [J].InfraredandLaserEngineering, 2014, 43(8): 2722-2727. (in Chinese)

[12]王志強, 程紅, 李成, 等. 全局圖像配準的目標快速定位方法[J]. 紅外與激光工程, 2015, 44(s): 225-229.

WANG ZH Q, CHENG H, LI CH,etal.. Fast target location method of global image registration [J].InfraredandLaserEngineering, 2015, 44(s): 225-229. (in Chinese)

[13]丘文濤, 趙建, 劉杰. 結合區域分割的圖像SIFT匹配方法[J]. 液晶與顯示, 2012, 27(6): 827-831.

QIU W T, ZHAO J, LIU J. Image matching algorithm combining SIFT with region segmentation[J].ChineseJournalofLiquidCrystalsandDisplays, 2012, 27(6): 827-831. (in Chinese)

[14]王燦進, 孫濤, 陳娟. 局部不變特征匹配的并行加速技術研究[J]. 液晶與顯示, 2014, 29(2): 266-274.

WANG C J, SUN T, CHEN J. Speeding up local invariant feature matching using parallel technology [J].ChineseJournalofLiquidCrystalsandDisplays, 2014, 29(2): 266-274. (in Chinese)

[15]VAPNIKVN．TheNatureofStatisticalLearningTheory[M]. New York : Springer-Berlag, 1995.

[16]LOWE G D. Object recognition from local scale-invariant features [C].IEEEInternationalConferenceonComputerVision, 1999:1150-1157.

[17]王睿, 朱正丹. 融合全局-顏色信息的尺度不變特征變換[J]. 光學 精密工程，2015, 23(1): 295-301.

WANG R, ZHU ZH D. SIFT matching with color invariant characteristics and global context[J].Opt.PrecisionEng., 2015, 23(1):295-301. (in Chinese)

[18]ACHANTA R, SHAJI A, SMITH K,etal.. SLIC superpixels compared to state-of-the-art superpixel methods [J].IEEETransactiononPatternAnalysisandMachineIntelligence, 2012, 34(11): 2274-2282.

[19]ROUSE J W, HAAS R H, SCHELL J A,etal.. Monitoring the vernal advancement of natural vegetation, Final report[R].NASA/GCSFC,Greenbelt,MD, 1974.

[20]PESARESI M, GERHARDINGER A, KAYITAKIRE F. A robust built-up area presence index by anisotropic rotation-invariant textural measure [J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing, 2008, 1(3): 180-192.

[21]KOVACS A, SZIRANYI T. Improved harris feature point set for orientation-sensitive urban-area detection in aerial images [J].IEEEGeoscienceandRemoteSensingLetter, 2013, 10(4): 796-800.

[22]黃昕. 高分辨率遙感影像多尺度紋理、形狀、特征提取與面向對象分類方法研究[D]. 武漢: 武漢大學, 2009.

HUANG X.Multi-scaletextureandshapefeatureextractionandobject-orientedclassificationforveryhighresolutionremotelysensedimagery[D]. Wuhan: Wuhan University,2009. (in Chinese)

溫奇(1983-)，男，山西洪洞人，博士，副研究員，2004年于北京理工大學獲得學士學位,2009年于中國科學院遙感應用研究所獲得博士學位，主要從事高分辨率遙感減災應用方面的研究。E-mail: whistlewen@aliyun.com

王薇(1974-)，女，浙江安吉人，博士，副研究員，2006年于中國科學院地理科學與資源研究所獲得博士學位，主要從事災害遙感應用方面的研究。E-mail：wangwei@ndrcc.gov.cn

(版權所有未經許可不得轉載)

Extraction of built-up area in plain from high resolution remote sensing images

WEN Qi1*，WANG Wei1，LI Ling-ling1，MEI Li-qin2，TAN Yi-hua2

(1.National Disaster Reduction Center of China，Beijing 100124，China；2.CollegeofAutomation,HuazhongUniversityofScienceandTechnology,Wuhan430074,China)*Correspondingauthor,E-mail:whistlewen@aliyun.com

By analyzing the textural features and local key points of the built-up area in a plain from high resolution remote sensing images, a method to extract the built-up area in the plain was proposed based on multi-core learning, multi-scale segmentation and multi-hypothesis voting. With the proposed method, MR8 texture characteristics and Scale Invariant Feature Transform (SIFT) algorithmwere used to extract the built-up area, and multi-characteristics was fused to implement the learning and classification to improve the robustness and stability of classifiers and to enhance the detection accuracy. Then, based on the pixel segmentation and multi-hypothesis voting, the discriminant result based on image blocks was translated into test result based on pixels to completely eliminate the block effect and to make the target area showing precise edges and shapes. The proposed method has been validated in GF-1 satellite images. The results show that the average detection precision, average recall rate and the averageF-measure of the method have been achieved above 80%, 85% , and 80%, respectively. Moreover, its comprehensive performance is better than that of other methods. These results demonstrate the feasibility and accuracy of this method. As extraction precision of the built-up area has been to be the pixel level and the leak detection and error detection have been avoided, the built up area images extracted are very accurate.

high resolution remote sensing image; extraction of built-up area in plain; multi-hypothesis voting; multi-kernel learning; multi-scale segmentation

2016-06-13；

2016-08-14.

國家自然科學基金資助項目(No.41301485)；國家科技重大專項資助項目；國家863計劃資助項目(No.2013AA122104)

1004-924X(2016)10-2557-08

TP751；TP79

Adoi:10.3788/OPE.20162410.2557