基于植被似然建模與陰影的建筑物提取*

謝明鴻， 張亞運， 高春霞， 鄭星星， 黃冰晶

(昆明理工大學 信息工程與自動化學院，云南 昆明 650500)

0 引 言

鑒于此，本文結合植被似然建模，提出了基于植被似然建模與陰影的彩色遙感影像建筑物提取方法。降低了樹木等大量植被陰影區域對提取建筑物陰影帶來的干擾，且對較小建筑物提取結果較理想。實驗表明，其能夠有效地提取出建筑物。

1 建筑物提取算法

建筑物提取方法具體流程如圖1所示。

1.1 植被似然建模

本文采用彩色遙感影像將植被作為主要背景，通過離線監督學習進行似然建模，實現對植被的提取。主要原因有：植被目標的紋理和色彩在不同的場景中基本保持一致，可以離線地學習植被的統計模型；植被目標與其它目標具有比較明顯的色彩和紋理差異，很容易區分來；樹木等植被對建筑物信息的提取干擾最嚴重。

1.1.1高斯混合模型

高斯混合模型[7](Gaussian mixture model，GMM)在圖像處理中的具體應用是對背景進行建模

(1)

采用最大期望(EM)迭代算法獲得高斯混合模型的未知參數。

1.1.2EM參數估計

EM算法[8]過程分2步實現：

E步驟：在給定參數和不完整數據x的條件下，對y進行估計，獲得該數據對(x，y)的似然度；

M步驟：重新估計參數，使得似然度最大，得到模型參數值。

通過不斷地EM迭代，最終獲得模型參數。根據上述的分析理解，高斯混合模型EM參數估計如下[7]：

2)E步：計算響應

(2)

3)M步：令

(3)

4)重新估計參數

(4)

(5)

(6)

1.1.3似然圖像實現

通過對植被模型離線學習，利用EM參數估計方法，可以容易地得到植被色彩的高斯混合模型。由EM聚類可得每個GMM分量的先驗概率，因此，計算植被似然圖像，可以先通過概率推導的方式獲得每個像素點屬于植被的隸屬度。本文中的植被區域視為背景，其似然圖像應該變為前景似然圖像，即當前點指“非植被”的似然度。RGB色彩值用c表示在像素點處，GMM分布個數用K表示，πi表示i分量的權重，色彩值x隸屬于i分量的概率用pi(c) 表示。則每個像素點屬于植被的隸屬度為

(7)

似然圖像的實現流程如圖2所示。

圖2 似然圖像產生流程

1.2 建筑物陰影提取

采用mean-shift算法[9]在過分割的基礎上提取建筑物陰影。根據遙感影像中陰影具有色度增強和亮度降低的特性，采用色調與亮度的比值提取陰影。前提為將獲取的遙感圖像的RGB值轉換成HIS方可進行計算[10]。主要實現過程如下：

1)進行RGB與HSI色彩空間轉換；

2)從HIS中獲取H和I的值，并計算H/I[11]，將得到的新圖像用Ostu閾值法[12]分割，結果呈現出一個僅含陰影的二值圖像；

3)除去樹木陰影后剩余部分即為建筑物陰影。

1.3 建筑物提取

1.3.1最近陰影區域

通過計算陰影區域像素距離確定候選區域，首先需確定陰影擴張區域。為了判讀結果更精確，僅考慮與光照方向相反的區域，例如假設光照方向為北向，那么候選區域只可能存在陰影的南、東南和西南方向。像素距離計算實現原理如圖3所示。

圖3 距離計算圖解說明

從圖3(a)可知，光照方向為結構元素1～0的方向，即陰影擴張區域就在結構元素為1的位置。圖3(b)黑色區域表示陰影，灰色區域表示陰影擴張區域，僅在擴張區域內計算像素到陰影的距離，將離陰影最近的區域設為1，根據像素距離計算公式可知，與緊鄰的像素距離為1.4，依次為2.2，2.8等，擴展區域外像素距離設置為無窮大，具體如圖3(c)所示。在每個陰影區域內均進行上述計算，發現大部分像素具有多個距離值，為了確保距離最近的陰影區域，將最小值設為像素距離。

1.3.2確定候選區域

在剔除植被干擾的前提下借鑒文獻[13]候選區域確定方法。對于每個陰影區域在光照的方向處均有2個端點，該端點由光照方向決定，如圖4(a)所示，位于陰影區域的最右邊最下方和最下方最右邊兩處。將該連通區域繞其端點旋轉180°后形成一個封閉的區域，即可獲得圖4(b)中候選區域。通過計算候選區域內部的面積百分比即得到一個真正存在的區域，如圖4(c)所示。

圖4 候選區域的判定

1.3.3形態學后處理

由于各種干擾因素的存在或是研究方法本身存在的弊端，上會出現部分圖像誤檢、漏檢、孔洞以及邊緣不夠清晰等問題，需要數學形態學處理：對圖像實施開運算，消除圖像上的斑點、去噪；再對圖像實施閉運算，填補孔洞、連接臨近物體以及平滑邊界。最終獲得精確的地物區域。

2 實驗結果與分析

選取2幅相同分辨率、不同區域的彩色Quick Bird衛星影像進行實驗，采集時間為夏季。

2.1 數據1實驗結果與分析

數據1為某地區分辨率為0.61m的遙感影像，如圖5(a)所示。為城區低矮建筑物影像，植被和陰影為建筑物提取的主要干擾特征。

1)似然建模:讀入原圖像，由于背景統計模型用K分量的GMM表示，植被似然圖像因K值的不同而不同，因此，需要針對不同的K值進行實驗，由實驗結果找到對似然圖像干擾最小的K值(本文選取K=5)。然后根據1.1節得到植被區域，如圖5(b)所示。比較圖(a)與(b)，可以看到植被提取比較完整，誤檢、漏檢的植被區域較少。

2)陰影提取:對圖像進行過分割，使得同一區域內具有同質性，不同區域間具有異質性，在此基礎上進行陰影提取，利于大面積陰影提取的實現。在過分割的過程中，對于不同的帶寬參數取值，將影響分割的結果。當參數值較大時，過分割嚴重，當參數較小時，圖像很多信息將被漏掉，導致欠分割現象。經過多次試驗證明:帶寬取值在0.5～13范圍內時，分割結果較好。本文帶寬為9時實現過分割(經過大量試驗證明，如果兩幅圖像的色彩比較相近，此步驟具有通用性，可以直接省略)。結果如圖5(c)所示。

分別計算出樣本在HSI顏色空間的H,S,I值，將H/I作為閾值，進行Otsu閾值分割可以得出陰影區域，目標區域范圍全部表示成白色，非目標區域直接設為0，如圖5(d)所示結果。

3)形態學處理由:提取結果看出:圖像中仍有零星斑點，這是由于部分樹木陰影造成的，為了不影響下面的實驗，對提取結果進行數學形態學優化處理，最終提取結果如圖5(e)所示。與直接進行陰影提取相比較，如圖5(f)所示，此方法降低了樹木陰影的誤檢，提取形狀、大小較完整，更接近實際情況。

4)建筑物提取:從圖5(e)中可以看出:經過植被似然建模，陰影提取和形態學后處理之后，得到了較好的建筑物陰影提取結果，最后通過計算最小陰影像素距離確定候選區域，結合QDA分類法提取出最終的建筑物，如圖5(g)所示。與原圖像相比，圖像中大部分建筑物被完整的提，但是仍然存在部分漏提和誤提現象(圖5(g)圓圈標記)，特別是足球場被誤提，原因主要是足球場與周圍建筑物顏色信息比較接近，僅靠色彩信息無法有效提取，可通過結合DSM數據排除足球場等類似場景的干擾。

圖5 數據1提取結果

2.2 數據2的實驗結果與分析

數據2為某地區分辨率為0.61m的遙感影像，對建筑物提取主要的干擾為植被和小建筑物等。具體提取結果如圖6所示。

圖6 數據2提取結果

由圖6(d)與圖6(a)相比可知，數據2中幾乎提取出了所有的建筑物，與數據1一樣，僅有個別建筑物漏提(圖6(a)中標記區域)。

由以上2個實驗的提取結果可知：本文算法對存在陰影、植被等的城區影像建筑物提取效率較高，提取的建筑物比較清晰，接近實際。

2.3 本文方法評價

為了比較本文方法與傳統方法的效果，下面對數據1和數據2分別用傳統的閾值分割的方法[4]和基于LSD線段檢測[14]進行處理，提取效果如圖7所示。

圖7 傳統方法提取結果

2.3.1定性評價

將2種傳統方法和本文方法提取結果進行認真比較后發現：基于閾值分割的建筑物提取方法，雖然已經被證明實用性較好，但是在提取大量被植被陰影干擾的建筑物時(如數據2實驗)，樹木陰影和建筑物陰影難以區分；基于LSD線段檢測對細節的過度提取造成誤提建筑物較嚴重，且算法速度也比較慢。而本文方法只有少量誤提和漏提現象，因此，本文方法具有較好的魯棒性。

2.3.2定量評價

為了對本文方法做出更準確的評估，借鑒朱慶等人[15]對精度的評估方法衡量檢測結果。主要使用了3個指標對提取結果做定量分析：檢測率(detection rate,DR)作為衡量檢測結果的標準，代表能檢測到真正建筑物的精度；假負率(false negative rate,FNR)表示在檢測過程中真實建筑物誤判為非建筑物的概率；總體精度同時考慮了檢測結果的準確性和完整性，是一個綜合性的判斷指標。結果如表1。

表1 定量分析 %

3 結束語

提出了植被似然建模并結合陰影提取建筑物的方法。有效消除了植被等在提取中的干擾，但仍存在一些不足：當遇到建筑物密集，陰影特征較弱的影像時，提取結果精確度降低；在剔除植被的時候，建模考慮的因素比較少，還需人工參與；目標建筑物與周圍場景顏色信息比較接近時，僅靠色彩信息無法將建筑物與周圍場景進行有效區分。

[1] Chaudhuri D,Kushwaha N K,Samal A,et al.Automatic building detection from high-resolution satellite images based on morphology and internal gray variance[J].IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing,2016,9(5):1767-1779.

[2] 曹 流,金龍旭,陶宏江,等.基于DCT的遙感圖像融合算法[J].傳感器與微系統,2015,34(9):124-127.

[3] Gilani S,Awrangjeb M,Lu G.An automatic building extraction and regularisation technique using LiDAR point cloud data and orthoimage[J].Remote Sensing,2016,8(3):258.

[4] Shi W,Mao Z.Building extraction from panchromatic high-resolution remotely sensed imagery based on potential histogram and neighborhood total variation[J].Earth Science Informatics,2016,9(4):497-509.

[5] Tomljenovic I,Tiede D,Blaschke T.A building extraction approach for airborne laser scannerdata utilizing the object based image analysis paradigm[J].International Journal of Applied Earth Observation & Geoinformation,2016,52:137-148.

[6] Drǎgut L,Csillik O,Eisank C,et al.Automated parameterisation for multi-scale image segmentation on multiple layers[J].ISPRS Journal of Photogrammetry & Remote Sensing Official Publication of the International Society for Photogrammetry& Remote Sensing,2014,88(100):119-127.

[7] 劉 嘉.視覺計算中的離線和在線樣本學習研究[D].北京：中國科學院電子學研究所,2005.

[8] Dempster A.Maximum likelihood from incom plete data via the EM algorithm[J]. Elearn,1977,39(1):1-38.

[9] Comaniciu D,Meer P.Mean shift:A robust approach toward feature space analysis[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2002,24(5):603-619.

[10] Gonzalez S l.Digital Image Processing[M].2nd ed.Beijing:Publishing House of Electronics Industry,2004:228-240.

[11] Aytekin ?,Ulusoy,Abacioglu E Z,et al.Building detection in high resolution remotely sensed images based on morphological operators[C]∥International Conference on Recent Advances in Space Technologies.2009:376-379.

[12] Ohtsu N.A threshold selection method from gray-level histograms[J].IEEE Transactions on Systems Man & Cybernetics,1979,9(1):62-66.

[13] Dikmen M,Halici U.A Learning-based resegmentation method for extraction of buildings in satellite images[J].IEEE Geoscience & Remote Sensing Letters,2014,11(12):2150-2153.

[14] Gioi R G V,Jakubowicz J,Morel J M,et al.LSD:A fast line segment detector with a false detection control[J].IEEE Transactions on Software Engineering,2010,32(4):722-32.

[15] 朱 慶,徐勝華,韓李濤.基于D-S證據理論的彩色航空影像陰影提取方法[J].自動化學報,2007,33(6):588-595.