基于特征級融合方法的高光譜影像建筑物提取

徐 銳，林 娜，代文良

（1.重慶交通大學 土木工程學院，重慶 400074；2.重慶極地藍光測繪有限公司，重慶400074）

基于多特征融合的建筑物提取研究較多，但這些研究主要集中在利用高空間分辨率影像進行建筑物的提取，較少利用影像的光譜信息。本文利用高光譜高空間分辨率影像，充分挖掘和利用建筑物的光譜特征、紋理特征和空間特征，并融合各特征的優點，對建筑物進行精細提取［1-6］。

1 實驗數據與方法

1.1 實驗數據

研究使用的是201-08馬來西亞Miri北部地區可見光近紅外航空高光譜CASI圖像，經過一系列預處理及裁剪，得到900×1 000像素影像（如圖1，真彩色顯示），波段為182個，坐標系為WGS1984，空間分辨率為0.5 m。

圖1 影像圖譜立方圖

實驗區域有兩種不同材質屋頂的建筑物（如圖1），其中一種近似于琉璃磚瓦屋頂（圖1中House1），另一種近似于瀝青材質屋頂（圖1中House2），本次實驗結合ENVI5.3軟件提取這兩種建筑物。

1.2 實驗方法

首先對CASI高光譜高空間分辨率影像利用感興趣區域收集需要提取建筑物的光譜特征，建立樣本波譜。其次利用多范圍波譜特征擬合［7］進行高光譜分析，得到粗分類結果。然后在粗分類結果基礎上，分別提取建筑物的光譜特征、紋理特征、空間特征，并在特征級上進行融合。最后利用融合特征進行建筑物的精細提取，流程如圖2。

圖2 技術流程圖

2 實驗過程及分析

2.1 樣本波譜收集

由于本文提取的兩類建筑物在ENVI軟件波譜庫中均未得到有效匹配，需要提取此次實驗目標建筑物的樣本波譜。

利用感興趣區域（ROI）圈取這兩類不同材質屋頂的建筑物，收集這兩種材質光譜特征，建立樣本波譜。為了保證樣本波譜具有一定的代表性，這兩種建筑物各自圈取10個ROI區域作為同類樣本區域（如圖3）。經過樣本統計、求均值等運算，得到兩類建筑物的樣本波譜曲線（如圖4）。從波譜曲線看出，這兩類材質對光譜的吸收值不盡相同，說明它們不屬于同一類材質。

圖3 樣本波譜選區

圖4 兩類建筑物樣本波譜曲線

2.2 多范圍波譜特征擬合

多范圍波譜特征擬合（Multi Range SFF）使用多個波長范圍對每個端元波譜進行特征擬合，是波譜特征擬合（SFF）的一種改進，適用于波譜表現為多個吸收特征的情況。在進行多范圍波譜擬合前，需要進行包絡去除，最后通過設定的閾值來判定目標地物，也可通過相關系數與均方根誤差的比值來反映光譜特征匹配程度［8］。

利用樣本波譜對影像進行多范圍波譜特征擬合，得到每一類建筑物的比例圖像（Scale）和殘差圖像（RMS）組成的4波段圖像，如圖5所示（系統默認波段組合彩色顯示）。這是一種粗分類結果，從圖5中顏色的種類可以看出，影像中的地物大致分為4類，分別是琉璃材質屋頂的建筑物為一類（Class1）；瀝青材質屋頂的建筑物與道路以及湖泊部分區域被歸為一類（Class2）；植被綠地歸為一類（Class3），裸地及湖泊部分區域歸為一類（Class4）。其中，建筑物的提取分類沒有達到要求，尤其是瀝青材質屋頂的建筑物，需要進一步提取。

圖5 多范圍波譜特征擬合結果

2.3 多特征提取

光譜特征指物質在不同電磁波段的一組反射或輻射率數值或派生出來的參數。常見的光譜特征參數主要有：光譜吸收位置、反射率、對稱性、反射曲線深度、寬度與強度、光譜曲線的峰、谷位置與數量以及斜率等［9］。

紋理特征通常用圖像顏色的灰度信息的方向、粗糙度、對比度、相關性、熵等來表示。紋理特征具有旋轉不變性，對噪聲具有很好的魯棒性，紋理特征的提取是基于一個像素點構成的區域的［10,11］。

空間特征反映地物一定的空間分布特性，如位置、形狀、大小、相互關系等。空間特征能夠直觀地從影像上反映出來［12］。空間特征的計算不依賴于波段信息，對于有規律或者規則性的地物有比較好的提取效果。

分析粗分類結果，錯誤地分類到建筑物的地物主要有道路、湖泊。利用某些與建筑物不同的特征將這些非建筑物地物剔除。本實驗中光譜特征選用光譜均值，紋理特征選用紋理均值，空間特征選用面積、主方向、延伸性。部分特征單一提取結果如圖6。

圖6 提取多特征

2.4 多特征融合

利用高光譜高空間分辨率影像可以得到多種特性，對于每一種特征，都存在著優勢和不足。當僅僅使用一種特征來提取或描述目標物時，就會出現較大的偏差，尤其是應用在較為復雜的場景中。因此，利用多特征的融合，達到優勢互補的效果。

特征融合從形式上可分為像素級、特征級或者決策級的融合。像素級融合是一種利用最原始的像素信息進行信息相加的過程，融合精度高。特征級融合先是將各遙感影像數據進行特征提取（同類型或異型），減少了計算量，而后融合這些特征。該方法利于實時處理，并且提供的特征直接與決策分析相關。目前大多數的融合是基于這個層級進行的，本文也是在這個級別上進行融合。決策級融合首先對每一數據進行屬性說明或已完成對影像的基本分類判斷，然后對其結果加以融合。該方法具有很強的容錯性，很好的開放性，效率高［13］。

特征級融合常見的方法主要有串行連接、并行連接、加權疊加等方式［14］。串行連接是將幾組特征向量首尾相連，組成一個新的特征向量。這種方法的優點是識別率高，但特征維數的增加也使得計算復雜度增加。并行連接是將兩組特征向量組合成一個新的復向量，很好地解決了計算量大的問題。加權疊加是一種依據各向量的權重對特征向量進行平均相加的過程，該方法突出了主要特征。

本文特征融合主要利用類內特征并連，類間特征等權疊加進行特征的融合。在提取House1時，利用紋理特征進行大面積的提取，利用空間特征進行小范圍的剔除，這兩種特征進行類內的并連融合，得到House1的提取結果，如圖7中紅色高亮區域。

圖7 多特征融合提取House1

在粗分類結果中，House2混合了道路以及湖泊部分區域（圖5中Class2），首先同提取House1一樣，利用光譜特征和空間特征進行類內并連融合，得到部分House2的提取，如圖8綠色高亮區域。利用光譜特征和空間特征進行類內并連融合，得到House2剩下部分的提取，如圖9高亮區域。

此時，得到3類融合后特征，現將這3類特征利用等權疊加方法再次融合，以得到此次實驗的最終特征。利用最終的融合特征，對整幅影像進行建筑物的 提取，結果如圖10。

圖8 多特征融合提取部分House2-1

圖9 多特征融合提取House2-2

圖10 多特征融合提取建筑物

2.5 實驗結果分析

經過特征級融合提取的建筑物直觀效果比較好，建筑物完整性較好，輪廓清晰，沒有明顯錯誤提取的地物。

通過統計分析，琉璃材質屋頂的建筑物100%提取，其原因是琉璃材質屋頂的建筑物光譜在本次實驗影像中比較特殊，與其他地物的特征差異較大，較為容易提取。但瀝青材質屋頂建筑物提取效果相對較差，錯誤提取的面積為2.2%（如圖11黃框內），其原因是與建筑物有近似材質的瀝青道路的干擾。遺漏提取的面積占該類建筑總面積的8.5%（如圖11紅框內），其原因為樹木遮擋或者特征的選擇不夠精細，導致特征提取時存在誤差。

圖11 錯物提取及遺漏提取的建筑物

3 結 語

通過提取高光譜高空間分辨率影像的光譜特征、紋理特征、空間特征，并在特征級上進行特征融合，來提取不同材質類型屋頂的建筑物。本文方法在建筑

物提取方面取得了較好的效果，但在特征選擇與組合、特征描述精準度上還有待深入研究。

[1] 關麗,程承旗,劉湘南． 高分辨率遙感影像城市房屋信息自動提取模型與實驗研究[J]． 地理與地理信息科學,2007(5):26-30[2] 陶超． 高分辨率遙感影像中的城區與建筑物檢測方法研究[D]．武漢:華中科技大學,2012

[3] 賈士軍,王昆． 融合顏色和紋理特征的彩色圖像分割[J]． 測繪科學,2014(12):138-142

[4] 胡榮明,黃小兵,黃遠程． 增強形態學建筑物指數應用于高分辨率遙感影像中建筑物提取[J]． 測繪學報,2014(5):514-520[5] 朱忠國． 基于高分辨率遙感影像的城市建筑物目標識別[D]．北京:北京建筑大學,2015

[6] 李強,張景發． 不同特征融合的震后損毀建筑物識別研究[J]．地震研究,2016(3): 486-493

[7] Clark R N, Swayze G A． Mapping Minerals, Amorphous Materials, Environmental Materials, Vegetation, Water, Ice, and Snow, and Other Materials：the USGS Tricorder Algorithm[C]．Fifth Annual JPL Airborne Earth Science Workshop,1995

[8] 許寧,胡玉新,雷斌,等．基于改進光譜特征擬合算法的高光譜數據礦物信息提取[J]．光譜學與光譜分析,2011(6):1 639-1 643

[9] 何明一,暢文娟,梅少輝． 高光譜遙感數據特征挖掘技術研究進展[J]． 航天返回與遙感,2013(1):1-12

[10] 王建榮． 基于多特征融合的無人機航拍圖像識別研究[D]．成都:成都理工大學,2015

[11] Tuceryan M, Jain A K． Texture Analysis, Handbook Pattern Recognition and ComputerVision[M]．Singapore:World Scientific,1993

[12] 趙英時． 遙感應用分析原理與方法（第二版）[M]． 北京: 科學出版社,2015

[13] 賈永紅,李德仁,孫家柄． 多源遙感影像數據融合[J]．遙感技術與應用,2000(1): 41- 44

[14] 劉金梅． 多源遙感影像融合及其應用研究[D]．青島:中國海洋大學,2014