一種高分辨率遙感影像建筑物提取方法研究

劉帆

摘 要：從高分辨率遙感影像中提取建筑物的特征信息是建筑物信息獲取的一種重要手段，同時也是遙感領(lǐng)域研究的一個重點方向。本文對一種高分辨率遙感影像建筑物提取方法進行了詳細的介紹，經(jīng)過實際應(yīng)用驗證，該方法提取效果良好，可供有關(guān)需要參考借鑒。

關(guān)鍵詞：高分辨率遙感影像；建筑物；提取方法

中圖分類號：P237 文獻標(biāo)志碼：A

近年來，我國社會經(jīng)濟得到迅猛的發(fā)展，城市建設(shè)也取得了巨大的進步，為確保城市建設(shè)的順利進行，實時獲取城市建筑物的動態(tài)信息具有十分重要的意義。當(dāng)前，通過對高分辨率遙感影像進行建筑物自動提取已成為獲取建筑物信息的一種主要渠道，研究高分辨率遙感影像建筑物提取方法具有十分重要的意義。

1 遙感影像中建筑物的分級提取原理

1.1 建筑物初提取

在進行重建的過程中，利用高帽更換的方式促使其能夠使周邊光亮區(qū)域更加凸顯，進而小于結(jié)構(gòu)元素。在亮度圖像上建筑物多為亮特征表現(xiàn)，又因建筑物尺寸有不統(tǒng)一和不確定的特點，相對而言建筑物在方向上有各向同性的特點。所以，應(yīng)選取多方向、多尺度的結(jié)構(gòu)元素，運用相應(yīng)形態(tài)學(xué)對亮度影像進行操作。在對MBI特征影像進行獲取后，進行Otsu閾值的分割，并利用八鄰域增長法生成對象。由于遙感影像中道路、空地等地物也有亮屬性存在，無法通過簡單的MBI屬性值準(zhǔn)確地實現(xiàn)建筑物的分離。所以，可以通過運用形狀特征參數(shù)（長寬比、矩形率和面積）來識別非狹長矩形建筑物。當(dāng)中矩形率為對象面積，面積為最小的外接矩形面積和對象包括的像素數(shù)量之比，長寬比為對象最小外接矩形的長邊與短邊之比。為保證在進行初提取過程中建筑物的準(zhǔn)確性，將矩形率的下限設(shè)為0.8，長寬比的上限為4∶1。

1.2 建筑物基于多尺度融合的后提取

高分辨率遙感影像細節(jié)特征豐富，存在相同建筑物光譜信息不均勻現(xiàn)象。在進行影像分割時，利用單一尺度進行分割，肯定會存在分割過度或分割不足現(xiàn)象。在特定地物目標(biāo)提取過程中使用多尺度分割不同空間光譜距離閾值和距離閾值，有利于建筑物提取的精確度。

本文主要利用不同尺度的多尺度分割方法，對建筑物對象進行正確識別，并將多尺度下的識別結(jié)果通過決策級融合規(guī)則進行融合，見表1。以3個尺度為例，其中0和1對相應(yīng)尺度下，該像素的識別結(jié)果為建筑與非建筑物。本文確定如下規(guī)則：在過半尺度下若該像素識別結(jié)果為建筑物，該像素就確定屬于建筑物。

2 分級提取建筑物的方法

綜合以上的分析，本文主要確定了兩種計算方法：第一是建筑物的初提取，第二是通過建筑物紋理特征、初提取結(jié)果、和影像分割進行建筑物后提取。

建筑物初提取包括區(qū)域增長、形狀特征篩選、閾值分割和MBI特征影像生成。建筑物后提取過程包括紋理距離計算、紋理特征向量、多尺度分割及多尺度融合。

具體操作步驟如下：

2.1 將多方向、多尺度結(jié)構(gòu)元素進行結(jié)合，運用形態(tài)學(xué)對原始影像進行操作，實現(xiàn)MBI特征影像的形成。

2.2 運用閾值對MBI特征影像進行分割，將待選點運用八鄰域區(qū)域增長方式劃分成對象。

2.3 將劃分對象利用形狀特征參數(shù)進行篩選，最終實現(xiàn)初提取。

2.4 對影像進行分割，將分割后對象的紋理距離和紋理特征向量進行計算，與此同時利用超綠指數(shù)、亮度均值和面積參數(shù)均值，實現(xiàn)對建筑物的區(qū)域識別。

2.5 融合之前多個尺度下的建筑物識別結(jié)果，建筑物提取完成。

3 試驗與分析

為了對上述方法的可靠性與有效性進行驗證，本文對沖繩某地遙感影像進行了相關(guān)試驗，該影像由Google Earth提供。影像包括99個建筑物；其大小為1052×700像素；影像空間分辨率約為1.1m；有3個波段的光譜信息。另外，為使以上算法的建筑物提取能力表現(xiàn)得更為直觀，對其進行評價利用了3個定量指標(biāo)，分別是查全率（Recall）、查準(zhǔn)率（Precision）和F1分數(shù)（取最大值為佳），下面是計算公式。

公式中，TP表示人工和本文算法均采集到的建筑物數(shù)目；FP表示未被人工采集，但按本文算法檢測為建筑物的數(shù)目；FN表示人工采集為建筑物，但未被本文算法檢測到的建筑物數(shù)目。

如圖1所示為試驗區(qū)域的原始影像。建筑物提取參考本文算法提取結(jié)果、人工提取結(jié)果及MBI算法提取結(jié)果。在對建筑物實行本文算法的初提取過程中，更嚴(yán)格地控制了MBI法中的形狀特征參數(shù)，限制建筑物初提取結(jié)果為非狹長矩形，有效減少初提取過程中存在的誤檢測情況。可以看出在MBI法的基礎(chǔ)上，本文算法具備對非矩形建筑物的提取能力。表1對兩種算法的優(yōu)異性進行具體分析，量化兩種檢測方法的結(jié)果，從像素級、對象及兩方面進行精度比較，分析結(jié)果見表1。

由（表1）可知，本文方法在像素級和對象級兩方面精度相對于MBI法都有了較大提高，尤其是查全率方面，數(shù)據(jù)提高了10%左右。但像素級的查全率還需提高，這說明本文的計算方法可有效控制建筑物的漏檢，但是在建筑物檢測的完整性方面還有待加強。

針對多尺度分割方法對檢測精度的影響，對試驗影像進行相應(yīng)的單一尺度和多尺度融合比較試驗。將原始影像進行尺度大小為（空域距離閾值和色域距離閾值之和，且兩個閾值平均選取）16、18、20、22、24、26、28的影像分割，并依次完成相應(yīng)尺度下的陰影檢測，而后將相應(yīng)尺度大小的兩組進行決策級融合，檢測精度詳見表2。

由表2可知，在進行單一尺度建筑物提取時，查準(zhǔn)率、查全率和F1分數(shù)總的來說會隨著尺度的增加依次呈現(xiàn)上升、下降和先上升后下降的趨勢。多尺度融合結(jié)果具有較高的查準(zhǔn)率、查全率和F1分數(shù)，并且結(jié)合了粗細尺度優(yōu)勢。同時通過不同粗細尺度的融合，均可取得較好的檢測結(jié)果。試驗證明當(dāng)影像分辨率為1m時，可按上述方式選取分割尺度，從而證明了該方法的適用性。

結(jié)語

根據(jù)本文分析，建筑物的信息提取對城市規(guī)劃和建設(shè)發(fā)展都具有十分重要的意義。對于高分辨率遙感影像建筑物提取方法的研究，對建筑物信息具有重要的理論價值和參考意義。本文提出了一種高分辨率遙感影像建筑物的新型提取方法，該方法能夠準(zhǔn)確、有效地提取遙感影像中的建筑物信息，確保信息的完整性及準(zhǔn)確性，具備良好的推廣、應(yīng)用價值。

參考文獻

[1]呂鳳華，舒寧，龔龑，等.利用多特征進行航空影像建筑物提取[J].武漢大學(xué)學(xué)報（信息科學(xué)版），2017，42（5）：656-660.

[2]潘朝.多尺度顯著性引導(dǎo)的高分辨率遙感影像建筑物提取[J].科技創(chuàng)新與生產(chǎn)力，2017（5）：106-109.

[3]李青，李玉，王玉，等.利用格式塔的高分辨率遙感影像建筑物提取[J].中國圖象圖形學(xué)報，2017，22（8）：1162-1174.