基于面向對象的高分影像城市房屋信息提取與分析

文/陶剛 劉洋

居住房屋是提供人們日常起居的空間。居民房屋信息的有效提取對了解房屋的空間散布信息起著很關鍵的作用。遙感領域的高速發展，使得基于高分遙感影像提取房屋信息成為重要手段。過去的局限于像素層次的基于像元的遙感影像提取信息只使用光譜信息進行分類，常常會有錯分漏分現象，分類結果包含大量的椒鹽噪聲，干擾地面物體的識別，適用于中低分辨率圖像的分類。面向對象是以對象為基本分類單元，利用光譜、形狀、紋理等特征分類，提取精度較高。通過建立不同策略進行解譯，宜于高分影像的分類提取。居住房屋是高分影像里一種比較關鍵的地物類型。

目前，在運用高分影像提取房屋信息的探索方面，國內學者做了大量探索研究工作。熊增連等[1]結合房屋的形狀、陰影、光譜、空間關系，構造出基于知識的決策樹房屋提取模型，運用面向對象的高分影像自動提取的方式提高了房屋信息提取效率，但邊界需要更加規則化。盧興、呂道雙、劉丹丹等[2-4]研究對高分影像運用多尺度分割和多個規則提取建筑物邊緣信息。徐昌榮等利用高分影像上建筑物的各類特征，引入貝葉斯公式計算對象的歸屬概率屬性進行提取分類。喬程、郭怡帆等[5-6]在面向對象分類方法基礎上，借助輔助數據，研究運用“自下而上”多尺度分割方法選擇密集城區建筑物提取的最佳尺度。譚衢霖等[7]研究基于面向對象分類方法，結合空間、光譜和知識規則去提取IKONOS影像中低密度房屋信息。本文運用基于規則的面向對象高分影像提取房屋信息，運用多種輔助波段和基于邊緣的分割算法提高圖像分類精度，設定一個理想的高尺度影像分割閾值并結合設定的合并閾值，以減少特征的錯分現象。最后根據規則篩選各類地物最終提取房屋信息。

圖1：原始影像

圖2：技術路線

1 高分影像多尺度分割

1.1 圖像分割

圖像分割指的是把圖像分成幾個具有特定性質的區域并提取目標對象方法，圖像分割方法包括基于區域、邊緣的分割方法。基于邊緣分割需要結合合并算法才能達到最佳效果，適用于處理區域內部變化不大，邊界對比差異明顯，很適合對特定目標的分類。基于區域分割，比如分裂合并法、區域生長法等是通過區域內部的相似性程度來劃分。

1.2 多尺度分割技術

單一尺度分割對影像信息提取和分析不夠完善，需要對影像從多個尺度進行分割。多尺度影像分割算法會隨著分割尺度的不同生產生不同尺度對象層，使得在同一幅影像下會產生不同層次的數據結構，房屋的邊緣信息充分利用，房屋邊界提取更準確。分割尺度要對各分割參數綜合分析，劃分異質性最小的影像對象。才能發揮多尺度分割的最大作用，有效提取地物信息。

1.3 多尺度分割參數

1.3.1 光譜因子和形狀因子

圖3：圖像分割結果

圖4：面向對象提取的影像

因光譜信息是主要信息數據源，受其影響的光譜因子度量在分割過程中顯得尤為重要。通常情況下，用光滑度以及緊密度來表示形狀因子。光滑度使得地物邊界變得平滑，分割后的影像對象受緊密度因子的影像變得更加規則，由此可以分割出形狀松散不規則地物。光譜因子與形狀因子的結合稱為均質性因子。通過結合，可以達到更高的分類效果。光譜異質性指比較兩個影像對象在合并前后的方差變化情況：

上式里c表示波段數，δc表示波段的光譜標準值，ωc表示層的權重。

由目標多邊形的邊長與該目標多邊形外接矩形的最短邊的比值得出光滑度異質性計算公式：

由目標多邊形邊長和構成此多邊形的像元個數的比值得出緊密度異質性：

上式里l表示對象的周長，b表示最小外接矩形的周長，n表示最小外接矩形的面積。

由此則可以得出影像形狀異質性Δ hshape：

其中，ωcompt、ωsmooth分別為緊密度、光滑度的比重，其中0≤ω≤1，滿足ωcompt+ωsmooth=1。

光譜異質性、形狀異質性結合可得出兩個將要歸并的對象總異質性f：

設定異質f的閾值判斷分割結束的根據。若設置f的閾值比較大，設置結果的影像對象會比較大，若設置f的閾值比較小，設置結果的影像對象會比較小。

1.3.2 波段權重

波段權重代表了波段信息可用量，范圍處于0-1之間，為影像分割進程里重要的分割參數。如果某波段所占的權重低則代表該波段信息用量少，如果某個波段權重高則說明該波段可用信息量多。相異地物在不同波段上呈現出不同的屬性特點，在圖像處理過程中可以根據具體情況選擇最佳波段權重。

1.3.3 分割尺度

一般地，利用多邊形對象之間異質性最好的閾值確定分割尺度。由于不同影像不同地物上不同的信息，對自上而下的分割算法而言，分割尺度過大造成房屋破碎；尺度太小，使得房屋與其他地物的粘連，分割尺度太大或太小均會使分類精度產生影響。多尺度分割最佳尺度的選取需要根據地物信息的特征來定。

2 高分辨率影像提取

在影像分割完成后，要地物影像特征進行居住房屋選擇和提取。高分辨率影像面向對象提取信息時，不僅僅要考慮影像的基于像元的光譜信息，還要分析圖像分割后得到影像對象的形狀信息和紋理信息。

2.1 光譜特征

光譜特征是指像元的光譜信息，可以用影像對象的均值、均方差、亮度等來表示。房屋的內部邊緣的色調亮度等較均勻，色調隨建筑材料的不同而出現差異，周圍的植被色調深，與房屋亮度差異大。

2.2 幾何特征

地物的形狀特征反應了幾何特征和形狀信息，利用長寬比可以反映呈現矩形程度。一般房屋的形狀較為規則，走向排列相似。矢量化后點坐標協方差矩陣可以反映對象形狀特征。即：

其中，X和Y分別是該對象的所有像元坐標(x,y)組成的矢量，var(x)，var(y)分別是X和Y的方差，cov(XY)是X,Y之間的協方差。

2.3 紋理特征

紋理特征主要表現在像元灰度值及與周圍地物的灰度分布在空間的相關性上，在圖像提取過程中起著重要的作用。一般描述灰度的空間相關性是根據灰度共生矩陣，借助條件概率提取圖像的紋理特征。

3 高分影像提取實驗

3.1 研究區特征及技術路線

本文選取山東科技大學家屬區部分區域空間分辨率為0.6 m的多光譜影像（圖1）為研究對象，影像中包含了房屋、道路、綠地等主要城市用地類型。

本文主要通過圖像分割和影像提取，運用ΕNVI圖像處理軟件來提取房屋信息。軟件操作分為圖像分割、特征提取兩部分。技術流程圖如圖2所示。

3.2 影像的多尺度分割

本實驗運用基于邊緣檢測算法，設定閾值為75，在邊界圖上，大的道路邊界、房屋邊界較為清晰完整地提取了出來.運用Fast Lambda算法，設置的閾值為80，合并具有類似的顏色和邊界大小相鄰節段。分割效果對比圖如圖3所示。

3.3 房屋信息提取

首先劃分的是植被覆蓋區與非植被覆蓋區，本實驗運用歸一化植被指數對圖像劃分。選擇NDVI波段，設置Normalized Difference閾值最大為0.556.

可以看出選中的區域除了房屋以外，還包括道路、停車坪、裸地等其他地物，需要進行一一剔除。下一步本實驗剔除道路干擾，基于屋頂為接近正方形的矩形，而道路為長條形的特點，運用矩形化程度屬性進行道路的剔除，設置Rectangular fi t值的范圍是0.5-1。

可以發現圖中紅色選中部分還有一些小斑塊和實驗區域以外大斑塊，這里運用面積屬性對小斑塊和大斑塊進行除剔除設置：Type：Spatial；Name：Area——2000>Area>45。

面積屬性操作結果中，可以看出剔除小斑塊效果明顯，但仍然有一些長條狀的地物，需要再引入一個延長線屬性進行剔除，設 置：Type：Spatial；Name：Εlongation——Εlongation<3；

將同時滿足四條屬性的對象提取出來了，得到居民房屋基于規則的面向對象提取的影像圖（圖4）。

3.4 分類結果與評價

在房屋提取結果中，發現存在過小的斑塊，本實驗通過ΕNVI Classic進行剔除，從而得到房屋提取分類結果。本實驗假定目視解譯結果精確，作為驗證樣本。運用混淆矩陣，對計算機分類提取結果與目視解譯結果實行精度評價。

表1：精度評價結果

根據精度評價結果（表1），相對目視解譯，盡管面向對象的高分影像信息豐富，但還是存在漏分錯分誤差。分類的制圖精度略高于用戶精度，為81%。由計算結果得到Kappa系數為0.7243，分類的總體精度為95.4%。由此可以得出，利用面向對象的高分影像分類結果精度較高。

4 結語

面向對象提取方法能夠更好地結合，避免了傳統分類方法的局限性。 本文結合高分影像下地物的光譜、空間、形狀等特征，運用多尺度分割的算法，綜合分析上下文關系，紋理特征和地物特征提取房屋信息，確定影像分割和提取的尺度，創建了精度較高的基于規則的房屋提取圖像。很大程度上減少了錯分漏分現象，避免了傳統分類方法的局限性。雖然面向對象的高分影像提取房屋信息具有較高的優勢，但本文仍存在一些需要改進的地方，如選擇圖像分割的各類參數，主觀性較強，需要進一步研究選擇最優尺度、邊界仍需更加規則化等。這些問題都須要進一步的研究和改進。由于遙感技術的持續發展，相信分類精度不斷提高，面向對象分類的遙感技術的應用也會涉及更多方面。