周期性分析下的城市高分遙感影像同形態建筑物群提取

史鵬程，葉勤，戴激光

(1.同濟大學 測繪與地理信息學院，上海 200092；2.遼寧工程技術大學 測繪與地理科學學院，遼寧 阜新 123000)

0 引言

建筑物是城鄉環境的重要組成部分。城市區域高分辨率遙感影像中80%以上地物是道路和建筑，利用高分遙感影像進行建筑物的提取一直是研究熱點。目前主流的高分遙感影像建筑物提取方法多側重于單個建筑物提取，針對單個建筑物的空間結構特征來進行分析。現有的不借助其他輔助信息(如DSM)直接進行建筑物提取的研究主要有：第一類是基于遙感影像上建筑物的空間結構特征，通過區域分割結合幾何、位置以及區域紋理特征屬性的方法[1-4]進行提取，效果依賴圖像分割，但目前的分割算法仍不能取得較為滿意的效果；第二類是依據光譜信息進行分類，分類結果結合HOUGH變換等進行線段提取來實現[5]；第三類是上述2種方法的結合即綜合結構、光譜以及上下文信息實現建筑物提取[6]。在提取過程中涉及的參數選擇，有利用多尺度的方法進行自動化參數確定，如利用eCognition軟件為建筑物提取設計多尺度自動化分割參數[7]。這些方法存在的問題一是自動化程度有待提高，主要是提取時自動閾值的確定；二是樹木等干擾因素的剔除[8]和檢測準確率有待提高。

上述這些主流研究提取的都是單個建筑，對建筑間的相似性與相互關系考慮較少。實際上在城市的長期建設與生長過程中，會出現很多包含相似建筑物單體的具有一定周期性的建筑物組團(如住宅小區等)，即同形態(后簡稱“同態”)建筑群。同態建筑群內部各單體建筑的形狀、高度常會呈現某種周期性變化的特點。在城市設計、規劃分析中，這些同態建筑物群的提取比單個建筑物更有意義。然而現有的城市高分影像建筑物提取很少有關于城市中同態建筑物群提取的研究，也少有利用周期性特性來進行同態建筑物群提取的報道。Zang[9]等基于認知心理學認為遙感影像上道路具有局部方向性，而建筑物具有周期震蕩性。本文認為可利用影像上同態建筑物這一周期性特點，探索其周期排列模式，剔除零散干擾建筑，實現城市高分遙感影像上同態建筑物群提取。

1 原理與方法

本文技術路線如圖1所示，主要包括預處理、建筑群初提取、基于周期性分析提取同態建筑群和效果評價4個部分。

圖1 技術路線

1.1 建筑群初提取

圖2 矩形檢測示意圖

1.2 基于周期性進行同形態建筑物群提取

周期性本質為一定時空內的特征再現。就建筑物群而言，周期性即整體建筑物群以某種模式排列，可據此模式來判斷某目標是否隸屬于該群組，實現干擾物剔除。本文利用像素灰度震蕩規律、對稱性分析、間距統計、屬性統計來探索建筑物群的周期性，對上文中建筑群初提取結果進行分析并篩選，最后得到同態建筑物群。圖3是周期性分析實現同態建筑群提取的技術路線。

圖3 周期性分析方法技術線路

2 實驗

2.1 實驗數據與環境

本文實驗選取2幅數據(圖4)。圖4(a)是由百度地圖獲取的遼寧省沈陽市某小區及周邊的衛星影像(297像素×229像素)。圖4(b)是遼寧省阜新市局部區域的QuickBird影像數據(260像素×255像素，像素分辨率2.44 m)。實驗環境：Windows7旗艦版64位，處理器i5-4210U CPU@1.70 GHz(4CPUs)，采用C++編程。

圖4 實驗數據

2.2 實驗步驟與結果

圖5 建筑群初提取結果

圖6 軸線檢測

魚粉中咸味的評價主要是對其中含鹽量進行感官評價，咸味是由鹽類離解出的正負離子共同作用的結果，以食鹽為例，產生咸味的閾值一般在0.2%。因此，可以依據咸味的濃烈程度大致判定魚粉中鹽分的含量。

通過像素灰度折線圖可初步預判該列目標中異常目標的存在。

①在圖像底部矩形上定義若干起點S(1，…，k)，向上跟蹤遇到②～④情況(B(i，j)為對應二值圖像像素值)。

②B(i，j)=0，跳過，繼續向上跟蹤。

③B(i-1，j)=0，B(i，j)=1，B(i+1，j)=1，(iID(1)，jID(1))記為線段起點。

④B(i-1，j)=1，B(i，j)=1，B(i+1，j)=0，(iID(2)，jID(2))記為線段終點；連接線段起點、終點，并計算線段角度，角度α定義如圖6(e)所示，順時針為正，統計數據如表1第4列所示。

⑤記錄每條線段兩端目標ID(ID(1)，ID(2))，若有矩形未被相連，搜索豎直方向與它最近目標進行連線。

通過對稱性分析可以得到初提取中各建筑在豎直方向的整體對稱性，以及水平方向上相鄰建筑物的相似度。

圖7 灰度折線圖

表1 豎直距離、中軸線連線角度統計表

注：豎直距離同為相鄰兩ID目標的垂直距離；中軸線連線角度同為相鄰ID目標的連線角度。

(4)建筑物屬性統計。遍歷所有目標，計算其內部灰度均值、方差、矩形寬高、面積。表2是2個數據中各選取2個常規目標和1個異常目標的屬性，5號和31號的面積明顯異于常規目標。

通過屬性統計可以在初提取結果中標記屬性明顯有差異的目標。

表2 屬性統計表

注：表中寬、高、面積單位為像素；方差單位為像素平方。

綜合以上分析：①灰度折線圖中，若出現異常的灰度峰形狀、跨度、峰值則表明異常目標的存在(如圖7中紅圈標記)。②對稱性分析中，水平方向比較軸線兩側目標灰度、方差、幾何屬性(如在圖像上兩目標的高，即單體矩形目標豎直方向跨度，相差5像素以上，認為此時存在疑似異常目標)，標記差異較大目標ID。豎直方向上，針對本實驗數據考慮到實際管理、采光等因素，認為建筑群中軸線在90°左右擺動，誤差不超20°，其他數據還需根據實際情況分析。③間距統計中，豎直方向上，數據1中目標間距在12像素左右(誤差不超過5像素)，數據2中目標豎直間距在11像素左右(誤差不超過4像素)，記錄間距并標記距離異常目標ID，實現異常排列目標定位。④屬性統計中,對比各目標屬性數據(如數據1中目標面積普遍介于280～330像素，數據2中目標面積普遍介于150～200像素)，標記異常目標ID，實現屬性異常目標定位。針對本實驗數據，在分析建筑群周期性排列模式時，認為列方向至少存在3個目標才可構成周期性特征，故剔除圖6(b)數據2中54號與60號目標等。綜合以上分析，剔除異常目標后提取效果如圖8所示，對剩余目標重新排序。數據1周期性分析后保留31個建筑物目標，數據2保留47個建筑物目標。

圖8 建筑群提取結果

2.3 精度評價

圖9 結果分析圖

將提取的同態建筑群二值圖與原始數據疊加顯示，結果如圖9所示，并單獨顯示每列目標。圖9(a)、圖9 (b)中每列左側是建筑群提取的二值圖，右側是原始數據，查看建筑物輪廓的對接情況。

為定量評價建筑群提取結果，使用準確率(precision)與召回率(recall)[12-13]作為評價指標，見式(1)、式(2)。

(1)

(2)

式中：TP是提取結果中正確識別目標的像素；FP為提取結果錯誤識別目標的像素；FN為提取結果中漏計目標的像素。計算實驗結果的準確率與召回率如圖10所示。數據1提取結果準確率整體穩定在80%至90%之間；數據2提取結果準確率在90%附近，個別目標約80%，2個數據提取結果準確率均較高且穩定。召回率在70%至95%之間，數據1召回率波動較大，個別目標低于70%，數據2召回率在80%附近，個別目標大于95%。綜合圖像特征分析可能是建筑物與鄰近地物的對比度較低，造成圖像分割不理想，或統計建筑物像素時鄰近地物的加入從而降低個別建筑物的召回率。但二者的整體召回率仍然較高，可較高程度上反映建筑物真實信息。

圖10 準確率與召回率

3 結束語

本文針對城市高分辨率遙感影像就同態建筑物群信息獲取提出了一種基于周期性分析的同態建筑物群提取方法，利用像素灰度震蕩規律、對稱性、距離檢測、屬性統計4種方法相結合來探索同態建筑物群具有的周期性排列模式，剔除干擾地物或零散建筑，實現城市同態建筑群提取。文中選取遼寧省某2個城市局部遙感影像為例進行實驗，結果表明，該方法可以有效地識別某地區呈現集群式排列的矩形建筑群，一定程度上解決了同形態建筑物規模提取的問題，為城市規劃部門提供了更好的規劃管理數據。但本方法側重的是建筑物群的排列規律，實現不符整體排列規律的離群目標剔除，對復雜的建筑物識別效果不佳。后續研究中，將從以下2個方面作深入研究：①提出一種更加穩健的圖像分割方法，以便有效識別復雜類別的建筑物；②考慮為周期性特征添加更有效的描述子。