基于最小外接矩形的遙感影像建筑物輪廓優化方法

周再文 王 建 朱 恰 劉星雨 馬紫雯 高賢君

(長江大學 地球科學學院, 湖北 武漢 430100)

0 引言

建筑物作為地理信息研究的比較重要的地理要素之一,是現代城市的主要組成,也是用來衡量城市發展的比較重要的指標。建筑物信息的提取對城市規劃、地理信息系統的實際應用、數字城市應用等方面具有重要的意義和作用[1]。隨著遙感技術的快速發展,各種遙感影像的空間分辨率也越來越高。由于高分辨率遙感影像具有地物紋理信息豐富、成像光譜波段多、重訪時間短等特點,其已經成為地物信息獲取的重要的數據來源[2]。但是高分遙感影像在提高地物光譜特征,突出地物結構、紋理信息的同時,會帶來嚴重的異物同譜的問題。實際工作中建筑物周圍的各種其他無關地物的干擾也會導致建筑物信息最終的提取結果與原始影像中的建筑物的形狀和邊界輪廓不一致。因此基于已有的建筑物信息提取方法對建筑物的邊界輪廓進一步優化對于提高建筑物精度具有十分重要的研究意義。

目前比較主流的建筑物信息提取方法,按照遙感影像提取建筑物的原理主要分成三類:

(1)基于區域分割的提取方法:先利用監督、非監督或面向對象的分類方法對影像進行初步的分類;再對建筑物所在的類別根據建筑物自身的幾何形狀、空間信息等特征提取具體的建筑物目標[3]。黃慧萍等[4]提出了以多尺度影像分割與面向對象影像分析為主要技術,利用樣本多邊形對象的成員函數建立訓練區,自動提取大慶市城市綠地覆蓋信息,達到清查城市綠地的目的。

(2)結合輔助知識的提取方法:利用遙感圖像中建筑物的陰影、紋理、空間位置、幾何結構等特征來提取建筑物,提高建筑物信息提取精度。高賢君等[5]設計了基于偏移陰影分析的建筑物樣本自動提取方法,結合支持向量機(SVM)分類模型對影像進行初提取并進行地物分類,在進行相應的后處理操作之后,利用相交邊界陰影比率篩選出無陰影的非建筑物等措施獲取最終結果。

(3)基于邊緣和角點監測與匹配的提取方法:使用邊緣監測的算法得到建筑物的邊緣,再根據建筑物的空間關系對影像中提取的邊緣線段進行分組,搜索其平行線,通過經驗知識組成符合建筑物空間結構和輪廓的矩形,實現對建筑物的提取。Taejung Kim[6]等提出了根據現實中建筑物的屋頂邊緣多呈相互平行的線段特點,利用投票策略選取直線最多的方向為房屋邊緣走向,達到提取建筑物信息的目的。陶超等[7]在Harris算子提出角點的基礎上,加上約束準則檢測居民地的角點,根據影像中角點的分布情況,構建函數度量影像中每一個像素屬于建筑物的概率,最后利用二值分割的方法提取影像中建筑物的信息。

以上三種方法在進行建筑物信息提取的過程中或多或少都會受到地物周圍的陰影、植被等噪聲干擾,導致提取結果出現邊界鋸齒化、不規則等問題。本文在利用深度學習提取的高分辨遙感影像的建筑物信息基礎上,提出一種解決建筑物圖像邊界問題的思路。

1 數據來源

基于深度學習提取建筑物信息的方法是以谷歌地球上開源的高分遙感影像數據集作為基礎的實驗數據,因谷歌地球上的開源的高分遙感影像國外地區的建筑物結構比較簡單,同時遙感影像數據比較清晰,故實驗數據集多選取國外的高分遙感影像進行實驗。基于tensorflow深度學習的方法構建建筑物識別的模型,通過增加訓練樣本的數據量,不斷地修正訓練模型,提高測試樣本的提取精度。最后將提取精度最高的樣本進行建筑物后處理驗證,得到建筑物信息的初始提取結果。上述基于深度學習的建筑物信息提取的方法參考了朱光亞等[8]基于深度學習的遙感影像建筑物信息提取研究的論文和高揚等[9]基于卷積神經網絡的高分辨率遙感影像建筑物信息提取的論文的部分思想。

UNet網絡作為比較早的卷積神經網絡之一,主要用于圖像的處理,由用于捕捉語義特征的編碼端,精準定位的解碼端以及結合底層信息和高層信息的跳躍連接這三部分組成。本實驗中,輸入影像的影像塊大小為512×512,從而構建特征金字塔(實驗的數據集是新西蘭克賴斯特徹奇地區的高分辨率遙感影像)。本次實驗的環境為:i7-9700k處理器,32 GB內存,NVIDIA RTX2080Ti 8G顯卡,GPU加速庫采用CUDA10.0。DeepingLearn框架以Keras作為前端,TensorFlow為后端。圖1、圖2的(a)和(b)是部分原始遙感影像和利用UNet神經網絡提取的灰度圖二值化的結果。

由圖1和圖2的(b)和(c)的對比,可以很明顯地看出,經過后處理驗證的優化提取處理,錯分建筑物的問題得到了部分解決,提高了建筑物特征信息的提取精度。但是如圖1(c)和圖2(c)所示,部分建筑物的邊界輪廓還是存在不規整問題,另有部分建筑物內部存在細小孔洞等問題,為此,需要繼續對其進行建筑物邊界輪廓的優化。

圖1 遙感影像YX1提取優化對比

圖2 遙感影像YX2提取優化對比

2 建筑物輪廓優化原理

對在基于深度學習提取建筑物特征和改進的馬爾科夫隨機場處理錯分建筑物的問題的基礎上所得到的提取結果仍然存在建筑物邊界不規整、邊界鋸齒化嚴重的問題,本文提出的解決思路是:首先是利用目前最常用的線要素壓縮算法——垂距法[10]對提取到的建筑物輪廓刪除邊界輪廓的冗余點并對建筑物輪廓進行多邊形擬合處理。然后通過對多邊形擬合之后的輪廓利用最小外接矩形的擬合算法[11],得到最小外接矩形的四個頂點坐標,最后再對擬合之后的最小外接矩形的長寬比、輪廓面積、擬合出來的多邊形點數做篩選,選擇最合適的外接矩形輪廓作為最后邊界優化的最終結果,使通過優化后的邊界輪廓盡量與遙感影像原圖上的建筑物保持一致,提高研究后期進行建筑物變化檢測的最終精度。

2.1 基于垂距法的多邊形擬合

經過前期深度學習提取的建筑物邊界一般是由許多連續的像素點組成,會出現大量相鄰的點位于同一條直線上產生數據冗余,也是導致提取的建筑物邊界輪廓出現鋸齒化的一個原因。本文利用地理信息原理中常見的矢量數據壓縮的方法——垂距法來解決這個問題,即將提取出來的建筑物輪廓進行冗余點去除,將建筑物的邊界輪廓擬合成相對規則的多邊形，如圖3所示。

圖3 垂距法處理過程示意圖

垂距法的算法思想[10]是:每一次按照一定順序取曲線上連續的三個點,計算中間的點到其余兩點連線的垂直距離d,并將d與給定的限差(閾值)D比較。求得的垂直距離d小于給定的閾值D時,則去掉中間點;反之,則中間點保留。然后按照順序依次取下三個點繼續處理,直到遍歷整條曲線。多邊形擬合原理的示意圖如圖4所示,具體過程如下:

圖4 垂距法處理結果對比圖[10]

(1)取任意建筑物輪廓邊界上的一段邊界P1～P4,分別連接P1P3和P3P4;

(2)按順序取P1P2P3前三個點,計算中間點P2到線段P1P3的距離d;

(3)比較中間點到其余兩點的距離d與給定的閾值D的大小,若d≤D,則去掉P2點,P1～P3線段處理結束。

不過，盡管短周期存在周期及基數壓力，空調依然是最為穩固的家電細分板塊，格力美的的雙寡頭地位穩固，維持市場大體穩定，也讓行業均價處于緩慢提升通道。不過從競爭格局來看，二線品牌還能保持一定市場空間，但其它雜牌生存空間則日益狹小。

(4)若d≥D,保留中間點P2,然后沿著直線繼續依次對剩下的曲線進行處理,直到整條線處理結束。

(5)將經過上面四個步驟保留下來的點依次連接起來,得到的曲線就是通過垂距法對建筑物輪廓擬合的結果。

2.2 基于建筑物最小外接矩形的擬合

現實生活中建筑物是比較有規律的人造工程產物,建筑風格和外形千差萬別，但是,就建筑物的輪廓而言,大多數建筑物的邊界輪廓為矩形或者矩形的組合[11-12]。我們在通過處理基于垂距法對建筑物輪廓進行多邊形擬合后,可以繼續基于建筑物的最小外接矩形來實現對建筑物邊界輪廓的進一步擬合逼近。

具體處理過程如下:

(1)首先利用輪廓監測函數將多邊形擬合的邊界輪廓監測出來并進行保存。

(2)利用第一步得到的邊界輪廓點集,采用Sklansky算法,得到邊界輪廓點集的凸包。

(3)利用第二步得到的建筑物邊界的凸包,根據旋轉卡尺算法(Rotating Calipers),生成最小面積外接矩形。

(4)通過對滿足長寬比、輪廓面積、擬合出的多邊形定點數三個條件的最小外接矩形進行篩選,對滿足條件的輪廓畫出輪廓擬合的最小外接矩形,輸出處理后二值化影像。

3 實驗結果分析

3.1 實驗結果

通過本文提供的建筑物輪廓優化的方法,對遙感影像YX1和YX2進行進一步優化,結果如圖5和圖6所示。

圖5 遙感影像YX1逐級優化結果對比圖

圖6 遙感影像YX2逐級優化結果對比圖

通過圖7和圖8的局部優化放大圖可以很明顯看出，本文所介紹的建筑物輪廓優化方法對于部分建筑物邊界輪廓有一定的優化效果,能夠較大限度地逼近實際建筑物邊界輪廓。但是對于較復雜的建筑物(如邊界輪廓為回字形建筑和階梯形建筑)邊界輪廓處理上還存在問題。本文所介紹的方法只能處理由比較簡單矩形組合的建筑物輪廓,有一定的應用局限性。

圖7 遙感影像YX1局部優化放大圖

圖8 遙感影像YX2局部優化放大圖

3.2 實驗精度評價

傳統的影像分類方法經常采用總體精度(overall accuracy, OA)、平均精度(Average Accuracy,AA)和Kappa系數作為評價指標[13]。本文選用其中的OA指標和混淆矩陣中的用戶精度的概念對本試驗的結果進行精度評定。精度評定結果如表1所示。

表1 實驗結果精度評價表

表1顯示,通過深度學習提取的建筑物特征信息經過建筑物信息后處理驗證,消除部分錯分建筑物問題和輪廓優化,使最終建筑物特征信息提取的精度有了明顯提升,實現了建筑物信息的精提取。但是當建筑物顏色和地面顏色很相近(如遙感影像YX2的情況),部分建筑物的信息經過卷積神經網絡提取和后處理之后,仍然存在相應的誤差,導致建筑物用戶精度稍低。

4 結束語

本文在深度學習提取建筑物信息基礎上,提出一種優化建筑物圖像邊界輪廓問題的思路。對于深度學習提取建筑物圖像結果中出現的鋸齒化、建筑物邊界不規整等問題,提出了一種利用垂距法進行建筑物邊界輪廓的多邊形擬合,再繼續利用初提取的結果進行建筑物輪廓的最小外接矩形選取,最后得到較符合實際的建筑物邊界輪廓。通過實驗驗證,本文所介紹的方法在對深度學習提取高分遙感影像的建筑物結果的后處理過程中,對建筑物的邊界輪廓進行的擬合逼近,使得提取后的結果與實際影像中的建筑物的輪廓比較接近,為建筑物變化監測提供可靠的基礎數據。這種方法為通過高分遙感影像提取建筑物信息的后處理的邊界優化提供了一種可行的新思路。