面向對象的特征自動選擇的建筑物信息提取

楊杰，高偉，段茜茜，胡洋

(1.天津城建大學 地質與測繪學院，天津 300384；2.邯鄲市恒達地理信息工程有限責任公司，河北 邯鄲 056000)

0 引言

隨著經濟和社會的快速發展，各個地區的城鎮化率迅速提高，在城鎮化率提高的同時，建設用地占據城市土地資源的一大部分，對城市綠化及生態用地造成影響[1]。建筑物作為城市中主要的目標性地物，對其進行信息提取和目標識別會為城市管理提供準確的信息來源[2]。而面對復雜的城市結構，使用人工進行信息搜集必然會耗費大量的人力、物力且難以保證提取精度。近些年來，航天遙感向著高時間分辨率、高空間分辨率、高光譜分辨率的方向發展，為研究人員提供了高效率、高精度、低成本的地理空間數據來源[3]。高分遙感影像的出現提高了建筑物信息提取的精度，促進了各地區城市管理工作的開展。遙感影像數據的建筑物提取方法大致分為基于像元的建筑物提取和面向對象的建筑物提取2種[4]。基于像元的建筑物提取，沒有考慮高分辨率遙感影像中具有豐富的地物信息，只考慮地物光譜單個特征信息，因此，利用該方法進行高分辨率遙感影像的建筑物信息提取時，容易產生椒鹽現象，由于區分不同地物光譜亮度的差異不同，還會出現“同物異譜，同譜異物”的現象[5]。面向對象的建筑物提取方法全面分析地物的光譜特征、形狀特征、紋理特征等多方面特征，能夠在一定程度上緩解椒鹽噪聲和“同物異譜，同譜異物”現象的出現[6]。高分二號遙感影像具有高分特性，構建建筑物信息提取規則集時有很多特征可以應用，但是從眾多特征中找到最佳的建筑物信息提取特征，構建有效的規則集是一個難題。為了解決這一問題，本文提出了一種方法。首先，依據樣本采集原則采集研究區各類地物樣本，創建訓練集；然后，運用SEaTH算法進行特征優選；最終，自動化地確定最有效特征的閾值。這樣選取的特征具有客觀性和代表性，實現了建筑物信息提取特征閾值的自動化確定，加快了建立知識規則。

1 技術方法

1.1 面向對象的建筑物提取方法

面向對象的建筑物提取方法是信息提取的新思路。面向對象的建筑物提取首先將影像分割，不同影像對象特征屬性不同，依據影像對象的獨特性，對多個影像對象進行分類，構建合適的規則集，進行建筑物信息提取[7-8]。面向對象的建筑物提取流程如圖1所示。

圖1 面向對象的建筑物提取流程圖

1.2 SEaTH算法的基本原理

SEaTH算法最初是為國際原子能機構基于高分辨率影像的核設施目標檢測和監測提供一種自動化的方法，后來逐漸應用于高分辨率遙感影像的面向對象分類[9-11]。SEaTH算法是一種半自動化信息提取構建分類規則的方法，基于各個地物類別的樣本，構建一套分類規則，用于信息提取。SEaTH算法包括特征優選和自動確定閾值2部分，在運用SEaTH算法之前首先要采集研究區的地物樣本。

1)特征優選。SEaTH算法的基本思想是在依據對象特征符合其正態分布的基礎上，利用J-M(distance of Jeffries-Matusita)距離來衡量地物類別之間的分離度[12]，如果對象特征不符合正態分布，則該特征的分離性差，不用于分類。圖2表示C1和C2基于B、A、C3個特征的分離度，依次為較差分離、部分分離和完全分離，這說明特征C用來區分C1和C2效果最好。

圖2 類別C1和C2的分離度

在SEaTH算法中，衡量2個地物類別之間可分離性的一個有效手段是J-M距離。J的值域為[0，2]，當J=0時，說明2個地物類別之間在某個特征上幾乎都混淆；當J=2時，說明2個地物類別之間在某個特征上的分離度較好，可以完全分開[13]。然而，由于各個地物類別之間總是有一些交集，J=2的情況在實際應用中很少出現[14]。一般而言，使用最大分離度的前幾個特征就可以滿足信息提取的要求。J-M距離如式(1)所示。

J=2(1-e-B)

(1)

式中：B表示巴氏距離(Bhattacharyya distance)，在保證各個地物的樣本特征值符合正態分布的前提下，可以利用B通過錯分概率的貝斯決策規則衡量2個地物類別之間的可分離性[15]，C1和C22個地物類別的巴氏距離如式(2)所示。

(2)

式中：m1和m2是2個地物類別的某特征均值；σ1和σ2是2個地物類別的某特征標準差。

2)自動確定閾值。在eCognition 8.9上，利用知識規則提取地物信息需要人工反復嘗試，并依據地物類別區分的目視效果不斷地對閾值進行調整，最終找到合適的特征閾值。人工尋找特征閾值的方法具有效率低且易受主觀因素干擾的缺點，所以尋找一種自動化的方法尤其重要。SEaTH算法不僅能夠自動化地確定區別兩兩地物類別的最優特征，還能算出最優閾值。關于某一特征對于2個類別C1和C2的概率分布，本文采用高斯概率混合模型進行描述[16]，其概率模型如式(3)所示。

p(x)=p(x|C1)p(C1)+p(x|C2)p(C2)

(3)

式中：x為隨機變量；p(x)為隨機變量屬于C1、C2的概率；p(x|C1)、p(x|C2)分別為隨機變量x在C1、C2條件下的概率；p(C1)、p(C2)分別為C1、C2的概率。

當隨機變量x在C1、C2條件下的概率相同時，兩兩地物類別之間的混淆分類情況最少。如圖3所示，當特征閾值T對應的是X1時，C1和C22個地物類別的分離性最佳。

圖3 C1和C2 2個地物類別的最佳分離閾值

特征閾值T的計算如式(4)、式(5)所示。

(4)

(5)

式中：n1、n2表示2個地物類別的樣本數。

SEaTH算法基于樣本特征值服從正態分布這一假設，所以當假設不成立時，運用此算法算出的特征閾值并不一定非常準確。因此，Marpu等[17]根據隨機數據處理方法，提出了一種解決方法，再結合圖3，最佳閾值T的計算規則如下。

若J≥1.75，則T′=T；

若1.25

若0.5≤J<1.25，則T′=m2；

若J<0.5，則忽略該特征值。

2 數據來源與數據處理

2.1 數據來源

本文采用我國自主研發的高分二號衛星多光譜波段和全色波段的遙感數據，研究區域隸屬于天津市西青區，數據大小為862像素×1 066像素。

研究區的地物類別可劃分為建筑物、道路、植被、綠茵場、陰影和裸地6類。根據建筑物房頂材料的不同，研究區的建筑物可再分為3類：灰色屋頂、藍色屋頂和紅色屋頂，最終制作分類圖時再將這3類并為建筑物。總體來說，研究區建筑物樣式分布不規則，地物具有復雜多樣性，作為研究區具有一定代表性。

2.2 數據處理

1)研究區地物樣本采集。訓練樣本的質量直接影響后續特征優選時分離度和特征閾值計算的準確性，甚至影響建筑物信息提取和建筑監測的精度。選擇訓練樣本時應遵循以下3方面原則：①訓練樣本應包含研究區高分二號影像中所有的地物類型，主要包括建筑物、道路、植被、綠茵場、陰影和裸地6類地物類型；②每種地物類型的訓練樣本總數應與其分布面積成比例，并且均勻分布在該地物類型的區域內；③應選取地物類型分割較好的影像對象，含有混合地物的影像對象一般不選為樣本。

2)訓練集的創建。運用SEaTH算法構建知識規則。首先選取訓練樣本，并且將訓練樣本的特征值運用SEaTH算法進行自動確定特征優選和特征閾值。本文研究區的地物類別主要有6類，其中建筑物根據房頂材料的不同又分為了3類，根據訓練樣本的選取規則，以多尺度分割的結果圖為基礎選取各個地物類別的樣本。

2.3 基于SEaTH算法的建筑物信息提取知識規則

以各個地物類別的樣本和特征為數據基礎，計算出J-M距離來衡量兩兩地物類別之間基于某個特征的分離度，從中選出J-M距離值最大的特征。統計建筑物與所有非建筑物類別之間對應的最大J-M距離，建立建筑物的提取規則，如表1至表3所示。

表1 灰色屋頂建筑物的提取規則

表2 藍色屋頂建筑物的提取規則

表3 紅色屋頂建筑物的提取規則

表1至表3中，構建了每種建筑物子類的提取規則，所有的規則取交集提取建筑物，考慮到最終要把3種建筑物子類合并，在提取過程中只需保證提取出的是建筑物，并不一定是特別純的建筑物子類。藍色屋頂建筑物與植被和道路的最優特征都是Ratio_layer3，那么使用這個特征時，規則為Ratio_layer3≤0.210，其他地類亦是如此。

基于SEaTH算法建立知識規則，并將灰色屋頂、藍色屋頂、紅色屋頂的建筑物合并，得到建筑物信息初提取結果，如圖4所示。

圖4 建筑物初提取結果

3 提取結果優化

3.1 小斑塊處理

在建筑物初提取結果中，存在一些細碎的噪聲，這些細碎的斑點區域并不是建筑物，可以通過初提取結果中各個建筑物的像素數目進行判斷。當小于某值時，則判斷不是建筑物，并將這個小斑塊過濾掉。

3.2 建筑物輪廓優化

建筑物初提取結果中，建筑物的輪廓不夠平滑和規整，本文基于像素對象調整進行建筑物邊緣的平滑，進一步對初提取結果進行優化，其主要思路為：①遍歷建筑物的輪廓；②設置建筑物輪廓在X、Y和Z方向上的像素值，形成一個大小為N×N的像素窗口，N為奇數，本文將X和Y都設置為5，Z設置為1；③設置一個閾值V，當像素窗口中建筑物部分所占比例大于V時，則該中心像素隸屬于建筑物，本文將V設置為0.5。基于像素對象調整算法的示意圖如圖5所示。

圖5 基于像素對象調整算法的示意圖

將建筑物初提取結果進行優化后的影像如圖6所示，優化后的建筑物輪廓得到了平滑，更加接近建筑物的輪廓，局部對比如圖7所示。

圖6 優化提取結果圖

圖7 優化前后局部對比

4 精度評價

4.1 精度評價指標

在遙感分類效果評價方法中，混淆矩陣是常用的一種方法[18]，該方法將影像分類結果與地表真實信息進行對比，且單個混淆矩陣中可以顯示影像分類結果精度[19]，如式(6)所示。

(6)

式中：n表示類別數；mij表示i類像素被分到j類中的像素總數；mii表示正確分類數。當混淆矩陣對角線上的元素值越大時，分類精度越高；反之，分類精度越低。

分類精度的指標主要包括總體精度、Kappa系數、生產者精度、用戶精度、Hellden精度和Short精度[20]。其中，Hellden精度是生產者精度和用戶精度的調和平均值，可以作為綜合考量生產者精度和用戶精度的指標。

4.2 精度評價實驗

本文還應用了面向對象的最鄰近分類法對建筑物進行了提取。為確保提取結果的可比性，使用同一分割尺度參數，并將初提取結果運用于像素對象調整的方法進行優化(圖8)。

圖8 建筑物提取結果比較

在ArcGIS中，根據遙感數據并參照天地圖采集建筑物和非建筑物的樣本點用于精度評定。針對本文數據，本文算法和基于面向對象的最鄰近分類法的精度評定的混淆矩陣分別如表4和表5所示。

表4 基于本文方法的精度評價

由圖8可知，基于面向對象的最鄰近分類法將部分本該是道路的影像區域錯分為建筑物，還存在建筑物漏分現象，而本文方法的錯分和漏分現象相比較少。由表4和表5可以得出，本文方法的總體精度和Kappa精度都要高于基于面向對象的最鄰近分類方法。

表5 基于最鄰近分類法的精度評價

5 結束語

本文基于高分二號遙感數據，結合研究區的地物類別和建筑物房頂材料的不同特征，通過運用面向對象的分類方法和SEaTH算法的原理，構建建筑物提取規則，進行建筑物信息初提取及優化建筑物輪廓。精度驗證表明：本文方法的總精度為87.29%、Kappa精度為74.63%，與基于面向對象的最鄰近分類法相比，總精度提高了10.17%、Kappa精度提高了20.29%，表明本文方法在建筑物信息提取方面具有一定的可行性。