最優尺度下的面向對象建筑物提取

李慧，李志娟，張東華

(1.內蒙古自治區測繪地理信息中心，呼和浩特 010010；2.中國地質大學(北京) 土地科學技術學院，北京 100083；3.內蒙古農業大學 水利與土木建筑工程學院，呼和浩特 010010)

0 引言

隨著傳感器和人工智能技術的發展，遙感影像地物自動提取的研究已成為熱點。但遙感影像分辨率的提高直接影響光譜特征的穩定性，致使地物的結構特征成為分類的主要依據，因此，基于對象的圖像分析在研究中得到了重視[1]。面向對象的建筑物提取方法全面分析地物的光譜、紋理、形狀等多種特征，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[2]。面向對象分類分為影像分割、特征選擇、分類三個主要過程，大量研究表明，遙感影像的分割尺度、特征的數量與質量、分類器的選擇這三種因素都會對最終的分類精度產生較大影響[3-4]。

在面向對象的遙感影像分析中，最優尺度著重于影像的空間分辨率和影像分割尺度，最優尺度的選擇問題實際上就是對各類別提取的最優影像分割尺度問題，但在確定尺度之前需要選擇一種較大的空間分辨率能使面積最小類別被識別出來[5]。Woodcock等[6]認為最優尺度是由地表所固有的空間結構、信息提取的方法與對結果信息輸出的要求共同決定的。已有的空間尺度選擇方法目前主要包括基于變異函數的方法、最大面積法、基于離散度的方法等。現有的各種方法都存在一些自身的不足。因此，本文提出改進的方差法，判斷當分割對象與實際地物匹配程度達到最好時的尺度為最優尺度。

本文采用最優尺度的面向對象方法基于最優尺度構建特征知識，實現分層分類的建筑物提取。

1 研究區與研究方法

1.1 研究區概況

研究區為武漢市武漢大學附近，地理位置位于114°20′E～114°22′E，30°31′N～30°33′N之間，坐擁珞珈山，環繞東湖水。本文使用SPOT 5衛星影像作為數據源，利用遙感圖像處理平臺ENVI對影像進行預處理，包括大氣校正、影像融合等內容。大氣校正采用大氣校正模型FLAASH方法進行校正，最終通過融合得到覆蓋研究區融合影像。研究方法流程如圖1所示。

1.2 研究方法

多尺度分割的尺度是影像多邊形目標異質性最小的閾值，分割尺度這個參數對影像對象的信息(包括大小、數量)會產生直接的影響。尺度值越小，生成結果的分割層內對象數目越大，面積也會越小，同樣尺度越大，造成的結果相反。所以對每幅影像來說，多尺度分割都存在著特殊的尺度，尺度的大小最終會影響信息提取的精度。

圖像分割可以說是一個目標匹配的過程[7]，往往是通過分割后得到的多邊形對象是否能夠與目標特征一致這一標準判斷分割結果的好壞。當分類目標對象太小時，一些小的影像目標會被大的影像目標“淹沒”；反之會出現分割結果“破碎”的現象，導致影像多邊形對象不能準確反映分類目標對象的特征，最終影響遙感影像分類的精度。

2 實驗與結果分析

2.1 面向對象分類方法

1)最優尺度的選擇。為了分析多尺度分割對于遙感影像信息提取的影響，本文利用SPOT 5影像探討對象分割、最優尺度的選擇、特征的選取、分類體系與分類方法的選擇，最終完成整個信息提取的過程。

為此構建分割效果的指標即面積方差(式(1))，用這個指標來表示所需提取地物類型的分割對象與實際地物目標的匹配程度，通過比較判斷將較好匹配程度的分割尺度定為最優尺度。

(1)

式中：S2為面積方差；ni為第i類類別多尺度分割得到的對象個數；m為整幅影像范圍內同種類型的目標類別總數；Srealj和Ssegji分別為第j個目標地物的實際面積與其通過多尺度分割生成的對象面積。

在易康軟件下使用多尺度分割工具進行影像分割，分割尺度分別為10，15，20，…，100，每隔尺度5設定一次，影像4個波段全部參與，光譜因子設為0.8，緊質度設為0.4。多尺度分割后直接獲得對象面積，目標地物實際面積通過數字化目標地物來得到。面積方差曲線圖如圖2至圖6所示。

本文根據同質性標準得到的分割對象面積和實際地物目標特征值的差來計算方差，在保證同質性的情況下，確保單個目標被分割成一個完整的對象，使分割對象與目標地物的吻合程度較高。最后得出本實驗林地、裸地、道路、建筑物和草地這五種類別的最優尺度為55、40、35、20和15。

依據上述的最優分割尺度，通過調節均質性因子，包括光譜因子和形狀因子，波段權重設置遵循地物信息豐富程度原則和波段相關性原則，以降低波段信息冗余，提高分割質量和速度[8]，最終得到滿足最佳分割效果的參數，如表1所示。

通過分割，局部區域內差異性較小的相鄰像素均被合并到一個相對較大的、同質性較好的區域中，這不僅形成了具有明顯空間特征的對象單元，增強了視覺效果，而且與真實的地理實體具有很好的一致性，保證了面向對象特征分析的有效性。不同尺度分割效果如圖7所示。

表1 多尺度分割的參數設置

2)面向對象的建筑物提取。完成多尺度分割后，會形成很多形狀不同但含有屬性特征的多邊形區域，這些多邊形區域都含有豐富的幾何、紋理和光譜等信息[9]。

本文針對所需分類的類別情況，構建不同的信息提取層，不同的類別應用于不同等級的對象層次上。

根據遙感影像的屬性特征建立了建筑物規則知識庫[10]，主要依據光譜把建筑物分為亮色建筑物和暗色建筑物，亮色建筑物能與周圍地物分開形成一個獨立的對象，并且有較高的光譜特征值，可采用其光譜特征與其他綠地等差異較大的地類區分開，然后使用對象的長度作為進一步的約束條件。由于暗色建筑物受樹木等背景的影響，因此在提取暗色建筑物的過程中將其與亮色建筑物分別考慮，最后再將二者合并不失為一種好的策略。

在最大的分割尺度圖層上，計算統計對象的各種特征，根據亮度值、標準方差、長/寬等特征構建知識庫，使用特定的規則將亮色建筑物與其余背景分開。

在大尺度層中提取了表2中的地物之后，為提高地物提取的精度，并且減少分割對象單元的數量、提高分類速度，將其他地類采用掩膜方法獲取，剩余的類型歸入其他地類中。其他類型中的暗色建筑物與個別道路、個別樹木和部分陰影光譜特征表現比較近似，故在中尺度上主要采用最鄰近分類法與成員函數法相結合的方式提取，充分發揮多特征包括近紅外波段的均值、熵、長/寬、密度、邊界指數和歸一化植被指數的優勢，使信息提取結果達到最優化。

表2 地物的特征規則集

面向對象遙感影像分類最大的優點在于充分挖掘隱含在影像中的深層空間語義關系[11]。本文在小尺度層上通過提取建筑物陰影作為基準，將空間關系轉換成語義信息完成建筑物的提取。最后提取結果如圖8所示，圖中灰色部分為提取的建筑物。

2.2 結果分析

本文采用面向對象分類的方法，專注于基于SPOT 5數據對建筑物的提取問題，在提取建筑物類型時取得較高的精度。通過目視解譯選取樣本作為檢測區域文件，再根據檢測區域文件與本文建筑物提取結果建立混淆矩陣。經過統計，采用面向對象的方法提取建筑區總體精度為83.5%，對于大型建筑物基本上能夠完整地提取出來，而對于小面積或者形狀不規則的建筑物，存在部分房屋的光譜信息與道路林地等背景相混淆的問題，并且受空間環境可變性因素影響，總體上提取結果的形狀完整性較好。

3 結束語

本文基于面向對象的遙感影像信息提取方法，對多尺度分割和信息提取等關鍵問題作了探討，同時對建筑物提取進行了實驗，為建筑物提取的方法研究提供了較好的思路，得到以下結論。

1)通過在影像對象與目標地物最為吻合的情況下使用最優尺度分割方法，大大減少了分類的不確定性，也獲取了較高的精度，同時解決了受分割尺度的影響出現的需要經驗來確定較優分割尺度的問題。

2)采用面向對象的信息提取方法提取研究區域內的建筑物，在基于最優尺度的情況下，根據對象類型特征通過不同的分層分類，選擇不同的特征和分類方法，通過上下文關系的細分與空間關系的優化，減少了類別之間的混疊，使提取結果得到較高的精度。