譚衢霖

北京交通大學(xué)土木建筑工程學(xué)院,北京100044

高分辨率多光譜影像城區(qū)建筑物提取研究

譚衢霖

北京交通大學(xué)土木建筑工程學(xué)院,北京100044

城區(qū)高空間分辨率遙感數(shù)據(jù)由于存在大量同物異譜和異物同譜現(xiàn)象,應(yīng)用傳統(tǒng)的基于像元光譜分類的方法進(jìn)行建筑物分類提取難以取得滿意的效果。發(fā)展一種從高分辨率IKONOS衛(wèi)星影像上基于知識(shí)規(guī)則的面向?qū)ο蠓诸愄崛〕菂^(qū)建筑物方法,包括如下步驟:①融合1 m全色和4 m多光譜波段影像,生成1 m分辨率的多光譜融合影像;②分割融合影像;③執(zhí)行基于對(duì)象光譜的最近鄰監(jiān)督分類;④應(yīng)用模糊邏輯分類器結(jié)合光譜、空間、紋理和上下文特征等知識(shí)規(guī)則進(jìn)行建筑物分類。統(tǒng)計(jì)試驗(yàn)表明,該分類方法提取城區(qū)建筑物精度可達(dá)到93%。

面向?qū)ο笥跋穹治?模糊邏輯;分割;分類;建筑物提取

1 引 言

詳細(xì)的城區(qū)建筑物分布圖主要通過航空相片解譯或人工地面測(cè)量獲得,這種傳統(tǒng)獲取方法需要較高的數(shù)據(jù)成本。近年來,相對(duì)低廉的m級(jí)及優(yōu)于m級(jí)的商業(yè)高分辨率(VHR)多光譜衛(wèi)星(如 IKONOS、QuickBird和 WorldView-1/2)影像的出現(xiàn),有望改變必須借助航空遙感影像進(jìn)行城區(qū)制圖的局面。在高分辨率衛(wèi)星遙感影像上,建筑物屋頂是城區(qū)建筑物制圖的主要特征,地面建筑物的輪廓形狀可通過衛(wèi)星遙感影像上顯示的屋頂?shù)男螤罴捌浞植紒肀碚?。?dāng)前,由于城區(qū)屋頂材料組分、顏色、形狀、大小以及建筑物的朝向在城區(qū)環(huán)境下變化多樣,高分辨率遙感影像城區(qū)建筑物制圖仍是一件挑戰(zhàn)性的工作。

由于城區(qū)環(huán)境空間格局復(fù)雜多樣,城區(qū)各類地物在上述高分辨率多光譜影像上光譜變異度高,同物異譜和異物同譜現(xiàn)象遠(yuǎn)比自然環(huán)境下普遍,給應(yīng)用傳統(tǒng)的基于像元光譜特征進(jìn)行自動(dòng)或半自動(dòng)地物分類帶來了困難[1]。已有研究表明,高分辨率遙感影像4個(gè)多光譜波段雖然光譜范圍覆蓋較寬,但區(qū)分城區(qū)水體、裸土、植被、陰影和不透水性地面等土地覆蓋類是有效的[2-3],進(jìn)一步把光譜混淆嚴(yán)重的不透水性地面區(qū)分為道路、停車場(chǎng)和建筑物則存在困難[4]。面向?qū)ο笥跋穹治鍪遣煌谥鹣裨庾V特征分析的一種可以表達(dá)和應(yīng)用語(yǔ)義信息特征的新方法。這種方法把影像分割成有意義的影像區(qū)域(對(duì)象),不僅能夠表達(dá)影像區(qū)域的光譜特征,還能表達(dá)豐富的空間、紋理和上下文特征等語(yǔ)義信息,從而使區(qū)分光譜相似的地類成為可能[5]。

當(dāng)前,已有不少研究者嘗試?yán)妹嫦驅(qū)ο蠓治龇椒▉磉M(jìn)行高分辨率遙感影像城區(qū)建筑物提取制圖。如Hofmann等利用IKONOS高分辨率遙感影像數(shù)據(jù),結(jié)合機(jī)載激光掃描儀獲得的高分辨率數(shù)字高程模型和數(shù)字地籍圖,采用基于對(duì)象分類的方法進(jìn)行城區(qū)建筑物制圖試驗(yàn),取得了很好的效果[6]。Shackelford等在較為規(guī)則的網(wǎng)格狀城區(qū),把像元分類圖作為基于知識(shí)規(guī)則的面向?qū)ο竽：诸愝斎?利用簡(jiǎn)單的空間和上下文語(yǔ)義特征參數(shù)對(duì)建筑物進(jìn)行分類制圖,也取得了很好的效果[7]。總結(jié)分析可以發(fā)現(xiàn),當(dāng)前的已有相關(guān)研究主要是針對(duì)排列較為規(guī)則或建筑物屋頂材料較為單一的簡(jiǎn)單城區(qū)場(chǎng)景,或者是借助外部數(shù)據(jù)(如DEM或地籍圖),利用面向?qū)ο蟮姆治龇椒▉硖崛〕菂^(qū)建筑物。對(duì)于不規(guī)整或復(fù)雜的城區(qū)場(chǎng)景,當(dāng)缺乏先驗(yàn)知識(shí)或其他的外部數(shù)據(jù)時(shí),如何利用面向?qū)ο蟮挠跋穹治黾胺诸惙椒ㄟM(jìn)行高分辨率遙感城區(qū)建筑物提取則尚待進(jìn)一步研究。

2 方法與試驗(yàn)

試驗(yàn)城區(qū)位于加拿大安大略省倫敦市西安大略大學(xué)校區(qū)(圖1),區(qū)內(nèi)建筑物的形狀大小及密度、方向、用途和屋頂材料復(fù)雜多樣。試驗(yàn)數(shù)據(jù)為2004年4月15日獲取的經(jīng)過輻射和幾何校正的IKONOS地學(xué)參考影像。

圖1 試驗(yàn)區(qū)IKONOS全色影像和多分辨率影像分割結(jié)果Fig.1 Panchromatic IKONOS image and segmentation result of the test site

2.1 圖像預(yù)處理

影像增強(qiáng)有利于感興趣地物的分割提取。1 m全色和4 m多光譜波段的IKONOS影像非常適合于圖像融合增強(qiáng)。為盡量減少光譜信息損失,采用 SFIM(smoothing filter-based intensity modulation)方法[8]進(jìn)行融合。對(duì)融合后的影像進(jìn)行直方圖均衡化增強(qiáng)對(duì)比度,然后用多分辨率分割算法進(jìn)行分割。

2.2 圖像分割

圖像分割算法采用Baatz和 Schaepe[9]發(fā)展的多分辨率分割算法(MRS)。多分辨率分割程序執(zhí)行時(shí),首先需要確定待分割影像各圖層的權(quán)值,然后設(shè)置尺度參數(shù),光譜(顏色)和形狀異質(zhì)性計(jì)算的權(quán)值,緊密度和平滑度的權(quán)值[10]。這些設(shè)置參數(shù)都與分割生成的影像區(qū)域大小范圍緊密相關(guān)。其中,尺度參數(shù)對(duì)分割生成的影像區(qū)域大小直接正相關(guān),影響最明顯。在其他參數(shù)設(shè)置相同的情況下,尺度參數(shù)越大,生成的影像分割區(qū)域越大。本試驗(yàn)研究中,為了更有效地分離植被類,使用NDVI二值掩膜影像限制分割過程中的區(qū)域增長(zhǎng)過程。該NDVI掩膜通過對(duì)雙峰式分布的直方圖進(jìn)行閾值操作,然后,濾除小于10個(gè)像元的小區(qū)域得到。圖1右為試驗(yàn)處理中采用的分割結(jié)果影像。

2.3 基于光譜的最近鄰分類

最近鄰監(jiān)督分類基于影像對(duì)象與代表性樣本對(duì)象在多維特征空間的特征距離確定地物類別[10]。本研究中,每一類的代表性樣本對(duì)象采用分層隨機(jī)取樣方法來選擇。對(duì)分割后的影像對(duì)象執(zhí)行基于光譜的最近鄰監(jiān)督分類,包括:不透水性地面、陰影、植被、裸地和水體等(圖2(a))。對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)表明,總精度達(dá)98.7%,其中不透水性地面類生產(chǎn)者精度達(dá)100%,用戶精度達(dá)98.6%。本研究重點(diǎn)是建筑物分類提取,因此,再把基于光譜的最近鄰監(jiān)督分類圖進(jìn)行制圖綜合,合并陰影、植被、裸地和水體類為其他類,最后獲得不透水性地面類和其他類分布圖(圖2 (b))。當(dāng)獲得了基于對(duì)象的不透水性地面分類結(jié)果后,隨后便可應(yīng)用模糊邏輯知識(shí)規(guī)則來進(jìn)一步區(qū)分建筑物屋頂對(duì)象。

2.4 基于知識(shí)規(guī)則的模糊邏輯分類

基于知識(shí)規(guī)則的模糊邏輯分類器通過成員函數(shù)值來表達(dá)影像對(duì)象的地類隸屬度[11]。成員函數(shù)是表達(dá)影像對(duì)象特征值與地類隸屬度之間關(guān)系的數(shù)學(xué)模型。當(dāng)對(duì)象特征值增大,地類隸屬度也增大時(shí),利用上升型函數(shù)來表達(dá)。相反,當(dāng)對(duì)象特征值增大,地類隸屬度降低時(shí),利用下降型函數(shù)來表達(dá)。本研究中,地類 x隸屬度μx采用Sigmoid (S型)成員函數(shù)曲線來表示(圖3)。

上升S型函數(shù)

下降S型函數(shù)

其中,a是當(dāng)隸屬度為0或1時(shí)對(duì)象屬性i的特征值;b是當(dāng)隸屬度為0.5時(shí)對(duì)象屬性i的特征值b =(a+c)/2;c是當(dāng)隸屬度為1或0時(shí)對(duì)象屬性i的特征值。

圖2 最近鄰監(jiān)督分類圖Fig.2 Nearest-neighbour classification map

圖3 S型成員函數(shù)曲線Fig.3 Sigmoid(S-shaped)membership functions

模糊邏輯分類器可以給每個(gè)對(duì)象計(jì)算多個(gè)不同地類的隸屬度,從而可以使對(duì)象的分類不限于某一類,而是可以屬于多個(gè)類別。基于知識(shí)規(guī)則的模糊分類方法在成員函數(shù)表達(dá)的知識(shí)規(guī)則之間利用布爾邏輯操作符“and”或“or”,或者它們的組合來表達(dá)分類知識(shí),最終可獲得影像對(duì)象對(duì)于所有地類的隸屬度。通常情況下,把計(jì)算獲得的最高隸屬度地類作為最終的分類結(jié)果進(jìn)行輸出,即可獲得常規(guī)的土地利用/覆蓋遙感分類圖。

通過統(tǒng)計(jì)樣本對(duì)象的特征值頻率分布,選擇建筑物屋頂類的代表性光譜、空間、紋理和上下文屬性特征,然后用Sigmoid成員函數(shù)來計(jì)算這些代表性特征指示的隸屬度。模糊邏輯知識(shí)規(guī)則中成員函數(shù)的方向和控制點(diǎn)利用樣本對(duì)象特征值分布的概要統(tǒng)計(jì)值(如平均值、最小值或最大值加上或減去標(biāo)準(zhǔn)差等)和這些特征值類間分離性來確定。本研究中,選擇的代表性對(duì)象特征及所應(yīng)用的模糊邏輯知識(shí)規(guī)則列于表1,關(guān)于對(duì)象特征的概念和具體計(jì)算可以參見文獻(xiàn)[10,12]。

表1 模糊邏輯知識(shí)規(guī)則Tab.1 Fuzzy logic rule base

2.4.1 知識(shí)規(guī)則一

盡管屋頂材料組分多樣,光譜響應(yīng)離散,但“非建筑物屋頂類”卻表現(xiàn)出幾乎連續(xù)的光譜響應(yīng),這種光譜變化差異可以通過光譜標(biāo)準(zhǔn)差來反映。此外,屋頂對(duì)象呈現(xiàn)出一定程度的局部色調(diào)變化,而這可以通過紋理特征參數(shù)來表征。再有,空間上屋頂類對(duì)象在長(zhǎng)度和緊密度特征上比其他的不透水性地面類更統(tǒng)一。綜合上述分析,結(jié)合對(duì)“建筑物屋頂類”和“非建筑物屋頂類”樣本對(duì)象特征值的統(tǒng)計(jì)分析比較,確定如下5個(gè)獨(dú)立的代表性屬性(光譜、紋理和空間)特征來進(jìn)一步區(qū)分“建筑物屋頂類”:

1.全色波段標(biāo)準(zhǔn)差(σp):指影像對(duì)象所有像元在全色波段的灰度值的標(biāo)準(zhǔn)差。對(duì)于每個(gè)影像對(duì)象,σp采用如下公式計(jì)算

其中,Ci是由n個(gè)像元組成的對(duì)象內(nèi)部像元i的灰度值是 所有像元的平均灰度值。

2.多光譜標(biāo)準(zhǔn)差(σm):指每個(gè)多光譜通道影像對(duì)象所有像元灰度值的標(biāo)準(zhǔn)差的平均值。對(duì)于每個(gè)影像對(duì)象,σm采用如下公式計(jì)算

其中,σL是指影像對(duì)象L波段所有像元的標(biāo)準(zhǔn)差;nL是波段數(shù)。

3.全方向紋理對(duì)比度特征 (PCON):由Haralik發(fā)展的通過灰度共現(xiàn)矩陣(grey-level cooccurrence matrix,GLCM)計(jì)算的影像對(duì)象局部變化的一種紋理特征。當(dāng)影像對(duì)象在空間尺度上具有較高的對(duì)比度時(shí),可以通過GLCM把紋理對(duì)比度特征計(jì)算出來。對(duì)于第L光譜通道的紋理對(duì)比度特征,其計(jì)算式為

Pi,j是歸一化后的 GLCM矩陣中元素(i,j)處的值。本研究中計(jì)算了藍(lán)、綠、紅和近紅外四個(gè)通道的紋理對(duì)比度特征。

4.長(zhǎng)度(l):指包圍影像對(duì)象的與影像的縱橫軸平行的矩形計(jì)算而來的,以像元為單位表示

其中,a是矩形的長(zhǎng)邊;b是最短邊;f是填充度,是指影像對(duì)象的像元組成數(shù)除以矩形的總面積a×b。

5.緊密度(κ):通過影像對(duì)象的近似橢圓計(jì)算。對(duì)于每個(gè)影像對(duì)象,κ采用如下公式計(jì)算

其中,v和w表示橢圓的長(zhǎng)軸和短軸的長(zhǎng)度;α是包含在近似橢圓內(nèi)的像元數(shù)。

本研究中,統(tǒng)計(jì)分析表明屋頂類隸屬度隨著上述5個(gè)對(duì)象特征值的增大而降低,因此,知識(shí)規(guī)則一的每個(gè)特征成員函數(shù)都用下降的 S型曲線來表示。此外,屋頂類全色波段標(biāo)準(zhǔn)差(σp)、多光譜標(biāo)準(zhǔn)差(σm)、長(zhǎng)度(l)、緊密度(κ)、全方向紋理對(duì)比度特征(Pblue、Pgreen、Pred和 Pnir)的最大特征值小于非屋頂類特征值的平均值減去標(biāo)準(zhǔn)差,據(jù)此,確定各特征成員函數(shù)的控制點(diǎn)值:a為非屋頂類樣本對(duì)象特征值的平均值減去標(biāo)準(zhǔn)差;b為非屋頂類樣本對(duì)象特征值的平均值;c為非屋頂類樣本對(duì)象特征值的平均值加上標(biāo)準(zhǔn)差。如全色波段標(biāo)準(zhǔn)差(σp)特征,其成員函數(shù)控制點(diǎn)值為: a=310.77,b=337.18,c=363.59。

2.4.2 知識(shí)規(guī)則二

由于材料組分、坡度或坡向不同,分割后的影像中屋頂和非屋頂區(qū)域通常由多個(gè)影像對(duì)象組成。因此,屋頂類對(duì)象更有可能與屋頂類對(duì)象相鄰,同樣,非屋頂類對(duì)象更有可能與非屋頂類對(duì)象相鄰。再者,在城區(qū)環(huán)境下,屋頂類對(duì)象一般更接近其他的屋頂對(duì)象。因此,這第二條知識(shí)規(guī)則,即結(jié)合了描述屋頂和非屋頂類對(duì)象相鄰關(guān)系的上下文特征,用來再對(duì)分類結(jié)果進(jìn)行優(yōu)化。采用的特征描述如下:

1.與相鄰對(duì)象的相對(duì)邊界(B):影像對(duì)象和某確定類對(duì)象的共同邊界長(zhǎng)度(以像元計(jì))與影像對(duì)象邊界總長(zhǎng)度之比。此處,計(jì)算相鄰屋頂類和非屋頂類的相對(duì)邊界。

2.與相鄰對(duì)象的距離(D):指從影像對(duì)象的中心至最近的確定類(建筑物屋頂類)影像對(duì)象中心的像元距離。

3.鄰近對(duì)象的數(shù)量(N):距影像對(duì)象中心一定距離范圍內(nèi)某一特定類影像對(duì)象(屋頂類)的數(shù)量。研究中確定10個(gè)像元的距離值。

本研究中,統(tǒng)計(jì)分析表明屋頂類隸屬度隨著與相鄰(非屋頂類)對(duì)象的相對(duì)邊界和與相鄰對(duì)象(屋頂類)的距離兩種對(duì)象特征值的增大而降低,因此,這兩個(gè)特征的成員函數(shù)表達(dá)為下降S型曲線。此外,屋頂類這兩種特征的平均對(duì)象特征值加上標(biāo)準(zhǔn)差小于非屋頂類平均對(duì)象特征值加上標(biāo)準(zhǔn)差,據(jù)此,確定兩特征成員函數(shù)的控制點(diǎn)值:a為屋頂類樣本對(duì)象特征值的平均值加上標(biāo)準(zhǔn)差,c為非屋頂類樣本對(duì)象特征值的平均值加上標(biāo)準(zhǔn)差。

統(tǒng)計(jì)分析表明屋頂類隸屬度隨著與相鄰(屋頂類)對(duì)象的相對(duì)邊界和與鄰近對(duì)象(屋頂類)的數(shù)量?jī)煞N對(duì)象特征值的增大而增大,因此,這兩個(gè)特征的成員函數(shù)表達(dá)為上升S型曲線。此外,屋頂類這兩種特征的平均對(duì)象特征值減去標(biāo)準(zhǔn)差大于非屋頂類平均對(duì)象特征值加上標(biāo)準(zhǔn)差,據(jù)此,確定兩特征成員函數(shù)的控制點(diǎn)值:a為非屋頂類樣本對(duì)象平均特征值加上標(biāo)準(zhǔn)差,c為屋頂類樣本對(duì)象特征值的平均值減去標(biāo)準(zhǔn)差。

2.4.3 知識(shí)規(guī)則三

盡管許多屋頂對(duì)象和非屋頂不透水性對(duì)象光譜上相似,非屋頂不透水性對(duì)象相對(duì)于整個(gè)城區(qū)場(chǎng)景在多光譜通道上還是表現(xiàn)出一些不同的光譜響應(yīng)。通過對(duì)屋頂和非屋頂樣本對(duì)象一些光譜比值特征的統(tǒng)計(jì)比較,兩個(gè)獨(dú)立的代表性的描述非屋頂類對(duì)象的有效的光譜屬性特征被確定用來進(jìn)一步優(yōu)化過度分類的屋頂類對(duì)象。

1.與場(chǎng)景比率(RL):第L層相對(duì)于場(chǎng)景的比率就是L層影像對(duì)象所有像元的平均值與L層整個(gè)場(chǎng)景所有像元的平均值之比。

2.比率(rL):第L層的比率是影像對(duì)象所有像元的平均值與該對(duì)象所有光譜層平均值總和之比。

統(tǒng)計(jì)分析表明屋頂類隸屬度隨著近紅外波段與場(chǎng)景比率特征值的增大而增大,因此,這個(gè)特征的成員函數(shù)表達(dá)為上升S型曲線。此外,非屋頂類的近紅外波段與場(chǎng)景比率特征的平均對(duì)象特征值減去標(biāo)準(zhǔn)差大于屋頂類平均對(duì)象特征值加上標(biāo)準(zhǔn)差,據(jù)此,確定該特征成員函數(shù)的控制點(diǎn)值:a為屋頂類樣本對(duì)象特征值的平均值加上標(biāo)準(zhǔn)差, c為非屋頂類樣本對(duì)象特征值的平均值減去標(biāo)準(zhǔn)差。

統(tǒng)計(jì)分析表明屋頂類隸屬度隨著藍(lán)波段比率特征和紅波段比率特征兩種對(duì)象特征值的增大而降低,因此,這兩個(gè)特征的成員函數(shù)表達(dá)為下降S型曲線。此外,非屋頂類的藍(lán)和紅波段比率特征的平均對(duì)象特征值加上標(biāo)準(zhǔn)差小于屋頂類平均對(duì)象特征值減去標(biāo)準(zhǔn)差,據(jù)此,確定兩特征成員函數(shù)的控制點(diǎn)值:a為非屋頂類樣本對(duì)象的平均特征值加上標(biāo)準(zhǔn)差,c為屋頂類樣本對(duì)象平均特征值減去標(biāo)準(zhǔn)差。

圖4(a)為最終基于知識(shí)規(guī)則的模糊邏輯分類圖,后分類過程融合鄰近的分類對(duì)象建筑物屋頂類和其他類,從而生成可表示建筑物屋頂邊界和位置的建筑物分布圖(圖4(b))。最后,對(duì)分類結(jié)果進(jìn)行逐對(duì)象分類精度評(píng)估?；煜仃囉?jì)算結(jié)果顯示,城區(qū)建筑物分類提取總精度達(dá)到93%。

圖4 模糊邏輯建筑物屋頂分類提取結(jié)果Fig.4 Building mapping results of rule-based classification

3 結(jié)論與討論

本文發(fā)展了一種從高分辨率多光譜IKONOS衛(wèi)星融合影像上基于知識(shí)規(guī)則的面向?qū)ο筇崛〕菂^(qū)建筑物的方法。處理流程可分為兩大步:第一步,對(duì)分割的影像對(duì)象層執(zhí)行基于對(duì)象光譜的監(jiān)督最近鄰分類,區(qū)分出不透水地類;第二步,采用監(jiān)督方法生成知識(shí)規(guī)則應(yīng)用于模糊邏輯分類器中,從不透水地類中區(qū)分出城區(qū)建筑物屋頂類。這種方法利用模糊邏輯知識(shí)規(guī)則,借助監(jiān)督樣本對(duì)象的概要統(tǒng)計(jì)獲得光譜、空間、紋理和上下文特征及成員函數(shù)控制點(diǎn)值,不需要輔助數(shù)據(jù),并且在分類中不必再對(duì)建筑物屋頂類之外的其他不透水性地面類再細(xì)分。本文試驗(yàn)研究表明,采用本方法流程進(jìn)行高分辨率多光譜城區(qū)建筑物提取可以取得較高的精度(如本試驗(yàn)研究取得了93%的城區(qū)建筑物分類提取總精度)。因此,本方法流程具有靈活性和一定的實(shí)用性,對(duì)于應(yīng)用面向?qū)ο蠓诸惙椒ㄌ崛≥^復(fù)雜的城區(qū)建筑物,可以提供借鑒和參考。

需要指出的是,由于加拿大相對(duì)于中國(guó)的城區(qū)環(huán)境較為簡(jiǎn)單,因此,如果用中國(guó)的城區(qū)數(shù)據(jù)進(jìn)行試驗(yàn)和驗(yàn)證,分類精度上可能有所降低;而且本方法流程也不能提取城區(qū)高大建筑物陰影或遮擋區(qū)域中的低、矮、小建筑物。此外,為了獲得地面建筑物較準(zhǔn)確的地理位置和形狀,所處理的高分辨率遙感影像數(shù)據(jù)是經(jīng)過輻射和幾何精糾正后的地理參考正射影像,因此,最終分類提取的建筑物分布圖中,建筑物的形狀和位置具有地理位置坐標(biāo)。而如果將最后提取出的建筑物屋頂分類圖與該區(qū)已有的地理信息系統(tǒng)中的建筑物矢量多邊形參考圖進(jìn)行疊加對(duì)比,就可以定量評(píng)價(jià)最終提取的建筑物分布圖中建筑物形狀與參考圖對(duì)應(yīng)建筑物的符合程度,并可定量計(jì)算建筑物邊界位置誤差和形狀差異程度。但本研究?jī)H僅是評(píng)價(jià)了最終的建筑物分類提取精度,對(duì)建筑物形狀與邊界位置符合精度進(jìn)行定量評(píng)價(jià)有待進(jìn)一步深入研究。致謝:IKONOS衛(wèi)星影像試驗(yàn)數(shù)據(jù)由加拿大西安大略大學(xué)地理系提供;感謝 David Andrew Aldred在數(shù)據(jù)處理試驗(yàn)中提供的幫助。

[1] DAVIS C H,WANG X Y.Urban Land Cover Classification from High Resolution Multi-spectral IKONOS Imagery [C]∥Proceedings of IEEE IGARSS.Toronto:[s.n.], 2002:1204-1206.

[2] HEROLD M,GARDNER M,ROBERTS D.Spectral Resolution Requirement for Mapping Urban Areas[J].IEEE Transactions on Geoscience and Remote Sensing,2003,41 (9):1907-1919.

[3] FRAUMAN E,WOLFF E.Segmentation of Very High Spatial Resolution Satellite Images in Urban Areas for Segments-based Classification[C]∥Proceedings of the 3rd International Symposium Remote Sensing and Data Fusion over Urban Areas.Arizona:ISPRS,2005:24-27.

[4] BAUER T,STEINNOCHER K.Per-parcel Land Use Classification in Urban Areas Applying a Rule-based Technique[J]. Geo-Information System,2001(6): 28-33.

[5] HEROLD M,SCEPAN J,MüLLER A,et al.Objectoriented Mapping and Analysis of Urban Land Use/Cover Using IKONOS Data[C]∥Proceedings of the 22nd EARSEL Symposium.Prague:EARSEL,2002:11-18.

[6] HOFMANN P.Detecting Urban Features from IKONOS Data Using Additional Elevation Information[J].GIS Geo-Information System,2001,6:28-33.

[7] SHACKELFORD A,DAVIS C.A Combined Fuzzy Pixelbased and Object-based Approach for Classification of Highresolution Multi-spectral Data over Urban Areas[J].IEEE Transactions on Geoscience and Remote Sensing,2003,41 (10):2354-2363.

[8] LIU J.Smoothing Filter-based Intensity Modulation:a Spectral Preserve Image Fusion Technique for Improving Spatial Details[J].International Journal of Remote Sensing,2000,21(18):3461-3472.

[9] BAATZ M,SCHAPE A.Multi-resolution Segmentation: an Optimization Approach for High Quality Multi-scale Image Segmentation[C]∥Proceedings of the Angewandte Geographische Informationsverarbeitung Symposium. Salzburg:[s.n.],2000:12-23.

[10] Trimble Navigation Limited.ECognition User Guide,Definiens Imaging[EB/OL].[2004-10-12].http:∥www. definiens-imaging.com.

[11] BARDOSSYA,SAMANIEGO L.Fuzzy Rule-based Classification of Remotely Sensed Imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2002,40(2): 362-374.

[12] CARLEER B,WOLFF E.Urban Land Cover Multi-level Region-based Classification of VHR Data by Selecting Relevant Features[J].International Journal of Remote Sensing,2006,27(6):1035-1051.

Urban Building Extraction from VHR Multi-spectralImages Using Object-based Classification

TAN Qulin
School of Civil Engineering,Beijing Jiaotong University,Beijing 100044,China

Building extraction in urban environment requires high spatial resolution remotely sensed data.However, traditional pixel-based classifiers based on spectral features are ineffective for high-resolution multi-spectral images due to large within-class spectral variations and between-class spectral confusions.In this study,a rule-based object-oriented classification method for building extraction was developed from an IKONOS urban scene.The method included the following steps:①fusion of 1 m panchromatic and 4 m multispectral bands to produce a pan-sharpened 1 m multispectral image;②segmentation of the 1 m dataset;③supervised object-based classification into broad spectral classes;④spectral,spatial,textural and contextual parameters developed from sample building objects were implemented in a fuzzy logic rule base to separate building rooftops from other impervious surface classes.The rule-based method identifies building rooftops with 93%accuracy in the experiment.

object-oriented image analysis;fuzzy logic;segmentation;classification;building extraction

T AN Qulin(1975—),male,PhD,associate professor,majors in high resolution remote sensing image processing and information extraction,application of remote sensing in transportation.

1001-1595(2010)06-0618-06

P237

A

國(guó)家自然科學(xué)基金(40801121);中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)項(xiàng)目(2009JBM067)

(責(zé)任編輯:宋啟凡)

2009-11-04

2010-04-20

譚衢霖(1975—),男,博士,副教授,研究方向?yàn)楦叻直媛蔬b感影像處理與地物信息提取、交通遙感應(yīng)用。

E-mail:qulintan@sina.com