陰影輔助下的面向?qū)ο蟪鞘薪ㄖ锾崛?/h1>
2010-12-28 03:19:06周亞男沈占鋒駱劍承陳秋曉胡曉東沈金祥
地理與地理信息科學(xué) 2010年3期
周亞男,沈占鋒,駱劍承,陳秋曉,胡曉東,沈金祥
(1.中國科學(xué)院遙感應(yīng)用研究所,北京 100101;2.武漢大學(xué)測繪學(xué)院,湖北武漢 430079;3.浙江大學(xué)區(qū)域與城市規(guī)劃系,浙江杭州 310027;4.中國科學(xué)院新疆生態(tài)與地理研究所,新疆烏魯木齊 830011）
陰影輔助下的面向?qū)ο蟪鞘薪ㄖ锾崛?/p>
周亞男1,2,沈占鋒1,駱劍承1,陳秋曉3,胡曉東1,沈金祥4
(1.中國科學(xué)院遙感應(yīng)用研究所,北京 100101;2.武漢大學(xué)測繪學(xué)院,湖北武漢 430079;3.浙江大學(xué)區(qū)域與城市規(guī)劃系,浙江杭州 310027;4.中國科學(xué)院新疆生態(tài)與地理研究所,新疆烏魯木齊 830011）
分析高分辨率遙感影像城市建筑物提取的難點,探討建筑物陰影與建筑物之間的關(guān)系,提出一種陰影輔助的建筑物提取方法:首先在高分辨率影像中提取出建筑物陰影對象,通過建筑物與其陰影的空間關(guān)系特征分離相互連接的建筑物對象并確認漏提取的建筑物對象,從而提高了建筑物的提取精度;將該方法運用于Quick Bird影像的建筑物提取實驗中,取得理想的實驗效果。
高分辨率遙感影像;建筑物提取;建筑物陰影;面向?qū)ο蠓诸?/p>
0 引言
近十年來,隨著IKONOS、Quick Bird、SPOT等高分辨率衛(wèi)星遙感應(yīng)用的深入及影像處理分析技術(shù)水平的提高,從影像中提取各類人工地物信息成為研究熱點,尤其是城市建筑物作為城市主要的人工地物之一,其提取對城市GIS數(shù)據(jù)更新、城市規(guī)劃和防災(zāi)減災(zāi)等都有著重要意義。為了準確、高效地提取城市建筑物,國內(nèi)外學(xué)者提出了眾多方法:侯蕾等[1]綜合利用建筑物的幾何和灰度特征進行了建筑物的自動提取;張煜等[2]提出了一種幾何約束與影像分割相結(jié)合的快速半自動房屋提取方法;Lin等[3]運用感知編組算法并結(jié)合陰影對建筑物進行了提取。近年來,以區(qū)域分割為基礎(chǔ)的面向?qū)ο笮畔⑻崛〖夹g(shù)愈加受到重視,Jiang等[4]運用面向?qū)ο蠓诸惣夹g(shù),綜合運用高分辨率遙感影像和DSM數(shù)據(jù)提取出實驗區(qū)的建筑物對象;Jorge等[5]運用面向?qū)ο蟮男畔⑻崛》椒▽Π臀髂喜康腝uick Bird和雷達數(shù)據(jù)進行了實驗分析;喬程等[6]運用“自下而上”的多尺度分割方法并結(jié)合建筑物的幾何和紋理特征對IKONOS影像進行了建筑物提取試驗;田新光[7]運用面向?qū)ο蠓诸惣夹g(shù)對城市和海岸帶的高分辨率遙感影像進行了信息提取。
在高空間分辨率影像中,城市建筑物光譜和紋理特征的一致性較差,幾何形態(tài)多樣,致使其提取相對比較困難,提取精度較低。另一方面,在面向?qū)ο蟮慕ㄖ锾崛∵^程中常受到以下干擾:1）相鄰建筑物之間的柵欄或道路的光譜特征與建筑物相近,在多尺度分割過程中會造成建筑物和陰影對象之間合并及相離建筑物對象的合并;2）在多尺度分割過程中常出現(xiàn)建筑對象和周圍植被對象相互合并的情況,從而造成提取結(jié)果中包含非建筑物對象以及建筑物對象被遺漏現(xiàn)象。
在以往建筑物的提取過程中更多地考慮了其光譜特征和幾何特征,而缺少對其空間上下文關(guān)系信息的分析和運用。本文在分析建筑物陰影特性的基礎(chǔ)上,提取出建筑物陰影與建筑物的空間關(guān)系特征,并將其融入面向?qū)ο蟮慕ㄖ锾崛∵^程中,有效地避免了以上干擾因素的影響,提高了建筑物的提取精度。
1 研究方法
城市建筑物多同道路相鄰,其周圍散布著稀疏植被且多以群落形式存在(尤其在城市居住區(qū)中）;此外因受到不同角度的太陽光照影響,在遙感影像上建筑物往往與陰影相伴,這些都是建筑物提取中可利用的重要空間關(guān)系特征;特別是城市建筑物陰影不但形成了相鄰建筑物之間的隔離帶,而且可以作為判斷建筑物存在的依據(jù),這些特征均反映了建筑物空間關(guān)系屬性。本文挖掘和應(yīng)用這類空間關(guān)系信息,以提高高空間分辨率影像建筑物提取的精度。
基于以上分析設(shè)計了陰影輔助下的建筑物提取流程(圖1）:1）對影像進行較小尺度分割,提取出建筑物陰影對象并進行類內(nèi)合并形成完整的陰影對象,然后提取綠地、水體對象(不再做進一步處理）和建筑物陰影對象合并形成掩膜;2）利用掩膜對未分類區(qū)域進行大尺度分割,并計算各對象與建筑物陰影類的空間相鄰關(guān)系特征;3）對大尺度對象運用嚴格約束條件的屬性閾值精確提取出部分建筑物;4）運用第二步中的空間關(guān)系特征檢測未分類對象中遺漏的建筑物對象,與第三步中建筑物提取結(jié)果合并,形成完整的建筑物對象。
圖1 建筑物提取的技術(shù)流程Fig.1 Technology flowchart of extraction of urban buildings
1.1 城市建筑物陰影的提取
遙感影像中建筑物陰影的亮度較暗,與水體較為接近,若只考慮單一的光譜特征,會使陰影和水體混雜在一起。但建筑物陰影也具有與水體和樹木陰影不同的幾何特征:1）建筑物陰影呈帶狀,具有一定的長度、寬度和面積(遠小于城市水體面積）;而樹木的陰影成點狀,散亂分布;2）建筑物陰影的幾何形態(tài)比較規(guī)則,近似為細長矩形,長寬比較大;而水體的面積較大,長寬比較小,外形比較復(fù)雜,形狀指數(shù)相對較大;3）陰影一定出現(xiàn)在建筑物背向光源的地方,即北半球出現(xiàn)在建筑物之北,南半球出現(xiàn)在建筑物之南。
基于以上對建筑物陰影特征的分析,綜合運用分割對象光譜和幾何特征提取出建筑物的陰影(流程圖中①）:首先對遙感影像進行小尺度分割;然后運用陰影光譜亮度較小的特性對分割結(jié)果進行分類,提取出陰影類(建筑物陰影和樹木陰影）和水體,并分別進行類內(nèi)合并;最后對陰影類綜合運用建筑物陰影的幾何特征提取出比較完整的建筑物陰影,通過類內(nèi)合并得到連續(xù)的建筑物陰影區(qū)域。
由于植被光譜特征的獨特性,植被對象的提取相對容易,相關(guān)方法可參考文獻[8,9]。
1.2 嚴格閾值下部分建筑物對象的提取
在提取出建筑物之間陰影帶的基礎(chǔ)上,對未分類的對象區(qū)域進行大尺度分割(流程圖中②）。由于先提取出建筑物陰影類形成了建筑物間空間上的隔離帶,避免了在大尺度分割中出現(xiàn)建筑物越過陰影帶而同其他建筑物(或地物）相連的現(xiàn)象。
經(jīng)上述多尺度分割,形成了比較完整的建筑物對象。利用面向?qū)ο蟮臎Q策樹分類方法,并使用閾值范圍較小的光譜(亮度）和幾何屬性(形狀指數(shù)、矩形度等）參數(shù),可以準確地提取出部分建筑物對象(流程圖中③）,其原則是盡可能多的提取出建筑物對象,即較小的誤提率,從而排除其他非建筑物對象的干擾。
1.3 利用陰影確認漏提取的建筑物對象
由于上一步中運用了范圍較小的閾值條件提取建筑物,在準確提取建筑物的同時也造成了一些建筑物對象的丟失,因此需要檢測出未被提取的建筑物對象。運用建筑物陰影與建筑物相互鄰接的空間關(guān)系特性并設(shè)定一定的閾值,對1.2節(jié)中未分類的對象進行基于鄰接關(guān)系的分類,檢測出未被提取出的建筑物對象(流程圖中④）,并與1.2節(jié)中提取出的建筑物對象合并,得到完整的建筑物對象區(qū)域。
2 陰影輔助下的城市建筑物提取實驗
本文以武漢市局部地區(qū)為實驗區(qū)域,采用由全色波段和多光譜波段融合成的QuickBird高分辨率遙感影像(分辨率0.61 m）,分別進行未考慮陰影和陰影輔助下的面向?qū)ο蠼ㄖ锾崛嶒?對比分析其分類結(jié)果。
2.1 實驗一(未考慮陰影）
運用多尺度分割技術(shù)對實驗區(qū)影像進行分割(小尺度參數(shù):尺度20,形狀因子0.2,光譜因子0.5;大尺度參數(shù):尺度80,形狀因子0.8,光譜因子0.3）,分割效果如圖2所示。利用面向?qū)ο蟮臎Q策樹分類方法,對分割結(jié)果進行分類,并提取出建筑物對象(矩形度大于0.6,形狀指數(shù)在1.3～2.6）,結(jié)果如圖3所示。
2.2 實驗二(陰影輔助）
在考慮建筑物陰影隔離帶輔助作用下,對影像進行相同策略和相同參數(shù)的多尺度分割,結(jié)果如圖4所示。對分割結(jié)果進行嚴格閾值下的部分建筑物對象提取(矩形度大于0.8,形狀指數(shù)在1.3～2.2）,得到部分建筑物對象。
對未分類區(qū)域運用對象同建筑物陰影相互鄰接的空間關(guān)系(相對公共邊界達45%）進一步確定出更多的建筑物對象,并同上步中的建筑物對象合并,得到最終的建筑物提取結(jié)果(圖5）。
2.3 實驗效果分析和精度評價
影像分割方面,由于實驗一未考慮陰影,影像分割結(jié)果(圖2）存在建筑物相互粘連(1、2、3處）和植被對象對建筑物整體輪廓干擾(4、5處）現(xiàn)象;而實驗二陰影輔助的分割結(jié)果(圖4）有效避免了直接分割造成的不足。建筑物提取方面,實驗一(圖3）中1、2、4處有多個建筑物未被提取出來,而3、4處的道路和植被又被錯分為建筑物;而在陰影輔助下(圖5）有效地避免了這些錯誤,準確地提取出全部的建筑物區(qū)域,并且提取出的建筑物外形輪廓更加光滑,更接近真實的建筑物外形。
從定量的角度,利用傳統(tǒng)的基于光譜特征分類結(jié)果的評價標(biāo)準,分別對常規(guī)方法的建筑物提取結(jié)果和本文方法的提取結(jié)果進行精度評價和對比分析(表1、表2）。對比表1、表2可以看出:本文方法由于在多尺度分割過程和面向?qū)ο蟮慕ㄖ锾崛∵^程中加入了建筑物的陰影空間關(guān)系信息,使得建筑物的提取精度從 75.29%提高至86.33%。
表1 常規(guī)建筑物提取結(jié)果精度評價Table 1 Evaluation precision parameters of result by conventionalmethod
表2 本文方法建筑物提取結(jié)果精度評價Table 2 Evaluation precision parameters of result using themethod in this paper
實驗中兩種方法都對植被區(qū)域進行了掩膜處理,從而可以排除植被的干擾;因?qū)嶒灢]有設(shè)計很復(fù)雜的特征組合策略,而重點關(guān)注陰影特征對建筑物提取精度的提高,故實驗中兩種建筑物提取方法的精度都較低。此外對比分析實驗結(jié)果發(fā)現(xiàn),一些地物周圍并沒有建筑物陰影的存在,分割結(jié)果也得到明顯改善,可能是在大尺度分割過程中,建筑物陰影影響了地物整體格局,使得自下而上的合并過程重新考慮相互合并的對象,使對象間的合并更加合理。
3 結(jié)論
本文考慮了對象之間的空間上下文關(guān)系特征,將建筑物陰影同建筑物的空間關(guān)系特征運用到面向?qū)ο蟮慕ㄖ锾崛〉膬蓚€重要環(huán)節(jié):1）大尺度分割,利用提取出的建筑物陰影將建筑物對象同其他地物對象和非同一建筑物對象隔離開,優(yōu)化了多尺度分割結(jié)果的空間格局結(jié)構(gòu);2）面向?qū)ο蠓诸?利用建筑物陰影和建筑物相鄰的空間關(guān)系特征進一步確認出漏提取的建筑物對象,有效提高了建筑物提取精度。陰影輔助下的建筑物提取為空間關(guān)系在面向?qū)ο蟮牡匚锾崛∵^程中的運用做了嘗試,但仍存在以下問題需要解決和完善:在特殊的情況下,比較整齊的行樹陰影可能形成與建筑物陰影相似的形狀特征,較難區(qū)分;一些房頂由于材料的特殊性,在分類過程中可能被錯分為陰影;需進一步挖掘和運用地物間其他空間關(guān)系信息,深入研究高分辨率遙感影像城市建筑物的提取。
[1] 侯蕾,尹東,尤曉建.一種遙感圖像中建筑物的自動提取方法[J].計算機仿真,2006,23(4）:184-187.
[2] 張煜,張祖勛,張劍清.幾何約束與影像分割相結(jié)合的快速半自動房屋提取[J].武漢測繪科技大學(xué)學(xué)報,2000,25(3）:238-242.
[3] L IN C,HUERTASA,NEVA TIA R.Detection of buildings using perceptual grouping and shadow s[A].IEEE Proceedingsof Computer Vision and Pattern Recognition[C].1994.62-69.
[4] JIANGN,ZHANG J X,L IH T,et al.Object-oriented building extraction by DSM and very high-resolution or thoimages[A]. The International A rchives of the Photogrammetry,Remote Sensing and Spatial Information Sciences[C].2008.441-445.
[5] JORGE A SC,M IQUELES.Extraction of buildings in Brasilian urban environments using high resolution remote sensing imagery and laser scanner data[A].ISPRS Congress[C].2004. 589-692.
[6] 喬程,駱劍承,吳泉源,等.面向?qū)ο蟮母叻直媛视跋癯鞘薪ㄖ锾崛J].地理與地理信息科學(xué),2008,24(5）:36-39.
[7] 田新光.面向?qū)ο蟾叻直媛蔬b感影像信息提取[D].中國測繪工程研究院,2007.
[8] 樊恒通.基于面向?qū)ο蠓椒ǖ某鞘兄脖惶崛∨c綠量估算研究[D].河海大學(xué),2006.
[9] 劉雯,駱劍承,沈占鋒,等.多尺度植被信息提取模型研究[J].計算機應(yīng)用研究,2009,26(6）:2398-2400.
Shadow-Assisted Object-Orien ted Extraction of Urban Buildings
ZHOU Ya-nan1,2,SHEN Zhan-feng1,LUO Jian-cheng1,CHEN Qiu-xiao3,HU Xiao-dong1,SHEN Jin-xiang4
(1.Institute of Remote Sensing A pp lications,Chinese Academ y of Sciences,Beijing 100101;
2.School of Geodesy and Geom atics,W uhan University,W uhan 430079;
3.Department of Regional and U rban Planning,Zhejiang University,Hangzhou 310027;
4.Xinjiang Ecology and Geography Institute,Chinese Academ y of Science,U rumchi 830011,China）
In this paper,an efficient app roach for urban buildings′extraction regarding adjacency relationship between buildings and their shadow s is p resented.First,based on the resultsof multi-scale segmentation w ith a smaller scale,the initial classification of the images is p refo rmed,and then buildings′shadow s are extracted,employing their geometric and spectral p roperties. Second,some p rimitive objectsof buildings are extracted from objects of bigger scales by strict thresholds,and adjacency relationship between shadow s and other objects is computed.Finally,from undefined objects,the missing buildings′objects are recovered w ith the help of the adjacency,generating comp lete region of buildings.The experimental results demonstrate that extraction accuracy of the p roposed app roach is higher,and that spatial adjacency is a better selection of features fo r the information extraction from high resolution images.
high-resolution remote sensing image;building extraction;building shadow;object-oriented classification
TP75
A
1672-0504(2010）03-0037-04
2009-10-26;
2009-12-22
國家863計劃項目課題(2009AA12Z123、2009AA12Z121）;國家科技支撐計劃重大項目課題(2006BAJ02A01、2006BAJ03A08）
周亞男(1987-）,男,碩士研究生,研究方向為遙感信息提取。E-mail:zhounanq@126.com
猜你喜歡
你來了，草就沒有了陰影文苑(2020年11期)2020-11-19 11:45:11 財產(chǎn)的五大尺度和五重應(yīng)對內(nèi)蒙古民族大學(xué)學(xué)報(社會科學(xué)版)(2020年2期)2020-11-06 09:08:52 影中國詩歌(2019年6期)2019-11-15 00:26:47 面向?qū)ο蟮挠嬎銠C網(wǎng)絡(luò)設(shè)計軟件系統(tǒng)的開發(fā)電子測試(2018年15期)2018-09-26 06:01:34 面向?qū)ο蟮臄?shù)據(jù)交換協(xié)議研究與應(yīng)用電測與儀表(2017年24期)2017-12-19 05:15:24 讓光“驅(qū)走”陰影中學(xué)生數(shù)理化·八年級物理人教版(2017年11期)2017-04-18 11:22:54 宇宙的尺度太空探索(2016年5期)2016-07-12 15:17:55 陰影魔怪數(shù)學(xué)大王·中高年級(2016年4期)2016-05-14 12:56:02 面向?qū)ο骔eb開發(fā)編程語言的的評估方法現(xiàn)代計算機(2016年12期)2016-02-28 18:35:25 9時代英語·高三(2014年5期)2014-08-26 17:01:17
周亞男,沈占鋒,駱劍承,陳秋曉,胡曉東,沈金祥
(1.中國科學(xué)院遙感應(yīng)用研究所,北京 100101;2.武漢大學(xué)測繪學(xué)院,湖北武漢 430079;3.浙江大學(xué)區(qū)域與城市規(guī)劃系,浙江杭州 310027;4.中國科學(xué)院新疆生態(tài)與地理研究所,新疆烏魯木齊 830011）
陰影輔助下的面向?qū)ο蟪鞘薪ㄖ锾崛?/p>
周亞男1,2,沈占鋒1,駱劍承1,陳秋曉3,胡曉東1,沈金祥4
(1.中國科學(xué)院遙感應(yīng)用研究所,北京 100101;2.武漢大學(xué)測繪學(xué)院,湖北武漢 430079;3.浙江大學(xué)區(qū)域與城市規(guī)劃系,浙江杭州 310027;4.中國科學(xué)院新疆生態(tài)與地理研究所,新疆烏魯木齊 830011）
分析高分辨率遙感影像城市建筑物提取的難點,探討建筑物陰影與建筑物之間的關(guān)系,提出一種陰影輔助的建筑物提取方法:首先在高分辨率影像中提取出建筑物陰影對象,通過建筑物與其陰影的空間關(guān)系特征分離相互連接的建筑物對象并確認漏提取的建筑物對象,從而提高了建筑物的提取精度;將該方法運用于Quick Bird影像的建筑物提取實驗中,取得理想的實驗效果。
高分辨率遙感影像;建筑物提取;建筑物陰影;面向?qū)ο蠓诸?/p>
0 引言
近十年來,隨著IKONOS、Quick Bird、SPOT等高分辨率衛(wèi)星遙感應(yīng)用的深入及影像處理分析技術(shù)水平的提高,從影像中提取各類人工地物信息成為研究熱點,尤其是城市建筑物作為城市主要的人工地物之一,其提取對城市GIS數(shù)據(jù)更新、城市規(guī)劃和防災(zāi)減災(zāi)等都有著重要意義。為了準確、高效地提取城市建筑物,國內(nèi)外學(xué)者提出了眾多方法:侯蕾等[1]綜合利用建筑物的幾何和灰度特征進行了建筑物的自動提取;張煜等[2]提出了一種幾何約束與影像分割相結(jié)合的快速半自動房屋提取方法;Lin等[3]運用感知編組算法并結(jié)合陰影對建筑物進行了提取。近年來,以區(qū)域分割為基礎(chǔ)的面向?qū)ο笮畔⑻崛〖夹g(shù)愈加受到重視,Jiang等[4]運用面向?qū)ο蠓诸惣夹g(shù),綜合運用高分辨率遙感影像和DSM數(shù)據(jù)提取出實驗區(qū)的建筑物對象;Jorge等[5]運用面向?qū)ο蟮男畔⑻崛》椒▽Π臀髂喜康腝uick Bird和雷達數(shù)據(jù)進行了實驗分析;喬程等[6]運用“自下而上”的多尺度分割方法并結(jié)合建筑物的幾何和紋理特征對IKONOS影像進行了建筑物提取試驗;田新光[7]運用面向?qū)ο蠓诸惣夹g(shù)對城市和海岸帶的高分辨率遙感影像進行了信息提取。
在高空間分辨率影像中,城市建筑物光譜和紋理特征的一致性較差,幾何形態(tài)多樣,致使其提取相對比較困難,提取精度較低。另一方面,在面向?qū)ο蟮慕ㄖ锾崛∵^程中常受到以下干擾:1）相鄰建筑物之間的柵欄或道路的光譜特征與建筑物相近,在多尺度分割過程中會造成建筑物和陰影對象之間合并及相離建筑物對象的合并;2）在多尺度分割過程中常出現(xiàn)建筑對象和周圍植被對象相互合并的情況,從而造成提取結(jié)果中包含非建筑物對象以及建筑物對象被遺漏現(xiàn)象。
在以往建筑物的提取過程中更多地考慮了其光譜特征和幾何特征,而缺少對其空間上下文關(guān)系信息的分析和運用。本文在分析建筑物陰影特性的基礎(chǔ)上,提取出建筑物陰影與建筑物的空間關(guān)系特征,并將其融入面向?qū)ο蟮慕ㄖ锾崛∵^程中,有效地避免了以上干擾因素的影響,提高了建筑物的提取精度。
1 研究方法
城市建筑物多同道路相鄰,其周圍散布著稀疏植被且多以群落形式存在(尤其在城市居住區(qū)中）;此外因受到不同角度的太陽光照影響,在遙感影像上建筑物往往與陰影相伴,這些都是建筑物提取中可利用的重要空間關(guān)系特征;特別是城市建筑物陰影不但形成了相鄰建筑物之間的隔離帶,而且可以作為判斷建筑物存在的依據(jù),這些特征均反映了建筑物空間關(guān)系屬性。本文挖掘和應(yīng)用這類空間關(guān)系信息,以提高高空間分辨率影像建筑物提取的精度。
基于以上分析設(shè)計了陰影輔助下的建筑物提取流程(圖1）:1）對影像進行較小尺度分割,提取出建筑物陰影對象并進行類內(nèi)合并形成完整的陰影對象,然后提取綠地、水體對象(不再做進一步處理）和建筑物陰影對象合并形成掩膜;2）利用掩膜對未分類區(qū)域進行大尺度分割,并計算各對象與建筑物陰影類的空間相鄰關(guān)系特征;3）對大尺度對象運用嚴格約束條件的屬性閾值精確提取出部分建筑物;4）運用第二步中的空間關(guān)系特征檢測未分類對象中遺漏的建筑物對象,與第三步中建筑物提取結(jié)果合并,形成完整的建筑物對象。
圖1 建筑物提取的技術(shù)流程Fig.1 Technology flowchart of extraction of urban buildings
1.1 城市建筑物陰影的提取
遙感影像中建筑物陰影的亮度較暗,與水體較為接近,若只考慮單一的光譜特征,會使陰影和水體混雜在一起。但建筑物陰影也具有與水體和樹木陰影不同的幾何特征:1）建筑物陰影呈帶狀,具有一定的長度、寬度和面積(遠小于城市水體面積）;而樹木的陰影成點狀,散亂分布;2）建筑物陰影的幾何形態(tài)比較規(guī)則,近似為細長矩形,長寬比較大;而水體的面積較大,長寬比較小,外形比較復(fù)雜,形狀指數(shù)相對較大;3）陰影一定出現(xiàn)在建筑物背向光源的地方,即北半球出現(xiàn)在建筑物之北,南半球出現(xiàn)在建筑物之南。
基于以上對建筑物陰影特征的分析,綜合運用分割對象光譜和幾何特征提取出建筑物的陰影(流程圖中①）:首先對遙感影像進行小尺度分割;然后運用陰影光譜亮度較小的特性對分割結(jié)果進行分類,提取出陰影類(建筑物陰影和樹木陰影）和水體,并分別進行類內(nèi)合并;最后對陰影類綜合運用建筑物陰影的幾何特征提取出比較完整的建筑物陰影,通過類內(nèi)合并得到連續(xù)的建筑物陰影區(qū)域。
由于植被光譜特征的獨特性,植被對象的提取相對容易,相關(guān)方法可參考文獻[8,9]。
1.2 嚴格閾值下部分建筑物對象的提取
在提取出建筑物之間陰影帶的基礎(chǔ)上,對未分類的對象區(qū)域進行大尺度分割(流程圖中②）。由于先提取出建筑物陰影類形成了建筑物間空間上的隔離帶,避免了在大尺度分割中出現(xiàn)建筑物越過陰影帶而同其他建筑物(或地物）相連的現(xiàn)象。
經(jīng)上述多尺度分割,形成了比較完整的建筑物對象。利用面向?qū)ο蟮臎Q策樹分類方法,并使用閾值范圍較小的光譜(亮度）和幾何屬性(形狀指數(shù)、矩形度等）參數(shù),可以準確地提取出部分建筑物對象(流程圖中③）,其原則是盡可能多的提取出建筑物對象,即較小的誤提率,從而排除其他非建筑物對象的干擾。
1.3 利用陰影確認漏提取的建筑物對象
由于上一步中運用了范圍較小的閾值條件提取建筑物,在準確提取建筑物的同時也造成了一些建筑物對象的丟失,因此需要檢測出未被提取的建筑物對象。運用建筑物陰影與建筑物相互鄰接的空間關(guān)系特性并設(shè)定一定的閾值,對1.2節(jié)中未分類的對象進行基于鄰接關(guān)系的分類,檢測出未被提取出的建筑物對象(流程圖中④）,并與1.2節(jié)中提取出的建筑物對象合并,得到完整的建筑物對象區(qū)域。
2 陰影輔助下的城市建筑物提取實驗
本文以武漢市局部地區(qū)為實驗區(qū)域,采用由全色波段和多光譜波段融合成的QuickBird高分辨率遙感影像(分辨率0.61 m）,分別進行未考慮陰影和陰影輔助下的面向?qū)ο蠼ㄖ锾崛嶒?對比分析其分類結(jié)果。
2.1 實驗一(未考慮陰影）
運用多尺度分割技術(shù)對實驗區(qū)影像進行分割(小尺度參數(shù):尺度20,形狀因子0.2,光譜因子0.5;大尺度參數(shù):尺度80,形狀因子0.8,光譜因子0.3）,分割效果如圖2所示。利用面向?qū)ο蟮臎Q策樹分類方法,對分割結(jié)果進行分類,并提取出建筑物對象(矩形度大于0.6,形狀指數(shù)在1.3～2.6）,結(jié)果如圖3所示。
2.2 實驗二(陰影輔助）
在考慮建筑物陰影隔離帶輔助作用下,對影像進行相同策略和相同參數(shù)的多尺度分割,結(jié)果如圖4所示。對分割結(jié)果進行嚴格閾值下的部分建筑物對象提取(矩形度大于0.8,形狀指數(shù)在1.3～2.2）,得到部分建筑物對象。
對未分類區(qū)域運用對象同建筑物陰影相互鄰接的空間關(guān)系(相對公共邊界達45%）進一步確定出更多的建筑物對象,并同上步中的建筑物對象合并,得到最終的建筑物提取結(jié)果(圖5）。
2.3 實驗效果分析和精度評價
影像分割方面,由于實驗一未考慮陰影,影像分割結(jié)果(圖2）存在建筑物相互粘連(1、2、3處）和植被對象對建筑物整體輪廓干擾(4、5處）現(xiàn)象;而實驗二陰影輔助的分割結(jié)果(圖4）有效避免了直接分割造成的不足。建筑物提取方面,實驗一(圖3）中1、2、4處有多個建筑物未被提取出來,而3、4處的道路和植被又被錯分為建筑物;而在陰影輔助下(圖5）有效地避免了這些錯誤,準確地提取出全部的建筑物區(qū)域,并且提取出的建筑物外形輪廓更加光滑,更接近真實的建筑物外形。
從定量的角度,利用傳統(tǒng)的基于光譜特征分類結(jié)果的評價標(biāo)準,分別對常規(guī)方法的建筑物提取結(jié)果和本文方法的提取結(jié)果進行精度評價和對比分析(表1、表2）。對比表1、表2可以看出:本文方法由于在多尺度分割過程和面向?qū)ο蟮慕ㄖ锾崛∵^程中加入了建筑物的陰影空間關(guān)系信息,使得建筑物的提取精度從 75.29%提高至86.33%。
表1 常規(guī)建筑物提取結(jié)果精度評價Table 1 Evaluation precision parameters of result by conventionalmethod
表2 本文方法建筑物提取結(jié)果精度評價Table 2 Evaluation precision parameters of result using themethod in this paper
實驗中兩種方法都對植被區(qū)域進行了掩膜處理,從而可以排除植被的干擾;因?qū)嶒灢]有設(shè)計很復(fù)雜的特征組合策略,而重點關(guān)注陰影特征對建筑物提取精度的提高,故實驗中兩種建筑物提取方法的精度都較低。此外對比分析實驗結(jié)果發(fā)現(xiàn),一些地物周圍并沒有建筑物陰影的存在,分割結(jié)果也得到明顯改善,可能是在大尺度分割過程中,建筑物陰影影響了地物整體格局,使得自下而上的合并過程重新考慮相互合并的對象,使對象間的合并更加合理。
3 結(jié)論
本文考慮了對象之間的空間上下文關(guān)系特征,將建筑物陰影同建筑物的空間關(guān)系特征運用到面向?qū)ο蟮慕ㄖ锾崛〉膬蓚€重要環(huán)節(jié):1）大尺度分割,利用提取出的建筑物陰影將建筑物對象同其他地物對象和非同一建筑物對象隔離開,優(yōu)化了多尺度分割結(jié)果的空間格局結(jié)構(gòu);2）面向?qū)ο蠓诸?利用建筑物陰影和建筑物相鄰的空間關(guān)系特征進一步確認出漏提取的建筑物對象,有效提高了建筑物提取精度。陰影輔助下的建筑物提取為空間關(guān)系在面向?qū)ο蟮牡匚锾崛∵^程中的運用做了嘗試,但仍存在以下問題需要解決和完善:在特殊的情況下,比較整齊的行樹陰影可能形成與建筑物陰影相似的形狀特征,較難區(qū)分;一些房頂由于材料的特殊性,在分類過程中可能被錯分為陰影;需進一步挖掘和運用地物間其他空間關(guān)系信息,深入研究高分辨率遙感影像城市建筑物的提取。
[1] 侯蕾,尹東,尤曉建.一種遙感圖像中建筑物的自動提取方法[J].計算機仿真,2006,23(4）:184-187.
[2] 張煜,張祖勛,張劍清.幾何約束與影像分割相結(jié)合的快速半自動房屋提取[J].武漢測繪科技大學(xué)學(xué)報,2000,25(3）:238-242.
[3] L IN C,HUERTASA,NEVA TIA R.Detection of buildings using perceptual grouping and shadow s[A].IEEE Proceedingsof Computer Vision and Pattern Recognition[C].1994.62-69.
[4] JIANGN,ZHANG J X,L IH T,et al.Object-oriented building extraction by DSM and very high-resolution or thoimages[A]. The International A rchives of the Photogrammetry,Remote Sensing and Spatial Information Sciences[C].2008.441-445.
[5] JORGE A SC,M IQUELES.Extraction of buildings in Brasilian urban environments using high resolution remote sensing imagery and laser scanner data[A].ISPRS Congress[C].2004. 589-692.
[6] 喬程,駱劍承,吳泉源,等.面向?qū)ο蟮母叻直媛视跋癯鞘薪ㄖ锾崛J].地理與地理信息科學(xué),2008,24(5）:36-39.
[7] 田新光.面向?qū)ο蟾叻直媛蔬b感影像信息提取[D].中國測繪工程研究院,2007.
[8] 樊恒通.基于面向?qū)ο蠓椒ǖ某鞘兄脖惶崛∨c綠量估算研究[D].河海大學(xué),2006.
[9] 劉雯,駱劍承,沈占鋒,等.多尺度植被信息提取模型研究[J].計算機應(yīng)用研究,2009,26(6）:2398-2400.
Shadow-Assisted Object-Orien ted Extraction of Urban Buildings
ZHOU Ya-nan1,2,SHEN Zhan-feng1,LUO Jian-cheng1,CHEN Qiu-xiao3,HU Xiao-dong1,SHEN Jin-xiang4
(1.Institute of Remote Sensing A pp lications,Chinese Academ y of Sciences,Beijing 100101;
2.School of Geodesy and Geom atics,W uhan University,W uhan 430079;
3.Department of Regional and U rban Planning,Zhejiang University,Hangzhou 310027;
4.Xinjiang Ecology and Geography Institute,Chinese Academ y of Science,U rumchi 830011,China）
In this paper,an efficient app roach for urban buildings′extraction regarding adjacency relationship between buildings and their shadow s is p resented.First,based on the resultsof multi-scale segmentation w ith a smaller scale,the initial classification of the images is p refo rmed,and then buildings′shadow s are extracted,employing their geometric and spectral p roperties. Second,some p rimitive objectsof buildings are extracted from objects of bigger scales by strict thresholds,and adjacency relationship between shadow s and other objects is computed.Finally,from undefined objects,the missing buildings′objects are recovered w ith the help of the adjacency,generating comp lete region of buildings.The experimental results demonstrate that extraction accuracy of the p roposed app roach is higher,and that spatial adjacency is a better selection of features fo r the information extraction from high resolution images.
high-resolution remote sensing image;building extraction;building shadow;object-oriented classification
TP75
A
1672-0504(2010）03-0037-04
2009-10-26;
2009-12-22
國家863計劃項目課題(2009AA12Z123、2009AA12Z121）;國家科技支撐計劃重大項目課題(2006BAJ02A01、2006BAJ03A08）
周亞男(1987-）,男,碩士研究生,研究方向為遙感信息提取。E-mail:zhounanq@126.com
猜你喜歡
文苑(2020年11期)2020-11-19 11:45:11
內(nèi)蒙古民族大學(xué)學(xué)報(社會科學(xué)版)(2020年2期)2020-11-06 09:08:52
中國詩歌(2019年6期)2019-11-15 00:26:47
電子測試(2018年15期)2018-09-26 06:01:34
電測與儀表(2017年24期)2017-12-19 05:15:24
中學(xué)生數(shù)理化·八年級物理人教版(2017年11期)2017-04-18 11:22:54
太空探索(2016年5期)2016-07-12 15:17:55
數(shù)學(xué)大王·中高年級(2016年4期)2016-05-14 12:56:02
現(xiàn)代計算機(2016年12期)2016-02-28 18:35:25
時代英語·高三(2014年5期)2014-08-26 17:01:17
