胡榮明,黃小兵,黃遠程

西安科技大學測繪科學與技術學院,陜西西安 710054

增強形態(tài)學建筑物指數(shù)應用于高分辨率遙感影像中建筑物提取

胡榮明,黃小兵,黃遠程

西安科技大學測繪科學與技術學院,陜西西安 710054

提出一種增強的形態(tài)學建筑物指數(shù)(EMBI),利用該指數(shù)和地物的幾何形狀約束可完成高分辨率建筑物的自動提取。首先提取城市的不透水層特征,然后通過建立建筑物屬性與形態(tài)學運算之間的關系得到EMBI特征圖像,以增強對建筑物的描述,最后結合形狀特征(長寬比、面積等)采用決策樹分析的方法完成對建筑物的提取。為了驗證本文方法的有效性,利用華盛頓特區(qū)商業(yè)街的航空高光譜HYDICE影像和武漢大學的兩幅QuickBird影像進行對比試驗,表明本文算法比MBI算法能獲得更好的建筑物提取結果,其總體精度分別提高了7.31%、6.48%和7.83%。

高分辨率影像;增強形態(tài)學建筑物指數(shù);城市不透水層;形狀特征;決策樹

1 引 言

高空間分辨率遙感影像能夠展現(xiàn)大量的地物特征,包括地物的顏色、尺寸、形狀、紋理以及物體間的布局關系,空間幾何信息異常豐富,這使得利用高分辨率影像對城市建筑物進行精確識別成為可能。然而,高分辨率影像中同類地物的光譜統(tǒng)計特征存在較大的光譜異質性,這使得僅利用光譜信息提取地物不能得到滿意的結果。為此,近年來人們提出了空-譜結合的分析方法,認為空間特征是與光譜特征互補的信息[1]。譬如,文獻[2]提出了一種利用結構信息、上下文信息和光譜信息自動提取建筑物的方法,通過3種不同信息的整合完成了對建筑物的提取;文獻[3]應用模糊邏輯分類器結合光譜、空間、紋理和上下文特征等知識規(guī)則進行建筑物分類;文獻[4]先用ECHO和ISODATA進行分類,然后利用HOUGH變換完成了對建筑物的提取;同時以分割為基礎的面向對象的分析方法也得到應用,如文獻[5—6]提出了一個基于SVM的集成方法,該方法將面向對象和基于像素的方法結合起來對城市地物進行分類;文獻[7]利用改進的像素級和對象級遙感影像的分類方法來區(qū)分不同的地物。針對城市地物的特殊形態(tài),人們也提出一些相應的空間特征計算方法,如像元形狀指數(shù)(PSI)[8]、形態(tài)學序列[9]、基于小波紋理的城市多尺度復雜指數(shù)(MUCI)[10-11]等。為了增強對建筑物的自動提取效率,人們也提出了一些新的方法,如文獻[12]利用“方差的比值差異(DRV)”提出建筑物半自動識別的方法;文獻[13]基于建筑物具有高的局部對比度提出建筑物存在指數(shù)的紋理計算方法,稱之為“Pan Tex”;文獻[14]提出形態(tài)學建筑物指數(shù)(morphology building index,MBI)。這些算法中MBI算法取得了較高的建筑物提取精度,但是它存在3個問題:①MBI算法將波段最大值定義的亮度圖像作為基礎特征構建建筑物指數(shù),但因其忽略建筑物的亮度差異而造成部分建筑物遺漏;②MBI算法的后處理需要結合NDVI的處理,增加了算法的復雜度;③MBI算法建筑物提取結果中的同質區(qū)域內(nèi)部存在很多噪聲,影響了提取的精度。針對MBI的不足,本文以建筑物的物理屬性和幾何形態(tài)特征的分析為基礎,提出一種新的增強型形態(tài)學建筑物指數(shù)(enhanced morphological building index,EMBI)分析方法。對比于MBI的亮度特征,本文方法以V-I-S(vegetation-impervious surface-soil)模型[15]為基礎,將建筑物描述成具有不透水物理屬性的地物,從而將其與植被、土壤、水體等透水性地物有效地區(qū)分開來,并以多尺度、多方向的幾何特征及形狀特征(即長寬比與區(qū)域面積)來區(qū)分建筑物對象和城市道路等地物。

2 增強型形態(tài)學建筑物指數(shù)(EMBI)

EMBI算法主要由3部分構成,首先對高分辨多光譜圖像進行混合光譜分解[16]提取不透水層組分圖像g(x)來表征建筑物的物理不透水屬性,然后利用多尺度、多方向形態(tài)學開閉重建運算建立建筑物EMBI特征圖像,最后利用決策樹的分析方法對EMBI特征圖像、連通區(qū)域的形狀特征即長寬比ratio(x)和面積area(x)進行分層閾值判決分析完成對建筑物的提取,具體流程如圖1。

圖1 EMBI算法的流程圖Fig.1 Flowchart of EMBI algorithm

2.1 不透水層組分圖像的提取

根據(jù)文獻[15]建立的城市地物覆蓋模型V-IS,建筑物是城市地物中不透水層覆蓋的主要構成。因此,提取不透水層作為建筑物提取的基礎特征圖像,來表征建筑物的物理屬性,該過程主要利用了凸幾何端元提取方法和線性混合光譜分解理論。首先依據(jù)V-I-S模型定義高亮度不透水地物、低亮度不透水地物、植被、土壤和陰影或水體5種端元;因基于凸幾何原理這些端元分布在散點圖的頂點區(qū)域,接著在高分辨多光譜圖像主成分變換后的前3個主成分構成的特征空間散點圖的頂點選取地物端元,并將散點圖頂點區(qū)域在相應的圖像樣本的平均波譜作為端元波譜;最后以定義后的端元對影像進行混合光譜分解得到組分圖像,并將高、低亮度組分圖像組合形成包含建筑物的不透水層組分圖像g(x)。

2.2 形態(tài)學建筑物指數(shù)(EMBI)的建立

數(shù)學形態(tài)學作為區(qū)域特征描述中的一個有效工具,被用來提取影像中感興趣的成分。數(shù)學形態(tài)學基于一些基本的運算,比如灰度形態(tài)學開(opening)、閉(closing)常常被用來分離一些或暗或亮的細節(jié)特征,同時使影像的總體特征保持相對穩(wěn)定。形態(tài)學重建是另一類常用的運算,它被證明比傳統(tǒng)的形態(tài)學運算更好地減少形狀的損失,并且在影像紋理[17]提取和分割[18]中已經(jīng)被驗證。目前形態(tài)學運算已經(jīng)被成功運用到高分辨率影像中[19],特別是形態(tài)學粒度分析和開/閉重建等[20]。本文針對建筑物在高分辨率影像中表現(xiàn)出來的獨特的空間特征,設計新的多粒度形態(tài)學算子(opening by reconstruction followed by closing by reconstruction,OFC),它是開重建(opening by reconstruction)和閉重建(closing by reconstruction)的混合運算,并以建筑物不透水層圖像為基礎,提出新的形態(tài)學建筑指數(shù)EMBI(enhanced morphological building index),其過程如下:

2.2.1 定義結構體

設線性結構體元素SE＝strel(‘line’,d,s),由于城市的道路易與低照度的建筑混淆,而道路具有各向異性,相對而言建筑物各方向性質相近。因而采用線性結構元素有利于區(qū)分道路和建筑物,d,s分別表示線性結構元素的方向和大小。

2.2.2 OFC算子及OFC算子的白帽變換(W-TH)

形態(tài)學開重建能夠平滑圖像中小于結構體的明亮細節(jié)信息并同時保持總體特征穩(wěn)定;閉重建能夠平滑圖像中小于結構體的暗細節(jié)信息并同時保持總體特征穩(wěn)定。形態(tài)學算子OFC定義為

這兩幅影像相減可以得到比所定義的結構元素小同時又比周圍相鄰區(qū)域亮的特征。

2.2.3 OFC算子的多尺度形態(tài)學序列

由于有時無法事先確定感興趣目標的大小,而且某些特定的目標在影像中通常表現(xiàn)為多尺度形態(tài),因此,文獻[19]提出了多尺度形態(tài)學序列(morphological profiles,MP)。類似的,本文基于OFC算子的多尺度形態(tài)學序列定義如下

為了充分利用多尺度的形態(tài)學特征,文獻[21]在MP基礎上,發(fā)展了一種新的形態(tài)學算子,稱為多尺度差分形態(tài)學序列(differential morphological profiles,DMP)。同理,基于OFC算子的多尺度差分形態(tài)學序列定義如下

式中,Δs是連續(xù)尺度的間隔,s∈(smin,smax)。

2.2.4 增強型形態(tài)學建筑物指數(shù)EMBI

設DN和SN分別表示結構元素的方向個數(shù)和尺寸個數(shù),DMPW-THOFC(di,sj)表示結構體大小為di和方向為sj的差分形態(tài)學特征。建筑物指數(shù)是該多方向和多尺度的差分形態(tài)學序列的平均值,即

對比于狹長的道路和噪聲,高分辨率影像中建筑物是連續(xù)的區(qū)域,它在不同尺度和方向都能保持較好的差分形態(tài)學特征,因而響應都較強。因為像元EMBI值越大,越表明該像元屬于建筑物,所以設定閾值t1對EMBI特征進行閾值分割,得到建筑物區(qū)域提取的初步結果。

2.3 形態(tài)學建筑物指數(shù)的后處理

通過對EMBI特征圖像進行閾值分割可以剔除EMBI特征值較小的非建筑物地物,但是特征值較大的非建筑物很難剔除,主要表現(xiàn)為部分道路和類似于噪聲的小面斑。因此,引入兩個形狀特征ratio(x)和area(x)。area(x)為連通區(qū)域中的像元的總數(shù),ratio(x)的公式為

式中,Wr(x)表示包含連通區(qū)域的最小矩形的寬度;Lr(x)表示包含連通區(qū)域的最小矩形的長度。ratio(x)用于區(qū)分建筑物與狹長道路對象;area(x)用于區(qū)分建筑物和小面積地物,這種地物稱為噪聲。后處理的原理如圖2。

3 建筑物的提取試驗

利用EMBI算法對3幅高分辨率影像進行建筑物的提取試驗,并且與MBI算法的提取結果進行對比。采用4種統(tǒng)計方法對提取的結果進行評價,OE(omission error)、CE(commission error)反映的是建筑物漏分率和錯分率,總體精度(OA)和Kappa系數(shù)反映建筑物和背景兩者的區(qū)分程度。

圖2 后處理原理圖Fig.2 Schematic for post-processing

3.1 HYDICE影像試驗

該數(shù)據(jù)是HYDICE傳感器獲取的華盛頓商業(yè)街的航空高光譜影像,其光譜范圍為0.4～2.4μm之間,包含210個波段,去除吸水波段后剩余191個波段,本試驗圖像的大小為505像素× 151像素(圖3)。該影像中的地物類型主要包括建筑屋頂、瀝青路、小道、植被(草地與林地)、水體等,提取的難度在于建筑物的材料多樣性導致建筑物類內(nèi)光譜差異大,同時部分道路與部分建筑物光譜相似。圖3(b)中建筑物和背景的樣本數(shù)量分別為10 234像素和18 310像素,背景包括道路、小道和植被。根據(jù)VIS模型定義5種端元:高亮度不透水層、低亮度不透水層、道路、植被和水體。圖3(c)是不透水層組分圖像,可以看出建筑物和植被亮度差異明顯,證明利用混合像元分解的方法提取不透水層圖像可以很好地剔除植被的干擾。相比而言,MBI算法提取的是包含建筑物的亮度圖像(如圖3(d))。在圖3(d)中點線標記的建筑物的亮度值很小,而虛線標記的植被的亮度值卻很大,表明MBI算法提取的亮度圖像會造成建筑物的部分遺漏,同時容易與植被產(chǎn)生混淆。設置形態(tài)學運算的結構體尺寸s的變化序列為s＝{9,13,17,21,25,29,33},方向d的變化序列為d＝{22.5,45,67.5,90,112.5,135,157.5, 180}。圖3(e)和圖3(f)分別表示EMBI和MBI特征。對比可以看出,EMBI特征圖像明暗對比明顯,且對象內(nèi)部特征均勻,而MBI特征中對象內(nèi)部亮度存在異質性因素干擾,這表明OFC運算的優(yōu)勢。對計算得到的建筑按如下經(jīng)驗參數(shù)進行決策樹判別:EMBI參數(shù)為t1＝0.3、t2＝4.6、t3＝150;MBI算法參數(shù)為t1＝0.3,NDVI閾值設為0.05,ratio特征閾值設為4.6,area特征閾值設為150。

圖3(g)—(i)為EMBI圖像按多層決策樹判別后的結果,圖3(i)為EMBI算法最終提取建筑物區(qū)域,對比圖3(j)MBI算法得到的建筑物區(qū)域。表1為該試驗結果的精度評定,從中可以看出,相對于MBI算法,后處理前后的總體精度分別提高16.13%和7.31%,Kappa系數(shù)分別提高0.120 9和0.091 5,后處理前后的漏分率分別降低15.51%和7.92%,錯分率分別降低10.42%、3.14%。這表明利用EMBI算法可以更好地區(qū)分建筑物和背景,同時建筑物提取的錯分率和漏分率更低。

3.2 Quick Bird影像試驗

該數(shù)據(jù)選取武漢市洪山區(qū)武漢大學的Quick Bird影像,波段數(shù)為4,該地區(qū)覆蓋類型包括:林地、草地、建筑物、道路、裸地。從該數(shù)據(jù)中截取兩塊區(qū)域,分別如圖4(a)和圖5(a),兩幅數(shù)據(jù)的大小都為400像素×400像素,定義4種類型端元,高亮度不透水層、低亮度不透水層、植被和陰影;形態(tài)學運算的結構體尺寸s的變化序列為s＝{3,8,13,18,23,28},方向d的變化序列為d＝{22.5,45,67.5,90,112.5,135,157.5,180}; EMBI的多層決策參數(shù)定義為t1＝0.1、t2＝6.9、t3＝100;MBI閾值t1為0.1,NDVI閾值設為0.08,ratio特征閾值設為6.9,area特征閾值設為100。

兩幅影像提取的結果分別如圖4和圖5。通過對比可以看出:①EMBI特征圖像相對MBI特征圖像可以更好地移除同質區(qū)域內(nèi)部的噪聲,保持同質區(qū)域的完整性,表明EMBI算法中OFC算子具有更好地平滑明暗細節(jié)同時提高同質區(qū)域一致性的特點;②圖5(g)和圖5(h)通過對比可以看出,利用EMBI算法提取的建筑物圖像可以更好地剔除道路等非建筑物的干擾,表明該算法可以更好地解決建筑物與道路等光譜相似地物的混淆問題。表2為試驗結果的精度評定。從表2中可以看出,相對于MBI算法,影像1后處理前后EMBI算法的總體精度分別高出了8.28%、6.48%,Kappa系數(shù)分別提高0.113 1、0.069 4,漏分率分別降低了8.44%、8.24%,錯分率分別降低了3.36%、4.57%;影像2后處理前后EMBI算法的總體精度分別提高10.76%和7.83%,Kappa系數(shù)分別提高0.095 3和0.077 2,漏分率分別降低7.47%和6.43%,錯分率分別降低9.85%和5.16%。高的分類精度和低的錯分漏分率進一步證明EMBI算法能夠更加有效、準確地完成建筑物提取。

表1 HYDICE精度評定表Tab.1 Table of accuracy assessment for HYDICE

圖3 HYDICE影像建筑物提取的結果Fig.3 Results of building extraction for HYDICE image

表2 QuickBird影像精度評定Tab.2 Table of accuracy assessment for QuickBird images

圖4 Quick Bird影像1建筑物提取的結果Fig.4 Results of building extraction for Quick Bird images 1

圖5 Quick Bird影像2建筑物提取的結果Fig.5 Results of building extraction for Quick Bird images 2

4 結 論

本文從建筑物的不透水物理屬性出發(fā),結合多尺度形態(tài)幾何特征和建筑物的形狀結構特征的約束建立了新的形態(tài)學建筑物提取方法,獲得了令人滿意的結果。需要說明的是,試驗中控制連通區(qū)域的長寬比、面積的參數(shù)是依經(jīng)驗設置的,在將來的研究中需要進一步提高參數(shù)設置的自動定義方法的研究,使本文方法能夠推向實際的城市地物提取的工程應用中。

致謝:感謝武漢大學測繪遙感信息工程國家重點實驗室提供的武漢區(qū)域QuickBird高分辨率影像。

[1] FAUVEL M,TARABALKA Y,BENNEDIKTSSON J A, et al.Advances in Spectral-spatial Classification of Hyperspectral Images[J].Proceedings of IEEE,2013,101(3): 652-675.

[2] JIN X,DAVIS C H.Automated Building Extraction from High-resolution Satellite Imagery in Urban Areas UsingStructural,Contextual,and Spectral Information[J].EURASIP Journal on Applied Signal Processing,2005, 2005(14):2196-2206.

[3] TAN Qulin.Urban Building Extraction from VHR Multispectral Images Using Object-based Classification[J].Acta Geodaerica et Cartographica Sinica,2010,39(6): 618-623.(譚衢霖.高分辨率多光譜影像城區(qū)建筑物提取研究[J].測繪學報,2010,39(6):618-623.)

[4] LEE D S,SHAN J,BETHEL J S.Class-guided Building Extraction from Ikonos Imagery[J].Photogrammetric Engineering&Remote Sensing,2003,69(2):143-150.

[5] H UANG X,ZH ANG L.An SVM Ensemble Approach Combining Spectral,Structural,and Semantic Features for the Classification of High-resolution Remotely Sensed Imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2013,51(1):257-272.

[6] HUANG X,ZHANG L.An Adaptive Mean-shift Analysis Approach for Object Extraction and Classification from Urban Hyperspectral Imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2008,46(12): 4173-4185.

[7] LI Gang,WAN Youchuan.Synthesis Classification of Remote Sensing Image Based on Improved Pixel-level and Objectlevel Methods[J].Acta Geodaetica et Cartographica Sinica,2012,41(6):891-897.(李剛,萬幼川.基于改進的像素級和對象級的遙感影像合成分類[J].測繪學報, 2012,41(6):891-897.)

[8] HUANG X,ZHANG L,LI P.Classification and Extraction of Spatial Features in Urban Areas Using High Resolution Multispectral Imagery[J].IEEE Geoscience Remote Sensing Letter,2007,4(2):260-264.

[9] FAUVEL M,BENEDIKTSSON J A,CHANUSSOT J, et al.Spectral and Spatial Classification of Hyperspectral Data Using SVMs and Morphological Profiles[J].IEEE Transactions on Geoscience and Remote Sensing,2008, 46(11):3804-3814.

[10] HUANG X,ZHANG L.A Multiscale Urban Complexity Index Based on 3D Wavelet Transform for Spectral-spatial Feature Extraction and Classification:An Evaluation on the 8-channel Worldview-2 Imagery[J].International Journal of Remote Sensing,2012,33(8):2641-2656.

[11] OUMA Y O,NGIGI T G,TATEISHI R.On the Optimization and Selection of Wavelet Texture for Feature Extraction from High-resolution Satellite Imagery with Application towards Urban:Tree Delineation[J].International Journal of Remote Sensing,2006,27(1): 73-104.

[12] LHOMME S,HE D C,WEBER C,et al.A New Approach to Building Identification from Very-high-spatial Resolution Images[J].International Journal of Remote Sensing,2009,30(5):1341-1354.

[13] PESARESI M,GERHARDINGER A,KAYITAKIRE F. A Robust Built-up Area Presence Index by Anisotropic Rotation-invariant Textural Measure[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2008,1(3):180-192.

[14] HUANG X,ZHANG L.A Multidirectional and Multiscale Morphological Index for Automatic Building Extraction from Multispectral GeoEye-1 Imagery[J].Photogrammetric Engineering and Remote Sensing,2011,77(7): 721-732.

[15] LU D,HETRICK S,MORAN E.Impervious Surface Mapping with Quick Bird Imagery[J].International Journal of Remote Sensing,2011,32(9):2519-2533.

[16] WU C,MURRAY A T.Estimating Impervious Surface Distribution by Spectral Mixture Analysis[J].Remote Sensing of Environment,2003,84(4):493-505.

[17] PESARESI M,BENEDIKTSSON J A.A New Approach for the Morphological Segmentation of High-resolution Satellite Imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2001,39(2):309-320.

[18] EPIFANIO I,SOILLE P.Morphological Texture Features for Unsupervised and Supervised Segmentations of Natural Landscapes[J].IEEE Transactions on Geoscience and Remote Sensing,2007,45(4):1074-1083.

[19] BENEDIKTSSON J A,PESARESI M,ARNASON K.Classification and Feature Extraction for Remote Sensing Images from Urban Areas Based on Morphological Transformations[J].IEEE Transactions on Geoscience and Remote Sensing,2003,41(9):1940-1949.

[20] ACQUA F D,GAMBA P,FERRAI A,et al.Exploiting Spectral and Spatial Information in Hyperspectral Urban Data with High Resolution[J].IEEE Geoscience and Remote Sensing Letters,2004,1(4):322-326.

[21] BENEDIKTSSON J A,PALMASON J A,SVEINSSON J R.Classification of Hyperspectral Data from Urban Areas Based on Extended Morphological Profiles[J].IEEE Transactions on Geoscience and Remote Sensing,2005, 43(3):480-491.

(責任編輯:叢樹平)

An Enhanced Morphological Building Index for Building Extraction from High-resolution Images

HU Rongming,HUANG Xiaobing,HUANG Yuancheng
College of Geomatics,Xi’an University of Science and Technology,Xi’an 710054,China

This study proposed an enhanced morphological building index(EMBI)for automatic building extraction from high-resolution remotely sensed imagery.Firstly it is extracted the urban impervious feature,and then EMBIis built based on a multi-scale white top-hat morphology reconstruction operation on the feature,which taking advantage of the relationship between the physical properties of buildings and morphological operators.Subsequently,the EMBI feature image combined with the shape characteristics (length-width ratio,area,etc.)completed the final building extraction using a decision tree method.In order to verify the proposed method,the Washington D C commercial street high-resolution hyperspectral HYDICE image and two QuickBird images covered Wuhan university were used.In these experiments,the EMBI algorithm achieved satisfactory results and outperformed the MBI algorithm in terms of accuracies,i.e.the overall accuracy respectively increased by 7.31%,6.48%,7.83%,which proved that the EMBI algorithm performed more reliability.

high-resolution images;enhanced morphological building index;urban impervious feature;shape characteristics;decision tree

HU Rongming(1969—),male,PhD, associate professor,majors in 3S application and precision engineering survey.

HUANG Yuancheng

P237

A

1001-1595(2014)05-0514-07

國家自然科學基金(61102112);陜西省教育廳科研計劃項目(2013JK0946);測繪遙感信息工程國家重點實驗室開放基金(12R04)

2013-12-02

胡榮明(1969—),男,博士,副教授,研究方向為3S應用與精密工程測量。

E-mail:huminzhang＠126.com

黃遠程

E-mail:yuancheng.huang＠gmail.com

HU Rongming,HUANG Xiaobing,HUANG Yuancheng.An Enhanced Morphological Building Index for Building Extraction from High-resolution Images[J].Acta Geodaetica et Cartographica Sinica,2014,43(5):514-520.(胡榮明,黃小兵,黃遠程.增強形態(tài)學建筑物指數(shù)應用于高分辨率遙感影像中建筑物提取[J].測繪學報,2014,43(5):514-520.)

10.13485/j.cnki.11-2089.2014.0084

修回日期:2014-02-17