溫　奇，王　薇，李苓苓，梅立琴，譚毅華

(1.民政部國(guó)家減災(zāi)中心，北京 100124；2.華中科技大學(xué) 自動(dòng)化學(xué)院，湖北 武漢 430074)

?

高分辨率遙感影像的平原建成區(qū)提取

溫奇1*，王薇1，李苓苓1，梅立琴2，譚毅華2

(1.民政部國(guó)家減災(zāi)中心，北京 100124；2.華中科技大學(xué) 自動(dòng)化學(xué)院，湖北 武漢 430074)

通過(guò)分析高分辨率遙感影像中平原建成區(qū)的紋理特征和局部關(guān)鍵點(diǎn)特征，提出了基于多核學(xué)習(xí)、多尺度分割以及多假設(shè)投票的平原建成區(qū)提取方法。該方法利用MR8紋理特征和尺度不變特征變換(SIFT)算法提取建成區(qū)，融合多個(gè)特征進(jìn)行學(xué)習(xí)和分類，從而加強(qiáng)了分類器的魯棒性和穩(wěn)定性，提高了檢測(cè)準(zhǔn)確率。該方法還通過(guò)超像素分割和多假設(shè)投票將基于圖像塊的判別結(jié)果轉(zhuǎn)化為基于像素的檢測(cè)結(jié)果，完全消除塊狀效應(yīng)，使得目標(biāo)區(qū)域具有準(zhǔn)確的邊緣和形狀。在多幅GF-1衛(wèi)星遙感圖像上進(jìn)行測(cè)試，結(jié)果顯示：提出方法的平均檢測(cè)精度為80%，平均召回率高于85%，平均F值可達(dá)80%以上，綜合指標(biāo)高于其他方法，驗(yàn)證了提取平原地形建成區(qū)的可行性和準(zhǔn)確性。由于建成區(qū)提取結(jié)果已精確到了像素級(jí)別，同時(shí)避免了漏檢和誤檢，提取出的建成區(qū)影像很準(zhǔn)確。

高分辨率遙感影像；平原建成區(qū)提??；多假設(shè)投票；多特征學(xué)習(xí);多尺度分割

1　引　言

建成區(qū)指市行政區(qū)范圍內(nèi)經(jīng)過(guò)征用的土地和實(shí)際建設(shè)發(fā)展起來(lái)的非農(nóng)業(yè)生產(chǎn)建設(shè)地段，主要指建筑物密集分布的區(qū)域。本文所述的建成區(qū)包括城市區(qū)域和鄉(xiāng)鎮(zhèn)區(qū)域，位于建成區(qū)內(nèi)部的水體綠地等區(qū)域和村落房屋聚集區(qū)也屬于本文的建成區(qū)提取范疇。在我國(guó)廣袤的國(guó)土范圍內(nèi)，地震、滑坡泥石流等自然災(zāi)害頻繁發(fā)生，使人民群眾的生命和財(cái)產(chǎn)遭受了極大損失。利用遙感影像提取建成區(qū)輪廓可以作為建筑物數(shù)量估算、街區(qū)地理網(wǎng)格構(gòu)建等工作的前期處理步驟，并可為災(zāi)害損失評(píng)估、應(yīng)急救援和災(zāi)后恢復(fù)重建提供信息支持。高分辨率遙感影像中的地物目標(biāo)信息更加豐富、精確，紋理和結(jié)構(gòu)信息更加明顯[1]，利用高分辨率遙感數(shù)據(jù)精確提取建成區(qū)輪廓也成為近年來(lái)學(xué)術(shù)界研究的熱點(diǎn)之一。

在上述背景下，學(xué)者們對(duì)遙感影像建成區(qū)提取技術(shù)進(jìn)行了探索和研究，并已取得了大量的科研成果。從有無(wú)監(jiān)督的角度，建成區(qū)提取方法可以分為兩種：一種是無(wú)監(jiān)督分類的方法。Sirmacek和Unsalan在2009年提出了一種用SIFT(Scale Invariant Feature Transform)提取關(guān)鍵點(diǎn)和圖理論檢測(cè)城區(qū)和建筑物的方法[2]。Tao等人提出了在多分辨率影像上提取Harris角點(diǎn)，再通過(guò)角點(diǎn)分布構(gòu)造似然函數(shù)以提取候選城區(qū)的方法[3]。利用改進(jìn)后的Harris角點(diǎn)檢測(cè)方法[4-5]，能夠更精確地提取出影像中的角點(diǎn)，減少噪聲的干擾，使后續(xù)提取出的建成區(qū)范圍更加精確。黃昕提出一種基于形態(tài)學(xué)理論的多方向多尺度建筑物指數(shù)MBI(Morphological Building Index)，該指數(shù)對(duì)于建成區(qū)判別效果顯著[6]；另一種是采用有監(jiān)督特征學(xué)習(xí)的方法檢測(cè)建成區(qū)。Barnsley和 Rarr用像元光譜特征學(xué)習(xí)的方法對(duì)遙感影像中的城區(qū)地物進(jìn)行判別和分類[7]。Yu等人用馬爾可夫隨機(jī)場(chǎng)和貝葉斯模型,結(jié)合地圖知識(shí)和上下文信息建立一種反饋控制機(jī)制，在SPOT圖像中檢測(cè)建成區(qū)并進(jìn)行圖像的魯棒性分析[8]。L. Weizman等人通過(guò)將一批圖像分割為大小相同的子塊進(jìn)行離線訓(xùn)練，形成視覺(jué)詞典，然后用該視覺(jué)詞典對(duì)另一批圖像進(jìn)行在線測(cè)試，由于訓(xùn)練樣本來(lái)自大量不同的圖像，故該方法能夠克服多種場(chǎng)景變化[9]。Tao等人采用多核學(xué)習(xí)和圖割的方法進(jìn)行城區(qū)檢測(cè)，并融合了多特征對(duì)圖像子塊進(jìn)行學(xué)習(xí)和判別，為了優(yōu)化圖像塊判別結(jié)果，用圖割方法進(jìn)行平滑，最終得到像素級(jí)的檢測(cè)結(jié)果[10]。

以上方法在進(jìn)行建成區(qū)檢測(cè)時(shí)，由于對(duì)建成區(qū)邊界范圍的準(zhǔn)確性考慮不足，導(dǎo)致提取出的建成區(qū)邊界和實(shí)際邊界差異較大，同時(shí)也存在較多的漏檢和誤檢的情況。本文結(jié)合高分辨率遙感影像中平原建成區(qū)的特點(diǎn)，提出了一種基于多核學(xué)習(xí)、多尺度分割以及多假設(shè)投票的平原建成區(qū)提取方法，該方法將建成區(qū)提取結(jié)果精確到像素級(jí)別，同時(shí)能夠盡量避免漏檢和誤檢的情況，因此可以提取出更加準(zhǔn)確的結(jié)果。

2　高分辨率遙感影像平原建成區(qū)檢測(cè)

2.1算法設(shè)計(jì)流程

經(jīng)過(guò)大量的觀察分析，發(fā)現(xiàn)平原建成區(qū)一般有以下特點(diǎn)：

(1)平原地區(qū)相對(duì)人口稠密，建成區(qū)總面積較大，而且分布較為集中。

(2)背景較為平坦單一，建成區(qū)周邊一般分布著梯田、植被、河流。

(3)建成區(qū)內(nèi)部紋理粒度較大，紋理特征與背景有明顯差別。

(4)在平原建成區(qū)區(qū)域內(nèi)部，灰度變化較均勻平坦，局部關(guān)鍵點(diǎn)并不豐富。

考慮到平原建成區(qū)的以上特點(diǎn)，選用MR8 (Maximum Response 8)紋理特征檢測(cè)建成區(qū)區(qū)域，同時(shí)使用SIFT特征濾除虛警，對(duì)有標(biāo)簽的訓(xùn)練數(shù)據(jù)集分別提取MR8特征和SIFT特征構(gòu)建各自的數(shù)據(jù)詞典，生成特征向量后分別訓(xùn)練SVM分類器，實(shí)現(xiàn)有監(jiān)督的多特征學(xué)習(xí)；然后構(gòu)造線性分類器進(jìn)行圖像塊的判別。為獲取更加精確的邊緣并進(jìn)一步濾除虛警，對(duì)圖像進(jìn)行不同參數(shù)組合的超像素分割，結(jié)合圖像塊得分與植被指數(shù)進(jìn)行像素級(jí)的多假設(shè)投票。其算法流程如圖1所示。

圖1　平原建成區(qū)提取方法Fig.1　Extraction method of plain built-up area

2.2圖像預(yù)處理

衛(wèi)星獲取的遙感影像需經(jīng)過(guò)一定的預(yù)處理步驟，才能達(dá)到建成區(qū)提取的使用標(biāo)準(zhǔn)。本文所采用的遙感影像預(yù)處理技術(shù)包括正射校正、圖像配準(zhǔn)和對(duì)比度拉伸。

由于地形變化和傳感器誤差等的影響，原始遙感影像會(huì)有一定的幾何畸變。正射校正可以消除這些幾何畸變，使得校正后影像的空間位置更為準(zhǔn)確。而采用ENVI對(duì)原始影像進(jìn)行正射校正，可以消除幾何畸變，并使影像攜帶地理坐標(biāo)，通過(guò)地理坐標(biāo)可以將分辨率不同的全色影像與多光譜影像進(jìn)行匹配，以便進(jìn)行后續(xù)的檢測(cè)步驟。

在對(duì)全色影像和多光譜影像進(jìn)行正射校正之后，圖像上同一地點(diǎn)的地理坐標(biāo)可能存在細(xì)微的偏移，因此需要對(duì)全色和多光譜影像進(jìn)行配準(zhǔn)。配準(zhǔn)方法有很多，如基于改進(jìn)BRISK特征的快速圖像配準(zhǔn)算法[11]、采用圖像斑點(diǎn)特征和角點(diǎn)特征相結(jié)合的配準(zhǔn)方法[12]、結(jié)合區(qū)域分割的SIFT圖像匹配算法[13]、應(yīng)用FREAK算子的多線程并行加速配準(zhǔn)算法[14]等?？紤]到ENVI具有自動(dòng)、準(zhǔn)確、快速的特點(diǎn)，而且配準(zhǔn)后的圖像可以使后續(xù)像素級(jí)的投票判別更加精確。本文用其Image Registration Workflow進(jìn)行全色影像和多光譜影像的配準(zhǔn)。

通常情況下，直接獲得的原始遙感影像數(shù)據(jù)的數(shù)值分布范圍過(guò)小，對(duì)比度過(guò)小，使得影像整體偏亮或者偏暗，勢(shì)必會(huì)影響有用信息的提取。線性拉伸是最典型的用于改善對(duì)比度的方法，其通過(guò)對(duì)圖像像素值進(jìn)行定比例變化來(lái)改善對(duì)比度。

在遙感影像處理中，最常用且效果最好的是2%線性裁剪拉伸。2%線性裁剪拉伸是計(jì)算出原始圖像的直方圖后，對(duì)圖像亮度值分布在2%～98%的像素做線性拉伸，即在拉伸時(shí)，去除小于2%和大于98%的值，這樣絕大多數(shù)異常值會(huì)在拉伸時(shí)舍掉。

圖2為影像上截取的同一片區(qū)域預(yù)處理前后的結(jié)果。由圖2可知，經(jīng)過(guò)對(duì)比度拉伸預(yù)處理后，明顯加大了背景與目標(biāo)的對(duì)比度，使圖像整體變得清晰。

圖2　影像預(yù)處理(上為原圖，下為預(yù)處理結(jié)果圖)Fig.2　Image pre-processing(the upper one is the original image, the below one is the image after pre-processing)

2.3基于MR8和SIFT特征學(xué)習(xí)的圖像塊判別

本文通過(guò)提取SIFT局部關(guān)鍵點(diǎn)特征和MR8紋理特征，構(gòu)造SVM線性分類器，進(jìn)行建成區(qū)提取。

SVM是90年代中期發(fā)展起來(lái)的基于統(tǒng)計(jì)學(xué)習(xí)理論的一種機(jī)器學(xué)習(xí)方法[15]，其在統(tǒng)計(jì)學(xué)習(xí)的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上建立，通過(guò)尋求結(jié)構(gòu)化風(fēng)險(xiǎn)最小來(lái)提高學(xué)習(xí)機(jī)泛化能力，實(shí)現(xiàn)經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍的最小化，從而在統(tǒng)計(jì)樣本量較少的情況下，也能獲得良好的統(tǒng)計(jì)規(guī)律。SVM適用于訓(xùn)練樣本較少情況下的分類問(wèn)題，具有結(jié)構(gòu)簡(jiǎn)單、全局最優(yōu)泛化能力好和計(jì)算復(fù)雜度低等特點(diǎn)，而且具有較強(qiáng)的高維樣本處理能力。

SIFT由David Lowe在1999年提出[16]，SIFT算子通過(guò)構(gòu)造尺度空間，并在尺度空間中提取極值點(diǎn)，從而尋找出保持尺度旋轉(zhuǎn)不變性的量，進(jìn)而描述并探測(cè)圖像中的局部性特征，它具有穩(wěn)定、特征點(diǎn)豐富、運(yùn)行速度快的特點(diǎn)。文獻(xiàn)[17]提出了改進(jìn)后的SIFT算子，即在SIFT原有框架的基礎(chǔ)上融入全局形狀信息和顏色不變信息，本文使用改進(jìn)后的SIFT算子進(jìn)行建成區(qū)提取，以有效提升建成區(qū)的提取精度。MR8濾波器組由38個(gè)濾波器組成，但是只輸出沿各個(gè)方向的最大響應(yīng)值，組成一個(gè)8維的濾波響應(yīng)信號(hào)，其具有旋轉(zhuǎn)不變性。MR8濾波器組不僅能提取到圖像精細(xì)的局部紋理特征，而且去除了冗余響應(yīng)，具有良好的紋理分類性能和效率。

接著，用以上特征構(gòu)造SVM線性分類器：首先，將含有建成區(qū)的圖像子塊和含有非建成區(qū)的圖像子塊組成訓(xùn)練樣本集，分別提取上述特征，生成視覺(jué)詞匯表；然后，對(duì)于每類特征，利用該視覺(jué)詞匯表對(duì)輸入的測(cè)試圖像進(jìn)行相關(guān)特征的提取和描述；最后利用每類特征訓(xùn)練得到的w值和b值，計(jì)算線性分類器如下：

y=w*x+b.

(1)

對(duì)于數(shù)量為M的訓(xùn)練樣本集合，每個(gè)樣本包含N個(gè)像素。對(duì)于SIFT局部關(guān)鍵特征來(lái)說(shuō)，一共可形成(M×N)×128維特征矢量集，對(duì)于MR8紋理特征來(lái)說(shuō)，一共形成維特征矢量集。用K-Means聚類方法對(duì)特征矢量集進(jìn)行聚類，假設(shè)聚成L(L=1 024)類，聚類后得到的每類中心對(duì)應(yīng)的特征向量可看作是一個(gè)視覺(jué)詞匯。由此，生成由L個(gè)視覺(jué)詞匯{w1,w2,…,wL}組成的視覺(jué)詞匯表W。生成視覺(jué)詞匯表后，根據(jù)該詞匯表提取相關(guān)特征步驟如下：

step1用測(cè)試圖像像元點(diǎn)的特征向量與對(duì)應(yīng)的視覺(jué)詞匯表中的每個(gè)視覺(jué)詞匯進(jìn)行比較，從中找出最相近的視覺(jué)詞匯，來(lái)表示該像元點(diǎn)(x,y)，從而將測(cè)試圖像中每個(gè)像元點(diǎn)(x,y)對(duì)應(yīng)到視覺(jué)詞匯表中的一個(gè)視覺(jué)詞匯上，假設(shè)該像元點(diǎn)對(duì)應(yīng)的視覺(jué)詞匯為wi，則記f(x,y)=i。

step2用視覺(jué)詞匯直方圖描述測(cè)試圖像中視覺(jué)詞匯的出現(xiàn)頻率，即統(tǒng)計(jì)視覺(jué)詞頻為：

hi=∑I(f(x,y)=i)i=0,1,…L-1,

(2)

式中，i為特征單詞wi序數(shù),hi表示測(cè)試圖像中特征單詞wi的數(shù)目。

利用學(xué)習(xí)得到的SVM參數(shù)，可將每個(gè)圖像塊的判讀得分映射到-1和1之間。其值越接近1，則該圖像塊是建成區(qū)的可能性越大；越接近-1，則是非建成區(qū)的可能性越大。

如上所述，該多核學(xué)習(xí)框架下的圖像塊判讀得分為：

(3)

其中dj(j=1,2)表示SIFT關(guān)鍵點(diǎn)特征、MR8紋理特征的權(quán)值，w和b為訓(xùn)練得到的每類特征SVM分類參數(shù)。

用MR8和SIFT特征組成線性分類器,對(duì)每一圖像塊進(jìn)行判別，根據(jù)公式(1)可知其判別得分如下式所示：

Scoresblock=dMR8(wMR8Xblock+bMR8)+

dSIFT(wSIFTXblock+bSIFT),

(4)

其中，Scoresblock表示任意block的判讀得分，Xblock表示任意block的視覺(jué)詞匯直方圖。wMR8、wSIFT和bMR8、bSIFT分別表示經(jīng)過(guò)訓(xùn)練得到的MR8特征分類器和SIFT特征分類器的w和b參數(shù)。dMR8和dSIFT分別表示MR8特征分類器和SIFT特征分類器的權(quán)值，依據(jù)設(shè)定不同權(quán)值進(jìn)行實(shí)驗(yàn)的結(jié)果可知，在選取dMR8=0.8,dSIFT=0.2時(shí)效果最佳。

2.4基于超像素塊的多假設(shè)投票判別

多假設(shè)投票是為了得到更準(zhǔn)確的基于像素水平的檢測(cè)結(jié)果，這涉及到圖像的超像素表達(dá)，多參數(shù)假設(shè)的設(shè)置和多假設(shè)投票結(jié)果的融合。

超像素是將一些具有一定相似性且空間位置相鄰的像素歸為一個(gè)像素對(duì)待，這個(gè)像素具有一定的形狀和位置。超像素塊的內(nèi)部像素不僅位置相鄰，而且具有相似的顏色、紋理、亮度等特征。超像素分割方法既考慮了像素間的空間關(guān)系，也考慮了像素間的相似性，可以省略大量的冗余信息，大大降低圖像處理的復(fù)雜度。本文中的超像素表達(dá)采用SLIC(Simple Linear Iterative Clustering)方法[14],即簡(jiǎn)單線性迭代聚類，該方法不僅能使分割結(jié)果保持相對(duì)較準(zhǔn)確的邊緣，而且計(jì)算速度較快。

采用SLIC方法對(duì)圖像進(jìn)行超像素分割，分割結(jié)果取決于緊致度參數(shù)c和分割塊數(shù)n。令分割塊數(shù)為n=sqrt(wh/k)。其中k為聚類中心初始距離，w和h為圖像的寬度和高度。多假設(shè)表達(dá)可以通過(guò)變換參數(shù)組合得到，這里?。?/p>

(1)c=15,k=5;(2)c=15,k=10;

(3)c=15,k=15;(4)c=15,k=20

用V1,V2,V3,V4表示不同超像素分割參數(shù)組合情形下得到的投票結(jié)果。多假設(shè)投票結(jié)果可表示為：

V=(V1+V2+V3+V4)/4.

(5)

結(jié)合MR8和SIFT特征學(xué)習(xí)的得分結(jié)果，對(duì)超像素塊進(jìn)行投票，投票結(jié)果記為S(scores)。MR8和SIFT特征學(xué)習(xí)判別是基于圖像塊的，分別計(jì)算MR8和SIFT特征學(xué)習(xí)判別對(duì)第i個(gè)超像素的投票，其中block(pix)為像素pix所屬的圖像塊，scoresblock(pix)為其所對(duì)應(yīng)的判別得分，Ni表示第i個(gè)超像素塊的像素個(gè)數(shù)。

(6)

平原地區(qū)存在部分植被等干擾，雖然通過(guò)SIFT特征學(xué)習(xí)可以去除部分植被虛警，但為了達(dá)到更好的虛警去除效果，可以通過(guò)計(jì)算歸一化植被指數(shù)NDVI(Normalized Difference Vegetation Index)來(lái)進(jìn)一步去除植被虛警。植被指數(shù)定義為可見(jiàn)光紅光波段和近紅外波段光譜之差與之和的比值[15]，如下式所示：

(7)

其中INir和IRed分別為近紅外波段和可見(jiàn)光紅光波段的光譜反射率。

通過(guò)上式求得的植被指數(shù)統(tǒng)計(jì)是基于像素的，應(yīng)當(dāng)將其轉(zhuǎn)化為基于超像素塊來(lái)計(jì)算，其投票結(jié)果記為S(ndvi)，用求平均值的方法對(duì)像素所屬的超像素塊進(jìn)行投票。

(8)

其中，NDVIpix為像素pix的植被指數(shù)，Ni表示第i個(gè)超像素塊的像素個(gè)數(shù)。

綜上所述，記S1,S2,S3,S4為不同參數(shù)假設(shè)下的超像素投票結(jié)果，像素pix在不同假設(shè)下分別屬于第i、j、k、l個(gè)超像素塊，則最終投票結(jié)果可表示為：

Vpix(scores)=(S1i(scores)+S2j(scores)+

S3k(scores)+S4l(scores))/4,

(9)

Vpix(ndvi)=(S1i(ndvi)+S2j(ndvi)+

S3k(ndvi)+S4l(ndvi))/4,

(10)

則得到最終的建成區(qū)判別準(zhǔn)則：

(11)

其中，閾值分割參數(shù)t1=0,t2=0.2，為實(shí)驗(yàn)獲得的最佳閾值組合。

2.5結(jié)果后處理

以上獲得的建成區(qū)提取結(jié)果是像素級(jí)別的，在提取結(jié)果中存在將建成區(qū)區(qū)域中的部分像素誤判為非建成區(qū)或相反的情況。實(shí)際情況中，某一像素周邊像素大部分為建成區(qū)，那么該像素應(yīng)該也為建成區(qū)，反之亦然?；谏鲜銮疤?，對(duì)提取結(jié)果中每一個(gè)像素與其周邊像素的分類結(jié)果作對(duì)比，填充建成區(qū)內(nèi)部漏檢點(diǎn)并消除非建成區(qū)中的虛警點(diǎn)，得到最終的建成區(qū)提取結(jié)果。

3　實(shí)驗(yàn)結(jié)果與分析

3.1算法檢測(cè)效果

本文選取GF1衛(wèi)星的全色影像和多光譜影像進(jìn)行測(cè)試，建成區(qū)提取結(jié)果如圖3、圖4所示。圖3中(彩圖見(jiàn)期刊電子版)影像數(shù)據(jù)來(lái)自河北省某地區(qū)，其分辨率為2 m，大小為18 192×18 000，該影像中存在大量的平原建成區(qū)。圖4中(彩圖見(jiàn)期刊電子版)影像數(shù)據(jù)來(lái)自四川省某地區(qū)，其分辨率為2 m，大小依次為1 092×1 128，876×779，1 233×1 163，影像中存在一個(gè)或多個(gè)平原建成區(qū)。圖3左圖為全景影像檢測(cè)結(jié)果，將紅色標(biāo)出部分放大顯示如右圖所示。圖4為截取的平原地形下的建成區(qū)提取結(jié)果。

為了進(jìn)一步驗(yàn)證本研究方法的有效性，利用準(zhǔn)確率(Precision)、召回率(Recall)和F值(F-measure)等精度評(píng)價(jià)指標(biāo)對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行定量評(píng)價(jià)。其定義分別如下所述：

(12)

(13)

(14)

其中，TP為正確提取的建成區(qū)目標(biāo)，F(xiàn)N為漏提的建成區(qū)目標(biāo)，F(xiàn)P為錯(cuò)誤提取的建成區(qū)目標(biāo)。定量評(píng)價(jià)結(jié)果如表1所示。

圖3　整景影像提取結(jié)果及其細(xì)節(jié)圖Fig.3　Extraction results of one whole image and its detail image

圖4　平原地形下的建成區(qū)提取結(jié)果(左圖為原圖，右圖為結(jié)果圖)Fig.4　Extraction results of plain built-up area (the left ones are original images, the right ones are result images)

3.2算法對(duì)比

采用不同方法對(duì)27幅長(zhǎng)寬在1 000～2 000 pixel的圖像進(jìn)行實(shí)驗(yàn)，分別計(jì)算3個(gè)指標(biāo)的平均值。使用方法依次有：(1)M. Pesaresi (2008)提出的旋轉(zhuǎn)不變性紋理測(cè)度PanTex[16](Procedure for the Calculation of A Texture-derived Built-up Presence Index);(2) A. Kovacs (2013)提出的改進(jìn)Harris角點(diǎn)投票法MHEC[17](Modified Harris for Edges and Corners);(3) Huang (2012)提出的形態(tài)學(xué)建筑物指數(shù)法MBI[18]；(4) Tao (2013)提出的核學(xué)習(xí)和圖割法MKLGC[10](Multiple Kernel Learning and Graph Cut);(5)本文方法。結(jié)果見(jiàn)表2和圖5(彩圖見(jiàn)期刊電子版)。從中可知，本文方法的提取效果優(yōu)于其他方法。

表1　實(shí)驗(yàn)結(jié)果精度統(tǒng)計(jì)

表2　建成區(qū)檢測(cè)精度對(duì)比

圖5　幾種方法的檢測(cè)精度對(duì)比結(jié)果Fig.5　Precision comparison between different methods

4　結(jié)　論

本文在分析平原建成區(qū)特點(diǎn)的基礎(chǔ)上，利用MR8紋理特征和SIFT關(guān)鍵點(diǎn)特征學(xué)習(xí)的方式進(jìn)行建成區(qū)提取，融合多個(gè)特征進(jìn)行學(xué)習(xí)和分類，加強(qiáng)了分類器的魯棒性和穩(wěn)定性，提高了檢測(cè)的準(zhǔn)確率。通過(guò)超像素分割和多假設(shè)投票的方法，將基于圖像塊的判別結(jié)果轉(zhuǎn)化為基于像素的檢測(cè)結(jié)果，完全消除了塊狀效應(yīng)，并使目標(biāo)區(qū)域具有準(zhǔn)確的邊緣和形狀。通過(guò)對(duì)多幅平原建成區(qū)GF-1的衛(wèi)星圖像進(jìn)行實(shí)驗(yàn)測(cè)試，本方法平原地區(qū)建成區(qū)的平均檢測(cè)精度可以達(dá)到80%，平均召回率可以達(dá)到85%以上，平均F值可達(dá)到80%以上，綜合指標(biāo)高于其他方法，驗(yàn)證了該方法的可行性和準(zhǔn)確性。下一步計(jì)劃考慮在多光譜影像上提取其它有益于建成區(qū)提取的特征，以進(jìn)一步提高建成區(qū)的提取精度。

[1]史偉國(guó)，周立民，靳穎. 全球高分辨率商業(yè)遙感衛(wèi)星的現(xiàn)狀與發(fā)展[J]. 衛(wèi)星應(yīng)用, 2012(3): 43-50.

SHI W G, ZHOU L M, JIN Y. The present situation and development of the global commercial high resolution remote sensing satellite [J].SatelliteApplication, 2012(3): 43-50.(in Chinese)

[2]SIRMACEK B, UNSALAN C. Urban-area and building detection using SIFT keypoints and graph theory [J].IEEETransactiononGeoscienceandRemoteSensing, 2009, 47(4): 1156-1167.

[3] TAO C, TAN Y H, ZOU Z R,etal.. Unsupervised detection of built-up areas from multiple high-resolution remote sensing images [J].IEEEGeoscienceandRemoteSensingLetter, 2013, 10(6): 1300-1304.

[4]王崴, 唐一平, 任娟莉, 等. 一種改進(jìn)的Harris角點(diǎn)提取算法[J]. 光學(xué) 精密工程, 2008, 16(10): 1995-2001.

WANG W, TANG Y P, REN J L,etal.. An improved algorithm for Harris corner detection[J].Opt.PrecisionEng., 2008, 16(10): 1995-2001. (in Chinese)

[5]王富平, 水鵬朗. 利用局部方向微分向量一致性的角點(diǎn)檢測(cè)[J]. 光學(xué) 精密工程, 2015, 23(12): 3509-3518.

WANG F P, SHUI P L. Corner detection via consistency of local directional differential vectors[J].Opt.PrecisionEng., 2015, 23(12): 3509-3518. (in Chinese)

[6]HUANG X, ZHANG L P. Morphological building/shadow index for building extraction from high-resolution imagery over urban areas [J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing, 2012, 5(1): 161-172.

[7]BARNSLEY M J, RARR S L. Inferring urban land use from satellite sensor images using kernel-based spatial reclassification [J].PhotogrammetricEngineeringandRemoteSensing, 1996, 62(7): 949-958.

[8]YU S, BERTHOD M, GIRAUDON G. Toward robust analysis of satellite images using map information-application to urban area detection [J].IEEETransactionsonGeoscienceandRemoteSensing, 1999, 37(4): 1925-1939.

[9]WEIZMAN L, GOLDBERGER J. Detection of urban zones in satellite images using visual words [C].IEEEConferenceonGeoscienceandRemoteSensingSymposium, 2008: 160-163.

[10]TAO C, TAN J G, YU Y H,etal.. Urban area detection using multiple kernel learning and graph cut [C].IEEEConferenceonGeoscienceandRemoteSensingSymposium,2012:83-86.

[11]何林陽(yáng), 劉晶紅, 李剛, 等. 改進(jìn)BRISK特征的快速圖像配準(zhǔn)算法[J]. 紅外與激光工程, 2014, 43(8): 2722-2727.

HE L Y, LIU J H, LI G,etal.. Fast image registration approach based on improved BRISK [J].InfraredandLaserEngineering, 2014, 43(8): 2722-2727. (in Chinese)

[12]王志強(qiáng), 程紅, 李成, 等. 全局圖像配準(zhǔn)的目標(biāo)快速定位方法[J]. 紅外與激光工程, 2015, 44(s): 225-229.

WANG ZH Q, CHENG H, LI CH,etal.. Fast target location method of global image registration [J].InfraredandLaserEngineering, 2015, 44(s): 225-229. (in Chinese)

[13]丘文濤, 趙建, 劉杰. 結(jié)合區(qū)域分割的圖像SIFT匹配方法[J]. 液晶與顯示, 2012, 27(6): 827-831.

QIU W T, ZHAO J, LIU J. Image matching algorithm combining SIFT with region segmentation[J].ChineseJournalofLiquidCrystalsandDisplays, 2012, 27(6): 827-831. (in Chinese)

[14]王燦進(jìn), 孫濤, 陳娟. 局部不變特征匹配的并行加速技術(shù)研究[J]. 液晶與顯示, 2014, 29(2): 266-274.

WANG C J, SUN T, CHEN J. Speeding up local invariant feature matching using parallel technology [J].ChineseJournalofLiquidCrystalsandDisplays, 2014, 29(2): 266-274. (in Chinese)

[15]VAPNIKVN．TheNatureofStatisticalLearningTheory[M]. New York : Springer-Berlag, 1995.

[16]LOWE G D. Object recognition from local scale-invariant features [C].IEEEInternationalConferenceonComputerVision, 1999:1150-1157.

[17]王睿, 朱正丹. 融合全局-顏色信息的尺度不變特征變換[J]. 光學(xué) 精密工程，2015, 23(1): 295-301.

WANG R, ZHU ZH D. SIFT matching with color invariant characteristics and global context[J].Opt.PrecisionEng., 2015, 23(1):295-301. (in Chinese)

[18]ACHANTA R, SHAJI A, SMITH K,etal.. SLIC superpixels compared to state-of-the-art superpixel methods [J].IEEETransactiononPatternAnalysisandMachineIntelligence, 2012, 34(11): 2274-2282.

[19]ROUSE J W, HAAS R H, SCHELL J A,etal.. Monitoring the vernal advancement of natural vegetation, Final report[R].NASA/GCSFC,Greenbelt,MD, 1974.

[20]PESARESI M, GERHARDINGER A, KAYITAKIRE F. A robust built-up area presence index by anisotropic rotation-invariant textural measure [J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing, 2008, 1(3): 180-192.

[21]KOVACS A, SZIRANYI T. Improved harris feature point set for orientation-sensitive urban-area detection in aerial images [J].IEEEGeoscienceandRemoteSensingLetter, 2013, 10(4): 796-800.

[22]黃昕. 高分辨率遙感影像多尺度紋理、形狀、特征提取與面向?qū)ο蠓诸惙椒ㄑ芯縖D]. 武漢: 武漢大學(xué), 2009.

HUANG X.Multi-scaletextureandshapefeatureextractionandobject-orientedclassificationforveryhighresolutionremotelysensedimagery[D]. Wuhan: Wuhan University,2009. (in Chinese)

溫奇(1983-)，男，山西洪洞人，博士，副研究員，2004年于北京理工大學(xué)獲得學(xué)士學(xué)位,2009年于中國(guó)科學(xué)院遙感應(yīng)用研究所獲得博士學(xué)位，主要從事高分辨率遙感減災(zāi)應(yīng)用方面的研究。E-mail: whistlewen@aliyun.com

王薇(1974-)，女，浙江安吉人，博士，副研究員，2006年于中國(guó)科學(xué)院地理科學(xué)與資源研究所獲得博士學(xué)位，主要從事災(zāi)害遙感應(yīng)用方面的研究。E-mail：wangwei@ndrcc.gov.cn

(版權(quán)所有未經(jīng)許可不得轉(zhuǎn)載)

Extraction of built-up area in plain from high resolution remote sensing images

WEN Qi1*，WANG Wei1，LI Ling-ling1，MEI Li-qin2，TAN Yi-hua2

(1.National Disaster Reduction Center of China，Beijing 100124，China；2.CollegeofAutomation,HuazhongUniversityofScienceandTechnology,Wuhan430074,China)*Correspondingauthor,E-mail:whistlewen@aliyun.com

By analyzing the textural features and local key points of the built-up area in a plain from high resolution remote sensing images, a method to extract the built-up area in the plain was proposed based on multi-core learning, multi-scale segmentation and multi-hypothesis voting. With the proposed method, MR8 texture characteristics and Scale Invariant Feature Transform (SIFT) algorithmwere used to extract the built-up area, and multi-characteristics was fused to implement the learning and classification to improve the robustness and stability of classifiers and to enhance the detection accuracy. Then, based on the pixel segmentation and multi-hypothesis voting, the discriminant result based on image blocks was translated into test result based on pixels to completely eliminate the block effect and to make the target area showing precise edges and shapes. The proposed method has been validated in GF-1 satellite images. The results show that the average detection precision, average recall rate and the averageF-measure of the method have been achieved above 80%, 85% , and 80%, respectively. Moreover, its comprehensive performance is better than that of other methods. These results demonstrate the feasibility and accuracy of this method. As extraction precision of the built-up area has been to be the pixel level and the leak detection and error detection have been avoided, the built up area images extracted are very accurate.

high resolution remote sensing image; extraction of built-up area in plain; multi-hypothesis voting; multi-kernel learning; multi-scale segmentation

2016-06-13；

2016-08-14.

國(guó)家自然科學(xué)基金資助項(xiàng)目(No.41301485)；國(guó)家科技重大專項(xiàng)資助項(xiàng)目；國(guó)家863計(jì)劃資助項(xiàng)目(No.2013AA122104)

1004-924X(2016)10-2557-08

TP751；TP79

Adoi:10.3788/OPE.20162410.2557