林祥國，張繼賢

1.中國測繪科學研究院，北京 100830；2.國家測繪產(chǎn)品質(zhì)量檢驗測試中心，北京 100830

?

面向?qū)ο蟮男螒B(tài)學建筑物指數(shù)及其高分辨率遙感影像建筑物提取應用

林祥國1，張繼賢2

1.中國測繪科學研究院，北京 100830；2.國家測繪產(chǎn)品質(zhì)量檢驗測試中心，北京 100830

高分辨率遙感影像建筑物提取是攝影測量與遙感領(lǐng)域的一個熱門研究主題。本文綜合利用影像分割、基于圖的數(shù)學形態(tài)學top-hat重建技術(shù)，提出了面向?qū)ο蟮男螒B(tài)學建筑物指數(shù)OBMBI,并將其應用于高分辨率遙感影像建筑物提取。首先，建立像素-對象-圖節(jié)點的雙向映射關(guān)系;然后，基于圖的白top-hat重建和上述映射關(guān)系來構(gòu)建OBMBI圖像；接著，對該OBMBI圖像二值化、矢量化以獲取建筑物多邊形；最后，對結(jié)果進行后處理優(yōu)化。使用一景航空、一景衛(wèi)星全色影像對本文方法和PanTex方法進行性能測試。試驗表明，本文方法的建筑物提取精度顯著的優(yōu)于PanTex方法。其中，本文方法平均比PanTex方法的正確率高9.49%、完整率高11.26%、質(zhì)量高14.11%。

高分辨率遙感影像；建筑物提??；區(qū)域鄰接圖；數(shù)學形態(tài)學；面向?qū)ο蟮挠跋穹治?/p>

遙感影像是人類獲取空間信息的主要來源之一。隨著航空航天、通信和信息技術(shù)的飛速發(fā)展，新一代遙感傳感器相繼出現(xiàn)，使得大面積獲得地球表面的高空間分辨率遙感影像(high spatial resolution remote sensing images，HSRRSI)成為可能。HSRRSI可以更加清楚地表達地物目標的空間結(jié)構(gòu)和表層紋理特征，可分辨地物內(nèi)部更為精細的組成，地物的邊緣信息也更加清楚[1]。面對海量的HSRRSI和多個行業(yè)的迫切需求，我們面臨著“數(shù)據(jù)又多又少[2]”的矛盾局面：一方面，數(shù)據(jù)多到無法處理；另一方面，用戶需要的數(shù)據(jù)又找不到。因此，迫切的需要自動化、智能化與實時化的處理、分析與理解獲取的HSRRSI數(shù)據(jù)。然而，遙感影像目標自動識別是一個難點，已經(jīng)成為當前數(shù)字攝影測量與遙感邁向自動化的一個“瓶頸”[3]。目前，HSRRSI目標識別仍然是攝影測量與遙感、計算機視覺、機器學習、模式識別等多個領(lǐng)域的熱門研究課題之一。

城區(qū)的HSRRSI中，80%以上的目標是建筑物和道路[4]。建筑物作為一種極其重要的人工地物目標，研究人員已經(jīng)提出了眾多HSRRSI建筑物提取方法。依據(jù)自動化程度，已有HSRRSI建筑物提取方法可以分為3個層次：人工目視解譯、半自動和全自動。本文僅關(guān)注全自動方法。分析已有文獻可知，具有代表性的全自動方法可概括為下述5類：

(1) 基于直線段編組的提取方法。例如，文獻[5]分析圖像中直線段的空間關(guān)系，并利用感知編組方法對建筑物進行假設(shè)和驗證。文獻[6]提出了直線分類、排序、合并、調(diào)整等處理方法，并采用幾何結(jié)構(gòu)元分析方法提取圖像中的矩形結(jié)構(gòu)以提取規(guī)則建筑物。文獻[7]提出了區(qū)域分割、區(qū)域邊緣點Hough變換、直線檢測、垂線檢測、交點確定、圖構(gòu)建、圖搜索的技術(shù)流程提取復雜形狀的建筑物。

(2) 基于模型的提取方法。例如，文獻[8]專門針對“H”類型的建筑物提出了一種底層直線段提取、中層空間投影、高層建筑物定位的建筑物提取方法。文獻[9]使用點隨機過程提取特定構(gòu)型的建筑物。

(3) 面向?qū)ο蟮挠跋穹治鎏崛》椒ā＠?，文獻[4,10]綜合利用多尺度影像分割和對象的光譜、紋理、形狀、空間關(guān)系等多種特征進行建筑物的檢測。另外，文獻[11]對影像進行鄰域總變分的分割，并通過分析分割后不同類型建筑物提取的難易程度，提出一種多特征融合的建筑物對象分級提取策略。

(4) 基于陰影或紋理分析的提取方法。例如，文獻[12]提出利用陰影提取建筑物的新思路；文獻[13]以精確提取建筑物輪廓為目標，基于建筑物陰影特征和圖割算法提出一種在高分辨率遙感影像中識別與提取建筑物的方法。另外，基于陰影和建筑物互相依存會增加局部對比度的原理，文獻[14—15]提出基于灰度共生矩陣對比度特征的PanTex方法，且該方法已經(jīng)被相關(guān)機構(gòu)應用于建筑物和建成區(qū)識別。

(5) 基于數(shù)學形態(tài)學的提取方法。文獻[16]利用差分形態(tài)學剖面構(gòu)建形態(tài)學建筑物指數(shù)來提取建筑物，且文獻[17—18]在進一步優(yōu)化該方法。

上述提及的方法中，第1類方法嚴重依賴邊界提取的效果，而HSRRSI存在部分邊緣信息不明顯、復雜環(huán)境產(chǎn)生大量細碎邊緣的問題，其適用性和準確性離實際應用還有很大的距離[11]。對于第2類方法，由于限定了建筑物類型、尺寸或構(gòu)型，其適用性有限。相比前兩類方法，后3類方法綜合考慮了先驗知識、影像特征、模式識別理論等多個因素，具有較多的優(yōu)勢，其研究方興未艾。但是，相關(guān)方法仍然存在流程繁瑣、需要較多先驗知識、無法滿足場景復雜度較高的HSRRSI建筑物提取需求的問題。為此，本文將綜合采用后3類方法的優(yōu)勢，基于HSRRSI上陰影與建筑物存在伴生關(guān)系、陰影“同物異譜、異物同譜”的概率相對較低且其亮度值較低、建筑物亮度顯著高于陰影亮度的先驗知識，利用基于圖的形態(tài)學算子構(gòu)建“面向?qū)ο蟮男螒B(tài)學建筑物指數(shù)”，并將其應用于HSRRSI建筑物提取。

1 基于圖的top-hat重建

誕生于20世紀60年代的數(shù)學形態(tài)學(簡稱形態(tài)學)，不僅僅是一種理論，更是一門強大的圖像分析技術(shù)[19]。目前，已經(jīng)被廣泛地應用于圖像濾波、分割、測量等多個領(lǐng)域[19]。然而，目前多數(shù)形態(tài)學方法作用于采用規(guī)則網(wǎng)格結(jié)構(gòu)的圖像，導致形態(tài)學方法無法應用于規(guī)格格網(wǎng)結(jié)構(gòu)之外的其他數(shù)據(jù)結(jié)構(gòu)。而理論上形態(tài)學運算可以擴展到圖[19]，但是卻未見基于圖的形態(tài)學算子的定義和應用。本文為了將形態(tài)學方法應用于影像分割獲取的對象，將下述形態(tài)學運算作用于圖。

1.1 基本概念

…

1.2 基于圖的形態(tài)學基本運算

(1)

(2)

例如，圖1(a)展示了某影像的分割結(jié)果，共涉及10個對象，且對象分別被用符號V1、V2、…、V10表達；圖1(b)展示了與圖1(a)對應的圖；圖1(c)和(d)分別展示圖1(a)的尺度因子s=1時“基于圖的膨脹”“基于圖的腐蝕”結(jié)果。

(3)

(4)

1.3 基于圖的形態(tài)學測地變換

基于圖的形態(tài)學測地變換原理與基于圖像的形態(tài)學測地變換[20-21]相似。前面論述的基于圖的形態(tài)學運算僅僅涉及定義在同一個圖上的一個特征函數(shù)，而基于圖的測地變換運算涉及定義在同一個圖上的兩個特征函數(shù)?；趫D的測地變換首先應用于第1個特征函數(shù)，然后將變換后的特征函數(shù)限制于第2個特征函數(shù)之上(或下)。其中，基于圖的測地變換包括：“基于圖的測地膨脹”、“基于圖的測地腐蝕”、“基于圖的膨脹重建”、“基于圖的腐蝕重建”、“基于圖的開重建”、“基于圖的閉重建”，具體定義如下。

(5)

式中，∧表示對于任一頂點的δG(f)、g，取兩個值的極小值。

(6)

式中，∨表示對于任一頂點的εG(f)、g，取兩個值的極大值。

圖1 尺度因子為1時“基于圖的膨脹”和“基于圖的腐蝕”Fig.1 Graph-based dilate and graph-based erode when scale is equal to 1

(7)

(8)

(9)

(10)

1.4 基于圖的top-hat重建

基于上述“基于圖的開重建”、“基于圖的閉重建”，可分別定義“基于圖的白top-hat重建”RWTH(f)、“基于圖的黑top-hat重建”RBTH(f)，公式如下

(11)

(12)

注意，本節(jié)的內(nèi)容僅將形態(tài)學相關(guān)方法的數(shù)據(jù)結(jié)構(gòu)由規(guī)則格網(wǎng)改為圖，不改變原有定義的內(nèi)涵。另外，在上述基于圖的形態(tài)學運算中，圖G固定的情況下，尺度因子s是十分關(guān)鍵的一個參數(shù)。

2 本文建筑物提取的技術(shù)框架

本文建筑物提取的整體技術(shù)框架包含4個階段：影像分割、構(gòu)建面向?qū)ο蟮男螒B(tài)學建筑物指數(shù)、獲取建筑物多邊形和后處理。圖2展示了本文技術(shù)框架的關(guān)鍵步驟的結(jié)果。

2.1 影像分割

該階段的基本原理是：通過影像分割獲取對象，并建立像素與對象的多對一的映射關(guān)系；通過對象間的區(qū)域鄰接關(guān)系建立區(qū)域鄰接圖，建立對象與圖節(jié)點的一一映射關(guān)系；并由上述兩種映射關(guān)系派生像素-對象-圖節(jié)點的雙向映射關(guān)系。具體包括下述3個步驟：

(1) 影像分割。本文選擇了均值漂移[22-23](mean shift，MS)方法對HSRRSI進行分割。MS需要輸入的參數(shù)包括：空間帶寬hs、色度帶寬hr、對象包含最少像素數(shù)n。圖2(a)展示了某空間分辨率為0.6 m的真彩色影像，圖2(b)展示了該影像的MS分割獲取的對象區(qū)域標號結(jié)果，其中hs=12、hr=7、n=50。影像分割中，注意使用較小的hs和hr，避免出現(xiàn)欠分割的現(xiàn)象；n的取值與建筑物的最小陰影面積相當。

(2) 建立分割對象的區(qū)域鄰接圖。由影像分割的對象區(qū)域標號結(jié)果，可以生成相應的區(qū)域鄰接關(guān)系圖。比如，圖1(a)展示了某圖像分割的結(jié)果，圖1(b)展示了相應的區(qū)域鄰接關(guān)系圖。區(qū)域鄰接圖是一種常見表達區(qū)域關(guān)系的數(shù)據(jù)結(jié)構(gòu)[23]，本文選擇對象的區(qū)域鄰接圖作為“基于圖的top-hat重建”中涉及的圖。

(3) 派生像素-對象-圖節(jié)點的雙向映射關(guān)系?；谏鲜鱿袼嘏c對象的多對一的映射關(guān)系、對象與圖節(jié)點的一一映射關(guān)系，建立像素-對象-圖節(jié)點的映射關(guān)系，并進一步派生圖節(jié)點-對象-像素的映射關(guān)系。由此，建立像素-對象-圖節(jié)點的雙向映射關(guān)系。

2.2 構(gòu)建面向?qū)ο蟮男螒B(tài)學建筑物指數(shù)

該階段的基本原理是：提取對象的明度作為對象的特征，并基于對象與圖節(jié)點的映射關(guān)系建立圖的特征函數(shù)；進行“基于圖的白top-hat重建”運算，按照圖節(jié)點-對象-像素的映射關(guān)系將圖節(jié)點的重建特征值賦值給像素，最終可以生成“面向?qū)ο蟮男螒B(tài)學建筑物指數(shù)”圖像。具體包括下述兩個步驟：

(1) 構(gòu)建圖的特征函數(shù)。如果輸入為3波段的影像，利用對象的明度特征構(gòu)建圖G的特征函數(shù)f。如果輸入為單波段的影像，利用對象的灰度值作為明度特征構(gòu)建圖G的特征函數(shù)f。暫且不考慮其他波段數(shù)的影像。

(2) 進行“基于圖的白top-hat重建”運算。這里，圖G上有兩個特征函數(shù)f、g，且f=g?；谏鲜鰳?gòu)建的圖G及其特征函數(shù)f、g，進行“基于圖的白top-hat重建”。重建過程中，鑒于影像分割的結(jié)果一般為過分割，重建過程中設(shè)定尺度s=2。按照圖節(jié)點-對象-像素的映射關(guān)系將圖節(jié)點的重建特征值賦值給像素得到最終的“面向?qū)ο蟮男螒B(tài)學建筑物指數(shù)”圖像。圖2(c)展示了圖2(a)的面向?qū)ο蟮男螒B(tài)學建筑物指數(shù)圖像?？梢姡趫D2(c)中，多數(shù)的建筑物具有較大的指數(shù)特征值，且建筑物的特征值顯著的大于非建筑物的指數(shù)特征值，如圖2(d)所示。

綜上，“面向?qū)ο蟮男螒B(tài)學建筑物指數(shù)”的含義表現(xiàn)為：①“面向?qū)ο蟆斌w現(xiàn)在影像分割獲取了對象、建立了對象之間的拓撲關(guān)系圖、創(chuàng)建了圖的特征函數(shù)，并建立了像素-對象-圖節(jié)點的雙向映射關(guān)系；②“形態(tài)學”體現(xiàn)在進行“基于圖的白top-hat重建”運算，且圖重建的結(jié)果可以映射到像素形成了一個專題圖像；“建筑物指數(shù)”體現(xiàn)在，在上述專題圖像上，建筑物的特征值顯著的大于背景的特征值，即，專題圖像上的像素值表明了該像素屬于建筑物、或背景的概率。

2.3 獲取建筑物多邊形

該階段包括下述兩個步驟：

(1) 指數(shù)圖像二值化。觀察指數(shù)圖像的直方圖，通過試錯法確定一個最優(yōu)的閾值φ1，利用該閾值對指數(shù)圖像進行二值化處理，且“1”代表建筑物、“0”代表背景(非建筑物)。圖2(e)為圖2(c)的二值化結(jié)果(其中φ1=64.00)。

(2) 柵格轉(zhuǎn)矢量。矢量化后，刪除類別為“0”的矢量多邊形。

2.4 后處理

該階段包括下述兩個步驟：

(1) 剔除小圖斑。確定建筑物最小面積閾值為φ2，刪除面積小于φ2的矢量圖斑。

(2) 剔除狹長度過大的圖斑。狹長度定義為圖斑最小外接矩形的長、寬比。確定建筑物的最大狹長度閾值為φ3，刪除狹長度大于φ3的矢量圖斑。

圖2(f)展示了利用本文方法從圖2(a)影像中提取建筑物的結(jié)果?？芍?，大部分建筑物得到了提取，但是提取的結(jié)果中也存在少量的錯誤，尤其容易把亮度較大的道路、廣場和裸地誤認為建筑物。

3 試驗與分析

基于Visual Studio 2012 C++集成開發(fā)環(huán)境實現(xiàn)了本文提出的建筑物提取方法，其中MS影像分割代碼使用了文獻[23]開發(fā)的Edison；影像和矢量的操作使用了GDAL(geospatial data abstraction library)庫[24]。同時，實現(xiàn)了PanTex[5]方法的代碼，且對PanTex指數(shù)進行了第2.3、2.4節(jié)一致的處理，以進行兩種方法的建筑物提取結(jié)果比較。試驗平臺的配置：ThinkPad W520筆記本，CPU為Intel酷睿i7-2760QM 2.4 GHz，內(nèi)存2.98 GB，裝配Windows XP系統(tǒng)。

3.1 試驗數(shù)據(jù)

使用了2景影像進行性能測試。試驗影像1為0.30 m空間分辨率的真彩色航空影像，其長寬分別為3215像素、2180像素,相應的區(qū)域位于黑龍江省伊春市主城區(qū)，如圖3(a)所示。影像中，不透水層區(qū)域被河流環(huán)繞；建筑物的高度較低、但陰影明顯，多數(shù)建筑物的屋頂為紅色、且形狀相對規(guī)則，不存在過大或過小的建筑物；但是局部區(qū)域存在建筑物與道路、操場的光譜可區(qū)分性較差的現(xiàn)象。

試驗影像2為0.5 m空間分辨率的WorldView-2全色影像，其長寬分別為3913像素、2533像素,相應的區(qū)域位于美國紐約市市區(qū)，如圖4(a)所示。影像中，主要分布有建筑物、陰影、道路和植被等，建筑物的高度、尺寸、形狀各異，建筑物的灰度值較大，且建筑物的排列相對規(guī)整；陰影區(qū)域比較顯著、灰度值較小。

3.2 試驗結(jié)果

試驗中，本文方法與PanTex方法的相關(guān)參數(shù)的取值分別見表1、表2。其中，本文的方法需要6個參數(shù)，包括：hs、hr、n、φ1、φ2、φ3；PanTex需要4個參數(shù)，包括窗口尺寸φ0、φ1、φ2、φ3。

圖3(b)、圖4(b)分別展示了對2景影像采用本文方法提取的結(jié)果。目視效果表明，盡管存在少量的提取錯誤，但整體的建筑物提取效果較好。圖5展示了局部區(qū)域的建筑物提取結(jié)果，相關(guān)的建筑物的形狀。盡管圖5(a)中建筑物的光譜同質(zhì)性較強且形狀簡單、而圖5(b)-圖5(d)建筑物的光譜異質(zhì)性較強且形狀復雜，但是4個局部提取結(jié)果均取得了較好的結(jié)果，提取的多邊形與建筑物的外輪廓基本一致。另外，的確也存在提取錯誤，主要表現(xiàn)在，試驗影像1中容易將明亮的水泥硬化地面(如圖6(a)所示)、裸露地表(如圖6(b)所示)和建筑工地誤認為建筑物；且水泥硬化地面與建筑物連為一體，很難通過后處理消除這種誤提取。試驗影像2中容易將明亮的道路誤認為建筑物；同時，容易遺漏屋頂亮度值較低的建筑物(如圖6(c)所示)，尤其是亮度值較低的、低矮的、尺寸較小的城中村建筑物(如圖6(d)所示)。

同時，圖3(c)、圖4(c)分別展示了對2景影像采用PanTex方法提取的結(jié)果。試驗結(jié)果表明，PanTex方法具有建筑物的識別能力；但與本文方法的提取結(jié)果相比，存在更多的錯誤。主要的弱點表現(xiàn)在：①提取的建筑物的輪廓一般顯著的大于建筑物的真實輪廓；②容易誤將樹木區(qū)域判別為建筑物，如圖3(c)中河邊的樹林被誤判為建筑物。

另外，采用人工勾繪的方式提取了相應的建筑物作為參考數(shù)據(jù)，兩個試驗影像的建筑物參考數(shù)據(jù)分別如圖3(d)、圖4(d)所示。

3.3 精度評價

本文最終只提取了建筑物這一個類別的多邊形，因此無法按照經(jīng)典的基于混淆矩陣的評價指標來進行性能評價。借鑒建成區(qū)提取的相關(guān)研究成果[25],本文采用正確率Pc、完整率Pe及質(zhì)量Pq3個指標對上述兩種方法提取的精度進行定量分析。3個指標的定義為

(13)

式中，Sauto&manual是相關(guān)方法的建筑物提取結(jié)果與人工勾選結(jié)果的交集的面積；Sauto為相關(guān)方法提取建筑物的面積；Smanual為人工勾選的建筑物面積；Sauto||manual為相關(guān)方法的建筑物提取結(jié)果與人工勾選結(jié)果的并集的面積。

表1 本文方法的相關(guān)參數(shù)在兩個試驗影像中的取值Tab.1 The values of the input parameters of proposed method for the two testing images

圖2 本文建筑物提取方法的關(guān)鍵步驟處理效果示意圖Fig.2 Illustration of the key process of the proposed building extraction method

圖3 試驗影像1及其建筑物提取結(jié)果Fig.3 The first testing image and the extracted buildings

圖4 試驗影像2及其建筑物提取結(jié)果Fig.4 The four testing datasets

圖5 本文方法提取的局部區(qū)域的建筑物疊加到影像上Fig.5 The extracted buildings imposed on the images within local areas using proposed method

圖6 本文方法的常見提取錯誤Fig.6 The common errors of proposed method

表2 PanTex方法的相關(guān)參數(shù)在兩個實驗影像中的取值Tab.2 The values of the input parameters of PanTex method for the two testing images

兩種方法在兩個試驗數(shù)據(jù)中的3個指標值見表3。表3的統(tǒng)計數(shù)據(jù)表明，兩個試驗中，本文方法的3個指標值都優(yōu)于文獻[5]方法的相應指標值。以試驗影像2為例，本文方法和PanTex方法的正確率分別為80.19%、70.04%，完整率分別為83.22%、71.51%，質(zhì)量分別為69.03%、54.82%。且試驗影像1的統(tǒng)計數(shù)據(jù)亦呈現(xiàn)類似規(guī)律。從兩個試驗影像上3個指標的平均值看，本文方法比PanTex方法的正確率高9.49%、完整率高11.26%、質(zhì)量高14.11%?？芍?，定量的評價表明本文方法的建筑物提取精度顯著的優(yōu)于PanTex方法。

表3 建筑物提取的精度統(tǒng)計表Tab.3 Statistics about the accuracy of building extraction

4 結(jié) 論

高分辨率遙感影像建筑物提取是一項亟待解決的難題。高分辨率光學遙感影像上建筑物具有下述先驗特征：①建筑物附近一般具有陰影；②陰影區(qū)域的亮度值較低且亮度值變化較小；③建筑物亮度值一般大于陰影亮度值。本文利用均值漂移分割技術(shù)將影像剖分為一系列對象，利用區(qū)域鄰接圖描述對象的空間鄰接關(guān)系，并進行基于圖的形態(tài)學top-hat重建運算，重建后陰影對象的特征值較小、而建筑物對象的特征值較大。基于上述原理，本文提出了面向?qū)ο蟮男螒B(tài)學建筑物指數(shù)，并形成了一套完整的基于高分辨率遙感影像建筑物提取的技術(shù)框架。試驗表明，本文方法的建筑物提取精度顯著地高于已有的PanTex方法。但是，本文的方法仍然存在兩個缺點：①容易將部分道路、裸地、建筑物工地、水泥地面誤判為建筑物；②容易遺漏亮度值較低的建筑物。另外，經(jīng)驗表明本文的方法僅僅適合于分辨率優(yōu)于1.0 m的航空航天遙感影像的建筑物提取；究其原因，這與建筑物及其陰影的平均尺寸、影像分割效果、基于圖的形態(tài)學運算原理、高程信息缺失等多個因素有關(guān)。

本文下一步的研究圍繞5個方面開展：①進一步集成文獻[26]的自適應均值漂移分割方法，或借鑒文獻[27—28]影像分割參數(shù)的最優(yōu)選擇方法；②利用多光譜影像的光譜信息進一步優(yōu)化建筑物提取步驟；③結(jié)合激光雷達點云[29]、立體或多視影像密集匹配獲取的高程數(shù)據(jù)[30-32]進行建筑物提?。虎芑陂_源道路數(shù)據(jù)、并依據(jù)建筑物與道路的空間拓撲關(guān)系優(yōu)化建筑物提取結(jié)果；⑤進一步將本文的方法與面向?qū)ο蟮挠跋穹治龇椒ㄏ嘟Y(jié)合以利用更多特征和知識獲取更優(yōu)提取效果。

[1] 周成虎,駱劍承.高分辨率衛(wèi)星遙感影像地學計算[M].北京:科學出版社,2009:11.ZHOU Chenghu,LUO Jiancheng.Geocomputing of High Resolution Satellite Remote Sensing Imagery[M].Beijing:Science Press,2009:11.

[2] 李德仁.論天地一體化的大測繪——地球空間信息學[J].測繪科學,2004,29(3):1-2.LI Deren.On Integrated Earth Observation Systems of Geomatics[J].Science of Surveying and Mapping,2004,29(3):1-2.

[3] 張永生,鞏丹超,劉軍,等.高分辨率遙感衛(wèi)星應用——成像模型、處理算法及應用技術(shù)[M].北京:科學出版社,2004:122.ZHANG Yongsheng,GONG Danchao,LIU Jun,et al.Application of High Resolution Remote Sensing Satellites[M].Beijing:Science Press,2004:122.

[4] 周軍其,李志娟.空間關(guān)系輔助的面向?qū)ο蠼ㄖ锾崛J].應用科學學報,2012,30(5):511-516.ZHOU Junqi,LI Zhijuan.Spatial Relation-aided Method for Object-oriented Extraction of Buildings from High Resolution Image[J].Journal of Applied Sciences,2012,30(5):511-516.

[5] HUERTAS A,NEVATIA R.Detecting Buildings in Aerial Images[J].Computer Vision,Graphics,and Image Processing,1988,41(2):131-152.

[6] 陶文兵,柳健,田金文.一種新型的航空圖像城區(qū)建筑物自動提取方法[J].計算機學報,2003,26(7):866-873.TAO Wenbing,LIU Jian,TIAN Jinwen.A New Approach to Extract Rectangle Building Automatically from Aerial Images[J].Chinese Journal of Computers,2003,26(7):866-873.

[7] CUI Shiyong,YAN Qin,REINARTZ P.Complex Building Description and Extraction Based on Hough Transformation and Cycle Detection[J].Remote Sensing Letters,2012,3(2):151-159.

[8] CROITORU A,DOYTSHER Y.Right-angle Rooftop Polygon Extraction in Regularised Urban Areas:Cutting the Corners[J].The Photogrammetric Record,2004,19(108):311-341.

[9] GARCIN L,DESCOMBES X,LE MEN H,et al.Building Detection by Markov Object Processes[C]∥Proceedings of 2001 International Conference on Image Processing.Thessaloniki:IEEE,2001,2:565-568.

[10] 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.TAN Qulin.Urban Building Extraction from VHR Multi-spectral Images Using Object-based Classification[J].Acta Geodaetica et Cartographica Sinica,2010,39(6):618-623.

[11] 陶超,譚毅華,蔡華杰,等.面向?qū)ο蟮母叻直媛蔬b感影像城區(qū)建筑物分級提取方法[J].測繪學報,2010,39(1):39-45.TAO Chao,TAN Yihua,CAI Huajie,et al.Object-oriented Method of Hierarchical Urban Building Extraction from High-resolution Remote-sensing Imagery[J].Acta Geodaetica et Cartographica Sinica,2010,39(1):39-45.

[12] LIOW Y T,PAVLIDIS T.Use of Shadows for Extracting Buildings in Aerial Images[J].Computer Vision,Graphics,and Image Processing,1990,49(2):242-277.

[13] 施文灶,毛政元.基于圖割與陰影鄰接關(guān)系的高分辨率遙感影像建筑物提取方法[J].電子學報,2016,44(12):2849-2854.SHI Wenzao,MAO Zhengyuan.Building Extraction from High Resolution Remotely Sensed Imagery Based on Shadows and Graph-cut Segmentation[J].Acta Electronica Sinica,2016,44(12):2849-2854.

[14] 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.

[15] PESARESI M,GERHARDINGER A.Improved Textural Built-up Presence Index for Automatic Recognition of Human Settlements in Arid Regions with Scattered Vegetation[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2011,4(1):16-26.

[16] HUANG Xin,ZHANG Liangpei.Morphological Building/Shadow Index for Building Extraction from High-resolution Imagery over Urban Areas[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2012,5(1):161-172.

[17] 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.DOI:10.13485/j.cnki.11-2089.2014.0084.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.DOI:10.13485/j.cnki.11-2089.2014.0084.

[18] HUANG Xin,YUAN Wenliang,LI Jiayi,et al.A New Building Extraction Postprocessing Framework for High-spatial-resolution Remote-sensing Imagery[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2017,10(2):654-668.

[19] SOILLE P.Morphological Image Analysis:Principles and Applications[M].Berlin,Heidelberg,New York:Springer-Verlag,1999.

[20] LANTUEJOUL C,MAISONNEUVE F.Geodesic Methods in Quantitative Image Analysis[J].Pattern Recognition,1984,17(2):117-187.

[21] LANTUEJOUL C,BEUCHER S.On the Use of the Geodesic Metric in Image Analysis[J].Journal of Microscopy,1981,121(1):39-49.

[22] COMANICIU D,MEER P.Mean Shift:A Robust Approach Toward Feature Space Analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(5):603-619.

[23] CHRISTOUDIAS M C,GEORGESCU B,MEER P.Synergism in Low Level Vision[C]∥Proceedings of the 16th International Conference on Pattern Recognition.Quebec City,Canada:IEEE,2002,4:150-155.

[24] GDAL-Geospatial Data Abstraction Library[EB/OL].http:∥www.gdal.org/.

[25] 林祥國,寧曉剛.融合直角點和直角邊特征的高分辨率遙感影像居民點提取方法[J].測繪學報,2017,46(1):83-89.DOI:10.11947/j.AGCS.2017.20160389.LIN Xiangguo,NING Xiaogang.Extraction of Human Settlements from High Resolution Remote Sensing Imagery by Fusing Features of Right Angle Corners and Right Angle Sides[J].Acta Geodaetica et Cartographica Sinica,2017,46(1):83-89.DOI:10.11947/j.AGCS.2017.20160389.

[26] HUANG Xin,ZHANG Liangpei.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.

[27] MING Dongping,LI J,WANG Junyi,et al.Scale Parameter Selection by Spatial Statistics for GeOBIA:Using Mean-Shift Based Multi-scale Segmentation as an Example[J].ISPRS Journal of Photogrammetry and Remote Sensing,2015,106:28-41.

[28] MING Dongping,CI Tianyu,CAI Hongyue,et al.Semivariogram-based Spatial Bandwidth Selection for Remote Sensing Image Segmentation with Mean-shift Algorithm[J].IEEE Geoscience and Remote Sensing Letters,2012,9(5):813-817.

[29] 林祥國,張繼賢,寧曉剛,等.融合點、對象、關(guān)鍵點等3種基元的點云濾波方法[J].測繪學報,2016,45(11):1308-1317.DOI:10.11947/j.AGCS.2016.20160372.LIN Xiangguo,ZHANG Jixian,NING Xiaogang,et al.Filtering of Point Clouds Using Fusion of Three Types of Primitives Including Points,Objects and Key Points[J].Acta Geodaetica et Cartographica Sinica,2016,45(11):1308-1317.DOI:10.11947/j.AGCS.2016.20160372.

[30] 朱慶,陳崇泰,胡翰,等.顧及紋理特征的航空影像自適應密集匹配方法[J].測繪學報,2017,46(1):62-72.DOI:10.11947/j.AGCS.2017.20150608.ZHU Qing,CHEN Chongtai,HU Han,et al.An Adaptive Dense Matching Method for Airborne Images Using Texture Information[J].Acta Geodaetica et Cartographica Sinica,2017,46(1):62-72.DOI:10.11947/j.AGCS.2017.20150608.

[31] QIN Rongjun.Change Detection on LOD 2 Building Models with very High Resolution Spaceborne Stereo Imagery[J].ISPRS Journal of Photogrammetry and Remote Sensing,2014,96:179-192.

[32] TIAN Jiaojiao,CUI Shiyong,REINARTZ P.Building Change Detection Based on Satellite Stereo Imagery and Digital Surface Models[J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(1):406-417.

(責任編輯：張艷玲)

Object-based Morphological Building Index for Building Extraction from High Resolution Remote Sensing Imagery

LIN Xiangguo1,ZHANG Jixian2

1.Chinese Academy of Surveying and Mapping,Beijing 100830,China；2.National Quality Inspection and Testing Center for Surveying and Mapping Products,Beijing 100830,China

Building extraction from high resolution remote sensing images is a hot research topic in the field of photogrammetry and remote sensing.In this article,an object-based morphological building index (OBMBI) is constructed based on both image segmentation and graph-based top-hat reconstruction,and OBMBI is used for building extraction from high resolution remote sensing images.First,bidirectional mapping relationship between pixels,objects and graph-nodes are constructed.Second,the OBMBI image is built based on both graph-based top-hat reconstruction and the above mapping relationship.Third,a binary thresholding is performed on the OBMBI image,and the binary image is converted into vector format to derive the building polygons.Finally,the post-processing is made to optimize the extracted building polygons.Two images,including an aerial image and a panchromatic satellite image,are used to test both the proposed method and classic PanTex method.The experimental results suggest that our proposed method has a higher accuracy in building extraction than the classic PanTex method.On average,the correctness,the completeness and the quality of our method are respectively 9.49%,11.26% and 14.11% better than those of the PanTex.

high resolution remote sensing image; building extraction; region adjacency graph; mathematical morphology; object-based image analysis

The National Natural Science Foundations of China (Nos.41371405；41671440); The Foundation for Remote Sensing Young Talents by the National Remote Sensing Center of China; The Basic Research Fund of the Chinese Academy of Surveying and Mapping (No.777161103)

LIN Xiangguo(1981—),male,associate professor,post doctor,master supervisor,majors in image analysis and LiDAR data processing.

林祥國，張繼賢.面向?qū)ο蟮男螒B(tài)學建筑物指數(shù)及其高分辨率遙感影像建筑物提取應用[J].測繪學報，2017,46(6)：724-733.

10.11947/j.AGCS.2017.20170068.LIN Xiangguo,ZHANG Jixian.Object-based Morphological Building Index for Building Extraction from High Resolution Remote Sensing Imagery[J].Acta Geodaetica et Cartographica Sinica,2017,46(6):724-733.DOI:10.11947/j.AGCS.2017.20170068.

P237

A

1001-1595(2017)06-0724-10

國家自然科學基金(41371405；41671440)；遙感青年科技人才創(chuàng)新資助計劃；中央級公益性科研院所基本科研業(yè)務(wù)費(777161103)

2017-02-28

修回日期：2017-04-30

林祥國(1981—)，男，副研究員，博士后，碩士生導師，主要從事遙感影像分析、激光雷達點云數(shù)據(jù)處理方法研究。

E-mail：linxiangguo@casm.ac.cn