田 峰，李 虎

1. 新疆大學(xué)資源與環(huán)境科學(xué)學(xué)院，新疆 烏魯木齊 830000； 2. 新疆維吾爾自治區(qū)衛(wèi)星應(yīng)用中心，新疆 烏魯木齊 830000； 3. 滁州學(xué)院，安徽 滁州 239000

?

聯(lián)合星載光學(xué)與SAR圖像的城市大面積建筑物高度快速提取

田 峰1,2，李 虎2,3

1. 新疆大學(xué)資源與環(huán)境科學(xué)學(xué)院，新疆 烏魯木齊 830000； 2. 新疆維吾爾自治區(qū)衛(wèi)星應(yīng)用中心，新疆 烏魯木齊 830000； 3. 滁州學(xué)院，安徽 滁州 239000

星載高分辨率光學(xué)圖像與SAR圖像廣泛應(yīng)用于城市建筑物高度提取，但光學(xué)圖像存在缺少相關(guān)衛(wèi)星參數(shù)的情況，而SAR圖像則存在散射特征不完整以及提取效率低等缺陷。針對以上問題，本文提出一種聯(lián)合高分辨率星載光學(xué)與SAR圖像的城市大面積建筑物高度快速提取方法。首先，結(jié)合支持向量機(SVM)和形態(tài)學(xué)陰影指數(shù)(MSI)快速提取光學(xué)圖像中的陰影并自動測量陰影長度；之后選擇多個合適樣本，基于模型匹配法從SAR圖像中提取高度；最后將高度與陰影長度作線性回歸分析，建立數(shù)學(xué)模型來提取其他建筑物的高度。該方法將不同衛(wèi)星系統(tǒng)的數(shù)據(jù)和特征相結(jié)合，互相彌補各自缺陷，不僅提高了效率、降低了成本，同時滿足精度要求。

星載高分辨率圖像；建筑物高度；大面積；快速提??；形態(tài)學(xué)陰影指數(shù)；模型匹配法；線性回歸

隨著衛(wèi)星遙感技術(shù)的發(fā)展，呈現(xiàn)出多平臺、多數(shù)據(jù)源、多分辨率以及全天時全天候觀測等特點，并且成本相對較低，成為城市動態(tài)監(jiān)測與信息提取的重要手段。建筑物高度作為城市遙感監(jiān)測的重要內(nèi)容，從側(cè)面反映了城市的縱向信息，為研究城市空間發(fā)展過程與城市擴張驅(qū)動力因子提供了依據(jù)[1]。

目前，用于城市建筑物高度提取的衛(wèi)星數(shù)據(jù)源主要包括光學(xué)圖像與合成孔徑雷達(synthetic aperture radar,SAR)圖像。由于成像原理不同，導(dǎo)致提取方式與特征選取各不相同。光學(xué)圖像提取建筑物高度主要有立體像對與陰影長度兩種方式，基于陰影的方式因其只需單幅數(shù)據(jù)而被廣泛研究和使用。早期，文獻[2]基于SPOT全色圖像直接根據(jù)陰影估計建筑物高度；之后文獻[3]則利用陰影成像幾何模型提取建筑物高度；文獻[4—5]提出了形態(tài)學(xué)陰影指數(shù)(morphological shadow index，MSI)，相較于監(jiān)督分類有較好的提取效果；文獻[6]則將MSI與面向?qū)ο蠓诸愊嘟Y(jié)合來提取建筑物高度。SAR圖像獲取建筑物高度主要分為單幅圖像提取、立體像對反演[7]、干涉測量[8]以及后向散射強度[9]定量估計4種方式。其中立體像對與干涉測量需要兩幅以上的圖像，而基于后向散射強度則需要知道建筑物表面的粗糙度以及介電常數(shù)，無疑增加了提取難度；單幅SAR圖像，不僅擁有較高的分辨率與較低的成本，而且無需事先獲取相關(guān)參數(shù)，并能反演出精度較高的結(jié)果?；趩畏鶊D像提取包括直接測量[10-11]與模型匹配[12-14]兩種方式，其中模型匹配法因其進行了多次迭代計算，可以自動獲得最佳的結(jié)果，精度和抗噪性能都優(yōu)于手動測量。傳統(tǒng)的模型匹配法常涉及SAR成像模擬，增加了計算復(fù)雜度，文獻[15—16]提出了通過正交投影模型實現(xiàn)匹配模型的快速生成。文獻[17]則提出了新的思路，將光學(xué)圖像中獲取的參數(shù)結(jié)合假設(shè)的高度生成仿真圖像，與原圖匹配來獲取高度。上述的提取方式各有優(yōu)劣，基于陰影的光學(xué)圖像提取的缺陷在于某些衛(wèi)星的衛(wèi)星高度角與方位角無從獲取，難以利用陰影幾何模型獲取高度，需實地測量高度并與陰影長度建立線性關(guān)系來獲得結(jié)果，該方法費時費力。而基于模型匹配的SAR圖像高度提取的缺陷有以下幾點：第一，城市區(qū)域結(jié)構(gòu)復(fù)雜，容易造成SAR圖像中的散射特征不完整；第二，某些被遮擋的建筑物無法形成強散射特征；第三，模型匹配法目前只能對僅存在一棟建筑物的圖像切片進行操作，增加了大面積提取難度。

針對以上問題，本文提出一種聯(lián)合星載高分辨率光學(xué)與SAR圖像的大面積建筑物高度快速提取方法：首先，結(jié)合支持向量機(support vector machines,SVM)與MSI快速提取光學(xué)圖像建筑物陰影并自動測量陰影長度；然后，選定樣本并生成平行四邊形高亮特征幾何模型，基于遺傳模擬退火算法迭代匹配模型與圖像以獲得高度；最后，將樣本高度與陰影長度進行線性回歸分析，依據(jù)線性相關(guān)參數(shù)提取其他建筑物高度。采用GF-2和TerraSAR-X衛(wèi)星數(shù)據(jù)對本方法進行試驗驗證，結(jié)果顯示本文方法可以有效且高效地提取大面積建筑物高度。本文方法不僅改進了算法和流程，并且采用了國產(chǎn)高分辨率衛(wèi)星數(shù)據(jù)，為今后的國產(chǎn)高分辨率衛(wèi)星應(yīng)用進行探索實踐。

1 光學(xué)圖像陰影提取及長度測量

1.1 陰影提取

1.1.1 陰影提取方法及流程

本文將SVM與MSI結(jié)合提取光學(xué)圖像建筑物陰影。SVM是建立在統(tǒng)計學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險最小化準(zhǔn)則基礎(chǔ)上的一種學(xué)習(xí)方法,可以較好地解決小樣本、非線性、高維數(shù)據(jù)和局部極小等實際問題[18]。然而SVM提取的結(jié)果中會出現(xiàn)大量錯分現(xiàn)象，需要采用約束條件進行完善。面積約束可剔除錯分的小斑塊；MSI的約束則使建筑物陰影更加完整，方法是將剩下的陰影區(qū)域膨脹5個像素，再結(jié)合MSI獲取最終結(jié)果。如此將監(jiān)督分類和非監(jiān)督分類相結(jié)合，省去大量特征閾值確定過程，使陰影提取高效而準(zhǔn)確，提取流程如圖1所示。

圖1 陰影提取流程Fig.1 Flow chart of shadow extraction

1.1.2 形態(tài)學(xué)陰影指數(shù)特征構(gòu)建

數(shù)學(xué)形態(tài)學(xué)可以有效描述區(qū)域特征，能提取圖像中感興趣的成分。形態(tài)學(xué)開、閉運算常用來提取圖像的明暗特征，并保持圖像整體特征相對穩(wěn)定，形態(tài)學(xué)開、閉重構(gòu)則能更好地減少形狀損失，適合應(yīng)用于高分辨率圖像[19]。MSI建立在光譜特征和一系列形態(tài)學(xué)操作的基礎(chǔ)之上，充分考慮了形狀、尺寸、亮度、對比度和方向等特征。主要操作為形態(tài)學(xué)閉運算的黑帽重構(gòu)，能夠平滑圖像中小于結(jié)構(gòu)體的暗細節(jié)信息，提取暗結(jié)構(gòu)而剔除亮結(jié)構(gòu)。MSI的構(gòu)建過程是：①計算亮度，即每個像素的最大灰度值；②對亮度圖像進行閉運算，即實現(xiàn)黑帽重構(gòu)；③設(shè)定線性結(jié)構(gòu)體元素，有利于區(qū)分道路對陰影的混淆；④構(gòu)建微分形態(tài)學(xué)剖面(differential morphological profiles，DMP)；⑤取DMP的均值，構(gòu)建MSI。

1.1.3 陰影長度測量

陰影長度測量采用了一種簡單可行且高效的方式[20]：①將提取的陰影進行標(biāo)記；②沿著太陽方位角等距生成平行線；③提取與陰影部分重疊的平行線并注以相同的標(biāo)記；④自動尋找標(biāo)記相同的平行線，分別計算平行線的像元個數(shù)；⑤并運用算法獲取其眾數(shù)，去除無效值，求取平均值；⑥利用像元個數(shù)乘以圖像分辨率的方式計算出最終的陰影長度[21]。該方式充分考慮了太陽的影響，且能快速提取大面積建筑物陰影長度。

2 星載SAR圖像建筑物高度提取

2.1 建筑物散射特性分析

高分辨率星載SAR圖像中，建筑物主要表現(xiàn)為強散射的高亮特征和陰影特征，但由于城市區(qū)域結(jié)構(gòu)復(fù)雜，一般陰影特征不明顯。高亮特征包括亮線和亮條帶，亮線由墻地二次散射引起，可以用來確定墻角的位置；而亮條帶則由建筑物墻面上多個復(fù)雜結(jié)構(gòu)形成的三面角反射器引起亮點組成。圖2為某建筑物的GF-2圖像、TerraSAR-X原始SAR圖像以及經(jīng)過預(yù)處理的SAR圖像切片，其中TerraSAR-X衛(wèi)星沿方位向降軌右視成像，斜距圖像與實際地面呈現(xiàn)左右鏡像關(guān)系，經(jīng)過預(yù)處理后可與實際地面相對應(yīng)。由于主墻面上存在大量窗戶結(jié)構(gòu)和金屬材料，形成明顯的平行四邊形的亮條帶特征，而墻地二面角形成的二次亮線則淹沒在亮條帶中無法識別；側(cè)墻面上無過多復(fù)雜結(jié)構(gòu)，形成的亮點特征不明顯，但二次亮線較明顯[22]。圖2(a)中的a、b、c3點分別對應(yīng)建筑物墻角的3個拐點，在SAR圖像中所對應(yīng)的位置為圖2(b)、(c)中的a′、b′、c′ 3點和a″、b″、c″ 3點。

圖2 同一建筑物光學(xué)與SAR圖像切片F(xiàn)ig.2 Optical image and SAR image of the same building

2.2 模型匹配反演建筑物高度

通過建立高亮特征幾何模型，并與真實SAR圖像進行匹配，獲得最佳匹配度的模型參數(shù)即可以反映實際建筑物尺寸。如此就將建筑物尺寸提取問題轉(zhuǎn)換成模型匹配問題。模型匹配的過程分3個步驟：①模型的建立；②匹配函數(shù)設(shè)計；③迭代匹配尋優(yōu)。匹配函數(shù)是判斷模型與圖像匹配程度的標(biāo)準(zhǔn)，是整個過程的關(guān)鍵，本文從區(qū)域和輪廓兩個方面設(shè)計匹配函數(shù)；迭代匹配尋優(yōu)算法則選用遺傳算法，遺傳算法對一些非線性、多模型、多目標(biāo)的函數(shù)優(yōu)化問題均有較好的效果，為防止遺傳算法出現(xiàn)早熟現(xiàn)象，引入退火機制，兼顧了全局搜索和局部搜索且避免了早熟現(xiàn)象的發(fā)生[23]。

2.2.1 高亮散射特征幾何模型建立

2.2.2 匹配函數(shù)設(shè)計

匹配函數(shù)從區(qū)域和輪廓兩個方面入手。區(qū)域包括灰度均值和灰度分布，輪廓則采用邊界信息。

圖3 建筑物與SAR圖像成像幾何關(guān)系Fig.3 The geometrical relationship of building and SAR image

2.2.2.1 灰度均值

高亮特征區(qū)域與周圍的灰度差異較大，因此可用灰度均值的差值作為匹配函數(shù)，公式[16]如下

(1)

式中，g1和g2分別表示模型區(qū)域內(nèi)部與外部的灰度均值。

2.2.2.2 灰度分布

Hellinger距離是用于衡量概率分布間的相似度的一種距離度量方式，因此可以用來描述灰度分布差異，若模型內(nèi)部的灰度分布一致性最好，與周圍區(qū)域的分布差異最大，Hellinger距離也達到最大，公式[16]如下

(2)

式中，pi和qi分別表示模型內(nèi)部與外部灰度值為i的像元出現(xiàn)的概率。

2.2.2.3 邊界信息

高亮區(qū)域與周邊區(qū)域間存在明顯的邊界，可以利用梯度信息來反映匹配的程度，公式[16]如下

(3)

式中，L表示模型輪廓；grad(j)表示像元j的梯度值。

以上匹配函數(shù)單獨使用無法全面的判斷匹配程度，將3個匹配函數(shù)加權(quán)組合形成新的匹配函數(shù)可以滿足要求，公式如下

M=w1M1+w2M2+w3M3

(4)

式中，w1、w2、w3分別表示權(quán)重因子。對匹配函數(shù)進行歸一化處理，使3個匹配函數(shù)保持相同的數(shù)量級，權(quán)重因子可視數(shù)量級自適應(yīng)調(diào)節(jié)。

2.2.3 遺傳模擬退火算法迭代尋優(yōu)

完成模型建立和匹配函數(shù)設(shè)計后，將運用遺傳模擬退火算法進行迭代尋優(yōu)來獲得最佳結(jié)果，由于本文只關(guān)注高度信息，建筑物長度、寬度和走向信息直接從高分辨率光學(xué)圖像中獲取，因此只需假設(shè)高度與模型的位置信息即可。遺傳模擬退火算法步驟如下：

(2) 初始化種群。種群內(nèi)隨機初始化Np個長度為3的染色體。

(3) 設(shè)置初溫T及退溫參數(shù)a，溫度衰減函數(shù)為Tn+1=aTn，其中n表示進化代數(shù)。

(4) 適應(yīng)度判斷。適應(yīng)度用來評價個體的優(yōu)劣程度，用匹配函數(shù)來判斷幾何模型的適應(yīng)度。

(5) 遺傳模擬退火操作。對種群內(nèi)的個體進行選擇、交叉、變異操作形成新種群，并基于Metropolis準(zhǔn)則[24]判斷是否保留當(dāng)代最優(yōu)個體：Mn+1和Mn分別表示新種群和上一代的最佳適應(yīng)度，當(dāng)Mn+1>Mn時，則保留新種群；當(dāng)Mn+1

(6) 終止條件。算法是否終止將依據(jù)每代種群中最佳適應(yīng)度的變化情況來判斷或者是否達到最大迭代次數(shù)MaxGen，當(dāng)連續(xù)r代不發(fā)生變化則認為算法收斂，可以終止算法，此時最佳適應(yīng)度的染色體基因值h即為反演的建筑物高度。

3 建筑物高度聯(lián)合提取方法及流程

3.1 提取方法

本文提出的城市大面積建筑物高度快速提取方法，在高效快速的基礎(chǔ)上兼顧精度要求?？焖俑咝У奶攸c在陰影提取、陰影測量、高度獲取中都有所體現(xiàn)。陰影提取過程中，SVM與MSI的結(jié)合省去大量特征閾值確定的過程；陰影長度測量采取自動計算方式，相比于逐個手動測量，大大提高了大面積計算的效率；模型匹配的SAR圖像高度提取，同樣比多次手動測量并取均值的方式更高效；聯(lián)合高度提取則無需先驗的實際高度測量和大量的SAR圖像切片匹配計算，也顯示了快速高效的特點。對于精度方面，由于所有的信息皆從遙感圖像中獲取，需盡可能保證信息最大限度接近實際情況，才能獲取有效的線性相關(guān)參數(shù)。為滿足該要求，樣本的選取則顯得十分重要，樣本的陰影呈現(xiàn)要完整，在SAR圖像中其亮條帶與亮線特征均要明顯且完整，這是該方法的關(guān)鍵。獲取樣本陰影長度與高度后，依據(jù)成像時太陽和衛(wèi)星參數(shù)的確定性[25]，陰影長度與建筑物高度近似線性關(guān)系，對長度和高度進行線性回歸分析并獲取系數(shù)和常數(shù)，依此線性關(guān)系進行大面積建筑物高度提取。

3.2 提取流程

主要流程包括圖像預(yù)處理、陰影提取、陰影測量、樣本高度提取、線性回歸分析、大面積高度提取。技術(shù)路線如圖4所示。

圖4 技術(shù)路線Fig.4 Flowchart of technology

4 試驗結(jié)果及分析

4.1 數(shù)據(jù)及研究區(qū)

高分辨率星載光學(xué)圖像來自國產(chǎn)的GF-2衛(wèi)星，將多光譜圖像與全色圖像融合后分辨率可達0.8m，成像時間為2016-04-17 13:25:49。高分辨率SAR圖像來自德國的TerraSAR-X衛(wèi)星，分辨率為1m的HH極化聚束式斜距圖像，入射角為43.45°，成像時間為2016-05-21 00:17:48。兩類數(shù)據(jù)成像時間相差大約一個月，由于各自圖像的特征及參數(shù)提取是獨立完成的，并不參考其他圖像的成像參數(shù)，因此該因素不會影響本文方法的使用。實際建筑物高度數(shù)據(jù)來自全站儀實地測量。研究區(qū)位于烏魯木齊市頭屯河區(qū)王家溝油庫東側(cè)建筑區(qū)，具體范圍如圖5所示，標(biāo)記的建筑物為本次的試驗對象。

4.2 光學(xué)圖像陰影提取及結(jié)果分析

將研究區(qū)均分為3個子區(qū)域，分別提取建筑物陰影，如圖6所示為第1個子區(qū)域的提取結(jié)果。整個提取流程大約用時3.5min，而結(jié)合多尺度分割與面向?qū)ο蠓诸惖姆潜O(jiān)督方式的結(jié)果與本文類似，但用時遠遠大于本文方法。從圖6中可以看出SVM初提取的結(jié)果中出現(xiàn)大量錯分現(xiàn)象，主要受樹木與圍墻的影響，而且建筑物的陰影并不完整；約束后剔除了錯分現(xiàn)象，并使陰影更加完整。引入檢測率、虛警率、漏警率來定量的分析提取結(jié)果[26]，如表1所示。約束后虛警率大大降低，不過稍微降低了檢測率，提高了漏警率，這是由于某些建筑物陰影被植被遮擋后形成極小的陰影斑塊，在面積約束時被剔除，但對整體結(jié)果影響不大。

表1 方法改進前后結(jié)果對比

Tab.1 Comparison of the results before and after improvement

陰影提取結(jié)果SVM面積及MSI約束實際建筑物陰影個數(shù)211211實驗檢測出建筑物陰影個數(shù)207202虛假陰影個數(shù)12517漏檢陰影個數(shù)49檢測率/(%)98．1095．73虛警率/(%)37．657．76漏警率/(%)1．984．27

4.3 樣本高度提取

依據(jù)上文提到的樣本選取原則，從SAR圖像中選取合適的樣本，并基于模型匹配法提取建筑物高度。由于建筑物長、寬以及走向信息可以由光學(xué)圖像獲取，而且某些建筑物的側(cè)墻面亮線也不明顯，可能影響匹配結(jié)果，因此本文簡化了模型的建立，僅建立平行四邊形的幾何模型匹配亮條帶特征即可。本文選取5個樣本，下面為其中一個樣本的高度提取試驗。從光學(xué)圖像中獲取樣本建筑物長度為56 m，走向方位角為21°，建立模型并采用遺傳模擬退火算法迭代匹配樣本原圖，種群個體數(shù)Np=100，初溫T=300，退溫參數(shù)a=0.2，選擇操作選擇輪盤賭法，交叉操作選擇單點交叉法，變異操作選擇單點變異法，最大迭代次數(shù)MaxGen=200，r=50。提取的高度為20.840 8 m，實地測量的高度為21.408 0 m。圖7為樣本的原圖和匹配結(jié)果疊加圖，從中可以看出亮線特征比模型稍長，這是由于墻面比地面光滑，電磁波第一次入射墻面發(fā)生鏡面反射到地面，之后在地面發(fā)生漫反射后被傳感器接收，此時沒有正面朝向入射方向的墻面，其第一次反射的電磁波將落在稍微靠后的地面上再發(fā)生二次散射，因而造成如此現(xiàn)象。圖8為進化過程中平均適應(yīng)度與最佳適應(yīng)度曲線。表2為所有樣本的提取高度與實際高度以及陰影長度。將提取高度與陰影長度做線性回歸分析，得到系數(shù)和常數(shù)為1.016、3.213。

圖5 研究區(qū)范圍Fig.5 Range of study area

圖6 陰影提取結(jié)果Fig.6 Results of shadow extraction

圖7 匹配結(jié)果示意圖Fig.7 Results of matching

圖8 匹配函數(shù)演化曲線Fig.8 Matching function curve evolution

4.4 大面積提取結(jié)果及分析

從研究區(qū)內(nèi)隨機挑選24棟建筑物，這些建筑物均勻分布在研究區(qū)內(nèi)，運用本文方法提取建筑物高度，結(jié)果如表3所示。結(jié)果顯示，最大絕對誤差不超過4 m，絕大多數(shù)誤差不超過3 m，表明本方法能保證精度要求。測量速率方面，如果手動測量一棟建筑物的高度和陰影長度，且獲得相對準(zhǔn)確的結(jié)果，大約需要4 min的時間，則24棟建筑物則需要不斷測量96 min，而且是在保證SAR圖像特征完整的前提下；而本方法的操作大約花費了25 min，用時遠遠低于手動測量，而且對圖像特征不完整的情況有很好的針對效果，不僅短時高效，更能最大限度地提高區(qū)域內(nèi)可測建筑物的數(shù)量。針對幾個誤差較大的結(jié)果進行分析，主要有以下4個原因：①陰影區(qū)域存在高大植被，影響了陰影的呈現(xiàn)，進而影響了陰影長度測量結(jié)果；②某些建筑物其底部所處平面高于陰影呈現(xiàn)平面，造成陰影長度過長；③部分區(qū)域建筑物密度較大，造成陰影的重疊或遮擋，影響陰影長度的測量；④結(jié)構(gòu)復(fù)雜的建筑物，其陰影也同樣復(fù)雜，也會影響陰影長度的測量。

表3 大面積提取結(jié)果與誤差

5 結(jié) 論

針對星載光學(xué)圖像或SAR圖像單獨使用提取大面積建筑物高度時存在過程復(fù)雜、低效、抗噪性能低等問題，本文提出一種聯(lián)合高分辨率星載光學(xué)和SAR圖像的城市大面積建筑物高度快速提取方法。將支持向量機與形態(tài)學(xué)陰影指數(shù)相結(jié)合快速提取光學(xué)圖像建筑物陰影，同時基于模型匹配法提取SAR圖像建筑物高度，將高度與陰影長度作線性回歸分析，并據(jù)此線性關(guān)系提取大面積建筑物高度。該方法將兩類圖像的優(yōu)勢相結(jié)合，彌補了各自的缺陷，改進算法以簡化了提取流程，模型的建立更加適合星載圖像，半自動化的方式提高了效率，同時還兼顧了精度要求，可以為大面積城市研究和決策提供良好的數(shù)據(jù)支撐，并為國產(chǎn)衛(wèi)星數(shù)據(jù)應(yīng)用進行探索實踐。但有兩點需要指出：①本研究區(qū)位于市區(qū)邊緣，區(qū)域內(nèi)不存在高層建筑物，因此缺少對該類建筑物的試驗和分析，將在今后的工作中予以完善；②針對各種原因引起的陰影長度測量不準(zhǔn)確現(xiàn)象，應(yīng)該再次利用SAR圖像的對該建筑物進行高度提取，進一步對結(jié)果進行約束和完善，使該方法能更好地應(yīng)用于城市信息提取。

[1] 錢瑤, 唐立娜, 趙景柱. 基于遙感的建筑物高度快速提取研究綜述[J]. 生態(tài)學(xué)報, 2015, 35(12): 3886-3895. QIAN Yao, TANG Lina, ZHAO Jingzhu. A Review on Building Height Extraction Using Remote Sensing Images[J]. Acta Ecologica Sinica, 2015, 35(12): 3886-3895.

[2] CHENG F, THIEL K H. Delimiting the Building Heights in a City from the Shadow in Panchromatic SPOT-image: Part 1: Test of Forty Two Buildings[J]. International Journal of Remote Sensing, 1995, 16(3): 409-415.

[3] 何國金, 陳剛, 何曉云, 等. 利用SPOT圖象陰影提取城市建筑物高度及其分布信息[J]. 中國圖象圖形學(xué)報, 2001, 6(5): 425-428. HE Guojin, CHEN Gang, HE Xiaoyun, et al. Extracting Buildings Distribution Information of Different Heights in a City from the Shadows in a Panchromatic SPOT Image[J]. Journal of Image and Graphics, 2001, 6(5): 425-428.

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

[5] 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.

[6] 付乾坤, 吳波, 汪小欽, 等. 基于形態(tài)學(xué)建筑物指數(shù)的城市建筑物提取及其高度估算[J]. 遙感技術(shù)與應(yīng)用, 2015, 30(1): 148-154. FU Qiankun, WU Bo, WANG Xiaoqin, et al. Building Extraction and Its Height Estimation over Urban Areas Based on Morphological Building Index[J]. Remote Sensing Technology and Application, 2015, 30(1): 148-154.

[7] SIMONETTO E, ORIOT H, GARELLO R, et al. Radargrammetric Processing for 3-D Building Extraction from High-resolution Airborne SAR Data[C]∥Proceedings of the 2003 IEEE International Geoscience and Remote Sensing Symposium. Toulouse, France: IEEE, 2003: 2002-2004.

[8] THIELE A, CADARIO E, SCHULZ K, et al. Building Recognition from Multi-aspect High-resolution InSAR Data in Urban Areas[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(11): 3583-3593.

[9] 劉康, BALZ T, 廖明生. 利用后向散射特性從高分辨率SAR影像中提取建筑物高度[J]. 武漢大學(xué)學(xué)報(信息科學(xué)版), 2012, 37(7): 806-809. LIU Kang, BALZ T, LIAO Mingsheng. Investigation on Building Height Extraction via Radar Backscattering Characteristics in High Resolution SAR Images[J]. Geomatics and Information Science of Wuhan University, 2012, 37(7): 806-809.

[10] BENNETT A J, BLACKNELL D. The Extraction of Building Dimensions from High Resolution SAR Imagery[C]∥Proceedings of the International Radar Conference. Adelaide, SA, Australia: IEEE, 2003: 182-187.

[11] TISON C, TUPIN F, MAITRE H. Retrieval of Building Shapes from Shadows in High Resolution SAR Interferometric Images[C]∥Proceedings of the 2004 IEEE International Geoscience and Remote Sensing Symposium. Anchorage, AK: IEEE, 2004(3): 1788-1791.

[12] BRUNNER D, LEMOINE G, BRUZZONE L, et al. Building Height Retrieval from VHR SAR Imagery Based on an Iterative Simulation and Matching Technique[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(3): 1487-1504.

[13] QUARTULLI M, DATCU M. Stochastic Geometrical Modeling for Built-up Area Understanding from a Single SAR Intensity Image with Meter Resolution[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(9): 1996-2003.

[14] 趙凌君. 高分辨率SAR圖像建筑物提取方法研究[D]. 長沙: 國防科學(xué)技術(shù)大學(xué), 2009. ZHAO Lingjun. Building Extraction from High Resolution SAR Imagery[D]. Changsha: National University of Defense Technology, 2009.

[15] 蔣李兵, 王壯, 雷琳, 等. 基于模型的單幅高分辨SAR圖像建筑物高度反演方法[J]. 電子學(xué)報, 2012, 40(6): 1086-1091. JIANG Libing, WANG Zhuang, LEI Lin, et al. Model-based Building Height Retrieval from Single HR SAR Image[J]. Acta Electronica Sinica, 2012, 40(6): 1086-1091.

[16] 徐旭, 張風(fēng)麗, 王國軍, 等. 基于高亮特征匹配的雙視向SAR圖像建筑物高度提取[J]. 遙感技術(shù)與應(yīng)用, 2016, 31(1): 149-156. XU Xu, ZHANG Fengli, WANG Guojun, et al. Building Height Retrieval from Dual-aspect SAR Images Based on Match of Strong Backscattering Features[J]. Remote Sensing Technology and Application, 2016, 31(1): 149-156.

[17] 張永華, 溫顯斌. 聯(lián)合高分辨率光學(xué)和SAR數(shù)據(jù)的城市區(qū)域矩形建筑物檢測與高度估計[J]. 紅外與毫米波學(xué)報, 2016, 35(2): 160-165. ZHANG Yonghua, WEN Xianbin. Combining High-resolution Optical and SAR Data for Rectangle Building Detection and Height Estimation in Urban Areas[J]. Journal of Infrared and Millimeter Waves, 2016, 35(2): 160-165.

[18] 何靈敏, 沈掌泉, 孔繁勝, 等. SVM在多源遙感圖像分類中的應(yīng)用研究[J]. 中國圖象圖形學(xué)報, 2007, 12(4): 648-654. HE Lingmin, SHEN Zhangquan, KONG Fansheng, et al. Study on Multi-source Remote Sensing Images Classification with SVM[J]. Journal of Image and Graphics, 2007, 12(4): 648-654.

[19] 胡榮明, 黃小兵, 黃遠程. 增強形態(tài)學(xué)建筑物指數(shù)應(yīng)用于高分辨率遙感影像中建筑物提取[J]. 測繪學(xué)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.

[20] 趙志明, 周小成, 付乾坤, 等. 基于資源三號影像的建筑物高度信息提取方法[J]. 國土資源遙感, 2015, 27(3): 19-24. ZHAO Zhiming, ZHOU Xiaocheng, FU Qiankun, et al. Method for Extraction of Building Height Information Based on ZY-3 Image[J]. Remote Sensing for Land & Resources, 2015, 27(3): 19-24.

[21] 田新光, 張繼賢, 張永紅. 利用QuickBird影像的陰影提取建筑物高度[J]. 測繪科學(xué), 2008, 33(2): 88-89, 77. TIAN Xinguang, ZHANG Jixian, ZHANG Yonghong. Extraction of Heights of Buildings in City from Shadows in QuickBird Image[J]. Science of Surveying and Mapping, 2008, 33(2): 88-89, 77.

[22] 王國軍, 張風(fēng)麗, 徐旭, 等. 幾何模型約束的SAR圖像建筑物提取[J]. 紅外與毫米波學(xué)報, 2013, 32(5): 444-449, 480. WANG Guojun, ZHANG Fengli, XU Xu, et al. Geometrical Model-based Three-dimensional Building Extraction in High-resolution SAR Imagery[J]. Journal of Infrared and Millimeter Waves, 2013, 32(5): 444-449, 480.

[23] 周麗, 黃素珍. 基于模擬退火的混合遺傳算法研究[J]. 計算機應(yīng)用研究, 2005, 22(9): 72-73, 76. ZHOU Li, HUANG Suzhen. Study of Hybrid Genetic Algorithm Based on Simulated Annealing[J]. Application Research of Computers, 2005, 22(9): 72-73, 76.

[24] 劉科研, 盛萬興, 李運華. 基于改進遺傳模擬退火算法的無功優(yōu)化[J]. 電網(wǎng)技術(shù), 2007, 31(3): 13-18. LIU Keyan, SHENG Wanxing, LI Yunhua. Research on Reactive Power Optimization Based on Improved Genetic Simulated Annealing Algorithm[J]. Power System Technology, 2007, 31(3): 13-18.

[25] 石義方, 汪小欽, 孫振海, 等. 基于陰影的資源三號衛(wèi)星數(shù)據(jù)城市建筑物高度估算[J]. 地球信息科學(xué)學(xué)報, 2015, 17(2): 236-243. SHI Yifang, WANG Xiaoqin, SUN Zhenhai, et al. Urban Building Heights Estimation from the Shadow Information on ZY-3 Images[J]. Journal of Geo-Information Science, 2015, 17(2): 236-243.

[26] 劉小洲, 周石琳, 李智勇. 高分辨率遙感圖像中建筑物陰影的提取[J]. 計算機仿真, 2008, 25(8): 197-200, 204. LIU Xiaozhou, ZHOU Shilin, LI Zhiyong. Extraction of Building Shadows from Urban High Resolution Remote Sensing Image[J]. Computer Simulation, 2008, 25(8): 197-201, 204.

(責(zé)任編輯：張艷玲)

Fusion of Spaceborne Optical and SAR Images for Building Height Quick Extraction in Big Urban Areas

TIAN Feng1,2,LI Hu2,3

1. College of Resources and Environment Sciences，Xinjiang University， Urumqi 830000， China； 2. Satellite Application Center of Xinjiang Uygur Autonomous Region， Urumqi 830000， China； 3. Chuzhou University， Chuzhou 239000， China

The spaceborne high-resolution optical images and synthetic aperture radar (SAR) images are applied to extract building height in urban areas widely. But the lack of optical satellite parameters along with the SAR images’ incomplete scattering characteristics and inefficient extraction make the application flawed. To cure the above problems, we investigated the joint use of the spaceborne high-resolution optical images and SAR images to extract building height information quickly in big urban areas. The chain is decomposed into the main following steps: First, the building shadows are extracted by integrating support vector machines (SVM) with morphological shadow index (MSI) and their lengths are measured automatically. Then, the height extraction from SAR images based on a model matching technique for some appropriate samples. Finally, obtain the other heights based on the simple linear regression analysis. This approach which combines the data and feature from different satellite systems to make up the flaws for each other is not only efficient and low-cost, but also satisfy the basic accuracy requirement.

spaceborne high-resolution image；building height；big areas；quick extraction；MSI；model match technique；simple linear regression

National High Resolution Earth Observation Major Project(No.95-Y40B02-9001-13/15)；Xinjiang Scientific and Technological Innovation Youth Talents Training Project(No.2013701035)；Natural Science Research Project of Anhui University (No.KJ2016A526)；Scientific Research Initializing Fund Project of Chuzhou University(No.2014QD029)

TIAN Feng(1992—)，male, postgraduate, majors in urban remote sensing application of multispectral and SAR, domestic remote sensing satellites application.

LI Hu

田峰，李虎.聯(lián)合星載光學(xué)與SAR圖像的城市大面積建筑物高度快速提取[J].測繪學(xué)報，2017,46(7)：891-899.

10.11947/j.AGCS.2017.20160573. TIAN Feng,LI Hu.Fusion of Spaceborne Optical and SAR Images for Building Height Quick Extraction in Big Urban Areas[J]. Acta Geodaetica et Cartographica Sinica,2017,46(7):891-899. DOI:10.11947/j.AGCS.2017.20160573.

P237

A

1001-1595(2017)07-0891-09

高分辨率對地觀測系統(tǒng)重大專項(95-Y40B02-9001-13/15)；新疆青年科技創(chuàng)新人才培養(yǎng)工程(2013701035)；安徽省高等學(xué)校自然科學(xué)研究項目(KJ2016A526)；滁州學(xué)院科研啟動基金項目(2014QD029)

2016-11-24

田峰(1992—)，男，碩士生，研究方向為城市多光譜與SAR遙感應(yīng)用，國產(chǎn)遙感衛(wèi)星應(yīng)用。

E-mail： 815240572@qq.com

李虎

E-mail： lihu2881@aliyun.com

修回日期： 2017-05-31