施文灶，劉金清

(1.福建師范大學(xué) 光電與信息工程學(xué)院，福州 350108; 2.福建師范大學(xué) 醫(yī)學(xué)光電科學(xué)與技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，福州 350007; 3.福建師范大學(xué) 福建省光子技術(shù)重點(diǎn)實(shí)驗(yàn)室，福州 350007)

基于鄰域總變分和勢直方圖函數(shù)的高分辨率遙感影像建筑物提取

施文灶1,2,3*，劉金清1,2,3

(1.福建師范大學(xué) 光電與信息工程學(xué)院，福州 350108; 2.福建師范大學(xué) 醫(yī)學(xué)光電科學(xué)與技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，福州 350007; 3.福建師范大學(xué) 福建省光子技術(shù)重點(diǎn)實(shí)驗(yàn)室，福州 350007)

(*通信作者電子郵箱swz@fjnu.edu.cn)

針對(duì)現(xiàn)在的高分辨率遙感影像建筑物識(shí)別與提取方法存在的準(zhǔn)確率低及數(shù)據(jù)要求嚴(yán)格等問題，提出一種基于鄰域總變分(NTV)和勢直方圖函數(shù)(PHF)的方法。首先，計(jì)算遙感影像各像元的加權(quán)鄰域總變分似然函數(shù)取值，并進(jìn)行區(qū)域生長分割，將矩形度和長寬比作為約束條件提取候選建筑物；然后，進(jìn)行陰影自動(dòng)提??；最后，利用數(shù)學(xué)形態(tài)學(xué)對(duì)陰影進(jìn)行處理，計(jì)算處理后的陰影和候選建筑物之間的鄰接關(guān)系得到建筑物，并用最小外接矩形對(duì)其邊界進(jìn)行擬合。為了驗(yàn)證所提算法的有效性，選取深圳市PLEIADES影像中9幅具有代表性的子影像進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，所提方法的平均查準(zhǔn)率和平均查全率分別達(dá)到97.71%和84.21%，與水平集和基于顏色不變性特征兩種建筑物提取方法相比，在總體性能F1上具有10%以上的提高。

高分辨率遙感影像；勢直方圖函數(shù)；鄰域總變分；形態(tài)學(xué)；建筑物提取

0 引言

建筑物是城市下墊面主要的地物類型，是城市大比例尺基礎(chǔ)地理底圖中必須重點(diǎn)表現(xiàn)的專題要素。通過自動(dòng)識(shí)別與提取高分辨率影像上的建筑物，以此提高城市基礎(chǔ)地理數(shù)據(jù)庫建設(shè)與更新的效率、降低人工作業(yè)的工作量與勞動(dòng)強(qiáng)度具有重要意義。

目前，各類高分辨率衛(wèi)星遙感影像以及航空遙感影像得到普及，成為建筑物提取的主要數(shù)據(jù)源，以下對(duì)相關(guān)的建筑物提取方法進(jìn)行綜述。

1)基于分類的方法。分類的主要目的是先進(jìn)行建筑物或建筑物區(qū)域的粗提取，再利用先驗(yàn)知識(shí)或建筑物特征進(jìn)行篩選、提高檢測性能[1-3]。通過分類可以排除一部分非建筑物區(qū)域的干擾，提高方法的效率。但分類器的選擇和設(shè)計(jì)是關(guān)鍵，通常需要根據(jù)具體場景對(duì)分類器的參數(shù)進(jìn)行調(diào)校，是一個(gè)較為繁瑣且復(fù)雜的過程。

2)基于分割的提取方法。為了獲取更為準(zhǔn)確的建筑物對(duì)象，通常先經(jīng)過分割并計(jì)算分割區(qū)域內(nèi)的梯度、紋理、方向和形狀等特征信息，獲得候選建筑物，再根據(jù)空間格局和結(jié)構(gòu)語義信息，如建筑物和道路的空間關(guān)系、建筑物之間的方向一致性等提取建筑物對(duì)象，使得準(zhǔn)確輪廓信息的獲取成為可能[4-6]。但缺點(diǎn)是準(zhǔn)確性過分依賴于分割算法的性能，過分割或欠分割都會(huì)造成建筑物的誤檢或漏檢。

3)基于陰影的方法。陰影包含了建筑物結(jié)構(gòu)的大量信息，而無需另外描述其模型，因此被認(rèn)為是用于建筑物提取的一種重要特征。一般的做法是根據(jù)陰影區(qū)域的飽和度和強(qiáng)度遵循某種特征，通過閾值方案檢測陰影區(qū)域[7-8]。理論上，準(zhǔn)確的陰影可以用于任意形狀建筑物的自動(dòng)提取，然而，在目前的大多數(shù)研究中，陰影沒得到充分的提取，一般只是提取建筑物周圍的暗區(qū)域，另外，空間關(guān)系如何確定以及陰影的自動(dòng)準(zhǔn)確提取仍有待進(jìn)一步研究。

4)基于邊緣的提取方法。該類方法先利用邊緣檢測算子提取邊緣，根據(jù)空間關(guān)系對(duì)邊緣進(jìn)行分組，搜索符合建筑物空間結(jié)構(gòu)的邊緣組合，得到建筑物[9]。此類方法由底層的邊緣特征提取和搜索開始，逐層往上獲得更高層的目標(biāo)信息，在遮蔽少、建筑物獨(dú)立和結(jié)構(gòu)簡單的情況下效果較好，但在邊緣提取及其擬合等步驟中使用了較多閾值，這些閾值難以同時(shí)適應(yīng)不同的建筑物類型和影像條件，實(shí)用性受到限制。

近年來，出現(xiàn)了諸如振蕩器神經(jīng)網(wǎng)絡(luò)[10]、視覺圖形主題模型[11]、時(shí)空推論[12]等新模型和方法，同時(shí)各種地理信息系統(tǒng)(Geographic Information System, GIS)數(shù)據(jù)庫和先驗(yàn)知識(shí)庫也不斷更新和完善，雖然可以在一定程度上提高建筑物檢測的準(zhǔn)確性，但以上方法還存在如下問題：1)需要大量的數(shù)據(jù)集作為訓(xùn)練樣本；2)需要復(fù)雜的模型建立過程；3)需要龐大的數(shù)據(jù)庫和專家系統(tǒng)的支持；4)需要多種不同類型的遙感數(shù)據(jù)。總之，從實(shí)用性來看，受到較大的限制。

針對(duì)基于二維高分辨率遙感影像提取建筑物現(xiàn)有相關(guān)研究成果的不足以及數(shù)據(jù)限制，本文利用勢直方圖函數(shù)(Potential Histogram Function, PHF)和鄰域總變分(Neighborhood Total Variation, NTV)，提出一種無需多光譜及高程信息的方法，可以高效、魯棒地自動(dòng)識(shí)別和提取遙感影像中的建筑物。

1 算法原理

本文的算法流程如圖1所示，主要包括基于NTV的區(qū)域生長分割、基于PHF的陰影提取和基于數(shù)學(xué)形態(tài)學(xué)計(jì)算鄰接關(guān)系的建筑物提取三個(gè)部分。

圖1 本文算法流程

1.1 候選建筑物提取

以建筑物頂部具有均勻的光譜特性為前提條件，提出一種基于NTV的區(qū)域生長分割方法，實(shí)現(xiàn)了種子點(diǎn)的自動(dòng)選取，并通過對(duì)分割對(duì)象進(jìn)行后處理，提取候選建筑物。

設(shè)遙感影像為I(x,y)，則總變分定義為：

(1)

總變分實(shí)質(zhì)上是函數(shù)I的梯度的模的積分。函數(shù)梯度反映了函數(shù)在某點(diǎn)的變化程度；梯度的模的積分反映了函數(shù)變化的激烈程度；總變分表示影像整體能量的變化，取值越小，代表著支持域內(nèi)影像的變化越小，影像越平滑。由于建筑物頂部一般具有均勻光譜特征，使得遙感影像I中建筑物區(qū)域的總變分相對(duì)非建筑物區(qū)域要小得多，利用上述特征，定義如下的NTV：

(2)

考慮到鄰域中不同位置的點(diǎn)可能具有不同的貢獻(xiàn)，定義如下的加權(quán)NTV：

(3)

其中：λ(u,v)為對(duì)應(yīng)點(diǎn)的權(quán)值，本文研究算法中，采用高斯核函數(shù)模板。

為了表征影像中的每一點(diǎn)的局部均質(zhì)程度，根據(jù)加權(quán)NTV定義如下的似然函數(shù)：

(4)

LS(I(x0,y0))越大，表明I(x0,y0)屬于建筑物區(qū)域的可能性越大。在計(jì)算各點(diǎn)的似然函數(shù)取值后，通過線性變換將其轉(zhuǎn)換至區(qū)間[0,255]，如圖2(a)所示?？紤]后續(xù)步驟中區(qū)域生長分割的準(zhǔn)確性是以種子點(diǎn)的正確選取為前提的，因此對(duì)LS的二值化需要選取較大的閾值以保留最有可能屬于建筑物區(qū)域的像素，本文通過對(duì)20幅遙感影像進(jìn)行基于NTV的分割，比較閾值取值范圍從100～250、間隔為10的效果，通過目視判斷，發(fā)現(xiàn)閾值取值在220～240最為合適。這里選取了最佳范圍的中間值230，二值化結(jié)果如圖2(b)所示。由于二值化后的結(jié)果中存在大量的孤立像素或小面積區(qū)域，將影響候選建筑物的提取精度，因此需要對(duì)其進(jìn)一步處理，本文算法刪除面積小于10的區(qū)域并對(duì)保留區(qū)域進(jìn)行標(biāo)注，結(jié)果如圖2(c)所示。圖2(d)為每個(gè)保留區(qū)域的質(zhì)心，以每個(gè)質(zhì)心為種子點(diǎn)進(jìn)行區(qū)域生長分割，結(jié)果如圖2(e)所示。最后，利用矩形度RLW=L/W和長寬比RU=S1/S2作為約束條件對(duì)區(qū)域生長分割后的對(duì)象進(jìn)行后處理，其中L和W分別代表分割對(duì)象的最小外接矩形的長和寬；S1/S2分別代表分割對(duì)象的面積和最小外接矩形的面積，最后保留同時(shí)滿足矩形度大于閾值且長寬比小于閾值的分割對(duì)象(閾值的設(shè)置見表2)，得到候選建筑物(其中可能包含陰影)，如圖2(f)所示。

圖2 候選建筑物提取過程的可視化

1.2 陰影提取

陰影和非陰影的分割關(guān)鍵在于確定一個(gè)合適的閾值，而傳統(tǒng)的分割方法大多采用人工設(shè)置。本文在文獻(xiàn)[11]的基礎(chǔ)上，提出一種基于PHF的自動(dòng)陰影提取算法。

設(shè)I=[f(i,j)]M×N為M×N的灰度影像，G為灰度級(jí)，I的灰度統(tǒng)計(jì)直方圖函數(shù)H(k)計(jì)算公式為：

(5)

其中：

H(k)可以表征灰度值為k的像元在影像I中出現(xiàn)的概率。

定義PHF為：

(6)

對(duì)圖2(f)分別計(jì)算灰度統(tǒng)計(jì)直方圖函數(shù)H(k)和PHF，得到的結(jié)果如圖3(a)和圖3(b)所示，可以看出，PHF相當(dāng)于對(duì)灰度統(tǒng)計(jì)直方圖函數(shù)進(jìn)行低通濾波。

圖3 H(k)和PHF曲線

根據(jù)陰影的灰度級(jí)較低的特征，通過構(gòu)造PHF的一階差分自動(dòng)確定分割閾值，如式(7)所示：

P(k)=PH(k+1)-PH(k);k∈{0,1,…,G-1}

(7)

圖3(b)中的PHF曲線的一階差分結(jié)果如圖4(a)所示，圖4(b)為圖4(a)的局部放大(橢圓包含部分)。將P(k)中第一個(gè)由負(fù)變正的階躍點(diǎn)作為陰影提取的自動(dòng)分割閾值T。圖4(b)中，P(63)<0且P(64)>0，因此閾值T=63。

圖4 一階差分曲線及分割閾值的選取

從I=[f(i,j)]M×N中提取的陰影為：

(8)

陰影提取結(jié)果如圖5(b)和圖5(d)所示。

圖5 陰影提取結(jié)果

由圖5可見，本文的陰影提取算法對(duì)于圖5中的#1和#2測試影像均能得到較為可靠的陰影結(jié)果。

1.3 數(shù)學(xué)形態(tài)學(xué)計(jì)算

基于形態(tài)學(xué)計(jì)算鄰接關(guān)系進(jìn)行建筑物提取的處理流程如圖6所示。

圖6 基于鄰接關(guān)系的建筑物提取流程

圖6中鄰接關(guān)系的計(jì)算式為：

(9)

其中：Bc為任一候選建筑物；SHm為經(jīng)過數(shù)學(xué)形態(tài)學(xué)處理后的所有陰影，取值為1表示保留Bc，取值為0表示刪除Bc。當(dāng)SHm為膨脹后的陰影對(duì)象時(shí)，保留的Bc為精細(xì)候選建筑物；當(dāng)SHm為腐蝕后的陰影對(duì)象時(shí)，保留的Bc為精細(xì)陰影。

開運(yùn)算、膨脹和腐蝕三種數(shù)學(xué)形態(tài)學(xué)方法均采用圓形結(jié)構(gòu)元素，對(duì)應(yīng)的半徑分別記為R1、R2和R3。圓形結(jié)構(gòu)元素ESTR可定義為：

ESTR=round(r)

(10)

其中:round(*)為圓形生成函數(shù);r為半徑。

在候選建筑物和陰影的基礎(chǔ)上，首先用數(shù)學(xué)形態(tài)學(xué)方法對(duì)陰影進(jìn)行處理：

1)開運(yùn)算處理。目的是為了減小與建筑物陰影具有相似光譜特征的植被陰影及小面積人工地物的干擾，可以提高建筑物對(duì)象的查準(zhǔn)率。

2)膨脹處理。對(duì)開運(yùn)算處理后的陰影進(jìn)行膨脹處理，目的是為了彌補(bǔ)候選分割對(duì)象提取的不準(zhǔn)確性，保證陰影和對(duì)應(yīng)的建筑物有一定的重疊部分，可以提高建筑物檢測的查全率。

3)腐蝕處理。對(duì)開運(yùn)算處理后的陰影進(jìn)行腐蝕處理，目的是為了防止陰影本身被當(dāng)作建筑物，可以提高建筑物提高的查準(zhǔn)率。

然后，將與膨脹處理后的陰影有重疊部分的候選建筑物判定為精細(xì)候選建筑物；將與腐蝕處理后的陰影有重疊部分的候選建筑物判定為精細(xì)陰影。將精細(xì)候選建筑物減去精細(xì)陰影得到建筑物對(duì)象。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 數(shù)據(jù)和評(píng)價(jià)方法

本文的實(shí)驗(yàn)數(shù)據(jù)為深圳市2012年11月6日的PLEIADES影像，經(jīng)過數(shù)據(jù)融合預(yù)處理，分辨率為0.5m，該區(qū)域內(nèi)建筑物類型較為典型，具有尺寸、方向和分布等特征的多樣性。選擇其中的紅色波段進(jìn)行處理，從中選取9幅具有代表性的測試影像，尺寸均為400×400像素，如圖8所示。#1測試影像中的建筑物呈多個(gè)角度分布且尺寸相差較大；#2測試影像中的建筑物的排列較為規(guī)則，但頂部光譜特性與周圍的道路較為一致，容易受到道路的干擾；#3和#9測試影像中的建筑物陰影混疊在一起；#4和#6測試影像中的建筑物尺寸較大，且頂部包含小面積的規(guī)則同質(zhì)區(qū)域；#7～#9測試影像中建筑物周圍幾乎被植被所覆蓋(植被容易對(duì)陰影檢測產(chǎn)生干擾)；#5測試影像中的建筑物陰影不明顯。

分別采用式(11)～(13)的查準(zhǔn)率Pre、查全率Rec和F1(將查準(zhǔn)率和查全率聯(lián)合量化為一個(gè)數(shù)值，取值越大，表明算法性能越好)，對(duì)每幅測試影像進(jìn)行評(píng)價(jià)。

(11)

(12)

(13)

其中：TP(True Positive)表示本文算法和人工標(biāo)注法均提取到的建筑物數(shù)量(如果建筑物的部分區(qū)域被檢測到，則認(rèn)為建筑物是被正確提取的)；FP(False Positive)表示本文算法檢測到而人工標(biāo)注法未檢測到的建筑物數(shù)量；FN(False Negative)表示本文算法未檢測到而人工標(biāo)注法檢測到的建筑物數(shù)量。

2.2 參數(shù)分析與取值

本文算法共涉及8個(gè)參數(shù)，參數(shù)描述如表1所示。

本文算法的綜合平均查準(zhǔn)率、查全率和F1分別隨8個(gè)參數(shù)的變化曲線如圖7所示，圖7曲線是以圖8的#1～#5測試影像作為分析對(duì)象得到。

1)參數(shù)α和RU均是先使F1曲線達(dá)到一個(gè)最大值，然后急劇下降至0，其原因在于α達(dá)到一定數(shù)值(圖7(a)中α=2.5)后，將導(dǎo)致陰影完全消失，結(jié)果是提取不到任何建筑物；同樣，當(dāng)RU達(dá)到一定數(shù)值(圖7(d)中RU=0.75)后，候選建筑物的數(shù)量為0，也提取不到任何建筑物。

表1 本文算法參數(shù)及其描述

圖7 本文算法性能隨參數(shù)的變化曲線

2)根據(jù)對(duì)式(8)的分析，LS越大，屬于建筑物區(qū)域的可能性越大，LS取值大于TBW的像素點(diǎn)被保留，因此，隨著TBW由小到大的變化過程，建筑物被正確提取的可能性越來越大，但超過一定的取值(圖7(b)中TBW=230)后，正確提取的建筑物數(shù)量越來越少，導(dǎo)致查準(zhǔn)率和查全率下降。

3)參數(shù)Tseg控制區(qū)域生長分割算法中一個(gè)像素的8鄰域內(nèi)與其相似的像素?cái)?shù)量，Tseg越大，更多的像素被合并成同一對(duì)象。當(dāng)Tseg取值小于2時(shí)，建筑物被過分割，每個(gè)分割對(duì)象的長寬比和矩形度無法滿足約束條件，算法性能較低，隨著Tseg取值增大，分割后的對(duì)象越來越接近于建筑物，建筑物頂部的光譜同質(zhì)特性得到最大的利用，算法性能最好，當(dāng)Tseg取值繼續(xù)增加，出現(xiàn)欠分割現(xiàn)象，即相鄰的多個(gè)建筑物或建筑物與相鄰地物可能被檢測為一個(gè)對(duì)象，導(dǎo)致查準(zhǔn)率和查全率急劇下降。

4)參數(shù)R1從小到大的變化，從一定程度上消除了與建筑物陰影具有相似光譜特征的植被陰影及小面積人工地物的干擾，到一定取值(圖7 (f)中R1=5)，效果達(dá)到最佳，但若再繼續(xù)增大R1，陰影面積將不斷被削弱，最終導(dǎo)致查全率下降得很快。

5)參數(shù)RLW和R2使得F1曲線達(dá)到最大值后保持穩(wěn)定，其原因在于RLW越大，約束條件越寬松，越不容易產(chǎn)生漏檢和誤檢；此外，R2越大，保留的候選建筑物數(shù)量越多，漏檢數(shù)量越少，因此當(dāng)這兩個(gè)參數(shù)達(dá)到一定數(shù)值后，查準(zhǔn)率、查全率和F1均保持穩(wěn)定。

6)參數(shù)R3使得F1曲線上升到最大值后下降，其原因在于R3較小時(shí)，陰影被誤檢為建筑物的可能性大，導(dǎo)致查準(zhǔn)率低，隨著R3增大到一定的取值(圖7(h)中，R3=10)，腐蝕后的陰影完全包含于候選建筑物中，對(duì)應(yīng)的候選建筑物被刪除，得到最大的查準(zhǔn)率，當(dāng)R3繼續(xù)增大到足以將陰影完全腐蝕，與陰影所對(duì)應(yīng)的候選建筑物得到保留，導(dǎo)致查準(zhǔn)率下降。

綜上分析可知，上述8個(gè)參數(shù)對(duì)算法性能的影響均有一定的規(guī)律性，即參數(shù)在變化過程中有某一取值或區(qū)間使算法總體性能(F1)達(dá)到最高或保持穩(wěn)定，選擇F1達(dá)到最大時(shí)對(duì)應(yīng)的參數(shù)取值如表2所示。

表2 參數(shù)設(shè)定

2.3 實(shí)驗(yàn)結(jié)果與分析

結(jié)合表2的參數(shù)取值，利用本文算法對(duì)9幅測試影像進(jìn)行建筑物提取，結(jié)果如圖8所示，其中：矩形(即提取的建筑物的最小外接矩形)包含的區(qū)域代表TP建筑物的數(shù)量；實(shí)心圓代表FP建筑物的數(shù)量，即誤檢數(shù)；空心圓代表FN建筑物的數(shù)量，即漏檢數(shù)。計(jì)算得到的性能結(jié)果如表3所示。

如圖8所示，9幅測試影像中的大多數(shù)建筑物都能被正確提取，表明本文算法能適用于不同尺寸、分布及具有周圍地物干擾的建筑物提取。表3中列舉的數(shù)據(jù)也證明了這一點(diǎn)?；趯?duì)象的性能統(tǒng)計(jì)數(shù)據(jù)中，9幅測試影像的平均查準(zhǔn)率和查全率分別為97.71%和84.21%，F(xiàn)1為90.46。多數(shù)的測試影像均能達(dá)到100%的查準(zhǔn)率，其中，#1、 #3和#7測試影像各存在一個(gè)將道路片段誤檢為建筑物的對(duì)象，導(dǎo)致查準(zhǔn)率有所下降，原因是部分道路片段具有均勻的光譜特性且滿足一定的長寬比和矩形度。9幅測試影像都存在漏檢建筑物，其原因在于：1)建筑物被影像邊界分割成不完整的片段，無法滿足長寬比和矩形度的約束條件，如#2測試影像右上方的漏檢建筑物；2)建筑物頂部不具備光譜均一性，如#3、 #4和#6測試影像中的漏檢建筑物；3)陰影沒有被準(zhǔn)確提取，導(dǎo)致在計(jì)算陰影和周圍建筑物的重疊關(guān)系時(shí)造成漏檢，如#3、#7和#9測試影像中的漏檢建筑物。

圖8 建筑物提取結(jié)果

測試影像基于對(duì)象的性能統(tǒng)計(jì)Pre/%Rec/%F1基于面積的性能統(tǒng)計(jì)Pre/%Rec/%F1#194．4494．4494．4498．2358．4173．26#2100．0083．3390．9199．5894．5797．01#388．8988．8988．8998．9097．9698．43#4100．0085．7192．3199．7199．5099．60#5100．0066．6780．0098．9883．3790．51#6100．0082．6190．4899．6875．4985．91#796．0088．8992．3198．8097．3398．06#8100．0082．1490．2099．7086．4592．61#9100．0078．9588．2499．3895．7897．55平均值97．7184．2190．4699．2287．6592．55

需要重點(diǎn)說明的是：1)陰影是本文算法利用的關(guān)鍵特征，當(dāng)陰影漏檢時(shí)，將直接導(dǎo)致建筑物的漏檢，當(dāng)陰影誤檢時(shí)，由于后續(xù)步驟利用數(shù)學(xué)形態(tài)學(xué)的腐蝕和膨脹分別對(duì)陰影進(jìn)行處理，因此只要不把建筑物誤檢為陰影，將對(duì)建筑物提取結(jié)果無影響；2)本文方法還無法完整地提取建筑物，存在如#1測試影像中建筑物漏檢較為嚴(yán)重的現(xiàn)象，這主要取決于分割算法的性能，將在以后的研究中，綜合顏色、邊緣和像元之間的空間關(guān)系設(shè)計(jì)性能更優(yōu)的分割算法，提高建筑物提取的準(zhǔn)確性。

綜合以上分析可知，本文方法對(duì)于多數(shù)的場景具有較好的提取效果，但對(duì)頂部光譜不均勻、周圍陰影不明顯、輪廓難以用矩形表示的建筑物提取還存在一定的局限性，同時(shí)，值得注意的是，表3中9幅測試影像的性能數(shù)據(jù)是基于表2的同一配置參數(shù)下獲得的，如果分別對(duì)每幅測試影像配置各自最佳的參數(shù)，總體性能將會(huì)有一定程度的提高。

2.4 方法對(duì)比

鑒于水平集是目前廣泛應(yīng)用且效果較好的分割方法，而基于不變顏色特征和陰影的建筑物提取方法與本文的方法結(jié)構(gòu)基本一致，因此選擇這兩種方法進(jìn)行對(duì)比具有一定的代表性和可比性?；?1～#9測試影像，對(duì)比結(jié)果如表4所示, 其中：方法1為利用水平集進(jìn)行分割的建筑物提取方法[13]，方法2為基于不變顏色特征和陰影的建筑物提取方法[14]。

表4 不同方法的性能對(duì)比結(jié)果

由表4可知：相比方法1和方法2，本文方法在總體性能F1方面均提高了10%以上。其中，方法1具有較高的查全率，但查準(zhǔn)率相對(duì)較低，其原因在于方法1的水平集初始曲線由均勻分布在整幅影像上的圓形組成，當(dāng)建筑物邊界較為明顯及分布較為稀疏時(shí)，能夠較好地檢測到建筑物，相反，活動(dòng)輪廓線難以準(zhǔn)確收斂至建筑物邊界；方法2先利用不變顏色特征進(jìn)行分割，提取建筑物(為了保證滿足此條件，隨機(jī)將圖8中9幅測試影像中的兩處建筑物進(jìn)行紅色填充)，方法2達(dá)到88.65%的查準(zhǔn)率，但條件要求較為苛刻。

3 結(jié)語

相對(duì)于現(xiàn)有多數(shù)建筑物提取方法存在的需要多光譜數(shù)據(jù)、高程數(shù)據(jù)以及人工設(shè)置大量參數(shù)等問題，本文方法只需利用遙感影像的灰度信息，降低了對(duì)遙感影像維度和波段的要求，通過基于陰影和候選建筑物之間的鄰接關(guān)系篩選并提取建筑物，且該方法所涉及的參數(shù)容易確定，為建筑物提取提供了一種有效方案。實(shí)驗(yàn)結(jié)果表明，本文方法能夠很好地適應(yīng)于具有頂部光譜一致性的矩形或類矩形建筑物的提取，查準(zhǔn)率高達(dá)97.71 %，通過目視解譯，提取的建筑物位置和輪廓較為準(zhǔn)確，不足之處是對(duì)于邊緣模糊的、形狀不規(guī)則和頂部光譜特征不均勻的建筑物提取的查全率相對(duì)較低。下一步研究工作將考慮建筑物位置和邊緣的準(zhǔn)確性評(píng)價(jià)問題并擴(kuò)展至大幅面影像中建筑物提取，提高查全率，使本文算法能夠應(yīng)用于城市建筑物提取的工程中。

)

[1]LEEDS,SHANJ,BETHELJS.Class-guidedbuildingextractionfromIkonosimagery[J].PhotogrammetricEngineering&RemoteSensing, 2003, 69(2): 143-150.

[2]SUMERE,TURKERM.Anadaptivefuzzy-geneticalgorithmapproachforbuildingdetectionusinghigh-resolutionsatelliteimages[J].Computers,EnvironmentandUrbanSystems, 2013, 39: 48-62.

[3] üNSALANC,BOYERKL.Asystemtodetecthousesandresidentialstreetnetworksinmultispectralsatelliteimages[J].ComputerVisionandImageUnderstanding, 2005, 98(3): 423-461.

[4]SHRIVASTAVAN,RAIPK.Automaticbuildingextractionbasedonmultiresolutionsegmentationusingremotesensingdata[J].GeographiaPolonica, 2015, 88(3): 407-421.

[5]GRINIASI,PANAGIOTAKISC,TZIRITASG.MRF-basedsegmentationandunsupervisedclassificationforbuildingandroaddetectioninperi-urbanareasofhigh-resolutionsatelliteimages[J].ISPRSJournalofPhotogrammetry&RemoteSensing, 2016, 122: 145-166.

[6] 施文灶,毛政元.基于圖分割的高分辨率遙感影像建筑物變化檢測研究[J].地球信息科學(xué)學(xué)報(bào),2016,18(3):423-432.(SHIWZ,MAOZY.Theresearchonbuildingchangedetectionfromhighresolutionremotelysensedimagerybasedongraph-cutsegmentation[J].JournalofGeo-InformationScience, 2016, 18(3): 423-432.)

[7]YUB,WANGL,NIUZ.Anovelalgorithminbuildings/shadowdetectionbasedonHarrisdetector[J].Optik—InternationalJournalforLightandElectronOptics, 2014, 125(2): 741-744.

[8]NGOTT,COLLETC,MAZETV.AutomaticrectangularbuildingdetectionfromVHRaerialimageryusingshadowandimagesegmentation[C] //Proceedingsofthe2015IEEEInternationalConferenceonImageProcessing.Piscataway,NJ:IEEE, 2015: 1483-1487.

[9]DHULEJJ,DHURPATENB,GONGESS,etal.Edgedetectiontechniqueusedforidentificationofcracksonverticalwallsofthebuilding[C] //Proceedingsofthe2015InternationalConferenceonComputingandNetworkCommunications.Piscataway,NJ:IEEE, 2015: 263-268.

[10]LIUC,SHIBQ,YANGX,etal.AutomaticbuildingsextractionfromLiDARdatainurbanareabyneuraloscillatornetworkofvisualcortex[J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing, 2013, 6(4): 2008-2019.

[11]LIYS,TANYH,TIANJW.Urbanbuildingextractionviavisualgraphicaltopicmodel[C] //Proceedingsofthe2014IEEEInternationalGeoscienceandRemoteSensingSymposium.Piscataway,NJ:IEEE, 2014: 4746-4749.

[12]QINRJ,TIANJJ,REINARTZP.Spatiotemporalinferencesforuseinbuildingdetectionusingseriesofvery-high-resolutionspace-bornestereoimages[J/OL].InternationalJournalofRemoteSensing, 2015. [2016- 10- 09].http://rongjunqin.weebly.com/uploads/2/3/2/3/23230064/spatiotemporal_inferences_for_use_in_building_detection_using_series_of_very-high-resolution_space-borne_stereo_imagesauthorcopy.pdf.

[13]AHMADIS,ZOEJMJV,EBADIH,etal.Automaticurbanbuildingboundaryextractionfromhighresolutionaerialimagesusinganinnovativemodelofactivecontours[J].InternationalJournalofAppliedEarthObservation&Geoinformation, 2010, 12(3): 150-157.

[14]SIRMACEKB,UNSALANC.Buildingdetectionfromaerialimagesusinginvariantcolorfeaturesandshadowinformation[C] //Proceedingsofthe2008 23rdIEEEInternationalSymposiumonComputerandInformationSciences.Piscataway,NJ:IEEE, 2008: 1-5.

ThisworkispartiallysupportedbytheProgramforChangjiangScholarsandInnovativeResearchTeaminUniversity(IRT_15R10),theNaturalScienceFoundationofFujian(2017J01464).

SHI Wenzao, born in 1982, Ph. D., lecturer. His research interests include intelligent measurement and control, building extraction and change detection of the remote sensing image.

LIU Jinqing, born in 1964, professor. His research interests include target recognition and extraction of digital image, design and development of digital signal processing.

Building extraction from high-resolution remotely sensed imagery based on neighborhood total variation and potential histogram function

SHI Wenzao1,2,3*，LIU Jinqing1,2,3

(1.CollegeofPhotonicandElectronicEngineering,FujianNormalUniversity,FuzhouFujian350108,China; 2.KeyLaboratoryofOptoElectronicScienceandTechnologyforMedicineofMinistryofEducation,FujianNormalUniversity,FuzhouFujian350007,China; 3.FujianProvincialKeyLaboratoryofPhotonicsTechnology,FujianNormalUniversity,FuzhouFujian350007,China)

Concerning the problems of the low accuracy and high requirements for data in the existing building identification and extraction methods from high-resolution remotely sensed imagery, a new method based on Neighborhood Total Variation (NTV) and Potential Histogram Function (PHF) was proposed. Firstly, the value of weighted NTV likelihood function for each pixel of a remotely sensed imagery was calculated, the segmentation was done with region growing method, and the candidate buildings were selected from the segmentation results with the constraints of rectangular degree and aspect ratio. Then, the shadows were detected automatically. At last, shadows were processed with morphology operations. The buildings were extracted by computing the adjacency relationship of the processed shadows and candidate buildings, and the building boundaries were fitted with the minimum enclosing rectangle. For verifying the validity of the proposed method, nine representative sub-images were chosen from PLEIADES images covering Shenzhen for experiment. The experimental results show that, the average precision and recall of the proposed method are 97.71% and 84.21% for the object-based evaluation, and the proposed method has increased the overall performanceF1by more than 10% compared with two other building extraction methods based on level set and color invariant feature.

high-resolution remotely sensed imagery; Potential Histogram Function (PHF); Neighborhood Total Variation (NTV); morphology; building extraction

2016- 11- 10;

2016- 12- 22。

教育部“長江學(xué)者和創(chuàng)新團(tuán)隊(duì)發(fā)展計(jì)劃”創(chuàng)新團(tuán)隊(duì)項(xiàng)目滾動(dòng)支持計(jì)劃(IRT_15R10)；福建省自然科學(xué)基金項(xiàng)目(2017J01464)。

施文灶(1982—)，男，福建晉江人，講師，博士，主要研究方向：智能測控，遙感影像建筑物提取和變化檢測； 劉金清(1964—)，男，福建莆田人，教授，主要研究方向：數(shù)字圖像目標(biāo)識(shí)別和提取、數(shù)字信號(hào)處理設(shè)計(jì)與開發(fā)。

1001- 9081(2017)06- 1787- 06

10.11772/j.issn.1001- 9081.2017.06.1787

P407.8

A