徐 銳，林 娜，代文良

（1.重慶交通大學(xué) 土木工程學(xué)院，重慶 400074；2.重慶極地藍(lán)光測(cè)繪有限公司，重慶400074）

基于多特征融合的建筑物提取研究較多，但這些研究主要集中在利用高空間分辨率影像進(jìn)行建筑物的提取，較少利用影像的光譜信息。本文利用高光譜高空間分辨率影像，充分挖掘和利用建筑物的光譜特征、紋理特征和空間特征，并融合各特征的優(yōu)點(diǎn)，對(duì)建筑物進(jìn)行精細(xì)提?。?-6］。

1 實(shí)驗(yàn)數(shù)據(jù)與方法

1.1 實(shí)驗(yàn)數(shù)據(jù)

研究使用的是201-08馬來西亞Miri北部地區(qū)可見光近紅外航空高光譜CASI圖像，經(jīng)過一系列預(yù)處理及裁剪，得到900×1 000像素影像（如圖1，真彩色顯示），波段為182個(gè)，坐標(biāo)系為WGS1984，空間分辨率為0.5 m。

圖1 影像圖譜立方圖

實(shí)驗(yàn)區(qū)域有兩種不同材質(zhì)屋頂?shù)慕ㄖ铮ㄈ鐖D1），其中一種近似于琉璃磚瓦屋頂（圖1中House1），另一種近似于瀝青材質(zhì)屋頂（圖1中House2），本次實(shí)驗(yàn)結(jié)合ENVI5.3軟件提取這兩種建筑物。

1.2 實(shí)驗(yàn)方法

首先對(duì)CASI高光譜高空間分辨率影像利用感興趣區(qū)域收集需要提取建筑物的光譜特征，建立樣本波譜。其次利用多范圍波譜特征擬合［7］進(jìn)行高光譜分析，得到粗分類結(jié)果。然后在粗分類結(jié)果基礎(chǔ)上，分別提取建筑物的光譜特征、紋理特征、空間特征，并在特征級(jí)上進(jìn)行融合。最后利用融合特征進(jìn)行建筑物的精細(xì)提取，流程如圖2。

圖2 技術(shù)流程圖

2 實(shí)驗(yàn)過程及分析

2.1 樣本波譜收集

由于本文提取的兩類建筑物在ENVI軟件波譜庫中均未得到有效匹配，需要提取此次實(shí)驗(yàn)?zāi)繕?biāo)建筑物的樣本波譜。

利用感興趣區(qū)域（ROI）圈取這兩類不同材質(zhì)屋頂?shù)慕ㄖ铮占@兩種材質(zhì)光譜特征，建立樣本波譜。為了保證樣本波譜具有一定的代表性，這兩種建筑物各自圈取10個(gè)ROI區(qū)域作為同類樣本區(qū)域（如圖3）。經(jīng)過樣本統(tǒng)計(jì)、求均值等運(yùn)算，得到兩類建筑物的樣本波譜曲線（如圖4）。從波譜曲線看出，這兩類材質(zhì)對(duì)光譜的吸收值不盡相同，說明它們不屬于同一類材質(zhì)。

圖3 樣本波譜選區(qū)

圖4 兩類建筑物樣本波譜曲線

2.2 多范圍波譜特征擬合

多范圍波譜特征擬合（Multi Range SFF）使用多個(gè)波長范圍對(duì)每個(gè)端元波譜進(jìn)行特征擬合，是波譜特征擬合（SFF）的一種改進(jìn)，適用于波譜表現(xiàn)為多個(gè)吸收特征的情況。在進(jìn)行多范圍波譜擬合前，需要進(jìn)行包絡(luò)去除，最后通過設(shè)定的閾值來判定目標(biāo)地物，也可通過相關(guān)系數(shù)與均方根誤差的比值來反映光譜特征匹配程度［8］。

利用樣本波譜對(duì)影像進(jìn)行多范圍波譜特征擬合，得到每一類建筑物的比例圖像（Scale）和殘差圖像（RMS）組成的4波段圖像，如圖5所示（系統(tǒng)默認(rèn)波段組合彩色顯示）。這是一種粗分類結(jié)果，從圖5中顏色的種類可以看出，影像中的地物大致分為4類，分別是琉璃材質(zhì)屋頂?shù)慕ㄖ餅橐活悾–lass1）；瀝青材質(zhì)屋頂?shù)慕ㄖ锱c道路以及湖泊部分區(qū)域被歸為一類（Class2）；植被綠地歸為一類（Class3），裸地及湖泊部分區(qū)域歸為一類（Class4）。其中，建筑物的提取分類沒有達(dá)到要求，尤其是瀝青材質(zhì)屋頂?shù)慕ㄖ?，需要進(jìn)一步提取。

圖5 多范圍波譜特征擬合結(jié)果

2.3 多特征提取

光譜特征指物質(zhì)在不同電磁波段的一組反射或輻射率數(shù)值或派生出來的參數(shù)。常見的光譜特征參數(shù)主要有：光譜吸收位置、反射率、對(duì)稱性、反射曲線深度、寬度與強(qiáng)度、光譜曲線的峰、谷位置與數(shù)量以及斜率等［9］。

紋理特征通常用圖像顏色的灰度信息的方向、粗糙度、對(duì)比度、相關(guān)性、熵等來表示。紋理特征具有旋轉(zhuǎn)不變性，對(duì)噪聲具有很好的魯棒性，紋理特征的提取是基于一個(gè)像素點(diǎn)構(gòu)成的區(qū)域的［10,11］。

空間特征反映地物一定的空間分布特性，如位置、形狀、大小、相互關(guān)系等?？臻g特征能夠直觀地從影像上反映出來［12］?？臻g特征的計(jì)算不依賴于波段信息，對(duì)于有規(guī)律或者規(guī)則性的地物有比較好的提取效果。

分析粗分類結(jié)果，錯(cuò)誤地分類到建筑物的地物主要有道路、湖泊。利用某些與建筑物不同的特征將這些非建筑物地物剔除。本實(shí)驗(yàn)中光譜特征選用光譜均值，紋理特征選用紋理均值，空間特征選用面積、主方向、延伸性。部分特征單一提取結(jié)果如圖6。

圖6 提取多特征

2.4 多特征融合

利用高光譜高空間分辨率影像可以得到多種特性，對(duì)于每一種特征，都存在著優(yōu)勢(shì)和不足。當(dāng)僅僅使用一種特征來提取或描述目標(biāo)物時(shí)，就會(huì)出現(xiàn)較大的偏差，尤其是應(yīng)用在較為復(fù)雜的場(chǎng)景中。因此，利用多特征的融合，達(dá)到優(yōu)勢(shì)互補(bǔ)的效果。

特征融合從形式上可分為像素級(jí)、特征級(jí)或者決策級(jí)的融合。像素級(jí)融合是一種利用最原始的像素信息進(jìn)行信息相加的過程，融合精度高。特征級(jí)融合先是將各遙感影像數(shù)據(jù)進(jìn)行特征提?。ㄍ愋突虍愋停瑴p少了計(jì)算量，而后融合這些特征。該方法利于實(shí)時(shí)處理，并且提供的特征直接與決策分析相關(guān)。目前大多數(shù)的融合是基于這個(gè)層級(jí)進(jìn)行的，本文也是在這個(gè)級(jí)別上進(jìn)行融合。決策級(jí)融合首先對(duì)每一數(shù)據(jù)進(jìn)行屬性說明或已完成對(duì)影像的基本分類判斷，然后對(duì)其結(jié)果加以融合。該方法具有很強(qiáng)的容錯(cuò)性，很好的開放性，效率高［13］。

特征級(jí)融合常見的方法主要有串行連接、并行連接、加權(quán)疊加等方式［14］。串行連接是將幾組特征向量首尾相連，組成一個(gè)新的特征向量。這種方法的優(yōu)點(diǎn)是識(shí)別率高，但特征維數(shù)的增加也使得計(jì)算復(fù)雜度增加。并行連接是將兩組特征向量組合成一個(gè)新的復(fù)向量，很好地解決了計(jì)算量大的問題。加權(quán)疊加是一種依據(jù)各向量的權(quán)重對(duì)特征向量進(jìn)行平均相加的過程，該方法突出了主要特征。

本文特征融合主要利用類內(nèi)特征并連，類間特征等權(quán)疊加進(jìn)行特征的融合。在提取House1時(shí)，利用紋理特征進(jìn)行大面積的提取，利用空間特征進(jìn)行小范圍的剔除，這兩種特征進(jìn)行類內(nèi)的并連融合，得到House1的提取結(jié)果，如圖7中紅色高亮區(qū)域。

圖7 多特征融合提取House1

在粗分類結(jié)果中，House2混合了道路以及湖泊部分區(qū)域（圖5中Class2），首先同提取House1一樣，利用光譜特征和空間特征進(jìn)行類內(nèi)并連融合，得到部分House2的提取，如圖8綠色高亮區(qū)域。利用光譜特征和空間特征進(jìn)行類內(nèi)并連融合，得到House2剩下部分的提取，如圖9高亮區(qū)域。

此時(shí)，得到3類融合后特征，現(xiàn)將這3類特征利用等權(quán)疊加方法再次融合，以得到此次實(shí)驗(yàn)的最終特征。利用最終的融合特征，對(duì)整幅影像進(jìn)行建筑物的 提取，結(jié)果如圖10。

圖8 多特征融合提取部分House2-1

圖9 多特征融合提取House2-2

圖10 多特征融合提取建筑物

2.5 實(shí)驗(yàn)結(jié)果分析

經(jīng)過特征級(jí)融合提取的建筑物直觀效果比較好，建筑物完整性較好，輪廓清晰，沒有明顯錯(cuò)誤提取的地物。

通過統(tǒng)計(jì)分析，琉璃材質(zhì)屋頂?shù)慕ㄖ?00%提取，其原因是琉璃材質(zhì)屋頂?shù)慕ㄖ锕庾V在本次實(shí)驗(yàn)影像中比較特殊，與其他地物的特征差異較大，較為容易提取。但瀝青材質(zhì)屋頂建筑物提取效果相對(duì)較差，錯(cuò)誤提取的面積為2.2%（如圖11黃框內(nèi)），其原因是與建筑物有近似材質(zhì)的瀝青道路的干擾。遺漏提取的面積占該類建筑總面積的8.5%（如圖11紅框內(nèi)），其原因?yàn)闃淠菊趽趸蛘咛卣鞯倪x擇不夠精細(xì)，導(dǎo)致特征提取時(shí)存在誤差。

圖11 錯(cuò)物提取及遺漏提取的建筑物

3 結(jié) 語

通過提取高光譜高空間分辨率影像的光譜特征、紋理特征、空間特征，并在特征級(jí)上進(jìn)行特征融合，來提取不同材質(zhì)類型屋頂?shù)慕ㄖ?。本文方法在建?/p>

物提取方面取得了較好的效果，但在特征選擇與組合、特征描述精準(zhǔn)度上還有待深入研究。

[1] 關(guān)麗,程承旗,劉湘南． 高分辨率遙感影像城市房屋信息自動(dòng)提取模型與實(shí)驗(yàn)研究[J]． 地理與地理信息科學(xué),2007(5):26-30[2] 陶超． 高分辨率遙感影像中的城區(qū)與建筑物檢測(cè)方法研究[D]．武漢:華中科技大學(xué),2012

[3] 賈士軍,王昆． 融合顏色和紋理特征的彩色圖像分割[J]． 測(cè)繪科學(xué),2014(12):138-142

[4] 胡榮明,黃小兵,黃遠(yuǎn)程． 增強(qiáng)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(cè)繪學(xué)報(bào),2014(5):514-520[5] 朱忠國． 基于高分辨率遙感影像的城市建筑物目標(biāo)識(shí)別[D]．北京:北京建筑大學(xué),2015

[6] 李強(qiáng),張景發(fā)． 不同特征融合的震后損毀建筑物識(shí)別研究[J]．地震研究,2016(3): 486-493

[7] Clark R N, Swayze G A． Mapping Minerals, Amorphous Materials, Environmental Materials, Vegetation, Water, Ice, and Snow, and Other Materials：the USGS Tricorder Algorithm[C]．Fifth Annual JPL Airborne Earth Science Workshop,1995

[8] 許寧,胡玉新,雷斌,等．基于改進(jìn)光譜特征擬合算法的高光譜數(shù)據(jù)礦物信息提取[J]．光譜學(xué)與光譜分析,2011(6):1 639-1 643

[9] 何明一,暢文娟,梅少輝． 高光譜遙感數(shù)據(jù)特征挖掘技術(shù)研究進(jìn)展[J]． 航天返回與遙感,2013(1):1-12

[10] 王建榮． 基于多特征融合的無人機(jī)航拍圖像識(shí)別研究[D]．成都:成都理工大學(xué),2015

[11] Tuceryan M, Jain A K． Texture Analysis, Handbook Pattern Recognition and ComputerVision[M]．Singapore:World Scientific,1993

[12] 趙英時(shí)． 遙感應(yīng)用分析原理與方法（第二版）[M]． 北京: 科學(xué)出版社,2015

[13] 賈永紅,李德仁,孫家柄． 多源遙感影像數(shù)據(jù)融合[J]．遙感技術(shù)與應(yīng)用,2000(1): 41- 44

[14] 劉金梅． 多源遙感影像融合及其應(yīng)用研究[D]．青島:中國海洋大學(xué),2014