李大軍，杜神斌，郭丙軒，薛萬唱，游 琦

(1. 東華理工大學(xué)測繪工程學(xué)院，江西 南昌 330013； 2. 武漢大學(xué)測繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079； 3. 武漢訊圖科技有限公司，湖北 武漢 430079； 4. 福州市勘測院，福建 福州 350000)

隨著攝影測量技術(shù)進(jìn)入數(shù)字化攝影測量時代，攝影測量也進(jìn)入了全數(shù)字化時代[1]。在航空影像中，城區(qū)80%的人工目標(biāo)物為建筑物和道路[2]，建筑區(qū)域作為人類活動的主要場所，識別和提取建筑物具有很重要的意義。另外，建筑物作為地物類別中主要內(nèi)容之一，建筑物的識別和提取也會直接影響地物提取的自動化水平。

近年來，國內(nèi)外學(xué)者對于航空遙感圖像上建筑物提取的方法作了大量的研究，主要分為半自動提取和自動提取兩種方法。房屋提取算法大多為基于邊緣特征的灰度信息和幾何約束的整體優(yōu)化計(jì)算[3-6]。對于半自動提取，如Freeman編碼和Hough變換相結(jié)合的直角型房屋半自動提取的方法[7]、基于Snake和動態(tài)規(guī)劃提取房屋輪廓[8]，以及一種幾何約束和影像分割相結(jié)合的快速半自動房屋提取的方法[9]等，這些方法的區(qū)別只是優(yōu)化計(jì)算的手段不同，對于實(shí)用化的算法來說，還應(yīng)該考慮如何實(shí)現(xiàn)高效的人機(jī)交互。對于全自動提取，如基于原始激光雷達(dá)點(diǎn)云數(shù)據(jù)使用規(guī)則化提取建筑物輪廓的方法[10]、利用多層次特征的建筑提取算法[11]，以及一種把相鄰匹配點(diǎn)中獲取的高度信息作為約束，進(jìn)行線部分分組，在多邊形建筑邊界的先驗(yàn)知識指導(dǎo)下對每一個高度層進(jìn)行線分組，然后在立體航空影像中提取建筑物的方法[12]等，這些方法都只是依靠影像，很難分離出建筑物區(qū)域和非建筑物區(qū)域，建筑物周圍的道路邊界和陰影部分會對輪廓提取造成干擾，因此準(zhǔn)確自動提取房屋輪廓技術(shù)的難度仍非常大。

由于影像本身存在對比度較低的情況，現(xiàn)有的邊緣檢測算法不夠成熟，因此一般情況下不能完整地表達(dá)房子在影像中所具有的幾何特征信息，而房屋邊緣附近的陰影部分及各種微小物體的存在會干擾房屋邊緣信息。邊緣信息直接決定了直線提取結(jié)果的好壞，也直接反映了邊緣檢測的結(jié)果，因此檢測出許多房屋存在邊界不夠完整、一條長邊分裂成好幾條短線、距離邊界處出現(xiàn)一系列疑似邊界直線的問題。

良好的直線處理方法可以彌補(bǔ)邊緣檢測算法的不足，為此本文使用LSD算法[13]進(jìn)行邊緣檢測，使用最小二乘算法進(jìn)行直線的擬合和直角化。由于建筑物的自動提取過程復(fù)雜而比較難以實(shí)現(xiàn)，尤其是在復(fù)雜場景中，全自動提取由于受場景限制適用性更差，人機(jī)交互的半自動建筑物提取適用性更好，因此本文圍繞直角房屋進(jìn)行人機(jī)交互半自動提取。

1 直角房屋提取的方法和策略

建筑物多邊形主要是由相互垂直的直線段構(gòu)成[14]。本文提出的直角房屋半自動提取算法，主要采用LSD算法進(jìn)行邊緣檢測，采用最小二乘法對提取的邊緣線進(jìn)行擬合和直角化。目的是在結(jié)合房屋

的實(shí)際特征的條件下，盡量保證其提取結(jié)果的穩(wěn)健性和準(zhǔn)確性。具體流程如圖1所示。

圖1 算法流程

1.1 直線條件約束的影像分割

影像分割是圖像處理中一種很常見的技術(shù)方法。在航空影像的房屋提取中，可以利用影像分割對房屋進(jìn)行識別和定位。雖然影像分割算法無需人工標(biāo)定，但還是需要人工操作在房屋邊緣畫出大致位置，本文通過人工目視解釋在影像的房屋邊緣位置上畫一條直線，然后通過式(1)得到一個窗口影像，最后對窗口影像進(jìn)行處理。由于不需要操作人員十分精確地標(biāo)記房屋邊緣直線，因此減輕了操作人員的勞動強(qiáng)度。

dst(x，y)=src(M11x+M12y+M13，M21x+M22y+M23)

(1)

圖2 獲取窗口影像

1.2 直線檢測

本文使用LSD算法進(jìn)行直線檢測。LSD算法是Rafael Grompone Von Gioi等于2008年在Burns等所提出方法的基礎(chǔ)上，引入直線支撐區(qū)域概念后提出的一種新的直線檢測算法。

1.2.1 提取直線支撐區(qū)域

首先將原圖像降采樣按比例縮小80%，然后根據(jù)式(2)計(jì)算降采樣后圖像中每個像素的梯度。

(2)

式中，I(x，y)為像素(x，y)的灰度值。像素(x，y)的梯度方向?yàn)?/p>

(3)

像素(x，y)的梯度幅值為

(4)

為了提高算法的效率，將所有像素的梯度按大小進(jìn)行排序，將梯度值小于閾值ρ的像素剔除，一般設(shè)置圖像灰度量化誤差上限q為2個像素，設(shè)置像素點(diǎn)生成直線支撐區(qū)域時梯度方向角的最大容差為τ，則ρ為

(5)

直線支撐區(qū)域的生成過程為：首先引入輔助矩陣STATUS用于標(biāo)記像素的使用狀態(tài)，初始化像素為NOT USED；對于梯度大于ρ的像素在STATUS矩陣中標(biāo)記USED；以梯度最大的像素點(diǎn)P開始檢測直線段，并標(biāo)記該狀態(tài)為NOT USED：把P點(diǎn)作為種子點(diǎn)開始進(jìn)行區(qū)域生長，在P點(diǎn)連接，與P點(diǎn)梯度角小于一定閾值的點(diǎn)進(jìn)入生長區(qū)域，并標(biāo)記該狀態(tài)為USED。

1.2.2 直線支撐區(qū)域的矩形估計(jì)

得到直線的支撐區(qū)域后，對該支撐區(qū)域進(jìn)行矩形估計(jì)，計(jì)算矩陣的中心、方位角、長度和寬度。并利用該矩形對直線進(jìn)行表示，如果在直線支撐區(qū)域中匹配的像素點(diǎn)的密度小于閾值D，則對這個直線支撐區(qū)域進(jìn)行處理，減小角度閾值，減小直線支撐區(qū)域的半徑。

1.2.3 直線誤檢計(jì)算

(6)

利用LSD算法對窗口影像進(jìn)行直線檢測后，同時設(shè)置直線的閾值，即所檢測的線段和畫的直線夾角不得超過±10°，所檢測的線段的兩個端點(diǎn)到所畫直線的距離均不得超過15個像素。然后將不滿足閾值條件的直線段刪除，如圖3所示。

1.3 最小二乘擬合和直角化

在理想的情況下，LSD算法檢測出的直線閉合且連通，但在實(shí)際中，由于噪聲和陰影的影響，檢測出來的直線往往為一些不連續(xù)的直線段。又因?yàn)閽呙杓m正誤差、測量誤差和立體測圖誤差導(dǎo)致圖像的內(nèi)角和多邊形的實(shí)際直角存在一定的偏差[15]，解決房屋邊緣線直角化的問題必須滿足2個條件：一是將近似矩形的房屋直角化為矩形房屋；二是保證每個角點(diǎn)整體位移和數(shù)值偏差最小。因此在精度允許的范圍內(nèi)利用最小二乘算法對這些直線段進(jìn)行線擬合和直角化，如圖4所示。

圖3 LSD直線檢測結(jié)果

圖4 直角化

(7)

式(7)可以轉(zhuǎn)換為

(8)

根據(jù)最小二乘算法原理令A(yù)x=0，由奇異值分解[16]SVD(ATA)=USVT可得方程解。然后通過式(9)求得矩形改正后的角點(diǎn)坐標(biāo)，最后將矩形改正后的角點(diǎn)坐標(biāo)在原圖上繪制并導(dǎo)出改正后的角點(diǎn)坐標(biāo)。

(9)

2 試驗(yàn)結(jié)果與分析

利用該算法在內(nèi)存為32 GB，CPU為Intel(R) Core i5-4430 CPU @ 3.00 GHz的硬件環(huán)境下進(jìn)行試驗(yàn)?？紤]到以上原因，本文選擇20套無人機(jī)影像圖作為試驗(yàn)數(shù)據(jù)，然后從中選出3個典型的直角房屋為例說明。圖5(a)為原圖；圖5(b)為本文算法提取直角房屋的結(jié)果，其中黑線是手工畫的種子線，白線是提取的結(jié)果；圖5(c)為提取結(jié)果圖像局部放大圖。試驗(yàn)結(jié)果表明，本文方法只需要操作人員少量的編輯工作，對于同樣的房屋，本文方法只需要1 s的時間，比完全人工切準(zhǔn)提取速度快得多。從局部放大圖可以看出，本文方法在邊界陰影和干擾線較多的情況下仍然可以很好地提取房屋的輪廓線，所提取的結(jié)果與實(shí)際的房屋邊緣基本吻合，定位精確性較好。

圖5 試驗(yàn)結(jié)果

3 結(jié) 語

由于本文方法不需要人工標(biāo)定，只需要用鼠標(biāo)在房屋邊緣線處粗略地畫一條直線，就可以快速得到十分精確的邊緣輪廓信息，利用最小二乘算法以誤差平方和最小為前提進(jìn)行線擬合和直角化。試驗(yàn)結(jié)果表明，基于LSD直線檢測和最小二乘擬合和直角化的直角房屋半自動提取方法不僅很大程度上提高了提取速度、減輕了操作人員的工作強(qiáng)度，而且還可以獲得高于人工切準(zhǔn)的定位精度。

參考文獻(xiàn)：

[1] 張祖勛.由數(shù)字?jǐn)z影測量的發(fā)展談信息化測繪[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版)，2008，33(2):111-115.

[2] 明冬萍，駱劍承，沈占鋒，等.高分辨率遙感影像信息提取與目標(biāo)識別技術(shù)研究[J].測繪科學(xué)，2005，30(3):18-20.

[3] COTE M，SAEEDI P.Automatic Rooftop Extraction in Nadir Aerial Imagery of Suburban Regions Using Corners and Variational Level Set Evolution[J].IEEE Transactions on Geoscience and Remote Sensing，2012，51(1):313-328.

[4] 楊化超，鄧喀中，張書畢.基于Hough變換的航空影像建筑物半自動提取[J].測繪科學(xué)，2006，31(6):93-94.

[5] SHACKELFORD A K，DAVIS C H.A Combined Fuzzy Pixel-based and Object-based Approach for Classification of High-resolution Multispectral Data over Urban Areas[J].Geoscience and Remote Sensing IEEE Transactions on，2003，41(10):2354-2363.

[6] 胡勇，張孝成，馬澤忠，等.無人機(jī)遙感影像中農(nóng)村房屋信息快速提取[J].國土資源遙感，2016，28(3):96-101.

[7] 秦永，宋偉東.基于Freeman編碼的遙感影像直角型房屋半自動提取方法研究[J].測繪科學(xué)，2009，34(6):203-205.

[8] 楊貴寶，李瑞俊，高霞.基于Snake和動態(tài)規(guī)劃優(yōu)化的屋頂輪廓提取算法[J].內(nèi)蒙古大學(xué)學(xué)報(bào)(自然科學(xué)版)，2015(6):664-671.

[9] 張煜，張祖勛，張劍清.幾何約束與影像分割相結(jié)合的快速半自動房屋提取[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版)，2000，25(3):238-242.

[10] SAMPATH A，SHAN J.Building Boundary Tracing and Regularization from Airborne LiDAR Point Clouds[J].Photogrammetric Engineering and Remote Sensing，2007，73(7):805-812.

[11] 呂鳳華，舒寧，龔龑，等.利用多特征進(jìn)行航空影像建筑物提取[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版)，2017，42(5):656-660.

[12] HAO L，ZHANG Y，CAO Z.Building Extraction from Stereo Aerial Images Based on Multi-layer Line Grouping with Height Constraint[C]∥Geoscience and Remote Sensing Symposium.[S.l.]：IEEE，2016.

[13] GIOI R G V，JAKUBOWICZ J，MOREL J M，et al.LSD：A Line Segment Detector[J].Image Processing on Line，2012，2(4):35-55.

[14] 郭仁忠，艾廷華.制圖綜合中建筑物多邊形的合并與化簡[J].武漢測繪科技大學(xué)學(xué)報(bào)，2000，25(1):25-30.

[15] 王立新，朱偉.基于ArcGIS的1∶5萬DLG數(shù)據(jù)庫生成地形圖的設(shè)計(jì)與實(shí)現(xiàn)[J].測繪通報(bào)，2008(5):58-61.

[16] 魯鐵定，寧津生，周世健，等.最小二乘配置的SVD分解解法[J].測繪科學(xué)，2008，33(3):47-51.