方 鑫，陳善雄

(武漢大學(xué)遙感信息工程學(xué)院，湖北 武漢 430079)

高分辨率遙感影像(high-resolution satellite image,HRSI)建筑物提取是攝影測(cè)量與遙感領(lǐng)域的一個(gè)熱門研究主題[1]。長(zhǎng)期以來，很多學(xué)者就相關(guān)問題作了大量研究。文獻(xiàn)[2]利用形態(tài)特征和植被指數(shù)去除圖像中的陰影和植被區(qū)域；文獻(xiàn)[3]提出了一種形態(tài)學(xué)建筑物指數(shù)(morphological building index,MBI)，并通過建筑物與陰影間的距離關(guān)系來提取建筑物對(duì)象；文獻(xiàn)[4]利用陰影和植被指數(shù)來提取陰影和植被區(qū)域，并利用陰影和建筑物的模糊距離建立兩者之間的方向關(guān)系；文獻(xiàn)[5]在OK方法的基礎(chǔ)上進(jìn)一步優(yōu)化了利用陰影和建筑物間關(guān)系的方法。文獻(xiàn)[6]使用了一種組合方法，先聚類生成建筑物種子點(diǎn)，再用區(qū)域生長(zhǎng)的方法提取建筑物的范圍，最后通過對(duì)非建筑物對(duì)象構(gòu)建一個(gè)環(huán)來完善提取結(jié)果。

在這些較為廣泛認(rèn)同的建筑物提取方法中也存在著一些問題。如，文獻(xiàn)[7]利用MBI提取建筑物結(jié)果中，由于同質(zhì)區(qū)域內(nèi)部存在很多噪聲，影響了最終的提取結(jié)果，且參數(shù)過多難以調(diào)節(jié)；文獻(xiàn)[6]的方法雖然自動(dòng)化程度較高，但單純通過聚類難以對(duì)較亮的非建筑物目標(biāo)做到有效區(qū)分。本文綜合前人的研究成果，針對(duì)這些方法存在的問題，提出一套具有較高自動(dòng)化程度的面向?qū)ο竺芗菂^(qū)建筑物提取流程。

1 建筑物提取的技術(shù)框架

本文的整體提取流程分為4個(gè)步驟：陰影提取、建筑物對(duì)象初提取、疑似對(duì)象篩選和后處理，如圖1所示。

1.1 陰影提取

陰影在遙感影像上呈現(xiàn)較強(qiáng)的同質(zhì)性，在可見光波段亮度均較低。針對(duì)陰影提取，很多學(xué)者提出了一系列算法[3,8-10]。本文對(duì)文獻(xiàn)[10]的方法作出改進(jìn)，可以較好地提取陰影對(duì)象，詳細(xì)的提取過程分為3個(gè)步驟：RS特征影像計(jì)算、圖像聯(lián)合分割和面向?qū)ο缶垲悺?/p>

圖1 建筑物提取流程

1.1.1 RS特征影像計(jì)算

首先將HRSI影像轉(zhuǎn)換到HSI(hue-saturation-intensity)空間后，然后根據(jù)式(1)計(jì)算出RS比值[10]，得到RS特征影像

(1)

式中，S、I分別為HSI空間中分量。

1.1.2 圖像聯(lián)合分割

面向?qū)ο蟮奶崛》椒ㄊ忠蕾嚪指畹慕Y(jié)果[11-12]，單純通過原始影像分割難以取得令人滿意的效果。因此將RS特征影像作為一個(gè)波段與HRSI影像融合后，對(duì)融合影像進(jìn)行多尺度分割。本文方法基本上與eCognition的分割方法相同，首先根據(jù)圖像的光譜和形狀建立距離目標(biāo)函數(shù)

Dist=wshapeHshape+wspectralHspectral

(2)

式中，wshape、wspectral分別為形狀權(quán)重、光譜權(quán)重；Hshape、Hspectral分別為形狀差異與光譜差異。依據(jù)距離函數(shù)建立起全圖的二叉樹，最后依據(jù)設(shè)立的最小差異閾值在二叉樹的某一層進(jìn)行切割，每一棵子樹即為一個(gè)對(duì)象，通過該方法可以將全圖劃分為若干個(gè)對(duì)象。

為了突出陰影對(duì)象，可以在融合過程中加大RS特征影像的權(quán)重，根據(jù)經(jīng)驗(yàn)，若原影像波段數(shù)為n，則與RS特征影像融合比例為1∶n。

1.1.3 面向?qū)ο缶垲?/p>

面向?qū)ο蟮木垲愃惴▽⑹噶繉?duì)象分為多類，聚類中心數(shù)需要根據(jù)圖像中實(shí)際地物類別進(jìn)行調(diào)整。面向?qū)ο缶垲惙绞綖?/p>

(3)

式中，Xi為第i個(gè)對(duì)象的所有特征，共有n個(gè)；Cj為第j個(gè)聚類中心；距離函數(shù)Distij為第i個(gè)對(duì)象到第j個(gè)聚類中心的歐氏距離；λi為每個(gè)對(duì)象所屬的聚類簇。

在提取陰影過程中每個(gè)對(duì)象使用了兩個(gè)特征：HRSI影像三波段均值及RS特征影像均值。雖然聚類的目的是得到影像中的陰影對(duì)象，但可以將聚類數(shù)目設(shè)為大于2以使得提取的陰影對(duì)象更純。在RS特征影像上陰影區(qū)域會(huì)以高亮顯示，與其他地物反差很大且自身一致性程度很高，因此在聚類過程中幾乎總是聚為一類，且聚類中心值最大的簇所對(duì)應(yīng)的即為所需的陰影對(duì)象。

1.2 建筑物對(duì)象初提取

建筑物在遙感影像上的表現(xiàn)十分復(fù)雜，同時(shí)具有同物異譜和異物同譜性。在眾多建筑物提取的研究中，文獻(xiàn)[13]提出的形態(tài)學(xué)建筑物指數(shù)(MBI)對(duì)建筑物具有較好的區(qū)分性。在本文中，采用與上述陰影提取相類似的方法對(duì)建筑物進(jìn)行初提取，區(qū)別在于將陰影提取過程中所用的RS影像替換為MBI特征影像。

在具體試驗(yàn)操作過程中，目標(biāo)距離函數(shù)所用特征有兩個(gè)：HRSI影像的三波段均值及MBI特征影像均值。聚類中心個(gè)數(shù)需要根據(jù)圖像中地物復(fù)雜程度來確定，一般而言，針對(duì)建筑物提取可以將地物聚為4類：高亮區(qū)域、較亮區(qū)域、較暗區(qū)域和暗區(qū)域。聚類結(jié)果中，將聚類中心最大的簇所對(duì)應(yīng)的對(duì)象當(dāng)作建筑物初提取結(jié)果，聚類中心最小的簇所對(duì)應(yīng)的對(duì)象當(dāng)作非建筑物區(qū)，中間區(qū)域歸入疑似建筑物區(qū)域。最終得到建筑物對(duì)象、疑似建筑物對(duì)象和非建筑物對(duì)象三類結(jié)果。

1.3 疑似對(duì)象篩選

該步驟主要分為兩個(gè)部分：光照方向計(jì)算和距離角度篩選。

1.3.1 光照方向計(jì)算

首先需要根據(jù)1.1節(jié)中得到的陰影結(jié)果和1.2節(jié)中得到的建筑物結(jié)果計(jì)算出光照方向，光照方向根據(jù)建筑物初提取結(jié)果和陰影提取結(jié)果來計(jì)算。在計(jì)算過程中借鑒了文獻(xiàn)[14]的思想。由多方向線性結(jié)構(gòu)元素和形態(tài)學(xué)膨脹運(yùn)算建立投票矩陣，利用式(4)來計(jì)算每個(gè)建筑物對(duì)象所對(duì)應(yīng)的光照方向

(4)

式中，B(xj)為第j個(gè)建筑物對(duì)象；dilate為膨脹運(yùn)算；di為第i個(gè)方向的線性結(jié)構(gòu)元素；shadow為陰影提取對(duì)象;DirectSet為光照方向的集合。式(4)的幾何含義是找到使建筑物對(duì)象與陰影對(duì)象有最多交集的膨脹方向作為該建筑物的光照方向，并增加投票矩陣中所對(duì)應(yīng)方向的權(quán)重。通過該方法計(jì)算出所有建筑物對(duì)象所對(duì)應(yīng)的光照方向，最后選取投票矩陣最大數(shù)值所對(duì)應(yīng)的方向當(dāng)作光照方向。

1.3.2 距離角度篩選

利用光照方向和陰影對(duì)象對(duì)1.2節(jié)中得到的疑似建筑物對(duì)象做篩選，篩選的目的是從該部分對(duì)象中找出建筑物區(qū)域。在篩選過程中需要用到的輔助信息是陰影對(duì)象和全圖的光照方向。

首先對(duì)每一個(gè)陰影對(duì)象建立一個(gè)篩選范圍區(qū)，范圍篩選函數(shù)為

(5)

式中，f1為沿光照方向的篩選函數(shù)；f2為垂直于光照方向的篩選函數(shù)；α為光照方向；(xe,ye)為邊界點(diǎn)。通過篩選函數(shù)獲取邊界點(diǎn)為

(6)

式中，Pshadow為陰影點(diǎn)的集合。搜索每一個(gè)陰影對(duì)象點(diǎn)，找到陰影對(duì)象中沿著光照方向的邊界點(diǎn)集合Palong_edge和垂直于光照方向上的邊界點(diǎn)集合Pvertical_edge，根據(jù)邊界點(diǎn)集合和光照方向即可計(jì)算出陰影對(duì)象自身的邊界范圍。設(shè)立兩個(gè)閾值Twidth和Tdistance，分別用來拓展垂直于光照方向和沿光照方向的搜索范圍。

建立起搜索范圍區(qū)后，對(duì)疑似建筑物對(duì)象做篩選，將其分為建筑物對(duì)象和非建筑物對(duì)象。

1.4 后處理

一方面，由于在高分辨率影像中可以獲得十分豐富的細(xì)節(jié)信息，往往會(huì)從圖像上提取出多余的信息；另一方面，在圖像分割步驟中往往會(huì)采取過分割的方法，這會(huì)導(dǎo)致提取出的建筑物對(duì)象出現(xiàn)缺損或包含多余信息。

根據(jù)得到的建筑物初提取結(jié)果與從疑似建筑物對(duì)象中篩選出的建筑物樣本合并后，會(huì)發(fā)現(xiàn)提取結(jié)果中間出現(xiàn)“漏洞”或邊緣與實(shí)際地物難以貼合的現(xiàn)象。針對(duì)這種情況，本文利用GrabCut算法[15]對(duì)最終提取的結(jié)果進(jìn)行優(yōu)化。GrabCut是一種圖像分割算法，該算法利用圖像中的紋理信息和邊界信息，根據(jù)用戶選擇的前景和背景建立高斯混合模型，在搜索過程中反復(fù)迭代找到能量最小的目標(biāo)區(qū)域作為最終的目標(biāo)檢測(cè)結(jié)果。

在處理過程中，首先需要計(jì)算出每一個(gè)建筑物對(duì)象所對(duì)應(yīng)的前景和背景，計(jì)算方法為

(7)

式中，Bi為第i個(gè)建筑物對(duì)象；Dilate為膨脹運(yùn)算；Rect為求取對(duì)象的矩形范圍；Expand為對(duì)矩形的范圍做拓展；τ為一個(gè)比例因子。對(duì)每一個(gè)建筑物目標(biāo)Bi作膨脹運(yùn)算，將計(jì)算膨脹后的矩形范圍rectprospect當(dāng)作算法的搜索目標(biāo)區(qū)域，再將根據(jù)搜索區(qū)域的長(zhǎng)寬按一定比例τ擴(kuò)大矩形框的范圍當(dāng)作背景rectbackground。獲取每一個(gè)建筑物對(duì)象的前景和背景所對(duì)應(yīng)的范圍后，用GrabCut算法計(jì)算出該建筑物對(duì)象的提取結(jié)果。

在實(shí)際的后處理過程中，有時(shí)由于建筑物目標(biāo)太小，導(dǎo)致選取的背景圖太小，通過高斯混合模型無法對(duì)前景的目標(biāo)進(jìn)行正確提取，在本文中對(duì)這種建筑物目標(biāo)不作處理，仍然以原提取結(jié)果作為最終結(jié)果，因此在最終的提取結(jié)果中有部分建筑物對(duì)象的邊緣仍然不夠完善。

2 試驗(yàn)與分析

2.1 試驗(yàn)結(jié)果對(duì)比

黃昕等提出了形態(tài)學(xué)建筑物指數(shù)MBI并利用該指數(shù)取得了較好的面向?qū)ο蟮慕ㄖ锾崛⌒Ч鸞3]，文獻(xiàn)[6]主要通過基于聚類的方法得到了較好的基于像素的建筑物提取結(jié)果，為證明本文方法的有效性，選用武漢地區(qū)的兩幅QuickBird影像分別用文獻(xiàn)[3]、文獻(xiàn)[6]和本文方法對(duì)數(shù)據(jù)進(jìn)行建筑物提取試驗(yàn)，結(jié)果如圖2所示。

試驗(yàn)精度通過3個(gè)經(jīng)典指標(biāo)查準(zhǔn)率、查全率及F1分?jǐn)?shù)來衡量[16]。在本試驗(yàn)中，對(duì)3種方法提取結(jié)果的精度評(píng)定見表1。

表1 試驗(yàn)區(qū)精度評(píng)定結(jié)果

圖2 3種提取方法結(jié)果對(duì)比

2.2 試驗(yàn)結(jié)果分析

根據(jù)試驗(yàn)結(jié)果可以看出，在密集城區(qū)的建筑物目標(biāo)提取中，3種方法都可以得到較好的結(jié)果。從圖3所示的區(qū)域中可以看出，通過本文的后處理可以更好地完善建筑物輪廓。

圖3 局部示例1

在如圖4所示的區(qū)域中，存在較亮的非建筑物目標(biāo)，通過文獻(xiàn)[3]和文獻(xiàn)[6]的方法均不能做到有效去除，而通過本文的陰影距離篩選條件可以將這類目標(biāo)加以濾除。

圖4 局部示例2

對(duì)于圖5所示較暗且在其光照方向上沒有陰影對(duì)象的建筑物，通過本文與文獻(xiàn)[3]的方法均難以取得較好的效果，但是文獻(xiàn)[6]的方法對(duì)這樣的目標(biāo)有一定的提取效果。

圖5 局部示例3

3 結(jié) 語

本文在綜合前人的建筑物提取方法的基礎(chǔ)上，提出了一種針對(duì)密集城區(qū)的自動(dòng)化程度較高的面向?qū)ο蠼ㄖ锾崛×鞒?。本文的提取方法?duì)輸入數(shù)據(jù)的要求低，僅需三波段影像即可完成，同時(shí)人工參與程度也較低，需要調(diào)整的參數(shù)少并且易調(diào)節(jié)。

在試驗(yàn)過程中，用本文方法與部分前人的方法進(jìn)行了比較。結(jié)果證明，本文的建筑物提取流程具有較高的效率和可靠性，在建筑密集區(qū)域取得了不錯(cuò)的效果。在今后的研究中，一方面仍要解決建筑物同物異譜的問題，另一方面可以考慮將深度學(xué)習(xí)引入建筑物提取的方法中。