文/陶剛 劉洋

居住房屋是提供人們?nèi)粘Ｆ鹁拥目臻g。居民房屋信息的有效提取對(duì)了解房屋的空間散布信息起著很關(guān)鍵的作用。遙感領(lǐng)域的高速發(fā)展，使得基于高分遙感影像提取房屋信息成為重要手段。過(guò)去的局限于像素層次的基于像元的遙感影像提取信息只使用光譜信息進(jìn)行分類，常常會(huì)有錯(cuò)分漏分現(xiàn)象，分類結(jié)果包含大量的椒鹽噪聲，干擾地面物體的識(shí)別，適用于中低分辨率圖像的分類。面向?qū)ο笫且詫?duì)象為基本分類單元，利用光譜、形狀、紋理等特征分類，提取精度較高。通過(guò)建立不同策略進(jìn)行解譯，宜于高分影像的分類提取。居住房屋是高分影像里一種比較關(guān)鍵的地物類型。

目前，在運(yùn)用高分影像提取房屋信息的探索方面，國(guó)內(nèi)學(xué)者做了大量探索研究工作。熊增連等[1]結(jié)合房屋的形狀、陰影、光譜、空間關(guān)系，構(gòu)造出基于知識(shí)的決策樹(shù)房屋提取模型，運(yùn)用面向?qū)ο蟮母叻钟跋褡詣?dòng)提取的方式提高了房屋信息提取效率，但邊界需要更加規(guī)則化。盧興、呂道雙、劉丹丹等[2-4]研究對(duì)高分影像運(yùn)用多尺度分割和多個(gè)規(guī)則提取建筑物邊緣信息。徐昌榮等利用高分影像上建筑物的各類特征，引入貝葉斯公式計(jì)算對(duì)象的歸屬概率屬性進(jìn)行提取分類。喬程、郭怡帆等[5-6]在面向?qū)ο蠓诸惙椒ɑA(chǔ)上，借助輔助數(shù)據(jù)，研究運(yùn)用“自下而上”多尺度分割方法選擇密集城區(qū)建筑物提取的最佳尺度。譚衢霖等[7]研究基于面向?qū)ο蠓诸惙椒?，結(jié)合空間、光譜和知識(shí)規(guī)則去提取IKONOS影像中低密度房屋信息。本文運(yùn)用基于規(guī)則的面向?qū)ο蟾叻钟跋裉崛》课菪畔ⅲ\(yùn)用多種輔助波段和基于邊緣的分割算法提高圖像分類精度，設(shè)定一個(gè)理想的高尺度影像分割閾值并結(jié)合設(shè)定的合并閾值，以減少特征的錯(cuò)分現(xiàn)象。最后根據(jù)規(guī)則篩選各類地物最終提取房屋信息。

圖1：原始影像

圖2：技術(shù)路線

1 高分影像多尺度分割

1.1 圖像分割

圖像分割指的是把圖像分成幾個(gè)具有特定性質(zhì)的區(qū)域并提取目標(biāo)對(duì)象方法，圖像分割方法包括基于區(qū)域、邊緣的分割方法?；谶吘壏指钚枰Y(jié)合合并算法才能達(dá)到最佳效果，適用于處理區(qū)域內(nèi)部變化不大，邊界對(duì)比差異明顯，很適合對(duì)特定目標(biāo)的分類?；趨^(qū)域分割，比如分裂合并法、區(qū)域生長(zhǎng)法等是通過(guò)區(qū)域內(nèi)部的相似性程度來(lái)劃分。

1.2 多尺度分割技術(shù)

單一尺度分割對(duì)影像信息提取和分析不夠完善，需要對(duì)影像從多個(gè)尺度進(jìn)行分割。多尺度影像分割算法會(huì)隨著分割尺度的不同生產(chǎn)生不同尺度對(duì)象層，使得在同一幅影像下會(huì)產(chǎn)生不同層次的數(shù)據(jù)結(jié)構(gòu)，房屋的邊緣信息充分利用，房屋邊界提取更準(zhǔn)確。分割尺度要對(duì)各分割參數(shù)綜合分析，劃分異質(zhì)性最小的影像對(duì)象。才能發(fā)揮多尺度分割的最大作用，有效提取地物信息。

1.3 多尺度分割參數(shù)

1.3.1 光譜因子和形狀因子

圖3：圖像分割結(jié)果

圖4：面向?qū)ο筇崛〉挠跋?/p>

因光譜信息是主要信息數(shù)據(jù)源，受其影響的光譜因子度量在分割過(guò)程中顯得尤為重要。通常情況下，用光滑度以及緊密度來(lái)表示形狀因子。光滑度使得地物邊界變得平滑，分割后的影像對(duì)象受緊密度因子的影像變得更加規(guī)則，由此可以分割出形狀松散不規(guī)則地物。光譜因子與形狀因子的結(jié)合稱為均質(zhì)性因子。通過(guò)結(jié)合，可以達(dá)到更高的分類效果。光譜異質(zhì)性指比較兩個(gè)影像對(duì)象在合并前后的方差變化情況：

上式里c表示波段數(shù)，δc表示波段的光譜標(biāo)準(zhǔn)值，ωc表示層的權(quán)重。

由目標(biāo)多邊形的邊長(zhǎng)與該目標(biāo)多邊形外接矩形的最短邊的比值得出光滑度異質(zhì)性計(jì)算公式：

由目標(biāo)多邊形邊長(zhǎng)和構(gòu)成此多邊形的像元個(gè)數(shù)的比值得出緊密度異質(zhì)性：

上式里l表示對(duì)象的周長(zhǎng)，b表示最小外接矩形的周長(zhǎng)，n表示最小外接矩形的面積。

由此則可以得出影像形狀異質(zhì)性Δ hshape：

其中，ωcompt、ωsmooth分別為緊密度、光滑度的比重，其中0≤ω≤1，滿足ωcompt+ωsmooth=1。

光譜異質(zhì)性、形狀異質(zhì)性結(jié)合可得出兩個(gè)將要?dú)w并的對(duì)象總異質(zhì)性f：

設(shè)定異質(zhì)f的閾值判斷分割結(jié)束的根據(jù)。若設(shè)置f的閾值比較大，設(shè)置結(jié)果的影像對(duì)象會(huì)比較大，若設(shè)置f的閾值比較小，設(shè)置結(jié)果的影像對(duì)象會(huì)比較小。

1.3.2 波段權(quán)重

波段權(quán)重代表了波段信息可用量，范圍處于0-1之間，為影像分割進(jìn)程里重要的分割參數(shù)。如果某波段所占的權(quán)重低則代表該波段信息用量少，如果某個(gè)波段權(quán)重高則說(shuō)明該波段可用信息量多。相異地物在不同波段上呈現(xiàn)出不同的屬性特點(diǎn)，在圖像處理過(guò)程中可以根據(jù)具體情況選擇最佳波段權(quán)重。

1.3.3 分割尺度

一般地，利用多邊形對(duì)象之間異質(zhì)性最好的閾值確定分割尺度。由于不同影像不同地物上不同的信息，對(duì)自上而下的分割算法而言，分割尺度過(guò)大造成房屋破碎；尺度太小，使得房屋與其他地物的粘連，分割尺度太大或太小均會(huì)使分類精度產(chǎn)生影響。多尺度分割最佳尺度的選取需要根據(jù)地物信息的特征來(lái)定。

2 高分辨率影像提取

在影像分割完成后，要地物影像特征進(jìn)行居住房屋選擇和提取。高分辨率影像面向?qū)ο筇崛⌒畔r(shí)，不僅僅要考慮影像的基于像元的光譜信息，還要分析圖像分割后得到影像對(duì)象的形狀信息和紋理信息。

2.1 光譜特征

光譜特征是指像元的光譜信息，可以用影像對(duì)象的均值、均方差、亮度等來(lái)表示。房屋的內(nèi)部邊緣的色調(diào)亮度等較均勻，色調(diào)隨建筑材料的不同而出現(xiàn)差異，周圍的植被色調(diào)深，與房屋亮度差異大。

2.2 幾何特征

地物的形狀特征反應(yīng)了幾何特征和形狀信息，利用長(zhǎng)寬比可以反映呈現(xiàn)矩形程度。一般房屋的形狀較為規(guī)則，走向排列相似。矢量化后點(diǎn)坐標(biāo)協(xié)方差矩陣可以反映對(duì)象形狀特征。即：

其中，X和Y分別是該對(duì)象的所有像元坐標(biāo)(x,y)組成的矢量，var(x)，var(y)分別是X和Y的方差，cov(XY)是X,Y之間的協(xié)方差。

2.3 紋理特征

紋理特征主要表現(xiàn)在像元灰度值及與周圍地物的灰度分布在空間的相關(guān)性上，在圖像提取過(guò)程中起著重要的作用。一般描述灰度的空間相關(guān)性是根據(jù)灰度共生矩陣，借助條件概率提取圖像的紋理特征。

3 高分影像提取實(shí)驗(yàn)

3.1 研究區(qū)特征及技術(shù)路線

本文選取山東科技大學(xué)家屬區(qū)部分區(qū)域空間分辨率為0.6 m的多光譜影像（圖1）為研究對(duì)象，影像中包含了房屋、道路、綠地等主要城市用地類型。

本文主要通過(guò)圖像分割和影像提取，運(yùn)用ΕNVI圖像處理軟件來(lái)提取房屋信息。軟件操作分為圖像分割、特征提取兩部分。技術(shù)流程圖如圖2所示。

3.2 影像的多尺度分割

本實(shí)驗(yàn)運(yùn)用基于邊緣檢測(cè)算法，設(shè)定閾值為75，在邊界圖上，大的道路邊界、房屋邊界較為清晰完整地提取了出來(lái).運(yùn)用Fast Lambda算法，設(shè)置的閾值為80，合并具有類似的顏色和邊界大小相鄰節(jié)段。分割效果對(duì)比圖如圖3所示。

3.3 房屋信息提取

首先劃分的是植被覆蓋區(qū)與非植被覆蓋區(qū)，本實(shí)驗(yàn)運(yùn)用歸一化植被指數(shù)對(duì)圖像劃分。選擇NDVI波段，設(shè)置Normalized Difference閾值最大為0.556.

可以看出選中的區(qū)域除了房屋以外，還包括道路、停車坪、裸地等其他地物，需要進(jìn)行一一剔除。下一步本實(shí)驗(yàn)剔除道路干擾，基于屋頂為接近正方形的矩形，而道路為長(zhǎng)條形的特點(diǎn)，運(yùn)用矩形化程度屬性進(jìn)行道路的剔除，設(shè)置Rectangular fi t值的范圍是0.5-1。

可以發(fā)現(xiàn)圖中紅色選中部分還有一些小斑塊和實(shí)驗(yàn)區(qū)域以外大斑塊，這里運(yùn)用面積屬性對(duì)小斑塊和大斑塊進(jìn)行除剔除設(shè)置：Type：Spatial；Name：Area——2000>Area>45。

面積屬性操作結(jié)果中，可以看出剔除小斑塊效果明顯，但仍然有一些長(zhǎng)條狀的地物，需要再引入一個(gè)延長(zhǎng)線屬性進(jìn)行剔除，設(shè) 置：Type：Spatial；Name：Εlongation——Εlongation<3；

將同時(shí)滿足四條屬性的對(duì)象提取出來(lái)了，得到居民房屋基于規(guī)則的面向?qū)ο筇崛〉挠跋駡D（圖4）。

3.4 分類結(jié)果與評(píng)價(jià)

在房屋提取結(jié)果中，發(fā)現(xiàn)存在過(guò)小的斑塊，本實(shí)驗(yàn)通過(guò)ΕNVI Classic進(jìn)行剔除，從而得到房屋提取分類結(jié)果。本實(shí)驗(yàn)假定目視解譯結(jié)果精確，作為驗(yàn)證樣本。運(yùn)用混淆矩陣，對(duì)計(jì)算機(jī)分類提取結(jié)果與目視解譯結(jié)果實(shí)行精度評(píng)價(jià)。

表1：精度評(píng)價(jià)結(jié)果

根據(jù)精度評(píng)價(jià)結(jié)果（表1），相對(duì)目視解譯，盡管面向?qū)ο蟮母叻钟跋裥畔⒇S富，但還是存在漏分錯(cuò)分誤差。分類的制圖精度略高于用戶精度，為81%。由計(jì)算結(jié)果得到Kappa系數(shù)為0.7243，分類的總體精度為95.4%。由此可以得出，利用面向?qū)ο蟮母叻钟跋穹诸惤Y(jié)果精度較高。

4 結(jié)語(yǔ)

面向?qū)ο筇崛》椒軌蚋玫亟Y(jié)合，避免了傳統(tǒng)分類方法的局限性。 本文結(jié)合高分影像下地物的光譜、空間、形狀等特征，運(yùn)用多尺度分割的算法，綜合分析上下文關(guān)系，紋理特征和地物特征提取房屋信息，確定影像分割和提取的尺度，創(chuàng)建了精度較高的基于規(guī)則的房屋提取圖像。很大程度上減少了錯(cuò)分漏分現(xiàn)象，避免了傳統(tǒng)分類方法的局限性。雖然面向?qū)ο蟮母叻钟跋裉崛》课菪畔⒕哂休^高的優(yōu)勢(shì)，但本文仍存在一些需要改進(jìn)的地方，如選擇圖像分割的各類參數(shù)，主觀性較強(qiáng)，需要進(jìn)一步研究選擇最優(yōu)尺度、邊界仍需更加規(guī)則化等。這些問(wèn)題都須要進(jìn)一步的研究和改進(jìn)。由于遙感技術(shù)的持續(xù)發(fā)展，相信分類精度不斷提高，面向?qū)ο蠓诸惖倪b感技術(shù)的應(yīng)用也會(huì)涉及更多方面。