張湘宇 李向新 李萬(wàn)剛

摘 ?要： 基于規(guī)則信息的無(wú)人機(jī)圖像建筑物提取，首先要對(duì)待處理圖像進(jìn)行圖像分割，經(jīng)過(guò)大量的實(shí)驗(yàn)確定分割閾值為0.3，通過(guò)定義規(guī)則信息，解決了建筑物紋理特征與光譜特征與道路、裸地相似的問(wèn)題，同時(shí)，將原始圖像的提取結(jié)果和與進(jìn)行主成分分析（PCA）處理后的圖像的提取結(jié)果進(jìn)行對(duì)比，證明了PCA后的圖像提取精度高達(dá)85%。

關(guān)鍵詞： 無(wú)人機(jī)圖像;閾值分割;規(guī)則信息;建筑物提取

中圖分類(lèi)號(hào)： TP753 ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ?DOI：10.3969/j.issn.1003-6970.2019.05.044

本文著錄格式：張湘宇，李向新，李萬(wàn)剛，等. 基于規(guī)則信息的無(wú)人機(jī)圖像建筑物提取[J]. 軟件，2019，40（5）：226229

【Abstract】： Based on the rule information， the UAV image building extraction firstly needs to process the image for image segmentation. After a large number of experiments， the segmentation threshold is 0.3. By defining the rule information， the problem that the texture features and spectral features of the building are similar to roads and bare land is solved.at the same time， comparing the extraction result of the original image with the extraction result of the image after performing principal component analysis （PCA）， it is proved that the image accuracy after PCA is as high as 85%.

【Key words】： UAV Image; Image segmentation; Rule information; Building extraction

0 ?引言

隨著無(wú)人機(jī)技術(shù)的不斷發(fā)展，其高分辨率、獲取成本較低等優(yōu)點(diǎn)使其快速成為遙感圖像處理的首要選擇[1]。國(guó)內(nèi)外許多學(xué)者對(duì)提取無(wú)人機(jī)圖像信息進(jìn)行了研究。傳統(tǒng)的建筑物提取大多是基于像元，根據(jù)光譜信息或者形狀信息進(jìn)行分類(lèi)。但是該分類(lèi)方法容易受到“同物異譜，異物同譜”的影響，例如房屋與道路，不利于區(qū)分二者。在此基礎(chǔ)上，許多學(xué)者提出了改進(jìn)的方法。呂鳳華等[2]利用方向梯度直方圖提取建筑物，但提取結(jié)果會(huì)將非建筑物地物錯(cuò)分，通過(guò)紋理特征和光譜特征融合來(lái)剔除建筑物中的道路、草地等非建筑物信息。董培[3]提出了一種基于改進(jìn)的graphcut算法對(duì)道路進(jìn)行提取，實(shí)驗(yàn)證明該方法對(duì)不同的道路提取具有較好的魯棒性。Jabari[4]等提出一種通過(guò)傳感器融合技術(shù)來(lái)提高圖像分類(lèi)。無(wú)人機(jī)圖像的應(yīng)用廣泛[5]，不僅應(yīng)用在建筑物提取上，同時(shí)，利用無(wú)人機(jī)圖像進(jìn)行植被的剔除也是專(zhuān)家研究的重點(diǎn)。汪小欽等[6]通過(guò)提出一種基于可見(jiàn)光波段差異植被指數(shù)（VDVI）進(jìn)行植被提取，并將其與傳統(tǒng)適用于多光譜遙感影像的歸一化植被指數(shù)（NDVI）、可見(jiàn)光波段的植被指數(shù)如過(guò)綠指數(shù)（EXG）、歸一化綠紅差值指數(shù)（NGRDI）、歸一化綠藍(lán)差值指數(shù)（NGBDI）和紅綠比值指數(shù)（RGRI），結(jié)果證明提出的VDVI指數(shù)提取植被具有良好的精度。

1 ?材料與方法

測(cè)區(qū)地處畢節(jié)市七星關(guān)區(qū)西南邊境，地形北高南低.，東面高中間凹，形成“撮箕”形，大部分地區(qū)海拔高度在1600米左右。海拔最高的沙炭溝尖包包箐為2004.6米，最低的盤(pán)挪河河谷出境處1218.8米，相對(duì)高差785.5米。整個(gè)境內(nèi)屬亞熱帶季風(fēng)氣候，具有夏無(wú)酷暑、冬無(wú)嚴(yán)寒的特點(diǎn)，年平均降雨量為967.5毫米，平均日照時(shí)數(shù)為1376.2小時(shí)，無(wú)霜期250天左右。測(cè)區(qū)原始RGB圖像如圖1所示。

如圖所示，測(cè)區(qū)建筑物類(lèi)型大多是以長(zhǎng)方形為主，少數(shù)為不規(guī)則建筑物。同時(shí)，屋頂材質(zhì)多為水泥，部分為瓦屋頂。從圖像中可以發(fā)現(xiàn)，部分屋頂與道路具有相同的紋理，相同的材質(zhì)，其光譜特征也具有相似性。所以根據(jù)紋理信息與光譜信息區(qū)分二者難度很大，因此，實(shí)驗(yàn)將通過(guò)基于規(guī)則信息的方法剔除道路與裸地，最終實(shí)現(xiàn)建筑物的提取，實(shí)驗(yàn)流程如圖2所示

2 ?特征提取

傳統(tǒng)的特征提取分為兩大類(lèi)：光譜特征提取和空間特征提取。國(guó)內(nèi)外許多學(xué)者證明，依靠單一的光譜特征進(jìn)行建筑物提取精度極低，非透水性地面不容易被區(qū)分，在此基礎(chǔ)上，許多學(xué)者提出了光譜特征結(jié)合其他特征的建筑物提取方法[7]。秦其明[8]曾總結(jié)了遙感圖像分類(lèi)面臨的問(wèn)題并提出了解決途徑。一是抽取遙感圖像的特征并利用這些特征進(jìn)行識(shí)別。二是將遙感圖像與GIS數(shù)據(jù)庫(kù)相結(jié)合，利用大量的GIS數(shù)據(jù)能減少自動(dòng)解譯的不確定性。三是建立專(zhuān)家系統(tǒng)。專(zhuān)家系統(tǒng)的建立需要豐富的專(zhuān)業(yè)知識(shí)和很強(qiáng)的業(yè)務(wù)能力，但是專(zhuān)家系統(tǒng)是根據(jù)豐富的專(zhuān)家經(jīng)驗(yàn)設(shè)計(jì)的，只能解決特定的問(wèn)題，并不能保證解決所有所面臨的問(wèn)題。楊存建等[9]提出了一種譜間關(guān)系法，通過(guò)對(duì)比各地物間的光譜特征，發(fā)現(xiàn)居民地與其他地物相比有特別的譜間結(jié)構(gòu)特征，根據(jù)這個(gè)特征，選取一定的閾值，將居民地從非透水性地面中提取出來(lái)。

空間特征又包含了紋理特征和形狀特征[10]。紋理是遙感圖像上的重要信息和基本特征，是進(jìn)行圖像分析和圖像理解的重要信息。紋理反映了圖像灰度模式的空間分布，包含了圖像的表面信息及其與周?chē)h(huán)境的關(guān)系[11]，更好地兼顧了圖像的宏觀和微觀結(jié)構(gòu)。在現(xiàn)實(shí)中，不同的物體具有不同的形狀，房屋的形狀大多近似于矩陣，因此利用形狀特征與其他信息相結(jié)合可有效提取建筑物。唐洋洋等[12]提出一種光譜特征結(jié)合形狀特征的方法提取建筑物，并與支持向量機(jī)方法、K-最近鄰法做對(duì)比，驗(yàn)證了光譜與形狀相結(jié)合的方法提取建筑物精度最高。

實(shí)驗(yàn)通過(guò)定義規(guī)則信息，定義建筑物的形狀信息，并將道路、裸地等形狀信息加入規(guī)則信息中，方便將其剔除。

3 ?實(shí)驗(yàn)方法

基于規(guī)則信息進(jìn)行建筑物的提取，通過(guò)定義規(guī)則信息，可剔除其他地物的干擾，將建筑物信息有效地提取出來(lái)。1）測(cè)區(qū)內(nèi)典型地物的兩大類(lèi)分別為植被和不透水性地面，二者的光譜和紋理信息都有明顯的差異，所以很容易將其區(qū)分開(kāi)來(lái)。2）不透水性地面中又包含了屋頂、道路和裸地。因其材質(zhì)相同、紋理信息相似，容易受到“同物異譜，異物同譜”的影響，所以本文的實(shí)驗(yàn)方法是利用規(guī)則信息提取建筑物。

3.1 ?圖像分割與合并

FX根據(jù)臨近像素亮度、紋理、顏色等對(duì)影像進(jìn)行分割，它使用了一種基于邊緣的分割算法，這種算法計(jì)算很快，并且只需一個(gè)輸入?yún)?shù)，就能產(chǎn)生多尺度分割結(jié)果。通過(guò)不同尺度上邊界的差異控制，從而產(chǎn)生從細(xì)到粗的多尺度分割[13]。多尺度分割閾值的選擇是影響建筑物提取精度的關(guān)鍵，選擇一個(gè)合適的閾值至關(guān)重要[14]。閾值過(guò)小容易造成圖像的過(guò)分割，產(chǎn)生大量碎片，分割閾值過(guò)大則容易造成房屋成片，影響建筑物提取精度。經(jīng)過(guò)大量的閾值分割試驗(yàn)確定了多尺度分割的最佳分割閾值為40，閾值合并為80。分割結(jié)果如圖3所示。

3.2 ?基于規(guī)則信息提取建筑物

對(duì)已經(jīng)進(jìn)行多尺度分割后的圖像再選定一個(gè)閾值進(jìn)行圖像分割，將研究區(qū)域與背景區(qū)域區(qū)分開(kāi)來(lái)。通過(guò)實(shí)驗(yàn)，將分割閾值設(shè)為0.3，可得到較好的分割結(jié)果。通過(guò)定義規(guī)則信息對(duì)已經(jīng)分割的圖像進(jìn)行提取。1）剔除道路信息。道路的屬性描述是：①延長(zhǎng)線(xiàn)大于0.9;②緊密度小于0.3;③標(biāo)準(zhǔn)差小于20。④房屋近似矩形，所以設(shè)置rectangular fit 參數(shù)為0.5。2）剔除裸地信息。裸地的材質(zhì)和紋理與房屋相似，但是波段值卻比房屋略高，通過(guò)設(shè)定波段信息將裸地剔除。

4 ?實(shí)驗(yàn)結(jié)果與分析

通過(guò)定義規(guī)則信息進(jìn)行建筑物提取的結(jié)果如圖4所示。

（a）圖中細(xì)碎圖斑少，但是一部分房屋信息沒(méi)有提取出來(lái)，左上角與右下角的房屋并未提取出來(lái)。（b）圖中雖然細(xì)碎圖斑較多，但是房屋邊界信息也比較完整。對(duì)兩幅提取結(jié)果進(jìn)行精度評(píng)定，評(píng)定結(jié)果如表1所示。

表中數(shù)據(jù)顯示，原始圖像提取建筑物的整體精度達(dá)到了80.2%，Kappa系數(shù)為0.3863，而經(jīng)過(guò)主成分分析后的圖像建筑物提取的整體精度提高到了85.68%，Kappa系數(shù)也提高到0.4452，由圖3（a）、（b）對(duì)比（c）圖可知，（b）圖更接近參考圖像。因此，證明了先經(jīng)過(guò)PCA分析的圖像進(jìn)行建筑物提取有效提高了提取精度。

5 ?總結(jié)

實(shí)驗(yàn)發(fā)現(xiàn)，雖然無(wú)人機(jī)圖像具有高分辨率、紋理信息和形狀信息豐富等特點(diǎn)，但是其建筑物提取精度不及人工提取，而且被植被或者其他物體遮擋的房屋缺少了被遮擋住的邊界信息。然而，人工提取建筑物費(fèi)時(shí)費(fèi)力，需要大量的人工干預(yù)，同時(shí)要求干預(yù)人員具有豐富的專(zhuān)業(yè)知識(shí)。本文利用規(guī)則信息進(jìn)行建筑物提取雖然精度達(dá)到了85%，但被植被遮蓋的房屋邊緣信息不明確，所以，在往后的試驗(yàn)中如何剔除植被的干擾，提高建筑物提取精度是研究的重點(diǎn)和難點(diǎn)。

參考文獻(xiàn)

[1] 尹宗天， 謝超逸， 劉蘇宜， 等. 低分辨率圖像的細(xì)節(jié)還原[J]. 軟件， 2018， 39（5）： 199-202

[2] 呂鳳華， 舒寧， 龔龑?zhuān)?郭清， 曲雪光. 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（05）： 656-660.

[3] 董培， 石繁槐. 基于小型無(wú)人機(jī)航拍圖像的道路檢測(cè)方法[J]. 計(jì)算機(jī)工程， 2015， 41（12）： 36-39.

[4] S. Jabari， F. Fathollahi， Y. Zhang， Application of Sensor Fusion to Improve UAV Image Classification， International Archives of the Photogrammetry， Remote Sensing and Spatial Information Sciences-ISPRS Archives， v 42， n 2W6， p 153-156， August 23， 2017.

[5] 吳亞熙， 岑峰. 基于卷積神經(jīng)網(wǎng)絡(luò)的多層級(jí)目標(biāo)檢測(cè)方法[J]. 軟件， 2018， 39（4）： 164-169

[6] 汪小欽， 王苗苗， 王紹強(qiáng)， 吳云東. 基于可見(jiàn)光波段無(wú)人機(jī)遙感的植被信息提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2015， 31（05）： 152-157+159+158.

[7] 吳煒， 駱劍承， 沈占鋒， 朱志文. 光譜和形狀特征相結(jié)合的高分辨率遙感圖像的建筑物提取方法[J]. 武漢大學(xué)學(xué)報(bào)（信息科學(xué)版）， 2012， 37（07）： 800-805.

[8] 秦其明. 遙感圖像自動(dòng)解譯面臨的問(wèn)題與解決的途徑[J]. 測(cè)繪科學(xué)， 2000（02）： 21-24+1.

[9] 楊存建， 周成虎. TM影像的居民地信息提取方法研究[J]. 遙感學(xué)報(bào)， 2000（02）： 146-150+166.

[10] 朱文泉， 林文鵬. 遙感數(shù)字圖像處理——原理與方法[M]. 高等教育出版社， 2015. 9.

[11] 胡云康， 姜 蘇， 吳志榮， 等. 基于改進(jìn)的紋理合成圖像修復(fù)算法[J]. 軟件， 2016， 37（4）： 60-63.

[12] 唐羊洋， 葉華平， 吳書(shū)金， 陳紫旭. 基于波段與形狀特征的遙感影像建筑物分類(lèi)提取[J]. 后勤工程學(xué)院學(xué)報(bào)， 2016， 32（01）： 93-96.

[13] 鄭金志， 鄭金敏， 汪玉琳. 基于優(yōu)化初始聚類(lèi)中心的改進(jìn)WFCM圖像分割算法[J]. 軟件， 2015， 36（4）： 136-142.

[14] 郭璇， 鄭菲， 趙若晗， 等. 基于閾值的醫(yī)學(xué)圖像分割技術(shù)的計(jì)算機(jī)模擬及應(yīng)用[J]. 軟件， 2018， 39（3）： 12-15.