常京新，高賢君，楊元維，王雙喜

(長江大學(xué)地球科學(xué)學(xué)院，湖北 武漢 430100)

遙感技術(shù)的日益成熟使得遙感影像數(shù)據(jù)急劇增加，同時隨著硬件的發(fā)展，時間、空間和光譜分辨率也都在不斷提高，其豐富地物信息為測繪等相關(guān)領(lǐng)域提供了數(shù)據(jù)支撐。作為重要的地表信息之一，建筑物在城市規(guī)劃[1]、土地資源利用[2]等方面具有重要意義，因此從高分影像中快速完整地提取建筑物一直是遙感領(lǐng)域研究的熱點(diǎn)之一。

常見的基于高分辨率遙感影像建筑物提取包括面向?qū)ο骩3]、多特征多尺度相結(jié)合[4]、基于極化特征和紋理特征的孔徑雷達(dá)影像建筑物提取[5-6]，以及基于圖割和陰影[7-10]等方法。這類方法主要是利用建筑物的光譜信息、形狀紋理等特征來提取建筑物，但是遙感影像中會存在大量的“同物異譜”和“同譜異物”的現(xiàn)象，在建筑物提取過程中會因?yàn)殛幱?、道路、植被等因素影響?dǎo)致提取的建筑物邊緣存在鋸齒、完整性低等問題。而常見的利用外接矩形結(jié)合閾值擬合輪廓[11]及LiDAR規(guī)則邊緣[12]進(jìn)行優(yōu)化的方法，僅利用了一期影像進(jìn)行優(yōu)化，由于原始影像存在投影差、樹木和陰影遮擋等問題，優(yōu)化的邊緣輪廓并非完全準(zhǔn)確且缺乏可靠性。

本文針對提取建筑物不規(guī)則及單幅影像的輪廓優(yōu)化精度準(zhǔn)確度有待提高的問題，提出一種融合多時相建筑物輪廓優(yōu)化新方法。首先分別獲取兩個時相初始建筑物的最小面積外接矩形，然后進(jìn)行角點(diǎn)匹配以及最優(yōu)邊選擇，最后將得到的邊重組得到建筑物的輪廓。

1 融合多時相高分影像的建筑物輪廓優(yōu)化

1.1 基于偏移陰影分類驗(yàn)證的多時相影像建筑物結(jié)果提取

面向?qū)ο蠓诸惙ㄊ峭ㄟ^對遙感影像同質(zhì)區(qū)域進(jìn)行分割，然后利用光譜特征和形狀紋理特征進(jìn)行分類提取[13-14]。借鑒基于偏移陰影分割分類的建筑物提取方法[15]，本文首先利用面向?qū)ο蟮亩嗉壏指罘椒▽Ω叻直媛蔬b感影像進(jìn)行分割分類，然后通過偏移陰影的思想提取出建筑物種子點(diǎn)，并使用支持向量機(jī)的方法提取建筑物的輪廓，最后通過陰影驗(yàn)證和數(shù)學(xué)形態(tài)學(xué)方法進(jìn)行后處理，最終提取出建筑物的初始結(jié)果。

使用本文方法能夠很好地提取建筑物區(qū)域，但是結(jié)果中仍然存在建筑物提取不完整，邊緣鋸齒化及少量的錯分問題，如圖1所示。這是由于高分辨率遙感影像中的建筑物被植被或陰影遮擋，部分道路或裸地的光譜特征與建筑物相似造成的錯誤檢測。

圖1 基于偏移陰影分類驗(yàn)證原理提取建筑物結(jié)果

1.2 多時相建筑物結(jié)果的輪廓綜合優(yōu)化方法

1.2.1 優(yōu)化流程

試驗(yàn)先對兩期遙感影像進(jìn)行預(yù)處理(如配準(zhǔn)等)，基于偏移陰影分類驗(yàn)證法獲取初步結(jié)果；接著分別獲取兩期影像各建筑物的最小面積外接矩形各角點(diǎn)；基于Hausdorff距離算法變換的最短距離算法匹配角點(diǎn)；自適應(yīng)閾值的建筑物輪廓最優(yōu)邊的選擇；直線正交獲得最終建筑物輪廓并輸出結(jié)果。提取流程如圖2所示。

圖2 提取流程

1.2.2 角點(diǎn)匹配

兩期遙感影像分別進(jìn)行建筑物最小面積外接矩形的獲取，為了使兩期影像對應(yīng)建筑物輪廓的最小面積外接矩形的各邊能夠?qū)?yīng)，從而順利進(jìn)行最優(yōu)邊的選擇，受Hausdorff距離算法的啟發(fā)提出了一種最短距離的最小值算法，以此來更加精確地找到各角點(diǎn)的對應(yīng)點(diǎn)。由于在實(shí)際操作過程中，最小面積外接矩形的角點(diǎn)查找順序一致但起點(diǎn)不一定一致，因此只需要找到兩期影像對應(yīng)最小面積外接矩形的角點(diǎn)中最短距離的最小值，讓該兩點(diǎn)的序號一致，即可讓各對應(yīng)點(diǎn)的序號一致。

Hausdorff距離算法基本原理為：通過計(jì)算兩組樣本點(diǎn)之間的距離來度量樣本間相似度，假設(shè)有兩組集合A={a1,a2,…,am}，B={b1,b2,…,bn}，則這兩個點(diǎn)集合之間的Hausdorff距離定義為

H(A,B)=max(h(A,B),h(B,A))

(1)

式中，h(A,B)稱為集合A和集合B的單向Hausdorff距離，定義為

(2)

而本文受此啟發(fā)提出的算法為

(3)

1.2.3 最優(yōu)邊選擇

兩期影像對應(yīng)建筑物輪廓最小面積外接矩形的對應(yīng)邊需要選擇一條邊作為近似輪廓邊。假設(shè)兩條邊分別為La、Lb，長度分別為la、lb，然后計(jì)算各自提取到的建筑物輪廓與其最小面積外接矩形邊的相交像素點(diǎn)數(shù)，分別為Na、Nb，則

Pnear=max(Na/la,Nb/lb)

(4)

而對應(yīng)Pnear設(shè)置的判斷標(biāo)準(zhǔn)公式為

(5)

式中，CaMAB為La對應(yīng)最小面積外接矩形的周長；sa為La對應(yīng)建筑物輪廓的面積；SaMAB為La對應(yīng)最小面積外接矩形的面積；CbMAB為Lb對應(yīng)最小面積外接矩形的周長；sb為Lb對應(yīng)建筑物輪廓的面積；SbMAB為Lb對應(yīng)最小面積外接矩形的面積。通過Pnear自身的變化大小及與Pstandard的比較選擇最符合建筑物輪廓的邊。

1.3 融合多時相建筑物輪廓優(yōu)化算法

本文融合多時相遙感影像提取建筑物輪廓結(jié)果，并利用最小面積外接矩形進(jìn)行最優(yōu)邊選擇，最終獲取建筑物優(yōu)化后輪廓，提高了建筑物完整度和精確度。算法步驟如下：

(1)兩期遙感影像A、B輸入并進(jìn)行預(yù)處理，利用分類驗(yàn)證法分別獲得兩期影像的建筑物輪廓的初始結(jié)果。

(2)分別獲取兩幅遙感影像初始結(jié)果中每個建筑物輪廓的最小面積外接矩形。

(3)利用最小距離的最小值進(jìn)行角點(diǎn)匹配。

(5)重復(fù)步驟(4)，當(dāng)一個建筑物輪廓的四條邊都被確定的時候，進(jìn)行直線正交，將得到的四個交點(diǎn)依次相連形成矩形。

(6)重復(fù)步驟(4)—(5)，直至所有建筑物都被優(yōu)化，輸出結(jié)果圖。

2 試驗(yàn)對比分析

為了更直觀地判斷方法的優(yōu)劣，本文選擇了多幅不同時期的遙感影像進(jìn)行試驗(yàn)。如圖3所示，選取了兩組不同季節(jié)獲取的遙感影像。本文使用基于偏移陰影分類驗(yàn)證的方法提取到的初始結(jié)果，并利用文獻(xiàn)[11]基于外接矩形優(yōu)化方法為輪廓優(yōu)化的參照方法，與本文方法的輪廓優(yōu)化結(jié)果進(jìn)行對比，如圖3所示。

圖3 建筑物輪廓提取與優(yōu)化結(jié)果對比

通過對試驗(yàn)的對比分析可以看出，基于偏移陰影分類驗(yàn)證法提取的結(jié)果能夠根據(jù)陰影對非建筑物區(qū)域進(jìn)行排除，因此在一定程度上降低了錯檢，但對于與建筑物相接且光譜相似的裸地還是會錯檢。同時由于樹木及陰影的遮擋，導(dǎo)致建筑物出現(xiàn)小面積的漏檢。而參照方法能在一定程度上優(yōu)化建筑物輪廓，但對于錯分部分無法去除，由于算法的限制還會增加一定錯分，對于被樹木和陰影遮擋的部分則會被認(rèn)為是建筑物原本就缺失，也不會進(jìn)行還原。本文算法集結(jié)了建筑物提取輪廓各最符合建筑物原始形態(tài)的邊，然后進(jìn)行驗(yàn)證，并結(jié)合直線正交，有效地去除了裸地和道路與建筑物相似的部分，并在一定程度上彌補(bǔ)了建筑物的漏檢部分，讓被植被和陰影遮擋的部分還原出來，提高了建筑物提取的正確率和完整度。

通過表1中精度對比可以看出，本文方法在各方面均有不同程度的精度提升，由于結(jié)合了兩期影像的提取結(jié)果選擇的最優(yōu)邊，因此能夠更好地提取建筑物輪廓邊界，并結(jié)合邊的平移驗(yàn)證能夠更好地提取建筑物的輪廓。優(yōu)化后相較于參照方法，其完整度提高了6.86%，綜合精度提高了7.74%，總體精度提高了13.02%。精度提升明顯，本文方法更符合建筑物原始形態(tài)。

表1 建筑物提取結(jié)果精度對比 (%)

3 結(jié) 論

本文針對建筑物輪廓提取結(jié)果不佳的問題，提出了一種融合多時相高分辨率遙感影像的建筑物提取優(yōu)化方法。通過對比兩期影像對應(yīng)建筑物的最小面積外接矩形各邊符合原始建筑物形態(tài)的程度，并結(jié)合邊的平移驗(yàn)證，從而獲得最符合建筑物原始形態(tài)的邊，最終使用直線正交獲得建筑物的最終輪廓。通過大量試驗(yàn)對比驗(yàn)證，本文方法能夠準(zhǔn)確優(yōu)化建筑物的輪廓，在一定程度上進(jìn)一步提高了建筑物的提取精度。本文方法對矩形建筑物優(yōu)化效果良好，但是對于較復(fù)雜的建筑物(如存在弧形邊的建筑物)尚不能良好的優(yōu)化，對于復(fù)雜建筑物的優(yōu)化將是未來的研究方向。