文政穎，王佳欣

(河南工程學(xué)院 計(jì)算機(jī)學(xué)院，河南 鄭州 451191)

隨著遙感探測(cè)技術(shù)的發(fā)展，可采用遠(yuǎn)程遙感探測(cè)技術(shù)進(jìn)行地面建筑圖像的探測(cè)和識(shí)別，建立遠(yuǎn)程遙感建筑圖像的特征提取和信息監(jiān)測(cè)模型，通過(guò)圖像處理技術(shù)進(jìn)行遙感建筑圖像的特征提取和分類(lèi)識(shí)別，以提高遙感建筑圖像的特征辨識(shí)和自動(dòng)化信息分類(lèi)識(shí)別能力[1]。遙感建筑圖像分類(lèi)識(shí)別技術(shù)研究在地理信息空間規(guī)劃、城市規(guī)劃設(shè)計(jì)和地物探測(cè)等領(lǐng)域具有很高的應(yīng)用價(jià)值，相關(guān)方法的研究受到了人們的極大關(guān)注。

對(duì)遙感建筑圖像的分類(lèi)識(shí)別研究建立在對(duì)圖像特征提取的基礎(chǔ)上，結(jié)合模糊特征匹配模型，進(jìn)行遙感建筑圖像的關(guān)鍵特征點(diǎn)標(biāo)注，根據(jù)特征標(biāo)注結(jié)果結(jié)合模糊分類(lèi)識(shí)別算法實(shí)現(xiàn)對(duì)遙感建筑圖像的特征分類(lèi)。對(duì)遙感建筑圖像的傳統(tǒng)分類(lèi)方法主要有模糊PID分類(lèi)法、神經(jīng)網(wǎng)絡(luò)分類(lèi)法和基于超分辨率(Super-Resolution，SR)重建的分類(lèi)法等[2-3]。文獻(xiàn)[4]提出了基于主成分特征提取的建筑遙感圖像分類(lèi)方法，采用大氣散射特征點(diǎn)匹配方法進(jìn)行遙感建筑圖像的細(xì)化濾波處理，結(jié)合主成分特征提取方法進(jìn)行建筑圖像分類(lèi)識(shí)別，提高了分類(lèi)的準(zhǔn)確性，但計(jì)算復(fù)雜度較高，圖像分類(lèi)的精度不高。文獻(xiàn)[5]提出了基于機(jī)器學(xué)習(xí)的遙感建筑圖像特征分類(lèi)方法，使用亮度分量進(jìn)行遙感建筑圖像特征細(xì)節(jié)透射分析，對(duì)提取的圖像細(xì)節(jié)特征采用多尺度機(jī)器學(xué)習(xí)方法進(jìn)行分類(lèi)，但該方法的自適應(yīng)迭代能力不好。針對(duì)上述問(wèn)題，本研究提出了基于特征標(biāo)記的遙感建筑圖像分類(lèi)方法。首先進(jìn)行遙感建筑圖像采集，然后對(duì)采集的圖像進(jìn)行特征提取，根據(jù)特征提取結(jié)果進(jìn)行特征標(biāo)記，實(shí)現(xiàn)遙感建筑圖像的優(yōu)化分類(lèi)識(shí)別，最后進(jìn)行仿真分析，驗(yàn)證了本方法在提高遙感建筑圖像分類(lèi)識(shí)別能力方面的優(yōu)越性能。

1 遙感建筑圖像采集和模糊信息融合處理

1.1 遙感建筑圖像采集

為了實(shí)現(xiàn)遙感建筑圖像的優(yōu)化分類(lèi)和特征識(shí)別，首先需要在大氣散射環(huán)境下進(jìn)行遙感建筑圖像的模糊信息融合處理，采用遙感成像傳感器進(jìn)行地面建筑圖像的特征監(jiān)測(cè)，對(duì)不同成像傳感器識(shí)別到的圖像信息進(jìn)行融合處理[6]，再結(jié)合模糊特征識(shí)別方法進(jìn)行遙感建筑圖像的模糊度特征檢測(cè)和識(shí)別，得到遙感建筑圖像的采樣輪廓波形為

(1)

(2)

(3)

式中：Eint(vi)表示訓(xùn)練樣本的初始灰度值；Eext(vi)表示擴(kuò)展灰度值；N表示遙感圖像的訓(xùn)練樣本數(shù)。根據(jù)剩余顯著部分圖像的最大灰度值進(jìn)行遙感建筑圖像的像素特征提取，得到遙感建筑圖像的邊緣輪廓特征分量，再根據(jù)顯著圖檢測(cè)方法進(jìn)行圖像細(xì)節(jié)特征提取[8]，得到建筑圖像的細(xì)節(jié)特征分布為

(4)

式中：a表示形態(tài)分離的維度。根據(jù)建筑圖像細(xì)節(jié)特征的采集結(jié)果進(jìn)行模糊度辨識(shí)和特征分類(lèi)，可提高圖像的顯著特征檢測(cè)能力。

1.2 遙感建筑圖像的模糊信息融合

結(jié)合分塊模板特征匹配方法進(jìn)行遙感圖像的特征配準(zhǔn)處理，根據(jù)特征配準(zhǔn)結(jié)果進(jìn)行建筑物的特征點(diǎn)提取，在大氣散射環(huán)境下進(jìn)行遙感建筑圖像的模糊特征檢測(cè)和識(shí)別[9]。根據(jù)圖像的細(xì)節(jié)、清晰度、色彩恒定性，得到遙感圖像的像素生成序列

c1={i|i∈S},c2={{i,i′}|i′∈Ni,i∈S},C=c1∪c2，

(5)

式中：i=1,2,…,T；S表示單幅圖像的列數(shù)；Ni表示單幅圖像的行數(shù)；c1表示多尺度分解的高頻系數(shù)；c2表示多尺度分解的低頻系數(shù)；C表示遙感建筑圖像像素的空間位置分布特性。采用模糊度信息融合方法，建立遙感建筑局部區(qū)域像素亮度檢測(cè)模型：

(6)

基于顯著圖的背景抑制方法進(jìn)行建筑圖像的分類(lèi)識(shí)別[10]，再根據(jù)次級(jí)顯著圖分布進(jìn)行圖像信息融合，得到遙感建筑圖像融合的判決統(tǒng)計(jì)特征量為

(7)

式中：δ為遙感建筑圖像的暗度區(qū)域分布特征量。建立遙感建筑圖像特征細(xì)節(jié)識(shí)別模型，根據(jù)特征配準(zhǔn)結(jié)果進(jìn)行建筑物的特征點(diǎn)提取，結(jié)合特征標(biāo)記方法進(jìn)行遙感建筑圖像的平移、旋轉(zhuǎn)、比例不變性等相關(guān)性特征檢測(cè)[11]，得到檢測(cè)輸出的灰度直方圖模型為

(8)

(9)

2 遙感建筑圖像特征分類(lèi)

2.1 遙感建筑圖像的特征提取

結(jié)合分塊模板特征匹配方法進(jìn)行遙感建筑圖像的特征配準(zhǔn)處理，再根據(jù)特征配準(zhǔn)結(jié)果進(jìn)行建筑物的特征點(diǎn)提取。本研究提出基于特征標(biāo)記的遙感建筑圖像分類(lèi)方法，采用機(jī)器學(xué)習(xí)方法進(jìn)行遙感建筑圖像提取過(guò)程中的自動(dòng)尋優(yōu)，用max 函數(shù)提取分離出來(lái)的前景圖進(jìn)行遙感建筑圖像的局部模糊特征檢測(cè)，得到特征點(diǎn)為K(x0,y0)。以K(x0,y0)為中心，得到類(lèi)間方差取得最大值時(shí)的閾值為

(10)

式中：R為標(biāo)準(zhǔn)測(cè)試誤差系數(shù)；K為輸入的特征量。如果pixel_A

bnrβ(X)=RβX-RβX1，

(11)

式中：Rβ表示形態(tài)學(xué)閉運(yùn)算。構(gòu)建圖像總平均灰度值估計(jì)模型，獲得遙感建筑圖像的視覺(jué)信息特征檢測(cè)結(jié)果[12]，得到邊緣輪廓特征為

(12)

式中：xi為每一個(gè)細(xì)致區(qū)域的輸入特征量；xj為遙感建筑圖像的邊界區(qū)域像素。構(gòu)造遙感建筑圖像的相似度特征分辨模型，圖像總平均灰度為

(13)

(14)

2.2 遙感建筑圖像的自適應(yīng)分類(lèi)

對(duì)不同紋理分布的遙感建筑圖像進(jìn)行邊緣輪廓特征檢測(cè)，根據(jù)邊緣特征標(biāo)記結(jié)果，得到遙感建筑圖像特征的細(xì)節(jié)點(diǎn)分布模型為

(15)

式中：η表示遙感建筑圖像的邊緣亮度；φ表示前景和背景的初始聚類(lèi)中心參數(shù)；R表示遙感建筑圖像的模板匹配系數(shù)；D表示灰度概率密度函數(shù)設(shè)定K均值聚類(lèi)的初始聚類(lèi)特征量。將圖像分為目標(biāo)與背景兩類(lèi)，得到遙感建筑圖像特征分類(lèi)集合為

Team(z)=arg max(ykz+ek),k=1,2，…，R，

(16)

式中：ek表示形狀誤差；yk表示遙感監(jiān)測(cè)的強(qiáng)度；z為遙感圖像分類(lèi)的聚類(lèi)中心。采用機(jī)器自適應(yīng)學(xué)習(xí)的方法，得到圖像的L灰度級(jí)為

ikl(z)=bml(gklz+fkl)，

(17)

式中：l=1,2，…,R，并且k≠l。建立遙感建筑圖像特征分布集，對(duì)n個(gè)對(duì)象構(gòu)成的集合進(jìn)行自適應(yīng)分類(lèi)，得到相似度特征量為

(18)

式中：ycm表示c維數(shù)據(jù)構(gòu)成；ydm表示d維數(shù)據(jù)構(gòu)成。根據(jù)相似度特征提取結(jié)果，對(duì)不同紋理分布的遙感建筑圖像進(jìn)行邊緣輪廓特征檢測(cè)，再根據(jù)邊緣特征標(biāo)記結(jié)果實(shí)現(xiàn)遙感建筑圖像的優(yōu)化分類(lèi)。

3 仿真實(shí)驗(yàn)與結(jié)果分析

為了測(cè)試本方法在遙感建筑圖像分類(lèi)中的應(yīng)用性能，進(jìn)行仿真實(shí)驗(yàn)分析。使用MSRA的10 K遙感監(jiān)測(cè)數(shù)據(jù)集作為測(cè)試集，設(shè)定目標(biāo)區(qū)域的建筑物數(shù)量為2 000，數(shù)量集越多，分類(lèi)統(tǒng)計(jì)分析的精度越高。在遙感圖像空間分辨率為 1 M的情況下，遙感圖像的幀大小為 4 000×4 000，通過(guò)形態(tài)學(xué)分布計(jì)算得到遙感圖像監(jiān)測(cè)的結(jié)構(gòu)相似度系數(shù)為0.65，建筑物每個(gè)塊的權(quán)重值為0.25。權(quán)重系數(shù)的大小決定圖像分類(lèi)聚類(lèi)中心的偏移度，權(quán)系數(shù)越大，偏移度越小，建筑邊緣輪廓單次測(cè)量的誤差為0.002 6，遙感建筑圖像采集的像素強(qiáng)度為200×200。根據(jù)上述仿真參數(shù)設(shè)定進(jìn)行遙感建筑圖像分類(lèi)識(shí)別，得到的檢測(cè)圖像如圖1所示。

以圖1為研究對(duì)象，采用自適應(yīng)參數(shù)融合方法進(jìn)行遙感建筑圖像的多模態(tài)特征分解，對(duì)不同紋理分布的遙感建筑圖像進(jìn)行邊緣輪廓特征檢測(cè)，結(jié)果如圖2所示。

圖1 待分類(lèi)的遙感建筑圖像Fig.1 Remote sensing architectural images to be classified

圖2 遙感建筑圖像的邊緣輪廓檢測(cè)結(jié)果Fig.2 Edge profile detection results of remote sensing architectural images

根據(jù)圖2的邊緣檢測(cè)結(jié)果，對(duì)不同紋理分布的遙感建筑圖像進(jìn)行邊緣輪廓特征分析和紋理分布檢測(cè)，結(jié)果如圖3所示。

分析圖3得知，采用本方法能有效實(shí)現(xiàn)對(duì)遙感建筑圖像的紋理檢測(cè)，根據(jù)紋理檢測(cè)結(jié)果和邊緣特征標(biāo)記結(jié)果得到遙感建筑圖像的優(yōu)化分類(lèi)結(jié)果，如圖4所示。

圖3 圖像的紋理檢測(cè)結(jié)果Fig.3 Texture detection results of the image

圖4 遙感建筑圖像的優(yōu)化分類(lèi)結(jié)果Fig.4 Classification results of remote sensing building images

分析圖4可知，本方法能有效實(shí)現(xiàn)對(duì)遙感建筑圖像的分類(lèi)識(shí)別，對(duì)不同類(lèi)別建筑物的分塊檢測(cè)能力較強(qiáng)。用不同方法進(jìn)行建筑物分類(lèi)，得到的誤分率結(jié)果見(jiàn)表1。分析表1可知，用本方法進(jìn)行建筑物分類(lèi)的誤分率較低。

表1 遙感建筑圖像分類(lèi)的誤分率對(duì)比Tab.1 Comparison of misclassification rates of remote sensing architectural images

4 結(jié)語(yǔ)

本研究提出了基于特征標(biāo)記的遙感建筑圖像分類(lèi)方法。根據(jù)遙感建筑圖像的異向性進(jìn)行圖像的區(qū)域特征檢測(cè)識(shí)別，用顯著圖檢測(cè)方法進(jìn)行圖像細(xì)節(jié)特征提取，采用機(jī)器學(xué)習(xí)方法進(jìn)行遙感建筑圖像提取過(guò)程中的自動(dòng)尋優(yōu)，采用自適應(yīng)參數(shù)融合方法進(jìn)行遙感建筑圖像的多模態(tài)特征分解，根據(jù)相似度特征提取結(jié)果對(duì)不同紋理分布的遙感建筑圖像進(jìn)行邊緣輪廓特征檢測(cè)。由仿真分析可知，用本方法進(jìn)行遙感建筑圖像分類(lèi)的誤分率較低，特征辨識(shí)度較高，提高了對(duì)遙感建筑圖像的識(shí)別能力。