張仕山，孫振海，汪小欽，儲(chǔ)國(guó)中，黃書海

(1.福州大學(xué) 空間數(shù)據(jù)挖掘和信息共享教育部重點(diǎn)實(shí)驗(yàn)室，福州 350116；2.衛(wèi)星空間信息技術(shù)綜合應(yīng)用國(guó)家地方聯(lián)合工程研究中心，福州 350116；3.數(shù)字中國(guó)研究院(福建)，福州 350116；4.軍事醫(yī)學(xué)研究院，北京 100071)

0 引言

隨著人類社會(huì)的快速發(fā)展，城市人口急劇增長(zhǎng)，城市化進(jìn)程加快，導(dǎo)致建設(shè)用地占用其他用地的矛盾日益突出。因此，快速、準(zhǔn)確地提取建筑物信息，對(duì)于及時(shí)掌握城市發(fā)展?fàn)顩r，科學(xué)合理地進(jìn)行城市規(guī)劃和保護(hù)土地資源等都具有十分重要的意義。近年來(lái)，諸多亞米級(jí)分辨率對(duì)地觀測(cè)衛(wèi)星(如高分二號(hào)、高景一號(hào)、WorldView系列、Pleiades等)陸續(xù)升空，同時(shí)自從實(shí)施高分辨率對(duì)地觀測(cè)系統(tǒng)重大專項(xiàng)以來(lái)，我國(guó)的衛(wèi)星遙感技術(shù)也邁入了亞米級(jí)時(shí)代，實(shí)現(xiàn)了滿足一定數(shù)據(jù)體量需求的高空間分辨率數(shù)據(jù)對(duì)地表的全覆蓋監(jiān)測(cè)。由于高空間分辨率影像包含地物豐富的光譜、紋理、形狀、結(jié)構(gòu)、空間格局等特征，在準(zhǔn)確建筑物檢測(cè)方面具有更大的應(yīng)用潛力。

在高分辨率遙感影像分析領(lǐng)域，基于像元的影像分析方法往往難以獲得理想的結(jié)果，因?yàn)楠?dú)立的像元無(wú)法完整地表達(dá)地物以及地物間的關(guān)系，同時(shí)提取結(jié)果存在明顯的“椒鹽”現(xiàn)象[1]。面向?qū)ο蟮姆治龇椒╗2]在高空間分辨率影像處理中取得良好的結(jié)果，是該領(lǐng)域的一種主流分析方法。

建筑物信息提取是遙感信息處理的關(guān)鍵內(nèi)容，監(jiān)督分類方法一直在其中發(fā)揮著重要作用。Inglada[3]和Huang等[4]將建筑物相關(guān)特征輸入到支持向量機(jī)(support vector machine，SVM)分類器提取建筑物區(qū)域。當(dāng)前最為熱門的深度學(xué)習(xí)也被廣泛應(yīng)用到建筑物提取研究，如Alshehhi等[5]提出一種基于塊的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)用于在高分影像中提取建筑物和道路；范榮雙等[6]通過將遙感影像紋理特征輸入softmax分類器中獲得精度更高的建筑物區(qū)域。這些學(xué)習(xí)方法在建筑物提取方面都表現(xiàn)出十分出色的效果，但是這些方法都要求大量的訓(xùn)練樣本，在構(gòu)建樣本方面相當(dāng)費(fèi)時(shí)費(fèi)力，而且自動(dòng)化水平方面還有待提高。

為了避免費(fèi)時(shí)的訓(xùn)練樣本構(gòu)建和提高建筑物提取的自動(dòng)化程度，非監(jiān)督的提取方法成為重要的選擇。Pesaresi等[7-8]基于灰度共生矩陣(gray-level co-occurrence matrix，GLCM)的對(duì)比度紋理特征構(gòu)建建筑物存在指數(shù)PanTex(texture-derived built-up presence index)，并將其應(yīng)用到全球的建成區(qū)提取，該特征對(duì)于高分影像中獨(dú)立建筑物的表現(xiàn)能力較弱；Huang等[9]在建筑物的光譜結(jié)構(gòu)特征和一系列形態(tài)學(xué)操作的基礎(chǔ)上提出形態(tài)學(xué)建筑物指數(shù)(morphological building index，MBI)，具有很好的提取精度，被很多學(xué)者廣泛地應(yīng)用和改進(jìn)[10-15]；Ali[16]和Li等[17]根據(jù)建筑物和陰影之間的方向空間關(guān)系構(gòu)建建筑物指數(shù)，用以提取建筑物區(qū)域；Qi等[18]在MBI指數(shù)構(gòu)建體系啟發(fā)下通過多尺度均值濾波代替形態(tài)學(xué)線性操作，構(gòu)建多尺度濾波建筑物指數(shù)(multi-scale filtering building index，MFBI)。

以上方法多是基于單特征的建筑物檢測(cè)方法，雖然在表達(dá)建筑物方面效果良好，但都存在一定的局限性。PanTex和MBI指數(shù)是基于建筑物及其陰影在光譜的強(qiáng)對(duì)比度特征構(gòu)建的，在復(fù)雜的城市場(chǎng)景中，對(duì)于暗表面的建筑物表達(dá)能力較弱，同時(shí)容易受到與非建筑物的陰影和水體等相鄰的亮地物的干擾。而且MBI在非建成區(qū)容易受到大量無(wú)關(guān)對(duì)象(如明亮裸地和貧瘠土地、農(nóng)田、不透水面、道路等)的干擾，使得其在非城市地區(qū)(山區(qū)、農(nóng)業(yè)區(qū)、農(nóng)村地區(qū)等)建筑物檢測(cè)性能較差[19]。

本文采用的方向特征(direction relation，DR)是Li等[17]基于建筑物和其陰影的方向關(guān)系構(gòu)建的建筑物指數(shù)。其基本假設(shè)是：建筑物沿著太陽(yáng)照射方向總是存在陰影，但是這一假設(shè)并不總是成立。該特征建筑檢測(cè)精度不依賴于建筑物本身，所以對(duì)于不同材質(zhì)屋頂?shù)慕ㄖ锞哂薪y(tǒng)一的表達(dá)能力，但建筑物的檢測(cè)效果直接依賴于建筑物陰影的提取精度，所以對(duì)于密集建筑物區(qū)檢測(cè)能力較弱，且無(wú)法檢測(cè)不存在陰影的建筑物。

MFBI通過濾波函數(shù)構(gòu)建，可以有效抑制高分影像的噪聲，減弱對(duì)象內(nèi)的噪聲，保證同質(zhì)區(qū)域的完整性，彌補(bǔ)由于 MBI對(duì)象內(nèi)部存在異質(zhì)性因素干擾導(dǎo)致的提取結(jié)果的不完整性。但是由于其不能利用空間信息，又因?yàn)榻ㄖ锖筒糠值缆肪哂邢嗨频墓庾V特征，使得建筑物容易和道路混淆。而MBI特征是通過構(gòu)建多方向的形態(tài)學(xué)開運(yùn)算，從而能夠有效地去除道路的干擾，因?yàn)榈缆房偸茄?個(gè)或者2個(gè)方向延伸，而建筑物一般具有多個(gè)方向。

基于以上不足，本文采用DS證據(jù)理論[20]融合以上3個(gè)建筑物特征(MBI、MFBI、DR)，綜合利用建筑物及其陰影的強(qiáng)對(duì)比度特征、光譜特征，以及建筑物和其陰影的空間關(guān)系特征，使其能夠有效地結(jié)合和平衡反映不同特征的多個(gè)證據(jù)，利用冗余數(shù)據(jù)進(jìn)行目標(biāo)提取可以降低特征檢測(cè)中的不精確性，同時(shí)互補(bǔ)數(shù)據(jù)可以提供更完整的對(duì)于目標(biāo)的描述。而DS證據(jù)理論中最為關(guān)鍵的是需要去定義每個(gè)命題的初始概率分配函數(shù)(basic probability assignment function，BPAF)。概率分配函數(shù)為每個(gè)命題分配初始概率mass，在本文中即為每個(gè)分割對(duì)象屬于建筑物的概率。對(duì)于如何初始化每個(gè)命題的概率分配函數(shù)一直是DS證據(jù)融合理論的難點(diǎn)。前人的實(shí)驗(yàn)多是以分割對(duì)象為基元，在基于像元的提取結(jié)果的基礎(chǔ)上，去初始化對(duì)象的mass，同時(shí)還需要考慮證據(jù)間的關(guān)系，往往難以確定[21-24]。模糊集理論[25]通過對(duì)事件不確定性信息的分析，用隸屬度來(lái)描述命題屬于某個(gè)事件的程度，降低數(shù)據(jù)間的離散度和不一致性，十分符合BPAF的定義。通過使用隸屬度來(lái)代替初始的概率值，可以避免證據(jù)源間的相關(guān)性分析，極大簡(jiǎn)化BPAF的定義，同時(shí)保證提取的精度。

因此，本文集成DS證據(jù)理論和模糊集方法，融合不同建筑物特征。對(duì)于不同類型建筑物的表達(dá)能力，以適應(yīng)復(fù)雜場(chǎng)景下的建筑物檢測(cè)工作。

1 實(shí)驗(yàn)區(qū)與數(shù)據(jù)

本文建筑物提取實(shí)驗(yàn)采用2015年獲取的廈門市高分二號(hào)遙感數(shù)據(jù)作為源數(shù)據(jù)，實(shí)驗(yàn)區(qū)域位于福建省廈門市島內(nèi)中部的感興趣區(qū)(圖1(a))，其尺寸大小為1 239像素×1 095像素。實(shí)驗(yàn)區(qū)內(nèi)建筑物類型豐富，影像分辨率較高，包含不同屋頂材質(zhì)、不同形狀、不同尺寸的建筑物，適用于建筑物提取的實(shí)驗(yàn)，以驗(yàn)證本文方法的魯棒性，并通過人機(jī)交互的方式，獲得研究區(qū)的建筑物分布(圖1(b))作為精度驗(yàn)證。

同時(shí)為了進(jìn)一步驗(yàn)證本文方法的泛化能力，以廈門軟件園一帶為研究區(qū)，開展不同分辨率數(shù)據(jù)下本文方法的適應(yīng)性分析。多源高分?jǐn)?shù)據(jù)(高分一號(hào)(GF-1)、高分二號(hào)(GF-2)、WorldView-3(WV-3))的分辨率分別為2 m、1 m、0.5 m。同樣通過人機(jī)交互的方式，獲得多源數(shù)據(jù)廈門軟件園的建筑物分布作為精度驗(yàn)證。實(shí)驗(yàn)區(qū)具體情況如圖2所示。

圖1 數(shù)據(jù)情況

圖2 多源數(shù)據(jù)

2 研究方法

本文提出一種基于模糊集的DS證據(jù)融合方法，用以檢測(cè)建筑物區(qū)域，以充分發(fā)揮多特征在檢測(cè)建筑物方面的優(yōu)勢(shì)。該方法使用3個(gè)顯著的建筑物特征作為待融合的多源證據(jù)，分別是：MBI、MFBI、DR。具體流程如圖3所示，包括數(shù)據(jù)預(yù)處理與特征提取、基于模糊集的BPAF初始化、DS證據(jù)融合、建筑物提取及數(shù)據(jù)后處理、精度評(píng)價(jià)5個(gè)過程。

圖3 建筑物提取方法流程

2.1 數(shù)據(jù)預(yù)處理

本文在對(duì)源數(shù)據(jù)進(jìn)行相對(duì)配準(zhǔn)的基礎(chǔ)上，采用GS(Gram-Schmidt)算法對(duì)全色和多光譜影像進(jìn)行融合，該融合方法可以較好地改善原始影像的空間細(xì)節(jié)特征，且對(duì)影像的光譜特征具有較好的保真性[26]。接著采用PIE-SIAS國(guó)產(chǎn)軟件的多尺度分割方法，獲得較優(yōu)的分割結(jié)果。該方法是一種自底向上的分割算法，在初始分割的基礎(chǔ)上，通過層次區(qū)域融合方法合并相鄰對(duì)象，構(gòu)建雙層尺度集模型[27-28]，并基于局部方差和MI(Moran’s I)的逐步演化分析,確定最優(yōu)的分割尺度[29-30]。PIE提供多種方式定義對(duì)象間的相似性，本文采用eCognition中使用的異質(zhì)性準(zhǔn)則Battz&Schape[31]，wshape設(shè)置為0.3，wcompt設(shè)置為0.5。通過這種方法可以快速獲得相對(duì)最優(yōu)的分割結(jié)果。圖1數(shù)據(jù)的分割結(jié)果如圖4所示。

圖4 影像分割結(jié)果

通過該方法不僅可以快速獲得相對(duì)最優(yōu)的分割結(jié)果，而且支持便捷的手動(dòng)調(diào)優(yōu)操作，即通過滑動(dòng)條手動(dòng)選擇尺度，從而完整地解決分割尺度參數(shù)的問題。在計(jì)算效率和解決最優(yōu)尺度問題效率方面都優(yōu)于其他軟件。

2.2 特征提取

以對(duì)象為基本單元，提取3個(gè)顯著的建筑物特征(MBI、MFBI、DR)。同時(shí)為了使得特征間具有可對(duì)比性，本文進(jìn)一步將提取的建筑物特征歸一化到0和1之間。

MBI建立在建筑物的光譜結(jié)構(gòu)特征和形態(tài)學(xué)操作基礎(chǔ)上，該指數(shù)充分考慮建筑物在遙感影像上的不同特征(材質(zhì)、形狀、亮度、對(duì)比度等)[9]。根據(jù)MBI指數(shù)的大小，通過閾值分割的方法，提取建筑物區(qū)域。MFBI通過濾波函數(shù)構(gòu)建，可以有效抑制高分影像的噪聲。為了充分發(fā)揮多光譜信息，將對(duì)源數(shù)據(jù)進(jìn)行主成分分析(principal components analysis，PCA)獲得的第一主成分作為亮度特征影像[18]。DR[17]是給定一個(gè)建筑物陰影的參考對(duì)象和太陽(yáng)方位角，根據(jù)幾何關(guān)系構(gòu)建的。

本文的建筑物陰影是通過假彩色波段組合(近紅外、紅光、綠光)的IHS顏色空間變換獲得的飽和度S(saturation)和強(qiáng)度I(intensity)分量構(gòu)建的陰影特征提取的[32]，并通過建筑物陰影后處理操作進(jìn)一步提高建筑物陰影的提取精度。

2.3 集成DS證據(jù)理論和模糊集方法融合多特征

多個(gè)特征產(chǎn)生的建筑物檢測(cè)結(jié)果可能相互吻合，也可能相互矛盾，由此將產(chǎn)生較多檢測(cè)結(jié)果的不確定性。DS證據(jù)融合理論采用區(qū)間估計(jì)的方法描述命題，它提供了對(duì)不同來(lái)源信息的不精確性和不確定性的估計(jì)。

假設(shè)n個(gè)命題組成的假設(shè)空間為Θ，2Θ表示命題空間的冪集，根據(jù)不同的數(shù)據(jù)源信息，可以為2Θ中的任意命題分配一個(gè)概率值m(A)，A表示任意命題。其滿足式(1)。

(1)

式中：m表示命題空間上的概率分配函數(shù)BPAF；m(A)表示命題A的基本概率質(zhì)量mass，反映對(duì)命題A本身的信度大小。通過模糊集方法實(shí)現(xiàn)對(duì)BPAF函數(shù)的定義。

在相對(duì)論域U上的一個(gè)集合A，對(duì)于任意x∈U，通過HA(x)∈[0，1]來(lái)表示x屬于A的程度，由HA(x)所確定的集合A成為U上的一個(gè)模糊集，HA(x)稱為A的隸屬度函數(shù)(membership function)，對(duì)于某一x∈U，HA(x)稱為x對(duì)于A的隸屬度，即為DS證據(jù)理論中的m(A)。

常見的S型隸屬度函數(shù)參數(shù)易于調(diào)節(jié)，可以較好地反映出地物的特征，同時(shí)在模糊分割方面具有較好的魯棒性和準(zhǔn)確性。因此，采用S型隸屬度函數(shù)進(jìn)行DS證據(jù)融合理論中基本命題的BPAF定義。

根據(jù)閾值分別計(jì)算第k個(gè)建筑物特征中對(duì)象屬于建筑物的隸屬度Hkb，則屬于非建筑物的隸屬度為：1-Hkb。計(jì)算過程如公式(2)所示。

(2)

式中：bk=(ak+ck)/2；ak參數(shù)的意義是盡量避免非建筑物被誤檢成建筑物，即保證最大的提準(zhǔn)率；ck參數(shù)的意義是盡量使得建筑物區(qū)域都被檢測(cè)出來(lái)，即保證最大的提全率；xi表示第i個(gè)對(duì)象的k特征的均值。

DS證據(jù)理論通過合并多重證據(jù)作出決策。令m1，m2，…，mk表示k個(gè)建筑物特征的基本概率質(zhì)量，則融合后的命題最終概率質(zhì)量定義如式(3)所示。

(3)

式中：m(B)即為Hkb；Bi表示基本事件，即對(duì)象類型，對(duì)象是否屬于建筑物；Ab表示對(duì)象類型為建筑物的事件。根據(jù)以上公式計(jì)算獲得融合后的概率值。本文采用以下決策方式判斷對(duì)象是否屬于建筑物區(qū)域。Ri=1表示對(duì)象i屬于建筑物。

(4)

2.4 建筑物后處理

在以上方法提取建筑物區(qū)域的基礎(chǔ)上，對(duì)建筑物區(qū)域進(jìn)行后處理。本文采用的后處理框架主要包括光譜約束、陰影約束和形狀約束[33]。

1)光譜約束。光譜約束主要通過歸一化植被指數(shù)(normalized vegetation index，NDVI)和色調(diào)分量H(hue)實(shí)現(xiàn)的。高亮的植被和土壤是建筑物檢測(cè)主要的誤差來(lái)源。由于藍(lán)色屋頂材質(zhì)的建筑物呈現(xiàn)較大的NDVI值，容易同時(shí)被植被掩模去除。通過聯(lián)合NDVI和H的方式，可以剔除這部分建筑物的提取誤差。約束規(guī)則如式(5)所示。

if NDVI(x)>TNDVIandH(x)>Ththen
Build(x)=0

(5)

式中：TNDVI和Th表示NDVI和H特征的閾值，分別通過OSTU和直方圖法確定。

2)陰影約束。陰影約束是基于大部分建筑物在太陽(yáng)照射方向總是存在陰影這一基本原理實(shí)現(xiàn)的。陰影約束的精度直接依賴于建筑物陰影的提取精度。建筑物陰影采用計(jì)算方向特征時(shí)所用到的建筑物陰影結(jié)果。在城市區(qū)域建筑物陰影的干擾主要來(lái)自水體、非建筑物陰影(植被、高架橋、道路等)、暗地物等，建筑物陰影后處理環(huán)節(jié)主要也是圍繞這些干擾項(xiàng)展開的。水體區(qū)域的方差一般要小于陰影區(qū)域的方差，通過該方式可以消除部分水體的干擾。在城市區(qū)域，非建筑物陰影主要由植被陰影和高架橋陰影所組成，可以通過面積約束和形狀約束(長(zhǎng)寬比)的方式，以及通過NDVI提取的植被區(qū)域基于太陽(yáng)方位角反向提取植被陰影，以消除這些地物陰影的干擾。

3)形狀約束。形狀約束主要通過面積閾值(像元數(shù)量)和最小外接矩形長(zhǎng)寬比實(shí)現(xiàn)，進(jìn)而剔除小面積、減少狹長(zhǎng)的誤提現(xiàn)象，例如狹長(zhǎng)道路、小面積裸地等的干擾。約束規(guī)則如式(6)所示。

if ratio(x)>Tratioor area(x)>Tamaxor
area(x)

(6)

式中：ratio(x)和area(x)表示對(duì)象x的最小外接矩形的長(zhǎng)寬比和面積；Tratio為長(zhǎng)寬比的閾值；Tamax和Tamin為建筑物的最大面積和最小面積。這些閾值參數(shù)主要通過經(jīng)驗(yàn)設(shè)置。

2.5 建筑物提取精度評(píng)價(jià)指標(biāo)

為了定量評(píng)價(jià)采用本文方法檢測(cè)建筑物的精度，本文采用4個(gè)廣泛使用的指標(biāo)用于定量評(píng)價(jià)提取的精度，分別是正確率、漏檢率、虛檢率3個(gè)指標(biāo)[34]，以及1個(gè)綜合指標(biāo)：F評(píng)分。正確率代表能檢測(cè)到真正建筑物的精度；漏檢率表示在提取的過程中真實(shí)建筑物誤判為非建筑物的概率；虛檢率表示在提取的過程中非建筑物誤判為建筑物的概率；而F評(píng)分是對(duì)提取結(jié)果精度的綜合評(píng)價(jià)。

3 結(jié)果與討論

3.1 基于單特征和機(jī)器學(xué)習(xí)的建筑物提取結(jié)果分析

基于以上特征分析時(shí)設(shè)置的參數(shù)，提取建筑物相關(guān)特征(圖5)。從圖上可以看出，MBI和DR是正向指標(biāo)特征，而MFBI是負(fù)向指標(biāo)特征。對(duì)比3個(gè)建筑物特征可以發(fā)現(xiàn)：MBI特征中潛在的建筑物區(qū)域呈現(xiàn)高值，在圖上表示高亮的區(qū)域；而MFBI特征與之相反，潛在的建筑物呈現(xiàn)低值(甚至是負(fù)值)。從總體而言，MBI特征在表現(xiàn)建筑物方面要優(yōu)于其他的特征。MBI、MFBI特征都可以很好地把建筑物和背景區(qū)域區(qū)分開來(lái)。DR特征值范圍是0～1，值為1的部分表示為陰影區(qū)域，沿著太陽(yáng)照射的反方向投射建筑物區(qū)域，越靠近陰影區(qū)域和越符合太陽(yáng)照射方向的像元值越大，即為潛在的建筑物區(qū)域。

圖5 建筑物特征

基于以上提取的建筑物特征，通過面向?qū)ο蠓治龅姆椒ㄌ崛〗ㄖ飬^(qū)域(圖6(a)～圖6(c))，并在eCognition軟件平臺(tái)下基于MBI、MFBI、光譜、形狀特征(PSI(pixel shape index)、長(zhǎng)寬比)，采用隨機(jī)森林分類器(random forest，RF)和支持向量機(jī)提取建筑物區(qū)域(圖6(d)、圖6(e))；最后基于真實(shí)的研究區(qū)建筑物分布圖，獲得每個(gè)特征建筑物提取結(jié)果的誤差空間分布圖(圖6(a)～圖6(e))。從圖上可以看出，MBI和MFBI特征在表現(xiàn)建筑物方面的全局性能上要優(yōu)于方向特征，但是MBI和MFBI特征在誤差分布圖中紅色區(qū)域(虛檢)要明顯比方向特征占比大，主要是因?yàn)镈R特征的提取精度直接受到建筑物陰影提取精度和分割效果的制約，其受到的干擾因素更少。同時(shí)在建筑物提取結(jié)果的完整性方面，DR特征也要明顯優(yōu)于其他2種特征的提取結(jié)果。DR特征的虛檢主要是由高架橋以及一些其他中高層非建筑地物的陰影導(dǎo)致的，同時(shí)建筑物間的道路也會(huì)導(dǎo)致虛檢情況發(fā)生；MBI特征的虛檢主要來(lái)源于道路；MFBI特征的虛檢部分主要由道路和高亮植被組成。在建筑物和道路混淆方面，主要是因?yàn)榻ㄖ锖偷缆肪哂邢嗨频墓庾V特征，同時(shí)這一點(diǎn)也將影響對(duì)象分割的結(jié)果。DR特征在區(qū)分建筑物和道路方面效果最好。MBI在建筑物和道路混淆情況相對(duì)于MFBI特征有一定的改善，因?yàn)镸BI特征是通過多方向、多尺度的形態(tài)學(xué)操作構(gòu)建的，建筑物一般是沿多個(gè)方向的延伸，而道路多是沿著1到2個(gè)方向，所以在區(qū)別建筑物和道路方面要優(yōu)于MFBI特征。

在圖上低矮密集的建筑物區(qū)域，MBI和MFBI特征呈現(xiàn)黃綠(正確檢測(cè)和漏檢)混合的情況，且MBI誤差分析中正確檢測(cè)部分面積最大，而DR特征中密集建筑物物區(qū)域基本都呈現(xiàn)綠色(漏檢)。這說明，MBI特征在表達(dá)低矮密集建筑物區(qū)的能力方面要明顯優(yōu)于其他2種特征;DR特征對(duì)于此類建筑物提取效果最差，主要是因?yàn)榈桶芗ㄖ锏年幱拜^少，甚至在影像上都不存在陰影，這就導(dǎo)致基于建筑物與其陰影方向關(guān)系構(gòu)建的方向特征在檢測(cè)該類建筑物時(shí)直接失效。但是方向特征也具有其他特征所不具備的優(yōu)勢(shì)，即其他特征對(duì)于建筑物屋頂?shù)牟馁|(zhì)較為敏感，對(duì)于暗屋頂建筑物的檢測(cè)結(jié)果不佳，但是對(duì)于方向特征來(lái)說，只要暗屋頂建筑物陰影被提取出來(lái)，該特征就能很好地檢測(cè)出建筑物。在實(shí)驗(yàn)區(qū)的其他區(qū)域，3種特征均存在大小不一的漏檢現(xiàn)象，在影像上表示為綠色區(qū)域。從圖6(d)、圖6(e)可以看出,2種機(jī)器學(xué)習(xí)方法提取的結(jié)果較為相似，圖中漏檢的部分較少，要明顯少于其他單特征的提取結(jié)果?；窘ㄖ锒急怀晒z測(cè)，但是同時(shí)也導(dǎo)致了大量的虛檢情況，虛檢主要位于城市內(nèi)的道路和裸地,而且建筑物檢測(cè)結(jié)果在建筑物完整性方面要明顯弱于其他方法，普遍存在建筑物連接成片的情況。

3.2 基于融合特征的建筑物提取結(jié)果

采用集成模糊集的DS證據(jù)理論方法結(jié)合以上3個(gè)建筑物特征在表現(xiàn)不同類型建筑物方面的能力，用以檢測(cè)建筑物區(qū)域。檢測(cè)結(jié)果和誤差分布如圖7所示。

圖7 本文方法提取結(jié)果和誤差分布

從圖7可以看出，本文方法正確提取的建筑物在完整性上要優(yōu)于MBI和MFBI特征提取的結(jié)果，與DR特征提取結(jié)果較為相似。漏檢部分主要集中在低矮密集建筑區(qū)和低矮暗屋頂建筑物，對(duì)于低矮密集建筑區(qū)的檢測(cè)能力和MFBI特征較為接近，介于MBI和DR特征檢測(cè)能力之間。MBI特征的檢測(cè)結(jié)果要比本文方法檢測(cè)結(jié)果更完整，這可能是因?yàn)榉较蛱卣髟跈z測(cè)密集建筑區(qū)方面效果較差，從而導(dǎo)致融合的結(jié)果對(duì)于這一類建筑物表達(dá)效果不佳。其他部分的漏檢主要是由于分割效果導(dǎo)致的。而對(duì)于低矮暗屋頂建筑物類型，3種特征和本文方法均無(wú)法表達(dá)。虛檢部分主要集中在高亮的裸地和道路區(qū)域，相對(duì)于其他3個(gè)特征有明顯的改善，虛檢面積更小。

根據(jù)上面的評(píng)價(jià)指標(biāo)對(duì)建筑物檢測(cè)結(jié)果作出定量評(píng)價(jià)。為了進(jìn)一步分析本文方法在非密集建筑區(qū)的檢測(cè)精度，對(duì)去除密集建筑區(qū)的建筑物檢測(cè)結(jié)果作二次精度評(píng)價(jià)。建筑物檢測(cè)結(jié)果的評(píng)價(jià)指標(biāo)如表1所示。

從表1可以看出，本文建筑物提取方法在正確率指標(biāo)上都要高于其他單特征和機(jī)器學(xué)習(xí)的提取結(jié)果。本文提取方法正確率達(dá)到了0.84，而其他方法的檢測(cè)結(jié)果正確率都要低于本文方法，分別是0.79、0.76、0.80、0.76、0.74。在F評(píng)分評(píng)價(jià)指標(biāo)方面，機(jī)器學(xué)習(xí)方法最高都達(dá)到了0.78，本文方法次之，達(dá)到了0.76，接著是MBI特征提取方法的0.75，MFBI和DR特征的F評(píng)分指標(biāo)最低，只有0.66和0.64。本文方法在虛檢率指標(biāo)方面只有0.25，要顯著小于其他方法(MBI和MFBI這2種方法的0.37和0.39，以及機(jī)器學(xué)習(xí)方法的0.44和0.46)，在虛檢方面有了明顯的減少，對(duì)最終的檢測(cè)精度影響較大。但是在漏檢率方面，本文方法為0.31，要略高于MBI特征提取方法的0.28，但是這2種方法都要顯著小于MFBI和DR特征提取結(jié)果的0.42和0.47。其中，最低的當(dāng)屬機(jī)器學(xué)習(xí)方法，分別是0.11和0.16。這主要是因?yàn)楸疚姆椒ㄔ跈z測(cè)低矮密集建筑區(qū)時(shí)，受DR特征的影響導(dǎo)致最終的檢測(cè)效果不佳，檢測(cè)能力介于MBI和DR特征之間。而實(shí)驗(yàn)區(qū)中存在2個(gè)較大的低矮建筑區(qū)，這就導(dǎo)致本文方法在漏檢率方面要高于MBI特征的檢測(cè)方法。綜合考慮所有指標(biāo)情況，本文方法的提取結(jié)果要明顯優(yōu)于其他提取方法，本文提出的建筑物檢測(cè)方法可以較好地區(qū)別建筑物和背景區(qū)域，較高精度地提取建筑物區(qū)域，并保證建筑物的完整性。

表1 建筑物提取結(jié)果精度評(píng)價(jià)

去除密集建筑區(qū)后的精度評(píng)價(jià)指標(biāo)在正確率和F評(píng)分上都有一定程度的提高，提高程度保持一致，其中機(jī)器學(xué)習(xí)方法的相關(guān)指標(biāo)變化不大，只是在虛檢方面有了較大的增加。MBI方法在正確率提高了0.02，達(dá)到了0.81，MFBI和本文方法提高0.03，分別達(dá)到0.79和0.87，機(jī)器學(xué)習(xí)方法提高不大，只有0.01，其中，DR方法提高程度最大，為0.04，達(dá)到了0.84。DR方法在F評(píng)分方面提高程度最高，達(dá)到0.71，其他方法提升程度基本一致。本文方法在漏檢率方面改善效果最好，降低了0.05，其他單特征方法降低程度均小于等于0.02。但是在虛檢率方面,除了機(jī)器學(xué)習(xí)方法其他方法都有不同程度的增加，MBI和MFBI方法增加幅度最大，為0.04，DR和本文方法相對(duì)幅度要小于以上方法，分別為0.01和0.02。綜上所述，本文方法在去除密集建筑區(qū)后的精度提高程度要大于其他方法。

3.3 建筑物后處理精度分析

以上提取的建筑物結(jié)果均沒有經(jīng)過統(tǒng)一的建筑物后處理操作。為驗(yàn)證建筑物后處理流程對(duì)建筑物檢測(cè)結(jié)果的影響，本文對(duì)6種方法提取的結(jié)果進(jìn)行統(tǒng)一的后處理操作，后處理結(jié)果如圖8所示。

圖8 建筑物后處理結(jié)果與精度分析

圖8(a)～圖8(f)的精度分析圖中,正確部分表示被正確去除的非建筑物，錯(cuò)誤部分表示之前被正確檢測(cè)，經(jīng)過后處理流程后被錯(cuò)誤去除的建筑物。由于密集建筑區(qū)的影響，本次后處理中除了機(jī)器學(xué)習(xí)方法，其他方法未添加陰影約束。從圖上可以看出，6種方法提取的建筑物結(jié)果經(jīng)過后處理流程后精度均獲得一定的提高，但同時(shí)也會(huì)將之前正確檢測(cè)的部分區(qū)域去除(圖8(a)～圖8(f)中紅色區(qū)域)。之前虛檢部分經(jīng)過后處理流程被正確去除的部分(圖8(a)～圖8(f)中黃色區(qū)域)在圖中占據(jù)大部分區(qū)域，主要集中在實(shí)驗(yàn)區(qū)中間的2條主干道區(qū)域，以及高亮的植被區(qū)域；而錯(cuò)誤去除的部分主要集中在建筑物輪廓區(qū)域，以及部分屋頂材質(zhì)光譜特征和植被相似的建筑物區(qū)域。MFBI特征提取結(jié)果經(jīng)過建筑物后處理流程后效益最佳，從圖8(b)中可以看出大部分的黃色誤提部分都被去除；其次是MBI特征提取方法和本文方法；后處理收益最小的是機(jī)器學(xué)習(xí)方法，只有中間交叉的主干道存在部分被正確去除的非建筑。從全局上分析，在犧牲一定程度的建筑物完整性的基礎(chǔ)上,獲得更大程度的精度提高是利大于弊的。同時(shí)，也對(duì)建筑物后處理結(jié)果作出定量評(píng)價(jià)，并與未經(jīng)過后處理的結(jié)果作對(duì)比分析，評(píng)價(jià)指標(biāo)如表2所示。

表2 建筑物提取結(jié)果精度評(píng)價(jià)

從表2可以看出，經(jīng)過后處理流程后，6種方法在正確率方面都有一定的提高，MFBI方法正確率提高程度最大，達(dá)到了0.80，提升了0.04，其他5種方法提升程度相差不大，分別是0.02、0.01。本文方法和機(jī)器學(xué)習(xí)方法在F評(píng)分指標(biāo)方面表現(xiàn)出略有增長(zhǎng)的趨勢(shì)，而其他方法則呈現(xiàn)降低趨勢(shì)。在漏檢率方面，基于特征方法均有一定程度的提高，提高程度基本相同，DR特征提高程度為0.03，其他特征都是0.04，RF方法提高0.02，而SVM方法降低了0.01。4種特征方法在虛檢率方面均有不同程度的降低，降低幅度較大的是MFBI和DR特征，分別是0.11和0.09，MBI和本文方法降低幅度基本相同，分別為0.05和0.06，而機(jī)器學(xué)習(xí)方法變化幅度較小，其中RF降低了0.03，SVM降低了0.02。經(jīng)過后處理流程后，本文方法的正確率指標(biāo)相對(duì)于其他方法最高，達(dá)到了0.85，其他方法在正確率方面差異不大。而在F評(píng)分方面，機(jī)器學(xué)習(xí)方法要高于本文方法，高出了0.02，達(dá)到了0.79。在虛檢率方面，本文方法和DR特征方法要顯著低于其他方法，分別是0.19和0.18，機(jī)器學(xué)習(xí)方法最高，分別為0.47和0.48。這4種基于特征的方法在漏檢率方面表現(xiàn)出較高的值，都大于0.30，DR方法甚至達(dá)到了0.50，主要是由于對(duì)低矮密集建筑物區(qū)域檢測(cè)能力不足導(dǎo)致的，而機(jī)器學(xué)習(xí)方法在密集建筑區(qū)表現(xiàn)出較高的檢測(cè)能力，使得機(jī)器學(xué)習(xí)方法的漏檢率最低，只有0.13和0.15。

3.4 多源數(shù)據(jù)適應(yīng)性分析

以廈門軟件園一帶為研究區(qū)，開展不同分辨率情況下本文方法的適應(yīng)性分析。以相同的方法分別對(duì)多源高分?jǐn)?shù)據(jù)(GF-1、GF-2、WV-3)進(jìn)行建筑物檢測(cè)，檢測(cè)結(jié)果如圖9所示。

從整體上分析，基于GF-1、GF-2、WV-3數(shù)據(jù)的建筑物檢測(cè)結(jié)果精度較高，從圖上黃色正確檢測(cè)部分可以得出大部分建筑物都被成功檢測(cè)，滿足進(jìn)一步分析的需求。3種數(shù)據(jù)源提取結(jié)果都有不同程度的虛檢，相對(duì)來(lái)說，WV-3檢測(cè)結(jié)果的虛檢率要大于其他2種數(shù)據(jù)。虛檢部分主要集中在城市道路、高亮裸地、高層非建筑物等，尤其是和水體等暗地物相鄰的地物極易被誤提成建筑物。主要是因?yàn)榻ㄖ锖瓦@些地物具有相似的光譜特征、對(duì)比度特征等，同時(shí)對(duì)象分割的精度也可能影響虛檢率。從漏檢方面來(lái)看，3種數(shù)據(jù)的漏檢部分都相對(duì)較少，主要集中在建筑物輪廓部分和具有暗屋頂?shù)慕ㄖ锊糠?，其中建筑物輪廓漏檢主要是由于對(duì)象分割的精度導(dǎo)致的，而對(duì)于暗屋頂?shù)慕ㄖ餀z測(cè)能力都普遍偏弱。

圖9 多源數(shù)據(jù)建筑檢測(cè)結(jié)果和誤差空間分布

對(duì)以上多源數(shù)據(jù)建筑物結(jié)果進(jìn)行精度評(píng)價(jià)，評(píng)價(jià)結(jié)果如表3所示。從表3可以看出，3種數(shù)據(jù)的建筑物檢測(cè)結(jié)果的正確率相差不大，都大于0.91，其中GF-1正確率最高，達(dá)到了0.921，而GF-2相對(duì)最低，為0.915。在F評(píng)分評(píng)價(jià)指標(biāo)方面，GF-2和WV-3之間相差不大，分別為0.85和0.87，但是都要高于GF-1，GF-1的F評(píng)分只有0.81。從分辨率上來(lái)看，越高分辨率數(shù)據(jù)檢測(cè)結(jié)果的F評(píng)分也越高。3種數(shù)據(jù)的虛檢率相差不大，GF-1相對(duì)最低只有0.27，而GF-2和WV-3要比GF-1要高，分別達(dá)到了0.32和0.33，從圖3、圖7(c)～圖7(f)也可以得到相似的結(jié)論，在圖中表現(xiàn)為具有相似的紅色虛檢的面積占比。分辨率的增加也會(huì)導(dǎo)致虛檢率的增加，主要是因?yàn)殡S著分辨率的提高，“異物同譜”的現(xiàn)象更加嚴(yán)重，從而導(dǎo)致虛檢率提高。在漏檢率指標(biāo)方面，GF-2和WV-3相對(duì)最低，分別為0.20和0.18，GF-1要顯著大于其他2種數(shù)據(jù)，達(dá)到了0.28。漏檢率和分辨率呈現(xiàn)負(fù)相關(guān)，隨著分辨率的提高，漏檢率越來(lái)越低。主要是因?yàn)殡S著分辨率的提高，影像上地物對(duì)象的異質(zhì)性加劇，“同物異譜”現(xiàn)象加劇。

表3 多源數(shù)據(jù)建筑物提取結(jié)果精度評(píng)價(jià)

4 結(jié)束語(yǔ)

本文提出一種集成模糊集的DS證據(jù)融合方法,用于檢測(cè)高空間分辨率影像中復(fù)雜場(chǎng)景下的建筑物區(qū)域。該方法通過模糊集理論定義DS證據(jù)理論中關(guān)鍵的BPAF函數(shù)，極大簡(jiǎn)化了DS證據(jù)理論的實(shí)現(xiàn)，從而實(shí)現(xiàn)3個(gè)建筑物特征(MBI、MFBI、DR)的融合，最后根據(jù)融合后的證據(jù)提取最終的建筑物區(qū)域。該方法能夠有效地結(jié)合和平衡不同特征的多個(gè)證據(jù)，較大地提高檢測(cè)精度。本文方法的建筑物檢測(cè)精度要優(yōu)于其他單特征和機(jī)器學(xué)習(xí)的提取方法，提取的建筑物正確率達(dá)到0.85，F(xiàn)評(píng)分指標(biāo)達(dá)到了0.77。在非密集建筑區(qū)域正確率可以達(dá)到0.87，F(xiàn)評(píng)分為0.79。本文建筑物檢測(cè)方法適應(yīng)于不同分辨率的多源數(shù)據(jù)，均能獲得較高的檢測(cè)精度。以廈門軟件園一帶為研究區(qū)，以GF-1、GF-2、WV-3為測(cè)試數(shù)據(jù)，檢測(cè)結(jié)果的正確率均大于0.91。但是受到輸入的建筑物特征的影響，本文方法在檢測(cè)低矮密集建筑區(qū)方面效果不佳，同時(shí)由于分割效果和建筑物陰影提取精度的制約，本文方法在建筑物完整性方面和后處理效果方面還有待提高。

在本文方法的框架下，理論上可以實(shí)現(xiàn)任意數(shù)量和任意組合的建筑物特征的融合，實(shí)現(xiàn)多源數(shù)據(jù)的互補(bǔ)，充分發(fā)揮和整合多源數(shù)據(jù)對(duì)建筑物不同的表達(dá)能力，以進(jìn)一步提高建筑物檢測(cè)的精度。本文方法對(duì)于建筑物特征分析方面還停留在定性層面上，后續(xù)工作可以在增加建筑物特征的基礎(chǔ)上，引入定量分析,以進(jìn)一步完成對(duì)建筑物特征的篩選工作，選擇最具有代表性的建筑物特征參與后續(xù)的融合操作，期望能夠獲得最佳的提取精度。