周再文 王 建 朱 恰 劉星雨 馬紫雯 高賢君

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

0 引言

建筑物作為地理信息研究的比較重要的地理要素之一,是現(xiàn)代城市的主要組成,也是用來衡量城市發(fā)展的比較重要的指標(biāo)。建筑物信息的提取對城市規(guī)劃、地理信息系統(tǒng)的實際應(yīng)用、數(shù)字城市應(yīng)用等方面具有重要的意義和作用[1]。隨著遙感技術(shù)的快速發(fā)展,各種遙感影像的空間分辨率也越來越高。由于高分辨率遙感影像具有地物紋理信息豐富、成像光譜波段多、重訪時間短等特點,其已經(jīng)成為地物信息獲取的重要的數(shù)據(jù)來源[2]。但是高分遙感影像在提高地物光譜特征,突出地物結(jié)構(gòu)、紋理信息的同時,會帶來嚴(yán)重的異物同譜的問題。實際工作中建筑物周圍的各種其他無關(guān)地物的干擾也會導(dǎo)致建筑物信息最終的提取結(jié)果與原始影像中的建筑物的形狀和邊界輪廓不一致。因此基于已有的建筑物信息提取方法對建筑物的邊界輪廓進(jìn)一步優(yōu)化對于提高建筑物精度具有十分重要的研究意義。

目前比較主流的建筑物信息提取方法,按照遙感影像提取建筑物的原理主要分成三類:

(1)基于區(qū)域分割的提取方法:先利用監(jiān)督、非監(jiān)督或面向?qū)ο蟮姆诸惙椒▽τ跋襁M(jìn)行初步的分類;再對建筑物所在的類別根據(jù)建筑物自身的幾何形狀、空間信息等特征提取具體的建筑物目標(biāo)[3]。黃慧萍等[4]提出了以多尺度影像分割與面向?qū)ο笥跋穹治鰹橹饕夹g(shù),利用樣本多邊形對象的成員函數(shù)建立訓(xùn)練區(qū),自動提取大慶市城市綠地覆蓋信息,達(dá)到清查城市綠地的目的。

(2)結(jié)合輔助知識的提取方法:利用遙感圖像中建筑物的陰影、紋理、空間位置、幾何結(jié)構(gòu)等特征來提取建筑物,提高建筑物信息提取精度。高賢君等[5]設(shè)計了基于偏移陰影分析的建筑物樣本自動提取方法,結(jié)合支持向量機(SVM)分類模型對影像進(jìn)行初提取并進(jìn)行地物分類,在進(jìn)行相應(yīng)的后處理操作之后,利用相交邊界陰影比率篩選出無陰影的非建筑物等措施獲取最終結(jié)果。

(3)基于邊緣和角點監(jiān)測與匹配的提取方法:使用邊緣監(jiān)測的算法得到建筑物的邊緣,再根據(jù)建筑物的空間關(guān)系對影像中提取的邊緣線段進(jìn)行分組,搜索其平行線,通過經(jīng)驗知識組成符合建筑物空間結(jié)構(gòu)和輪廓的矩形,實現(xiàn)對建筑物的提取。Taejung Kim[6]等提出了根據(jù)現(xiàn)實中建筑物的屋頂邊緣多呈相互平行的線段特點,利用投票策略選取直線最多的方向為房屋邊緣走向,達(dá)到提取建筑物信息的目的。陶超等[7]在Harris算子提出角點的基礎(chǔ)上,加上約束準(zhǔn)則檢測居民地的角點,根據(jù)影像中角點的分布情況,構(gòu)建函數(shù)度量影像中每一個像素屬于建筑物的概率,最后利用二值分割的方法提取影像中建筑物的信息。

以上三種方法在進(jìn)行建筑物信息提取的過程中或多或少都會受到地物周圍的陰影、植被等噪聲干擾,導(dǎo)致提取結(jié)果出現(xiàn)邊界鋸齒化、不規(guī)則等問題。本文在利用深度學(xué)習(xí)提取的高分辨遙感影像的建筑物信息基礎(chǔ)上,提出一種解決建筑物圖像邊界問題的思路。

1 數(shù)據(jù)來源

基于深度學(xué)習(xí)提取建筑物信息的方法是以谷歌地球上開源的高分遙感影像數(shù)據(jù)集作為基礎(chǔ)的實驗數(shù)據(jù),因谷歌地球上的開源的高分遙感影像國外地區(qū)的建筑物結(jié)構(gòu)比較簡單,同時遙感影像數(shù)據(jù)比較清晰,故實驗數(shù)據(jù)集多選取國外的高分遙感影像進(jìn)行實驗?；趖ensorflow深度學(xué)習(xí)的方法構(gòu)建建筑物識別的模型,通過增加訓(xùn)練樣本的數(shù)據(jù)量,不斷地修正訓(xùn)練模型,提高測試樣本的提取精度。最后將提取精度最高的樣本進(jìn)行建筑物后處理驗證,得到建筑物信息的初始提取結(jié)果。上述基于深度學(xué)習(xí)的建筑物信息提取的方法參考了朱光亞等[8]基于深度學(xué)習(xí)的遙感影像建筑物信息提取研究的論文和高揚等[9]基于卷積神經(jīng)網(wǎng)絡(luò)的高分辨率遙感影像建筑物信息提取的論文的部分思想。

UNet網(wǎng)絡(luò)作為比較早的卷積神經(jīng)網(wǎng)絡(luò)之一,主要用于圖像的處理,由用于捕捉語義特征的編碼端,精準(zhǔn)定位的解碼端以及結(jié)合底層信息和高層信息的跳躍連接這三部分組成。本實驗中,輸入影像的影像塊大小為512×512,從而構(gòu)建特征金字塔(實驗的數(shù)據(jù)集是新西蘭克賴斯特徹奇地區(qū)的高分辨率遙感影像)。本次實驗的環(huán)境為:i7-9700k處理器,32 GB內(nèi)存,NVIDIA RTX2080Ti 8G顯卡,GPU加速庫采用CUDA10.0。DeepingLearn框架以Keras作為前端,TensorFlow為后端。圖1、圖2的(a)和(b)是部分原始遙感影像和利用UNet神經(jīng)網(wǎng)絡(luò)提取的灰度圖二值化的結(jié)果。

由圖1和圖2的(b)和(c)的對比,可以很明顯地看出,經(jīng)過后處理驗證的優(yōu)化提取處理,錯分建筑物的問題得到了部分解決,提高了建筑物特征信息的提取精度。但是如圖1(c)和圖2(c)所示,部分建筑物的邊界輪廓還是存在不規(guī)整問題,另有部分建筑物內(nèi)部存在細(xì)小孔洞等問題,為此,需要繼續(xù)對其進(jìn)行建筑物邊界輪廓的優(yōu)化。

圖1 遙感影像YX1提取優(yōu)化對比

圖2 遙感影像YX2提取優(yōu)化對比

2 建筑物輪廓優(yōu)化原理

對在基于深度學(xué)習(xí)提取建筑物特征和改進(jìn)的馬爾科夫隨機場處理錯分建筑物的問題的基礎(chǔ)上所得到的提取結(jié)果仍然存在建筑物邊界不規(guī)整、邊界鋸齒化嚴(yán)重的問題,本文提出的解決思路是:首先是利用目前最常用的線要素壓縮算法——垂距法[10]對提取到的建筑物輪廓刪除邊界輪廓的冗余點并對建筑物輪廓進(jìn)行多邊形擬合處理。然后通過對多邊形擬合之后的輪廓利用最小外接矩形的擬合算法[11],得到最小外接矩形的四個頂點坐標(biāo),最后再對擬合之后的最小外接矩形的長寬比、輪廓面積、擬合出來的多邊形點數(shù)做篩選,選擇最合適的外接矩形輪廓作為最后邊界優(yōu)化的最終結(jié)果,使通過優(yōu)化后的邊界輪廓盡量與遙感影像原圖上的建筑物保持一致,提高研究后期進(jìn)行建筑物變化檢測的最終精度。

2.1 基于垂距法的多邊形擬合

經(jīng)過前期深度學(xué)習(xí)提取的建筑物邊界一般是由許多連續(xù)的像素點組成,會出現(xiàn)大量相鄰的點位于同一條直線上產(chǎn)生數(shù)據(jù)冗余,也是導(dǎo)致提取的建筑物邊界輪廓出現(xiàn)鋸齒化的一個原因。本文利用地理信息原理中常見的矢量數(shù)據(jù)壓縮的方法——垂距法來解決這個問題,即將提取出來的建筑物輪廓進(jìn)行冗余點去除,將建筑物的邊界輪廓擬合成相對規(guī)則的多邊形，如圖3所示。

圖3 垂距法處理過程示意圖

垂距法的算法思想[10]是:每一次按照一定順序取曲線上連續(xù)的三個點,計算中間的點到其余兩點連線的垂直距離d,并將d與給定的限差(閾值)D比較。求得的垂直距離d小于給定的閾值D時,則去掉中間點;反之,則中間點保留。然后按照順序依次取下三個點繼續(xù)處理,直到遍歷整條曲線。多邊形擬合原理的示意圖如圖4所示,具體過程如下:

圖4 垂距法處理結(jié)果對比圖[10]

(1)取任意建筑物輪廓邊界上的一段邊界P1～P4,分別連接P1P3和P3P4;

(2)按順序取P1P2P3前三個點,計算中間點P2到線段P1P3的距離d;

(3)比較中間點到其余兩點的距離d與給定的閾值D的大小,若d≤D,則去掉P2點,P1～P3線段處理結(jié)束。

不過，盡管短周期存在周期及基數(shù)壓力，空調(diào)依然是最為穩(wěn)固的家電細(xì)分板塊，格力美的的雙寡頭地位穩(wěn)固，維持市場大體穩(wěn)定，也讓行業(yè)均價處于緩慢提升通道。不過從競爭格局來看，二線品牌還能保持一定市場空間，但其它雜牌生存空間則日益狹小。

(4)若d≥D,保留中間點P2,然后沿著直線繼續(xù)依次對剩下的曲線進(jìn)行處理,直到整條線處理結(jié)束。

(5)將經(jīng)過上面四個步驟保留下來的點依次連接起來,得到的曲線就是通過垂距法對建筑物輪廓擬合的結(jié)果。

2.2 基于建筑物最小外接矩形的擬合

現(xiàn)實生活中建筑物是比較有規(guī)律的人造工程產(chǎn)物,建筑風(fēng)格和外形千差萬別，但是,就建筑物的輪廓而言,大多數(shù)建筑物的邊界輪廓為矩形或者矩形的組合[11-12]。我們在通過處理基于垂距法對建筑物輪廓進(jìn)行多邊形擬合后,可以繼續(xù)基于建筑物的最小外接矩形來實現(xiàn)對建筑物邊界輪廓的進(jìn)一步擬合逼近。

具體處理過程如下:

(1)首先利用輪廓監(jiān)測函數(shù)將多邊形擬合的邊界輪廓監(jiān)測出來并進(jìn)行保存。

(2)利用第一步得到的邊界輪廓點集,采用Sklansky算法,得到邊界輪廓點集的凸包。

(3)利用第二步得到的建筑物邊界的凸包,根據(jù)旋轉(zhuǎn)卡尺算法(Rotating Calipers),生成最小面積外接矩形。

(4)通過對滿足長寬比、輪廓面積、擬合出的多邊形定點數(shù)三個條件的最小外接矩形進(jìn)行篩選,對滿足條件的輪廓畫出輪廓擬合的最小外接矩形,輸出處理后二值化影像。

3 實驗結(jié)果分析

3.1 實驗結(jié)果

通過本文提供的建筑物輪廓優(yōu)化的方法,對遙感影像YX1和YX2進(jìn)行進(jìn)一步優(yōu)化,結(jié)果如圖5和圖6所示。

圖5 遙感影像YX1逐級優(yōu)化結(jié)果對比圖

圖6 遙感影像YX2逐級優(yōu)化結(jié)果對比圖

通過圖7和圖8的局部優(yōu)化放大圖可以很明顯看出，本文所介紹的建筑物輪廓優(yōu)化方法對于部分建筑物邊界輪廓有一定的優(yōu)化效果,能夠較大限度地逼近實際建筑物邊界輪廓。但是對于較復(fù)雜的建筑物(如邊界輪廓為回字形建筑和階梯形建筑)邊界輪廓處理上還存在問題。本文所介紹的方法只能處理由比較簡單矩形組合的建筑物輪廓,有一定的應(yīng)用局限性。

圖7 遙感影像YX1局部優(yōu)化放大圖

圖8 遙感影像YX2局部優(yōu)化放大圖

3.2 實驗精度評價

傳統(tǒng)的影像分類方法經(jīng)常采用總體精度(overall accuracy, OA)、平均精度(Average Accuracy,AA)和Kappa系數(shù)作為評價指標(biāo)[13]。本文選用其中的OA指標(biāo)和混淆矩陣中的用戶精度的概念對本試驗的結(jié)果進(jìn)行精度評定。精度評定結(jié)果如表1所示。

表1 實驗結(jié)果精度評價表

表1顯示,通過深度學(xué)習(xí)提取的建筑物特征信息經(jīng)過建筑物信息后處理驗證,消除部分錯分建筑物問題和輪廓優(yōu)化,使最終建筑物特征信息提取的精度有了明顯提升,實現(xiàn)了建筑物信息的精提取。但是當(dāng)建筑物顏色和地面顏色很相近(如遙感影像YX2的情況),部分建筑物的信息經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)提取和后處理之后,仍然存在相應(yīng)的誤差,導(dǎo)致建筑物用戶精度稍低。

4 結(jié)束語

本文在深度學(xué)習(xí)提取建筑物信息基礎(chǔ)上,提出一種優(yōu)化建筑物圖像邊界輪廓問題的思路。對于深度學(xué)習(xí)提取建筑物圖像結(jié)果中出現(xiàn)的鋸齒化、建筑物邊界不規(guī)整等問題,提出了一種利用垂距法進(jìn)行建筑物邊界輪廓的多邊形擬合,再繼續(xù)利用初提取的結(jié)果進(jìn)行建筑物輪廓的最小外接矩形選取,最后得到較符合實際的建筑物邊界輪廓。通過實驗驗證,本文所介紹的方法在對深度學(xué)習(xí)提取高分遙感影像的建筑物結(jié)果的后處理過程中,對建筑物的邊界輪廓進(jìn)行的擬合逼近,使得提取后的結(jié)果與實際影像中的建筑物的輪廓比較接近,為建筑物變化監(jiān)測提供可靠的基礎(chǔ)數(shù)據(jù)。這種方法為通過高分遙感影像提取建筑物信息的后處理的邊界優(yōu)化提供了一種可行的新思路。