楊杰，高偉，段茜茜，胡洋

(1.天津城建大學 地質(zhì)與測繪學院，天津 300384；2.邯鄲市恒達地理信息工程有限責任公司，河北 邯鄲 056000)

0 引言

隨著經(jīng)濟和社會的快速發(fā)展，各個地區(qū)的城鎮(zhèn)化率迅速提高，在城鎮(zhèn)化率提高的同時，建設用地占據(jù)城市土地資源的一大部分，對城市綠化及生態(tài)用地造成影響[1]。建筑物作為城市中主要的目標性地物，對其進行信息提取和目標識別會為城市管理提供準確的信息來源[2]。而面對復雜的城市結(jié)構(gòu)，使用人工進行信息搜集必然會耗費大量的人力、物力且難以保證提取精度。近些年來，航天遙感向著高時間分辨率、高空間分辨率、高光譜分辨率的方向發(fā)展，為研究人員提供了高效率、高精度、低成本的地理空間數(shù)據(jù)來源[3]。高分遙感影像的出現(xiàn)提高了建筑物信息提取的精度，促進了各地區(qū)城市管理工作的開展。遙感影像數(shù)據(jù)的建筑物提取方法大致分為基于像元的建筑物提取和面向?qū)ο蟮慕ㄖ锾崛?種[4]?；谙裨慕ㄖ锾崛。瑳]有考慮高分辨率遙感影像中具有豐富的地物信息，只考慮地物光譜單個特征信息，因此，利用該方法進行高分辨率遙感影像的建筑物信息提取時，容易產(chǎn)生椒鹽現(xiàn)象，由于區(qū)分不同地物光譜亮度的差異不同，還會出現(xiàn)“同物異譜，同譜異物”的現(xiàn)象[5]。面向?qū)ο蟮慕ㄖ锾崛》椒ㄈ娣治龅匚锏墓庾V特征、形狀特征、紋理特征等多方面特征，能夠在一定程度上緩解椒鹽噪聲和“同物異譜，同譜異物”現(xiàn)象的出現(xiàn)[6]。高分二號遙感影像具有高分特性，構(gòu)建建筑物信息提取規(guī)則集時有很多特征可以應用，但是從眾多特征中找到最佳的建筑物信息提取特征，構(gòu)建有效的規(guī)則集是一個難題。為了解決這一問題，本文提出了一種方法。首先，依據(jù)樣本采集原則采集研究區(qū)各類地物樣本，創(chuàng)建訓練集；然后，運用SEaTH算法進行特征優(yōu)選；最終，自動化地確定最有效特征的閾值。這樣選取的特征具有客觀性和代表性，實現(xiàn)了建筑物信息提取特征閾值的自動化確定，加快了建立知識規(guī)則。

1 技術(shù)方法

1.1 面向?qū)ο蟮慕ㄖ锾崛》椒?/h3>

面向?qū)ο蟮慕ㄖ锾崛》椒ㄊ切畔⑻崛〉男滤悸贰Ｃ嫦驅(qū)ο蟮慕ㄖ锾崛∈紫葘⒂跋穹指?，不同影像對象特征屬性不同，依?jù)影像對象的獨特性，對多個影像對象進行分類，構(gòu)建合適的規(guī)則集，進行建筑物信息提取[7-8]。面向?qū)ο蟮慕ㄖ锾崛×鞒倘鐖D1所示。

圖1 面向?qū)ο蟮慕ㄖ锾崛×鞒虉D

1.2 SEaTH算法的基本原理

SEaTH算法最初是為國際原子能機構(gòu)基于高分辨率影像的核設施目標檢測和監(jiān)測提供一種自動化的方法，后來逐漸應用于高分辨率遙感影像的面向?qū)ο蠓诸怺9-11]。SEaTH算法是一種半自動化信息提取構(gòu)建分類規(guī)則的方法，基于各個地物類別的樣本，構(gòu)建一套分類規(guī)則，用于信息提取。SEaTH算法包括特征優(yōu)選和自動確定閾值2部分，在運用SEaTH算法之前首先要采集研究區(qū)的地物樣本。

1)特征優(yōu)選。SEaTH算法的基本思想是在依據(jù)對象特征符合其正態(tài)分布的基礎上，利用J-M(distance of Jeffries-Matusita)距離來衡量地物類別之間的分離度[12]，如果對象特征不符合正態(tài)分布，則該特征的分離性差，不用于分類。圖2表示C1和C2基于B、A、C3個特征的分離度，依次為較差分離、部分分離和完全分離，這說明特征C用來區(qū)分C1和C2效果最好。

圖2 類別C1和C2的分離度

在SEaTH算法中，衡量2個地物類別之間可分離性的一個有效手段是J-M距離。J的值域為[0，2]，當J=0時，說明2個地物類別之間在某個特征上幾乎都混淆；當J=2時，說明2個地物類別之間在某個特征上的分離度較好，可以完全分開[13]。然而，由于各個地物類別之間總是有一些交集，J=2的情況在實際應用中很少出現(xiàn)[14]。一般而言，使用最大分離度的前幾個特征就可以滿足信息提取的要求。J-M距離如式(1)所示。

J=2(1-e-B)

(1)

式中：B表示巴氏距離(Bhattacharyya distance)，在保證各個地物的樣本特征值符合正態(tài)分布的前提下，可以利用B通過錯分概率的貝斯決策規(guī)則衡量2個地物類別之間的可分離性[15]，C1和C22個地物類別的巴氏距離如式(2)所示。

(2)

式中：m1和m2是2個地物類別的某特征均值；σ1和σ2是2個地物類別的某特征標準差。

2)自動確定閾值。在eCognition 8.9上，利用知識規(guī)則提取地物信息需要人工反復嘗試，并依據(jù)地物類別區(qū)分的目視效果不斷地對閾值進行調(diào)整，最終找到合適的特征閾值。人工尋找特征閾值的方法具有效率低且易受主觀因素干擾的缺點，所以尋找一種自動化的方法尤其重要。SEaTH算法不僅能夠自動化地確定區(qū)別兩兩地物類別的最優(yōu)特征，還能算出最優(yōu)閾值。關于某一特征對于2個類別C1和C2的概率分布，本文采用高斯概率混合模型進行描述[16]，其概率模型如式(3)所示。

p(x)=p(x|C1)p(C1)+p(x|C2)p(C2)

(3)

式中：x為隨機變量；p(x)為隨機變量屬于C1、C2的概率；p(x|C1)、p(x|C2)分別為隨機變量x在C1、C2條件下的概率；p(C1)、p(C2)分別為C1、C2的概率。

當隨機變量x在C1、C2條件下的概率相同時，兩兩地物類別之間的混淆分類情況最少。如圖3所示，當特征閾值T對應的是X1時，C1和C22個地物類別的分離性最佳。

圖3 C1和C2 2個地物類別的最佳分離閾值

特征閾值T的計算如式(4)、式(5)所示。

(4)

(5)

式中：n1、n2表示2個地物類別的樣本數(shù)。

SEaTH算法基于樣本特征值服從正態(tài)分布這一假設，所以當假設不成立時，運用此算法算出的特征閾值并不一定非常準確。因此，Marpu等[17]根據(jù)隨機數(shù)據(jù)處理方法，提出了一種解決方法，再結(jié)合圖3，最佳閾值T的計算規(guī)則如下。

若J≥1.75，則T′=T；

若1.25

若0.5≤J<1.25，則T′=m2；

若J<0.5，則忽略該特征值。

2 數(shù)據(jù)來源與數(shù)據(jù)處理

2.1 數(shù)據(jù)來源

本文采用我國自主研發(fā)的高分二號衛(wèi)星多光譜波段和全色波段的遙感數(shù)據(jù)，研究區(qū)域隸屬于天津市西青區(qū)，數(shù)據(jù)大小為862像素×1 066像素。

研究區(qū)的地物類別可劃分為建筑物、道路、植被、綠茵場、陰影和裸地6類。根據(jù)建筑物房頂材料的不同，研究區(qū)的建筑物可再分為3類：灰色屋頂、藍色屋頂和紅色屋頂，最終制作分類圖時再將這3類并為建筑物。總體來說，研究區(qū)建筑物樣式分布不規(guī)則，地物具有復雜多樣性，作為研究區(qū)具有一定代表性。

2.2 數(shù)據(jù)處理

1)研究區(qū)地物樣本采集。訓練樣本的質(zhì)量直接影響后續(xù)特征優(yōu)選時分離度和特征閾值計算的準確性，甚至影響建筑物信息提取和建筑監(jiān)測的精度。選擇訓練樣本時應遵循以下3方面原則：①訓練樣本應包含研究區(qū)高分二號影像中所有的地物類型，主要包括建筑物、道路、植被、綠茵場、陰影和裸地6類地物類型；②每種地物類型的訓練樣本總數(shù)應與其分布面積成比例，并且均勻分布在該地物類型的區(qū)域內(nèi)；③應選取地物類型分割較好的影像對象，含有混合地物的影像對象一般不選為樣本。

2)訓練集的創(chuàng)建。運用SEaTH算法構(gòu)建知識規(guī)則。首先選取訓練樣本，并且將訓練樣本的特征值運用SEaTH算法進行自動確定特征優(yōu)選和特征閾值。本文研究區(qū)的地物類別主要有6類，其中建筑物根據(jù)房頂材料的不同又分為了3類，根據(jù)訓練樣本的選取規(guī)則，以多尺度分割的結(jié)果圖為基礎選取各個地物類別的樣本。

2.3 基于SEaTH算法的建筑物信息提取知識規(guī)則

以各個地物類別的樣本和特征為數(shù)據(jù)基礎，計算出J-M距離來衡量兩兩地物類別之間基于某個特征的分離度，從中選出J-M距離值最大的特征。統(tǒng)計建筑物與所有非建筑物類別之間對應的最大J-M距離，建立建筑物的提取規(guī)則，如表1至表3所示。

表1 灰色屋頂建筑物的提取規(guī)則

表2 藍色屋頂建筑物的提取規(guī)則

表3 紅色屋頂建筑物的提取規(guī)則

表1至表3中，構(gòu)建了每種建筑物子類的提取規(guī)則，所有的規(guī)則取交集提取建筑物，考慮到最終要把3種建筑物子類合并，在提取過程中只需保證提取出的是建筑物，并不一定是特別純的建筑物子類。藍色屋頂建筑物與植被和道路的最優(yōu)特征都是Ratio_layer3，那么使用這個特征時，規(guī)則為Ratio_layer3≤0.210，其他地類亦是如此。

基于SEaTH算法建立知識規(guī)則，并將灰色屋頂、藍色屋頂、紅色屋頂?shù)慕ㄖ锖喜?，得到建筑物信息初提取結(jié)果，如圖4所示。

圖4 建筑物初提取結(jié)果

3 提取結(jié)果優(yōu)化

3.1 小斑塊處理

在建筑物初提取結(jié)果中，存在一些細碎的噪聲，這些細碎的斑點區(qū)域并不是建筑物，可以通過初提取結(jié)果中各個建筑物的像素數(shù)目進行判斷。當小于某值時，則判斷不是建筑物，并將這個小斑塊過濾掉。

3.2 建筑物輪廓優(yōu)化

建筑物初提取結(jié)果中，建筑物的輪廓不夠平滑和規(guī)整，本文基于像素對象調(diào)整進行建筑物邊緣的平滑，進一步對初提取結(jié)果進行優(yōu)化，其主要思路為：①遍歷建筑物的輪廓；②設置建筑物輪廓在X、Y和Z方向上的像素值，形成一個大小為N×N的像素窗口，N為奇數(shù)，本文將X和Y都設置為5，Z設置為1；③設置一個閾值V，當像素窗口中建筑物部分所占比例大于V時，則該中心像素隸屬于建筑物，本文將V設置為0.5?；谙袼貙ο笳{(diào)整算法的示意圖如圖5所示。

圖5 基于像素對象調(diào)整算法的示意圖

將建筑物初提取結(jié)果進行優(yōu)化后的影像如圖6所示，優(yōu)化后的建筑物輪廓得到了平滑，更加接近建筑物的輪廓，局部對比如圖7所示。

圖6 優(yōu)化提取結(jié)果圖

圖7 優(yōu)化前后局部對比

4 精度評價

4.1 精度評價指標

在遙感分類效果評價方法中，混淆矩陣是常用的一種方法[18]，該方法將影像分類結(jié)果與地表真實信息進行對比，且單個混淆矩陣中可以顯示影像分類結(jié)果精度[19]，如式(6)所示。

(6)

式中：n表示類別數(shù)；mij表示i類像素被分到j類中的像素總數(shù)；mii表示正確分類數(shù)。當混淆矩陣對角線上的元素值越大時，分類精度越高；反之，分類精度越低。

分類精度的指標主要包括總體精度、Kappa系數(shù)、生產(chǎn)者精度、用戶精度、Hellden精度和Short精度[20]。其中，Hellden精度是生產(chǎn)者精度和用戶精度的調(diào)和平均值，可以作為綜合考量生產(chǎn)者精度和用戶精度的指標。

4.2 精度評價實驗

本文還應用了面向?qū)ο蟮淖钹徑诸惙▽ㄖ镞M行了提取。為確保提取結(jié)果的可比性，使用同一分割尺度參數(shù)，并將初提取結(jié)果運用于像素對象調(diào)整的方法進行優(yōu)化(圖8)。

圖8 建筑物提取結(jié)果比較

在ArcGIS中，根據(jù)遙感數(shù)據(jù)并參照天地圖采集建筑物和非建筑物的樣本點用于精度評定。針對本文數(shù)據(jù)，本文算法和基于面向?qū)ο蟮淖钹徑诸惙ǖ木仍u定的混淆矩陣分別如表4和表5所示。

表4 基于本文方法的精度評價

由圖8可知，基于面向?qū)ο蟮淖钹徑诸惙▽⒉糠直驹撌堑缆返挠跋駞^(qū)域錯分為建筑物，還存在建筑物漏分現(xiàn)象，而本文方法的錯分和漏分現(xiàn)象相比較少。由表4和表5可以得出，本文方法的總體精度和Kappa精度都要高于基于面向?qū)ο蟮淖钹徑诸惙椒ā?/p>

表5 基于最鄰近分類法的精度評價

5 結(jié)束語

本文基于高分二號遙感數(shù)據(jù)，結(jié)合研究區(qū)的地物類別和建筑物房頂材料的不同特征，通過運用面向?qū)ο蟮姆诸惙椒ê蚐EaTH算法的原理，構(gòu)建建筑物提取規(guī)則，進行建筑物信息初提取及優(yōu)化建筑物輪廓。精度驗證表明：本文方法的總精度為87.29%、Kappa精度為74.63%，與基于面向?qū)ο蟮淖钹徑诸惙ㄏ啾?，總精度提高?0.17%、Kappa精度提高了20.29%，表明本文方法在建筑物信息提取方面具有一定的可行性。