杜浩國 張方浩 盧永坤 曹彥波 鄧樹榮 和仕芳 張原碩 徐俊祖

摘要：為提高遙感影像建筑物結(jié)構(gòu)識別精度，綜合利用光譜、形狀、空間、紋理和數(shù)字表面模型（DSM）建立了建筑物結(jié)構(gòu)分級提取方法?；谘芯繀^(qū)無人機高分辨率影像，采用面向?qū)ο蟮挠跋穹治霾呗?，首先進(jìn)行多尺度分割，以最佳分割與合并指數(shù)提取影像中建筑物目標(biāo);然后分別采用規(guī)則、訓(xùn)練樣本與DSM方法對建筑物結(jié)構(gòu)進(jìn)行分類;最后將3種分類方法進(jìn)行融合，對比分析了單一方法和融合分類方法的建筑物結(jié)構(gòu)分類精度。結(jié)果表明：基于規(guī)則+樣本+DSM的半監(jiān)督建筑物結(jié)構(gòu)分類方法錯分率、漏檢率與Kappa系數(shù)最優(yōu)。

關(guān)鍵詞：建筑物結(jié)構(gòu)分類;無人機高分辨率影像;面向?qū)ο蠓诸惙椒?數(shù)字表面模型;形狀結(jié)構(gòu);光譜特性

中圖分類號：P315.94?? 文獻(xiàn)標(biāo)識碼：A?? 文章編號：1000-0666（2021）02-0262-13

0 引言

建筑物作為地震災(zāi)害風(fēng)險預(yù)評估中最重要的目標(biāo)類型之一，其信息獲取的準(zhǔn)確性在加強城市地震災(zāi)害防御，提升城市抗震設(shè)防能力等方面具有重要意義（周光全等，2010;盧永坤等，2019;張方浩等，2020;曹彥波等，2019）。無人機遙感技術(shù)的應(yīng)用使得快速獲取大范圍建筑物信息成為可能，避免了耗費大量人力資源、數(shù)據(jù)采集不一、自動化識別程度低和信息更新不及時等問題（張景發(fā)等，2017;陳晉等，2018;杜浩國等，2019）。但在高分辨率影像中，建筑物的光譜、形狀、空間、紋理和數(shù)字表面模型（DSM）特征不一致，且沒有統(tǒng)一的方法對其進(jìn)行識別提取。因此，采用不同特征相結(jié)合的方法，并利用這些識別方法各自的優(yōu)點，可進(jìn)一步提升建筑物結(jié)構(gòu)識別的精確度。

近年來，學(xué)者們提出了很多基于遙感高分辨率影像的建筑物提取模型和策略（王曉青等，2015;吳浩霖等，2019），目前可分為監(jiān)督式、非監(jiān)督式和半監(jiān)督式3種分類方法。其中采用監(jiān)督式分類方法識別建筑物需要構(gòu)建訓(xùn)練樣本及提供先驗知識，需要耗費大量的人力與時間，人的主觀思想對結(jié)果影響很大，如童威（2019）介紹了3種常見的監(jiān)督分類算法：支持向量機、最大似然法、BP神經(jīng)網(wǎng)絡(luò)，分析了3種算法的優(yōu)缺點;冉樹浩等（2020）提出了基于樣本形態(tài)變換的高分遙感影像建筑物提取方法，實現(xiàn)了對建筑物的準(zhǔn)確提取;程滔等（2019）構(gòu)建了位置匹配的遙感影像數(shù)據(jù)與分類標(biāo)簽數(shù)據(jù)組成的樣本數(shù)據(jù)對，實現(xiàn)了全國尺度海量樣本數(shù)據(jù)采集。非監(jiān)督式分類方法可分為3種，一是基于紋理特征的提取方法，如謝嘉麗等（2017）利用灰度共生矩陣的對比度特征來計算損毀建筑物的分布、損毀程度等信息，具有較強的魯棒性，識別精度較高，但是建筑物邊緣信息提取不準(zhǔn)確，導(dǎo)致植被、林地與建筑物混淆;二是基于幾何特征的提取方法，如陳晉等（2018）利用無人機遙感影像并借助區(qū)域地理環(huán)境特征、建筑物排列、占地面積、建筑物陰影等因素進(jìn)行輔助識別;游永發(fā)等（2019）在綜合考慮影像光譜、幾何與上下文特征的基礎(chǔ)上，提出了一種基于面向?qū)ο笈c形態(tài)學(xué)相結(jié)合的高分辨率遙感影像建筑物信息分級提取方法;三是基于輔助特征的提取方法，其中輔助特征有建筑物DSM和DEM、陰影信息，如徐西桂（2019）提出DEM輔助去斜處理的層析SAR建筑物點云重構(gòu)研究，研究了具體的技術(shù)處理流程;鄧焯文等（2020）提出利用高分辨率航空影像陰影提取城市建筑物高度信息，推算影像上建筑物陰影的長度，進(jìn)而提取建筑物的高度。非監(jiān)督式分類方法能有效地提取出建筑物，但同時也存在一定的局限性，如識別精度不高以及建筑物邊緣特征不明顯。半監(jiān)督式分類方法，如耿艷磊等（2020）提出高分辨率遙感影像語義分割的半監(jiān)督全卷積網(wǎng)絡(luò)法，訓(xùn)練端到端的語義分割網(wǎng)絡(luò);張凱琳（2020）提出基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像半監(jiān)督分類方法，能夠從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)到具有高度代表性的圖像特征，不僅將標(biāo)記訓(xùn)練的樣本利用于分類中，還將大量未標(biāo)記的樣本也加以利用，該分類方法是監(jiān)督分類與非監(jiān)督分類相結(jié)合的一種提取方法。這種方法需要工作人員少，又能夠帶來比較高的準(zhǔn)確性，因此，正越來越受到人們的重視。

綜上所述，在學(xué)習(xí)和總結(jié)遙感影像半監(jiān)督分類方法的基礎(chǔ)上，筆者總結(jié)出一種基于無人機影像的面向?qū)ο蠼ㄖ锝Y(jié)構(gòu)分級提取方法，該方法融合了面向?qū)ο笾械囊?guī)則與樣本分類方法，并以DSM作為輔助特征完成建筑物結(jié)構(gòu)分類。

1 研究方法及技術(shù)路線

1.1 技術(shù)路線

基于無人機影像的面向?qū)ο蠼ㄖ锝Y(jié)構(gòu)分級提取方法流程如圖1所示，其中第一步數(shù)據(jù)收集，采用無人機遙感技術(shù)獲取研究區(qū)遙感影像、DSM影像（許建華等，2017;杜浩國等，2018）;第二步分割閾值，采用基于邊緣的分割算法對遙感影像與DSM影像進(jìn)行閾值分割，得到從細(xì)到粗的多尺度分割影像;第三步合并閾值，影像進(jìn)行分割時，由于閾值過低，一些特征會被錯分，或被分成很多部分，因此可采用閾值合并的方法處理;第四步影像分類，對多尺度分割、合并后的影像進(jìn)行規(guī)則、樣本與DSM分類;第五步方法融合，根據(jù)融合規(guī)則，對3種分類結(jié)果進(jìn)行融合;第六步精度檢驗，與目視解譯對比，分別計算每種分類結(jié)果的錯分率、漏檢率和Kappa系數(shù)。

1.2 精度分析

本文采用錯分率、漏檢率和Kappa系數(shù)作為衡量分類精度的指標(biāo)，其中Kappa系數(shù)用于一致性檢驗和衡量分類精度，計算公式如下：

k=Po-Pe1-Pe（1）

Pe=a1·b1+a2·b2+…+ac·bcn·n（2）

式中：k為分類精度指標(biāo)Kappa系數(shù)值;Po為總體分類精度，由每一類正確分類的樣本數(shù)量之和除以總樣本數(shù)得到;Pe為所有類別分別對應(yīng)的實際與預(yù)測數(shù)量的乘積總和，除以樣本總數(shù)的平方;a1，a2，…，ac為每一類真實樣本個數(shù);b1，b2，…，bc為每一類預(yù)測樣本個數(shù);n表示真實總樣本個數(shù)。

1.3 DSM分類方法

DSM包含了地表建筑物、道路、空地、植被和農(nóng)田等高度的地面高程模型。與DSM相比，DEM只包含了地形的高程信息，并未包含其它地表信息，因此DSM是在DEM的基礎(chǔ)上，進(jìn)一步涵蓋了除地面以外的其它地表高程信息。筆者從無人機遙感影像DSM中提取建筑物高程信息，并采用式（1）計算建筑物樓層數(shù)。通過統(tǒng)計建筑物結(jié)構(gòu)與樓層數(shù)之間的規(guī)律，從而實現(xiàn)對大面積建筑物結(jié)構(gòu)分類。根據(jù)國家《住宅設(shè)計規(guī)范》（GB 50096—2011），普通住宅層高宜為2.8 m，建筑物樓層數(shù)計算公式如下：

Ni=Hi-hi2.8（3）

式中：Ni為第i棟建筑物樓層數(shù);Hi為第i棟建筑物的DSM值;hi為第i棟建筑物所在位置的DEM值。

1.4 基于面向?qū)ο蠓诸惙椒?/p>

面向?qū)ο蠓诸惙椒ǔ浞掷酶叻直媛蔬b感影像空間、紋理和光譜信息對地物進(jìn)行分類，有效解決了同物異譜、同譜異物對影像分類產(chǎn)生的影響。

1.4.1 多尺度影像分割

在遙感影像中，影像特征較多，不同建筑物對象的紋理和光譜信息會有相同的現(xiàn)象，如果采用相同的分類尺度會導(dǎo)致產(chǎn)生欠分割和過分分割現(xiàn)象，多尺度分割會依據(jù)不同的形狀、空間和光譜對地面不同物體進(jìn)行分類。本文采用多分辨率分類方法（李強，張景發(fā)，2016），其合并代價函數(shù)表達(dá)式為：

f=w1·hcolor+（1-w1）·hshape（4）

式中：f表示圖像區(qū)域異質(zhì)性;w是權(quán)重因子，取值范圍是0～1，本文設(shè)置光譜權(quán)重w1為0.9，形狀權(quán)重w2為0.1。

hcolor=∑ni=1Pi[Nσi-（N1σ1i+N2σ2i）]（5）

hshape=w2u+（1-w2）v（6）

u=NEN-N1E1N1+N2E2N2（7）

v=NEL-N1E2L1+N2E1L2（8）

式中：w1和w2分別為光譜權(quán)值和緊致度權(quán)重;hcolor和hshape分別代表光譜和形狀異質(zhì)性;n為波段數(shù);Pi為第i波段的權(quán)重;σi為第i波段對象光譜值的標(biāo)準(zhǔn)差;N為影像區(qū)域的像元總數(shù);N1、N2為不同影像區(qū)域的像元總數(shù);u為影像區(qū)域整體緊致度;v為影像區(qū)域邊界光滑度;L為包含影像區(qū)域范圍的矩形邊界總長度;L1、L2不同影像區(qū)域的總長度;E為影像區(qū)域?qū)嶋H的邊界長度;E1、E2不同影像區(qū)域的邊界長度。

1.4.2 構(gòu)建特征空間

遙感影像信息提取的主要依據(jù)是影像對象的特征信息，包含光譜、形狀、紋理等多種特征，本文主要應(yīng)用了光譜平均灰度值（Avgband_X）、面積（Area）、延伸性（Elongation）、矩形度（Rect_fit）、亮度（Bright）特征對影像進(jìn)行分類（曾濤等，2010），具體表述如下：

（1）光譜平均灰度值分別用來計算各影像對象組成像元在各個波段上光譜的平均值，計算公式如下：

Ai=1n∑ni=1Ax（i）（9）

式中：Ai為影像光譜平均灰度值;x為波段號;x（i）為第i個像元在第x個波段的像元值，范圍為（0，255）;n為圖像內(nèi)像元的數(shù)目。

（2）面積表示被分割區(qū)域大小，計算公式如下：

S（n）=∑ni=1ai（10）

式中：S（n）表示面積，表示在地理參考坐標(biāo)系中，n個像元ai真實面積的總和。

（3）延伸性值為分割像元最大直徑與最小直徑的比值，計算公式如下：

E（n）=∑ni=1Rmax（i）Rmin（i）（11）

式中：E（n）為延伸性值; Rmax（i）為第i個分割像元最大直徑; Rmin（i）為第i個分割像元最小直徑。

（4）矩形度為矩形形狀的度量，矩形的值為1，非矩形的值小于1，計算公式如下：

Rect（n）=∑ni=1S（i）Rmax（i）·Rmin（i）（12）

式中：Rect（n）表示第i個分割像元的矩形度值。

（5）亮度值為所有波段上的光譜均值，計算公式如下：

B=1n∑nxi=1Ai（13）

式中：B表示對象在所有波段上的光譜均值;nx為影像總層數(shù)。

2 研究區(qū)概況及數(shù)據(jù)處理

2.1 研究區(qū)概況

本文研究區(qū)為大理州賓川縣白莊村，此區(qū)域地勢平坦，房屋密集且建筑物結(jié)構(gòu)類型易于目視解譯。圖2為采用無人機獲取的研究區(qū)遙感影像圖。

2.2 多尺度分割參數(shù)確定

影像分割是面向?qū)ο蠓诸惙椒ㄖ械囊豁椈緝?nèi)容，只有通過影像分割才能得到影像對象，形成對象級分類的基本單元。本文采用基于邊緣的分割方法，通過測量生成影像對象的異質(zhì)性（特征值上的差異），對滿足條件的影像對象進(jìn)行合并。

黃慧萍和吳炳方（2006）提出了使用最大面積法確定分割尺度參數(shù)，分割尺度提高時，影像對象大小并非一味增大，有些對象的大小在一定的范圍內(nèi)會保持不變，即在一個范圍值內(nèi)。最大對象面積隨著分割尺度變化的曲線呈現(xiàn)階梯狀的形態(tài)，每一個曲線平臺即為一種類別的適宜尺度區(qū)間，符合地理實體空間分布特征連續(xù)性和突變性共存的現(xiàn)象。筆者對研究區(qū)樣本以10、60、90為分割尺度進(jìn)行多尺度分割與合并，其結(jié)果見圖3。從圖4中可看出，O1為最佳分割尺度點，O2為最佳合并尺度。因此，筆者得到適宜于研究區(qū)影像的最佳分割與合并尺度，分別為60、90。

2.3 選取樣本

根據(jù)實地調(diào)查分析，研究區(qū)建筑物可分為鋼、框架、磚混和磚木（土木）4種結(jié)構(gòu)類型。筆者從研究區(qū)中選取35個樣本，如圖5所示，表2為樣本中各建筑物結(jié)構(gòu)數(shù)量及占比。

2.4 基于規(guī)則的面向?qū)ο蠓诸?/p>

在建筑物結(jié)構(gòu)分類識別中，分類規(guī)則的確定對處理結(jié)果起決定性作用。特定的目標(biāo)要和相應(yīng)的特征或多特征相對應(yīng)，要選擇合適的特征值或特征參數(shù)，才能有效地將建筑物與道路、空地、植被和農(nóng)田等地表物體區(qū)分開。筆者通過對樣本（圖5a）進(jìn)行反復(fù)試驗，得到最佳多規(guī)則組合分類結(jié)果，影像的多尺度分割圖及基于規(guī)則分類結(jié)果見圖6。表3為分類規(guī)則最佳參數(shù)設(shè)定，其中將光譜平均灰度值、面積、延伸性、矩形度4類特征確定為研究區(qū)分類規(guī)則。表4為樣本分類結(jié)果精度檢驗，其中Kappa系數(shù)為0.855，建筑物結(jié)構(gòu)分類效果較好。

2.5 基于樣本的面向?qū)ο蠓诸?/p>

在基于樣本分類方法中，樣本質(zhì)量的選取對分類結(jié)果起決定性作用。特定的目標(biāo)要和訓(xùn)練的樣本相對應(yīng)，要選擇合適的樣本及樣本數(shù)量，才能有效地將建筑物與地表物體區(qū)分開。研究區(qū)35個樣本中鋼、框架、磚混、磚木（土木）結(jié)構(gòu)建筑物數(shù)量分別為12、5、18個（圖7a、表5），圖7b為樣本訓(xùn)練結(jié)果圖。

2.6 基于DSM高程分類

無人機遙感影像DSM計算的建筑物高差是一個穩(wěn)定的、可傳遞的建筑物特征。以地面對象作參考，依據(jù)地面與建筑物之間的高度差異可分離出建筑物結(jié)構(gòu)。筆者采用亮度特征對樣本區(qū)DSM影像進(jìn)行建筑物結(jié)構(gòu)分類。圖8為樣本DSM影像及分類結(jié)果圖。表6為分類結(jié)果精度檢驗，其中Kappa系數(shù)為0.875，建筑物結(jié)構(gòu)分類效果較好。

3 結(jié)果

圖9為3種建筑物結(jié)構(gòu)分類方法與目視解譯結(jié)果圖。表7為在相同的分類尺度下，3種分類方法中不同結(jié)構(gòu)建筑物統(tǒng)計數(shù)量。從表中可以看出，3種分類方法對建筑物結(jié)構(gòu)的總體分類效果較好。其中基于規(guī)則、樣本分類的方法對于框架、磚混結(jié)構(gòu)建筑物分類不明顯，這是由于這兩種結(jié)構(gòu)建筑物的色調(diào)和形狀特征基本相似，需要輔助特征DSM進(jìn)行分類。由于研究區(qū)中鋼結(jié)構(gòu)與磚（土）木結(jié)構(gòu)建筑物樓層均為一層，導(dǎo)致基于DSM分類方法很難對二者進(jìn)行分類。對于鋼結(jié)構(gòu)、框架（磚混）建筑物的分類，基于規(guī)則分類方法效果相對較好;對于磚（土）木結(jié)構(gòu)建筑物的分類，基于樣本分類方法效果相對較好;對于總體建筑物數(shù)量識別方面，基于DSM分類方法效果相對較好。

4 討論

4.1 對比分析

表8為3種分類方法的精度分析，其中每種分類方法都有錯分或漏檢的現(xiàn)象?；跇颖镜拿嫦?qū)ο蠓诸惙椒↘appa系數(shù)最大為0.735，說明該方法對研究區(qū)域建筑物結(jié)構(gòu)分類效果最好。這是由于在研究區(qū)白莊村中鋼結(jié)構(gòu)、框架（磚混）、磚（土）木結(jié)構(gòu)建筑物在色調(diào)和形狀上差別明顯，并且在訓(xùn)練樣本過程中加入了人的主觀思想;對于基于規(guī)則、DSM分類方法Kappa系數(shù)分別為0.721、0.712，識別效果較好。在基于規(guī)則、樣本的面向?qū)ο蠓诸惙椒ㄖ?，由于影像分類特征如亮度值、矩形度、面積、光譜基本相同，很難對框架和磚混結(jié)構(gòu)建筑物進(jìn)行分類，因此筆者將基于DSM高程分類方法作為輔助特征分類。

4.2 融合方法對比

為進(jìn)一步提高建筑物結(jié)構(gòu)的分類精度，結(jié)合3種分類方法的優(yōu)缺點，筆者對3種方法進(jìn)行融合，并對融合結(jié)果進(jìn)行精度對比。表9為3種融合方法——基于規(guī)則+DSM、基于樣本+DSM、基于規(guī)則+樣本+DSM分類方法的融合規(guī)則：

（1）3種融合方法中框架、磚混結(jié)構(gòu)建筑物均采用基于DSM分類方法進(jìn)行分類，這是因為基于規(guī)則、樣本分類方法不能對框架、磚混結(jié)構(gòu)建筑物進(jìn)行有效分類。

（2）由于基于DSM的分類方法不能對鋼結(jié)構(gòu)建筑物進(jìn)行分類，因此基于規(guī)則+DSM、基于樣本+DSM分類方法中分別采用基于規(guī)則、樣本分類方法進(jìn)行鋼結(jié)構(gòu)建筑物分類。

（3）由于基于規(guī)則、樣本、DSM三種分類方法中均對磚（土）結(jié)構(gòu)建筑物進(jìn)行了分類，因此3種融合方法中磚（土）木結(jié)構(gòu)建筑物分類采用3種分類方法中相對分類精度高的方法。

圖10為3種融合方法與目視解譯結(jié)果，表10為3種融合方法與目視解譯分類結(jié)果精度對比。3種融合分類方法相比于3種單一的分類方法分類精度均有所提升，其中基于規(guī)則+樣本+DSM分類方法錯分率為1.36%、漏檢率為5.2%、Kappa系數(shù)為0.811，與其它5種分類方法相比，識別效果最好、精度最高。

筆者通過對比分析6種建筑物結(jié)構(gòu)分類結(jié)果，總結(jié)了每種分類方法的優(yōu)缺點。①基于規(guī)則的面向?qū)ο蠓诸惙椒▽儆诜潜O(jiān)督式分類方法，是一種以不同影像地物特征中類別特征的差別為依據(jù)的無先驗類別的圖像分類方法。該方法根據(jù)分類樣本特征光譜、面積、延展性、矩形度與亮度值等建立決策規(guī)則進(jìn)行分類，優(yōu)點是不需要訓(xùn)練大量樣本，減少人為因素影響，減少時間，降低成本，缺點是運算量大。②基于樣本的面向?qū)ο蠓诸惙椒▽儆诒O(jiān)督式分類方法，是依據(jù)典型樣本訓(xùn)練方法進(jìn)行分類的技術(shù)，即根據(jù)已知訓(xùn)練區(qū)提供的樣本，通過選擇不同參數(shù)特征的樣本作為決策規(guī)則，對影像中的建筑物結(jié)構(gòu)進(jìn)行分類，優(yōu)點是簡單實用，運算量小，缺點是人為因素影響大，容易受樣本個數(shù)和樣本典型性影響，并且隨機性大。③基于DSM高程分類方法，它屬于輔助特征分類方法，該方法利用了不同建筑物結(jié)構(gòu)之間的高度差，減少了基于規(guī)則、樣本分類方法中相似特征信息的干擾，提高了建筑物結(jié)構(gòu)分類精度。筆者通過對比分析以上3種分類方法以及3種融合分類方法的分類精度，得到基于規(guī)則+樣本+DSM分類方法的錯分率、漏檢率與Kappa系數(shù)最優(yōu)，識別效果最好，其原因是該方法融合了基于規(guī)則、樣本、DSM 3種分類方法的優(yōu)點，同時消減了3種分類方法的缺點。

5 結(jié)論

筆者分別采用面向?qū)ο蟮囊?guī)則、樣本以及DSM分類方法進(jìn)行分類，并結(jié)合3種分類方法的優(yōu)缺點，按一定的規(guī)則進(jìn)行相互融合，得到基于規(guī)則+DSM、樣本+DSM、規(guī)則+樣本+DSM 3種建筑物結(jié)構(gòu)分類方法，并且通過對比分析3種單一與3種融合分類方法的建筑物結(jié)構(gòu)分類精度，得出基于規(guī)則+樣本+DSM的半監(jiān)督分類方法分類精度最高的結(jié)論，該方法對大面積建筑物結(jié)構(gòu)識別準(zhǔn)確率高、穩(wěn)定性好。然而本文方法也存在不足之處，一是影像最佳分割與合并尺度值的確定，二是建筑物結(jié)構(gòu)分類中影像最佳分辨率的確定，三是相似紋理特征的不同建筑物結(jié)構(gòu)分類效果不佳。針對以上不足，在未來工作中可考慮引入深度學(xué)習(xí)、仿生學(xué)的方法。

參考文獻(xiàn)：

曹彥波，張原碩，鄧樹榮，等.2019.云南省縣（市）區(qū)應(yīng)急備震能力評估方法研究及應(yīng)用[J].震災(zāi)防御技術(shù)，14（2）：387-400.

陳晉，習(xí)聰望，陳文凱，等.2018.基于無人機、高分衛(wèi)星遙感影像的甘肅省隴南市建筑物空間化研究[J].地震研究，41（2）：192-200.

程滔，吳蕓，鄭新燕，等.2019.面向遙感影像智能分類的海量樣本數(shù)據(jù)采集方法[J].測繪通報，（10）：56-60.

鄧焯文，湛青青，李紅剛，等.2020.利用高分辨率航空影像陰影提取城市建筑物高度信息[J].科技資訊，18（23）：47-51.

杜浩國，陳亮，林旭川，等.2019.云南紅河縣城區(qū)房屋地震災(zāi)害三維仿真模擬方法[J].地震研究，42（2）：218-229.

杜浩國，張方浩，鄧樹榮，等.2018.震后極災(zāi)區(qū)無人機最優(yōu)航拍區(qū)域選擇[J].地震研究，41（2）：209-215.

耿艷磊，鄒崢嶸，何帥帥，等.2020.基于半監(jiān)督生成對抗網(wǎng)絡(luò)的遙感影像地物語義分割[J].測繪與空間地理信息，43（4）：36-39.

黃慧萍，吳炳方.2006.地物大小、對象尺度、影像分辨率的關(guān)系分析[J].遙感技術(shù)與應(yīng)用，21（3）：243-248.

李強，張景發(fā).2016.不同特征融合的震后損毀建筑物識別研究[J].地震研究，39（3）：486-493.

盧永坤，周洋，代博洋，等.2019.2018年云南墨江5.9級地震房屋震害特征與烈度評定[J].地震研究，42（2）：172-178.

冉樹浩，胡玉龍，楊元維，等.2020.基于樣本形態(tài)變換的高分遙感影像建筑物提取[J].浙江大學(xué)學(xué)報（工學(xué)版），54（5）：996-1006.

童威.2019.基于ENVI的遙感影像監(jiān)督分類方法的研究[J].科技創(chuàng)新與應(yīng)用，（23）：6-9.

王曉青，竇愛霞，丁香，等.2015.地震烈度應(yīng)急遙感評估研究與應(yīng)用進(jìn)展[J].地球信息科學(xué)學(xué)報，17（12）：1536-1544.

吳浩霖，聶高眾，范熙偉，等.2019.基于小型無人機航拍影像的地表房屋建筑提取算法對比——以新疆阿圖什市瓊哈拉峻村為例[J].地震研究，42（2）：236-244.

謝嘉麗，李永樹，李何超，等.2017.利用灰度共生矩陣紋理特征識別空心村損毀建筑物的方法[J].測繪通報，（12）：90-93，102.

徐西桂.2019.DEM輔助去斜處理的層析SAR建筑物點云重構(gòu)研究[D].北京：北京建筑大學(xué).

許建華，張雪華，王曉青，等.2017.無人機傾斜攝影技術(shù)在地震烈度評估中的應(yīng)用——以九寨溝7.0級地震為例[J].中國地震，33（4）：655-662.

游永發(fā)，王思遠(yuǎn)，王斌，等.2019.高分辨率遙感影像建筑物分級提取[J].遙感學(xué)報，23（1）：125-136.

曾濤，楊武年，黎小東，等.2010.面向?qū)ο蟮母呖臻g分辨率遙感影像信息提取——汶川地震城市震害房屋案例研究[J].自然災(zāi)害學(xué)報，19（5）：81-87.

張方浩，盧永坤，鄧樹榮，等.2020.云南地區(qū)區(qū)域地震災(zāi)害特征[J].地震研究，43（1）：134-143.

張景發(fā)，李強，焦其松，等.2017.建筑物震害多源遙感特征與機理分析[J].地震學(xué)報，39（2）：257-272.

張凱琳.2020.基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像半監(jiān)督分類方法研究[D].合肥：安徽大學(xué).

周光全，盧永坤，非明倫，等.2010.地震災(zāi)害損失初步評估方法研究[J].地震研究，33（2）：208-215.

GB 50096—2011，住宅設(shè)計規(guī)范[S].

Research on Object-oriented Building Structure ClassificationExtraction Method Based on UAV Image

DU Haoguo，ZHANG Fanghao，LU Yongkun，CAO Yanbao，DENG Shurong，HE Shifang，ZHANG Yuanshuo，XU Junzu

（Yunnan Earthquake Agency，Kunming 650224，Yunnan，China）

Abstract

In order to accurately recognize the building structure in remote sensing images，we proposed a method of extracting building structure at levels based on spectrum，shape，space，texture and digital surface model（DSM）.Then，by the help of high-resolution images taken by UAVs in the research area，we make object-oriented analysis.Firstly，we do multi-scale segmentation of the images in order to extract the objects according to the optimal segmentation and the merger index.Then，we classify building structures according to rules，training samples and DSM respectively.Finally，we combined the three classification methods，and get new results of the buildings structures.Then we compared the result from each method with the one from the combined method.We found that the semi-supervised classification based on rule+sample+DSM has the lowest error rate and omission ratio，and optimal Kappa coefficient.

Keywords：building structure classification;high-resolution UAV image;object-oriented classification;DSM;shape structure;spectral characteristics

收稿日期：2021-01-18.

基金項目：云南省地震局青年基金項目（2021K01）和云南省地震局“傳幫帶”項目（CQ3-2021001）聯(lián)合資助.

第一作者簡介：杜浩國（1991-），工程師，主要從事地震應(yīng)急救援與地震災(zāi)害損失評估研究.E-mail：1364125834@qq.com.

通訊作者簡介：曹彥波（1980-），高級工程師，主要從事地震應(yīng)急救援與地震災(zāi)害損失評估研究.E-mail：674714414@qq.com.