韓東成,楊世植,趙強,韓露,2,楊志,崔生成

(1中國科學院合肥物質(zhì)科學研究院安徽光學精密機械研究所,中國科學院大氣光學重點實驗室,安徽 合肥 230031;2中國科學技術(shù)大學,安徽 合肥 230022;3安徽建筑大學環(huán)境與能源工程學院,安徽 合肥 23061)

0 引言

建筑物單體信息采集是土地開發(fā)與城市規(guī)劃的重要基礎(chǔ)工作,能高效率獲取到建筑物單體信息對我國城市化進程具有十分重要的意義[1]。劉勇洪等[2]采用決策樹算法建立規(guī)則數(shù)據(jù)集對影像進行分類提取;曹雪和柯長青[3]以高分辨率遙感影像數(shù)據(jù)為基礎(chǔ),提出了城市建筑物信息提取所使用的多尺度遙感分類算法;孫曉霞等[4]采用面向?qū)ο蟮姆椒ㄌ崛〕隽顺鞘兄械缆?、河流等信?徐涵秋[5]通過結(jié)合歸一化植被指數(shù)(Normalized difference vegetation index,NDVI)分析和空間特征提取出了城市建設(shè)用地信息;樊舒迪等[6]改進了常規(guī)的面向?qū)ο蠓椒?采用尺度分割和規(guī)則數(shù)據(jù)庫結(jié)合的方法提取出了下墊面復(fù)雜的建筑物信息;郭怡帆等[7]采用“自上而下”的面向?qū)ο蠓诸惙椒?選擇合適的分割閾值,實現(xiàn)了高密度建筑物的提取。

目前遙感影像分類方法研究的主要途徑是多分類器組合、發(fā)展新的分類方法、融合輔助信息等,以此來達到提高影像分類精度的目的。但是由于受各方面因素的影響,各種分類方法都普遍具有一定的局限性。本文采用基于規(guī)則的面向?qū)ο蠓椒?通過建立規(guī)則知識庫和對光譜特征的判斷,對基于樣本特征的面向?qū)ο蠓诸惙椒y以提取的反射率較低的建筑物和被錯分為陰影的道路進行識別,不僅提高了特征提取的精度,而且規(guī)則更容易被理解,可行性較高。

1 實驗區(qū)域簡介與預(yù)處理

選取2015年2月11日的GF-2號衛(wèi)星影像,研究區(qū)域為江蘇省揚州市的佳家花園小區(qū)和聯(lián)誼南苑小區(qū),如圖1所示,研究區(qū)域中有綠化帶、水體、道路和種類比較復(fù)雜的建筑物,這增大了建筑物單體信息提取的難度。

圖1 揚州市(a)佳家花園小區(qū)(b)與聯(lián)誼南苑小區(qū)(c)位置Fig.1 Location of Jiajia Garden Community(b)and Lianyi Nanyuan Community(c)in Yangzhou City(a)

原始數(shù)據(jù)經(jīng)幾何輻射校正與影像配準等預(yù)處理后,采用NNDiffuse pan sharpening方法將分辨率為4 m的多光譜數(shù)據(jù)和分辨率為1 m全波段數(shù)據(jù)進行融合,能更好的保留光譜、紋理特征,提高空間分辨率,如圖2所示。

圖2 NNDiffuse pan sharpening圖像融合后影像Fig.2 Image fusion after NNDiffuse pan sharpening image fusion

2 建筑物提取方法

采用基于規(guī)則的面向?qū)ο笮畔⑻崛》椒?首先進行圖像預(yù)處理,進行一系列校正處理和圖像融合,以融合后的結(jié)果作為研究對象進行多尺度分割,然后構(gòu)建規(guī)則數(shù)據(jù)庫提取建筑物,從而得到較高的分類結(jié)果[8],技術(shù)流程如圖3所示。

圖3 技術(shù)流程圖Fig.3 Flow chart of technique

2.1 多尺度分割

多尺度分割算法流程如圖4所示,該算法基于邊緣,只需輸入一個參數(shù),即可計算多尺度分割的結(jié)果,計算步驟簡單且獲得的結(jié)果快。為了提高多尺度優(yōu)化分割的精細化程度,需進行差異性控制,對尺度不同的邊界區(qū)別對待,將光譜特征相似的像元合并,算出相應(yīng)的平均值、標準差等,得到這些相似像元的各個分割對象的特征信息。完成多尺度分割后的影像由多個各不相同但都含有遙感影像所具有的屬性特征的多邊形區(qū)域組成,這些多邊形區(qū)域經(jīng)過面向?qū)ο笈c基于規(guī)則分類等一系列圖像處理,都含有了豐富的幾何、光譜、紋理等信息[9]。

圖4 多尺度分割流程圖Fig.4 Flow chart of multi-scale segmentation

2.2 根據(jù)規(guī)則進行特征提取

根據(jù)遙感影像的屬性特征建立了建筑物規(guī)則(Rule)知識庫[10-12],通過公式計算NDVI和水體歸一化指數(shù)(Normalized difference water index,NDWI)進行建筑物分類。利用高分二號衛(wèi)星影像參數(shù),結(jié)合已有經(jīng)驗和數(shù)據(jù),建立基于決策樹的建筑物提取算法。

提取地面上的建筑物,要將其他類型的地物的影響排除在外,首先可采用NDVI排除植物所造成的影響。計算公式為

式中:INDV為歸一化植被指數(shù),BNIR、BRED分別表示遙感影像中的近紅外波段和紅光波段像素值。在INDV小于0.35的時候為非植被區(qū),即為所需要保留的對象。

可以使用NDWI來排除水體所造成的干擾,計算公式為

式中:INDW為水體歸一化指數(shù),BGreen是綠光波段像素值。當水體歸一化指數(shù)INDW小于0時,將其認定為水體,就可以排除其影響。

道路跟建筑物最大的不同在于形狀,道路一般呈狹長帶狀而建筑物呈近似矩形,可以根據(jù)Rectangular fit屬性和Elongation屬性排除道路的干擾。

3 結(jié)果與分析

3.1 影像分割

通過對融合后的影像進行多次分割參數(shù)實驗,比較分割的結(jié)果,最終將影像的最佳分割參數(shù)和合并參數(shù)閾值確定為90和50。分別對2015年2月11日揚州市佳家花園小區(qū)和聯(lián)誼南苑小區(qū)的高分二號遙感圖像進行分割與合并,能夠最大可能地將不同類型(光譜特性)的地物分開并且合并同類的碎塊,如圖5、圖6所示。經(jīng)過多尺度分割后,原有的噪聲也會得到比較好的控制。

圖5 佳家花園小區(qū)中間部分房屋多尺度分割后影像Fig.5 Multi-scale segmentation image of the middle part of Jiajia Garden Community

圖6 聯(lián)誼南苑B區(qū)房屋多尺度分割后影像Fig.6 Multi-scale segmentation image of Lianyi Nanyuan Community area B

3.2 地表建筑物信息提取

應(yīng)用面向?qū)ο蟮囊?guī)則分類,結(jié)合對光譜特征的判斷,閾值分割圖像進行二值化,并通過選取合適的規(guī)則對揚州小區(qū)聯(lián)誼南苑和佳家花園小區(qū)進行房屋提取,得到的矢量疊合圖,如圖7、圖8所示,提取效果較好。

圖7 佳家花園小區(qū)房屋二值化圖及矢量疊合圖Fig.7 Binary image and vector superposition map of houses in Jiajia Garden Community

圖8 聯(lián)誼南苑小區(qū)房屋二值化圖及矢量疊合圖Fig.8 Binary image and vector superposition map of houses in Lianyi Nanyuan Community

4 分類后精度評價

用面向?qū)ο蠓椒ㄟM行建筑物信息提取,通過目視解譯方法對提取結(jié)果進行精度評定,其結(jié)果如表1所示。由表可見,用基于規(guī)則的面向?qū)ο蠓诸惙椒ㄆ骄R別精度能達到97.7%,Kappa系數(shù)為0.93,提取的精度和效果遠高于傳統(tǒng)監(jiān)督分類所得到的結(jié)果,驗證了該方法的可行性。

表1 建筑物單體識別精度測試結(jié)果Table 1 Test results of single building identification accuracy

5 結(jié)論

基于高分二號影像的面向?qū)ο蠓椒ㄌ崛〗ㄖ飭误w信息,首先對影像進行校正、融合等預(yù)處理,在此基礎(chǔ)上采用多尺度分割確定出最佳的分割合并閾值,通過建立建筑物規(guī)則數(shù)據(jù)庫對對象進行分類判別及特征提取,得到所需的建筑物單體信息,并通過佳家花園和聯(lián)誼南苑兩個實驗小區(qū)進行了驗證,結(jié)果表明:該方法能有效提取出建筑物單體信息,且精度滿足提取要求。該研究對于衛(wèi)星遙感影像在城市精細化管理具有較好的應(yīng)用價值,為國產(chǎn)高分衛(wèi)星城市遙感應(yīng)用提供技術(shù)支撐和服務(wù)。