孫 偉孫鵬翔黃 恒劉思奧

(遼寧工程技術大學測繪與地理科學學院，遼寧阜新123000)

從上世紀80年代起，學者們的目光就開始投向于遙感影像建筑物的提取方向，對其展開了理論研究并進行了大量的實驗，針對于遙感影像的建筑物信息提取是指在遙感數(shù)據(jù)中通過相關算法[1－5]，根據(jù)既定的流程在眾多圖像信息中準確找到建筑物的位置、屬性、形狀等信息[6－9]。2009年Ren K檢測到遙感圖像中的建筑物陰影，用盒子搜索來確定建筑物的外界輪廓信息。2010年陳杰在面向?qū)ο蠓诸惙椒ǖ幕A上與空間聚變和分水嶺變化相結(jié)合，他還加入了Gabor小波段用來提取Quick Bird信息，利用結(jié)合后的新方法進行分割，最后分析對象之間的空間拓撲關系來確定類別性質(zhì)，該方法可提升影像分類的自動化能力，能有效利用對象各大特征。2017年林雨準等人將多尺度分割和形態(tài)學相結(jié)合提出了陰影檢測方法，利用均值漂移法和分割影像，對影像進行多尺度分割后生成陰影指數(shù)矢量，對高分二號和Google Earth影像進行實驗，結(jié)果表明該方法有一定抗干擾能力。高分辨率影像會存在同物異譜或者異物同譜現(xiàn)象，僅靠單一的技術不可避免地無法準確獲取信息，基于多特征多方法結(jié)合的方法比單一的方法效果好，相對地算法流程會比單一的復雜。隨著計算機發(fā)展的越來也成熟、人工智能的興起以及多學科相互交叉[10－11]，該方法在以后一定會不斷突破，成為建筑物提取的主要方法。影像分割[12－14]是面向?qū)ο笮畔⑻崛∷惴ǖ年P鍵，目前較為常見的多尺度分割算法在最優(yōu)尺度確定好的前提下可以精確的分割影像對象，但是該方法主要應用于商業(yè)型軟件中，在實際的項目中使用成本過高。論文嘗試通過滑動窗口的方式對窗口內(nèi)的影像對象特征進行提取與訓練，在多尺度分割實驗中探究最優(yōu)尺度選擇的問題，在滑動窗口實驗中構建面向?qū)ο蠼ㄖ镄畔⑻崛》桨浮?/p>

1 灰度共生矩陣建立

灰度共生矩陣(Gray-Level Co-occurrence Matrix，GLCM)[15]是紋理特征提取的基礎，通過計算灰度圖像的空間分布得到共生矩陣，根據(jù)其相關特征值代表圖像紋理特征的一種統(tǒng)計分析方法，即通過統(tǒng)計某一特定的灰度值在空間中反復出現(xiàn)的次數(shù)，以此描述紋理特征?？捎脙蓚€位置像素的聯(lián)合概率密度來定義共生矩陣。

通過設二維圖像水平方向與垂直方向分別有Nx、Ny個像元，定義灰度級數(shù)為k，則灰度級集合K＝{0，1，2，…，k－1}。取圖像中任意一點記為(x，y)以及偏離它的另一點記為(x＋Δx，y＋Δy)，設這一組點對的灰度值為(m1，m2)。將(x，y)點在圖像域Nx×Ny中任意移動，則會出現(xiàn)k2種(m1，m2)的組合。在整個圖像域中統(tǒng)計每一種(m1，m2)出現(xiàn)的個數(shù)，排成方陣，再用(m1，m2)出現(xiàn)的總次數(shù)將其歸一化為概率P(m1，m2)，此方陣記為灰度共生矩陣:

差分值(Δx，Δy)每更新一次數(shù)值，就會得到一個新的聯(lián)合概率矩陣，(Δx，Δy)取值要根據(jù)紋理特征周期分布的特性來選擇，對于較細的紋理，要選取較小的差分值。為了減少計算量，通常選取0°、45°、90°和135°四個方向?qū)D像域進行掃描。當圖像各位置的灰度值差異不大時，灰度共生矩陣中的各元素會集中在主對角線附近分布，當圖像各位置的灰度值差異很大時，灰度共生矩陣中的各元素會較為分散。

2 基于主成分分析的灰度圖像獲取方法

主成分分析法主要根據(jù)正交變換原理將原始空間轉(zhuǎn)化至主成分空間，把具有相關型的變量數(shù)目減少，減少數(shù)據(jù)冗余，實現(xiàn)數(shù)據(jù)降維。如圖1所示，二維空間的黑色數(shù)據(jù)點沿M軸的方差最大，因此將其投影到M軸，將二維數(shù)據(jù)降至一維，降維后的各個主成分之間相互獨立，能代表原始數(shù)據(jù)中絕大部分信息。

圖1 主成分分析降維示意圖

論文將GF1影像中的四個波段數(shù)據(jù)作為4個變量，構造協(xié)方差矩陣進行降維，并提取主成分第一分量，在多特征基礎上增加第一分量特征來增加類別間的差異性，提高分類精度。

根據(jù)如圖2所示主成分分析流程可得:

圖2 主成分分析流程圖

①圖像矩陣零均值化。將圖像排成矩陣X，其中一行代表一個像元，一列代表一個波段，p個波段(x1x2…xp)，n個像元的圖像矩陣X的結(jié)構如式(2)。

式中:xi＝(xi1xi2…xip)，xj＝(x1jx2j…xnj)T，i＝1，2，…，n，j＝1，2，…，p。

將X進行零均值化處理:

②計算協(xié)方差矩陣C，即各波段之間的相關系數(shù)矩陣，求解過程如式(4)與式(5)。

③求解特征方程｜λE－C｜＝0，計算協(xié)方差矩陣對應的特征值并按式(6)由大到小排列。

④逐個計算每個特征值對應的特征向量ki＝(ki1ki2…kip)，i＝1，2，…，p，并排成矩陣，其中，‖ki‖＝1。

⑤計算貢獻率和累計貢獻率。特征方程的每個特征根貢獻率θ計算公式如式(7):

論文選取貢獻率最高的主成分第一分量進行特征組合分析，實現(xiàn)數(shù)據(jù)降維，并將得到的單波段影像作為區(qū)別不同地類差異性的評價標準之一。

絕大多數(shù)高分辨率遙感影像都有多個波段，攜帶著大量的信息，并且每個波段所攜帶的信息都不可以隨意丟棄，為了將數(shù)據(jù)損失降低到最小，論文采取主成分分析的方法將研究區(qū)的GF1＿WFV1影像降維，提取主成分第一分量得到灰度圖像。預處理后的影像以及主成分分析后的影像如圖3所示。

圖3 預處理后的影像與降維影像

圖4 為單波段的主成分第一分量、第二分量和第三分量。在獲取主成分第一分量后，為減少計算量來提高算法效率，對影像進行灰度級調(diào)整至0~15之間，取整保留16個灰度級。進行灰度級縮放時將影像進行直方圖均衡化處理，來增加影像的全局對比度。

圖4 單波段各主成分分量

3 滑動窗口參數(shù)設置

如圖5所示，滑動窗口參數(shù)主要包括窗口大小與步長。其中，窗口大小設置為5×5、步長設置為1。窗口從影像左上角開始水平滑動，先進行列遍歷，滑動完整行后，行加1繼續(xù)滑動，每滑動一次窗口就計算一次窗口內(nèi)的紋理特征與光譜均值特征，直至整幅影像全部遍歷完成，滑動停止。通過擬合的分類算法模型來預測每個窗口內(nèi)的地物類別信息。

圖5 滑動窗口示意圖

4 單窗口紋理特征值獲取

GLCM雖然可以描述紋理，但是不可以對紋理進行深層次分析，因此Haralick等人相繼用灰度共生矩陣提出了14種統(tǒng)計函數(shù)，即為灰度共生矩陣特征值。其中多個統(tǒng)計函數(shù)之間存在數(shù)據(jù)冗余，為了簡化計算，用四個應用最廣泛的特征值來提取影像對象的紋理特征。

①角二階矩(Angular Second Moment，ASM)又稱為能量，是圖像灰度分布均勻程度和紋理粗細的一個度量，反映圖像灰度分布均勻程度和紋理粗細度。當圖像紋理均一規(guī)則時，能量值較大；反之灰度共生矩陣的元素值相近，能量值較小。

②熵(Entropy，ENT)度量了圖像包含信息量的隨機性，表現(xiàn)了圖像的復雜程度。當共生矩陣中所有值均相等或者像素值表現(xiàn)出最大的隨機性時，熵最大。

③對比度(Contrast，CON)反應圖像的清晰度和紋理的溝紋深淺。紋理越清晰反差越大對比度也就越大。

④反差分矩陣(Inverse Differential Moment，IDM)反映紋理的清晰程度和規(guī)則程度，紋理清晰、規(guī)律性較強、易于描述的，值較大。

5 實驗結(jié)果與分析

由于灰度共生矩陣的計算全部以矩陣為單位，因此計算影像對象紋理特征時所需要的計算量非常大，計算中產(chǎn)生的冗余會大量消耗電腦內(nèi)存，因此在研究區(qū)選擇時，截取預處理后的內(nèi)蒙古自治區(qū)GF1＿WFV1影像中的一小塊區(qū)域進行信息提取研究。GF1＿WFV相機為多光譜相機空間分辨率為16 m，分辨率較低，同時研究區(qū)域有大量林地、耕地，非建筑物較多，地物相對簡單數(shù)據(jù)處理量小，以便快速得出實驗結(jié)果。預處理后的研究區(qū)影像如圖6所示。

圖6 研究區(qū)影像參數(shù)信息

分別采用多尺度分割和滑動窗口算法對建筑物信息的提取，并在算法使用成本、準確度兩個方面進行比對分析。

表1 精度評價

在算法使用成本方面，多尺度分割的建筑物信息提取結(jié)果在易康商業(yè)遙感軟件中操作得出，圖7(a)中十字絲為樣本點的選取位置。由于選取的影像是分辨率16 m的GF－1影像，不同地物邊界較為模糊，所以使得多尺度分割在不同地物的邊緣區(qū)域分割的過于細碎，依賴于分割后的人工后處理操作，將影像對象進行人為勾畫與修改，人力成本過高。此外，易康軟件缺乏影像預處理操作，與此商業(yè)機構合作困難，因此在實際項目中的使用成本較高；反之滑動窗口的應用場景要廣泛得多，圖8中滑動窗口的提取過程通過Python語言實現(xiàn)，只需要配置GDAL，OpenCV，Scikit-learn模塊即可在終端中運行，此外算法可以進行封裝，在信息提取的系統(tǒng)中調(diào)用，在實際項目中使用成本較低。

圖7 多尺度分割提取結(jié)果

圖8 滑動窗口提取結(jié)果

在準確度方面，根據(jù)表的精度評價結(jié)果顯示，多尺度分割方法的總體精度為84.73%，Kappa系數(shù)為0.698 1；滑動窗口方法的總體精度為85.67%，Kappa系數(shù)為0.698 1，兩種方法的建筑物提取結(jié)果均有極高的一致性。其中滑動窗口提取結(jié)果的總體精度比多尺度分割提取結(jié)果的總體分類精度高出0.94%，Kappa系數(shù)高出0.012 5，因此在準確度方面兩種方法的提取精度較為相似。

綜合算法使用成本和準確度兩個方面的分析，在后續(xù)的建筑物信息提取實驗中，將運用滑動窗口方法進行面向?qū)ο蟮慕ㄖ镄畔⑻崛　?/p>

6 結(jié)論

通過主成分分析進行數(shù)據(jù)降維，獲取主成分第一分量，縮放第一分量灰度級，為滑動窗口紋理特征的計算提供數(shù)據(jù)輸入；通過灰度共生矩陣計算單窗口內(nèi)特征值，計算四個最常見的紋理特征；利用紋理特征結(jié)合光譜均值特征構建面向?qū)ο蟮慕ㄖ镄畔⑻崛〉膶崿F(xiàn)方案，得出滑動窗口的建筑物提取結(jié)果，并與多尺度分割的提取結(jié)果進行評價參數(shù)對比，在算法使用成本和準確度兩個方面進行分析；結(jié)合影像對象的光譜特征和紋理特征，設計基于多尺度分割和滑動窗口的面向?qū)ο蠼ㄖ镄畔⑻崛嶒?。實驗結(jié)果表明，滑動窗口的建筑物提取方法精度略高于多尺度分割，且對于商業(yè)性軟件無依賴性，使用成本低。