馬海榮，沈祥成，羅治情，陳聘婷，官 波

（湖北省農(nóng)業(yè)科學院農(nóng)業(yè)經(jīng)濟技術研究所/湖北省農(nóng)業(yè)科技創(chuàng)新中心農(nóng)業(yè)經(jīng)濟技術研究分中心/湖北省鄉(xiāng)村振興研究院，武漢 430064）

農(nóng)村房屋的數(shù)量、面積、位置和權屬等相關信息是農(nóng)村土地利用規(guī)劃、土地利用變化監(jiān)測、新農(nóng)村建設和空心村問題整治等應用的重要基礎數(shù)據(jù)。最初，農(nóng)村房屋信息采集主要依賴人工調查和傳統(tǒng)測繪手段進行，耗費巨大的人力、物力和財力。近年來，遙感數(shù)據(jù)因其獲取手段越來越容易，分辨率越來越高，目前高分遙感衛(wèi)星影像和無人機影像被廣泛應用于農(nóng)村建筑物信息提?。?］?；谶b感技術的建筑信息提取方法由最初的目視解譯人工提取法［2］，到后來基于人工地物特征分析的面向對象方法［3］或者淺層機器學習［4］方法，再到近年來較流行的深度學習［5］方法。每種方法均有其優(yōu)點和不足之處，人工目視解譯法仍為目前從遙感影像采集建筑信息最主要的手段。因此，如何實現(xiàn)建筑物的智能、高效和準確地自動信息提取仍為當前亟需解決的問題。

本研究基于國產(chǎn)高景1 號高空間分辨率遙感影像，提出了一種基于建筑物遙感特征指數(shù)與面向對象最優(yōu)尺度分割方法的農(nóng)村建筑物信息提取方法。首先構建了兩個建筑物遙感特征指數(shù)，以增強建筑物在遙感影像上的表征信息；然后對遙感特征指數(shù)圖像進行閾值分割，獲取農(nóng)村建筑的初步提取結果，并利用面向對象最優(yōu)尺度分割結果優(yōu)化農(nóng)村建筑信息初步提取結果；最后對優(yōu)化后的建筑信息提取結果進行孔洞填充、膨脹和腐蝕等數(shù)學形態(tài)學處理，獲取農(nóng)村建筑物信息的最終提取結果。技術流程見圖1。

圖1 論文研究技術流程

1 研究區(qū)及數(shù)據(jù)

研究區(qū)位于湖北省武漢市江夏區(qū)，研究區(qū)面積10.877 km2（圖2a）。試驗所用遙感影像來源于中國第一顆商用高空間分辨率遙感衛(wèi)星高景1 號，影像獲取時間為2018 年6 月15 日，影像包含一個全色波段（空間分率0.5 m）和4 個多光譜波段（紅、綠、藍、近紅外4 個波段，空間分辨率2 m）。試驗前對遙感影像進行了輻射、大氣和正射校正等預處理。經(jīng)過目視解譯和實地調查，獲取了該地區(qū)農(nóng)村建筑分布圖。研究區(qū)建筑總面積0.319 km2（圖2b 中藍色區(qū)域為農(nóng)村建筑分布區(qū)）。

圖2 研究區(qū)遙感影像與建筑分布

2 方法

2.1 建筑遙感指數(shù)構建

2.1.1 合成比值建筑指數(shù) 基于土壤調節(jié)植被指數(shù)（SAVI）、歸一化建筑指數(shù)（NDBI）和改進歸一化水體指數(shù)（MNDWI）［6］提出了建筑指數(shù)IBI，IBI 可以很好地將遙感影像上的建筑信息進行增強處理，但是其構建需要中紅外波段，目前常用的高分影像一般不包含中紅外波段。因此，文獻［7］基于紅、綠、藍和近紅外波段提出了仿建筑用地指數(shù)（SIBI），SIBI 基于歸一化水體指數(shù)（NDWI）、歸一化土壤調節(jié)植被指數(shù)（SAVI）和歸一化建筑指數(shù)（SNDBI）構建，各遙感指數(shù)的計算公式如下。

式中，G、R、NIR分別為綠、紅和近紅外波段的反射率。NDWI 用來增強水體遙感特征；SAVI 用來反映植被生長狀況，SAVI 中α為土壤調節(jié)因子，取值范圍為［0，1］（本研究α=0.5）；SNDBI 用于增強建筑用地信息。但研究發(fā)現(xiàn)植被和水體對建筑物遙感特征的抑制并不一致，并不能用相同系數(shù)來控制。為了更好地抑制植被和水體信息，突出建筑信息，構建了合成比值建筑指數(shù)（SIBI*）。

式中，α與β為植被和水體指數(shù)調節(jié)因子，取值范圍為［0，1］，本研究取α=0.8，β=0.2。經(jīng)過SIBI*指數(shù)增強后建筑用地信息被增強，與背景信息形成強烈對比（圖3），但分析發(fā)現(xiàn)SIBI*對在遙感影像上呈現(xiàn)紅、白顏色的房屋特征表現(xiàn)明顯，對于藍、灰顏色的建筑不能有效增強表達。

圖3 SIBI*建筑遙感指數(shù)

2.1.2 仿歸一化建筑指數(shù) 文獻［8］為了去除裸地信息、提取建筑用地信息，基于TM 影像的藍和近紅外波段建立比值運算而創(chuàng)建比值居民地指數(shù)（RRI），其表達式如下。

式中，B和NIR分別為藍和近紅外波段的反射率。

試驗發(fā)現(xiàn)對于高景1 號遙感數(shù)據(jù)RRI 并不能很好地增強建筑特征，基于B 與G 波段組合可以更好突出藍色、灰色建筑特征信息，抑制土壤與裸地信息，因此基于B 與G 波段構建了仿歸一化建筑指數(shù)NDBI*（圖4）。

圖4 NDBI*建筑遙感指數(shù)

2.2 面向對象最優(yōu)尺度分割

基于建筑物遙感特征指數(shù)閾值分割的結果是基于像素的操作，分割結果不夠精細，容易產(chǎn)生椒鹽現(xiàn)象。面向對象影像分析方法綜合考察各像素與其鄰域像素的光譜、空間特性，以具有光譜、空間同質性的多個像元（即對象）作為基本處理單元進行影像分析，可以較好地保持地物的邊緣細節(jié)信息。因此，基于面向對象的分割結果對基于建筑物遙感特征指數(shù)閾值分割初始分割結果進行優(yōu)化，可以有效保持地物的細節(jié)信息，去除椒鹽現(xiàn)象。

面向對象分割結果的質量直接影響地物分類的結果，而分割尺度對分割結果有直接影響。基于最優(yōu)分割尺度獲取的面向對象分割基本單元（對象）應該在形狀上與目標地物輪廓相當，大小接近。文獻［9］提出了一種基于影像場景復雜度計算面向對象最優(yōu)分割尺度的方法。該方法的理論基礎是場景越復雜的影像包含地物越多，對應的最優(yōu)分割尺度應該越?。粓鼍霸胶唵蔚挠跋?，包含的地物越少，對應的最優(yōu)分割尺度應該越大。該方法可以在分割之前基于影像的場景復雜度分塊動態(tài)計算局部最優(yōu)分割尺度以獲取局部最優(yōu)分割結果。

使用文獻［9］所提出的方法對研究區(qū)的多光譜影像進行面向對象分割，分割結果見圖5。從圖5 可以看出，面向對象分割獲取的對象具有較好的完整性，基本可以保持原始地物的光譜、紋理、幾何和拓撲關系等特征。圖5中的4個放大的圓展示了該方法對不同類型地物（林地、裸地、房屋、道路、水體、耕地等）的分割結果，由分割結果可知分割所得的對象基本可以保持原始地物良好的幾何形態(tài)和邊緣信息。

圖5 基于最優(yōu)尺度面向對象的分割結果

基于最優(yōu)尺度面向對象分割結果優(yōu)化建筑基于建筑遙感特征指數(shù)閾值分割的初始提取結果的思想如下：將面向對象分割結果與閾值分割獲取的初始提取結果疊加，如果落在某個對象內建筑初始提取結果中建筑面積大于非建筑面積，則該對象被判別為建筑對象，反之亦然。

3 結果與精度評價

3.1 分類結果

將兩個建筑遙感指數(shù)影像像素值歸一化到0～255，分析發(fā)現(xiàn)當閾值設置為180 時可以將建筑與背景地物很好地分割開。分別對SIBI*和NDBI*分割后的二值圖像合并，即為研究區(qū)建筑初步提取結果（圖6）。基于建筑遙感指數(shù)閾值分割易存在嚴重椒鹽現(xiàn)象，即存在很多小的噪聲和毛刺，會降低建筑提取結果的精度。由圖6 可知，初始提取結果中存在較多小面積非建筑噪聲，即誤識別建筑；另外初步提取的建筑區(qū)域也存在較多的孔洞噪聲，即未被識別的建筑；此外，初步提取結果中還存在誤提取大面積非建筑斑塊。

根據(jù)農(nóng)村建筑一般零散分布、面積較小這一特點，剔除誤提取的大面積非建筑斑塊；圖6 初始分類結果中有一部分光譜或者幾何形態(tài)與建筑相似的耕地、道路被誤識別成了建筑，基于不同地物對象的長寬比，可以進行噪聲的剔除，充分分析面向對象分割結果可知，建筑對象的長寬比一般小于1.5，基于這一特征剔除誤識別的裸地、耕地或道路等地物對象。最后利用最優(yōu)尺度面向對象分割結果進行邊界優(yōu)化，并對優(yōu)化后的建筑提取結果進行膨脹、孔洞填充和腐蝕等數(shù)學形態(tài)學后處理，最終得到研究區(qū)農(nóng)村建筑提取結果。

圖6 基于遙感建筑指數(shù)的初始分割結果

圖7 展示了基于面向對象分割結果對建筑初始提取結果優(yōu)化及數(shù)學形態(tài)學后處理過程。圖7a 為RGB 遙感影像，圖7b 為基于建筑遙感特征指數(shù)閾值分割獲取的農(nóng)村建筑初始提取結果，初始提取結果中建筑區(qū)域邊緣信息大部分丟失，并且在非建筑區(qū)域存在誤提取的噪聲。結合若落在對象內初始提取結果建筑面積大于非建筑面積，則該對象被判別為建筑對象，否則對象為非建筑對象的原則，剔除了初始分類結果中部分小面積噪聲，并且填補了建筑區(qū)域丟失的邊緣信息。對經(jīng)過最優(yōu)尺度分割對象優(yōu)化后的建筑提取結果再進行膨脹、孔洞填充和腐蝕一系列的形態(tài)學操作，得到最終建筑的提取結果（圖7c）。圖7d 為最終提取的建筑區(qū)域的邊界與原始遙感影像的疊加結果，由圖7d 可知，經(jīng)過面向對象優(yōu)化和數(shù)學形態(tài)學后處理操作后，最終提取的建筑區(qū)域可以較為精確地保持邊緣信息。

圖7 面向對象分割結果優(yōu)化建筑初始提取結果

圖8 為基于該方法提取的農(nóng)村建筑最終提取結果，圖8 中藍色表示正確識別的建筑區(qū)域，紅色表示未被識別的建筑區(qū)域，黃色是誤識別的建筑。從圖7 和圖8 提取結果和目視解譯結果的對比可得，本研究方法可以有效識別大部分建筑。研究區(qū)域實際建筑面積為0.319 km2，基于本研究方法正確識別的建筑面積為0.248 km2，誤識別的建筑面積為0.021 km2，漏識別的建筑面積為0.078 km2。其中，漏識別的建筑面積多于誤識別的建筑面積。

圖8 農(nóng)村建筑最終提取結果

3.2 精度評價

為了定量的評價鄉(xiāng)村建筑的提取精度，利用基于混淆矩陣的統(tǒng)計方法進行提取精度評價。評價指標為精確率（Accuracy）、生產(chǎn)精度（producer’s accuracy，PA）、用戶精度（user’s accuracy，UA）、類檢驗值（F.value）和Kappa 系數(shù)，各評價指標的計算方法見文獻［10，11］。由表1 可知，基于該研究方法可以進行農(nóng)村建筑的有效提取，其中精確率為99.09%，類檢驗值和Kappa 系數(shù)分別為0.83 和0.84，說明總體分類效果好。用戶精度大于92%，即提取出的建筑中誤提取的較少。生產(chǎn)精度較低，為76.07%，說明漏提取的建筑信息較多，這是因為農(nóng)村建筑普遍分布零散、面積較小，并且容易受樹陰遮蔽，當影像分辨率不夠高時，小型房屋和被樹陰遮蔽的房屋往往會被漏提取。

表1 建筑精度提取定量評定

4 結論

提出了一種基于最優(yōu)尺度面向對象分割優(yōu)化的建筑遙感指數(shù)閾值分割的農(nóng)村建筑提取方法。該方法有2 個優(yōu)勢特性：①構造的2 個建筑特征遙感指數(shù)可以充分增強農(nóng)村建筑的遙感表征信息，使其與背景地物可以很好地分割開。②基于最優(yōu)尺度面向對象分割結果優(yōu)化農(nóng)村建筑的初始提取結果，去除椒鹽現(xiàn)象并且較好地保留地物的邊緣等細節(jié)信息，提高了建筑物信息提取的精度和質量。該方法也可以推廣到道路、耕地、水體等其他地物的識別或提取。但不足之處在于，建筑物信息的最終提取精度同時受到建筑物遙感特征指數(shù)閾值分割結果的影響，還受面向對象分割結果的影響。因此，利用該方法對農(nóng)村建筑物信息實現(xiàn)高精度提取必須同時具備構建準確的建筑遙感特征指數(shù)和精確的面向對象分割結果這2 個條件。