李青娜，陳廣乾，黃帥帥，謝相建

(東華理工大學(xué)測(cè)繪工程學(xué)院，江西 南昌 330013)

0 引 言

隨著國(guó)內(nèi)城市化進(jìn)程速度的逐漸加快，城市中建筑物的分布數(shù)量范圍和密度正逐漸增大，為城市規(guī)劃與管理帶來(lái)了越來(lái)越多的難題。顯然，及時(shí)、準(zhǔn)確且完整的實(shí)現(xiàn)二維或三維城市空間建筑物信息的完整提取是我國(guó)構(gòu)建現(xiàn)代化智慧城市的必然需求。近些年來(lái)，隨著科學(xué)技術(shù)的高速發(fā)展，目前，遙感技術(shù)已經(jīng)實(shí)現(xiàn)了全天時(shí)、全天候、全方位地提供多類型、多尺度和多時(shí)相的航空航天對(duì)地觀測(cè)數(shù)據(jù)。遙感圖像的空間分辨率從10 m提高到米甚至亞米級(jí)別，可實(shí)現(xiàn)更精確詳細(xì)地描述各類地物細(xì)節(jié)特征，包括幾何形狀、空間關(guān)系及復(fù)雜表面紋理構(gòu)造等空間信息。因此，充分利用高分辨率遙感圖像進(jìn)行城市區(qū)域內(nèi)一定尺度的建筑物的自動(dòng)可靠提取具有非常廣泛的現(xiàn)實(shí)意義。

近些年來(lái)國(guó)內(nèi)外很多學(xué)者也提出了大量的建筑遙感提取模型和策略，并取得了不錯(cuò)的效果。劉大偉(2016)等對(duì)不同地物光譜和紋理特征進(jìn)行分析，并對(duì)遙感影像中各個(gè)地物類別隨機(jī)取樣，根據(jù)隨機(jī)選取的樣本對(duì)城市地物進(jìn)行分類，得到精度較高的分類結(jié)果[1]。Lee(2013)等首先運(yùn)用遙感影像光譜特征選取建筑物樣本點(diǎn)，再進(jìn)一步運(yùn)用其他的算法分析影像的形狀特征并以此來(lái)實(shí)現(xiàn)對(duì)建筑物的提取[2]。Cui(2012)等根據(jù)建筑的灰度和幾何特性，并根據(jù)空間結(jié)構(gòu)的分布特性進(jìn)行精確的提取。吳文福(2019)等從SAR影像上構(gòu)建建筑物結(jié)構(gòu)對(duì)其進(jìn)行提取，SAR具有全天時(shí)，全天候的特點(diǎn)，結(jié)合空間特征對(duì)建筑物進(jìn)行提取，在地物變化檢測(cè)和軍事偵測(cè)等領(lǐng)域中起到了重要作用[3]。Ahmadi (2010)等通過(guò)基于幾何特征的輪廓模型進(jìn)行建筑物提取，相比于傳統(tǒng)模型，此模型可以更加精確的檢測(cè)和提取建筑物邊界，且能夠有效避免附近地物的干擾[4-5]。近年來(lái)也有學(xué)者將流行的深度學(xué)習(xí)技術(shù)用于城市建筑的遙感提取，提取精度已達(dá)到空前的程度[6]。然而，深層復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型不易理解，并且在模型解算和輸入數(shù)據(jù)層面有很高的門(mén)檻，應(yīng)用普及極為有限?？偟膩?lái)說(shuō)，盡管利用高分遙感影像進(jìn)行建筑物的提取已有很多的研究，并且取得了顯著成果，對(duì)于如何綜合現(xiàn)有的眾源地圖(OpenStreetMap，OSM)矢量數(shù)據(jù)克服高分影像在城市建筑提取中的不足，相關(guān)研究相對(duì)較少[7]。因此本文將分別從結(jié)合OSM矢量數(shù)據(jù)的道路提取、建筑物的光譜特征分析與提取、空間特征表達(dá)和決策樹(shù)分類等方面著手研究，以進(jìn)一步挖掘高分辨率遙感數(shù)據(jù)和OSM矢量數(shù)據(jù)在建筑物提取中的潛力。

1 研究數(shù)據(jù)與方法

1.1 研究數(shù)據(jù)

數(shù)據(jù)選用的是資源三號(hào)(ZY-3)高分影像，影像的獲取時(shí)間為2017年12月08日。ZY-3衛(wèi)星是我國(guó)自主研制的第一顆集測(cè)繪和資源研究為一體的高分辨率民用空間測(cè)量衛(wèi)星，多光譜影像空間分辨率為5.8 m，全色影像分辨率為2.1 m。開(kāi)放街道地圖(OpenStreetMap，OSM)是一個(gè)在線眾源地圖數(shù)據(jù)，包括高速公路，鐵路，水系，水域，土地利用，建筑物等地理空間數(shù)據(jù)。

本研究選擇南昌市紅谷灘區(qū)和新建區(qū)的中心城區(qū)作為研究區(qū)域，該地區(qū)各色屋面材料的建筑物分布較廣，水體、植被、裸地等地類也均有分布。圖像經(jīng)過(guò)輻射校正、幾何矯正和裁剪等預(yù)處理，由于OSM矢量數(shù)據(jù)與遙感影像之間存在位置偏移，故對(duì)影像進(jìn)行空間配準(zhǔn)，使道路矢量位置位于影像道路中央，并采用緩沖區(qū)分析方法計(jì)算得到城市道路面數(shù)據(jù)。校正后影像如圖1(a)所示。

圖1 研究區(qū)數(shù)據(jù)及典型地物影像光譜

1.2 研究方法

1.2.1 結(jié)合光譜特征的建筑物決策提取

結(jié)合光譜特征的建筑物決策提取過(guò)程主要包括樣本選取、光譜統(tǒng)計(jì)分析、建立特征指數(shù)、確定閾值等。根據(jù)研究區(qū)的實(shí)際情況，地表覆蓋類型分為植被、水體、裸地和各類建筑幾種類型。對(duì)影像中感興趣區(qū)內(nèi)的所有地物樣本進(jìn)行統(tǒng)計(jì)，可得到不同地物的平均光譜特征曲線，如圖1(b)所示。

光譜指數(shù)是由多波段組合構(gòu)建而成，其本質(zhì)是一種與研究對(duì)象相關(guān)聯(lián)的數(shù)學(xué)模型，因此，光譜指數(shù)的構(gòu)造和選取都是基于目標(biāo)的光譜特性的分析。對(duì)研究區(qū)域中不同類型的建筑物光譜特征進(jìn)行分析可發(fā)現(xiàn)，藍(lán)色建筑物在藍(lán)光波段的反射率明顯高于綠色波段的反射率，據(jù)此構(gòu)建歸一化的藍(lán)色表面指數(shù)(Normalized Difference Blue Surface Index，NDBSI)。同樣，紅色建筑物在紅色與綠色波段具有較大的反射差異特征，據(jù)此構(gòu)建歸一化的紅色表面指數(shù)(Normalized Difference Red Surface Index，NDRSI)，兩個(gè)指數(shù)計(jì)算公式如下：

(1)

(2)

式中，BLUE、GREEN和RED分別代表藍(lán)光、綠光及紅光波段的反射值。通過(guò)構(gòu)建該兩個(gè)歸一化差值光譜指數(shù)來(lái)增強(qiáng)兩類建筑與其他地物的光譜差異，以便更好提取這藍(lán)色建筑和紅色建筑物。對(duì)于植被和水體的區(qū)分，研究選擇常用的歸一化植被指數(shù)(NDVI[9])和歸一化水體指數(shù)(NDWI[10])。

決策樹(shù)分類方法在土地利用研究和分類中得到了廣泛的應(yīng)用。它具有算法簡(jiǎn)單、效率高、獨(dú)立處理不相關(guān)數(shù)據(jù)的特點(diǎn)。由各類建筑物及其他典型地物在光譜指數(shù)特征空間中的分布特性可以確定區(qū)分彼此的閾值，據(jù)此制定分類規(guī)則進(jìn)而建立決策樹(shù)，如圖2前四條規(guī)則所示。

圖2 光譜指數(shù)決策樹(shù)

1.2.2 結(jié)合影像對(duì)象空間特征的建筑物分類

在面向?qū)ο蠓诸愔校诸悊挝皇褂眯畔㈩愃频摹巴|(zhì)”對(duì)象。根據(jù)對(duì)象之間的相似性和差異性進(jìn)行分類判別。ENVI提供的面向?qū)ο蠓诸惞δ?，包括基于樣本和?guī)則的分類方法。本文使用基于規(guī)則的特征提取方法，針對(duì)分割對(duì)象指定規(guī)則，包括光譜、紋理和空間三大類的多種屬性。

因部分紅色建筑物和裸土光譜特征相似，僅利用光譜特征難以將其區(qū)分，因此對(duì)易混淆地物的空間特征進(jìn)行分析提取，以便區(qū)分紅色建筑物和裸土，灰色建筑和其他地物。在決策樹(shù)分類結(jié)果的基礎(chǔ)上對(duì)進(jìn)行面向?qū)ο蠓诸悾紫韧ㄟ^(guò)圖像分割及合并得到圖斑對(duì)象，進(jìn)而根據(jù)建筑物與裸土的空間特征，選擇空間面積和矩形度及延伸度作為分類規(guī)則，通過(guò)樣本統(tǒng)計(jì)分析得出分類閾值，據(jù)此構(gòu)建面向?qū)ο蟮姆诸愐?guī)則完成紅色和灰色建筑物提取?；诳臻g特征的面向?qū)ο蠓诸悰Q策規(guī)則如圖2中第五級(jí)所示。

1.2.3 結(jié)合矢量數(shù)據(jù)的道路提取與精度檢驗(yàn)

結(jié)合OSM道路矢量的緩沖區(qū)分析可區(qū)分主要城市道路和灰色建筑物，達(dá)到提高建筑物分類精度的目的。在本研究中，對(duì)不同等級(jí)的道路進(jìn)行測(cè)量后，分別設(shè)置不同寬度的緩沖區(qū)，以保證影像中道路提取結(jié)果的準(zhǔn)確性。最后將面向?qū)ο蠓诸惤Y(jié)果與原始分類結(jié)果加載到ENVI中，利用Band Math波段運(yùn)算工具對(duì)決策分類結(jié)果進(jìn)行修正并疊加道路網(wǎng)，得到最終的建筑提取結(jié)果。

通過(guò)高分辨率影像的目視解譯手動(dòng)選取檢驗(yàn)樣本，通過(guò)計(jì)算混淆矩陣，進(jìn)而得到用戶精度、制圖精度、總體精度及Kappa系數(shù)等評(píng)價(jià)指標(biāo)，最后對(duì)不同類型建筑物的提取精度加以比較分析評(píng)價(jià)。

2 實(shí)驗(yàn)結(jié)果與分析

決策樹(shù)分類之后進(jìn)行篩查和聚類分析后處理，去除一些小碎斑，最終分類結(jié)果如圖3所示。

圖3 建筑物決策提取結(jié)果

從圖3可以看出，研究區(qū)域內(nèi)灰色建筑物分布最廣；藍(lán)色建筑物數(shù)量較少，且與灰色建筑物有交叉分布，因此視覺(jué)效果不夠突出；紅色建筑物數(shù)量最少，零星分布于圖像的西北部和東南部建筑群中。建筑物與其他地物類型總體區(qū)分效果較好，但部分灰色建筑與水泥路面有錯(cuò)分的情況。

決策分類結(jié)果的混淆矩陣評(píng)價(jià)結(jié)果如表1所示，總體精度為88.2916%，Kappa系數(shù)為0.8464，屬于高度一致性。不同類型的建筑物中，藍(lán)色建筑物分類精度最高，沒(méi)有出現(xiàn)錯(cuò)分；紅色建筑物制圖精度為92.86，而用戶精度僅為49.22，這主要是部分裸地的形狀與建筑相似，在面向?qū)ο蠓诸惖倪^(guò)程中與裸地有混淆，導(dǎo)致用戶精度較低；灰色建筑物因?yàn)榕c水泥地表面光譜極為相似，同時(shí)在空間上又有交錯(cuò)分布，所以兩者混淆嚴(yán)重，兩類地物的分類精度較低，這種情況或許在面向?qū)ο蠓诸愡^(guò)程中分割尺度及空間特征選擇方面可以進(jìn)一步優(yōu)化而得到改善。

表1 各類地物混淆矩陣

3 結(jié) 語(yǔ)

本文通過(guò)對(duì)樣本統(tǒng)計(jì)進(jìn)行分析，根據(jù)不同建筑物與其他典型地物的光譜特點(diǎn)，利用NDVI、NDWI、NDBSI和NDRSI這4個(gè)特征指數(shù)分別可對(duì)植被、水體及藍(lán)色建筑和紅色地物進(jìn)行提取。為了進(jìn)一步提取其他建筑，研究根據(jù)建筑物的空間面積及矩形度等空間特征，嘗試區(qū)分出紅色建筑物與裸地以及灰色建筑物和其他非建筑類地面，并結(jié)合OSM道路網(wǎng)矢量數(shù)據(jù)，將道路單獨(dú)進(jìn)行提取，從而將灰色建筑物與道路進(jìn)行分離。最終將決策樹(shù)、面向?qū)ο笠约笆噶刻崛〉慕Y(jié)果進(jìn)行疊加，獲得較好的分類結(jié)果，并得出以下結(jié)論：

(1)單純的影像光譜特征分類方法通俗易懂，然而，隨著空間分辨率的提高，不同地物的光譜特征不再明顯，而不同地物間的空間特征往往差異較為明顯，將二者相結(jié)合，可以提高目標(biāo)地物提取的精度。

(2)使用分層決策的方法，操作效率高，可重復(fù)性較強(qiáng)，可分別對(duì)不同地物類別進(jìn)行研究及操作，有助于細(xì)化及更改。相比復(fù)雜神經(jīng)網(wǎng)絡(luò)模型，整體通俗易懂，應(yīng)用推廣潛力較大。

另外一方面，研究存在的不足為未來(lái)進(jìn)一步探究指明了方向，紅色建筑和灰色建筑的空間特征還有待進(jìn)一步挖掘，尤其是在面向?qū)ο笥跋穹治鲭A段，由于未對(duì)圖像的最佳分割及合并尺度做深入研究及分析，參數(shù)的選擇具有一定的主觀性。另外，建筑陰影部分未做分離，未來(lái)應(yīng)降低此類干擾因素的影響，提高建筑目標(biāo)提取的準(zhǔn)確性。