面向对象分类提取高分辨率多光谱影像建筑物

谭衢霖,高姣姣

(北京交通大学 土木建筑工程学院,北京 100044)

面向对象分类提取高分辨率多光谱影像建筑物

谭衢霖,高姣姣

(北京交通大学 土木建筑工程学院,北京 100044)

初步测试利用基于知识规则的面向对象分类方法从高分辨率Ikonos卫星影像上提取建筑物,包括:融合1 m全色和4 m多光谱波段影像,生成1 m分辨率的多光谱融合影像;分割融合影像;利用影像对象的光谱和空间特征执行基于对象的分类。面向对象分类提取结果与传统的基于像元最大似然分类结果进行对比,表明面向对象分类方法更适用于提取高分辨率遥感影像中的建筑物。

面向对象影像分析;模糊逻辑;分割;分类

1 概 述

随着数据成本相对低廉的国际商业高分辨率多光谱卫星影像的出现并迅速发展,一些航空遥感影像应用问题已经可以采用卫星遥感影像替代[1]。但是,尽管卫星遥感影像可以获得与航空遥感影像相当的空间分辨率,但地物信息提取的生产作业方法仍以目视判释解译为主。若能利用高空间分辨率卫星遥感影像数据进行地表建筑物自动或半自动制图,一方面将大幅降低数据获取和制图费用,另一方面将大幅提高生产作业的速度和效率。但已有研究表明,由于高空间分辨率卫星遥感影像在高度异质的城区环境存在大量同物异谱和异物同谱现象,应用传统的基于像元光谱分类的自动或半自动方法进行建筑物遥感制图难以取得满意的效果[2]。

面向对象影像分析是近年来出现的一种信息提取新方法,有望克服基于像元分析的局限性。这种方法在光谱(颜色)特征之外,还可以结合空间结构关系来识别和分类地物,影像处理不是逐像元而是基于像元组合而成的区域来进行[3]。由于具有上述优势,利用面向对象影像分析方法来进行高分辨率遥感地表大尺度制图已受到许多研究者重视。如Hofmann和Herold等利用IKONOS影像,采用面向对象影像分析方法,借助外部语义信息(如专题图或数字高程模型)成功地进行了城区建筑物制图,取得了很好的效果[4-5]。M arangoz等也利用 IKO-NOS影像,采用面向对象影像分析方法成功提取了城市郊区的建筑物[6]。与已有研究不同,本研究将测试缺乏外部数据和先验知识的条件下,仅利用分割影像对象的光谱和空间结构特征,发展基于知识规则的面向对象分类方法来提取高分辨率多光谱IKONOS影像中的建筑物。

2 方法与试验

本研究试验影像数据为2004-04获取的经过几何和辐射校正的加拿大安大略省伦敦市地学参考IKONOS影像,该影像数据由U niversity of Western Ontario提供。试验区为伦敦市低密度居民住宅区。所用遥感图像分析处理软件包括PCI、ENV I和eCognition,其中面向对象影像分析处理主要采用eCognition软件完成。数据处理流程包括如下步骤:①融合1 m全色和4 m多光谱波段影像,生成1m分辨率的多光谱融合影像;②分割融合影像;③评估光谱和空间特征,从图像视觉和数理统计分析确定能较好地区分建筑物的特征;④把选定的特征借助成员函数构建面向对象的建筑物分类知识规则;⑤执行基于知识规则的面向对象模糊分类并评估精度。试验方案为:首先,选择一代表性的局部区域影像作为训练场景进行面向对象建筑物提取,明确上述处理流程中涉及算法的具体参数设置。然后,应用同样的处理流程和算法及参数设置测试另一区域影像并评估精度。

2.1 数据融合与影像分割

影像增强有利于感兴趣地物的分割提取。1 m全色和4 m多光谱波段的Ikonos影像非常适合于图像融合增强。为尽量减少光谱信息损失,采用PCIGeomatica 8.2中的SFIM方法[7]进行融合。

图像分割算法采用Baatz和Schaepe等发展的多分辨率分割算法[8]。多分辨率分割程序执行时,首先需要确定待分割影像各图层的权值,然后设置尺度参数,光谱(颜色)和形状异质性计算的权值,紧密度和平滑度的权值。这些设置参数都与分割生成的影像区域大小范围紧密相关。其中,尺度参数对分割生成的影像区域大小直接正相关,影响最明显。在其它参数设置相同的情况下,尺度参数越大,生成的影像分割区域越大。影像分割后生成的影像区域(对象),应该较好地表示出建筑物目标所在区域。

多分辨率分割算法可以设置不同的参数多次执行构建影像对象层次(不同对象层自底向上序号增大),后续的面向对象分类可以选定其中的某个影像对象层进行,但分类所用的特征可以结合对象层次体系中形成的上层父对象特征、下层子对象特征、相邻对象特征、类相关特征等等空间结构关系特征[3]。本研究中,通过试验,采取如表1所示的分割策略:先分割形成底层,然后分割形成最顶层,再中部层。中部层采用更大的尺度参数把初次分割形成的多个小区域结合成更大的影像区域,然后,又通过设置不同的分割参数权重,把更大的影像区域又分成多个相邻的小区域。这种策略,能较好地减轻建筑物周围阴影对分割的不利影响,从而使最后生成的第2影像对象层大部分建筑物目标所在影像区域具有分类意义。试验影像数据中,由于蓝色和全色波段对于试验影像视觉区分地物最为清晰,因此,采用这两个图层作为分割输入数据层。图1为面向对象分类提取建筑物训练区域影像,其中图1(a)为1 m分辨率的IKONOS全色波段影像,图1(b)为采用上述分割策略最后生成的第2影像对象层。

表1 分割参数设置

2.2 面向对象分类

影像分割成影像区域(对象)后,可以构建知识规则执行面向对象的影像分类。eCognition中有两种分类器:最近邻分类器(通过选定的样本对象特征来描述类)和模糊成员函数分类器(根据特征成员函数值来确定影像对象属于某类的类属度)[3]。研究中利用模糊成员函数分类器构建知识规则来进行面向对象的分类,模糊成员函数特征控制点值通过数学统计和可视化分析影像对象获得的经验性对象特征值来确定。通过对影像对象的光谱和空间特征的可视化解译和数理统计比较,选取最容易视觉区分建筑物的特征构建模糊分类知识规则。试验处理分析确定如下可以较好区分建筑物和其他地物类的特征:①对象均值:给定图层上影像对象所有像元灰度值的平均值。本试验研究中利用了蓝色和近红外波段图层。②比率值:给定图层上影像对象所有像元灰度值的平均值与所有图层(不含全色波段图层)的影像对象平均值的总和之比。与对象均值特征类似,计算了蓝色和近红外波段图层的比率值。③与相邻对象的平均差:给定图层上影像对象与相邻对象的灰度均值之差。研究中计算了近红外图层的该特征值。④密度:影像对象的面积除以半径。⑤紧密度:影像对象的面积与具有同等周长的圆面积之比值。这5类特征中,紧密度和密度是空间特征,其他的为光谱属性特征。

采用逐步细化的策略来形成提取建筑物的知识规则。即首先进行粗分类,随后再进一步细化分类。这种逐步细分的分类提取策略可以通过eCognition软件中的分类层次父类—子类的构建来实现。首先,利用光谱属性特征,创建植被和非植被类。构建的知识规则为:IF(蓝波段比率值<0.200 9)AND (近红外波段比率值>0.315 4)THEN对象=植被类ELSE对象=非植被类。

其次,创建非植被类的子类:建筑物类和其他类。利用光谱和空间特征,构建知识规则如下:IF (蓝波段均值>241.5)AND(近红外波段均值< 0.376)AND(蓝波段比率值>0.229 8)AND(近红外波段与相邻对象的平均差<54.47)AND(紧密度<2.2)AND(密度>1.43)THEN对象=建筑物类ELSE对象=其他类。

经上述知识规则分类后的训练区域影像建筑物提取结果如图1(c)所示。图中黑色表示提取的建筑物对象,灰色表示植被类对象,白色的区域为其他类对象。从图可见,分割及后续分类提取建筑物取得了很好的效果(建筑物提取精度达100%,虚警率为0)。为了测试参数设置的适用性和上述流程的自动化处理性能,把上述处理流程及参数设置不作调整修改应用于测试区影像(见图2)。其中,图2(a)为测试区1m分辨率的IKONOS全色波段影像,图2(b)为采用上述分割策略生成的测试区第2影像对象层。图2(c)为面向对象分类后的测试区域影像建筑物提取结果。从测试处理图像可见,分类提取效果总体较好,尽管存在少数误分类,但分类总精度仍达92%。若通过调整分割参数和分类特征值的设置,显然可进一步改善建筑物提取的效果。

为便于比较,利用 ENV I软件,对训练区和测试区影像执行传统的基于像元的最大似然监督分类,像元分类提取建筑物结果如图1(d)和图2(d)所示。图中建筑物类显示为黑色,从像元分类图可见,分类图像视觉效果差,出现高度的像元斑噪,而且,出现了较多像元误分类,像元虚警率也较高。与面向对象分类图比较,效果明显较差。

3 结 论

本试验研究初步表明,发展的基于知识规则的面向对象分类方法流程适合于探测和提取高分辨率IKONOS卫星遥感影像中低密度住宅区房屋的位置和分布。相对于传统的基于像元最大似然分类方法,面向对象分类提取建筑物更为有效,是一种适用的方法。但需注意:①影像分割参数的设置需要一定程度的人机交互试验确定,不同处理区域影像同样的参数设置值并不一定适用或最优。因此,分割参数设置只能给出一些原则性的建议,而不适合结合在自动处理流程中。②由于特征成员函数控制点值是通过特征值数理统计分析确定的,需要应用者针对具体特定的影像应用场景调整。③由于处理流程具体应用时,需要一定的人机交互和经验,因此,本质上,这种方法不能实现全自动处理,而是一种半自动的处理流程。

[1]张永生,巩丹超.高分辨率遥感卫星应用—成像模型、处理算法及应用技术[M].北京:科学出版社,2005.

[2]LEE,D.,J.SHAN,J.BETHEL.Class-guided building extraction from IKONOS imagery[J].Photogrammetric Engineering&Remote Sensing,2003,69(2): 143-150.

[3]Definiens Imaging GmbH.eCognition user guide[M]. M unich:Definiens Imaging GmbH,2006.

[4]HOFMANN,P.Detecting urban features from IKONOS data using additional elevation information[J].GIS Geo-Info rmation System,6/2001.

[5]HEROLD,M.,J.SCEPAN,A.MÜLLER,et al.. Object-o riented mapping and analysis of urban land use/ cover using IKONOS data[C].Proceeding from the 22nd EARSEL Symposium,2002,6.

[6]MARANGOZ,A.,M.ORUC,G.BUYU KSAL IH. Object-o riented image analysis and semantic network fo r extracting the roads and building from IKONOS pansharpened images[C].Proceeding from XXth ISPRS Congress,July 12-23,2004.

[7]LU I,J.Smoothing filter-based intensity modulation:a spectral p reserve image fusion technique for imp roving spatial details[J].International Journal of remote Sensing,2000,21(18):3461-3472.

[8]BAA TZ,M.,A.SCHAEPE.M ultiresolution segmentation-an optimization app roach fo r high quality multiscale image segmentation[C].Proceeding from the Angewandte Geographische Informationsverarbeitung XII, Salzburg 2000.Karlsruhe:Herbert Wichmann Verlag, 12-23.

(School of Civil Engineering,Beijing Jiaotong University,Beijing 100044,China)

Building extraction from high resolution multispectral image using object-oriented classification method

TAN Qu-lin,GAO Jiao-jiao

In this study,an object-o riented classification method fo r building extraction is developed and tested on subscenes of an Ikonos scene of low residential urban region.The method includes the follow ing steps:1m panchromatic and 4m multi-spectral bands in the Ikonos scene are fused to p roduce a pan-sharpened 1m multi-spectral image;the 1m multi-spectral image is segmented into image objects;and using spectral and spatial characteristics of image objects,object-oriented classification is performed to classify building class.The results,w hich are compared w ith traditional classification,demonstrate the app licability of the object-oriented classification to the building extraction in the urban environment from high resolution multi-spectral satellite images.

object-oriented image analysis;fuzzy logic;segmentation;classification

TP79

A

1006-7949(2010)04-0030-04

2009-11-26

国家自然科学基金资助项目(40801121);中央高校基本科研业务费专项资助项目(2009JBM 067)

谭衢霖(1975-),男,副教授,博士.

[责任编辑:刘文霞]