用于数字表面模型建筑物分割的LS-ORTSEG方法*

闫奕名 赵春晖 崔颖

(哈尔滨工程大学 信息与通信工程学院， 黑龙江 哈尔滨 150001)

用于数字表面模型建筑物分割的LS-ORTSEG方法*

闫奕名 赵春晖 崔颖

(哈尔滨工程大学 信息与通信工程学院， 黑龙江 哈尔滨 150001)

基于数字表面模型(DSM)的建筑物分割是遥感三维城市建模的关键技术之一.为解决DSM分割中因地形起伏和边界处干扰物等引起的建筑物分割精度低的问题，文中提出一种层次化的建筑物分割方法LS-ORTSEG.该方法首先利用水平集方法初步提取各个潜在的建筑物区域，对各潜在区域进行适当扩展，进而针对扩展区域利用一种基于多重随机纹理模型的分割方法进行精细分割，进一步优化建筑物局部边界分割结果.实验表明，文中方法能够有效提高建筑物分割精度.

数字表面模型； 建筑物分割； 水平集； 多重随机纹理模型

多年来，随着遥感三维信息获取技术的迅猛发展，基于数字表面模型(DSM)的建筑物三维重建技术成为遥感信息处理领域的一大研究热点，逐渐成为实现精细三维地图制作、城市建模及可视化的必要工作[1- 6]，而从DSM中提取建筑物屋顶三维结构显然是首要工作.由于数据格式的相似性，在许多情况下，DSM往往作为数字图像进行处理.因而，图像分类、分割、边缘检测，或一些其他滤波方法等[7- 13]同样可用于处理DSM.DSM能够描述地表及地物的高程信息，由于建筑物通常是地表的主要凸起地物，许多研究人员提出基于水平集(LS)理论的方法来提取建筑物[14- 15].然而，当DSM地面分辨率较高时，由于建筑物周围各种低矮设施、树丛等干扰，使得建筑物边界的分割精度难以保证.MCCANN等[16]总结了当今绝大多数通用的图像分割方法的缺陷，认为现有方法过分关注分割区域的边界的描述和信息变化，致使传统方法对很多边界模糊的情况无效.MCCANN提出了一种多重随机纹理模型——ORTSEG，利用局部直方图特征建立无监督数学优化模型.ORTSEG方法具有十分优秀的处理效果，并且善于处理边界模糊或边界干扰较大的问题.因而可利用该方法处理DSM中建筑物分割问题，改善建筑物屋顶边缘的分割效果.然而，该方法的缺陷是对参数设定要求较高，并且不易处理由于地形起伏而产生的负面影响.综上，为了保留ORTSEG方法原本强大的局部边界处理能力，同时削弱地形起伏对分割结果的不良影响，文中提出一种层次化的建筑物分割方法LS- ORTSEG，结合水平集理论Level- Set和多重随机纹理模型ORTSEG的各自优势，来解决基于DSM的建筑物分割时地形起伏和边界模糊等干扰引起的分割精度低的问题.首先利用Level- Set方法初步检测建筑物区域，并通过几何特征滤波筛选潜在建筑物区域来缩小ORTSEG方法的处理范围，进而利用ORTSEG方法处理各潜在的局部建筑物区域，既能够减少全局地形对ORTSEG方法的影响，又能发挥ORTSEG方法在局部处理中的优势.

1 基于LS- ORTSEG方法的DSM分割技术

1.1 基于ORTSEG的DSM分割原理

ORTSEG方法是由MCCANN等[16]在2014年提出，该算法首先将图像或数字矩阵表示为一系列随机纹理的组合叠加的形式，进而利用局部直方图变换、非负矩阵分解(NMF)以及图像去卷积等方法构造并求解基于图像统计特征的逼近优化模型，动态地搜索并获取对图像区域的无监督分类结果.ORTSEG方法在处理分割边界模糊方面是非常有效的，而在DSM中的建筑物局部边缘部位，周围环境中往往会存在如树丛、山坡等干扰因素，致使这些边缘处不易处理，而ORTSEG方法正适合处理这种情况下的分割问题，下面具体介绍ORTSEG方法原理.

首先定义指示函数方程为

(1)

式中,C表示某实数集，当某一样本x满足x∈C时，1C(x)函数值为1，否则为0.

然后，定义图像的局部直方图变换为

(2)

式中：x∈X，v∈V,X广义代表图像中的像素，x为某一像素，V广义代表图像内各ω大小的窗口内的所有x的均值，v为某一窗口中x的均值；局部直方图变换Lωf(x，v)是一个和为1的均值滤波器，其中ω为滤波窗口大小，将在x位置周围3×3的邻域内的像素值x′赋为v.

(3)

(4)

为了更直接地求解式(4)，通过变量松弛来进行一种近似，如式(5)所示：

(5)

鉴于以上原理，文中基于ORTSEG方法针对DSM数据的处理过程可总结为如下步骤：

1)首先利用k均值聚类的方法对DSM数据矩阵进行量化，得到量化后等大小的矩阵M；

2)用式(2)对M进行局部直方图变换.在这一步中，首先将M按式(3)进行处理，依据像素值相同的原则将其分为多个随机纹理图的组合，划分的层数可自行设定，并保留这些像素在原图像中的位置，利用均值滤波的方法对从原图像中分出的每层图像进行均值滤波，从而得到局部直方图变换结果Y.

3)利用非负矩阵分解，Yn×m≈Wn×r×Hr×m.其中权重矩阵H的每一行可以变形为一幅图像的权重an，在模糊意义下它可以视为指示函数ω*1{n}(σ)，为了从图像中恢复出指示函数σ，需求解式(6)进行去卷积：

(6)

5)确定指示函数中对应建筑物区域的类别标签，将建筑物区域进行标记.

1.2 基于LS-ORTSEG方法的建筑物分割

尽管ORTSEG方法在处理边界模糊问题时有突出的优势，然而，用于DSM分割时却存在不足之处.由于采用无监督分类的策略，ORTSEG方法中“类别数”参数的设置存在与待处理数据的实际类别数不对称的情况.例如，如果将场景区域DSM按照2类进行分割，那么平地区域和低矮树丛可能归为其中一类，高大树木和建筑物归为另一类，但如果按照3类进行分割，树木和建筑则不是一类.因而，当对一个较大地区的DSM设置一个共同的类别数时，就会顾此失彼.而由于文中针对建筑物进行分割，这种单一的设置会使得算法或将建筑物与高低起伏的地势混为一类，或将同样为建筑物的不同局部归为不同类别.

虽然ORTSEG方法具备自适应删减类别数的处理，但该处理在实际应用中并不稳定，难以较好地解决这类问题.于是，文中采用层次化的分割方式，首先确认建筑物区域的初步位置，进而利用ORTSEG方法处理各个局部的建筑物区域，这样既避免了建筑物的分割受到DSM全局地势起伏的影响，又能保证局部区域的分割效果.

LS-ORTSEG方法是将水平集方法与多重随机纹理模型相结合，其基本流程框架如图1所示，主要包括以下几大步骤：

(1)首先利用基于Chan-Vese模型的水平集方法(CV模型)[14]处理全局DSM，初步锁定S个连通域为潜在的建筑物区域.将建筑物区域标记为1，非建筑物区域标记为0，即获得全局DSM的二值分割结果；

(2)提取S个连通域的区域面积，矩形度等几何特征，设定筛选阈值，筛除部分非建筑物区域；

(3)提取经筛选后的潜在建筑物区域的最小外接矩形(MER).进而对各区域进行如图2所示的扩展，形成NEBR个扩展建筑物区域(EBR).

EBRi=MERi∪EXi(Δx′， Δy′)

(7)

第i个EBR是第i个的最小外接矩形MER和扩展区域EX在原DSM区域的并集.其中，Δx′、Δy′是水平和垂直方向上的扩展距离参数.如果建筑物处于原DSM的近边界处，则相应方向上扩展距离Δx′、Δy′要缩小至边界处，而另一侧保留原值.此外，为避免扩展区域过大而覆盖其它建筑物，根据不同DSM的分辨率，Δx′和Δy′的取值应小于建筑物间最小间隔像素数.

(4)将每个EBR视为一幅独立图像，分别利用ORTSEG方法进行次级分割.

据此，可将各建筑物从DSM中较为精细地分割出来.

图1 LS- ORTSEG分割流程图

图2 建筑物区域扩展示意图

2 实验分析

本部分所采用的实验数据来自于德国Vaihingen地区，该数据由德国摄影测量协会遥感信息中心提供，配有人工测量的地面真值图[17]，便于对分割结果进行分析和验证.如图3所示，该DSM地面分辨率约为0.25m，针对典型的4个建筑物区域进行实验分析和对比.实验的软件仿真环境为Matlab2016a，戴尔Inspiron5557笔记本电脑(CPU为Intel酷睿i5 6200U， 内存为4GB).

在ORTSEG方法中，一些必要参数的配置是保证分割效果的关键，其中最为重要的两个参数是Hist.wSize和NumTextures，Hist.wSize用于设定局部直方图变换时的滤波窗口，该参数往往要参考输入数据的地面分辨率，根据经验进行设置，在针对该数据处理时，由于分辨率较高，将其设置为3.NumTextures是用于设定要将输入区域分成的类别数，需要根据分割需求进行设定，由于该德国区域数据真值图将其划分为5个类别，在实验中，将ORTSEG方法的该参数设置为5.而对于LS-ORTSEG来说，由于前一阶段的Level-Set已经初步锁定了建筑物区域，在各个EBR中几乎只有建筑物和地面上各类低矮的干扰因素，因而将LS-ORTSEG的该参数设置为2.鉴于ORTSEG和LS-ORTSEG都是基于无监督分类的分割方法，采用精度来评价分割结果:

图3 德国Vaihingen地区数据

R=(P+F)/(P+F+A+T)

(8)

式中，R为分割精度，P为原本为正且被判断为正的像素数，A是原本为负却被判断为正的像素数，F是原本为负且被判断为负的像素数，T是原本为正却被判断为负的像素数.

分别针对Level-Set、ORTSEG方法以及LS-ORTSEG方法进行实验和比较，对4个典型建筑物分割的客观和主观结果分别如表1和图4所示.

从对比结果中能够发现不同方法所分出的建筑物整体是相近的，但在局部细节有着一定差异.ORTSEG方法针对建筑物1-3的处理优于Level-Set方法，而针对建筑物4的处理精度低于Level-Set方法，这是由于建筑物4左下方的低矮建筑物部分造成的干扰，ORTSEG方法会权衡全局统计信息而将该部分归为非建筑物类，而文中提出的LS-ORTSEG方法只对扩展区域进行ORTSEG方法，因而能够更好地处理局部细节的分割，从而相对其他两种方法获得较高的分割精度.

表1 各方法的分割精度

进一步地，为了分析不同参数设置对ORTSEG方法的影响，同样利用该组数据，针对不同的参数设置的ORTSEG和LS- ORTSEG方法进行比较.如图5(a)所示，在Hist.wSize设为由3-9的不同情况时，建筑物的整体分割精度相对平稳，均在该参数设置为5左右时取得了较高的精度.虽然这能够在一定程度上反映出对大小为5的窗口的局部直方图统计是针对当前数据是更合适的选择，但该参数对最终分割精度的影响并不是特别突出.实际上，Hist.wSize的设置不但与DSM的分辨率有关，更与所分割的建筑物大小关系密切，因而需根据实际情况进行适当设置.

图4 典型建筑物分割结果

图5 不同参数设置时建筑物分割精度曲线

Fig.5 Segmentation accuracy curves of buildings with different parameters

而对于NumTextures参数而言，由于LS-ORTSEG的该参数锁定为2，分类精度与该参数无关.如图5(b)所示，改变原始ORTSEG方法的NumTextures参数时，对分割结果的影响则比较明显，由于该区域真值图类别数为5，当该参数设置为5时，所得到的分割结果最好，而其他设定则会产生较大误分.根据实验曲线和分析容易看出：在均衡考虑全局分割效果和建筑物局部细节提取的情况下，LS-ORTSEG相比原始ORTSEG算法有一定优势.

3 结语

本研究基于DSM数据的建筑物分割方法，根据DSM数据中建筑物区域特点，提出了LS-ORTSEG的层次化分割方法，利用水平集方法锁定建筑物区域，进而利用ORTSEG方法善于处理边界不明显的特性进行局部处理，解决由于全局地势影响和算法本身缺陷所造成的局部分割不理想的问题.通过实验对比分析了Level-Set方法、ORTSEG方法、以及LS-ORTSEG方法的实际处理效果，证明了文中所提方法的有效性和先进性.在未来研究中，该方法可进一步结合光学遥感图像针对建筑物区域进行深入分析和应用.此外，针对不同应用下的遥感图像分割处理需求，原始ORTSEG方法在量化方式和参数优化等多个方面也同样具有进一步的改进空间.

[1] YAN J， ZHANG K， ZHANG C， et al. Automatic construction of 3-D building model from airborne LIDAR data through 2-D snake algorithm [J]. IEEE Transactions on Geoscience & Remote Sensing， 2015， 53(1): 3- 14.

[2] ABAYOWA B O， YILMAZ A， HARDIE R C. Automatic registration of optical aerial imagery to a LIDAR point cloud for generation of city models [J]. ISPRS Journal of Photogrammetry & Remote Sensing， 2015， 106: 68- 81．

[3] 马红. 利用高精度DSM数据提取建筑物轮廓算法研究 [J]. 测绘通报， 2015(4):111- 113，124． MA Hong. Research on algorithm for building outline extraction based on high- precision DSM data [J]. Bulletin of Surveying and Mapping， 2015(4):111- 113，124．

[4] 张弛， 葛莹， 张骏源. 基于资源三号测绘卫星DSM的精度评估研究 [J]. 测绘与空间地理信息， 2016， 39(4):159- 161． ZHANG Chi， GE Ying， ZHANG Jun- yuan. ZY- 3 surveying and mapping satellite DSM accuracy assessment [J]. Geomatics and Spatial Information Technology， 2016， 39(4):159- 161．

[5] AREFI H，REINARTZ P. Building reconstruction using DSM and orthorectified images [J]. Remote Sensing， 2013， 5(4):1681- 1703．

[6] ZHANG L， Han C，ZHANG L， et al. Web- based visua-lization of large 3D urban building models [J]. International Journal of Digital Earth， 2012， 7(1):1- 15．

[7] LI Y， ZHU L， TACHIBANA K， et al. Morphological house extraction from digital surface model and imagery of high- density residential areas [J].Photogrammetric Engineering and Remote Sensing， 2016， 82(1):21- 29.

[8] TAO J，AUER S. Simulation- based building change detection from multiangle SAR images and digital surface models [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2015， 9(8):3777- 3791．

[9] MERCIOL F， LEFEVRE S. Fast building extraction by multiscale analysis of digital surface models [C]∥ Proceedings of IEEE Geoscience and Remote Sensing Symposium.Milan: IEEE Geoscience and Remote Sensing Society, 2015: 581- 587．

[10] WANG J， YANG X， QIN X， et al. An efficient approach for automatic rectangular building extraction from very high resolution optical satellite imagery [J]. IEEE Geoscience and Remote Sensing Letters， 2015， 12(3): 487- 491.

[11] HUSSAIN E， SHAN J.Urban building extraction through object-based image classification assisted by di-gital surface model and zoning map [J]. International Journal of Image and Data Fusion， 2016， 7(1): 63- 82.

[12] YANG X， WANG J，QIN X， et al. Fast urban aerial image matching based on rectangular building extraction [J]. IEEE Geoscience and Remote Sensing Magazine， 2015， 3(4):21- 27.

[13] TIAN P，SUI L. Building contours extraction from light detect and ranging data [C]∥Proceedings of IEEE Symposium on Photonics and Optoelectronics (SOPO).Wuhan: Wuhan University,2011:1- 3.

[14] JIA B， ZHANG Y，CHEN Y， et al. A novel level set framework for LOD2 building modeling [C]∥Proceedings of 2012 19th IEEE International Conference on Image Processing (ICIP). Orlando:Rochester Institute of Technology， 2012: 1781- 1784．

[15] LIN Y，YANG Y. Non-parametric multiple level set model for efficient image classification in urban areas [C]∥Proceedings of IEEE Urban Remote Sensing Event.Shanghai：Institute of Remote Sensing Applications， Chinese Academy of Sciences，2009：1- 6.

[16] MCCANN M T， MIXON D G， FICKUS M C， et al. Images as occlusions of textures: a framework for segmentation [J]. IEEE Transactions on Image Processing， 2014， 23(5):2033- 2046．

[17] CRAMER M. The DGPF-Test on digital airborne camera evaluation-overview and test design [J]. Photogramme-trie-Fernerkundung-Geoinformation，2010，2010(2):73- 82.

LS-ORTSEG Method for Segmentation of Buildings in Digital Surface Model

YANYi-mingZHAOChun-huiCUIYing

(College of Information and Communication Engineering, Harbin Engineering University, Harbin 150001, Heilongjiang, China)

Segmenting buildings in digital surface model (DSM) is a key technique of 3D city reconstruction based on remote sensing data. In order to overcome the poor performance caused by the negative interference of topographic relief and edge in the segmentation of buildings in DSM, a hierarchical segmentation method named LS-ORTSEG is proposed in light of both level-set (LS) method and the model of occlusions of random texture (ORTSEG). In this method,firstly, the potential building regions are extracted roughly by means of the LS method. Secondly, the regions are expanded properly. Then, the expanded regions are segmented by using the ORTSEG for an optimized segmentation of buildings. Experimental results show that the proposed method can improve the segmentation accuracy of buildings effectively.

digital surface model; building segmentation; level-set; multiple random texture model

2016- 05- 25

国家自然科学基金青年科学基金资助项目(61601135);黑龙江省自然科学基金重点资助项目(ZD201216) Foundation items: Supported by the National Natural Science Foundation of China for Young Scientists(61601135)and the Key Program of the Natural Science Foundation of Heilongjiang Province of China(ZD201216)

闫奕名(1982-)，男，博士，讲师，主要从事遥感图像处理研究.E-mail:yanyiming@hrbeu.edu.cn

1000- 565X(2017)03- 0029- 06

TP 751

10.3969/j.issn.1000-565X.2017.03.004