基于植被似然建模与阴影的建筑物提取*

谢明鸿， 张亚运， 高春霞， 郑星星， 黄冰晶

(昆明理工大学 信息工程与自动化学院，云南 昆明 650500)

0 引 言

鉴于此，本文结合植被似然建模，提出了基于植被似然建模与阴影的彩色遥感影像建筑物提取方法。降低了树木等大量植被阴影区域对提取建筑物阴影带来的干扰，且对较小建筑物提取结果较理想。实验表明，其能够有效地提取出建筑物。

1 建筑物提取算法

建筑物提取方法具体流程如图1所示。

1.1 植被似然建模

本文采用彩色遥感影像将植被作为主要背景，通过离线监督学习进行似然建模，实现对植被的提取。主要原因有：植被目标的纹理和色彩在不同的场景中基本保持一致，可以离线地学习植被的统计模型；植被目标与其它目标具有比较明显的色彩和纹理差异，很容易区分来；树木等植被对建筑物信息的提取干扰最严重。

1.1.1高斯混合模型

高斯混合模型[7](Gaussian mixture model，GMM)在图像处理中的具体应用是对背景进行建模

(1)

采用最大期望(EM)迭代算法获得高斯混合模型的未知参数。

1.1.2EM参数估计

EM算法[8]过程分2步实现：

E步骤：在给定参数和不完整数据x的条件下，对y进行估计，获得该数据对(x，y)的似然度；

M步骤：重新估计参数，使得似然度最大，得到模型参数值。

通过不断地EM迭代，最终获得模型参数。根据上述的分析理解，高斯混合模型EM参数估计如下[7]：

2)E步：计算响应

(2)

3)M步：令

(3)

4)重新估计参数

(4)

(5)

(6)

1.1.3似然图像实现

通过对植被模型离线学习，利用EM参数估计方法，可以容易地得到植被色彩的高斯混合模型。由EM聚类可得每个GMM分量的先验概率，因此，计算植被似然图像，可以先通过概率推导的方式获得每个像素点属于植被的隶属度。本文中的植被区域视为背景，其似然图像应该变为前景似然图像，即当前点指“非植被”的似然度。RGB色彩值用c表示在像素点处，GMM分布个数用K表示，πi表示i分量的权重，色彩值x隶属于i分量的概率用pi(c) 表示。则每个像素点属于植被的隶属度为

(7)

似然图像的实现流程如图2所示。

图2 似然图像产生流程

1.2 建筑物阴影提取

采用mean-shift算法[9]在过分割的基础上提取建筑物阴影。根据遥感影像中阴影具有色度增强和亮度降低的特性，采用色调与亮度的比值提取阴影。前提为将获取的遥感图像的RGB值转换成HIS方可进行计算[10]。主要实现过程如下：

1)进行RGB与HSI色彩空间转换；

2)从HIS中获取H和I的值，并计算H/I[11]，将得到的新图像用Ostu阈值法[12]分割，结果呈现出一个仅含阴影的二值图像；

3)除去树木阴影后剩余部分即为建筑物阴影。

1.3 建筑物提取

1.3.1最近阴影区域

通过计算阴影区域像素距离确定候选区域，首先需确定阴影扩张区域。为了判读结果更精确，仅考虑与光照方向相反的区域，例如假设光照方向为北向，那么候选区域只可能存在阴影的南、东南和西南方向。像素距离计算实现原理如图3所示。

图3 距离计算图解说明

从图3(a)可知，光照方向为结构元素1～0的方向，即阴影扩张区域就在结构元素为1的位置。图3(b)黑色区域表示阴影，灰色区域表示阴影扩张区域，仅在扩张区域内计算像素到阴影的距离，将离阴影最近的区域设为1，根据像素距离计算公式可知，与紧邻的像素距离为1.4，依次为2.2，2.8等，扩展区域外像素距离设置为无穷大，具体如图3(c)所示。在每个阴影区域内均进行上述计算，发现大部分像素具有多个距离值，为了确保距离最近的阴影区域，将最小值设为像素距离。

1.3.2确定候选区域

在剔除植被干扰的前提下借鉴文献[13]候选区域确定方法。对于每个阴影区域在光照的方向处均有2个端点，该端点由光照方向决定，如图4(a)所示，位于阴影区域的最右边最下方和最下方最右边两处。将该连通区域绕其端点旋转180°后形成一个封闭的区域，即可获得图4(b)中候选区域。通过计算候选区域内部的面积百分比即得到一个真正存在的区域，如图4(c)所示。

图4 候选区域的判定

1.3.3形态学后处理

由于各种干扰因素的存在或是研究方法本身存在的弊端，上会出现部分图像误检、漏检、孔洞以及边缘不够清晰等问题，需要数学形态学处理：对图像实施开运算，消除图像上的斑点、去噪；再对图像实施闭运算，填补孔洞、连接临近物体以及平滑边界。最终获得精确的地物区域。

2 实验结果与分析

选取2幅相同分辨率、不同区域的彩色Quick Bird卫星影像进行实验，采集时间为夏季。

2.1 数据1实验结果与分析

数据1为某地区分辨率为0.61m的遥感影像，如图5(a)所示。为城区低矮建筑物影像，植被和阴影为建筑物提取的主要干扰特征。

1)似然建模:读入原图像，由于背景统计模型用K分量的GMM表示，植被似然图像因K值的不同而不同，因此，需要针对不同的K值进行实验，由实验结果找到对似然图像干扰最小的K值(本文选取K=5)。然后根据1.1节得到植被区域，如图5(b)所示。比较图(a)与(b)，可以看到植被提取比较完整，误检、漏检的植被区域较少。

2)阴影提取:对图像进行过分割，使得同一区域内具有同质性，不同区域间具有异质性，在此基础上进行阴影提取，利于大面积阴影提取的实现。在过分割的过程中，对于不同的带宽参数取值，将影响分割的结果。当参数值较大时，过分割严重，当参数较小时，图像很多信息将被漏掉，导致欠分割现象。经过多次试验证明:带宽取值在0.5～13范围内时，分割结果较好。本文带宽为9时实现过分割(经过大量试验证明，如果两幅图像的色彩比较相近，此步骤具有通用性，可以直接省略)。结果如图5(c)所示。

分别计算出样本在HSI颜色空间的H,S,I值，将H/I作为阈值，进行Otsu阈值分割可以得出阴影区域，目标区域范围全部表示成白色，非目标区域直接设为0，如图5(d)所示结果。

3)形态学处理由:提取结果看出:图像中仍有零星斑点，这是由于部分树木阴影造成的，为了不影响下面的实验，对提取结果进行数学形态学优化处理，最终提取结果如图5(e)所示。与直接进行阴影提取相比较，如图5(f)所示，此方法降低了树木阴影的误检，提取形状、大小较完整，更接近实际情况。

4)建筑物提取:从图5(e)中可以看出:经过植被似然建模，阴影提取和形态学后处理之后，得到了较好的建筑物阴影提取结果，最后通过计算最小阴影像素距离确定候选区域，结合QDA分类法提取出最终的建筑物，如图5(g)所示。与原图像相比，图像中大部分建筑物被完整的提，但是仍然存在部分漏提和误提现象(图5(g)圆圈标记)，特别是足球场被误提，原因主要是足球场与周围建筑物颜色信息比较接近，仅靠色彩信息无法有效提取，可通过结合DSM数据排除足球场等类似场景的干扰。

图5 数据1提取结果

2.2 数据2的实验结果与分析

数据2为某地区分辨率为0.61m的遥感影像，对建筑物提取主要的干扰为植被和小建筑物等。具体提取结果如图6所示。

图6 数据2提取结果

由图6(d)与图6(a)相比可知，数据2中几乎提取出了所有的建筑物，与数据1一样，仅有个别建筑物漏提(图6(a)中标记区域)。

由以上2个实验的提取结果可知：本文算法对存在阴影、植被等的城区影像建筑物提取效率较高，提取的建筑物比较清晰，接近实际。

2.3 本文方法评价

为了比较本文方法与传统方法的效果，下面对数据1和数据2分别用传统的阈值分割的方法[4]和基于LSD线段检测[14]进行处理，提取效果如图7所示。

图7 传统方法提取结果

2.3.1定性评价

将2种传统方法和本文方法提取结果进行认真比较后发现：基于阈值分割的建筑物提取方法，虽然已经被证明实用性较好，但是在提取大量被植被阴影干扰的建筑物时(如数据2实验)，树木阴影和建筑物阴影难以区分；基于LSD线段检测对细节的过度提取造成误提建筑物较严重，且算法速度也比较慢。而本文方法只有少量误提和漏提现象，因此，本文方法具有较好的鲁棒性。

2.3.2定量评价

为了对本文方法做出更准确的评估，借鉴朱庆等人[15]对精度的评估方法衡量检测结果。主要使用了3个指标对提取结果做定量分析：检测率(detection rate,DR)作为衡量检测结果的标准，代表能检测到真正建筑物的精度；假负率(false negative rate,FNR)表示在检测过程中真实建筑物误判为非建筑物的概率；总体精度同时考虑了检测结果的准确性和完整性，是一个综合性的判断指标。结果如表1。

表1 定量分析 %

3 结束语

提出了植被似然建模并结合阴影提取建筑物的方法。有效消除了植被等在提取中的干扰，但仍存在一些不足：当遇到建筑物密集，阴影特征较弱的影像时，提取结果精确度降低；在剔除植被的时候，建模考虑的因素比较少，还需人工参与；目标建筑物与周围场景颜色信息比较接近时，仅靠色彩信息无法将建筑物与周围场景进行有效区分。

[1] Chaudhuri D,Kushwaha N K,Samal A,et al.Automatic building detection from high-resolution satellite images based on morphology and internal gray variance[J].IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing,2016,9(5):1767-1779.

[2] 曹 流,金龙旭,陶宏江,等.基于DCT的遥感图像融合算法[J].传感器与微系统,2015,34(9):124-127.

[3] Gilani S,Awrangjeb M,Lu G.An automatic building extraction and regularisation technique using LiDAR point cloud data and orthoimage[J].Remote Sensing,2016,8(3):258.

[4] Shi W,Mao Z.Building extraction from panchromatic high-resolution remotely sensed imagery based on potential histogram and neighborhood total variation[J].Earth Science Informatics,2016,9(4):497-509.

[5] Tomljenovic I,Tiede D,Blaschke T.A building extraction approach for airborne laser scannerdata utilizing the object based image analysis paradigm[J].International Journal of Applied Earth Observation & Geoinformation,2016,52:137-148.

[6] Drǎgut L,Csillik O,Eisank C,et al.Automated parameterisation for multi-scale image segmentation on multiple layers[J].ISPRS Journal of Photogrammetry & Remote Sensing Official Publication of the International Society for Photogrammetry& Remote Sensing,2014,88(100):119-127.

[7] 刘 嘉.视觉计算中的离线和在线样本学习研究[D].北京：中国科学院电子学研究所,2005.

[8] Dempster A.Maximum likelihood from incom plete data via the EM algorithm[J]. Elearn,1977,39(1):1-38.

[9] Comaniciu D,Meer P.Mean shift:A robust approach toward feature space analysis[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2002,24(5):603-619.

[10] Gonzalez S l.Digital Image Processing[M].2nd ed.Beijing:Publishing House of Electronics Industry,2004:228-240.

[11] Aytekin Ö,Ulusoy,Abacioglu E Z,et al.Building detection in high resolution remotely sensed images based on morphological operators[C]∥International Conference on Recent Advances in Space Technologies.2009:376-379.

[12] Ohtsu N.A threshold selection method from gray-level histograms[J].IEEE Transactions on Systems Man & Cybernetics,1979,9(1):62-66.

[13] Dikmen M,Halici U.A Learning-based resegmentation method for extraction of buildings in satellite images[J].IEEE Geoscience & Remote Sensing Letters,2014,11(12):2150-2153.

[14] Gioi R G V,Jakubowicz J,Morel J M,et al.LSD:A fast line segment detector with a false detection control[J].IEEE Transactions on Software Engineering,2010,32(4):722-32.

[15] 朱 庆,徐胜华,韩李涛.基于D-S证据理论的彩色航空影像阴影提取方法[J].自动化学报,2007,33(6):588-595.