基于面向对象的高分影像城市房屋信息提取与分析

文/陶刚 刘洋

居住房屋是提供人们日常起居的空间。居民房屋信息的有效提取对了解房屋的空间散布信息起着很关键的作用。遥感领域的高速发展，使得基于高分遥感影像提取房屋信息成为重要手段。过去的局限于像素层次的基于像元的遥感影像提取信息只使用光谱信息进行分类，常常会有错分漏分现象，分类结果包含大量的椒盐噪声，干扰地面物体的识别，适用于中低分辨率图像的分类。面向对象是以对象为基本分类单元，利用光谱、形状、纹理等特征分类，提取精度较高。通过建立不同策略进行解译，宜于高分影像的分类提取。居住房屋是高分影像里一种比较关键的地物类型。

目前，在运用高分影像提取房屋信息的探索方面，国内学者做了大量探索研究工作。熊增连等[1]结合房屋的形状、阴影、光谱、空间关系，构造出基于知识的决策树房屋提取模型，运用面向对象的高分影像自动提取的方式提高了房屋信息提取效率，但边界需要更加规则化。卢兴、吕道双、刘丹丹等[2-4]研究对高分影像运用多尺度分割和多个规则提取建筑物边缘信息。徐昌荣等利用高分影像上建筑物的各类特征，引入贝叶斯公式计算对象的归属概率属性进行提取分类。乔程、郭怡帆等[5-6]在面向对象分类方法基础上，借助辅助数据，研究运用“自下而上”多尺度分割方法选择密集城区建筑物提取的最佳尺度。谭衢霖等[7]研究基于面向对象分类方法，结合空间、光谱和知识规则去提取IKONOS影像中低密度房屋信息。本文运用基于规则的面向对象高分影像提取房屋信息，运用多种辅助波段和基于边缘的分割算法提高图像分类精度，设定一个理想的高尺度影像分割阈值并结合设定的合并阈值，以减少特征的错分现象。最后根据规则筛选各类地物最终提取房屋信息。

图1：原始影像

图2：技术路线

1 高分影像多尺度分割

1.1 图像分割

图像分割指的是把图像分成几个具有特定性质的区域并提取目标对象方法，图像分割方法包括基于区域、边缘的分割方法。基于边缘分割需要结合合并算法才能达到最佳效果，适用于处理区域内部变化不大，边界对比差异明显，很适合对特定目标的分类。基于区域分割，比如分裂合并法、区域生长法等是通过区域内部的相似性程度来划分。

1.2 多尺度分割技术

单一尺度分割对影像信息提取和分析不够完善，需要对影像从多个尺度进行分割。多尺度影像分割算法会随着分割尺度的不同生产生不同尺度对象层，使得在同一幅影像下会产生不同层次的数据结构，房屋的边缘信息充分利用，房屋边界提取更准确。分割尺度要对各分割参数综合分析，划分异质性最小的影像对象。才能发挥多尺度分割的最大作用，有效提取地物信息。

1.3 多尺度分割参数

1.3.1 光谱因子和形状因子

图3：图像分割结果

图4：面向对象提取的影像

因光谱信息是主要信息数据源，受其影响的光谱因子度量在分割过程中显得尤为重要。通常情况下，用光滑度以及紧密度来表示形状因子。光滑度使得地物边界变得平滑，分割后的影像对象受紧密度因子的影像变得更加规则，由此可以分割出形状松散不规则地物。光谱因子与形状因子的结合称为均质性因子。通过结合，可以达到更高的分类效果。光谱异质性指比较两个影像对象在合并前后的方差变化情况：

上式里c表示波段数，δc表示波段的光谱标准值，ωc表示层的权重。

由目标多边形的边长与该目标多边形外接矩形的最短边的比值得出光滑度异质性计算公式：

由目标多边形边长和构成此多边形的像元个数的比值得出紧密度异质性：

上式里l表示对象的周长，b表示最小外接矩形的周长，n表示最小外接矩形的面积。

由此则可以得出影像形状异质性Δ hshape：

其中，ωcompt、ωsmooth分别为紧密度、光滑度的比重，其中0≤ω≤1，满足ωcompt+ωsmooth=1。

光谱异质性、形状异质性结合可得出两个将要归并的对象总异质性f：

设定异质f的阈值判断分割结束的根据。若设置f的阈值比较大，设置结果的影像对象会比较大，若设置f的阈值比较小，设置结果的影像对象会比较小。

1.3.2 波段权重

波段权重代表了波段信息可用量，范围处于0-1之间，为影像分割进程里重要的分割参数。如果某波段所占的权重低则代表该波段信息用量少，如果某个波段权重高则说明该波段可用信息量多。相异地物在不同波段上呈现出不同的属性特点，在图像处理过程中可以根据具体情况选择最佳波段权重。

1.3.3 分割尺度

一般地，利用多边形对象之间异质性最好的阈值确定分割尺度。由于不同影像不同地物上不同的信息，对自上而下的分割算法而言，分割尺度过大造成房屋破碎；尺度太小，使得房屋与其他地物的粘连，分割尺度太大或太小均会使分类精度产生影响。多尺度分割最佳尺度的选取需要根据地物信息的特征来定。

2 高分辨率影像提取

在影像分割完成后，要地物影像特征进行居住房屋选择和提取。高分辨率影像面向对象提取信息时，不仅仅要考虑影像的基于像元的光谱信息，还要分析图像分割后得到影像对象的形状信息和纹理信息。

2.1 光谱特征

光谱特征是指像元的光谱信息，可以用影像对象的均值、均方差、亮度等来表示。房屋的内部边缘的色调亮度等较均匀，色调随建筑材料的不同而出现差异，周围的植被色调深，与房屋亮度差异大。

2.2 几何特征

地物的形状特征反应了几何特征和形状信息，利用长宽比可以反映呈现矩形程度。一般房屋的形状较为规则，走向排列相似。矢量化后点坐标协方差矩阵可以反映对象形状特征。即：

其中，X和Y分别是该对象的所有像元坐标(x,y)组成的矢量，var(x)，var(y)分别是X和Y的方差，cov(XY)是X,Y之间的协方差。

2.3 纹理特征

纹理特征主要表现在像元灰度值及与周围地物的灰度分布在空间的相关性上，在图像提取过程中起着重要的作用。一般描述灰度的空间相关性是根据灰度共生矩阵，借助条件概率提取图像的纹理特征。

3 高分影像提取实验

3.1 研究区特征及技术路线

本文选取山东科技大学家属区部分区域空间分辨率为0.6 m的多光谱影像（图1）为研究对象，影像中包含了房屋、道路、绿地等主要城市用地类型。

本文主要通过图像分割和影像提取，运用ΕNVI图像处理软件来提取房屋信息。软件操作分为图像分割、特征提取两部分。技术流程图如图2所示。

3.2 影像的多尺度分割

本实验运用基于边缘检测算法，设定阈值为75，在边界图上，大的道路边界、房屋边界较为清晰完整地提取了出来.运用Fast Lambda算法，设置的阈值为80，合并具有类似的颜色和边界大小相邻节段。分割效果对比图如图3所示。

3.3 房屋信息提取

首先划分的是植被覆盖区与非植被覆盖区，本实验运用归一化植被指数对图像划分。选择NDVI波段，设置Normalized Difference阈值最大为0.556.

可以看出选中的区域除了房屋以外，还包括道路、停车坪、裸地等其他地物，需要进行一一剔除。下一步本实验剔除道路干扰，基于屋顶为接近正方形的矩形，而道路为长条形的特点，运用矩形化程度属性进行道路的剔除，设置Rectangular fi t值的范围是0.5-1。

可以发现图中红色选中部分还有一些小斑块和实验区域以外大斑块，这里运用面积属性对小斑块和大斑块进行除剔除设置：Type：Spatial；Name：Area——2000>Area>45。

面积属性操作结果中，可以看出剔除小斑块效果明显，但仍然有一些长条状的地物，需要再引入一个延长线属性进行剔除，设 置：Type：Spatial；Name：Εlongation——Εlongation<3；

将同时满足四条属性的对象提取出来了，得到居民房屋基于规则的面向对象提取的影像图（图4）。

3.4 分类结果与评价

在房屋提取结果中，发现存在过小的斑块，本实验通过ΕNVI Classic进行剔除，从而得到房屋提取分类结果。本实验假定目视解译结果精确，作为验证样本。运用混淆矩阵，对计算机分类提取结果与目视解译结果实行精度评价。

表1：精度评价结果

根据精度评价结果（表1），相对目视解译，尽管面向对象的高分影像信息丰富，但还是存在漏分错分误差。分类的制图精度略高于用户精度，为81%。由计算结果得到Kappa系数为0.7243，分类的总体精度为95.4%。由此可以得出，利用面向对象的高分影像分类结果精度较高。

4 结语

面向对象提取方法能够更好地结合，避免了传统分类方法的局限性。 本文结合高分影像下地物的光谱、空间、形状等特征，运用多尺度分割的算法，综合分析上下文关系，纹理特征和地物特征提取房屋信息，确定影像分割和提取的尺度，创建了精度较高的基于规则的房屋提取图像。很大程度上减少了错分漏分现象，避免了传统分类方法的局限性。虽然面向对象的高分影像提取房屋信息具有较高的优势，但本文仍存在一些需要改进的地方，如选择图像分割的各类参数，主观性较强，需要进一步研究选择最优尺度、边界仍需更加规则化等。这些问题都须要进一步的研究和改进。由于遥感技术的持续发展，相信分类精度不断提高，面向对象分类的遥感技术的应用也会涉及更多方面。