综合灰度与LBP纹理特征的高分三号卫星SAR图像建筑区提取方法研究

刘 杨,邓鸿儒,徐梦竹

(河海大学地球科学与工程学院,江苏 南京 211100)

随着我国经济发展,城市化进程加快推进,人口和建筑的增多对经济发展和周边环境带来了新的问题和挑战,因此建筑区的提取在地图更新、城区和道路规划以及环境治理等方面具有重要的理论和应用价值。高分三号卫星于2016年8月10日发射,2017年1月23日正式投入使用,是我国首颗分辨率达到1 m的C频段多极化合成孔径雷达卫星。高分三号卫星的投入使用填补了民用高分辨率合成孔径雷达卫星的空白,标志着高分专项全天时全天候对地观测能力初步形成,对服务经济社会发展、保障国家安全和民生安全具有重要意义。由于合成孔径雷达(SAR,synthetic aperture radar)影像全天时、全天候、穿透能力强的特点[1]和SAR技术的不断发展,基于SAR图像的城区环境研究已经成为一项重要的课题。

SAR图像中含有丰富的纹理信息,不同地物的排列方式和粗糙程度会呈现出不同的纹理特征。由于建筑区的建筑排列齐整、形状规则,与其他地物相比,建筑区的纹理特征较为明显,因此国内外学者将纹理分析用于SAR图像的信息提取。吴樊等[2]利用灰度共生矩阵提取了高分辨率SAR图像的纹理特征,结合非监督分类提取了居民地。赵凌君等[3]提出了一种基于灰度共生纹理分析的建筑区提取方法,使用Bhattacharyya距离进行特征选择并有效提取了建筑区。徐佳等[4]将灰度共生矩阵与灰度结合,有效地提取了高分辨率星载SAR图像的建筑区。江畅等[5]利用纹理特征参数和极化分解分量作为依据,使用面向对象的方法成功进行了建筑区的提取。

一直以来,灰度共生矩阵被用来提取影像的纹理特征,并取得了非常好的效果,但是其计算复杂、窗口参数多变、特征数量多的特点大大限制了工作效率。近年来,局部二值化(LBP,local binary patterns)特征作为一种新的纹理提取方法,在医学、计算机图像识别等领域得到了广泛的应用,但在SAR图像解译方面却寥寥无几。研究结合上述参考文献,综合利用灰度和LBP特征,提出了一种适用于高分三号卫星SAR图像的建筑区提取方法,并以高分三号卫星QPSI数据进行实验。

1 综合灰度与LBP纹理特征的建筑区提取方法

1.1 局部二值模式

1996年Ojala等[6]针对纹理图像的分类问题提出了LBP方法,之后该方法在计算机视觉和模式识别领域引起了广泛关注。LBP是一种描述图像局部纹理特征的算子,能够反应图像中单个像素和周围像素的关系。经典的LBP算子定义为一个3×3的窗口,以窗口中心像素的灰度值为阈值,和相邻的8个像素的灰度值比较,若周围像素值大于中心像素,则该位置被标记为1,否则标记为0。进而得到一个8位数的二进制数值,将该值转化为十进制数值,然后赋予窗口中间的像素,如图1所示。

图1 经典LBP算子Fig.1 Classical LBP operator

经典的LBP算子用公式可以表示为

(1)

其中:xc、yc表示中心像元的位置;Ic表示中心像元的灰度值;Ip表示窗口周边像元的灰度值;s(x)的函数表示为

(2)

经典LBP算子具有固定的覆盖区域,只有3×3的窗口模式。2002年Ojala等[7]提出了圆形LBP算子,用圆形邻域代替了正方形邻域,将经典LBP算子的3×3窗口扩大到了半径为R的任意范围,改进后的LBP算子在圆形区域内含有P个均匀分布的采样点,如图2所示。

图2 圆形LBP算子Fig.2 Circular LBP operator

圆形LBP算子的数学公式为

(3)

由于采样点并非经典LBP算子中那样使用像元位置定位,而是分布在圆形边界上,所以每个采样点所在的像元位置xp、yp需要通过计算得到,即

(4)

计算出的LBP值统一变换至[0,255]的范围内。

1.2 建筑区提取方法

灰度与LBP算子提取的纹理特征相结合的SAR图像建筑区提取方法流程如图3所示。具体步骤为:

(1) 对高分三号卫星SAR图像进行滤波等预处理;

图3 建筑区提取流程Fig.3 Architectural district extraction flowchart

(2) 获取极化数据的Span图像;

(3) 依据选适合数据的最佳算子参数,并使用圆形LBP算子提取数据的纹理特征;

(4) 预处理后的SAR图像仍存在少量噪声,导致Span图像存在过高的异常值需要剔除,然后将Span图像变换为LBP纹理特征的尺度并将二者进行进行波段组合;

(5) 利用K均值聚类算法对组合后的图像进行非监督分类;

(6) 对分类图像进行后处理,剔除孤立的像素点和斑块,最终获得提取结果。

2 实验过程

2.1 实验数据和研究区

高分三号卫星具有多种成像模式和分辨率的选择,凭借较高的分辨率和多极化模式的影像,其可为人类提供丰富的目标信息,大大提高了我国对地观测的能力和水平。表1列出了高分三号卫星的平台指标和成像模式。

表1 卫星平台指标

实验所用数据为高分三号卫星QPSI模式全极化数据,分辨率为8 m。我们截取了河北省固安县(116°17′E,39°19′N)所在地850×1 000的图像作为研究区域(见图4(a)),图4(b)是从Google-Earth上获取的研究区对应的光学图像。从图4(a)可知,由于SAR成像的机制以及建筑物在地面较为突出、排列整齐的特点,建筑区在SAR图像中的亮度较高,并且比其他地物具有更为明显的纹理特征。为了验证方法的适用性,使用圣弗朗西斯科地区的Radarsat-2影像的示例数据作为实验区二,对比提取结果(见图4(c)、(d))。

图4 研究区示意图Fig.4 Study area map

2.2 圆形LBP算子参数的确定

圆形LBP算子的邻域可以扩大至任意范围,根据简丽琼[8]的研究,LBP的半径和采样点的数量均会对纹理特征的提取结果造成影响。为了确定最佳的提取参数,在原始图像上裁剪多个建筑区和非建筑区的实验样本,采用不同半径和采样点数量的LBP算子进行实验,获取纹理提取结果。通过对比不同算子的建筑区与非建筑区纹理特征之间的巴氏距离[4](BD,Bhattacharyya distence)来确定区别效果最好的算子参数。根据文献[7]选择了15组参数为{(R,P)|P=3R,R=1,2,3...15}的LBP算子进行实验,BD值随半径大小的变化曲线见图5。图5显示随着半径增大,建筑区和非建筑区的BD值随之增大,原因是算子随着半径增大逐渐适应了图像的分辨率和建筑的纹理特征;而后半径继续增大,算子窗口过大导致对纹理的监测敏感度下降,并且窗口边缘的信息损失越来越严重,因此BD会呈现下降趋势。对于该实验数据,半径为7的LBP算子对建筑区和非建筑区的区别度最高。为了确定采样点对纹理提取结果的影响,设置半径不变(为7)而采样点为(8,16,24,…,8R)的对照实验(见图6)。图6表明半径为7,采样点为24的圆形LBP算子比较合适。

2.3 实验结果与精度

实验分别采用提出的方法和无纹理参与的方法对研究区的建筑区进行提取,结果如图7和图8所示。对比图7(a)和图7(b)可以清楚地看到,和无纹理参与的分类结果相比,灰度与LBP算纹理特征相结合的方法提取出的建筑区更加完整,并且建筑区内部的孔洞被填充,非建筑区也能够被有效地分类出来。该方法不仅对大面积的建筑区有效,对于周边的单一建筑群效果相对更好。同样,该方法对于影像中灰度和纹理特征均不够明显的低矮建筑区分类表现不佳。图8中2种方法均可以提取出实验区二的主体建筑区,但由于SAR影像侧视成像的特点,海岸和山脉的后向散射强度较大,在影像中的亮度也比较高,只利用灰度特征提取的建筑区结果会受到较大的影像,在图像中呈现出细碎斑块。但这些非建筑地物的纹理特征与建筑有明显区别,因此综合LBP纹理特征与灰度的方法能够较好地提出图中的非建筑亮斑。

图5 BD值随半径大小变化曲线Fig.5 Change curve of BD values with radius

图6 半径为7时BD值随采样点数量变化曲线Fig.6 Change curve of BD values with the number of sampling points when the radius is 7

图7 实验区一建筑信息提取结果Fig.7 Results of building information extraction in the experimental area 1

图8 实验区二建筑信息提取结果Fig.8 Results of building information extraction in the experimental area 2

为了定量评价提取效果,依据光学影像通过目视解译制作了研究区的groundtruth标记影像,如图7(c)、8(c)所示,并据此进一步计算分类结果的混淆矩阵,其检测率PDR、漏警率PME和虚警率PFE[9]分别表示为

(5)

(6)

(7)

其中:NTP、NMP、NFP分别表示正确划分的、漏分的和错分的建筑区的像元个数。精度计算结果如表2所列。

表2 精度分析结果

由表2可以看出,实验区一中无纹理信息参与分类的结果,对建筑区的漏分现象较为严重,对于较为稀疏的建筑区信息丢失严重,无法完整提取出建筑区的边界,总体分类精度为78.2%。 灰度与LBP算纹理特征相结合的方法对建筑区的漏分减少了20%左右,总体分类精度提高至85%以上,和无纹理参与的方法相比精度提高8%。从实验区二的建筑区提取结果来看,建筑区主体均被较好的提取出来,因此2种方法的检测率都比较高,但无LBP纹理特征参与的方法无法提出非建筑的亮斑,因此虚警率较高达到16%,而加入LBP纹理特征后的提取结果降低了6%的虚警率,同时也提高了总体精度。

3 结论

随着我国微波遥感技术的不断发展,SAR图像的处理和解译将会发挥越来越大的作用,高分三号卫星的投入使用进一步深化了遥感技术在各领域的应用。由于SAR图像的地面细节信息越来越丰富,对于建筑区的提取和解译方法也逐渐多样化。研究引入LBP纹理特征,并提出了一种综合利用灰度和LBP纹理特征的SAR图像建筑区提取方法,根据巴氏距离确定了最适合高分三号卫星QPSI数据的LBP算子的参数,用LBP算子提取影像的纹理特征并与灰度特征结合进行建筑区的提取,结果表明:该方法能够有效地提取SAR图像的建筑区,与无纹理方法相比,精度提高了近10%。实验结果证明了LBP纹理特征用于建筑区提取的可行性以及提出方法的有效性和适用性。然而该方法仍有不足之处,即对于纹理和灰度特征均不明显的建筑区提取能力较差,并且对范围较大的非建筑亮斑提出效果仍然不足。