针对无人机影像的农居建筑物快速提取方法初探

2020-12-28徐汉卿李雨佳赵明朝

防灾减灾学报 2020年4期

于浩，徐汉卿，李雨佳，冯石，赵明朝

（1. 辽宁省地震局，辽宁沈阳 110034；2. 辽宁省送变电工程公司，辽宁沈阳 110024）

0 引言

近年来无人机遥感技术以其机动性强、时效性高、大分辨率影像获取简易等特点，在自然灾害监测、地震应急等领域发展迅猛。在地震应急救灾中，通过无人机搭载的影像传感器、移动网络数据传输和地面基站可实现飞行区域影像实时图传与数据输出，为灾害调查与损失评估提供重要的科学依据。无人机灾情获取的手段也在2008年汶川地震、2013年芦山地震、2014年鲁甸地震中得到了充分的验证并发挥了重大作用。

遥感影像地物提取方法现已成为当今热门的研究方向，其中建筑物地物由于在地区风俗、宗教信仰、建筑风格等方面存在较大差异，其影像光谱、几何、纹理解译特征难以达到普遍适用的程度，使得将建筑物信息提取及其在震害应急中的应用成为热门研究方向。目前国内研究中，张景发等[1]对张北震区地震前后的sar图像进行了变化检测处理，提取了村庄建筑物的破坏信息；吕凤华等[2]利用多特征进行航空影像建筑物提取；陈文康[3]基于深度学习的方法对农村建筑物进行遥感影像检测；庞池海等[4]通过对建筑物特殊的阴影结构进行提取从而获知建筑物信息；在国外研究中，A.Huertas 和R.Nevada 对遥感图像中的线段的空间关系进行分析，Baatz 和Schape 利用多尺度分割与决策树分类的方法对地物进行判别区分取得了良好的效果。Ren K，Sirmacek B 等人将不同方法进行融合提取建筑物，首先检测遥感图像中建筑物的阴影。然后在检测结果及其一定范围的邻域内搜索建筑物，最后使用盒子搜索算法来确定建筑物的形状，从而实现建筑物的分割与边界提取。Allouche 使用神经网络识别高密度区域的建筑物，然后使用密集三角网模拟建筑物区域的边界，最后合并得到建筑物轮廓[5-6]。此类研究性的成果为无人机遥感技术在防灾减灾中的应用奠定了坚实基础。

1 研究方法与理论概述

遥感影像分类是遥感影像处理的重要环节，也是遥感应用研究和专题图制作的基础，遥感影像解译质量直接影响定量分析与专题提取的质量，只有保证遥感影像分类的精度，才能发挥遥感影像最大的效能。现今为止遥感影像提取主要分为人工目视解译与计算机信息提取两类，根据不同的遥感数据特性选择不同的提取分类方法，而其中建筑物要素其差异性、复杂性的特点也成为了众多遥感分析领域研究的重要内容。本文针对无人机二维影像中建筑物对象特点，综合利用其光谱、纹理、几何特征，选取了监督分类、基于规则的面向对象及LSD直线检测算法对建筑物信息进行提取。方法特征如下表所示：

表1 建筑物提取方法比较

1.1 监督分类

监督分类是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。是一种基于光谱像元的分类方法，通过特征判别，选择训练样本，建立判别函数从而实现影像分类，通过分类后处理，进行结果验证。其中监督分类的判别方法有平行六面体、马氏距离、支持向量机、最大似然法等。本次实验采用分类精度较好的最大似然法，通过对所有像元计算其落入验证类别样本的概率，概率最大的相应类别即为所属类别。其计算概率公式为：是第i 类在 g 样本数据中出现的概率，叫作先验概率。P（x）是在所有考虑的数据中出现向量x 的概率。

1.2 面向对象分类

面向对象的分类技术是集合临近像元为对象用来识别感兴趣的光谱要素，通过对影像的分割合并，使同质像元组成大小不同的对象。其充分利用了高分影像的空间、纹理及光谱信息对遥感影像进行分类提取，面向对象的分类步骤主要包括发现对象（影像分割、对象层次结构）与特征提取（分类规则、信息提取）。

1.3 LSD 直线检测法

LSD 直线检测法是2010年Gioi 提出基于线段检测器的直线检测算法，该算法利用建筑物边缘表现出的较强线性特征开展精确提取，误检率较低且效率极高，因此被广泛应用于图像处理工作中。首先对输入图像进行高斯降采样来减少边缘锯齿状对检测结果的影像，然后对图像局部边界计算其灰度梯度Gradient 和Level-Line，公式（1）如下所示。

式中，i（x，y）是灰度图像上像素点（x，y）处的灰度值，gx（x，y）为X 方向上的梯度值，gy（x，y）为Y 方向上梯度值，G（x，y）则为像素点（x，y）处的灰度梯度幅度（图1）。

图1 LSD 算法局部示意图Fig.1 Local schematic diagram of LSD algorithm

而Level-Line 的角度则根据公式（2）计算得来：

然后，根据像素梯度值排序和直线区域增长。梯度值越大，该像素点为边缘点的概率就越大，可以作为直线检测的种子点。从梯度值最高的种子点开始搜索，将所有种子点标记为USED，其次从每个种子点按照八邻域搜索角度满足且状态为UNSED 的点形成线支撑区域（LSD， Line Segment Detector），在邻域内角度阈值t 内且满足整个区域方向角的点加入当前区域，并更新region-ang 的值，如式（3）所示：

每个连通域中所有像素点的水平线角度变化不能超过阈值t，每个线支持区域都是线段检测的候选对象。如图2 所示，绿色区域、橙色区域和蓝色区域各是一个线支持区域。

图2 LSD 区域增长示意图Fig.2 Schematic diagram of LSD regional growth

最后，通过计算虚警数（NFA，Number of False Alarm）指数进一步确定目标区域拟合的矩形，进而得到目标影像中直线。采用LSD 直线检测算法检测出的测区内的直线段。

2 遥感影像建筑物提取

2.1 数据来源

本实验采用2019年8 月辽宁省大连市长海县大长山岛镇城岭村无人机遥感影像作为数据源，实验区域视野开阔，植被覆盖范围60%-65%，区域测量范围0.3177 平方公里，实验采用大疆精灵4PROv2.0 无人机，采用软件DJI Pilot 设置飞行参数，控制无人机自动起飞并执行航拍任务，姿态信息设置为飞行高度设置100m、飞行速度控制5m/s, 航向重叠率设置为80%，旁向重叠率设置为80%，主航向角度设置为0°，边距设置为20m，飞行架次1 次，航线长度6125 米，采集耗时30 分钟。实验影像具备RGB 通道，空间分辨率0.26m，单张影像尺寸512×512，共计308 张影像。

2.2 数据预处理

实验数据采用pix4dmapper 软件完成影像快拼中相机校验、畸变校正、空三计算、区域网平差计算、匀色生成4 通道RGB 影像（图3）。在ENVI 中利用工具layer stacking 工具对影像进行真彩色波段合成（图4），线性拉伸2%显示，充分表现各种地物影像特征的差别，确保训练样本选择的准确性。

图3 无人机正射影像数据Fig.3 UAV orthophoto data

图4 处理后实验数据Fig.4 Experimental data after processing

2.3 监督分类

监督分类处理流程为类别判定—样本选择—分类器选择—影像分类—分类后处理—结果验证。类别判定为道路、植被、建筑物三类，分别创建感兴趣区域的样本数据共89 个纯净像元，计算样本可分离性分别为JZW and DL-1.62947158 JZW and ZB-1.90197050 ZB and DL-1.98330353（测试区域屋顶与道路光谱表现相似，可分离性较低，数值越接近2 代表可分离性越高）分类器利用最大似然法，进行遥感影像提取，分类效果见图5。分类处理通过Majority/Minority Analysis 主次要成分分析工具与Clump Classes 聚类处理工具分别对分类影像进行小斑块去除，窗口尺寸分别调整3×3，15×15，中心像元为1，局部去除效果如图6 所示，聚类处理通过将分类进行膨胀合并，然后用变换核对分类图像进行腐蚀操作，解决了类别信息被临近类别的编码干扰造成的空间连续性差的问题。在道路剔除与区域植被剔除效果上优于主成分分析的斑块去除[7-9]。

图5 植被、道路、建筑物提取效果Fig.5 Extraction effect of vegetation, road and building

图6 分类后处理（小斑块剔除）效果Fig.6 Effect of classification post-processing（small plaque removal）

2.4 基于规则的面向对象分类

基于规则的面向对象分类流程为发现对象（影像的阈值分割、合并），特征提取（定义要素与规则设定），导出要素。使用Feature Extraction（Rule Based）工具，本实验基于纹理边缘检测算法，最终设定分割阈值为60，合并阈值为90，纹理内核设定为6，生成模拟影像，规则设定中本实验分别通过归一化植被指数（Normalized Difference）、矩形化程度（Rectangular Fit）、面积（Area）、空间延长线(Elongation) 四项指标约束建筑物提取范围，分别剔除了大部分植被、道路、田地及碎小斑块，阈值范围见图7（各幅遥感影像亮度值、纹理互有差异，各项阈值设定会产生不同程度的变化）最后进行分类后处理，生成建筑物矢量信息，提取效果如图8、图9 所示[10-13]。

图7 规则阈值设定Fig.7 Rule threshold setting

图8 面向对象提取效果Fig.8 Object-oriented extraction effect

图9 局部提取效果Fig.9 Local extraction effect

2.5 LSD 直线检测法

本次LSD 算法实验截取影像局部建筑为例，通过Matlab 平台进行，其算法流程如图10所示。

图10 LSD 实验算法流程图Fig.10 Flow chart of LSD experimental algorithm

图10 中可见为了解决数字离散图像的阶梯效应，即图像放大过大时出现锯齿状直线，预处理过程中添加了高斯降采样流程，本文实验中降采样率设置为0.8，完成图像处理。区域生长依据章节1.3 中所述在八邻域方向搜索生长更新并进行矩形逼近，确定矩形的中心和矩形的朝向后，包含区域所有点的最小矩形即为逼近得到的矩形。同性点密度阈值判定即为直线区域形态和属性判断条件。错误控制阈值函数NFA 判定可以改善矩形形状并得到最终实验结果，其中红线标注位置即为检测直线结果如图 11 所示[14-16]。

3 实验结果与分析

本次实验区域为实地调研区域，因实验目的为方法研究，故实验区域选取较小，实验结果以实地调研数据为基准对以上方法进行判定。（LSD 直线检测采用数据为区域数据，无法比对实验结果）

实验结果表明监督分类、基于规则的面向对象提取及LSD 直线检测三种方法均能够在无人机正射影像中较为准确的确定建筑物形状与空间位置，提取精度上基本满足用户的实际使用需求。且三种建筑物提取的方法在工序与精度上均具备较大的研究空间。

监督分类的重要环节为样本选取，耗时工序为样本优化检验与评估，耗时较短，但因其主观因素较强，影像利用信息较为单一，故受原始影像质量影响较大，分类提取的精度较低，但分类精度可在不断修改检验训练样本基础上获得明显改观。

基于规则的面向对象提取的重要环节在于尺度分割合并与规则设定，耗时工序为规则设定，耗时较长，但面向对象分类方法在处理光谱信息不丰富的高分辨率影像上具备一定的优势，某种程度上解决了“同物异谱，同谱异物”对影像分类产生的影响，其不会过度依赖原始影像数据，但该方法在植被指数效果判定、尺度分割与阈值设定上具有较强的人为认知的主观因素，该方法如果能在尺度阈值设定与经验分析合理的情况下，分类效果有望接近目视解译结果。

Lsd 直线检测的重要环节为区域生长及终止生长条件判定，耗时工序为阈值设定与检测后处理，耗时较长，但多方法融合应用后，提取精度有显著提升，本次实验采用LSD 直线检测算法检测结果存在过多背景冗余信息，空地、杂物等直线信息或直线分割成多条短线段的情况时有出现，无法直接获取建筑物闭合轮廓及面积信息，故该方法在后期的冗余信息剔除筛选与直线段的聚类合并处理上需要开展更深入的研究。

目视解译作为以上方法的对比方法其耗时工序为人工判别与手动提取，其受遥感影像范围影响明显，小范围识别准确度高，时效性强，但无法满足震后应急中快速影像信息提取的实际需求。

本次实验遥感影像数据源较为单一，无法获取高程数据，实验区域房屋建筑种类及屋顶颜色、形状表现差异较大，这给建筑物提取工作带来了较大的难度，但在反映辽宁农居建筑特点的差异性较小的人字屋顶及平顶的农居建筑物上，提取效果较为理想，建筑边缘轮廓提取较为准确，提取速度较为理想。

辽宁局于2019年初成立现场无人机组，其在地震现场工作中主要负责完成危险区调研任务与日常演练工作，调研航拍任务主要以正射数据收集、三维建模存档为主，演练航拍任务主要以熟练操作、单体俯拍、建筑群俯拍为主，截至目前，累计飞行架次30 余次，累计飞行时长20 小时，累计飞行面积约4.5km2，今后还应充分调研辽宁农居建筑物结构特点，通过增设抽样点，对比操作流程，优化尺度分割与阈值设定，开展针对性无人机演练，在规律与实践中寻找最优方案，提升应急遥感产品的时效性。