面向对象的高分辨率遥感影像建筑物信息提取

韩东成,杨世植,赵强,韩露,2,杨志,崔生成

(1中国科学院合肥物质科学研究院安徽光学精密机械研究所,中国科学院大气光学重点实验室,安徽 合肥 230031;2中国科学技术大学,安徽 合肥 230022;3安徽建筑大学环境与能源工程学院,安徽 合肥 23061)

0 引言

建筑物单体信息采集是土地开发与城市规划的重要基础工作,能高效率获取到建筑物单体信息对我国城市化进程具有十分重要的意义[1]。刘勇洪等[2]采用决策树算法建立规则数据集对影像进行分类提取;曹雪和柯长青[3]以高分辨率遥感影像数据为基础,提出了城市建筑物信息提取所使用的多尺度遥感分类算法;孙晓霞等[4]采用面向对象的方法提取出了城市中道路、河流等信息;徐涵秋[5]通过结合归一化植被指数(Normalized difference vegetation index,NDVI)分析和空间特征提取出了城市建设用地信息;樊舒迪等[6]改进了常规的面向对象方法,采用尺度分割和规则数据库结合的方法提取出了下垫面复杂的建筑物信息;郭怡帆等[7]采用“自上而下”的面向对象分类方法,选择合适的分割阈值,实现了高密度建筑物的提取。

目前遥感影像分类方法研究的主要途径是多分类器组合、发展新的分类方法、融合辅助信息等,以此来达到提高影像分类精度的目的。但是由于受各方面因素的影响,各种分类方法都普遍具有一定的局限性。本文采用基于规则的面向对象方法,通过建立规则知识库和对光谱特征的判断,对基于样本特征的面向对象分类方法难以提取的反射率较低的建筑物和被错分为阴影的道路进行识别,不仅提高了特征提取的精度,而且规则更容易被理解,可行性较高。

1 实验区域简介与预处理

选取2015年2月11日的GF-2号卫星影像,研究区域为江苏省扬州市的佳家花园小区和联谊南苑小区,如图1所示,研究区域中有绿化带、水体、道路和种类比较复杂的建筑物,这增大了建筑物单体信息提取的难度。

图1 扬州市(a)佳家花园小区(b)与联谊南苑小区(c)位置Fig.1 Location of Jiajia Garden Community(b)and Lianyi Nanyuan Community(c)in Yangzhou City(a)

原始数据经几何辐射校正与影像配准等预处理后,采用NNDiffuse pan sharpening方法将分辨率为4 m的多光谱数据和分辨率为1 m全波段数据进行融合,能更好的保留光谱、纹理特征,提高空间分辨率,如图2所示。

图2 NNDiffuse pan sharpening图像融合后影像Fig.2 Image fusion after NNDiffuse pan sharpening image fusion

2 建筑物提取方法

采用基于规则的面向对象信息提取方法,首先进行图像预处理,进行一系列校正处理和图像融合,以融合后的结果作为研究对象进行多尺度分割,然后构建规则数据库提取建筑物,从而得到较高的分类结果[8],技术流程如图3所示。

图3 技术流程图Fig.3 Flow chart of technique

2.1 多尺度分割

多尺度分割算法流程如图4所示,该算法基于边缘,只需输入一个参数,即可计算多尺度分割的结果,计算步骤简单且获得的结果快。为了提高多尺度优化分割的精细化程度,需进行差异性控制,对尺度不同的边界区别对待,将光谱特征相似的像元合并,算出相应的平均值、标准差等,得到这些相似像元的各个分割对象的特征信息。完成多尺度分割后的影像由多个各不相同但都含有遥感影像所具有的属性特征的多边形区域组成,这些多边形区域经过面向对象与基于规则分类等一系列图像处理,都含有了丰富的几何、光谱、纹理等信息[9]。

图4 多尺度分割流程图Fig.4 Flow chart of multi-scale segmentation

2.2 根据规则进行特征提取

根据遥感影像的属性特征建立了建筑物规则(Rule)知识库[10-12],通过公式计算NDVI和水体归一化指数(Normalized difference water index,NDWI)进行建筑物分类。利用高分二号卫星影像参数,结合已有经验和数据,建立基于决策树的建筑物提取算法。

提取地面上的建筑物,要将其他类型的地物的影响排除在外,首先可采用NDVI排除植物所造成的影响。计算公式为

式中:INDV为归一化植被指数,BNIR、BRED分别表示遥感影像中的近红外波段和红光波段像素值。在INDV小于0.35的时候为非植被区,即为所需要保留的对象。

可以使用NDWI来排除水体所造成的干扰,计算公式为

式中:INDW为水体归一化指数,BGreen是绿光波段像素值。当水体归一化指数INDW小于0时,将其认定为水体,就可以排除其影响。

道路跟建筑物最大的不同在于形状,道路一般呈狭长带状而建筑物呈近似矩形,可以根据Rectangular fit属性和Elongation属性排除道路的干扰。

3 结果与分析

3.1 影像分割

通过对融合后的影像进行多次分割参数实验,比较分割的结果,最终将影像的最佳分割参数和合并参数阈值确定为90和50。分别对2015年2月11日扬州市佳家花园小区和联谊南苑小区的高分二号遥感图像进行分割与合并,能够最大可能地将不同类型(光谱特性)的地物分开并且合并同类的碎块,如图5、图6所示。经过多尺度分割后,原有的噪声也会得到比较好的控制。

图5 佳家花园小区中间部分房屋多尺度分割后影像Fig.5 Multi-scale segmentation image of the middle part of Jiajia Garden Community

图6 联谊南苑B区房屋多尺度分割后影像Fig.6 Multi-scale segmentation image of Lianyi Nanyuan Community area B

3.2 地表建筑物信息提取

应用面向对象的规则分类,结合对光谱特征的判断,阈值分割图像进行二值化,并通过选取合适的规则对扬州小区联谊南苑和佳家花园小区进行房屋提取,得到的矢量叠合图,如图7、图8所示,提取效果较好。

图7 佳家花园小区房屋二值化图及矢量叠合图Fig.7 Binary image and vector superposition map of houses in Jiajia Garden Community

图8 联谊南苑小区房屋二值化图及矢量叠合图Fig.8 Binary image and vector superposition map of houses in Lianyi Nanyuan Community

4 分类后精度评价

用面向对象方法进行建筑物信息提取,通过目视解译方法对提取结果进行精度评定,其结果如表1所示。由表可见,用基于规则的面向对象分类方法平均识别精度能达到97.7%,Kappa系数为0.93,提取的精度和效果远高于传统监督分类所得到的结果,验证了该方法的可行性。

表1 建筑物单体识别精度测试结果Table 1 Test results of single building identification accuracy

5 结论

基于高分二号影像的面向对象方法提取建筑物单体信息,首先对影像进行校正、融合等预处理,在此基础上采用多尺度分割确定出最佳的分割合并阈值,通过建立建筑物规则数据库对对象进行分类判别及特征提取,得到所需的建筑物单体信息,并通过佳家花园和联谊南苑两个实验小区进行了验证,结果表明:该方法能有效提取出建筑物单体信息,且精度满足提取要求。该研究对于卫星遥感影像在城市精细化管理具有较好的应用价值,为国产高分卫星城市遥感应用提供技术支撑和服务。