基于建筑遥感指数与面向对象的高分影像农村建筑物信息提取

马海荣，沈祥成，罗治情，陈聘婷，官 波

（湖北省农业科学院农业经济技术研究所/湖北省农业科技创新中心农业经济技术研究分中心/湖北省乡村振兴研究院，武汉 430064）

农村房屋的数量、面积、位置和权属等相关信息是农村土地利用规划、土地利用变化监测、新农村建设和空心村问题整治等应用的重要基础数据。最初，农村房屋信息采集主要依赖人工调查和传统测绘手段进行，耗费巨大的人力、物力和财力。近年来，遥感数据因其获取手段越来越容易，分辨率越来越高，目前高分遥感卫星影像和无人机影像被广泛应用于农村建筑物信息提取［1］。基于遥感技术的建筑信息提取方法由最初的目视解译人工提取法［2］，到后来基于人工地物特征分析的面向对象方法［3］或者浅层机器学习［4］方法，再到近年来较流行的深度学习［5］方法。每种方法均有其优点和不足之处，人工目视解译法仍为目前从遥感影像采集建筑信息最主要的手段。因此，如何实现建筑物的智能、高效和准确地自动信息提取仍为当前亟需解决的问题。

本研究基于国产高景1 号高空间分辨率遥感影像，提出了一种基于建筑物遥感特征指数与面向对象最优尺度分割方法的农村建筑物信息提取方法。首先构建了两个建筑物遥感特征指数，以增强建筑物在遥感影像上的表征信息；然后对遥感特征指数图像进行阈值分割，获取农村建筑的初步提取结果，并利用面向对象最优尺度分割结果优化农村建筑信息初步提取结果；最后对优化后的建筑信息提取结果进行孔洞填充、膨胀和腐蚀等数学形态学处理，获取农村建筑物信息的最终提取结果。技术流程见图1。

图1 论文研究技术流程

1 研究区及数据

研究区位于湖北省武汉市江夏区，研究区面积10.877 km2（图2a）。试验所用遥感影像来源于中国第一颗商用高空间分辨率遥感卫星高景1 号，影像获取时间为2018 年6 月15 日，影像包含一个全色波段（空间分率0.5 m）和4 个多光谱波段（红、绿、蓝、近红外4 个波段，空间分辨率2 m）。试验前对遥感影像进行了辐射、大气和正射校正等预处理。经过目视解译和实地调查，获取了该地区农村建筑分布图。研究区建筑总面积0.319 km2（图2b 中蓝色区域为农村建筑分布区）。

图2 研究区遥感影像与建筑分布

2 方法

2.1 建筑遥感指数构建

2.1.1 合成比值建筑指数 基于土壤调节植被指数（SAVI）、归一化建筑指数（NDBI）和改进归一化水体指数（MNDWI）［6］提出了建筑指数IBI，IBI 可以很好地将遥感影像上的建筑信息进行增强处理，但是其构建需要中红外波段，目前常用的高分影像一般不包含中红外波段。因此，文献［7］基于红、绿、蓝和近红外波段提出了仿建筑用地指数（SIBI），SIBI 基于归一化水体指数（NDWI）、归一化土壤调节植被指数（SAVI）和归一化建筑指数（SNDBI）构建，各遥感指数的计算公式如下。

式中，G、R、NIR分别为绿、红和近红外波段的反射率。NDWI 用来增强水体遥感特征；SAVI 用来反映植被生长状况，SAVI 中α为土壤调节因子，取值范围为［0，1］（本研究α=0.5）；SNDBI 用于增强建筑用地信息。但研究发现植被和水体对建筑物遥感特征的抑制并不一致，并不能用相同系数来控制。为了更好地抑制植被和水体信息，突出建筑信息，构建了合成比值建筑指数（SIBI*）。

式中，α与β为植被和水体指数调节因子，取值范围为［0，1］，本研究取α=0.8，β=0.2。经过SIBI*指数增强后建筑用地信息被增强，与背景信息形成强烈对比（图3），但分析发现SIBI*对在遥感影像上呈现红、白颜色的房屋特征表现明显，对于蓝、灰颜色的建筑不能有效增强表达。

图3 SIBI*建筑遥感指数

2.1.2 仿归一化建筑指数 文献［8］为了去除裸地信息、提取建筑用地信息，基于TM 影像的蓝和近红外波段建立比值运算而创建比值居民地指数（RRI），其表达式如下。

式中，B和NIR分别为蓝和近红外波段的反射率。

试验发现对于高景1 号遥感数据RRI 并不能很好地增强建筑特征，基于B 与G 波段组合可以更好突出蓝色、灰色建筑特征信息，抑制土壤与裸地信息，因此基于B 与G 波段构建了仿归一化建筑指数NDBI*（图4）。

图4 NDBI*建筑遥感指数

2.2 面向对象最优尺度分割

基于建筑物遥感特征指数阈值分割的结果是基于像素的操作，分割结果不够精细，容易产生椒盐现象。面向对象影像分析方法综合考察各像素与其邻域像素的光谱、空间特性，以具有光谱、空间同质性的多个像元（即对象）作为基本处理单元进行影像分析，可以较好地保持地物的边缘细节信息。因此，基于面向对象的分割结果对基于建筑物遥感特征指数阈值分割初始分割结果进行优化，可以有效保持地物的细节信息，去除椒盐现象。

面向对象分割结果的质量直接影响地物分类的结果，而分割尺度对分割结果有直接影响。基于最优分割尺度获取的面向对象分割基本单元（对象）应该在形状上与目标地物轮廓相当，大小接近。文献［9］提出了一种基于影像场景复杂度计算面向对象最优分割尺度的方法。该方法的理论基础是场景越复杂的影像包含地物越多，对应的最优分割尺度应该越小；场景越简单的影像，包含的地物越少，对应的最优分割尺度应该越大。该方法可以在分割之前基于影像的场景复杂度分块动态计算局部最优分割尺度以获取局部最优分割结果。

使用文献［9］所提出的方法对研究区的多光谱影像进行面向对象分割，分割结果见图5。从图5 可以看出，面向对象分割获取的对象具有较好的完整性，基本可以保持原始地物的光谱、纹理、几何和拓扑关系等特征。图5中的4个放大的圆展示了该方法对不同类型地物（林地、裸地、房屋、道路、水体、耕地等）的分割结果，由分割结果可知分割所得的对象基本可以保持原始地物良好的几何形态和边缘信息。

图5 基于最优尺度面向对象的分割结果

基于最优尺度面向对象分割结果优化建筑基于建筑遥感特征指数阈值分割的初始提取结果的思想如下：将面向对象分割结果与阈值分割获取的初始提取结果叠加，如果落在某个对象内建筑初始提取结果中建筑面积大于非建筑面积，则该对象被判别为建筑对象，反之亦然。

3 结果与精度评价

3.1 分类结果

将两个建筑遥感指数影像像素值归一化到0～255，分析发现当阈值设置为180 时可以将建筑与背景地物很好地分割开。分别对SIBI*和NDBI*分割后的二值图像合并，即为研究区建筑初步提取结果（图6）。基于建筑遥感指数阈值分割易存在严重椒盐现象，即存在很多小的噪声和毛刺，会降低建筑提取结果的精度。由图6 可知，初始提取结果中存在较多小面积非建筑噪声，即误识别建筑；另外初步提取的建筑区域也存在较多的孔洞噪声，即未被识别的建筑；此外，初步提取结果中还存在误提取大面积非建筑斑块。

根据农村建筑一般零散分布、面积较小这一特点，剔除误提取的大面积非建筑斑块；图6 初始分类结果中有一部分光谱或者几何形态与建筑相似的耕地、道路被误识别成了建筑，基于不同地物对象的长宽比，可以进行噪声的剔除，充分分析面向对象分割结果可知，建筑对象的长宽比一般小于1.5，基于这一特征剔除误识别的裸地、耕地或道路等地物对象。最后利用最优尺度面向对象分割结果进行边界优化，并对优化后的建筑提取结果进行膨胀、孔洞填充和腐蚀等数学形态学后处理，最终得到研究区农村建筑提取结果。

图6 基于遥感建筑指数的初始分割结果

图7 展示了基于面向对象分割结果对建筑初始提取结果优化及数学形态学后处理过程。图7a 为RGB 遥感影像，图7b 为基于建筑遥感特征指数阈值分割获取的农村建筑初始提取结果，初始提取结果中建筑区域边缘信息大部分丢失，并且在非建筑区域存在误提取的噪声。结合若落在对象内初始提取结果建筑面积大于非建筑面积，则该对象被判别为建筑对象，否则对象为非建筑对象的原则，剔除了初始分类结果中部分小面积噪声，并且填补了建筑区域丢失的边缘信息。对经过最优尺度分割对象优化后的建筑提取结果再进行膨胀、孔洞填充和腐蚀一系列的形态学操作，得到最终建筑的提取结果（图7c）。图7d 为最终提取的建筑区域的边界与原始遥感影像的叠加结果，由图7d 可知，经过面向对象优化和数学形态学后处理操作后，最终提取的建筑区域可以较为精确地保持边缘信息。

图7 面向对象分割结果优化建筑初始提取结果

图8 为基于该方法提取的农村建筑最终提取结果，图8 中蓝色表示正确识别的建筑区域，红色表示未被识别的建筑区域，黄色是误识别的建筑。从图7 和图8 提取结果和目视解译结果的对比可得，本研究方法可以有效识别大部分建筑。研究区域实际建筑面积为0.319 km2，基于本研究方法正确识别的建筑面积为0.248 km2，误识别的建筑面积为0.021 km2，漏识别的建筑面积为0.078 km2。其中，漏识别的建筑面积多于误识别的建筑面积。

图8 农村建筑最终提取结果

3.2 精度评价

为了定量的评价乡村建筑的提取精度，利用基于混淆矩阵的统计方法进行提取精度评价。评价指标为精确率（Accuracy）、生产精度（producer’s accuracy，PA）、用户精度（user’s accuracy，UA）、类检验值（F.value）和Kappa 系数，各评价指标的计算方法见文献［10，11］。由表1 可知，基于该研究方法可以进行农村建筑的有效提取，其中精确率为99.09%，类检验值和Kappa 系数分别为0.83 和0.84，说明总体分类效果好。用户精度大于92%，即提取出的建筑中误提取的较少。生产精度较低，为76.07%，说明漏提取的建筑信息较多，这是因为农村建筑普遍分布零散、面积较小，并且容易受树阴遮蔽，当影像分辨率不够高时，小型房屋和被树阴遮蔽的房屋往往会被漏提取。

表1 建筑精度提取定量评定

4 结论

提出了一种基于最优尺度面向对象分割优化的建筑遥感指数阈值分割的农村建筑提取方法。该方法有2 个优势特性：①构造的2 个建筑特征遥感指数可以充分增强农村建筑的遥感表征信息，使其与背景地物可以很好地分割开。②基于最优尺度面向对象分割结果优化农村建筑的初始提取结果，去除椒盐现象并且较好地保留地物的边缘等细节信息，提高了建筑物信息提取的精度和质量。该方法也可以推广到道路、耕地、水体等其他地物的识别或提取。但不足之处在于，建筑物信息的最终提取精度同时受到建筑物遥感特征指数阈值分割结果的影响，还受面向对象分割结果的影响。因此，利用该方法对农村建筑物信息实现高精度提取必须同时具备构建准确的建筑遥感特征指数和精确的面向对象分割结果这2 个条件。