结合ZY-3高分影像和OSM数据的城市建筑物提取与分类

李青娜，陈广乾，黄帅帅，谢相建

(东华理工大学测绘工程学院，江西 南昌 330013)

0 引 言

随着国内城市化进程速度的逐渐加快，城市中建筑物的分布数量范围和密度正逐渐增大，为城市规划与管理带来了越来越多的难题。显然，及时、准确且完整的实现二维或三维城市空间建筑物信息的完整提取是我国构建现代化智慧城市的必然需求。近些年来，随着科学技术的高速发展，目前，遥感技术已经实现了全天时、全天候、全方位地提供多类型、多尺度和多时相的航空航天对地观测数据。遥感图像的空间分辨率从10 m提高到米甚至亚米级别，可实现更精确详细地描述各类地物细节特征，包括几何形状、空间关系及复杂表面纹理构造等空间信息。因此，充分利用高分辨率遥感图像进行城市区域内一定尺度的建筑物的自动可靠提取具有非常广泛的现实意义。

近些年来国内外很多学者也提出了大量的建筑遥感提取模型和策略，并取得了不错的效果。刘大伟(2016)等对不同地物光谱和纹理特征进行分析，并对遥感影像中各个地物类别随机取样，根据随机选取的样本对城市地物进行分类，得到精度较高的分类结果[1]。Lee(2013)等首先运用遥感影像光谱特征选取建筑物样本点，再进一步运用其他的算法分析影像的形状特征并以此来实现对建筑物的提取[2]。Cui(2012)等根据建筑的灰度和几何特性，并根据空间结构的分布特性进行精确的提取。吴文福(2019)等从SAR影像上构建建筑物结构对其进行提取，SAR具有全天时，全天候的特点，结合空间特征对建筑物进行提取，在地物变化检测和军事侦测等领域中起到了重要作用[3]。Ahmadi (2010)等通过基于几何特征的轮廓模型进行建筑物提取，相比于传统模型，此模型可以更加精确的检测和提取建筑物边界，且能够有效避免附近地物的干扰[4-5]。近年来也有学者将流行的深度学习技术用于城市建筑的遥感提取，提取精度已达到空前的程度[6]。然而，深层复杂的神经网络模型不易理解，并且在模型解算和输入数据层面有很高的门槛，应用普及极为有限。总的来说，尽管利用高分遥感影像进行建筑物的提取已有很多的研究，并且取得了显著成果，对于如何综合现有的众源地图(OpenStreetMap，OSM)矢量数据克服高分影像在城市建筑提取中的不足，相关研究相对较少[7]。因此本文将分别从结合OSM矢量数据的道路提取、建筑物的光谱特征分析与提取、空间特征表达和决策树分类等方面着手研究，以进一步挖掘高分辨率遥感数据和OSM矢量数据在建筑物提取中的潜力。

1 研究数据与方法

1.1 研究数据

数据选用的是资源三号(ZY-3)高分影像，影像的获取时间为2017年12月08日。ZY-3卫星是我国自主研制的第一颗集测绘和资源研究为一体的高分辨率民用空间测量卫星，多光谱影像空间分辨率为5.8 m，全色影像分辨率为2.1 m。开放街道地图(OpenStreetMap，OSM)是一个在线众源地图数据，包括高速公路，铁路，水系，水域，土地利用，建筑物等地理空间数据。

本研究选择南昌市红谷滩区和新建区的中心城区作为研究区域，该地区各色屋面材料的建筑物分布较广，水体、植被、裸地等地类也均有分布。图像经过辐射校正、几何矫正和裁剪等预处理，由于OSM矢量数据与遥感影像之间存在位置偏移，故对影像进行空间配准，使道路矢量位置位于影像道路中央，并采用缓冲区分析方法计算得到城市道路面数据。校正后影像如图1(a)所示。

图1 研究区数据及典型地物影像光谱

1.2 研究方法

1.2.1 结合光谱特征的建筑物决策提取

结合光谱特征的建筑物决策提取过程主要包括样本选取、光谱统计分析、建立特征指数、确定阈值等。根据研究区的实际情况，地表覆盖类型分为植被、水体、裸地和各类建筑几种类型。对影像中感兴趣区内的所有地物样本进行统计，可得到不同地物的平均光谱特征曲线，如图1(b)所示。

光谱指数是由多波段组合构建而成，其本质是一种与研究对象相关联的数学模型，因此，光谱指数的构造和选取都是基于目标的光谱特性的分析。对研究区域中不同类型的建筑物光谱特征进行分析可发现，蓝色建筑物在蓝光波段的反射率明显高于绿色波段的反射率，据此构建归一化的蓝色表面指数(Normalized Difference Blue Surface Index，NDBSI)。同样，红色建筑物在红色与绿色波段具有较大的反射差异特征，据此构建归一化的红色表面指数(Normalized Difference Red Surface Index，NDRSI)，两个指数计算公式如下：

(1)

(2)

式中，BLUE、GREEN和RED分别代表蓝光、绿光及红光波段的反射值。通过构建该两个归一化差值光谱指数来增强两类建筑与其他地物的光谱差异，以便更好提取这蓝色建筑和红色建筑物。对于植被和水体的区分，研究选择常用的归一化植被指数(NDVI[9])和归一化水体指数(NDWI[10])。

决策树分类方法在土地利用研究和分类中得到了广泛的应用。它具有算法简单、效率高、独立处理不相关数据的特点。由各类建筑物及其他典型地物在光谱指数特征空间中的分布特性可以确定区分彼此的阈值，据此制定分类规则进而建立决策树，如图2前四条规则所示。

图2 光谱指数决策树

1.2.2 结合影像对象空间特征的建筑物分类

在面向对象分类中，分类单位使用信息类似的“同质”对象。根据对象之间的相似性和差异性进行分类判别。ENVI提供的面向对象分类功能，包括基于样本和规则的分类方法。本文使用基于规则的特征提取方法，针对分割对象指定规则，包括光谱、纹理和空间三大类的多种属性。

因部分红色建筑物和裸土光谱特征相似，仅利用光谱特征难以将其区分，因此对易混淆地物的空间特征进行分析提取，以便区分红色建筑物和裸土，灰色建筑和其他地物。在决策树分类结果的基础上对进行面向对象分类，首先通过图像分割及合并得到图斑对象，进而根据建筑物与裸土的空间特征，选择空间面积和矩形度及延伸度作为分类规则，通过样本统计分析得出分类阈值，据此构建面向对象的分类规则完成红色和灰色建筑物提取。基于空间特征的面向对象分类决策规则如图2中第五级所示。

1.2.3 结合矢量数据的道路提取与精度检验

结合OSM道路矢量的缓冲区分析可区分主要城市道路和灰色建筑物，达到提高建筑物分类精度的目的。在本研究中，对不同等级的道路进行测量后，分别设置不同宽度的缓冲区，以保证影像中道路提取结果的准确性。最后将面向对象分类结果与原始分类结果加载到ENVI中，利用Band Math波段运算工具对决策分类结果进行修正并叠加道路网，得到最终的建筑提取结果。

通过高分辨率影像的目视解译手动选取检验样本，通过计算混淆矩阵，进而得到用户精度、制图精度、总体精度及Kappa系数等评价指标，最后对不同类型建筑物的提取精度加以比较分析评价。

2 实验结果与分析

决策树分类之后进行筛查和聚类分析后处理，去除一些小碎斑，最终分类结果如图3所示。

图3 建筑物决策提取结果

从图3可以看出，研究区域内灰色建筑物分布最广；蓝色建筑物数量较少，且与灰色建筑物有交叉分布，因此视觉效果不够突出；红色建筑物数量最少，零星分布于图像的西北部和东南部建筑群中。建筑物与其他地物类型总体区分效果较好，但部分灰色建筑与水泥路面有错分的情况。

决策分类结果的混淆矩阵评价结果如表1所示，总体精度为88.2916%，Kappa系数为0.8464，属于高度一致性。不同类型的建筑物中，蓝色建筑物分类精度最高，没有出现错分；红色建筑物制图精度为92.86，而用户精度仅为49.22，这主要是部分裸地的形状与建筑相似，在面向对象分类的过程中与裸地有混淆，导致用户精度较低；灰色建筑物因为与水泥地表面光谱极为相似，同时在空间上又有交错分布，所以两者混淆严重，两类地物的分类精度较低，这种情况或许在面向对象分类过程中分割尺度及空间特征选择方面可以进一步优化而得到改善。

表1 各类地物混淆矩阵

3 结 语

本文通过对样本统计进行分析，根据不同建筑物与其他典型地物的光谱特点，利用NDVI、NDWI、NDBSI和NDRSI这4个特征指数分别可对植被、水体及蓝色建筑和红色地物进行提取。为了进一步提取其他建筑，研究根据建筑物的空间面积及矩形度等空间特征，尝试区分出红色建筑物与裸地以及灰色建筑物和其他非建筑类地面，并结合OSM道路网矢量数据，将道路单独进行提取，从而将灰色建筑物与道路进行分离。最终将决策树、面向对象以及矢量提取的结果进行叠加，获得较好的分类结果，并得出以下结论：

(1)单纯的影像光谱特征分类方法通俗易懂，然而，随着空间分辨率的提高，不同地物的光谱特征不再明显，而不同地物间的空间特征往往差异较为明显，将二者相结合，可以提高目标地物提取的精度。

(2)使用分层决策的方法，操作效率高，可重复性较强，可分别对不同地物类别进行研究及操作，有助于细化及更改。相比复杂神经网络模型，整体通俗易懂，应用推广潜力较大。

另外一方面，研究存在的不足为未来进一步探究指明了方向，红色建筑和灰色建筑的空间特征还有待进一步挖掘，尤其是在面向对象影像分析阶段，由于未对图像的最佳分割及合并尺度做深入研究及分析，参数的选择具有一定的主观性。另外，建筑阴影部分未做分离，未来应降低此类干扰因素的影响，提高建筑目标提取的准确性。