多源遥感数据支持下的异形建筑物图像识别方法

姚可筠

（厦门亿力吉奥信息科技有限公司，福建 厦门 361000）

0.引言

近年来，随着城市经济的不断发展，异形建筑物不断涌现，彰显着城市的综合实力。常规情况下，异形建筑物具备较高的艺术性，以外观来凸显建筑物的定位与功能，但对国土监察带来了极大的挑战。传统建筑物识别方法主要适用于外观较为规整的建筑物。针对异形建筑物来看，传统方法应用具有较大的局限性，致使异形建筑物识别效果较差。为了满足国土监察的需求，遥感技术应运而生，并在国土监察领域中得到了广泛的应用。传统多光谱图像已经无法满足国土监察的需求，而遥感图像具有较高的分辨率，能够为异形建筑物识别提供清晰的数据支撑。随着遥感技术的不断发展与改进，图像空间分辨率也呈现上升的趋势。就目前发展水平来看，遥感图像已经成为空间地理信息中的关键数据源之一。

如何有效地利用遥感图像，并对多源遥感数据进行深入挖掘，成为现今遥感技术发展领域亟待解决的问题之一[1]。就现有遥感技术应用研究成果来看，主要研究方向是地物识别，此种应用研究是后续深层应用的有力保障。针对异形建筑物目标而言，其与其他地物目标有着较大的差别，几何特性、纹理均存在差异，并且有些建筑物之间的间隔较小，极易造成图像识别错误，这也是已有建筑物识别方法的主要缺陷。为了解决已有方法存在的问题，为国土监察提供更加精准的识别结果，故提出多源遥感数据支持下的异形建筑物图像识别方法研究。

1.异形建筑物图像识别方法研究

1.1 多源遥感数据获取及预处理

为了精准识别异形建筑物，首要任务是获取并预处理多源遥感数据。虽然获取的多源遥感数据具有空间分辨率显著提高、数据规模更大、地区访问频率高等优势，但也有更多的图像噪声，极大地阻碍了多源遥感数据的处理与应用[2]。

为了反映异形建筑物的真实高度，采用数字表面模型DSM与数字高程模型DEM做差，消除环境因素的影响。

经过预处理后的DSM-DEM高程差数据无地形因素，可以直接反映物体的高度信息[3]。

另外，由于多源遥感数据包含着大量的图像噪声，需要选取适当的滤波算法去除噪声[4]。依据异形建筑物的图像识别需求，此研究选取空间域滤波对图像噪声进行去除。空间域滤波算法运算程序（如图1所示）：

图1 空间域滤波算法运算程序图

由图1可知，f0,f1, …f8为遥感图像中参与滤波运算的部分；k0,k1,…k8为模板系数，滤波模板窗口大小为3×3。通过遥感图像与滤波模板的叠加运算，获得滤波输出R，表达式为R=k0f0+k1f1+…+k8f8。采用R代替原遥感图像中的像素值，即可完成遥感图像的空间域滤波运算。

上述过程完成了多源遥感数据的获取与预处理，去除了异形建筑物遥感图像的噪声，并获得了准确的异形建筑物高度信息，为后续异形建筑物图像的提取做准备[5]。

1.2 异形建筑物图像提取

以预处理后的多源遥感数据为基础，检测异形建筑物的边缘，应用ORT算法分割多源遥感数据，以此为基础，提取异形建筑物图像。

常规情况下，异形建筑物边缘是遥感图像灰度值不连续对应的位置。因此，采用求导数方式对异形建筑物边缘进行相应的检测。遥感图像梯度值如式（1）所示：

式（1）中，G （x,y）为异形建筑物遥感图像；ΔG （x,y）为图像梯度值；d为导数符号；x与y为坐标方向。

目前，应用较为广泛的边缘检测算子为Roberts算子、Sobel算子与Log算子，结合异形建筑物边缘检测需求，此研究选取Log算子作为应用方法，如式（2）所示：

式（2）中，2G x,（y）为Log算子函数；∂为二阶微分算子符号。

依据Log算子边缘检测模板即可完成异形建筑物边缘的检测，以此为基础，引入ORT算法分割遥感图像。ORT算法原理为：将遥感图像分割转换为利用遥感图像局部直方图大小获取指示函数的过程。该算法能够在有遮挡的前提下，完整地提取异形建筑物图像。

设定异形建筑物遥感图像遮挡模型划分目标为：

式（3）中，σ为指示函数；LwG为遥感图像局部直方图；N为图像划分的总数量；w为滤波窗口规模大小；为Xn中像素点计算获得的局部直方图数值；w×1｛n｝（σ）为遮挡组合的权重数值。

以异形建筑物遥感图像遮挡模型为依据，基于ORT算法提取异形建筑物图像，具体步骤如下：

步骤一：计算遥感图像G的局部直方图；

步骤二：加载步骤一计算的局部直方图，初始化ORT算法的权重数值｛an｝与直方图数值｛pn｝；步骤三：对权重数值a｛n｝进行去卷积操作处理，并以此为基础，对指示函数σ进行估计；

步骤六：对步骤二到步骤五进行重复迭代，直至ORT算法收敛为止，输出结果即为异形建筑物图像提取结果。

上述过程完成了异形建筑物图像的边缘检测与整体提取，为后续异形建筑物图像的识别打下坚实的基础。

1.3 异形建筑物图像特征分析

以提取的异形建筑物图像为依据，分析并获取图像特征，为后续异形建筑物图像识别提供有代表性的数据，提升图像识别的精确度。

一般情况下，异形建筑物图像中包括多种特征，但并不是所有特征均具有识别效用。因此，此研究借鉴已有文献研究成果，选取光谱、形状与纹理作为异形建筑物图像特征。

调查研究表明：相同材质的目标具有相似的光谱特征。若异形建筑物周边是草地、树木等，则光谱特征即可很好区分目标。光谱特征主要为图像灰度方差与平均值，计算式如式（4）所示：

式（4）中，σr为图像灰度方差；r为特定区域范围；M为特定区域范围r内的全部像素数量；Gr为图像灰度平均值。

在异形建筑物图像识别过程中，形状特征的贡献度最大，是反映异形建筑物最直观的特征参数，并且形状特征较为明显，能够简化图像识别程序。形状特征主要为面积、长宽比、周长与边界指数。

纹理特征主要显示的是图像局部像素之间的关系，采用灰度共生矩阵参数表示，由于篇幅的限制，不对其计算过程进行赘述。

上述过程完成了异形建筑物图像特征的分析与获取，为后续图像识别提供充足的特征数据支持。

1.4 异形建筑物图像识别实现

以获取的异形建筑物图像特征数据为基础，应用深度置信网络构建异形建筑物图像识别模型，训练模型获取最佳模型参数，将待识别异形建筑物图像输入至训练好的模型中，输出结果即为异形建筑物图像识别结果。

2.实验与结果分析

2.1 实验准备阶段

为了验证提出方法的应用性能，选取MRELBP特征、Franklin矩和SVM相结合的遥感图像建筑物识别方法作为对比方法，设计对比实验。

实验准备阶段是保障实验顺利进行的基础与前提。依据异形建筑物图像识别实验需求，选取10个异形建筑物作为实验对象，由于篇幅的限制，只对部分实验对象实物图进行展示（如图2所示）：

图2 部分实验对象实物图示意图

异形建筑物图像识别模型最佳参数的确定也是影响实验进行的关键。依据实验需求，设置深度置信网络卷积层为8层，对应参数（如表1所示）：

表1 深度置信网络卷积层参数表

上述过程完成了实验对象的选取，深度置信网络参数卷积层的设置，为后续实验进行提供了充足的准备与便利。

2.2 实验结果分析

以上述实验准备内容为依据，选取异形建筑物图像提取完整率、识别精度及其平均召回率作为提出方法应用性能评价指标，量化显示异形建筑物图像识别效果。

通过实验获得异形建筑物图像识别效果评价指标数据（如图3所示）：

图3 评价指标数据示意图

由图3（a）数据可知：与对比方法相比较，应用提出方法获得的异形建筑物图像提取完整率更高，表明提出方法遥感图像分割效果更好；

由图3（b）数据可知：与对比方法相比较，应用提出方法获得的异形建筑物图像识别精度数值更大，表明提出方法图像识别更为准确；

由图3（c）数据可知：在第4次实验时，对比方法平均召回率高于提出方法，经过反复验证得知，该结果实验数据记录错误，因此对此次实验数据进行忽略处理。相较于对比方法，应用提出方法获得的异形建筑物图像识别平均召回率数值更大，表明提出方法对多源遥感数据的检索效果更好。

上述实验结果显示：与对比方法相比较，提出方法的异形建筑物图像提取完整率、识别精度及其识别平均召回率数值均更高，充分证实了提出方法图像识别效果更佳。

3.结束语

此研究以多源遥感数据为基础，提出了新的异形建筑物图像识别方法，极大地提升了异形建筑物图像提取完整率、识别精度及其识别平均召回率，能够获得更佳的图像识别效果，为异形建筑物识别提供更加有效的方法支撑，也为图像识别研究提供一定的参考与借鉴。