基于高分辨率遥感影像的面向对象建筑物分级提取方法

邢云飞 刘萍 谢育珽 高宇 岳志川 陆泽昊 李新华

基于高分辨率遥感影像的面向对象建筑物分级提取方法

邢云飞1刘萍1谢育珽1高宇1岳志川1陆泽昊1李新华2

（1 太原理工大学大数据学院，晋中 030600）（2 吕梁市生态环境局，吕梁 033000）

数字表面模型（Digital Surface Model，DSM）辅助的基于规则的分类算法对高分辨率卫星遥感影像进行面向对象建筑物提取时存在如下不足：1）多尺度分割在复杂场景下分割效果差，导致建筑物提取精度较低；2）影像范围较大时，无法直接通过DSM数据的单一阈值提取建筑物。为克服上述问题，文章提出了一种DSM辅助的父子对象层交互处理的建筑物分级提取方法。该方法首先结合DSM数据先后两次应用多尺度分割生成父子对象层；然后，通过样本分级极值法将子对象层中的植被、水体及阴影剔除，并通过建筑物分级提取方法筛选建筑物种子节点；最后，将种子对象映射至父对象层中，结合上下文特征对父对象层中的建筑物种子对象进行区域生长，生长结果重新继承至子对象层中，完成建筑物提取。遥感影像建筑物提取实验结果显示，文中提出方法的F1-Score和IoU指标在实验区A中分别达到了95.9%和92.2%，在实验区B中分别达到了94.1%和92.2%，均优于支持向量机算法（Support Vector Machine，SVM）的结果，证明该方法可以有效提取遥感影像中复杂场景下的建筑物。

卫星遥感影像 建筑物提取 面向对象分类 数字表面模型

0 引言

近年来，随着对地观测技术的发展，人类对地球的综合观测能力达到空前水平。遥感影像数据获取的速度加快，更新周期缩短，时效性越来越强。建筑物作为人类居住生活的基本场所，是城市发展和变迁的重要标志，也是影响社会和生态环境变迁的关键因素。

目前在遥感影像建筑物提取领域，计算机视觉技术得到了充分利用，主流建筑物提取处理技术主要是基于二维高分遥感影像进行研究，主要利用建筑物几何结构、光谱、形状、纹理和上下文特征，综合应用边缘检测、图像分割、数字形态学、面向对象等方法进行建筑物提取[1-6]。随着人工智能技术的飞速发展，已经有研究机构或学者尝试利用深度学习技术开展建筑物目标提取的相关研究，并取得了可喜的研究成果[7-12]。但由于二维数据缺少建筑物最典型的高程特征，并且深度学习相关模型及搜索方法是针对小尺寸影像训练或搜索的模型，将其应用于大幅遥感影像中时，未顾及“像素-目标-场景”多层级要素提取[13]，缺乏地学先验知识的表达及嵌入，且模型训练过程中需要大量优质样本作为数据支撑，对其进行人工标注需要耗费大量的人力和财力，因此，对于复杂场景下的建筑物提取其精度难以得到保障。

单独使用三维信息数据提取建筑物的方法，主要是利用三维激光雷达（LiDAR）数据、三维点云数据和立体像对影像数据对三维数据进行分析，可以获取建筑物的高度、形状等信息，提高了建筑物提取的精度和效率[14-15]。但由于树木和建筑物高度相近，利用简单的高度阈值提取方法时，很难将相邻的建筑物与植被分离。

融合二维影像数据与三维信息数据提取建筑物的方法，是对高分辨率遥感影像数据及三维信息数据分别进行处理，针对传统二维影像数据，利用其多光谱信息计算植被归一化指数设定阈值，或应用机器学习等方法剔除影像中存在的植被，减少高度与建筑物相近的树木在提取过程中被误提为建筑物。在DSM三维信息数据辅助建筑物提取的过程中，有效利用三维数据中的高度信息，将与建筑物光谱、形状特征相似，仅依靠传统二维影像数据难以区分的低矮地物（如道路、地面等非建筑物），通过高度特征差异将其剔除，排除对建筑物提取造成的干扰[16-19]。但该方法应用的场景常局限于遥感影像中地势平坦的区域，对复杂场景下的多类型建筑的提取效果较差。

现有面向对象建筑物提取方法在处理影像时仅对影像分割一次便直接进行分类，其分割效果无法满足不同大小的建筑物，导致建筑物提取精度较低。针对此问题，本文提出父子对象层交互处理策略，通过应用两个不同尺度分割影像，形成父子对象层对不同大小的建筑物进行交互式处理。

现有应用DSM数据辅助遥感影像进行建筑物提取的方法，通过DSM阈值区间来提取有高度的建筑物，在地势平坦的区域可取得较好效果，但无法适用于地形复杂的区域，对于建筑类型多样、结构复杂、材质种类丰富的复杂场景下的建筑物提取精度较低。针对此问题，本文提出DSM辅助建筑物提取方法，利用对象间的上下文关系，计算邻接对象间的DSM数据差值形成高程差特征，结合传统光谱、形状、纹理等特征对建筑物进行提取。

1 研究区概况及数据源

1.1 研究区概况

本文研究区位于南宁市江南区，区域内地物复杂，地物类型多样，包括植被、河流、山体、建设用地等。研究区位置及高程影像见图1。各种类型的建筑物坐落其中，包含单体建筑、居民住宅、商业大厦、工业园区厂房及别墅等。通过研究区复杂的背景地物及多样的建筑物类型特征测试本文算法对建筑物提取的有效性。

1.2 数据源

本文所使用的遥感影像数据为“北京三号”（BJ-3）卫星高分辨率立体像对数据，获取时间为2021年12月14日，图像质量良好，无云覆盖。BJ-3卫星重访周期为1天，可捕捉到地球表面的高质量影像数据。该卫星影像数据的多光谱波段由6个波段组成，分辨率为1.2 m，全色波段分辨率为0.3 m，各波段技术指标见表1。

表1 BJ-3卫星影像波段信息

Tab.1 BJ-3 satellite image spectrum information

对所述高分辨率立体像对数据对应的下视高分辨率影像数据进行大气校正、正射校正、数据融合等预处理，获取所述高分辨率正射影像数据，并根据立体像对数据生成与正射影像适配的DSM数据。分别从影像上截取2块大小为2 700×2 700像元的影像数据作为实验研究区，其中实验区A位于工业区，区域内包含众多形状规整、占地面积巨大的工业厂房；实验区B位于别墅区，区域内包含形状复杂、屋顶颜色丰富的复合别墅。影像及对应DSM数据见图2。

2 研究方法

本文采用面向对象分类提取方法[20-22]，先后应用两次多尺度分割生成父子对象层，针对复杂场景下不同大小的建筑物在父子对象层之间进行交互式提取。在子对象层中，应用样本分级极值法剔除植被、水体、阴影等地类，然后筛选建筑物种子节点；将种子对象映射至父对象层中，结合上下文特征对父对象层中的建筑物种子对象进行区域生长，生长结果重新继承至子对象层中，后续优化操作均在交互处理后执行。在整个分类提取过程中，通过有机结合DSM数据来辅助影像分割及分类，实现遥感影像中建筑物的提取。具体提取流程如图3所示。

图3 建筑物提取流程

2.1 多尺度分割

本文通过应用区域异质性最小的区域合并算法实现遥感影像的多尺度分割。从像元层次开始，采用相邻影像区域两两合并增长的方法形成更大的影像对象，直到在规定的尺度上不能再进行任何对象的合并为止。通过设置参与分割的特征图层的权重以及分割后图斑的形状异质性、光谱异质性、紧致度等参数，将影像进行分割形成对象。区域异质性计算公式为

在多尺度分割的过程中，本文借助多尺度分割工具 ESP2[23]来分析最优分割尺度，通过调整形状因子和紧致度因子来控制分割效果。ESP2工具在起始分割尺度下以固定步长计算不同尺度下影像对象同质性的局部方差（Local Variance，LV）及局部变化率ROC（Rate of Change，ROC），并以ROC-LV曲线来指示最优分割尺度。当出现峰值时，该点所对应的尺度即为某种地物的最优分割尺度。ROC计算公式为

2.2 样本分级极值法

样本极值法[24]在选取样本时需尽量选取靠近目标与非目标临界点的样本，通过特殊样本生成相应阈值无法满足的复杂场景下的地物分类。以植被为例，遥感影像中复杂场景下的植被类型存在高亮植被、深色植被及阴影下植被，单一阈值划分极易造成地物类别错分，影响分类结果。

本文在样本极值法基础上改进阈值选取规则，提出样本分级极值法。首先选取典型特征，直接根据样本的最大值或最小值确定初始阈值，然后将样本特征值对应的阈值按照上下四分位数进行二次细分，形成阶梯阈值；最后结合其他辅助特征约束，实现复杂地物的分级提取。以最小值确定分类阈值为例，其算法可表示为

2.3 父子对象层交互处理策略

面向对象分类提取方法的信息提取结果直接受分割尺度影响，建筑物的识别需要将分割尺度调整至最合适的状态。实验区内建筑类型多样，各类型建筑之间存在较大特征差异，分割尺度过小会导致建筑分割过于破碎，将同一建筑分割成多个对象；而分割尺度过大，容易将建筑与不同的地物划分在同一类型中，造成分割不完全。故通过单次多尺度分割形成的对象层无法满足复杂场景下建筑提取的需求。

鉴于影像中建筑物大小不一，形状各异，本文应用多尺度分割方法，选取大、小两个分割尺度对影像分割，生成父子对象层对建筑提取进行交互式处理。子对象层中由于分割尺度较小，小型规整建筑分割效果良好，边界贴合且完整，但较大的建筑对象被过分割成相邻的众多碎斑；父对象层中因分割尺度较大，大型规整建筑分割效果良好，建筑对象完整性较高，但较小的建筑无法被分割为独立的对象，分割后其与周围地物存在黏连现象，与相邻对象分割为同一地物。本文通过结合父子对象层各自的优势，首先应用绝对平均偏差滤波算法计算影像的边缘特征，生成filtered波段储存在新的图像层中；然后在大尺度分割创建的父对象层中以对象为基本单元计算filtered波段的均值，记作特征Mean_filtered，并生成Mean_filtered图层，将父对象层中大尺度对象斑块的Mean_filtered特征继承至子对象层中小尺度对象斑块，为子对象层中的对象提供上下文信息。

本文将区域生长思想应用于面向对象分类过程中，通过在子对象层中建立规则集自动筛选高质量建筑起始种子对象集，按照重合度占比将子对象层中的种子对象集映射至父对象层中，在父对象层中围绕建筑种子对象节点展开区域生长，将建筑进行补充提取。区域生长过程中，将满足特征要求较高的阈值，即分级阈值法确定的高级阈值作为选择种子节点对象的判断依据。借助邻接关系，将紧邻种子点的对象作为被研究对象，选取阶梯阈值中合适的低等级阈值组合作为提取该地物的判断依据，通过此机制对该地物进行循环迭代提取。

2.4 DSM辅助建筑物提取方法

利用DSM数据提取建筑物时，通常情况下建筑物的DSM值在影像范围内比其他地物高，但在影像范围较大时，受地形影响会存在其他地物的DSM值比建筑物DSM值大的情况。

实验区DSM特征分布变化图见图4，其中蓝绿色区域表示DSM值高于所选阈值，黑灰色区域表示DSM值低于所选阈值。在实验区A中，整体DSM值高于99 m，左上区域建筑物高度介于108 m与120 m之间，而右下区域的地面与道路都高于120 m，左上区域地势明显低于右下区域，影像中存在建筑物顶部高度低于地面高度的现象，此时以建筑物的DSM值比其他地物高作为提取建筑物的唯一判定标准将不再适用。在实验区B中，除了位于影像上侧的湖泊区域的DSM值低于5 m，影像整体DSM值高于5 m，地势相对平坦，右侧厂房区建筑物普遍高于15 m，然而以15 m为阈值时，左侧山地上的地面杂物被误提为建筑物；DSM调至20 m，以此值作为阈值提取建筑物时影像左侧山地被误提为建筑物的情况减少，但相应地右侧厂房区建筑漏提情况也会增多，难以通过单一DSM阈值区分建筑物与背景。

式中 va表示a对象在DSM波段上的特征值；vb表示b对象在DSM波段上的特征值。

2.5 建筑物分级提取方法

剔除较易提取的地物后，将建筑物按照房顶颜色进行分类提取，具体划分为高亮房、红顶房、蓝顶房、褐顶房、灰顶房及黑顶房等6类，采用样本分级极值法构建亮度阶梯确定各类建筑阈值。

（1）提取高亮房

（2）提取红顶房

（3）提取蓝顶房

（4）提取褐顶房

（5）提取灰顶房

（6）提取黑顶房

3 实验结果与分析

3.1 确定分割尺度参数

本文通过应用父子对象层交互处理策略优化上述问题，将R、G、B、NIR以及DSM波段按照 3︰3︰3︰3︰1权重参与分割形成子对象层，按照1︰1︰1︰1︰1权重参与分割形成父对象层。对子对象层分割时设置DSM权重较低，注重分割后建筑物边界的准确性；对父对象层分割时设置DSM权重较高，注重分割后建筑物整体的完整性，对二者交互式处理提高建筑物提取的精度。

在对遥感影像及DSM数据进行分割时，采用控制变量法，结合ESP2分析工具确定分割尺度、形状因子和紧致度因子3个多尺度分割参数。以建筑物为研究的核心对象，尺度参数设置为80对影像进行粗略分割，根据分割对象与建筑物边缘的吻合度确定形状因子和紧致度因子。固定紧致度因子为默认值 0.5，调整形状因子，判断颜色和形状参与建筑分割的权重大小。实验发现适当增大形状因子时，分割得到的建筑物边缘与实际更加吻合，但当形状因子增大到0.8时建筑分割单元过大，出现欠分割现象，综合对比发现形状因子为0.6时，边缘拟合效果最好，分割结果见图5。

（a）形状因子0.2（b）形状因子0.4 （a）Shape factors is 0.2（b）Shape factors is 0.4 （c）形状因子0.6（d）形状因子0.8 （c）Shape factors is 0.6（d）Shape factors is 0.8

在形状因子为0.6，紧致度因子为0.5的条件下，实验发现当分割尺度小于30时，建筑物分割过于破碎，因此以起始分割尺度30，步长分别为1、5及10三种规格进行多尺度分割计算，得到ROC-LV曲线见图6。经多次实验及针对建筑物边缘吻合度的目视判断，将子对象层的分割尺度设置为45，此时，建筑物虽被分割成众多同质对象，但建筑物边缘对象与相邻地物的分割边界清晰，众多对象组合可以完整表示建筑物真实轮廓，分割效果符合后续建筑物提取需求。将父对象层的分割尺度设置为95，此时，建筑物分割边界与相邻地物存在一定的黏连现象，但建筑物被分割成较为完整的同质对象，保持了建筑整体特性。

图6 ROC-LV曲线

3.2 评价指标

3.3 对比实验分析

为了验证在应用父子对象层交互处理策略的建筑物分级提取方法中引入DSM数据对于提高建筑物提取精度的有效性，本文提出了4种不同的实验方案在实验区A和B两景不同类型场景下进行实验，并利用评价指标Precision、Recall、F1-Score和IoU对实验进行精度评估。实验结果见表2。

4种方案分别为：1）仅使用四波段影像，通过SVM支持向量机分类方法对建筑物进行提取；2）仅使用四波段影像，在面向对象建筑物分级提取方法中引入父子对象层交互处理策略对建筑物进行提取；3）在四波段影像基础上，结合DSM波段数据并应用SVM支持向量机分类方法对建筑物进行提取；4）在四波段影像基础上，结合DSM波段数据并应用DSM辅助建筑物提取方法，通过在面向对象建筑物分级提取方法中引入父子对象层交互处理策略对建筑物进行提取。

表2 实验区A和实验区B不同方案的评价结果

表2可知，在实验区A中，方案二的Precision、Recall、F1-Score和IoU等指标均优于传统SVM分类方法，分别为89.3%、82.3%、86.4%和76.6%，表明在面向对象建筑物分级提取方法中引入父子对象层交互处理策略对建筑物提取精度更高。对比方案一和方案三可知，在SVM分类方法中引入DSM波段数据后，Precision、Recall、F1-Score和IoU分别提升了5.2%、4.1%、4.6%和7.4%，说明加入高程特征能提高建筑物提取精度。对比方案二和方案四结果，在应用父子对象层交互处理策略的建筑物分级提取方法中引入DSM数据辅助建筑物提取后，Precision、Recall、F1-Score和IoU指标值分别提升了7.7%、12.6%、9.5%和15.6%，相较于SVM分类方法引入DSM数据后的精度提升率更大，表明本文提出的DSM辅助建筑物提取方法通过引入局部高程差作为提取特征，极大地提高了建筑物提取精度。

在实验区B中，方案二的Precision、Recall、F1-Score和IoU等4个指标同样优于传统SVM分类方法，表明在面向对象建筑物分级提取方法中引入父子对象层交互处理策略在不同场景中均可取得不错的提取效果。对比方案一和方案三可知，在SVM分类方法中引入DSM波段数据后，Precision、Recall、F1-Score和IoU指标值分别提升了9.5%、7.9%、8.9%和7.4%，提升率相比实验区A更高，说明在建筑物结构复杂的区域改善效果更明显，DSM数据能够通过提供地形信息来提高遥感影像复杂场景下建筑物提取的性能。对比方案二和方案四结果，在应用父子对象层交互处理策略的建筑物分级提取方法中引入DSM数据辅助建筑物提取后，Precision、Recall、F1-Score和IoU指标值分别提升了12.4%、24.6%、9.5%和24.7%，相较于SVM分类方法引入DSM数据后的提升更大，表明本文提出的DSM辅助建筑物提取方法通过引入局部高程差作为特征对建筑物进行提取，在不同场景下均可提高建筑物提取精度，且在高分遥感影像复杂场景下提取的性能提升更加明显。

为了更加直观形象的体现本文所提方法的优势，将4种实验方案的提取结果进行可视化展示，实验区A及B建筑物提取整体结果图见图7，其中黑色代表背景，白色代表建筑物。由图7可以看出，仅使用多光谱影像时，方案一提取结果中存在地面及裸地被误提为建筑物的现象，且建筑物内部存在大量漏提形成的黑色空洞；相比方案一，方案二同样将部分裸地及建设用地误提为建筑物，但所提建筑物内部空洞较少，整体性更高；方案三结合了DSM波段数据后，提取结果中地面及裸地被误提为建筑物的情况大幅度减少，但与建筑物高度相近的植被在提取时受DSM高度特征所占权重的影响较大，被误提为建筑物，且建筑物内部空洞较多的问题未能得到明显改善；方案四结果中除了一些有高度的地面杂物被误提为建筑物外，道路、裸地被误提为建筑物的情况得到了极大的改善，且相较于未引入DSM数据时建筑物边界提取的准确率提升巨大。综合上述不同实验方案的建筑物的提取效果可知，无论是否引入DSM特征，父子对象层交互处理的面向对象建筑物分级提取方法相对于SVM提取方法，其建筑物提取所得图斑连贯且完整，内部空洞少，整体性高。这表明在面向对象建筑物分级提取方法中引入父子对象层交互处理策略，充分利用了父对象层的高层特征，保留了建筑物整体信息，优化了提取效果。

图7 建筑物整体提取结果

图8 建筑物细节提取结果

4 结束语

面向对象分类方法中最优分割尺度的选择至关重要，每种地物在理论上都有相应的最优分割尺度。鉴于此，本文提出了父子对象层交互处理策略，通过多尺度分割生成大、小尺度双对象层，父对象层分割尺度较大，用于提取分析建筑物的主要抽象特征，从而保留更多的空间信息，保证了分割后的建筑物对象的完整性；而子对象层通过小尺度分割生成细致的分割结果，保证了建筑物边界分割效果与实际建筑物轮廓的贴合程度较高，且在子对象层中提取的各类地物的种子节点更加准确，优化了后续区域生长建筑物的提取效果。

[1] SU W, LI J, CHEN Y H, et al.Textural and Local Spatial Statistics for the Object-Oriented Classification of Urban Areas Using High Resolution Imagery[J]. International Journal of Remote Sensing, 2008, 29(11):3105-3117.

[2] CUI S Y, YAN Q, REINARTZ P. Complex Building Description and Extraction Based on Hough Transformation and Cycle Detection[J]. Remote Sensing Letters, 2012, 3(2): 151-159.

[3] TURKER M, KOC-SAN D. Building Extraction From High-resolution Optical Spaceborne Images Using the Integration of Support Vector Machine (SVM) Classification, Hough Transformation and Perceptual Grouping[J]. International Journal of Applied Earth Observation and Geoinformation, 2014(34): 58-69.

[4] YE B Y, BAO N S. The Building Extraction Based on Object Oriented Classification Method in High Vegetation Coverage Area[J]. Journal of Computer and Communications, 2019, 7(7): 9-16.

[5] 林祥国, 张继贤. 面向对象的形态学建筑物指数及其高分辨率遥感影像建筑物提取应用[J]. 测绘学报, 2017, 46(6): 724-733. LIN Xiangguo, ZHANG Jixian. Object-based Morphological Building Index for Building Extraction from High Resolution Remote Sensing Imagery[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(6): 724-733. (in Chinese)

[6] 龚循强, 刘星雷, 鲁铁定, 等. 面向对象的中值绝对偏差法在建筑物提取中的应用[J]. 激光与光电子学进展, 2021, 58(12): 1212005. GONG Xunqiang, LIU Xinglei, LU Tieding, et al. Application of Object-Oriented Median Absolute Deviation Method to Building Extraction[J]. Laser & Optoelectronics Progress, 2021, 58(12): 1212005. (in Chinese)

[7] 范荣双, 陈洋, 徐启恒, 等. 基于深度学习的高分辨率遥感影像建筑物提取方法[J]. 测绘学报, 2019, 48(1): 34-41. FAN Rongshuang, CHEN Yang, XU Qiheng, et al. A High-resolution Remote Sensing Image Building Extraction Method Based on Deep Learning[J]. Acta Geodaetica et Cartographica Sinica, 2019, 48(1): 34-41. (in Chinese)

[8] 崔卫红, 熊宝玉, 张丽瑶. 多尺度全卷积神经网络建筑物提取[J]. 测绘学报, 2019, 48(5): 597-608. CUI Weihong, XIONG Baoyu, ZHANG Liyao. Multi-scale Full Convolutional Neural Network for Building Extraction[J]. Acta Geodaetica et Cartographica Sinica, 2019, 48(5): 597-608. (in Chinese)

[9] WEN X, LI X, ZHANG C, et al. ME-Net: A Multi-scale Erosion Network for Crisp Building Edge Detection from Very High Resolution Remote Sensing Imagery[J]. Remote Sensing, 2021, 13(19): 3826.

[10] GUO H N, SHI Q, DU B, et al. Scene-Driven Multitask Parallel Attention Network for Building Extraction in High-Resolution Remote Sensing Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(5): 4287-4306.

[11] 王振庆, 周艺, 王世新, 等. IEU-Net高分辨率遥感影像房屋建筑物提取[J]. 遥感学报, 2021, 25(11): 2245-2254. WANG Zhenqing, ZHOU Yi, WANG Shixin, et al. House Building Extraction from High-resolution Remote Sensing Images Based on IEU-Net[J]. National Remote Sensing Bulletin, 2021, 25(11): 2245-2254. (in Chinese)

[12] 罗壮, 李明, 张德朝. 结合边界约束网络和分水岭分割算法的建筑物提取[J]. 遥感学报, 2022, 26(7): 1459-1468. LUO Zhuang, LI Ming, ZHANG Dezhao. Building Detection Based on a Boundary-regulated Network and Watershed Segmentation[J]. National Remote Sensing Bulletin, 2022, 26(7): 1459-1468. (in Chinese)

[13] 龚健雅, 张觅, 胡翔云, 等. 智能遥感深度学习框架与模型设计[J]. 测绘学报, 2022, 51(4): 475-487. GONG Jianya, ZHANG Mi, HU Xiangyun, et al. The Design of Deep Learning Framework and Model for Intelligent Remote Sensing[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51(4): 475-487. (in Chinese)

[14] 彭泊涵, 欧阳杨, 张良, 等. 几何与Gabor纹理特征的机载LiDAR点云建筑物提取[J]. 测绘科学, 2022, 47(6): 119-126. PENG Bohan, OUYANG Yang, ZHANG Liang, et al. Building Extraction from Airborne LIDAR Point Cloud Based on Geometric and Texture Features[J]. Science of Surveying and Mapping, 2022, 47(6): 119-126. (in Chinese)

[15] 李昂, 黄煌, 夏煜, 等. 基于改进分水岭算法的农村地区LiDAR点云建筑物提取[J]. 长江科学院院报, 2021, 38(3): 149-154. LI Ang, HUANG Huang, XIA Yu, et al. Extraction of Buildings in Rural Area Based on LiDAR Point Cloud and Improved Watershed Algorithm[J].Journal of Yangtze River Scientific Research Institute, 2021, 38(3): 149-154. (in Chinese)

[16] 王蕾, 杨武年, 任金铜, 等. GF-2影像面向对象典型城区地物提取方法[J]. 测绘通报, 2018(1): 138-142. WANG Lei, YANG Wunian, REN Jintong, et al. Object-oriented Extraction Method of Typical Urban Features Based on GF-2 Images[J]. Bulletin of Surveying and Mapping, 2018(1): 138-142. (in Chinese)

[17] 何曼芸, 程英蕾, 邱浪波, 等. 一种改进顶帽变换与LBP高程纹理的城区建筑物提取算法[J]. 测绘学报, 2017, 46(9): 1116-1112. HE Manyun, CHENG Yinglei, QIU Langbo, et al. An Algorithm of Building Extraction in Urban Area Based on Improved Top-hat Transformations and LBP Elevation Texture[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(9): 1116-1112. (in Chinese)

[18] 贺晓璐, 刘振华, 胡月明. 基于面向对象的建筑物信息提取方法研究[J]. 河南理工大学学报(自然科学版), 2020, 39(2): 53-61. (in Chinese)HE Xiaolu, LIU Zhenhua, HU Yueming. Research on Object-oriented Building Information Extraction Method[J]. Journal of Henan Polytechnic University (Natural Science), 2020, 39(2): 53-61. (in Chinese)

[19] 王珍, 张涛, 丁乐乐, 等. 融合高度和光谱信息的倾斜摄影数据建筑物自动提取[J]. 测绘通报, 2022(2): 10-15. WANG Zhen, ZHANG Tao, DING Lele, Automatic Building Extraction from Oblique Photogrammetry Data by Combining Height and Spectral Information[J]. Bulletin of Surveying and Mapping, 2022(2): 10-15. (in Chinese)

[20] BLASCHKE T, HAY G J, KELLY M, et al. Geographic Object-based Image Analysis: Towards A New Paradigm[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 87(1): 180-191.

[21] 彭力恒, 刘凯, 朱远辉, 等. 旋转森林算法在GF-2卫星影像土地利用分类中的应用[J]. 航天返回与遥感, 2019, 40(1): 112-122. PENG Liheng, LIU Kai, ZHU Yuanhui, et al. Application of Rotating Forest Algorithm in Land Use Classification of GF-2 Satellite Image[J]. Spacecraft Recovery & Remote Sensing, 2019, 40(1): 112-122. (in Chinese)

[22] 杨迎港, 刘培, 张合兵, 等. 基于特征优选随机森林算法的GF-2影像分类[J]. 航天返回与遥感, 2022, 43(2): 115-126. YANG Yinggang, LIU Pei, ZHANG Hebing, et al. Research on GF-2 Image Classification Based on Feature Optimization Random Forest Algorithm[J]. Spacecraft Recovery & Remote Sensing, 2022, 43(2): 115-126. (in Chinese)

[23] DRAGUT L, CSILLIK O, EISANK C, et al. Automated Parameterisation for Multi-scale Image Segmentation on Multiple Layers[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 88(2): 119-127.

[24] 文强, 丁媛, 苗立新, 等. 一种新增建设用地监测方法及装置: CN112927252A[P]. 2021-06-08. WEN Qiang, DING Yuan, MIAO Lixin, et al. A New Construction Land Monitoring Method and Device: CN112927252A[P]. 2021-06-08. (in Chinese)

Object-Oriented Building Grading Extraction Method Based on High Resolution Remote Sensing Images

XING Yunfei1LIU Ping1XIE Yuting1GAO Yu1YUE Zhichuan1LU Zehao1LI Xinhua2

（1 College of Big Data, Taiyuan University of Technology, Jinzhong 030600, China）（2 Lvliang Municipal Bureau of Ecology and Environment, Lvliang 033000, China）

The rule-based classification algorithm assisted by Digital Surface Model (DSM) has the following shortcomings in object-oriented building extraction from high-resolution remote sensing images: 1) Multi-scale segmentation has poor segmentation effect in complex scenes, resulting in low building extraction accuracy; 2) When the image range is large, buildings cannot be extracted directly through a single threshold of DSM data. In order to overcome the above problems, this paper proposes a DSM-assisted parent-child object layers interactive processing method for building classification extraction. Firstly, the multi-scale segmentation is applied twice to generate the parent-child object layers in combination with DSM data. Then, the vegetation, water and shadow in the sub-object layer are eliminated by the sample grading extremum method, and the building seed nodes are screened by the building grading extraction method. Finally, the seed objectsare mapped to the parent object layer, and the building extraction from the parent object layer is completed by region growing with the context features. The growth result is re-inherited to the child object layer to complete the building extraction. The experimental results of building extraction from remote sensing images show that the F1-Score and IoU indexes of the proposed method reach 95.9% and 92.2% in experimental area A, and 94.1% and 92.2% in experimental area B, which are better than the results of support vector machine (SVM) algorithm. It is proved that this method can effectively extract buildings in complex scenes in remote sensing images.

satellite remote sensing images; building extraction; object-based classification; digital surface model

TP753; TP181

A

1009-8518(2023)04-0088-15

10.3969/j.issn.1009-8518.2023.04.010

2023-04-28

山西省重点研发计划项目（202202020101007）；山西省基础研究计划青年科学研究项目（20210302124168）；山西省自然科学基金青年项目（201901D211002）

邢云飞, 刘萍, 谢育珽, 等. 基于高分辨率遥感影像的面向对象建筑物分级提取方法[J]. 航天返回与遥感, 2023, 44(4): 88-102.

XING Yunfei, LIU Ping, XIE Yuting, et al. Object-Oriented Building Grading Extraction Method Based on High Resolution Remote Sensing Images[J]. Spacecraft Recovery & Remote Sensing, 2023, 44(4): 88-102. (in Chinese)

邢云飞，男，1997年生，太原理工大学数据科学与技术专业在读硕士研究生，主要研究方向为遥感影像信息提取。E-mail：740833808@qq.com。

刘萍，女，1976年生，博士，副教授，硕士生导师，主要研究方向为水资源大数据。E-mail：liuping01@tyut.edu.cn。

（编辑：夏淑密）