沈小樂,邵振峰,田英潔

武漢大學(xué)測繪遙感信息工程國家重點實驗室,湖北武漢 430079

紋理特征與視覺注意相結(jié)合的建筑區(qū)提取

沈小樂,邵振峰,田英潔

武漢大學(xué)測繪遙感信息工程國家重點實驗室,湖北武漢 430079

提出一種有效提取高分辨率遙感影像建筑區(qū)的算法。通過模擬人類視覺系統(tǒng)感知環(huán)境的過程,引入視覺注意機制,提出基于自信息最大化視覺注意機制的建筑區(qū)顯著指數(shù)。根據(jù)建筑區(qū)在高分辨率遙感影像中的特點,基于時/頻域的紋理分析,提出一種針對建筑區(qū)的紋理特征描述方法,實現(xiàn)了建筑區(qū)的高效提取。通過對8組高分辨率遙感影像進行試驗,驗證了本文算法的有效性。

高分辨率遙感影像;非下采樣輪廓波變換;紋理特征;視覺注意;建筑區(qū)提取

1 引 言

建筑區(qū)是人類進行土地規(guī)劃、災(zāi)后評估、城市擴張、城市監(jiān)測等研究分析的必要信息,是人口估計與調(diào)查、城市規(guī)劃等的重要依據(jù)。為提高研究效率并降低成本,從遙感影像中自動、半自動提取建筑區(qū)已經(jīng)成為城市研究的重要手段。因此,研究如何在遙感影像中快速有效地提取建筑區(qū)具有非常重要的意義。

隨著遙感影像空間分辨率的提高,影像中地物光譜變化強烈,“同物異譜”“異物同譜”現(xiàn)象普遍,建筑物在高分辨率遙感影像中的光譜和結(jié)構(gòu)復(fù)雜性也將進一步提高。許多僅利用遙感影像光譜信息進行建筑區(qū)提取的算法,如NDBI(normalized difference built-up index)[1]、IBI(indexbased built-up index)[2]等,更適用于中低分辨率遙感影像,而在處理高分辨率遙感影像時很難達到滿意的精度。因此,一些研究者利用紋理特征、邊緣特征、形狀特征等輔助信息以提取高分辨率遙感影像中的建筑區(qū)[3-5],也有學(xué)者通過LiDAR數(shù)據(jù)輔助提取建筑目標,生成建筑平面的輪廓線[6]。文獻[7]提出了Pan Tex算法,利用灰度共生矩陣計算影像多方向紋理,并將基于模糊規(guī)則融合的結(jié)果作為建筑區(qū)存在指數(shù),進行建筑區(qū)的提取。隨后,其又對Pan Tex算法進行改進,利用NDVI對Pan Tex進行增強,并通過形態(tài)學(xué)運算對提取結(jié)果進行改進[8]。但是,Pan Tex算法主要適用于5 m或更低空間分辨率的影像(如SPOT-5衛(wèi)星影像),針對更高分辨率的遙感影像,其建筑區(qū)提取效果并不理想。目前,在甚高分辨率(空間分辨率高于1 m)遙感影像中提取建筑區(qū),仍然沒有一個成熟而有效的算法。

為解決這一問題,本文分析了建筑區(qū)在高分辨率遙感影像中特有的紋理表現(xiàn),通過對影像進行非下采樣輪廓波變換[9](nonsubsampled contourlet transform,NSCT)描述影像的紋理特征,并在原有的紋理表達方法上進行了針對性的改進,通過引入視覺注意機制,將建筑區(qū)紋理特征作為視覺注意模型的主要底層特征,提出了一種基于紋理驅(qū)動視覺注意機制的建筑區(qū)提取算法。

2 建筑區(qū)紋理特征表達

與空間分辨率較低的遙感影像相比,建筑的復(fù)雜性和多樣性在高分辨率遙感影像中更為明顯,因此建筑的提取難度也隨影像空間分辨率的提高而增加。但在一定尺度上,建筑區(qū)具有明顯的紋理特征,具體表現(xiàn)為:

(1)建筑區(qū)內(nèi)部的建筑物在結(jié)構(gòu)上具有一定的相似性。

(2)在遙感影像中陰影會伴隨建筑物產(chǎn)生,使建筑區(qū)呈現(xiàn)周期性的明暗變化。

(3)由于人為因素的影響,建筑物一般具有相對一致的朝向以及規(guī)則的排列,因此在高分辨率遙感影像中建筑區(qū)紋理表現(xiàn)出明顯的方向性。與無方向性紋理相比,建筑區(qū)紋理在某一組相互垂直的方向上具有相似的紋理特征。

根據(jù)建筑區(qū)紋理特性突出這一特點,本文將影像的紋理特征作為建筑區(qū)提取的最主要的底層特征。為突顯建筑區(qū)紋理并提高建筑區(qū)紋理與其他地物紋理的區(qū)別度,本文根據(jù)建筑區(qū)紋理的特點提出了針對建筑區(qū)的紋理表達方法。

建筑區(qū)紋理特征表達流程如圖1所示,步驟如下。

人類視覺系統(tǒng)在對紋理影像進行分析時,首先將影像依據(jù)頻率和方向進行分解,然后進行頻率和方向選擇性濾波從而感知影像特征[10]?；跁r/頻域的方法模擬人類視覺進行紋理分析,首先采用某種濾波方法對影像進行頻率濾波得到不同的頻率和方向子帶,然后經(jīng)過局部能量函數(shù)運算對得到的多個子帶進行整合與平滑,得到影像紋理特征[11]。

圖1 建筑區(qū)紋理特征提取流程Fig．1 The flow chart of built-up areas textural feature extraction

在時/頻域分析研究方面,繼小波、小波樹以及Gabor小波之后,NSCT逐漸成為研究熱點。NSCT可以對影像進行多尺度、多方向的分解,其過程主要分為兩個步驟:首先用非下采樣的金字塔結(jié)構(gòu)將影像分為低頻子帶及多尺度的高頻子帶,獲得多尺度分解結(jié)果;然后采用非下采樣的方向濾波器組對每個高頻子帶分別進行多方向分解。由于兩個步驟中所使用的濾波器皆為非下采樣的,因此確保了結(jié)果的平移不變性。本文則利用NSCT多尺度、多方向、平移不變的特性[12],采用NSCT進行影像特征的分解,然后使用局部紋理能量函數(shù)計算每個尺度和方向子帶的局部能量,并將該結(jié)果作為影像的紋理特征。

首先對原始影像進行NSCT變換得到多尺度多方向的高頻子帶fs,d,其中s表示尺度,d表示方向。然后分別對每個尺度方向子帶進行局部紋理能量統(tǒng)計,取窗口大小為(2n＋1)×(2n＋1),得到初始紋理特征Es,d,其在像素(x,y)位置的系數(shù)計算公式如下

本文采用基于時/頻域的方法表達影像紋理,并針對建筑區(qū)的特點構(gòu)建建筑區(qū)紋理特征。本文認為建筑區(qū)紋理在某一組相互垂直的方向上紋理特征強度相似,并根據(jù)該特點提出了針對建筑區(qū)的紋理特征向量T,以突出在相互垂直方向上紋理特征都較強的紋理。向量T由元素ts,d′構(gòu)成, ts,d′由式(3)計算得到

式中,d⊥是垂直于d的方向;d′為建筑區(qū)紋理特征方向。

3 基于視覺注意機制的建筑區(qū)提取

視覺是人類獲取外界信息的重要方式之一。據(jù)統(tǒng)計,人類所接收到的外界信息約有80%～90%是通過視覺系統(tǒng)獲取的。而視覺注意在視覺系統(tǒng)中所起到的作用就是在所獲取的復(fù)雜視覺場景中快速定位感興趣的目標[13]。由于建筑區(qū)顯著的紋理特征會引起人類視覺的注意,因此本文利用視覺注意機制,將建筑區(qū)作為視覺搜索任務(wù)的目標,以建筑區(qū)的紋理特征作為視覺注意模型中的底層特征計算建筑區(qū)的顯著性,將該建筑區(qū)顯著性作為建筑區(qū)的存在指數(shù),通過對其進行閾值分割來確定建筑區(qū)的位置與范圍。

目前,已有很多研究表明人類感知系統(tǒng)是對周圍自然信號的統(tǒng)計特征進行進一步處理的。從信息論角度看,環(huán)境中的信息是不均勻分布的,而視覺注意過程可以快速定位環(huán)境中信息較為豐富的區(qū)域[14]。換言之,信息驅(qū)動了視覺注意,可以認為引發(fā)視覺注意的區(qū)域或?qū)ο笃浒男畔⒘枯^大。文獻[14—18]提出了基于信息論的視覺注意模型,并驗證了其生物可信性。基于信息論的視覺注意模型的研究關(guān)鍵是信息的表達,其中文獻[14—16]使用熵衡量信息量,而文獻[17]和[18]提出使用自信息衡量信息量更符合視覺注意過程。本文從信息論角度解釋視覺注意機制,并利用自信息計算建筑區(qū)的顯著性,生成視覺顯著圖。

本文采用自信息來表達圖像特征的信息量。自信息表示一個隨機事件w所包含的信息量I(w)與事件發(fā)生的概率P(w)相關(guān),事件發(fā)生的概率越低,在事件確實發(fā)生時,其信息量越大。從式(4)中可以看出事件發(fā)生的概率越高時信息量越小

在圖像處理過程中,式(4)中的變量w表示圖像特征,該圖像特征由位置(i,j)和特征向量T兩部分組成,即w＝(i,j,T)。P(w)表示圖像特征w在給定的鄰域范圍內(nèi)發(fā)生的聯(lián)合概率。定義位置(i,j)的鄰域范圍D＝{(x,y)|x∈(i－R,i＋R),y∈(j－R,j＋R)},R為鄰域半徑。w＝(i,j,T)與鄰域范圍D內(nèi)其他像素的特征差異越大,則w發(fā)生的概率越小;反之則越大。

由于圖像特征w是一個多維向量,其發(fā)生的聯(lián)合概率P(w)估算困難。本文首先對建筑區(qū)紋理特征向量T進行獨立成分分析(independent component analysis,ICA),得到各維都相互獨立的特征向量w′,w′由wk構(gòu)成,然后計算當(dāng)觀測值wk的真值為vk時的概率P(wk＝vk),則特征w的聯(lián)合概率即為

關(guān)于概率P(wk＝vk)的估算方法并不是唯一的,可以采用無參概率密度估計或直方圖概率密度估計等方法,本文采用高斯核無參概率密度估計的方法計算概率P(wk＝vk)

式中,ω體現(xiàn)了鄰域D中的像素與中心像素(i,j)之間關(guān)聯(lián)的重要程度,需滿足∑(x,y)∈Dω(x,y)＝1。本文中權(quán)重ω采用高斯分布,即

圖像中每個像素的特征在其所在的局部區(qū)域內(nèi)都具有一定的自信息,本文將建筑區(qū)紋理特征的自信息作為建筑區(qū)的顯著性指數(shù),通過計算自信息,得到遙感影像建筑區(qū)顯著圖,然后對建筑區(qū)顯著圖進行閾值分割,提取高分辨率遙感影像中的建筑區(qū)。算法的整體流程如圖2所示。

4 試驗結(jié)果及分析

為驗證本文算法提取建筑區(qū)的效果,本文以空間分辨率為0．1 m的江蘇省泰州市航空遙感影像作為試驗數(shù)據(jù)源,從中選取了8幅不同場景的遙感影像進行建筑區(qū)提取試驗。每幅試驗影像的范圍均為500 m×500 m,所選取的試驗波段為可見光波段。8幅影像包括了城鎮(zhèn)、農(nóng)村及城鄉(xiāng)結(jié)合區(qū)等多種區(qū)域,除建筑區(qū)外還包含耕地、林地、草地、河流、坑塘、溝渠、公路、農(nóng)村道路和裸地等多種地物類型,影像中地物環(huán)境較為復(fù)雜。其中,前4幅影像中的建筑區(qū)類型為由尺度較小的農(nóng)村的普通民房構(gòu)成的建筑區(qū)。后4幅影像包括由較大尺度的多層、中高層建筑構(gòu)成的城鎮(zhèn)住宅小區(qū),以及不同尺度建筑混合構(gòu)成的建筑區(qū)。本文不僅對提取結(jié)果進行了主觀評價,還將本文算法與Pan Tex算法進行對比試驗,并通過分析8組提取結(jié)果的受試者工作特征(receiver operating characteristic,ROC)圖和F-measure值[19],評價本文所提算法的提取效果。在試驗中,本文的建筑區(qū)顯著圖與Pan Tex指數(shù)圖均采用最大類間方差法[20]進行閾值分割,以此提取建筑區(qū)。對于經(jīng)閾值分割后的Pan Tex指數(shù)圖,本文對其進行了閉運算及開運算,以消除提取結(jié)果中的孔洞、孤島及鋸齒邊緣等現(xiàn)象,提高提取區(qū)域的平滑性。

圖2 基于視覺注意機制的建筑區(qū)提取流程Fig．2 The flow chart of built-up extraction based on visual attention mechanism

圖3給出了本文算法與Pan Tex算法提取建筑區(qū)的結(jié)果。圖中第1行為原始影像。第2行為通過人工解譯提取的建筑區(qū)參考圖,白色部分為建筑區(qū)參考區(qū)域。第3行和第4行分別為本文算法、Pan Tex算法的提取結(jié)果。從圖3中可以直觀地看出本文算法所提取建筑區(qū)的完整度明顯優(yōu)于Pan Tex算法。在試驗影像中,一些耕地呈條塊狀分布,其形狀和亮度與建筑區(qū)相似,在Pan Tex算法的提取結(jié)果中可以看到有誤提取為建筑區(qū)的耕地,而本文所提算法在區(qū)分建筑區(qū)與其他亮度、結(jié)構(gòu)相似的地物上效果明顯。另外,部分農(nóng)村道路、公路具有較高的亮度,與周圍地物形成較強烈的明暗變化,在Pan Tex算法中亦存在誤提取的現(xiàn)象,但對本文算法的影響較小。本文算法提取結(jié)果中,仍存在部分誤提取的情況,這是由于有部分耕地或道路在影像中的一組垂直方向上的紋理特征有同建筑區(qū)相似的表現(xiàn)。

圖4為本文算法與Pan Tex算法試驗結(jié)果對比的ROC圖。ROC圖以假陽性率(false positive rate,FPR)為橫坐標軸,真陽性率(true positive rate,TPR)為縱坐標軸,其中FPR表示被錯誤地提取為建筑區(qū)的樣本與所有實際不為建筑區(qū)的樣本的比率,TPR表示被正確地提取為建筑區(qū)的樣本與所有實際為建筑區(qū)的樣本的比率。ROC圖可以形象地描述出FPR與TPR兩個量之間的相對變化情況,離左上角越近的點表示其提取精度越高。圖5為本文算法與Pan Tex算法試驗結(jié)果的F-measure值對比圖。F-measure值是一種評價提取精度的指標,它綜合考慮了查準率和查全率,F-measure值的計算公式為

式中,Precision為查準率;Recall為查全率;本文中α＝1。

如圖4所示,本文算法其FPR范圍為9．72%～28．64%,Pan Tex提取結(jié)果的FPR范圍為9．26%～45．09%,本文算法的FPR平均值(17．01%)優(yōu)于Pan Tex算法結(jié)果(26．44%)。對于TPR,本文算法結(jié)果其TPR均高于93．12%,而Pan Tex算法結(jié)果的TPR范圍為70．95%～87．36%,本文算法對所有影像的提取結(jié)果的TPR均優(yōu)于Pan Tex算法。從圖5中可以看出,本文算法在提取精度F-measure值上優(yōu)于Pan Tex提取算法。

Pan Tex算法在甚高分辨率遙感影像及較復(fù)雜環(huán)境中提取建筑區(qū)的效果不夠理想,這是受其紋理表達方法在尺度上的局限性的影響。Pan Tex算法進行紋理表達基于建筑物與陰影亮度對比強的假設(shè),該算法利用灰度共生矩陣,描述的是具有某種空間位置關(guān)系的兩個像素的聯(lián)合分布。而在高分辨率遙感影像中,地物細節(jié)更為復(fù)雜,單純采用像素對的關(guān)系已經(jīng)很難表達高分辨率遙感影像中的建筑區(qū)紋理。高分影像中紋理較強的區(qū)域也不僅僅是建筑區(qū),因此造成Pan Tex算法提取結(jié)果會有較高的誤差。而本文提出的算法采用多尺度的紋理表達方法,對于不同尺度的建筑物構(gòu)成的建筑區(qū)均有較好的提取效果,如圖3中第6—8幅影像的城鄉(xiāng)結(jié)合區(qū)中作為紋理基元的建筑物的尺度雖然不同,但通過本文算法均能較好地提取。本文采用多方向紋理特征表達并強調(diào)了建筑區(qū)在紋理方向方面所具有的特點,因此可以很好地剔除只具有單一方向的道路以及各向紋理特性均勻的耕地、草地、林地、水體等地物特征。

圖3 建筑區(qū)提取結(jié)果Fig．3 The built-up areas extraction results of different methods

圖4 ROC對比圖Fig．4 ROC graph of different methods

圖5 F-measure對比圖Fig．5 F-measure of different methods

5 結(jié) 論

本文針對高分辨率遙感影像提出了一種基于紋理驅(qū)動視覺注意機制的建筑區(qū)提取算法,該算法的關(guān)鍵是利用建筑區(qū)的紋理特征及視覺注意機制構(gòu)建高分辨率遙感影像的建筑區(qū)顯著模型。算法充分考慮了高分辨率遙感影像中建筑區(qū)的特點,是具有多尺度多方向特性的建筑區(qū)紋理特征表達方法。提取算法模擬人眼視覺注意過程,采用基于信息論的視覺注意模型構(gòu)造建筑區(qū)顯著圖,通過對建筑區(qū)顯著圖進行閾值分割從而提取建筑區(qū)。試驗結(jié)果表明該算法對高分辨率遙感影像建筑區(qū)具有很好的提取效果,其結(jié)果優(yōu)于Pan Tex算法,在較復(fù)雜的環(huán)境中也能保證提取的精度。

對比人工提取的建筑區(qū)參考結(jié)果,本文算法所提取的建筑區(qū)在邊界上不夠平滑,這是由于該算法通過對建筑區(qū)顯著圖進行閾值分割得到建筑區(qū)提取結(jié)果,對建筑區(qū)邊界未作更精細的定位。后續(xù)研究可考慮通過曲線擬合等方法提高建筑區(qū)邊界精度。對于影像中一些在形狀、亮度、結(jié)構(gòu)上同建筑物相似的地物,本文算法仍存在誤提取現(xiàn)象。而對于建筑物比較分散的情況,本文算法提取結(jié)果也存在一定的誤差。今后的研究可考慮融合多種信息,如建筑物角點、陰影等信息,以提高提取精度。

[1] ZHA Y,GAO J,NIS．Use of Normalized Difference Built-up Index in Automatically Mapping Urban Areas from TM Imagery[J]．International Journal of Remote Sensing, 2003,24(3):583-594．

[2] XU H．A New Index for Delineating Built-up Land Features in Satellite Imagery[J]．International Journal of Remote Sensing,2008,29(14):4269-4276．

[3] LEE D S,SHAN J,BETHEL J S．Class-Guided Building Extraction from IKONOS Imagery[J]．Photogrammetric Engineering and Remote Sensing,2003,69(2):143-150．[4] HU X Y,SHEN J J,SHAN J,et al．Local Edge Distributions for Detection of Salient Structure Textures and Objects[J]．IEEE Geoscience and Remote Sensing Letters,2013,10(3):466-470．

[5] TAN Qulin．Urban Building Extraction from VHR Multispectral Images Using Object-based Classification[J]．Acta Geodaetica et Cartographica Sinica,2010,39(6): 618-623．(譚衢霖．高分辨率多光譜影像城區(qū)建筑物提取研究[J]．測繪學(xué)報,2010,39(6):618-623．)

[6] CHENG Liang,GONG Jianya．Building Boundary Extraction Using Very High Resolution Images and LiDAR[J]．Acta Geodaetica et Cartographica Sinica,2008,37(3):391-393,399．(程亮,龔健雅．LiDAR輔助下利用超高分辨率影像提取建筑物輪廓方法[J]．測繪學(xué)報,2008,37(3): 391-393,399．)

[7] PESARESI M,GERHARDINGER A,KAYITAKIRE F．A Robust Built-Up Area Presence Index by Anisotropic Rotation-Invariant Textural Measure[J]．IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2008,1(3):180-192．

[8] PESARESI M,GERHARDINGER A．Improved Textural Built-Up Presence Index for Automatic Recognition of Human Settlements in Arid Regions with Scattered Vegetation[J]．IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2011,4 (1):16-26．

[9] DA CUNHA A L,ZHOU J P,DO M N．The Nonsubsampled Contourlet Transform:Theory,Design,and Applications [J]．IEEE Transactions on Image Processing,2006,15 (10):3089-3101．

[10] WANG Shiwei．Texture Feature Extraction and Analysis in Remote Sensing Image[D]．Shanghai:Shanghai Jiaotong University,2010:15-24．(王世偉．遙感影像紋理特征提取與分析研究[D]．上海:上海交通大學(xué),2010: 15-24．)

[11] RANDEN T,HUSOY J H．Filtering for Texture Classification: a Comparative Study[J]．IEEE Transactions on Pattern Analysis and Machine Intelligence,1999,21(4): 291-310．

[12] YUE Chunyu,JIANG Wanshou．An Algorithm of SAR Image Denoising in Nonsubsampled Contourlet Transform Domain Based on Maximum A Posteriori and Non-local Restriction[J]．Acta Geodaetica et Cartographica Sinica, 2012,41(1):59-64．(岳春宇,江萬壽．基于最大后驗和非局域約束的非下采樣輪廓波變換域SAR圖像去噪方法[J]．測繪學(xué)報,2012,41(1):59-64．)

[13] ITTI L,KOCH C．Computational Modelling of Visual Attention [J]．Nature Reviews Neuroscience,2001,2(3):194-203．

[14] KADIR T,BRADY M．Saliency,Scale and Image Description [J]．International Journal of Computer Vision,2001,45 (2):83-105．

[15] LEE T S,YU S X．An Information-theoretic Framework for Understanding Saccadic Eye Movements[C]∥Proceedings of Advances in Neural Information Processing Systems 12．Cambridge:MIT Press,2000:834-840．

[16] FRITZ G,SEIFERT C,PALETTA L,et al．Attentive Object Detection Using an Information Theoretic Saliency Measure[C]∥Proceedings of Attention and Performance in Computational Vision．Berlin:Springer,2005:29-41．

[17] BRUCE N D B,TSOTSOS J K．Saliency Based on Information Maximization[C]∥Proceedings of Advances in Neural Information Processing Systems 18．Cambridge: MIT Press,2006:155-162．

[18] BRUCE N,TSOTSOS J K．Saliency,Attention,and Visual Search:an Information Theoretic Approach[J]．Journal of Vision,2009,9(3):1-24．

[19] FAWCETT T．An Introduction to Roc Analysis[J]．Pattern Recognition Letters,2006,27(8):861-874．

[20] OTSU N．A Threshold Selection Method from Gray Level Histogram[J]．IEEE Transactions on System,Man and Cybernetics,1979,9(1):62-66．

(責(zé)任編輯:宋啟凡)

Built-Up Areas Extraction by Textural Feature and Visual Attention Mechanism

SHEN Xiaole,SHAO Zhenfeng,TIAN Yingjie
State Key Laboratory of Information Engineering in Surveying,Mapping and Remote Sensing,Wuhan University, Wuhan 430079,China

An effective built-up areas extraction algorithm of high-resolution remote sensing images was proposed．Based on a signal processing method,a texture description method was presented for the characteristics of built-up areas in high-resolution remote sensing images．Through an information theory based visual attention mechanism,a saliency map was calculated to extract built-up areas．Experiments proved the effectiveness of the proposed algorithm．

high-resolution remote sensing images;NSCT;textural feature;visual attention;built-up areas extraction

SHEN Xiaole(1986—),male,PhD candidate,majors in analysis of high resolution remote sensing images．

SHAO Zhenfeng

P237:TP751

A

1001-1595(2014)08-0842-06

國家自然科學(xué)基金(61172174);重大設(shè)備專項項目(2012YQ16018505);科技支撐計劃(2013BAH42F03);湖北省杰出青年基金(2013CFA024);武漢大學(xué)拔尖創(chuàng)新人才項目(2042014kf0212)

2013-12-02

沈小樂(1986—),男,博士生,研究方向為高分辨率遙感影像分析。

E-mail:shenxiaole＠whu．edu．cn

邵振峰

E-mail:shaozhenfeng＠whu．edu．cn

SHEN Xiaole,SHAO Zhenfeng,TIAN Yingjie．Built-Up Areas Extraction by Textural Feature and Visual Attention Mechanism[J]．Acta Geodaetica et Cartographica Sinica,2014,43(8):842-847．(沈小樂,邵振峰,田英潔．紋理特征與視覺注意相結(jié)合的建筑區(qū)提取[J]．測繪學(xué)報,2014,43(8):842-847．)

10．13485/j．cnki．11-2089．2014．0131

修回日期:2014-04-11