徐偲，周堅華

（1.華東師范大學(xué)地理系，上海 200241；2.華東師范大學(xué)地理信息科學(xué)教育部重點實驗室，上海 200241）

1 引 言

城鎮(zhèn)用地布局和結(jié)構(gòu)的現(xiàn)勢和變遷數(shù)據(jù)，對于監(jiān)測城鎮(zhèn)擴展速率和模式，分析城鎮(zhèn)的可持續(xù)發(fā)展能力等具有重要意義。人工實地調(diào)查是一種耗時巨大的方法，并且不能提供同步的空間連續(xù)分布數(shù)據(jù)。遙感技術(shù)可以較好解決上述問題，并可能產(chǎn)生基于遙感圖像分析的土地利用自動識別分類技術(shù)。然而，城鎮(zhèn)用地布局和結(jié)構(gòu)的高異質(zhì)性，建筑陰影和建筑投影偏斜的多變性，使得許多在城鎮(zhèn)以外地區(qū)具有良好表現(xiàn)的相關(guān)技術(shù)在城鎮(zhèn)地區(qū)無效［1］。因此，開發(fā)適用于城鎮(zhèn)用地高異質(zhì)性的分類技術(shù)一直是遙感圖像分析領(lǐng)域的熱點之一。

該研究領(lǐng)域目前只產(chǎn)生了一些比較概要的分類模型。如 C.Small等人提出的SVD模型（Sustained－Vegetation－Dark model）［2］，SVD 模 型將城鎮(zhèn)覆被分為植被覆蓋區(qū)、陰影區(qū)和其他下墊面3類端元（Endmembers），李昕提出的植被－水體－其他城市地表的城鎮(zhèn)景觀分類模型［3］等。在這些確定的端元或景觀類中繼續(xù)劃分，特別是對于SVD模型中其他下墊面和李昕模型中其他城市地表的繼續(xù)劃分，對于推進這些模型的實用化具有重要意義。本文著重研究這種繼續(xù)劃分的方法。限于篇幅和當前軟硬件條件，主要研究城鎮(zhèn)建筑分類，并側(cè)重于劃分小型居住建筑與其他建筑。

城鎮(zhèn)建筑表面普遍存在“同物異譜”和“同譜異物”的問題。如果僅僅依靠光譜特征，很難對城鎮(zhèn)建筑分類［4-5］。為此，基于多特征空間信息的方法被引入。多特征空間主要包括波譜、紋理、形狀、拓撲結(jié)構(gòu)等［4，6-8］。針對城鎮(zhèn)建筑類別在建筑尺度、層高、表面光滑度等方面的差異，本文提出了一些實用的遙感圖像特征描述符，比如：以圖斑相對面積和細節(jié)密度表達建筑尺度差異、以灰度起伏表面積表達建筑層高差異、以灰度標準偏差等表達建筑表面平滑度差異，以提高城鎮(zhèn)建筑的分類能力和精度。

建筑物由于自身的面積不同，對應(yīng)的細節(jié)尺寸也有區(qū)別。本文使用不同尺寸的結(jié)構(gòu)元素提取建筑物細節(jié)，這種基于多尺度思想的方法對小型居住建筑和其他建筑的劃分有效。另外，通過分類獲得的成員通常比較破碎，可以通過數(shù)學(xué)形態(tài)學(xué)方法將它們整理為較完整的圖斑／對象。比如通過閉合操作連接兩個間距小于閾值T的成員等。此時結(jié)構(gòu)元素的尺寸與T有關(guān)。對于建筑類成員的整理，不同的建筑類型通常要求結(jié)構(gòu)元素的尺寸不同。結(jié)構(gòu)元素尺寸與成員整理的關(guān)系也適合用多分割原理來討論。多分割克服了傳統(tǒng)單一尺度分割無法充分提取信息的缺陷［9-10］。

本文的實驗表明，多描述符空間和多尺度細節(jié)提取對于劃分小型居住建筑與其他建筑有效；基于多尺度分割思想的分類結(jié)果整理對于將離散成員整理為類別對象有效。本文的算法對于高分辨城市遙感圖像具有普適性，對劃分上述建筑類型誤判率較低。

2 研究區(qū)和研究數(shù)據(jù)

實驗區(qū)包括我國廣東省東莞市（113°31′E，22°39′N）、江蘇省常州市（119°98′E，31°80′N）、泰國曼谷（100°48′E，13°7′N）等幾個城市。實驗圖像包括15m分辨率的SPOT和6m分辨率的Quikbird彩色合成圖像等。

3 方 法

在本文的實驗期里，劃分對象為城鎮(zhèn)建筑中的小型居住建筑與其他建筑。這里的“其他建筑”特指除密集小型居住建筑之外的不透水表面。

主要算法包括多描述符［11］空間設(shè)計和分類方法設(shè)計，以及基于多尺度分割的信息提取和成員整理。選用的描述符包括波譜、紋理和形狀等類別。波譜特征在城鎮(zhèn)建筑分類中主要用于區(qū)分建筑與其他用地類別。本文采用的波譜描述符主要包括歸一化植被指數(shù)（NDVI）［12］和灰度均值。實驗表明，城鎮(zhèn)建筑分類主要依靠紋理描述符，本文用到的這類描述符包括：細節(jié)密度［11］、窗口方差、灰度起伏表面積等；形狀描述符主要使用了圖斑面積、長寬比和形狀系數(shù)［11］，它主要用于去除道路等背景干擾。

本文使用了并行和串行兩種方法進行分類。前者通過多描述符特征空間的并行分類，直接獲得所有分類成員。后者通過分層分類和分析分層成員的繼承關(guān)系獲得最終分類成員。比如，在首層劃分水體、植被覆蓋（或農(nóng)田）、不透水表面等成員，然后在次層繼續(xù)劃分小型居住建筑和其他建筑，并通過兩層成員的繼承關(guān)系分析獲得最終分類成員。

圖1顯示基本算法流程。下面分別討論波譜、紋理和形狀描述符的特點和多描述符空間分類的方法。

3.1 波譜描述符

波譜特征主要用于劃分不透水表面、植被覆蓋（或農(nóng)田）、水體等首層成員。本文使用的波譜描述符包括歸一化植被指數(shù)NDVI（式1）或歸一化綠度指數(shù)NDGI（式2）和灰度均值GR。有研究表明，NDVI能夠有效分割自然覆被與人造表面［12-13］。

其中，IR和R分別為近紅外和紅波段的反射值。

NDVI利用了在彩紅外圖像上植被的IR波段值通常大大高于其他地物的特點，因此對于區(qū)分植被與其他覆蓋有效。當使用天然彩色圖像時，可以參照NDVI的原理計算歸一化綠度指數(shù)NDGI（Normalized Difference Green Index）。

其中，G和B分別為綠和藍波段的反射值。

圖1 主要算法流程圖

NDGI利用了在天然彩色圖像上植被的G波段值通常高于其他地物的特點，因此對于區(qū)分植被與其他覆蓋也有效。

另外，城鎮(zhèn)建筑通常采用門類有限的材質(zhì)，直接通過單像素灰度來區(qū)分建筑類型，通常不能獲得滿意的結(jié)果。但建筑陰影尺度和密度的差異等有可能引起某些波譜特征窗口統(tǒng)計值的差異。如圖2所示，密集小型居住建筑存在較多的小面積陰影；而工廠等建筑，陰影完整且面積較大。當以特定尺寸窗口統(tǒng)計灰度均值時，有可能劃分這兩類建筑。圖2顯示提取其他建筑的例子。它使用7×7窗口獲取灰度均值GR，并以條件GR＞0.58提取其他建筑（黃色勾繪的圖斑）。式3顯示提取規(guī)則。

其中，S1為其他建筑像素集；I表示全圖像。

3.2 紋理描述符

紋理特征幾乎不受圖像的類型和獲取環(huán)境條件變化的影響，其重要性在許多方面勝過波譜特征。單個像素一定尺度鄰域（窗口）內(nèi)的某些統(tǒng)計特征可以用來表征該像素的紋理特征。如窗口最大最小值之差、標準偏差、離差和熵等［14］。

小型居住建筑與其他建筑通常存在塊面大小和起伏的差異，而在遙感圖像上，可以通過一定尺寸窗口大小的VI和GR組合劃分建筑類型。GR約束可以有效減少背景干擾，提高分類準確性。該例提示，多描述符組合比僅用單描述符有更好的分類精度；窗口標準偏差和灰度均值對劃分小型居住建筑與其他建筑有效。

另外，密集小型居住建筑群中的較亮斑塊（或陰影）通常小而零碎，相比工廠等其他建筑則大而完整。所以有可能通過亮細節(jié)（或暗細節(jié)）密度來區(qū)分它們。可以利用灰度形態(tài)學(xué)濾波提取亮（暗）細節(jié)。它通過一定尺寸的結(jié)構(gòu)元素（SE）對灰度圖像先做開啟（閉合），消除比SE尺寸小的亮（暗）細節(jié)，獲得背景估計b，然后從原圖像I中減去b，即可獲得亮（暗）細節(jié)集D（式（4））。

其中，°表示開啟操作；對于暗細節(jié)提取，相應(yīng)換為閉合操作。D表示細節(jié)像素集。

細節(jié)的常用統(tǒng)計值是細節(jié)密度，Dd，可用式（5）表示［11］。

其中，Dd是細節(jié)密度；Sd是區(qū)域亮（暗）細節(jié)數(shù)，A為區(qū)域面積。區(qū)域可以是由前驅(qū)分割提取的圖斑，也可以是窗口。

圖3顯示一個亮細節(jié)密度分割的實例，SE為一個3×3菱形結(jié)構(gòu)元素。

灰度起伏表面積SA能反映地物的高低起伏，它是在缺少3－D數(shù)據(jù)（比如Lidar）的情況下，地表起伏的一個近似替代量。該描述符主要用于分割高于地面的建筑物與地面覆層（如農(nóng)田、水體等）。SA是一個窗口值，它以窗口中所有像素與鄰域像素的灰度差累和表征窗口灰度起伏（式（6））。

圖3 以細節(jié)密度分割建筑類型的實例

其中，m和n為窗口的寬和高；下標i和j表示列號和行號；Δx和Δy分別表示當前像素與水平右鄰和下方緊鄰像素的灰度差。SA對于高于地面的建筑物與地面通常具有確定的分割閾值，可以通過簡單分割區(qū)分二者。圖4顯示以SA濾除農(nóng)田和水體的實例。

圖4 灰度起伏表面積SA的分割實例

3.3 形狀描述符

本文使用的形狀描述符包括圖斑面積、長寬比和形狀系數(shù)［5］。不同建筑塊面的尺寸通常存在差別，如住宅通常比廠房等建筑的開間／跨度小得多，有可能通過圖斑面積區(qū)分它們。使用面積等形狀描述符的前提是盡可能去除建筑圖斑之間的粘連。通過形態(tài)學(xué)開啟等操作，可以部分去除這種粘連。圖5顯示以開啟去除圖斑粘連后，根據(jù)圖斑尺寸做建筑類型分割的例子（原圖像與圖2的底圖相同）。式（7）、式（8）顯示圖5中兩種建筑像素集的提取規(guī)則。

其中，其中S1和S2分別為小型居住建筑和其他建筑像素集。RA為圖斑面積系數(shù)，RA＜0.7表示小于最大圖斑面積的70%；SA為圖斑表面積系數(shù)，SA＞0.3表示小于表面起伏最大面積的30%。

圖5 紋理和形狀表描述符結(jié)合分割的實例

建筑圖斑分離的主要難點是分離建筑與道路。道路與平頂建筑波譜與紋理特征都可能相似，所以在前驅(qū)分割／分類結(jié)果中多見二者粘連的情況。本文嘗試以形狀描述符分離二者，具體步驟如下：①通過長寬比和面積分割移除未與建筑粘連的道路。②通過形態(tài)學(xué)處理和形狀分析移除與建筑粘連的道路。此時，先做形態(tài)學(xué)開啟去除粘連，再比較開啟前后形狀系數(shù)變化明顯的圖斑，通過求差集剔除道路。圖6（a）和圖6（b）分別顯示初始和移除了道路的建筑圖斑建筑。圖6（b）剔除道路的條件為：RlW（長寬比）＞2.5和RA＜0.2。

圖6 RlW和RA結(jié)合去除道路的實例

3.4 多尺度分析

本文進行了多尺度信息提取和分類結(jié)果多尺度整理兩個方面的實驗。

3.4.1 圖像細節(jié)的多尺度提取

以亮／暗細節(jié)劃分建筑類型的實驗中引入了多尺度分割思想。

圖7 以不同尺寸SE獲取暗細節(jié)劃分建筑類型的實例

圖7是以不同尺寸SE獲取暗細節(jié)進行建筑分類的實例。當SE尺寸足夠小，有可能僅提取小型居住建筑的亮／暗細節(jié)。如果最小的SE還嫌大，可以放大圖像。對于使用不同尺寸SE獲得的細節(jié)二值圖，SE尺寸較大者會包含SE較小者的細節(jié)，可以通過擊中等運算，將大小兩種細節(jié)分開。不同尺寸的細節(jié)密度通常在建筑分類中有良好表現(xiàn)。實驗結(jié)果提示，不同尺寸的細節(jié)密度對劃分上述兩類建筑有效。

3.4.2 成員到圖斑的多尺度整理

整理分類成員時，可以根據(jù)成員的破碎程度和尺寸選擇不同尺寸的SE進行形態(tài)學(xué)整理。比如較小尺寸的SE時有利于提取小型居住建筑的輪廓線通過調(diào)整SE的尺寸，有可能使成員廓線接近期望的分類邊界（參見圖9（c），圖9（f））。

3.5 多描述符空間分類

多描述符空間分類包括如下主要步驟：①確定分類數(shù)和特征空間的描述符組合；②計算全圖像在特征空間各描述符的值和構(gòu)建輸入向量；③采樣并構(gòu)建訓(xùn)練集和測試集；④訓(xùn)練學(xué)習機給出針對當前分類任務(wù)的決策規(guī)則樹；⑤以決策規(guī)則樹實施分類；⑥以測試集評估分類精度。

4 結(jié)果與分析

下面將采用不同城市的若干圖像對本文的主要算法做如下討論：①說明典型用法；②評估分類精度；③分析普適性。

4.1 不同特征空間的分類精度比較

圖8的實例比較了在多描述符空間和常規(guī)波譜特征空間，做城鎮(zhèn)建筑分類的精度差異。實驗圖像為廣東東莞市15m分辨率的SPOT天然彩色合成圖像。多描述符空間由GR－Dd－VI－A－SA5 個分量構(gòu)成；波譜特征空間由R－G－B 3個分量構(gòu)成。由圖8可見，與常規(guī)波譜特征空間相比，多描述符空間獲得分類成員更完整，更接近于目視判讀結(jié)果。

圖8 分類空間比較的實例（東莞，SPOT）

表1和表2是由測試集數(shù)據(jù)評估這兩種分類的結(jié)果給出的混淆矩陣。由表中數(shù)據(jù)比較可知，多描述符空間分類的全局精度提高了7.92%。其中小型居住建筑和其他建筑的分類精度分別提高了18.6%和11.1%，但植被覆蓋／農(nóng)田以及水體的分類精度并沒有改善。該例提示，采用多描述符空間分類，僅僅對于那些存在同譜異物和同物異譜現(xiàn)象的地物分類具有優(yōu)勢，分類精度比傳統(tǒng)波譜特征空間分類顯著提高。

表1 多描述符空間建筑分類混淆矩陣

表2 光譜特征空間建筑分類混淆矩陣

4.2 并行與串行分類的精度比較

圖9顯示兩個串行分類的實例。參考首層分出的不透水表面，能夠提高次層建筑分類的精度，使分類成員更接近于目視解譯結(jié)果。表3對這兩個例子的分類精度做比較。與并行分類相比，采用串行分類對小型居住建筑和其他建筑分類的精度比并行分類平均提高了6.40%和3.18%。

圖9 以串行方法分類建筑的實例

表3 圖9串行分類實例的精度統(tǒng)計

5 結(jié)束語

本文設(shè)計了一種多描述符和多尺度的城鎮(zhèn)建筑分類算法。該算法組合使用了光譜、紋理和形狀特征，通過相應(yīng)特征的描述符設(shè)計，在多描述符空間進行了串、并行分類的綜合實驗，并在紋理特征提取和分類結(jié)果整理中引入了多尺度分割的思想。

實驗結(jié)果表明，本文的算法對提取城鎮(zhèn)不透水表面、進而提取城鎮(zhèn)建筑、以及區(qū)分小型居住建筑與其他建筑有效，用戶精度平均優(yōu)于90%。對于含噪的復(fù)雜圖像，串行分類優(yōu)于并行分類。

［1]BUYANTUYEV A，WU J.Urbanization alters spatiotemporal patterns of ecosystem primary production：A case study of the Phoenix metropolitan region，USA［J］.Journal of Arid Environments，2009，73（4－5）：512－520.

［2]SMALL C.Estimation of urban vegetation abundance by spectral mixture analysis［J］.International Journal of Remote Sensing，2001，22（7）：1305－1334.

［3]李昕.基于分形理論的遙感圖像分類方法研究［D］.湖南大學(xué)，2009.

［4]劉峰，龔健雅.一種基于多特征的高光譜遙感圖像分類方法［J］.地理與地理信息科學(xué)，2009，25（3）：19－22.

［5]杜鳳蘭，田慶久，夏學(xué)齊.遙感圖像分類方法評析與展望［J］.遙感技術(shù)與應(yīng)用，2004，19（6）：521－525.

［6]潘琛，林怡，陳映鷹.基于多特征的遙感影像決策樹分類［J］.光電子·激光，2010，21（5）：731－736.

［7]PRITI M，NAMITA S.Retrieval of remote sensing images using colour and texture attribute［J］.Inter－national Journal of Computer Science and Information Security，2009.4（1）.

［8]MALIK J，BELONGIE S，LEUNG T，et al.Contour and texture analysis for image segmentation［J］.International Journal of Computer Vision，2001，43（1）：7－27.

［9]譚衢霖，劉正軍，沈尾.一種面向?qū)ο蟮倪b感影像多尺度分割方法［J］.北京交通大學(xué)學(xué)報：自然科學(xué)版，2007，31（4）：312－315.

［10]BAATZ M，SCHAPE A.Object－oriented and multi－scale image analysis in semantic networks［C］.2nd International Symposium：Operationalization of Remote sensing，August，1999：16－20.

［11]周堅華，周一凡，穆望舒.城鎮(zhèn)綠地樹種識別的數(shù)學(xué)描述符［J］.遙感學(xué)報，2011，15（3）：524－538.

［12]PRICE J C.Estimating vegetation amount from visible and near infrared reflectances［J］.Remote Sensing of Environment，1992，41（1）：29－34.

［13]GAMON J A，F(xiàn)IELD C B，GOULDEN M L，et al.Relationships between NDVI，canopy structure，and photosynthesis in three Californian vegetation types［J］.Ecological Applications，1995，5（1）：28－41.

［14]周堅華.遙感圖像分析與空間數(shù)據(jù)挖掘［M］.上海科技教育出版社，2010：140－158.