付盈， 國巧真， 潘應(yīng)陽， 汪東川

(天津城建大學(xué)地質(zhì)與測繪學(xué)院，天津 300384)

基于SPOT6數(shù)據(jù)的建筑物提取規(guī)則研究

付盈， 國巧真， 潘應(yīng)陽， 汪東川

(天津城建大學(xué)地質(zhì)與測繪學(xué)院，天津 300384)

針對SPOT6衛(wèi)星遙感影像，采用基于規(guī)則的方法對建筑物進(jìn)行提取。首先,分析了每種規(guī)則屬性提取建筑物的效果，在此基礎(chǔ)上制定建筑物提取規(guī)則； 再分別采用K均值聚類法(K-means)、K臨近值法(K nearest neighbor，KNN)、支持向量機(jī)法(support vector machine,SVM)和神經(jīng)網(wǎng)絡(luò)法進(jìn)行建筑物提取實驗，并與基于規(guī)則的方法進(jìn)行對比； 最后，對建筑物提取結(jié)果進(jìn)行精度評價。研究表明，基于該規(guī)則的建筑物提取精度高于其他方法，在一定程度上緩解了椒鹽現(xiàn)象和同譜異物問題，可為今后SPOT6衛(wèi)星影像更廣闊的應(yīng)用提供一定的技術(shù)支持。

SPOT6； 規(guī)則； 建筑物提取； KNN； SVM

0 引言

提取遙感影像中的建筑物信息是遙感影像解譯中的重要研究課題之一。一方面，快速準(zhǔn)確地提取遙感影像中的建筑物能夠滿足遙感影像制圖、地理信息系統(tǒng)的數(shù)據(jù)獲取、城市空間數(shù)據(jù)庫的更新和建設(shè)“智慧城市”的需要； 另一方面，建筑物提取方法也能為其他類型地物的提取提供一定的思路。因此建筑物提取方法的研究具有重要意義。特別是高空間分辨率遙感影像的投入使用，對遙感信息處理與分析提出了更多的要求和挑戰(zhàn)[1]。SPOT6高空間分辨率遙感影像具有大幅寬、三線陣立體成像等特點，在建筑物提取方面具有較高的應(yīng)用價值。

目前，國內(nèi)外關(guān)于建筑物提取的研究成果較多。Uzar和Mongus等[2-3]提出了基于LiDAR數(shù)據(jù)的建筑物提取新方法； 張景和Shaker等[4-5]利用DSM和DEM等多源數(shù)據(jù)輔助提取建筑物； 陳潔麗和劉永學(xué)等[6-7]利用歸一化指數(shù)法提取居民地信息； 王惠英和鄭文武等[8-9]提出多分類器集成分類法進(jìn)行建筑物提??； 郭怡帆和董小姣等[10-11]利用多尺度分割方法提取建筑物，均取得了較好的效果。

由于建筑物提取常常因噪聲、陰影、同譜異物和同物異譜等問題限制了提取精度，尤其是高空間分辨率影像，因其細(xì)節(jié)信息較中低空間分辨率影像更為突出，導(dǎo)致這些問題表現(xiàn)得更為嚴(yán)重。基于規(guī)則的面向?qū)ο蠓诸惙椒╗12-13]把影像分割成影像對象，并綜合利用對象的光譜特征、幾何特征和紋理特征制定規(guī)則進(jìn)行影像分類，是一種適用于高空間分辨率影像的建筑物提取方法。綜上所述，本研究基于SPOT6數(shù)據(jù)，分析了可用于區(qū)分建筑物和其他地物的各種規(guī)則屬性，及其作用于不同波段時的具體表現(xiàn)，在此基礎(chǔ)上提出了一種建筑物提取規(guī)則，并與K-means聚類法[14]、K臨近值法(K nearest neighbor,KNN)[15]、支持向量機(jī)法(support vector machine,SVM)[16-17]和神經(jīng)網(wǎng)絡(luò)法[18]進(jìn)行對比實驗。

1 研究區(qū)概況及數(shù)據(jù)源

天津濱海新區(qū)地處天津市中心區(qū)東面，地理位置為N38°40′～39°00′，E117°20′～118°00′。本研究選取天津濱海新區(qū)塘沽火車站附近地區(qū)為研究區(qū)(如圖1所示)。該區(qū)域包含有居民區(qū)、學(xué)校、醫(yī)院、鐵路、水體和耕地等地物類型?？傮w來說建筑物樣式及分布不規(guī)則，環(huán)境復(fù)雜，包含干擾地物較多，作為研究區(qū)比較具有代表性。

圖1 研究區(qū)位置

本文數(shù)據(jù)為2014年5月獲取的SPOT6衛(wèi)星遙感影像。SPOT6衛(wèi)星影像全色波段的空間分辨率為1.5 m，4個多光譜波段空間分辨率為6 m。SPOT6各個波段范圍如表1所示。

表1 SPOT6波段范圍

2 方法與實驗

2.1 數(shù)據(jù)預(yù)處理

SPOT6數(shù)據(jù)預(yù)處理包括： ①對全色影像和多光譜影像進(jìn)行正射校正，所用RPC文件為SPOT6自帶，DEM數(shù)據(jù)為ENVI5.1附帶的全球900 m的DEM數(shù)據(jù)(GMTED2010.jp2)； ②將校正后的全色影像和多光譜影像進(jìn)行融合，由于圖像融合方法有很多，本研究采用Brovey變換、主成分分析法(principal component analysis，PCA)、Gram-Schmidt Pan-Sharpening(GS)融合3種方法進(jìn)行對比實驗。3種融合結(jié)果如圖2所示。

(a) Brovey變換(b) PCA變換(c) GS融合

圖23種方法融合結(jié)果對比

Fig.2Comparisonofimagefusionmethodsbythreemethods

從圖2中可以發(fā)現(xiàn)，GS融合方法更適用于高空間分辨率影像，能較好保持影像的紋理和光譜信息，因此本研究選擇GS融合方法[19-20]。

數(shù)據(jù)預(yù)處理流程如圖3所示。

圖3 數(shù)據(jù)預(yù)處理流程

2.2 基于規(guī)則方法的建筑物提取

2.2.1 分割尺度選擇

為選取合適的影像分割及合并尺度，本文分割尺度分別為30，40和50，合并尺度為90時得到的結(jié)果進(jìn)行了對比，如圖4所示。

(a) 分割尺度30(b) 分割尺度40(c) 分割尺度50

圖4分割尺度對比

Fig.4Comparisonofsegmentationscale

通過分析可以看到，分割尺度為50時操場和旁邊的道路以及一棟建筑的側(cè)面被分為一個影像對象，不能很好地識別地物； 分割尺度為40時，存在建筑物陰影與周邊植被及道路混為同一影像對象的情況； 分割尺度為30時，能更好地分辨建筑物。因此本研究選擇分割尺度為30，合并尺度為90。

2.2.2 建筑物提取規(guī)則建立

分割后的影像增加了4個自定義的可用波段，它們通過波段間運(yùn)算得到，分別為歸一化指數(shù)(normalized difference)、色調(diào)(hue)、飽和度(saturation)和亮度(intensity)。其中歸一化指數(shù)是通過紅光和近紅外波段運(yùn)算得來，即用NDVI表示。而色調(diào)、飽和度和亮度是通過對紅光、綠光和藍(lán)光3個波段進(jìn)行運(yùn)算得到的HIS顏色空間的3個分量。制定規(guī)則時應(yīng)綜合利用建筑物的光譜特征、紋理特征和空間特征，每一種特征分別包含多種不同屬性，如最大值、最小值、平均值和方差等。

所選研究區(qū)影像包括的地物有建筑物、植被、水體、鐵路、公路、耕地、裸地和學(xué)校的操場。對光譜和紋理特征來說，各個屬性作用于不同波段的效果都是不同的，為更加直觀地找出對提取建筑物較為有效的屬性組合，本研究在制定規(guī)則前，對各個屬性在不同波段提取建筑物的效果進(jìn)行分析。結(jié)果表明，光譜值可用來區(qū)分建筑物與陰影、水體和植被這3類地物，紋理值適合用來區(qū)分建筑物與鐵路、操場和裸地這3類地物，形狀特征則可區(qū)分建筑物與公路、操場跑道這2類地物。就屬性而言，紋理平均值和紋理熵屬性將建筑物錯分為其他非建筑物地物的現(xiàn)象比較嚴(yán)重，因此不適合用來建立建筑物提取規(guī)則。紋理值域在區(qū)分裸地和鐵路方面具有優(yōu)勢，是必用屬性。光譜最大值、光譜最小值、光譜平均值和光譜標(biāo)準(zhǔn)差適合用于區(qū)分與建筑物存在明顯光譜差異的地物，但無法解決同譜異物問題。地物的空間屬性適合用來區(qū)分與建筑物具有相似光譜值和紋理值，但形狀差異較大的地物，例如公路和操場跑道，利用訓(xùn)練樣本分類時這2類地物很容易被錯分。就波段而言，歸一化指數(shù)與其他波段相比，區(qū)分植被效果較好，但易將藍(lán)色屋頂建筑物錯分。飽和度在提取建筑物方面沒有太大作用。波段1至波段4在同屬性地物表現(xiàn)上相似，易錯分的建筑物類型也相似。

對空間特征來說，提取建筑物的效果不受波段干擾。經(jīng)分析，體積、圓形度、形狀系數(shù)、矩形度和較大邊長屬性可分離建筑物和公路； 長度和較小邊長屬性在分離公路的基礎(chǔ)上，還可分離操場跑道，且相比之下較大邊長屬性比較小邊長屬性更有效； 面積屬性可去除無用的細(xì)小圖斑； 緊湊性、凸性、延伸率和主方向?qū)傩圆荒苡行^(qū)分建筑和非建筑物。

確定建筑物提取規(guī)則(表2)。符合屬性表達(dá)式約束的影像對象歸類為建筑物，不符合約束的影像對象為其他。其中部分用于排除同一非建筑物地物的屬性表達(dá)式是為了通過多重約束使建筑物提取更準(zhǔn)確。

表2 建筑物提取規(guī)則

①注： 各屬性表達(dá)式之間是并的關(guān)系，歸類算法為線性。

3 分類結(jié)果與精度評價

3.1 建筑物提取結(jié)果

除了使用基于規(guī)則的面向?qū)ο蠓椒▽ㄖ镞M(jìn)行提取，也使用K-means法、KNN法、SVM法和神經(jīng)網(wǎng)絡(luò)法進(jìn)行建筑物提取實驗。為了使提取結(jié)果具有可比性，所有實驗使用同一尺度參數(shù)(分割尺度30，合并尺度90)，選擇同一訓(xùn)練樣本，且都在面向?qū)ο蟮幕A(chǔ)上完成。提取結(jié)果如圖5所示。

(a) K-means法 (b) KNN法 (c) SVM法

(d) 神經(jīng)網(wǎng)絡(luò)法 (e) 本文方法

圖5建筑物提取結(jié)果對比

Fig.5Comparisonofbuildingextractionresults

從圖5中可以看出，由于采用面向?qū)ο蟮姆椒?，提取得到的地物較完整。使用K-means法時，出現(xiàn)的其他非建筑物錯分為建筑物的現(xiàn)象較嚴(yán)重。使用KNN法比K-means法效果稍好，但提取的建筑物區(qū)域中仍存在非建筑物。采用SVM和神經(jīng)網(wǎng)絡(luò)法分類的結(jié)果比前2種方法精度要高，但也存在共同的問題，即將影像中的部分鐵路、公路和操場跑道被錯分為建筑物，另外還將一些建筑物錯分為非建筑物。本文方法基本提取出所有建筑物，損失較小，可有效避免處理高空間分辨率影像時常見的椒鹽現(xiàn)象，改善因同譜異物和同物異譜導(dǎo)致的錯分問題。

3.2 提取結(jié)果定量對比

為了使提取精度具有可比性，選擇使用同一驗證樣本對提取結(jié)果進(jìn)行精度定量評價，評價結(jié)果如表3所示。

表3 精度評價

由表3可知，本研究采用的5種方法提取建筑物精度從低到高依次為K-means法、KNN法、SVM法、神經(jīng)網(wǎng)絡(luò)法和本文方法。另外通過混淆矩陣，發(fā)現(xiàn)K-means法、KNN法、SVM法和神經(jīng)網(wǎng)絡(luò)法均存在較多的公路像元被錯分為建筑物，本文方法錯分像元相對較少。根據(jù)分析發(fā)現(xiàn)抑制本文方法精度的原因可能是在分割影像對象時，一些建筑物出現(xiàn)了分成3層的現(xiàn)象，如圖6所示。通常都是建筑物向陽面一層，中間一層，陰面一層，其中建筑物陰面部分在分類時容易與建筑物陰影混淆。

(a) 局部區(qū)域1 (b) 局部區(qū)域2

圖6分割后建筑物出現(xiàn)的分層現(xiàn)象

Fig.6Buildingstratificationafterthesplit

4 結(jié)論

本研究基于SPOT6數(shù)據(jù)提出一種建筑物提取規(guī)則，通過制定屬性表達(dá)式，對分割后的影像對象的光譜值、紋理值和空間特征進(jìn)行多重約束從而提取建筑物。并與K-means法、KNN法、SVM法和神經(jīng)網(wǎng)絡(luò)法的提取效果進(jìn)行了對比。研究結(jié)果表明，本文方法提取的總精度較高，能有效區(qū)分建筑物與公路、操場等易錯分地物，建筑物錯分為其他地物的現(xiàn)象較少。提取建筑物時，只需制定一套合適的規(guī)則把建筑物提取出來即可，不符合規(guī)則的地物一并歸為其他非建筑物地物，不需另行制定規(guī)則詳細(xì)區(qū)分水體、道路、裸地和植被等，較為省時省力。

本文方法仍存在一些不足，實驗過程中發(fā)現(xiàn)在分割影像對象時，個別建筑物存在一小部分與周圍非建筑物地物分割為同一影像對象的情況； 制定的建筑物規(guī)則還不能對混合對象進(jìn)行區(qū)分。上述問題可作為今后研究的重點。

[1] 江華.基于eCognition面向?qū)ο蠹夹g(shù)的高分辨率遙感影像土地利用分類——以福州瑯岐島為例[J].海峽科學(xué),2014(8):12-17. Jiang H.High resolution remote sensing image classification of land use based on eCognition object-oriented technology：Setting Lang Qi island of Fu Zhou as an example[J].Straits Science,2014(8):12-17.

[2] Uzar M,Yastikli N.Automatic building extraction using LiDAR and aerial photographs[J].Boletim de Ciências Geodésicas,2013,19(2):153-171.

[4] 張景,姚鳳梅,徐永明,等.基于MODIS的土地覆蓋遙感分類特征的評價與比較[J].地理科學(xué),2010,30(2):248-253. Zhang J,Yao F M,Xu Y M,et al.Comparison and evaluation of classification features in land cover based on remote sensing[J].Scientia Geographica Sinica,2010,30(2):248-253.

[5] Shaker I F,Abd-Elrahman A,Abdel-Gawad A K,et al.Building extraction from high resolution space images in high density residential areas in the great Cairo region[J].Remote Sensing,2011,3(4):781-791.

[6] 陳潔麗,劉永學(xué),李滿春,等.基于歸一化指數(shù)分析的居民地遙感信息提取[J].測繪科學(xué),2010,35(2):204-206,177. Chen J L,Liu Y X,Li M C,et al.Extracting remote sensing information of residential areas based on the analysis of normalized difference index[J].Science of Surveying and Mapping,2010,35(2):204-206,177.

[7] 陳潔麗,劉永學(xué),李滿春,等.一種基于遙感數(shù)據(jù)快速提取居民地信息的新方法[J].地理與地理信息科學(xué),2010,26(5):72-75. Chen J L,Liu Y X,Li M C,et al.A new method of extracting residential areas based on remote sensing image[J].Geography and Geo-Information Science,2010,26(5):72-75.

[8] 王惠英,蘇偉,周軍其.基于多分類器組合面向?qū)ο筮b感影像信息提取方法[J].測繪工程,2009,18(5):22-26. Wang H Y,Su W,Zhou J Q.Object-oriented information extraction method of remote sensing image based on multi-classifier mixed[J].Engineering of Surveying and Mapping,2009,18(5):22-26.

[9] 鄭文武,曾永年.利用多分類器集成進(jìn)行遙感影像分類[J].武漢大學(xué)學(xué)報:信息科學(xué)版,2011,36(11):1290-1293. Zheng W W,Zeng Y N.Remote sensing imagery classification based on multiple classifiers combination algorithm[J].Geomatics and Information Science of Wuhan University,2011,36(11):1290-1293.

[10]郭怡帆,張錦,衛(wèi)東.面向?qū)ο蟮母叻直媛蔬b感影像建筑物輪廓提取研究[J].測繪通報,2014(S2):300-303. Guo Y F,Zhang J,Wei D.The research of object-oriented building contour extraction of high-resolution remote sensing image[J].Bulletin of Surveying and Mapping,2014(S2):300-303.

[11]董小姣,張東水,李朝奎.面向?qū)ο蟮奶┌彩懈叻直媛视跋褡≌ㄖ锾崛J].地理空間信息,2013,11(1):67-69. Dong X J,Zhang D S,Li C K.Object-oriented information extraction method of residential buildings from high resolution image in Tai’an[J].Geospatial Information,2013,11(1):67-69.

[12]譚衢霖,高姣姣.面向?qū)ο蠓诸愄崛「叻直媛识喙庾V影像建筑物[J].測繪工程,2010,19(4):30-33,38. Tan Q L,Gao J J.Building extraction from high resolution multispectral image using object-oriented classification method[J].Engineering of Surveying and Mapping,2010,19(4):30-33,38.

[13]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. Tan Q L.Urban building extraction from VHR multi-spectral images using object-based classification[J].Acta Geodaetica et Cartographica Sinica,2010,39(6):618-623.

[14]張璐璐,何寧,徐成,等.基于K-means聚類的遙感影像條狀地物半自動提取方法[J].北京聯(lián)合大學(xué)學(xué)報,2015,29(1):47-52. Zhang L L,He N,Xu C,et al.A strips features semi-automatic extraction method of remote sensing image based on K-means clustering[J].Journal of Beijing Union University,2015,29(1):47-52.

[15]戚玉嬌,李鳳日.基于KNN方法的大興安嶺地區(qū)森林地上碳儲量遙感估算[J].林業(yè)科學(xué),2015,51(5):46-55. Qi Y J,Li F R.Remote sensing estimation of aboveground forest carbon storage in Daxing’an mountains based on KNN method[J].Scientia Silvae Sinicae,2015,51(5):46-55.

[16]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,2015,34:58-69.

[17]秦永,孔維華,曹俊茹,等.基于SVM的遙感影像土地利用變化檢測方法[J].濟(jì)南大學(xué)學(xué)報:自然科學(xué)版,2010,24(1):88-90. Qin Y,Kong W H,Cao J R,et al.For land use remote sensing image change detection method based on SVM[J].Journal of University of Ji’nan:Science and Technology,2010,24(1):88-90.

[18]盧柳葉,張青峰,李光錄.基于BP神經(jīng)網(wǎng)絡(luò)的遙感影像分類研究[J].測繪科學(xué),2012,37(6):140-143. Lu L Y,Zhang Q F,Li G L.Image classification of remote sensing based on BP neural networks[J].Science of Surveying and Mapping,2012,37(6):140-143.

[19]郭蕾,楊冀紅,史良樹,等.SPOT6遙感圖像融合方法比較研究[J].國土資源遙感,2014,26(4):71-77.doi:10.6046/gtzyyg.2014.04.12. Guo L,Yang J H,Shi L S,et al.Comparative study of image fusion algorithms for SPOT6[J].Remote Sensing for Land and Resources,2014,26(4):71-77.doi:10.6046/gtzyyg.2014.04.12.

[20]馬世斌,楊文芳,張焜.SPOT6衛(wèi)星圖像處理關(guān)鍵技術(shù)研究[J].國土資源遙感,2015,27(3):30-35.doi:10.6046/gtzyyg.2015.03.06. Ma S B,Yang W F,Zhang K.Study of key technology of SPOT6 satellite image processing[J].Remote Sensing for Land and Resources,2015,27(3):30-35.doi:10.6046/gtzyyg.2015.03.06.

[21]Jiang H,Su Y Y,Jiao Q S,et al.Typical geologic disaster surveying in Wenchuan 8.0 earthquake zone using high resolution ground LiDAR and UAV remote sensing[C]//Proceedings SPIE 9262,Lidar Remote Sensing for Environmental Monitoring XIV.Beijing,China:SPIE,2014:926219.

(責(zé)任編輯：陳理)

ResearchonbuildingextractionrulesbasedonSPOT6data

FU Ying， GUO Qiaozhen， PAN Yingyang, WANG Dongchuan

(InstituteofGeologyandGeomatics,TianjinChengjianUniversity,Tianjin300384,China)

For SPOT 6 satellite remote sensing image, a method based on rules was used to extract buildings. Firstly, the authors analyzed the extraction effects of every rule attribute and made the rule extract buildings based on the effect. Then the authors compared the methods of K-means clustering, K nearest neighbor (KNN), support vector machine (SVM) and neural network with the method used in this paper during the research. The precision evaluation of building extraction result shows that the accuracy of this method based on rules is higher than that of other methods. This method relieves the problems of the salt and pepper phenomenon and the same spectrum with foreign bodies, and provides some technical support for the wider application of SPOT 6 satellite images in the future.

SPOT6; rule; building extraction; KNN; SVM

10.6046/gtzyyg.2017.03.09

付盈,國巧真,潘應(yīng)陽,等.基于SPOT6數(shù)據(jù)的建筑物提取規(guī)則研究[J].國土資源遙感,2017,29(3)：65-69.(Fu Y,Guo Q Z,Pan Y Y,et al.Research on building extraction rules based on SPOT6 data[J].Remote Sensing for Land and Resources,2017,29(3)：65-69.)

2016-02-01；

2016-03-28

天津市自然科學(xué)基金項目“天津濱海新區(qū)地表水環(huán)境信息遙感提取與評價方法研究”(編號： 13JCQNJC08600)、“基于變化軌跡方法的濱海濕地流失累積效應(yīng)研究”(編號： 15JCYBJC23500)和國家自然科學(xué)基金重點項目“京津唐地區(qū)景觀格局演變與生態(tài)用地流失特征”(編號： 41230633)共同資助。

付盈(1990-)，女，碩士研究生，研究方向為資源與環(huán)境遙感監(jiān)測。Email: fuying19900707@163.com。

國巧真(1979-)，女，副教授，博士，研究方向為資源與環(huán)境遙感監(jiān)測。Email: gqiaozhen@tcu.edu.cn。

TP 79

： A

： 1001-070X(2017)03-0065-05