于 浩，徐漢卿，李雨佳，馮 石，趙明朝

（1. 遼寧省地震局，遼寧 沈陽(yáng) 110034；2. 遼寧省送變電工程公司，遼寧 沈陽(yáng) 110024）

0 引言

近年來(lái)無(wú)人機(jī)遙感技術(shù)以其機(jī)動(dòng)性強(qiáng)、時(shí)效性高、大分辨率影像獲取簡(jiǎn)易等特點(diǎn)，在自然災(zāi)害監(jiān)測(cè)、地震應(yīng)急等領(lǐng)域發(fā)展迅猛。在地震應(yīng)急救災(zāi)中，通過(guò)無(wú)人機(jī)搭載的影像傳感器、移動(dòng)網(wǎng)絡(luò)數(shù)據(jù)傳輸和地面基站可實(shí)現(xiàn)飛行區(qū)域影像實(shí)時(shí)圖傳與數(shù)據(jù)輸出，為災(zāi)害調(diào)查與損失評(píng)估提供重要的科學(xué)依據(jù)。無(wú)人機(jī)災(zāi)情獲取的手段也在2008年汶川地震、2013年蘆山地震、2014年魯?shù)榈卣鹬械玫搅顺浞值尿?yàn)證并發(fā)揮了重大作用。

遙感影像地物提取方法現(xiàn)已成為當(dāng)今熱門的研究方向，其中建筑物地物由于在地區(qū)風(fēng)俗、宗教信仰、建筑風(fēng)格等方面存在較大差異，其影像光譜、幾何、紋理解譯特征難以達(dá)到普遍適用的程度，使得將建筑物信息提取及其在震害應(yīng)急中的應(yīng)用成為熱門研究方向。目前國(guó)內(nèi)研究中，張景發(fā)等[1]對(duì)張北震區(qū)地震前后的sar圖像進(jìn)行了變化檢測(cè)處理，提取了村莊建筑物的破壞信息；呂鳳華等[2]利用多特征進(jìn)行航空影像建筑物提??；陳文康[3]基于深度學(xué)習(xí)的方法對(duì)農(nóng)村建筑物進(jìn)行遙感影像檢測(cè)；龐池海等[4]通過(guò)對(duì)建筑物特殊的陰影結(jié)構(gòu)進(jìn)行提取從而獲知建筑物信息；在國(guó)外研究中，A.Huertas 和R.Nevada 對(duì)遙感圖像中的線段的空間關(guān)系進(jìn)行分析，Baatz 和Schape 利用多尺度分割與決策樹分類的方法對(duì)地物進(jìn)行判別區(qū)分取得了良好的效果。Ren K，Sirmacek B 等人將不同方法進(jìn)行融合提取建筑物，首先檢測(cè)遙感圖像中建筑物的陰影。然后在檢測(cè)結(jié)果及其一定范圍的鄰域內(nèi)搜索建筑物，最后使用盒子搜索算法來(lái)確定建筑物的形狀，從而實(shí)現(xiàn)建筑物的分割與邊界提取。Allouche 使用神經(jīng)網(wǎng)絡(luò)識(shí)別高密度區(qū)域的建筑物，然后使用密集三角網(wǎng)模擬建筑物區(qū)域的邊界，最后合并得到建筑物輪廓[5-6]。此類研究性的成果為無(wú)人機(jī)遙感技術(shù)在防災(zāi)減災(zāi)中的應(yīng)用奠定了堅(jiān)實(shí)基礎(chǔ)。

1 研究方法與理論概述

遙感影像分類是遙感影像處理的重要環(huán)節(jié)，也是遙感應(yīng)用研究和專題圖制作的基礎(chǔ)，遙感影像解譯質(zhì)量直接影響定量分析與專題提取的質(zhì)量，只有保證遙感影像分類的精度，才能發(fā)揮遙感影像最大的效能?，F(xiàn)今為止遙感影像提取主要分為人工目視解譯與計(jì)算機(jī)信息提取兩類，根據(jù)不同的遙感數(shù)據(jù)特性選擇不同的提取分類方法，而其中建筑物要素其差異性、復(fù)雜性的特點(diǎn)也成為了眾多遙感分析領(lǐng)域研究的重要內(nèi)容。本文針對(duì)無(wú)人機(jī)二維影像中建筑物對(duì)象特點(diǎn)，綜合利用其光譜、紋理、幾何特征，選取了監(jiān)督分類、基于規(guī)則的面向?qū)ο蠹癓SD直線檢測(cè)算法對(duì)建筑物信息進(jìn)行提取。方法特征如下表所示：

表1 建筑物提取方法比較

1.1 監(jiān)督分類

監(jiān)督分類是以建立統(tǒng)計(jì)識(shí)別函數(shù)為理論基礎(chǔ)，依據(jù)典型樣本訓(xùn)練方法進(jìn)行分類的技術(shù)。是一種基于光譜像元的分類方法，通過(guò)特征判別，選擇訓(xùn)練樣本，建立判別函數(shù)從而實(shí)現(xiàn)影像分類，通過(guò)分類后處理，進(jìn)行結(jié)果驗(yàn)證。其中監(jiān)督分類的判別方法有平行六面體、馬氏距離、支持向量機(jī)、最大似然法等。本次實(shí)驗(yàn)采用分類精度較好的最大似然法，通過(guò)對(duì)所有像元計(jì)算其落入驗(yàn)證類別樣本的概率，概率最大的相應(yīng)類別即為所屬類別。其計(jì)算概率公式為：是第i 類在 g 樣本數(shù)據(jù)中出現(xiàn)的概率，叫作先驗(yàn)概率。P（x）是在所有考慮的數(shù)據(jù)中出現(xiàn)向量x 的概率。

1.2 面向?qū)ο蠓诸?/h3>

面向?qū)ο蟮姆诸惣夹g(shù)是集合臨近像元為對(duì)象用來(lái)識(shí)別感興趣的光譜要素，通過(guò)對(duì)影像的分割合并，使同質(zhì)像元組成大小不同的對(duì)象。其充分利用了高分影像的空間、紋理及光譜信息對(duì)遙感影像進(jìn)行分類提取，面向?qū)ο蟮姆诸惒襟E主要包括發(fā)現(xiàn)對(duì)象（影像分割、對(duì)象層次結(jié)構(gòu)） 與特征提取（分類規(guī)則、信息提?。?。

1.3 LSD 直線檢測(cè)法

LSD 直線檢測(cè)法是2010年Gioi 提出基于線段檢測(cè)器的直線檢測(cè)算法，該算法利用建筑物邊緣表現(xiàn)出的較強(qiáng)線性特征開展精確提取，誤檢率較低且效率極高，因此被廣泛應(yīng)用于圖像處理工作中。首先對(duì)輸入圖像進(jìn)行高斯降采樣來(lái)減少邊緣鋸齒狀對(duì)檢測(cè)結(jié)果的影像，然后對(duì)圖像局部邊界計(jì)算其灰度梯度Gradient 和Level-Line，公式 （1） 如下所示。

式中，i（x，y）是灰度圖像上像素點(diǎn)（x，y）處的灰度值，gx（x，y）為X 方向上的梯度值，gy（x，y）為Y 方向上梯度值，G（x，y）則為像素點(diǎn)（x，y）處的灰度梯度幅度（圖1）。

圖1 LSD 算法局部示意圖Fig.1 Local schematic diagram of LSD algorithm

而Level-Line 的角度則根據(jù)公式（2） 計(jì)算得來(lái)：

然后，根據(jù)像素梯度值排序和直線區(qū)域增長(zhǎng)。梯度值越大，該像素點(diǎn)為邊緣點(diǎn)的概率就越大，可以作為直線檢測(cè)的種子點(diǎn)。從梯度值最高的種子點(diǎn)開始搜索，將所有種子點(diǎn)標(biāo)記為USED，其次從每個(gè)種子點(diǎn)按照八鄰域搜索角度滿足且狀態(tài)為UNSED 的點(diǎn)形成線支撐區(qū)域（LSD， Line Segment Detector），在鄰域內(nèi)角度閾值t 內(nèi)且滿足整個(gè)區(qū)域方向角的點(diǎn)加入當(dāng)前區(qū)域，并更新region-ang 的值，如式（3）所示：

每個(gè)連通域中所有像素點(diǎn)的水平線角度變化不能超過(guò)閾值t，每個(gè)線支持區(qū)域都是線段檢測(cè)的候選對(duì)象。如圖2 所示，綠色區(qū)域、橙色區(qū)域和藍(lán)色區(qū)域各是一個(gè)線支持區(qū)域。

圖2 LSD 區(qū)域增長(zhǎng)示意圖Fig.2 Schematic diagram of LSD regional growth

最后，通過(guò)計(jì)算虛警數(shù)（NFA，Number of False Alarm） 指數(shù)進(jìn)一步確定目標(biāo)區(qū)域擬合的矩形，進(jìn)而得到目標(biāo)影像中直線。采用LSD 直線檢測(cè)算法檢測(cè)出的測(cè)區(qū)內(nèi)的直線段。

2 遙感影像建筑物提取

2.1 數(shù)據(jù)來(lái)源

本實(shí)驗(yàn)采用2019年8 月遼寧省大連市長(zhǎng)?？h大長(zhǎng)山島鎮(zhèn)城嶺村無(wú)人機(jī)遙感影像作為數(shù)據(jù)源，實(shí)驗(yàn)區(qū)域視野開闊，植被覆蓋范圍60%-65%，區(qū)域測(cè)量范圍0.3177 平方公里，實(shí)驗(yàn)采用大疆精靈4PROv2.0 無(wú)人機(jī)，采用軟件DJI Pilot 設(shè)置飛行參數(shù)，控制無(wú)人機(jī)自動(dòng)起飛并執(zhí)行航拍任務(wù)，姿態(tài)信息設(shè)置為飛行高度設(shè)置100m、飛行速度控制5m/s, 航向重疊率設(shè)置為80%，旁向重疊率設(shè)置為80%，主航向角度設(shè)置為0°，邊距設(shè)置為20m，飛行架次1 次，航線長(zhǎng)度6125 米，采集耗時(shí)30 分鐘。實(shí)驗(yàn)影像具備RGB 通道，空間分辨率0.26m，單張影像尺寸512×512，共計(jì)308 張影像。

2.2 數(shù)據(jù)預(yù)處理

實(shí)驗(yàn)數(shù)據(jù)采用pix4dmapper 軟件完成影像快拼中相機(jī)校驗(yàn)、畸變校正、空三計(jì)算、區(qū)域網(wǎng)平差計(jì)算、勻色生成4 通道RGB 影像（圖3）。在ENVI 中利用工具layer stacking 工具對(duì)影像進(jìn)行真彩色波段合成（圖4），線性拉伸2%顯示，充分表現(xiàn)各種地物影像特征的差別，確保訓(xùn)練樣本選擇的準(zhǔn)確性。

圖3 無(wú)人機(jī)正射影像數(shù)據(jù)Fig.3 UAV orthophoto data

圖4 處理后實(shí)驗(yàn)數(shù)據(jù)Fig.4 Experimental data after processing

2.3 監(jiān)督分類

監(jiān)督分類處理流程為類別判定—樣本選擇—分類器選擇—影像分類—分類后處理—結(jié)果驗(yàn)證。類別判定為道路、植被、建筑物三類，分別創(chuàng)建感興趣區(qū)域的樣本數(shù)據(jù)共89 個(gè)純凈像元，計(jì)算樣本可分離性分別為JZW and DL-1.62947158 JZW and ZB-1.90197050 ZB and DL-1.98330353（測(cè)試區(qū)域屋頂與道路光譜表現(xiàn)相似，可分離性較低，數(shù)值越接近2 代表可分離性越高） 分類器利用最大似然法，進(jìn)行遙感影像提取，分類效果見圖5。分類處理通過(guò)Majority/Minority Analysis 主次要成分分析工具與Clump Classes 聚類處理工具分別對(duì)分類影像進(jìn)行小斑塊去除，窗口尺寸分別調(diào)整3×3，15×15，中心像元為1，局部去除效果如圖6 所示，聚類處理通過(guò)將分類進(jìn)行膨脹合并，然后用變換核對(duì)分類圖像進(jìn)行腐蝕操作，解決了類別信息被臨近類別的編碼干擾造成的空間連續(xù)性差的問(wèn)題。在道路剔除與區(qū)域植被剔除效果上優(yōu)于主成分分析的斑塊去除[7-9]。

圖5 植被、道路、建筑物提取效果Fig.5 Extraction effect of vegetation, road and building

圖6 分類后處理（小斑塊剔除） 效果Fig.6 Effect of classification post-processing（small plaque removal）

2.4 基于規(guī)則的面向?qū)ο蠓诸?/h3>

基于規(guī)則的面向?qū)ο蠓诸惲鞒虨榘l(fā)現(xiàn)對(duì)象（影像的閾值分割、合并），特征提?。ǘx要素與規(guī)則設(shè)定），導(dǎo)出要素。使用Feature Extraction（Rule Based） 工具，本實(shí)驗(yàn)基于紋理邊緣檢測(cè)算法，最終設(shè)定分割閾值為60，合并閾值為90，紋理內(nèi)核設(shè)定為6，生成模擬影像，規(guī)則設(shè)定中本實(shí)驗(yàn)分別通過(guò)歸一化植被指數(shù) （Normalized Difference）、 矩 形 化 程 度（Rectangular Fit）、面積（Area）、空間延長(zhǎng)線(Elongation) 四項(xiàng)指標(biāo)約束建筑物提取范圍，分別剔除了大部分植被、道路、田地及碎小斑塊，閾值范圍見圖7（各幅遙感影像亮度值、紋理互有差異，各項(xiàng)閾值設(shè)定會(huì)產(chǎn)生不同程度的變化） 最后進(jìn)行分類后處理，生成建筑物矢量信息，提取效果如圖8、圖9 所示[10-13]。

圖7 規(guī)則閾值設(shè)定Fig.7 Rule threshold setting

圖8 面向?qū)ο筇崛⌒Ч鸉ig.8 Object-oriented extraction effect

圖9 局部提取效果Fig.9 Local extraction effect

2.5 LSD 直線檢測(cè)法

本次LSD 算法實(shí)驗(yàn)截取影像局部建筑為例，通過(guò)Matlab 平臺(tái)進(jìn)行，其算法流程如圖10所示。

圖10 LSD 實(shí)驗(yàn)算法流程圖Fig.10 Flow chart of LSD experimental algorithm

圖10 中可見為了解決數(shù)字離散圖像的階梯效應(yīng)，即圖像放大過(guò)大時(shí)出現(xiàn)鋸齒狀直線，預(yù)處理過(guò)程中添加了高斯降采樣流程，本文實(shí)驗(yàn)中降采樣率設(shè)置為0.8，完成圖像處理。區(qū)域生長(zhǎng)依據(jù)章節(jié)1.3 中所述在八鄰域方向搜索生長(zhǎng)更新并進(jìn)行矩形逼近，確定矩形的中心和矩形的朝向后，包含區(qū)域所有點(diǎn)的最小矩形即為逼近得到的矩形。同性點(diǎn)密度閾值判定即為直線區(qū)域形態(tài)和屬性判斷條件。錯(cuò)誤控制閾值函數(shù)NFA 判定可以改善矩形形狀并得到最終實(shí)驗(yàn)結(jié)果，其中紅線標(biāo)注位置即為檢測(cè)直線結(jié)果如圖 11 所示[14-16]。

3 實(shí)驗(yàn)結(jié)果與分析

本次實(shí)驗(yàn)區(qū)域?yàn)閷?shí)地調(diào)研區(qū)域，因?qū)嶒?yàn)?zāi)康臑榉椒ㄑ芯浚蕦?shí)驗(yàn)區(qū)域選取較小，實(shí)驗(yàn)結(jié)果以實(shí)地調(diào)研數(shù)據(jù)為基準(zhǔn)對(duì)以上方法進(jìn)行判定。（LSD 直線檢測(cè)采用數(shù)據(jù)為區(qū)域數(shù)據(jù)，無(wú)法比對(duì)實(shí)驗(yàn)結(jié)果）

實(shí)驗(yàn)結(jié)果表明監(jiān)督分類、基于規(guī)則的面向?qū)ο筇崛〖癓SD 直線檢測(cè)三種方法均能夠在無(wú)人機(jī)正射影像中較為準(zhǔn)確的確定建筑物形狀與空間位置，提取精度上基本滿足用戶的實(shí)際使用需求。且三種建筑物提取的方法在工序與精度上均具備較大的研究空間。

監(jiān)督分類的重要環(huán)節(jié)為樣本選取，耗時(shí)工序?yàn)闃颖緝?yōu)化檢驗(yàn)與評(píng)估，耗時(shí)較短，但因其主觀因素較強(qiáng)，影像利用信息較為單一，故受原始影像質(zhì)量影響較大，分類提取的精度較低，但分類精度可在不斷修改檢驗(yàn)訓(xùn)練樣本基礎(chǔ)上獲得明顯改觀。

基于規(guī)則的面向?qū)ο筇崛〉闹匾h(huán)節(jié)在于尺度分割合并與規(guī)則設(shè)定，耗時(shí)工序?yàn)橐?guī)則設(shè)定，耗時(shí)較長(zhǎng)，但面向?qū)ο蠓诸惙椒ㄔ谔幚砉庾V信息不豐富的高分辨率影像上具備一定的優(yōu)勢(shì)，某種程度上解決了“同物異譜，同譜異物”對(duì)影像分類產(chǎn)生的影響，其不會(huì)過(guò)度依賴原始影像數(shù)據(jù)，但該方法在植被指數(shù)效果判定、尺度分割與閾值設(shè)定上具有較強(qiáng)的人為認(rèn)知的主觀因素，該方法如果能在尺度閾值設(shè)定與經(jīng)驗(yàn)分析合理的情況下，分類效果有望接近目視解譯結(jié)果。

Lsd 直線檢測(cè)的重要環(huán)節(jié)為區(qū)域生長(zhǎng)及終止生長(zhǎng)條件判定，耗時(shí)工序?yàn)殚撝翟O(shè)定與檢測(cè)后處理，耗時(shí)較長(zhǎng)，但多方法融合應(yīng)用后，提取精度有顯著提升，本次實(shí)驗(yàn)采用LSD 直線檢測(cè)算法檢測(cè)結(jié)果存在過(guò)多背景冗余信息，空地、雜物等直線信息或直線分割成多條短線段的情況時(shí)有出現(xiàn)，無(wú)法直接獲取建筑物閉合輪廓及面積信息，故該方法在后期的冗余信息剔除篩選與直線段的聚類合并處理上需要開展更深入的研究。

目視解譯作為以上方法的對(duì)比方法其耗時(shí)工序?yàn)槿斯づ袆e與手動(dòng)提取，其受遙感影像范圍影響明顯，小范圍識(shí)別準(zhǔn)確度高，時(shí)效性強(qiáng)，但無(wú)法滿足震后應(yīng)急中快速影像信息提取的實(shí)際需求。

本次實(shí)驗(yàn)遙感影像數(shù)據(jù)源較為單一，無(wú)法獲取高程數(shù)據(jù)，實(shí)驗(yàn)區(qū)域房屋建筑種類及屋頂顏色、形狀表現(xiàn)差異較大，這給建筑物提取工作帶來(lái)了較大的難度，但在反映遼寧農(nóng)居建筑特點(diǎn)的差異性較小的人字屋頂及平頂?shù)霓r(nóng)居建筑物上，提取效果較為理想，建筑邊緣輪廓提取較為準(zhǔn)確，提取速度較為理想。

遼寧局于2019年初成立現(xiàn)場(chǎng)無(wú)人機(jī)組，其在地震現(xiàn)場(chǎng)工作中主要負(fù)責(zé)完成危險(xiǎn)區(qū)調(diào)研任務(wù)與日常演練工作，調(diào)研航拍任務(wù)主要以正射數(shù)據(jù)收集、三維建模存檔為主，演練航拍任務(wù)主要以熟練操作、單體俯拍、建筑群俯拍為主，截至目前，累計(jì)飛行架次30 余次，累計(jì)飛行時(shí)長(zhǎng)20 小時(shí)，累計(jì)飛行面積約4.5km2，今后還應(yīng)充分調(diào)研遼寧農(nóng)居建筑物結(jié)構(gòu)特點(diǎn)，通過(guò)增設(shè)抽樣點(diǎn)，對(duì)比操作流程，優(yōu)化尺度分割與閾值設(shè)定，開展針對(duì)性無(wú)人機(jī)演練，在規(guī)律與實(shí)踐中尋找最優(yōu)方案，提升應(yīng)急遙感產(chǎn)品的時(shí)效性。

4 結(jié)語(yǔ)

本文通過(guò)對(duì)無(wú)人機(jī)正射影像采用監(jiān)督分類、面向?qū)ο蠹癓SD 直線檢測(cè)法對(duì)建筑物進(jìn)行分類提取，提出了一套對(duì)地物簡(jiǎn)單分類的半自動(dòng)處理流程，提升了地物信息的提取速度，為后續(xù)開展自動(dòng)化提取工作奠定了理論基礎(chǔ)。

在無(wú)人機(jī)高分影像建筑物提取的過(guò)程中發(fā)現(xiàn)了諸多由建筑物本身特殊性及高分影像的數(shù)據(jù)源導(dǎo)致的問(wèn)題，無(wú)形的給建筑物提取帶來(lái)了不小的挑戰(zhàn)與困難，只有充分認(rèn)識(shí)了解現(xiàn)階段提取技術(shù)的難點(diǎn)與問(wèn)題，才能突破提取速度與精度上的瓶頸。