韓東成,楊世植,趙強(qiáng),韓露,2,楊志,崔生成

(1中國(guó)科學(xué)院合肥物質(zhì)科學(xué)研究院安徽光學(xué)精密機(jī)械研究所,中國(guó)科學(xué)院大氣光學(xué)重點(diǎn)實(shí)驗(yàn)室,安徽 合肥 230031;2中國(guó)科學(xué)技術(shù)大學(xué),安徽 合肥 230022;3安徽建筑大學(xué)環(huán)境與能源工程學(xué)院,安徽 合肥 23061)

0 引言

建筑物單體信息采集是土地開(kāi)發(fā)與城市規(guī)劃的重要基礎(chǔ)工作,能高效率獲取到建筑物單體信息對(duì)我國(guó)城市化進(jìn)程具有十分重要的意義[1]。劉勇洪等[2]采用決策樹(shù)算法建立規(guī)則數(shù)據(jù)集對(duì)影像進(jìn)行分類(lèi)提取;曹雪和柯長(zhǎng)青[3]以高分辨率遙感影像數(shù)據(jù)為基礎(chǔ),提出了城市建筑物信息提取所使用的多尺度遙感分類(lèi)算法;孫曉霞等[4]采用面向?qū)ο蟮姆椒ㄌ崛〕隽顺鞘兄械缆?、河流等信?徐涵秋[5]通過(guò)結(jié)合歸一化植被指數(shù)(Normalized difference vegetation index,NDVI)分析和空間特征提取出了城市建設(shè)用地信息;樊舒迪等[6]改進(jìn)了常規(guī)的面向?qū)ο蠓椒?采用尺度分割和規(guī)則數(shù)據(jù)庫(kù)結(jié)合的方法提取出了下墊面復(fù)雜的建筑物信息;郭怡帆等[7]采用“自上而下”的面向?qū)ο蠓诸?lèi)方法,選擇合適的分割閾值,實(shí)現(xiàn)了高密度建筑物的提取。

目前遙感影像分類(lèi)方法研究的主要途徑是多分類(lèi)器組合、發(fā)展新的分類(lèi)方法、融合輔助信息等,以此來(lái)達(dá)到提高影像分類(lèi)精度的目的。但是由于受各方面因素的影響,各種分類(lèi)方法都普遍具有一定的局限性。本文采用基于規(guī)則的面向?qū)ο蠓椒?通過(guò)建立規(guī)則知識(shí)庫(kù)和對(duì)光譜特征的判斷,對(duì)基于樣本特征的面向?qū)ο蠓诸?lèi)方法難以提取的反射率較低的建筑物和被錯(cuò)分為陰影的道路進(jìn)行識(shí)別,不僅提高了特征提取的精度,而且規(guī)則更容易被理解,可行性較高。

1 實(shí)驗(yàn)區(qū)域簡(jiǎn)介與預(yù)處理

選取2015年2月11日的GF-2號(hào)衛(wèi)星影像,研究區(qū)域?yàn)榻K省揚(yáng)州市的佳家花園小區(qū)和聯(lián)誼南苑小區(qū),如圖1所示,研究區(qū)域中有綠化帶、水體、道路和種類(lèi)比較復(fù)雜的建筑物,這增大了建筑物單體信息提取的難度。

圖1 揚(yáng)州市(a)佳家花園小區(qū)(b)與聯(lián)誼南苑小區(qū)(c)位置Fig.1 Location of Jiajia Garden Community(b)and Lianyi Nanyuan Community(c)in Yangzhou City(a)

原始數(shù)據(jù)經(jīng)幾何輻射校正與影像配準(zhǔn)等預(yù)處理后,采用NNDiffuse pan sharpening方法將分辨率為4 m的多光譜數(shù)據(jù)和分辨率為1 m全波段數(shù)據(jù)進(jìn)行融合,能更好的保留光譜、紋理特征,提高空間分辨率,如圖2所示。

圖2 NNDiffuse pan sharpening圖像融合后影像Fig.2 Image fusion after NNDiffuse pan sharpening image fusion

2 建筑物提取方法

采用基于規(guī)則的面向?qū)ο笮畔⑻崛》椒?首先進(jìn)行圖像預(yù)處理,進(jìn)行一系列校正處理和圖像融合,以融合后的結(jié)果作為研究對(duì)象進(jìn)行多尺度分割,然后構(gòu)建規(guī)則數(shù)據(jù)庫(kù)提取建筑物,從而得到較高的分類(lèi)結(jié)果[8],技術(shù)流程如圖3所示。

圖3 技術(shù)流程圖Fig.3 Flow chart of technique

2.1 多尺度分割

多尺度分割算法流程如圖4所示,該算法基于邊緣,只需輸入一個(gè)參數(shù),即可計(jì)算多尺度分割的結(jié)果,計(jì)算步驟簡(jiǎn)單且獲得的結(jié)果快。為了提高多尺度優(yōu)化分割的精細(xì)化程度,需進(jìn)行差異性控制,對(duì)尺度不同的邊界區(qū)別對(duì)待,將光譜特征相似的像元合并,算出相應(yīng)的平均值、標(biāo)準(zhǔn)差等,得到這些相似像元的各個(gè)分割對(duì)象的特征信息。完成多尺度分割后的影像由多個(gè)各不相同但都含有遙感影像所具有的屬性特征的多邊形區(qū)域組成,這些多邊形區(qū)域經(jīng)過(guò)面向?qū)ο笈c基于規(guī)則分類(lèi)等一系列圖像處理,都含有了豐富的幾何、光譜、紋理等信息[9]。

圖4 多尺度分割流程圖Fig.4 Flow chart of multi-scale segmentation

2.2 根據(jù)規(guī)則進(jìn)行特征提取

根據(jù)遙感影像的屬性特征建立了建筑物規(guī)則(Rule)知識(shí)庫(kù)[10-12],通過(guò)公式計(jì)算NDVI和水體歸一化指數(shù)(Normalized difference water index,NDWI)進(jìn)行建筑物分類(lèi)。利用高分二號(hào)衛(wèi)星影像參數(shù),結(jié)合已有經(jīng)驗(yàn)和數(shù)據(jù),建立基于決策樹(shù)的建筑物提取算法。

提取地面上的建筑物,要將其他類(lèi)型的地物的影響排除在外,首先可采用NDVI排除植物所造成的影響。計(jì)算公式為

式中:INDV為歸一化植被指數(shù),BNIR、BRED分別表示遙感影像中的近紅外波段和紅光波段像素值。在INDV小于0.35的時(shí)候?yàn)榉侵脖粎^(qū),即為所需要保留的對(duì)象。

可以使用NDWI來(lái)排除水體所造成的干擾,計(jì)算公式為

式中:INDW為水體歸一化指數(shù),BGreen是綠光波段像素值。當(dāng)水體歸一化指數(shù)INDW小于0時(shí),將其認(rèn)定為水體,就可以排除其影響。

道路跟建筑物最大的不同在于形狀,道路一般呈狹長(zhǎng)帶狀而建筑物呈近似矩形,可以根據(jù)Rectangular fit屬性和Elongation屬性排除道路的干擾。

3 結(jié)果與分析

3.1 影像分割

通過(guò)對(duì)融合后的影像進(jìn)行多次分割參數(shù)實(shí)驗(yàn),比較分割的結(jié)果,最終將影像的最佳分割參數(shù)和合并參數(shù)閾值確定為90和50。分別對(duì)2015年2月11日揚(yáng)州市佳家花園小區(qū)和聯(lián)誼南苑小區(qū)的高分二號(hào)遙感圖像進(jìn)行分割與合并,能夠最大可能地將不同類(lèi)型(光譜特性)的地物分開(kāi)并且合并同類(lèi)的碎塊,如圖5、圖6所示。經(jīng)過(guò)多尺度分割后,原有的噪聲也會(huì)得到比較好的控制。

圖5 佳家花園小區(qū)中間部分房屋多尺度分割后影像Fig.5 Multi-scale segmentation image of the middle part of Jiajia Garden Community

圖6 聯(lián)誼南苑B區(qū)房屋多尺度分割后影像Fig.6 Multi-scale segmentation image of Lianyi Nanyuan Community area B

3.2 地表建筑物信息提取

應(yīng)用面向?qū)ο蟮囊?guī)則分類(lèi),結(jié)合對(duì)光譜特征的判斷,閾值分割圖像進(jìn)行二值化,并通過(guò)選取合適的規(guī)則對(duì)揚(yáng)州小區(qū)聯(lián)誼南苑和佳家花園小區(qū)進(jìn)行房屋提取,得到的矢量疊合圖,如圖7、圖8所示,提取效果較好。

圖7 佳家花園小區(qū)房屋二值化圖及矢量疊合圖Fig.7 Binary image and vector superposition map of houses in Jiajia Garden Community

圖8 聯(lián)誼南苑小區(qū)房屋二值化圖及矢量疊合圖Fig.8 Binary image and vector superposition map of houses in Lianyi Nanyuan Community

4 分類(lèi)后精度評(píng)價(jià)

用面向?qū)ο蠓椒ㄟM(jìn)行建筑物信息提取,通過(guò)目視解譯方法對(duì)提取結(jié)果進(jìn)行精度評(píng)定,其結(jié)果如表1所示。由表可見(jiàn),用基于規(guī)則的面向?qū)ο蠓诸?lèi)方法平均識(shí)別精度能達(dá)到97.7%,Kappa系數(shù)為0.93,提取的精度和效果遠(yuǎn)高于傳統(tǒng)監(jiān)督分類(lèi)所得到的結(jié)果,驗(yàn)證了該方法的可行性。

表1 建筑物單體識(shí)別精度測(cè)試結(jié)果Table 1 Test results of single building identification accuracy

5 結(jié)論

基于高分二號(hào)影像的面向?qū)ο蠓椒ㄌ崛〗ㄖ飭误w信息,首先對(duì)影像進(jìn)行校正、融合等預(yù)處理,在此基礎(chǔ)上采用多尺度分割確定出最佳的分割合并閾值,通過(guò)建立建筑物規(guī)則數(shù)據(jù)庫(kù)對(duì)對(duì)象進(jìn)行分類(lèi)判別及特征提取,得到所需的建筑物單體信息,并通過(guò)佳家花園和聯(lián)誼南苑兩個(gè)實(shí)驗(yàn)小區(qū)進(jìn)行了驗(yàn)證,結(jié)果表明:該方法能有效提取出建筑物單體信息,且精度滿足提取要求。該研究對(duì)于衛(wèi)星遙感影像在城市精細(xì)化管理具有較好的應(yīng)用價(jià)值,為國(guó)產(chǎn)高分衛(wèi)星城市遙感應(yīng)用提供技術(shù)支撐和服務(wù)。