基于高分辨率遙感影像的城區(qū)彩鋼棚提取研究

李鵬元，楊樹文,3，姚花琴，楊 猛，雍萬鈴

（1.蘭州交通大學 測繪與地理信息學院，甘肅 蘭州 730070；2.甘肅省地理國情監(jiān)測工程實驗室，甘肅 蘭州 730070；3.甘肅省遙感重點實驗室，甘肅 蘭州 730000；4.甘肅安西極旱荒漠國家級自然保護區(qū)管理局，甘肅 酒泉736100）

基于高分辨率遙感影像的城區(qū)彩鋼棚提取研究

李鵬元1,2，楊樹文1,2,3，姚花琴4，楊 猛2，雍萬鈴2

（1.蘭州交通大學 測繪與地理信息學院，甘肅 蘭州 730070；2.甘肅省地理國情監(jiān)測工程實驗室，甘肅 蘭州 730070；3.甘肅省遙感重點實驗室，甘肅 蘭州 730000；4.甘肅安西極旱荒漠國家級自然保護區(qū)管理局，甘肅 酒泉736100）

彩鋼棚是典型的城市臨時建筑物，其空間分布與城市發(fā)展和結構存在密切關系，而準確﹑快速地提取彩鋼棚信息將為相關研究提供有效數據支持。以GF-1遙感影像為數據源，利用面向對象的多尺度分割技術構建了基于知識規(guī)則的彩鋼棚決策樹提取模型。首先通過實驗選擇一個最優(yōu)分割尺度對影像進行分割；再根據彩鋼棚的色彩﹑光譜﹑幾何等特征建立知識提取規(guī)則；最后基于知識規(guī)則的決策樹自動提取彩鋼棚信息。實驗結果表明，該方法提取彩鋼棚具有很好的普適性，提取效果較好。

彩鋼棚；高分辨率；多尺度分割；知識規(guī)則；決策樹

彩鋼即彩涂鋼板材料，是市場上的通用名稱。在建筑方面，彩鋼材料應用廣泛，一般稱之為彩鋼棚。彩鋼棚作為城市中典型的臨時建筑物，其空間分布特征（位置﹑聚集性﹑伸展方向等）隨時間變化而變化，且這些變化與城市的發(fā)展變化密切相關。目前，城市的發(fā)展變化主要是根據土地利用/覆被變化來判斷的[1-3]，這種正面﹑宏觀的研究是常用手段，而通過對彩鋼棚空間分布特征變化的研究，可從側面﹑微觀的角度獲得當前城市的發(fā)展階段﹑進程﹑速度等特征。

高分辨率遙感影像既能大尺度﹑全面地顯示地物信息，又能通過地物在影像上的光譜﹑幾何﹑結構﹑紋理特征較為準確地反映目標信息及特征[4]。國內外學者利用高分辨率遙感影像進行了大量一般建筑物的提取研究，大致可分為兩類：①綜合利用高分辨率遙感影像數據和其他輔助數據進行建筑物提取，如Hofmann P[5]和Awrangjeb M[6]等利用高分辨率遙感影像數據，結合LiDAR信息進行了建筑物提取實驗；② 面向對象的建筑物提取方法，如陶超[7]等提出了一種多特征融合的建筑物對象分級提取策略，JIN X[8]等利用建筑物的上下文和光譜特征進行建筑物提取。上述研究對建筑物信息提取進行了有效嘗試，取得了較為豐碩的研究成果；但通過文獻分析發(fā)現，還沒有基于高分辨率遙感影像對彩鋼棚進行信息提取的研究。本文通過對彩鋼棚和其影像特征的分析，提出了一種基于知識規(guī)則的彩鋼棚決策樹提取模型。

1 彩鋼棚提取方法

1.1 彩鋼棚特征

1.1.1 色彩特征

彩鋼棚顏色主要以藍﹑白﹑紅為主，色調區(qū)分較大，但其在影像中的共同特點是色彩明亮程度高。色彩明亮程度用亮度來衡量，如將RGB色彩空間轉換到HSV色彩空間下的V分量就是亮度數據，即

式中，Red、Green、Blue分別為像元在紅光波段﹑綠光波段和藍光波段的灰度值。實驗表明V值較大的區(qū)域就是包含彩鋼棚的區(qū)域。

1.1.2 光譜特征

GF-1影像由2 m的全色波段和8 m的多光譜波段構成，其中多光譜波段分為藍光波段﹑綠光波段﹑紅光波段和近紅外波段。本文以蘭州市某區(qū)GF-1融合數據為例，對影像中多種典型地物（白色建筑物特指屋頂是白色的一般建筑物）進行了光譜特征統(tǒng)計。具體統(tǒng)計結果見表1。

表1 典型地物光譜值

結合式（1）可知，典型地物的亮度由高到低依次為白色彩鋼棚﹑紅色彩鋼棚﹑白色建筑物﹑藍色彩鋼棚﹑裸土﹑水泥屋頂﹑瀝青道路﹑水體和陰影。根據亮度屬性能夠抑制影像中的水泥屋頂﹑瀝青道路﹑水體和陰影，而保留彩鋼棚﹑白色建筑物和裸土，所以需進一步重點分析高亮度地物之間是否存在光譜差異。為便于觀察，本文繪制了高亮度地物的波譜曲線（圖1）。

圖1 高亮度地物的波譜曲線

分析圖1可知：①白色建筑物與白色彩鋼棚波譜曲線走勢一致，從光譜屬性上區(qū)分二者存在困難；②藍色彩鋼棚從紅光波段到近紅外波段為上升趨勢，而白色彩鋼棚﹑紅色彩鋼棚和裸土從紅光波段到近紅外波段均為下降趨勢，且裸土的下降速度慢于白色彩鋼棚和紅色彩鋼棚。鑒于此，本文構建的區(qū)分裸土和各類彩鋼棚的計算模型為：

W為正值是藍色彩鋼棚；W為負值且絕對值較小是裸土；W為負值且絕對值較大是白色彩鋼棚﹑紅色彩鋼棚。

1.1.3 幾何特征

經過實地考察并結合影像分析，筆者總結出彩鋼棚的幾何特征為：

1）面積（S）：不同衛(wèi)星數據源（不同空間分辨率的影像），其可識別的有意義單元的大小不同[9]。根據GF-1的分辨率，可識別的最小彩鋼棚面積為16 m2。

2）矩形度（R）：彩鋼棚形狀總體上呈矩形或矩形組合，描述矩形的參數是矩形度。

式中，P為其最小外接矩形面積[7]。R反映了一個物體與其最小外接矩形的接近程度，理想矩形彩鋼棚R取得最大值1.0。

3）“洞”的個數（N）與緊湊度（C）：與彩鋼棚相比，一般建筑物屋頂會出現其他凸起附屬物，在影像中表現為“洞”；且一般建筑屋頂邊緣多曲折，不夠緊密；反映緊密性的參數是緊湊度。

式中，L為地物周長[10]。當地物有“洞”或C值較低時，不是彩鋼棚。

1.2 基于知識規(guī)則的決策樹模型

在研究中， V﹑W﹑S﹑R﹑N﹑C屬性共同構成本文彩鋼棚的知識規(guī)則，但這些屬性之間并無明確的層次關系。決策樹是一種基于知識規(guī)則的地物識別方法，先找出分類能力最好的屬性變量，把數據分成多個子集；再用分類能力最好的屬性對每個子集進行劃分[11]。因此，決策樹對屬性的權重大小有明確的界定，樹的淺節(jié)點處的屬性權重比深節(jié)點處的屬性權重大。

通過V屬性對影像中的地物進行劃分，低亮度地物包括水泥屋頂﹑瀝青道路﹑水體﹑陰影等，高亮度地物包括彩鋼棚﹑白色建筑物﹑裸土。選擇V屬性作為第一節(jié)點處的變量參與決策，可將影像中大范圍的低亮度地物剔除，保留含有彩鋼棚的高亮度地物信息。城區(qū)內裸土所占比例不可忽視，如何將其從高亮度地物中分離是接下來要考慮的問題。根據彩鋼棚的光譜特征可知，W屬性能有效區(qū)分裸土與彩鋼棚，當W在某一負值區(qū)間時，即為裸土，剩余對象為藍色﹑白色﹑紅色彩鋼棚，故選擇W屬性作為第二節(jié)點處的變量參與決策。若僅從剝離典型背景地物的角度出發(fā)，第三節(jié)點處的變量應該用于區(qū)分白色建筑物與彩鋼棚。但事實上，城區(qū)地物復雜多樣，影像也絕不僅是由幾種典型地物構成，因此需從地物的幾何屬性出發(fā)，去除不滿足彩鋼棚幾何特征的干擾背景。彩鋼棚面積有下限值，小于該值的地物在影像中是不可識別的細碎斑塊，所以選擇S屬性作為第三節(jié)點處的變量。彩鋼棚作為一類特殊的臨時建筑物，與一般建筑物最大的不同就是其形狀多呈矩形或矩形組合，因此選擇R屬性為第四節(jié)點處的變量參與決策，能夠顯著降低彩鋼棚與非矩形對象的混淆。

上述決策從色彩﹑光譜﹑幾何特征出發(fā)，盡可能地抑制了影像中的背景。白色建筑物由于與白色彩鋼棚在影像中的特征過于接近，所以最后進行區(qū)分。由彩鋼棚的幾何特征可知，白色建筑物一般有“洞”或緊湊度較低，即當N>0或C小于某一閾值時，為白色建筑物。使用N﹑C屬性作為第五節(jié)點處的變量參與決策，可將彩鋼棚信息完整提取出來。具體的決策樹模型如圖2所示，其中Mean為構成對象所有像元的屬性平均值；a﹑b﹑c﹑d﹑e為閾值，實際情況下，由于選擇的研究區(qū)域不同影像地物特征會有一定的差異，因此具體閾值大小是通過反復試驗觀察獲取的經驗值。

圖2 基于知識規(guī)則的決策樹提取模型

需要說明的是，本文構建的基于知識規(guī)則的決策樹提取模式是建立在影像多尺度分割的基礎上的?？紤]到彩鋼棚在影像中大小差異懸殊，先設定較小的初始分割閾值將小型彩鋼棚分割出來，再利用分塊合并算法將初始分割中被“肢解”的大型彩鋼棚重新合并為一個整體。這種組合分割方式既可避免彩鋼棚被“欠分割”，又可防止彩鋼棚的“過分割”。

2 實驗及結果分析

本文選取的數據為2015-07-28獲取的經過幾何校正和圖像融合的蘭州市GF-1影像。為驗證彩鋼棚信息提取方法的可靠性，從融合后的數據中截取兩塊不同區(qū)域的影像進行實驗。

實驗一：真彩色顯示如圖3a所示，影像中彩鋼棚大小不同，背景地物多樣。通過實驗得到最優(yōu)初始分割﹑合并分塊閾值分別為34和92，分割結果如圖3b所示。通過反復試驗觀察得到，當決策樹中的參數a=0.6，b= -0.13，c=-0.08，d=0.5，e=0.16時，彩鋼棚提取效果最好。圖3c為提取到的彩鋼棚的二值圖表示（白色表示彩鋼棚），圖3d為彩鋼棚矢量邊界在真彩色影像上的映射。

實驗二：真彩色顯示如圖4a所示，與實驗一相比，無水體，植被明顯減少，裸土大量增加，便于檢驗方法的適用性。通過實驗可知，當最優(yōu)初始分割﹑合并分塊閾值分別為33和90時的分割效果最好（圖4b）。通過反復試驗觀察得到，當決策樹中的參數a=0.6，b=-0.14，c=-0.05，d=0.5，e=0.16時有較好的提取效果，提取的彩鋼棚如圖4c所示。圖4d為彩鋼棚矢量邊界在真彩色影像上的映射。

圖3 實驗一彩鋼棚提取

圖4 實驗二彩鋼棚提取

用TP﹑FP﹑FN分別表示算法正確識別的彩鋼棚面積﹑誤識別面積和漏識別面積，用TN表示人工提取的彩鋼棚面積，提取結果見表2。

表2 提取結果統(tǒng)計/m2

將分支因子（FP/TP）﹑遺漏因子（FN/TP）﹑檢測率（TP/(TP+FN)）和完整性（TP/(TP+FP+FN)）設為彩鋼棚提取的定量評價指標[12]，計算結果見表3。

表3 定量評價指標

從定量評價指標可以看出，兩景影像中彩鋼棚的檢測率與完整性都較高，但提取結果表明誤識別和漏識別的彩鋼棚面積很大，觀察圖3d﹑圖4d可知，這是由于提取中對白色彩鋼棚與白色建筑物的區(qū)分不理想造成的。

3 結 語

針對高分辨率遙感影像可準確反映地物細節(jié)信息﹑多尺度分割后形成的對象具備更多的屬性特征﹑決策樹可整合多種輔助數據和屬性變量等特點，本文將三 者結合，構建了多尺度分割技術支持下的基于知識規(guī)則的彩鋼棚決策樹提取模型。實驗結果表明，面向對象的決策樹由于充分利用了對象的色彩﹑光譜﹑幾何特征，對彩鋼棚的提取更準確，且一旦建立模型，就可應用于更大范圍內的彩鋼棚提取。

本文的不足之處在于：在多尺度分割中并沒有給出一個客觀的最優(yōu)分割尺度評價指標，只是定性地描述了如何實現彩鋼棚的最優(yōu)分割；利用幾何特征區(qū)分白色建筑物與白色彩鋼棚，但實際效果并不是很理想。對于這兩個問題，需要進一步研究。

[1] 周春山,葉昌東.中國特大城市空間增長特征及其原因分析[J].地理學報,2013,68(6):728-738

[2] 馮仕超,高小紅,亢健,等.西寧市30多年來土地利用/土地覆被變化及城市擴展研究[J].干旱區(qū)研究,2012,29(1):129-136

[3] 喬林凰,楊永春,向發(fā)敏,等.1990年以來蘭州市的城市空間擴展研究[J].人文地理,2008,23(3):59-63

[4] 李德仁,童慶禧,李榮興,等.高分辨率對地觀測的若干前沿科學問題[J].中國科學:地球科學,2012,42(6):805-813

[5] Hofmann P. Detecting Urban Features from IKONOS Data Using an Object-oriented Approach[J].GIS Geo-information System,2001(6):28-33

[6] Awrangjeb M, Ravanbakhsh M, Fraser C S. Automatic Detection of Residential Buildings Using LiDAR Data and Multispectral Imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing,2010,65(5):457-467

[7] 陶超,譚毅華,蔡華杰,等.面向對象的高分辨率遙感影像城區(qū)建筑物分級提取方法[J].測繪學報,2010,39(1):39-45

[8] JIN X, Davis C H. Automated Building Extraction from Highresolution Satellite Imagery in Urban Areas Using Structural, Contextual, and Spectral Information[J].Eurasip Journal on Applied Signal Processing,2005(14):2 196-2 206

[9] 明冬萍,王群,楊建宇.遙感影像空間尺度特性與最佳空間分辨率選擇[J].遙感學報,2008,12(4):529-537

[10] 鄧書斌.ENVI遙感圖像處理方法[M].北京:科學出版社,2010:217

[11] 王圓圓,李京.基于決策樹的高光譜數據特征選擇及其對分類結果的影響分析[J].遙感學報,2007,11(1):69-76

[12] Sampath A, Shan J. Building Boundary Tracing and Regularization from Airborne LiDAR Point Clouds[J]. Photogrammetric Engineering & Remote Sensing,2007,73(7): 805-812

P237

B

1672-4623（2017）09-0013-03

10.3969/j.issn.1672-4623.2017.09.004

2016-05-30。

項目來源：甘肅省科技計劃資助項目（1506RJZA070、148RJZA028）；甘肅省高等學?？蒲匈Y助項目（2015A-049）；甘肅省遙感重點實驗室（寒旱所）開放基金、蘭州市人才創(chuàng)新創(chuàng)業(yè)共同資助項目（2015-RC-28）。

李鵬元，碩士研究生，主要從事遙感圖像信息識別方面的研究工作。