拓?fù)洳逯蹬c光譜特征結(jié)合的復(fù)雜城區(qū)邊界提取

于莉楠，寧曉剛，王 浩，劉紀(jì)平

中國測繪科學(xué)研究院，北京 100830

城區(qū)邊界提取在城市空間布局、城區(qū)界限管理等方面發(fā)揮著重要作用[1-2]。傳統(tǒng)的手工提取城區(qū)邊界存在工作量大、花費(fèi)時間長等問題，因此，研究城區(qū)邊界的自動化提取具有重要意義。復(fù)雜城區(qū)邊界常存在建筑物大小差異較大、周邊林區(qū)高低起伏、散點(diǎn)建筑成片出現(xiàn)的情況，為自動化提取帶來一定困難。高空間分辨率(簡稱“高分”)遙感影像使地理信息要素表現(xiàn)為多尺度的統(tǒng)一[3]，使目標(biāo)的局部特征得到充分展現(xiàn)，因此，結(jié)合高分遙感影像進(jìn)行復(fù)雜城區(qū)邊界提取成為一條有效途徑。

城區(qū)即城市區(qū)域，是發(fā)展較快、現(xiàn)代化程度較高、分布較集中的居民地，主要包括城市建成區(qū)和與之緊密相連的城鄉(xiāng)結(jié)合區(qū)。單一城區(qū)一般具有集中連片的特征，即其內(nèi)部可包含建筑物、綠地、小型河流、道路等，但不被大型河流、大面積綠地等非建設(shè)用地完全隔斷。本文根據(jù)城區(qū)在遙感影像上呈現(xiàn)的復(fù)雜程度，是否有利于城區(qū)邊界提取，將城區(qū)進(jìn)一步分為“理想城區(qū)”和“復(fù)雜城區(qū)”?！袄硐氤菂^(qū)”即建筑物大小較均一、城區(qū)周邊較平整、城區(qū)邊界較清晰、有利于城區(qū)邊界提取的城區(qū)(如圖1(a)所示)；“復(fù)雜城區(qū)”即建筑物大小差異較大、周邊林區(qū)高低起伏、散點(diǎn)建筑成片出現(xiàn)、不利于城區(qū)邊界提取的城區(qū)(如圖1(b)、(c)、(d)所示)。本文的復(fù)雜城區(qū)邊界提取即將復(fù)雜城區(qū)作為集中連片的整體，獲取其外部邊緣線。城區(qū)邊界可較好地體現(xiàn)城區(qū)的宏觀形態(tài)特征。城區(qū)居民地是城區(qū)的主體部分，常被作為確定城區(qū)邊界的依據(jù)。城區(qū)居民地提取方法主要分為兩大類。第1類是基于分類的提取方法[4-6]，又包括基于像元的分類和面向?qū)ο蟮姆诸?。文獻(xiàn)[7]利用基于像元的分類，結(jié)合形態(tài)學(xué)處理，實(shí)現(xiàn)了居民地提取。文獻(xiàn)[8]采用面向?qū)ο蟮姆诸?，利用北京大興區(qū)的高分遙感影像提取了居民地。文獻(xiàn)[9]對比了兩種分類方法的提取結(jié)果，認(rèn)為面向?qū)ο蟮姆诸惙椒ǜm用于高分遙感影像。文獻(xiàn)[10]將建筑物指數(shù)(MBI)[11]特征與支持向量機(jī)(SVM)、隨機(jī)森林(RF)分類器相結(jié)合，利用面向?qū)ο蟮姆诸悂硖崛〕菂^(qū)?；谙裨姆诸惙椒沙浞掷糜跋竦墓庾V特征，但當(dāng)存在大量“同譜異物、同物異譜”的情況時，效果不佳；面向?qū)ο蠓诸惪删C合利用光譜、紋理、形狀等特征，通過圖像分割弱化“同譜異物、同物異譜”現(xiàn)象，但對圖像分割質(zhì)量要求較高，分割尺度不易確定。

第2類是基于特征的提取方法，又分為基于局部特征(如角點(diǎn)[12-16]、直線段[17]、邊緣[18-19])和基于全局特征的(如光譜、紋理)方法。局部特征一般具有較好的局部不變性，如文獻(xiàn)[11]結(jié)合了居民地的Harris角點(diǎn)；文獻(xiàn)[17]基于直線段統(tǒng)計(jì)特征提取居民地；文獻(xiàn)[18—19]充分利用了居民地的邊緣密度特征；文獻(xiàn)[20]則同時融合了直角點(diǎn)和直角邊進(jìn)行居民地提取。全局特征則是從整體上表達(dá)同類地物的共同特征。如文獻(xiàn)[21]通過分析各地物光譜曲線，構(gòu)建了居民地提取專家模型；文獻(xiàn)[22]基于模糊準(zhǔn)則下的灰度共生矩陣來提取居民地；文獻(xiàn)[23]則提出一種將紋理特征與視覺注意相結(jié)合的方法。基于特征的方法在特征顯著時效果較好，但當(dāng)存在大量具有相同特征的非目標(biāo)干擾時，或提取的特征點(diǎn)、線不充足的情況下，無法達(dá)到理想效果。

圖1 城區(qū)復(fù)雜狀況Fig.1 Complex situation of urban boundary

現(xiàn)有方法對于建筑物大小較均一、城區(qū)周邊較平整、城區(qū)邊界較清晰的“理想城區(qū)”，基本都能取得較好效果。而對于建筑物大小差異較大、周邊林區(qū)高低起伏、散點(diǎn)建筑成片出現(xiàn)的“復(fù)雜城區(qū)”，會因?yàn)楣庾V、紋理等特征過于復(fù)雜而效果不佳。針對這一問題，本文提出一種基于拓?fù)洳逯岛凸庾V特征的高分遙感影像復(fù)雜城區(qū)邊界提取方法。一方面，分別提取大型建筑和小型建筑的特征點(diǎn)，并通過由點(diǎn)及面的拓?fù)洳逯?，來避免城區(qū)邊界大建筑特征點(diǎn)稀疏帶來的城區(qū)邊界缺失；另一方面，對于城區(qū)周邊高低起伏的林區(qū)、散點(diǎn)建筑帶來的冗余特征點(diǎn)，基于植被光譜特征將其濾除，從而抑制城區(qū)邊界誤提取。該方法通過融合點(diǎn)、線、面及光譜特征，實(shí)現(xiàn)了復(fù)雜城區(qū)邊界提取。

1 本文方法

本文基于拓?fù)洳逯岛凸庾V特征的城區(qū)邊界提取方法，主要包括以下5步：①大、小建筑物特征點(diǎn)的分別提??；②基于拓?fù)洳逯档慕ㄖ锾卣鼽c(diǎn)加密；③基于光譜特征的冗余特征點(diǎn)濾除；④城區(qū)特征圖像構(gòu)建；⑤城區(qū)邊界矢量生成。本文方法流程如圖2所示。

圖2 本文方法流程Fig.2 The work flow of the proposed method

1.1 大、小建筑物特征點(diǎn)的分別提取

城區(qū)在高分遙感影像上常呈現(xiàn)為具有直角特征的建筑頂面，本文即以直角點(diǎn)作為城區(qū)特征點(diǎn)，并根據(jù)建筑物邊長閾值，將建筑物分為大建筑和小建筑。為了對大、小建筑特征點(diǎn)進(jìn)行不同程度的加密，首先需要分別提取大、小建筑物的直角點(diǎn)。

文獻(xiàn)[20]通過Harris角點(diǎn)結(jié)合直角邊約束來獲取直角點(diǎn)。該方法對于理想城區(qū)效果較好，但對于復(fù)雜城區(qū)，由于Harris角點(diǎn)檢測對紋理特征非常敏感，會在復(fù)雜城區(qū)周邊高低起伏的林區(qū)和散點(diǎn)建筑處產(chǎn)生大量冗余角點(diǎn)，且這些角點(diǎn)對應(yīng)的直角邊長度與城區(qū)小型建筑邊長相近，很難基于邊長約束將其濾除。這種先提取點(diǎn)、再檢邊、再篩點(diǎn)的流程對于復(fù)雜城區(qū)不僅耗時，且效果不佳。因此，本文通過垂直邊求交直接獲取直角點(diǎn)來簡化這一流程。直線段檢測的常規(guī)方法有Hough變換[24]、LSD直線段提取算法[25]，但Hough變換較難提取細(xì)小線段，LSD算法容易使線段在線與線相交處斷開，不利于長線段提取，且參數(shù)較少，不易控制線段提取的具體情況。

本文采用Canny邊緣檢測[26]、Douglas-Peucker直線段壓縮[27]、角度約束相結(jié)合的方式來檢測垂直線段。其優(yōu)勢在于可根據(jù)城區(qū)復(fù)雜程度，通過Canny邊緣檢測的參數(shù)調(diào)整來控制提取線段的數(shù)量，通過Douglas-Peucker的線段簡化程度來控制線段提取的長度。具體步驟如下：

(1)基于Canny邊緣檢測進(jìn)行邊緣提取。

(2)基于Douglas-Peucker算法進(jìn)行直線段壓縮，即通過設(shè)定不同的距離閾值，對建筑物邊緣實(shí)現(xiàn)兩種不同程度的簡化(如圖3所示)。當(dāng)簡化程度較大時，較小的邊緣起伏會被忽略，從而得到較長的線段集合，記為“粗略線段集合”LA；當(dāng)簡化程度較小時，即使較小的邊緣起伏也會將邊緣分割成線段，從而得到較短的線段集合，記為“精細(xì)線段集合”LB。

圖3 基于Douglas-Peucker算法的直線段提取Fig.3 Line extraction based on Douglas-Peucker algorithm

(3)對于“粗略線段集合”LA，操作如下：①設(shè)線段di是LA中的第i條線段，其端點(diǎn)分別為pi1、pi2(圖4)，先以其中一個端點(diǎn)為基準(zhǔn)，在半徑為r的圓域內(nèi)，搜索與該端點(diǎn)最鄰近且夾角近似等于90°的線段dj，并設(shè)其端點(diǎn)分別為pj1、pj2；②當(dāng)線段di的長度li、線段dj的長度lj與長度閾值lthreshold滿足式(1)，且二者的夾角θij與角度閾值θthreshold滿足式(2)時，近似認(rèn)為這兩條線段垂直且來源于大建筑邊緣，求解兩條線段所在直線的交點(diǎn)cij，并將其作為直角點(diǎn)；③分別將線段di、dj的端點(diǎn)中與cij距離較遠(yuǎn)的端點(diǎn)記為pi、pj，將點(diǎn)集Cij={cij,pi,pj}作為子點(diǎn)集放入點(diǎn)集合UA中，對線段另一個端點(diǎn)做相同操作；④依次遍歷完LA中的所有線段，即得到大型建筑初始特征點(diǎn)集UA。

圖4 直角點(diǎn)獲取Fig.4 Right angle point extraction building feature points

(1)

|θij-90|<θthreshold

(2)

(3)

(4)對于“精細(xì)線段集合”LB，其操作過程中的①③④與步驟(3)中的①③④相同，但在步驟②中，li與lj需滿足式(3)，最后將得到的點(diǎn)集合記為小型建筑初始特征點(diǎn)集UB。

1.2 基于拓?fù)洳逯档慕ㄖ锾卣鼽c(diǎn)加密

為避免大型建筑稀疏特征點(diǎn)帶來的城區(qū)邊界缺失，本文通過先拓?fù)?、后插值來增加大型建筑特征點(diǎn)密度。對于小型建筑，不進(jìn)行拓?fù)洌苯雍唵尾逯?。通過這種由點(diǎn)及面、大小建筑區(qū)別處理的方式，使特征點(diǎn)得到不同程度的加密，從而更好地體現(xiàn)城區(qū)整體特征。具體過程如下：

(1)設(shè)Cij={cij,pi,pj}為大型建筑初始特征點(diǎn)集UA中的一個子點(diǎn)集，即由相互垂直的線段di、dj得到的特征點(diǎn)集，cij、pi、pj的圖像坐標(biāo)分別為(xc,yc)、(xa,ya)、(xb,yb)。由子點(diǎn)集獲取過程可知，以cij、pi、pj為頂點(diǎn)可構(gòu)建直角三角形，以直角邊為鄰邊，以斜邊為對角線，將其拓?fù)錇榫匦?圖5)。只要插入第4點(diǎn)t1即可構(gòu)建一個矩形面，t1(x1,y1)的坐標(biāo)，計(jì)算如式(4)

(4)

(2)在以Cij={cij,pi,pj,t1}中的4個點(diǎn)為頂點(diǎn)構(gòu)建的矩形上，并在每條邊的四等分點(diǎn)處插值，如圖5所示，得到t2、t3、t4、t5、t6、t7、t8、t9、t10、t11、t12、t13共12個邊緣插值點(diǎn)。

圖5 大型建筑特征點(diǎn)拓?fù)洳逯礔ig.5 Topological interpolation of big feature points

(3)在以Cij={cij,pi,pj,t1}中的4個點(diǎn)為頂點(diǎn)的矩形內(nèi)部進(jìn)行插值，在對角線pipj的中點(diǎn)位置插值得到矩形的中心點(diǎn)q1，在q1與cij、pi、t1、pj連線的中點(diǎn)上分別插值得到q2、q3、q4、q5，即得到5個內(nèi)部插值點(diǎn)。

(5)

圖6 小型建筑特征點(diǎn)插值Fig.6 Interpolation of small building

1.3 基于光譜特征的冗余特征點(diǎn)濾除

由于城區(qū)周邊高低起伏的林區(qū)和散點(diǎn)建筑附近常存在綠色植被、林地或田地，使這些非城區(qū)部分產(chǎn)生的冗余特征點(diǎn)具有了植被光譜特征。因此，本文采用歸一化植被指數(shù)(NDVI)，并定義綠色程度指數(shù)(GI)來濾除這些冗余特征點(diǎn)，其計(jì)算方法分別如式(6)、式(7)所示。

(6)

(7)

NDVI適用于含有紅(R)、綠(G)、藍(lán)(B)、近紅外(NIR)波段的高分遙感影像，而對于不含NIR的RGB遙感影像，可結(jié)合GI進(jìn)行濾除判定。結(jié)合圖7，冗余特征點(diǎn)濾除步驟說明如下：

(1)設(shè)p(x0,y0)為高分遙感影像上的特征點(diǎn)，若該影像含有R、G、B、NIR 4個波段，設(shè)植被指數(shù)閾值為Vindex_threshold。當(dāng)NDVI(x0,y0)>Vindex_threshold時，直接將其從特征點(diǎn)集中去除；當(dāng)NDVI(x0,y0)≤Vindex_threshold時,在以(x0,y0)為中心，大小為N×N的鄰域邊界上(如圖7中的斜線區(qū))，累計(jì)滿足NDVI(x,y)>Vindex_threshold的像素個數(shù)n,當(dāng)滿足式(8)時(Rration為比例閾值)，將其從特征點(diǎn)集中去除

(8)

圖7 冗余特征點(diǎn)濾除窗口Fig.7 Process window for removing redundant feature points

(2)若p(x0,y0)所屬的高分遙感影像只含有R、G、B3個波段，采用綠色程度指數(shù)GI來濾除冗余特征點(diǎn)，方法與基于NDVI的特征點(diǎn)濾除方法相同。

1.4 城區(qū)特征圖像構(gòu)建

在高分遙感影像上，像素點(diǎn)距離城區(qū)特征點(diǎn)越近，其屬于城區(qū)的概率越大，而二維高斯函數(shù)可較好地描述這一概率分布特征。本文結(jié)合二維高斯函數(shù)，采用不同標(biāo)準(zhǔn)偏差，通過局部空間投票來生成與原遙感影具有相同大小和分辨率的城區(qū)特征圖像。生成過程如下：

(1)設(shè)p(x,y)為遙感影像上某像素點(diǎn)，在以p(x,y)為中心，半徑為R的矩形局部窗口內(nèi)，搜索城區(qū)特征點(diǎn)，并將搜索到的邊緣特征點(diǎn)(包括直角點(diǎn)、邊緣插值點(diǎn)、邊緣線段端點(diǎn))個數(shù)設(shè)為m，將搜索到的內(nèi)部插值特征點(diǎn)(即不位于邊緣線段的插值特征點(diǎn))個數(shù)設(shè)為n。

(2)通過局部空間投票，計(jì)算p(x,y)屬于居民區(qū)的概率PR(x,y)，并將其作為特征圖像在坐標(biāo)(x,y)位置的特征值，PR(x,y)的計(jì)算方法如式(9)所示。其中xi、yi(i=1,2,3，…，m)為邊緣特征點(diǎn)坐標(biāo)，xj、yj(j=1,2,3，…，n)為內(nèi)部插值特征點(diǎn)的坐標(biāo)，σ1、σ2分別為邊緣特征點(diǎn)和內(nèi)部插值特征點(diǎn)對應(yīng)的高斯函數(shù)標(biāo)準(zhǔn)偏差，lthreshold為用于劃分大小建筑物的長度閾值。

圖8為特征點(diǎn)加密過程及效果，圖9為冗余特征點(diǎn)濾除過程及效果。

圖8 基于拓?fù)洳逯档慕ㄖ锾卣鼽c(diǎn)加密Fig.8 Topological interpolation for getting density building feature points

圖9 基于光譜特征的冗余特征點(diǎn)濾除Fig.9 Removing redundant feature points according to spectral feature

(9)

1.5 城區(qū)邊界矢量生成

1.5.1 特征圖像二值化

復(fù)雜城區(qū)特征圖的特征強(qiáng)度變化較多，常規(guī)自動閾值確定方法較難達(dá)到理想二值化效果。利用筆者編寫的交互界面(圖10(a))，基于特征圖的像素值，采用半自動方法確定二值化最佳閾值，即通過調(diào)整交互界面上的閾值滑塊，將該閾值下的二值化結(jié)果對應(yīng)的白色區(qū)域(即城區(qū)圖斑)與遙感影像進(jìn)行實(shí)時疊加顯示，并參考遙感影像調(diào)整閾值。當(dāng)白色區(qū)域剛好覆蓋遙感影像上的城區(qū)部分時，即找到最佳二值化閾值，進(jìn)而實(shí)現(xiàn)特征圖像二值化。

1.5.2 城區(qū)圖斑修整

城區(qū)內(nèi)非建筑區(qū)(如水體、道路等)因缺少建筑特征點(diǎn)，易使特征圖二值化結(jié)果出現(xiàn)空洞，而城區(qū)周邊未被完全濾除的冗余特征點(diǎn)則易產(chǎn)生冗余小圖斑。因此，本文基于連通域分析法，對圖斑進(jìn)行修整。首先，將被白色區(qū)域包圍的黑色空洞填充為白色，即在交互界面上用鼠標(biāo)框選欲填充的最大黑色空洞(圖10(b))，所有面積小于該選框面積的黑色空洞均會被填充，從而將城區(qū)圖斑補(bǔ)充完整；然后，框選欲去除的最大白色小圖斑(圖10(c))，所有面積小于該選框的白色小圖斑將被去除，從而保留城區(qū)主體(如圖10(d))，完成城區(qū)圖斑修整。

圖10 城區(qū)圖斑生成Fig.10 Urban map spot generation

1.5.3 城區(qū)圖斑矢量化

基于柵格轉(zhuǎn)矢量功能實(shí)現(xiàn)二值圖像矢量化，矢量結(jié)果中屬性值為“0”的矢量圖斑代表非城區(qū)，將其去除后即可得到城區(qū)對應(yīng)的矢量邊界。

2 試驗(yàn)結(jié)果與對比分析

為驗(yàn)證本文算法的有效性，基于Visual Studio 2010 C++開發(fā)環(huán)境實(shí)現(xiàn)了該算法，然后結(jié)合復(fù)雜城區(qū)高分遙感影像進(jìn)行了試驗(yàn)，并將本文方法結(jié)果與文獻(xiàn)[20]、文獻(xiàn)[22]方法結(jié)果進(jìn)行了對比分析，最后基于手工勾繪結(jié)果進(jìn)行了定量精度評價(jià)。

2.1 數(shù)據(jù)來源及結(jié)果

本文選取了兩幅城區(qū)邊界較復(fù)雜的高分遙感影像作為試驗(yàn)數(shù)據(jù)，具體情況如表1所示。數(shù)據(jù)1(圖11(a))的城區(qū)邊界分布著大小差異較大的建筑，用該數(shù)據(jù)驗(yàn)證基于拓?fù)洳逯档奶卣鼽c(diǎn)加密算法的有效性(圖12)。數(shù)據(jù)2(圖13(a))的城區(qū)周邊分布著大片高低起伏的林區(qū)和散點(diǎn)建筑，用該數(shù)據(jù)驗(yàn)證基于光譜特征的冗余特征點(diǎn)濾除效(圖14)。

圖11給出了數(shù)據(jù)1試驗(yàn)過程中生成的特征圖，圖中顏色越偏于紅色，表明特征強(qiáng)度越大，其為城區(qū)的概率越高。由本文方法特征圖(圖11(b))可看出，經(jīng)拓?fù)洳逯岛螅笮徒ㄖ^(qū)與小型建筑區(qū)均體現(xiàn)較大的特征強(qiáng)度。文獻(xiàn)[20]特征圖(圖11(c))中，大部分建筑區(qū)特征強(qiáng)度明顯，但兩個大建筑和部分小建筑密集區(qū)特征強(qiáng)度較弱。文獻(xiàn)[22]特征圖(圖11(d))中，由于大型建筑區(qū)紋理特征不明顯，其特征強(qiáng)度明顯小于小型建筑區(qū)。

圖11 數(shù)據(jù)1及生成的特征圖Fig.11 Test data 1 and feature image generated

圖12 數(shù)據(jù)1試驗(yàn)結(jié)果Fig.12 Test results of the test data 1

圖13 數(shù)據(jù)2及生成的特征圖Fig.13 Test data 2 and feature image generated

圖12(b)、(c)、(d)分別為本文算法和文獻(xiàn)[20，22]方法基于數(shù)據(jù)1提取的城區(qū)邊界矢量。通過對比看出，本文算法可使大型建筑區(qū)對應(yīng)的城區(qū)邊界得到較好的保留，文獻(xiàn)[20]方法在個別大建筑和部分小建筑處出現(xiàn)了部分邊界缺失，而文獻(xiàn)[22]方法則在大型建筑區(qū)對應(yīng)的城區(qū)邊界處出現(xiàn)了明顯缺失。參照圖12(a)所示的手工勾繪結(jié)果來看，本文算法可有效避免建筑物大小差異較大帶來的城區(qū)邊界缺失。

表1 試驗(yàn)數(shù)據(jù)Tab.1 Test data

圖13為幾種方法針對數(shù)據(jù)2生成的特征圖，圖14為數(shù)據(jù)2的試驗(yàn)結(jié)果。圖14(b)為本文算法針對數(shù)據(jù)2的試驗(yàn)結(jié)果，參照特征圖(圖13(b))可看出，城區(qū)周邊高低起伏的林區(qū)和散點(diǎn)建筑帶來的冗余特征點(diǎn)被較好地濾除了，使非城區(qū)部分的特征強(qiáng)度明顯低于城區(qū)，從而呈現(xiàn)出較明顯的城區(qū)邊界；圖14(c)為文獻(xiàn)[20]的試驗(yàn)結(jié)果，其中大部分建筑區(qū)提取較準(zhǔn)確，但為了基于長度閾值濾除高低起伏的林區(qū)對應(yīng)的Harris角點(diǎn)，該長度閾值與城區(qū)內(nèi)部小建筑邊長相近，因而損失了部分城區(qū)內(nèi)特征點(diǎn)，且道路特征點(diǎn)稀疏，導(dǎo)致城區(qū)提取不夠完整。結(jié)合圖13(d)來看數(shù)據(jù)2對應(yīng)的文獻(xiàn)[22]處理結(jié)果(圖14(d))，由于城區(qū)部分和周邊林區(qū)均具有較強(qiáng)的紋理特征，從而呈現(xiàn)出相近的特征強(qiáng)度，因此無法確定邊界。結(jié)合手工勾繪的結(jié)果(圖14(a))可看出，本文算法有效抑制了冗余特征點(diǎn)造成的城區(qū)邊界誤提取。

2.2 精度評價(jià)

為定量評估本文算法所提邊界的準(zhǔn)確性，以手工勾繪的城區(qū)邊界為基準(zhǔn)，采用正確率Pc、完整率Pe、質(zhì)量Pq來對結(jié)果進(jìn)行精度評價(jià)。這3個評價(jià)指標(biāo)的計(jì)算公式如式(10)所示。其中Sauto為算法提取城區(qū)矢量面積，Smanual為手工勾繪城區(qū)矢量面積，Sauto&manual為算法提取結(jié)果與手工提取結(jié)果交集的面積，Sauto‖manual為算法提取結(jié)果與手工勾繪結(jié)果并集的面積。表2給出了本文方法和文獻(xiàn)[20，22]方法的精度評價(jià)結(jié)果。通過對比可以看出，本文方法相對于文獻(xiàn)[20，22]方法具有更高的正確率、完整率和質(zhì)量，更接近于手工勾繪結(jié)果。

(10)

表2 城區(qū)邊界提取精度評價(jià)Tab.2 Accuracy statics of urban boundary extraction (%)

2.3 分析與討論

通過目視對比和定量精度評價(jià)可看出，本文方法總體上優(yōu)于文獻(xiàn)[20，22]方法。文獻(xiàn)[20]方法通過融合直角點(diǎn)、直角邊特征，可以較好地提取大部分城區(qū)，但仍然無法避免復(fù)雜城區(qū)中大型建筑造成的邊界缺失,在濾除高低起伏的林區(qū)對應(yīng)的Harris角點(diǎn)時，損失的部分城區(qū)特征點(diǎn)也造成了城區(qū)的不完整。文獻(xiàn)[22]方法借助單一紋理特征無法應(yīng)對紋理特征缺失或紋理特征過于繁雜的狀況。本文算法通過拓?fù)洳逯涤行П苊饬舜笮徒ㄖ∈杼卣鼽c(diǎn)造成的不良影響，結(jié)合光譜特征有效抑制了林區(qū)冗余特征點(diǎn)造成的干擾，在一定程度上提高了城區(qū)邊界的準(zhǔn)確性。

本文方法在參數(shù)設(shè)置方面需結(jié)合遙感影像實(shí)際情況和經(jīng)驗(yàn)知識。Canny邊緣檢測閾值應(yīng)使城區(qū)內(nèi)大部分建筑邊緣被準(zhǔn)確提取，且使城區(qū)建筑邊緣數(shù)量與所提取總邊緣數(shù)的比值盡可能大。精細(xì)線段集的Douglas距離閾值盡可能保證小建筑直角不被簡化掉，粗略線段集Douglas距離閾值應(yīng)使大建筑邊緣上的鋸齒起伏盡可能少。邊長閾值lthreshold建議取大建筑平均邊長。目前本文方法主要適用于分辨率不低于2 m的高分遙感影像。

本文方法雖然主要根據(jù)城區(qū)內(nèi)建筑物特征來確定城區(qū)范圍，但其內(nèi)部水體、道路、綠地也并未被完全遺漏，因?yàn)檫@些缺少建筑特征的區(qū)域產(chǎn)生的空洞在進(jìn)行“圖斑修整”時會被填充，從而保證了整個城區(qū)的完整性，但當(dāng)這些區(qū)域與城區(qū)邊界相接時，會造成一定的邊界誤差。在進(jìn)行拓?fù)洳逯禃r，插值點(diǎn)有可能被插值到城區(qū)邊界的外圍(如數(shù)據(jù)1中城區(qū)周邊縱橫交錯的耕地)。當(dāng)這些“誤插值”點(diǎn)落于植被區(qū)，會基于植被光譜特征被濾除；當(dāng)落于非植被區(qū)，由于這些“誤插值”特征點(diǎn)產(chǎn)生的特征強(qiáng)度相對于主體城區(qū)來說一般較弱，且相對零散，在進(jìn)行特征圖像二值化時會因特征強(qiáng)度達(dá)不到分割閾值而被濾除；部分“誤插值”特征點(diǎn)產(chǎn)生的零散圖斑會在“圖斑修整”時，基于面積閾值被濾除，從而在一定程度上削弱了“誤插值”帶來的不良影響。在濾除城區(qū)周邊高低起伏的林區(qū)造成的冗余特征點(diǎn)時，城區(qū)內(nèi)的凹凸植被產(chǎn)生的特征點(diǎn)也會被濾除，這種“誤濾除”產(chǎn)生的部分圖斑空洞也會在“圖斑修整”時被填充，使城區(qū)內(nèi)的植被盡可能不被遺漏。但當(dāng)這些城區(qū)內(nèi)植被與城區(qū)邊界相接時，也會在一定程度上影響城區(qū)邊界的準(zhǔn)確性。本文試驗(yàn)結(jié)果中的誤提取主要存在于城區(qū)周邊的凹凸裸地，針對該種復(fù)雜狀況的城區(qū)提取后續(xù)可進(jìn)行進(jìn)一步研究。

3 結(jié) 論

本文提出了一種基于拓?fù)洳逯岛凸庾V特征的高分辨率遙感影像復(fù)雜城區(qū)邊界提取方法。該方法充分融合了點(diǎn)、線、面及光譜特征，不僅避免了大型建筑特征點(diǎn)稀疏造成的城區(qū)邊界缺失，而且有效抑制了高低起伏的林區(qū)和散點(diǎn)建筑帶來的城區(qū)邊界誤提取。試驗(yàn)結(jié)果表明，該方法整體上優(yōu)于文獻(xiàn)[20，22]方法，可較好地適用于復(fù)雜城區(qū)邊界提取，且具有較高的精度。本文創(chuàng)新點(diǎn)主要體現(xiàn)在三方面：①針對復(fù)雜情況下的城區(qū)邊界提取提出了解決方案；②將拓?fù)洳逯道碚搼?yīng)用于城區(qū)邊界提取中；③同時融合了點(diǎn)、線、面及光譜特征。該方法的不足之處在于：①參數(shù)及閾值的選擇需要一定經(jīng)驗(yàn)，無法達(dá)到全自動化；②計(jì)算效率還不夠高。今后將著力解決這些不足之處，通過算法優(yōu)化，簡化參數(shù)設(shè)置，降低算法復(fù)雜程度，提高算法自動化程度，并通過GPU并行加速等方式進(jìn)一步提升效率，從而達(dá)到更好的效果。