基于面向?qū)ο蟮慕ㄖ镄畔⑻崛》椒ㄑ芯?/h1>
2020-12-25 03:52:26賀曉璐劉振華胡月明
賀曉璐，劉振華，胡月明，5，6
(1.華南農(nóng)業(yè)大學(xué) 資源環(huán)境學(xué)院，廣東 廣州 510642；2.國(guó)土資源部建設(shè)用地再開(kāi)發(fā)重點(diǎn)實(shí)驗(yàn)室，廣東 廣州 510642；3.廣東省土地利用與整治重點(diǎn)實(shí)驗(yàn)室，廣東 廣州 510642；4.廣東省土地信息工程技術(shù)研究中心，廣東 廣州 510642；5.青海大學(xué) 農(nóng)牧學(xué)院，青海 西寧 810016；6.電子科技大學(xué) 資源與環(huán)境學(xué)院，四川 成都 610054)
0 引 言
隨著城鎮(zhèn)建設(shè)的發(fā)展，城市化水平不斷提高，城市建設(shè)用地面積呈高位增長(zhǎng)態(tài)勢(shì)。建設(shè)用地的擴(kuò)大，對(duì)社會(huì)和生態(tài)環(huán)境造成了一定的影響[1]。而建筑物作為建設(shè)用地中最重要的目標(biāo)地物，對(duì)其進(jìn)行信息提取和精確識(shí)別是城市遙感研究中的熱點(diǎn)問(wèn)題。建筑物的快速獲取一方面有助于城市管理者對(duì)城市進(jìn)行管理和規(guī)劃、生產(chǎn)布局以及城市三維建模等;另一方面對(duì)土地資源的保護(hù)和可持續(xù)利用也具有重要的意義[2]。
目前建筑物的提取方法主要有3種[3]：一是基于幾何邊界的提取方法，主要通過(guò)檢測(cè)建筑物的分段線獲得建筑物邊緣輪廓信息，進(jìn)而實(shí)現(xiàn)建筑物的信息提取。如WANG J等[4]通過(guò)增強(qiáng)建筑物邊緣對(duì)比度，采用EDLines分段檢測(cè)器提取建筑線分段，將檢測(cè)的線段按層次分組到候選矩形建筑中，使用線連接和閉合輪廓搜索的方法進(jìn)行矩形建筑物的自動(dòng)提取；吳煒等[5]利用建筑物的光譜特征和形狀特征相結(jié)合構(gòu)造建筑物模板，對(duì)建筑區(qū)域進(jìn)行識(shí)別，最后對(duì)檢測(cè)出的建筑物邊緣進(jìn)行細(xì)化，完成建筑物的自動(dòng)提?。粡埡频萚6]通過(guò)改進(jìn)支持向量機(jī)算法模型參數(shù)對(duì)建筑物分類(lèi)結(jié)果進(jìn)行邊緣特征的提取，分類(lèi)精度高達(dá)90%。該類(lèi)方法流程化程度高，但對(duì)于大范圍和建筑物形狀復(fù)雜的區(qū)域提取效果不佳，且先驗(yàn)?zāi)Ｐ筒痪哂休^強(qiáng)的移植性，缺少通用的算法。二是基于圖像分割的方法，圖像分割是將遙感影像分成多個(gè)具有不同特性的多邊形區(qū)域[7]。由于不同的地物最優(yōu)分割尺度不一，在建筑物提取前需對(duì)影像進(jìn)行多尺度分割[8-11]。如黨濤[12]對(duì)中衛(wèi)市影像圖進(jìn)行多尺度分割，利用小尺度獲取不透水面結(jié)果圖，然后在大尺度影像中進(jìn)一步提取建筑物信息。然而，此方法對(duì)不同地物所適應(yīng)的分割尺度沒(méi)有一個(gè)較好的標(biāo)準(zhǔn)，同時(shí)對(duì)分割結(jié)果缺少評(píng)價(jià)體系。三是基于輔助信息的方法，利用陰影和DEM(digital elevation model)、DSM、LIDAR(light detection and ranging)等高度數(shù)據(jù)的輔助,進(jìn)行建筑物的提取[13-14]。F.Lafarge等[15]通過(guò)標(biāo)記點(diǎn)過(guò)程的方法實(shí)現(xiàn)建筑物足跡的粗略逼近，用矩形對(duì)建筑物足跡進(jìn)行建模，然后改進(jìn)相鄰矩形之間的連接，將高度不連續(xù)的矩形進(jìn)行糾正，實(shí)現(xiàn)了建筑物的自動(dòng)提取;曾齊紅等[16]使用機(jī)載LiDAR點(diǎn)云數(shù)據(jù)，將提取的建筑物點(diǎn)云進(jìn)行聚類(lèi)、屋頂平面擬合、屋頂邊界確定，對(duì)建筑物進(jìn)行三維重建，實(shí)驗(yàn)結(jié)果表明規(guī)則的建筑物重建效果較好。但在實(shí)際中，輔助信息不一定存在，如南方地區(qū)陰影較短，不適合采用陰影法。此外，建筑物的高度數(shù)據(jù)獲取困難。
由上可知，由于城市建筑物環(huán)境復(fù)雜多樣，建筑物的提取存在較大的困難和干擾，目前建筑物的識(shí)別方法并沒(méi)有很好的普適性。因此，本文嘗試采用立體像對(duì)數(shù)據(jù)提取城市建筑物DSM，引入worldview 2特有的紅色邊緣波段(RedEdge)的紋理信息，進(jìn)行基于規(guī)則的面向?qū)ο蠼ㄖ锾崛?；同時(shí)根據(jù)訓(xùn)練樣本，對(duì)研究區(qū)進(jìn)行面向?qū)ο蟮慕ㄖ锾崛?；然后，將基于?guī)則提取的建筑物和基于樣本的面向?qū)ο筇崛〗Y(jié)果進(jìn)行結(jié)合，完成建筑物的提取。
1 研究區(qū)及數(shù)據(jù)預(yù)處理
1.1 研究區(qū)概況
本文以廣州市天河區(qū)華南農(nóng)業(yè)大學(xué)啟林校區(qū)和泰山校區(qū)為主要研究區(qū)(113°21′～113°23′E，23°9′～23°10′N(xiāo))，建筑物分布大部分較為規(guī)則且密集。北部是啟林校區(qū)，南部為泰山校區(qū)，中部貫穿廣州環(huán)城高速，東部與岑村舊機(jī)場(chǎng)相鄰。研究區(qū)內(nèi)包含多種類(lèi)型建筑物，如三舊改造區(qū)域、多層住宅區(qū)、教學(xué)樓等。建筑物顏色多樣，形狀復(fù)雜多樣，有規(guī)則的矩形、方形以及不規(guī)則圖形。研究區(qū)概況如圖1所示。
圖1 研究區(qū)概況Fig.1 Survey of study area
1.2 數(shù)據(jù)及預(yù)處理
采用廣州市天河區(qū)2013年1月28日的worldview 2單片數(shù)據(jù)和2013年12月28日的worldview 2立體像對(duì)數(shù)據(jù)，影像包括1.8 m的多光譜數(shù)據(jù)及0.5 m的全色波段數(shù)據(jù)。其中多光譜數(shù)據(jù)除了包含4個(gè)常見(jiàn)的波段外(Blue、Green、Red、NIR1)，還有4個(gè)額外的波段：海岸波段(CoastalBlue)、黃色波段(Yellow)、紅色邊緣波段(RedEdge)、近紅外2波段(NIR2)；立體像對(duì)數(shù)據(jù)包括前視和后視影像。本文的預(yù)處理包括輻射定標(biāo)、FLAASH大氣校正以及正射校正等。由于worldview2 影像全色波段分辨率較高，而多光譜數(shù)據(jù)分辨率相對(duì)較低，研究采用NNDifuse Pan Sharpening方法對(duì)worldview 2數(shù)據(jù)進(jìn)行融合，融合前后對(duì)比如圖2所示。由圖2(c)可知，融合后的影像較融合前的真彩色影像具有更高的空間分辨率和對(duì)比度。
圖2 worldview 2影像融合前后對(duì)比圖Fig.2 Comparison of worldview 2 images before and after fusion
采用ENVI5.3對(duì)立體像對(duì)進(jìn)行DSM提取。選擇拍攝角小的前視影像為左影像，后視影像為右影像。選取1 000個(gè)連接點(diǎn)，自動(dòng)預(yù)測(cè)，在部分無(wú)連接點(diǎn)的地區(qū)手動(dòng)添加，使其分布均勻，調(diào)整最大Y視差為0.35。因只是輔助建筑物的提取，本文不精確到建筑物的實(shí)際高度，所以沒(méi)選取地面控制點(diǎn)。
為了確認(rèn)本文提出方法的好壞，收集了地表建筑物實(shí)際分布數(shù)據(jù)，數(shù)據(jù)來(lái)源于廣州市城市更新研究院，如圖3所示。
2 基于引入紅色邊緣波段規(guī)則的面向?qū)ο蠛突跇颖镜拿嫦驅(qū)ο笙嘟Y(jié)合的方法
本文提出的基于引入紅色邊緣波段規(guī)則的面向?qū)ο筇崛∨c基于樣本的面向?qū)ο蠓诸?lèi)進(jìn)行結(jié)合的方法:一方面對(duì)worldview 2遙感影像數(shù)據(jù)進(jìn)行數(shù)據(jù)融合，基于融合后的影像做尺度分割，根據(jù)建筑物的光譜、紋理、形狀及高度特征構(gòu)建規(guī)則知識(shí)庫(kù)進(jìn)行建筑物信息的提??；另一方面將融合后的worldview 2影像進(jìn)行基于樣本的面向?qū)ο蠓诸?lèi)，對(duì)分類(lèi)結(jié)果進(jìn)行篩選，提取出建筑物信息；利用兩者單獨(dú)的提取結(jié)果，在ArcGIS里進(jìn)行建筑物的疊置分析。疊置分析產(chǎn)生的新數(shù)據(jù)層綜合了兩者所具有的屬性，從而實(shí)現(xiàn)了目標(biāo)地物的最終提取。
2.1 基于引入紅色邊緣波段規(guī)則的面向?qū)ο蠼ㄖ镄畔⑻崛?/h3>
地表建筑物相對(duì)復(fù)雜，需根據(jù)各個(gè)地物的光譜特征、形狀特征、紋理特征及高度特征信息構(gòu)建規(guī)則知識(shí)庫(kù)的約束條件進(jìn)行提取。基于規(guī)則的面向?qū)ο笮畔⑻崛≈饕譃?部分：一是影像分割;二是規(guī)則知識(shí)庫(kù)的建立。影像分割是特征識(shí)別過(guò)程中的重要步驟，分割的好壞直接影響建筑物提取的精度。本文選擇Full Lambda-Schedule算法對(duì)worldview 2融合后的影像進(jìn)行邊緣分割。
Full Lambda-Schedule算法是基于簡(jiǎn)化的Mumford-Shah模型提出的，基本思想是統(tǒng)籌考慮影像數(shù)據(jù)中的光譜信息、形狀信息和空間信息，對(duì)相鄰區(qū)域的像元集合區(qū)域迭代至一定的預(yù)設(shè)條件，以完成對(duì)圖像的分割[17]。假設(shè)u(x，y)是定義域Ω的圖像，K是圖像邊界，它將圖像分成若干個(gè)離散的區(qū)域，得到分割圖像u0(x，y)，找出最優(yōu)的邊界，即令方程最小化,
(1)
式中：K為分割的邊界集合；φ(K)為邊界總長(zhǎng)度；Ω為已有圖像；g為圖像Ω的灰度值；u為圖像各子區(qū)域的分段近似值常數(shù)；λ為分割參數(shù)。
Mumford-Shah模型不需要有待分割圖像區(qū)域的先驗(yàn)知識(shí)，可以完全基于圖像來(lái)完成分割[18]。將Ω看作一個(gè)由離散變量i(i=1，2，…，n)索引的像元集合，圖像g和它的模型分別由每個(gè)像元灰度值g(i)和u(i)表示，分割后得到的區(qū)域?yàn)閳D像Ω被邊界K分成的子集，K為邊界，φ(K)為邊界包含的像元總數(shù)。式(1)進(jìn)行離散化為
(2)
對(duì)于固定邊界K，當(dāng)u為每個(gè)區(qū)域的均值時(shí)，E(u，K)達(dá)到最小，可以假設(shè)
(3)
式中：O為整個(gè)圖像區(qū)域，要使式(3)最小，則需使用區(qū)域生長(zhǎng)的方法；Oi為圖像的第i個(gè)子區(qū)域；ui為該區(qū)域所有g(shù)的均值；θ(Oi，Oj)為子區(qū)域Oi和Oj的公共邊長(zhǎng)，區(qū)域合并式為[19]
E(K，θ(Oi，Oj))-E(K)=
其中，|Oi|為第i個(gè)子區(qū)域面積，若Oi、Oj滿足條件λ≥ti，j時(shí)，Oi、Oj需要被合并，ti，j表達(dá)式為
(5)
地物的識(shí)別需要將閾值調(diào)整至最合適的狀態(tài)。分割尺度過(guò)小會(huì)導(dǎo)致地物過(guò)于破碎，將同一地物分割成多個(gè)地塊。而分割尺度過(guò)大，容易將不同的地物劃分在同一類(lèi)型中，造成分割不完全。通過(guò)調(diào)整滑塊閾值對(duì)影像進(jìn)行分割和合并。經(jīng)過(guò)多次重復(fù)試驗(yàn)，當(dāng)分割閾值為50，合并閾值為90時(shí)，建筑物邊緣特征分割良好，能較準(zhǔn)確地獲取建筑物信息。圖4為圖2(c)紅色框影像分割圖。
圖4 局部影像尺度分割Fig.4 Scale segmentation of local image
在建筑物規(guī)則知識(shí)庫(kù)的建立過(guò)程中，約束條件和地物屬性信息可以是一對(duì)多或多對(duì)多的關(guān)系。建筑物提取必須先排除其他類(lèi)型的地物，通過(guò)建立合適的規(guī)則獲得較為精確的目標(biāo)地物。根據(jù)實(shí)際研究，在直接利用一層規(guī)則進(jìn)行建筑物提取時(shí)，部分建筑物會(huì)由于反射率過(guò)高而被剔除。因此，本文設(shè)置了兩層規(guī)則，在第一層規(guī)則提取建筑物信息的基礎(chǔ)上，利用第二層規(guī)則精細(xì)化提取信息?；谝?guī)則的面向?qū)ο蠼ㄖ锾崛〉木唧w規(guī)則如下。
第一層規(guī)則：(1)Spectral mean(Normalized Difference)<0.35，Normalized Difference計(jì)算的是NDVI值，當(dāng)該值小于0.35時(shí)，為非植被區(qū)，大于0.35時(shí)，為植被覆蓋區(qū)。
(2)Rectangular fit>0.35。
(3)Elongation<7.2，約束條件(2)和(3)是排除道路的干擾。建筑物和道路的最大區(qū)別是形狀不同，建筑物大部分是近乎規(guī)則的形狀，而道路為狹長(zhǎng)的帶狀。利用Rectangular fit屬性和Elongation屬性排除道路信息。
(4)1 400(5)35(6)10第二層規(guī)則：2 600本文提出的基于引入紅色邊緣波段規(guī)則的面向?qū)ο蠼ㄖ锾崛∈窃诨谝?guī)則的面向?qū)ο筇崛》椒ǖ幕A(chǔ)上，在第一層規(guī)則里加入紅色邊緣波段的約束條件。因?yàn)槔脀orldview 2的RedEdge波段的紋理信息對(duì)種有少量作物的地塊和建筑物有較好的區(qū)分作用，使用該波段可以去除這些地塊對(duì)建筑物提取的影響。
2.2 基于樣本的面向?qū)ο蠼ㄖ镄畔⑻崛?/h3>
基于樣本的建筑物提取分為尺度分割、訓(xùn)練樣本的選取和分類(lèi)。其中尺度分割方法如基于規(guī)則的面向?qū)ο笠粯?，尺度分割和合并的閾值結(jié)果也為50和90。根據(jù)研究區(qū)概況，對(duì)尺度分割后影像數(shù)據(jù)，進(jìn)行訓(xùn)練樣本的選取，本文將地塊分為7類(lèi)：建筑物、植被、道路、耕地、陰影、運(yùn)動(dòng)場(chǎng)和水體，選擇樣本數(shù)量分別為100，50，25，25，25，10，2。為了提高建筑物提取的精度，本文選擇支持向量機(jī)對(duì)地物分類(lèi)，分類(lèi)概率閾值設(shè)置為80，實(shí)現(xiàn)面向?qū)ο蠼ㄖ锏奶崛 ?/p>
支持向量機(jī)(support vector machine，SVM)由V.Vapnik等[20]在1998年提出，是通過(guò)監(jiān)督學(xué)習(xí)對(duì)數(shù)據(jù)進(jìn)行分類(lèi)的一種分類(lèi)器。它采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則，在最小化樣本誤差的同時(shí)縮小模型泛化誤差的邊界，提高模型的泛化能力，能有效地解決模式識(shí)別和函數(shù)估計(jì)問(wèn)題[21]。它通過(guò)給定具有n個(gè)樣本的數(shù)據(jù)集{(x1，y1)，…，(xi，yi)}，i=1，…，n；其中xi∈Rn，yi∈{-1，1}n；xi是為輸入數(shù)據(jù)，yi為學(xué)習(xí)目標(biāo)；來(lái)求解最優(yōu)化問(wèn)題，計(jì)算公式為
Subjecttoyi(wTφ(xi)+b)≥1-ξ，ξ≥0，(6)
式中：w為權(quán)重；b為偏置；ξ為正的松弛變量；φ為xi到y(tǒng)i的映射；C為正則化系數(shù)。
基于樣本的面向?qū)ο蠓诸?lèi)結(jié)果如圖5所示。
3 結(jié)果與分析
3.1 建筑物信息提取結(jié)果
基于樣本的面向?qū)ο蠓?、基于?guī)則的面向?qū)ο蠓ā⒒谝爰t色邊緣波段規(guī)則的面向?qū)ο蠓ㄒ约盎谝爰t色邊緣波段規(guī)則與樣本結(jié)合方法提取的建筑物信息，如圖6所示。
通過(guò)圖6(b)可見(jiàn)，基于樣本的分類(lèi)提取結(jié)果與圖6(a)結(jié)果相比，建筑物輪廓不夠清晰，整體呈塊狀，且有較多碎小的圖斑，內(nèi)部結(jié)構(gòu)也沒(méi)有很好地勾勒出來(lái)。建筑物粘連現(xiàn)象嚴(yán)重，誤提取了較多非建筑物信息。但此方法簡(jiǎn)單，流程化程度高。基于樣本的面向?qū)ο蠓诸?lèi)與傳統(tǒng)的監(jiān)督分類(lèi)一樣，需要解譯者對(duì)遙感圖像上的地物類(lèi)別有一定的先驗(yàn)知識(shí)，然后進(jìn)行樣本的選擇。分類(lèi)精度在一定程度上取決于解譯者，具有一定程度的主觀性。
圖5 基于樣本的面向?qū)ο蠓诸?lèi)Fig.5 Sample-based object-oriented classification
圖6 建筑物提取結(jié)果Fig.6 Extraction results of building
基于規(guī)則的面向?qū)ο筇崛〗Y(jié)果(圖6(c))建筑物孔洞較多；對(duì)于建筑物密集區(qū)域，細(xì)節(jié)部分提取效果相對(duì)較差，呈連片的塊狀，且建筑物與部分暗色裸地和暗色道路混淆現(xiàn)象嚴(yán)重；獨(dú)棟建筑物周?chē)橛性S多細(xì)小的斑塊；提取結(jié)果整體較為零亂、呈不規(guī)則狀態(tài)。
基于引入紅色邊緣波段規(guī)則的面向?qū)ο筇崛〗Y(jié)果(圖6(d))總體相對(duì)前兩者較好，內(nèi)部輪廓清晰且抑制了大量的小圖斑(主要是道路上的車(chē)輛產(chǎn)生的)，但部分灰色建筑物和磚紅色的屋頂建筑物出現(xiàn)漏提現(xiàn)象，主要以磚紅色建筑物漏提偏多。因?yàn)樵谌コ愕貢r(shí)，將部分與裸地光譜信息類(lèi)似的建筑物剔除，導(dǎo)致提取結(jié)果不完整。
本文方法綜合了基于樣本的面向?qū)ο蠓ê突谝爰t色邊緣波段規(guī)則的面向?qū)ο蠓ǎ罱K建筑物提取結(jié)果如圖6(e)所示。對(duì)于部分灰色建筑物，基于引入紅色邊緣波段規(guī)則的面向?qū)ο筇崛》椒?圖6(d))容易與暗色調(diào)裸地和瀝青路混淆，在規(guī)則中被剔除(黑色框1，2，4)，而本文使用的融合方法效果較好。從融合方法的結(jié)果可見(jiàn)，黑色框5中提取效果有較大改善，原因是建筑物被樹(shù)木遮擋的情況嚴(yán)重，在進(jìn)行植被覆蓋區(qū)與非植被覆蓋區(qū)的劃分時(shí)，有部分建筑物被去除，因此在最后的提取結(jié)果中導(dǎo)致缺失現(xiàn)象。而黑色框3中建筑物材質(zhì)跟其他建筑物有較大不同，在影像中顏色與水泥道路相似，反射率較高，所以在基于規(guī)則的面向?qū)ο笾谐霈F(xiàn)漏提。通過(guò)與圖6(c)的對(duì)比可知，本文提出的方法在以上這些方面的提取結(jié)果比較理想，基本沒(méi)有漏提、錯(cuò)提建筑物的現(xiàn)象。相對(duì)于基于樣本的面向?qū)ο筇崛?，本文方法提取的建筑物直觀感受較好、輪廓清晰、形狀較為規(guī)則。
3.2 精度評(píng)價(jià)
由于本文使用的worldview 2影像分辨率較高，能清晰地看出地物的類(lèi)型，因此，可通過(guò)廣州市建筑物矢量化圖和目視解譯的方法獲得地表真實(shí)感興趣區(qū)。利用分類(lèi)結(jié)果圖和感興趣區(qū)生成混淆矩陣，選擇制圖精度、用戶精度、總體分類(lèi)精度及Kappa系數(shù)作為建筑物信息提取精度評(píng)價(jià)的4個(gè)指標(biāo)，如表1所示。研究區(qū)建筑物的總樣本數(shù)289，本文方法正確分類(lèi)數(shù)為267，總體分類(lèi)精度為91.43%，比基于樣本的面向?qū)ο蠓诸?lèi)提高了10.16%，Kappa系數(shù)高達(dá)0.87。總體而言，從總體分類(lèi)精度和Kappa系數(shù)看，分類(lèi)精度和Kappa系數(shù)大小排序?yàn)椋罕疚姆椒?基于引入紅色邊緣波段規(guī)則的面向?qū)ο筇崛》椒?基于規(guī)則的面向?qū)ο筇崛》椒?基于樣本的面向?qū)ο蠓诸?lèi)方法。本文方法在一定程度上提高了提取的完整性，同時(shí)也減小了錯(cuò)分率和漏分率，在建筑物的提取精度和完整性上，本文方法具有明顯的優(yōu)勢(shì)。
表1 精度評(píng)價(jià)Tab.1 Accuracy evaluation
根據(jù)本文方法提取的建筑物和研究區(qū)建筑物實(shí)際分布圖，借助ArcGIS軟件計(jì)算建筑物面積信息。通過(guò)兩者的面積信息，采用統(tǒng)計(jì)分析理論計(jì)算建筑物提取的面積偏差[22]，公式為
(8)
結(jié)合公式(7)和(8)，得到結(jié)果，如表2所示。
表2 建筑物提取面積偏差Tab.2 Area deviation of Building extraction
由表2可知，建筑物的實(shí)際面積比提取面積大902.31 m2，中誤差為0.64，說(shuō)明使用本文方法提取建筑物是可行的。其中，建筑物提取的面積偏差最小值為0.13，表明提取的面積較為準(zhǔn)確，效果較好。通過(guò)研究區(qū)建筑物實(shí)際分布圖6(a)與本文方法提取結(jié)果圖6(e)對(duì)比可見(jiàn)，部分建筑物與實(shí)際分布的結(jié)果存在輪廓線不吻合的現(xiàn)象。因?yàn)榻ㄖ锏奶崛〗Y(jié)果受遙感影像空間分辨率、先驗(yàn)知識(shí)以及實(shí)驗(yàn)方法等因素的影響。
4 結(jié)論與討論
本文研究了一種從worldview 2高分辨率多光譜全色融合影像上提取建筑物的方法，針對(duì)建筑物的光譜、紋理、形狀特征信息等，同時(shí)考慮城市建筑物的DSM建立約束規(guī)則，使用基于引入紅色邊緣波段規(guī)則的面向?qū)ο筇崛∨c基于樣本的面向?qū)ο蠓诸?lèi)進(jìn)行結(jié)合，開(kāi)展了城市建筑物的識(shí)別工作。通過(guò)4組對(duì)比實(shí)驗(yàn)發(fā)現(xiàn)，采用本文方法提取的建筑物形狀較為規(guī)則，輪廓清晰，細(xì)節(jié)突出，粘連現(xiàn)象也得到了很大改善，可以獲得較高的建筑物提取精度。
本文方法也存在一定的不足：一方面，在進(jìn)行尺度分割時(shí)，沒(méi)有較好的方法確定具體的分割值，因?yàn)椴捎玫挠跋窬哂休^高的分辨率，目標(biāo)地物清晰，所以本文通過(guò)先確定閾值范圍，然后在該范圍內(nèi)不斷進(jìn)行試驗(yàn)，并結(jié)合目視確定建筑物的最優(yōu)分割尺度值;另一方面，研究中使用了worldview 2特有的紅色邊緣波段建立限制條件，具有一定的針對(duì)性，而其他的遙感影像沒(méi)有這個(gè)波段，后續(xù)研究應(yīng)嘗試使用別的波段替代，進(jìn)行建筑物的提取研究。此外，本文還引入了立體像對(duì)數(shù)據(jù)提取城市建筑物的DSM，然而輔助數(shù)據(jù)不一定存在，且獲取途徑困難。
目前，遙感影像的城市建筑物提取是一項(xiàng)非常重要的工作。本文在提高建筑物信息提取精度方面進(jìn)行了一些嘗試性研究，可為以后學(xué)者的研究提供一些借鑒。今后，還需嘗試采用其他方法輔助和優(yōu)化建筑物的自動(dòng)提取。
猜你喜歡
春日暖陽(yáng)ELLE世界時(shí)裝之苑(2024年5期)2024-05-14 09:45:39 面向?qū)ο蟮挠?jì)算機(jī)網(wǎng)絡(luò)設(shè)計(jì)軟件系統(tǒng)的開(kāi)發(fā)電子測(cè)試(2018年15期)2018-09-26 06:01:34 面向?qū)ο蟮臄?shù)據(jù)交換協(xié)議研究與應(yīng)用電測(cè)與儀表(2017年24期)2017-12-19 05:15:24 一張圖看懂邊緣計(jì)算通信產(chǎn)業(yè)報(bào)(2016年44期)2017-03-13 08:41:45 M87的多波段輻射過(guò)程及其能譜擬合高師理科學(xué)刊(2016年8期)2016-06-15 20:27:45 面向?qū)ο骔eb開(kāi)發(fā)編程語(yǔ)言的的評(píng)估方法現(xiàn)代計(jì)算機(jī)(2016年12期)2016-02-28 18:35:25 日常維護(hù)對(duì)L 波段雷達(dá)的重要性西藏科技(2015年4期)2015-09-26 12:12:58 L波段雷達(dá)磁控管的使用與維護(hù)河南科技(2014年18期)2014-02-27 14:14:53 面向?qū)ο笮畔⑻崛≈杏跋穹指顓?shù)的選擇河南科技(2014年10期)2014-02-27 14:09:03 在邊緣尋找自我雕塑(1999年2期)1999-06-28 05:01:42
賀曉璐，劉振華，胡月明，5，6
(1.華南農(nóng)業(yè)大學(xué) 資源環(huán)境學(xué)院，廣東 廣州 510642；2.國(guó)土資源部建設(shè)用地再開(kāi)發(fā)重點(diǎn)實(shí)驗(yàn)室，廣東 廣州 510642；3.廣東省土地利用與整治重點(diǎn)實(shí)驗(yàn)室，廣東 廣州 510642；4.廣東省土地信息工程技術(shù)研究中心，廣東 廣州 510642；5.青海大學(xué) 農(nóng)牧學(xué)院，青海 西寧 810016；6.電子科技大學(xué) 資源與環(huán)境學(xué)院，四川 成都 610054)
0 引 言
隨著城鎮(zhèn)建設(shè)的發(fā)展，城市化水平不斷提高，城市建設(shè)用地面積呈高位增長(zhǎng)態(tài)勢(shì)。建設(shè)用地的擴(kuò)大，對(duì)社會(huì)和生態(tài)環(huán)境造成了一定的影響[1]。而建筑物作為建設(shè)用地中最重要的目標(biāo)地物，對(duì)其進(jìn)行信息提取和精確識(shí)別是城市遙感研究中的熱點(diǎn)問(wèn)題。建筑物的快速獲取一方面有助于城市管理者對(duì)城市進(jìn)行管理和規(guī)劃、生產(chǎn)布局以及城市三維建模等;另一方面對(duì)土地資源的保護(hù)和可持續(xù)利用也具有重要的意義[2]。
目前建筑物的提取方法主要有3種[3]：一是基于幾何邊界的提取方法，主要通過(guò)檢測(cè)建筑物的分段線獲得建筑物邊緣輪廓信息，進(jìn)而實(shí)現(xiàn)建筑物的信息提取。如WANG J等[4]通過(guò)增強(qiáng)建筑物邊緣對(duì)比度，采用EDLines分段檢測(cè)器提取建筑線分段，將檢測(cè)的線段按層次分組到候選矩形建筑中，使用線連接和閉合輪廓搜索的方法進(jìn)行矩形建筑物的自動(dòng)提取；吳煒等[5]利用建筑物的光譜特征和形狀特征相結(jié)合構(gòu)造建筑物模板，對(duì)建筑區(qū)域進(jìn)行識(shí)別，最后對(duì)檢測(cè)出的建筑物邊緣進(jìn)行細(xì)化，完成建筑物的自動(dòng)提?。粡埡频萚6]通過(guò)改進(jìn)支持向量機(jī)算法模型參數(shù)對(duì)建筑物分類(lèi)結(jié)果進(jìn)行邊緣特征的提取，分類(lèi)精度高達(dá)90%。該類(lèi)方法流程化程度高，但對(duì)于大范圍和建筑物形狀復(fù)雜的區(qū)域提取效果不佳，且先驗(yàn)?zāi)Ｐ筒痪哂休^強(qiáng)的移植性，缺少通用的算法。二是基于圖像分割的方法，圖像分割是將遙感影像分成多個(gè)具有不同特性的多邊形區(qū)域[7]。由于不同的地物最優(yōu)分割尺度不一，在建筑物提取前需對(duì)影像進(jìn)行多尺度分割[8-11]。如黨濤[12]對(duì)中衛(wèi)市影像圖進(jìn)行多尺度分割，利用小尺度獲取不透水面結(jié)果圖，然后在大尺度影像中進(jìn)一步提取建筑物信息。然而，此方法對(duì)不同地物所適應(yīng)的分割尺度沒(méi)有一個(gè)較好的標(biāo)準(zhǔn)，同時(shí)對(duì)分割結(jié)果缺少評(píng)價(jià)體系。三是基于輔助信息的方法，利用陰影和DEM(digital elevation model)、DSM、LIDAR(light detection and ranging)等高度數(shù)據(jù)的輔助,進(jìn)行建筑物的提取[13-14]。F.Lafarge等[15]通過(guò)標(biāo)記點(diǎn)過(guò)程的方法實(shí)現(xiàn)建筑物足跡的粗略逼近，用矩形對(duì)建筑物足跡進(jìn)行建模，然后改進(jìn)相鄰矩形之間的連接，將高度不連續(xù)的矩形進(jìn)行糾正，實(shí)現(xiàn)了建筑物的自動(dòng)提取;曾齊紅等[16]使用機(jī)載LiDAR點(diǎn)云數(shù)據(jù)，將提取的建筑物點(diǎn)云進(jìn)行聚類(lèi)、屋頂平面擬合、屋頂邊界確定，對(duì)建筑物進(jìn)行三維重建，實(shí)驗(yàn)結(jié)果表明規(guī)則的建筑物重建效果較好。但在實(shí)際中，輔助信息不一定存在，如南方地區(qū)陰影較短，不適合采用陰影法。此外，建筑物的高度數(shù)據(jù)獲取困難。
由上可知，由于城市建筑物環(huán)境復(fù)雜多樣，建筑物的提取存在較大的困難和干擾，目前建筑物的識(shí)別方法并沒(méi)有很好的普適性。因此，本文嘗試采用立體像對(duì)數(shù)據(jù)提取城市建筑物DSM，引入worldview 2特有的紅色邊緣波段(RedEdge)的紋理信息，進(jìn)行基于規(guī)則的面向?qū)ο蠼ㄖ锾崛?；同時(shí)根據(jù)訓(xùn)練樣本，對(duì)研究區(qū)進(jìn)行面向?qū)ο蟮慕ㄖ锾崛?；然后，將基于?guī)則提取的建筑物和基于樣本的面向?qū)ο筇崛〗Y(jié)果進(jìn)行結(jié)合，完成建筑物的提取。
1 研究區(qū)及數(shù)據(jù)預(yù)處理
1.1 研究區(qū)概況
本文以廣州市天河區(qū)華南農(nóng)業(yè)大學(xué)啟林校區(qū)和泰山校區(qū)為主要研究區(qū)(113°21′～113°23′E，23°9′～23°10′N(xiāo))，建筑物分布大部分較為規(guī)則且密集。北部是啟林校區(qū)，南部為泰山校區(qū)，中部貫穿廣州環(huán)城高速，東部與岑村舊機(jī)場(chǎng)相鄰。研究區(qū)內(nèi)包含多種類(lèi)型建筑物，如三舊改造區(qū)域、多層住宅區(qū)、教學(xué)樓等。建筑物顏色多樣，形狀復(fù)雜多樣，有規(guī)則的矩形、方形以及不規(guī)則圖形。研究區(qū)概況如圖1所示。
圖1 研究區(qū)概況Fig.1 Survey of study area
1.2 數(shù)據(jù)及預(yù)處理
采用廣州市天河區(qū)2013年1月28日的worldview 2單片數(shù)據(jù)和2013年12月28日的worldview 2立體像對(duì)數(shù)據(jù)，影像包括1.8 m的多光譜數(shù)據(jù)及0.5 m的全色波段數(shù)據(jù)。其中多光譜數(shù)據(jù)除了包含4個(gè)常見(jiàn)的波段外(Blue、Green、Red、NIR1)，還有4個(gè)額外的波段：海岸波段(CoastalBlue)、黃色波段(Yellow)、紅色邊緣波段(RedEdge)、近紅外2波段(NIR2)；立體像對(duì)數(shù)據(jù)包括前視和后視影像。本文的預(yù)處理包括輻射定標(biāo)、FLAASH大氣校正以及正射校正等。由于worldview2 影像全色波段分辨率較高，而多光譜數(shù)據(jù)分辨率相對(duì)較低，研究采用NNDifuse Pan Sharpening方法對(duì)worldview 2數(shù)據(jù)進(jìn)行融合，融合前后對(duì)比如圖2所示。由圖2(c)可知，融合后的影像較融合前的真彩色影像具有更高的空間分辨率和對(duì)比度。
圖2 worldview 2影像融合前后對(duì)比圖Fig.2 Comparison of worldview 2 images before and after fusion
采用ENVI5.3對(duì)立體像對(duì)進(jìn)行DSM提取。選擇拍攝角小的前視影像為左影像，后視影像為右影像。選取1 000個(gè)連接點(diǎn)，自動(dòng)預(yù)測(cè)，在部分無(wú)連接點(diǎn)的地區(qū)手動(dòng)添加，使其分布均勻，調(diào)整最大Y視差為0.35。因只是輔助建筑物的提取，本文不精確到建筑物的實(shí)際高度，所以沒(méi)選取地面控制點(diǎn)。
為了確認(rèn)本文提出方法的好壞，收集了地表建筑物實(shí)際分布數(shù)據(jù)，數(shù)據(jù)來(lái)源于廣州市城市更新研究院，如圖3所示。
2 基于引入紅色邊緣波段規(guī)則的面向?qū)ο蠛突跇颖镜拿嫦驅(qū)ο笙嘟Y(jié)合的方法
本文提出的基于引入紅色邊緣波段規(guī)則的面向?qū)ο筇崛∨c基于樣本的面向?qū)ο蠓诸?lèi)進(jìn)行結(jié)合的方法:一方面對(duì)worldview 2遙感影像數(shù)據(jù)進(jìn)行數(shù)據(jù)融合，基于融合后的影像做尺度分割，根據(jù)建筑物的光譜、紋理、形狀及高度特征構(gòu)建規(guī)則知識(shí)庫(kù)進(jìn)行建筑物信息的提??；另一方面將融合后的worldview 2影像進(jìn)行基于樣本的面向?qū)ο蠓诸?lèi)，對(duì)分類(lèi)結(jié)果進(jìn)行篩選，提取出建筑物信息；利用兩者單獨(dú)的提取結(jié)果，在ArcGIS里進(jìn)行建筑物的疊置分析。疊置分析產(chǎn)生的新數(shù)據(jù)層綜合了兩者所具有的屬性，從而實(shí)現(xiàn)了目標(biāo)地物的最終提取。
2.1 基于引入紅色邊緣波段規(guī)則的面向?qū)ο蠼ㄖ镄畔⑻崛?/h3>
地表建筑物相對(duì)復(fù)雜，需根據(jù)各個(gè)地物的光譜特征、形狀特征、紋理特征及高度特征信息構(gòu)建規(guī)則知識(shí)庫(kù)的約束條件進(jìn)行提取。基于規(guī)則的面向?qū)ο笮畔⑻崛≈饕譃?部分：一是影像分割;二是規(guī)則知識(shí)庫(kù)的建立。影像分割是特征識(shí)別過(guò)程中的重要步驟，分割的好壞直接影響建筑物提取的精度。本文選擇Full Lambda-Schedule算法對(duì)worldview 2融合后的影像進(jìn)行邊緣分割。
Full Lambda-Schedule算法是基于簡(jiǎn)化的Mumford-Shah模型提出的，基本思想是統(tǒng)籌考慮影像數(shù)據(jù)中的光譜信息、形狀信息和空間信息，對(duì)相鄰區(qū)域的像元集合區(qū)域迭代至一定的預(yù)設(shè)條件，以完成對(duì)圖像的分割[17]。假設(shè)u(x，y)是定義域Ω的圖像，K是圖像邊界，它將圖像分成若干個(gè)離散的區(qū)域，得到分割圖像u0(x，y)，找出最優(yōu)的邊界，即令方程最小化,
(1)
式中：K為分割的邊界集合；φ(K)為邊界總長(zhǎng)度；Ω為已有圖像；g為圖像Ω的灰度值；u為圖像各子區(qū)域的分段近似值常數(shù)；λ為分割參數(shù)。
Mumford-Shah模型不需要有待分割圖像區(qū)域的先驗(yàn)知識(shí)，可以完全基于圖像來(lái)完成分割[18]。將Ω看作一個(gè)由離散變量i(i=1，2，…，n)索引的像元集合，圖像g和它的模型分別由每個(gè)像元灰度值g(i)和u(i)表示，分割后得到的區(qū)域?yàn)閳D像Ω被邊界K分成的子集，K為邊界，φ(K)為邊界包含的像元總數(shù)。式(1)進(jìn)行離散化為
(2)
對(duì)于固定邊界K，當(dāng)u為每個(gè)區(qū)域的均值時(shí)，E(u，K)達(dá)到最小，可以假設(shè)
(3)
式中：O為整個(gè)圖像區(qū)域，要使式(3)最小，則需使用區(qū)域生長(zhǎng)的方法；Oi為圖像的第i個(gè)子區(qū)域；ui為該區(qū)域所有g(shù)的均值；θ(Oi，Oj)為子區(qū)域Oi和Oj的公共邊長(zhǎng)，區(qū)域合并式為[19]
E(K，θ(Oi，Oj))-E(K)=
其中，|Oi|為第i個(gè)子區(qū)域面積，若Oi、Oj滿足條件λ≥ti，j時(shí)，Oi、Oj需要被合并，ti，j表達(dá)式為
(5)
地物的識(shí)別需要將閾值調(diào)整至最合適的狀態(tài)。分割尺度過(guò)小會(huì)導(dǎo)致地物過(guò)于破碎，將同一地物分割成多個(gè)地塊。而分割尺度過(guò)大，容易將不同的地物劃分在同一類(lèi)型中，造成分割不完全。通過(guò)調(diào)整滑塊閾值對(duì)影像進(jìn)行分割和合并。經(jīng)過(guò)多次重復(fù)試驗(yàn)，當(dāng)分割閾值為50，合并閾值為90時(shí)，建筑物邊緣特征分割良好，能較準(zhǔn)確地獲取建筑物信息。圖4為圖2(c)紅色框影像分割圖。
圖4 局部影像尺度分割Fig.4 Scale segmentation of local image
在建筑物規(guī)則知識(shí)庫(kù)的建立過(guò)程中，約束條件和地物屬性信息可以是一對(duì)多或多對(duì)多的關(guān)系。建筑物提取必須先排除其他類(lèi)型的地物，通過(guò)建立合適的規(guī)則獲得較為精確的目標(biāo)地物。根據(jù)實(shí)際研究，在直接利用一層規(guī)則進(jìn)行建筑物提取時(shí)，部分建筑物會(huì)由于反射率過(guò)高而被剔除。因此，本文設(shè)置了兩層規(guī)則，在第一層規(guī)則提取建筑物信息的基礎(chǔ)上，利用第二層規(guī)則精細(xì)化提取信息?；谝?guī)則的面向?qū)ο蠼ㄖ锾崛〉木唧w規(guī)則如下。
第一層規(guī)則：(1)Spectral mean(Normalized Difference)<0.35，Normalized Difference計(jì)算的是NDVI值，當(dāng)該值小于0.35時(shí)，為非植被區(qū)，大于0.35時(shí)，為植被覆蓋區(qū)。
(2)Rectangular fit>0.35。
(3)Elongation<7.2，約束條件(2)和(3)是排除道路的干擾。建筑物和道路的最大區(qū)別是形狀不同，建筑物大部分是近乎規(guī)則的形狀，而道路為狹長(zhǎng)的帶狀。利用Rectangular fit屬性和Elongation屬性排除道路信息。
(4)1 400 (5)35 (6)10 第二層規(guī)則：2 600 本文提出的基于引入紅色邊緣波段規(guī)則的面向?qū)ο蠼ㄖ锾崛∈窃诨谝?guī)則的面向?qū)ο筇崛》椒ǖ幕A(chǔ)上，在第一層規(guī)則里加入紅色邊緣波段的約束條件。因?yàn)槔脀orldview 2的RedEdge波段的紋理信息對(duì)種有少量作物的地塊和建筑物有較好的區(qū)分作用，使用該波段可以去除這些地塊對(duì)建筑物提取的影響。 基于樣本的建筑物提取分為尺度分割、訓(xùn)練樣本的選取和分類(lèi)。其中尺度分割方法如基于規(guī)則的面向?qū)ο笠粯?，尺度分割和合并的閾值結(jié)果也為50和90。根據(jù)研究區(qū)概況，對(duì)尺度分割后影像數(shù)據(jù)，進(jìn)行訓(xùn)練樣本的選取，本文將地塊分為7類(lèi)：建筑物、植被、道路、耕地、陰影、運(yùn)動(dòng)場(chǎng)和水體，選擇樣本數(shù)量分別為100，50，25，25，25，10，2。為了提高建筑物提取的精度，本文選擇支持向量機(jī)對(duì)地物分類(lèi)，分類(lèi)概率閾值設(shè)置為80，實(shí)現(xiàn)面向?qū)ο蠼ㄖ锏奶崛 ?/p> 支持向量機(jī)(support vector machine，SVM)由V.Vapnik等[20]在1998年提出，是通過(guò)監(jiān)督學(xué)習(xí)對(duì)數(shù)據(jù)進(jìn)行分類(lèi)的一種分類(lèi)器。它采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則，在最小化樣本誤差的同時(shí)縮小模型泛化誤差的邊界，提高模型的泛化能力，能有效地解決模式識(shí)別和函數(shù)估計(jì)問(wèn)題[21]。它通過(guò)給定具有n個(gè)樣本的數(shù)據(jù)集{(x1，y1)，…，(xi，yi)}，i=1，…，n；其中xi∈Rn，yi∈{-1，1}n；xi是為輸入數(shù)據(jù)，yi為學(xué)習(xí)目標(biāo)；來(lái)求解最優(yōu)化問(wèn)題，計(jì)算公式為 Subjecttoyi(wTφ(xi)+b)≥1-ξ，ξ≥0，(6) 式中：w為權(quán)重；b為偏置；ξ為正的松弛變量；φ為xi到y(tǒng)i的映射；C為正則化系數(shù)。 基于樣本的面向?qū)ο蠓诸?lèi)結(jié)果如圖5所示。 基于樣本的面向?qū)ο蠓?、基于?guī)則的面向?qū)ο蠓ā⒒谝爰t色邊緣波段規(guī)則的面向?qū)ο蠓ㄒ约盎谝爰t色邊緣波段規(guī)則與樣本結(jié)合方法提取的建筑物信息，如圖6所示。 通過(guò)圖6(b)可見(jiàn)，基于樣本的分類(lèi)提取結(jié)果與圖6(a)結(jié)果相比，建筑物輪廓不夠清晰，整體呈塊狀，且有較多碎小的圖斑，內(nèi)部結(jié)構(gòu)也沒(méi)有很好地勾勒出來(lái)。建筑物粘連現(xiàn)象嚴(yán)重，誤提取了較多非建筑物信息。但此方法簡(jiǎn)單，流程化程度高。基于樣本的面向?qū)ο蠓诸?lèi)與傳統(tǒng)的監(jiān)督分類(lèi)一樣，需要解譯者對(duì)遙感圖像上的地物類(lèi)別有一定的先驗(yàn)知識(shí)，然后進(jìn)行樣本的選擇。分類(lèi)精度在一定程度上取決于解譯者，具有一定程度的主觀性。 圖5 基于樣本的面向?qū)ο蠓诸?lèi)Fig.5 Sample-based object-oriented classification 圖6 建筑物提取結(jié)果Fig.6 Extraction results of building 基于規(guī)則的面向?qū)ο筇崛〗Y(jié)果(圖6(c))建筑物孔洞較多；對(duì)于建筑物密集區(qū)域，細(xì)節(jié)部分提取效果相對(duì)較差，呈連片的塊狀，且建筑物與部分暗色裸地和暗色道路混淆現(xiàn)象嚴(yán)重；獨(dú)棟建筑物周?chē)橛性S多細(xì)小的斑塊；提取結(jié)果整體較為零亂、呈不規(guī)則狀態(tài)。 基于引入紅色邊緣波段規(guī)則的面向?qū)ο筇崛〗Y(jié)果(圖6(d))總體相對(duì)前兩者較好，內(nèi)部輪廓清晰且抑制了大量的小圖斑(主要是道路上的車(chē)輛產(chǎn)生的)，但部分灰色建筑物和磚紅色的屋頂建筑物出現(xiàn)漏提現(xiàn)象，主要以磚紅色建筑物漏提偏多。因?yàn)樵谌コ愕貢r(shí)，將部分與裸地光譜信息類(lèi)似的建筑物剔除，導(dǎo)致提取結(jié)果不完整。 本文方法綜合了基于樣本的面向?qū)ο蠓ê突谝爰t色邊緣波段規(guī)則的面向?qū)ο蠓ǎ罱K建筑物提取結(jié)果如圖6(e)所示。對(duì)于部分灰色建筑物，基于引入紅色邊緣波段規(guī)則的面向?qū)ο筇崛》椒?圖6(d))容易與暗色調(diào)裸地和瀝青路混淆，在規(guī)則中被剔除(黑色框1，2，4)，而本文使用的融合方法效果較好。從融合方法的結(jié)果可見(jiàn)，黑色框5中提取效果有較大改善，原因是建筑物被樹(shù)木遮擋的情況嚴(yán)重，在進(jìn)行植被覆蓋區(qū)與非植被覆蓋區(qū)的劃分時(shí)，有部分建筑物被去除，因此在最后的提取結(jié)果中導(dǎo)致缺失現(xiàn)象。而黑色框3中建筑物材質(zhì)跟其他建筑物有較大不同，在影像中顏色與水泥道路相似，反射率較高，所以在基于規(guī)則的面向?qū)ο笾谐霈F(xiàn)漏提。通過(guò)與圖6(c)的對(duì)比可知，本文提出的方法在以上這些方面的提取結(jié)果比較理想，基本沒(méi)有漏提、錯(cuò)提建筑物的現(xiàn)象。相對(duì)于基于樣本的面向?qū)ο筇崛?，本文方法提取的建筑物直觀感受較好、輪廓清晰、形狀較為規(guī)則。 由于本文使用的worldview 2影像分辨率較高，能清晰地看出地物的類(lèi)型，因此，可通過(guò)廣州市建筑物矢量化圖和目視解譯的方法獲得地表真實(shí)感興趣區(qū)。利用分類(lèi)結(jié)果圖和感興趣區(qū)生成混淆矩陣，選擇制圖精度、用戶精度、總體分類(lèi)精度及Kappa系數(shù)作為建筑物信息提取精度評(píng)價(jià)的4個(gè)指標(biāo)，如表1所示。研究區(qū)建筑物的總樣本數(shù)289，本文方法正確分類(lèi)數(shù)為267，總體分類(lèi)精度為91.43%，比基于樣本的面向?qū)ο蠓诸?lèi)提高了10.16%，Kappa系數(shù)高達(dá)0.87。總體而言，從總體分類(lèi)精度和Kappa系數(shù)看，分類(lèi)精度和Kappa系數(shù)大小排序?yàn)椋罕疚姆椒?基于引入紅色邊緣波段規(guī)則的面向?qū)ο筇崛》椒?基于規(guī)則的面向?qū)ο筇崛》椒?基于樣本的面向?qū)ο蠓诸?lèi)方法。本文方法在一定程度上提高了提取的完整性，同時(shí)也減小了錯(cuò)分率和漏分率，在建筑物的提取精度和完整性上，本文方法具有明顯的優(yōu)勢(shì)。 表1 精度評(píng)價(jià)Tab.1 Accuracy evaluation 根據(jù)本文方法提取的建筑物和研究區(qū)建筑物實(shí)際分布圖，借助ArcGIS軟件計(jì)算建筑物面積信息。通過(guò)兩者的面積信息，采用統(tǒng)計(jì)分析理論計(jì)算建筑物提取的面積偏差[22]，公式為 (8) 結(jié)合公式(7)和(8)，得到結(jié)果，如表2所示。 表2 建筑物提取面積偏差Tab.2 Area deviation of Building extraction 由表2可知，建筑物的實(shí)際面積比提取面積大902.31 m2，中誤差為0.64，說(shuō)明使用本文方法提取建筑物是可行的。其中，建筑物提取的面積偏差最小值為0.13，表明提取的面積較為準(zhǔn)確，效果較好。通過(guò)研究區(qū)建筑物實(shí)際分布圖6(a)與本文方法提取結(jié)果圖6(e)對(duì)比可見(jiàn)，部分建筑物與實(shí)際分布的結(jié)果存在輪廓線不吻合的現(xiàn)象。因?yàn)榻ㄖ锏奶崛〗Y(jié)果受遙感影像空間分辨率、先驗(yàn)知識(shí)以及實(shí)驗(yàn)方法等因素的影響。 本文研究了一種從worldview 2高分辨率多光譜全色融合影像上提取建筑物的方法，針對(duì)建筑物的光譜、紋理、形狀特征信息等，同時(shí)考慮城市建筑物的DSM建立約束規(guī)則，使用基于引入紅色邊緣波段規(guī)則的面向?qū)ο筇崛∨c基于樣本的面向?qū)ο蠓诸?lèi)進(jìn)行結(jié)合，開(kāi)展了城市建筑物的識(shí)別工作。通過(guò)4組對(duì)比實(shí)驗(yàn)發(fā)現(xiàn)，采用本文方法提取的建筑物形狀較為規(guī)則，輪廓清晰，細(xì)節(jié)突出，粘連現(xiàn)象也得到了很大改善，可以獲得較高的建筑物提取精度。 本文方法也存在一定的不足：一方面，在進(jìn)行尺度分割時(shí)，沒(méi)有較好的方法確定具體的分割值，因?yàn)椴捎玫挠跋窬哂休^高的分辨率，目標(biāo)地物清晰，所以本文通過(guò)先確定閾值范圍，然后在該范圍內(nèi)不斷進(jìn)行試驗(yàn)，并結(jié)合目視確定建筑物的最優(yōu)分割尺度值;另一方面，研究中使用了worldview 2特有的紅色邊緣波段建立限制條件，具有一定的針對(duì)性，而其他的遙感影像沒(méi)有這個(gè)波段，后續(xù)研究應(yīng)嘗試使用別的波段替代，進(jìn)行建筑物的提取研究。此外，本文還引入了立體像對(duì)數(shù)據(jù)提取城市建筑物的DSM，然而輔助數(shù)據(jù)不一定存在，且獲取途徑困難。 目前，遙感影像的城市建筑物提取是一項(xiàng)非常重要的工作。本文在提高建筑物信息提取精度方面進(jìn)行了一些嘗試性研究，可為以后學(xué)者的研究提供一些借鑒。今后，還需嘗試采用其他方法輔助和優(yōu)化建筑物的自動(dòng)提取。2.2 基于樣本的面向?qū)ο蠼ㄖ镄畔⑻崛?/h3>
3 結(jié)果與分析
3.1 建筑物信息提取結(jié)果
3.2 精度評(píng)價(jià)
4 結(jié)論與討論
猜你喜歡
ELLE世界時(shí)裝之苑(2024年5期)2024-05-14 09:45:39電子測(cè)試(2018年15期)2018-09-26 06:01:34電測(cè)與儀表(2017年24期)2017-12-19 05:15:24通信產(chǎn)業(yè)報(bào)(2016年44期)2017-03-13 08:41:45高師理科學(xué)刊(2016年8期)2016-06-15 20:27:45現(xiàn)代計(jì)算機(jī)(2016年12期)2016-02-28 18:35:25西藏科技(2015年4期)2015-09-26 12:12:58河南科技(2014年18期)2014-02-27 14:14:53河南科技(2014年10期)2014-02-27 14:09:03雕塑(1999年2期)1999-06-28 05:01:42
