基于形態(tài)學(xué)序列和多源先驗(yàn)信息的城市建筑物高分遙感提取

李治， 隋正偉， 傅俏燕， 鄭琎琎， 卜桐

中國資源衛(wèi)星應(yīng)用中心, 北京 100094

1 引 言

城市建筑物信息作為城市核心指標(biāo)要素，在城市基礎(chǔ)信息建設(shè)和生態(tài)環(huán)境監(jiān)測等方面發(fā)揮著重要的作用（杜培軍，2020；李德仁，2018；王俊 等，2016）。隨著城市信息化進(jìn)程的加快，傳統(tǒng)監(jiān)測方法難以滿足及時(shí)有效獲取信息的需求。高分辨率遙感影像（高分影像）能夠?yàn)槌鞘刑峁┐蠓秶?、精?xì)化和高頻次的監(jiān)測信息，已然成為了城市建筑物監(jiān)測的主要數(shù)據(jù)源（杜培軍 等，2018）。因此，基于高分遙感數(shù)據(jù)的城市建筑物自動(dòng)提取研究成為了學(xué)者們廣泛關(guān)注的重點(diǎn)和熱點(diǎn)問題。

目前基于高分遙感的城市建筑物提取方法分為4 種類型，具體包括：（1）建筑物模型法；（2）輔助高程數(shù)據(jù)；（3）影像特征提取和（4）面向?qū)ο蠓?。在這些方法中，基于影像特征提取和面向?qū)ο蠓椒ň哂辛己玫目臻g拓展性和多源信息魯棒性，從而被廣泛研究與應(yīng)用（張亞一 等，2020）。相比于面向?qū)ο蠓椒y以挖掘高維空間特征的缺點(diǎn)，影像特征提取更適用于復(fù)雜城市場景下的建筑物信息表達(dá)，尤其是具備高維空間拓展能力的形態(tài)學(xué)特征（Wang 和Wang，2021）。當(dāng)前被廣泛應(yīng)用于城市建筑物提取的形態(tài)學(xué)特征主要分為形態(tài)學(xué)結(jié)構(gòu)序列特征和形態(tài)學(xué)屬性序列特征兩類模式（Li 等，2020）。前者根據(jù)建筑物的大小、方向、形狀等屬性，設(shè)計(jì)多尺度和多角度的結(jié)構(gòu)體元素進(jìn)行高維度特征表達(dá)，從而提升典型城市建筑物特征的顯著性。目前國內(nèi)外學(xué)者基于形態(tài)學(xué)結(jié)構(gòu)序列開展一系列研究，如：擴(kuò)展形態(tài)序列（EMPs）、差異形態(tài)序列（DMPs）、形態(tài)學(xué)建筑物指數(shù)（MBI）、面向?qū)ο蟮男螒B(tài)學(xué)建筑物指數(shù)（OBMBI）和建筑區(qū)—建筑物聯(lián)合指數(shù)（LFP-SIMBI）等（You等，2018；林祥國和張繼賢，2017；Marpu 等，2012；Huang 和Zhang，2012；Fauvel等，2008）。后者則顧及建筑物的面積、慣性矩和灰度標(biāo)準(zhǔn)差等建筑物區(qū)域特性，構(gòu)建多尺度規(guī)則從區(qū)域?qū)傩蕴嵘鞘薪ㄖ锾卣鞅磉_(dá)能力。當(dāng)前學(xué)者們發(fā)展了一系列以形態(tài)學(xué)屬性序列特征為基礎(chǔ)的改進(jìn)方法，如：差分屬性序列（DAPs）、自動(dòng)的差分屬性序列（ADAPs）、AMAP-OBC 和MABI（Wang等，2019；Ma等，2019；Cavallaro等，2017；Gei?等，2016；Dalla 等，2010）等。分析上述研究可得，形態(tài)學(xué)結(jié)構(gòu)序列特征具有良好的兼容性和可拓展性，隨著研究的不斷深入可以對復(fù)雜多樣的建筑物類型進(jìn)行有效的特征表達(dá)，然而不足之處在于特征的“過表達(dá)”問題，從而易于導(dǎo)致建筑物提取結(jié)果的漏分問題。另一方面，形態(tài)學(xué)屬性序列采用區(qū)域規(guī)則對建筑物進(jìn)行高維度特征表達(dá)，提升了建筑物識(shí)別的準(zhǔn)確性，較好的克服了建筑物的漏分問題，但其存在特征的“欠表達(dá)”問題，造成建筑物信息明顯的錯(cuò)分問題。綜上所述，雖然兩種模式形態(tài)學(xué)序列特征對城市建筑物表達(dá)與提取已經(jīng)取得良好的研究成果，但單一模式形態(tài)學(xué)序列特征均存在局限性（蘇志鵠 等，2015；Lv 等，2014）。因此，如何充分發(fā)揮兩種模式形態(tài)學(xué)序列特征的優(yōu)勢且彌補(bǔ)彼此模式的不足，是進(jìn)一步提升城市建筑物特征表達(dá)能力的關(guān)鍵。

在建筑物信息自動(dòng)提取方面，隨著與建筑物相關(guān)的地理信息產(chǎn)品日漸豐富及其精度、分辨率、時(shí)效性和區(qū)域性等指標(biāo)的不斷提升，將其作為先驗(yàn)信息應(yīng)用于建筑物自動(dòng)提取成為了研究的趨勢（魏東升和周曉光，2019）。目前輔助先驗(yàn)信息的自動(dòng)提取研究主要集中于對地物類型進(jìn)行干預(yù)與修正或作為樣本直接參與分類（Cué 等，2019），顯然這種方法忽略了先驗(yàn)信息與目標(biāo)要素之間存在的尺度差異性，從而影響了建筑物提取精度和穩(wěn)定性。此外，目前多數(shù)研究多集中于從先驗(yàn)信息與目標(biāo)要素之間的正相關(guān)性出發(fā)，較少顧及負(fù)相關(guān)先驗(yàn)信息對建筑物噪聲的抑制作用。因此，根據(jù)城市建筑物特點(diǎn)，如何進(jìn)一步挖掘負(fù)先驗(yàn)信息并在尺度差異條件下自動(dòng)的提取建筑物信息成為建筑物自動(dòng)提取研究中亟待攻克的問題。

本研究基于高分遙感影像提取多模式形態(tài)學(xué)序列特征，并通過引入與城市建筑物相關(guān)的多源先驗(yàn)信息構(gòu)建自適應(yīng)分割模型將兩種模式形態(tài)學(xué)序列特征融合，旨在充分發(fā)揮各自特征的優(yōu)勢，提升城市建筑物特征的綜合表達(dá)能力，克服單一模式特征表達(dá)能力不足的問題。此外，本研究根據(jù)城市建筑物特性對多源先驗(yàn)信息進(jìn)行細(xì)分與應(yīng)用，發(fā)展了先驗(yàn)信息尺度差異條件下的閾值自動(dòng)分割方法，實(shí)現(xiàn)了城市建筑物信息的自動(dòng)提取。

2 城市建筑物提取方法

本文提出的城市建筑物提取方法流程主要分為4 步（圖1）：（1）多模式形態(tài)學(xué)序列特征提取?；诟叻诌b感影像分別提取差分形態(tài)學(xué)結(jié)構(gòu)序列特征和差分形態(tài)學(xué)屬性序列特征；（2）形態(tài)學(xué)序列特征優(yōu)選。應(yīng)用高維特征優(yōu)選模型分別對兩種模式形態(tài)學(xué)序列進(jìn)行特征優(yōu)選，獲取相應(yīng)的形態(tài)學(xué)優(yōu)選特征；（3）建筑物信息自適應(yīng)分割?；谪?fù)相關(guān)先驗(yàn)信息建立掩膜模型，并結(jié)合正相關(guān)先驗(yàn)信息構(gòu)建自適應(yīng)分割模型對獲取的形態(tài)學(xué)優(yōu)選特征進(jìn)行分割，獲取城市建筑物初始信息；（4）基于投票法的決策級融合。采用投票法對獲取的初始城市建筑物信息進(jìn)行決策級信息融合，得到最終的城市建筑物提取結(jié)果。

圖1 建筑物提取流程圖Fig. 1 Flow chart of building extraction

2.1 多模式形態(tài)學(xué)序列特征提取

本研究基于高分遙感影像提取多模式形態(tài)學(xué)序列特征，分別獲取形態(tài)學(xué)結(jié)構(gòu)序列特征和形態(tài)學(xué)屬性序列特征，為后續(xù)城市建筑物信息自動(dòng)提取提供多模式高維序列特征。

2.1.1 形態(tài)學(xué)結(jié)構(gòu)序列特征提取

針對高分遙感影像的建筑物個(gè)體特性，采用“自下而上”策略從城市建筑物的大小、方向和形狀等屬性進(jìn)行形態(tài)學(xué)結(jié)構(gòu)序列特征表達(dá)。具體步驟如下所示：

（1）多尺度多方向的形態(tài)學(xué)結(jié)構(gòu)序列構(gòu)建。采用形態(tài)學(xué)開重建和閉重建提取不同尺度和方向的建筑物形態(tài)學(xué)序列特征。其公式如下：

式中，ΠγR(f)和ΠφR(f)分別為形態(tài)學(xué)開重建序列和形態(tài)學(xué)閉重建序列；Πγλi和Πφλi表示在序列的位數(shù)i時(shí)以結(jié)構(gòu)體元素λ對原始影像分別進(jìn)行形態(tài)學(xué)開重建和形態(tài)學(xué)閉重建的特征影像結(jié)果；(f)和表示在序列的位數(shù)i時(shí)以結(jié)構(gòu)體元素λ對原始影像分別進(jìn)行形態(tài)學(xué)開重建和形態(tài)學(xué)閉重建；γR(f)和φR(f)分別表示對原始影像進(jìn)行形態(tài)學(xué)開重建和形態(tài)學(xué)閉重建；f表示高分遙感影像；x為高分遙感影像的像素值；λ表示形態(tài)學(xué)結(jié)構(gòu)體元素；i表示序列的位數(shù)。

（2）差分形態(tài)學(xué)結(jié)構(gòu)序列提取。在多尺度多方向的形態(tài)學(xué)結(jié)構(gòu)序列特征基礎(chǔ)上，為了進(jìn)一步提升多尺度建筑物輪廓的顯著性水平，本研究采用差分方法構(gòu)建等差序列的結(jié)構(gòu)序列特征，從而實(shí)現(xiàn)對結(jié)構(gòu)序列之間細(xì)節(jié)特征的增強(qiáng)。其公式如下：

式中，ΔγR(f)和ΔφR(f)分別為高分遙感影像的差分形態(tài)學(xué)結(jié)構(gòu)體開重建序列特征和差分形態(tài)學(xué)結(jié)構(gòu)體閉重建序列特征；Δγλi和Δφλi分別表示在序列的位數(shù)i時(shí)以結(jié)構(gòu)體元素λ對原始影像分別進(jìn)行形態(tài)學(xué)開重建和形態(tài)學(xué)閉重建的差分特征影像結(jié)果。

（3）差分形態(tài)學(xué)結(jié)構(gòu)序列特征建立。將差分形態(tài)學(xué)結(jié)構(gòu)體開、閉重建序列特征聯(lián)合，獲取最終的差分形態(tài)學(xué)結(jié)構(gòu)序列特征。其公式為

式中，DMPs(x)為差分形態(tài)學(xué)結(jié)構(gòu)序列特征。

2.1.2 形態(tài)學(xué)屬性序列特征提取

根據(jù)城市建筑物區(qū)域?qū)傩院突叶茸兓忍卣鬟M(jìn)行一系列屬性特征的細(xì)化和粗化濾波，其基本思想為從區(qū)域角度“自上而下”的構(gòu)建一些列建筑物屬性序列對影像進(jìn)行形態(tài)學(xué)濾波計(jì)算，其中建筑物屬性主要包括不同尺度的區(qū)域形狀屬性（如：面積、區(qū)域?qū)蔷€、外接矩等）和灰度變化相關(guān)屬性（均值和標(biāo)準(zhǔn)差等），從而得到建筑物的空間幾何結(jié)構(gòu)。具體步驟如下所示：

（1）形態(tài)學(xué)屬性剖面構(gòu)建。應(yīng)用面積屬性、外接矩和標(biāo)準(zhǔn)差準(zhǔn)則構(gòu)建屬性細(xì)化/粗化剖面。其中，基于門限分析原理將二值圖尺度上推到灰度影像，并采用最大樹的數(shù)據(jù)結(jié)構(gòu)進(jìn)行濾波計(jì)算?；叶葘傩约?xì)化剖面的公式為

式中，γA(f)和φA(f)分別表示以屬性A對原始圖像f進(jìn)行形態(tài)學(xué)開重建和形態(tài)學(xué)閉重建；Thk(f)代表獲取以灰度級k為閾值的影像f的二值圖像；k為影像f的灰度級；Γm和Φn表示m和n在取Thk(f)二值圖像分別取像素值1 時(shí)和像素值0 時(shí)的特征圖；和分別表示在尺度μ時(shí)以屬性A進(jìn)行屬性開運(yùn)算和屬性閉運(yùn)算；T為屬性A所取到的閾值；A表示屬性類型；μ代表形態(tài)學(xué)屬性的尺度；f表示高分遙感影像；x為高分遙感影像的像素值。

（2）差分屬性剖面。為了對建筑物的多形態(tài)進(jìn)行綜合表達(dá)，利用屬性準(zhǔn)則剖面具備的方向和多尺度特性構(gòu)建形態(tài)學(xué)屬性細(xì)化和屬性粗化序列。同時(shí)，為了增強(qiáng)建筑物的輪廓信息，采用等差序列對建筑物邊緣信息進(jìn)一步增強(qiáng)。計(jì)算公式為

（3）差分形態(tài)學(xué)屬性序列特征建立。將差分形態(tài)學(xué)屬性開、閉重建序列特征聯(lián)合，獲取最終的差分形態(tài)學(xué)屬性序列特征。具體方法為

式中，DAPs(x)為差分形態(tài)學(xué)屬性序列特征。

圖2 顯示中原始影像為2 m 空間分辨率的高分一號(hào)影像，其中圖2（a）和圖2（b）分別為本文DMPs 和DAPs 形態(tài)學(xué)序列提取結(jié)果。從圖2（a）可得，DMPs 算法增強(qiáng)了個(gè)體建筑物的特性信息，然而對規(guī)則建筑物存在部分漏分現(xiàn)象。從圖2（b）可得，DAPs 算法雖然增強(qiáng)了規(guī)則建筑物信息，但同時(shí)引入部分易混類型信息。因此，根據(jù)圖2中可得，兩種模式形態(tài)學(xué)序列特征優(yōu)勢互補(bǔ)，達(dá)到增強(qiáng)建筑物顯著性的目的，能夠有效的支撐后續(xù)多模式特征融合的建筑物信息提取。

圖2 本文多模式形態(tài)學(xué)序列特征提取結(jié)果示意圖Fig. 2 Multi-modal morphological sequence features

2.2 多模式形態(tài)學(xué)序列特征優(yōu)選

特征顯著水平模型CSL（Characteristic-Saliency-Level Model）能夠較好的為形態(tài)學(xué)序列特征提供高維特征優(yōu)選和壓縮方法（Pesaresi 等，2012）。CSL模型通過采用無統(tǒng)計(jì)模型的方法減少分解的維數(shù)，避免了基于給定圖像特征序列的統(tǒng)計(jì)分布進(jìn)行聚類。其優(yōu)勢在于模型的計(jì)算不依賴于特征的維度且不需要手動(dòng)調(diào)整參數(shù)。因此，該模型適用于形態(tài)學(xué)序列特征優(yōu)選。具體計(jì)算步驟為

（1）分別計(jì)算DMPs(x)和DAPs(x)的特征最大值，獲取相應(yīng)形態(tài)學(xué)序列開閉重建的最值：

（2）通過對開閉重建最值的判斷，獲取形態(tài)學(xué)序列顯著度（信息量）最高的特征作為形態(tài)學(xué)序列最優(yōu)特征的選擇結(jié)果。計(jì)算公式如下所示，

從圖3 中DMPs 和DAPs 的特征優(yōu)選結(jié)果可得，本研究所采用的特征優(yōu)選算法能夠較好的保持原有形態(tài)學(xué)序列特征的主要信息，同時(shí)很大程度的降低了特征冗余問題，從而在一定程度上抑制了建筑物噪聲，結(jié)果表明CSL模型特征優(yōu)選算法的有效性。

圖3 本研究特征優(yōu)選及自適應(yīng)分割處理結(jié)果示意圖Fig. 3 Feature optimization and adaptive segmentation results

2.3 基于先驗(yàn)信息的城市建筑物自適應(yīng)分割

本研究根據(jù)建筑物屬性特點(diǎn)將多源先驗(yàn)信息細(xì)分為建筑物正、負(fù)相關(guān)先驗(yàn)信息。根據(jù)負(fù)相關(guān)先驗(yàn)信息構(gòu)建掩膜模型，并聯(lián)合正相關(guān)先驗(yàn)信息對優(yōu)選的形態(tài)學(xué)特征進(jìn)行自適應(yīng)分割，最后通過信息融合獲取最終的城市建筑物提取結(jié)果。具體步驟如下：

（1）基于負(fù)相關(guān)先驗(yàn)信息的掩膜函數(shù)構(gòu)建。由于城市建筑物的復(fù)雜性，易與城市道路、裸地、植被和水體等要素混淆，因此通過引入負(fù)相關(guān)先驗(yàn)信息構(gòu)建專家知識(shí)庫嘗試抑制混淆噪聲等問題。具體掩膜函數(shù)如下所示：

式中，GlobeLand30(water，bare)，OSM 和Hansen 分 別表示GlobeLand30 地表覆蓋產(chǎn)品中的“水體類型”、“裸地類型”，Openstreetmap 產(chǎn)品的“道路類型”以及Hansen產(chǎn)品的“植被類型”；I表示優(yōu)選特征。

（2）基于正相關(guān)先驗(yàn)信息的城市建筑物閾值自適應(yīng)分割。本研究引入全球城市足跡數(shù)據(jù)GUF（Global Urban Footprint）和全球人類居住區(qū)數(shù)據(jù)GHSL（Global Human Settlement Layer）的專題信息產(chǎn)品作為城市建筑物正相關(guān)先驗(yàn)信息。為了克服先驗(yàn)信息因尺度差異引入的誤差，本文根據(jù)正相關(guān)先驗(yàn)信息與目標(biāo)要素存在空間趨勢一致性的特點(diǎn)，采用面積匹配方法進(jìn)行閾值分割。即通過探索特征圖像的一系列閾值，當(dāng)特征閾值分割結(jié)果與正相關(guān)先驗(yàn)信息之間的面積差異度最小時(shí)，表明所選閾值獲得建筑物結(jié)果的相關(guān)性最高，從而作為最優(yōu)的分割閾值。此外，為了能夠抑制易混噪聲的影響，本研究將已構(gòu)建的掩膜函數(shù)與其相交，從而進(jìn)一步提升閾值自動(dòng)分割結(jié)果的準(zhǔn)確性。具體計(jì)算方法如下式所示：

式中，X是自適應(yīng)分割結(jié)果；I為優(yōu)選特征；t為優(yōu)選特征I的像素值區(qū)間；Area為當(dāng)閾值為t時(shí)特征圖像分割結(jié)果的區(qū)域面積；BU為正參考樣例中的建筑物類型；q為選擇的正參考樣例產(chǎn)品。

（3）基于投票的決策級信息融合。本研究采用基于投票的決策級融合方法將建筑物自適應(yīng)分割結(jié)果進(jìn)行信息融合，進(jìn)一步消除噪聲的影響，獲得最終的城市建筑物信息結(jié)果。具體公式為

式中，OBU表示最終的城市建筑物提取結(jié)果；OtGUF和OtGHSL分別表示以GUF和GHSL作為正相關(guān)先驗(yàn)信息進(jìn)行閾值分割獲得的城市建筑物提取結(jié)果；k代表閾值；n表示特征數(shù)量。

從圖3 可得，本文基于GUF 和GHSL 產(chǎn)品分別對優(yōu)選特征DMPs 和優(yōu)選特征DAPs 進(jìn)行自適應(yīng)分割獲取的建筑物信息較為完整，并通過信息融合能夠進(jìn)一步抑制噪聲對提取結(jié)果的影響。結(jié)果表明本文算法能夠在先驗(yàn)信息尺度差異條件下有效地對城市建筑物進(jìn)行自動(dòng)提取，并能夠較好的發(fā)揮兩種模式形態(tài)學(xué)序列特征各自的優(yōu)勢，達(dá)到特征優(yōu)勢互補(bǔ)的目的。

3 實(shí)驗(yàn)數(shù)據(jù)與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

本文分別選取了兩景不同城市場景下的高分遙感影像對本文提出算法的精度和有效性進(jìn)行驗(yàn)證與分析。所采用的原始影像分別為2016 年4 月9日和2016年9月3日的2 m全色和8 m多光譜高分一號(hào)遙感影像。其中，試驗(yàn)數(shù)據(jù)經(jīng)過Gram-Schmidt Spectral Sharpening 融合處理，空間分辨率為2 m，影像大小均為1000 像素×1000 像素。圖4（a）為所選擇的兩個(gè)實(shí)驗(yàn)區(qū)域覆蓋類型，具體包括：林地，草地，建筑物，陰影，道路，不透水地表和裸地。其中，所選試驗(yàn)區(qū)內(nèi)建筑物類型豐富。在光譜方面，根據(jù)建筑物屋頂?shù)牟馁|(zhì)不同呈現(xiàn)出暗屋頂和亮屋頂屬性，且亮屋頂?shù)纳什町愋源?。在幾何形狀方面，試?yàn)區(qū)內(nèi)建筑物的形狀、大小和結(jié)構(gòu)等幾何屬性多樣，具體包括高層建筑、中層規(guī)則居民區(qū)、中層不規(guī)則居民區(qū)、低矮散落式房屋和低矮連片式房屋，且部分房屋被植被部分遮蓋。因此，本研究所選的試驗(yàn)區(qū)具有一定的代表性。

圖4 實(shí)驗(yàn)對比Fig.4 Experimental comparison

本文中所采用的負(fù)相關(guān)先驗(yàn)信息產(chǎn)品包括：2010年GlobeLand30的水體類型和裸地類型信息產(chǎn)品、2013 年Hansen 植被類型信息產(chǎn)品和2015 年Openstreetmap 道路類型信息產(chǎn)品；正相關(guān)先驗(yàn)信息產(chǎn)品為2011 年GUF 建筑物信息產(chǎn)品和2014 年GHSL 建筑物信息產(chǎn)品。此外，驗(yàn)證數(shù)據(jù)是通過高分辨率影像人工解譯和實(shí)地調(diào)繪獲取。本文所應(yīng)用的數(shù)據(jù)源信息如表1所示。

表1 數(shù)據(jù)源信息表Table 1 Data source information list

3.2 結(jié)果與分析

采用本研究提出的算法對試驗(yàn)數(shù)據(jù)開展城市建筑物信息自動(dòng)提取，并與DMPs 和DAPs 算法的提取結(jié)果進(jìn)行對比分析。其中，本文算法根據(jù)建筑物的空間幾何屬性，分別設(shè)置DMPs 和DAPs 算法參數(shù)為：DMPs 算法中結(jié)構(gòu)體的角度和尺度分別為｛0°，45°，90°，135°｝和｛11，19，…，59｝，步長為8；DAPs 算法中面積屬性：｛121，361，729，1225，1849，2601，3481｝、慣性矩屬性：｛0.2，0.3，…，0.9｝，步長為0.1 和灰度標(biāo)準(zhǔn)差屬性：｛10，20，…，80｝，步長為10。閾值k為0.6。圖4 （b） 為建筑物的驗(yàn)證數(shù)據(jù)，圖4 （c） 和圖4（d）分別為使用DMPs 和DAPs 算法提取的城市建筑物結(jié)果，圖4（e）為本研究算法提取建筑物的結(jié)果。圖5為各試驗(yàn)數(shù)據(jù)不同類型建筑物提取結(jié)果的局部放大圖，分別對應(yīng)于圖4（a）紅色矩形區(qū)域（編號(hào)R1-R4）。

圖5 提取結(jié)果局部細(xì)節(jié)對比（R1-R4分別對應(yīng)于圖4（a）R1-R4標(biāo)記的區(qū)域）Fig.5 Comparison of local details of extraction results （R1-R4 in Fig.5 corresponds to the area labelled by R1-R4 in Fig.4（a））

通過圖4的對比分析可得，本文提取的城市建筑物結(jié)果與采用DMPs 和DAPs 算法提取結(jié)果的整體格局及空間分布基本一致。從圖4（c）中可得，DMPs 方法的提取結(jié)果較好的識(shí)別出不同形態(tài)類型的建筑物，但存在一定程度的漏分問題，其主要原因在于DMPs 算法增強(qiáng)了個(gè)體建筑物的表達(dá)能力，而忽略了部分建筑物的整體一致性，從而導(dǎo)致建筑物漏分問題。根據(jù)圖4（d）可得，DAPs 方法的提取結(jié)果在一定程度克服建筑物特征“過表達(dá)”帶來的漏分問題，從整體上較為完整的識(shí)別了建筑物信息，但由于忽略了建筑物與其他易混地物類型的特征差異性，導(dǎo)致建筑物錯(cuò)分問題。與上述兩個(gè)提取結(jié)果相比，本文方法（圖4（e））提取的建筑物信息完整性和準(zhǔn)確性均較好，表明本文方法較好的融合DMPs 和DAPs 算法的優(yōu)勢，克服了各自模式中的不足，在復(fù)雜的城市場景下能夠準(zhǔn)確有效的提取建筑物信息。

為了定量評價(jià)本文方法的提取精度，采用總體精度OA（Overall Accuracy）、Kappa系數(shù)、用戶精度UA（User’s Accuracy）和制圖精度PA（Producer’s Accurcy）等精度評價(jià)指標(biāo)對試驗(yàn)結(jié)果進(jìn)行精度評價(jià)與對比分析（Liu 等，2007）。其評價(jià)結(jié)果如表2所示，本文提出的方法在兩個(gè)試驗(yàn)區(qū)提取的平均精度和Kappa系數(shù)分別為91.3%和0.87，比DMPs和DAPs 提取方法的平均精度85.7%，83.5%和Kappa系數(shù)0.81，0.78 分別提高了5.5%，7.8%和0.07，0.1，表明了本文方法在城市建筑物自動(dòng)提取的有效性。其中本文方法的平均制圖精度為90.5%，比DMPs和DAPs方法的制圖精度83.0%和86.1%分別提升了7.5%和3.9%，表明本研究建筑物提取的錯(cuò)分率低于DMPs 和DAPs 方法。同時(shí)，DAPs 方法的制圖精度比DMPs 方法高了3.1%，表明DAPs 方法的漏分率低于DMPs。其原因在于，DAPs 方法從建筑物規(guī)則屬性出發(fā)，較好顧及城市建筑物的整體屬性，而DMPs 方法對城市建筑物特征的“過表達(dá)”導(dǎo)致一定程度的漏分。本文方法的平均用戶精度為91.7%，比DMPs 和DAPs 方法的88.7%和77.0%分別提升了3%和14.7%，表明本研究建筑物提取的漏分率低于DMPs 和DAPs 方法。同時(shí)，DMPs方法的用戶精度比DAPs方法高11.7%，表明DMPs 方法的錯(cuò)分率顯著低于DAPs。其原因在于DMPs 方法能夠較好的表達(dá)復(fù)雜城市場景下多形態(tài)類型的建筑物，而DAPs 方法的區(qū)域規(guī)則序列難以全面顧及建筑物形態(tài)存在的個(gè)體差異性。綜上所述，本文方法的制圖精度和用戶精度均高于其他兩種方法，表明本文方法兼顧了兩種方法的優(yōu)勢，并有效的抑制了各自方法的缺陷，較好的降低了錯(cuò)分率和漏分率，從而全面的提升了建筑物提取精度。

表2 實(shí)驗(yàn)區(qū)域的建筑物提取精度Table 2 Accuracy of building extraction in the experimental area

4 結(jié) 論

本文提出了一種多模式形態(tài)學(xué)序列特征和多源先驗(yàn)信息協(xié)同的城市建筑物高分遙感自動(dòng)提取方法。該方法的關(guān)鍵是采用多源信息構(gòu)建的自適應(yīng)分割模型將兩種模式形態(tài)學(xué)序列特征融合，從不同模式聯(lián)合對城市建筑物空間信息進(jìn)行挖掘，充分發(fā)揮每種模式形態(tài)學(xué)序列特征的優(yōu)勢，從而實(shí)現(xiàn)城市建筑物精確自動(dòng)的提取。實(shí)驗(yàn)結(jié)果表明，本文方法能夠在復(fù)雜城市場景下有效且自動(dòng)的提取建筑物信息，精度優(yōu)于單一模式形態(tài)學(xué)序列特征，且較好的克服了先驗(yàn)信息因尺度不一致性所引入的誤差。本文方法的優(yōu)勢在于：

（1）提出了一種多模式形態(tài)學(xué)序列特征信息融合方法，該方法充分利用各自模式形態(tài)學(xué)序列特征的優(yōu)勢，提升了城市建筑物特征的綜合表達(dá)能力，克服單一模式形態(tài)學(xué)序列所導(dǎo)致精度降低問題；

（2）特征優(yōu)選與特征壓縮。采用特征顯著水平模型對本文多模式形態(tài)學(xué)序列進(jìn)行特征優(yōu)選，較好的保存各自模式形態(tài)學(xué)序列特征的信息且避免了信息冗余問題；

（3）構(gòu)建基于多源先驗(yàn)信息的自適應(yīng)分割模型，實(shí)現(xiàn)在先驗(yàn)信息尺度差異條件下的建筑物信息自動(dòng)提取。實(shí)驗(yàn)結(jié)果表明，該方法提取的城市建筑物結(jié)果總體精度較高，在充分發(fā)揮兩種模式特征優(yōu)勢的同時(shí)避免了人工選擇閾值帶來的誤差與耗時(shí)，從而驗(yàn)證了本研究自動(dòng)提取方法的有效性；

（4）本文方法實(shí)現(xiàn)了準(zhǔn)確、快速且自動(dòng)化的城市建筑物信息提取與更新，為更多城市的建筑物快速監(jiān)測提供方法參照模板。

需要說明的是，本研究提出的自適應(yīng)分割模型雖然顧及到先驗(yàn)信息尺度差異性問題以及對多源先驗(yàn)信息的細(xì)分與應(yīng)用，模型具備較好的提取效果，然而本研究的不足在于對各類先驗(yàn)信息在提取過程中的貢獻(xiàn)量缺少定量化評價(jià)。在后續(xù)的研究中，將定量化的研究與分析各類先驗(yàn)信息的作用，從而為提升建筑物提取精度和自動(dòng)化程度提供定量化指標(biāo)參考。