李鵬元，楊樹文,3，姚花琴，楊 猛，雍萬鈴

（1.蘭州交通大學(xué) 測繪與地理信息學(xué)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(xué) 測繪與地理信息學(xué)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(jié)構(gòu)存在密切關(guān)系，而準(zhǔn)確﹑快速地提取彩鋼棚信息將為相關(guān)研究提供有效數(shù)據(jù)支持。以GF-1遙感影像為數(shù)據(jù)源，利用面向?qū)ο蟮亩喑叨确指罴夹g(shù)構(gòu)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(jù)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(jié)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(yīng)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(guān)。目前，城市的發(fā)展變化主要是根據(jù)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(cè)面﹑微觀的角度獲得當(dāng)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(jié)構(gòu)﹑紋理特征較為準(zhǔn)確地反映目標(biāo)信息及特征[4]。國內(nèi)外學(xué)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(shù)據(jù)和其他輔助數(shù)據(jù)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(shù)據(jù)，結(jié)合LiDAR信息進行了建筑物提取實驗；② 面向?qū)ο蟮慕ㄖ锾崛》椒?，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(xiàn)，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(diào)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(zhuǎn)換到HSV色彩空間下的V分量就是亮度數(shù)據(jù)，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(gòu)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(shù)據(jù)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(jié)果見表1。

表1 典型地物光譜值

結(jié)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(jù)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(gòu)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(jīng)過實地考察并結(jié)合影像分析，筆者總結(jié)出彩鋼棚的幾何特征為：

1）面積（S）：不同衛(wèi)星數(shù)據(jù)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(jù)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(shù)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(shù)（N）與緊湊度（C）：與彩鋼棚相比，一般建筑物屋頂會出現(xiàn)其他凸起附屬物，在影像中表現(xiàn)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(shù)是緊湊度。

式中，L為地物周長[10]。當(dāng)?shù)匚镉小岸础被駽值較低時，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(gòu)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(guān)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(shù)據(jù)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(quán)重大小有明確的界定，樹的淺節(jié)點處的屬性權(quán)重比深節(jié)點處的屬性權(quán)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(nèi)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(jù)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(dāng)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(yīng)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(fù)雜多樣，影像也絕不僅是由幾種典型地物構(gòu)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(dāng)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(gòu)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(fù)試驗觀察獲取的經(jīng)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(gòu)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(chǔ)上的?？紤]到彩鋼棚在影像中大小差異懸殊，先設(shè)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(jié)果分析

本文選取的數(shù)據(jù)為2015-07-28獲取的經(jīng)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(shù)據(jù)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(jié)果如圖3b所示。通過反復(fù)試驗觀察得到，當(dāng)決策樹中的參數(shù)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(dāng)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(fù)試驗觀察得到，當(dāng)決策樹中的參數(shù)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(jié)果見表2。

表2 提取結(jié)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(shè)為彩鋼棚提取的定量評價指標(biāo)[12]，計算結(jié)果見表3。

表3 定量評價指標(biāo)

從定量評價指標(biāo)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(jié)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(jié) 語

針對高分辨率遙感影像可準(zhǔn)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(shù)據(jù)和屬性變量等特點，本文將三 者結(jié)合，構(gòu)建了多尺度分割技術(shù)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(jié)果表明，面向?qū)ο蟮臎Q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(zhǔn)確，且一旦建立模型，就可應(yīng)用于更大范圍內(nèi)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(biāo)，只是定性地描述了如何實現(xiàn)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(xué)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(xué)問題[J].中國科學(xué):地球科學(xué),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?qū)ο蟮母叻直媛蔬b感影像城區(qū)建筑物分級提取方法[J].測繪學(xué)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(xué)報,2008,12(4):529-537

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

[11] 王圓圓,李京.基于決策樹的高光譜數(shù)據(jù)特征選擇及其對分類結(jié)果的影響分析[J].遙感學(xué)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(xué)?？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。