宮一鳴曹 輝

1武漢大學(xué)遙感信息工程學(xué)院，湖北武漢，430079

基于遙感影像提取建筑物的理論研究最早開始于20世紀(jì)80年代，經(jīng)過多年的不斷發(fā)展，學(xué)者們相繼提出了許多有關(guān)建筑物提取的方法［1-6］。根據(jù)數(shù)據(jù)的選用可分為兩類：基于遙感影像的建筑物提取和基于點(diǎn)云的建筑物提取。基于遙感影像的建筑物提取例如王子明［7］結(jié)合數(shù)字表面模型（digital surface model，DSM）提出了一種基于對象和基于知識的建筑物提取方法，李百壽等［8］采用多尺度影像分割、CART決策樹分類和Canny算子進(jìn)行建筑物輪廓的標(biāo)繪?；邳c(diǎn)云的建筑物提取例如朱依民等［9］利用區(qū)域增長改進(jìn)算法、三維Hough變換算法和α-shape算法在機(jī)載LiDAR點(diǎn)云數(shù)據(jù)中提取建筑物輪廓，郝明等［10］利用ISDATA算法對LiDAR數(shù)據(jù)聚類后結(jié)合高度信息、坡度信息和地物的空間關(guān)系，由粗略到精細(xì)地進(jìn)行建筑物的提取。

1 視差影像自動檢測建筑物方法

由于視差圖包含了場景的三維信息，而場景中建筑物具有較為獨(dú)特的三維突變的特點(diǎn)，因此研究利用視差影像進(jìn)行建筑物檢測和提取的基本思路是：首先將遙感影像對進(jìn)行自動影像匹配處理，獲取視差影像數(shù)據(jù)，然后基于視差影像數(shù)據(jù)中所能獲取的場景三維信息檢測建筑物的位置信息，在此基礎(chǔ)上在原始影像中提取建筑物的輪廓信息，獲得如圖1的技術(shù)路線。

圖1 技術(shù)流程Fig.1 Flow Chart of Technical Process

1.1 視差影像生成

首先，根據(jù)空中三角測量結(jié)果，對逐個(gè)立體像對進(jìn)行核線影像糾正；并通過逐像素密集匹配，獲取立體像對的視差圖［11］；然后對視差影像產(chǎn)生過程中出現(xiàn)的匹配誤差進(jìn)行修復(fù)，采用種子生長法對視差值黑色的空洞部分進(jìn)行修補(bǔ)，得到完整的視差影像。最后通過所獲取的視差影像進(jìn)行實(shí)驗(yàn)區(qū)深度信息和視差點(diǎn)云數(shù)據(jù)的恢復(fù)，獲取實(shí)驗(yàn)區(qū)三維信息。

1.2 基于視差點(diǎn)云的規(guī)則建筑物分類與自動檢測

1.2.1體素分割

八叉樹數(shù)據(jù)結(jié)構(gòu)是一種廣泛應(yīng)用于描述三維空間結(jié)構(gòu)中的一種樹狀數(shù)據(jù)結(jié)構(gòu)［12］。對于視差影像恢復(fù)出的實(shí)驗(yàn)區(qū)視差點(diǎn)云信息，為了提高分割算法的效率和精確度，本文采用基于八叉樹的區(qū)域增長算法［13］，對由視差影像恢復(fù)出的實(shí)驗(yàn)區(qū)視差點(diǎn)云數(shù)據(jù)進(jìn)行分割。

1.2.2體素聚類

不同的地物對光譜的反射特性不同，例如植被等地物的NDVI（normalized difference vegetation index）等植被指數(shù)可作為很好的度量，結(jié)合到本文中：體素是各階層地物的表達(dá)對象，各體素中包含一些點(diǎn)云數(shù)據(jù)，其中規(guī)則建筑物的屬性特征隱含在體素中包含的這些點(diǎn)云數(shù)據(jù)中，所以本文選取的屬性特征包括3個(gè)方面，即體素中點(diǎn)的3種顏色的平均值（red-green-blue，RGB），以此為屬性特征可以將植被等地物與建筑物很好的區(qū)分開來。由于本文實(shí)驗(yàn)數(shù)據(jù)的選取，每個(gè)點(diǎn)的RGB屬性值是已經(jīng)可用的。因此每個(gè)規(guī)則建筑物的RGB值可以分別用體素中所有點(diǎn)的平均值來表示。所以屬性相似性推理的建立的綜合表達(dá)式如下：

體素中點(diǎn)云數(shù)據(jù)的三維信息的平均值h為重要的空間特征，每個(gè)規(guī)則建筑物的深度信息可以分別用體素中所有點(diǎn)的平均值來表示。此外，本文在空間特征的建立中增加采用了地物的表面平滑度θ。地物的表面平滑度定義為視差點(diǎn)云數(shù)據(jù)中點(diǎn)距與這些點(diǎn)相適應(yīng)的平面之間距離的標(biāo)準(zhǔn)差。正交距離回歸（orthogonal distance regression，ODR）技術(shù)，又稱為全最小二乘（total least squares，TLS），用于確定地物表面粗糙度或平滑度的誤差較小，適用于各地物的表面平滑度的估算。以深度信息和地物表面平滑度為空間特征可以將圍墻、汽車等地物與建筑物很好的區(qū)分開來所以空間相似性推理的建立的綜合表達(dá)式為：

采用屬性特征和空間特征的綜合相似性推理，基于案例的推理分析法進(jìn)行體素分類［14］步驟如下：

1）建立案例庫：根據(jù)先驗(yàn)知識人工選取樣本案例來建立案例庫，每個(gè)案例由屬性特征、空間特征和所屬類別3個(gè)部分組成，，表達(dá)式為：

2）案例的推理：對于一個(gè)新的案例，給出了它的特征就可以推斷其所屬的地物類別，這里通過具有更高分類精度的模糊方法來進(jìn)行分類，即采用隸屬度F(x∈C)來表示推理的相似度，通過k最近鄰算法（k-NN）來計(jì)算隸屬度。

3）分類的結(jié)果：對于不同的地物類別，一個(gè)新案例可有不同的隸屬度函數(shù)，由最大值來推理出其最后所屬的地物類別。

基于案例的推理分析法進(jìn)行體素分類，可以有效地將植被、圍墻、汽車等地物與建筑物區(qū)分開來，對建筑物的分類提取精度均達(dá)到90%以上，效果與精度較為穩(wěn)健。

1.2.3建筑物個(gè)體化

由于規(guī)則建筑物的視差點(diǎn)云數(shù)據(jù)在體素化后具有體素與體素之間的閉合性和連通性，基于屬性特征和空間特征綜合相似性推理后所獲得的體素分類數(shù)據(jù)，在每一片規(guī)則建筑物的體素單元中隨機(jī)設(shè)置一處體素單元為種子點(diǎn)，基于種子生長算法對體素單元的4領(lǐng)域中每一個(gè)體素單元進(jìn)行是否屬于規(guī)則建筑物的判別，并不斷迭代計(jì)算聚類，直至遍歷完一片規(guī)則建筑物中所有體素單元為止。在獲得所有體素的聚類連接后，聚類存儲這一片區(qū)域中所有連接體素，并對所有體素單元進(jìn)行編號，獲取各個(gè)規(guī)則建筑物的位置信息。

1.3 規(guī)則建筑物輪廓確定方法

基于所獲取的建筑物的大概位置信息，返回到原始遙感影像數(shù)據(jù)中，在原始遙感影像數(shù)據(jù)的基礎(chǔ)上，根據(jù)所得到的建筑物位置信息，采用區(qū)域增長算法提取規(guī)則建筑物的輪廓單元。

本文采用了一種中點(diǎn)計(jì)算方式來計(jì)算一個(gè)輪廓線和單元網(wǎng)格的相交點(diǎn)，線性插值采用與一個(gè)輪廓線相交的單元網(wǎng)格邊的一個(gè)中點(diǎn)進(jìn)行代替，所以該計(jì)算方法中間誤差的最高值為0.5個(gè)單元邊的長度，省去了插值計(jì)算的步驟。如果一個(gè)網(wǎng)格單元某一個(gè)網(wǎng)格頂點(diǎn)函數(shù)的估計(jì)值與閾值相等，那么這就說明輪廓線通過了這個(gè)網(wǎng)格頂點(diǎn)，需要在與此個(gè)網(wǎng)格頂點(diǎn)相連的3個(gè)單元網(wǎng)格頂點(diǎn)單元中重新搜尋并找到下一個(gè)輪廓線的網(wǎng)格單元，這樣會明顯降低整個(gè)算法的效率。所以本文采用中點(diǎn)算法避免這種情況的發(fā)生，該算法將函數(shù)值等于閾值的頂點(diǎn)歸類到小于閾值的情況之中，如此0.5個(gè)單元邊長就成了網(wǎng)格單元與輪廓線的實(shí)際交點(diǎn)與中點(diǎn)之間的最大誤差。因?yàn)槊恳粋€(gè)中點(diǎn)有且僅有一條對應(yīng)邊，這樣搜索下個(gè)網(wǎng)格單元時(shí)即可僅用在上、下、左、右4個(gè)方向上搜索，這樣就避免了由于輪廓線通過網(wǎng)格單元頂點(diǎn)時(shí)造成錯(cuò)誤的搜索路徑。圖2（a）給出了輪廓線通過網(wǎng)格單元頂點(diǎn)時(shí)的情況，下一個(gè)搜索單元就會有3種選擇，而圖2（b）用中點(diǎn)代替頂點(diǎn)，就能由中點(diǎn)唯一確定下一個(gè)搜索單元［15］。這樣就避免了需要對原始遙感影像數(shù)據(jù)中所有單元進(jìn)行處理的冗余工作，實(shí)現(xiàn)對建筑物的輪廓提取。

圖2 中點(diǎn)算法Fig.2 Midpoint Algorithm

2 結(jié)果與分析

2.1 試驗(yàn)數(shù)據(jù)

選用的試驗(yàn)區(qū)域的數(shù)據(jù)為高分辨率航空影像對及其核線影像，如圖3（a）所示，實(shí)驗(yàn)地區(qū)有以下兩個(gè)特點(diǎn)：

1）平緩的地形。實(shí)驗(yàn)地區(qū)選用的是大片平坦地形，絕大部分區(qū)域地形起伏變化較為平緩，基本沒有高程起伏的變化，這為利用三維信息進(jìn)行地物分析提供了可行性。

2）建筑物分布較多且較為規(guī)則。試驗(yàn)地區(qū)中占地面積較大的是規(guī)則建筑物。建筑物形狀規(guī)則，絕大部分為矩形組合的房頂規(guī)則建筑物。但房屋的附屬結(jié)構(gòu)比較多，且實(shí)驗(yàn)地區(qū)規(guī)則建筑物的周圍常有樹木環(huán)繞以及人工圍墻的包圍，會干擾規(guī)則建筑物的檢測，需要結(jié)合其他地物干擾項(xiàng)和規(guī)則建筑物的三維信息或者光譜特征進(jìn)行區(qū)分。

2.2 試驗(yàn)流程及結(jié)果

采用多測度半全局匹配算法可高效獲取細(xì)節(jié)豐富、質(zhì)量可靠的視差結(jié)果，結(jié)果如圖3（b）所示。

圖3 實(shí)驗(yàn)數(shù)據(jù)及視差影像Fig.3 Experimental Data and Parallax Images

根據(jù)視差影像信息恢復(fù)出該區(qū)域三維信息和視差點(diǎn)云數(shù)據(jù)如圖4所示。

圖4 視差點(diǎn)云恢復(fù)結(jié)果Fig.4 Result of Cloud Recovery

將所得到的實(shí)驗(yàn)區(qū)數(shù)據(jù)視差點(diǎn)云信息基于八叉樹原理進(jìn)行體素化處理，經(jīng)過反復(fù)實(shí)驗(yàn)確定選擇最小體素單元閾值為9，使得邊界盡量清晰，結(jié)果如圖5所示。

圖5 體素分割結(jié)果Fig.5 The Results of Voxel Segmentation

采用傳統(tǒng)的基于案例的推理分析法進(jìn)行實(shí)驗(yàn)區(qū)規(guī)則建筑物的分類提取，在3 774 969個(gè)案例中，人工隨機(jī)選取21 534個(gè)已知案例作為案例庫，如圖6所示。

圖6 人工隨機(jī)選取案例庫Fig.6 Manual Random Selection of Case Base

基于屬性特征和空間特征進(jìn)行綜合相似性推理，得到體素化后分類結(jié)果如圖7所示。

根據(jù)混淆矩陣進(jìn)行評價(jià)，綜合相似性推理結(jié)果的混淆矩陣如表1所示。

表1 綜合相似性推理混淆矩陣Tab.1 Synthetic Similarity Inference Confusion Matrix

由綜合相似性推理后分類結(jié)果圖7和混淆矩陣表1計(jì)算可得分類準(zhǔn)確度為0.92，規(guī)則建筑物的提取精度為0.96。采用的體素化后進(jìn)行基于案例的推理分析法對規(guī)則建筑物進(jìn)行分類提取的實(shí)驗(yàn)中表現(xiàn)較好，該算法對規(guī)則建筑物的提取精度較高，實(shí)驗(yàn)樣區(qū)中的規(guī)則建筑物均能較完整地分類出來實(shí)現(xiàn)了規(guī)則建筑物的位置信息提取，雖然由于圍墻的光譜特征與三維信息均與建筑物存在較大的相似性，存在少許規(guī)則建筑物與圍墻的誤分情況，但本文中所采用的算法的提取精度大于90%，效果和精度仍然穩(wěn)健，能夠獲取建筑物視差點(diǎn)云位置信息。

圖7 綜合相似性推理后分類結(jié)果Fig.7 Result of Classification After Synthetic Similarity Reasoning

分別選取個(gè)體建筑物的種子點(diǎn)，基于區(qū)域增長的算法對每個(gè)建筑物進(jìn)行獨(dú)立存儲，如圖8所示，不同顏色表達(dá)不同的規(guī)則建筑物個(gè)體。

圖8 個(gè)體建筑物獨(dú)立存儲Fig.8 Individual Building Independent Storage

對所獲取的所有規(guī)則建筑物的像素位置信息構(gòu)成單元網(wǎng)格，根據(jù)基于區(qū)域增長的輪廓線提取算法，對基于視差點(diǎn)云數(shù)據(jù)體素化后經(jīng)過綜合相似性推理分類后的規(guī)則建筑物位置信息進(jìn)行規(guī)則建筑物的輪廓線提取，以及進(jìn)行規(guī)則建筑物提取，實(shí)驗(yàn)結(jié)果如圖9、圖10所示。

圖9 規(guī)則建筑物提取結(jié)果Fig.9 Regular Building Extraction Results

圖10 規(guī)則建筑物輪廓線提取結(jié)果Fig.10 Extraction Results of Regular Building Contour Lines

圖9中不同顏色表達(dá)不同的規(guī)則建筑物個(gè)體，與圖8中規(guī)則建筑物個(gè)體的獨(dú)立存儲相對應(yīng)。

采用均誤差、均方根誤差、最大偏移3個(gè)參數(shù)指標(biāo)來對規(guī)則建筑物的輪廓線提取進(jìn)行精度評定。從原始影像上挑選出17個(gè)規(guī)則建筑物角點(diǎn)為檢查點(diǎn)，計(jì)算輪廓精度如表2所示。

2.3 討論

總體上來說，通過基于區(qū)域增長的規(guī)則建筑物輪廓提取方法對樣區(qū)進(jìn)行實(shí)驗(yàn)，從實(shí)驗(yàn)結(jié)果圖9、圖10中分析得出，基于區(qū)域增長法所得到的試驗(yàn)結(jié)果中輪廓線完整度較高和細(xì)節(jié)的描述較好，而且由于中點(diǎn)算法的原則，運(yùn)行所用時(shí)間較少，效率有了明顯的提高；從輪廓線誤差評定表2中分析得出檢測出的規(guī)則建筑物準(zhǔn)確率較高，規(guī)則建筑物輪廓線提取的誤差主要來自以下幾個(gè)方面：

表2 輪廓線誤差評定表/像素Tab.2 Profile Error Evaluation Table/pixel

1）視差點(diǎn)云精度的影響，視差影像的精度直接影響到基于視差影像的地物分類精度，這直接決定了基于視差點(diǎn)云提取出的規(guī)則建筑物初始位置并不能作為最終結(jié)果。

2）輪廓線段提取的影響，從影像上提取線段的精度影響著最終結(jié)果的精度。

3）圍墻、規(guī)則建筑物的陰影等與規(guī)則建筑物相鄰的物質(zhì)的灰度值相近，會使得該算法得到的輪廓線出現(xiàn)誤差，如圖11所示。

圖11 規(guī)則建筑物提取漏檢結(jié)果Fig.11 Regular Building Extraction Miss Detection Results

此時(shí)該小型規(guī)則建筑物由于其屬性特征與空間特征均與圍墻類別地物相似，造成了該小型規(guī)則建筑物的漏檢情況，導(dǎo)致后續(xù)規(guī)則建筑物輪廓提取中無法提取該小型建筑物的輪廓?？梢钥紤]添加更加詳細(xì)的形態(tài)學(xué)空間特征規(guī)則，構(gòu)建相應(yīng)的參數(shù)，來解決類似的漏檢誤檢情況，這些問題將在后期的研究中加以討論與處理。

3 結(jié)束語

為充分利用遙感影像對數(shù)據(jù)實(shí)現(xiàn)規(guī)則建筑物的自動檢測，本文研究了在視差影像中獨(dú)立分割規(guī)則建筑物，并基于此返回原始影像中對規(guī)則建筑物進(jìn)行檢測的方法。通過試驗(yàn)，驗(yàn)證了本文提出的基于視差影像的規(guī)則建筑物自動檢測方法的有效性。試驗(yàn)表面，本文方法通過所獲取的規(guī)則建筑物點(diǎn)云位置信息對規(guī)則建筑物進(jìn)行輪廓提取，大大減少了其他地物對提取結(jié)果的干擾，建筑物輪廓的完整性和準(zhǔn)確性有明顯加強(qiáng)；采用區(qū)域增長法進(jìn)行建筑物輪廓提取，選取起始種子點(diǎn)，通過中點(diǎn)算法，明顯提高了計(jì)算效率；對建筑物提取結(jié)果的效果分析驗(yàn)證了本文算法的可行性、可靠性，同時(shí)表明了在提取較大片面積規(guī)則建筑物時(shí)，本文算法具有高質(zhì)量、完整性和準(zhǔn)確性。