阴影辅助下的面向对象城市建筑物提取_周亚男

GeographyandGeo-InformationScienceVol.26　No.3May2010

阴影辅助下的面向对象城市建筑物提取

周亚男

1,2

,沈占锋,骆剑承,陈秋晓,胡晓东,沈金祥

11314

(1.中国科学院遥感应用研究所,北京100101;2.武汉大学测绘学院,湖北武汉430079;3.浙江大学区域与城市规划系,

浙江杭州310027;4.中国科学院新疆生态与地理研究所,新疆乌鲁木齐830011)

摘要:分析高分辨率遥感影像城市建筑物提取的难点,探讨建筑物阴影与建筑物之间的关系,提出一种阴影辅助的建筑物提取方法:首先在高分辨率影像中提取出建筑物阴影对象,通过建筑物与其阴影的空间关系特征分离相互连接的建筑物对象并确认漏提取的建筑物对象,从而提高了建筑物的提取精度;将该方法运用于QuickBird影像的建筑物提取实验中,取得理想的实验效果。

关键词:高分辨率遥感影像;建筑物提取;建筑物阴影;面向对象分类

中图分类号:TP75　　文献标识码:A　　文章编号:1672-0504(2010)03-0037-04

0　引言

近十年来,随着IKONOS、QuickBird、SPOT等高分辨率卫星遥感应用的深入及影像处理分析技术水平的提高,从影像中提取各类人工地物信息成为

研究热点,尤其是城市建筑物作为城市主要的人工地物之一,其提取对城市GIS数据更新、城市规划和防灾减灾等都有着重要意义。为了准确、高效地提取城市建筑物,国内外学者提出了众多方法:侯蕾等[1]综合利用建筑物的几何和灰度特征进行了建筑物的自动提取;张煜等[2]提出了一种几何约束与影像分割相结合的快速半自动房屋提取方法;Lin等

[3]

多尺度分割过程中会造成建筑物和阴影对象之间合并及相离建筑物对象的合并;2)在多尺度分割过程

中常出现建筑对象和周围植被对象相互合并的情况,从而造成提取结果中包含非建筑物对象以及建筑物对象被遗漏现象。

在以往建筑物的提取过程中更多地考虑了其光谱特征和几何特征,而缺少对其空间上下文关系信息的分析和运用。本文在分析建筑物阴影特性的基础上,提取出建筑物阴影与建筑物的空间关系特征,并将其融入面向对象的建筑物提取过程中,有效地避免了以上干扰因素的影响,提高了建筑物的提取精度。

运用感知编组算法并结合阴影对建筑物进行了提取。近年来,以区域分割为基础的面向对象信息提取技术愈加受到重视,Jiang等[4]运用面向对象分类技术,综合运用高分辨率遥感影像和DSM数据提取出实验区的建筑物对象;Jorge等[5]运用面向对象的信息提取方法对巴西南部的QuickBird和雷达数据进行了实验分析;乔程等

[6]

1　研究方法

城市建筑物多同道路相邻,其周围散布着稀疏植被且多以群落形式存在(尤其在城市居住区中);

此外因受到不同角度的太阳光照影响,在遥感影像上建筑物往往与阴影相伴,这些都是建筑物提取中可利用的重要空间关系特征;特别是城市建筑物阴影不但形成了相邻建筑物之间的隔离带,而且可以作为判断建筑物存在的依据,这些特征均反映了建筑物空间关系属性。本文挖掘和应用这类空间关系信息,以提高高空间分辨率影像建筑物提取的精度。

基于以上分析设计了阴影辅助下的建筑物提取流程(图1):1)对影像进行较小尺度分割,提取出建筑物阴影对象并进行类内合并形成完整的阴影对象,然后提取绿地、水体对象(不再做进一步处理)和建筑物阴影对象合并形成掩膜;2)利用掩膜对未分

运用“自下而上”的多尺

度分割方法并结合建筑物的几何和纹理特征对

IKONOS影像进行了建筑物提取试验;田新光[7]运用面向对象分类技术对城市和海岸带的高分辨率遥感影像进行了信息提取。

在高空间分辨率影像中,城市建筑物光谱和纹理特征的一致性较差,几何形态多样,致使其提取相对比较困难,提取精度较低。另一方面,在面向对象的建筑物提取过程中常受到以下干扰:1)相邻建筑物之间的栅栏或道路的光谱特征与建筑物相近,在

　　收稿日期:2009-10-26;　修订日期:2009-12-22　　基金项目:国家863计划项目课题(2009AA12Z123、2009AA12Z121);国家科技支撑计划重大项目课题(2006BAJ02A01、2006BAJ03A08)　　作者简介:周亚男(1987-),男,硕士研究生,研究方向为遥感信息提取。E-mail:zhounanq@126.com

第38页地理与地理信息科学　　　　　　　　　　　　　　　第26卷

类区域进行大尺度分割,并计算各对象与建筑物阴影类的空间相邻关系特征;3)对大尺度对象运用严格约束条件的属性阈值精确提取出部分建筑物;4)运用第二步中的空间关系特征检测未分类对象中遗漏的建筑物对象,与第三步中建筑物提取结果合并,形成完整的建筑物对象。

类的对象区域进行大尺度分割(流程图中②)。由于先提取出建筑物阴影类形成了建筑物间空间上的隔离带,避免了在大尺度分割中出现建筑物越过阴影

带而同其他建筑物(或地物)相连的现象。

经上述多尺度分割,形成了比较完整的建筑物对象。利用面向对象的决策树分类方法,并使用阈值范围较小的光谱(亮度)和几何属性(形状指数、矩形度等)参数,可以准确地提取出部分建筑物对象(流程图中③),其原则是尽可能多的提取出建筑物对象,即较小的误提率,从而排除其他非建筑物对象的干扰。

1.3　利用阴影确认漏提取的建筑物对象

由于上一步中运用了范围较小的阈值条件提取建筑物,在准确提取建筑物的同时也造成了一些建筑物对象的丢失,因此需要检测出未被提取的建筑物对象。运用建筑物阴影与建筑物相互邻接的空间关系特性并设定一定的阈值,对1.2节中未分类的对象进行基于邻接关系的分类,检测

图1　建筑物提取的技术流程

Fig.1　Technologyflowchartofextractionofurbanbuildings

出未被提取出的建筑物对象(流程图中④),并与1.2节中提取出的建筑物对象合并,得到完整的

建筑物对象区域。

1.1　城市建筑物阴影的提取

遥感影像中建筑物阴影的亮度较暗,与水体较为接近,若只考虑单一的光谱特征,会使阴影和水体混杂在一起。但建筑物阴影也具有与水体和树木阴影不同的几何特征:1)建筑物阴影呈带状,具有一定的长度、宽度和面积(远小于城市水体面积);而树木的阴影成点状,散乱分布;2)建筑物阴影的几何形态比较规则,近似为细长矩形,长宽比较大;而水体的面积较大,长宽比较小,外形比较复杂,形状指数相对较大;3)阴影一定出现在建筑物背向光源的地方,即北半球出现在建筑物之北,南半球出现在建筑物之南。

基于以上对建筑物阴影特征的分析,综合运用分割对象光谱和几何特征提取出建筑物的阴影(流程图中①):首先对遥感影像进行小尺度分割;然后运用阴影光谱亮度较小的特性对分割结果进行分类,提取出阴影类(建筑物阴影和树木阴影)和水体,并分别进行类内合并;最后对阴影类综合运用建筑物阴影的几何特征提取出比较完整的建筑物阴影,通过类内合并得到连续的建筑物阴影区域。

由于植被光谱特征的独特性,植被对象的提取相对容易,相关方法可参考文献[8,9]。1.2　严格阈值下部分建筑物对象的提取

在提取出建筑物之间阴影带的基础上,对未分2　阴影辅助下的城市建筑物提取实验

本文以武汉市局部地区为实验区域,采用由全

色波段和多光谱波段融合成的QuickBird高分辨率遥感影像(分辨率0.61m),分别进行未考虑阴影和阴影辅助下的面向对象建筑物提取实验,对比分析其分类结果。2.1　实验一(未考虑阴影)

运用多尺度分割技术对实验区影像进行分割(小尺度参数:尺度20,形状因子0.2,光谱因子0.5;大尺度参数:尺度80,形状因子0.8,光谱因子0.3),分割效果如图2所示。利用面向对象的决策树分类方法,对分割结果进行分类,并提取出建筑物对象(矩形度大于0.6,形状指数在1.3～2.6),结果如图3所示。

2.2　实验二(阴影辅助)

在考虑建筑物阴影隔离带辅助作用下,对影像进行相同策略和相同参数的多尺度分割,结果如图4所示。对分割结果进行严格阈值下的部分建筑物对象提取(矩形度大于0.8,形状指数在1.3～2.2),得到部分建筑物对象。

对未分类区域运用对象同建筑物阴影相互邻接的空间关系(相对公共边界达45%)进一步确定出更第3期　　　周亚男等:阴影辅助下的面向对象城市建筑物提取第39页

多的建筑物对象,并同上步中的建筑物对象合并,得到最终的建筑物提取结果(图5)。

2.3　实验效果分析和精度评价

影像分割方面,由于实验一未考虑阴影,影像分割结果(图2)存在建筑物相互粘连(1、2、3处)和植被对象对建筑物整体轮廓干扰(4、5处)现象;而实验二阴影辅助的分割结果(图4)有效避免了直接分割造成的不足。建筑物提取方面,实验一(图3)中1、2、4处有多个建筑物未被提取出来,而3、4处的道路和植被又被错分为建筑物;而在阴影辅助下(图5)有效地避免了这些错误,准确地提取出全部的建筑物区域,并且提取出的建筑物外形轮廓更加光滑,更接近真实的建筑物外形。

从定量的角度,利用传统的基于光谱特征分类结果的评价标准,分别对常规方法的建筑物提取结果和本文方法的提取结果进行精度评价和对比分析(表1、表2)。对比表1、表2可以看出:本文方法由于在多尺度分割过程和面向对象的建筑物提取过程中加入了建筑物的阴影空间关系信息,使得建筑物的提取精度从75.29%提高至86.33%。

Table1　Evaluationprecisionparametersofresult

byconventionalmethod

类别参考点数分类数正确分类生产者精度(%)用户精度(%)未分类82825870.7370.73建筑物1251189576.0080.51阴影22371986.3651.35植被26181765.3894.44

总体精度=75.29%;总体Kappa=0.6018

表1　常规建筑物提取结果精度评价

表2　本文方法建筑物提取结果精度评价

Table2　Evaluationprecisionparametersofresultusing

themethodinthispaper类别参考点数分类数正确分类生产者精度(%)用户精度(%)未分类861068093.0275.47建筑物14712011880.2798.33阴影31342993.5585.29植被34383088.2478.95

总体精度=86.33%;总体Kappa=0.7954

　　实验中两种方法都对植被区域进行了掩膜处理,从而可以排除植被的干扰;因实验并没有设计很复杂的特征组合策略,而重点关注阴影特征对建筑物提取精度的提高,故实验中两种建筑物提取方法的精度都较低。此外对比分析实验结果发现,一些地物周围并没有建筑物阴影的存在,分割结果也得到明显改善,可能是在大尺度分割过程中,建筑物第40页地理与地理信息科学

参考文献:

　　　　　　　　　　　　　　　第26卷

阴影影响了地物整体格局,使得自下而上的合并过程重新考虑相互合并的对象,使对象间的合并更加合理。

[1]　侯蕾,尹东,尤晓建.一种遥感图像中建筑物的自动提取方法

[J].计算机仿真,2006,23(4):184-187.

[2]　张煜,张祖勋,张剑清.几何约束与影像分割相结合的快速半自

动房屋提取[J].武汉测绘科技大学学报,2000,25(3):238-242.

[3]　LINC,HUERTASA,NEVATIAR.Detectionofbuildingsu-singperceptualgroupingandshadows[A].IEEEProceedingsofComputerVisionandPatternRecognition[C].1994.62-69.[4]　JIANGN,ZHANGJX,LIHT,etal.Object-orientedbuilding

extractionbyDSMandveryhigh-resolutionorthoimages[A].TheInternationalArchivesofthePhotogrammetry,RemoteSensingandSpatialInformationSciences[C].2008.441-445.[5]　JORGEASC,MIQUELES.ExtractionofbuildingsinBrasilian

urbanenvironmentsusinghighresolutionremotesensingim-ageryandlaserscannerdata[A].ISPRSCongress[C].2004.589-692.

[6]　乔程,骆剑承,吴泉源,等.面向对象的高分辨率影像城市建筑

物提取[J].地理与地理信息科学,2008,24(5):36-39.[7]　田新光.面向对象高分辨率遥感影像信息提取[D].中国测绘工

程研究院,2007.

[8]　樊恒通.基于面向对象方法的城市植被提取与绿量估算研究

[D].河海大学,2006.

[9]　刘雯,骆剑承,沈占锋,等.多尺度植被信息提取模型研究[J].

计算机应用研究,2009,26(6):2398-2400.

3　结论

本文考虑了对象之间的空间上下文关系特征,将建筑物阴影同建筑物的空间关系特征运用到面向对象的建筑物提取的两个重要环节:1)大尺度分割,

利用提取出的建筑物阴影将建筑物对象同其他地物对象和非同一建筑物对象隔离开,优化了多尺度分割结果的空间格局结构;2)面向对象分类,利用建筑物阴影和建筑物相邻的空间关系特征进一步确认出漏提取的建筑物对象,有效提高了建筑物提取精度。阴影辅助下的建筑物提取为空间关系在面向对象的地物提取过程中的运用做了尝试,但仍存在以下问题需要解决和完善:在特殊的情况下,比较整齐的行树阴影可能形成与建筑物阴影相似的形状特征,较难区分;一些房顶由于材料的特殊性,在分类过程中可能被错分为阴影;需进一步挖掘和运用地物间其他空间关系信息,深入研究高分辨率遥感影像城市建筑物的提取。

Shadow-AssistedObject-OrientedExtractionofUrbanBuildings

ZHOUYa-nan1,2,SHENZhan-feng1,LUOJian-cheng1,CHENQiu-xiao3,HUXiao-dong1,SHENJin-xiang4

(1.InstituteofRemoteSensingApplications,ChineseAcademyofSciences,Beijing100101;

2.SchoolofGeodesyandGeomatics,WuhanUniversity,Wuhan430079;

3.DepartmentofRegionalandUrbanPlanning,ZhejiangUniversity,Hangzhou310027;4.XinjiangEcologyandGeographyInstitute,ChineseAcademyofScience,Urumchi830011,China)

Abstract:Inthispaper,anefficientapproachforurbanbuildings′extractionregardingadjacencyrelationshipbetweenbuildingsandtheirshadowsispresented.First,basedontheresultsofmulti-scalesegmentationwithasmallerscale,theinitialclassifica-tionoftheimagesispreformed,andthenbuildings′shadowsareextracted,employingtheirgeometricandspectralproperties.Second,someprimitiveobjectsofbuildingsareextractedfromobjectsofbiggerscalesbystrictthresholds,andadjacencyrela-tionshipbetweenshadowsandotherobjectsiscomputed.Finally,fromundefinedobjects,themissingbuildings′objectsarere-coveredwiththehelpoftheadjacency,generatingcompleteregionofbuildings.Theexperimentalresultsdemonstratethatex-tractionaccuracyoftheproposedapproachishigher,andthatspatialadjacencyisabetterselectionoffeaturesfortheinforma-tionextractionfromhighresolutionimages.

Keywords:high-resolutionremotesensingimage;buildingextraction;buildingshadow;object-orientedclassification