基于紋理增強的數字航片村鎮建筑物信息提取

楊 剛，趙文吉，，段福洲，趙文慧

(1．首都師范大學資源環境與地理信息系統北京市重點實驗室，北京 100048;2．首都師范大學三維信息獲取與應用教育部重點實驗室，北京 100048)

基于紋理增強的數字航片村鎮建筑物信息提取

楊 剛1，趙文吉1，2，段福洲2，趙文慧2

(1．首都師范大學資源環境與地理信息系統北京市重點實驗室，北京 100048;2．首都師范大學三維信息獲取與應用教育部重點實驗室，北京 100048)

基于建筑物細部邊緣信息在數字航片上的精細紋理表達，首先對原始影像進行邊緣檢測、主成分分析和基于二階概率統計的紋理濾波等預處理，然后選擇用7像元×7像元的窗口銳化得到Contrast紋理特征的灰度圖;采用Contrast灰度圖(R)、原始航片(G)、原始航片(B)的波段組合進行假彩色合成，得到基于對比度紋理的假彩色合成影像;最后對假彩色合成影像進行多尺度分割和建筑物提取。以北京市延慶縣康莊鎮2008年12月數字航攝影像為例，運用上述方法進行村鎮建筑物信息提取。結果表明，與運用面向對象的分類方法相比，利用紋理增強提取村鎮建筑物信息的方法突出了建筑物邊緣，減少了冗余分割對象，解決了建筑物與其陰影相混淆不利于建筑物信息提取的問題;并對特征空間進行優化，避免了模糊分類時紋理特征規則運算緩慢的問題，較完整地提取出了村鎮建筑物信息，提高了分類精度。

紋理增強;數字航片;面向對象分類;Contrast;假彩色合成

0 引言

近年來，隨著我國村鎮城市化進程不斷推進，村鎮土地利用已成為社會各界廣泛關注的熱點問題。村鎮建設用地日趨緊張，給原本緊缺的土地資源造成了更大的壓力。利用高分辨率遙感影像提取村鎮建筑物信息，獲取當前土地利用情況，可為合理規劃和利用村鎮土地資源提供技術支持。就數據源而言，數字航片逐漸引發了人們的興趣，2004年的ISPRS－伊斯坦布爾大會上數字航片成為一個焦點。與IKONOS、QuickBird等多光譜高分辨率遙感影像相比，其包含較少的光譜信息(波段較少)，卻大大提高了空間分辨率;與傳統的膠片航片掃描數字影像相比，又具有空間分辨率與幾何精度較高、細部紋理信息豐富、生產周期較短等優點。數字航空相機的出現，解決了傳統攝影生產效率低、實時性差的問題［1］。

傳統的遙感影像分類方法大多是基于像元的分類方法，更多考慮的是遙感影像的光譜信息，而對影像的紋理信息、上下文等語義特征則沒有過多的關注;而且提取的結果存在嚴重的“椒鹽現象”，雖然一些預處理和分類后處理方法能在一定程度上消除這些噪聲，但不能從根本上解決這一問題［2］。由于其局限性，Benz等［3］在2004年提出“Object－oriented”的信息提取方法，即面向對象的分類方法，在很多領域得到應用并取得了較高的分類精度［4－6］。

盡管面向對象的分類方法在一定程度上取得了比傳統分類方法更好的分類結果，但分類過程中主要依據影像的 Color(顏色)、Shape(形狀)、Smoothness(平滑度)和Compactness(緊湊度)等4個特征進行多尺度分割(如蒲智等［7］采用基于面向對象的技術對高分辨率遙感影像進行陰影檢測與去除)，并沒有考慮到陰影與相鄰建筑物間的邊緣變化信息，因此不可避免地會出現誤分割現象，從而影響了分類精度。

針對上述情況，本文提出利用紋理增強得到的Contrast灰度圖與數字航片的其他2個波段進行假彩色合成提取建筑物信息的方法:基于合成影像中建筑物的邊緣變化信息進行多尺度分割，然后進行面向對象的分類。并以北京市延慶縣康莊鎮2008年12月拍攝的數字航片為例，進行建筑物信息提取，提高了分類精度。

1 基于紋理增強的面向對象的建筑物提取

1．1 面向對象的多尺度分割

面向對象的多尺度分割采用異質性最小的區域合并算法，基本思想是將具有相似性質的像元集合起來構成區域多邊形，先對每個需要分割的區域找一個種子像元作為生長的起點，然后將種子像元周圍與種子像元有相同或相似性質的像元合并到種子像元所在的區域中，將這些像元當作新的種子像元繼續上面的過程，直到沒有滿足條件的像元為止，這樣一個區域就生成了［8］。區域合并算法的目的是實現分割后影像對象的光譜異質性和空間異質性最小化。

任何一個影像對象的異質性f是由4個變量計算而得到的:wcolor(光譜信息因子)、wshape(形狀信息因子)、hcolor(光譜異質性因子)和hshape(形狀異質性因子)，且 wcolor+wshape=1［8］。異質性 f可定義為

光譜異質性因子hcolor不僅與組成對象的像元數目有關，還取決于各個波段的標準差(式2)。

式中，w為各波段的權重;c為波段數;n為對象的像元數;ρobj1、ρobj2為兩個被合并對象的標準差;ρmerge為合并得到的對象的標準差。

形狀異質性包括兩個因子:平滑度hsmooth和緊湊度 hcompact(式3)，即

hcompact和hsmooth取決與組成對象的像元數n、多邊形的邊長l與同面積多邊形的最小邊長b(式4、5)，即

針對不同的地物，要選用不同的分割尺度。一般來說，對于面積較大、紋理一致的同類地物，應采用較大的分割尺度;相反，要采用較小的分割尺度進行提取。對不同的分割尺度采用層次網絡結構進行組織，并進行后續分類［9］。

1．2 基于紋理增強的多尺度分割與建筑物提取

采用影像紋理增強技術，使建筑物的細部紋理特征參與到初期的多尺度分割過程之中，以增強多尺度分割的靈敏性。利用紋理增強提取建筑物的方法主要通過將原航片中的R波段用Contrast灰度圖進行替換，采用Contrast、G、B波段進行假彩色合成，然后進行多尺度分割和模糊分類:先對原航片選擇7像元×7像元的窗口進行邊緣檢測，提取出彩色紋理圖;再進行主成分分析，一方面實現數據的壓縮，一方面提高紋理圖的信噪比，使噪聲變小，突出建筑物的主要邊緣紋理信息，達到紋理增強的目的;然后通過基于二階概率統計的紋理濾波得到8個紋理特征值，包括 Mean(均值)、Variance(方差)、Homogeneity(協同性)、Contrast(對比度)、Dissimilarity(相異性)、Entropy(熵)、Second Moment(二階距)和Correlation(相關性)。二階概率統計用一個灰度空間相關性矩陣來計算紋理值，這是一個相對頻率矩陣。通過對8個紋理濾波特征的試驗分析和比較，發現選擇7像元×7像元的窗口進行銳化后的Contrast灰度圖，可以更好地剔除微弱細部紋理信息，突出強紋理特征，使地物邊緣紋理反差顯著增大，同時減少了數據冗余;其次，將Contrast灰度圖與原航片的其他2個波段進行假彩色合成，與原影像相比，突出了建筑物的邊緣特征，弱化了地物之間的光譜差異。通過Contrast灰度特征與原始航片R波段的替換，使得基于假彩色合成影像的多尺度分割效果更加貼近真實地物的空間表達，為建筑物信息提取打下了基礎;最后通過多尺度分割技術以及模糊分類方法進行建筑物信息提取。技術路線如圖1所示。

圖1 利用紋理增強提取建筑物信息的技術路線Fig．1 Technical route for building extraction by texture enhancement

2 試驗結果及分析

2．1 試驗區概況

試驗區位于北京市延慶縣康莊鎮，該鎮東臨八達嶺經濟開發區，是北京市首批小城鎮建設試點鎮之一，近年來經濟發展活躍，建筑物面積增長明顯。建筑物主要包括平頂房、人字房、高層居民住宅樓和廠房等，其中住宅區建筑密度較大。選取2008年12月獲取并經正射糾正的數字航攝影像作為研究數據，空間分辨率為20 cm，比例尺為1∶1 000。受航攝條件限制，影像中高層建筑的陰影明顯，部分建筑與其陰影邊界不清，低層建筑區分布較為復雜(圖2)。

2．2 紋理特征增強與假彩色影像合成

圖2 原始航片影像Fig．2 O riginal aerial im age

本試驗基于建筑物較為明顯的邊緣紋理特征，先對原航片進行邊緣檢測處理，得到彩色紋理圖;再對邊緣檢測結果圖進行主成分分析(圖3(左))與基于二階概率統計的紋理濾波(圖3(右))。

圖3 邊緣檢測紋理特征(左)與基于二階概率統計的Contrast紋理特征(右)對比Fig．3 Comparison of edge detection texture feature(left)with the contrast gray － scale texture based on second－order probability statistics(right)

從圖3對比中可以發現，基于二階概率統計的Contrast紋理特征突出了建筑物的邊緣特性，增強了建筑物之間、建筑物與周圍地物之間的邊緣反差，同時去除了如草地、裸地等模糊紋理信息，有利于后續的多尺度分割與分類。

將Contrast灰度圖作為R波段與原航片的其他2個波段進行假彩色合成，建筑物的紋理信息在假彩色合成影像上顯示為紅色(圖4)，將其轉換為對分割敏感的光譜信息。建筑物邊緣光譜特征反差的增大有利于后續分類。

圖4 假彩色合成影像Fig．4 False color composite image

試驗表明，Contrast灰度圖(R)、原始航片(G)和原始航片(B)波段組合圖像的光譜差異較突出，建筑物邊緣紋理顯著。

2．3 假彩色影像分割與村鎮建筑物信息提取

由于研究區內各個建筑物面積大小差異較大，且分布不均勻，對上述假彩色合成前、后的數字航片分別進行多尺度分割，先采用大尺度(Scale Parameter=300)對面積較大的建筑物進行分割;然后采用小尺度(Scale Parameter=90)對面積較小的建筑物進行分割;同時設置參數Color=0．9，Smoothness=0．7，采用層級結構組織。假彩色影像合成后，在建筑密度較低的區域，高層建筑物的邊緣更加細膩，高層建筑物邊緣及其陰影都得到了較好的區分;在建筑密度較大的區域，因為紋理特征的參與，低層建筑物與周邊院落錯分割的現象得到了改善;同時由于研究區內塊狀院落、道路等與建筑物具有相似強度的紋理特征，也被分割出來。假彩色影像合成前、后分割效果見圖5。

圖5 假彩色影像合成前(左)、后(右)分割效果對比Fig．5 Comparison of the segmentation results before(left)and after(right)color composition

研究區合成影像主要包括建筑物、農田和道路等3類地物。本試驗將假彩色合成影像中的地物分為2大類，即建筑物和其他地物。假彩色合成前、后建筑物提取結果對比見圖6。

圖6 假彩色影像合成前(左)、后(右)建筑物提取效果對比Fig．6 Comparison of building extraction results before(left)and after(right)color composition

原航片由于分割效果不佳，對分類基礎造成影響，導致規則特征不易確定，特征空間維數增加，建筑物提取精度為89．17%(表1)。

表1 基于原航片的分類結果評估參數Tab．1 Evaluated parameters of classification based on original image

而假彩色合成影像分割效果較真實地反映出實際建筑物的輪廓，原航片中未分類的建筑物得到正確提取;同時對建筑物周邊陰影和與其光譜差異較小的院落地塊、道路等易混淆分割對象，采用長寬比、相鄰特征等模糊規則予以剔除，建筑物提取精度達 94．40%(表2)。

本研究在使用模糊函數時，優化了特征空間，避免了在模糊規則庫中使用灰度紋理特征造成分類速度緩慢的問題。但是，研究中也發現分類中高密度建筑區內低層建筑與院落仍存在邊緣混淆分割的現象，院落邊緣與低層建筑物邊緣紋理走向、分布一致時，難以區分，影響了分類精度。

表2 基于紋理增強的分類結果評估參數Tab．2 Evaluated parameters of classification based on texture enhancement

3 結論

(1)基于數字航片豐富的紋理特征，挖掘了對村鎮建筑物信息提取較為適合的紋理增強方法，即將紋理特征轉化為對分割更為敏感的光譜特征，得到了反映建筑物真實結構與分布特征的分割效果，為后續建筑物提取提供了保證。

(2)與運用面向對象的分類方法相比，有紋理特征參與的假彩色合成影像雖然損失了原航片的R波段，使地物光譜特征相對減少，地物光譜差異相對下降，但是通過將Contrast紋理特征與原始航片R波段的替換，突出了建筑物的細部結構與邊緣信息，有利于建筑物的提取;同時優化了模糊分類的特征空間，避免了在面向對象的分類方法中應用灰度紋理特征運算緩慢的問題，節約了計算時間，提高了工作效率。

(3)試驗結果表明，該方法雖然能夠較精確地提取出村鎮建筑物信息，提高了分類精度，但還有值得改進之處:①分割參數的確定需要用戶不斷地試驗，并要求用戶具有豐富的經驗和專業知識，人為差異較大，今后需重點研究建筑物提取目標與分割參數的關系，為分割參數的確定提供依據;②隨著數字航攝技術的不斷進步，影像表達的地物紋理特性會更加豐富，如何從中獲得穩定的紋理特征將是下一步的研究方向。

［1］劉先林，段福洲，宮輝力，等．航空攝影科技發展成就與未來展望［J］．前沿科學，2007(3):10－14．

［2］田新光．面向對象高分辨率遙感影像信息提取［D］．北京:中國測繪科學研究院，2007．

［3］Benz U C，Hofmann P，Willhauck G，et al．Multi－ resolution Object－oriented Fuzzy Analysis of Remote Sensing Data for GIS－ready Information［J］．ISPRS Journal of Photogrammetry＆ Remote Sensing，2004，58:239 －258．

［4］明冬萍，駱劍承，周成虎，等．高分辨率遙感影像信息提取及塊狀基元特征提取［J］．測繪科學，2005(1):18－20．

［5］曹 雪，柯長青．基于對象級的高分辨率遙感影像分類研究［J］．遙感信息，2006(5):27 －30．

［6］黃慧萍．面向對象影像分析中的尺度問題研究［D］．北京:中國科學院研究生院(遙感應用研究所)，2003．

［7］蒲 智，楊 遼，白潔．基于面向對象技術的高分辨率遙感影像的陰影檢測與去除［J］．遙感技術與應用，2008(6):375－378．

［8］章毓晉．圖像分割［M］．北京:北京大學出版社，2000．

［9］BLASCHKE T．Object－ based Contextual Image Classification Built on Image Segmentation［C］//Advances in Techniques for Analysis of remotely Sensed Data．2003:113－119．

(責任編輯:劉心季)

The Extraction of Buildings in Towns and Villages from Digital Aerial Images Based on Texture Enhancement

YANG Gang1，ZHAO Wen － ji1，2，DUAN Fu － zhou2，ZHAO Wen － hui2
(1．Key Laboratory of Resources Environment and GIS of Beijing，Capital Normal University，Beijing 100048，China;2．Key Laboratory of3D Information Acquisition and Application，Capital Normal University，Beijing 100048，China)

Based on fine texture expression of the edge of the detailed information in the digital aerial image，the authors first preprocessed the digital aerial image by edge detection，principal component analysis and the texture filter of second － order probability statistics，secondly obtained the gray image of the contrast texture through the sharpening window of 7 × 7，then taking the gray image as an independent band，processed a pseudo color composition with the band combination of contrast(R)，the digital aerial image band(G)and the digital aerial image band(B)．Finally，multiple segmentation and building extraction in towns and villages based on the pseudo color images were processed．With the digital aerial image acquired in December 2008 from Kangzhuang Town of Yanqing County in Beijing as an example，the authors processed building extraction by using the method mentioned above．Compared with the object－ oriented classification method，it not only highlighted the edges of the buildings but also reduced the redundant segmented objects．Besides，it achieved an effective solution of the shadow of the building and its confusing area，optimized the feature space，and improved the classification accuracy．

Texture enhancement;Digital aerial image;Object－oriented classification;Contrast;Pseudo color composition

段福洲，E －mail:duanfuzhou@263．net。

TP 751．1

A

1001－070X(2010)04－0051－05

2010－02－04;

2010－03－10

國家科技支撐項目(編號:2006BAJ05A01)和國家科技支撐項目(編號:2008BAK49B01)共同資助。

楊 剛(1983－)，男，碩士研究生，主要從事數字影像處理與信息提取方面的研究。