面向對象分類提取高分辨率多光譜影像建筑物

譚衢霖,高姣姣

(北京交通大學 土木建筑工程學院,北京 100044)

面向對象分類提取高分辨率多光譜影像建筑物

譚衢霖,高姣姣

(北京交通大學 土木建筑工程學院,北京 100044)

初步測試利用基于知識規則的面向對象分類方法從高分辨率Ikonos衛星影像上提取建筑物,包括:融合1 m全色和4 m多光譜波段影像,生成1 m分辨率的多光譜融合影像;分割融合影像;利用影像對象的光譜和空間特征執行基于對象的分類。面向對象分類提取結果與傳統的基于像元最大似然分類結果進行對比,表明面向對象分類方法更適用于提取高分辨率遙感影像中的建筑物。

面向對象影像分析;模糊邏輯;分割;分類

1 概 述

隨著數據成本相對低廉的國際商業高分辨率多光譜衛星影像的出現并迅速發展,一些航空遙感影像應用問題已經可以采用衛星遙感影像替代[1]。但是,盡管衛星遙感影像可以獲得與航空遙感影像相當的空間分辨率,但地物信息提取的生產作業方法仍以目視判釋解譯為主。若能利用高空間分辨率衛星遙感影像數據進行地表建筑物自動或半自動制圖,一方面將大幅降低數據獲取和制圖費用,另一方面將大幅提高生產作業的速度和效率。但已有研究表明,由于高空間分辨率衛星遙感影像在高度異質的城區環境存在大量同物異譜和異物同譜現象,應用傳統的基于像元光譜分類的自動或半自動方法進行建筑物遙感制圖難以取得滿意的效果[2]。

面向對象影像分析是近年來出現的一種信息提取新方法,有望克服基于像元分析的局限性。這種方法在光譜(顏色)特征之外,還可以結合空間結構關系來識別和分類地物,影像處理不是逐像元而是基于像元組合而成的區域來進行[3]。由于具有上述優勢,利用面向對象影像分析方法來進行高分辨率遙感地表大尺度制圖已受到許多研究者重視。如Hofmann和Herold等利用IKONOS影像,采用面向對象影像分析方法,借助外部語義信息(如專題圖或數字高程模型)成功地進行了城區建筑物制圖,取得了很好的效果[4-5]。M arangoz等也利用 IKO-NOS影像,采用面向對象影像分析方法成功提取了城市郊區的建筑物[6]。與已有研究不同,本研究將測試缺乏外部數據和先驗知識的條件下,僅利用分割影像對象的光譜和空間結構特征,發展基于知識規則的面向對象分類方法來提取高分辨率多光譜IKONOS影像中的建筑物。

2 方法與試驗

本研究試驗影像數據為2004-04獲取的經過幾何和輻射校正的加拿大安大略省倫敦市地學參考IKONOS影像,該影像數據由U niversity of Western Ontario提供。試驗區為倫敦市低密度居民住宅區。所用遙感圖像分析處理軟件包括PCI、ENV I和eCognition,其中面向對象影像分析處理主要采用eCognition軟件完成。數據處理流程包括如下步驟:①融合1 m全色和4 m多光譜波段影像,生成1m分辨率的多光譜融合影像;②分割融合影像;③評估光譜和空間特征,從圖像視覺和數理統計分析確定能較好地區分建筑物的特征;④把選定的特征借助成員函數構建面向對象的建筑物分類知識規則;⑤執行基于知識規則的面向對象模糊分類并評估精度。試驗方案為:首先,選擇一代表性的局部區域影像作為訓練場景進行面向對象建筑物提取,明確上述處理流程中涉及算法的具體參數設置。然后,應用同樣的處理流程和算法及參數設置測試另一區域影像并評估精度。

2.1 數據融合與影像分割

影像增強有利于感興趣地物的分割提取。1 m全色和4 m多光譜波段的Ikonos影像非常適合于圖像融合增強。為盡量減少光譜信息損失,采用PCIGeomatica 8.2中的SFIM方法[7]進行融合。

圖像分割算法采用Baatz和Schaepe等發展的多分辨率分割算法[8]。多分辨率分割程序執行時,首先需要確定待分割影像各圖層的權值,然后設置尺度參數,光譜(顏色)和形狀異質性計算的權值,緊密度和平滑度的權值。這些設置參數都與分割生成的影像區域大小范圍緊密相關。其中,尺度參數對分割生成的影像區域大小直接正相關,影響最明顯。在其它參數設置相同的情況下,尺度參數越大,生成的影像分割區域越大。影像分割后生成的影像區域(對象),應該較好地表示出建筑物目標所在區域。

多分辨率分割算法可以設置不同的參數多次執行構建影像對象層次(不同對象層自底向上序號增大),后續的面向對象分類可以選定其中的某個影像對象層進行,但分類所用的特征可以結合對象層次體系中形成的上層父對象特征、下層子對象特征、相鄰對象特征、類相關特征等等空間結構關系特征[3]。本研究中,通過試驗,采取如表1所示的分割策略:先分割形成底層,然后分割形成最頂層,再中部層。中部層采用更大的尺度參數把初次分割形成的多個小區域結合成更大的影像區域,然后,又通過設置不同的分割參數權重,把更大的影像區域又分成多個相鄰的小區域。這種策略,能較好地減輕建筑物周圍陰影對分割的不利影響,從而使最后生成的第2影像對象層大部分建筑物目標所在影像區域具有分類意義。試驗影像數據中,由于藍色和全色波段對于試驗影像視覺區分地物最為清晰,因此,采用這兩個圖層作為分割輸入數據層。圖1為面向對象分類提取建筑物訓練區域影像,其中圖1(a)為1 m分辨率的IKONOS全色波段影像,圖1(b)為采用上述分割策略最后生成的第2影像對象層。

表1 分割參數設置

2.2 面向對象分類

影像分割成影像區域(對象)后,可以構建知識規則執行面向對象的影像分類。eCognition中有兩種分類器:最近鄰分類器(通過選定的樣本對象特征來描述類)和模糊成員函數分類器(根據特征成員函數值來確定影像對象屬于某類的類屬度)[3]。研究中利用模糊成員函數分類器構建知識規則來進行面向對象的分類,模糊成員函數特征控制點值通過數學統計和可視化分析影像對象獲得的經驗性對象特征值來確定。通過對影像對象的光譜和空間特征的可視化解譯和數理統計比較,選取最容易視覺區分建筑物的特征構建模糊分類知識規則。試驗處理分析確定如下可以較好區分建筑物和其他地物類的特征:①對象均值:給定圖層上影像對象所有像元灰度值的平均值。本試驗研究中利用了藍色和近紅外波段圖層。②比率值:給定圖層上影像對象所有像元灰度值的平均值與所有圖層(不含全色波段圖層)的影像對象平均值的總和之比。與對象均值特征類似,計算了藍色和近紅外波段圖層的比率值。③與相鄰對象的平均差:給定圖層上影像對象與相鄰對象的灰度均值之差。研究中計算了近紅外圖層的該特征值。④密度:影像對象的面積除以半徑。⑤緊密度:影像對象的面積與具有同等周長的圓面積之比值。這5類特征中,緊密度和密度是空間特征,其他的為光譜屬性特征。

采用逐步細化的策略來形成提取建筑物的知識規則。即首先進行粗分類,隨后再進一步細化分類。這種逐步細分的分類提取策略可以通過eCognition軟件中的分類層次父類—子類的構建來實現。首先,利用光譜屬性特征,創建植被和非植被類。構建的知識規則為:IF(藍波段比率值<0.200 9)AND (近紅外波段比率值>0.315 4)THEN對象=植被類ELSE對象=非植被類。

其次,創建非植被類的子類:建筑物類和其他類。利用光譜和空間特征,構建知識規則如下:IF (藍波段均值>241.5)AND(近紅外波段均值< 0.376)AND(藍波段比率值>0.229 8)AND(近紅外波段與相鄰對象的平均差<54.47)AND(緊密度<2.2)AND(密度>1.43)THEN對象=建筑物類ELSE對象=其他類。

經上述知識規則分類后的訓練區域影像建筑物提取結果如圖1(c)所示。圖中黑色表示提取的建筑物對象,灰色表示植被類對象,白色的區域為其他類對象。從圖可見,分割及后續分類提取建筑物取得了很好的效果(建筑物提取精度達100%,虛警率為0)。為了測試參數設置的適用性和上述流程的自動化處理性能,把上述處理流程及參數設置不作調整修改應用于測試區影像(見圖2)。其中,圖2(a)為測試區1m分辨率的IKONOS全色波段影像,圖2(b)為采用上述分割策略生成的測試區第2影像對象層。圖2(c)為面向對象分類后的測試區域影像建筑物提取結果。從測試處理圖像可見,分類提取效果總體較好,盡管存在少數誤分類,但分類總精度仍達92%。若通過調整分割參數和分類特征值的設置,顯然可進一步改善建筑物提取的效果。

為便于比較,利用 ENV I軟件,對訓練區和測試區影像執行傳統的基于像元的最大似然監督分類,像元分類提取建筑物結果如圖1(d)和圖2(d)所示。圖中建筑物類顯示為黑色,從像元分類圖可見,分類圖像視覺效果差,出現高度的像元斑噪,而且,出現了較多像元誤分類,像元虛警率也較高。與面向對象分類圖比較,效果明顯較差。

3 結 論

本試驗研究初步表明,發展的基于知識規則的面向對象分類方法流程適合于探測和提取高分辨率IKONOS衛星遙感影像中低密度住宅區房屋的位置和分布。相對于傳統的基于像元最大似然分類方法,面向對象分類提取建筑物更為有效,是一種適用的方法。但需注意:①影像分割參數的設置需要一定程度的人機交互試驗確定,不同處理區域影像同樣的參數設置值并不一定適用或最優。因此,分割參數設置只能給出一些原則性的建議,而不適合結合在自動處理流程中。②由于特征成員函數控制點值是通過特征值數理統計分析確定的,需要應用者針對具體特定的影像應用場景調整。③由于處理流程具體應用時,需要一定的人機交互和經驗,因此,本質上,這種方法不能實現全自動處理,而是一種半自動的處理流程。

[1]張永生,鞏丹超.高分辨率遙感衛星應用—成像模型、處理算法及應用技術[M].北京:科學出版社,2005.

[2]LEE,D.,J.SHAN,J.BETHEL.Class-guided building extraction from IKONOS imagery[J].Photogrammetric Engineering&Remote Sensing,2003,69(2): 143-150.

[3]Definiens Imaging GmbH.eCognition user guide[M]. M unich:Definiens Imaging GmbH,2006.

[4]HOFMANN,P.Detecting urban features from IKONOS data using additional elevation information[J].GIS Geo-Info rmation System,6/2001.

[5]HEROLD,M.,J.SCEPAN,A.MüLLER,et al.. Object-o riented mapping and analysis of urban land use/ cover using IKONOS data[C].Proceeding from the 22nd EARSEL Symposium,2002,6.

[6]MARANGOZ,A.,M.ORUC,G.BUYU KSAL IH. Object-o riented image analysis and semantic network fo r extracting the roads and building from IKONOS pansharpened images[C].Proceeding from XXth ISPRS Congress,July 12-23,2004.

[7]LU I,J.Smoothing filter-based intensity modulation:a spectral p reserve image fusion technique for imp roving spatial details[J].International Journal of remote Sensing,2000,21(18):3461-3472.

[8]BAA TZ,M.,A.SCHAEPE.M ultiresolution segmentation-an optimization app roach fo r high quality multiscale image segmentation[C].Proceeding from the Angewandte Geographische Informationsverarbeitung XII, Salzburg 2000.Karlsruhe:Herbert Wichmann Verlag, 12-23.

(School of Civil Engineering,Beijing Jiaotong University,Beijing 100044,China)

Building extraction from high resolution multispectral image using object-oriented classification method

TAN Qu-lin,GAO Jiao-jiao

In this study,an object-o riented classification method fo r building extraction is developed and tested on subscenes of an Ikonos scene of low residential urban region.The method includes the follow ing steps:1m panchromatic and 4m multi-spectral bands in the Ikonos scene are fused to p roduce a pan-sharpened 1m multi-spectral image;the 1m multi-spectral image is segmented into image objects;and using spectral and spatial characteristics of image objects,object-oriented classification is performed to classify building class.The results,w hich are compared w ith traditional classification,demonstrate the app licability of the object-oriented classification to the building extraction in the urban environment from high resolution multi-spectral satellite images.

object-oriented image analysis;fuzzy logic;segmentation;classification

TP79

A

1006-7949(2010)04-0030-04

2009-11-26

國家自然科學基金資助項目(40801121);中央高校基本科研業務費專項資助項目(2009JBM 067)

譚衢霖(1975-),男,副教授,博士.

[責任編輯:劉文霞]