基于面向對象的建筑物輪廓協同提取方法

李 珵，盧小平，李向陽

(1.河南理工大學礦山空間信息技術國家測繪地理信息局重點實驗室，河南焦作454003;2.河南省基礎地理信息中心，河南鄭州450003)

一、引 言

機載LiDAR可以快速獲取地面物體的高精度三維點云數據，據此建立的高分辨率DEM和DSM可用于復雜環境中地物要素信息的提取。然而，現有的建筑物提取方法多是將點云數據濾波分類為地面點、建筑物和其他地物，然后與基于影像的建筑物進行檢測比較。由于點云數據受水平位置精度限制，使用單一的LiDAR數據源難以獲取準確、翔實的建筑物邊緣信息，因此要提取建筑物的規則輪廓，在一定程度上取決于LiDAR數據的幾何分辨率。

本文綜合利用LiDAR點云數據與GeoEye高空間分辨率遙感影像，研究基于圖像分割的面向對象分類方法，建立了一種礦區建筑物協同提取算法模型，即利用不同分割算法對nDSM數據進行分割，建立目標對象;通過設定地物高度閾值與亮度閾值確定建筑物區域，去除陰影信息;利用建筑物光譜特征的相似性在較高坡度值的區域精確提取建筑物的輪廓;基于綠度指數去除植被信息;對于植被與建筑物混疊區域，根據其與建筑物之間的空間關系進行優化，可確保建筑物輪廓的完整性;最后利用開、閉形態學算子和面積閾值，實現了虛警目標的去除和目標邊界的平滑。

二、面向對象的建筑物輪廓提取

1.影像分割

影像分割是面向對象信息提取的關鍵，其目的是使地物目標的異質性最大。選擇不同尺度對圖像進行分割，可大大減少分類時需要處理的數據單元數，并提高分類速度。針對多數建筑物所具有的形狀特征，本文采用四叉樹圖像分割算法將對象分割為矩形目標。

空間四叉樹算法是將含有整個場景的空間按x、y方向分割成4個子方塊網格，組織成一棵四叉樹。若某一子方塊網格中所含目標特征的一致性大于設定的閾值，則對該子方塊網格作進一步剖分。如此遞歸，直到四叉樹的每一葉子節點子方塊所含目標特征的一致性均小于閾值為止。建立四叉樹結構，能夠使每個分割目標具有符合尺度參數定義的一致性閾值的最大可能尺寸。

本文使用均值和方差作為同質性標準。子分割對象的像元均值可表示為

式中，n2為四叉樹分割對象的像元數量;f(i，j)為像元(i，j) 值。方差定義為

四叉樹算法是從圖像像素開始向上來實現四叉樹構造，具體步驟為：

1)構建一個四叉樹，存儲每個結點的4個子節點的均值和方差;

2)搜索，從根結點找到均值和方差都在要求范圍內的最高的子結點;

3)通過鄰域搜索合并均值和方差在閾值范圍之內的相鄰節點。

nDSM圖像具有較好的可分離背景，適合于四叉樹分割。建筑物分割后內部可形成較大的方形目標，邊緣得到較小的分割目標(如圖1所示)，適用于后續的閾值提取和建筑物輪廓的精確提取。

圖1 原始nDSM數據與基于四叉樹分割結果對比

2.建筑物提取

(1)基于高度閾值與陰影信息的初步提取方法

利用nDSM高度閾值提取建筑物候選分割對象，高度閾值通常設置為較小的值，以確保建筑物的完整性，如農村住宅一般較矮，可將高度閾值設定為1 m。通常情況下，與建筑物相鄰的陰影難以區分，但可根據陰影亮度值很低、建筑物房頂的亮度值較高這一特點進行區分。因此，可利用航空影像的R、G、B波段計算亮度指數(Brightness)，用以消除建筑物候選對象中的陰影，并將亮度指數的陰影亮度特征閾值設置為小于70。亮度指數的計算式為

(2)建筑物陡坡邊緣地物的重分類

利用GeoEye高空間分辨率遙感影像豐富的光譜信息，將建筑物邊緣坡度較大區域中與房頂光譜一致的對象分類到建筑物中，可提高建筑物邊緣的提取精度。如果已知高度H沿x和y方向的偏導數，坡度指數可按下式計算

坡度指數閾值的取值區間可通過試錯法，并綜合坡度圖像和坡度直方圖進行選取，坡度閾值的變化區間為［40°，90°］。由于不同房屋屋頂的光譜特征不同，因此需要對各個波段的光譜相似性進行分析。本文設定距離閾值為20像素，亮度差異閾值為30。

(3)基于綠度指數的植被信息去除

對于初步提取結果中存在的植被信息，利用航空影像R波段和G波段計算的綠度指數進行去除。綠度指數閾值設定為0.36，計算公式如下

(4)數學形態學處理方法

提取結果中存在的各種噪聲會導致目標虛警、不完整等，可通過數學形態學和提取目標連通區域的形狀特征進一步處理，從而取得更為完善的結果。

①腐蝕與膨脹

腐蝕與膨脹是數學形態學兩種最基本的運算，其他形態學算法大多是以這兩種原始運算為基礎的。設A與B是Z中的集合，A被B膨脹定義為

式中，B叫做膨脹的結構元素。A被B腐蝕可定義為

從膨脹與腐蝕的算式可以看出，膨脹使圖像目標面積擴大，而腐蝕使圖像面積縮小。一般在提取的地物目標區域中，受各種干擾因素的影響，其邊緣不能完整獲取。在下面開、閉運算的基礎上可適當進行膨脹運算，從而獲取較完整的目標信息。

②開操作與閉操作

開操作與閉操作是重要的形態學運算方法。使用結構元素B對集合A進行開操作即對A先腐蝕，然后用B對結果進行膨脹。使用結構元素B對集合A進行閉操作，即用B對A先膨脹，然后用B對結果進行腐蝕。

開操作使對象的輪廓變得光滑，可斷開狹窄的間斷并消除細小的突出物;閉操作同樣可使輪廓線更為光滑，但與開操作相反的是，它可以消除狹窄的間斷及消除小的空洞，填補輪廓線中的斷裂。在道路區域處理過程中，首先采用小對稱結構元素進行開操作，去除與道路非連通的小區域;然后在此基礎上采用大結構元素進行閉操作，消除斷裂，平滑邊緣。

③區域填充

對于分類提取算法提取的目標區域中存在的圖斑漏洞等噪聲，可利用形態學區域填充方法進行處理。該算法以集合的膨脹、求補和交集為基礎，若A表示一個包含子集的集合，則子集元素均為區域的八連通邊界點。從邊界內p點開始，用1填充整個區域，將所有非邊界(背景)點標記為0。區域填充的計算模型如下

式中，X0表示P點;B為對稱結構元素;Ac表示A。如Xk=Xk-1，則算法在迭代第k次后結束。Xk和A的并集包含被填充的集合和邊界。

在提取建筑物過程中，首先采用填充操作填補建筑對象中小于一定閾值的內孔;然后通過閉操作(先使用膨脹算子，后使用腐蝕算子)對粗糙的邊界進行平滑，并去除建筑物邊緣處的小缺口。本文采用的結構元素是5×5的矩形，通過形態學操作消除虛假對象并平滑目標邊界后，獲得了一組可靠、完整的建筑物對象，實現了對每個對象邊界的檢測和追蹤。

三、試驗結果與分析

1.試驗區概況

本文以河南省鶴壁礦區內的農村住宅作為試驗研究區，以ALS60機載LiDAR和GeoEye遙感影像為數據源。GeoEye遙感影像(如圖2所示)和提取的nDSM(如圖3所示)空間分辨率分別為0.4 m和0.5 m。GeoEye影像使用DSM進行正射校正，并使校正后的圖像與機載LiDAR點云數據完全配準。

圖2 試驗區GeoEye影像

圖3 LiDAR提取的nDSM數據

2.試驗結果與分析

采用面向對象的分類方法對農村居民建筑物進行提取(約為0.56 km2)，處理步驟包括四叉樹圖像分割、基于高度閾值的建筑物初步提取、建筑物陡坡邊緣地物重分類、基于綠度指數的植被信息去除和數學形態學處理。四叉樹分割利用nDSM數據進行分割，高差平均值設置為1 m。圖4為局部提取的處理過程，其中，圖4(b)為分割結果，圖4(c)為基于nDSM閾值初步提取結果，圖4(d)為最終結果(能夠較準確地提取出建筑物邊緣)。圖5為試驗區建筑物輪廓提取結果。

圖4 試驗區建筑物局部提取處理過程

圖5 試驗區建筑物輪廓提取結果

試驗共提取了234處居民建筑物(連結在一起的建筑物作為一處)，總面積為191 539 m2，并通過人工解譯方法對參考數據進行了精度評價。其中，Ⅰ類誤差(建筑物被錯分為其他地物)、Ⅱ類誤差(其他地物被錯分為建筑物)分別為4.09%和3.25%，總體精度達到了95.94%。

四、結束語

本文以激光點云和GeoEye遙感影像為數據源，引入主被動遙感協同處理方法，構建了基于面向對象的地物要素提取算法模型，實現了居民地要素的自動提取。試驗結果表明，農村居民建筑物要素整體提取的準確度超過90%。

［1］BRZANK A，HEIPKE C，GOEPFERT J，et al.Aspects of Generating Precise Digital Terrain Models in the Wadden Sea from Lidar-water Classification and Structure Line Extraction［J］.Journal of Photogrammetry and Remote Sensing，2008，63(5)：510-528.

［2］VOSSELMAN G.Slope Based Filtering of Laser Altimetry Data［J］.International Archives of Photogrammetry and Remote Sensing，2000，33(B4)：958-964.

［3］WHITMAN D，ZHANG K，LEATHERMAN S P，et al.Airborne Laser Topographic Mapping：Application to Hurricane Storm Surge Hazards［J］.Earth Sciences in the Cities：A Reader，2003：363-376.

［4］CRESSIE N.The Origins of Kriging［J］.Mathematical Geology，1990，22(3)：239-252.

［5］孫家抦.遙感原理與應用［M］.2版.武漢：武漢大學出版社，2009：218-224.

［6］盧小平.電磁波信號在對流層中路徑彎曲改正的級數展開式［J］.測繪學報，2008，37(2)：142-146.

［7］ZHANGKeqi，WHITMAN D.Comparison of Three Algorithms for Filtering Airborne LiDAR Data［J］.Photogrammetric Engineering ＆ Remote Sensing，2005，71(3)：313-324.

［8］PILESJ? P，PERSSON A，HARRIE L.Digital Elevation Data for Estimation of Potential Wetness in Ridged Fields-Comparison of Two Different Methods［J］.Agricultural Water Management，2006，79(3)：225-247.

［9］盧小平，王雙亭.遙感原理與方法［M］.北京：測繪出版社，2012.