基于鄰域總變分和勢直方圖函數的高分辨率遙感影像建筑物提取

施文灶，劉金清

(1.福建師范大學 光電與信息工程學院，福州 350108; 2.福建師范大學 醫學光電科學與技術教育部重點實驗室，福州 350007; 3.福建師范大學 福建省光子技術重點實驗室，福州 350007)

基于鄰域總變分和勢直方圖函數的高分辨率遙感影像建筑物提取

施文灶1,2,3*，劉金清1,2,3

(1.福建師范大學 光電與信息工程學院，福州 350108; 2.福建師范大學 醫學光電科學與技術教育部重點實驗室，福州 350007; 3.福建師范大學 福建省光子技術重點實驗室，福州 350007)

(*通信作者電子郵箱swz@fjnu.edu.cn)

針對現在的高分辨率遙感影像建筑物識別與提取方法存在的準確率低及數據要求嚴格等問題，提出一種基于鄰域總變分(NTV)和勢直方圖函數(PHF)的方法。首先，計算遙感影像各像元的加權鄰域總變分似然函數取值，并進行區域生長分割，將矩形度和長寬比作為約束條件提取候選建筑物；然后，進行陰影自動提取；最后，利用數學形態學對陰影進行處理，計算處理后的陰影和候選建筑物之間的鄰接關系得到建筑物，并用最小外接矩形對其邊界進行擬合。為了驗證所提算法的有效性，選取深圳市PLEIADES影像中9幅具有代表性的子影像進行實驗。實驗結果表明，所提方法的平均查準率和平均查全率分別達到97.71%和84.21%，與水平集和基于顏色不變性特征兩種建筑物提取方法相比，在總體性能F1上具有10%以上的提高。

高分辨率遙感影像；勢直方圖函數；鄰域總變分；形態學；建筑物提取

0 引言

建筑物是城市下墊面主要的地物類型，是城市大比例尺基礎地理底圖中必須重點表現的專題要素。通過自動識別與提取高分辨率影像上的建筑物，以此提高城市基礎地理數據庫建設與更新的效率、降低人工作業的工作量與勞動強度具有重要意義。

目前，各類高分辨率衛星遙感影像以及航空遙感影像得到普及，成為建筑物提取的主要數據源，以下對相關的建筑物提取方法進行綜述。

1)基于分類的方法。分類的主要目的是先進行建筑物或建筑物區域的粗提取，再利用先驗知識或建筑物特征進行篩選、提高檢測性能[1-3]。通過分類可以排除一部分非建筑物區域的干擾，提高方法的效率。但分類器的選擇和設計是關鍵，通常需要根據具體場景對分類器的參數進行調校，是一個較為繁瑣且復雜的過程。

2)基于分割的提取方法。為了獲取更為準確的建筑物對象，通常先經過分割并計算分割區域內的梯度、紋理、方向和形狀等特征信息，獲得候選建筑物，再根據空間格局和結構語義信息，如建筑物和道路的空間關系、建筑物之間的方向一致性等提取建筑物對象，使得準確輪廓信息的獲取成為可能[4-6]。但缺點是準確性過分依賴于分割算法的性能，過分割或欠分割都會造成建筑物的誤檢或漏檢。

3)基于陰影的方法。陰影包含了建筑物結構的大量信息，而無需另外描述其模型，因此被認為是用于建筑物提取的一種重要特征。一般的做法是根據陰影區域的飽和度和強度遵循某種特征，通過閾值方案檢測陰影區域[7-8]。理論上，準確的陰影可以用于任意形狀建筑物的自動提取，然而，在目前的大多數研究中，陰影沒得到充分的提取，一般只是提取建筑物周圍的暗區域，另外，空間關系如何確定以及陰影的自動準確提取仍有待進一步研究。

4)基于邊緣的提取方法。該類方法先利用邊緣檢測算子提取邊緣，根據空間關系對邊緣進行分組，搜索符合建筑物空間結構的邊緣組合，得到建筑物[9]。此類方法由底層的邊緣特征提取和搜索開始，逐層往上獲得更高層的目標信息，在遮蔽少、建筑物獨立和結構簡單的情況下效果較好，但在邊緣提取及其擬合等步驟中使用了較多閾值，這些閾值難以同時適應不同的建筑物類型和影像條件，實用性受到限制。

近年來，出現了諸如振蕩器神經網絡[10]、視覺圖形主題模型[11]、時空推論[12]等新模型和方法，同時各種地理信息系統(Geographic Information System, GIS)數據庫和先驗知識庫也不斷更新和完善，雖然可以在一定程度上提高建筑物檢測的準確性，但以上方法還存在如下問題：1)需要大量的數據集作為訓練樣本；2)需要復雜的模型建立過程；3)需要龐大的數據庫和專家系統的支持；4)需要多種不同類型的遙感數據。總之，從實用性來看，受到較大的限制。

針對基于二維高分辨率遙感影像提取建筑物現有相關研究成果的不足以及數據限制，本文利用勢直方圖函數(Potential Histogram Function, PHF)和鄰域總變分(Neighborhood Total Variation, NTV)，提出一種無需多光譜及高程信息的方法，可以高效、魯棒地自動識別和提取遙感影像中的建筑物。

1 算法原理

本文的算法流程如圖1所示，主要包括基于NTV的區域生長分割、基于PHF的陰影提取和基于數學形態學計算鄰接關系的建筑物提取三個部分。

圖1 本文算法流程

1.1 候選建筑物提取

以建筑物頂部具有均勻的光譜特性為前提條件，提出一種基于NTV的區域生長分割方法，實現了種子點的自動選取，并通過對分割對象進行后處理，提取候選建筑物。

設遙感影像為I(x,y)，則總變分定義為：

(1)

總變分實質上是函數I的梯度的模的積分。函數梯度反映了函數在某點的變化程度；梯度的模的積分反映了函數變化的激烈程度；總變分表示影像整體能量的變化，取值越小，代表著支持域內影像的變化越小，影像越平滑。由于建筑物頂部一般具有均勻光譜特征，使得遙感影像I中建筑物區域的總變分相對非建筑物區域要小得多，利用上述特征，定義如下的NTV：

(2)

考慮到鄰域中不同位置的點可能具有不同的貢獻，定義如下的加權NTV：

(3)

其中：λ(u,v)為對應點的權值，本文研究算法中，采用高斯核函數模板。

為了表征影像中的每一點的局部均質程度，根據加權NTV定義如下的似然函數：

(4)

LS(I(x0,y0))越大，表明I(x0,y0)屬于建筑物區域的可能性越大。在計算各點的似然函數取值后，通過線性變換將其轉換至區間[0,255]，如圖2(a)所示。考慮后續步驟中區域生長分割的準確性是以種子點的正確選取為前提的，因此對LS的二值化需要選取較大的閾值以保留最有可能屬于建筑物區域的像素，本文通過對20幅遙感影像進行基于NTV的分割，比較閾值取值范圍從100～250、間隔為10的效果，通過目視判斷，發現閾值取值在220～240最為合適。這里選取了最佳范圍的中間值230，二值化結果如圖2(b)所示。由于二值化后的結果中存在大量的孤立像素或小面積區域，將影響候選建筑物的提取精度，因此需要對其進一步處理，本文算法刪除面積小于10的區域并對保留區域進行標注，結果如圖2(c)所示。圖2(d)為每個保留區域的質心，以每個質心為種子點進行區域生長分割，結果如圖2(e)所示。最后，利用矩形度RLW=L/W和長寬比RU=S1/S2作為約束條件對區域生長分割后的對象進行后處理，其中L和W分別代表分割對象的最小外接矩形的長和寬；S1/S2分別代表分割對象的面積和最小外接矩形的面積，最后保留同時滿足矩形度大于閾值且長寬比小于閾值的分割對象(閾值的設置見表2)，得到候選建筑物(其中可能包含陰影)，如圖2(f)所示。

圖2 候選建筑物提取過程的可視化

1.2 陰影提取

陰影和非陰影的分割關鍵在于確定一個合適的閾值，而傳統的分割方法大多采用人工設置。本文在文獻[11]的基礎上，提出一種基于PHF的自動陰影提取算法。

設I=[f(i,j)]M×N為M×N的灰度影像，G為灰度級，I的灰度統計直方圖函數H(k)計算公式為：

(5)

其中：

H(k)可以表征灰度值為k的像元在影像I中出現的概率。

定義PHF為：

(6)

對圖2(f)分別計算灰度統計直方圖函數H(k)和PHF，得到的結果如圖3(a)和圖3(b)所示，可以看出，PHF相當于對灰度統計直方圖函數進行低通濾波。

圖3 H(k)和PHF曲線

根據陰影的灰度級較低的特征，通過構造PHF的一階差分自動確定分割閾值，如式(7)所示：

P(k)=PH(k+1)-PH(k);k∈{0,1,…,G-1}

(7)

圖3(b)中的PHF曲線的一階差分結果如圖4(a)所示，圖4(b)為圖4(a)的局部放大(橢圓包含部分)。將P(k)中第一個由負變正的階躍點作為陰影提取的自動分割閾值T。圖4(b)中，P(63)<0且P(64)>0，因此閾值T=63。

圖4 一階差分曲線及分割閾值的選取

從I=[f(i,j)]M×N中提取的陰影為：

(8)

陰影提取結果如圖5(b)和圖5(d)所示。

圖5 陰影提取結果

由圖5可見，本文的陰影提取算法對于圖5中的#1和#2測試影像均能得到較為可靠的陰影結果。

1.3 數學形態學計算

基于形態學計算鄰接關系進行建筑物提取的處理流程如圖6所示。

圖6 基于鄰接關系的建筑物提取流程

圖6中鄰接關系的計算式為：

(9)

其中：Bc為任一候選建筑物；SHm為經過數學形態學處理后的所有陰影，取值為1表示保留Bc，取值為0表示刪除Bc。當SHm為膨脹后的陰影對象時，保留的Bc為精細候選建筑物；當SHm為腐蝕后的陰影對象時，保留的Bc為精細陰影。

開運算、膨脹和腐蝕三種數學形態學方法均采用圓形結構元素，對應的半徑分別記為R1、R2和R3。圓形結構元素ESTR可定義為：

ESTR=round(r)

(10)

其中:round(*)為圓形生成函數;r為半徑。

在候選建筑物和陰影的基礎上，首先用數學形態學方法對陰影進行處理：

1)開運算處理。目的是為了減小與建筑物陰影具有相似光譜特征的植被陰影及小面積人工地物的干擾，可以提高建筑物對象的查準率。

2)膨脹處理。對開運算處理后的陰影進行膨脹處理，目的是為了彌補候選分割對象提取的不準確性，保證陰影和對應的建筑物有一定的重疊部分，可以提高建筑物檢測的查全率。

3)腐蝕處理。對開運算處理后的陰影進行腐蝕處理，目的是為了防止陰影本身被當作建筑物，可以提高建筑物提高的查準率。

然后，將與膨脹處理后的陰影有重疊部分的候選建筑物判定為精細候選建筑物；將與腐蝕處理后的陰影有重疊部分的候選建筑物判定為精細陰影。將精細候選建筑物減去精細陰影得到建筑物對象。

2 實驗結果與分析

2.1 數據和評價方法

本文的實驗數據為深圳市2012年11月6日的PLEIADES影像，經過數據融合預處理，分辨率為0.5m，該區域內建筑物類型較為典型，具有尺寸、方向和分布等特征的多樣性。選擇其中的紅色波段進行處理，從中選取9幅具有代表性的測試影像，尺寸均為400×400像素，如圖8所示。#1測試影像中的建筑物呈多個角度分布且尺寸相差較大；#2測試影像中的建筑物的排列較為規則，但頂部光譜特性與周圍的道路較為一致，容易受到道路的干擾；#3和#9測試影像中的建筑物陰影混疊在一起；#4和#6測試影像中的建筑物尺寸較大，且頂部包含小面積的規則同質區域；#7～#9測試影像中建筑物周圍幾乎被植被所覆蓋(植被容易對陰影檢測產生干擾)；#5測試影像中的建筑物陰影不明顯。

分別采用式(11)～(13)的查準率Pre、查全率Rec和F1(將查準率和查全率聯合量化為一個數值，取值越大，表明算法性能越好)，對每幅測試影像進行評價。

(11)

(12)

(13)

其中：TP(True Positive)表示本文算法和人工標注法均提取到的建筑物數量(如果建筑物的部分區域被檢測到，則認為建筑物是被正確提取的)；FP(False Positive)表示本文算法檢測到而人工標注法未檢測到的建筑物數量；FN(False Negative)表示本文算法未檢測到而人工標注法檢測到的建筑物數量。

2.2 參數分析與取值

本文算法共涉及8個參數，參數描述如表1所示。

本文算法的綜合平均查準率、查全率和F1分別隨8個參數的變化曲線如圖7所示，圖7曲線是以圖8的#1～#5測試影像作為分析對象得到。

1)參數α和RU均是先使F1曲線達到一個最大值，然后急劇下降至0，其原因在于α達到一定數值(圖7(a)中α=2.5)后，將導致陰影完全消失，結果是提取不到任何建筑物；同樣，當RU達到一定數值(圖7(d)中RU=0.75)后，候選建筑物的數量為0，也提取不到任何建筑物。

表1 本文算法參數及其描述

圖7 本文算法性能隨參數的變化曲線

2)根據對式(8)的分析，LS越大，屬于建筑物區域的可能性越大，LS取值大于TBW的像素點被保留，因此，隨著TBW由小到大的變化過程，建筑物被正確提取的可能性越來越大，但超過一定的取值(圖7(b)中TBW=230)后，正確提取的建筑物數量越來越少，導致查準率和查全率下降。

3)參數Tseg控制區域生長分割算法中一個像素的8鄰域內與其相似的像素數量，Tseg越大，更多的像素被合并成同一對象。當Tseg取值小于2時，建筑物被過分割，每個分割對象的長寬比和矩形度無法滿足約束條件，算法性能較低，隨著Tseg取值增大，分割后的對象越來越接近于建筑物，建筑物頂部的光譜同質特性得到最大的利用，算法性能最好，當Tseg取值繼續增加，出現欠分割現象，即相鄰的多個建筑物或建筑物與相鄰地物可能被檢測為一個對象，導致查準率和查全率急劇下降。

4)參數R1從小到大的變化，從一定程度上消除了與建筑物陰影具有相似光譜特征的植被陰影及小面積人工地物的干擾，到一定取值(圖7 (f)中R1=5)，效果達到最佳，但若再繼續增大R1，陰影面積將不斷被削弱，最終導致查全率下降得很快。

5)參數RLW和R2使得F1曲線達到最大值后保持穩定，其原因在于RLW越大，約束條件越寬松，越不容易產生漏檢和誤檢；此外，R2越大，保留的候選建筑物數量越多，漏檢數量越少，因此當這兩個參數達到一定數值后，查準率、查全率和F1均保持穩定。

6)參數R3使得F1曲線上升到最大值后下降，其原因在于R3較小時，陰影被誤檢為建筑物的可能性大，導致查準率低，隨著R3增大到一定的取值(圖7(h)中，R3=10)，腐蝕后的陰影完全包含于候選建筑物中，對應的候選建筑物被刪除，得到最大的查準率，當R3繼續增大到足以將陰影完全腐蝕，與陰影所對應的候選建筑物得到保留，導致查準率下降。

綜上分析可知，上述8個參數對算法性能的影響均有一定的規律性，即參數在變化過程中有某一取值或區間使算法總體性能(F1)達到最高或保持穩定，選擇F1達到最大時對應的參數取值如表2所示。

表2 參數設定

2.3 實驗結果與分析

結合表2的參數取值，利用本文算法對9幅測試影像進行建筑物提取，結果如圖8所示，其中：矩形(即提取的建筑物的最小外接矩形)包含的區域代表TP建筑物的數量；實心圓代表FP建筑物的數量，即誤檢數；空心圓代表FN建筑物的數量，即漏檢數。計算得到的性能結果如表3所示。

如圖8所示，9幅測試影像中的大多數建筑物都能被正確提取，表明本文算法能適用于不同尺寸、分布及具有周圍地物干擾的建筑物提取。表3中列舉的數據也證明了這一點。基于對象的性能統計數據中，9幅測試影像的平均查準率和查全率分別為97.71%和84.21%，F1為90.46。多數的測試影像均能達到100%的查準率，其中，#1、 #3和#7測試影像各存在一個將道路片段誤檢為建筑物的對象，導致查準率有所下降，原因是部分道路片段具有均勻的光譜特性且滿足一定的長寬比和矩形度。9幅測試影像都存在漏檢建筑物，其原因在于：1)建筑物被影像邊界分割成不完整的片段，無法滿足長寬比和矩形度的約束條件，如#2測試影像右上方的漏檢建筑物；2)建筑物頂部不具備光譜均一性，如#3、 #4和#6測試影像中的漏檢建筑物；3)陰影沒有被準確提取，導致在計算陰影和周圍建筑物的重疊關系時造成漏檢，如#3、#7和#9測試影像中的漏檢建筑物。

圖8 建筑物提取結果

測試影像基于對象的性能統計Pre/%Rec/%F1基于面積的性能統計Pre/%Rec/%F1#194．4494．4494．4498．2358．4173．26#2100．0083．3390．9199．5894．5797．01#388．8988．8988．8998．9097．9698．43#4100．0085．7192．3199．7199．5099．60#5100．0066．6780．0098．9883．3790．51#6100．0082．6190．4899．6875．4985．91#796．0088．8992．3198．8097．3398．06#8100．0082．1490．2099．7086．4592．61#9100．0078．9588．2499．3895．7897．55平均值97．7184．2190．4699．2287．6592．55

需要重點說明的是：1)陰影是本文算法利用的關鍵特征，當陰影漏檢時，將直接導致建筑物的漏檢，當陰影誤檢時，由于后續步驟利用數學形態學的腐蝕和膨脹分別對陰影進行處理，因此只要不把建筑物誤檢為陰影，將對建筑物提取結果無影響；2)本文方法還無法完整地提取建筑物，存在如#1測試影像中建筑物漏檢較為嚴重的現象，這主要取決于分割算法的性能，將在以后的研究中，綜合顏色、邊緣和像元之間的空間關系設計性能更優的分割算法，提高建筑物提取的準確性。

綜合以上分析可知，本文方法對于多數的場景具有較好的提取效果，但對頂部光譜不均勻、周圍陰影不明顯、輪廓難以用矩形表示的建筑物提取還存在一定的局限性，同時，值得注意的是，表3中9幅測試影像的性能數據是基于表2的同一配置參數下獲得的，如果分別對每幅測試影像配置各自最佳的參數，總體性能將會有一定程度的提高。

2.4 方法對比

鑒于水平集是目前廣泛應用且效果較好的分割方法，而基于不變顏色特征和陰影的建筑物提取方法與本文的方法結構基本一致，因此選擇這兩種方法進行對比具有一定的代表性和可比性。基于#1～#9測試影像，對比結果如表4所示, 其中：方法1為利用水平集進行分割的建筑物提取方法[13]，方法2為基于不變顏色特征和陰影的建筑物提取方法[14]。

表4 不同方法的性能對比結果

由表4可知：相比方法1和方法2，本文方法在總體性能F1方面均提高了10%以上。其中，方法1具有較高的查全率，但查準率相對較低，其原因在于方法1的水平集初始曲線由均勻分布在整幅影像上的圓形組成，當建筑物邊界較為明顯及分布較為稀疏時，能夠較好地檢測到建筑物，相反，活動輪廓線難以準確收斂至建筑物邊界；方法2先利用不變顏色特征進行分割，提取建筑物(為了保證滿足此條件，隨機將圖8中9幅測試影像中的兩處建筑物進行紅色填充)，方法2達到88.65%的查準率，但條件要求較為苛刻。

3 結語

相對于現有多數建筑物提取方法存在的需要多光譜數據、高程數據以及人工設置大量參數等問題，本文方法只需利用遙感影像的灰度信息，降低了對遙感影像維度和波段的要求，通過基于陰影和候選建筑物之間的鄰接關系篩選并提取建筑物，且該方法所涉及的參數容易確定，為建筑物提取提供了一種有效方案。實驗結果表明，本文方法能夠很好地適應于具有頂部光譜一致性的矩形或類矩形建筑物的提取，查準率高達97.71 %，通過目視解譯，提取的建筑物位置和輪廓較為準確，不足之處是對于邊緣模糊的、形狀不規則和頂部光譜特征不均勻的建筑物提取的查全率相對較低。下一步研究工作將考慮建筑物位置和邊緣的準確性評價問題并擴展至大幅面影像中建筑物提取，提高查全率，使本文算法能夠應用于城市建筑物提取的工程中。

)

[1]LEEDS,SHANJ,BETHELJS.Class-guidedbuildingextractionfromIkonosimagery[J].PhotogrammetricEngineering&RemoteSensing, 2003, 69(2): 143-150.

[2]SUMERE,TURKERM.Anadaptivefuzzy-geneticalgorithmapproachforbuildingdetectionusinghigh-resolutionsatelliteimages[J].Computers,EnvironmentandUrbanSystems, 2013, 39: 48-62.

[3] üNSALANC,BOYERKL.Asystemtodetecthousesandresidentialstreetnetworksinmultispectralsatelliteimages[J].ComputerVisionandImageUnderstanding, 2005, 98(3): 423-461.

[4]SHRIVASTAVAN,RAIPK.Automaticbuildingextractionbasedonmultiresolutionsegmentationusingremotesensingdata[J].GeographiaPolonica, 2015, 88(3): 407-421.

[5]GRINIASI,PANAGIOTAKISC,TZIRITASG.MRF-basedsegmentationandunsupervisedclassificationforbuildingandroaddetectioninperi-urbanareasofhigh-resolutionsatelliteimages[J].ISPRSJournalofPhotogrammetry&RemoteSensing, 2016, 122: 145-166.

[6] 施文灶,毛政元.基于圖分割的高分辨率遙感影像建筑物變化檢測研究[J].地球信息科學學報,2016,18(3):423-432.(SHIWZ,MAOZY.Theresearchonbuildingchangedetectionfromhighresolutionremotelysensedimagerybasedongraph-cutsegmentation[J].JournalofGeo-InformationScience, 2016, 18(3): 423-432.)

[7]YUB,WANGL,NIUZ.Anovelalgorithminbuildings/shadowdetectionbasedonHarrisdetector[J].Optik—InternationalJournalforLightandElectronOptics, 2014, 125(2): 741-744.

[8]NGOTT,COLLETC,MAZETV.AutomaticrectangularbuildingdetectionfromVHRaerialimageryusingshadowandimagesegmentation[C] //Proceedingsofthe2015IEEEInternationalConferenceonImageProcessing.Piscataway,NJ:IEEE, 2015: 1483-1487.

[9]DHULEJJ,DHURPATENB,GONGESS,etal.Edgedetectiontechniqueusedforidentificationofcracksonverticalwallsofthebuilding[C] //Proceedingsofthe2015InternationalConferenceonComputingandNetworkCommunications.Piscataway,NJ:IEEE, 2015: 263-268.

[10]LIUC,SHIBQ,YANGX,etal.AutomaticbuildingsextractionfromLiDARdatainurbanareabyneuraloscillatornetworkofvisualcortex[J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing, 2013, 6(4): 2008-2019.

[11]LIYS,TANYH,TIANJW.Urbanbuildingextractionviavisualgraphicaltopicmodel[C] //Proceedingsofthe2014IEEEInternationalGeoscienceandRemoteSensingSymposium.Piscataway,NJ:IEEE, 2014: 4746-4749.

[12]QINRJ,TIANJJ,REINARTZP.Spatiotemporalinferencesforuseinbuildingdetectionusingseriesofvery-high-resolutionspace-bornestereoimages[J/OL].InternationalJournalofRemoteSensing, 2015. [2016- 10- 09].http://rongjunqin.weebly.com/uploads/2/3/2/3/23230064/spatiotemporal_inferences_for_use_in_building_detection_using_series_of_very-high-resolution_space-borne_stereo_imagesauthorcopy.pdf.

[13]AHMADIS,ZOEJMJV,EBADIH,etal.Automaticurbanbuildingboundaryextractionfromhighresolutionaerialimagesusinganinnovativemodelofactivecontours[J].InternationalJournalofAppliedEarthObservation&Geoinformation, 2010, 12(3): 150-157.

[14]SIRMACEKB,UNSALANC.Buildingdetectionfromaerialimagesusinginvariantcolorfeaturesandshadowinformation[C] //Proceedingsofthe2008 23rdIEEEInternationalSymposiumonComputerandInformationSciences.Piscataway,NJ:IEEE, 2008: 1-5.

ThisworkispartiallysupportedbytheProgramforChangjiangScholarsandInnovativeResearchTeaminUniversity(IRT_15R10),theNaturalScienceFoundationofFujian(2017J01464).

SHI Wenzao, born in 1982, Ph. D., lecturer. His research interests include intelligent measurement and control, building extraction and change detection of the remote sensing image.

LIU Jinqing, born in 1964, professor. His research interests include target recognition and extraction of digital image, design and development of digital signal processing.

Building extraction from high-resolution remotely sensed imagery based on neighborhood total variation and potential histogram function

SHI Wenzao1,2,3*，LIU Jinqing1,2,3

(1.CollegeofPhotonicandElectronicEngineering,FujianNormalUniversity,FuzhouFujian350108,China; 2.KeyLaboratoryofOptoElectronicScienceandTechnologyforMedicineofMinistryofEducation,FujianNormalUniversity,FuzhouFujian350007,China; 3.FujianProvincialKeyLaboratoryofPhotonicsTechnology,FujianNormalUniversity,FuzhouFujian350007,China)

Concerning the problems of the low accuracy and high requirements for data in the existing building identification and extraction methods from high-resolution remotely sensed imagery, a new method based on Neighborhood Total Variation (NTV) and Potential Histogram Function (PHF) was proposed. Firstly, the value of weighted NTV likelihood function for each pixel of a remotely sensed imagery was calculated, the segmentation was done with region growing method, and the candidate buildings were selected from the segmentation results with the constraints of rectangular degree and aspect ratio. Then, the shadows were detected automatically. At last, shadows were processed with morphology operations. The buildings were extracted by computing the adjacency relationship of the processed shadows and candidate buildings, and the building boundaries were fitted with the minimum enclosing rectangle. For verifying the validity of the proposed method, nine representative sub-images were chosen from PLEIADES images covering Shenzhen for experiment. The experimental results show that, the average precision and recall of the proposed method are 97.71% and 84.21% for the object-based evaluation, and the proposed method has increased the overall performanceF1by more than 10% compared with two other building extraction methods based on level set and color invariant feature.

high-resolution remotely sensed imagery; Potential Histogram Function (PHF); Neighborhood Total Variation (NTV); morphology; building extraction

2016- 11- 10;

2016- 12- 22。

教育部“長江學者和創新團隊發展計劃”創新團隊項目滾動支持計劃(IRT_15R10)；福建省自然科學基金項目(2017J01464)。

施文灶(1982—)，男，福建晉江人，講師，博士，主要研究方向：智能測控，遙感影像建筑物提取和變化檢測； 劉金清(1964—)，男，福建莆田人，教授，主要研究方向：數字圖像目標識別和提取、數字信號處理設計與開發。

1001- 9081(2017)06- 1787- 06

10.11772/j.issn.1001- 9081.2017.06.1787

P407.8

A