融合多時相高分影像的建筑物輪廓優化方法

常京新，高賢君，楊元維，王雙喜

(長江大學地球科學學院，湖北 武漢 430100)

遙感技術的日益成熟使得遙感影像數據急劇增加，同時隨著硬件的發展，時間、空間和光譜分辨率也都在不斷提高，其豐富地物信息為測繪等相關領域提供了數據支撐。作為重要的地表信息之一，建筑物在城市規劃[1]、土地資源利用[2]等方面具有重要意義，因此從高分影像中快速完整地提取建筑物一直是遙感領域研究的熱點之一。

常見的基于高分辨率遙感影像建筑物提取包括面向對象[3]、多特征多尺度相結合[4]、基于極化特征和紋理特征的孔徑雷達影像建筑物提取[5-6]，以及基于圖割和陰影[7-10]等方法。這類方法主要是利用建筑物的光譜信息、形狀紋理等特征來提取建筑物，但是遙感影像中會存在大量的“同物異譜”和“同譜異物”的現象，在建筑物提取過程中會因為陰影、道路、植被等因素影響導致提取的建筑物邊緣存在鋸齒、完整性低等問題。而常見的利用外接矩形結合閾值擬合輪廓[11]及LiDAR規則邊緣[12]進行優化的方法，僅利用了一期影像進行優化，由于原始影像存在投影差、樹木和陰影遮擋等問題，優化的邊緣輪廓并非完全準確且缺乏可靠性。

本文針對提取建筑物不規則及單幅影像的輪廓優化精度準確度有待提高的問題，提出一種融合多時相建筑物輪廓優化新方法。首先分別獲取兩個時相初始建筑物的最小面積外接矩形，然后進行角點匹配以及最優邊選擇，最后將得到的邊重組得到建筑物的輪廓。

1 融合多時相高分影像的建筑物輪廓優化

1.1 基于偏移陰影分類驗證的多時相影像建筑物結果提取

面向對象分類法是通過對遙感影像同質區域進行分割，然后利用光譜特征和形狀紋理特征進行分類提取[13-14]。借鑒基于偏移陰影分割分類的建筑物提取方法[15]，本文首先利用面向對象的多級分割方法對高分辨率遙感影像進行分割分類，然后通過偏移陰影的思想提取出建筑物種子點，并使用支持向量機的方法提取建筑物的輪廓，最后通過陰影驗證和數學形態學方法進行后處理，最終提取出建筑物的初始結果。

使用本文方法能夠很好地提取建筑物區域，但是結果中仍然存在建筑物提取不完整，邊緣鋸齒化及少量的錯分問題，如圖1所示。這是由于高分辨率遙感影像中的建筑物被植被或陰影遮擋，部分道路或裸地的光譜特征與建筑物相似造成的錯誤檢測。

圖1 基于偏移陰影分類驗證原理提取建筑物結果

1.2 多時相建筑物結果的輪廓綜合優化方法

1.2.1 優化流程

試驗先對兩期遙感影像進行預處理(如配準等)，基于偏移陰影分類驗證法獲取初步結果；接著分別獲取兩期影像各建筑物的最小面積外接矩形各角點；基于Hausdorff距離算法變換的最短距離算法匹配角點；自適應閾值的建筑物輪廓最優邊的選擇；直線正交獲得最終建筑物輪廓并輸出結果。提取流程如圖2所示。

圖2 提取流程

1.2.2 角點匹配

兩期遙感影像分別進行建筑物最小面積外接矩形的獲取，為了使兩期影像對應建筑物輪廓的最小面積外接矩形的各邊能夠對應，從而順利進行最優邊的選擇，受Hausdorff距離算法的啟發提出了一種最短距離的最小值算法，以此來更加精確地找到各角點的對應點。由于在實際操作過程中，最小面積外接矩形的角點查找順序一致但起點不一定一致，因此只需要找到兩期影像對應最小面積外接矩形的角點中最短距離的最小值，讓該兩點的序號一致，即可讓各對應點的序號一致。

Hausdorff距離算法基本原理為：通過計算兩組樣本點之間的距離來度量樣本間相似度，假設有兩組集合A={a1,a2,…,am}，B={b1,b2,…,bn}，則這兩個點集合之間的Hausdorff距離定義為

H(A,B)=max(h(A,B),h(B,A))

(1)

式中，h(A,B)稱為集合A和集合B的單向Hausdorff距離，定義為

(2)

而本文受此啟發提出的算法為

(3)

1.2.3 最優邊選擇

兩期影像對應建筑物輪廓最小面積外接矩形的對應邊需要選擇一條邊作為近似輪廓邊。假設兩條邊分別為La、Lb，長度分別為la、lb，然后計算各自提取到的建筑物輪廓與其最小面積外接矩形邊的相交像素點數，分別為Na、Nb，則

Pnear=max(Na/la,Nb/lb)

(4)

而對應Pnear設置的判斷標準公式為

(5)

式中，CaMAB為La對應最小面積外接矩形的周長；sa為La對應建筑物輪廓的面積；SaMAB為La對應最小面積外接矩形的面積；CbMAB為Lb對應最小面積外接矩形的周長；sb為Lb對應建筑物輪廓的面積；SbMAB為Lb對應最小面積外接矩形的面積。通過Pnear自身的變化大小及與Pstandard的比較選擇最符合建筑物輪廓的邊。

1.3 融合多時相建筑物輪廓優化算法

本文融合多時相遙感影像提取建筑物輪廓結果，并利用最小面積外接矩形進行最優邊選擇，最終獲取建筑物優化后輪廓，提高了建筑物完整度和精確度。算法步驟如下：

(1)兩期遙感影像A、B輸入并進行預處理，利用分類驗證法分別獲得兩期影像的建筑物輪廓的初始結果。

(2)分別獲取兩幅遙感影像初始結果中每個建筑物輪廓的最小面積外接矩形。

(3)利用最小距離的最小值進行角點匹配。

(5)重復步驟(4)，當一個建筑物輪廓的四條邊都被確定的時候，進行直線正交，將得到的四個交點依次相連形成矩形。

(6)重復步驟(4)—(5)，直至所有建筑物都被優化，輸出結果圖。

2 試驗對比分析

為了更直觀地判斷方法的優劣，本文選擇了多幅不同時期的遙感影像進行試驗。如圖3所示，選取了兩組不同季節獲取的遙感影像。本文使用基于偏移陰影分類驗證的方法提取到的初始結果，并利用文獻[11]基于外接矩形優化方法為輪廓優化的參照方法，與本文方法的輪廓優化結果進行對比，如圖3所示。

圖3 建筑物輪廓提取與優化結果對比

通過對試驗的對比分析可以看出，基于偏移陰影分類驗證法提取的結果能夠根據陰影對非建筑物區域進行排除，因此在一定程度上降低了錯檢，但對于與建筑物相接且光譜相似的裸地還是會錯檢。同時由于樹木及陰影的遮擋，導致建筑物出現小面積的漏檢。而參照方法能在一定程度上優化建筑物輪廓，但對于錯分部分無法去除，由于算法的限制還會增加一定錯分，對于被樹木和陰影遮擋的部分則會被認為是建筑物原本就缺失，也不會進行還原。本文算法集結了建筑物提取輪廓各最符合建筑物原始形態的邊，然后進行驗證，并結合直線正交，有效地去除了裸地和道路與建筑物相似的部分，并在一定程度上彌補了建筑物的漏檢部分，讓被植被和陰影遮擋的部分還原出來，提高了建筑物提取的正確率和完整度。

通過表1中精度對比可以看出，本文方法在各方面均有不同程度的精度提升，由于結合了兩期影像的提取結果選擇的最優邊，因此能夠更好地提取建筑物輪廓邊界，并結合邊的平移驗證能夠更好地提取建筑物的輪廓。優化后相較于參照方法，其完整度提高了6.86%，綜合精度提高了7.74%，總體精度提高了13.02%。精度提升明顯，本文方法更符合建筑物原始形態。

表1 建筑物提取結果精度對比 (%)

3 結 論

本文針對建筑物輪廓提取結果不佳的問題，提出了一種融合多時相高分辨率遙感影像的建筑物提取優化方法。通過對比兩期影像對應建筑物的最小面積外接矩形各邊符合原始建筑物形態的程度，并結合邊的平移驗證，從而獲得最符合建筑物原始形態的邊，最終使用直線正交獲得建筑物的最終輪廓。通過大量試驗對比驗證，本文方法能夠準確優化建筑物的輪廓，在一定程度上進一步提高了建筑物的提取精度。本文方法對矩形建筑物優化效果良好，但是對于較復雜的建筑物(如存在弧形邊的建筑物)尚不能良好的優化，對于復雜建筑物的優化將是未來的研究方向。