面向對象的高分影像房屋提取方法對比分析

◆劉新宇 劉洋

安全模型、算法與編程

面向對象的高分影像房屋提取方法對比分析

◆劉新宇1劉洋2

（1.青島科技大學信息科學技術學院 山東 266000；2.山東科技大學測繪科學與工程學院 山東 266590）

本文對研究區影像進行基于邊緣檢測的多尺度分割，運用基于規則的信息提取和基于樣本的信息提取方法進行分類?；谝巹t的信息提取處理過程中考慮影像的光譜、形狀、紋理等特征；在基于樣本的信息提取方法中，用PCA、SVM、KNN進行信息提取。將目視解譯結果當作驗證樣本，進行精度評價?；谝巹t的提取方法對漏分現象處理最佳，制圖精度最高；基于支持向量機的信息提取總體精度高達92.19%，Kappa系數達到0.78，基于支持向量機方法更適合房屋信息提取。

面向對象；高分影像；房屋提??；多尺度分割

房屋的準確提取是人口統計、城市管理、環境質量評估的重要依據。傳統基于像元的分類提取方法主要是針對中低分辨率的影像，對圖像解譯存在弊端，且分類精度較低。隨著遙感技術的發展，以多邊形對象為基本分類單元的面向對象分類方法提取信息，成為研究的熱點問題。

1 研究區及技術路線

研究地點為山東省青島市黃島區某工廠居住區，一幅空間分辨率為0.6m、大小為722m×542m的高分辨率空間影像圖（圖1）。圖中包含房屋、綠地、道路等多種地物。

高分影像的信息提取包括圖像分割和對象提取兩部分，影像對象信息提取部分采用基于規則和基于樣本的面向對象信息提取方法分別提取房屋信息。技術路線如圖2所示。

圖1 0.6 m分辨率研究區影像

2 高分辨率影像多尺度分割

2.1 多尺度分割技術

多尺度分割是逐像元與周圍像元進行計算，如果通過合并，兩相鄰對象和的異質性程度會小于給定的閾值，則將兩像元合并，否則不進行合并，然后建立自下而上的多尺度分割的層次結構從而精確劃分出不同地物。若分割尺度不合適，會使得在圖像分割的過程中出現過分割或者欠分割的現象。將分割尺度分別設置為50和80，從分割結果（圖3）中可以看出，分割尺度不同，分割對象效果也會有差異。

圖2 技術路線

圖3 分割效果對比圖

Castilla認為是否存在欠分割和過分割可以作為評價圖像分割結果的標準[6]。黃慧平認為若分割對象內部具有較小的異質性，而分割對象之間的異質性較大時，則可以作為最優分割尺度。

2.2 基于邊緣特征的多尺度分割

基于邊緣的多尺度分割算法，先檢測影像邊緣像元位置，將檢測的像元連接就可以接到影像對象的邊界。運用基于Canny算子的邊緣檢測算法分割影像對象，該算子是一種經典的邊緣檢測算子，其為高斯函數的一階導數，包括以下準則：

（1）信噪比準則，能夠很大程度的標出地物的實際邊緣信息：

其中，G（x）表示邊緣；f（x）表示濾波器的脈沖響應；n0指高斯噪聲均方根的值。信噪比計算結果高低與緣提取效果成正比。

（2）定位精度準則，使得實際地物與分割識別邊緣之間的差值最小：

若其比值較高，則邊緣定位會更精確。

（3）單邊相應準則，邊緣只被識別一次，對噪聲不予識別：

用Canny算子檢測邊緣信息的流程如下：

（1）利用高斯函數公式平滑影像，可以消除噪聲。

（2）在各像素點上，計算梯度值及其方向。

（3）若非最大值抑制應用于梯度幅度，對雙邊緣進行取消操作。

（4）利用雙閾值和邊緣檢測進行跟蹤識別，可以識別地物的邊緣輪廓。

圖4 邊緣特征分割效果圖

3 面向對象信息提取

3.1 基于規則的面向對象信息提取

在多尺度分割結束后，得到由同質像素構成的多邊形影像對象作為研究的基本分類單位。光譜特征表示地表對電磁輻射的反射輻射通量，不同類別地物的反射能力會有明顯區別，通常單個地物或地物的某些成分的光譜信息是一致的。形狀特征的計算包括基于地物輪廓的計算和基于區域的計算，輪廓計算依據地物的邊緣，區域計算需要結合研究的整個地區。對房屋矢量化后，可以運用點坐標計算的協方差矩陣能夠反映房屋的形狀信息。紋理特征對應于對地物表面的特性，需要分析整個研究區進行。具有旋轉不變的特點，能夠抵抗噪聲，是圖像解譯時分析提取目標地物的重要參考因素。

基于上述原理，得到居民房屋提取效果對比圖（圖5）。

圖5 基于規則的面向對象提取效果圖

3.2 基于樣本的面向對象信息提取

基于樣本的面向對象房屋信息提取，是一種介于監督的分類方法。本文將主成分分析（PCA）、支持向量機（SVM）、K近鄰方法（KNN）分別作為分類器進行房屋提取并對結果進行比較分析。

PCA表示一種運用統計知識換算下的正交線性變換。可以刪除過量信息，同時可以壓縮影像信息。第一主成分（PC1）包含影像所有波段中80%的方差信息量，第二、三主成分涵蓋的信息量會逐漸降低，通常前三個主成分可以包含95%以上的信息[7]，到最后成分大都為噪聲，無法提供有用信息。

SVM表示一種輸入空間的輸入量x，經過一種非線性變換將其轉換到一種高維具有某種特征的空間，然后可以在該空間中建立一些便于數據分析的最優分類超平面或線性的函數模型。根據統計學知識，如果有某種核函數

符合Mercer前提，則可以認為這一函數對應了某種特征空間變換的內積，同時可以得出在高維空間最優分類超平面的決策公式：

式中，αi代表支持向量的非零數，b代表偏置數。支持向量機具有稀疏性，絕大多數αi為0。所以，對樣本數量的要求不高，減少了數據量。

KNN中選擇某樣本，選定與其周圍K個的特征空間最近鄰樣本，如果這K個樣本的絕大部分為一類，可以認為這一未知樣本同樣為此類。待分類地物與已選定的樣本之間的距離可以通過函數斜率與最小隸屬度閾值來計算。待分類地物與已選定的樣本之間的距離可以通過函數斜率（function slope）與最小隸屬度閾值來計算，樣本對象和待分類樣本的距離d計算公式為：

其中，v（）表示樣本對象特征的數值；v（）表示待分類樣本的特征數值；σ是特征的各特征值之間的標準差。

根據求得的距離可以多維指數的隸屬度函數進一步計算出待分類樣本與已知類別樣本的隸屬關系：

式中，k可以如下表示：

基于以上三種方法下的房屋提取對比結果如圖6。

圖6 基于樣本的面向對象提取效果圖

4 提取結果及精度評價

4.1 提取結果對比分析

目視解譯在解譯過程中要參考圖像的色調、紋理、顏色、形狀、空間關系等特征，綜合先驗知識和數據資料進行分析。目視解譯分類結果會比較真實可靠，是計算機分類所不能代替的解譯方法。

假定目視解譯結果精確，將目視解譯結果作為驗證樣本，對本文各分類結果進行對比分析和精度評價。對比結果如圖7。

圖7 實驗結果對比圖

通過對比，可以看出，各分類結果與目視解譯結果都有一定差距，存在錯分、漏分現象，基于規則的面向對象處理效果較好，而基于樣本分類方法存在較多的碎小斑塊，但其提取的房屋內部完整性較好。

4.2 精度評價

精度評價指分析分類結果與可靠數據之間的相近程度，分析分類方法的可行性。本文將通過混淆矩陣對各分類結果的準確程度做評價。利用各類方法提取房屋精度評價結果如表1所示：

表1 不同提取方法精度比較

由表1可以得出，各類提取方法提取結果總體分類效果較好?；谝巹t的分類漏洞分析現象處理較好，但在各類方法的結果中，基于SVM的方法提取精度略高，Kappa系數為0.78，總體精度最高達到92.19%。總體來說，基于樣本的面向對象提取總體精度要優于基于規則的面向對象提取，運用基于SVM提取房屋可以達到較好精度。

5 總結

通過研究我們可以發現，選擇最優分割尺度是后續有效提取分析識別目標對象的基礎，在分割過程中借助多種分割算子可以達到一個更佳的分割效果。此外，運用不同的分類方法，提取結果的精度也會存在差異，分類方法選擇也是影像提取效果的關鍵，對最佳分割尺度以及地物邊界、結構完整性等信息提取精度優化等問題則需要進一步的研究和改進。

[1]劉佳雨.利用面向對象的信息提取技術進行城市用地分類[J].西部資源，2016（4）：156-159，171.

[2]關元秀，朱繼東，顧文俊.面向對象的IKONOS影像信息提取方法[C].中國地質學會會議論文集.武漢：地質出版社，2004：230-233.

[3]龔麗霞，李強，張景發，等.面向對象的房屋震害變化檢測方法[J].地震，2013，33（2）：109-114.

[4]郭怡帆，張錦，衛東.面向對象的高分辨率遙感影像建筑物輪廓提取研究[J].測繪通報，2014（S1）：300-303.

[5]牟鳳云，羅丹，官冬杰，等.面向對象的土地覆蓋信息提取方法研究及應用[J].重慶交通大學學報（自然科學版），2014，33（6）：105-108+160.

[6]朱俊杰，范湘濤，杜小平.面向對象的高分辨率遙感圖像分析[M].北京：科學出版社，2014：175.

[7]韋玉春，湯國安，汪閩，等.遙感數字圖像處理教程[M].北京：科學出版社，2016：312.

[9]杜成文.基于改進KAZE雙目視覺立體匹配算法的研究[D].廣州：廣東工業大學，2016：66.

[10]陳金鳳，程乾.高分1號融合光譜特征提取杭州灣河口沿岸濕地典型植被信息方法研究[J].杭州師范大學學報（自然科學版），2015，14（1）：38-43.

[11]盧興，陳曉勇.邊緣檢測與面向對象結合的高分影像建筑物提取[J].江西科學，2018，36（2）：220-224+231.

[12]劉充.基于資源三號衛星遙感影像的城市綠地信息提取方法研究[D].太原：太原理工大學，2014：61.

[13]熊增連，潘建平，陽春花.面向對象的房屋特征信息自動提取方法[J].地理空間信息，2015，13（5）：16-18.

[14]翟天林，金貴，鄧祥征，等.植被信息的Landsat8影像提取方法[J].測繪科學，2016（10）：126-131+158.

[15]羅三定，胡櫻.基于樣本分析的圖像識別分類模型[J].計算機應用研究，2007，24（11）：309-311.

[16]楊永紅.基于支持向量機的圖像分割算法設計[J].科技情報與開發經濟，2014，24（20）：122-124.

[17]陳亮，郭雷，高世偉.一種基于多尺度梯度的邊緣提取方法[J].計算機應用，2008，28（12）：3129-3131.

[18]盧興.基于分層次多尺度分割的高分遙感影像分類研究[D].南昌：東華理工大學，2018：73.

[19]黃昕.高分辨率遙感信息處理[M].北京：科學出版社，2018：240.