基于高分辨率遙感影像的面向對象建筑物分級提取方法

邢云飛 劉萍 謝育珽 高宇 岳志川 陸澤昊 李新華

基于高分辨率遙感影像的面向對象建筑物分級提取方法

邢云飛1劉萍1謝育珽1高宇1岳志川1陸澤昊1李新華2

（1 太原理工大學大數據學院，晉中 030600）（2 呂梁市生態環境局，呂梁 033000）

數字表面模型（Digital Surface Model，DSM）輔助的基于規則的分類算法對高分辨率衛星遙感影像進行面向對象建筑物提取時存在如下不足：1）多尺度分割在復雜場景下分割效果差，導致建筑物提取精度較低；2）影像范圍較大時，無法直接通過DSM數據的單一閾值提取建筑物。為克服上述問題，文章提出了一種DSM輔助的父子對象層交互處理的建筑物分級提取方法。該方法首先結合DSM數據先后兩次應用多尺度分割生成父子對象層；然后，通過樣本分級極值法將子對象層中的植被、水體及陰影剔除，并通過建筑物分級提取方法篩選建筑物種子節點；最后，將種子對象映射至父對象層中，結合上下文特征對父對象層中的建筑物種子對象進行區域生長，生長結果重新繼承至子對象層中，完成建筑物提取。遙感影像建筑物提取實驗結果顯示，文中提出方法的F1-Score和IoU指標在實驗區A中分別達到了95.9%和92.2%，在實驗區B中分別達到了94.1%和92.2%，均優于支持向量機算法（Support Vector Machine，SVM）的結果，證明該方法可以有效提取遙感影像中復雜場景下的建筑物。

衛星遙感影像 建筑物提取 面向對象分類 數字表面模型

0 引言

近年來，隨著對地觀測技術的發展，人類對地球的綜合觀測能力達到空前水平。遙感影像數據獲取的速度加快，更新周期縮短，時效性越來越強。建筑物作為人類居住生活的基本場所，是城市發展和變遷的重要標志，也是影響社會和生態環境變遷的關鍵因素。

目前在遙感影像建筑物提取領域，計算機視覺技術得到了充分利用，主流建筑物提取處理技術主要是基于二維高分遙感影像進行研究，主要利用建筑物幾何結構、光譜、形狀、紋理和上下文特征，綜合應用邊緣檢測、圖像分割、數字形態學、面向對象等方法進行建筑物提取[1-6]。隨著人工智能技術的飛速發展，已經有研究機構或學者嘗試利用深度學習技術開展建筑物目標提取的相關研究，并取得了可喜的研究成果[7-12]。但由于二維數據缺少建筑物最典型的高程特征，并且深度學習相關模型及搜索方法是針對小尺寸影像訓練或搜索的模型，將其應用于大幅遙感影像中時，未顧及“像素-目標-場景”多層級要素提取[13]，缺乏地學先驗知識的表達及嵌入，且模型訓練過程中需要大量優質樣本作為數據支撐，對其進行人工標注需要耗費大量的人力和財力，因此，對于復雜場景下的建筑物提取其精度難以得到保障。

單獨使用三維信息數據提取建筑物的方法，主要是利用三維激光雷達（LiDAR）數據、三維點云數據和立體像對影像數據對三維數據進行分析，可以獲取建筑物的高度、形狀等信息，提高了建筑物提取的精度和效率[14-15]。但由于樹木和建筑物高度相近，利用簡單的高度閾值提取方法時，很難將相鄰的建筑物與植被分離。

融合二維影像數據與三維信息數據提取建筑物的方法，是對高分辨率遙感影像數據及三維信息數據分別進行處理，針對傳統二維影像數據，利用其多光譜信息計算植被歸一化指數設定閾值，或應用機器學習等方法剔除影像中存在的植被，減少高度與建筑物相近的樹木在提取過程中被誤提為建筑物。在DSM三維信息數據輔助建筑物提取的過程中，有效利用三維數據中的高度信息，將與建筑物光譜、形狀特征相似，僅依靠傳統二維影像數據難以區分的低矮地物（如道路、地面等非建筑物），通過高度特征差異將其剔除，排除對建筑物提取造成的干擾[16-19]。但該方法應用的場景常局限于遙感影像中地勢平坦的區域，對復雜場景下的多類型建筑的提取效果較差。

現有面向對象建筑物提取方法在處理影像時僅對影像分割一次便直接進行分類，其分割效果無法滿足不同大小的建筑物，導致建筑物提取精度較低。針對此問題，本文提出父子對象層交互處理策略，通過應用兩個不同尺度分割影像，形成父子對象層對不同大小的建筑物進行交互式處理。

現有應用DSM數據輔助遙感影像進行建筑物提取的方法，通過DSM閾值區間來提取有高度的建筑物，在地勢平坦的區域可取得較好效果，但無法適用于地形復雜的區域，對于建筑類型多樣、結構復雜、材質種類豐富的復雜場景下的建筑物提取精度較低。針對此問題，本文提出DSM輔助建筑物提取方法，利用對象間的上下文關系，計算鄰接對象間的DSM數據差值形成高程差特征，結合傳統光譜、形狀、紋理等特征對建筑物進行提取。

1 研究區概況及數據源

1.1 研究區概況

本文研究區位于南寧市江南區，區域內地物復雜，地物類型多樣，包括植被、河流、山體、建設用地等。研究區位置及高程影像見圖1。各種類型的建筑物坐落其中，包含單體建筑、居民住宅、商業大廈、工業園區廠房及別墅等。通過研究區復雜的背景地物及多樣的建筑物類型特征測試本文算法對建筑物提取的有效性。

1.2 數據源

本文所使用的遙感影像數據為“北京三號”（BJ-3）衛星高分辨率立體像對數據，獲取時間為2021年12月14日，圖像質量良好，無云覆蓋。BJ-3衛星重訪周期為1天，可捕捉到地球表面的高質量影像數據。該衛星影像數據的多光譜波段由6個波段組成，分辨率為1.2 m，全色波段分辨率為0.3 m，各波段技術指標見表1。

表1 BJ-3衛星影像波段信息

Tab.1 BJ-3 satellite image spectrum information

對所述高分辨率立體像對數據對應的下視高分辨率影像數據進行大氣校正、正射校正、數據融合等預處理，獲取所述高分辨率正射影像數據，并根據立體像對數據生成與正射影像適配的DSM數據。分別從影像上截取2塊大小為2 700×2 700像元的影像數據作為實驗研究區，其中實驗區A位于工業區，區域內包含眾多形狀規整、占地面積巨大的工業廠房；實驗區B位于別墅區，區域內包含形狀復雜、屋頂顏色豐富的復合別墅。影像及對應DSM數據見圖2。

2 研究方法

本文采用面向對象分類提取方法[20-22]，先后應用兩次多尺度分割生成父子對象層，針對復雜場景下不同大小的建筑物在父子對象層之間進行交互式提取。在子對象層中，應用樣本分級極值法剔除植被、水體、陰影等地類，然后篩選建筑物種子節點；將種子對象映射至父對象層中，結合上下文特征對父對象層中的建筑物種子對象進行區域生長，生長結果重新繼承至子對象層中，后續優化操作均在交互處理后執行。在整個分類提取過程中，通過有機結合DSM數據來輔助影像分割及分類，實現遙感影像中建筑物的提取。具體提取流程如圖3所示。

圖3 建筑物提取流程

2.1 多尺度分割

本文通過應用區域異質性最小的區域合并算法實現遙感影像的多尺度分割。從像元層次開始，采用相鄰影像區域兩兩合并增長的方法形成更大的影像對象，直到在規定的尺度上不能再進行任何對象的合并為止。通過設置參與分割的特征圖層的權重以及分割后圖斑的形狀異質性、光譜異質性、緊致度等參數，將影像進行分割形成對象。區域異質性計算公式為

在多尺度分割的過程中，本文借助多尺度分割工具 ESP2[23]來分析最優分割尺度，通過調整形狀因子和緊致度因子來控制分割效果。ESP2工具在起始分割尺度下以固定步長計算不同尺度下影像對象同質性的局部方差（Local Variance，LV）及局部變化率ROC（Rate of Change，ROC），并以ROC-LV曲線來指示最優分割尺度。當出現峰值時，該點所對應的尺度即為某種地物的最優分割尺度。ROC計算公式為

2.2 樣本分級極值法

樣本極值法[24]在選取樣本時需盡量選取靠近目標與非目標臨界點的樣本，通過特殊樣本生成相應閾值無法滿足的復雜場景下的地物分類。以植被為例，遙感影像中復雜場景下的植被類型存在高亮植被、深色植被及陰影下植被，單一閾值劃分極易造成地物類別錯分，影響分類結果。

本文在樣本極值法基礎上改進閾值選取規則，提出樣本分級極值法。首先選取典型特征，直接根據樣本的最大值或最小值確定初始閾值，然后將樣本特征值對應的閾值按照上下四分位數進行二次細分，形成階梯閾值；最后結合其他輔助特征約束，實現復雜地物的分級提取。以最小值確定分類閾值為例，其算法可表示為

2.3 父子對象層交互處理策略

面向對象分類提取方法的信息提取結果直接受分割尺度影響，建筑物的識別需要將分割尺度調整至最合適的狀態。實驗區內建筑類型多樣，各類型建筑之間存在較大特征差異，分割尺度過小會導致建筑分割過于破碎，將同一建筑分割成多個對象；而分割尺度過大，容易將建筑與不同的地物劃分在同一類型中，造成分割不完全。故通過單次多尺度分割形成的對象層無法滿足復雜場景下建筑提取的需求。

鑒于影像中建筑物大小不一，形狀各異，本文應用多尺度分割方法，選取大、小兩個分割尺度對影像分割，生成父子對象層對建筑提取進行交互式處理。子對象層中由于分割尺度較小，小型規整建筑分割效果良好，邊界貼合且完整，但較大的建筑對象被過分割成相鄰的眾多碎斑；父對象層中因分割尺度較大，大型規整建筑分割效果良好，建筑對象完整性較高，但較小的建筑無法被分割為獨立的對象，分割后其與周圍地物存在黏連現象，與相鄰對象分割為同一地物。本文通過結合父子對象層各自的優勢，首先應用絕對平均偏差濾波算法計算影像的邊緣特征，生成filtered波段儲存在新的圖像層中；然后在大尺度分割創建的父對象層中以對象為基本單元計算filtered波段的均值，記作特征Mean_filtered，并生成Mean_filtered圖層，將父對象層中大尺度對象斑塊的Mean_filtered特征繼承至子對象層中小尺度對象斑塊，為子對象層中的對象提供上下文信息。

本文將區域生長思想應用于面向對象分類過程中，通過在子對象層中建立規則集自動篩選高質量建筑起始種子對象集，按照重合度占比將子對象層中的種子對象集映射至父對象層中，在父對象層中圍繞建筑種子對象節點展開區域生長，將建筑進行補充提取。區域生長過程中，將滿足特征要求較高的閾值，即分級閾值法確定的高級閾值作為選擇種子節點對象的判斷依據。借助鄰接關系，將緊鄰種子點的對象作為被研究對象，選取階梯閾值中合適的低等級閾值組合作為提取該地物的判斷依據，通過此機制對該地物進行循環迭代提取。

2.4 DSM輔助建筑物提取方法

利用DSM數據提取建筑物時，通常情況下建筑物的DSM值在影像范圍內比其他地物高，但在影像范圍較大時，受地形影響會存在其他地物的DSM值比建筑物DSM值大的情況。

實驗區DSM特征分布變化圖見圖4，其中藍綠色區域表示DSM值高于所選閾值，黑灰色區域表示DSM值低于所選閾值。在實驗區A中，整體DSM值高于99 m，左上區域建筑物高度介于108 m與120 m之間，而右下區域的地面與道路都高于120 m，左上區域地勢明顯低于右下區域，影像中存在建筑物頂部高度低于地面高度的現象，此時以建筑物的DSM值比其他地物高作為提取建筑物的唯一判定標準將不再適用。在實驗區B中，除了位于影像上側的湖泊區域的DSM值低于5 m，影像整體DSM值高于5 m，地勢相對平坦，右側廠房區建筑物普遍高于15 m，然而以15 m為閾值時，左側山地上的地面雜物被誤提為建筑物；DSM調至20 m，以此值作為閾值提取建筑物時影像左側山地被誤提為建筑物的情況減少，但相應地右側廠房區建筑漏提情況也會增多，難以通過單一DSM閾值區分建筑物與背景。

式中 va表示a對象在DSM波段上的特征值；vb表示b對象在DSM波段上的特征值。

2.5 建筑物分級提取方法

剔除較易提取的地物后，將建筑物按照房頂顏色進行分類提取，具體劃分為高亮房、紅頂房、藍頂房、褐頂房、灰頂房及黑頂房等6類，采用樣本分級極值法構建亮度階梯確定各類建筑閾值。

（1）提取高亮房

（2）提取紅頂房

（3）提取藍頂房

（4）提取褐頂房

（5）提取灰頂房

（6）提取黑頂房

3 實驗結果與分析

3.1 確定分割尺度參數

本文通過應用父子對象層交互處理策略優化上述問題，將R、G、B、NIR以及DSM波段按照 3︰3︰3︰3︰1權重參與分割形成子對象層，按照1︰1︰1︰1︰1權重參與分割形成父對象層。對子對象層分割時設置DSM權重較低，注重分割后建筑物邊界的準確性；對父對象層分割時設置DSM權重較高，注重分割后建筑物整體的完整性，對二者交互式處理提高建筑物提取的精度。

在對遙感影像及DSM數據進行分割時，采用控制變量法，結合ESP2分析工具確定分割尺度、形狀因子和緊致度因子3個多尺度分割參數。以建筑物為研究的核心對象，尺度參數設置為80對影像進行粗略分割，根據分割對象與建筑物邊緣的吻合度確定形狀因子和緊致度因子。固定緊致度因子為默認值 0.5，調整形狀因子，判斷顏色和形狀參與建筑分割的權重大小。實驗發現適當增大形狀因子時，分割得到的建筑物邊緣與實際更加吻合，但當形狀因子增大到0.8時建筑分割單元過大，出現欠分割現象，綜合對比發現形狀因子為0.6時，邊緣擬合效果最好，分割結果見圖5。

（a）形狀因子0.2（b）形狀因子0.4 （a）Shape factors is 0.2（b）Shape factors is 0.4 （c）形狀因子0.6（d）形狀因子0.8 （c）Shape factors is 0.6（d）Shape factors is 0.8

在形狀因子為0.6，緊致度因子為0.5的條件下，實驗發現當分割尺度小于30時，建筑物分割過于破碎，因此以起始分割尺度30，步長分別為1、5及10三種規格進行多尺度分割計算，得到ROC-LV曲線見圖6。經多次實驗及針對建筑物邊緣吻合度的目視判斷，將子對象層的分割尺度設置為45，此時，建筑物雖被分割成眾多同質對象，但建筑物邊緣對象與相鄰地物的分割邊界清晰，眾多對象組合可以完整表示建筑物真實輪廓，分割效果符合后續建筑物提取需求。將父對象層的分割尺度設置為95，此時，建筑物分割邊界與相鄰地物存在一定的黏連現象，但建筑物被分割成較為完整的同質對象，保持了建筑整體特性。

圖6 ROC-LV曲線

3.2 評價指標

3.3 對比實驗分析

為了驗證在應用父子對象層交互處理策略的建筑物分級提取方法中引入DSM數據對于提高建筑物提取精度的有效性，本文提出了4種不同的實驗方案在實驗區A和B兩景不同類型場景下進行實驗，并利用評價指標Precision、Recall、F1-Score和IoU對實驗進行精度評估。實驗結果見表2。

4種方案分別為：1）僅使用四波段影像，通過SVM支持向量機分類方法對建筑物進行提取；2）僅使用四波段影像，在面向對象建筑物分級提取方法中引入父子對象層交互處理策略對建筑物進行提取；3）在四波段影像基礎上，結合DSM波段數據并應用SVM支持向量機分類方法對建筑物進行提取；4）在四波段影像基礎上，結合DSM波段數據并應用DSM輔助建筑物提取方法，通過在面向對象建筑物分級提取方法中引入父子對象層交互處理策略對建筑物進行提取。

表2 實驗區A和實驗區B不同方案的評價結果

表2可知，在實驗區A中，方案二的Precision、Recall、F1-Score和IoU等指標均優于傳統SVM分類方法，分別為89.3%、82.3%、86.4%和76.6%，表明在面向對象建筑物分級提取方法中引入父子對象層交互處理策略對建筑物提取精度更高。對比方案一和方案三可知，在SVM分類方法中引入DSM波段數據后，Precision、Recall、F1-Score和IoU分別提升了5.2%、4.1%、4.6%和7.4%，說明加入高程特征能提高建筑物提取精度。對比方案二和方案四結果，在應用父子對象層交互處理策略的建筑物分級提取方法中引入DSM數據輔助建筑物提取后，Precision、Recall、F1-Score和IoU指標值分別提升了7.7%、12.6%、9.5%和15.6%，相較于SVM分類方法引入DSM數據后的精度提升率更大，表明本文提出的DSM輔助建筑物提取方法通過引入局部高程差作為提取特征，極大地提高了建筑物提取精度。

在實驗區B中，方案二的Precision、Recall、F1-Score和IoU等4個指標同樣優于傳統SVM分類方法，表明在面向對象建筑物分級提取方法中引入父子對象層交互處理策略在不同場景中均可取得不錯的提取效果。對比方案一和方案三可知，在SVM分類方法中引入DSM波段數據后，Precision、Recall、F1-Score和IoU指標值分別提升了9.5%、7.9%、8.9%和7.4%，提升率相比實驗區A更高，說明在建筑物結構復雜的區域改善效果更明顯，DSM數據能夠通過提供地形信息來提高遙感影像復雜場景下建筑物提取的性能。對比方案二和方案四結果，在應用父子對象層交互處理策略的建筑物分級提取方法中引入DSM數據輔助建筑物提取后，Precision、Recall、F1-Score和IoU指標值分別提升了12.4%、24.6%、9.5%和24.7%，相較于SVM分類方法引入DSM數據后的提升更大，表明本文提出的DSM輔助建筑物提取方法通過引入局部高程差作為特征對建筑物進行提取，在不同場景下均可提高建筑物提取精度，且在高分遙感影像復雜場景下提取的性能提升更加明顯。

為了更加直觀形象的體現本文所提方法的優勢，將4種實驗方案的提取結果進行可視化展示，實驗區A及B建筑物提取整體結果圖見圖7，其中黑色代表背景，白色代表建筑物。由圖7可以看出，僅使用多光譜影像時，方案一提取結果中存在地面及裸地被誤提為建筑物的現象，且建筑物內部存在大量漏提形成的黑色空洞；相比方案一，方案二同樣將部分裸地及建設用地誤提為建筑物，但所提建筑物內部空洞較少，整體性更高；方案三結合了DSM波段數據后，提取結果中地面及裸地被誤提為建筑物的情況大幅度減少，但與建筑物高度相近的植被在提取時受DSM高度特征所占權重的影響較大，被誤提為建筑物，且建筑物內部空洞較多的問題未能得到明顯改善；方案四結果中除了一些有高度的地面雜物被誤提為建筑物外，道路、裸地被誤提為建筑物的情況得到了極大的改善，且相較于未引入DSM數據時建筑物邊界提取的準確率提升巨大。綜合上述不同實驗方案的建筑物的提取效果可知，無論是否引入DSM特征，父子對象層交互處理的面向對象建筑物分級提取方法相對于SVM提取方法，其建筑物提取所得圖斑連貫且完整，內部空洞少，整體性高。這表明在面向對象建筑物分級提取方法中引入父子對象層交互處理策略，充分利用了父對象層的高層特征，保留了建筑物整體信息，優化了提取效果。

圖7 建筑物整體提取結果

圖8 建筑物細節提取結果

4 結束語

面向對象分類方法中最優分割尺度的選擇至關重要，每種地物在理論上都有相應的最優分割尺度。鑒于此，本文提出了父子對象層交互處理策略，通過多尺度分割生成大、小尺度雙對象層，父對象層分割尺度較大，用于提取分析建筑物的主要抽象特征，從而保留更多的空間信息，保證了分割后的建筑物對象的完整性；而子對象層通過小尺度分割生成細致的分割結果，保證了建筑物邊界分割效果與實際建筑物輪廓的貼合程度較高，且在子對象層中提取的各類地物的種子節點更加準確，優化了后續區域生長建筑物的提取效果。

[1] SU W, LI J, CHEN Y H, et al.Textural and Local Spatial Statistics for the Object-Oriented Classification of Urban Areas Using High Resolution Imagery[J]. International Journal of Remote Sensing, 2008, 29(11):3105-3117.

[2] CUI S Y, YAN Q, REINARTZ P. Complex Building Description and Extraction Based on Hough Transformation and Cycle Detection[J]. Remote Sensing Letters, 2012, 3(2): 151-159.

[3] TURKER M, KOC-SAN D. Building Extraction From High-resolution Optical Spaceborne Images Using the Integration of Support Vector Machine (SVM) Classification, Hough Transformation and Perceptual Grouping[J]. International Journal of Applied Earth Observation and Geoinformation, 2014(34): 58-69.

[4] YE B Y, BAO N S. The Building Extraction Based on Object Oriented Classification Method in High Vegetation Coverage Area[J]. Journal of Computer and Communications, 2019, 7(7): 9-16.

[5] 林祥國, 張繼賢. 面向對象的形態學建筑物指數及其高分辨率遙感影像建筑物提取應用[J]. 測繪學報, 2017, 46(6): 724-733. LIN Xiangguo, ZHANG Jixian. Object-based Morphological Building Index for Building Extraction from High Resolution Remote Sensing Imagery[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(6): 724-733. (in Chinese)

[6] 龔循強, 劉星雷, 魯鐵定, 等. 面向對象的中值絕對偏差法在建筑物提取中的應用[J]. 激光與光電子學進展, 2021, 58(12): 1212005. GONG Xunqiang, LIU Xinglei, LU Tieding, et al. Application of Object-Oriented Median Absolute Deviation Method to Building Extraction[J]. Laser & Optoelectronics Progress, 2021, 58(12): 1212005. (in Chinese)

[7] 范榮雙, 陳洋, 徐啟恒, 等. 基于深度學習的高分辨率遙感影像建筑物提取方法[J]. 測繪學報, 2019, 48(1): 34-41. FAN Rongshuang, CHEN Yang, XU Qiheng, et al. A High-resolution Remote Sensing Image Building Extraction Method Based on Deep Learning[J]. Acta Geodaetica et Cartographica Sinica, 2019, 48(1): 34-41. (in Chinese)

[8] 崔衛紅, 熊寶玉, 張麗瑤. 多尺度全卷積神經網絡建筑物提取[J]. 測繪學報, 2019, 48(5): 597-608. CUI Weihong, XIONG Baoyu, ZHANG Liyao. Multi-scale Full Convolutional Neural Network for Building Extraction[J]. Acta Geodaetica et Cartographica Sinica, 2019, 48(5): 597-608. (in Chinese)

[9] WEN X, LI X, ZHANG C, et al. ME-Net: A Multi-scale Erosion Network for Crisp Building Edge Detection from Very High Resolution Remote Sensing Imagery[J]. Remote Sensing, 2021, 13(19): 3826.

[10] GUO H N, SHI Q, DU B, et al. Scene-Driven Multitask Parallel Attention Network for Building Extraction in High-Resolution Remote Sensing Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(5): 4287-4306.

[11] 王振慶, 周藝, 王世新, 等. IEU-Net高分辨率遙感影像房屋建筑物提取[J]. 遙感學報, 2021, 25(11): 2245-2254. WANG Zhenqing, ZHOU Yi, WANG Shixin, et al. House Building Extraction from High-resolution Remote Sensing Images Based on IEU-Net[J]. National Remote Sensing Bulletin, 2021, 25(11): 2245-2254. (in Chinese)

[12] 羅壯, 李明, 張德朝. 結合邊界約束網絡和分水嶺分割算法的建筑物提取[J]. 遙感學報, 2022, 26(7): 1459-1468. LUO Zhuang, LI Ming, ZHANG Dezhao. Building Detection Based on a Boundary-regulated Network and Watershed Segmentation[J]. National Remote Sensing Bulletin, 2022, 26(7): 1459-1468. (in Chinese)

[13] 龔健雅, 張覓, 胡翔云, 等. 智能遙感深度學習框架與模型設計[J]. 測繪學報, 2022, 51(4): 475-487. GONG Jianya, ZHANG Mi, HU Xiangyun, et al. The Design of Deep Learning Framework and Model for Intelligent Remote Sensing[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51(4): 475-487. (in Chinese)

[14] 彭泊涵, 歐陽楊, 張良, 等. 幾何與Gabor紋理特征的機載LiDAR點云建筑物提取[J]. 測繪科學, 2022, 47(6): 119-126. PENG Bohan, OUYANG Yang, ZHANG Liang, et al. Building Extraction from Airborne LIDAR Point Cloud Based on Geometric and Texture Features[J]. Science of Surveying and Mapping, 2022, 47(6): 119-126. (in Chinese)

[15] 李昂, 黃煌, 夏煜, 等. 基于改進分水嶺算法的農村地區LiDAR點云建筑物提取[J]. 長江科學院院報, 2021, 38(3): 149-154. LI Ang, HUANG Huang, XIA Yu, et al. Extraction of Buildings in Rural Area Based on LiDAR Point Cloud and Improved Watershed Algorithm[J].Journal of Yangtze River Scientific Research Institute, 2021, 38(3): 149-154. (in Chinese)

[16] 王蕾, 楊武年, 任金銅, 等. GF-2影像面向對象典型城區地物提取方法[J]. 測繪通報, 2018(1): 138-142. WANG Lei, YANG Wunian, REN Jintong, et al. Object-oriented Extraction Method of Typical Urban Features Based on GF-2 Images[J]. Bulletin of Surveying and Mapping, 2018(1): 138-142. (in Chinese)

[17] 何曼蕓, 程英蕾, 邱浪波, 等. 一種改進頂帽變換與LBP高程紋理的城區建筑物提取算法[J]. 測繪學報, 2017, 46(9): 1116-1112. HE Manyun, CHENG Yinglei, QIU Langbo, et al. An Algorithm of Building Extraction in Urban Area Based on Improved Top-hat Transformations and LBP Elevation Texture[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(9): 1116-1112. (in Chinese)

[18] 賀曉璐, 劉振華, 胡月明. 基于面向對象的建筑物信息提取方法研究[J]. 河南理工大學學報(自然科學版), 2020, 39(2): 53-61. (in Chinese)HE Xiaolu, LIU Zhenhua, HU Yueming. Research on Object-oriented Building Information Extraction Method[J]. Journal of Henan Polytechnic University (Natural Science), 2020, 39(2): 53-61. (in Chinese)

[19] 王珍, 張濤, 丁樂樂, 等. 融合高度和光譜信息的傾斜攝影數據建筑物自動提取[J]. 測繪通報, 2022(2): 10-15. WANG Zhen, ZHANG Tao, DING Lele, Automatic Building Extraction from Oblique Photogrammetry Data by Combining Height and Spectral Information[J]. Bulletin of Surveying and Mapping, 2022(2): 10-15. (in Chinese)

[20] BLASCHKE T, HAY G J, KELLY M, et al. Geographic Object-based Image Analysis: Towards A New Paradigm[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 87(1): 180-191.

[21] 彭力恒, 劉凱, 朱遠輝, 等. 旋轉森林算法在GF-2衛星影像土地利用分類中的應用[J]. 航天返回與遙感, 2019, 40(1): 112-122. PENG Liheng, LIU Kai, ZHU Yuanhui, et al. Application of Rotating Forest Algorithm in Land Use Classification of GF-2 Satellite Image[J]. Spacecraft Recovery & Remote Sensing, 2019, 40(1): 112-122. (in Chinese)

[22] 楊迎港, 劉培, 張合兵, 等. 基于特征優選隨機森林算法的GF-2影像分類[J]. 航天返回與遙感, 2022, 43(2): 115-126. YANG Yinggang, LIU Pei, ZHANG Hebing, et al. Research on GF-2 Image Classification Based on Feature Optimization Random Forest Algorithm[J]. Spacecraft Recovery & Remote Sensing, 2022, 43(2): 115-126. (in Chinese)

[23] DRAGUT L, CSILLIK O, EISANK C, et al. Automated Parameterisation for Multi-scale Image Segmentation on Multiple Layers[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 88(2): 119-127.

[24] 文強, 丁媛, 苗立新, 等. 一種新增建設用地監測方法及裝置: CN112927252A[P]. 2021-06-08. WEN Qiang, DING Yuan, MIAO Lixin, et al. A New Construction Land Monitoring Method and Device: CN112927252A[P]. 2021-06-08. (in Chinese)

Object-Oriented Building Grading Extraction Method Based on High Resolution Remote Sensing Images

XING Yunfei1LIU Ping1XIE Yuting1GAO Yu1YUE Zhichuan1LU Zehao1LI Xinhua2

（1 College of Big Data, Taiyuan University of Technology, Jinzhong 030600, China）（2 Lvliang Municipal Bureau of Ecology and Environment, Lvliang 033000, China）

The rule-based classification algorithm assisted by Digital Surface Model (DSM) has the following shortcomings in object-oriented building extraction from high-resolution remote sensing images: 1) Multi-scale segmentation has poor segmentation effect in complex scenes, resulting in low building extraction accuracy; 2) When the image range is large, buildings cannot be extracted directly through a single threshold of DSM data. In order to overcome the above problems, this paper proposes a DSM-assisted parent-child object layers interactive processing method for building classification extraction. Firstly, the multi-scale segmentation is applied twice to generate the parent-child object layers in combination with DSM data. Then, the vegetation, water and shadow in the sub-object layer are eliminated by the sample grading extremum method, and the building seed nodes are screened by the building grading extraction method. Finally, the seed objectsare mapped to the parent object layer, and the building extraction from the parent object layer is completed by region growing with the context features. The growth result is re-inherited to the child object layer to complete the building extraction. The experimental results of building extraction from remote sensing images show that the F1-Score and IoU indexes of the proposed method reach 95.9% and 92.2% in experimental area A, and 94.1% and 92.2% in experimental area B, which are better than the results of support vector machine (SVM) algorithm. It is proved that this method can effectively extract buildings in complex scenes in remote sensing images.

satellite remote sensing images; building extraction; object-based classification; digital surface model

TP753; TP181

A

1009-8518(2023)04-0088-15

10.3969/j.issn.1009-8518.2023.04.010

2023-04-28

山西省重點研發計劃項目（202202020101007）；山西省基礎研究計劃青年科學研究項目（20210302124168）；山西省自然科學基金青年項目（201901D211002）

邢云飛, 劉萍, 謝育珽, 等. 基于高分辨率遙感影像的面向對象建筑物分級提取方法[J]. 航天返回與遙感, 2023, 44(4): 88-102.

XING Yunfei, LIU Ping, XIE Yuting, et al. Object-Oriented Building Grading Extraction Method Based on High Resolution Remote Sensing Images[J]. Spacecraft Recovery & Remote Sensing, 2023, 44(4): 88-102. (in Chinese)

邢云飛，男，1997年生，太原理工大學數據科學與技術專業在讀碩士研究生，主要研究方向為遙感影像信息提取。E-mail：740833808@qq.com。

劉萍，女，1976年生，博士，副教授，碩士生導師，主要研究方向為水資源大數據。E-mail：liuping01@tyut.edu.cn。

（編輯：夏淑密）