基于纹理增强的数字航片村镇建筑物信息提取

杨 刚，赵文吉，，段福洲，赵文慧

(1．首都师范大学资源环境与地理信息系统北京市重点实验室，北京 100048;2．首都师范大学三维信息获取与应用教育部重点实验室，北京 100048)

基于纹理增强的数字航片村镇建筑物信息提取

杨 刚1，赵文吉1，2，段福洲2，赵文慧2

(1．首都师范大学资源环境与地理信息系统北京市重点实验室，北京 100048;2．首都师范大学三维信息获取与应用教育部重点实验室，北京 100048)

基于建筑物细部边缘信息在数字航片上的精细纹理表达，首先对原始影像进行边缘检测、主成分分析和基于二阶概率统计的纹理滤波等预处理，然后选择用7像元×7像元的窗口锐化得到Contrast纹理特征的灰度图;采用Contrast灰度图(R)、原始航片(G)、原始航片(B)的波段组合进行假彩色合成，得到基于对比度纹理的假彩色合成影像;最后对假彩色合成影像进行多尺度分割和建筑物提取。以北京市延庆县康庄镇2008年12月数字航摄影像为例，运用上述方法进行村镇建筑物信息提取。结果表明，与运用面向对象的分类方法相比，利用纹理增强提取村镇建筑物信息的方法突出了建筑物边缘，减少了冗余分割对象，解决了建筑物与其阴影相混淆不利于建筑物信息提取的问题;并对特征空间进行优化，避免了模糊分类时纹理特征规则运算缓慢的问题，较完整地提取出了村镇建筑物信息，提高了分类精度。

纹理增强;数字航片;面向对象分类;Contrast;假彩色合成

0 引言

近年来，随着我国村镇城市化进程不断推进，村镇土地利用已成为社会各界广泛关注的热点问题。村镇建设用地日趋紧张，给原本紧缺的土地资源造成了更大的压力。利用高分辨率遥感影像提取村镇建筑物信息，获取当前土地利用情况，可为合理规划和利用村镇土地资源提供技术支持。就数据源而言，数字航片逐渐引发了人们的兴趣，2004年的ISPRS－伊斯坦布尔大会上数字航片成为一个焦点。与IKONOS、QuickBird等多光谱高分辨率遥感影像相比，其包含较少的光谱信息(波段较少)，却大大提高了空间分辨率;与传统的胶片航片扫描数字影像相比，又具有空间分辨率与几何精度较高、细部纹理信息丰富、生产周期较短等优点。数字航空相机的出现，解决了传统摄影生产效率低、实时性差的问题［1］。

传统的遥感影像分类方法大多是基于像元的分类方法，更多考虑的是遥感影像的光谱信息，而对影像的纹理信息、上下文等语义特征则没有过多的关注;而且提取的结果存在严重的“椒盐现象”，虽然一些预处理和分类后处理方法能在一定程度上消除这些噪声，但不能从根本上解决这一问题［2］。由于其局限性，Benz等［3］在2004年提出“Object－oriented”的信息提取方法，即面向对象的分类方法，在很多领域得到应用并取得了较高的分类精度［4－6］。

尽管面向对象的分类方法在一定程度上取得了比传统分类方法更好的分类结果，但分类过程中主要依据影像的 Color(颜色)、Shape(形状)、Smoothness(平滑度)和Compactness(紧凑度)等4个特征进行多尺度分割(如蒲智等［7］采用基于面向对象的技术对高分辨率遥感影像进行阴影检测与去除)，并没有考虑到阴影与相邻建筑物间的边缘变化信息，因此不可避免地会出现误分割现象，从而影响了分类精度。

针对上述情况，本文提出利用纹理增强得到的Contrast灰度图与数字航片的其他2个波段进行假彩色合成提取建筑物信息的方法:基于合成影像中建筑物的边缘变化信息进行多尺度分割，然后进行面向对象的分类。并以北京市延庆县康庄镇2008年12月拍摄的数字航片为例，进行建筑物信息提取，提高了分类精度。

1 基于纹理增强的面向对象的建筑物提取

1．1 面向对象的多尺度分割

面向对象的多尺度分割采用异质性最小的区域合并算法，基本思想是将具有相似性质的像元集合起来构成区域多边形，先对每个需要分割的区域找一个种子像元作为生长的起点，然后将种子像元周围与种子像元有相同或相似性质的像元合并到种子像元所在的区域中，将这些像元当作新的种子像元继续上面的过程，直到没有满足条件的像元为止，这样一个区域就生成了［8］。区域合并算法的目的是实现分割后影像对象的光谱异质性和空间异质性最小化。

任何一个影像对象的异质性f是由4个变量计算而得到的:wcolor(光谱信息因子)、wshape(形状信息因子)、hcolor(光谱异质性因子)和hshape(形状异质性因子)，且 wcolor+wshape=1［8］。异质性 f可定义为

光谱异质性因子hcolor不仅与组成对象的像元数目有关，还取决于各个波段的标准差(式2)。

式中，w为各波段的权重;c为波段数;n为对象的像元数;ρobj1、ρobj2为两个被合并对象的标准差;ρmerge为合并得到的对象的标准差。

形状异质性包括两个因子:平滑度hsmooth和紧凑度 hcompact(式3)，即

hcompact和hsmooth取决与组成对象的像元数n、多边形的边长l与同面积多边形的最小边长b(式4、5)，即

针对不同的地物，要选用不同的分割尺度。一般来说，对于面积较大、纹理一致的同类地物，应采用较大的分割尺度;相反，要采用较小的分割尺度进行提取。对不同的分割尺度采用层次网络结构进行组织，并进行后续分类［9］。

1．2 基于纹理增强的多尺度分割与建筑物提取

采用影像纹理增强技术，使建筑物的细部纹理特征参与到初期的多尺度分割过程之中，以增强多尺度分割的灵敏性。利用纹理增强提取建筑物的方法主要通过将原航片中的R波段用Contrast灰度图进行替换，采用Contrast、G、B波段进行假彩色合成，然后进行多尺度分割和模糊分类:先对原航片选择7像元×7像元的窗口进行边缘检测，提取出彩色纹理图;再进行主成分分析，一方面实现数据的压缩，一方面提高纹理图的信噪比，使噪声变小，突出建筑物的主要边缘纹理信息，达到纹理增强的目的;然后通过基于二阶概率统计的纹理滤波得到8个纹理特征值，包括 Mean(均值)、Variance(方差)、Homogeneity(协同性)、Contrast(对比度)、Dissimilarity(相异性)、Entropy(熵)、Second Moment(二阶距)和Correlation(相关性)。二阶概率统计用一个灰度空间相关性矩阵来计算纹理值，这是一个相对频率矩阵。通过对8个纹理滤波特征的试验分析和比较，发现选择7像元×7像元的窗口进行锐化后的Contrast灰度图，可以更好地剔除微弱细部纹理信息，突出强纹理特征，使地物边缘纹理反差显著增大，同时减少了数据冗余;其次，将Contrast灰度图与原航片的其他2个波段进行假彩色合成，与原影像相比，突出了建筑物的边缘特征，弱化了地物之间的光谱差异。通过Contrast灰度特征与原始航片R波段的替换，使得基于假彩色合成影像的多尺度分割效果更加贴近真实地物的空间表达，为建筑物信息提取打下了基础;最后通过多尺度分割技术以及模糊分类方法进行建筑物信息提取。技术路线如图1所示。

图1 利用纹理增强提取建筑物信息的技术路线Fig．1 Technical route for building extraction by texture enhancement

2 试验结果及分析

2．1 试验区概况

试验区位于北京市延庆县康庄镇，该镇东临八达岭经济开发区，是北京市首批小城镇建设试点镇之一，近年来经济发展活跃，建筑物面积增长明显。建筑物主要包括平顶房、人字房、高层居民住宅楼和厂房等，其中住宅区建筑密度较大。选取2008年12月获取并经正射纠正的数字航摄影像作为研究数据，空间分辨率为20 cm，比例尺为1∶1 000。受航摄条件限制，影像中高层建筑的阴影明显，部分建筑与其阴影边界不清，低层建筑区分布较为复杂(图2)。

2．2 纹理特征增强与假彩色影像合成

图2 原始航片影像Fig．2 O riginal aerial im age

本试验基于建筑物较为明显的边缘纹理特征，先对原航片进行边缘检测处理，得到彩色纹理图;再对边缘检测结果图进行主成分分析(图3(左))与基于二阶概率统计的纹理滤波(图3(右))。

图3 边缘检测纹理特征(左)与基于二阶概率统计的Contrast纹理特征(右)对比Fig．3 Comparison of edge detection texture feature(left)with the contrast gray － scale texture based on second－order probability statistics(right)

从图3对比中可以发现，基于二阶概率统计的Contrast纹理特征突出了建筑物的边缘特性，增强了建筑物之间、建筑物与周围地物之间的边缘反差，同时去除了如草地、裸地等模糊纹理信息，有利于后续的多尺度分割与分类。

将Contrast灰度图作为R波段与原航片的其他2个波段进行假彩色合成，建筑物的纹理信息在假彩色合成影像上显示为红色(图4)，将其转换为对分割敏感的光谱信息。建筑物边缘光谱特征反差的增大有利于后续分类。

图4 假彩色合成影像Fig．4 False color composite image

试验表明，Contrast灰度图(R)、原始航片(G)和原始航片(B)波段组合图像的光谱差异较突出，建筑物边缘纹理显著。

2．3 假彩色影像分割与村镇建筑物信息提取

由于研究区内各个建筑物面积大小差异较大，且分布不均匀，对上述假彩色合成前、后的数字航片分别进行多尺度分割，先采用大尺度(Scale Parameter=300)对面积较大的建筑物进行分割;然后采用小尺度(Scale Parameter=90)对面积较小的建筑物进行分割;同时设置参数Color=0．9，Smoothness=0．7，采用层级结构组织。假彩色影像合成后，在建筑密度较低的区域，高层建筑物的边缘更加细腻，高层建筑物边缘及其阴影都得到了较好的区分;在建筑密度较大的区域，因为纹理特征的参与，低层建筑物与周边院落错分割的现象得到了改善;同时由于研究区内块状院落、道路等与建筑物具有相似强度的纹理特征，也被分割出来。假彩色影像合成前、后分割效果见图5。

图5 假彩色影像合成前(左)、后(右)分割效果对比Fig．5 Comparison of the segmentation results before(left)and after(right)color composition

研究区合成影像主要包括建筑物、农田和道路等3类地物。本试验将假彩色合成影像中的地物分为2大类，即建筑物和其他地物。假彩色合成前、后建筑物提取结果对比见图6。

图6 假彩色影像合成前(左)、后(右)建筑物提取效果对比Fig．6 Comparison of building extraction results before(left)and after(right)color composition

原航片由于分割效果不佳，对分类基础造成影响，导致规则特征不易确定，特征空间维数增加，建筑物提取精度为89．17%(表1)。

表1 基于原航片的分类结果评估参数Tab．1 Evaluated parameters of classification based on original image

而假彩色合成影像分割效果较真实地反映出实际建筑物的轮廓，原航片中未分类的建筑物得到正确提取;同时对建筑物周边阴影和与其光谱差异较小的院落地块、道路等易混淆分割对象，采用长宽比、相邻特征等模糊规则予以剔除，建筑物提取精度达 94．40%(表2)。

本研究在使用模糊函数时，优化了特征空间，避免了在模糊规则库中使用灰度纹理特征造成分类速度缓慢的问题。但是，研究中也发现分类中高密度建筑区内低层建筑与院落仍存在边缘混淆分割的现象，院落边缘与低层建筑物边缘纹理走向、分布一致时，难以区分，影响了分类精度。

表2 基于纹理增强的分类结果评估参数Tab．2 Evaluated parameters of classification based on texture enhancement

3 结论

(1)基于数字航片丰富的纹理特征，挖掘了对村镇建筑物信息提取较为适合的纹理增强方法，即将纹理特征转化为对分割更为敏感的光谱特征，得到了反映建筑物真实结构与分布特征的分割效果，为后续建筑物提取提供了保证。

(2)与运用面向对象的分类方法相比，有纹理特征参与的假彩色合成影像虽然损失了原航片的R波段，使地物光谱特征相对减少，地物光谱差异相对下降，但是通过将Contrast纹理特征与原始航片R波段的替换，突出了建筑物的细部结构与边缘信息，有利于建筑物的提取;同时优化了模糊分类的特征空间，避免了在面向对象的分类方法中应用灰度纹理特征运算缓慢的问题，节约了计算时间，提高了工作效率。

(3)试验结果表明，该方法虽然能够较精确地提取出村镇建筑物信息，提高了分类精度，但还有值得改进之处:①分割参数的确定需要用户不断地试验，并要求用户具有丰富的经验和专业知识，人为差异较大，今后需重点研究建筑物提取目标与分割参数的关系，为分割参数的确定提供依据;②随着数字航摄技术的不断进步，影像表达的地物纹理特性会更加丰富，如何从中获得稳定的纹理特征将是下一步的研究方向。

［1］刘先林，段福洲，宫辉力，等．航空摄影科技发展成就与未来展望［J］．前沿科学，2007(3):10－14．

［2］田新光．面向对象高分辨率遥感影像信息提取［D］．北京:中国测绘科学研究院，2007．

［3］Benz U C，Hofmann P，Willhauck G，et al．Multi－ resolution Object－oriented Fuzzy Analysis of Remote Sensing Data for GIS－ready Information［J］．ISPRS Journal of Photogrammetry＆ Remote Sensing，2004，58:239 －258．

［4］明冬萍，骆剑承，周成虎，等．高分辨率遥感影像信息提取及块状基元特征提取［J］．测绘科学，2005(1):18－20．

［5］曹 雪，柯长青．基于对象级的高分辨率遥感影像分类研究［J］．遥感信息，2006(5):27 －30．

［6］黄慧萍．面向对象影像分析中的尺度问题研究［D］．北京:中国科学院研究生院(遥感应用研究所)，2003．

［7］蒲 智，杨 辽，白洁．基于面向对象技术的高分辨率遥感影像的阴影检测与去除［J］．遥感技术与应用，2008(6):375－378．

［8］章毓晋．图像分割［M］．北京:北京大学出版社，2000．

［9］BLASCHKE T．Object－ based Contextual Image Classification Built on Image Segmentation［C］//Advances in Techniques for Analysis of remotely Sensed Data．2003:113－119．

(责任编辑:刘心季)

The Extraction of Buildings in Towns and Villages from Digital Aerial Images Based on Texture Enhancement

YANG Gang1，ZHAO Wen － ji1，2，DUAN Fu － zhou2，ZHAO Wen － hui2
(1．Key Laboratory of Resources Environment and GIS of Beijing，Capital Normal University，Beijing 100048，China;2．Key Laboratory of3D Information Acquisition and Application，Capital Normal University，Beijing 100048，China)

Based on fine texture expression of the edge of the detailed information in the digital aerial image，the authors first preprocessed the digital aerial image by edge detection，principal component analysis and the texture filter of second － order probability statistics，secondly obtained the gray image of the contrast texture through the sharpening window of 7 × 7，then taking the gray image as an independent band，processed a pseudo color composition with the band combination of contrast(R)，the digital aerial image band(G)and the digital aerial image band(B)．Finally，multiple segmentation and building extraction in towns and villages based on the pseudo color images were processed．With the digital aerial image acquired in December 2008 from Kangzhuang Town of Yanqing County in Beijing as an example，the authors processed building extraction by using the method mentioned above．Compared with the object－ oriented classification method，it not only highlighted the edges of the buildings but also reduced the redundant segmented objects．Besides，it achieved an effective solution of the shadow of the building and its confusing area，optimized the feature space，and improved the classification accuracy．

Texture enhancement;Digital aerial image;Object－oriented classification;Contrast;Pseudo color composition

段福洲，E －mail:duanfuzhou@263．net。

TP 751．1

A

1001－070X(2010)04－0051－05

2010－02－04;

2010－03－10

国家科技支撑项目(编号:2006BAJ05A01)和国家科技支撑项目(编号:2008BAK49B01)共同资助。

杨 刚(1983－)，男，硕士研究生，主要从事数字影像处理与信息提取方面的研究。