V律指数法提取城市建筑用地遥感影像的研究

蔡志明

（福建工程学院 电子信息与电气工程系，福建 福州 350108）

V律指数法提取城市建筑用地遥感影像的研究

蔡志明

（福建工程学院 电子信息与电气工程系，福建 福州 350108）

通过对Landsat ETM+不同波段遥感影像主要土地利用类型光谱特征曲线进行分析，提出一种新的提取城市建筑用地的方法：V律指数法（V law index，VLI）. 该方法采用3个波段的遥感影像，并结合约束条件，通过简单的逻辑判断和乘法运算实现建筑用地的提取. 随机矩阵点实验测试表明：VLI法能够获得较好的提取效果，与其他建筑用地提取指数如NDBI单指数、NDBI/SAVI/MNDWI三指数方法相比，具有更低的误判率.

建筑用地提取；V律指数；遥感影像处理

在城市化的进程中，土地绝大部分做了建筑用地，因此，及时准确地了解城市建筑用地的状况及变化信息，对城市规划、土地合理利用以及城市的可持续发展具有十分重要的意义. 建筑用地信息的获取可以通过统计或者实地考察获得，但这些方法效率低、周期长. 近几年，随着遥感信息技术的发展，利用卫星对地观测技术动态实时监测城市土地利用和土地覆盖变化成为一个重要的研究和应用领域. 目前，已有不少学者研究出利用遥感信息提取城市建筑用地信息的方法：杨山[1]通过对无锡市土地遥感影像的光谱特征分析，采用仿归一化植被指数法提取了无锡市城乡聚落空间信息；房世波等[2]利用TM和SPOT遥感影像，采用IHS融合技术和比值、差值综合处理技术对南京市城镇用地扩展进行了监测；查勇等[3]提出一种归一化建筑指数NDBI，并利用TM图像成功提取了无锡市城镇用地信息；刘玉芳等[4]采用遥感影像的对比度纹理特征，对图像进行分类、密度分割及后处理得到城市用地信息；徐涵秋[5-6]采用比值运算对多个波段进行组合，实现多波段数据维压缩，并利用NDBI、SAVI和MNDWI指数对复杂城市建筑用地进行提取，精度达到91%以上；陈志强等[7]运用多波段K-L变换法提取福州市城市用地信息；岳文泽等[8]以Landsat卫星的TM和ETM+遥感影像为数据源，利用改进后的线性光谱分解技术对上海旧城改造进行分析. 综上，对于建筑用地的提取方法主要是指数法、混合像元线性分解法，本文对各类地物的光谱特征曲线进行分析，提出一种V律指数（V Law Index，VLI）方法提取信息城市建筑用地.

1 VLI基本原理和方法

提取城市建筑用地信息首先要分析城市的主要地类，文献[5]通过对福州市Landsat ETM+影像进行目视判别，将福州试验区的土地利用类型分为9类，即高密度建筑区、低密度建筑区、新建筑区、灌木林、森林、山地阴影（植被）、草地/菜地、湖泊、河流，并通过详细分析各类地物的波段均值得到光谱特征曲线，如图1-a所示. 从图1-a不难发现：各类地物的光谱特征在3、4、5三个波段的差异最大，且建筑用地（包括高密度建筑区、新建筑区和低密度建筑区）的光谱特征曲线在3、4、5波段呈现V形，因此这3个波段是地物类型区分的较佳波段. 各类地物在3、4、5三个波段的光谱特征曲线可以归纳为Ⅰ、Ⅱ、Ⅲ、Ⅳ4种类型，如图1-b所示，其中Ⅰ、Ⅲ为V形，Ⅱ、Ⅳ为非V形，建筑用地主要以Ⅰ型为主.

图1 福州试验区土地利用类型的光谱特征

为了描述V形，定义如下V律指数：

式中，Red、NIR和MIR分别为3、4、5波段，a为V形朝向系数. 为了区分Ⅰ、Ⅲ类的V型口朝向，做如下约定：

由此得到，建筑用地的VLI指数为正数、其他地物类型的VLI指数为负数. 本文根据VLI指数对城市建筑用地进行提取，结果部分水体也被视为建筑用地提取了. 经过对图1-a特征曲线进行仔细观察发现，湖泊的特征曲线也满足VLI指数为正数的情形，但是从图中可以看出，该系数相对于建筑用地的VLI指数应该小很多（因为湖泊的(MIR-NIR)值很小）. 为此，进一步引入约束条件，把式（1）修正为：

根据图1-a，ΔI大约取1～20之间的正数. 因此，我们得到改进后的建筑用地提取条件应该满足公式（2）的条件，且VLI指数为正数.

2 提取效果分析

2.1 实验数据源

为了验证VLI指数对不同地域的适应性，实验以从GLCF下载的中国南京市Landsat ETM+遥感影像（3 500像素×1 900像素，2005年，http://glcf.umiacs.umd.edu/data/.）为源数据. 这些影像具有8个波段，本文选用1、2、3、4、5五个波段. 截取的市区部分（850像素×470像素）未做任何处理，在Matlab 7.7上进行测试.

2.2 提取比较

现有的指数提取建筑用地的方法主要是NDBI单指数方法[1,3,9]和SAVI、NDBI、MNDWI三指数（以下简称“ThreeI”）方法[10-11]. 前者定义的建筑指数为：

该指数主要基于城市建筑用地在5波段的反射率高于4波段的特点而创建，提取方法是当NDBI＞0时就认为是建筑用地；后者采用NDBI、SAVI和MNDWI指数，3个指数的定义分别为：

式中，L为土壤调节因子，其值介于0～1之间，通常选择0.5.

提取方法采用如下的逻辑表达式：

本文VLI的提取方法描述如下：

2.3 实验结果分析

图2给出了不同约束条件和调节因子下采用几种指数提取城市建筑用地的结果，其中图2-a为原始影像的3、2、1波段构建的图像，白色区域内部为山地、公园或者农村用地.

从图2-b看，NDBI指数的提取效果很差，大量的绿色区域被视为建筑用地提取出来. 这主要是由于在4、5波段，建筑用地与水、植被的光谱特征曲线走势类似，因此，单靠NDBI一种指数，以NDBI＞0判断是建筑用地的提取方法是不可靠的[10]. 对于VLI指数提取方法，由图2-c可以发现：当ΔI较小时，非建筑用地可能被视为建筑用地提取出来；而当ΔI较大时，部分建筑用地又会被过滤掉（如图2-g）. 对于ThreeI指数提取方法，在本次实验中，调节因子L对建筑用地提取的影响很小，但也出现了部分非建筑用地被视为建筑用地提取出来的情形.

图2 不同指数提取建筑用地的效果比较 南京市（2005年）

为了进一步验证各指数法提取的精度，在TM321影像上选择一些抽样点进行测试. 同时为了减少人为因素的影响，抽样点采用计算机产生随机行列矩阵点的方法进行选择. 每次抽样的矩阵点为10行×20列（200点），测试10次，共2 000点. 对于每种指数方法，每次抽样的矩阵点位置相同，当抽样点被判为建筑用地时，则在TM321图的相应位置上标注绿十字符号，否则标注红十字符号，如图3-a、3-c所示. 限于篇幅，只给出NDBI的抽样（图3-b）和VLI的抽样（图3-d）. 通过目视判断，抽样点分为建筑用地点、非建筑用地点、建筑用地点误判为非建筑用地点（以下简称“建当非”）、非建筑用地点误判为建筑用地点（以下简称“非当建”）和难以分辨点（以下简称“难辨点”）. 10次测试的结果见表1. 为了比较各种指数提取的效果，由表1数据，图4和图5分别给出了各种指数提取法建当非、非当建和平均误判的结果.

图3 随机矩阵点抽样

表1 各种指数提取测试结果

指数提取时，误判包含建当非和非当建. 从图4-a可以看出：相对于ThreeI和VLI，NDBI指数提取时，建当非的概率最低. 然而NDBI指数提取却有很大的非当建概率，相比之下VLI指数提取的非当建概率最低，如图4-b. 从图5可以看出：NDBI指数提取时，误判的概率最高，ThreeI次之，VLI最低.

图4 各种指数提取造成的建当非、非当建比较（不含难辨点）

2.4 VLI提取建筑用地面积偏小的讨论

综合表1和图4可以发现，采用VLI指数提取时，由于建当非的概率高于非当建的概率，因此存在提取面积小于实际面积的风险. 造成这一现象的原因是：为了克服VLI提取时部分水体可能会被当作建筑用地提取出来的缺点，在式（2）引入修正系数a时，在条件0＜MIR-NIR＜ΔI中设置的阈值ΔI偏高. 在VLI指数中，阈值ΔI的设置较为敏感，设置偏小将导致部分水体被提取，设置太大，又会导致提取的建筑用地面积偏小；因此建议在实际应用中，实地测量当地的水体和建筑物中MIR波段和NIR波段的反射率的差值(MIR-NIR)，选择较合适的阈值ΔI.

图5 各种指数提取的平均误判比较（不含难辨点）

3 结论

本文提出了VLI提取建筑用地的方法，并与NDBI单指数和NDBI、SAVI、MNDWI三指数提取方法进行比较. 从算法的复杂性来看，NDBI单指数提取只要采用MIR和NIR 2个波段的影像，计算量最小，但是提取效果最差；VLI指数提取需要采用Red、NIR和MIR 3个波段的影像，只涉及到逻辑判断和乘法运算，运算量相对较小；NDBI、SAVI、MNDWI 3指数提取需要用到Green、Red、NIR和MIR 4个波段的影像，涉及到逻辑判断和乘除运算，运算量较大. 城市建筑用地的提取是一个复杂的工程. 从光谱分析的角度看，需要实地测量各类地物准确的光谱特征曲线，由于地域、气候、温度的差别，同类地物的光谱特征可能会有所差异，本文摒弃常规光谱特征研究主要考虑反射率的方法，改用以光谱特征曲线的形状来研究光谱特征. 实验测试表明，本文提出的VLI具有较好的地域适应性，对建筑用地提取具有较低的误判率，但仍然存在提取面积小于实际面积的风险. 随着城市化进程的快速发展，城市建筑的顶层构造类型越来越复杂，既有从隔热考虑采用高反射材料或者琉璃瓦的，也有为提高城市绿化率在高楼顶层种植植物进行绿化的，这些都与传统建筑物钢筋混凝土的光谱特征存在很大区别，也给采用光谱特征分析提取建筑用地带来了更大的挑战. 如何更好地提取建筑用地光谱的共性特征，是本文后续努力的方向.

[1] 杨山. 发达地区城乡聚落形态的信息提取与分形研究——以无锡市为例[J]. 地理学报，2000，55(6): 671-678.

[2] 房世波，潘剑君，陈彩虹. 利用TM和SPOT遥感影像对南京市城镇用地扩展的监测[J]. 南京农业大学学1报，2000, 23(3): 49-52.

[3] 查勇，倪绍祥，杨山. 一种利用TM图像自动提取城镇用地信息的有效方法[J]. 遥感学报，2003, 7(1): 37-40.

[4] 刘玉芳，刘定生. 利用纹理特征提取城市用地信息方法探索[J]. 测绘科学，2005, 30(4): 46-47.

[5] 徐涵秋. 基于压缩数据维的城市建筑用地遥感信息提取[J]. 中国图像图形学报，2005, 10(2): 223-229.

[6] 徐涵秋. 利用改进的归一化差异水体指数（MNDWI）提取水体信息的研究[J]. 遥感学报，2005, 9(5): 1 589-595.

[7] 陈志强，陈健飞. 基于多波段KL变换法的福州市城市用地及其变化信息提取[J]. 福建师范大学学报：自然科学版，2006, 22(3): 100-103.

[8] 岳文泽，徐建华，武佳卫，等. 基于线性光谱分析的城市旧城改造空间格局遥感研究：以1997～2000年上海中心城区为例[J]. 科学通报，2006, 51(8): 966-974.

[9] ZHA Yong, GAO Jay, NI Shaoxiang. Use of normalized difference built-up index in automatically mapping urban areas from TM imagery[J]. International Journal of Remote Sensing, 2003, 24(3): 583-594.

[10] 徐涵秋. 基于谱间特征和归一化指数分析的城市建筑用地信息提取[J]. 地理研究，2005, 24(2): 311-320.

[11] 徐涵秋. 一种基于指数的新型遥感建筑用地指数及其生态环境意义[J]. 遥感技术与应用，2007, 22(3): 301-308.

Research a New Method for Urban Built-up Land Extraction from Remote-sensing Images

CAI Zhi-ming
(Department of Electronic Information and Electrical Engineering, Fujian University of Technology, Fuzhou 350108, China)

This paper makes an analyses of the spectral characteristic curves of the major land use categories based on Landsat ETM + different bands remote-sensing images and proposes a new VLI(V law index）method to extract images of urban built-up land. It adopts three-band remote-sensing images and combines with constraints to extract images of urban built-up land using simple logic determination and multiplication operations. Experimental random matrix point tests show that the VLI index, compared with other building land index, such as NDBI index and NDBI/SAVI/MNDWI index, can achieve better extraction results and has a lower misjudged rate.

built-up land extraction; V law index; remote-sensing image processing

TP751.1

A

1006-7302（2011）01-0043-07

2010-08-28

蔡志明（1977—），男，福建漳浦人，讲师，在职博士生，主要从事图像处理与模式识别的研究.