基于小波纹理和基元合并的高分影像居民地提取

胡华龙， 薛武,2,3， 秦志远

(1.信息工程大学地理空间信息学院,郑州 450001； 2.地理信息工程国家重点实验室,西安 710054；3.河南理工大学矿山空间信息技术国家测绘地理信息局重点实验室,焦作 454003)

基于小波纹理和基元合并的高分影像居民地提取

胡华龙1， 薛武1,2,3， 秦志远1

(1.信息工程大学地理空间信息学院,郑州 450001； 2.地理信息工程国家重点实验室,西安 710054；3.河南理工大学矿山空间信息技术国家测绘地理信息局重点实验室,焦作 454003)

由于高分辨率全色影像(简称“高分影像”)中的信息高度细节化，再加上噪声的影响，会导致传统基于纹理特征的居民地提取方法效果不理想。为此，提出一种基于小波纹理和基元合并的居民地提取方法。首先，利用结合小波变换(wavelet transform,WT)的分形网络进化算法(fractal net evolution approach,FNEA)获取初始基元，并对基元的多尺度小波纹理进行分析； 然后，在人工给定种子基元的基础上合并具有相似纹理的基元； 最后，对基元合并的结果进行数学形态学修整，得到居民地区域。利用天绘一号(TH-1)全色影像对所提方法进行验证及对比分析的结果表明，该方法对高分影像中的街区式居民地可取得较高的提取精度和计算效率。

高分辨率全色影像(高分影像)； 居民地提取； 小波变换(WT)； 分形网络进化算法(FNEA)； 基元级纹理特征； 基元合并

0 引言

居民地作为人类活动的核心场所，在各类遥感影像中都有广泛分布。利用遥感影像提取居民地区域,对居民地变化监测、土地规划及灾害评估等应用具有重要意义[1-2]。按建筑分布的不同形式，居民地可分为街区式、散列式和特殊式(窑洞和蒙古包)3类。本文的研究对象为街区式居民地，即房屋分布密集、有明显主次街道和外部轮廓的居民地。

传统的居民地遥感提取方法首先分析居民地与其他地物的光谱响应曲线在各波段的可分性，然后选择光谱可分性较强的波段建立基于光谱知识的专家模型，从而实现居民地区域的自动提取[3-5]。这种基于光谱特征的方法要求遥感影像有足够的波段范围，因此主要适用于光谱分辨率较高的中低空间分辨率(低于5 m)遥感影像。随着遥感影像空间分辨率的提高，利用高分辨率全色影像(简称“高分影像”)提取居民地已经成为研究的热点。目前，针对高分影像的居民地提取方法可分为基于纹理特征和局部特征的2类。基于纹理特征的方法在对高分影像进行纹理分析的基础上，通过提取合适的特征或特征组合，实现居民地的提取。例如Pesaresi等[6]利用基于灰度共生矩阵纹理特征的建筑区因子从SPOT5影像中提取居民地。Zhong等[7]提出一种融合多种纹理特征的条件随机场模型，并将其应用于SPOT5影像的居民地提取。金飞等[8]利用基于树型框架小波变换的尺度共生矩阵纹理从1∶50 000比例尺的航空影像及SPOT5影像中提取居民地。由于居民地的纹理特征与其建筑分布形式及影像分辨率密切相关，因此基于纹理特征的方法主要适用于分辨率在2～5 m的高分影像中街区式居民地的提取。对于纹理特征不明显的散列式居民地以及分辨率高于1 m的高分影像中的街区式居民地，则主要采用基于边缘、直线、角点等局部特征的方法进行提取[9-11]。

分析现有基于纹理特征的居民地提取方法，发现这类方法大多以滑动窗口为单元，逐像元地描述居民地纹理。利用这种像元级纹理特征描述高分影像中的居民地纹理，存在以下2个方面的问题： ①难以确定合适的滑动窗口尺寸。滑动窗口过小会导致居民地内部点的纹理一致性降低，因而无法完整地提取出居民地区域； 滑动窗口过大又会导致居民地边界点的定位精度降低，使得提取出的居民地边界与实际边界相差较大。②逐像元地进行纹理分析，会导致计算量过大，耗时太长，致使居民地提取的精度和效率都难以得到保证。为了及时、准确地从高分影像中提取居民地，本文提出了一种基于小波纹理和基元合并的高分辨率全色影像街区式居民地提取算法，并通过天绘一号(TH-1)卫星全色影像对所提算法进行了验证。实验证明，本文算法具有较高的提取精度和计算效率。

1 实验数据与技术路线

本文选用了3景空间分辨率为2 m的TH-1全色影像进行街区式居民地提取实验，实验数据如图1所示。3景影像时相均为2010年12月。图1(a)所示子区位于黄淮平原黄河北的焦作地区，大小为600像元×500像元。图1(b)和(c)所示子区位于黄淮平原黄河北的新乡地区，大小分别为600像元×500像元和1 000像元×500像元。

(a) 焦作(地区1) (b) 新乡(地区2) (c) 新乡(地区3)

图1 实验用TH-1全色影像

Fig.1 TH-1 panchromatic images for experiment

本文采用的技术路线是： 首先利用结合小波变换(wavelet transform,WT)的分形网络进化算法(fractal net evolution approach,FNEA)对实验影像进行分割以获取初始基元； 然后对基元的多尺度小波纹理进行分析，并提取适用于区分居民地与背景地物的基元级小波纹理； 接着在人工给定种子基元的基础上合并具有相似纹理的基元； 在经过数学形态学修整后，得到最终的居民地区域(图2)。

图2 技术路线图

2 初始基元及其小波纹理提取

2.1 初始基元获取

在居民地提取的初始阶段，主要利用结合WT的FNEA算法获取初始基元。FNEA是Baatz等[12]提出的一种多尺度分割方法，该方法以种子像元为起始点，搜索与其最相似的邻近像元进行合并； 下一次合并时，以上一次合并获取的基元为起点，将最相似的邻接基元合并为更大的基元，直到达到预先设置的异质度增量(即“尺度阈值”)为止。尽管后续的基元合并技术可以逐步改善过分割情况，但仍无法处理欠分割情况，因此在基元获取阶段，需要在兼顾基元边界定位精度的同时避免出现影像欠分割。但另一方面，为了增强后续基于统计的基元级小波纹理特征的稳定性，又需要在基元获取阶段尽量生成较大的初始基元。针对这一问题，本文结合WT对传统FNEA算法进行改进，旨在兼顾基元边界定位精度的同时生成较大的初始基元。其实现过程如下：

1)采用二维Haar WT对原始影像进行分解，形成影像金字塔结构。由于小波分解后影像的分辨率会降低1/2，故小波分解层数使得最大尺度影像的分辨率达到10 m左右即可。

2)采用相同尺度阈值对金字塔的各尺度影像进行基于FNEA算法的分割，得到各尺度影像的初始基元。经过大量实验总结，认为尺度阈值一般取值范围在[30,40]即可。

3)将最大尺度影像的分割结果逐层引导到最小尺度影像的分割结果上，其过程为： ①将大尺度影像的分割结果在行、列方向各扩大2倍，使其尺寸与相邻小尺度影像的分割结果一致； ②遍历小尺度影像的初始基元，判断其包含的像元是否有70%以上都在相邻大尺度影像的某个基元内。若是，则在下、上层基元间建立“父子”(“child-parent”)关系； ③遍历大尺度影像的初始基元，根据下、上层基元间的“child-parent”关系，搜索其包含的小尺度影像的初始基元； ④判断属于同一父基元的子基元间的邻接关系，合并小尺度影像中相互邻接的子基元。

图3(a)为使用尺度阈值30的FNEA算法获取的地区1影像的初始基元。图3(b)为使用相同尺度阈值的结合WT的FNEA算法获取的初始基元。可以看出，采用结合WT的FNEA算法能够获取较大尺寸的初始基元，增强居民地区域内部的纹理一致性，从而有利于在基于纹理相似性的基元合并后得到更加完整的居民地区域，同时不会影响居民地边界的定位精度。

(a) FNEA算法 (b) 结合WT的FNEA算法

图3 地区1影像初始基元获取结果

Fig.3 Results of initial primitives from image of area 1

2.2 基元级小波纹理特征提取

与中低分辨率遥感影像相比，高分影像中的居民地纹理具有明显的尺度特征，因此在同一尺度下对居民地纹理进行描述是不充分的[13]。黄昕[14]在对高分影像进行静态小波变换(stationary wavelet transform, SWT)的基础上，利用得到的高频细节信息构造具有旋转不变性的平均纹理特征，取得了较好的实验效果。其数学表达式为

(1)

式中：l为小波分解层数；V(l),H(l)和D(l)分别为第l层WT得到的高频垂直、水平和对角信息。

本文在对原始影像进行静态Haar WT的基础上，逐层计算平均纹理特征； 然后对平均纹理特征取绝对值并归一化到0～255； 最后统计基元内平均纹理特征的均值、标准差和熵均值，作为基元的多尺度小波纹理，其特征影像如图4(d)―(i)所示。作为对比，图4(a)―(c)为利用基元内像元灰度值计算得到的第0层的均值、标准差和熵均值特征影像。从目视效果上看，第2层小波纹理中的熵均值特征具有最好的居民地纹理描述效果。为了更全面、更准确地评价不同小波纹理对高分影像中街区式居民地纹理的描述效果，本文在计算得到地区1―3基元级小波纹理特征影像的基础上，采用人工方法对居民地基元进行采样，并计算邻接基元间同类小波纹理的差值的绝对值。不同地区在不同小波分解层数下的计算结果见表1。邻接基元间的小波纹理差异越小，则居民地区域内部的纹理一致性越高，小波纹理的描述效果越好。

(a) 原始影像基元均值纹理(b) 原始影像基元标准差纹理(c) 原始影像基元熵均值纹理

图4-1 基元级纹理特征影像

Fig.4-1 Images of primitive-level texture feature

(d) 第1层基元均值纹理(e) 第1层基元标准差纹理 (f) 第1层基元熵均值纹理

(g) 第2层基元均值纹理(h) 第2层基元标准差纹理 (i) 第2层基元熵均值纹理

图4-2 基元级纹理特征影像

Fig.4-2 Images of primitive-level texture feature

表1 不同基元级小波纹理的描述效果对比

通过目视观察效果及定量分析可以得到： ①对于高分影像中的街区式居民地，由于其内部灰度差异较大，因此利用小波变换高频细节信息统计得到的纹理特征比直接利用原始影像灰度信息统计得到的纹理特征效果更好； ②第2层小波纹理的效果总体上优于第1层； ③在利用不同统计方法得到的第2层小波纹理中，熵均值特征的效果总体较好。因此，本文选择第2层小波纹理中的熵均值特征作为基元的小波纹理。

3 基元合并的居民地提取

3.1 纹理异质性计算及纹理信息更新

在基于纹理相似性的基元合并过程中，首先需要计算种子基元P与其邻接基元P′间的合并代价，其数学表达式为

d=|ENT-ENT′|，

(2)

式中ENT和ENT′分别为基元P与P′的小波纹理。

然后在基元P的邻接基元中选择与P合并代价最小的P′与P合并，得到新的种子基元P″，并按式(3)对P″的纹理信息进行更新[15]，即

P″=(SpP+Sp′P′)/(Sp+Sp′),

(3)

式中Sp和Sp′分别为基元P和P′的面积。

3.2 基元合并停止准则

基元合并过程何时停止决定着基元合并的效果。使用传统的合并阈值方法停止合并过程，需要在反复实验的基础上，人工确定使实验效果最好的合并阈值。合并阈值过小会导致合并不充分，无法将属于居民地的基元合并为一个整体； 合并阈值过大又会导致错误合并属于不同地物的基元。尽管一些研究提出了合并阈值的自适应选择方法[16-17]，但到目前为止尚不存在一种广泛适用的合并阈值选择方法。本文通过在合并过程中对合并代价进行跟踪分析，提出了一个基元合并的自动停止准则。

如图5(a)所示，人工选择标注为1的初始基元为种子基元进行基元合并，并在合并过程中对种子基元与其邻接基元间的合并代价进行跟踪，得到如图5(b)所示的合并代价变化曲线。可以看出，合并代价在合并过程中呈波动上升趋势。如图5(b)中的红色标记所示，若某次合并使得合并代价明显增大，则说明新合并的基元与种子基元的纹理特征差异较大，此时应停止合并。

(a) 人工选择种子基元 (b) 合并代价变化曲线

图5 种子基元选择与合并代价变化曲线

Fig.5 Seed primitive selection and variation curve of merging cost

根据合并代价的上述变化规律，本文在对合并代价进行跟踪排序的基础上，通过判断某次合并是否使合并代价集中的最大合并代价与次大合并代价间的差值△d大于人工给定的“容忍跃升阈值”T来决定是否停止合并。若△d>T，则自动停止基元合并; 否则继续合并。本文通过大量实验总结，认为T取值10即可在大多数情况下得到满意的基元合并结果。

3.3 基元合并算法流程

在进行基元合并之前，需要先建立一个种子队列和一个区域邻接图(region adjacency graph,RAG)。种子队列用于保存人工选择的种子基元，RAG用于保存基元间的邻接关系及合并代价[18]。其实现过程如下： ①人工选择种子基元，并将其存入种子队列； ②取出种子队列的队首元素P，并将P标记为1； ③访问RAG，返回种子基元P的邻接基元列表Np； ④判断Np是否为空。若不空，则从Np中取出与P合并代价最小的基元P′； 否则转到步骤⑥； ⑤判断是否满足基元合并停止准则。若满足，则转到步骤⑥； 否则合并P和P′，并根据式(3)更新种子基元的纹理信息和RAG，然后转到步骤③； ⑥判断种子队列是否为空。若不空，则转到步骤②，否则转到步骤⑦； ⑦将所有尚未标记的基元标记为0，结束基元合并过程。

图6(a)中的椭圆标注为人工选择的种子基元，图6(b)为基元合并结果。

(a) 种子基元选择 (b) 基元合并结果

图6 种子基元选择与基元合并结果

Fig.6 Seed primitive selection and result of primitive merging

从图6可以看出，经过基于纹理相似性的基元合并后，居民地区域已被基本分割出来。另外，在实验过程中还发现，本文算法对种子基元的选取要求较低。对于图6(a)中标注的3个种子基元，无论选取哪一个，得到的合并结果都是一样的。

3.4 数学形态学修整

由于有外部道路与街区式居民地相连，因此经基元合并初步分割出的居民地区域还包含部分道路。为了最终从高分影像上提取出居民地，还需要对基元合并的结果进行数学形态学修整，将与居民地相连的外部道路分割并剔除。本文首先利用正方形结构元素对基元合并的结果进行形态学“开”运算，然后统计“开”运算结果中不同区域的面积，最后利用面积阈值剔除小区域、得到最终的居民地提取结果。其中，正方形结构元素的边长与面积阈值需要根据实验结果进行调整。图7(b)为经形态学修整后最终提取出的居民地区域。

(a) 地区1原始影像 (b) 居民地提取结果

图7 测试影像与居民地提取结果

Fig.7 Test image and result of residential area extraction

4 实验结果评价与分析

为了进一步验证本文算法的正确性，本文又对地区2和地区3的全色影像进行了实验，并将本文算法与文献[8]中基于像元级尺度共生矩阵纹理特征的居民地提取算法进行了对比分析，以验证本文算法在居民地提取精度和计算效率上的优势。本文算法及不同滑动窗口尺寸下文献[8]算法的实验结果如图8所示。

(a) 地区②原始影像(b) 地区②本文算法 (c) 地区②文献[8]算法(3×3窗口)(d) 地区②文献[8] 算法(13×13窗口)

(e) 地区③原始影像 (f) 地区③本文算法结果

(g) 地区③文献[8]算法(3×3窗口) (h) 地区③文献[8]算法(13×13窗口)

图8 居民地提取结果

Fig.8 Results of residential area extraction

从图8可以看出，使用文献[8]算法在不同滑动窗口尺寸下提取出的居民地区域在多个位置存在明显偏差，对居民地区域的提取效果难以令人满意，其原因主要是像元级尺度共生矩阵的滑动窗口尺寸影响了居民地提取的精度。由于高分影像中的居民地纹理有其固有的特征尺度，当滑动窗口的尺寸小于居民地纹理的特征尺度时，将无法统计到具有全局一致性的居民地纹理，因而导致居民地提取的结果存在明显的漏提现象； 当滑动窗口的尺寸大于居民地纹理的特征尺度时，虽能从一定程度上反映出居民地纹理的固有特征，但又会将不同地物的纹理都统计为居民地纹理，因而影响到最终的居民地提取精度。另外，尺度共生矩阵提取到的多尺度纹理并不全部适用于区分居民地与背景地物，而文献[8]算法却未根据居民地提取的目的进行有针对性的特征选择，也在一定程度上影响了居民地提取的精度。

为了更好地评价不同算法的提取精度和计算效率，本文采用文献[19]所介绍的精度评价方法对本文算法与文献[8]算法的提取效果进行评价，同时分别记录2种算法的运行时间。文献[19]以人工提取的居民地区域为参考，将不同算法的提取结果与其进行比较，分别计算精确度、召回率和F-度量3项指标。不同算法的精度及效率统计指标见表2。

表2 不同算法提取精度及效率对比

从表2可以看出，本文算法可以满足高分影像的居民地提取需求； 在运行时间上也明显优于文献[8]算法，体现出一定的高效性。其主要原因在于本文算法是以基元为单位进行纹理分析的，而文献[8]算法需要以滑动窗口为单元逐像元地进行纹理分析，显然影像中的基元个数远小于像元个数，因此本文算法所用时间明显缩短。

5 结论

本文提出一种基于小波纹理和基元合并的高分影像街区式居民地提取方法，与传统基于像元级纹理特征的居民地提取算法相比，不仅能提高居民地提取的精度，而且能提高计算效率。得出结论如下：

1)利用结合小波变换的FNEA算法获取初始基元，不仅能够获取较大尺寸的初始基元、增强基元级小波纹理的一致性，同时还不会影响基元边界的定位精度。

2)对基元级多尺度小波纹理的居民地纹理描述能力进行的实验表明，经过2层小波分解后得到的熵均值纹理特征具有较好的区分居民地与背景地物的能力。

3)本文研究了一种能自动停止基元合并过程的准则。该准则能有效减少人工干预，而且适用于高分影像中街区式居民地的提取需求。

本文方法尚存在不足，如种子基元的自动选择，以及后续数学形态学修整阶段结构元素尺寸与面积阈值的自动选择等问题。这些都将是下一步研究的重点内容。

[1] 于博,王力,牛铮.基于中性集对北川羌族自治县新城人工建设用地的识别[J].国土资源遥感,2015,27(1):106-112.doi:10.6046/gtzyyg.2015.01.17. Yu B,Wang L,Niu Z.Analysis of built-up land detection in new Beichuan County based on neutrosophic set[J].Remote Sensing for Land and Resources,2015,27(1):106-112.doi:10.6046/gtzyyg.2015.01.17.

[2] 易凤佳,李仁东,常变蓉,等.长株潭地区建设用地扩张遥感时空特征分析[J].国土资源遥感,2015,27(2):160-166.doi:10.6046/gtzyyg.2015.02.25. Yi F J,Li R D,Chang B R,et al.Spatial-temporal features of construction land expansion in Changzhutan(Changsha―Zhuzhou―Xiangtan) area based on remote sensing[J].Remote Sensing for Land and Resources,2015,27(2):160-166.doi:10.6046/gtzyyg.2015.02.25.

[3] 杨存建,周成虎.TM影像的居民地信息提取方法研究[J].遥感学报,2000,4(2):146-150. Yang C J,Zhou C H.Extracting residential areas on the TM imagery[J].Journal of Remote Sensing,2000,4(2):146-150.

[4] Zha Y,Gao J,Ni S.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.

[5] Xu H.A new index for delineating built-up land features in satellite imagery[J].International Journal of Remote Sensing,2008,29(14):4269-4276.

[6] Pesaresi M,Gerhardinger A,Kayitakire F.A robust built-up area presence index by anisotropic rotation-invariant textural measure[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2008,1(3):180-192.

[7] Zhong P,Wang R S.A multiple conditional random fields ensemble model for urban area detection in remote sensing optical images[J].IEEE Transactions on Geoscience and Remote Sensing,2007,45(12):3978-3988.

[8] 金飞,张占睦,芮杰,等.基于树型小波变换和尺度共生矩阵的居民地提取[J].海洋测绘,2009,29(6):48-51. Jin F,Zhang Z M,Rui J,et al.Residential area extraction based on tree-structure wavelet and scale-based concurrent matrix[J].Hydrographic Surveying and Charting,2009,29(6):48-51.

[9] Hu X Y,Shen J J,Shan J,et al.Local edge distributions for detection of salient structure textures and objects[J].IEEE Geoscience and Remote Sensing Letters,2013,10(3):466-470.

[10]Unsalan C,Boyer K L.Classifying land development in high-resolution panchromatic satellite images using straight-line statistics[J].IEEE Transactions on Geoscience and Remote Sensing,2004,42(4):907-919.

[11]陶超,邹峥嵘,丁晓利.利用角点进行高分辨率遥感影像居民地检测方法[J].测绘学报,2014,43(2):164-169,192. Tao C,Zou Z R,Ding X L.Residential area detection from high-resolution remote sensing imagery using corner distribution[J].Acta Geodaetica et Cartographica Sinica,2014,43(2):164-169,192.

[12]Baatz M,Schäpe A.Multiresolution segmentation:An optimization approach for high quality multi-scale image segmentation[C]//Strobl J,Blaschke T,Griesebner G.Angewandte geographische infor-mationsverarbeitung XII:beiträge zum AGIT-symposium.Salzburg:Herbert Wichmann Verlag,2000:12-23.

[13]曹建农,王平禄,董昱威.高分辨率遥感影像上居民地自动提取方法[J].武汉大学学报:信息科学版,2014,39(7):831-837. Cao J N,Wang P L,Dong Y W.Automatic extraction technique of residential areas in high resolution remote sensing image[J].Geomatics and Information Science of Wuhan University,2014,39(7):831-837.

[14]黄昕.高分辨率遥感影像多尺度纹理、形状特征提取与面向对象分类研究[D].武汉:武汉大学,2009:60-65. Huang X.Multiscale Texture and Shape Feature Extraction and Object-Oriented Classification for Very High Resolution Remotely Sensed Imagery[D].Wuhan:Wuhan University,2009:60-65.

[15]Achanta R,Shaji A,Smith K,et al.SLIC superpixels compared to state-of-the-art superpixel methods[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,34(11):2274-2282.

[16]刘彬,王朝英,侯志强.融合聚类和分级区域合并的彩色图像分割方法[J].计算机工程与应用,2011,47(30):202-205. Liu B,Wang Z Y,Hou Z Q.Color image segmentation algorithm using clustering and hierarchical region merge[J].Computer Engineering and Applications,2011,47(30):202-205.

[17]Tong H J,Maxwell T,Zhang Y,et al.A supervised and fuzzy-based approach to determine optimal multi-resolution image segmentation parameters[J].Photogrammetric Engineering & Remote Sensing,2012,78(10):1029-1044.

[18]Haris K,Efstratiadis S N,Maglaveras N,et al.Hybrid image segmentation using watersheds and fast region merging[J].IEEE Transactions on Image Processing,1998,7(12):1684-1699.

[19]李向辉,陈一祥,王海斌,等.基于Gabor滤波和局部特征点密度的居民区提取[J].国土资源遥感,2015,27(3):59-64.doi:10.6046/gtzyyg.2015.03.11. Li X H,Chen Y X,Wang H B,et al.Urban area detection based on Gabor filtering and density of local feature points[J].Remote Sensing for Land and Resources,2015,27(3):59-64.doi:10.6046/gtzyyg.2015.03.11.

(责任编辑： 刘心季)

Extraction of residential area from high resolution images based on wavelet texture and primitive merging

HU Hualong1， XUE Wu1,2,3， QIN Zhiyuan1

(1.InstituteofGeospatialInformation，InformationEngineeringUniversity，Zhengzhou450001，China； 2.StateKeyLaboratoryofGeo-informationEngineering，Xi’an710054，China； 3.KeyLaboratoryofMineSpatialInformationTechnologiesofNASG，HenanPolytechnicUniversity，Jiaozuo454003，China)

Due to the highly detailed information and noise in the high resolution panchromatic images, the results of traditional residential area extraction algorithms based on texture features are not satisfactory. To tackle this problem, the authors propose a method based on wavelet texture and primitive merging in this paper. For obtaining the initial primitives, the image was firstly segmented by fractal net evolution approach modified by the wavelet transform, and then the multi-scale wavelet texture features extraction method was directly applied to the irregular image primitives. Based on the artificially provided seed primitives, the algorithm merged the primitives with similar texture features and then applied morphological methods to the result of primitive merging. In the experiment, Mapping Satellite-1(TH-1) panchromatic images were used to validate the proposed method. The comparative analysis with other texture features-based methods shows that the proposed method could extract the street-block residential area from high resolution panchromatic images with a higher extraction accuracy and computational efficiency.

high resolution panchromatic images； residential area extraction； wavelet transform (WT)； fractal net evolution approach (FNEA)； primitive-based texture feature； primitive merging

10.6046/gtzyyg.2017.01.04

胡华龙,薛武,秦志远.基于小波纹理和基元合并的高分影像居民地提取[J].国土资源遥感，2017，29(1)：21-28.(Hu H L,Xue W,Qin Z Y.Extraction of residential area from high resolution images based on wavelet texture and primitive merging[J].Remote Sensing for Land and Resources,2017,29(1)：21-28.)

2015-08-26；

2015-12-18

地理信息工程国家重点实验室开放研究基金资助项目“无人机视频地理信息定标与视频快速三维重建技术”(编号： SKLGIE2014-M-3-1)和河南理工大学矿山空间信息技术国家测绘地理信息局重点实验室开放研究基金资助项目“无人机视频地理国情应急监测系统集成关键技术研究”(编号： KLM201404)共同资助

胡华龙(1989-),男,硕士研究生,主要研究方向为高分辨率遥感影像地物要素智能化提取。Email： huhualongloong@163.com。

TP 751.1

A

1001-070X(2017)01-0021-08