基于SPOT6数据的建筑物提取规则研究

付盈， 国巧真， 潘应阳， 汪东川

(天津城建大学地质与测绘学院，天津 300384)

基于SPOT6数据的建筑物提取规则研究

付盈， 国巧真， 潘应阳， 汪东川

(天津城建大学地质与测绘学院，天津 300384)

针对SPOT6卫星遥感影像，采用基于规则的方法对建筑物进行提取。首先,分析了每种规则属性提取建筑物的效果，在此基础上制定建筑物提取规则； 再分别采用K均值聚类法(K-means)、K临近值法(K nearest neighbor，KNN)、支持向量机法(support vector machine,SVM)和神经网络法进行建筑物提取实验，并与基于规则的方法进行对比； 最后，对建筑物提取结果进行精度评价。研究表明，基于该规则的建筑物提取精度高于其他方法，在一定程度上缓解了椒盐现象和同谱异物问题，可为今后SPOT6卫星影像更广阔的应用提供一定的技术支持。

SPOT6； 规则； 建筑物提取； KNN； SVM

0 引言

提取遥感影像中的建筑物信息是遥感影像解译中的重要研究课题之一。一方面，快速准确地提取遥感影像中的建筑物能够满足遥感影像制图、地理信息系统的数据获取、城市空间数据库的更新和建设“智慧城市”的需要； 另一方面，建筑物提取方法也能为其他类型地物的提取提供一定的思路。因此建筑物提取方法的研究具有重要意义。特别是高空间分辨率遥感影像的投入使用，对遥感信息处理与分析提出了更多的要求和挑战[1]。SPOT6高空间分辨率遥感影像具有大幅宽、三线阵立体成像等特点，在建筑物提取方面具有较高的应用价值。

目前，国内外关于建筑物提取的研究成果较多。Uzar和Mongus等[2-3]提出了基于LiDAR数据的建筑物提取新方法； 张景和Shaker等[4-5]利用DSM和DEM等多源数据辅助提取建筑物； 陈洁丽和刘永学等[6-7]利用归一化指数法提取居民地信息； 王惠英和郑文武等[8-9]提出多分类器集成分类法进行建筑物提取； 郭怡帆和董小姣等[10-11]利用多尺度分割方法提取建筑物，均取得了较好的效果。

由于建筑物提取常常因噪声、阴影、同谱异物和同物异谱等问题限制了提取精度，尤其是高空间分辨率影像，因其细节信息较中低空间分辨率影像更为突出，导致这些问题表现得更为严重。基于规则的面向对象分类方法[12-13]把影像分割成影像对象，并综合利用对象的光谱特征、几何特征和纹理特征制定规则进行影像分类，是一种适用于高空间分辨率影像的建筑物提取方法。综上所述，本研究基于SPOT6数据，分析了可用于区分建筑物和其他地物的各种规则属性，及其作用于不同波段时的具体表现，在此基础上提出了一种建筑物提取规则，并与K-means聚类法[14]、K临近值法(K nearest neighbor,KNN)[15]、支持向量机法(support vector machine,SVM)[16-17]和神经网络法[18]进行对比实验。

1 研究区概况及数据源

天津滨海新区地处天津市中心区东面，地理位置为N38°40′～39°00′，E117°20′～118°00′。本研究选取天津滨海新区塘沽火车站附近地区为研究区(如图1所示)。该区域包含有居民区、学校、医院、铁路、水体和耕地等地物类型。总体来说建筑物样式及分布不规则，环境复杂，包含干扰地物较多，作为研究区比较具有代表性。

图1 研究区位置

本文数据为2014年5月获取的SPOT6卫星遥感影像。SPOT6卫星影像全色波段的空间分辨率为1.5 m，4个多光谱波段空间分辨率为6 m。SPOT6各个波段范围如表1所示。

表1 SPOT6波段范围

2 方法与实验

2.1 数据预处理

SPOT6数据预处理包括： ①对全色影像和多光谱影像进行正射校正，所用RPC文件为SPOT6自带，DEM数据为ENVI5.1附带的全球900 m的DEM数据(GMTED2010.jp2)； ②将校正后的全色影像和多光谱影像进行融合，由于图像融合方法有很多，本研究采用Brovey变换、主成分分析法(principal component analysis，PCA)、Gram-Schmidt Pan-Sharpening(GS)融合3种方法进行对比实验。3种融合结果如图2所示。

(a) Brovey变换(b) PCA变换(c) GS融合

图23种方法融合结果对比

Fig.2Comparisonofimagefusionmethodsbythreemethods

从图2中可以发现，GS融合方法更适用于高空间分辨率影像，能较好保持影像的纹理和光谱信息，因此本研究选择GS融合方法[19-20]。

数据预处理流程如图3所示。

图3 数据预处理流程

2.2 基于规则方法的建筑物提取

2.2.1 分割尺度选择

为选取合适的影像分割及合并尺度，本文分割尺度分别为30，40和50，合并尺度为90时得到的结果进行了对比，如图4所示。

(a) 分割尺度30(b) 分割尺度40(c) 分割尺度50

图4分割尺度对比

Fig.4Comparisonofsegmentationscale

通过分析可以看到，分割尺度为50时操场和旁边的道路以及一栋建筑的侧面被分为一个影像对象，不能很好地识别地物； 分割尺度为40时，存在建筑物阴影与周边植被及道路混为同一影像对象的情况； 分割尺度为30时，能更好地分辨建筑物。因此本研究选择分割尺度为30，合并尺度为90。

2.2.2 建筑物提取规则建立

分割后的影像增加了4个自定义的可用波段，它们通过波段间运算得到，分别为归一化指数(normalized difference)、色调(hue)、饱和度(saturation)和亮度(intensity)。其中归一化指数是通过红光和近红外波段运算得来，即用NDVI表示。而色调、饱和度和亮度是通过对红光、绿光和蓝光3个波段进行运算得到的HIS颜色空间的3个分量。制定规则时应综合利用建筑物的光谱特征、纹理特征和空间特征，每一种特征分别包含多种不同属性，如最大值、最小值、平均值和方差等。

所选研究区影像包括的地物有建筑物、植被、水体、铁路、公路、耕地、裸地和学校的操场。对光谱和纹理特征来说，各个属性作用于不同波段的效果都是不同的，为更加直观地找出对提取建筑物较为有效的属性组合，本研究在制定规则前，对各个属性在不同波段提取建筑物的效果进行分析。结果表明，光谱值可用来区分建筑物与阴影、水体和植被这3类地物，纹理值适合用来区分建筑物与铁路、操场和裸地这3类地物，形状特征则可区分建筑物与公路、操场跑道这2类地物。就属性而言，纹理平均值和纹理熵属性将建筑物错分为其他非建筑物地物的现象比较严重，因此不适合用来建立建筑物提取规则。纹理值域在区分裸地和铁路方面具有优势，是必用属性。光谱最大值、光谱最小值、光谱平均值和光谱标准差适合用于区分与建筑物存在明显光谱差异的地物，但无法解决同谱异物问题。地物的空间属性适合用来区分与建筑物具有相似光谱值和纹理值，但形状差异较大的地物，例如公路和操场跑道，利用训练样本分类时这2类地物很容易被错分。就波段而言，归一化指数与其他波段相比，区分植被效果较好，但易将蓝色屋顶建筑物错分。饱和度在提取建筑物方面没有太大作用。波段1至波段4在同属性地物表现上相似，易错分的建筑物类型也相似。

对空间特征来说，提取建筑物的效果不受波段干扰。经分析，体积、圆形度、形状系数、矩形度和较大边长属性可分离建筑物和公路； 长度和较小边长属性在分离公路的基础上，还可分离操场跑道，且相比之下较大边长属性比较小边长属性更有效； 面积属性可去除无用的细小图斑； 紧凑性、凸性、延伸率和主方向属性不能有效区分建筑和非建筑物。

确定建筑物提取规则(表2)。符合属性表达式约束的影像对象归类为建筑物，不符合约束的影像对象为其他。其中部分用于排除同一非建筑物地物的属性表达式是为了通过多重约束使建筑物提取更准确。

表2 建筑物提取规则

①注： 各属性表达式之间是并的关系，归类算法为线性。

3 分类结果与精度评价

3.1 建筑物提取结果

除了使用基于规则的面向对象方法对建筑物进行提取，也使用K-means法、KNN法、SVM法和神经网络法进行建筑物提取实验。为了使提取结果具有可比性，所有实验使用同一尺度参数(分割尺度30，合并尺度90)，选择同一训练样本，且都在面向对象的基础上完成。提取结果如图5所示。

(a) K-means法 (b) KNN法 (c) SVM法

(d) 神经网络法 (e) 本文方法

图5建筑物提取结果对比

Fig.5Comparisonofbuildingextractionresults

从图5中可以看出，由于采用面向对象的方法，提取得到的地物较完整。使用K-means法时，出现的其他非建筑物错分为建筑物的现象较严重。使用KNN法比K-means法效果稍好，但提取的建筑物区域中仍存在非建筑物。采用SVM和神经网络法分类的结果比前2种方法精度要高，但也存在共同的问题，即将影像中的部分铁路、公路和操场跑道被错分为建筑物，另外还将一些建筑物错分为非建筑物。本文方法基本提取出所有建筑物，损失较小，可有效避免处理高空间分辨率影像时常见的椒盐现象，改善因同谱异物和同物异谱导致的错分问题。

3.2 提取结果定量对比

为了使提取精度具有可比性，选择使用同一验证样本对提取结果进行精度定量评价，评价结果如表3所示。

表3 精度评价

由表3可知，本研究采用的5种方法提取建筑物精度从低到高依次为K-means法、KNN法、SVM法、神经网络法和本文方法。另外通过混淆矩阵，发现K-means法、KNN法、SVM法和神经网络法均存在较多的公路像元被错分为建筑物，本文方法错分像元相对较少。根据分析发现抑制本文方法精度的原因可能是在分割影像对象时，一些建筑物出现了分成3层的现象，如图6所示。通常都是建筑物向阳面一层，中间一层，阴面一层，其中建筑物阴面部分在分类时容易与建筑物阴影混淆。

(a) 局部区域1 (b) 局部区域2

图6分割后建筑物出现的分层现象

Fig.6Buildingstratificationafterthesplit

4 结论

本研究基于SPOT6数据提出一种建筑物提取规则，通过制定属性表达式，对分割后的影像对象的光谱值、纹理值和空间特征进行多重约束从而提取建筑物。并与K-means法、KNN法、SVM法和神经网络法的提取效果进行了对比。研究结果表明，本文方法提取的总精度较高，能有效区分建筑物与公路、操场等易错分地物，建筑物错分为其他地物的现象较少。提取建筑物时，只需制定一套合适的规则把建筑物提取出来即可，不符合规则的地物一并归为其他非建筑物地物，不需另行制定规则详细区分水体、道路、裸地和植被等，较为省时省力。

本文方法仍存在一些不足，实验过程中发现在分割影像对象时，个别建筑物存在一小部分与周围非建筑物地物分割为同一影像对象的情况； 制定的建筑物规则还不能对混合对象进行区分。上述问题可作为今后研究的重点。

[1] 江华.基于eCognition面向对象技术的高分辨率遥感影像土地利用分类——以福州琅岐岛为例[J].海峡科学,2014(8):12-17. Jiang H.High resolution remote sensing image classification of land use based on eCognition object-oriented technology：Setting Lang Qi island of Fu Zhou as an example[J].Straits Science,2014(8):12-17.

[2] Uzar M,Yastikli N.Automatic building extraction using LiDAR and aerial photographs[J].Boletim de Ciências Geodésicas,2013,19(2):153-171.

[4] 张景,姚凤梅,徐永明,等.基于MODIS的土地覆盖遥感分类特征的评价与比较[J].地理科学,2010,30(2):248-253. Zhang J,Yao F M,Xu Y M,et al.Comparison and evaluation of classification features in land cover based on remote sensing[J].Scientia Geographica Sinica,2010,30(2):248-253.

[5] Shaker I F,Abd-Elrahman A,Abdel-Gawad A K,et al.Building extraction from high resolution space images in high density residential areas in the great Cairo region[J].Remote Sensing,2011,3(4):781-791.

[6] 陈洁丽,刘永学,李满春,等.基于归一化指数分析的居民地遥感信息提取[J].测绘科学,2010,35(2):204-206,177. Chen J L,Liu Y X,Li M C,et al.Extracting remote sensing information of residential areas based on the analysis of normalized difference index[J].Science of Surveying and Mapping,2010,35(2):204-206,177.

[7] 陈洁丽,刘永学,李满春,等.一种基于遥感数据快速提取居民地信息的新方法[J].地理与地理信息科学,2010,26(5):72-75. Chen J L,Liu Y X,Li M C,et al.A new method of extracting residential areas based on remote sensing image[J].Geography and Geo-Information Science,2010,26(5):72-75.

[8] 王惠英,苏伟,周军其.基于多分类器组合面向对象遥感影像信息提取方法[J].测绘工程,2009,18(5):22-26. Wang H Y,Su W,Zhou J Q.Object-oriented information extraction method of remote sensing image based on multi-classifier mixed[J].Engineering of Surveying and Mapping,2009,18(5):22-26.

[9] 郑文武,曾永年.利用多分类器集成进行遥感影像分类[J].武汉大学学报:信息科学版,2011,36(11):1290-1293. Zheng W W,Zeng Y N.Remote sensing imagery classification based on multiple classifiers combination algorithm[J].Geomatics and Information Science of Wuhan University,2011,36(11):1290-1293.

[10]郭怡帆,张锦,卫东.面向对象的高分辨率遥感影像建筑物轮廓提取研究[J].测绘通报,2014(S2):300-303. Guo Y F,Zhang J,Wei D.The research of object-oriented building contour extraction of high-resolution remote sensing image[J].Bulletin of Surveying and Mapping,2014(S2):300-303.

[11]董小姣,张东水,李朝奎.面向对象的泰安市高分辨率影像住宅建筑物提取[J].地理空间信息,2013,11(1):67-69. Dong X J,Zhang D S,Li C K.Object-oriented information extraction method of residential buildings from high resolution image in Tai’an[J].Geospatial Information,2013,11(1):67-69.

[12]谭衢霖,高姣姣.面向对象分类提取高分辨率多光谱影像建筑物[J].测绘工程,2010,19(4):30-33,38. Tan Q L,Gao J J.Building extraction from high resolution multispectral image using object-oriented classification method[J].Engineering of Surveying and Mapping,2010,19(4):30-33,38.

[13]谭衢霖.高分辨率多光谱影像城区建筑物提取研究[J].测绘学报,2010,39(6):618-623. Tan Q L.Urban building extraction from VHR multi-spectral images using object-based classification[J].Acta Geodaetica et Cartographica Sinica,2010,39(6):618-623.

[14]张璐璐,何宁,徐成,等.基于K-means聚类的遥感影像条状地物半自动提取方法[J].北京联合大学学报,2015,29(1):47-52. Zhang L L,He N,Xu C,et al.A strips features semi-automatic extraction method of remote sensing image based on K-means clustering[J].Journal of Beijing Union University,2015,29(1):47-52.

[15]戚玉娇,李凤日.基于KNN方法的大兴安岭地区森林地上碳储量遥感估算[J].林业科学,2015,51(5):46-55. Qi Y J,Li F R.Remote sensing estimation of aboveground forest carbon storage in Daxing’an mountains based on KNN method[J].Scientia Silvae Sinicae,2015,51(5):46-55.

[16]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,2015,34:58-69.

[17]秦永,孔维华,曹俊茹,等.基于SVM的遥感影像土地利用变化检测方法[J].济南大学学报:自然科学版,2010,24(1):88-90. Qin Y,Kong W H,Cao J R,et al.For land use remote sensing image change detection method based on SVM[J].Journal of University of Ji’nan:Science and Technology,2010,24(1):88-90.

[18]卢柳叶,张青峰,李光录.基于BP神经网络的遥感影像分类研究[J].测绘科学,2012,37(6):140-143. Lu L Y,Zhang Q F,Li G L.Image classification of remote sensing based on BP neural networks[J].Science of Surveying and Mapping,2012,37(6):140-143.

[19]郭蕾,杨冀红,史良树,等.SPOT6遥感图像融合方法比较研究[J].国土资源遥感,2014,26(4):71-77.doi:10.6046/gtzyyg.2014.04.12. Guo L,Yang J H,Shi L S,et al.Comparative study of image fusion algorithms for SPOT6[J].Remote Sensing for Land and Resources,2014,26(4):71-77.doi:10.6046/gtzyyg.2014.04.12.

[20]马世斌,杨文芳,张焜.SPOT6卫星图像处理关键技术研究[J].国土资源遥感,2015,27(3):30-35.doi:10.6046/gtzyyg.2015.03.06. Ma S B,Yang W F,Zhang K.Study of key technology of SPOT6 satellite image processing[J].Remote Sensing for Land and Resources,2015,27(3):30-35.doi:10.6046/gtzyyg.2015.03.06.

[21]Jiang H,Su Y Y,Jiao Q S,et al.Typical geologic disaster surveying in Wenchuan 8.0 earthquake zone using high resolution ground LiDAR and UAV remote sensing[C]//Proceedings SPIE 9262,Lidar Remote Sensing for Environmental Monitoring XIV.Beijing,China:SPIE,2014:926219.

(责任编辑：陈理)

ResearchonbuildingextractionrulesbasedonSPOT6data

FU Ying， GUO Qiaozhen， PAN Yingyang, WANG Dongchuan

(InstituteofGeologyandGeomatics,TianjinChengjianUniversity,Tianjin300384,China)

For SPOT 6 satellite remote sensing image, a method based on rules was used to extract buildings. Firstly, the authors analyzed the extraction effects of every rule attribute and made the rule extract buildings based on the effect. Then the authors compared the methods of K-means clustering, K nearest neighbor (KNN), support vector machine (SVM) and neural network with the method used in this paper during the research. The precision evaluation of building extraction result shows that the accuracy of this method based on rules is higher than that of other methods. This method relieves the problems of the salt and pepper phenomenon and the same spectrum with foreign bodies, and provides some technical support for the wider application of SPOT 6 satellite images in the future.

SPOT6; rule; building extraction; KNN; SVM

10.6046/gtzyyg.2017.03.09

付盈,国巧真,潘应阳,等.基于SPOT6数据的建筑物提取规则研究[J].国土资源遥感,2017,29(3)：65-69.(Fu Y,Guo Q Z,Pan Y Y,et al.Research on building extraction rules based on SPOT6 data[J].Remote Sensing for Land and Resources,2017,29(3)：65-69.)

2016-02-01；

2016-03-28

天津市自然科学基金项目“天津滨海新区地表水环境信息遥感提取与评价方法研究”(编号： 13JCQNJC08600)、“基于变化轨迹方法的滨海湿地流失累积效应研究”(编号： 15JCYBJC23500)和国家自然科学基金重点项目“京津唐地区景观格局演变与生态用地流失特征”(编号： 41230633)共同资助。

付盈(1990-)，女，硕士研究生，研究方向为资源与环境遥感监测。Email: fuying19900707@163.com。

国巧真(1979-)，女，副教授，博士，研究方向为资源与环境遥感监测。Email: gqiaozhen@tcu.edu.cn。

TP 79

： A

： 1001-070X(2017)03-0065-05