周期性分析下的城市高分遥感影像同形态建筑物群提取

史鹏程，叶勤，戴激光

(1.同济大学 测绘与地理信息学院，上海 200092；2.辽宁工程技术大学 测绘与地理科学学院，辽宁 阜新 123000)

0 引言

建筑物是城乡环境的重要组成部分。城市区域高分辨率遥感影像中80%以上地物是道路和建筑，利用高分遥感影像进行建筑物的提取一直是研究热点。目前主流的高分遥感影像建筑物提取方法多侧重于单个建筑物提取，针对单个建筑物的空间结构特征来进行分析。现有的不借助其他辅助信息(如DSM)直接进行建筑物提取的研究主要有：第一类是基于遥感影像上建筑物的空间结构特征，通过区域分割结合几何、位置以及区域纹理特征属性的方法[1-4]进行提取，效果依赖图像分割，但目前的分割算法仍不能取得较为满意的效果；第二类是依据光谱信息进行分类，分类结果结合HOUGH变换等进行线段提取来实现[5]；第三类是上述2种方法的结合即综合结构、光谱以及上下文信息实现建筑物提取[6]。在提取过程中涉及的参数选择，有利用多尺度的方法进行自动化参数确定，如利用eCognition软件为建筑物提取设计多尺度自动化分割参数[7]。这些方法存在的问题一是自动化程度有待提高，主要是提取时自动阈值的确定；二是树木等干扰因素的剔除[8]和检测准确率有待提高。

上述这些主流研究提取的都是单个建筑，对建筑间的相似性与相互关系考虑较少。实际上在城市的长期建设与生长过程中，会出现很多包含相似建筑物单体的具有一定周期性的建筑物组团(如住宅小区等)，即同形态(后简称“同态”)建筑群。同态建筑群内部各单体建筑的形状、高度常会呈现某种周期性变化的特点。在城市设计、规划分析中，这些同态建筑物群的提取比单个建筑物更有意义。然而现有的城市高分影像建筑物提取很少有关于城市中同态建筑物群提取的研究，也少有利用周期性特性来进行同态建筑物群提取的报道。Zang[9]等基于认知心理学认为遥感影像上道路具有局部方向性，而建筑物具有周期震荡性。本文认为可利用影像上同态建筑物这一周期性特点，探索其周期排列模式，剔除零散干扰建筑，实现城市高分遥感影像上同态建筑物群提取。

1 原理与方法

本文技术路线如图1所示，主要包括预处理、建筑群初提取、基于周期性分析提取同态建筑群和效果评价4个部分。

图1 技术路线

1.1 建筑群初提取

图2 矩形检测示意图

1.2 基于周期性进行同形态建筑物群提取

周期性本质为一定时空内的特征再现。就建筑物群而言，周期性即整体建筑物群以某种模式排列，可据此模式来判断某目标是否隶属于该群组，实现干扰物剔除。本文利用像素灰度震荡规律、对称性分析、间距统计、属性统计来探索建筑物群的周期性，对上文中建筑群初提取结果进行分析并筛选，最后得到同态建筑物群。图3是周期性分析实现同态建筑群提取的技术路线。

图3 周期性分析方法技术线路

2 实验

2.1 实验数据与环境

本文实验选取2幅数据(图4)。图4(a)是由百度地图获取的辽宁省沈阳市某小区及周边的卫星影像(297像素×229像素)。图4(b)是辽宁省阜新市局部区域的QuickBird影像数据(260像素×255像素，像素分辨率2.44 m)。实验环境：Windows7旗舰版64位，处理器i5-4210U CPU@1.70 GHz(4CPUs)，采用C++编程。

图4 实验数据

2.2 实验步骤与结果

图5 建筑群初提取结果

图6 轴线检测

鱼粉中咸味的评价主要是对其中含盐量进行感官评价，咸味是由盐类离解出的正负离子共同作用的结果，以食盐为例，产生咸味的阈值一般在0.2%。因此，可以依据咸味的浓烈程度大致判定鱼粉中盐分的含量。

通过像素灰度折线图可初步预判该列目标中异常目标的存在。

①在图像底部矩形上定义若干起点S(1，…，k)，向上跟踪遇到②～④情况(B(i，j)为对应二值图像像素值)。

②B(i，j)=0，跳过，继续向上跟踪。

③B(i-1，j)=0，B(i，j)=1，B(i+1，j)=1，(iID(1)，jID(1))记为线段起点。

④B(i-1，j)=1，B(i，j)=1，B(i+1，j)=0，(iID(2)，jID(2))记为线段终点；连接线段起点、终点，并计算线段角度，角度α定义如图6(e)所示，顺时针为正，统计数据如表1第4列所示。

⑤记录每条线段两端目标ID(ID(1)，ID(2))，若有矩形未被相连，搜索竖直方向与它最近目标进行连线。

通过对称性分析可以得到初提取中各建筑在竖直方向的整体对称性，以及水平方向上相邻建筑物的相似度。

图7 灰度折线图

表1 竖直距离、中轴线连线角度统计表

注：竖直距离同为相邻两ID目标的垂直距离；中轴线连线角度同为相邻ID目标的连线角度。

(4)建筑物属性统计。遍历所有目标，计算其内部灰度均值、方差、矩形宽高、面积。表2是2个数据中各选取2个常规目标和1个异常目标的属性，5号和31号的面积明显异于常规目标。

通过属性统计可以在初提取结果中标记属性明显有差异的目标。

表2 属性统计表

注：表中宽、高、面积单位为像素；方差单位为像素平方。

综合以上分析：①灰度折线图中，若出现异常的灰度峰形状、跨度、峰值则表明异常目标的存在(如图7中红圈标记)。②对称性分析中，水平方向比较轴线两侧目标灰度、方差、几何属性(如在图像上两目标的高，即单体矩形目标竖直方向跨度，相差5像素以上，认为此时存在疑似异常目标)，标记差异较大目标ID。竖直方向上，针对本实验数据考虑到实际管理、采光等因素，认为建筑群中轴线在90°左右摆动，误差不超20°，其他数据还需根据实际情况分析。③间距统计中，竖直方向上，数据1中目标间距在12像素左右(误差不超过5像素)，数据2中目标竖直间距在11像素左右(误差不超过4像素)，记录间距并标记距离异常目标ID，实现异常排列目标定位。④属性统计中,对比各目标属性数据(如数据1中目标面积普遍介于280～330像素，数据2中目标面积普遍介于150～200像素)，标记异常目标ID，实现属性异常目标定位。针对本实验数据，在分析建筑群周期性排列模式时，认为列方向至少存在3个目标才可构成周期性特征，故剔除图6(b)数据2中54号与60号目标等。综合以上分析，剔除异常目标后提取效果如图8所示，对剩余目标重新排序。数据1周期性分析后保留31个建筑物目标，数据2保留47个建筑物目标。

图8 建筑群提取结果

2.3 精度评价

图9 结果分析图

将提取的同态建筑群二值图与原始数据叠加显示，结果如图9所示，并单独显示每列目标。图9(a)、图9 (b)中每列左侧是建筑群提取的二值图，右侧是原始数据，查看建筑物轮廓的对接情况。

为定量评价建筑群提取结果，使用准确率(precision)与召回率(recall)[12-13]作为评价指标，见式(1)、式(2)。

(1)

(2)

式中：TP是提取结果中正确识别目标的像素；FP为提取结果错误识别目标的像素；FN为提取结果中漏计目标的像素。计算实验结果的准确率与召回率如图10所示。数据1提取结果准确率整体稳定在80%至90%之间；数据2提取结果准确率在90%附近，个别目标约80%，2个数据提取结果准确率均较高且稳定。召回率在70%至95%之间，数据1召回率波动较大，个别目标低于70%，数据2召回率在80%附近，个别目标大于95%。综合图像特征分析可能是建筑物与邻近地物的对比度较低，造成图像分割不理想，或统计建筑物像素时邻近地物的加入从而降低个别建筑物的召回率。但二者的整体召回率仍然较高，可较高程度上反映建筑物真实信息。

图10 准确率与召回率

3 结束语

本文针对城市高分辨率遥感影像就同态建筑物群信息获取提出了一种基于周期性分析的同态建筑物群提取方法，利用像素灰度震荡规律、对称性、距离检测、属性统计4种方法相结合来探索同态建筑物群具有的周期性排列模式，剔除干扰地物或零散建筑，实现城市同态建筑群提取。文中选取辽宁省某2个城市局部遥感影像为例进行实验，结果表明，该方法可以有效地识别某地区呈现集群式排列的矩形建筑群，一定程度上解决了同形态建筑物规模提取的问题，为城市规划部门提供了更好的规划管理数据。但本方法侧重的是建筑物群的排列规律，实现不符整体排列规律的离群目标剔除，对复杂的建筑物识别效果不佳。后续研究中，将从以下2个方面作深入研究：①提出一种更加稳健的图像分割方法，以便有效识别复杂类别的建筑物；②考虑为周期性特征添加更有效的描述子。