面向多尺度分割的疑似违章建筑提取算法

杨杰,高伟∗,段茜茜,胡洋

(1 天津城建大学地质与测绘学院, 天津 300384;2 邯郸市恒达地理信息工程有限责任公司, 河北 邯郸 056000)

0 引 言

随着经济的持续发展和城镇化率的逐渐提高,有人为了解决住房问题私自建、改楼房。而在城市的规划区范围内,未获取或违反“建设工程规划许可证”规定私自建造的,或者采用欺诈方法取得修建许可而建造的建筑物,称为疑似违章建筑[1,2]。对疑似违章建筑物主要从两方面进行分类: 法律方面,疑似违章建筑物主要为未获取申请、擅自修改许可证中的规定、擅自更改土地性质而建造的建筑以及私自将临时建筑改为永久建筑[3,4];遥感影像方面,疑似违章建筑分为未批先用、超面积建设、位置偏移、楼顶加盖。近年来,遥感技术的快速发展,使得应用遥感技术进行疑似违章建筑物监测成为可能[5]。建筑物是城市中标志性地物,因此提取建筑物信息也成为遥感影像分析的重点研究方向。在建筑物影像分割方面,传统的遥感影像分割方法主要有阈值法、特征空间聚类方法、基于边缘的分割、基于区域的分割[6]。当遥感影像数据的分辨率较高时,影像中包含丰富的地物信息,但同时也引入了大量的噪声干扰。传统影像分割技术的基础都是基于像素级别的,无法满足高分辨率数据需求的分割效果;而面向对象的多尺度分割技术考虑了纹理特征、光谱特征和空间语义等多方面特征,形成一个父子级多尺度分割关系[7,8]。因此,本文提出一种采用面向对象的多尺度分割方法自动提取高分辨率遥感影像中未批先用、超面积建设和位置偏移三种类型的疑似违章建筑物的信息提取算法,综合多次试验数据得出总体分割效果较好的参数。

1 面向对象的高分遥感影像的多尺度分割方法

1.1 多尺度分割方法原理

多尺度分割是一种自下而上的区域合并技术,首先是在原始图像上进行基于像素的初步分割,得到很多影像对象斑块,下次分割是以上次分割得到的影像对象为基础进行合并,这是一种不断循环往复、合并的过程,每个影像对象都将参与到每次的循环操作中,合并符合的准则为异质性最低,一旦合并超过原先设置的阈值范围,则合并终止[9]。对于不同的地物,分割尺度有所差异,分割尺度设置的越大,得到的影像对象区域越大。大尺度的分割可以把面积较大的地物信息提取出来,如大面积的耕地、河流;小尺度分割可以把建筑物等面积较小的地物信息提取出来,多尺度分割方法可以依据地物尺度的大小设置合适的分割尺度,一定程度上提高了地物信息提取的精度[10],因此,利用多尺度分割方法对疑似违章建筑物的信息提取具有重要意义。

1.2 多尺度分割参数

1.2.1 异质性准则

异质性准则同时考虑光谱特征和形状特征,是判断多尺度分割中两个影像对象之间是否为同一区域的标准,其形状特征又包括平滑度和紧致度。异质性准则的公式为

式中: f 为异质性准则;hcolor为光谱特征;hshape为形状特征;hsmooth为平滑度;hcom为紧致度;ω1和ω2为比例系数,取值范围为0.1～0.9;n 表示波段总数;λi表示波段i 所占的权重;σi表示波段i 的标准差; E 表示影像对象区域的实际边界长度;N 表示影像对象范围内的像元总数;L 表示包含影像对象范围内最小的矩形边界总长度。

光谱和形状之间呈现互补关系,在遥感影像中光谱是影响影像对象最重要的一条准则,因此光谱比例系数不应太低,增加光谱比例系数必然会减小形状特征对异质性准则的影响。形状特征中的平滑度和紧致度也是互补关系,一方增强,另一方就会减弱。增大平滑度比例的意义在于可以减弱影像对象边缘的锯齿现象,使得影像对象边缘更加平滑;增大紧致度的比例,可使影像对象更加矩形化。因此,在选择异质性因子时,应依据实际情况具体分析使用多大比例可以达到最佳的分割效果。

1.2.2 分割尺度

图像分割效果是分类的基础,尺度参数的选择很重要。面对不同的地物目标,最佳分割参数存在差异,最佳的尺度参数能够准确地反应地表真实地类的空间分布特性,也直接决定了分类的效果。分割尺度越大,影像分割数量越少,分割的影像对象越大,一个影像对象可能会包括多种不同类型的地物,导致分割的不够彻底;分割尺度越小,影像分割数量越多,分割的影像对象越小,同一地类可能会被分割为多个影像斑块,导致过度分割。由于地物的复杂性和多样性,针对具体问题具体分析,需找到最佳的分割尺度。多尺度分割是对每个影像对象进行由大尺度到小尺度的多个不同尺度的分割,下一次的分割都是基于上一次的分割结果进行的,每一次的分割过程以达到最佳分割效果为止。

1.2.3 各波段的权重

基于影像各波段不同的权重,分割质量和分类效果都会受到影响。不同的波段差异很大,波段的贡献度越大,赋予的权重值越大;反之,贡献度越小,赋予的权重值越小,甚至为0。在分割过程中,若一波段的权重设置为0,则该波段不参与影像分割。采用的高分二号遥感影像数据包含四个波段,为确保影像分割的精度,四个波段的影像都参与分割且权重值均设为1。

2 高分二号数据预处理与多尺度分割

2.1 数据选取

基于遥感数据查处监测疑似违章建筑行为的基础是能够持续稳定地获取高分辨率影像。目前,基于高分二号的建筑物提取和变化检测技术研究还处于初级阶段,因此使用高分二号进行疑似违章建筑的关键技术研究具有重大意义。所采用的数据为我国自主研发的高分二号卫星多光谱波段和全色波段的遥感数据,其大小为862 pixel×1066 pixel。

研究区域隶属于天津市西青区,环境复杂,地物多样,建筑物样式分布不规则,具有一定代表性。根据研究区域的实际情况,土地覆盖类别可划分为建筑物、道路、植被、绿茵场、阴影和裸地6 类,由于建筑物房顶材料不同,将建筑物分为3 类: 建筑物1～3(灰色屋顶、蓝色屋顶和红色屋顶),最终制作分类图时再将3类并为建筑物。

2.2 数据预处理

原始数据存在众多干扰,例如地形起伏会引起像点位移、传感器误差会引起大气反射误差,为减弱这些干扰对影像分割精度造成的影响,在影像多尺度分割前必须对数据进行预处理。图1 为高分二号遥感影像的数据预处理流程,首先分别将多光谱数据和全色数据进行正射校正,然后将经过FLAASH 大气校正的多光谱数据和经过正射校正的全色数据进行融合,最后将融合后的影像进行去除噪声和增强处理。

2.2.1 正射校正

在获取过程中,遥感数据的空间和几何都有变形,正射校正就是将这些变形形成多个中心投影平面正射影像数据。正射校正不仅能校正由于系统因素引起的几何畸变,而且能校正由于地形起伏产生的畸变,使得遥感影像中的地物更加清晰,获得丰富的地物信息[11]。对高分二号的全色数据和多光谱波段数据都进行正射校正,所用RPC 文件为高分二号自带文件,遥感图像处理平台ENVI 5.1 中嵌入了全球分辨率为900 m 的DEM 数据(GMTED2010.jp2)。

图1 高分二号遥感数据的预处理流程Fig.1 Pretreatment process of GF-2 remote sensing data

2.2.2 多光谱波段辐射定标

在后续操作中要对高分二号的四个波段进行光谱分析。因此,通过对原始数据进行大气校正获得真正的地表反射率十分必要。进行大气校正前需要先对影像做辐射定标处理,得到大气顶层的反射率,再经过大气校正后将大气顶层反射率转换成地表反射率。

辐射定标是将像元灰度值转换成对应的大气顶层辐射值,其相应表达式为

式中: Lλ为大气顶层辐射值,单位为W ·m−2·S r−1·µm−1;DN 为像元灰度值;Gain 为增益系数; Bias 为偏置系数;Gain 和Bias 均可从遥感数据的原文件中读出。

2.2.3 大气校正

高分二号遥感影像有四个波段, 包括蓝波段、绿波段、红波段和近红外波段[12], 在大气校正法中,FLAASH 大气校正法是最常用的一种大气校正方法,该方法适用的波长范围为可见光到短红外波段[13],因此使用该方法对高分二号遥感影像的多光谱波段进行处理,在ENVI 5.1 平台上进行FLAASH 大气校正,需要设置的参数有经纬度、传感器高度、成像日期、成像时间、大气模型、气溶胶模型和地表高程等,参数设置如图2 所示。

通过ENVI 5.1 平台可以将辐射定标前的光谱值与FLAASH 大气校正后的光谱值进行对比,结果表明,影像在经过FLAASH 大气校正后消除了大气因素对建筑物反射的干扰,使得反射率明显增大。

2.2.4 影像融合

FLAASH 大气校正后多光谱数据具有更加丰富的光谱信息,而全色数据具备高分辨率,综合两者优势,融合多光谱和全色波段,融合后的数据同时具备丰富的光谱和0.8 m 的超高分辨率。使用Brovey 变换、主成分分析法(PCA)、Gram-schmidt pan sharpening(GS)融合三种方法做了对比实验,研究表明GS 融合法更适用于高分二号数据,能较好地保持高分二号数据的光谱特征和纹理特征,目视效果更真实,因此选取GS融合方法。经过FLAASH 大气校正后的影像与运用GS 融合方法进行融合的影像对比结果如图3 所示,由图可知,GS 融合算法与FLAASH 大气校正法相比,前者在处理高分二号影像数据具有较强的适用性。

图2 高分二号遥感影像FLAASH 大气校正法的参数设置Fig.2 Parameter setting of FLAASH atmospheric correction method for GF-2 remote sensing image

图3 FLAASH 大气校正后影像(a)和GS 融合法融合后影像(b)对比图Fig.3 Comparison of FLAASH atmospheric correction image(a)and GS fusion image(b)

2.3 多尺度分割实验

利用高分二号遥感影像的形状和光谱等特征,对预处理过的影像数据采用多尺度分割方法,主要目的是为了获取合适的分割尺度。图4 给出了不同分割参数的分割结果对比,其中参数依次是分割尺度、形状因子和紧致度因子,如图4(a)中相关参数分别为分割尺度150、形状比例系数0.7、紧致度比例系数0.3,图4(b)-(f)的参数设定类同。为进一步研究某一参数对尺度分割的影响,将六幅影像分为三组,第一组图4(a)、(b),第二组(c)、(d),第三组(e)、(f)。第一组通过设置不同的紧致度因子比例,得出不同的分割结果;第二组通过设置不同的形状因子比例,得出不同的分割结果;第三组通过设置不同的分割尺度,得出不同的分割结果。

在分割过程中各个波段的权重系数均设置为1。为获取较好的分割效果,基于建筑物的几何特征,形状因子的比例系数应取较大值。将形状因子比例系数设置为0.7、0.2、0.5 作对比,分别对应图4(a)、(c)、(d),当形状因子比例系数为0.2 时,分割结果明显不符合实际情况,没有沿建筑物的边界进行分割,形状因子比例系数为0.5 时,分割结果较好,但仍不理想,当形状因子比例为0.7 时较符合实际情况;分割尺度的设置影响影像对象的大小,从而影响分割效果,将分割尺度设为150、50、250 作对比,分别对应图4(a)、(e)、(f),当分割尺度为50 时,过度分割现象明显,大部分建筑物都被割成多个影像区域,图斑破碎,当分割参数设置成250 时,分割不够,存在多个建筑物在一个影像对象里的现象,当分割尺度为150 时较为符合实际情况;图4(a)和(b)分别将紧致度因子的比例系数设置为0.3 和0.6,当紧致度因子的比例系数是0.3 的时候,分割效果较好,较为符合实际情况。综合多次实验,最终选取分割尺度150、形状比例系数0.7、紧致度比例系数0.3 作为最优分割参数,此时,总体分割效果最好,共分割为2598 个影像对象。

图4 分割参数分别为(a)150、0.7、0.3,(b)150、0.7、0.6,(c)150、0.2、0.1,(d)150、0.5、0.6,(e)50、0.7、0.1,(f)250、0.7、0.1 时分割结果对比图Fig.4 Comparison of segmentation results with different segmentation parameters(a)150,0.7,0.3,(b)150,0.7,0.6,(c)150,0.2,0.1,(d)150,0.5,0.6,(e)50,0.7,0.1,(f)250,0.7,0.1

3 结 论

从基于高分二号遥感影像数据的疑似违章建筑监测理论技术的方法出发,对高分二号遥感影像数据进行选取、预处理和多尺度分割,重点分析了异质性准则、尺度参数和各波段权重三个参数。试验结果表明:异质性准则考虑的形状特征和光谱特征为互补关系,二者权重系数之和为1;形状特性包括的平滑度和紧致度也为互补关系;对不同的参数进行试验,经过多次试验确定各参数的最佳值,提高了遥感影像的多尺度分割效果,为疑似违章建筑物的信息提取提供了数据基础。