最优尺度下的面向对象建筑物提取

李慧，李志娟，张东华

(1.内蒙古自治区测绘地理信息中心，呼和浩特 010010；2.中国地质大学(北京) 土地科学技术学院，北京 100083；3.内蒙古农业大学 水利与土木建筑工程学院，呼和浩特 010010)

0 引言

随着传感器和人工智能技术的发展，遥感影像地物自动提取的研究已成为热点。但遥感影像分辨率的提高直接影响光谱特征的稳定性，致使地物的结构特征成为分类的主要依据，因此，基于对象的图像分析在研究中得到了重视[1]。面向对象的建筑物提取方法全面分析地物的光谱、纹理、形状等多种特征，能够在一定程度上缓解椒盐噪声和“同物异谱，同谱异物”现象的出现[2]。面向对象分类分为影像分割、特征选择、分类三个主要过程，大量研究表明，遥感影像的分割尺度、特征的数量与质量、分类器的选择这三种因素都会对最终的分类精度产生较大影响[3-4]。

在面向对象的遥感影像分析中，最优尺度着重于影像的空间分辨率和影像分割尺度，最优尺度的选择问题实际上就是对各类别提取的最优影像分割尺度问题，但在确定尺度之前需要选择一种较大的空间分辨率能使面积最小类别被识别出来[5]。Woodcock等[6]认为最优尺度是由地表所固有的空间结构、信息提取的方法与对结果信息输出的要求共同决定的。已有的空间尺度选择方法目前主要包括基于变异函数的方法、最大面积法、基于离散度的方法等。现有的各种方法都存在一些自身的不足。因此，本文提出改进的方差法，判断当分割对象与实际地物匹配程度达到最好时的尺度为最优尺度。

本文采用最优尺度的面向对象方法基于最优尺度构建特征知识，实现分层分类的建筑物提取。

1 研究区与研究方法

1.1 研究区概况

研究区为武汉市武汉大学附近，地理位置位于114°20′E～114°22′E，30°31′N～30°33′N之间，坐拥珞珈山，环绕东湖水。本文使用SPOT 5卫星影像作为数据源，利用遥感图像处理平台ENVI对影像进行预处理，包括大气校正、影像融合等内容。大气校正采用大气校正模型FLAASH方法进行校正，最终通过融合得到覆盖研究区融合影像。研究方法流程如图1所示。

1.2 研究方法

多尺度分割的尺度是影像多边形目标异质性最小的阈值，分割尺度这个参数对影像对象的信息(包括大小、数量)会产生直接的影响。尺度值越小，生成结果的分割层内对象数目越大，面积也会越小，同样尺度越大，造成的结果相反。所以对每幅影像来说，多尺度分割都存在着特殊的尺度，尺度的大小最终会影响信息提取的精度。

图像分割可以说是一个目标匹配的过程[7]，往往是通过分割后得到的多边形对象是否能够与目标特征一致这一标准判断分割结果的好坏。当分类目标对象太小时，一些小的影像目标会被大的影像目标“淹没”；反之会出现分割结果“破碎”的现象，导致影像多边形对象不能准确反映分类目标对象的特征，最终影响遥感影像分类的精度。

2 实验与结果分析

2.1 面向对象分类方法

1)最优尺度的选择。为了分析多尺度分割对于遥感影像信息提取的影响，本文利用SPOT 5影像探讨对象分割、最优尺度的选择、特征的选取、分类体系与分类方法的选择，最终完成整个信息提取的过程。

为此构建分割效果的指标即面积方差(式(1))，用这个指标来表示所需提取地物类型的分割对象与实际地物目标的匹配程度，通过比较判断将较好匹配程度的分割尺度定为最优尺度。

(1)

式中：S2为面积方差；ni为第i类类别多尺度分割得到的对象个数；m为整幅影像范围内同种类型的目标类别总数；Srealj和Ssegji分别为第j个目标地物的实际面积与其通过多尺度分割生成的对象面积。

在易康软件下使用多尺度分割工具进行影像分割，分割尺度分别为10，15，20，…，100，每隔尺度5设定一次，影像4个波段全部参与，光谱因子设为0.8，紧质度设为0.4。多尺度分割后直接获得对象面积，目标地物实际面积通过数字化目标地物来得到。面积方差曲线图如图2至图6所示。

本文根据同质性标准得到的分割对象面积和实际地物目标特征值的差来计算方差，在保证同质性的情况下，确保单个目标被分割成一个完整的对象，使分割对象与目标地物的吻合程度较高。最后得出本实验林地、裸地、道路、建筑物和草地这五种类别的最优尺度为55、40、35、20和15。

依据上述的最优分割尺度，通过调节均质性因子，包括光谱因子和形状因子，波段权重设置遵循地物信息丰富程度原则和波段相关性原则，以降低波段信息冗余，提高分割质量和速度[8]，最终得到满足最佳分割效果的参数，如表1所示。

通过分割，局部区域内差异性较小的相邻像素均被合并到一个相对较大的、同质性较好的区域中，这不仅形成了具有明显空间特征的对象单元，增强了视觉效果，而且与真实的地理实体具有很好的一致性，保证了面向对象特征分析的有效性。不同尺度分割效果如图7所示。

表1 多尺度分割的参数设置

2)面向对象的建筑物提取。完成多尺度分割后，会形成很多形状不同但含有属性特征的多边形区域，这些多边形区域都含有丰富的几何、纹理和光谱等信息[9]。

本文针对所需分类的类别情况，构建不同的信息提取层，不同的类别应用于不同等级的对象层次上。

根据遥感影像的属性特征建立了建筑物规则知识库[10]，主要依据光谱把建筑物分为亮色建筑物和暗色建筑物，亮色建筑物能与周围地物分开形成一个独立的对象，并且有较高的光谱特征值，可采用其光谱特征与其他绿地等差异较大的地类区分开，然后使用对象的长度作为进一步的约束条件。由于暗色建筑物受树木等背景的影响，因此在提取暗色建筑物的过程中将其与亮色建筑物分别考虑，最后再将二者合并不失为一种好的策略。

在最大的分割尺度图层上，计算统计对象的各种特征，根据亮度值、标准方差、长/宽等特征构建知识库，使用特定的规则将亮色建筑物与其余背景分开。

在大尺度层中提取了表2中的地物之后，为提高地物提取的精度，并且减少分割对象单元的数量、提高分类速度，将其他地类采用掩膜方法获取，剩余的类型归入其他地类中。其他类型中的暗色建筑物与个别道路、个别树木和部分阴影光谱特征表现比较近似，故在中尺度上主要采用最邻近分类法与成员函数法相结合的方式提取，充分发挥多特征包括近红外波段的均值、熵、长/宽、密度、边界指数和归一化植被指数的优势，使信息提取结果达到最优化。

表2 地物的特征规则集

面向对象遥感影像分类最大的优点在于充分挖掘隐含在影像中的深层空间语义关系[11]。本文在小尺度层上通过提取建筑物阴影作为基准，将空间关系转换成语义信息完成建筑物的提取。最后提取结果如图8所示，图中灰色部分为提取的建筑物。

2.2 结果分析

本文采用面向对象分类的方法，专注于基于SPOT 5数据对建筑物的提取问题，在提取建筑物类型时取得较高的精度。通过目视解译选取样本作为检测区域文件，再根据检测区域文件与本文建筑物提取结果建立混淆矩阵。经过统计，采用面向对象的方法提取建筑区总体精度为83.5%，对于大型建筑物基本上能够完整地提取出来，而对于小面积或者形状不规则的建筑物，存在部分房屋的光谱信息与道路林地等背景相混淆的问题，并且受空间环境可变性因素影响，总体上提取结果的形状完整性较好。

3 结束语

本文基于面向对象的遥感影像信息提取方法，对多尺度分割和信息提取等关键问题作了探讨，同时对建筑物提取进行了实验，为建筑物提取的方法研究提供了较好的思路，得到以下结论。

1)通过在影像对象与目标地物最为吻合的情况下使用最优尺度分割方法，大大减少了分类的不确定性，也获取了较高的精度，同时解决了受分割尺度的影响出现的需要经验来确定较优分割尺度的问题。

2)采用面向对象的信息提取方法提取研究区域内的建筑物，在基于最优尺度的情况下，根据对象类型特征通过不同的分层分类，选择不同的特征和分类方法，通过上下文关系的细分与空间关系的优化，减少了类别之间的混叠，使提取结果得到较高的精度。