常京新，高贤君，杨元维，王双喜
(长江大学地球科学学院，湖北 武汉 430100)
遥感技术的日益成熟使得遥感影像数据急剧增加，同时随着硬件的发展，时间、空间和光谱分辨率也都在不断提高，其丰富地物信息为测绘等相关领域提供了数据支撑。作为重要的地表信息之一，建筑物在城市规划[1]、土地资源利用[2]等方面具有重要意义，因此从高分影像中快速完整地提取建筑物一直是遥感领域研究的热点之一。
常见的基于高分辨率遥感影像建筑物提取包括面向对象[3]、多特征多尺度相结合[4]、基于极化特征和纹理特征的孔径雷达影像建筑物提取[5-6]，以及基于图割和阴影[7-10]等方法。这类方法主要是利用建筑物的光谱信息、形状纹理等特征来提取建筑物，但是遥感影像中会存在大量的“同物异谱”和“同谱异物”的现象，在建筑物提取过程中会因为阴影、道路、植被等因素影响导致提取的建筑物边缘存在锯齿、完整性低等问题。而常见的利用外接矩形结合阈值拟合轮廓[11]及LiDAR规则边缘[12]进行优化的方法，仅利用了一期影像进行优化，由于原始影像存在投影差、树木和阴影遮挡等问题，优化的边缘轮廓并非完全准确且缺乏可靠性。
本文针对提取建筑物不规则及单幅影像的轮廓优化精度准确度有待提高的问题，提出一种融合多时相建筑物轮廓优化新方法。首先分别获取两个时相初始建筑物的最小面积外接矩形，然后进行角点匹配以及最优边选择，最后将得到的边重组得到建筑物的轮廓。
1.1 基于偏移阴影分类验证的多时相影像建筑物结果提取
面向对象分类法是通过对遥感影像同质区域进行分割，然后利用光谱特征和形状纹理特征进行分类提取[13-14]。借鉴基于偏移阴影分割分类的建筑物提取方法[15]，本文首先利用面向对象的多级分割方法对高分辨率遥感影像进行分割分类，然后通过偏移阴影的思想提取出建筑物种子点，并使用支持向量机的方法提取建筑物的轮廓，最后通过阴影验证和数学形态学方法进行后处理，最终提取出建筑物的初始结果。
使用本文方法能够很好地提取建筑物区域，但是结果中仍然存在建筑物提取不完整，边缘锯齿化及少量的错分问题，如图1所示。这是由于高分辨率遥感影像中的建筑物被植被或阴影遮挡，部分道路或裸地的光谱特征与建筑物相似造成的错误检测。
图1 基于偏移阴影分类验证原理提取建筑物结果
1.2 多时相建筑物结果的轮廓综合优化方法
1.2.1 优化流程
试验先对两期遥感影像进行预处理(如配准等)，基于偏移阴影分类验证法获取初步结果；
接着分别获取两期影像各建筑物的最小面积外接矩形各角点；
基于Hausdorff距离算法变换的最短距离算法匹配角点；
自适应阈值的建筑物轮廓最优边的选择；
直线正交获得最终建筑物轮廓并输出结果。提取流程如图2所示。
图2 提取流程
1.2.2 角点匹配
两期遥感影像分别进行建筑物最小面积外接矩形的获取，为了使两期影像对应建筑物轮廓的最小面积外接矩形的各边能够对应，从而顺利进行最优边的选择，受Hausdorff距离算法的启发提出了一种最短距离的最小值算法，以此来更加精确地找到各角点的对应点。由于在实际操作过程中，最小面积外接矩形的角点查找顺序一致但起点不一定一致，因此只需要找到两期影像对应最小面积外接矩形的角点中最短距离的最小值，让该两点的序号一致，即可让各对应点的序号一致。
Hausdorff距离算法基本原理为：通过计算两组样本点之间的距离来度量样本间相似度，假设有两组集合A={a1,a2,…,am}，B={b1,b2,…,bn}，则这两个点集合之间的Hausdorff距离定义为
H(A,B)=max(h(A,B),h(B,A))
(1)
式中，h(A,B)称为集合A和集合B的单向Hausdorff距离，定义为
(2)
而本文受此启发提出的算法为
(3)
1.2.3 最优边选择
两期影像对应建筑物轮廓最小面积外接矩形的对应边需要选择一条边作为近似轮廓边。假设两条边分别为La、Lb，长度分别为la、lb，然后计算各自提取到的建筑物轮廓与其最小面积外接矩形边的相交像素点数，分别为Na、Nb，则
Pnear=max(Na/la,Nb/lb)
(4)
而对应Pnear设置的判断标准公式为
(5)
式中，CaMAB为La对应最小面积外接矩形的周长；
sa为La对应建筑物轮廓的面积；
SaMAB为La对应最小面积外接矩形的面积；
CbMAB为Lb对应最小面积外接矩形的周长；
sb为Lb对应建筑物轮廓的面积；
SbMAB为Lb对应最小面积外接矩形的面积。通过Pnear自身的变化大小及与Pstandard的比较选择最符合建筑物轮廓的边。
1.3 融合多时相建筑物轮廓优化算法
本文融合多时相遥感影像提取建筑物轮廓结果，并利用最小面积外接矩形进行最优边选择，最终获取建筑物优化后轮廓，提高了建筑物完整度和精确度。算法步骤如下：
(1)两期遥感影像A、B输入并进行预处理，利用分类验证法分别获得两期影像的建筑物轮廓的初始结果。
(2)分别获取两幅遥感影像初始结果中每个建筑物轮廓的最小面积外接矩形。
(3)利用最小距离的最小值进行角点匹配。
(5)重复步骤(4)，当一个建筑物轮廓的四条边都被确定的时候，进行直线正交，将得到的四个交点依次相连形成矩形。
(6)重复步骤(4)—(5)，直至所有建筑物都被优化，输出结果图。
为了更直观地判断方法的优劣，本文选择了多幅不同时期的遥感影像进行试验。如图3所示，选取了两组不同季节获取的遥感影像。本文使用基于偏移阴影分类验证的方法提取到的初始结果，并利用文献[11]基于外接矩形优化方法为轮廓优化的参照方法，与本文方法的轮廓优化结果进行对比，如图3所示。
图3 建筑物轮廓提取与优化结果对比
通过对试验的对比分析可以看出，基于偏移阴影分类验证法提取的结果能够根据阴影对非建筑物区域进行排除，因此在一定程度上降低了错检，但对于与建筑物相接且光谱相似的裸地还是会错检。同时由于树木及阴影的遮挡，导致建筑物出现小面积的漏检。而参照方法能在一定程度上优化建筑物轮廓，但对于错分部分无法去除，由于算法的限制还会增加一定错分，对于被树木和阴影遮挡的部分则会被认为是建筑物原本就缺失，也不会进行还原。本文算法集结了建筑物提取轮廓各最符合建筑物原始形态的边，然后进行验证，并结合直线正交，有效地去除了裸地和道路与建筑物相似的部分，并在一定程度上弥补了建筑物的漏检部分，让被植被和阴影遮挡的部分还原出来，提高了建筑物提取的正确率和完整度。
通过表1中精度对比可以看出，本文方法在各方面均有不同程度的精度提升，由于结合了两期影像的提取结果选择的最优边，因此能够更好地提取建筑物轮廓边界，并结合边的平移验证能够更好地提取建筑物的轮廓。优化后相较于参照方法，其完整度提高了6.86%，综合精度提高了7.74%，总体精度提高了13.02%。精度提升明显，本文方法更符合建筑物原始形态。
表1 建筑物提取结果精度对比 (%)
本文针对建筑物轮廓提取结果不佳的问题，提出了一种融合多时相高分辨率遥感影像的建筑物提取优化方法。通过对比两期影像对应建筑物的最小面积外接矩形各边符合原始建筑物形态的程度，并结合边的平移验证，从而获得最符合建筑物原始形态的边，最终使用直线正交获得建筑物的最终轮廓。通过大量试验对比验证，本文方法能够准确优化建筑物的轮廓，在一定程度上进一步提高了建筑物的提取精度。本文方法对矩形建筑物优化效果良好，但是对于较复杂的建筑物(如存在弧形边的建筑物)尚不能良好的优化，对于复杂建筑物的优化将是未来的研究方向。
猜你喜欢 轮廓矩形阴影 你来了，草就没有了阴影文苑(2020年11期)2020-11-19矩形面积的特殊求法中学生数理化·八年级数学人教版(2020年4期)2020-10-29影中国诗歌(2019年6期)2019-11-15跟踪导练（三）时代英语·高一(2019年5期)2019-09-03从矩形内一点说起中学生数理化·八年级数学人教版(2017年4期)2017-07-08巧用矩形一性质，妙解一类题福建中学数学(2016年4期)2016-10-19阴影魔怪数学大王·中高年级(2016年4期)2016-05-14儿童筒笔画大灰狼(2009年7期)2009-08-26姚明受伤让０８奥运蒙上阴影中学生英语·中考指导版(2008年5期)2008-12-19创造早秋新轮廓舒适广告(2008年9期)2008-09-22