徐昌荣，葛山运

(江西理工大学建筑与测绘工程学院，江西赣州 341000)

基于面向对象的高分辨率遥感影像建筑物提取研究

徐昌荣∗，葛山运

(江西理工大学建筑与测绘工程学院，江西赣州 341000)

遥感影像上的建筑物是一种非常重要的地物。利用高分辨率遥感影像上建筑物的光谱、空间特征及上下文特征等，并通过贝叶斯理论计算对象的归属概率属性，提出了一种面向对象的高分辨率影像建筑物提取方法。实验证明该方法有较好的提取效果。

面向对象；对象归属概率；贝叶斯理论；规则

1 引 言

随着遥感数据的空间分辨率越来越高，遥感影像数据获取的成本越来越低，其提供的信息越来越丰富，如地物的结构、纹理等细节信息都能很清楚的表现出来，使得遥感数据的应用价值也越来越高，因此提取像建筑物等重要地物的信息成为遥感研究热点。但传统的建筑物提取方法像监督分类、非监督分类，以及专家分类、子像元分类等，均是基于像素的光谱信息统计分析，认为每个像素都是独立的，没有考虑相邻像素的空间相关，比较适用于中低精度的遥感影像。对于目前高分辨率的影像(比如IKONOS、QuickBird和World-View卫星数据或者航空照片)，其单个像素不仅仅反映的分类目标的特征，而且这种内部光谱信息分类变异性的增加导致分类间统计特征的可分离性及分类准确性的降低，故这些传统的提取方法有些不再适合。面向对象的方法能综合利用光谱信息(颜色、色调)和空间信息(形状、尺寸、纹理等)将相邻像素作为一个整体，建立不同的策略来解译对象，更符合高分辨率影像的视觉判别[1]。

建筑物是高分辨率遥感影像上一种非常重要的地物。本文利用高分辨率遥感影像上建筑物的光谱、空间特征及上下文特征等，并通过贝叶斯理论计算对象的归属概率属性，提出一种面向对象的高分辨率影像建筑物提取方法。实验证明该方法有较好的提取效果。

2 对象归属概率的概念

设待处理图像中的每个像元(对象)取m个变量，则像元(对象)值可用向量表示:

假设研究区域可分为G类，则任意像元(对象)必来自其中的某一类。当各类总体为多元正态总体N (μg，∑g)时，像元或对象(即随机变量)特征向量X在第g类的概率密度为:

式中，μg与∑g分别为第g类总体的均值向量和协方差矩阵，的逆矩阵。

在随机抽样情况下，μg与∑g可以通过下面方法进行估计:

式中，xik表示第i类第k个像元(对象)的灰度值，mi为第i类的平均值表示第i分量xi的方差，表示xi和xj的协方差。

根据贝叶斯公式[3]，在X出现的条件下，其归属第g类的概率为:

故有，p(g/X)越大，像元(对象)X来自g类的概率就越大，所以p(g/X)表示X归属于g类的概率，称为像元(对象)X的归属概率。

3 面向对象的建筑物提取方法

通过对影像的分割，使同质像元组成大小不同的对象，由于高分辨率影像上建筑物对象内部的光谱差异小，所以对任一对象从空间特征、几何特征及上下文特征等方面进行刻画。利用分割后的候选对象的这些特征进行目标识别和提取，可以有效地克服基于像元层次提取信息的不足。另外，通过选择合适的样本进行训练，再根据贝叶斯理论计算获得每个候选对象的归属概率属性，从而可以更准确的提取目标对象。面向对象的提取方法[2]主要包括影像分割、提取规则建立和目标提取。

3.1 影像分割

将一幅影像分割为空间上连续的、互不重叠的并具有同质性的区域，称为对象。对象是面向对象的影像分析的基本单元，具有丰富的光谱、纹理、几何、上下文等信息，与像元比更易于进行信息的提取。

根据研究的高分辨率遥感影像的特性及边缘信息的重要性，利用临近像素亮度、纹理、颜色等对影像进行一种基于边缘的分割。影像分割时会产生错分或过度分割的现象。为解决这类问题，利用了欧氏距离聚类算法[5]在结合光谱和空间信息的基础上迭代合并部分邻近的小对象。

3.2 提取规则的建立

经过分割后，影像的基本单元已不是单个像元，而是由同质像元组成的多边形对象。计算各对象的属性:光谱、空间、纹理、自定义(颜色空间和波段比)，更重要的是通过选择具有代表性的样本，统计计算各对象的归属概率属性。这样每一多边形对象不仅仅具有光谱，形状、纹理、面积、位置以及多边形间的拓扑关系等属性，也同时具有了归属概率属性。具体的提取规则就是充分利用对象的这些属性进行组合建立规则。

3.3 目标提取

根据建立的规则提取目标对象初始结果，再根据实际目标对象的几何特征等对初始结果进行后处理，从而获得最终比较理想的目标对象提取结果。其基本步骤是:预处理→影像分割与合并→建筑物特征选择[4，6]及规则建立→初步提取→后处理优化[7，8]。

图1 基于贝叶斯理论的面向对象遥感影像建筑物提取流程图

4 实验及分析

按照前述建筑物提取流程对一幅620∗483的全色高分辨率遥感影像(如图2所示)进行实验。

图2 原始遥感影像

图3 影像分割及合并

首先利用ERDAS软件对预处理后的影像进行影像分割与合并，如图3所示，然后计算各候选目标对象的属性，包括空间、光谱、纹理、及归属概率属性特征等。再次分析影像中容易跟建筑物错分的地物有:道路、植被以及建筑物旁边的水泥地，建立提取规则如下:

其中probability of object＞0.6000排除了大部分非建筑物目标，但是仍然无法完全去除在光谱、纹理上与建筑物目标相似度高的道路及水泥地面；avgband_2 [70.0000，150.0000]能去除部分水泥地面的影响，因为水泥地的反射率比建筑物的高；area[500.0000，3000.0000]AND rect_fit＞0.4000能去除大部分道路的影响；

由于种种原因，根据以上规则得到的建筑物初步提取结果(图4)与建筑物的视觉判别效果还有一定的差距，如部分建筑物存在空洞；建筑物的边缘变形，该是直线的不是直线，该正交的地方却没有正交。因此需对其进行后处理优化:采用不变几何矩与边缘直线能量确定建筑物轮廓，通过不变几何矩计算得到各建筑物区域的重心、两轴长、主方向等元素，对各个元素优化，对外接矩形网格化，计算每条边缘直线的能量，取能量大者为边缘，从而获得建筑物目标的最终提取结果，如图5所示。

图4 基于规则的建筑物提取初步结果

图5 后处理优化(空洞填充、边缘拟合正交化)建筑物目标的最终结果

从原始遥感影像上可知该区域共有66个建筑物，而最终提取结果中有65个对象，根据目视判别其中有64个为建筑物和1个为道路，即有2个建筑物被遗漏(左上方和左下方各有1个)，正确率为96.97%，误判率为1.51%，漏判率为3.03%。

5 结 语

本文在面向对象方法的基础上，利用基于边缘的多尺度分割，为防止过度分割采用“欧氏距离聚类算法”进行适度的合并，通过计算对象的属性，尤其是引入了基于贝叶斯理论的对象的归属概率属性信息，对这些属性进行组合建立提取规则实现对建筑物的提取，并对结果进行优化后处理，得到较满意的结果。总之，笔者通过贝叶斯理论计算对象归属概率属性，从而利用更多的知识来提取地物，在很大程度上避免了遗漏和错误现象；对初始结果进行后处理优化，使其更逼近真实地物，也更符合视觉判别的效果。面向对象方法更多地利用了地物的光谱、形状、几何、纹理信息和上下文关系等，且其运用灵活，融入了更多的知识。

[1] 陈云浩，冯通，史培军等.基于面向对象和规则的遥感影像分类研究[J].武汉大学学报·信息科学版，2006，31 (4):316～320

[2] 乔程，骆剑承，吴泉源等.面向对象的高分辨率影像城市建筑物提取[J].地理与地理信息科学，2008，24(5):36～39

[3] 董立岩，苑森淼.基于贝叶斯分类器的图像分类[J].吉林大学学报(理学版)2007，45(2):249～253

[4] 王润芳.高分辨率遥感影像中建筑物外形提取方法研究[D].辽宁工程技术大学硕士学位论文，2008

[5] 董旭，魏振军.一种加权欧氏距离聚类方法[D].河南:信息工程大学，2005

[6] 赵鸿燕，饶欢，张璋等.基于高分辨率影像城市建筑物研究[J].测绘与空间地理信息，2008，31(6):27～30

[7] 李海月，王宏琦，陆见微等.遥感图像中建筑物自动识别与标绘方法研究[J].电子测量技术，2007，30(2):15～20

[8] 马建文.遥感数据智能处理方法与程序设计[M].北京:科学出版社，2010

Object－Oriented Remote Sensing Image of Building Extraction

Xu ChangRong，Ge ShanYun
(Faculty of Architectural and Mapping Engineering，Jiangxi University of Science and Technology，Ganzhou 341000，China)

Remote sensing image building is a very important surface features.High－resolution remote sensing spectral images of buildings，spatial characteristics and context characteristics，and calculated by Bayesian probability of property ownership of the object，a object－oriented high－resolution imaging Building Extraction.Experiment shows that the better extraction.

Object－oriented；The probability of an object belonging；Bayesian theory；Rule

1672－8262(2011)01－84－03

TP751，P237

A

2010—07—14

徐昌荣(1964—)，男，教授，研究方向:大地测量技术，空间定位技术，地理信息系统应用开发、空间数据采集技术。