李鹏元，杨树文,3，姚花琴，杨 猛，雍万铃

（1.兰州交通大学 测绘与地理信息学院，甘肃 兰州 730070；2.甘肃省地理国情监测工程实验室，甘肃 兰州 730070；3.甘肃省遥感重点实验室，甘肃 兰州 730000；4.甘肃安西极旱荒漠国家级自然保护区管理局，甘肃 酒泉736100）

基于高分辨率遥感影像的城区彩钢棚提取研究

李鹏元1,2，杨树文1,2,3，姚花琴4，杨 猛2，雍万铃2

（1.兰州交通大学 测绘与地理信息学院，甘肃 兰州 730070；2.甘肃省地理国情监测工程实验室，甘肃 兰州 730070；3.甘肃省遥感重点实验室，甘肃 兰州 730000；4.甘肃安西极旱荒漠国家级自然保护区管理局，甘肃 酒泉736100）

彩钢棚是典型的城市临时建筑物，其空间分布与城市发展和结构存在密切关系，而准确﹑快速地提取彩钢棚信息将为相关研究提供有效数据支持。以GF-1遥感影像为数据源，利用面向对象的多尺度分割技术构建了基于知识规则的彩钢棚决策树提取模型。首先通过实验选择一个最优分割尺度对影像进行分割；再根据彩钢棚的色彩﹑光谱﹑几何等特征建立知识提取规则；最后基于知识规则的决策树自动提取彩钢棚信息。实验结果表明，该方法提取彩钢棚具有很好的普适性，提取效果较好。

彩钢棚；高分辨率；多尺度分割；知识规则；决策树

彩钢即彩涂钢板材料，是市场上的通用名称。在建筑方面，彩钢材料应用广泛，一般称之为彩钢棚。彩钢棚作为城市中典型的临时建筑物，其空间分布特征（位置﹑聚集性﹑伸展方向等）随时间变化而变化，且这些变化与城市的发展变化密切相关。目前，城市的发展变化主要是根据土地利用/覆被变化来判断的[1-3]，这种正面﹑宏观的研究是常用手段，而通过对彩钢棚空间分布特征变化的研究，可从侧面﹑微观的角度获得当前城市的发展阶段﹑进程﹑速度等特征。

高分辨率遥感影像既能大尺度﹑全面地显示地物信息，又能通过地物在影像上的光谱﹑几何﹑结构﹑纹理特征较为准确地反映目标信息及特征[4]。国内外学者利用高分辨率遥感影像进行了大量一般建筑物的提取研究，大致可分为两类：①综合利用高分辨率遥感影像数据和其他辅助数据进行建筑物提取，如Hofmann P[5]和Awrangjeb M[6]等利用高分辨率遥感影像数据，结合LiDAR信息进行了建筑物提取实验；② 面向对象的建筑物提取方法，如陶超[7]等提出了一种多特征融合的建筑物对象分级提取策略，JIN X[8]等利用建筑物的上下文和光谱特征进行建筑物提取。上述研究对建筑物信息提取进行了有效尝试，取得了较为丰硕的研究成果；但通过文献分析发现，还没有基于高分辨率遥感影像对彩钢棚进行信息提取的研究。本文通过对彩钢棚和其影像特征的分析，提出了一种基于知识规则的彩钢棚决策树提取模型。

1 彩钢棚提取方法

1.1 彩钢棚特征

1.1.1 色彩特征

彩钢棚颜色主要以蓝﹑白﹑红为主，色调区分较大，但其在影像中的共同特点是色彩明亮程度高。色彩明亮程度用亮度来衡量，如将RGB色彩空间转换到HSV色彩空间下的V分量就是亮度数据，即

式中，Red、Green、Blue分别为像元在红光波段﹑绿光波段和蓝光波段的灰度值。实验表明V值较大的区域就是包含彩钢棚的区域。

1.1.2 光谱特征

GF-1影像由2 m的全色波段和8 m的多光谱波段构成，其中多光谱波段分为蓝光波段﹑绿光波段﹑红光波段和近红外波段。本文以兰州市某区GF-1融合数据为例，对影像中多种典型地物（白色建筑物特指屋顶是白色的一般建筑物）进行了光谱特征统计。具体统计结果见表1。

表1 典型地物光谱值

结合式（1）可知，典型地物的亮度由高到低依次为白色彩钢棚﹑红色彩钢棚﹑白色建筑物﹑蓝色彩钢棚﹑裸土﹑水泥屋顶﹑沥青道路﹑水体和阴影。根据亮度属性能够抑制影像中的水泥屋顶﹑沥青道路﹑水体和阴影，而保留彩钢棚﹑白色建筑物和裸土，所以需进一步重点分析高亮度地物之间是否存在光谱差异。为便于观察，本文绘制了高亮度地物的波谱曲线（图1）。

图1 高亮度地物的波谱曲线

分析图1可知：①白色建筑物与白色彩钢棚波谱曲线走势一致，从光谱属性上区分二者存在困难；②蓝色彩钢棚从红光波段到近红外波段为上升趋势，而白色彩钢棚﹑红色彩钢棚和裸土从红光波段到近红外波段均为下降趋势，且裸土的下降速度慢于白色彩钢棚和红色彩钢棚。鉴于此，本文构建的区分裸土和各类彩钢棚的计算模型为：

W为正值是蓝色彩钢棚；W为负值且绝对值较小是裸土；W为负值且绝对值较大是白色彩钢棚﹑红色彩钢棚。

1.1.3 几何特征

经过实地考察并结合影像分析，笔者总结出彩钢棚的几何特征为：

1）面积（S）：不同卫星数据源（不同空间分辨率的影像），其可识别的有意义单元的大小不同[9]。根据GF-1的分辨率，可识别的最小彩钢棚面积为16 m2。

2）矩形度（R）：彩钢棚形状总体上呈矩形或矩形组合，描述矩形的参数是矩形度。

式中，P为其最小外接矩形面积[7]。R反映了一个物体与其最小外接矩形的接近程度，理想矩形彩钢棚R取得最大值1.0。

3）“洞”的个数（N）与紧凑度（C）：与彩钢棚相比，一般建筑物屋顶会出现其他凸起附属物，在影像中表现为“洞”；且一般建筑屋顶边缘多曲折，不够紧密；反映紧密性的参数是紧凑度。

式中，L为地物周长[10]。当地物有“洞”或C值较低时，不是彩钢棚。

1.2 基于知识规则的决策树模型

在研究中， V﹑W﹑S﹑R﹑N﹑C属性共同构成本文彩钢棚的知识规则，但这些属性之间并无明确的层次关系。决策树是一种基于知识规则的地物识别方法，先找出分类能力最好的属性变量，把数据分成多个子集；再用分类能力最好的属性对每个子集进行划分[11]。因此，决策树对属性的权重大小有明确的界定，树的浅节点处的属性权重比深节点处的属性权重大。

通过V属性对影像中的地物进行划分，低亮度地物包括水泥屋顶﹑沥青道路﹑水体﹑阴影等，高亮度地物包括彩钢棚﹑白色建筑物﹑裸土。选择V属性作为第一节点处的变量参与决策，可将影像中大范围的低亮度地物剔除，保留含有彩钢棚的高亮度地物信息。城区内裸土所占比例不可忽视，如何将其从高亮度地物中分离是接下来要考虑的问题。根据彩钢棚的光谱特征可知，W属性能有效区分裸土与彩钢棚，当W在某一负值区间时，即为裸土，剩余对象为蓝色﹑白色﹑红色彩钢棚，故选择W属性作为第二节点处的变量参与决策。若仅从剥离典型背景地物的角度出发，第三节点处的变量应该用于区分白色建筑物与彩钢棚。但事实上，城区地物复杂多样，影像也绝不仅是由几种典型地物构成，因此需从地物的几何属性出发，去除不满足彩钢棚几何特征的干扰背景。彩钢棚面积有下限值，小于该值的地物在影像中是不可识别的细碎斑块，所以选择S属性作为第三节点处的变量。彩钢棚作为一类特殊的临时建筑物，与一般建筑物最大的不同就是其形状多呈矩形或矩形组合，因此选择R属性为第四节点处的变量参与决策，能够显著降低彩钢棚与非矩形对象的混淆。

上述决策从色彩﹑光谱﹑几何特征出发，尽可能地抑制了影像中的背景。白色建筑物由于与白色彩钢棚在影像中的特征过于接近，所以最后进行区分。由彩钢棚的几何特征可知，白色建筑物一般有“洞”或紧凑度较低，即当N>0或C小于某一阈值时，为白色建筑物。使用N﹑C属性作为第五节点处的变量参与决策，可将彩钢棚信息完整提取出来。具体的决策树模型如图2所示，其中Mean为构成对象所有像元的属性平均值；a﹑b﹑c﹑d﹑e为阈值，实际情况下，由于选择的研究区域不同影像地物特征会有一定的差异，因此具体阈值大小是通过反复试验观察获取的经验值。

图2 基于知识规则的决策树提取模型

需要说明的是，本文构建的基于知识规则的决策树提取模式是建立在影像多尺度分割的基础上的。考虑到彩钢棚在影像中大小差异悬殊，先设定较小的初始分割阈值将小型彩钢棚分割出来，再利用分块合并算法将初始分割中被“肢解”的大型彩钢棚重新合并为一个整体。这种组合分割方式既可避免彩钢棚被“欠分割”，又可防止彩钢棚的“过分割”。

2 实验及结果分析

本文选取的数据为2015-07-28获取的经过几何校正和图像融合的兰州市GF-1影像。为验证彩钢棚信息提取方法的可靠性，从融合后的数据中截取两块不同区域的影像进行实验。

实验一：真彩色显示如图3a所示，影像中彩钢棚大小不同，背景地物多样。通过实验得到最优初始分割﹑合并分块阈值分别为34和92，分割结果如图3b所示。通过反复试验观察得到，当决策树中的参数a=0.6，b= -0.13，c=-0.08，d=0.5，e=0.16时，彩钢棚提取效果最好。图3c为提取到的彩钢棚的二值图表示（白色表示彩钢棚），图3d为彩钢棚矢量边界在真彩色影像上的映射。

实验二：真彩色显示如图4a所示，与实验一相比，无水体，植被明显减少，裸土大量增加，便于检验方法的适用性。通过实验可知，当最优初始分割﹑合并分块阈值分别为33和90时的分割效果最好（图4b）。通过反复试验观察得到，当决策树中的参数a=0.6，b=-0.14，c=-0.05，d=0.5，e=0.16时有较好的提取效果，提取的彩钢棚如图4c所示。图4d为彩钢棚矢量边界在真彩色影像上的映射。

图3 实验一彩钢棚提取

图4 实验二彩钢棚提取

用TP﹑FP﹑FN分别表示算法正确识别的彩钢棚面积﹑误识别面积和漏识别面积，用TN表示人工提取的彩钢棚面积，提取结果见表2。

表2 提取结果统计/m2

将分支因子（FP/TP）﹑遗漏因子（FN/TP）﹑检测率（TP/(TP+FN)）和完整性（TP/(TP+FP+FN)）设为彩钢棚提取的定量评价指标[12]，计算结果见表3。

表3 定量评价指标

从定量评价指标可以看出，两景影像中彩钢棚的检测率与完整性都较高，但提取结果表明误识别和漏识别的彩钢棚面积很大，观察图3d﹑图4d可知，这是由于提取中对白色彩钢棚与白色建筑物的区分不理想造成的。

3 结 语

针对高分辨率遥感影像可准确反映地物细节信息﹑多尺度分割后形成的对象具备更多的属性特征﹑决策树可整合多种辅助数据和属性变量等特点，本文将三 者结合，构建了多尺度分割技术支持下的基于知识规则的彩钢棚决策树提取模型。实验结果表明，面向对象的决策树由于充分利用了对象的色彩﹑光谱﹑几何特征，对彩钢棚的提取更准确，且一旦建立模型，就可应用于更大范围内的彩钢棚提取。

本文的不足之处在于：在多尺度分割中并没有给出一个客观的最优分割尺度评价指标，只是定性地描述了如何实现彩钢棚的最优分割；利用几何特征区分白色建筑物与白色彩钢棚，但实际效果并不是很理想。对于这两个问题，需要进一步研究。

[1] 周春山,叶昌东.中国特大城市空间增长特征及其原因分析[J].地理学报,2013,68(6):728-738

[2] 冯仕超,高小红,亢健,等.西宁市30多年来土地利用/土地覆被变化及城市扩展研究[J].干旱区研究,2012,29(1):129-136

[3] 乔林凰,杨永春,向发敏,等.1990年以来兰州市的城市空间扩展研究[J].人文地理,2008,23(3):59-63

[4] 李德仁,童庆禧,李荣兴,等.高分辨率对地观测的若干前沿科学问题[J].中国科学:地球科学,2012,42(6):805-813

[5] Hofmann P. Detecting Urban Features from IKONOS Data Using an Object-oriented Approach[J].GIS Geo-information System,2001(6):28-33

[6] Awrangjeb M, Ravanbakhsh M, Fraser C S. Automatic Detection of Residential Buildings Using LiDAR Data and Multispectral Imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing,2010,65(5):457-467

[7] 陶超,谭毅华,蔡华杰,等.面向对象的高分辨率遥感影像城区建筑物分级提取方法[J].测绘学报,2010,39(1):39-45

[8] JIN X, Davis C H. Automated Building Extraction from Highresolution Satellite Imagery in Urban Areas Using Structural, Contextual, and Spectral Information[J].Eurasip Journal on Applied Signal Processing,2005(14):2 196-2 206

[9] 明冬萍,王群,杨建宇.遥感影像空间尺度特性与最佳空间分辨率选择[J].遥感学报,2008,12(4):529-537

[10] 邓书斌.ENVI遥感图像处理方法[M].北京:科学出版社,2010:217

[11] 王圆圆,李京.基于决策树的高光谱数据特征选择及其对分类结果的影响分析[J].遥感学报,2007,11(1):69-76

[12] Sampath A, Shan J. Building Boundary Tracing and Regularization from Airborne LiDAR Point Clouds[J]. Photogrammetric Engineering & Remote Sensing,2007,73(7): 805-812

P237

B

1672-4623（2017）09-0013-03

10.3969/j.issn.1672-4623.2017.09.004

2016-05-30。

项目来源：甘肃省科技计划资助项目（1506RJZA070、148RJZA028）；甘肃省高等学校科研资助项目（2015A-049）；甘肃省遥感重点实验室（寒旱所）开放基金、兰州市人才创新创业共同资助项目（2015-RC-28）。

李鹏元，硕士研究生，主要从事遥感图像信息识别方面的研究工作。