结合数字表面模型建筑物提取方法分析范文

摘要：以数字表面模型（DSM）影像为辅助，提出了一种结合基于对象和基于知识的建筑物提取方法。首先利用DSM辅助多尺度分割，有助于分割完整的建筑区域；然后利用3种规则进行建筑物提取；最后利用国际摄影测量与遥感学会（ISPRS）标准数据集影像进行实验验证。结果表明，该方法可有效提取建筑物，得到高精度的提取结果，错提率与漏提率分别为6.26%与7.43%。

关键词：DSM；建筑物提取；多尺度分割

近10a来，利用航空或卫星遥感影像进行地物尤其是建筑物提取是摄影测量与遥感领域非常重要的研究方向，对国土测绘、城市规划等有重要意义。随着传感器技术与硬件平台的发展，遥感影像朝着多时相、多光谱、高分辨率等方向发展，可获得更加丰富的地面信息。高分辨率影像使得影像几何特征更加明显，但光谱可分性下降，地物类内光谱差异增大，给影像分类和地物提取造成困难[1]。传统的建筑物提取方法都是基于二维的真正射影像，利用影像光谱、纹理等信息或结合面向对象技术进行建筑物提取，大致可分为4类[2]：基于模板匹配的方法、基于知识的方法、基于面向对象技术的方法和基于机器学习的方法。基于模板匹配的地物提取方法是早期用于地物提取的方法[3]，常用于灰度影像的建筑物提取，通过分析地物的形状特征构建窗口，简单快速，但精度不够。基于知识的地物提取方法的核心是有效地将对地物理解的知识转变为显示的决策规则[4]，其优点为直观、高效，但通常二维影像提出的规则可分性不足，所以地物提取精度不高。基于面向对象技术的地物提取方法，首先需要利用影像分割技术将不同地物分割出来，再利用对象级特征进行地物提取[5]，其优点是可利用对象级特征，得到的结果较为完整，但对分割算法的依赖较高，而二维影像难以完整地分割出不同地物。基于机器学习的地物提取方法是近年来的研究热点，先对不同地物进行特征提取和选择，再利用机器学习算法进行分类[6]，但机器学习算法较为复杂，对参数设置较为敏感，对样本选择要求较高，所以难以直接应用于实际生产。真正射影像的获取过程通常会生成三维DSM，而传统方法仅使用二维影像，使得大量地物几何信息丢失。本文利用彩红外影像和DSM，结合面向对象分析技术与基于知识的地物提取方法，提出了一种简单高效的建筑物提取方法。首先利用DSM辅助的分割方法对影像进行分割，以提高对建筑物的分割能力；然后分析不同地物的三维特性与光谱特性，将三维知识与光谱知识转化为规则；最后分析不同地物规则差异，进行建筑物提取。

1理论方法

1.1DSM辅助的分割方法本文采用多尺度分割方法和eCognition软件进行多尺度分割[7]。通过设置光谱与形状参数，将光谱信息与几何信息配合使用进行分割。多尺度分割技术可结合多种波段信息，并利用光谱异质性指标设置不同波段之间的权重，光谱异质性指标为。式中，wc为图层权重；σc为图层标准差；c为图层数。DSM能反映地物高度信息，建筑物在DSM上十分明显。将DSM作为一个波段参与分割，并设置较大的权重可提高分割算法对建筑物的分割能力，更容易获得完整的建筑物分割结果。

1.2基于知识的建筑物提取方法分割后的对象可提取光谱特征和空间特征。常用光谱特征包括光谱均值、植被指数（NDVI）等；常用空间特征为形状特征，如矩形度（RectangleFit）。假设对象的面积为Sobj，对象外接矩形度的面积为SMER，那么对象的矩形度为：RectangleFit=Sobj/SMER矩形度为衡量一个对象与矩形相似程度的参数，通常建筑物的形状都十分规则，近似于矩形。传统方法仅利用建筑物的二维信息，以建筑物的光谱和矩形度为依据进行提取，但不同建筑物材质不同，部分还与道路等其他地物材质相同，所以凭光谱难以提取建筑物；且部分道路或裸地的分割结果也会呈矩形，所以凭矩形度也难以提取建筑物。利用DSM可快速将较高的地物分离出来，如建筑物和树；而树的NDVI值较高，建筑物NDVI值较低，根据NDVI可将建筑物分离出来。由于误差影响，可能存在一些错误的提取区域，此时利用矩形度可进一步精化结果，得到提取的建筑物区域。综上所述，本文制定了建筑物提取的3条规则：①分割对象的DSM均值大于给定的阈值TDSM；②分割对象的NDVI值小于给定的阈值TNDVI；③分割对象的矩形度大于给定的阈值TRec。建筑物提取流程如图1所示。

2实验数据与结果分析

2.1数据源本文选取的实验数据来源于ISPRS的“城市分类与三维建筑重建项目”数据集，包括城市区域的彩红外影像、DSM影像和人工标注的分类结果，如图2所示。彩红外和DSM影像的地面分辨率为9cm，影像大小为2200×1300。

2.2实验结果与分析在多尺度分割时，设置DSM与其他波段的权重比例为5∶1，尺度大小为200。图3a为多尺度分割结果，可以发现建筑物分割得较为完整。经过观察发现，建筑的DSM值均大于263.5，于是设置阈值TDSM=263.5。图3b是经过规则①处理后的结果，红色代表DSM值较大的区域，可以发现DSM能有效提取建筑与树木。经过试验发现，TNDVI=0.15和TRec=0.73时，可得到较好的建筑物提取结果。图3c为最终的建筑物提取结果，其中白色为正确提取区域，绿色为错提区域，蓝色为漏提区域，可以发现，大部分建筑都被正确提取出来，仅建筑物边缘与人工勾勒的区域存在些许差异，算法得到的提取结果不可能与人工勾勒的结果完全一致，所以这个提取结果可满足实际应用需要。仍然有部分面积较小的建筑物区域被漏提，这是由于面积较小的建筑物在分割时与周围区域合并，使得建筑特征不明显所造成的。由图2b可知，DSM影像中建筑物区域十分明显，所以在DSM辅助下，更容易得到完整的建筑物分割结果。为了证明DSM有助于分割，本文使用了3种分割尺度来分割彩红外影像。分割算法仍为多尺度分割，分割尺度分别为300、400和500，尺度为300时，分割结果较细碎，许多建筑物并没有被完整分割出来；尺度为500时，部分建筑物与周围道路、植被等地物分割在一起；尺度为400时的分割结果较为适中，但建筑物边界不清晰，分割的建筑物并不完整（图4），因此仅使用彩红外影像并不能得到理想的分割结果。为了证明其优越性，将本文方法与传统SVM算法进行对比。利用SVM算法对3种彩红外影像分割结果进行分类，使用的特征仅为光谱特征，因为仅使用彩红外的分割结果并不理想，不适合利用矩形度特征进行地物提取。表1为建筑物提取结果的精度评价，可以发现，本文方法错提率和误提率均最低，优于各尺度的SVM提取结果。

3结语

传统的建筑物提取方法都是基于二维的真正射影像，丢弃了三维信息。本文以DSM影像为辅助，提出了一种结合基于对象和基于知识的建筑物提取方法。首先利用DSM辅助多尺度分割；然后提出了3种规则对建筑物进行提取。通过实验发现，本文提出的方法可有效提取建筑物，错提率与漏提率分别为6.26%与7.43%。由于分割过程中会将面积很小的建筑物与周围区域合并，导致漏提；但若降低分割尺度，大的建筑物又不能被完整分割出来，今后需研究可同时处理不同面积建筑物的分割技术。

参考文献

[1]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.

[6]张雁.基于机器学习的遥感图像分类研究[D].北京:北京林业大学,2014

[7]熊增连,潘建平,阳春花.面向对象的房屋特征信息自动提取方法[J].地理空间信息,2015,13(5):16-18

[8]李朝奎,方文,董小姣.面向对象和规则的高分辨率影像分类研究[J].测绘通报a,2015(9):9-13

作者：王子明 单位：江苏省地质工程勘察院