基于分类与形态综合的高分辨率影像建筑物提取方法研究

第32卷第3期2007年5月测绘科学

ScienceofSurveyingandMappingVol󰀁32No󰀁3

May󰀁

作者简介:刘正军(1974󰀁),男,中国

测绘科学研究院摄影测量与遥感所,副

研究员,研究兴趣为高分辨率影像信息

提取,数字图像处理,在国际国内相关

刊物或会议发表或接收论文20余篇。

E󰀁mai:lzjliu@casm󰀁ac󰀁cn

收稿日期:2006󰀁11󰀁07

基金项目:国家自然科学基金青年基金(40401037);国家重点

基础研究发展计划课题(2006CB701303)基于分类与形态综合的高分辨率影像建筑物提取方法研究

刘正军,张继贤,孟亚宾,梁欣廉,孙晓霞

(中国测绘科学研究院,北京󰀁100039)

󰀁摘󰀁要󰀁本文提出了一种基于分类和形态综合的高分辨率影像建筑物提取方法。主要研究的是基于高分辨率影

像多尺度分割的面向对象人工地物分类方法,并以此为基础提取房屋,实现房屋位置、范围的初步自动化提取。

最后,对提取的地物图斑的精确边界利用Hough变换提取直线边缘轮廓线,并以此为基础进行轮廓拟合和制图综

合,从而得到规则的、方形组合的建筑物形状信息。

󰀁关键词󰀁建筑物提取;多尺度分割;面向对象分类;形态综合

󰀁中图分类号󰀁TP751󰀁󰀁󰀁󰀁󰀁文献标识码󰀁A󰀁󰀁󰀁󰀁󰀁文章编号󰀁1009󰀁2307(2007)03󰀁0038󰀁03

1󰀁引言

高分辨率IKONOS、QuickBird商业卫星影像的出现使

得空间对地观测技术在较小的空间尺度上观察地表的细节

变化、进行大比例尺遥感制图,特别是在城市生态环境评

价、城市规划、地形图更新、地籍调查、土地利用动态监

测等方面有巨大的应用潜力。

伴随着海量高分辨率卫星影像数据的提供,其信息提

取与处理方法却相对进展缓慢。人工解译和判读仍然是最

普遍的工作方式,费时费力,成为制约高分辨率卫星影像

大范围应用最主要的瓶颈因素之一。从影像上自动识别地

物类型并精确量测地物形状、大小,是高分辨率卫星遥感

和摄影测量研究中的热点和难点,也是最终高度自动化地

由影像获取基础地理信息的关键问题。

从遥感影像中提取建筑物,主要是利用图像中灰度信

息、光谱信息、纹理结构与边缘信息、建筑物的形态信息以

及一部分先验知识,而缺乏对识别建筑物非常有用的表面高

度信息。因此,在技术上具有一定的难度。到目前为止,仍

然处于方法的研究和探索阶段,能商业化运行的软件还没有

看到。已有的方法如Zheltov等[1]采用的直线提取法。Sohn

和Dowman[2]提出的基于窗口傅立叶变换和二分树(Binary

SpacePartitioning,BSP)技术并结合建筑物单元形状(Building

UnitShape,BUS)的知识推理形成建筑物多边形。田岩等[3]

探讨了利用canny边缘检测算子并结合几何位置关系进行直

线段提纯处理的航空影像矩形房屋提取方法。Stassopoulou

等[4]通过使用一个基于canny算子的多尺度区域分割与边缘

分割相结合的方法对影像进行分割和区域特征提取(几何形

状、辐射特性、上下文状况󰀁󰀁󰀁如道路建筑物之间的关系),

并结合其他成像条件在Bayesian网络支持下识别并提取房屋

特征。张煜等[5]利用几何约束与影像分割相结合的方式,对

航空影像半自动房屋提取方法进行了改进,提高了房屋边缘

模糊像素的提取精度,取得了一定的效果。Lin和Nevatia[6]建立了一般光照模型下,房屋边缘线与阴影间的解析几何关

系,可以用于影像目标地物相关关系的分析。上述几种方法

是或是基于边缘提取,或是结合区域分割,其缺点是无法有

效地将线、面信息及其上下文相关关系综合起来用于目标地

物的提取。也有的采用分类作为基本手段,如Lee等[7]首先

采用ECHO分类器对多光谱IKONOS图像进行分类,并采用

Hough变换提取房屋的主导线方向。结合房顶一般呈矩形结

构(或矩形组合)这一合理的假设条件检测出所有的房屋单元

并进行边界跟踪,以提取出最后的建筑物边缘线。Baatz和

Sch󰀁pe[8,9]提出了一种影像多尺度区域分割和决策树分类相

结合的方法,把光谱、纹理及上下文信息结合起来用于目标

地物的识别,应用于高分辨率影像分类,取得了不错的结

果,其算法已在商业化软件eCognition中实现,是一种比较

有前途的分类方法。

本文基于高分辨率影像多尺度分割的面向对象人工地

物分类方法,并以此为基础提取房屋,实现房屋位置、范

围的初步自动化提取。对提取的地物图斑的精确边界利用

Hough变换提取直线边缘并进行轮廓拟合和制图综合,从

而得到规则的方形组合的建筑物形状信息。初步试验结果

表明,该方法具有一定的有效性。

2󰀁方法与流程

2󰀁1󰀁影像的多尺度分割

影像的多尺度分割是在不同的尺度下,根据颜色、纹

理的相似性以及一定形状的形状约束因子对图像进行自底

向上的聚类,形成具有该尺度范围内的具有相似空间和光

谱特征的分割区域。

这里采用的多尺度分割规则与Baatz和Schape提出的

区域合并技术[9]相同。从单像素的物体开始,经过无数次

的迭代,在影像上很小的目标合并为大的目标,这都是基于相邻目标间在光谱信息、色调、纹理、形状和相关联信

息的不同。这样的两两聚类过程可以最小化所获得的建筑

物面元之间的差异,最大化建筑物面元和其他类型地物之

间的差异。

图1󰀁根据不同物体分类的高分辨率遥感影像

2󰀁2󰀁面向对象土地利用分类及建筑物提取

建筑物相对于周边其他地物类型常常具有不同的光谱、

纹理和形态特征。据此,可以通过进行城市土地利用分类比较有效地将建筑物从其他类型地物中分离出来。本文在进行这种

分类时,采用了面向对象的影像分类方法。与传统的分类方法

不同,该方法在分类过程采用影像多尺度分割后的给定尺度的

分割区域为基本分类单元,而不是单个的像素点。由于这些分

割区域是通过自底向上聚类方法得到的具有同一性质的均质区

域,没有基于像元分类时的那种󰀁胡椒粒󰀁现象。结合面向对

象分类技术所提供的对图像中分割区域的光谱、纹理和形态特

征参数及上下文相关关系的丰富表达方式和基于模糊决策树分

类器所提供的灵活分类方法,能够比较有效地对城市中新城区

建筑物进行分类提取。

对高分辨率影像的面向对象分类,是在商用遥感卫星

软件eCognition3󰀁0下进行的。分类过程中采用了模糊决策

树分类器。分类规则是根据多分辨率影像分割后得到的分

割区域的内在光谱特征、几何特征以及它们的相关关系。

各个分类目标地物之间的相互关系也用做分类中的知识,

例如建筑物与阴影、道路、院落之间的关系。

采用上述方法,城镇地区的土地利用分类图能够将建

筑物类别与其他的地物类别如植被、道路、水系、车辆较

好地区分开来。将分类提取出的建筑物类单独提取出来就

形成了由建筑物构成的二值图像。

2󰀁3󰀁概率Hough变换提取建筑物主方向线

图2󰀁应用改进的

概率Hough变换

(PPHT)检测出的

建筑物顶部的主方

向线:白色区域

代表对Quickbird

影像进行分类得到

的建筑物类,灰线

表示检测出的建筑

物屋顶主方向线Hough变换是进行图像处理的一

个有力工具,在遥感影像上被广泛的

应用于直线特征的检测,比如说,道

路/铁路、大坝、建筑物顶部的边缘

等。由于标准的Hough变换计算上的

复杂性,在获取图像上点在直线上出

现的概率时,可能出现错误的正的或

负的检测,而应用改进的概率Hough

变换[10](ProgressiveprobabilisticHough

Transform,PPHT)可以将这种错误出

现的概率减少到最小,并且具有很好

检测效率。因此,它可以作为一种高

效的检测建筑物屋顶边缘的方法。

以下是改进的概率Hough变换

过程:

󰀁检查输入的图像,如果是一张

空的图像,结束;󰀁从输入的图像中

任取一个像素点,更新计数累加器;󰀁将像素点从输入的

图像中移除;󰀁检查经过新像素点的更改后,计数累加器

的峰值是否比原先高,如果不是,回到第一步;󰀁沿计数

累加器的峰值方向进行检测,并且找出连续的或不超过某

一阈值的像素的集合;󰀁将像素集合中的像素点从输入图

像中移除;󰀁将原先在计数累加器上累加过的直线上的像

素点从累加器中除去;󰀁如果直线的长度大于最小长度,

将其添加到输出列表中;󰀁返回󰀁。

在本文中,改进的概率Hough变换(PPHT)用于检测建

筑物顶部的主方向线,这条直线作为确定建筑物矩形的基

线,在这里,建筑物顶部的主方向线是由占其边缘最大数

量的像素点构成的直线。图2显示了在Quickbird影像中检

测出的主方向线的结果。在此结果中,白色区域表示建筑

物,检测出的两条主方向线用红色的直线显示,每一条红

色的直线表示所代表的建筑物单元的主导方向。从图2我

们可以看出,用改进的概率Hough变换在原先分类好的二

值图像上可以很好地检测出矩形建筑物主方向线。

2󰀁4󰀁建筑物形状拟合

在进行建筑物形状匹配之前,将图像平面内的每一个

像素点赋予坐标,包括建筑物顶部的主方向线,应用以下

坐标转换公式,通过主方向线将像素点转换到另一物体平面:

x=g+Xcos󰀁-Ysin󰀁

y=h+Xsin󰀁+Ycos󰀁(1)

󰀁󰀁这里(x,y)表示图像平面内每一个像素点的原坐标,

(X,Y)表示转换后新平面内的坐标,󰀁是旋转角度,(g,

h)旧坐标的原点在新坐标系内的坐标。

在本研究中,建筑物模型的栅格边缘是假设的。可以

这样认为,每一个建筑物都是由构成90󰀁角的直线组成的。

我们采取这个模型是因为这样的建筑物类型是普遍存在的,

并且这种模型也相应地比较容易处理。利用建筑物的这种

直角特性,可以从原来的分类图像中检测出建筑物的形状

并且提高精度。

在根据不同物体进行分类的影像中对不规则建筑物边

缘的提取如图3所示。

首先,所有与主方向线平行或垂直的直线的获取都有

相等的间隔(在图3里,是5󰀁3个像素),把它称为步长。

进行完这一步后,两组相互正交的直线就会形成一系列的

矩形小单元,与建筑物墙体的排列一致。在第三步,每一

个矩形小单元覆盖在分类图像形成的二值图像上。分别计

算建筑物内部的像素点的百分比。如果某一像素点所占的

比例大于一给定阈值(比如说50%)或更多的像素点则将其

保留。对已经保留下来的单元集合进行边界跟踪,获取最

终的结果。在跟踪这一步只保留建筑物的角点,这些最小

数量的点是确定二维建筑物轮廓所必需的。最后结果是由

一些直线描出的建筑物的边缘,这些线是顺序相互垂直的。

完全垂直的边组成的建筑物边缘。

2󰀁5󰀁建筑物形状的制图综合

进行建筑物形状拟合,可以使建筑物多边形各边正交

化,并尽量保持原来的形态和面积。然而,由于筑物形状

拟合中阈值选取的敏感性,也可能导致锯齿型边缘轮廓。

为此,需要进行制图综合已形成比较自然的建筑物形态。

建筑物形态的制图综合是为了减少建筑物边界细部形

态,增强相邻各边之间的正交性,并保持建筑物总的形态

和面积不变。图4为利用制图综合对建筑物形状拟合的结

果进行综合前后的结果对比。其中,灰色填充多边形表示

根据影像进行分类和拟合检测出的建筑物屋顶,粗线条多

边形表示对建筑物模型进行制图综合后的结果。由图可见,

细小的凹凸部位被剔除。

3󰀁试验与结果分析

我们使用真彩色航空照片进行采用上述方法进行了试

验。图5a显示的是试验所用的原始真彩色影像,图5b显