CN101840581B - 一种从卫星遥感影像中提取建筑物轮廓的方法 - Google Patents

Abstract

本发明提供了一种从卫星遥感影像中提取建筑物轮廓的方法，包括：对同一区域的全色波段和多光谱波段影像进行融合，生成多光谱融合影像；对融合影像进行对比度增强处理；对融合影像进行影像分割，创建影像对象；对影像对象进行基于光谱特征的监督分类，获得不透水性地类分布图；针对不透水性地类分布图，利用模糊逻辑分类器，结合光谱属性、空间属性、纹理属性和上下文属性的特征构建知识规则，并按知识规则进行分类，提取出建筑物屋顶类。本发明能够针对不规整或复杂的城区场景实现建筑物轮廓提取，无需辅助数据，在分类中不必对屋顶类之外的其他不透水性地类再细分，处理流程具有实用性和灵活性，并且提取精度高。

Description

一种从卫星遥感影像中提取建筑物轮廓的方法

技术领域

本发明涉及测绘制图、数字遥感图像处理、摄影测量与遥感技术地物目标信息提取技术领域，特别是涉及一种从卫星遥感影像中提取城区建筑物轮廓的方法。 

背景技术

现有技术中，详细的城区建筑物分布图主要通过航空摄影测量或人工地面测量获得，这种常规获取方法需要较高的数据成本。近年来，相对低廉的米级及优于米级的商业高分辨率多光谱卫星(如伊科诺斯IKONOS和快鸟QuickBird)影像的出现，有望改变必须借助航空遥感影像进行城区制图的局面。在高分辨率卫星遥感影像上，建筑物屋顶是城区建筑物制图的主要特征，地面建筑物的轮廓形状可通过卫星遥感影像上显示的屋顶的形状及其分布来表征。由于城区环境空间格局复杂，城区屋顶材料组分、颜色、形状、大小以及建筑物的朝向在城区环境下变化多样，城区各类地物在上述高分辨率多光谱影像上光谱变异度高，同物异谱和异物同谱现象远比自然环境下普遍，给应用传统的基于像元光谱特征进行自动或半自动地物分类带来了困难。 

已有研究表明，高分辨率多光谱遥感影像4个多光谱波段虽然光谱范围覆盖较宽，但区分城区水体，裸土，植被，阴影和不透水性地面等土地覆盖类是有效的。进一步，现有的把光谱混淆严重的不透水性地面区分为道路、停车场和建筑物则存在困难。面向对象影像分析是不同于逐像元光谱特征分析的一种可以表达和应用语义信息特征的方法。这种方法把影像分割成有意义的影像区域(对象)，不仅能够表达影像区域的光谱特征，还能表达丰富的空间、纹理和上下文特征等语义信息，从而使区分光谱相似的地类成为可能。 

利用面向对象影像分析方法来进行高分辨率遥感影像城区建筑物制图是一种新的解决途径，但当前已发展的方法主要是针对排列较为规则或建筑 物屋顶材料较为单一的简单城区场景，或者是借助外部数据，如数字高程模型(DEM，Digital Elevation Model)或地籍图，利用面向对象的分析方法来提取城区建筑物。 

如Hofmann等利用IKONOS高分辨率遥感影像数据，结合机载激光扫描仪获得的高分辨率数字高程模型和数字地籍图，采用基于对象分类的方法进行城区建筑物制图[Hofmann，P.，2001.Detecting urban features from Ikonosdata using additional elevation information，GIS Geo-Information System，6/2001：28-33.]。Shackelford等在较为规则的网格状城区，把像元分类图作为基于知识规则的面向对象模糊分类输入，利用简单的空间和上下文语义特征参数对建筑物进行分类制图[Shackelford，A.and C.Davis，2003.Acombined fuzzy pixel-based and object-based approach for classification ofhigh-resolution multispectral data over urban areas，IEEE Transactions onGeoscience and Remote Sensing，41(10)：2354-2363.]。 

对于不规整或复杂的城区场景，当缺乏先验知识或其他的外部数据时，如何利用面向对象影像分析及分类方法进行高分辨率遥感城区建筑物轮廓提取，成为本领域技术人员迫切解决的一个技术问题。 

发明内容

本发明所要解决的技术问题是提供一种从卫星遥感影像中提取建筑物轮廓的方法，在没有先验知识或其他的外部数据时，能够针对不规整或复杂的城区场景，实现城区建筑物轮廓的提取。 

为了解决上述问题，本发明公开了一种从卫星遥感影像中提取建筑物轮廓的方法，包括： 

步骤A1，对同一区域的全色波段影像和多光谱波段影像进行融合处理，生成多光谱融合影像； 

步骤A2，对所述融合影像进行对比度增强处理； 

步骤A3，通过对所述融合影像进行影像分割，创建影像对象； 

步骤A4，通过对所述影像对象进行基于对象光谱特征的监督分类，获 得不透水性地类分布图； 

步骤A5，针对不透水性地类分布图，利用模糊逻辑分类器，结合光谱属性、空间属性、纹理属性和上下文属性的特征构建知识规则，并按照所述知识规则进行分类，提取出建筑物屋顶类。 

优选的，所述影像为像元空间地面分辨率小于等于5米的高分辨卫星光学遥感影像；其中，全色波段影像具有小于等于1米的像元空间地面分辨率；多光谱波段影像具有小于等于5米的像元空间地面分辨率，所述多光谱波段至少包括：蓝色、绿色、红色和近红外四个波段。 

优选的，所述步骤A1中，采用基于平滑滤波的亮度调制算法进行融合处理；所述步骤A2中，采用直方图均衡化方法进行对比度增强处理；所述步骤A3中，采用多分辨率分割算法进行影像分割。 

优选的，所述步骤A4中，通过监督分类得到的地类包括：不透水性地类、植被类、阴影类、水体类和裸地类；其中，所述监督分类的结果通过混淆矩阵进行评估，满足不透水性地类的生产者精度为100％。 

进一步，所述模糊逻辑分类器通过Sigmoid型隶属度函数计算对象特征的屋顶类和非屋顶类的类别隶属度，将其中高隶属度所对应类别作为对象分类结果类别，并进而提取出建筑物屋顶类对象；其中，通过对不透水性地类分布图中样本影像对象的特征分布的概要统计，确定隶属度函数的方向、控制点a和c的值，所述概要统计包括：平均值、最小值、最大值和标准差。 

优选的，所述光谱属性的特征包括：全色波段标准差、多光谱波段标准差、影像层与场景的比率、和/或影像层比率； 

纹理属性的特征包括：全方向纹理对比度； 

空间属性的特征包括：长度和/或紧密度； 

上下文属性的特征包括：与相邻对象的相对边界、与相邻对象的距离、和/或相邻对象的数量； 

所述相邻对象包括：相邻屋顶类对象，以及相邻非屋顶类对象。 

优选的，所述知识规则包括：第一知识规则、第二知识规则和/或第三知识规则； 

其中，第一知识规则为：对于每一个影像对象，如果各个第一类特征的隶属度函数值高满足逻辑与，则屋顶类的类别隶属度高，否则非屋顶类的类别隶属度高；所述第一类特征包括：全色波段标准差、多光谱波段标准差、长度、紧密度、和/或全方向纹理对比度； 

第二知识规则为：对于每一个影像对象，如果各个第二类特征的隶属度函数值高满足逻辑或，则建筑物屋顶类的类别隶属度高，否则非屋顶类的类别隶属度高；所述第二类特征包括：与相邻屋顶类对象的距离、与相邻屋顶类对象的相对边界、与相邻非屋顶类对象的相对边界、和/或相邻屋顶类对象的数量； 

第三知识规则为：对于每一个影像对象，如果各个第三类特征的隶属度函数值高满足逻辑与，则建筑物屋顶类的类别隶属度高，否则非屋顶类的类别隶属度高；所述第三类特征包括：近红外波段影像层与场景比率、蓝色波段影像层比率、和/或红色波段影像层比率； 

则模糊逻辑分类器依次按照第一知识规则、第二知识规则和/或第三知识规则进行分类。 

进一步，针对第一知识规则，屋顶类的各个第一类特征所对应的隶属度函数的控制点值为： 

a等于非屋顶类样本对象特征值的平均值减去标准差； 

c等于非屋顶类样本对象特征值的平均值加上标准差。 

进一步，针对第二知识规则，屋顶类的各个第二类特征中，与相邻非屋顶类对象的相对边界、以及相邻屋顶类对象的距离所对应的隶属度函数的控制点值为： 

a等于屋顶类样本对象特征值的平均值加上标准差， 

c等于非屋顶类样本对象特征值的平均值加上标准差； 

与相邻屋顶类对象的相对边界、以及与相邻屋顶类对象的数量所对应的隶属度函数的控制点值为： 

a等于非屋顶类样本对象特征值的平均值加上标准差， 

c等于屋顶类样本对象特征值的平均值减去标准差。 

进一步，针对第三知识规则，屋顶类的各个第三类特征中，近红外波段影像层与场景比率所对应的隶属度函数的控制点值为： 

a等于屋顶类样本对象特征值的平均值加上标准差， 

c等于非屋顶类样本对象特征值的平均值减去标准差。 

蓝色波段影像层比率、以及红色波段影像层比率所对应的隶属度函数的控制点值为： 

a等于非屋顶类样本对象的平均特征值加上标准差， 

c等于屋顶类样本对象的平均特征值减去标准差。 

与现有技术相比，本发明具有以下优点： 

(1)、本发明通过对分割的影像对象层执行基于对象光谱的监督分类，区分出不透水性地类；然后根据光谱属性、空间属性、纹理属性和上下文属性的特征构建知识规则，应用于模糊逻辑分类器中，从不透水性地类中逐级优化分类提取出城区建筑物屋顶类。该方法能够针对各种分布的城区场景，特别是不规整或复杂的城区场景，实用性强。 

(2)、本方法流程具有灵活性，可以根据影像场景的具体情况，灵活的选取光谱属性、空间属性、纹理属性和上下文属性的特征，通过灵活的组合构建相应的知识规则，并获得较高精度的建筑物提取结果。 

(3)、借助监督样本对象的概要统计获得光谱属性、空间属性、纹理属性和上下文属性的特征、以及隶属度函数控制点值，不需要辅助数据，并且在分类中不必再对建筑物屋顶类之外的其他不透水地面类再细分，节省了分类步骤。 

(4)、自动化程度高，通过建立的知识规则，利用模糊逻辑分类器即可自动进行分类，减少了人机交互的工作量，处理效率高。 

附图说明

图1是本发明一种从卫星遥感影像中提取建筑物轮廓的方法实施例的流程图； 

图2(a)是本发明实施例中某局部城区全色波段影像示意图； 

图2(b)是本发明实施例中对融合影像进行影像分割后的影像对象示意图； 

图3(a)是本发明实施例中基于影像对象光谱特征的监督分类结果的示意图； 

图3(b)是本发明实施例中监督分类结果进行类合并的分类示意图； 

图4是Sigmoid型隶属度函数曲线示意图，其中图4(a)是上升型函数曲线示意图，图4(a)是下降型函数曲线示意图； 

图5(a)是本发明实施例中按照知识规则分类后的建筑物屋顶类和非屋顶类分布示意图； 

图5(b)是图5(a)分类合并后提取的建筑物轮廓的分布示意图。 

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。 

本发明方法属于测绘制图、数字遥感图像处理、摄影测量与遥感技术地物目标信息提取与应用领域，因此，在示例具体实施方式之前，认为实施者已具有理解本发明方法所应具备的本领域技术理论基础及相关处理程序算法的相关基本知识和技能，如遥感技术与应用、测绘学、数字图像处理、模糊数学等基础，特别是，应具备面向对象影像分析基本知识。基于上述背景知识和技术基础，本发明方法实施例涉及其中的相关基本技术手段与功能不作详细解释说明，实施者需要时可以参见相关教材、专著或期刊文章等文献。 

参照图1，示出了本发明一种从卫星遥感影像中提取建筑物轮廓的方法实施例的流程图，包括： 

步骤101，对同一区域的全色波段影像和多光谱波段影像进行融合处理，生成多光谱融合影像； 

本发明优选实施例所处理的影像，是指像元空间地面分辨率小于等于5米的高分辨多光谱卫星光学遥感影像，该影像已经过辐射和几何校正，并带有地理参考系统。其中，全色波段影像具有小于等于1米的像元空间地面分 辨率；多光谱波段具有小于等于5米的像元空间地面分辨率，所述多光谱波段至少包括：蓝色、绿色、红色和近红外四个波段。在本发明具体实施例中，为四个波段。 

利用获取的某城区经过辐射和几何校正的IKONOS地学参考影像进行提取，影像参数列于表1，其局部城区全色波段影像如图2(a)所示。该区域内建筑物的形状、大小、密度、方向、用途和屋顶材料具有复杂、多样性。 

表1某城区IKONOS影像参数 

影像层	光谱范围
		1米全色	0.45-0.90μm
4米蓝色	0.445-0.516μm
		4米绿色	0.506-0.595μm
4米红色	0.632-0.698μm
		4米近红外	0.757-0.853μm

具体的，通过融合1米全色和4米多光谱波段影像，生成1米分辨率的多光谱融合影像。1米全色和4米多光谱波段的IKONOS影像非常适合于图像融合增强。为了尽量减少光谱信息损失，本发明优选实施例采用基于平滑滤波的亮度调制(SFIM，Smoothing Filter-based Intensity Modulation)算法进行融合。由于影像融合算法仍在不断发展，而影像融合处理步骤的目的是生成高质量地结合全色波段地面细节特征和多光谱波段光谱(颜色)特征的合成影像，因此，该步骤可以采用不降低融合影像质量的其他替代算法，例如HIS变换融合算法等。 

步骤102，对所述融合影像进行对比度增强处理； 

影像对比度的增强有利于感兴趣地物的分割提取，其目的在于提高后续分割步骤的影像分割质量，以及改善分类结果。本发明优选实施例中，对融合后的影像进行直方图均衡化处理以增强对比度，同样，由于影像增强算法很多且仍在不断发展，所述步骤也可视具体处理影像数据质量，采用除直方图均衡化以外的其他增强算法，如平方根增强算法、对数反转增强算法等。 

步骤103，通过对所述融合影像进行影像分割，创建影像对象； 

本实施例的影像分割采用多分辨率分割算法(MRS，Multi-resolutionSegmentation)，该算法本质上是一种基于局部异质性最小的区域增长算法。多分辨率分割步骤执行时，首先需要确定待分割影像各个影像层的权重，然后设置尺度参数，光谱和形状计算的权比值，紧密度和平滑度的权比值。这些设置参数都与分割生成的影像区域大小范围紧密相关。其中，尺度参数对分割生成的影像区域大小直接正相关，影响最明显。在其它参数设置相同的情况下，尺度参数越大，生成的影像分割区域越大。 

为了在后续分类处理中有效地分离植被类，在此步骤中，特别结合使用了归一化差值植被指数(NDVI，Normal Differential Vegetation Index)二值掩膜影像限制分割过程中的区域增长。所述NDVI掩膜通过对双峰式分布的直方图进行阈值操作，然后通过滤除小于10个像元的小区域获得。本实施例中的影像分割，采用如表2所示影像分割参数设置，影像分割后的影像对象如图2(b)所示。 

表2影像分割参数设置 

步骤104，通过对所述影像对象进行基于对象光谱特征的监督分类，获得不透水性地类分布图； 

经过步骤103的分割后，已获得分类提取的基本影像对象层。此时，建立如下光谱特征分布具有明显差异的粗分类系统：不透水性地类、植被、阴影、水体、裸地等。此步骤分类的主要目的是获得准确的不透水性地面分类图，因为建筑物屋顶包括在不透水性地面分类中，而后续处理步骤105将只 关注从不透水地面分类中再分类，逐步优化提取出建筑物屋顶。由于上述粗分类系统中各类别光谱特征具有明显差异，很适合并容易实施遥感图像监督分类，本发明实施例中采用基于影像对象光谱特征的分类算法进行最近邻监督分类。 

最近邻监督分类基于影像对象与代表性样本对象在多维特征空间的特征距离确定地物所属类别。本实施例中，需要说明的是，每一类的代表性样本对象采用分层随机取样方法来选择。对分割后的影像对象执行基于光谱特征的最近邻监督分类见图3(a)，通过监督分类得到的地类包括：不透水性地类(橙色标注)、植被类(浅绿色标注)、阴影类(灰黑色标注)、水体类(蓝色标注)和裸地类(暗绿色标注)。 

由于本步骤分类的主要目的是获得准确的不透水性地面分类图，因此，对分类结果进行精度评价是必要的。可以采用遥感分类精度评价常用的混淆矩阵或误差矩阵来进行，从中可以计算精度指标，如总精度、生产者精度和用户精度等。 

本实施例中，基于光谱特征的最近邻监督分类总精度(OA％)为98.7％，其中，不透水性地类生产者精度(PA％)达100％，用户精度(UA％)达98.6％。本发明方法的最终目的是提取建筑物，由于地面建筑物属于不透水性地面，因此，该步骤作为整个处理流程的中间处理步骤，尽管执行基于对象光谱特征的监督分类可以有很多分类替代算法，但最关键的是，必须要获得100％的不透水性地类生产者精度。 

由于后续处理只须关注不透水性地类，即从不透水性地类中不断优化提取建筑物屋顶类，因此，把基于光谱特征的最近邻监督分类结果图进行制图综合，合并阴影，植被，裸地和水体类为其它类，最后获得不透水性地类分布图。如图3(b)所示为监督分类结果进行类合并的分类示意图，其中，橙色代表不透水性地类，白色代表其它类。 

步骤105，针对不透水性地类分布图，利用模糊逻辑分类器，结合光谱属性、空间属性、纹理属性和上下文属性的特征构建知识规则，并按照所述知识规则进行分类，提取出建筑物屋顶类。 

隶属度函数值可以表达影像对象的类别隶属度，隶属度函数是表达影像对象特征值与类别隶属度之间关系的数学模型，是构建的知识规则具体表达。当对象特征值增大，类别隶属度也增大时，利用上升型函数来表达。相反，当对象特征值增大，类别隶属度降低时，利用下降型函数来表达。本实施例中，地类x(包括：屋顶类和非屋顶类)的类别隶属度μ_x采用了Sigmoid型隶属度函数来表示，其曲线如图4所示，其中，图4(a)是上升型函数曲线示意图，图4(a)是下降型函数曲线示意图； 

上升S型函数：μ_x＝S(i；a，b，c)， 

下降S型函数：μ_x＝1-S(i；a，b，c)。 

其中，a是当类别隶属度为0(上升S型函数)或1(下降S型函数)时对象属性的特征i的特征值，b是当隶属度为0.5时对象属性的特征i的特征值，b＝(a+c)/2，c是当隶属度为1(上升S型函数)或0(上升S型函数)时对象属性的特征i的特征值。模糊逻辑分类器在隶属度函数表达的知识规则之间利用布尔逻辑操作符逻辑与(AND)、逻辑或(OR)、或者它们的组合来表达分类知识规则。在此步骤中，核心是如何构建知识规则，从而结合人工智能分类知识来用计算机自动分类对象，这也是本发明的主要创新点。 

优选的，所述模糊逻辑分类器通过Sigmoid型隶属度函数计算所述对象特征的屋顶类和非屋顶类的类别隶属度，将其中高隶属度所对应类别作为对象分类结果类别，并进而提取出建筑物屋顶类对象；其中，通过对不透水性地类分布图中样本影像对象的特征分布的概要统计，确定隶属度函数的方向、控制点a和c的值，所述概要统计包括：平均值、最小值、最大值和标准差。 

即，在不透水性地面分类图中，选择代表性的建筑物屋顶和非屋顶样本影像对象，统计分析样本对象的特征值频率分布，选择样本影像对象的光谱属性、空间属性、纹理属性和上下文属性的代表性特征，然后用Sigmoid隶属度函数来计算这些代表特征指示的类别隶属度，如果屋顶类的类别隶属度高，则非屋顶类的类别隶属度低；如果非屋顶类的类别隶属度高，则屋顶类的类别隶属度高，按照高隶属度对应的屋顶类和非屋顶类进行分类。模糊逻 辑分类中隶属度函数的方向、控制点a和c的值(其中，b通过a和c的平均值得到)利用样本影像对象特征值分布的概要统计值(如平均值、最小值或最大值加上或减去标准差等)和这些特征值类间分离性来确定。这是本发明方法最核心的部分。因为结合知识规则的模糊逻辑分类只有明确了具体的模糊隶属度函数及其确定的控制点值才能真正实现。尤其是控制点值的确定，在现有的一些技术中，一般通过对具体特定应用区域的高分辨率遥感影像进行大量的特征分析或特征值选择试验来确定，没有什么规律或可明确参考使用的确定原则，难以把握和推广，这也是现有这类处理技术自动化程度仍不高的一个主要原因。而本发明方法中，明确具体的给出了特征控制点值借助样本对象特征值分布的概要统计值和这些特征值类间分离性来确定。 

优选的，所述光谱属性的特征包括：全色波段标准差、多光谱标准差、影像层与场景的比率、和/或影像层比率；纹理属性的特征包括：全方向纹理对比度；空间属性的特征包括：长度和/或紧密度；上下文属性的特征包括：与相邻对象的相对边界、与相邻对象的距离、和/或相邻对象的数量；所述与相邻对象包括：与相邻屋顶类对象，以及与相邻非屋顶类对象。 

所述知识规则包括：第一知识规则、第二知识规则和/或第三知识规则；其中，第一知识规则为：对于每一个影像对象，如果各个第一类特征的隶属度函数值高满足逻辑与，则屋顶类的类别隶属度高，否则非屋顶类的类别隶属度高；所述第一类特征包括：全色波段标准差、多波段标准差、长度、紧密度、和/或全方向纹理对比度； 

第二知识规则为：对于每一个影像对象，如果各个第二类特征的隶属度函数值高满足逻辑或，则屋顶类的类别隶属度高，否则非屋顶类的类别隶属度高；所述第二类特征包括：与相邻屋顶类对象的距离、与相邻屋顶类对象的相对边界、与相邻非屋顶类对象的相对边界、和/或相邻屋顶类对象的数量； 

第三知识规则为：对于每一个影像对象，如果各个第三类特征的隶属度函数值高满足逻辑与，则屋顶类的类别隶属度高，否则非屋顶类的类别隶属度高；所述第三类特征包括：近红外波段影像层与场景比率、蓝色波段影像层比率、和/或红色波段影像层比率； 

则，利用模糊逻辑分类器依次按照第一知识规则、第二知识规则和/或第三知识规则进行分类。 

本发明实施例中，选择的代表性特征及所应用的知识规则列于表3，针对不透水性地类，依次按照第一知识规则、第二知识规则、以及第三知识规则进行逐步分类。关于对象特征的概念和具体详细计算过程可参见相关文献。下面，结合本发明实施例所处理的影像数据，所构建的知识规则如下： 

表3知识规则 

知识规则	规则描述
		第一   知识规则	对于“不透水性地类”的每一个影像对象，  如果特征“全色波段标准差”的隶属度函数值高，且  特征“多波段标准差”的隶属度函数值高，且  特征“长度”的隶属度函数值高，且   特征“紧密度”的隶属度函数值高，且  特征“全方向纹理对比度”的隶属度函数值高，  则“屋顶类”的类别隶属度高，否则“非屋顶类”的类别隶属度高。
第二  知识规则	对于经第一知识规则分类后“屋顶类”的每一个影像对象，  如果特征“与相邻屋顶类对象的距离”的隶属度函数值高，或者  特征“相邻屋顶类对象的数量”的隶属度函数值高，或者  特征“与相邻屋顶类对象的相对边界”的隶属度函数值高，或者  特征“与相邻非屋顶类对象相对边界”的隶属度函数值高  则“屋顶类”的类别隶属度高，否则“非屋顶类”的类别隶属度高。
		第三   知识规则	对于经第二知识规则分类后“屋顶类”的每一个影像对象，  如果特征“近红外波段与场景比率”的隶属度函数值高，且  特征“蓝波段比率”的隶属度函数值高，且   特征“红波段比率”的隶属度函数值高  则“屋顶类”的类别隶属度高，否则“非屋顶类”的类别隶属度高。

下面对知识规则进行具体说明： 

第一知识规则： 

尽管屋顶材料组分多样，光谱响应离散，但“非屋顶类”却表现出几乎连续的光谱响应，这种光谱变化差异可以通过光谱标准差来反映。此外，屋顶对象呈现出一定程度的局部色调变化，而这可以通过纹理特征参数来表征。再有，空间上，屋顶类对象在长度和紧密度特征上比其他的不透水性地 类更统一些。因此，结合对“屋顶类”和“非屋顶类”样本影像对象特征值的统计分析比较，针对光谱属性、纹理属性和空间属性，通过如下5个第一类特征构建第一知识规则，来进一步区分建筑物“屋顶类”： 

(1)、全色波段标准差(σ_p)：是指影像对象所有像元在全色波段的灰度值的标准差。对于每个影像对象，σ_p采用如下公式计算： 

${\mathrm{\σ}}_p=\sqrt{\frac{1}{n-1}\·\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(C_i-\stackrel{\‾}{C})}^2},$

其中，C_i是由n个像元组成的对象内部像元i的灰度值，C是所有像元的平均灰度值。 

(2)、多光谱标准差(σ_m)：是指每个多光谱通道影像对象所有像元灰度值的标准差的平均值。对于每个影像对象，σ_m采用如下公式计算： 

${\mathrm{\σ}}_m=\frac{1}{n_L}\·\underset{L=1}{\overset{n_L}{\mathrm{\Σ}}}{\mathrm{\σ}}_L,$

其中，σ_L是指影像对象L波段所有像元的标准差，n_L是波段数。 

(3)、全方向纹理对比度特征(P_CON)：是由Haralik发展的通过灰度共现矩阵(GLCM，Grey-Level Co-occurrence Matrix)计算的影像对象局部变化的一种纹理特征。当影像对象在空间尺度上具有较高的对比度时，可以通过GLCM把纹理对比度特征计算出来。对于第L波段光谱通道的纹理对比度特征，其计算式为： 

$P_{{\mathrm{CON}}_L}=\underset{i,j=0}{\overset{N-1}{\mathrm{\Σ}}}{P}_{i,j}{(i-j)}^2,$

P_i，j是归一化后的GLCM矩阵中元素(i，j)处的值。本实施例中计算了蓝、绿、红和近红外四个通道的纹理对比度特征。 

(4)、长度(l)：是指包围影像对象的与影像的纵横轴平行的矩形计算而来的，以像元为单位表示： 

$l=\sqrt{a^2+{\left((1-f)b\right)}^2},$

其中，a是矩形的长边，b是最短边，f是填充度(指影像对象的像元所占面积除以矩形的总面积a×b)。 

(5)、紧密度(κ)：通过影像对象的近似椭圆计算。对于每个影像对象，κ采用如下公式计算： 

$\mathrm{\κ}=\frac{v\·w}{\mathrm{\α}},$

其中，v和w表示椭圆的长轴和短轴的长度，α是包含在近似椭圆内的像元数。 

本发明实施例中，统计分析表明：屋顶类的类别隶属度随着上述5个第一类特征值的增大而降低，因此，这5个特征的每个隶属度函数都用下降的S型隶属度函数曲线来表示。此外，针对各个特征：全色波段标准差(σp)、多光谱标准差(σm)、长度(l)、紧密度(κ)、全方向纹理对比度特征(蓝、绿、红和近红外)，屋顶类特征值的最大值小于非屋顶类特征值的平均值减去标准差，因此，确定各个第一类特征所对应的隶属度函数的控制点值为： 

a＝非屋顶类样本对象特征值的平均值-标准差， 

b＝非屋顶类样本对象特征值的平均值， 

c＝非屋顶类样本对象特征值的平均值+标准差。 

例如在本发明实施例中，针对全色波段标准差(σ_p)，其隶属度函数的控制点值为：a＝310.77，b＝337.18，c＝363.59。 

第二知识规则： 

由于材料组分、坡度或坡向不同，分割后的影像中屋顶和非屋顶区域通常由多个影像对象组成。因此，屋顶类对象更有可能与屋顶类对象相邻，同样，非屋顶类对象更有可能与非屋顶类对象相邻。再者，在城区环境下，屋顶类对象一般更接近其它的屋顶对象。因此，结合描述屋顶和非屋顶类对象相邻关系的上下文特征属性，通过如下第二类特征构建第二知识规则，用来再对分类结果进行优化。代表性特征描述如下： 

(1)、与相邻对象的相对边界(B)：影像对象和某确定类对象的共同边界长度(以像元计)与影像对象边界总长度之比。本发明实施例中，计算了与相邻屋顶类的相对边界、以及与相邻非屋顶类的相对边界。 

(2)、与相邻对象的距离(D)：是指从影像对象的中心至最近的确定类(物屋顶类)影像对象中心的像元距离。本发明实施例中具体为与相邻屋顶类对 象的距离。 

(3)、相邻对象的数量(N)：距影像对象中心一定距离范围内某一特定类影像对象(屋顶类)的数量。本发明实施例中为相邻屋顶类对象的数量，具体确定了10个像元的距离值。 

在本发明实施例中，统计分析表明：屋顶类的类别隶属度随着与相邻非屋顶类对象的相对边界、以及与相邻对象屋顶类的距离这两种特征值的增大而降低，因此，这两个特征的隶属度函数都表达为下降S型Sigmoid曲线。此外，针对特征：与相邻非屋顶类对象的相对边界、以及与相邻对象屋顶类的距离，屋顶类的平均对象特征值加上标准差小于非屋顶类的平均对象特征值加上标准差，因此，确定这两个特征所对应的隶属度函数的控制点值为： 

a＝屋顶类样本对象特征值的平均值+标准差， 

c＝非屋顶类样本对象特征值的平均值+标准差。 

此外，统计分析表明：屋顶类的类别隶属度随着与相邻屋顶类对象的相对边界、以及与相邻屋顶类对象的数量这两种特征值的增大而增大，因此，这两个特征的隶属度函数都表达为上升S型Sigmoid曲线。此外，针对特征：与相邻屋顶类对象的相对边界、以及相邻屋顶类对象的数量，屋顶类的平均对象特征值减去标准差大于非屋顶类的平均对象特征值加上标准差，因此，确定这两个特征所对应的隶属度函数的控制点值为： 

a＝非屋顶类样本对象特征值的平均值+标准差， 

c＝屋顶类样本对象特征值的平均值-标准差。 

知识规则3 

尽管许多屋顶对象和非屋顶不透水性对象光谱上相似，非屋顶不透水性对象相对于整个城区场景在多光谱通道上还是表现出一些不同的光谱响应。通过对屋顶和非屋顶样本对象一些光谱比值特征的统计比较，两个独立的代表性的描述非屋顶类对象的有效的光谱属性特征被确定，用来进一步优化过度分类的屋顶类对象： 

(1)、影像层与场景的比率(R_L)：第L层影像相对于场景的比率就是L层影像对象所有像元的平均值与L层整个场景所有像元的平均值之比。 

$R_L=\frac{{\stackrel{\‾}{C}}_{L_{\mathrm{object}}}}{{\stackrel{\‾}{C}}_{L_{\mathrm{scene}}}}$

其中，C_Lobject是L层影像对象所有像元的平均值；C_Lscene是L层整个场景所有像元的平均值。本实施例中，计算了近红外波段影像层的RL。 

(2)、影像层比率(r_L)：第L层影像的比率是影像对象所有像元的平均值与该对象所有光谱层平均值总和之比。 

$r_L={\stackrel{\‾}{C}}_L/\underset{i=1}{\overset{n_L}{\mathrm{\Σ}}}{\stackrel{\‾}{C}}_i,$

其中，C_L是第L层影像对象所有像元平均值；C_i是影像对象第i层所有像元的平均值。本实施例中，计算了蓝色和红色波段影像层的r_L。 

本发明实施例中，统计分析表明：屋顶类的类别隶属度随着近红外波段影像层与场景比率特征值的增大而增大，因此，该特征的隶属度函数表达为上升S型Sigmoid曲线。此外，非屋顶类的近红外波段影像层与场景比率特征的平均对象特征值减去标准差大于屋顶类的近红外波段影像层与场景比率特征的平均对象特征值加上标准差，因此，确定该特征所对应的隶属度函数的控制点值为： 

a＝屋顶类样本对象特征值的平均值+标准差， 

c＝非屋顶类样本对象特征值的平均值-标准差。 

此外，统计分析表明：屋顶类的类别隶属度随着蓝色波段比率特征、红色波段比率特征这两种对象特征值的增大而降低，因此，这两个特征的隶属度函数表达均为下降S型Sigmoid曲线。此外，非屋顶类的蓝色和红色波段影像层比率的平均对象特征值加上标准差小于屋顶类的平均对象特征值减去标准差，因此，确定这两个特征所对应的隶属度函数的控制点值为： 

a＝非屋顶类样本对象的平均特征值+标准差， 

c＝屋顶类样本对象的平均特征值-标准差。 

进一步，由于目标地物(提取的类别)是建筑物屋顶类，因此，分类过程结束后，融合邻近的分类对象屋顶类，融合所有的其他非屋顶类对象并进行过滤，从而生成可表示建筑物屋顶边界和位置的城区建筑物轮廓分布图。 如图5(a)所示，为本发明实施例中按照知识规则分类后的建筑物屋顶类和非屋顶类分布示意图，图5(b)为图5(a)分类合并后提取的建筑物轮廓的分布示意图。 

进一步，为了评估本发明方法的提取结果质量，可对最终获得的建筑物分类提取分布图进行精度评估，本发明实施例精度评估混淆矩阵如表4所示。可见，经上述3个知识规则分类后本实施例城区建筑物制图取得了93.5％的生产者精度和93.3的分类总精度。 

表4模糊逻辑分类混淆矩阵 

	建筑物.  非建筑物.	总计	用户精度％
				建筑物  非建筑物	657      18  46       237	675  283	97.3  83.7
总计	703      255	958
				生产者精度％	93.5     92.9		93.3

上述从高分辨率多光谱IKONOS卫星融合影像上基于知识规则的面向对象提取城区建筑物的发明方法实施中，总的从本质来看，核心处理过程可分为两大部分：第一步，对分割的影像对象层执行基于对象光谱的监督最近邻分类，区分出不透水地面类；第二步，采用监督方法构建知识规则应用于模糊逻辑分类器中，从不透水地类中逐知识规则优化分类提取出城区建筑物屋顶类。这种方法利用模糊逻辑分类器，知识规则的构建借助监督样本对象的概要统计获得光谱、空间、纹理和上下文属性的特征及隶属度函数控制点值，不需要辅助数据，并且在分类中不必再对建筑物屋顶类之外的其他不透水性地类再细分。因此，本方法流程具有实用性和灵活性，可以应用于各种城区环境，并可以取得很高的精度。 

需要说明的是，本实施例中所用的对象分类特征及构建的具体知识规则与数量虽然具有代表性，即应用者实施本发明方法时，完全可以参考其中的分类特征和知识规则的构建，但不是生搬硬套，固定不变的。例如，有的城区环境比较简单规则，从影像中提取建筑物不必完全选用本实施例中所采用的多个对象特征，也不局限于所示三条知识规则，可以根据具体情况利用少 数的特征或构建其中的1、2条知识规则，只要满足能够达到较高的提取精度即可。此外，如果城区环境非常复杂，则可以采用更多的对象特征，构建更多的知识规来达到较高的精度。在具体实施时，这些应根据具体特定的应用环境和影像数据来确定。重要的是，本发明方法提供了明确、可行和具体的知识规则构建方法，实施者实施时可以据实际需要灵活构建。 

以上对本发明所提供的一种从卫星遥感影像中提取建筑物轮廓的方法，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想，但不以任何方式限制本发明。同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有修改或者等同替换之处，而一切不脱离本发明的精神和技术实质的技术方案及其改进，其均应涵盖在本发明专利的保护范围当中。综上所述，本说明书内容不应理解为对本发明的限制。 

Claims (10)

1.一种从卫星遥感影像中提取建筑物轮廓的方法，其特征在于，包括：

步骤A1，对同一区域的全色波段影像和多光谱波段影像进行融合处理，生成多光谱融合影像；

步骤A2，对所述融合影像进行对比度增强处理；

步骤A3，通过对所述融合影像进行影像分割，创建影像对象；

步骤A4，通过对所述影像对象进行基于对象光谱特征的监督分类，获得不透水性地类分布图；

步骤A5，针对不透水性地类分布图，利用模糊逻辑分类器，结合光谱属性、空间属性、纹理属性和上下文属性的特征构建知识规则，并按照所述知识规则进行分类，提取出建筑物屋顶类。

2.如权利要求1所述的方法，其特征在于，

所述影像为像元空间地面分辨率小于等于5米的高分辨卫星光学遥感影像；

其中，全色波段影像具有小于等于1米的像元空间地面分辨率；多光谱波段影像具有小于等于5米的像元空间地面分辨率，所述多光谱波段至少包括：蓝色、绿色、红色和近红外四个波段。

3.如权利要求1所述的方法，其特征在于，

所述步骤A1中，采用基于平滑滤波的亮度调制算法进行融合处理；

所述步骤A2中，采用直方图均衡化方法进行对比度增强处理；

所述步骤A3中，采用多分辨率分割算法进行影像分割。

4.如权利要求2所述的方法，其特征在于，

所述步骤A4中，通过监督分类得到的地类包括：不透水性地类、植被类、阴影类、水体类和裸地类；

其中，所述监督分类的结果通过混淆矩阵进行评估，满足不透水性地类的生产者精度为100％。

5.如权利要求4所述的方法，其特征在于，

所述模糊逻辑分类器通过Sigmoid型隶属度函数计算对象特征的屋顶类和非屋顶类的类别隶属度，将其中高隶属度所对应类别作为对象分类结果类别，并进而提取出建筑物屋顶类对象；

其中，通过对不透水性地类分布图中样本影像对象的特征分布的概要统计，确定隶属度函数的方向、控制点a和c的值，所述概要统计包括：平均值、最小值、最大值和标准差。

6.如权利要求5所述的方法，其特征在于，

所述光谱属性的特征包括：全色波段标准差、多光谱波段标准差、影像层与场景的比率、和/或影像层比率；

纹理属性的特征包括：全方向纹理对比度；

空间属性的特征包括：长度和/或紧密度；

上下文属性的特征包括：与相邻对象的相对边界、与相邻对象的距离、和/或相邻对象的数量；

所述相邻对象包括：相邻屋顶类对象，以及相邻非屋顶类对象。

7.如权利要求6所述的方法，其特征在于，所述知识规则包括：第一知识规则、第二知识规则和/或第三知识规则；

其中，第一知识规则为：对于每一个影像对象，如果各个第一类特征的隶属度函数值高满足逻辑与，则屋顶类的类别隶属度高，否则非屋顶类的类别隶属度高；所述第一类特征包括：全色波段标准差、多光谱波段标准差、长度、紧密度、和/或全方向纹理对比度；

第二知识规则为：对于每一个影像对象，如果各个第二类特征的隶属度函数值高满足逻辑或，则建筑物屋顶类的类别隶属度高，否则非屋顶类的类别隶属度高；所述第二类特征包括：与相邻屋顶类对象的距离、与相邻屋顶类对象的相对边界、与相邻非屋顶类对象的相对边界、和/或相邻屋顶类对象的数量；

第三知识规则为：对于每一个影像对象，如果各个第三类特征的隶属度函数值高满足逻辑与，则建筑物屋顶类的类别隶属度高，否则非屋顶类的类别隶属度高；所述第三类特征包括：近红外波段影像层与场景比率、蓝色波段影像层比率、和/或红色波段影像层比率；

则模糊逻辑分类器依次按照第一知识规则、第二知识规则和/或第三知识规则进行分类。

8.如权利要求7所述的方法，其特征在于，针对第一知识规则，屋顶类的各个第一类特征所对应的隶属度函数的控制点值为：

a等于非屋顶类样本对象特征值的平均值减去标准差；

c等于非屋顶类样本对象特征值的平均值加上标准差。

9.如权利要求7所述的方法，其特征在于，针对第二知识规则，屋顶类的各个第二类特征中，

与相邻非屋顶类对象的相对边界、以及与相邻屋顶类对象的距离所对应的隶属度函数的控制点值为：

a等于屋顶类样本对象特征值的平均值加上标准差，

c等于非屋顶类样本对象特征值的平均值加上标准差；

与相邻屋顶类对象的相对边界、以及相邻屋顶类对象的数量所对应的隶属度函数的控制点值为：

a等于非屋顶类样本对象特征值的平均值加上标准差，

c等于屋顶类样本对象特征值的平均值减去标准差。

10.如权利要求7所述的方法，其特征在于，针对第三知识规则，屋顶类的各个第三类特征中，

近红外波段影像层与场景比率所对应的隶属度函数的控制点值为：

a等于屋顶类样本对象特征值的平均值加上标准差，

c等于非屋顶类样本对象特征值的平均值减去标准差；

蓝色波段影像层比率、以及红色波段影像层比率所对应的隶属度函数的控制点值为：

a等于非屋顶类样本对象的平均特征值加上标准差，

c等于屋顶类样本对象的平均特征值减去标准差。

Images