CN103839267A

CN103839267A - 一种基于形态学建筑物指数的建筑物提取方法

Info

Publication number: CN103839267A
Application number: CN201410069377.2A
Authority: CN
Inventors: 黄远程; 黄小兵
Original assignee: Xian University of Science and Technology
Current assignee: Xian University of Science and Technology
Priority date: 2014-02-27
Filing date: 2014-02-27
Publication date: 2014-06-04
Anticipated expiration: 2034-02-27
Also published as: CN103839267B

Abstract

本发明公开了一种基于形态学建筑物指数的建筑物提取方法，包括步骤：一、影像预处理；二、不透水层组分图像的提取；三、形态学建筑物指数特征图像的获取：301、结构元素的选取，302、CFO算子的建立，303、基于CFO算子的白帽变换的建立，304、采用差分多尺度形态学原理建立差分白帽形态学开闭混合重建序列，并求取出差分白帽形态学开闭混合重建序列的平均值，建立起形态学建筑物指数EMBI(x)，并得到了形态学建筑物指数特征图像，完成了建筑物的初步提取；四、采用决策树分析方法完成建筑物的最终提取。本发明实现便捷，建筑物提取精度、可靠性、精度和效率高，自动化程度高，实用性和可行性好。

Description

一种基于形态学建筑物指数的建筑物提取方法

技术领域

本发明属于遥感影像信息提取技术领域，具体是涉及一种基于形态学建筑物指数的建筑物提取方法。

背景技术

建筑物的判别和精确定位是城市规划，人口估计，景观分析，和环境监测的主要的信息来源之一。商业的高分辨率卫星影像的应用，为建筑物自动准确的探测提供了巨大的潜力。虽然高分辨率遥感数据为建筑物识别提供了一个新的数据源，并且在空间域中包含有丰富的信息，但是空间分辨率的增加并不意味解译精度的增加。作为地形图中重要的成图元素，建筑物的识别与提取，直接影响到地物测绘的自动化水平，对它的识别和定位可以为特征提取，特征匹配，图像理解，制图提供帮助。因此，近年来，如何快速精确地获取建筑物信息一直是地物目标识别研究中的难点和热点。

在建筑物的提取方面，国内外学者已经提出了大量模型和策略，主要分为三个方面：

（1）利用影像的空间特征，辅助建筑物的提取。近些年来，在高分辨率影像中经常建立一些空间特征，例如像元形状指数（PSI），黄昕和张良培在2007年发表了论文《城市区域高分辨率多光谱图像空间特征的提取和分类》，[Huang X，Zhang L，Li P，2007.Classification and Extractionof Spatial Features in Urban Areas Using High Resolution MultispectralImagery，IEEE Geosci Remote Sens Lett，260　264.]；形态学序列，FauvelM和Benediktsson J A在2008年发表了论文《利用支持向量机分类器和形态学序列的高光谱数据的光谱空间特征分类》，[Fauvel M，Benediktsson J A，Chanussot J，2008.Spectral and Spatial Classification of Hyperspectral DataUsing SVMs and Morphological Profiles，IEEE Trans Geosci Remote Sens，3804　3814.]；城市多尺度复杂指数（MUCI），Ouma Y O，Ngigi T G和Tateishi R在2006年发表了论文《利用小波纹理的优化选择从高分辨率影像中提取特征实现城市树种的划分》，[Ouma Y O，Ngigi T G，Tateishi R，2006.On the Optimization and Selection of Waveletexture for FeatureExtraction from High-resolution Satellite Imagery with Application towardsUrban-tree Delineation，Int J Remote Sens，73　104.]；空间特征可以用来补充光谱空间信息和增强光谱相似的地物之间的可分离性，提高分类的精度。然而，以上的大多数的算法涉及监督机器学习的方法，这要求大量的训练样本并且需要精确模拟类别感兴趣区域的特征分布，因此很大程度上受主观因素的影响。例如:Gamba利用神经网络和马尔科夫随机场对边缘和非边缘像元进行分类，然后基于决策融合的方法完成建筑物的提取，Gamba,P.,F.Dell’Acqua,G.Lisini和G.Trianni在2007年发表了论文《利用高分辨率城区图提取目标边界》，[Gamba,P.,F.Dell’Acqua,G.Lisini,and G.Trianni，2007.Improved VHR urban mapping exploiting objectboundaries，IEEE Transactions on Geoscience and Remote Sensing，26762682.]。

（2）利用面向对象的方法完成对建筑物的提取。这类方法首先将影像分割成对象，在此基础上利用对象的光谱，几何，纹理和上下文信息对影像进行分类，完成建筑物的提取，该方法的识别精度高，但是一些研究显示利用面向对象的分析方法最大的限制是对象和分割结果之间的不准确的空间关系，分割结果不能准确描述对象的位置，大小和上下文信息。例如Huang和Zhang提出了自适应的均值漂移分割算法，判别具有相似的光谱特征的城市地物（例如，道路，建筑物等），黄昕和张良培在2008年发表了论文《从城市高光谱图像中利用自适应的均值漂移算法对目标的提取和分类》，[Huang X，Zhang L，2008.An Adaptive Mean-shift AnalysisApproach for Object Extraction and Classification from Urban HyperspectralImagery，IEEE Transactions on Geoscience and Remote Sensing，41734185.]。

（3）利用建筑物指数完成对建筑物的提取。由于在建筑物的边缘和内部分别存在或高或低的方差，在此基础上，Lhomme利用“方差的比值差异（DRV）”提出了建筑物半自动识别的方法，Lhomme S，He D C和Weber C在2009年发表了论文《从高空间分辨率影像中对建筑物进行定位的新方法》，[Lhomme S，He D C，Weber C，2009.A New Approach toBuilding Identification from Very-high-spatial Resolution Images，International Journal of Remote Sensing，1341　1354.]，Pesaresi基于建筑物具有高的局部对比度提出了建筑物存在指数的纹理计算方法，称之为“PanTex”，Pesaresi M，Gerhardinger A和Kayitakire F在2008年发表了论文《利用各向异性的旋转不变的纹理特征建立一个鲁棒性的建筑面积存在指数》，[Pesaresi M，Gerhardinger A，Kayitakire F，2008.A Robust Built-upArea Presence Index by Anisotropic Rotation-invariant Textural Measure，IEEE Journal of Selected Topics in Applied Earth Observations and RemoteSensing，180　192.]，最近，Huang和Zhang（2011）提出了形态学建筑物指数（morphology building index-MBI），黄昕和张良培在2011年发表了论文《从多光谱GeoEye-1影像中利用多方向和多尺度的形态学序列完成建筑物的自动提取》，[Huang X，Zhang L，2011.A Multidirectional andMultiscale Morphological Index for Automatic Building Extraction fromMultispectral GeoEye-1imagery，Photogramm Eng Remote Sens，721732.]，该算法在提高精度的同时，存在着三个问题：①MBI算法将波段最大值定义的亮度图像作为基础特征构建建筑物指数会造成部分建筑物遗漏；②MBI算法的后处理需要结合NDVI的处理，增加了算法的复杂度；③MBI算法建筑物提取结果中的同质区域内部存在很多噪声，影响了提取的精度。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于形态学建筑物指数的建筑物提取方法，其实现便捷，建筑物提取精度、可靠性、精度和效率高，自动化程度高，实用性和可行性好。

为解决上述技术问题，本发明采用的技术方案是：一种基于形态学建筑物指数的建筑物提取方法，其特征在于该方法包括以下步骤：

步骤一、影像预处理：对需要进行建筑物提取的影像进行辐射校正、去噪和几何纠正，纠正影像中的几何与辐射变形并提高影像的清晰度；

步骤二、不透水层组分图像的提取：采用凸几何端元提取方法和线性混合光谱分解理论提取影像中的不透水层组分图像；

步骤三、形态学建筑物指数特征图像的获取：采用建筑物属性与形态学运算之间的关系建立形态学建筑物指数，得到形态学建筑物指数特征图像，其具体过程如下：

步骤301、结构元素的选取：选取线性结构的元素作为结构元素，定义为SE=strel(‘line’,d,s)，其中，‘line’为结构元素的类型且类型为线性，d为结构元素的方向，s为结构元素的大小；

步骤302、CFO算子的建立：首先对不透水层组分图像进行闭重建，形成闭重建图像，然后再对闭重建图像进行开重建，建立起CFO算子，并得到了CFO图像；

步骤303、基于CFO算子的白帽变换的建立：将闭重建图像与CFO图像作减法，完成基于CFO算子的白帽变换；

步骤304、采用差分多尺度形态学原理建立差分白帽形态学开闭混合重建序列，并求取出差分白帽形态学开闭混合重建序列的平均值，建立起形态学建筑物指数EMBI(x)，并得到了形态学建筑物指数特征图像，完成了建筑物的初步提取；其中，x为测试像元；

步骤四、采用决策树分析方法完成建筑物的最终提取，其具体过程为：

步骤401、首先对形态学建筑物指数EMBI(x)特征设置阈值t1，然后对形态学建筑物指数特征图像进行阈值分割，当EMBI(x)≥t1时，剔除土壤、植被和阴影的干扰，得到了一次阈值分割后图像；

步骤402、首先对连通区域长宽比Ratio(x)特征设置阈值t2，然后对一次阈值分割后图像进行阈值分割，当Ratio(x)≤t2时，剔除明亮和狭长道路对象的干扰，得到了二次阈值分割后图像；

步骤403、首先对连通区域面积Area(x)特征设置阈值t3，然后对二次阈值分割后图像进行阈值分割，当Area(x)≥t3时，剔除噪声的干扰，得到了三次阈值分割后图像，即为最终提取得到的建筑物图像。

上述的一种基于形态学建筑物指数的建筑物提取方法，其特征在于：步骤二中所述采用凸几何端元提取方法和线性混合光谱分解方法提取影像中的不透水层组分图像的具体过程为：

步骤201、将影像进行主成分变换，并将主成分变换后的前三个波段分别作为X轴、Y轴和Z轴，构成三维散点图；

步骤202、在所述三维散点图上选择顶点及其邻近样本的平均光谱作为端元，并定义端元对应的类型为高亮度不透水地物、低亮度不透水地物、植被、土壤和阴影，建筑物包含在高亮度不透水地物和低亮度不透水地物中；

步骤203、采用线性混合光谱分解方法，将高亮度不透水地物和低亮度不透水地物组合形成包含建筑物的不透水层组分图像。

上述的一种基于形态学建筑物指数的建筑物提取方法，其特征在于：步骤301中所述d的取值为：d={22.5°,45°,67.5°,90°,112.5°,135°,157.5°,180°}，步骤301中所述s的取值为：s={9,13,17,21,25,29,33}。

上述的一种基于形态学建筑物指数的建筑物提取方法，其特征在于：步骤401中所述t1的取值为0.3，步骤402中所述t2的取值为4.6，步骤403中所述t3的取值为150。

本发明与现有技术相比具有以下优点：

1、本发明整个建筑物的提取过程简单，实现便捷。

2、传统的建筑物提取方法中，因建筑的亮度特征选择的原因，容易造成建筑物漏分和裸地及植被错分的问题；本发明考虑到不透水层组分图像中包含有建筑物，因此对于建筑物的提取，可以率先对不透水层组分图像进行提取，这样可以剔除大量的非建筑物信息。

3、形态学开重建能够平滑图像中小于结构体的明亮细节信息同时保持总体特征稳定，闭重建能够平滑图像中小于结构体的暗细节信息同时保持总体特征稳定，基于此，本发明针对建筑物在高分辨率影像中表现出来的独特的空间特征，提出了新的形态学算子CFO算子，它是开重建和闭重建的混合运算，该CFO算子综合了开重建和闭重建的优点，为形态学建筑物指数EMBI(x)的构建奠定了基础。

4、本发明采用建筑物属性与形态学运算之间的关系建立起了形态学建筑物指数EMBI(x)，利用该形态学建筑物指数EMBI(x)可以初步完成建筑物提取，并且取得了较好的精度。

5、本发明在初步完成建筑物提取之后，还采用决策树分析方法完成了建筑物的最终提取，通过对形态学建筑物指数EMBI(x)特征设置阈值t1，并对形态学建筑物指数特征图像进行阈值分割，还引入了形状特征连通区域长宽比Ratio(x)和连通区域面积Area(x)，又进行了两次阈值分割，剔除了土壤、植被、阴影、明亮、狭长道路对象和噪声的干扰，获得了精度更高的建筑物提取结果。

6、本发明建筑物提取的自动化程度高，减少了人机交互的工作量，提高了建筑物提取效率，能够很好的解决建筑物与道路等光谱相似地物之间的混淆问题，具有很好的实用性和可行性，建筑物提取可靠性高，对于城市基础数据的获取和更新具有一定的价值。

综上所述，本发明实现便捷，建筑物提取精度、可靠性、精度和效率高，自动化程度高，实用性和可行性好。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。附图说明

图1为本发明建筑物提取方法的方法流程框图。

图2为实施例中经过预处理后的华盛顿商业街的航空高分辨多光谱影像图。

图3为实施例中的实地参考区域图。

图4为实施例中提取得到的不透水层组分图像。

图5为实施例中的形态学建筑物指数特征图像。

图6为实施例中最终提取得到的建筑物图像。

具体实施方式

如图1所示的基于形态学建筑物指数的建筑物提取方法，包括以下步骤：

本实施例中，选取了HYDICE传感器获取到的华盛顿商业街的航空高分辨多光谱影像，其光谱范围为0.4μm-2.4μm，包含210个波段，去除吸水波段后剩余191个波段，影像的大小为505行151列像素；对该影像进行辐射校正、去噪和几何纠正，得到了在几何与辐射上真实的影像，消除了图像中噪声，恢复了有用的真实信息，经过预处理后的影像图如图2所示，从图2可以看出，对该影像进行建筑物提取的难度在于建筑物的材料多样导致建筑物类内光谱差异大，同时部分道路与部分建筑物光谱相似，实地参考区域图如图3所示；

本实施例中，步骤二中所述采用凸几何端元提取方法和线性混合光谱分解方法提取影像中的不透水层组分图像的具体过程为：

步骤201、将影像进行主成分变换，并将主成分变换后的前三个波段分别作为X轴、Y轴和Z轴，构成三维散点图；在理想情况下，所述三维散点图呈泪珠状；

步骤202、在所述三维散点图上选择顶点及其邻近样本的平均光谱作为端元，并定义端元对应的类型为高亮度不透水地物、低亮度不透水地物、植被、土壤和阴影，建筑物包含在高亮度不透水地物和低亮度不透水地物中；根据线性混合模型的数学描述，纯净端元几何位置分布在凸几何体的顶点，而几何体内部的点（即混合像元）则是这些顶点的线性组合，因此在所述三维散点图上选择顶点作为端元；

步骤203、采用线性混合光谱分解方法，将高亮度不透水地物和低亮度不透水地物组合形成包含建筑物的不透水层组分图像；

本实施例中提取得到的不透水层组分图像g如图4所示；

步骤三、形态学建筑物指数特征图像的获取：采用建筑物属性与形态学运算之间的关系建立形态学建筑物指数（EMBI，Enhanced MorphologicalBuilding Index），得到形态学建筑物指数特征图像，其具体过程如下：

步骤301、结构元素的选取：选取线性结构的元素作为结构元素，定义为SE=strel(‘line’,d,s)，其中，‘line’为结构元素的类型且类型为线性，d为结构元素的方向，s为结构元素的大小；通常大多数形态学运算都采用圆盘类型的结构元素，但是圆盘类型的结构元素没有考虑到对象的方向性信息，方向性信息对于区分光谱相似的对象（例如道路和建筑物）是必不可少的，因此，本发明选取线性结构的元素作为结构元素；

本实施例中，步骤301中所述d的取值为：d={22.5°,45°,67.5°,90°,112.5°,135°,157.5°,180°}，步骤301中所述s的取值为：s={9,13,17,21,25,29,33}；

步骤302、CFO算子的建立：首先对不透水层组分图像进行闭重建，形成闭重建图像，然后再对闭重建图像进行开重建，建立起CFO算子，并得到了CFO图像；形态学开重建（opening by reconstruction）能够平滑图像中小于结构体的明亮细节信息同时保持总体特征稳定，闭重建（closing by reconstruction）能够平滑图像中小于结构体的暗细节信息同时保持总体特征稳定；基于此，本发明针对建筑物在高分辨率影像中表现出来的独特的空间特征，提出了新的形态学算子CFO算子（Opening byreconstruction Followed by Closing by reconstruction），它是开重建和闭重建的混合运算，CFO算子的建立用公式表示为：CFO^g(d,s)=

g(d,s))，其中，

为对不透水层组分图像g进行闭重建后形成的闭重建图像，CFO^g(d,s)为对闭重建图像

进行开重建后得到的CFO图像，R为重建；

步骤303、基于CFO算子的白帽变换的建立：将闭重建图像与CFO图像作减法，完成基于CFO算子的白帽变换；由于白帽变换可以提取影像中明亮的结构和移除黑暗的结构，因此将闭重建图像与CFO图像作减法能够得到比所定义的结构元素小，同时又比周围相邻区域亮的区域；基于CFO算子的白帽变换的建立用公式表示为：W-TH_CFO(d,s)=

(d,s)-CFO^g(d,s)；其中，W-TH_CFO(d,s)为完成基于CFO算子的白帽变换后的图像；

本实施例中，建立的差分白帽形态学开闭混合重建序列用公式表示为：DMP(d,s)=(d,s+Δs)-

(d,s)，其中，

(d,s+Δs)为特定方向d和特定大小s+Δs的结构元素的粒度且

(d,s+Δs)=W-TH_CFO(d,s+Δs)，

(d,s)为特定方向d和特定大小s的结构元素的粒度且

(d,s)=W-TH_CFO(d,s)，Δs为相邻的结构元素的大小之间的间隔，且本实施例中Δs=4；建立的形态学建筑物指数EMBI(x)用公式表示为：

其中，D为差分白帽形态学开闭混合重建序列中的结构元素的方向的数量，S为差分白帽形态学开闭混合重建序列中的结构元素的大小的数量，且本实施例中D=8，S=7；本实施例中得到的形态学建筑物指数特征图像如图5所示；

数学形态学作为区域特征描述中的一个有效工具，它可以被用来提取影像中感兴趣的成分，数学形态学基于一些基本的运算，比如灰度形态学开（opening）、闭（closing）常常被用来分离一些或暗或亮的细节特征，同时使影像的总体特征保持相对稳定；形态学重建是另一类常用的运算，它被证明比传统的形态学运算可以更好地减少形状的损失，形态学运算已经被成功运用到高分辨率影像中，特别是形态学粒度分析、开重建、闭重建等。以上形态学建筑物指数EMBI就是利用建筑物不透水层组分图像，基于建筑物属性与形态学运算之间的关系建立的；

本实施例中，步骤401中所述t1的取值为0.3，

本实施例中，步骤402中所述t2的取值为4.6，

本实施例中，步骤403中所述t3的取值为150。最终提取得到的建筑物图像如图6所示。

由于通过获取形态学建筑物指数特征图像完成对建筑物的初步提取后，图像中还是会存在一些非建筑物的地物，通过对形态学建筑物指数EMBI(x)特征设置阈值t1，并对形态学建筑物指数特征图像进行阈值分割，可以剔除形态学建筑物指数EMBI(x)特征值较小的非建筑物地物，但是形态学建筑物指数EMBI(x)特征值较大的非建筑物很难剔除；因此，又引入了形状特征连通区域长宽比Ratio(x)和连通区域面积Area(x)，连通区域长宽比Ratio(x)用公式表示为：Ratio(x)=L_r(x)/W_r(x)，其中，W_r(x)为包含连通区域的最小矩形的宽度，L_r(x)为包含连通区域的最小矩形的长度，连通区域长宽比Ratio(x)用于区分建筑物与明亮、狭长道路对象；连通区域面积Area(x)为连通区域中的像素的总数，用于区分建筑物和区域较小的地物，这种地物称为噪声。

为了更加准确地评价建筑物提取的结果，将形态学建筑物指数特征图像和最终提取得到的建筑物图像均与实地参考区域图进行比较，采用遥感分类评价常用的混淆矩阵对其进行评价，精度评定结果如表1所示，表1中，OE（Omission error）反映的是建筑物漏分率，CE（commission error）反映的是建筑物错分率，总体精度OA和Kappa系数KA反映了建筑物和背景两者的区分程度。从表1可以看出，采用决策树分析方法完成建筑物的最终提取后，最终提取得到的建筑物图像的总体精度OA为92.77%，Kappa系数KA为0.9038。

表1精度评定结果表

综上所述，本发明能够很好的解决建筑物与道路等光谱相似的地物之间的混淆问题，处理流程简单，具有很好的实用性和可行性，对于城市基础数据的获取和更新具有一定的价值。

以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims

1.一种基于形态学建筑物指数的建筑物提取方法，其特征在于该方法包括以下步骤：

2.按照权利要求1所述的一种基于形态学建筑物指数的建筑物提取方法，其特征在于：步骤二中所述采用凸几何端元提取方法和线性混合光谱分解方法提取影像中的不透水层组分图像的具体过程为：

3.按照权利要求1所述的一种基于形态学建筑物指数的建筑物提取方法，其特征在于：步骤301中所述d的取值为：d={22.5°,45°,67.5°,90°,112.5°,135°,157.5°,180°}，步骤301中所述s的取值为：s={9,13,17,21,25,29,33}。

4.按照权利要求1所述的一种基于形态学建筑物指数的建筑物提取方法，其特征在于：步骤401中所述t1的取值为0.3，步骤402中所述t2的取值为4.6，步骤403中所述t3的取值为150。