CN109919951A

CN109919951A - 语义关联的面向对象城市不透水面遥感提取方法及系统

Info

Publication number: CN109919951A
Application number: CN201910192914.5A
Authority: CN
Inventors: 邵振峰; 彭浩
Original assignee: Wuhan University WHU
Current assignee: Wuhan University WHU
Priority date: 2019-03-14
Filing date: 2019-03-14
Publication date: 2019-06-21
Anticipated expiration: 2039-03-14
Also published as: CN109919951B

Abstract

本发明提供一种语义关联的面向对象城市不透水面遥感提取方法及系统，包括获取目标区域高分辨率多光谱遥感影像，进行面向对象分割；利用分割后的影像使用多种对象特征联合提取显著阴影，初步得到城市阴影对象区域；利用粗提取的水体，以及建筑物与水体和阴影的语义关联规则，修正阴影类别；从非阴影区域中精确提取城市水体区域，并利用语义关联规则更新城市阴影区域；利用植被指数与亮度特征在非水体区域中提取城市植被；利用道路相关特征提取城市道路；提取城市裸露地面，将阴影、道路以及建筑物合并得到城市不透水面。本发明能精确提取城市建筑物阴影进而显著提高城市不透水面提取精度，解决了城市水体与阴影容易分类混淆的问题。

Description

语义关联的面向对象城市不透水面遥感提取方法及系统

技术领域

本发明属于遥感影像数据的信息提取领域，涉及城市不透水面反演提取技术方案。

背景技术

城市不透水面(Urban Impervious Surface,UIS)是指城市内能阻止水分向土壤渗透的人工地表，常见的有建筑、道路、广场、停车场等，是评价城市生态系统健康及人居环境质量的关键指标之一。使用高分辨率遥感影像提取城市不透水面时水体和阴影信息的混淆仍是困扰不透水面信息精准反演的主要问题。

发明内容

为了克服现有的城市不透水面遥感提取中阴影和水体类别混淆进而影响其他类别提取错误问题，本发明的目的在于提供了一种语义关联的面向对象城市不透水面遥感提取技术方案。

本发明的技术方案提供一种语义关联的面向对象城市不透水面遥感提取方法，包括以下步骤：

步骤一、获取目标区域高分辨率多光谱遥感影像，进行面向对象分割获得基于对象的影像；

步骤二、利用分割后的影像使用多种对象特征联合提取显著阴影，初步得到城市阴影对象区域；所述对象特征包括亮度、形状与颜色纹理特征；

步骤三、利用粗提取的水体，以及建筑物与水体和阴影的语义关联规则，修正阴影类别，提取出人工建筑物阴影，更新非阴影区域；

步骤四、利用水体相关指数与阴影语义关系特征从非阴影区域中精确提取城市水体区域，并利用语义关联规则更新城市阴影区域；

步骤五、利用植被指数与亮度特征在非水体区域中提取城市植被；

步骤六、利用道路相关特征提取城市道路；

步骤七、利用语义特征、形状、纹理、颜色特征和归一化水体指数NDWI、水体植被差值指数DWVI提取城市裸露地面，剩余的对象区域即城市建筑物；所述语义特征包括与阴影间距离；

步骤八、将步骤四更新后的阴影、步骤六提取的道路以及步骤七提取的建筑物合并得到城市不透水面。

而且，步骤二中，对象特征具体包括亮度值Brt，长宽比平均值LWR、归一化植被指数值 NDVI、归一化水体指数NDWI和归一化蓝绿指数NBGI，以及红外波段灰度值Nir、红外波段与邻居绝对差值AbsNbr_Nir。

而且，步骤三中，获取粗提取的水体，包括采用阈值法，利用归一化植被指数值NDVI、归一化水体指数NDWI、归一化蓝绿指数NBGI以及水体植被差值指数DWVI，提取出显著的水体对象；

所述水体植被差值指数DWVI，计算方式如下，

DWVI＝NDWI-NDVI。

而且，步骤三中使用阴影与水体建筑之间的语义关联规则FSnWI，其表达式如下：

FSnWI＝(RelArSdw(r)+RelArBlt(r))×(r/R)²+[Ar/(π×R²)]×w/l-RelArWtr(r)

式中，r代表对象的近邻域距离，其取值参考分割尺度大小确定，R代表以对象为中心较远距离，其值大于r，一般取值2到6倍r大小，Ar代表对象的面积，w代表对象的宽度，l代表对象的长度，RelArSdw(r)代表距离对象r邻域内阴影对象面积占比，RelArBlt(r)代表距离对象r邻域内建筑对象面积占比，RelArWtr(r)代表距离对象r邻域内水体对象面积占比。

而且，利用步骤四更新后的阴影对象辅助进行步骤六中的道路提取和步骤七中的裸土和建筑提取。

本发明还相应提供一种语义关联的面向对象城市不透水面遥感提取系统，包括以下模块：

第一模块，用于获取目标区域高分辨率多光谱遥感影像，进行面向对象分割获得基于对象的影像；

第二模块，用于利用分割后的影像使用多种对象特征联合提取显著阴影，初步得到城市阴影对象区域；所述对象特征包括亮度、形状与颜色纹理特征；

第三模块，用于利用粗提取的水体，以及建筑物与水体和阴影的语义关联规则，修正阴影类别，提取出人工建筑物阴影，更新非阴影区域；

第四模块，用于利用水体相关指数与阴影语义关系特征从非阴影区域中精确提取城市水体区域，并利用语义关联规则更新城市阴影区域；

第五模块，用于利用植被指数与亮度特征在非水体区域中提取城市植被；

第六模块，用于利用道路相关特征提取城市道路；

第七模块，用于利用语义特征、形状、纹理、颜色特征和归一化水体指数NDWI、水体植被差值指数DWVI提取城市裸露地面，剩余的对象区域即城市建筑物；所述语义特征包括与阴影间距离；

第八模块，用于将第四模块更新后的阴影、第六模块提取的道路以及第七模块提取的建筑物合并得到为城市不透水面。

而且，第二模块中，对象特征具体包括亮度值Brt，长宽比平均值LWR、归一化植被指数值NDVI、归一化水体指数NDWI和归一化蓝绿指数NBGI，以及红外波段灰度值Nir、红外波段与邻居绝对差值AbsNbr_Nir。

而且，第三模块中，获取粗提取的水体，包括采用阈值法，利用归一化植被指数值NDVI、归一化水体指数NDWI、归一化蓝绿指数NBGI以及水体植被差值指数DWVI，提取出显著的水体对象；

所述水体植被差值指数DWVI，计算方式如下，

DWVI＝NDWI-NDVI。

而且，第三模块中使用阴影与水体建筑之间的语义关联规则FSnWI，其表达式如下：

FSnWI＝(RelArSdw(r)+RelArBlt(r))×(r/R)²+[Ar/(π×R²)]×w/l-RelArWtr(r)

而且，利用利用第四模块所得更新后的阴影对象辅助进行第六模块中的道路提取和第七模块中的裸土和建筑提取。

综上所述，本发明提出了一种语义关联的面向对象城市不透水面遥感提取方法和系统，针对高分辨率遥感影像使用了多种指数、形状、颜色、纹理等图谱特征，并创新性的提出建筑物与水体和阴影的语义关联关系，显著提高了城市不透水面提取精度。本发明能满足大面积长时期城市不透水面的动态监测需求，解决了高分辨率遥感影像提取城市不透水面中阴影与水体混淆等难题，提高了城市不透水面提取精度，并且数据源便于获取，操作步骤明确可重复，提供了自动化实现手段，避免人工检测的大量投入成本，该发明非常符合实际的城市规划应用需求。

附图说明

图1为本发明实施例的流程图。

具体实施方式

为了更好地理解本发明的技术方案，下面结合附图和实施例对本发明做进一步的详细说明。

本发明提取NBGI、DWVI等光谱特征指数和FSnWI语义关联规则，在提取框架内多次提纯修正阴影结果，最后精确提取了城市阴影对象；利用阴影对象和语义关联规则等特征提取了道路、建筑等城市不透水面。本发明能精确提取城市建筑物阴影进而显著提高城市不透水面提取精度，解决了城市水体与阴影容易分类混淆的问题。

参见图1，本发明实施例提供的一种语义关联的面向对象城市不透水面遥感提取方法，包括以下步骤：

步骤一、获取目标区域高分辨率多光谱遥感影像，进行面向对象分割获得基于对象的影像：

具体实施时，本领域技术人员可自行预先设定目标区域，获取目标区域高分辨率多光谱遥感影像，如实施例采用WorldView卫星4波段影像。使用面向对象分割技术对获取的遥感影像进行分割，获得分割后的遥感影像。实施例采用的分割算法是多尺度分割算法。面向对象分割的思想是一种基于像素从下向上的基于异质度准则的区域增长算法，每一次对象合并遵循异质度增长最小的原则，直到异质度最小增长量超过了用户定义的尺度参数f。异质度f_m通过加权融合光谱异质度和形状异质度的差异得到。

1)异质度差异f_m计算如下：

f_m＝ω_color×Δh_color+ω_shape×Δh_shape (1)

ω_color+ω_shape＝1，ω_color，ω_shape∈[0，1] (2)

其中Δh_color和Δh_shape分别代表光谱异质度和形状异质度差异，ω_color和ω_shape分别代表光谱异质度和形状异质度在异质度计算时的权重，其和为1。

2)光谱异质度Δh_color计算如下：

假设对象obj1在波段B_i上的光谱标准差和面积分别为n_obj1，其相邻对象obj2的标准差和面积分别为n_obj2，则两个对象合并后的光谱异质度差异如下式。

其中和n_merge分别是融合后对象在波段B_i上的标准差和面积，代表波段B_i的权重，各参与分割波段的权重之和为1。

3)形状异质度Δh_shape计算如下：

Δh_shape＝ω_smooth×Δh_smooth+ω_compact×Δh_compact (4)

ω_smooth+ω_compact＝1，ω_smooth，ω_compact∈[0，1] (5)

其中Δh_smooth与Δh_compact分别代表对象的平滑度差异与紧致度差异，ω_smooth与ω_compact分别代表光滑度与紧致度的权重，其和为1。

步骤二、利用分割后的影像使用亮度、形状与颜色纹理多种对象特征提取显著阴影，初步得到城市阴影对象区域：

实施例中，使用了亮度(Brightness)、长宽比(Leng-Width Ratio，LWR)、归一化植被指数(Normalized Difference Vegetation Index，NDVI)、归一化水体指数(NormalizedDifference Water Index，NDWI)、归一化蓝绿指数(Normalized Blue Green Index，NBGI)、红外波段平均值等多种对象特征使用阈值法初步提取阴影。具体实施时，可根据需要设置具体选用的特征，若阴影与周边对象温度差较大，还可以使用红外波段与邻居绝对差值。

为便于实施参考起见，对阈值法实现方式，在此步骤中加以说明，后续步骤涉及阈值时，阈值法实现方式与此基本相同不再做赘述。具体实施时，本领域技术人员可预先设置各阈值的取值为实验值或经验值。

实施例中对影像中任一对象i，统计上述各相应对象的特征值亮度值Brt(i)，长宽比平均值LWR(i)、归一化植被指数值NDVI(i)、归一化水体指数NDWI(i)和归一化蓝绿指数NBGI(i)，并统计红外波段灰度值Nir(i)、红外波段与邻居绝对差值AbsNbr_Nir(i)等，当且且且且且且时，判断对象i为显著阴影对象。其中，由于阴影亮度值低，设置明显区别暗目标的亮度值阈值为排除道路桥梁阴影，设置较大的长宽比值阈值由于阴影植被指数较低，设置很低的归一化植被指数值阈值为区分阴影与水体，设置较低的归一化水体指数阈值由于水体在蓝绿波段下降较慢而阴影在蓝绿波段则下降较快，设置较高的归一化蓝绿指数阈值由于阴影对象光照条件差，设置较低的红外波段灰度值阈值由于阴影与四邻非阴影对象光照条件差异大，设置较大的红外波段与邻居绝对差值阈伯

实施例中使用对象特征长宽比LWR(Length-Width Ratio)，其表达式见公式(6)：

LWR＝Length/Width (6)

式中，Length代表对象的长度，Width代表对象的宽度。

实施例采用的NDVI数学表达式见公式(7)：

NDVI＝(Ch_NIR-Ch_Red)/(Ch_NIR+Ch_Red) (7)

式中，Ch_Red代表红色波段，Ch_NIR代表近红外波段。

实施例采用的NDWI数学表达式见公式(8)：

NDWI＝(Ch_NIR-Ch_Green)/(Ch_NIR+Ch_Green) (8)

式中，Ch_Green代表绿色波段，Ch_NIR代表近红外波段。

实施例采用的NBGI数学表达式见公式(9)：

NBGI＝(Ch_Blue-Ch_Green)/(Ch_Blue+Ch_Green) (9)

式中，Ch_Blue代表蓝色波段，Ch_Green代表绿色波段。

步骤三、利用粗提取的水体，以及建筑物与水体和阴影的语义关联关系，修正阴影类别，提取出人工建筑物阴影，更新非阴影区域：

本发明提出水体植被差值指数(Differential Water Vegetation Index，DWVI)。具体实施时，步骤三的修正过程包括以下几步：

1)采用阈值法，利用NDWI、NDVI、DWVI、NBGI特征使用极高确定性的阈值提取出显著的水体对象。其中NDWI取高值范围、NDVI取低值范围、DWVI取高值范围、NBGI取高值范围。

2)由于水体和阴影都为暗目标且易混淆分类，故将被阴影完全包围的水体或者周围有两个及以上阴影对象而没有其他水体对象相邻的水体判为阴影。

3)采用阈值法，继续利用亮度特征，使用高阈值提取出明显的建筑对象，利用建筑物与阴影的相邻且相依存语义关系纠正分类错误的对象。

4)再利用修正后的建筑与阴影和水体的关系FSnWI改正误分的水体为非阴影。

实施例采用的DWVI数学表达式见公式(10)：

DWVI＝NDWI-NDVI (10)

式中，NDWI代表水体指数，NDVI代表近植被指数。

实施例中使用建筑阴影与水体之间的语义关联规则FSnWI(Flase Shadow near/within Water Index)，其值越大表征真实的建筑阴影可能性越高，值过小可判别伪阴影即水体，其表达式见公式(11)：

FSnWI＝(RelArSdw(r)+RelArBlt(r))×(r/R)²+[Ar/(π×R²)]×w/l-RelArWtr(r)(11)

具体实施时，还可以采用其他语义规则。

在步骤三中使用粗提取的水体和建筑物和阴影的语义关系修正阴影后，利用此结果在步骤四中所述精确提取水体后进一步更新阴影对象。利用更新后的阴影对象辅助进行步骤六中的道路提取和步骤七中的裸土和建筑提取。

步骤四、利用水体相关的多种指数与阴影语义关系特征从非阴影区域中精确提取城市水体区域，并利用语义关联规则更新城市阴影区域：

实施例中，步骤四的实现过程包括以下几步：

1)利用NDWI、NDVI、DWVI、NBGI特征通过阈值法在非阴影区域提取出水体对象。

2)利用步骤三提取的阴影和水体的相邻语义关联规则FSnWI改正错误的水体分类。

3)然后采用阈值法，使用亮度特征使用高阈值提取出显著的建筑对象，利用建筑物与阴影的相邻且相依存语义关系纠正分类错误的对象。

4)随后将周围完全被阴影包围的误分为水体的对象修正为阴影，附近存在阴影的误分为水体的对象改为非阴影区域。

5)最后采用阈值法，使用NDVI和DWVI两个指数使用高阈值区间在整个目标区域提取水体对象。

步骤五、利用植被指数与亮度特征在非水体区域中提取城市植被：

实施例中，利用亮度和NDVI两个特征在非水体区域提取出植被对象。植被区域作为暗目标亮度值取低值范围，NDVI值取高值范围。

步骤六、利用形状、与阴影距离语义关系、归一化水体指数、纹理等道路相关特征提取城市道路：

实施例中，使用对象长宽比(Length/Width，LWR)、道路与阴影的距离(Distanceto Shadow，DtSdw)、NDWI、与邻域对象在红外波段上的平均绝对差值(AbsMean Diff.toNeighbors，AMDN)等特征使用阈值法在非植被区域提取道路对象。

实施例中使用与领域对象平均绝对差值AMDN(AbsMean Diff.to Neighbors)，其表达式见公式(13)：

式中，l代表对象的长度，n代表相邻对象的数量，l_Si代表与第i个直接相邻对象共同的边界长度，代表对象的图层平均值，代表第i个相邻对象的图层平均值。

步骤七、利用与阴影间距离等语义特征、形状、纹理、颜色和NDWI、DWVI指数特征提取城市裸露地面，剩余的对象区域即城市建筑物：

实施例中，步骤七实现如下：

1)使用亮度、与阴影距离、与阴影相对关系、红外波段标准差等裸土相关特征使用阈值法从非道路区域中初步提取裸土，剩余对象区域即建筑。其中亮度取值较高，与阴影距离远，阴影相比对象所占面积比小、红外波段标准差大。

2)再利用NDWI和DWVI俩指数特征从建筑对象区域中将明显的误分为建筑的对象提取改正为裸土。其中NDWI取低值范围，DWVI取低值范围。

步骤八、将步骤四中的阴影、步骤六提取的道路、步骤七提取的建筑物合并即为城市不透水面：

具体实施时，将步骤六中提取的道路、步骤七提取的建筑物与步骤四中修正后的阴影合并为不透水面。

综上所述，本发明提出的一种语义关联的面向对象城市不透水面遥感提取方法和系统，针对高分辨率遥感影像使用了光谱指数、形状、颜色、纹理等多种图谱特征并创新性的提出了FSnWI阴影语义关联规则，重点利用了基于城市人工建筑阴影的语义关联规则显著提高了城市不透水面提取精度。本发明能满足大面积长时期城市不透水面的动态监测需求，解决了高分辨率遥感影像提取城市不透水面中阴影与水体混淆等难题，提高了城市不透水面提取精度，并且数据源便于获取，操作步骤明确可重复，该发明非常符合实际的城市规划设计和应用需求。

具体实施时，该方法可采用计算机软件技术实现自动运行流程，也可以采用模块化方式提供相应系统。本发明实施例还相应提供一种语义关联分析的面向对象城市不透水面遥感提取系统，包括以下模块：

第六模块，用于利用道路相关特征提取城市道路；

第八模块，用于将第四模块中的阴影、第六模块提取的道路以及第七模块提取的建筑物合并得到为城市不透水面。

各模块实现参见相应步骤，本发明不予赘述。

本发明中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims

1.一种语义关联的面向对象城市不透水面遥感提取方法，包括以下步骤：

步骤六、利用道路相关特征提取城市道路；

步骤七、利用语义特征、形状、纹理、颜色特征和归一化水体指数NDWI、水体植被差值指数DWVI特征提取城市裸露地面，剩余的对象区域即城市建筑物；所述语义特征包括与阴影间距离；

步骤八、将步骤四更新后的的阴影、步骤六提取的道路以及步骤七提取的建筑物合并得到城市不透水面。

2.根据权利要求1所述语义关联的面向对象城市不透水面遥感提取方法，其特征在于：步骤二中，对象特征具体包括亮度值Brt，长宽比平均值LWR、归一化植被指数值NDVI、归一化水体指数NDWI和归一化蓝绿指数NBGI，以及红外波段灰度值Nir、红外波段与邻居绝对差值AbsNbr_Nir。

3.根据权利要求2所述语义关联的面向对象城市不透水面遥感提取方法，其特征在于：步骤三中，获取粗提取的水体，包括采用阈值法，利用归一化植被指数值NDVI、归一化水体指数NDWI、归一化蓝绿指数NBGI以及水体植被差值指数DWVI，提取出显著的水体对象；所述水体植被差值指数DWVI，计算方式如下，

DWVI＝NDWI-NDVI。

4.根据权利要求3所述语义关联的面向对象城市不透水面遥感提取方法，其特征在于：步骤三中使用阴影与水体建筑之间的语义关联规则FSnWI，其表达式如下：

FSnWI＝(RelArSdw(r)+RelArBlt(r))×(r/R)²+[Ar/(π×R²)]×w/l-RelArWtr(r)

5.根据权利要求4所述语义关联的面向对象城市不透水面遥感提取方法，其特征在于：利用步骤四更新后的阴影对象辅助进行步骤六中的道路提取和步骤七中的裸土和建筑提取。

6.一种语义关联的面向对象城市不透水面遥感提取系统，包括以下模块：

第六模块，用于利用道路相关特征提取城市道路；

7.根据权利要求6所述语义关联的面向对象城市不透水面遥感提取系统，其特征在于：第二模块中，对象特征具体包括亮度值Brt，长宽比平均值LWR、归一化植被指数值NDVI、归一化水体指数NDWI和归一化蓝绿指数NBGI，以及红外波段灰度值Nir、红外波段与邻居绝对差值AbsNbr_Nir。

8.根据权利要求7所述语义关联的面向对象城市不透水面遥感提取系统，其特征在于：第三模块中，获取粗提取的水体，包括采用阈值法，利用归一化植被指数值NDVI、归一化水体指数NDWI、归一化蓝绿指数NBGI以及水体植被差值指数DWVI，提取出显著的水体对象；所述水体植被差值指数DWVI，计算方式如下，

DWVI＝NDWI-NDVI。

9.根据权利要求8所述语义关联的面向对象城市不透水面遥感提取系统，其特征在于：第三模块中使用阴影与水体建筑之间的语义关联规则FSnWI，其表达式如下：

FSnWI＝(RelArSdw(r)+RelArBlt(r))×(r/R)²+[Ar/(π×R²)]×w/l-RelArWtr(r)

10.根据权利要求9所述语义关联的面向对象城市不透水面遥感提取系统，其特征在于：利用利用第四模块所得更新后的阴影对象辅助进行第六模块中的道路提取和第七模块中的裸土和建筑提取。