CN112766106B - 一种遥感建筑物检测方法 - Google Patents

Abstract

本发明公开一种遥感建筑物检测方法，在预处理阶段，通过影像分割及一组判别规则，首先提取候选建筑物对象集合；其次，通过遗传算法对MAPs的差分剖面进行筛选，提出了一种自适应的ACGA‑DAPs以提取潜在建筑物像素；在此基础上，通过构建新颖的建筑物指数SSBI(Statistics‑Space Building Index)，提出了一种非监督的决策融合框架，最终实现了建筑物的自动化检测。本发明所提出方法在多组不同地区、不同传感器的高分遥感影像实验中均表现出了优异的性能，其总体精度可到达91.9％以上。

Description

一种遥感建筑物检测方法

技术领域

本发明涉及一种遥感建筑物检测方法，属于高分遥感影像数据处理技术领域。

背景技术

随着遥感对地观测技术的飞速发展，基于高分遥感影像的建筑物检测已经成为遥感领域中的研究热点之一。高精度、高可靠的建筑物检测结果在人类活动(如土地利用动态监测、城市规划以及人口密度估计等)的诸多领域中发挥着关键作用。与传统中、低分辨率遥感影像相比，高分辨率遥感影像提供了更加丰富的空间结构信息，有利于在城市复杂背景下对建筑物的精细刻画。另一方面，高分辨率遥感影像信噪比低的特点又限制了建筑物检测的精度。特别是在城市环境中，受到建筑物结构复杂性的影响，建筑物常常被其他具有相似特性的人造目标或自然目标包围；同时，即使位于同一地区的不同建筑物之间也相似可能存在显著差异，这些因素均导致了建筑物自动检测的困难。

近年来，学者们已经开展了广泛的研究工作，并且在建筑物检测理论及方法方面取得了诸多成果。其中，基于深度学习的建筑物检测是目前的主流方法，其利用深度神经网络来进行有监督的建筑物特征建模，显著提高了检测精度。尽管如此，开展深度学习要求海量的人工训练样本参与模型的训练，否则会产生“过拟合”现象，从而制约了此类方法在实际应用中的可行性与有效性。与此同时，由于不受训练样本数量的限制，各种非监督建筑物检测方法越来越多的被提出，如建筑物屋顶自动化检测算子(automatic buildingextraction with rooftop detectors)、联合高分影像与LiDAR数据的迭代分割方法(adaptive iterative segmentation with LiDAR data and High SpatialResolution)、阈值自适应的视觉显著性超像素检测方法(superpixel segmentationcombined with adaptive threshold detection.)等。此外，一些面向建筑物提取的指数也已经得到了广泛应用，如morphological building index(MBI)、multi-channel multi-scale filtering index(MMFBI)等。

近年来，作为最为有效的高分影像空间结构建模手段之一，形态学属性剖面MAPs(Morphological Attribute Profiles)已经被证明在复杂城市背景下对建筑物具有强大的识别能力。利用MAPs所构建的局部区域形态学特征集合，能够实现对不同地物的多属性、多尺度表达，从而显著提高建筑物与其他地物的可分性。然而在实际应用中，基于MAPs实现高精度、非监督的高分遥感影像建筑物检测还必须突破以下几个方面的局限：(1)潜在建筑物像素由相邻尺度APs(Attribute Profiles)进行差分所提取的DAPs(DifferentialAttribute Profiles)直接决定，而MAPs理论并未给出尺度参数设定的明确规则，因此有必要根据原始影像自适应构建合理的尺度参数集合。若尺度间间隔过大，则难以完备描述属性各异的不同类型建筑物；反之，则容易在检测结果中保留过多与建筑物相似属性的其他地物像素。(2)作为判别某个像素是否属于建筑物的依据，不同属性所提取的DAPs之间可能给出相反的结论，而直接对所有属性、尺度的DAPs取并集的通行做法难以获得可靠的检测结果，因此需要设计有效的决策规则以应对这种证据冲突。(3)建筑物应当是一类具有闭合轮廓的地理对象，如何将基于MAPs提取的潜在建筑物像素转化为对象级的检测结果，是另一个必须面对的挑战。

发明内容

发明目的：针对现有技术中存在的问题与不足，本发明提供一种遥感建筑物检测方法。

(1)将MAPs的尺度参数合理选择转化为多属性DAPs的联合优化问题，提出了一种ACGA-DAPs(Adaptive Cross-probability Genetic Algorithm)以提取潜在建筑物像素；面向建筑物检测应用需求，通过设定宽泛的尺度参数取值区间及紧密的采样间隔，确保初始DAPs集合能够充分提取建筑物的属性细节信息；在此基础上，通过引入遗传算法GA(Genetic Algorithm)对不同属性的DAPs进行联合优化，并提出了一种交叉概率自适应选择策略。实验表明，所构建的ACGA-DAPs有助于显著提高建筑物检测精度。

(2)基于ACGA-DAPs与影像分割结果，本文提出了一种非监督的决策融合框架，从而跨越了潜在建筑物像素到对象级检测结果间的鸿沟。该框架结合统计与空间信息构建了一种新颖的建筑物指数SSBI(Statistics-Space Building Index)，最终实现了建筑物集合的自动化检测。

技术方案：一种遥感建筑物检测方法，主要包括三个步骤：数据预处理、基于多属性联合优化的ACGA-DAPs提取，以及非监督决策融合框架构建；在预处理阶段，通过影像分割及一组判别规则首先提取候选建筑物对象集合；其次，通过遗传算法对MAPs的差分剖面进行筛选，提出了一种自适应的ACGA-DAPs以提取潜在建筑物像素；在此基础上，结合统计与空间信息的建筑物指数SSBI(Statistics-Space Building Index)，提出了一种非监督的决策融合框架，最终实现了建筑物的自动化检测。

所述数据预处理阶段，首先对原始影像进行影像分割，从而将离散像素划分为具有语义信息的连通像素集合，从而为后续建筑物检测提供基本的分析单元；在构建MAPs过程中，利用对象边界来确定进行粗化细化操作的连通域，从而使计算结果能够反映实际地理对象的属性。

剔除与建筑物存在显著特征差异的对象，基于阴影指数、NDVI指数、面积指数和矩形度的四条判别规则对非建筑物对象初筛；通过初筛所剔除的对象将不参与后续建筑物检测，而剩余对象则构成候选建筑物集合R_cdi。

基于多属性联合优化的ACGA-DAPs提取过程包括：

在MAPs的提取过程中，首先对四种属性中的每种属性设定宽泛的取值区间及紧密的采样间隔，进而遍历区间内所有的尺度参数生成一组完整的MAPs集合；在此基础上，通过对所有相邻尺度进行差分，从而获得初始DAPs集合，定义为DAPs_cdi；

在DAPs_cdi基础上，通过引入GA算法以进一步筛选出不同属性中具有代表性的DAPs序列，并构建了一种新颖的ACGA-DAPs，具体步骤如下：

Step1：对于DAPs_cdi中属于同一属性的DAPs，首先进行有放回的随机抽样，从而获得该属性对应的Q个DAPs集合；

Step2:计算第q∈{1,2,...,Q}个DAPs集合D_q的适应度f(D_q)，f(D_q)由公式(4)计算得到：

其中，d_q为D_q中两个DAPs的差异性指标，d_q,q'为分别来自D_q和D_q'的两个DAPs的差异性指标；令任意两个DAPs的信息熵分别为H和H′，互信息为MI，则差异性指标d为：

Step3：保留适应度最小值对应的DAPs集合，定义为D_min；依据RWS方法，重新选择Q-1个DAPs；采用One-point Crossover方法将D_min与Q-1个DAPs集合分别进行两两交叉操作并设定交叉概率P_c；采用RWS方法重新选出Q个DAPs集合，并依据Step 2的将D_min更新为D'_min；计算全部DAPs集合的距离分布矩阵S：

S＝(s_qq')_Q×Q (6)

其中，矩阵S中每个元素s_qq'表示D_q和D_q'之间的距离，获得每行的最小距离集合S_min；令最大距离对应的适应度为f_m，依据公式(7)自适应确定交叉概率P_c：

其中f_max、f_min和f_avg分别为Q个DAPs集合中的最大、最小和平均适应度；

Step 4:重复Step 2和Step 3，获得当前属性对应的代表性DAPs；遍历四种属性，所筛选出的全部DAPs共同构成ACGA-DAPs。

非监督决策融合框架的构建，包括：

(1)基于D-S证据理论的识别框架

令R_cdi中对象总数为I，对于任意一个对象R_i，i＝1,2,3，…，I，定义识别框架U：{B，NB}；其中，B代表建筑物，NB代表非建筑物，则U的非空子集A可取{B}，{NB}和{B，NB}；定义基本概率分配函数BPAF为m：2^U→[0,1]，并满足以下约束条件：

令则ACGA-DAPs中的DAP总数为K，则K个m函数m₁，m₂，…，m_K的合成规则如下：

(2)建筑物指数集合SSBI的计算

Step1：计算统计学指标Dpro和Dpro′；依据R_cdi中全部对象内建筑物像素的比例，首先采用FCM方法确定两个比例参数v_B和v_NB，分别对应建筑物和非建筑物对象的聚类中心；依据ACGA-DAPs，计算R_i在第k∈{1,2，…，K}个DAP中的建筑物像素比例v_i，k到v_B和v_NB距离，分别定义为：

Dpro_i,k＝|ν_i,k-ν_B| (10)

Dpro'_i,k＝|ν_i,k-ν_NB| (11)

其中，Dpro和Dpro′作为统计学指标，反映了R_i属于建筑物和非建筑物对象的可能性，距离越小则可能性越高；

Step2：计算空间信息指标Dspa和Dspa′；令R_i中建筑物像素个数、非建筑物像素个数分别W_B、W_NB，第k个DAP中R_i的Dspa和Dspa′分别为：

其中，S_w和S_w′分别代表R_i中某一属于建筑物或非建筑物的像素到质心的距离；

Step3：计算SSBI；结合统计与空间信息指标并进行归一化，定义SSBI＝{SSBI_B，SSBI_NB}，其中：

(3)BPAF与判别规则

遍历所有R_i，依据公式(8)-(15)构建BPAF如下：

其中，γ_ate为置信度因子，通过给DAPs数量较多的属性赋予较小的置信度，以应对ACGA-DAPs中可能存在属于四种不同属性的DAPs数量不平衡的问题；在ACGA-DAPs中，采用g_t分别代表四种属性的DAPs数量，t＝1,2,3,4，则某属性对应的γ_ate由公式(17)计算得到：

以此类推，分别获得四种属性对应的γ_ate；此时，基于BPAF，若满足m({B})>m({NB})且m({B})>m({B，NB})，则R_i是建筑物：否则，R_i是非建筑物；遍历R_cdi中的所有对象，从而获得最终的建筑物检测结果。

采用面向城市场景的高分辨率遥感影像分割方法WJSEG对原始影像进行影像分割。

所述四种属性为面积、对角线、标准差和归一化转动惯量。

设定面积、对角线、标准差及NMI的取值区间分别为[500,28000]、[10,100]、[10,70]和[0.2,0.5]，四种属性均以等间隔提取50个尺度参数，从而获得四种属性共200个尺度的MAPs集合。

附图说明

图1是本发明方法流程图；

图2是三组Dataset原始影像，(a)Dataset 1原始影像，(b)Dataset 2原始影像，(c)Dataset 3原始影像；

图3是数据集1建筑物检测结果：(a)原图，(b)本发明方法，(c)方法1，(d)方法2，(e)方法3，(f)方法4，(g)方法5，(h)方法6；

图4是数据集2建筑物检测结果：(a)原图，(b)本发明方法，(c)方法1，(d)方法2，(e)方法3，(f)方法4，(g)方法5，(h)方法6；

图5是数据集3建筑物检测结果：(a)原图，(b)本发明方法，(c)方法1，(d)方法2，(e)方法3，(f)方法4，(g)方法5，(h)方法6；

图6是0.05采样间隔的VB-VNB-OA三维曲线：(a)数据集1；(b)数据集2；(c)数据集3；

图7是0.02采样间隔的VB-VNB-OA三维曲线：(a)数据集1；(b)数据集2；(c)数据集3。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

MAPs采用Max-Tree结构对影像进行表示，基于给定的尺度参数集合N进行属性粗化和细化运算，从而评估影像中联通成分的属性值。其基本处理流程如下：

对于给定的灰度影像M，令j为任意一个像素，

为由尺度参数n∈N确定的二值影像，粗化运算剖面

和细化运算剖面θ^j(M)可分别由公式(1)、(2)得到：

θ^j(M)＝min{n:j∈θ^j[Bn_n(M)]} (2)

遍历所有尺度参数，可提取粗化和细化剖面集合。在此基础上，对相邻尺度剖面分别进行差分运算所获得的差分形态属性剖面DAPs可表示如下：

由此，将M视为由

叠加而成，在不同尺度剖面中特定的属性特征将得到增强。进而，通过计算DAPs可将对应的地理对象提取出来。

本发明采用面积、对角线、标准差和归一化转动惯量(normalized moment ofinertia)(NMI)四种属性对建筑物进行精细刻画，原因如下：面积属性能够描述建筑物的尺寸大小；对角线能够描述建筑物形状的狭长程度；标准差能够描述建筑物纹理的复杂程度；NMI则能够反映建筑物的质量分布，且具有平移、旋转和缩放不变性的优点。综合以上四种属性将使建筑物与其他地物之间具有较强的类间可分性。

遥感建筑物检测方法，主要包括三个步骤：数据预处理、基于多属性联合优化的ACGA-DAPs提取，以及非监督决策融合框架构建，具体实现流程如图1所示。

(1)数据预处理

1.1影像分割

数据预处理阶段，首先对原始影像进行影像分割，从而将离散像素划分为具有语义信息的连通像素集合，从而为后续建筑物检测提供基本的分析单元。同时，在构建MAPs过程中，利用对象边界来确定进行粗化细化操作的连通域，从而使计算结果能够反映实际地理对象的属性。

采用面向城市场景的高分辨率遥感影像分割方法WJSEG。该方法能够有效保持对象轮廓的完整，且不存在主流商业软件Ecognition的分割结果中的虚假“狭长单元”。WJSEG主要包括多波段融合、种子区域初始化与二次提取、区域合并等三个关键步骤，具体实施过程可参见文献(Wang C,Shi A Y,Wang X,et al.A novel multi-scale segmentationalgorithm for high resolution remote sensing images based on wavelettransform and improved JSEG algorithm[J].Optik-International Journal forLight and Electron Optics,2014,125(19):5588-5595.)。需要指出的是，本发明所采用的分割方法并不局限于WJSEG，即采用其他方法也不会影响后续建筑物检测的实施。

1.2非建筑物初筛

在影像分割结果中，必然存在如植被、车辆等与建筑物存在显著特征差异的对象。在预处理阶段将这些对象剔除，不仅有助于降低运算量，同时可以避免后续产生错检的可能。

基于阴影指数、NDVI指数、面积指数和矩形度的四条判别规则。通过初筛所剔除的对象将不参与后续建筑物检测，而剩余对象则构成候选建筑物集合R_cdi。

(2)基于多属性联合优化的ACGA-DAPs提取

构建MAPs的前提是确定不同属性所对应的尺度参数集合，而尺度参数的设定是影响建筑物检测精度的关键因素之一。然而，MAPs仅实现了形态学属性特征的定量化表示，通过对相邻尺度APs进行差分进而获得的DAPs才是判别潜在建筑物像素的依据。为此，本发明将MAPs的尺度参数选择问题转化为多属性DAPs的联合优化问题，提出了基于改进遗传算法的筛选策略。

2.1候选DAPs集合的构建

在MAPs的提取过程中，首先对四种属性中的每种属性设定宽泛的取值区间及紧密的采样间隔，进而遍历区间内所有的尺度参数生成一组完整的MAPs集合。其目标在于，通过小的采尺度间隔对MAPs进行扩展，以增加计算量来获得完备的场景空间结构表达。

设定面积、对角线、标准差及NMI的取值区间分别为[500,28000]、[10,100]、[10,70]和[0.2,0.5]，四种属性均以等间隔提取50个尺度参数，从而获得四种属性共200个尺度的MAPs集合。在此基础上，通过对所有相邻尺度进行差分，从而获得初始DAPs集合，定义为DAPs_cdi。

2.2ACGA-DAPs的计算

在DAPs_cdi基础上，通过引入GA算法以进一步筛选出不同属性中具有代表性的DAPs序列，并构建了一种新颖的ACGA-DAPs，具体步骤如下：

Step1：对于DAPs_cdi中属于同一属性的DAPs，首先进行有放回的随机抽样，从而获得该属性对应的Q个DAPs集合。

Step2:计算第q∈{1,2,...,Q}个DAPs集合D_q的适应度f(D_q)，f(D_q)可由公式(4)计算得到：

其中，d_q为D_q中两个DAPs的差异性指标，q’的取值范围与q相同，d_q,q'为分别来自D_q和D_q'的两个DAPs的差异性指标；令任意两个DAPs的信息熵分别为H和H′，互信息为MI，则差异性指标d为：

Step3：保留适应度最小值对应的DAPs集合，定义为D_min。依据RWS(Roulette WheelSelection)方法，重新选择Q-1个DAPs。在此基础上，采用One-point Crossover方法将D_min与Q-1个DAPs集合分别进行两两交叉操作并设定交叉概率P_c。此时，采用RWS方法重新选出Q个DAPs集合，并依据Step 2的将D_min更新为D'_min。其中，P_c的设定是否合理将显著影响遗传性能，体现在：P_c过大，模型可能完全失效；反之，则可能陷入局部最优。为此，计算全部DAPs集合的距离分布矩阵S：

S＝(s_qq')_Q×Q (6)

其中，矩阵S中每个元素s_qq'表示D_q和D_q'之间的距离，可以获得每行的最小距离集合S_min。在此基础上，令最大距离对应的适应度为f_m，可依据公式(7)自适应确定交叉概率P_c：

其中f_max、f_min和f_avg分别为Q个DAPs集合中的最大、最小和平均适应度。

Step 4:重复Step 2和Step 3，获得当前属性对应的代表性DAPs。遍历四种属性，所筛选出的全部DAPs共同构成ACGA-DAPs。

(3)非监督决策融合框架的构建

在实际应用中，建筑物是一类具有完整轮廓的地理对象，而ACGA-DAPs仅提供了像素级的潜在建筑物检测结果；另一方面，传统对不同属性对应的DAPs直接取并集的决策方式，忽略了建筑物像素判别过程中不同属性之间存在的证据冲突与冗余信息。为此，本发明基于D-S证据理论，提出了一种联合ACGA-DAPs与影像分割的非监督决策融合框架。

3.1基于D-S证据理论的识别框架

令R_cdi中对象总数为I，对于任意一个对象R_i(i＝1,2,3，…，I)，定义识别框架U：{B，NB}。其中，B代表建筑物，NB代表非建筑物，则U的非空子集A可取{B}，{NB}和{B，NB}。定义基本概率分配函数BPAF(Basic Probability Assignment Formula)为m：2^U→[0,1]，并满足以下约束条件：

Θ表示空集。

令则ACGA-DAPs中的DAP总数为K,则K个m函数m₁，m₂，…，m_K的合成规则如下：

3.2建筑物指数集合SSBI的计算

在决策融合框架中，构建BPAF时需要定量描述R_i属于建筑物(或非建筑物)的不确定程度。为此，结合统计与空间信息构建了一种新颖的建筑物指数SSBI，计算过程如下：

Step1：计算统计学指标Dpro和Dpro′。依据R_cdi中全部对象内建筑物像素的比例，首先采用FCM方法确定两个比例参数v_B和v_NB，分别对应建筑物和非建筑物对象的聚类中心。依据ACGA-DAPs，计算R_i在第k∈{1,2，…，K}个DAP中的建筑物像素比例v_i，k到v_B和v_NB距离，分别定义为：

Dpro_i,k＝|ν_i,k-ν_B| (10)

Dpro'_i,k＝|ν_i,k-ν_NB| (11)

其中，Dpro和Dpro′作为统计学指标，反映了R_i属于建筑物和非建筑物对象的可能性，距离越小则可能性越高。

Step2：计算空间信息指标Dspa和Dspa′。由于质心反映了对象在空间中的质量分布中心，因此认为R_i中的像素到质心的距离越近，则作为判别R_i所属类别的证据时其可信程度越高。基于这种假设，令R_i中建筑物像素个数、非建筑物像素个数分别W_B、W_NB，第k个DAP中R_i的Dspa和Dspa′分别为：

其中，S_w和S_w′分别代表R_i中某一属于建筑物或非建筑物的像素到质心的距离。

Step3：计算SSBI。结合统计与空间信息指标并进行归一化，定义SSBI＝{SSBI_B，SSBI_NB}，其中：

3.3BPAF与判别规则

遍历所有R_i，依据公式(8)-(15)构建BPAF如下：

其中，γ_ate为置信度因子，通过给DAPs数量较多的属性赋予较小的置信度，以应对ACGA-DAPs中可能存在属于四种不同属性的DAPs数量不平衡的问题。在ACGA-DAPs中，采用g_t(t＝1,2,3,4)分别代表四种属性的DAPs数量，则某属性对应的γ_ate可由公式(17)计算得到：

以此类推，可分别获得四种属性对应的γ_ate。此时，基于BPAF，若满足m({B})>m({NB})且m({B})>m({B，NB})，则R_i是建筑物：否则，R_i是非建筑物。遍历R_cdi中的所有对象，从而获得最终的建筑物检测结果，t′＝1,2,3,4。

(4)实验与讨论

实验采用三组不同地区、不同空间分辨率的城市场景高分遥感影像。在与多种先进建筑物检测方法开展的对比实验中，通过结合定量及目视分析进行精度评价，所提出的方法均展现出了优异的性能。

4.1数据集和实验策略

4.1.1数据集描述

Dataset1为中国重庆地区的Worldview卫星影像，采集时间为2011年8月，空间分辨率为0.5m，图像尺寸为1370像素×1370像素，如图2(a)所示。Dataset2为中国南京地区的航空遥感影像，采集时间为2011年10月，空间分辨率为2m，图像尺寸为300像素×500像素，如图2(b)所示。Dataset3为中国南京地区的Worldview卫星影像，采集时间为2012年12月，空间分辨率为0.5m，图像尺寸为1400像素×1400像素，如图2(c)所示。

如图2所示，三组数据集均为由建筑物、道路、植被、阴影等地物构成的典型城市场景，但同时又在影像光照条件、获取季节、成像侧视角等方面存在显著差异。数据集1中的建筑物主要表现为低矮的民用住宅及形状规则的厂房；数据集2则存在大量高层建筑物；数据集3中待拆迁老旧商业建筑物表现出不规则的几何形状。因此，通过对这些数据集进行实验，有助于从不同角度反映所提出算法在实际城市场景中的建筑物检测性能。

4.1.2实验设置

为综合且客观评价所提出方法的性能，采用了6种先进的建筑物检测方法进行对比实验：方法1，基于自适应形态属性剖面方法；方法2，基于灰度共生矩阵(GLCM)和支持向量机(SVM)的方法；方法3，基于模糊聚类和高帽变换方法；方法4和方法5均为基于DeepLabV3+网络，并分别结合大津法(OSTU)和本发明提出的证据融合策略以获得对象级建筑物检测结果。通过与方法1对比，有助于对比分析不同DAPs优化策略；方法2属于普通机器学习方法；方法3属于基于建筑物描述子的自动化检测方法；方法4和5则属于深度学习方法；通过与这些方法进行对比，能够从总体上评价所提方法的性能。此外，为进一步单独分析ACGA-DAPs对建筑物检测效果的影响，方法6仅将ACGA-DAPs替换为DAPs_cdi，其余步骤均与所提出方法相同。同时，为了保证地理对象集合的一致性，所有对比方法均基于WJSEG的分割结果以获得对象级的建筑物检测结果。最后，本文基于改进GA模型初始化参数设置，取Q＝20，迭代次数为500。三组实验中，自适应提取的ACGA-DAPs分别包含85，76和84个DAPs，所对应的尺度参数集合如表1-3所示：

表1数据集1ACGA-DAPs尺度参数集合

表2数据集2优化ACGA-DAPs尺度参数

表3数据集3ACGA-DAPs尺度参数

4.2实验结果与精度评价

三组数据集建筑物检测结果如图3-5所示。其中，正确、错误和漏检的建筑物，以及正确检测非建筑物分别用四种颜色表示。

通过目视分析可以看出，本发明方法的检测结果在整体上显著优于5种对比方法。此外，本发明采用了总体精度、误检率、漏检率和Kappa四种精度评价指标进行定量精度评价，结果如表4-6所示。三组实验中，本发明方法的总体精度均达到91.9％以上，在所有实验方法中表现最佳，与目视分析结论一致。与此同时，尽管不同数据集存在差异，但本发明方法的总体精度波动范围小于2％，展现出了良好的稳定性。

表4数据集1建筑物检测精度评价

表5数据集2建筑物检测精度评价

表6数据集3建筑物检测精度评价

作为基于MAPs的自动化建筑物检测方法，方法1与本发明方法在三组实验中的总体精度全部高于90％，漏检率低于3.1％，证明了MAPs在复杂城市场景中对建筑物的强大刻画能力。尽管如此，除数据集3实验中的误检率，本发明方法的其他各项精度指标均高于方法1。因此，相较于方法1对APs进行筛选后再计算DAPs的策略，本文直接以潜在建筑物像素的统计及空间信息为依据，对DAPs集合进行自适应选择，有利于更加准确的建筑物刻画。

方法2是基于SVM的监督分类方法，不仅需要人工干预，而且检测精度容易受到训练样本质量和数量的影响。如数据集1的样本集数量为833个，高于数据集2的462个和数据集3的212个，总体精度则分别提高了3.7％和2.9％。方法3尽管采用了自动化的建筑物描述子，但结构元素却采用了固定的形状。由于忽略了建筑物的复杂性和多样性，方法3在数据集2和数据集3中总体精度均低于80％。

方法4和方法5是基于深度学习的方法，其固有局限是要求海量训练样本对深度网络进行充分的训练，否则就难以取得理想的检测效果。因此，在缺乏先验知识且区域面积有限的特定建筑物检测应用场景中，不适用于此类方法。本文的3组实验即属于这种情况，因此总体精度的波动范围达到了16.9％，且最低总体精度仅为66.6％。此外，对比方法4所采用的对所有DAPs取并集的传统处理方式，总体精度的提高证明了本发明提出的融合策略是可行且有效的。

方法6将本发明方法中的ACGA-DAPs替换为DAPs_cdi后，三组实验中总体精度均有所降低，特别是误检率提高明显。这表明DAPs的数量并非越多越好，不同属性和尺度参数的DAPs之间存在的信息冗余和证据冲突会对检测效果产生不利影响。因此，从提高总体精度和自动化程度的角度都有必要进行DAPs_cdi的优化选择，这也契合了本发明提出交叉概率自适应遗传算法的目标。

4.3参数v_B和v_NB对总体精度的影响分析

在对ACGA-DAPs的决策融合的过程中，本文采用了模糊聚类的思想来自适应确定比例参数v_B和v_NB，结果如下：

表7三组数据集比例参数v_B和v_NB的结果

在此基础上，为进一步分析v_B和v_NB的设定对OA的影响，v_B和v_NB分别在区间[0.05,0.45]和[0.5,0.95]内，以0.05为间隔，构建VB-VNB-OA三维曲线，如图6所示。

如图6所示，当比例参数v_NB值不变时，v_B在[0,0.5]中总体精度呈现先上升后下降的趋势；当比例参数v_B值不变时，v_NB在区间[0.5,1]中OA同样呈现出先上升后下降的类似趋势。其中，三组数据集分别在(v_B，v_NB)属于{[0.1,0.2]，[0.85,0.95]}、{[0.15,0.2]，[0.8,0.95]}和{[0.15,0.2]，[0.85,0.95]}中，OA均可达到88％以上且出现峰值。同时，根据表7本文确定的v_B和v_NB也位于这些区间当中。为此，本文在以上区间中采用0.02为采样间隔，进一步详细分析v_B和v_NB的设定与OA之间的关系，结果如图7所示。

在以上区间中，三组数据集的OA均值分别为91.2％，90.8％和90.5％，OA峰值分别为94％,93.5％和93.3％，而本发明方法的OA分别为93.2％，92.2％和91.9％。由此可以看出，提取的v_B和v_NB所对应的OA，与采用试错法确定的OA峰值差距小于1.5％且显著高于区间内的OA均值，实现了参数设定的自动化。

面向城市复杂背景下的高分辨率遥感影像建筑物，本发明提出了一种基于MAPs联合优化与决策融合的自动化检测方法。该方法通过将MAPs的尺度参数设定转化为DAPs的优化选择问题，有助于充分保留建筑物的形态学属性细节信息，并提出了一种交叉概率自适应选择方法。在此基础上，本发明设计了一种结合统计与空间信息的建筑物指数SSBI，进而构建了基于D-S证据理论的非监督决策融合框架，最终实现了建筑物的自动化检测。在对多组不同地区、不同传感器的高分遥感影像进行的对比实验中，所提出的方法在目视和定量分析中均显著优于其他6种先进的对比方法，其总体精度可达到91.9％以上，误检率和漏检率分别小于6.13％和3.03％。

Claims (5)

1.一种遥感建筑物检测方法，其特征在于，包括三个步骤：数据预处理、基于多属性联合优化的ACGA-DAPs提取，以及非监督决策融合框架构建；在预处理阶段，通过影像分割及一组判别规则首先提取候选建筑物对象集合；其次，通过遗传算法对MAPs的差分剖面进行筛选，利用自适应的ACGA-DAPs以提取潜在建筑物像素；在此基础上，结合统计与空间信息的建筑物指数SSBI，通过非监督的决策融合框架，最终实现了建筑物的自动化检测；

基于多属性联合优化的ACGA-DAPs提取过程包括：

在MAPs的提取过程中，首先对四种属性中的每种属性设定宽泛的取值区间及紧密的采样间隔，进而遍历区间内所有的尺度参数生成一组完整的MAPs集合；通过对所有相邻尺度进行差分，获得初始DAPs集合，定义为DAPs_cdi；

在DAPs_cdi基础上，通过引入GA算法以进一步筛选出不同属性中具有代表性的DAPs序列，并构建了一种自适应的ACGA-DAPs，具体步骤如下：

Step1：对于DAPs_cdi中属于同一属性的DAPs，首先进行有放回的随机抽样，获得该属性对应的Q个DAPs集合；

Step2：计算第q∈{1,2,...,Q}个DAPs集合D_q的适应度f(D_q)，f(D_q)由公式(4)计算得到：

其中，d_q为D_q中两个DAPs的差异性指标，d_q,q'为分别来自D_q和D_q'的两个DAPs的差异性指标；令任意两个DAPs的信息熵分别为H和H′，互信息为MI，则差异性指标d为：

Step3：保留适应度最小值对应的DAPs集合，定义为D_min；依据轮盘赌选择方法，重新选择Q-1个DAPs；采用One-point Crossover方法将D_min与Q-1个DAPs集合分别进行两两交叉操作并设定交叉概率P_c；采用轮盘赌选择方法重新选出Q个DAPs集合，并依据Step2的将D_min更新为D'_min；计算全部DAPs集合的距离分布矩阵S：

S＝(s_qq')_Q×Q (6)

其中，矩阵S中每个元素s_qq'表示D_q和D_q'之间的距离，获得每行的最小距离集合S_min；

令最大距离对应的适应度为f_m，依据公式(7)自适应确定交叉概率P_c：

其中f_max、f_min和f_avg分别为Q个DAPs集合中的最大、最小和平均适应度；

Step4:重复Step2和Step3，获得当前属性对应的代表性DAPs；遍历四种属性，所筛选出的全部DAPs共同构成ACGA-DAPs；

非监督决策融合框架的构建，包括：

(1)基于D-S证据理论的识别框架

令候选建筑物集合R_cdi中对象总数为I，对于任意一个对象R_i，i＝1,2,3，…，I，定义识别框架U：{B，NB}；其中，B代表建筑物，NB代表非建筑物，则U的非空子集A可取{B}，{NB}和{B，NB}；定义基本概率分配函数BPAF为m：2^U→[0,1]，并满足以下约束条件：

令ACGA-DAPs中的DAP总数为K，则K个m函数m₁，m₂，…，m_K的合成规则如下：

(2)建筑物指数集合SSBI的计算

Step1：计算统计学指标Dpro和Dpro′；依据R_cdi中全部对象内建筑物像素的比例，首先采用FCM方法确定两个比例参数v_B和v_NB，分别对应建筑物和非建筑物对象的聚类中心；依据ACGA-DAPs，计算R_i在第k∈{1,2，…，K}个DAP中的建筑物像素比例v_i，k到v_B和v_NB距离，分别定义为：

Dpro_i,k＝|ν_i,k-ν_B| (10)

Dpro′_i,k＝|ν_i,k-ν_NB| (11)

其中，Dpro和Dpro′作为统计学指标，反映了R_i属于建筑物和非建筑物对象的可能性，距离越小则可能性越高；

Step2：计算空间信息指标Dspa和Dspa′；令R_i中建筑物像素个数、非建筑物像素个数分别W_B、W_NB，第k个DAP中R_i的Dspa和Dspa′分别为：

其中，S_w和S_w′分别代表R_i中某一属于建筑物或非建筑物的像素到质心的距离；

Step3：计算SSBI；结合统计与空间信息指标并进行归一化，定义SSBI＝{SSBI_B，SSBI_NB}，其中：

(3)BPAF与判别规则

遍历所有R_i，依据公式(8)-(15)构建BPAF如下：

m_n({B})＝SSBI_B*γ_ate

m_n({NB})＝SSBI_NB*γ_ate (16)

m_n({B,NB})＝1-(SSBI_B*γ_ate+SSBI_NB*γ_ate)

其中，γ_ate为置信度因子，通过给DAPs数量较多的属性赋予较小的置信度，以应对ACGA-DAPs中可能存在属于四种不同属性的DAPs数量不平衡的问题；在ACGA-DAPs中，采用g_t分别代表四种属性的DAPs数量，t＝1,2,3,4，则某属性对应的γ_ate由公式(17)计算得到：

以此类推，分别获得四种属性对应的γ_ate；此时，基于BPAF，若满足m({B})>m({NB})且m({B})>m({B，NB})，则R_i是建筑物：否则，R_i是非建筑物；遍历R_cdi中的所有对象，从而获得最终的建筑物检测结果。

2.根据权利要求1所述的遥感建筑物检测方法，其特征在于，所述数据预处理阶段，首先对原始影像进行影像分割，将离散像素划分为具有语义信息的连通像素集合，为后续建筑物检测提供基本的分析单元；在构建MAPs过程中，利用对象边界来确定进行粗化细化操作的连通域，使计算结果能够反映实际地理对象的属性；

剔除与建筑物存在显著特征差异的对象，基于阴影指数、NDVI指数、面积指数和矩形度的四条判别规则对非建筑物对象初筛；通过初筛所剔除的对象将不参与后续建筑物检测，而剩余对象则构成候选建筑物集合R_cdi。

3.根据权利要求1所述的遥感建筑物检测方法，其特征在于，采用面向城市场景的高分辨率遥感影像分割方法WJSEG对原始影像进行影像分割。

4.根据权利要求1所述的遥感建筑物检测方法，其特征在于，所述四种属性为面积、对角线、标准差和归一化转动惯量。

5.根据权利要求2所述的遥感建筑物检测方法，其特征在于，设定四种属性面积、对角线、标准差及归一化转动惯量的取值区间分别为[500,28000]、[10,100]、[10,70]和[0.2,0.5]，四种属性均以等间隔提取50个尺度参数，从而获得四种属性共200个尺度的MAPs集合。

Images