遥感影像能够快速地获取地球表面信息，特别是随着高分辨率遥感影像的应用，使其成为GIS数据库以及地图更新的重要信息来源^[1]。但是如何从高分辨率遥感影像中自动获取特征信息，一直是遥感应用的重要问题。其中，自动提取和监控居民地区域在居民地变化检测、数字化居民地以及军事侦察等多个领域都有着重要应用，因此，近20年来，从遥感影像中进行居民地检测已成为一个研究热点，学者们提出了很多用于居民地检测的模型与策略。

在高分辨率遥感影像中，居民地通常由密集的建筑物群、内部的道路交通网以及周边邻近的绿地城所构成，因此在影像中居民地是一类面积较大的目标。相对于其他自然地物，如耕地、林地等，居民地区域内部的纹理细节更丰富，因此传统的居民地检测方法大多采用纹理特征来描述居民地，然后构建分类器实现居民地检测。文献^[2]提出一种基于Radon变换和树型小波变换的纹理特征提取方法，并将其应用于遥感影像居民地提取。文献^[3]把区域的光谱特征和基于灰度共生矩阵的纹理特征结合起来，对QuickBird复杂居民地区域进行试验，结果表明结合纹理和光谱信息可以有效地改善高分辨率遥感影像居民地提取效果。文献^[4]利用基于模糊准则的灰度共生矩阵提取影像中的纹理特征，并构造建筑区因子(build-up presence index)从全色遥感影像中提取居民地区域。文献^{[5, 6, 7]}利用数学形态学构造多尺度的空间特征剖面，并用神经网络融合形态特征和光谱特征，取得较好的居民地分类结果。文献^[8]提出一种多条件随机场集成模型，并结合多种纹理特征对IKONOS遥感影像进行居民地提取。文献^[9]提出基于Log-Gabor滤波器的快速居民区提取方法。文献^[10]利用多尺度3D-Gabor滤波器提取纹理特征，然后从高光谱影像中提取居民地区域。另外，也有学者研究基于直线、边缘等结构信息的居民地提取方法。文献^[11]用一定区域内的直线统计特征，从高分辨率遥感影像中识别居民区、乡村和居民地。文献^[12]利用影像的边缘信息提取结构特征，并联合多光谱信息提高居民地分类精度。文献^[13]对基于边缘特征从高分辨率多光谱影像中提取居民地进行了详细的研究工作。

尽管国内外研究学者已经提出不少的居民地检测方法，但仍然存在一些不足，笔者认为主要体现在以下两个方面：第一，它们大多是基于监督分类机制，为提高分类精度，需要提供大量人工标注的数据样本，过程十分繁琐，面对海量级的遥感影像数据，难以满足当前各种应用的自动化和实时化需求；第二，这些方法大多是基于影像的纹理、光谱、形状等特征，当影像出现尺度、光照等条件变化时，将导致这些特征出现变化，造成算法的稳健性下降。而局部不变特征(例如，角点)却不易受到这些因素的影响。为此，笔者提出一种基于角点特征的居民地自动检测方法，分为3个阶段。第1阶段，在传统的Harris算子基础上，加入两个约束准则，检测影像中的角点。第2阶段，根据影像中角点的分布自适应地构建似然函数，来度量影像中每一个像素点属于居民地的概率。第3阶段，采用Ostu方法确定居民地与非居民地的最佳分割阈值，并最终提取影像中的居民地区域。

在影像分析中，角点通常被定义为影像边缘线段上的曲率极值点或者两条边缘以一定角度相交的点^[14]，因此角点可以用来描述一些重要的几何结构，如直角矩形，T型、X型交叉点等。在高分辨率遥感影像中，居民地内部包含有大量的人造目标(如建筑物顶、道路、停车场等)，而角点特征是这些人造目标存在的最直接证据之一^[15]。因此，如果能可靠地检测到属于这些人造目标的角点，很自然地就可以利用影像中的角点分布来推断候选居民地的位置及其大小。

近20年来，人们提出了很多角点检测方法，最著名的是由Harris和Stephens提出的Harris角点提取算子^{[16, 17]}。它的基本原理是取以目标像素为中心的一个小窗口，计算窗口沿任何方向移动后的灰度变化，并结合预先定义的角点响应函数来判断该像素是否为角点。图 1是两幅高分辨率居民地遥感影像及其Harris角点检测结果。从图中可以看出，尽管Harris角点检测算法对角点的定位非常准确，并且能在居民地内部检测到大量的角点，但存在的不足是，该方法对纹理区域十分敏感，容易在一些纹理丰富的非居民地中(如森林、绿地等)检测到大量的角点。因此，直接利用Harris角点提供的信息来推断影像中的居民地区域是不切实际的。针对居民地检测的需要，本文改进了Harris角点检测算法，基本思想是利用居民地角点独有的几何特性生成两个约束准则，对已提取的Harris角点进行验证，从而剔除非居民地角点。

为了叙述的方便，先定义一些数学符号:D为已检测的Harris角点集合；N为D中的角点个数；p_i为D中的第i个角点(i=1,2,…,N)；U为D中属于居民地的角点集合；l¹_i、l²_i为角点p_i最邻近的两条影像边缘；θ_i为边缘l¹_i与边缘l²_i之间的夹角。

从图 1(a)和(b)的结果可以看出，居民地角点一般来自居民地内部密集的建筑物群，其对应的几何结构通常为直角矩形。也就是说，如果一个角点p_i∈U，那么它应该是两条接近垂直的边缘交点。而非居民地角点通常是由于局部纹理或梯度响应极值的干扰而被误检到，实质上并没有对应明显的几何结构。根据这一特点，首先定义如下约束准则

点击浏览公式

图 1 高分辨率居民地遥感影像及其Harris角点检测结果 Fig. 1 The corners extracted from high-resolution satellite images by Harris operator

图选项

除分析单个角点对应的几何结构特性外，还可以分析它邻域内的角点密度分布，进一步区分居民地角点和非居民地角点。首先定义角点p_i的邻域角点集合M_pi如下

点击浏览公式

点击浏览公式

在定义上述两个约束准则后，完整的面向居民地检测的角点提取算法如下：

步骤1：读入一幅高分辨率遥感影像I₁。

步骤2：对I₁进行Harris角点检测，得到初始的角点集合D={p_i|1≤i≤N₁}。

步骤3：使用Canny算子^[18]对I进行边缘检测，得到二值化边缘影像I₂。

步骤4：对I₂中的每条边缘线段，采用=Douglas-Peucker(DP)算法^[19]将其近似表示为一条或者多条直线l_j。

步骤5：对于p_i∈D，找到与其距离最近的两条直线l¹_i和l²_i，记θ_i为直线l¹_i和l²_i之间的夹角，如果|θ_i－90°|＜σ₁且|M_pi|>σ₂，则将角点p_i添加到居民地角点集合U。

图 2给出了面向居民地检测的角点提取结果，从中可以看出本文算法能够检测到大部分来自于居民地的角点，并且非居民地角点明显减少。

图 2 面向居民地检测的角点提取的角点检测结果 Fig. 2 Corners extracted by the improved Harris operation

图选项

在上节提出的角点检测算法中，利用居民地角点独有的几何特性生成两个约束准则对提取的Harris角点进行筛选，可有效地剔除大部分非居民地角点，检测到的角点在居民地的分布比较密集，而在非居民地呈稀疏分布。也就是说，对于一个属于居民地的像素点(x₀,y₀)，由于已检测到的角点在其周围密集分布，因此它到这些角点的总距离要比一个属于非居民地像素到这些角点的总距离小得多。利用这一特性，定义如下似然函数来度量影像中每一个像素(x,y)属于居民地的概率

点击浏览公式

LS(x,y)越大，表明像素(x,y)属于居民地的可能性就越大。

定义了上述似然函数后，基于角点分布的居民地提取算法包含3个步骤：

(1) 利用式(4)计算输入影像I₁中每一个像素属于居民地的概率，得到似然函数影像LS，如图 3所示。

(2) 将似然函数影像LS规格化至[0-255]之间。

(3) 选择合适的分割阈值对输入影像I₁进行如下的二值化处理，得到候选的居民地区域

点击浏览公式

图 3 似然影像结果 Fig. 3 The results of likelihood image

图选项

图 4给出基于角点分布的居民地提取结果，从图中可以看出，本文算法可以有效地检测到影像中的居民地区域。

图 4 基于角点分布的居民地区域提取结果 Fig. 4 Residential area detection based on corner distribution

图选项

前面通过两个算例演示了本文算法的整个流程。为进一步验证本文算法的有效性，分别选取包含不同场景，不同空间分辨率的两组高分辨率遥感影像数据集进行试验：① 数据集1包含10幅IKONOS全色影像，空间分辨率为1m；② 数据集2包含30幅高分辨率遥感全色影像(15幅为1m空间分辨率的IKONOS影像，15幅为0.61m空间分辨率QuickBird影像)。其中，数据集2主要用于测试本文算法对于不同空间分辨率的影像的鲁棒性。试验使用的计算机配置为Intel Core(TM)2 2.4-GHz CPU，4-GB RAM，操作系统为Windows7，程序开发环境为Matlab 2009。

图 5给出了测试数据集2中部分影像的居民地检测结果，其中第1行为本文提出算法的居民地检测结果，第2行为文献^[8]的基于监督分类的居民地检测算法的检测结果，第3行是人工标注的居民地检。在人工标注过程中，将居民地定义为由密集的建筑物群、内部的道路交通网以及周边邻近的绿地所构成的区域。从图中可以看出，本文算法能够较为精确地检测到影像中的居民地。

图 5 居民地检测结果 Fig. 5 Residential area detection result

图选项

为定量评价算法性能，将算法自动提取居民地的结果与人工提取结果进行基于像素的比较。设N_c为算法自动检测结果中被正确分类为居民地的像素数；N_f为被误分为居民地的像素数；N_t为人工标注的居民地像素数，则居民地检测的定量评价指标为：

正确检测率

点击浏览公式

虚警率

点击浏览公式

为了考察本文算法的居民地检测效果，与文献^[8]的监督分类检测方法进行了对比试验。试验中，首先随机地从测试数据集中选择10幅影像作为训练数据用于训练文献^[8]中使用的条件随机场模型。对于每一幅训练影像，首先对其进行分块处理，得到尺寸相等(32像元×32像元)的若干个子影像，然后对它们进行标注，得到最终的训练样本集，包含12365个居民地样本和21463个非居民地样本。接下来，按照文献^[8]中的参数设置对测试数据集1和2进行居民地检测。试验结果如表 1所示。从表 1数据可以看出：

(1) 对于数据集1，文献^[8]方法的检测率为88.13%，虚警率为3.09%，而本文算法的检测率为88.79%，虚警率为3.69%，两种方法的检测精度大体相当。

(2) 对于数据集2，本文算法的居民地检测精度优于文献^[8]的方法。究其原因就在于，相对于文献^[8]中所使用的纹理特征，本文所使用的角点特征不易受到可能出现的影像尺度、光照等条件变化的影响，因此当测试影像集中包含不同空间分辨率的影像时，本文算法的检测性能仍然具有良好的稳定性。

(3) 从算法运行效率来看，对单幅影像进行居民地提取，本文算法和文献^[8]算法的总运行时间分别为5.32s和5.56s。由于文献^[8]是一种基于监督分类的居民地检测算法，因此还需要165min用于分类器的训练。因此，相对于文献^[8]算法，本文算法无论从检测性能上还是运行效率上都得到了一定程度的提高。

本节主要考察算法中的可调参数对于居民地检测结果鲁棒性的影响，其中涉及的可调参数有：① 居民地角点检测算子局部约束准则中的参数σ₁；② 居民地角点检测算子全局约束准则中的参数σ₂。图 6(a)为σ₁取1~15、σ₂为30时，对测试数据集2中30幅居民地影像进行试验得到的居民地平均检测率P_d的变化曲线。从图中的结果可以看出，参数σ₁的最优取值为8，当σ₁在7~15之间时，P_d的变化并不明显且稳定在84%以上。但是它的取值不能过小，从图中也可以看出，当σ₁小于6时，P_d出现明显上升趋势。图 6(b)给出参数σ₂为10~100、σ₁为8时居民地平均检测率P_d的变化曲线。从图中可以看出，当它的取值在10~60之间时对于居民地检测结果的影响并不明显。但是它的取值不能过大，从图中也可以看出，当σ₂大于60时，P_d出现明显下降趋势。以上试验结果表明本文算法对于参数变化具有良好的鲁棒性。

图 6 居民地平均检测率在不同参数下的变化曲线 Fig. 6 Parameters analysis for the residential area-detection performance

图选项

传统的居民地检测方法大多是基于影像的纹理、光谱、形状等特征，当影像出现尺度、光照等条件变化时，将导致这些特征出现变化，造成算法的稳健性下降。针对这一问题，笔者提出一种基于角点分布的居民地提取方法。试验结果表明，本文算法可以高效、准确地检测到影像中的居民地。与已有的监督分类方法相比，由于本文算法所使用的角点特征不易受到可能出现的影像尺度、光照等条件变化的影响，因此当测试影像集中包含不同空间分辨率的影像时，算法的检测性能仍然具有良好的稳定性。同时，由于本文方法无需任何训练样本，在执行效率上也得到了提高。下一步研究工作考虑利用已提取的居民地区作为感兴趣区域，完成影像中如建筑物、道路等精细地物信息提取。