1 引 言
高空间分辨率遥感影像能够展现大量的地物特征，包括地物的颜色、尺寸、形状、纹理以及物体间的布局关系，空间几何信息异常丰富，这使得利用高分辨率影像对城市建筑物进行精确识别成为可能。然而，高分辨率影像中同类地物的光谱统计特征存在较大的光谱异质性，这使得仅利用光谱信息提取地物不能得到满意的结果。为此，近年来人们提出了空-谱结合的分析方法，认为空间特征是与光谱特征互补的信息[1]。譬如，文献[2]提出了一种利用结构信息、上下文信息和光谱信息自动提取建筑物的方法，通过3种不同信息的整合完成了对建筑物的提取；文献[3]应用模糊逻辑分类器结合光谱、空间、纹理和上下文特征等知识规则进行建筑物分类；文献[4]先用ECHO和ISODATA进行分类，然后利用HOUGH变换完成了对建筑物的提取；同时以分割为基础的面向对象的分析方法也得到应用，如文献[5—6]提出了一个基于SVM的集成方法，该方法将面向对象和基于像素的方法结合起来对城市地物进行分类；文献[7]利用改进的像素级和对象级遥感影像的分类方法来区分不同的地物。针对城市地物的特殊形态，人们也提出一些相应的空间特征计算方法，如像元形状指数(PSI)[8]、形态学序列[9]、基于小波纹理的城市多尺度复杂指数(MUCI)[10，11]等。为了增强对建筑物的自动提取效率，人们也提出了一些新的方法，如文献[12]利用“方差的比值差异(DRV)”提出建筑物半自动识别的方法；文献[13]基于建筑物具有高的局部对比度提出建筑物存在指数的纹理计算方法，称之为“PanTex”； 文献[14]提出形态学建筑物指数(morphology building index，MBI)。这些算法中MBI算法取得了较高的建筑物提取精度，但是它存在3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，但因其忽略建筑物的亮度差异而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。针对MBI的不足，本文以建筑物的物理属性和几何形态特征的分析为基础，提出一种新的增强型形态学建筑物指数(enhanced morphological building index，EMBI)分析方法。对比于MBI的亮度特征，本文方法以V-I-S(vegetation-impervious surface-soil)模型[15]为基础，将建筑物描述成具有不透水物理属性的地物，从而将其与植被、土壤、水体等透水性地物有效地区分开来，并以多尺度、多方向的几何特征及形状特征(即长宽比与区域面积)来区分建筑物对象和城市道路等地物。
2 增强型形态学建筑物指数(EMBI)EMBI算法主要由3部分构成，首先对高分辨多光谱图像进行混合光谱分解[16]提取不透水层组分图像g(x)来表征建筑物的物理不透水属性，然后利用多尺度、多方向形态学开闭重建运算建立建筑物EMBI特征图像，最后利用决策树的分析方法对EMBI特征图像、连通区域的形状特征即长宽比ratio(x)和面积area(x)进行分层阈值判决分析完成对建筑物的提取，具体流程如图 1。
|
| 图 1 EMBI算法的流程图 Fig. 1 Flowchart of EMBI algorithm |
根据文献[15]建立的城市地物覆盖模型V-I-S，建筑物是城市地物中不透水层覆盖的主要构成。因此，提取不透水层作为建筑物提取的基础特征图像，来表征建筑物的物理属性，该过程主要利用了凸几何端元提取方法和线性混合光谱分解理论。首先依据V-I-S模型定义高亮度不透水地物、低亮度不透水地物、植被、土壤和阴影或水体5种端元；因基于凸几何原理这些端元分布在散点图的顶点区域，接着在高分辨多光谱图像主成分变换后的前3个主成分构成的特征空间散点图的顶点选取地物端元，并将散点图顶点区域在相应的图像样本的平均波谱作为端元波谱；最后以定义后的端元对影像进行混合光谱分解得到组分图像，并将高、低亮度组分图像组合形成包含建筑物的不透水层组分图像g(x)。
2.2 形态学建筑物指数(EMBI)的建立数学形态学作为区域特征描述中的一个有效工具，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更好地减少形状的损失，并且在影像纹理[17]提取和分割[18]中已经被验证。目前形态学运算已经被成功运用到高分辨率影像中[19]，特别是形态学粒度分析和开/闭重建等[20]。本文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，设计新的多粒度形态学算子(opening by reconstruction followed by closing by reconstruction，OFC)，它是开重建(opening by reconstruction)和闭重建(closing by reconstruction)的混合运算，并以建筑物不透水层图像为基础，提出新的形态学建筑指数EMBI(enhanced morphological building index)，其过程如下：
2.2.1 定义结构体设线性结构体元素SE=strel(‘line’,d,s)，由于城市的道路易与低照度的建筑混淆，而道路具有各向异性，相对而言建筑物各方向性质相近。因而采用线性结构元素有利于区分道路和建筑物，d，s分别表示线性结构元素的方向和大小。
2.2.2 OFC算子及OFC算子的白帽变换(W-TH)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并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并同时保持总体特征稳定。形态学算子OFC定义为
式中，φRg(d,s)为对不透水层组分图像g进行闭重建之后所得到的图像;OFCg(d,s)为对φRg(d,s)进行开重建后得到的图像。CFO算子能够同时平滑小于结构体的明、暗细节信息同时保持总体特征稳定，提高对象区域内部的一致性。在经CFO计算后的图像中，建筑物表现为明亮的灰度，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，故而对剔除建筑物之外的地物非常有意义，定义基于OFC算子的白帽变换(W-TH)为
这两幅影像相减可以得到比所定义的结构元素小同时又比周围相邻区域亮的特征。
2.2.3 OFC算子的多尺度形态学序列由于有时无法事先确定感兴趣目标的大小，而且某些特定的目标在影像中通常表现为多尺度形态，因此，文献[19]提出了多尺度形态学序列(morphological profiles，MP)。类似的，本文基于OFC算子的多尺度形态学序列定义如下
为了充分利用多尺度的形态学特征，文献[21]在MP基础上，发展了一种新的形态学算子，称为多尺度差分形态学序列(differential morphological profiles，DMP)。同理，基于OFC算子的多尺度差分形态学序列定义如下
式中，Δs是连续尺度的间隔，s∈(smin,smax)。 2.2.4 增强型形态学建筑物指数EMBI
设DN和SN分别表示结构元素的方向个数和尺寸个数，DMPW-THOFC(di,sj)表示结构体大小为di和方向为sj的差分形态学特征。建筑物指数是该多方向和多尺度的差分形态学序列的平均值，即
对比于狭长的道路和噪声，高分辨率影像中建筑物是连续的区域，它在不同尺度和方向都能保持较好的差分形态学特征，因而响应都较强。因为像元EMBI值越大，越表明该像元属于建筑物，所以设定阈值t1对EMBI特征进行阈值分割，得到建筑物区域提取的初步结果。
2.3 形态学建筑物指数的后处理通过对EMBI特征图像进行阈值分割可以剔除EMBI特征值较小的非建筑物地物，但是特征值较大的非建筑物很难剔除，主要表现为部分道路和类似于噪声的小面斑。因此，引入两个形状特征ratio(x)和area(x)。area(x)为连通区域中的像元的总数，ratio(x)的公式为
式中，Wr(x)表示包含连通区域的最小矩形的宽度；Lr(x)表示包含连通区域的最小矩形的长度。ratio(x)用于区分建筑物与狭长道路对象；area(x)用于区分建筑物和小面积地物，这种地物称为噪声。后处理的原理如图 2。
|
| 图 2 后处理原理图 Fig. 2 Schematic for post-processing |
利用EMBI算法对3幅高分辨率影像进行建筑物的提取试验，并且与MBI算法的提取结果进行对比。采用4种统计方法对提取的结果进行评价，OE(omission error)、CE(commission error)反映的是建筑物漏分率和错分率，总体精度(OA)和Kappa系数反映建筑物和背景两者的区分程度。
3.1 HYDICE影像试验该数据是HYDICE传感器获取的华盛顿商业街的航空高光谱影像，其光谱范围为0.4～2.4μm之间，包含210个波段，去除吸水波段后剩余191个波段，本试验图像的大小为505像素×151像素(图 3)。该影像中的地物类型主要包括建筑屋顶、沥青路、小道、植被(草地与林地)、水体等，提取的难度在于建筑物的材料多样性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。图 3(b)中建筑物和背景的样本数量分别为10234像素和18310像素，背景包括道路、小道和植被。根据VIS模型定义5种端元：高亮度不透水层、低亮度不透水层、道路、植被和水体。图 3(c)是不透水层组分图像，可以看出建筑物和植被亮度差异明显，证明利用混合像元分解的方法提取不透水层图像可以很好地剔除植被的干扰。相比而言，MBI算法提取的是包含建筑物的亮度图像(如图 3(d))。在图 3(d)中点线标记的建筑物的亮度值很小，而虚线标记的植被的亮度值却很大，表明MBI算法提取的亮度图像会造成建筑物的部分遗漏，同时容易与植被产生混淆。设置形态学运算的结构体尺寸s的变化序列为s={9,13,17,21,25,29,33}，方向d的变化序列为d={22.5,45,67.5,90,112.5,135,157.5,180}。图 3(e)和图 3(f)分别表示EMBI和MBI特征。对比可以看出，EMBI特征图像明暗对比明显，且对象内部特征均匀，而MBI特征中对象内部亮度存在异质性因素干扰，这表明OFC运算的优势。对计算得到的建筑按如下经验参数进行决策树判别：EMBI参数为t1=0.3、t2=4.6、t3=150；MBI算法参数为t1=0.3，NDVI阈值设为0.05，ratio特征阈值设为4.6，area特征阈值设为150。
|
| 图 3 HYDICE影像建筑物提取的结果 Fig. 3 Results of building extraction for HYDICE image |
图 3(g)—(i)为EMBI图像按多层决策树判别后的结果，图 3(i)为EMBI算法最终提取建筑物区域，对比图 3(j)MBI算法得到的建筑物区域。表 1为该试验结果的精度评定，从中可以看出，相对于MBI算法，后处理前后的总体精度分别提高16.13％和7.31％，Kappa系数分别提高0.1209和0.0915，后处理前后的漏分率分别降低15.51％和7.92％，错分率分别降低10.42％、3.14％。这表明利用EMBI算法可以更好地区分建筑物和背景，同时建筑物提取的错分率和漏分率更低。
| 方法 | 精度 | ||||
| OE/(%) | CE/(%) | OA/(%) | Kappa | ||
| MBI | 未后处理 | 30.93 | 28.62 | 63.89 | 0.6332 |
| 后处理 | 18.31 | 10.71 | 85.46 | 0.8123 | |
| EMBI | 未后处理 | 15.42 | 18.20 | 80.02 | 0.7541 |
| 后处理 | 10.39 | 7.57 | 92.77 | 0.9038 | |
该数据选取武汉市洪山区武汉大学的QuickBird影像，波段数为4，该地区覆盖类型包括：林地、草地、建筑物、道路、裸地。从该数据中截取两块区域，分别如图 4(a)和图 5(a)，两幅数据的大小都为400像素×400像素，定义4种类型端元，高亮度不透水层、低亮度不透水层、植被和阴影；形态学运算的结构体尺寸s的变化序列为s={3,8,13,18,23,28}，方向d的变化序列为d={22.5,45,67.5,90,112.5,135,157.5,180}；EMBI的多层决策参数定义为t1=0.1、t2=6.9、t3=100；MBI阈值t1为0.1，NDVI阈值设为0.08，ratio特征阈值设为6.9，area特征阈值设为100。
|
| 图 4 QuickBird影像1建筑物提取的结果 Fig. 4 Results of building extraction for QuickBird images 1 |
|
| 图 5 QuickBird影像2建筑物提取的结果 Fig. 5 Results of building extraction for QuickBird images 2 |
两幅影像提取的结果分别如图 4和图 5。通过对比可以看出：①EMBI特征图像相对MBI特征图像可以更好地移除同质区域内部的噪声，保持同质区域的完整性，表明EMBI算法中OFC算子具有更好地平滑明暗细节同时提高同质区域一致性的特点；②图 5(g)和图 5(h)通过对比可以看出，利用EMBI算法提取的建筑物图像可以更好地剔除道路等非建筑物的干扰，表明该算法可以更好地解决建筑物与道路等光谱相似地物的混淆问题。表 2为试验结果的精度评定。从表 2中可以看出，相对于MBI算法，影像1后处理前后EMBI算法的总体精度分别高出了8.28％、6.48％，Kappa系数分别提高0.1131、0.0694，漏分率分别降低了8.44％、8.24％，错分率分别降低了3.36％、4.57％；影像2后处理前后EMBI算法的总体精度分别提高10.76％和7.83％，Kappa系数分别提高0.0953和0.0772，漏分率分别降低7.47％和6.43％，错分率分别降低9.85％和5.16％。高的分类精度和低的错分漏分率进一步证明EMBI算法能够更加有效、准确地完成建筑物提取。
| 方法 | 影像1 | 影像2 | ||||||||
| OE/(%) | CE/(%) | OA/(%) | Kappa | OE/(%) | CE/(%) | OA/(%) | Kappa | |||
| MBI | 未后处理 | 25.91 | 18.63 | 69.33 | 0.6213 | 26.93 | 22.62 | 71.12 | 0.6967 | |
| 后处理 | 19.38 | 13.22 | 84.55 | 0.8244 | 20.07 | 14.30 | 79.49 | 0.7752 | ||
| EMBI | 未后处理 | 17.47 | 15.27 | 77.61 | 0.7344 | 19.46 | 12.77 | 81.88 | 0.7920 | |
| 后处理 | 11.14 | 8.65 | 91.03 | 0.8938 | 13.64 | 9.14 | 87.32 | 0.8524 | ||
本文从建筑物的不透水物理属性出发，结合多尺度形态几何特征和建筑物的形状结构特征的约束建立了新的形态学建筑物提取方法，获得了令人满意的结果。需要说明的是，试验中控制连通区域的长宽比、面积的参数是依经验设置的，在将来的研究中需要进一步提高参数设置的自动定义方法的研究，使本文方法能够推向实际的城市地物提取的工程应用中。
致谢：感谢武汉大学测绘遥感信息工程国家重点实验室提供的武汉区域QuickBird高分辨率影像。
| [1] | FAUVEL M, TARABALKA Y, BENNEDIKTSSON J A, et al. Advances in Spectral-spatial Classification of Hyperspectral Images[J]. Proceedings of IEEE, 2013, 101 (3): 652-675. |
| [2] | JIN X, DAVIS C H. Automated Building Extraction from High-resolution Satellite Imagery in Urban Areas Using Structural, Contextual, and Spectral Information[J]. EURASIP Journal on Applied Signal Processing, 2005, 2005(14): 2196-2206. |
| [3] | TAN Qulin. Urban Building Extraction from VHR Multi-spectral Images Using Object-based Classification[J]. Acta Geodaerica et Cartographica Sinica, 2010, 39(6): 618-623. (谭衢霖. 高分辨率多光谱影像城区建筑物提取研究[J].测绘学报, 2010, 39(6): 618-623.) |
| [4] | LEE D S, SHAN J, BETHEL J S. Class-guided Building Extraction from Ikonos Imagery[J]. Photogrammetric Engineering & Remote Sensing, 2003, 69(2): 143-150. |
| [5] | HUANG X, ZHANG L. An SVM Ensemble Approach Combining Spectral, Structural, and Semantic Features for the Classification of High-resolution Remotely Sensed Imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(1): 257-272. |
| [6] | HUANG X, ZHANG L. An Adaptive Mean-shift Analysis Approach for Object Extraction and Classification from Urban Hyperspectral Imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(12): 4173-4185. |
| [7] | LI Gang, WAN Youchuan. Synthesis Classification of Remote Sensing Image Based on Improved Pixel-level and Object-level Methods[J]. Acta Geodaetica et Cartographica Sinica, 2012, 41(6): 891-897. (李刚, 万幼川. 基于改进的像素级和对象级的遥感影像合成分类[J]. 测绘学报, 2012, 41(6): 891-897.) |
| [8] | HUANG X, ZHANG L, LI P. Classification and Extraction of Spatial Features in Urban Areas Using High Resolution Multispectral Imagery[J]. IEEE Geoscience Remote Sensing Letter, 2007, 4(2): 260-264. |
| [9] | FAUVEL M, BENEDIKTSSON J A, CHANUSSOT J, et al. Spectral and Spatial Classification of Hyperspectral Data Using SVMs and Morphological Profiles[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(11): 3804-3814. |
| [10] | HUANG X, ZHANG L. A Multiscale Urban Complexity Index Based on 3D Wavelet Transform for Spectral-spatial Feature Extraction and Classification: An Evaluation on the 8-channel Worldview-2 Imagery[J]. International Journal of Remote Sensing, 2012, 33(8): 2641-2656. |
| [11] | OUMA Y O, NGIGI T G, TATEISHI R. On the Optimization and Selection of Wavelet Texture for Feature Extraction from High-resolution Satellite Imagery with Application towards Urban: Tree Delineation[J]. International Journal of Remote Sensing, 2006, 27(1): 73-104. |
| [12] | LHOMME S, HE D C, WEBER C, et al. A New Approach to Building Identification from Very-high-spatial Resolution Images[J]. International Journal of Remote Sensing, 2009, 30(5): 1341-1354. |
| [13] | PESARESI M, GERHARDINGER A, KAYITAKIRE F. A Robust Built-up Area Presence Index by Anisotropic Rotation-invariant Textural Measure[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2008, 1(3): 180-192. |
| [14] | HUANG X, ZHANG L. A Multidirectional and Multiscale Morphological Index for Automatic Building Extraction from Multispectral GeoEye-1 Imagery[J]. Photogram-metric Engineering and Remote Sensing, 2011, 77(7): 721-732. |
| [15] | LU D, HETRICK S, MORAN E. Impervious Surface Mapping with QuickBird Imagery[J]. International Journal of Remote Sensing, 2011, 32(9): 2519-2533. |
| [16] | WU C, MURRAY A T. Estimating Impervious Surface Distribution by Spectral Mixture Analysis[J]. Remote Sensing of Environment, 2003, 84 (4): 493-505. |
| [17] | PESARESI M, BENEDIKTSSON J A. A New Approach for the Morphological Segmentation of High-resolution Satellite Imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2001, 39(2): 309-320. |
| [18] | EPIFANIO I, SOILLE P. Morphological Texture Features for Unsupervised and Supervised Segmentations of Natural Landscapes[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(4): 1074-1083. |
| [19] | BENEDIKTSSON J A, PESARESI M, ARNASON K. Classification and Feature Extraction for Remote Sensing Images from Urban Areas Based on Morphological Transformations [J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(9): 1940-1949. |
| [20] | ACQUA F D, GAMBA P, FERRAI A, et al. Exploiting Spectral and Spatial Information in Hyperspectral Urban Data with High Resolution[J]. IEEE Geoscience and Remote Sensing Letters, 2004, 1(4): 322-326. |
| [21] | BENEDIKTSSON J A, PALMASON J A, SVEINSSON J R. Classification of Hyperspectral Data from Urban Areas Based on Extended Morphological Profiles[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(3): 480-491. |