目前,高空间分辨率(简称“高分辨率”)遥感影像已经广泛应用于测绘制图、城市规划、国土资源管理、国防安全、农业、林业等众多领域,成为相关行业和领域所需空间信息的一种重要数据源[1-2]。城乡居民点是一类重要的空间数据[3],准确的居民点信息可以为土地管理、城市规划等政府部门开展土地利用现状调查和宏观规划等工作提供重要决策支持[4]。高分辨率遥感影像居民点提取是当前研究热点之一,目前已有众多研究方法。按照是否使用训练数据,已有方法可以被分为两大类:监督式和非监督式[5]。其中,监督式方法需要居民点和非居民点训练样本。例如,文献[6]使用形态学和人工神经网络从高分辨率全色影像中通过监督分类的方式提取城镇;文献[7]使用多个条件随机场集成学习,并利用多种光谱纹理特征和上下文特征检测影像上的城镇。但是,训练样本的选择不仅耗时、费力,且居民点提取精度也与样本精度、数量和分类器性能等多个因素密切相关,具有较大的不确定性。第2类非监督式方法无需训练样本;另外,基于使用的不同特征,该类方法又可以细分为以下3个子类:
(1) 基于纹理特征的方法。例如,PanTex[8]是一种基于灰度共生矩阵派生的纹理特征,应用较广。但是,该方法需要影像空间分辨率固定在5.0 m,且居民地容易与林地混淆。另外,差分形态学剖面[9]、非下采样轮廓波变换[10]等纹理特征也被用于居民点识别,但提取结果存在边界不精确、轮廓不平滑、误提取、遗漏等问题[10]。
(2) 基于角点特征的方法。其中,角点涉及Harris角点[11]、尺度不变特征变换(scale-invariant feature transform,SIFT)关键点[12]、基于Gabor滤波的局部特征点[13]、交叉点[5]等。但是,文献[14]发现Harris角点并不适合区分城镇和非城镇。另外,文献[15-16]分别提出了改进型Harris角点。
(3) 基于边缘特征的方法。例如,文献[17]发现直线段统计特征可以用于衡量区域开发强度。文献[18]提出了基于建筑物边缘特征的居民点检测方法。文献[4]使用边缘密度特征提取高分辨率遥感影像居民点。
目前,基于角点和边缘特征的居民点提取方法较多,且已有方法针对特定区域取得了较为理想的提取结果。但是,相关方法存在使用单一类型角点或边缘特征、未同时融合角点和边缘两种特征的问题。而在高分辨率遥感影像上,居民点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所构成[16],居民点区域同时包含大量、且符合一定要求的直角点和直角边两种特征,忽略任何一种特征会带来信息损失,进而影响提取效果。为此,本文提出一种融合直角点和直角边两种特征的高分辨率遥感影像城乡居民点提取方法。
1 本文方法本文方法包括直角点及直角边提取、居民点指数图像构建、居民点多边形确定等3个主要环节,其整体技术框架如图 1所示。另外,图 2展示了某一影像各处理环节的效果。
1.1 直角点及直角边提取
图 2(a)展示了空间分辨率为0.1 m、尺寸为8412×7958像素的航空正射影像,图 3(a)和(b)分别展示了该影像Harris角点和LSD (line segment detector)[19]直线段提取结果。可知,高分辨率遥感图像上,不仅居民点富含Harris角点和直线段特征,而且农田、规则分布园林也同样富含两种特征。但是,鉴于一栋规则建筑物尺寸与一块规则农田或园林地尺寸有着显著差别,则可通过一个直角两条直角边长度来区分两种区域。
为此,本文将直角点定义为:一个Harris角点,且距离该角点一定欧氏距离范围内有两条近似互相垂直、且长度满足一定要求的直线段,将这两条满足要求的直线段定义为该直角点的直角边。相关公式为
式中,θi为两条直线段夹角;distance1、distance2分别为两条直线段距离该Harris角点最近端点到该角点的欧氏距离;length1、length2分别为两条直线段长度;另外,ϕ1、ϕ2、ϕ3和ϕ4分别是已知的角度阈值、距离阈值、最小长度阈值、最大长度阈值。
另外,在上述定义中,直线段是必备数据。已有方法中,文献[4, 16]均采取了边缘检测、边缘分裂、直线段拟合的策略,这比较繁琐、耗时,且提取结果受参数取值优劣的影响较大。图 3(c)展示了采用文献[4, 16]策略的直线段提取结果,共耗时601.20 s,提取结果中建筑物及其周边存在伪直线段,且林地存在大量短小的直线段,整体上直线段数量过多且长短不一,该结果并不理想。为此,本文采用LSD[19]提取图像中直线段。LSD改进了文献[20]的方法,且融入了对立推理理论[21],它主要包括图像缩小、梯度计算、梯度伪排序、梯度阈值、区域生长、矩形估计、误检数量计算、对齐点密度检验、矩形优化等9个步骤[19]。LSD能在线性的时间内得出亚像素级精度的检测结果,可以在任何数字图像上无需参数调节;并且它可以自己控制误检的数量,平均而言,每张图像有一个误检[19]。图 3(b)展示了图 2(a)影像LSD直线段提取结果,共耗时123.19 s,直线段主要分布在建筑物和农田区域。可见,LSD效率高、提取效果较为理想。
综上,高分辨率遥感影像直角点及直角边提取步骤包括:
(1) Harris角点提取。
(2) LSD直线段提取。
(3) 角点和直线段交叉验证。即对任何一个Harris角点,如果找到其两个直角边,则保留该角点;否则,删除该角点。对于任何一条直线段,如果判定其为直角边,则保留该直线段;否则,删除该直线段。图 2(b)展示了本文提出的直角点和直角边的提取结果,该结果保留了居民点区域的大部分Harris角点和直线段、而删除了非居民点区域的绝大部分Harris角点和直线段。
(4) 直角点及直角边栅格化。按照输入遥感影像尺寸和空间分辨率对直角点及直角边进行栅格化。图 2(b)即为相关的栅格化结果。
1.2 居民点指数图像构建如图 2(b)所示,居民点区域富含直角点和直角边,而且非居民点区域直角点和直角边十分稀疏。因此,局部区域的直角点、直角边的密度特征可以很好地区分居民点和非居民点。为此,设计了下述居民点指数图像的构建步骤:
(1) 初始居民点指数图像生成。该图像与输入的遥感影像具有相同的尺寸和空间分辨率,且值默认为零。
(2) 空间投票。对于居民点指数图像的任一像素p(xi, yi),在直角点、直角边的栅格化影像上,查找距离p在一定距离ϕ5(ϕ5=2ϕ4)内的所有的直角点数量n1和直角边点数量n2,则居民点指数图像上像素p的值Index (xi, yi)为
式中,(xk, yk)(k=1, 2, …, n1)代表了某一直角点的坐标; (xj, yj)(j=1, 2, …, n2)代表了某一直角边点的坐标。另外,式(4)表明,在同样距离的情况下,直角点的权值是直角边点权值的100(100为经验阈值)倍。图 2(c)展示了居民点指数图像。在指数图像中,像素值越大,表明该像素属于居民点的概率越大;反之,该像素属于居民点的概率越小。另外,通过局部空间投票这种方式构建的居民点指数图像,不仅有利于同时识别大面积的居民点和相对孤立的、小面积的居民点,而且有利于后续的边界精确定位。
1.3 居民点多边形确定主要步骤包括:
(1) 指数图像二值化。观察居民点指数图像的直方图,通过试错法[22]确定一个最优的阈值ϕ6,利用该阈值对居民点指数图像进行二值化处理,且“1”代表居民点、“0”代表非居民点。
(2) 栅格转矢量。矢量化后,删除类别为“0”的矢量图斑。
(3) 剔除小图斑。确定一个最小居民点面积的经验阈值ϕ7,并删除面积小于ϕ7的矢量图斑。图 2(d)展示了最终提取的居民点区域。
2 试验与分析基于Visual Studio 2010 C++集成开发环境实现了本文提出的方法。同时,集成了文献[5]的方法,以进行两种方法性能比较。试验平台配置如下:ThinkPad W520笔记本,CPU为Intel酷睿i7-2760QM 2.4 GHz,内存2.98 GB,装配Windows XP系统。
2.1 试验数据及结果试验中共使用了3景影像。试验数据1为0.10 m空间分辨率的航空影像,其长宽分别为26 590像素、49 654像素, 相应区域位于山东省沂水县丘陵地区,其中分布着10个村庄、大量规则农田、5座小型水库和乡村道路,且村庄周边有大面积的林地,如图 4(a)所示。试验数据2为0.61 m空间分辨率的QuickBird全色影像,其长宽分别为6904像素、6905像素, 相应区域位于西藏自治区林芝市,其中分布着林芝市主城区、若干村庄和一条宽阔河流,河流水面形状和分布极不规则,内部有大量绿洲分布,且河流穿城而过,但有一条大桥横跨河流,连接着河流两侧城区,如图 4(b)所示。试验数据3为0.50 m空间分辨率的GeoEye-1影像,其长宽分别为3000像素、2200像素, 相应的区域位于日本的Inakadate,是一个以农田艺术而知名的村庄,如图 4(c)所示。
试验中,本文方法相关参数的取值见表 1。3组参数取值时,既需要依据相应图像具体特性,也需要经验知识。参数确定后,相关处理过程由计算机自动完成。图 5展示了本文方法对3个试验数据的提取结果。目视效果表明,尽管存在少量错误,但整体上的提取效果较好。相关错误主要表现在,试验数据1中容易将农田中构筑物误认为居民点,试验数据2中容易将河流中破碎绿洲区域误认为居民点,试验数据3中容易将宽广道路误认为居民点,且3个试验数据中均存容易将居民点周边一定距离内非居民点误识别为居民点的现象。
试验 数据 |
ϕ1 /(°) |
ϕ2 /像素 |
ϕ3 /像素 |
ϕ4 /像素 |
ϕ5 /像素 |
ϕ6 |
ϕ7 /m2 |
1 | 5.00 | 5 | 20 | 150 | 300 | 20.00 | 100.00 |
2 | 10.00 | 2 | 5 | 300 | 600 | 50.00 | 100.00 |
3 | 10.00 | 2 | 5 | 100 | 200 | 200.00 | 100.00 |
同时,采用了文献[5]方法开展了对比试验。文献[5]方法提取了“+”“T”“X”型的交叉点作为角点特征、并采用了全局投票产生居民点指数图像。试验结果表明,文献[5]方法也能较好地提取城乡居民点,但与本文方法提取结果相比,存在更多的错误。另外,采用人工勾绘的方式提取了相应的城乡居民点作为参考数据,且勾绘时要将全部面积大于ϕ7的居民点进行识别。但鉴于篇幅原因未展示这两种方式提取的相关结果。
2.2 精度评价采用正确率Pc、完整率Pe、质量Pq 3个指标对上述两种自动方法性能进行定量分析。3个指标计算公式为
式中,Sauto & manual是相关方法提取结果与人工勾选结果交集的面积;Sauto为相关方法提取居民点的面积;Smanual为人工勾选居民点的面积;Sauto||manual为相关方法提取结果与人工勾选结果并集的面积。
两种方法在3个试验数据中的3个指标值见表 2。表 2的统计数据表明,3个试验数据中,本文方法的3个指标值均优于文献[5]方法的相应指标值。以试验数据3为例,本文方法和文献[5]方法的正确率分别为84.60%、77.13%,完整率分别为88.69%、81.27%,质量分别为76.36%、65.49%,且其他试验的统计数据也呈现类似规律。另外,平均而言,本文方法比文献[5]方法的正确率高6.76%、完整率高10.12%、质量高12.14%。可知,定量评价表明本文方法的精度优于已有文献[5]方法。
2.3 分析与讨论
本文方法的精度明显高于文献[5]方法的精度,这有两方面原因:首先,本文方法同时融合了直角点和直线段两种特征,而文献[5]方法仅仅使用了角点特征。其次,在空间投票阶段,本文方法进行了局部投票,而文献[5]方法使用了全局投票。全局投票的负面影响有两点:①投票效果与居民点形状有着密切关系,居民点的形状越接近圆形,则居民地的提取效果越好,但是,对于不规则形状的居民点,全局投票会导致提取的居民点多边形与其真实形状不符;②投票效果与居民点数量和空间分布有着密切关系。如果同一张影像上同时存在大小不一、空间分布不均匀的居民点,则全局投票会导致较大居民点具有更大概率值、较小且距离最大居民点较远居民点具有更小概率值,且很难确定合理的全局阈值区分居民点和非居民点。但是,本文局部空间投票也会导致提取的居民点多边形内部出现空洞、误提取面积极小的居民点、误提取居民点周边区域等问题。综合而言,直角点和直角边两种特征融合和局部空间投票提高了本文方法提取精度。
3 结论针对高分辨率遥感影像城乡居民点提取的需求,本文提出了一种融合直角点和直角边两种特征的居民点提取方法。该方法需要7个人工干预的参数阈值。但是,其中的6个参数具有物理意义、容易确定,且其中的两个参数具有固定的倍数关系。使用3景不同类型的影像进行了试验。试验表明,本文的方法具有更高的提取精度。本文的主要贡献表现在两个方面:①高分辨率遥感影像城乡居民点提取过程中,首次融合直角点和直角边两种特征构建了居民点指数图像;②面向居民点的提取,首次使用了LSD算法提取影像中的直线段,避免了边缘检测、边缘分裂、直线段拟合的这种繁琐流程。但是,本文方法目前也存在下述缺陷:①容易将规则分布、尺寸与建筑物相当的农田、水体区域误认为居民点;②空间投票过程相当耗时,导致方法效率不高。
下一步研究工作包括:①进一步优化算法,并采用并行计算[23]技术提升效率;②进一步融合植被指数、水体指数[24]、不透水层指数[25]等相关成果以增强居民点与农田、水体的区分性;③进一步融合规划、人口、行政界线等数据以确定精确城区边界。
致谢: 感谢武汉大学夏桂松教授提供的技术支持。
[1] | 关元秀, 程晓阳. 高分辨率卫星影像处理指南[M]. 北京: 科学出版社, 2008: 222-255. GUAN Yuanxiu, CHENG Xiaoyang. High Resolution Satellite Image Processing Guide[M]. Beijing: Science Press, 2008: 222-255. |
[2] | SIRMAÇEK B, ÜNSALAN C. A Probabilistic Framework to Detect Buildings in Aerial and Satellite Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(1): 211–221. DOI:10.1109/TGRS.2010.2053713 |
[3] | 陈军, 陈利军, 李然, 等. 基于GlobeLand30的全球城乡建设用地空间分布与变化统计分析[J]. 测绘学报, 2015, 44(11): 1181–1188. CHEN Jun, CHEN Lijun, LI Ran, et al. Spatial Distribution and Ten Years Change of Global Built-up Areas Derived from GlobeLand30[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(11): 1181–1188. DOI:10.11947/j.AGCS.2015.20140677 |
[4] | 陈洪, 陶超, 邹峥嵘, 等. 利用边缘密度特征提取高分辨率遥感影像中的居民区[J]. 应用科学学报, 2014, 32(5): 537–542. CHEN Hong, TAO Chao, ZOU Zhengrong, et al. Extraction of Built-up Areas Extraction from High-resolution Remote-sensing Images Using Edge Density Features[J]. Journal of Applied Sciences-Electronics and Information Engineering, 2014, 32(5): 537–542. |
[5] | LIU Gang, XIA Guisong, HUANG Xin, et al. A Perception-inspired Building Index for Automatic Built-up Area Detection in High-resolution Satellite Images[C]//Proceedings of IEEE International Geoscience and Remote Sensing Symposium. Melbourne, VIC:IEEE, 3132-3135. |
[6] | BENEDIKTSSON J A, PESARESI M, AMASON 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. DOI:10.1109/TGRS.2003.814625 |
[7] | ZHONG Ping, WANG Runsheng. A Multiple Conditional Random Fields Ensemble Model for Urban Area Detection in Remote Sensing Optical Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(12): 3978–3988. DOI:10.1109/TGRS.2007.907109 |
[8] | PESARESI M, GERHARDINGER A. Improved Textural Built-up Presence Index for Automatic Recognition of Human Settlements in Arid Regions with Scattered Vegetation[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2011, 4(1): 16–26. |
[9] | HUANG Xin, ZHANG Liangpei. Morphological Building/Shadow Index for Building Extraction from High-resolution Imagery over Urban Areas[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2012, 5(1): 161–172. DOI:10.1109/JSTARS.2011.2168195 |
[10] | 沈小乐, 邵振峰, 田英洁. 纹理特征与视觉注意相结合的建筑区提取[J]. 测绘学报, 2014, 43(8): 842–847. SHEN Xiaole, SHAO Zhenfeng, TIAN Yingjie. Built-up Areas Extraction of High-resolution Remote Sensing Images by Texture Driven Visual Attention Mechanism[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(8): 842–847. |
[11] | LI Yansheng, TAN Yihua, DENG Jianjin, et al. Cauchy Graph Embedding Optimization for Built-up Areas Detection from High-resolution Remote Sensing Images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(5): 2078–2096. DOI:10.1109/JSTARS.2015.2394504 |
[12] | SIRMACEK B, UNSALAN C. Urban-area and Building Detection Using Sift Keypoints and Graph Theory[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(4): 1156–1167. DOI:10.1109/TGRS.2008.2008440 |
[13] | SIRMACEK B, UNSALAN C. Urban Area Detection Using Local Feature Points and Spatial Voting[J]. IEEE Geoscience and Remote Sensing Letters, 2010, 7(1): 146–150. DOI:10.1109/LGRS.2009.2028744 |
[14] | MARTINEZ-FONTE L, GAUTAMA S, PHILIPS W, et al. Evaluating Corner Detectors for the Extraction of Man-made Structures in Urban Areas[C]//Proceedings of IEEE International Geoscience and Remote Sensing Symposium. Seoul:IEEE, 2005. |
[15] | KOVÁCS A, SZIRÁNYI T. Improved Harris Feature Point Set for Orientation-sensitive Urban-area Detection in Aerial Images[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(4): 796–800. DOI:10.1109/LGRS.2012.2224315 |
[16] | 陶超, 邹峥嵘, 丁晓利. 利用角点进行高分辨率遥感影像居民地检测方法[J]. 测绘学报, 2014, 43(2): 164–169, 192. TAO Chao, ZOU Zhengrong, DING Xiaoli. Unsupervised Urban Detection from High-resolution Remote-sensing Imagery Based on Improved Harris Corner Detector[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(2): 164–169, 192. |
[17] | VNSALAN C, BOYER K L. Classifying Land Development in High-resolution Panchromatic Satellite Images Using Straight-line Statistics[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(4): 907–919. DOI:10.1109/TGRS.2003.818835 |
[18] | 顾娟, 陈军, 张宏伟, 等.基于建筑物边缘特征的居民地自动识别方法研究[C]//中国测绘学会九届二次全体理事会议暨2006年学术年会论文集.深圳:[s.n.], 2006:152-161. GU Juan, CHEN Jun, ZHANG Hongwei, et al. Research on Automatic Human Settlement Recognition Method Based on Building Edge Feature[C]//Proceedings of the 2006 Annual Conference of the Chinese Society of Geodesy, Photogrammetry and Cartography.Shenzhen:[s.n.], 2007:152-161. |
[19] | VON GIOI R G, JAKUBOWICZ J, MOREL J M, et al. LSD:A Fast Line Segment Detector with a False Detection Control[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(4): 722–732. DOI:10.1109/TPAMI.2008.300 |
[20] | BURNS J B, HANSON A R, RISEMAN E M. Extracting Straight Lines[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986, PAMI-8(4): 425–455. DOI:10.1109/TPAMI.1986.4767808 |
[21] | DESOLNEUX A, MOISAN L, MOREL J M. From Gestalt Theory to Image Analysis:A Probabilistic Approach[M]. New York: Springer, 2008. |
[22] | JACKSON R R, CROSS F R, CARTER C M. Geographic Variation in a Spider's Ability to Solve a Confinement Problem by Trial and Error[J]. International Journal of Comparative Psychology, 2006, 19(3): 282–296. |
[23] | 亢晓琛, 刘纪平, 林祥国. 多核处理器的机载激光雷达点云并行三角网渐进加密滤波[J]. 测绘学报, 2013, 42(3): 331–336. KANG Xiaochen, LIU Jiping, LIN Xiangguo. Parallel Filter of Progressive TIN Densification for Airborne LiDAR Point Clouds Using Multi-core CPU[J]. Acta Geodaetica et Cartographica Sinica, 2013, 42(3): 331–336. |
[24] | XU H. Modification of Normalised Difference Water Index (NDWI) to Enhance Open Water Features in Remotely Sensed Imagery[J]. International Journal of Remote Sensing, 2006, 27(14): 3025–3033. DOI:10.1080/01431160600589179 |
[25] | XU H. Analysis of Impervious Surface and Its Impact on Urban Heat Environment using the Normalized Difference Impervious Surface Index (NDISI)[J]. Photogrammetric Engineering and Remote Sensing, 2010, 76(5): 557–565. DOI:10.14358/PERS.76.5.557 |