近年来，航空摄影测量技术飞速发展，无人机平台及其搭载的各类传感器不断改进，使得航空摄影测量的精度逐步提高。Smart3D、PhotoScan、MapMatrix等航空摄影测量数据处理软件提高了航测的自动化程度，节省了大量的人力成本，从而使无人机航空摄影测量也越来越多地运用到大比例尺地形图测绘的实践中。然而，这些航测数据处理软件无法自动绘制地形图，后续DLG(digital line graphic)生产仍需要人工目视解译描绘^[1]。

建筑物是DLG的重要组成部分之一，也是城市空间信息中占比最大的重要组成单元。建筑物区域的自动提取能提高生产效率，对地形图的更新有重要意义。国内外许多学者也对建筑物自动提取做出大量研究^[2-5]，考虑到航摄影像处理后可以得到高分辨率的DSM(digital surface model)和DOM(digital orthophoto map)，其中DSM包含建筑物的坐标及高程信息，DOM可以提供地物的光谱、纹理及结构特征，因而本文充分利用两者的信息完成建筑物区域的提取，并选取ISPRS Potsdam城市测试数据集中的数据进行试验。

1 建筑物区域提取方法

本文利用航摄影像处理后得到的DSM和DOM对建筑物区域进行提取(见图 1)。首先，用形态学处理的方法对DSM进行增强处理，增强高差对比度；然后选取一定的阈值对DSM进行阈值分割，剔除较为低矮的地物，得到二值图；其次，利用支持向量机(support vector machine，SVM)分类器对DOM进行分类，提取植被区域，从而剔除DSM二值化影像中较高的树木；最后，运用形态学滤波和面积阈值对DSM二值影像上的建筑物区域进行后处理，提取出建筑物区域^[6]。

1.1 图像增强

图像增强能够扩大DSM中不同地物之间的高差，使建筑物和周围其他地物的高差更为明显，从而使后续的阈值分割效果更佳。本文采用顶帽变换与底帽变换相结合的方法增强DSM地物之间的高程对比度，突出显示较高的建筑物^{[7, 8]}。

顶帽变换和底帽变换常用于处理光照不均匀的影像，而DSM中起伏不平的地面即为高程不均匀的背景，将顶帽变换后的图像与底帽变换后的图像相减能够起到增强图像对比度的作用，即可以增大地面与建筑物之间的高差，其公式表示为：

$ f_{\text {enhance }}=f+T_{\text {hat }}(f)-B_{\text {hat }}(f) $

(1)

其中，

$ T_{\text {hat }}(f)=f-(f \cdot b) $

(2)

$ B_{\mathrm{hat}}(f)=(f \cdot b)-f $

(3)

1.2 阈值分割

对于地形起伏的DSM，若采用全局阈值分割，则无法完全将建筑物与地面区分开来。由于建筑物与其所在位置附近的地面有高程上明显的阶跃，因而可选择局部极大值阈值分割的方法，即根据建筑物高度确定阈值，再判断DSM中某像素的高程值与邻近像素高程值的差是否大于该阈值，若大于该阈值，则标记为目标，否则标记为背景，如此便可剔除较为低矮的植被和其他地物(非建筑物)^{[9, 10]}。如图 2所示，图 2(a)为全局阈值分割结果，可见图像左侧建筑物与其他地物都被标记为前景目标，而无法分割开来；图 2(b)为本文采用的局部极大值阈值分割的结果，可见建筑物与其他地物之间可明显的区分开来，也为后面更为精细化的提取打下基础。

1.3 SVM分类

SVM是一种监督分类器，可以综合利用样本的多种特征进行分类^[11]。在样本的特征空间中，SVM寻找最优分离超平面，使得样本到这个面的距离最大化，从而实现对样本的分类。如图 3为SVM分类结果，由于道路和建筑物某些特征较为相近，容易发生混淆，而植被与这两类地物的特征相差较大，故可融合SVM分类结果将较高的植被剔除。若高大植被对建筑物造成遮挡，则会影响后续建筑物的提取结果。

1.4 形态学处理

在用SVM算法提取植被时，某些建筑物区域上的像素由于光谱特征相似可能被错误检测为植被，从而被剔除，导致提取的建筑物内部存在孔洞，建筑物边缘区域不整齐，存在锯齿现象。采用形态学运算可以对建筑物分类提取结果进行后处理，利用形态学开运算和闭运算对建筑物边缘进行平滑，对建筑物内部小孔、缝隙进行填充^[12]。

由于上述SVM分类采用了基于像素的监督分类，而基于像素的处理方式固有的“椒盐效应”使得剔除树木区域后，DSM后处理影像上形成较多小面积的零散碎块区和孔洞。而建筑物在影像上是联通的区域，且具有一定的面积，通过统计DSM二值影像上各连通区域的面积，设置面积阈值，可将零散区域剔除。因此针对由于错分形成的小碎块区域，可以通过“小面积去除”法进行剔除^[13]。该方法只会去除面积较小的错分区域，由于建筑物所含的像素数较多，可以被保留下来，建筑物的细节信息等不会被改变。

2 试验与分析

本文试验选取ISPRS Potsdam城市数据集中的DSM及包含RGB(red-green-blue)通道的DOM，并采用数据集中提供的地物标记作为真值参照，影像地面采样间隔均为0.05 m，大小均为6 000×6 000像素^[14]。所选3个区域均包含高低大小不一的建筑物，且建筑物周围均有许多植被环绕。以Potsdam_2_10的试验为例，图 4为该区域的DSM、DOM影像及建筑物区域二值图，图 5为该建筑物区域的各处理阶段的提取结果。图 6为3个区域建筑物区域的提取结果二值图及叠加DOM后的效果图。以数据集提供的建筑物二值图为真值参照，黄色表示正检区域，红色表示漏检区域，蓝色表示误检区域。

为定量评价实验结果，设C_C为正确检测的建筑物的像素数，D_C为检测出的全部建筑物像素数，T_C为人工标注的参考影像中的建筑物像素数，U_C为错误检测出建筑物的像素数，采取的目标检测评价指标如下^[15]：

正检率：

$ \text { Correctness }=C_{C} / D_{C} $

(4)

完整率：

$ \text { Completeness }=C_{C} / T_{C} $

(5)

检测质量：

$ \text { Quality }=C_{C} /\left(T_{C}+U_{C}\right) $

(6)

本试验方法对3个区域的建筑物提取精度如表 1所示。

由像素级评定结果可见，本文提出的建筑物区域提取方法在对3个试验区域的检测中正检率及完整率均在90%以上，且检测质量也较高。由图 6所示的试验区域提取结果可见，本方法可将面积较大的建筑物完整提取出来，面积较小且不被树木遮盖、纹理与植被相差较大的建筑物也可被准确提取。

3 结束语

本文算法充分结合高分辨率DSM的高程信息及DOM的光谱、纹理信息，实现了城市建筑物的有效提取，且自动化程度较高，具有一定的普适性。但由于本文采用无人机影像密集匹配处理得到的DSM及包含RGB通道的DOM来提取建筑物区域，其提取效果会受到二者的限制，若融合激光点云处理结果或其他波段光谱信息的DOM(如近红外波段)，则理论上会提高分类精度，但后者的生产成本显然更高。与基于深度学习的建筑物提取方法相比^[16-19]，本文算法虽精度略差，但提取效率更高，无需长时间训练。下一步可考虑以建筑物的规则边界作为约束进行边缘平滑以及改进算法以进行更为精准的图像分类。