摘要：高分辨率遥感影像中建筑物信息丰富，对于城市地理数据库更新具有重要意义，本文介绍了目前国内外对建筑物提取的研究现状，研究了信阳市高分辨率遥感影像的光谱特征。针对建筑物提取实验原理，对该影像采用非监督分类和形态学方法进行了建筑物提取研究，以便为高分辨率遥感影像城市建筑物信息提取提供一种思路。
关键词：高分辨率遥感影像；城市建筑物；非监督分类；形态学
引言
自20世纪90年代以来高分辨率卫星遥感影像已在商业及城市建设方面普遍应用，高分辨率卫星遥感以非常精细的方法观察地面，所获取的高分辨率遥感影像可以更清楚地表达地物目标空间结构特征与表层纹理信息，为人工地物信息提取提供了一种有效的途径。在城市高分辨率遥感影像中城市建筑物信息占所有地物信息的70％左右，因此建筑物识别与提取在遥感图像识别中占据很大的比重，另外建筑物作为地物类别中的主要内容，作为地形图中的重要成图元素，它的识别与提取，直接影响到地图测绘的自动化水平，对它的识别与提取对图像理解、制图都具有重要的意义。城市发展越来越快，在城市地理数据中建筑物作为更新最快的一种地物目标，实现高分辨率遥感影像上城市建筑物提取可以为地理数据库更新提供一种快速有效的方法。
本文利用ERDAS Imagine 9.3对信阳市高分辨率卫星影像采用非监督分类法进行了城市建筑物信息提取，另外在matlab7.0软件环境下又采用了形态学图像处理法提取城市建筑物。
1国内外研究现状
建筑物作为一种具有显著特征和代表意义的人工地物，因其表现形式的多样性，在遥感应用中的意义不言而喻，建筑物信息的识别和提取是当前高分辨率遥感影像应用的热点和难点。对遥感影像建筑物提取的研究与应用，国内外许多学者已投入了大量研究。
1.1国外研究现状
R.Nevatia.C和C.A.Line[1]采用了直接从单幅影像提取建筑物的方法，利用矩形轮廓生成模拟厚重的实际轮廓，通过阴影、高度和墙体来对比验证了屋顶的实际轮廓，该方法主要针对人字形屋顶、扁平屋顶的建筑物进行提取较为有效。Z.W.Kim和Sanijay Noronha利用了多幅遥感影像对直线以及角点等匹配低层特征，提取结果较差。Yanlin Guo等人先将灰度图像和深度图像结合产生建筑物的初始轮廓，再用恰当的方位、尺度参数的形状模板去逼近建筑物的轮廓，矩形模板通过进一步变形合并更多边缘，并产生具有凹凸形状的真正建筑物轮廓。M.Gerke，C.Heipke和B.M.Straub.Building利用地表数字模型建立场景模型，用不变几何距提取建筑物屋顶轮廓[2]。
Stassopoulou etal利用canny算子进行多尺度分割与边缘分割相结合的方法对影像对象进行分割和特征信息提取，并结合其成像条件在Bayesian网络支持下识别并提取建筑物特征。Baatz和Schape提出了一种影像多尺度分割与决策树分类相结合的方法，即eCognition中所采用的算法。
1.2国内研究现状
对于国内遥感影像建筑物信息提取研究，杨益军等人基于影像的灰度信息，合理假设建筑物顶部的灰度和背景环境存在一定对比度，经过图像预处理后，增强了它们之间的对比度，再对其进行灰度聚类，灰度大于某个阈值的那些连通区域，即为建筑物的顶部。陶文兵[3]等人则提出一种从高分辨率航空影像中自动提取矩形建筑物的方法。周亚南[4]等人在高分辨率影像中提取出建筑物阴影对象，然后运用了范围较小的阈值条件提取建筑物，再通过建筑物与其阴影的空间关系特征分离相互连接的建筑物对象并确认漏提取的建筑物对象，从而提高了建筑物的提取精度。于东方等提出在高分辨率遥感图像中检测出建筑物阴影后，利用ROI来得到种子点进行区域生长，从而有效地提取建筑物，但此方法适用的前提是ROI与矩形框必须很相似，但ROI近似于阴影或矩形比较适用，并且如果ROI是个狭长的区域时，矩形框中就会出现大量的伪感兴趣区域[5]。
2建筑物提取方法
本文针对高分辨率遥感影像城市建筑物提取的研究采用了非监督分类法、形态学的方法。首先通过目视解译判断建筑物的分布，分析了该影像各地物的光谱曲线，再利用影像的灰度直方图，进行影像上的建筑物灰度分布分析，通过图像预处理，进行建筑物的分类或提取。
非监督分类是假定遥感影像上同类地物在相同条件下具有相同的光谱特征，它是在没有先验知识（训练样本）的情况下，仅根据影像本身的统计特征及自然点群的分布情况来划分地物类别的，然后再对已分出的各类地物属性进行确认，也称作“边学习边分类”。本研究区采用ERDAS IMAGINE的ISODATA算法（基于最小光谱距离公式）来进行非监督分类。
形态学处理方法主要针对二值图像，对二值图像的处理主要采用膨胀和腐蚀操作。图像膨胀就是把二值图像各1像素连接成分的边界扩大一层的处理。为了对二值图像进行这两种基本操作而保证图像目标面积不发生明显变化，提出了二值图像开运算和闭运算。对原遥感影像利用形态学的思想进行处理，整体思路为：图像灰度化—图像预处理—边缘检测—形态学处理。
3建筑物信息提取实验
本卫星影像是从google earth上截取的信阳市区的部分影像图，从影像上利用目视解译，可将建筑物分为：低矮房屋，街巷，道路，高层房屋，绿化带。根据自己的经验目视解译后，利用ERDAS IMAGINE9.2和matlab 7.0进行影像建筑物信息提取。
基于原遥感影像先对目视解译后的各种地物光谱特征进行分析，在原遥感图像中有19排房屋、5条道路、8条街巷、10块空地、1个广场，对影像中各地物的光谱曲线分析结果如下所示，其中紫红色表示广场，黄色表示道路，红色表示高层建筑物，绿色表示低矮房屋，蓝绿色表示街巷，深紫色表示空地。从地物光谱区线中我们可明显知道广场和道路的反射率比较高，空地和街巷的分辨率较低。
3.1非监督分类提取建筑物
在基于遥感影像处理过程中所采用的图像处理过程如下：①高分辨率遥感影像对数残差处理（log Residuals）。②降噪处理（Noise Reduction）。③卷积增强处理（Convolution）。卷积增强处理的关键是卷积算子—系数矩阵的选择，该系数矩阵又称为卷积核。[6]④直方图均衡化[7]（Histogram Equalization），通过对图像进行非线性拉伸，重新分配图像像元值，使一定灰度范围内像元的数量大致相等；这样，原来直方图中间的峰顶部分对比度得到增强，而两侧的谷底部分对比度降低。经过上述图像预处理之后，遥感影像的处理结果如下所示：
图3预处理后的遥感影像
对处理后的遥感影像图，在ERDAS IMAGINE9.2中利用ISODATA算法进行分类，首次分类设置初始分类数为10，最大循环数为6，循环收敛值为0.95，得到分类的初始结果。然后利用得到的初始分类结果与原始影像叠加分析进行分类精度评价。
在分出的结果中空地、广场都被归为房屋，房屋的分类精度为80%，道路不能和高层建筑物区分开，街巷不能和低矮房屋区分开。非监督分类根据影像上的灰度级对影像进行分类，不能有效地将不同地物准确地区分开，并且精度较低，分类很大程度上依靠的是人的经验，依靠图像灰度级反复试验只能对图像进行粗略归类，解译的准确率很大程度上依赖对该地区的熟悉程度。分析结果中，用CS（correct selection）为建筑物正确选取数目ES（error selection）为错误选取数目，AS（accuracy selection）为分类精度。
表1 非监督分类结果
3.2形态学法处理遥感影像
信阳市高分辨率卫星影像采用数字图像处理对建筑物信息的提取所做的处理主要包括图像预处理、边缘检测、去除阴影、二值化、形态学处理过程。
在matlab7.0中利用数字图像学处理原理，对高分辨率信阳市卫星影像的具体处理过程如下：
Clear all；
I=imread（'信阳.jpg'）；
figure，imshow（I，256）；%显示图像
I1=rgb2gray（I）；%图像灰度化
figure，imshow（I1），title（'灰度图'）；
figure，imhist（I1），title（'直方图'）；
I2=imadjust（I1，[0.7，0.8]，[0.2，0.8]）；%图像拉伸
figure，imshow（I2），title（'拉伸图'）；
%图像滤波
I3=histeq（I2）；
H1=fspecial（'average'）；
I4=imfilter（I3，H1，'replicate'）；
figure，imshow（I4），title（'滤波图'）；
I5=wiener2（I4，[5，5]）；
figure，imshow（I5），title（'维纳滤波'）；
figure，imhist（I5），title（'直方图'）；
level=graythresh（I5）；
I6=im2bw（I5，level）；
figure，imshow（I6）；
%图像边缘检测
[I7，t]=edge（I6，'Roberts'）；
figure，imshow（I7），title（'Roberts边缘检测'）；
I8=bwperim（I7，8）；
figure，imshow（I8），title（'八连通提取边界'）；
%图像闭运算处理
se=strel（'disk'，3）；
I9=imclose（I8，se）；
figure，imshow（I9）；
J1=bwmorph（~I9，'clean'，3）；
figure，imshow（J1）；title（'骨架提取'）；
图4形态学图像处理结果
从试验结果中我们可以看到停车场的边缘被当做房屋的边缘被提取出来，这样造成建筑物提取效果并不是很好。另外在房屋密集的地区房屋的边缘提取的有些不完整，在对二值图像进行闭运算后出现有图像孤立的区域。针对这些问题我们今后要着重从以下几方面研究：①利用数学形态学方法用于建筑物区域提取，要选好结构元素。在本实验中对数学形态学结构元素的选取，只进行了一次简单的操作，有关结构元素的选取理论仍处于初期阶段。因此，未完善的结构元素选取方法给数学形态学在建筑物提取中带来一定的局限性。②缺少建筑物形状模型设计，对复杂建筑物模型没有涉及。③在对建筑物边缘检测时，是对所有边缘进行检测，最后进行闭运算操作时，许多无意义的边缘都不能去掉。
4建筑物提取结果总结
本文基于非监督分类和形态学的方法对高分辨率遥感影像处理之后，我们发现非监督分类由于缺少训练场，分类的结果很大程度上依赖目视解译人的经验，分类时需要反复与原遥感影像比对，工作量相对较大，并且最终精度较低。利用形态学的方法对影像进行处理需要了解影像灰度分布，处理时可以较大地发挥个人的主观能动性，并且效率较高，最后提取出的建筑物信息精度较高。
由于高分辨率遥感影像能快速地给我们提供大量的地物信息，利用非监督分类法进行的分类精度较差，随着对地物信息提取分类研究的深入，人们提出了越来越多的分类方法。本文中非监督分类只是根据地物的光谱信息差异进行了分类，数字图像处理中虽然利用了图像分割，但提取出来的地物信息仍然精度不高。
结语
高分辨率遥感影像城市建筑物信息提取对更新城市信息数据库具有重要作用，随着遥感技术的发展，人们对高分辨率遥感影像中提取建筑物信息方法的研究越来越深入，通过对传统建筑物提取方法的继承，创新出更精准的提取方法，为我国数字化城市建设、城市规划等提供有效的途径。
参考文献
[1]Adrian Ford，Alan Roberts.Colour Space Conversions（Technical Report）[M].London：Westminster University.1998.
[2]张银辉，赵庚星.土地利用/土地覆盖遥感分类方法的研究[J].2002，23（3），21-25.
[3]陶文兵，柳健.一种新型的航空图像城区建筑物自动提取方法[J].计算机学报，2003，26（7）：867-873.
[4]周亚男，赵荣椿，汪文秉.航空图像中人工建筑物的自动检测[J].计算机工程，2002，28（8）：21-27.
[5]陈宁强，戴锦芳.人机交互式土地资源遥感解译方法研究[J].1998，13（2）：15-20.
[6]杜培军.遥感原理与应用[M].徐州：中国矿业大学出版社，2006.
[7]陈光.遥感图像中建筑物识别与变化检测[M].南京：南京理工大学，2005.
论文作者:王颖丽
论文发表刊物:《建筑学研究前沿》2019年9期
论文发表时间:2019/8/27
标签：建筑物论文; 遥感论文; 影像论文; 图像论文; 地物论文; 形态学论文; 高分辨率论文; 《建筑学研究前沿》2019年9期论文;