英语原文共 4 页，剩余内容已隐藏，支付完成后下载完整资料

基于多尺度面向对象分类和概率Hough变换的高分辨率图像建筑物提取

Z.J. LIU J. WANG 中国测绘科学研究院摄影测量与遥感研究所

W.P. LIU 中山大学地理与规划学院

摘 要

本文提出了一种基于多尺度面向对象分类和概率Hough变换的高分辨率遥感影像建筑物提取系统。提取过程可以分为两个不同的阶段:建筑物屋顶提取和形状重构。对于第一阶段，首先融合多光谱和全色高分辨率卫星图像以改善空间分辨率和颜色信息，将多分辨率图像分割结果应用于融合后的图像，会在不同的空间尺度上形成不同层次的多边形基元，从而提供了不同分辨率下各异的场景视图。除了光谱信息外，色调、纹理、形状和上下文信息也被以面向对象的方式进行评估。该面向对象分类基于模糊规则决策树分类器，通过对屋顶形状、纹理、背景和光谱信息的模糊评价，并从屋顶多边形基元的适当空间尺度上进行重构和分类来提取建筑物屋顶。在形状重构阶段，我们采用概率Hough变换来描绘屋顶主控线，其显示了指定建筑物屋顶的形状信息。根据主控线，提出了一种基于建筑物边界直线拟合的建筑物平方算法。实验表明，该方法能够正确地检测、提取和重构大部分建筑物矩形屋顶，具有一定的应用前景。

关键词——建筑物提取; 面向对象分类; Hough变换

一 . 介绍

卫星遥感技术的最新进展，例如：成功推出的Ikonos卫星和QuickBird卫星，为个人、商业组织和政府提供覆盖全球、准确、高分辨率的多光谱图像来应用于城市发展应用，特别是从高分辨率图像中提取建筑物信息一直是遥感和计算机视觉科学家最感兴趣的主题之一。

一般而言，目前的建筑物提取方法可以分为两类:

第一类方法是研究最多的，这一方法应用广泛且能够深入地利用与高度信息相结合的图像信息来提取建筑物，这些图像信息来自立体图像或其他来源。例如，Fraser等人在2002年展开了从Ikonos卫星获取的立体图像中提取建筑物的实验，还创建了CSG等操作方法，并在一些商业软件系统上进行了实现。

另一种方法仅依赖于卫星遥感图像：将新的图像处理算法与模式识别、机器视觉、人工智能等领域的新方法相结合，实现建筑物屋顶的半自动或自动提取。该方法不需要高度信息和其他先验知识。与第一种方法相比，它有着更广泛的应用领域，但目前仍存在一些需要克服的技术难题。

Zheltov在2001年采用Burns等人在1986年提出的线性提取方法，结合矩形建筑物模型从航拍图像中提取建筑物信息。Sohn and Dowman在2001年采用基于傅里叶变换和二叉空间划分树方法，结合建筑单元形状知识提取多边形建筑物。Stassopoulou在2000年将基于canny算子的多尺度区域分割方法与边缘分割方法相结合，提取建筑物区域特征(几何形状、辐射特征、上下文信息)，利用贝叶斯网络继续提取建筑物特征。Lin和Nevatia在1998年根据一般光照模型推导出建筑物边缘线与建筑物阴影的解析几何关系，以此来分析不同地物之间的关系。

以上提到的这些方法通常会利用边缘连接算法对检测到的线、面之间的关系进行语义分析，再加上具有高信噪比(SNR)的特点，将这些方法用于航空摄影中，结果取得了较好的效果。然而，在高分辨率卫星图像中，若是出现低空间分辨率和低信噪比的现象会大大增加准确定位和识别屋顶边缘的难度。

Lee在2003年利用回波分类器对多光谱Ikonos图像进行分类，并使用Hough变换提取建筑物形状。Baaze和Schape在2000年提出将多尺度区域分割方法与面向对象的决策树分类器相结合，并通过研究光谱、纹理和上下文信息对建筑物目标的特征进行分类的一种新方法来提取建筑物，将该方法应用于高分辨率土地利用情况的分类图像中，取得了较好的效果，该方法还可用于建筑物、耕地等典型人造特征的提取中。

本文提出了一种基于多尺度目标分类和概率Hough变换的高分辨率卫星图像自动提取系统。

二、方法

1)一般程序

提取建筑物屋顶的方法包括以下几个步骤：首先，利用HIS融合技术将原始高分辨率全色图像与低分辨率多光谱图像(绿色、红色、近红外波段)融合，增强地物的颜色和纹理信息；其次，对融合图像采用多分辨率分割算法，在给定的空间尺度上创建具有均匀颜色、相似纹理和约束形状的对象基元，从而为我们提供不同分辨率的场景视图；第三，基于光谱、色调、纹理、形状和上下文信息，构造面向对象的分类规则，并将这一规则应用于先前生成的对象基元，该分类规则基于模糊规则决策树分类器，这一步骤将产生一个分类良好的城市土地利用图。具体来说，分类结果可以成功地将建筑物与其他对象区分开来，如植被、道路、水体和小型车辆等，然后将创建的构建类合并在一起，创建一个二进制编码的构建掩码图像；最后，利用概率Hough变换和直线拟合方法，对掩模图像中的每个建筑物单元进行主观的形状细化，再采用概率Hough变换对屋面主控线进行划分，显示出指定建筑物屋面的主要朝向，接着根据主控线，提出一种基于建筑物边界直线拟合的建筑物平方算法。

2)多分辨率分割

本文采用的多分辨率分割算法是Baatz和Schape在2000年提出的自底向上区域合并技术。基于邻域对象的光谱、色调、纹理、形状和上下文信息的差异，从单像素对象开始，经过多次迭代，将较小的图像对象合并为较大的图像对象，这种成对的聚类过程最小化了生成的构建对象基元的异构性，并最大化了构建基元与其他对象之间的异构性。

图1：高分辨率遥感影像的面向对象分类:(a)原始QuickBird图像经过融合增强;(b)分类建筑物(红色)、道路(灰色)及植物(绿色)。

3)面向对象分类

本文提出的方法基于一种新的面向对象的图像分类技术。与传统分类方法相比，面向对象分类方法的基本处理单元是图像对象或图像段，而不是单个像素。使用面向对象分类方法的原因在于，其预期结果是提取出形状合适、类别合适的真实世界建筑单元，这种期望结果不能通过常见的基于像素的方法来实现。

在商业遥感图像处理软件eco3.0下，对城市土地覆盖植被情况进行面向对象分类。该分类基于模糊规则决策树分类器，而分类的先验知识就是图像中各个对象之间的语义关系，如建筑物图元与阴影、建筑道路、庭院之间的关系。基于多分辨率分割对象基元的内在特征、拓扑特征和上下文特征，构造了不同的决策规则。

由此产生的城市土地利用情况分类图可用于区分建筑物与其他对象，如植被、道路、水和小型车辆，然后将创建的构建类合并在一起，创建一个二进制编码的构建掩码映像。

4)渐进概率Hough变换

Hough变换是一种功能强大的图像处理方法，它被广泛应用于从遥感图像中提取线性特征的研究，如从图像中提取出道路或跑道、大坝、屋顶边缘等信息。由于计算复杂，应用渐进概率Hough变换（PPHT）来尽量减小用于投票的点数比例，同时保持假阴性和假阳性检出率接近标准Hough变换的检出率，从而提供改进了的高效检测建筑物屋顶边缘的方法。

图2：采用渐进概率Hough变换(PPHT)检测屋顶主控线:白色区域表示从Quickbird图像中分类的建筑物屋顶;红线显示了探测到的顶板主控线

以下为Matas等人在1998年所述的算法概要：

1. 检查输入图像，如果输入图像为空，则结束算法；

2. 使用从输入图像中随机选择的单个像素信息来更新累加器；

3. 从输入图像中移除所选择的像素信息；

4. 检查被新像素更新过的累加器的峰值是否高于阈值1，如果不高于，则将累加器的峰值改为1；

5. 沿着累加器的峰值所指向的通道查找，找到最长的像素段；

6. 删除分段中输入图像的像素；

7. 从累加器中取消先前已投过票的所有像素的投票信息；

8. 如果投票选出的线段长度大于指定的最小长度，则将该线段添加到输出列表中；

9. 转到1。

本文采用PPHT检测出顶板主控线，将顶板主控线作为顶板形状直线拟合的基线。同时，顶板主控线被定义为由位于每个屋顶边界上的数量最多的点组成的直线。图2为从Quickbird图像中检测出的顶板主控线的结果，其中白色区域分建筑物屋面，检测到的顶板主控线为两条红线，每条红线对应一个建筑物屋面。从图2可以看出，该算法可以从以往的分类结果中很好地检测到顶板主控线。

5)屋顶形状拟合

在进行屋顶形状拟合之前，利用如下坐标变换方程，将图像平面上每个像素点的坐标，根据其顶板主控线信息变换为一个新的目标平面:

其中，（x，y）表示图像平面中每个像素的原始坐标，（X，Y）表示新平面中的变换坐标。 alpha;是旋转角度，（g，h）是新平面中原点的旧坐标。

图3:不规则建筑边界的屋顶形状轮廓:黑色粗体曲线表示分类建筑单元的不规则边界; 以棕黄色细胞为最小拟合单元; 小的粉红色单元格表示单个像素。

本文假设了直线边界的建立模型，可以说，每座建筑物都是由一些90度角相交的直线组成。我们采用这个模型是因为它是最常见的屋顶形状，相对容易处理，利用其对建筑物屋顶形状进行调整并对面向对象分类的建筑物提取结果进行细化和构造造型。

基于面向对象分类的划分方法导致了不规则的建筑边界，如图3所示。

首先，所有与主控线平行或垂直的线间距相等，且正交交叉的线条将形成一组矩形单元，其与建筑物的墙壁对齐；然后，将每个单元覆盖在分割和分类得到的二元构建掩码图像上，计算每个单元格中构建像素的百分比，如果单元格包含指定百分比(例如40%)或更多的构建像素，则单元格将被保留；最后的建筑物轮廓是通过追踪保留下来的单元格的边界得到的，追踪步骤只保留建筑物的角点，角点即定义二维建筑物轮廓所需的最小点集，提取的结果是一个完全由正交边缘组成的建筑物轮廓。

三、实验结果

本实验选取了数据集中的几张航空照片。图4（a）为原始航空图像；图4（b）为土地利用情况的面向对象分类结果，其中白色区域为通过面向对象分类提取的建筑物掩模，其他土地用途类别，例如庭院、树木和道路等未显示；图4（c）为建筑遮罩的线形屋顶拟合，其中绿色区域代表最终勾画出的建筑物屋顶多边形。

(a)

(b)

(c)

图4:从图像中提取建筑物的实验结果:(a)原始航空照片;(b)白色区域显示通过面向对象分类提取的建筑掩模;(c)建筑遮罩的直线型屋顶组件，绿色区域显示最终划定的建筑物屋顶多边形。

四、讨论与结论

本文提出了一种基于多尺度面向对象分类和渐进概率Hough变换的高分辨率遥感影像建筑物提取系统。 实验表明，该方法能够正确地检测、提取和重构大型矩形屋顶，具有较好的应用前景。

致 谢

这项工作是在国家自然科学基金(批准号40401037)资助的青年科学家基金项目下进行的。

参 考 文 献

[1] A. Strassopolou, T. Caelli and R. Ramirez, “Automatic extraction of building statistics from digital orthophotos”, International Journal of Geographical Information Science, 14(8), 2000, pp.795-814.

[2] C. Lin and R. Nevatia, “Building Detection and Description from a Single Intensity Image”, Computer Vision and Image Understanding, 72(2), 1998, pp.101-121.

[3] C.S. Fraser, E. Baltsavias, A. Gruen, “Processing of Ikonos imagery for submetre 3D positioning and building extraction”, ISPRS Jornal of Photogrammetry and Remote Sensing, 56(3), 2002, pp. 177-194.

[4] D. S. Lee, J. Shan,, J. S. Bethel, “Class-Guided Building Extraction from Ikonos Imagery”, Photogrammetry Engineering and Remote Sensing, 69(2), 2003, pp.143-150.

[5] G. Sohn, and I. J. Dowman, 2001, “Extraction of buildings from high resolution satellite data”, In: Balisavias, et al. (Eds), Automatic Extraction of Man-Made Objects from Aerial and Space Images (III), Zurich, 2001.

[6] J. Matas, C. Galambos, and J. Kittler, “Progressive Pr

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[20509]，资料为PDF文档或Word文档，PDF文档可免费转换为Word