面向對象和規則的高分辨率遙感影像建筑物變化提取技術研究摘要：論文提出一種面向對象和規則的方法對變化的房屋建筑區信息進行提取研究，即通過分析高分辨率遙感影像的光譜、幾何、紋理等特征信息，建立針對房屋建筑區的規則集，實現對變化信息的快速提取。Abstract:Inthispaper,anobject-orientedandrule-orientedmethodisproposedtoextracttheinformationofthechangingbuildingarea.Byanalyzingthespectral,geometric,textureandotherfeatureinformationofthehigh-resolutionremotesensingimage,therulesetforthebuildingareaisestablishedtorealizethefastextractionofthechangeinformation.關鍵字：面向對象；遙感影像；房屋建筑區Keywords:object-oriented;remotesensingimage;buildingarea1引言基礎性地理國情監測以年度監測為手段，結合各種自然和人文地理要素的自然變化規律和周期、社會經濟發展需求制訂監測內容與指標，達到及時、準確反映中國各種自然和人文地理要素動態變化及其特點、規律的目的[1]。通常房屋和建筑區的變化監測采用人工對比前后兩期遙感影像的作業方式進行，效率較低且工作量大。如何利用面向對象的技術提取高分辨率遙感影像中的變化信息成為提高工作效率的關鍵，采用自動解譯軟件輔助進行變化發現成為重要選擇。結合2018年基礎性地理省情監測影像獲取與數據采集工作，探索通過利用面向對象技術和規則集方法，研究高分辨率遙感影像變化信息快速高效提取。2房屋及建筑區變化提取方法和過程2.1變化提取區域信息根據地理國情監測的變化檢測要求，實現對臨沂市臨沭縣120km2區域0500房屋建筑一級類的變化監測。影像數據：2017和2018年高分2號衛星遙感影像，0.8m分辨率，四波段多光譜；矢量數據：研究區域范圍。實驗區位于臨沭縣西南區域，變化較為突出，主要有高密度多層及以上房屋建筑區，低密度多層及以上房屋建筑區，高密度低矮房屋建筑區，低密度低矮房屋建筑區，多層獨立房屋和低矮獨立房屋6個二級類，總計101個變化圖斑，面積20km2。前后兩期影像如圖1所示。圖1前后兩期影像2.2變化提取過程①邊緣檢測圖層，圖像的邊緣一般都是其顏色或灰度發生劇烈變化的地方，而這些變化往往是由于不同地物對外界的光照反射不同以及不同地物的紋理和結構不同進而引起的物體表面對光的反射不同。這對于地物信息提取有重要的意義。利用canny算子對前后兩期影像進行邊緣檢測提取出房屋和建筑區等較為明顯的邊緣。圖2邊緣增強效果②構建差值圖層，將前后時相的邊緣監測圖層相減，計算不同時相圖像對應像素灰度值或紋理特征值的差值，生成差值圖層，然后將其歸一化，歸一化的目的是讓圖層產生的數值具有一定的比較性，提高數據的準確性。歸一化公式如下：y=③多尺度分割，又稱為多分辨率分割或多層次分割，就是在不同的尺度上對遙感影像進行分割。在多尺度影像分割過程中各參數的設置非常重要，多尺度分割參數包括各波段權重、均質性因子和分割尺度，均質性因子又包括顏色因子和形狀因子。波段權重的選擇表明了該波段在影像分割過程中參與信息的多少，波段權重的設置是影響分割質量結果的重要因素之一。如果需要該波段參與遙感影像的分割，則設置權重值為1，不需要則為零。根據提取房屋及建筑區的特征，遙感影像4個波段的權重均設為1。均質性因子包括顏色和形狀兩個屬性。影像數據中最主要是光譜信息，所以在分割過程中顏色因子對生成目標對象有著重要作用，因此，它的權重值應設置的較大。而形狀因子參與有助于避免影像對象過于破碎，同時，也可以避免“同物異譜”“同譜異物”以及“椒鹽噪聲”現象，有利于提高分割結果的質量和目標提取的精度。形狀因子則又包括緊致度和光滑度構成，其中，緊致度用于區分緊湊和不緊湊的目標；光滑度用于優化影像邊界的光滑程度，可避免邊界出現鋸齒形狀。多尺度分割中的尺度大小就是基于異質性最小的區域合并算法中的閾值，它決定了最小多邊形的尺寸大小，與空間分辨率大小不同。多尺度分割生成的對象（多邊形）大小取決于分割尺度的值，值越大，生成對象數量越少面積越大，綜合的越大，反之亦然。在進行多尺度分割之前，應該分析各個分割參數對尺度影響的大小設置合理的參數來比較不同尺度下的分割影像的質量。通過多次的實驗找出一組最佳的分割參數，顏色因子0.8、形狀因子0.1、光滑度0.5、緊致度0.5，比較尺度為50。④目標地物的提取，首先依據構建的歸一化差值圖層變化差異分別提取。強變化圖斑提取，利用藍波段差值確定變化較突出的圖斑。藍波段與紅波段的差值以及亮度值（Bright）提取房屋及建筑區。將藍波段變化突出的圖斑值域中的小于5%和大于96%的確定為建筑變化圖斑，剩下部分利用密度算法（Density）提取小于1的細條形長圖斑以及邊界算法（Border）與建筑變化圖斑相鄰的圖斑確定為變化圖斑并與建筑變化圖斑合并。圖3建筑物變化圖斑提取再利用歸一化的藍波段減去紅波段得到特征圖層，主要用于提取植被（旱地，林地，草地等）向建筑物之間發生的變化，例如，前期影像為旱地，后期為房屋的，利用NDVI指數去除，以及利用密度算法去除掉細條形的偽變化。其次如果再次提取的與之前提取得變化圖斑相鄰，那一般認定為變化圖斑，與之合并。最后為圖斑綜合處理，把變化圖斑中小于技術要求的最小上圖面積的圖斑去除掉，得到最終結果。2.3結果分析采用先初步提取變化區域，再進行精提取的方法進行變圖斑提取，實驗區域的正確率71%，遺漏率7%，將其推廣到整個作業區域內，正確率為68%，遺漏率11%左右。總體可將遺漏圖斑分為3類，類型1多為光譜差異較弱的種植土地、林草覆蓋變為房屋及建筑區的，提取難度較大，圖斑個數89個，占總圖斑的54%。類型2為規則集沒有充分考慮到該情況，多為房屋及建筑區變為人工堆掘地或人工堆掘地變房屋建筑，圖斑個數29個，占總圖斑16%。偽變化圖斑為建筑區內部影像光譜差異及錯位引起的偽變化，包含少部分的人工漏提圖斑。根據規則集的通用性及精度考慮，采用該方法進行研究區及整個作業區域的變化圖斑提取，變化閾值直接決定了成果質量。通過人工閾值的方式提取變化圖斑，正確率可達31%以上，遺漏率10%左右，但該閾值確定較為困難，需要一定的經驗積累。純自動的方式正確率只有15%，遺漏率在21%左右。房屋建住區內部（包含影像錯位引起的差異）以及耕地（前后均為裸地）光譜特征差異，造成偽變化圖斑較多，因此，可考慮借助前期建成區矢量或使用夏季影像，提升正確率。4結語從目前研究結果看，純自動化的圖斑提取方式實現較為困難，半自動的變化圖斑提取方式可實現，但是其閾值的確定需要一定的經驗。目前正確率和遺漏率已接近平衡，可提升空間較小。從實際的工程化應用出發和提升作業效率及成果質量兩方面考慮規則集的應用形式。在人工作業時加入矢量保證成果無明顯圖斑的遺