本站小編為你精心準備了結合數字表面模型建筑物提取方法分析參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要：以數字表面模型（DSM）影像為輔助，提出了一種結合基于對象和基于知識的建筑物提取方法。首先利用DSM輔助多尺度分割，有助于分割完整的建筑區域；然后利用3種規則進行建筑物提取；最后利用國際攝影測量與遙感學會（ISPRS）標準數據集影像進行實驗驗證。結果表明，該方法可有效提取建筑物，得到高精度的提取結果，錯提率與漏提率分別為6.26%與7.43%。

關鍵詞：DSM；建筑物提取；多尺度分割

近10a來，利用航空或衛星遙感影像進行地物尤其是建筑物提取是攝影測量與遙感領域非常重要的研究方向，對國土測繪、城市規劃等有重要意義。隨著傳感器技術與硬件平臺的發展，遙感影像朝著多時相、多光譜、高分辨率等方向發展，可獲得更加豐富的地面信息。高分辨率影像使得影像幾何特征更加明顯，但光譜可分性下降，地物類內光譜差異增大，給影像分類和地物提取造成困難[1]。傳統的建筑物提取方法都是基于二維的真正射影像，利用影像光譜、紋理等信息或結合面向對象技術進行建筑物提取，大致可分為4類[2]：基于模板匹配的方法、基于知識的方法、基于面向對象技術的方法和基于機器學習的方法。基于模板匹配的地物提取方法是早期用于地物提取的方法[3]，常用于灰度影像的建筑物提取，通過分析地物的形狀特征構建窗口，簡單快速，但精度不夠。基于知識的地物提取方法的核心是有效地將對地物理解的知識轉變為顯示的決策規則[4]，其優點為直觀、高效，但通常二維影像提出的規則可分性不足，所以地物提取精度不高。基于面向對象技術的地物提取方法，首先需要利用影像分割技術將不同地物分割出來，再利用對象級特征進行地物提取[5]，其優點是可利用對象級特征，得到的結果較為完整，但對分割算法的依賴較高，而二維影像難以完整地分割出不同地物。基于機器學習的地物提取方法是近年來的研究熱點，先對不同地物進行特征提取和選擇，再利用機器學習算法進行分類[6]，但機器學習算法較為復雜，對參數設置較為敏感，對樣本選擇要求較高，所以難以直接應用于實際生產。真正射影像的獲取過程通常會生成三維DSM，而傳統方法僅使用二維影像，使得大量地物幾何信息丟失。本文利用彩紅外影像和DSM，結合面向對象分析技術與基于知識的地物提取方法，提出了一種簡單高效的建筑物提取方法。首先利用DSM輔助的分割方法對影像進行分割，以提高對建筑物的分割能力；然后分析不同地物的三維特性與光譜特性，將三維知識與光譜知識轉化為規則；最后分析不同地物規則差異，進行建筑物提取。

1理論方法

1.1DSM輔助的分割方法本文采用多尺度分割方法和eCognition軟件進行多尺度分割[7]。通過設置光譜與形狀參數，將光譜信息與幾何信息配合使用進行分割。多尺度分割技術可結合多種波段信息，并利用光譜異質性指標設置不同波段之間的權重，光譜異質性指標為。式中，wc為圖層權重；σc為圖層標準差；c為圖層數。DSM能反映地物高度信息，建筑物在DSM上十分明顯。將DSM作為一個波段參與分割，并設置較大的權重可提高分割算法對建筑物的分割能力，更容易獲得完整的建筑物分割結果。

1.2基于知識的建筑物提取方法分割后的對象可提取光譜特征和空間特征。常用光譜特征包括光譜均值、植被指數（NDVI）等；常用空間特征為形狀特征，如矩形度（RectangleFit）。假設對象的面積為Sobj，對象外接矩形度的面積為SMER，那么對象的矩形度為：RectangleFit=Sobj/SMER矩形度為衡量一個對象與矩形相似程度的參數，通常建筑物的形狀都十分規則，近似于矩形。傳統方法僅利用建筑物的二維信息，以建筑物的光譜和矩形度為依據進行提取，但不同建筑物材質不同，部分還與道路等其他地物材質相同，所以憑光譜難以提取建筑物；且部分道路或裸地的分割結果也會呈矩形，所以憑矩形度也難以提取建筑物。利用DSM可快速將較高的地物分離出來，如建筑物和樹；而樹的NDVI值較高，建筑物NDVI值較低，根據NDVI可將建筑物分離出來。由于誤差影響，可能存在一些錯誤的提取區域，此時利用矩形度可進一步精化結果，得到提取的建筑物區域。綜上所述，本文制定了建筑物提取的3條規則：①分割對象的DSM均值大于給定的閾值TDSM；②分割對象的NDVI值小于給定的閾值TNDVI；③分割對象的矩形度大于給定的閾值TRec。建筑物提取流程如圖1所示。

2實驗數據與結果分析

2.1數據源本文選取的實驗數據來源于ISPRS的“城市分類與三維建筑重建項目”數據集，包括城市區域的彩紅外影像、DSM影像和人工標注的分類結果，如圖2所示。彩紅外和DSM影像的地面分辨率為9cm，影像大小為2200×1300。

2.2實驗結果與分析在多尺度分割時，設置DSM與其他波段的權重比例為5∶1，尺度大小為200。圖3a為多尺度分割結果，可以發現建筑物分割得較為完整。經過觀察發現，建筑的DSM值均大于263.5，于是設置閾值TDSM=263.5。圖3b是經過規則①處理后的結果，紅色代表DSM值較大的區域，可以發現DSM能有效提取建筑與樹木。經過試驗發現，TNDVI=0.15和TRec=0.73時，可得到較好的建筑物提取結果。圖3c為最終的建筑物提取結果，其中白色為正確提取區域，綠色為錯提區域，藍色為漏提區域，可以發現，大部分建筑都被正確提取出來，僅建筑物邊緣與人工勾勒的區域存在些許差異，算法得到的提取結果不可能與人工勾勒的結果完全一致，所以這個提取結果可滿足實際應用需要。仍然有部分面積較小的建筑物區域被漏提，這是由于面積較小的建筑物在分割時與周圍區域合并，使得建筑特征不明顯所造成的。由圖2b可知，DSM影像中建筑物區域十分明顯，所以在DSM輔助下，更容易得到完整的建筑物分割結果。為了證明DSM有助于分割，本文使用了3種分割尺度來分割彩紅外影像。分割算法仍為多尺度分割，分割尺度分別為300、400和500，尺度為300時，分割結果較細碎，許多建筑物并沒有被完整分割出來；尺度為500時，部分建筑物與周圍道路、植被等地物分割在一起；尺度為400時的分割結果較為適中，但建筑物邊界不清晰，分割的建筑物并不完整（圖4），因此僅使用彩紅外影像并不能得到理想的分割結果。為了證明其優越性，將本文方法與傳統SVM算法進行對比。利用SVM算法對3種彩紅外影像分割結果進行分類，使用的特征僅為光譜特征，因為僅使用彩紅外的分割結果并不理想，不適合利用矩形度特征進行地物提取。表1為建筑物提取結果的精度評價，可以發現，本文方法錯提率和誤提率均最低，優于各尺度的SVM提取結果。

3結語

傳統的建筑物提取方法都是基于二維的真正射影像，丟棄了三維信息。本文以DSM影像為輔助，提出了一種結合基于對象和基于知識的建筑物提取方法。首先利用DSM輔助多尺度分割；然后提出了3種規則對建筑物進行提取。通過實驗發現，本文提出的方法可有效提取建筑物，錯提率與漏提率分別為6.26%與7.43%。由于分割過程中會將面積很小的建筑物與周圍區域合并，導致漏提；但若降低分割尺度，大的建筑物又不能被完整分割出來，今后需研究可同時處理不同面積建筑物的分割技術。

參考文獻

[1]李德仁,童慶禧,李榮興,等.高分辨率對地觀測的若干前沿科學問題[J].中國科學:地球科學,2012,42(6):805-813.

[6]張雁.基于機器學習的遙感圖像分類研究[D].北京:北京林業大學,2014

[7]熊增連,潘建平,陽春花.面向對象的房屋特征信息自動提取方法[J].地理空間信息,2015,13(5):16-18

[8]李朝奎,方文,董小姣.面向對象和規則的高分辨率影像分類研究[J].測繪通報a,2015(9):9-13

作者：王子明 單位：江蘇省地質工程勘察院