基于规则信息的无人机图像建筑物提取

张湘宇 李向新 李万刚

摘  要： 基于规则信息的无人机图像建筑物提取，首先要对待处理图像进行图像分割，经过大量的实验确定分割阈值为0.3，通过定义规则信息，解决了建筑物纹理特征与光谱特征与道路、裸地相似的问题，同时，将原始图像的提取结果和与进行主成分分析（PCA）处理后的图像的提取结果进行对比，证明了PCA后的图像提取精度高达85%。

关键词： 无人机图像;阈值分割;规则信息;建筑物提取

中图分类号： TP753    文献标识码： A    DOI：10.3969/j.issn.1003-6970.2019.05.044

本文著录格式：张湘宇，李向新，李万刚，等. 基于规则信息的无人机图像建筑物提取[J]. 软件，2019，40（5）：226229

【Abstract】： Based on the rule information， the UAV image building extraction firstly needs to process the image for image segmentation. After a large number of experiments， the segmentation threshold is 0.3. By defining the rule information， the problem that the texture features and spectral features of the building are similar to roads and bare land is solved.at the same time， comparing the extraction result of the original image with the extraction result of the image after performing principal component analysis （PCA）， it is proved that the image accuracy after PCA is as high as 85%.

【Key words】： UAV Image; Image segmentation; Rule information; Building extraction

0  引言

隨着无人机技术的不断发展，其高分辨率、获取成本较低等优点使其快速成为遥感图像处理的首要选择[1]。国内外许多学者对提取无人机图像信息进行了研究。传统的建筑物提取大多是基于像元，根据光谱信息或者形状信息进行分类。但是该分类方法容易受到“同物异谱，异物同谱”的影响，例如房屋与道路，不利于区分二者。在此基础上，许多学者提出了改进的方法。吕凤华等[2]利用方向梯度直方图提取建筑物，但提取结果会将非建筑物地物错分，通过纹理特征和光谱特征融合来剔除建筑物中的道路、草地等非建筑物信息。董培[3]提出了一种基于改进的graphcut算法对道路进行提取，实验证明该方法对不同的道路提取具有较好的鲁棒性。Jabari[4]等提出一种通过传感器融合技术来提高图像分类。无人机图像的应用广泛[5]，不仅应用在建筑物提取上，同时，利用无人机图像进行植被的剔除也是专家研究的重点。汪小钦等[6]通过提出一种基于可见光波段差异植被指数（VDVI）进行植被提取，并将其与传统适用于多光谱遥感影像的归一化植被指数（NDVI）、可见光波段的植被指数如过绿指数（EXG）、归一化绿红差值指数（NGRDI）、归一化绿蓝差值指数（NGBDI）和红绿比值指数（RGRI），结果证明提出的VDVI指数提取植被具有良好的精度。

1  材料与方法

测区地处毕节市七星关区西南边境，地形北高南低.，东面高中间凹，形成“撮箕”形，大部分地区海拔高度在1600米左右。海拔最高的沙炭沟尖包包箐为2004.6米，最低的盘挪河河谷出境处1218.8米，相对高差785.5米。整个境内属亚热带季风气候，具有夏无酷暑、冬无严寒的特点，年平均降雨量为967.5毫米，平均日照时数为1376.2小时，无霜期250天左右。测区原始RGB图像如图1所示。

如图所示，测区建筑物类型大多是以长方形为主，少数为不规则建筑物。同时，屋顶材质多为水泥，部分为瓦屋顶。从图像中可以发现，部分屋顶与道路具有相同的纹理，相同的材质，其光谱特征也具有相似性。所以根据纹理信息与光谱信息区分二者难度很大，因此，实验将通过基于规则信息的方法剔除道路与裸地，最终实现建筑物的提取，实验流程如图2所示

2  特征提取

传统的特征提取分为两大类：光谱特征提取和空间特征提取。国内外许多学者证明，依靠单一的光谱特征进行建筑物提取精度极低，非透水性地面不容易被区分，在此基础上，许多学者提出了光谱特征结合其他特征的建筑物提取方法[7]。秦其明[8]曾总结了遥感图像分类面临的问题并提出了解决途径。一是抽取遥感图像的特征并利用这些特征进行识别。二是将遥感图像与GIS数据库相结合，利用大量的GIS数据能减少自动解译的不确定性。三是建立专家系统。专家系统的建立需要丰富的专业知识和很强的业务能力，但是专家系统是根据丰富的专家经验设计的，只能解决特定的问题，并不能保证解决所有所面临的问题。杨存建等[9]提出了一种谱间关系法，通过对比各地物间的光谱特征，发现居民地与其他地物相比有特别的谱间结构特征，根据这个特征，选取一定的阈值，将居民地从非透水性地面中提取出来。

空间特征又包含了纹理特征和形状特征[10]。纹理是遥感图像上的重要信息和基本特征，是进行图像分析和图像理解的重要信息。纹理反映了图像灰度模式的空间分布，包含了图像的表面信息及其与周围环境的关系[11]，更好地兼顾了图像的宏观和微观结构。在现实中，不同的物体具有不同的形状，房屋的形状大多近似于矩阵，因此利用形状特征与其他信息相结合可有效提取建筑物。唐洋洋等[12]提出一种光谱特征结合形状特征的方法提取建筑物，并与支持向量机方法、K-最近邻法做对比，验证了光谱与形状相结合的方法提取建筑物精度最高。

实验通过定义规则信息，定义建筑物的形状信息，并将道路、裸地等形状信息加入规则信息中，方便将其剔除。

3  实验方法

基于规则信息进行建筑物的提取，通过定义规则信息，可剔除其他地物的干扰，将建筑物信息有效地提取出来。1）测区内典型地物的两大类分别为植被和不透水性地面，二者的光谱和纹理信息都有明显的差异，所以很容易将其区分开来。2）不透水性地面中又包含了屋顶、道路和裸地。因其材质相同、纹理信息相似，容易受到“同物异谱，异物同谱”的影响，所以本文的实验方法是利用规则信息提取建筑物。

3.1  图像分割与合并

FX根据临近像素亮度、纹理、颜色等对影像进行分割，它使用了一种基于边缘的分割算法，这种算法计算很快，并且只需一个输入参数，就能产生多尺度分割结果。通过不同尺度上边界的差异控制，从而产生从细到粗的多尺度分割[13]。多尺度分割阈值的选择是影响建筑物提取精度的关键，选择一个合适的阈值至关重要[14]。阈值过小容易造成图像的过分割，产生大量碎片，分割阈值过大则容易造成房屋成片，影响建筑物提取精度。经过大量的阈值分割试验确定了多尺度分割的最佳分割阈值为40，阈值合并为80。分割结果如图3所示。

3.2  基于规则信息提取建筑物

对已经进行多尺度分割后的图像再选定一个阈值进行图像分割，将研究区域与背景区域区分开来。通过实验，将分割阈值设为0.3，可得到较好的分割结果。通过定义规则信息对已经分割的图像进行提取。1）剔除道路信息。道路的属性描述是：①延长线大于0.9;②紧密度小于0.3;③标准差小于20。④房屋近似矩形，所以设置rectangular fit 参数为0.5。2）剔除裸地信息。裸地的材质和纹理与房屋相似，但是波段值却比房屋略高，通过设定波段信息将裸地剔除。

4  实验结果与分析

通过定义规则信息进行建筑物提取的结果如图4所示。

（a）图中细碎图斑少，但是一部分房屋信息没有提取出来，左上角与右下角的房屋并未提取出来。（b）图中虽然细碎图斑较多，但是房屋边界信息也比较完整。对两幅提取结果进行精度评定，评定结果如表1所示。

表中数据显示，原始图像提取建筑物的整体精度达到了80.2%，Kappa系数为0.3863，而经过主成分分析后的图像建筑物提取的整体精度提高到了85.68%，Kappa系数也提高到0.4452，由图3（a）、（b）对比（c）图可知，（b）图更接近参考图像。因此，证明了先经过PCA分析的图像进行建筑物提取有效提高了提取精度。

5  总结

实验发现，虽然无人机图像具有高分辨率、纹理信息和形状信息丰富等特点，但是其建筑物提取精度不及人工提取，而且被植被或者其他物体遮挡的房屋缺少了被遮挡住的边界信息。然而，人工提取建筑物費时费力，需要大量的人工干预，同时要求干预人员具有丰富的专业知识。本文利用规则信息进行建筑物提取虽然精度达到了85%，但被植被遮盖的房屋边缘信息不明确，所以，在往后的试验中如何剔除植被的干扰，提高建筑物提取精度是研究的重点和难点。

参考文献

[1] 尹宗天， 谢超逸， 刘苏宜， 等. 低分辨率图像的细节还原[J]. 软件， 2018， 39（5）： 199-202

[2] 吕凤华， 舒宁， 龚龑， 郭清， 曲雪光. 利用多特征进行航空影像建筑物提取[J]. 武汉大学学报（信息科学版）， 2017， 42（05）： 656-660.

[3] 董培， 石繁槐. 基于小型无人机航拍图像的道路检测方法[J]. 计算机工程， 2015， 41（12）： 36-39.

[4] S. Jabari， F. Fathollahi， Y. Zhang， Application of Sensor Fusion to Improve UAV Image Classification， International Archives of the Photogrammetry， Remote Sensing and Spatial Information Sciences-ISPRS Archives， v 42， n 2W6， p 153-156， August 23， 2017.

[5] 吴亚熙， 岑峰. 基于卷积神经网络的多层级目标检测方法[J]. 软件， 2018， 39（4）： 164-169

[6] 汪小钦， 王苗苗， 王绍强， 吴云东. 基于可见光波段无人机遥感的植被信息提取[J]. 农业工程学报， 2015， 31（05）： 152-157+159+158.

[7] 吴炜， 骆剑承， 沈占锋， 朱志文. 光谱和形状特征相结合的高分辨率遥感图像的建筑物提取方法[J]. 武汉大学学报（信息科学版）， 2012， 37（07）： 800-805.

[8] 秦其明. 遥感图像自动解译面临的问题与解决的途径[J]. 测绘科学， 2000（02）： 21-24+1.

[9] 杨存建， 周成虎. TM影像的居民地信息提取方法研究[J]. 遥感学报， 2000（02）： 146-150+166.

[10] 朱文泉， 林文鹏. 遥感数字图像处理——原理与方法[M]. 高等教育出版社， 2015. 9.

[11] 胡云康， 姜 苏， 吴志荣， 等. 基于改进的纹理合成图像修复算法[J]. 软件， 2016， 37（4）： 60-63.

[12] 唐羊洋， 叶华平， 吴书金， 陈紫旭. 基于波段与形状特征的遥感影像建筑物分类提取[J]. 后勤工程学院学报， 2016， 32（01）： 93-96.

[13] 郑金志， 郑金敏， 汪玉琳. 基于优化初始聚类中心的改进WFCM图像分割算法[J]. 软件， 2015， 36（4）： 136-142.

[14] 郭璇， 郑菲， 赵若晗， 等. 基于阈值的医学图像分割技术的计算机模拟及应用[J]. 软件， 2018， 39（3）： 12-15.