-
随着高空间分辨率遥感图像 (简称为高分辨率遥感图像) 的日益普及，如何从高分辨率遥感图像中提取感兴趣的信息，成为近年来的一个热点。居民地信息是一种重要的地理国情信息，如何从高分辨率遥感图像中自动提取居民地成为研究焦点之一。现实世界中，居民地区域通常具有密集的人工建筑物，且建筑物、道路网与公共设施交错分布。高分辨率遥感图像中，居民地区域通常具有光谱离散度高、纹理结构复杂、直角点和直线段特征密集的特征。目前，遥感图像居民地提取方法主要有两大类。
1) 利用光谱、纹理特征进行居民地提取[1-8]。其中，最为典型的是PanTex指数[4]。该指数利用灰度共生矩阵进行纹理特征提取与分析。为了克服大面积稀疏林区与居民地具有相似PanTex指数的问题，文献[5]利用形态学滤波、归一化植被指数相结合来改进PanTex指数，提取效果得到了一定提高。但是，该方法仍然难以克服大范围纹理复杂区域的影响 (如梯田密布的山区)。概括而言，基于光谱和纹理特征方法的最主要缺陷在于，当区域、时间、尺度或光照条件发生变化时，提取的影像特征也会相应发生变化。
2) 利用几何统计信息提取居民地[9-10]。此类方法可以克服尺度或光照变化引起的特征变化问题，但仍然存在很多缺陷。文献[9]利用直线统计信息将高分遥感图像分成居民地和非居民地两类。但是，高分辨率遥感图像上，田埂规则分布的农田区域、林地区域、地形断裂较多的山区等同样存在密集的直线特征，容易导致误分。文献[10]提出了一种利用角点密度特征构建似然函数进行高分辨率遥感影像居民地提取的方法。但其计算量大, 且角点特征仅利用直角和密度约束，尚不足以充分区分居民地与居民地之外的主干道路，尤其是存在大量车辆的主干道路易被识别为居民地。
几何统计信息的居民地提取方法是目前研究的热点，但也需要进一步的完善。本文提出了一种优化的基于直角点统计特征的高分辨率遥感图像居民地提取方法。本文主要考虑了两个特征：(1) 与其他区域 (水体、山区、林区) 相比，居民地区域的直角点 (而非常规的角点) 更加密集。(2) 对于车辆较多的主干道路区域及田埂明显的农田区域，尽管直角点同样分布密集，但是，就支撑直角点的直线段的长度而言，居民点区域直线段长度与车辆、田埂区域的直线段长度有显著差别，如图 1所示。因此，本文采用邻边长度约束来提取邻边长度符合建筑物尺寸的直角点作为判别特征。同时，采用特征投影方法构建特征图像，可以提高全自动提取居民地的效率。本文方法包括3个关键步骤：(1) 邻边长度约束的直角点特征提取；(2) 特征图像生成；(3) 居民地专题信息提取。
-
本文的直角点定义为两条邻边互相垂直且满足一定长度要求的角点，即角点邻近范围内必须有两条互相垂直且满足一定长度要求的直线段。因此，直角点的提取分为角点检测、直线提取、直角点提取3个步骤。
2) 直线段提取。直线段检测主要分为4个步骤，即Canny边缘检测、基于链码追踪方法的边缘像素追踪、曲线段分裂和基于最小二乘的直线段拟合。其中，曲线段分裂采用文献[14]所提出的算法，通过迭代的方式依次选择需要保留的顶点，直至把曲线段分裂为满足一定要求的近似直线段。
3) 邻边长度约束的直角点提取。相关研究中，文献[15]定义的直角点具有一定借鉴意义, 即根据步骤1)、2) 提出的角点和直线，判断每一个角点的两条邻边是否垂直。若垂直，则确定该角点为直角点；否则，判别为一般的角点，不予以处理。但是，上述定义的直角点还具有较大缺陷，主要在于直角点同样会出现在植被区域偶然存在的直角结构、农田田埂、道路交错口等区域，尤其是车辆较多的主干道路，直角点同样非常密集，如图 1(h)、1(i)所示，这不利于居民地提取。
图 1 不同区域提取的特征
Figure 1. Regions of Human Settlement
因此，本文利用建筑物尺寸约束直角点邻边长度，剔除非建筑物区域的直角点，优化直角点提取过程，使直角点尽量出现在居民地区域。图 2(a)展示了某一城郊车辆密集的主干道，与文献[15]无约束直角点方法的提取结果 (如图 2(b)所示) 相比，使用本文有约束直角点方法提取了更少的直角点 (如图 2(c)所示)，更有利于区分居民地与城郊的道路信息。
图 2 车辆拥挤的高速路直角点提取情况对比
Figure 2. Comparison of Extracted Results of Right Angle Corners in a Highway with Many Vehicles
-
本文居民地提取依赖的主要特征是：与其他区域相比，居民地区域满足一定要求的直角点密度较高。本文采用带权投影方法生成特征图像。
为了避免直角点检测易受图像噪声影响而存在漏检现象，在投影过程中，不仅对直角点进行投影，而且对直角点的两条邻边进行投影。投影中，以每一个直角点和邻边上的像素点作为中心点，设计一个矩形范围的缓冲区，再比较缓冲区内每一个像素点到中心点的距离，使权值与距离成反比。该缓冲区的尺寸可以根据具体图像提取直角点的漏检程度而定。具体投影步骤如下所示。
1) 将提取出的直角点以及邻边以图像的形式存储，以便以像素为处理单元进行后续处理。
2) 为每一个直角点以及邻边上点创建一个矩形区域缓冲区，作为它们的影响区域。
3) 将直角点与直角点的两条邻边上的点作为缓冲区中心点，计算缓冲区范围内各点到中心点的距离d。
4) 缓冲区内像素点投影到特征图像上的投影点的像素值为255.0/d。由于各缓冲区之间有重叠部分，最终将各个缓冲区范围内投影到特征图像上该投影点的像素值之和，作为特征图像上该点的像素值。
某一图像及其直角点生成的特征图像如图 3所示。
图 3 直角点特征及其特征图像
Figure 3. Extracted Right Angle Corners by Our Method and Their Derived Feature Image
-
§2的投影方法不可避免会出现重投影而造成部分区域出现极大值的问题。本文将重投影定义为由于空间的邻近导致同一直角点及其两条邻边上的点对特征图像上同一像素的重复投影，将极大值定义为特征图像上某像素值显著高于其周边临近像素值以及整幅图像平均值。极大值主要出现在直角点以及其邻边的位置上，如图 4所示。图 4为图 3(c)的局部放大图像。为了减弱极大值问题对确定合理的特征图像二值化阈值的影响，需要在计算阈值前将该类局部极大值像素剔除。在投影过程中记录直角点及其邻边上像素点个数，该点数即是极大值出现的个数。本文通过统计特征图像直方图的方法，将该部分极大值予以剔除。
图 4 特征图像的极大值
Figure 4. Maximum Value of Feature Image
居民地提取步骤如下所示。
1) 对特征图像进行直方图统计。
2) 利用直方图统计结果，根据统计出的极大值个数，将特征图像中极大值像素剔除。
3) 对剔除极大值的特征图像进行Otsu二值化[16]。
4) 剔除小图斑并进行空洞填充，保留下来的图斑区域即为居民地。
提取结果如图 5所示。
图 5 居民地提取结果及其优化
Figure 5. Extraction Results of Human Settlement
-
本文采用3幅高分辨率全色图像进行实验。
第一幅图像为2005年泰安市某区域的0.6 m分辨率的QuickBird全色影像，如图 6所示。该区域共有6个居民地区域，地形较复杂，地物目标种类繁多 (道路、居民地、农田、河流、植被林地、水域、丘陵地带交错分布)，多个区域的纹理特征较复杂，而且居民地区域具有大量树木遮挡。
图 6 第一幅图像提取效果对比
Figure 6. Comparison of Extracted Results on the First Testing Image
第二幅图像为2012年石家庄市1.0 m (经过重采样) 分辨率的GeoEye全色影像，如图 7所示。该区域共有10个居民地区域，地形较为平整，处于平原地区，地物种类较少 (仅有居民地、农田、道路3种)，但是居民地分布较密集。
图 7 第二幅图像提取效果对比
Figure 7. Comparison of Extracted Results on the Second Testing Image
第三幅图像为2005年泰安市某城区区域的0.6 m分辨率的QuickBird全色影像，如图 8所示。该区域共有3个居民地区域，3个居民地房屋的尺寸相差较大，而且居民地中楼房的尺寸很大，相互之间存在较大间隔，建筑物呈现稀疏分布，并有一条道路横贯图像。
图 8 第三幅图像提取效果对比
Figure 8. Comparison of Extracted Results on the Third Testing Image
-
为了分析本文方法的性能，将利用本文方法提取的居民地与Pantex指数[4]提取结果进行对比分析，并根据3幅图像所具备的不同地物特点，对3幅图像的居民地提取效果与所存在的问题进行对比分析。
1) 第一幅图像居民地提取效果对比分析。图 6(b)中，PanTex方法计算特征的窗口设置为160×80像素。图 6(c)中，本文方法的参数设置为缓冲区100像素，邻边长度10~80像素。
从图 6(c)中可以看出，本文方法准确地提取出了原图像中的6块居民地区域，并且未受到道路车辆的影响，将主干道路判别为非居民地。PanTex指数方法则存在误判，如图 6(b)所示，其误判区域包括纹理复杂的林地，丘陵交错分布地区，以及波纹显著的水域。由此可知，PanTex指数不能克服大面积纹理复杂区域对居民地提取的影响。
2) 第二幅图像居民地提取效果对比分析。
图 7(b)中，PanTex方法计算特征的窗口设置为128×64像素。图 7(c)中，本文方法的参数设置为缓冲区100像素，邻边长度6~80像素。如图 7(b)所示，PanTex指数方法提取居民地存在漏检现象，其漏检的区域位于图像的中上部，这与PanTex指数的窗口尺寸固定有关。如图 8(c)所示，本文方法准确提取出了全部的居民地，其原因在于本文所用邻边长度参数分布在一个较为宽泛的尺度空间内。
3) 第三幅图像居民地提取效果对比分析。
图 8(b)中，PanTex方法计算特征的窗口设置为192×192像素。图 8(c)中，本文方法的参数设置为缓冲区201像素，邻边长度6~150像素。图像中城区建筑物尺寸较大，且建筑物之间存在很大间隔，这给各种居民地提取带来了一定困难。如图 8(b)中所示，PanTex指数方法提取结果的漏检现象严重，边界提取同样不准确。如图 8(c)中所示，本文方法提取了令人满意的结果。
4) 综合分析。高分辨率遥感图像上，居民地区域通常存在树木遮挡，房屋的尺寸明显大于树木尺寸，树木虽不会完全遮挡房屋，但也有影响。因此，存在较多树木的居民地区域提取出的直角点密度会小于没有树木遮挡的居民地区域。但是，本文方法可以通过设置缓冲区参数削弱这种影响。图 9展示了第一幅图像中某居民地及其提取效果。
图 9 存在树木遮挡的居民地提取情况
Figure 9. Comparison of Extracted Results of a Region with Sheltered Trees
另外，两种方法的参数设置与图像分辨率及地物尺度有关。对于PanTex指数，3幅实验图像的窗口覆盖面积分别为96×48、128×64、134.4×134.4 m2，一般其所设置的窗口尺寸至少要包含两栋房屋，以区分居民地与其他区域的纹理特征。本文方法的邻边长度同样需要通过图像分辨率与房屋平均大小换算而来。
-
实验结果表明，本文方法的效率高于PanTex指数方法。如第一幅图像，PanTex指数方法至少需要20 min，而本文方法处理时间不超过5 min。PanTex指数方法的特征计算过程相当耗时，该过程要对每一个像素计算其周围窗口尺寸大小范围内10个方向的灰度共生矩阵对比度特征，计算复杂度非常高，而且当窗口增大时，处理时间会成倍增长。虽然本文方法的效率随邻边长度大小不同而不同，但实验结果表明，在邻边长度设置最小 (效率最低的情况，即没有邻边长度约束) 时，其处理效率也要显著高于PanTex指数方法。
-
定量评价中，本文采用了正确率、误判率以及漏检率3个指标，并将手工勾选的区域作为居民地的准确边界。
正确率Pr定义为：
$$ {{P}_{r}}=\frac{{{A}_{\text{auto }\And\text{ manu}}}}{{{A}_{\text{manu}}}} $$ (1) 式中，Aauto&manu表示计算机自动提取结果与手工勾选结果的面积交集；Amanu表示手工勾选的居民地面积。
误判率Pe定义为：
$$ {{P}_{e}}=\frac{{{A}_{\text{auto}}}-{{A}_{\text{auto }\And\text{ manu}}}}{{{A}_{\text{auto}\left\| \text{manu} \right.}}} $$ (2) 式中，Aauto代表计算机自动提取的居民地面积；Aauto||manu代表计算机自动提取结果与手工勾选结果的面积并集。
漏检率Pm定义如下：
$$ {{P}_{m}}=\frac{{{A}_{\text{manu}}}-{{A}_{\text{auto }\And\text{ manu}}}}{{{A}_{\text{manu}}}} $$ (3) 第一、二幅实验数据的3项指标值见表 1。可以发现，相比而言，PanTex指数的漏检率很高，两幅图像漏检率分别为26.22%、10.67%，正确率较低，第一幅和第二幅图像的正确率均值分别为73.78%、80.67%。本文方法的漏检率均较小，正确率均很高。此外，表 1还表明，PanTex指数的性能受图像场景复杂度的影响。若复杂程度高 (如第一幅实验图像)，则提取效果较差；若复杂程度较低 (如第二幅实验图像)，则提取效果会有所提高。此外，对于第三幅图像，两种方法的提取效果对比明显。
表 1 居民地提取定量化分析表/%
Table 1. Analysis of Human Settlement Extraction/%
实验 本文方法 (均值) PanTex指数 (均值) 正确率 误判率 漏检率 正确率 误判率 漏检率 1 93.29 5.67 6.71 73.78 3.67 26.22 2 89.05 1.53 10.95 80.67 3.68 19.33 -
本文提出了一种针对高分辨率全色图像的居民地提取方法。首先从图像中提取直角点，并利用直角点邻边的长度约束来优化直角点提取结果，再利用直角点分布的统计特征，采用投影方法生成特征图像，最后求取最佳阈值对特征图像进行二值化以提取居民地。实验结果表明，与PanTex方法相比，本文方法的优势如下。
1) 该方法有效地克服了纹理结构比较复杂的非居民地区域 (如山区、稀疏分布的林区以及斑点噪声显著的区域等) 对提取结果的影响。
2) 该方法有效地解决了车辆、道路交错口等含有直角点地物对于居民地提取的影响。直角点邻边长度约束有效优化了直角点的提取效果，确保了提取出的直角点均分布于居民地区域。
3) 该方法不受图像所在区域地形、地物种类复杂度的影响，具有较高的鲁棒性与普适性。
本文方法也存在一定的局限性，目前只能应用于高空间分辨率全色图像，无法直接应用于多光谱图像。
A Method for Extracting Human Settlements from Remote Sensing Image Using Right Angle Corners Features
-
摘要: 提出了一种基于直角点统计特征的高分辨率遥感全色图像居民地提取方法。首先，分别检测全色图像中的直角点、直线段；然后，利用直角点邻边的长度约束进一步优化直角点；接着，通过构建直角点缓冲区投影的方式生成特征图像；最后，二值化特征图像提取居民地信息。实验结果表明，与角点、直线以及未限制邻边长度直角点的统计特征对比，邻边长度约束的直角点统计特征更能反映居民地信息，有效克服了同样具有较多角点与直线特征的道路、车辆、农田田埂等地物对居民地提取的负面影响。与已有的PanTex指数方法相比，所提方法不依赖于纹理的复杂程度，有效削弱了纹理复杂的非居民地区域对居民地提取的负面影响。Abstract: A method for extracting human settlements from high resolution remotely sensed panchromatic images using statistical characteristics of right angle corners is proposed in this paper. First, both right angle corners and straight lines are extracts from the images. Second, each right angle corner is optimized, based on the constraint of the lengths of two supporting straight lines. Third, a feature image is derived by projecting each right angle corner into its buffer zone. At last, human settlements are extracted by thresholding the feature image. Comparing the statistical characteristics based on the corners, straight lines and right angle corners without the constraints of the lengths of their supporting straight lines, the statistical characteristic based on right angle corners with the constraints of the lengths of their supporting straight lines is better to separate the human settlements from the others. This can decrease the negative effects of the roads, vehicles, the farmland ridges with both corners, and straight lines features. In addition, as compared with the existing methods for human settlement extraction using the PanTex Index, the proposed method is independent of the complexity of the textures, which can decrease the negative effects of complex textures.
-
Key words:
- human settlement /
- right corner /
- feature image /
- statistical information
-
图 2 车辆拥挤的高速路直角点提取情况对比
Figure 2. Comparison of Extracted Results of Right Angle Corners in a Highway with Many Vehicles
图 3 直角点特征及其特征图像
Figure 3. Extracted Right Angle Corners by Our Method and Their Derived Feature Image
图 9 存在树木遮挡的居民地提取情况
Figure 9. Comparison of Extracted Results of a Region with Sheltered Trees
表 1 居民地提取定量化分析表/%
Table 1. Analysis of Human Settlement Extraction/%
实验 本文方法 (均值) PanTex指数 (均值) 正确率 误判率 漏检率 正确率 误判率 漏检率 1 93.29 5.67 6.71 73.78 3.67 26.22 2 89.05 1.53 10.95 80.67 3.68 19.33 
下载: 导出CSV
-
[1] Wei S, Jing L, Yunhao C. Textural and Local Spatial Statistics for the Object-Oriented Classification of Urban Areas Using High Resolution Imagery[J].International Journal of Remote Sensing, 2008, 29(11):3105-3117 doi: 10.1080/01431160701469016 [2] Bellens R, Gautama S, Martinez-Fonte L, et al. Improved Classification of VHR Images of Urban Areas Using Directional Morphological Profiles[J].IEEE Transaction on Geoscience and Remote Sensing, 2008, 46(10):2803-2812 doi: 10.1109/TGRS.2008.2000628 [3] Benediktsson J A, Palmason J A, Sveinsson J R. Classification of Hyperspectral Data from Urban Areas Based on Extended Morphological Profiles[J].IEEE Transaction on Geoscience and Remote Sensing, 2005, 43(3):480-491 doi: 10.1109/TGRS.2004.842478 [4] Pesaresi M, Gerhardinger A, Kayitakire F. A Robust Built-up Area Presence Index by Anisotropic Rotation-Invariant Textural Measure[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2008, 6(6):2410-2420 https://www.researchgate.net/publication/224344531_A_Robust_Built-Up_Area_Presence_Index_by_Anisotropic_Rotation-Invariant_Textural_Measure [5] Pesaresi M, Gerhardinger A. Improved Textural Built-up Presence Index for Automatic Recognition of Human Settlements in Arid Regions with Scattered Vegetation[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2011, 1(4):16-26 http://ieeexplore.ieee.org/xpl/articleDetails.jsp?arnumber=5491029&filter%3DAND%28p_IS_Number%3A5737815%29 [6] 潘励, 张志华, 张剑清.融合区域分割和边缘信息的居民地提取方法[J].武汉大学学报·信息科学版, 2006, 31(8):671-674 http://ch.whu.edu.cn/CN/abstract/abstract2516.shtml Pan Li, Zhang Zhihua, Zhang Jianqing. Residential Areas Recognition by Fusing Region Data and Edge Features[J]. Geomatics and Information Science of Wuhan University, 2006, 31(8):671-674 http://ch.whu.edu.cn/CN/abstract/abstract2516.shtml [7] 曹建农, 王平禄, 董昱威.高分辨率遥感影像上居民地自动提取方法[J].武汉大学学报·信息科学版, 2014, 39(7):831-837 http://ch.whu.edu.cn/CN/abstract/abstract3029.shtml Cao Jiannong, Wang Pinglu, Dong Yuwei. Automatic Extraction Technique of Residential Areas in High Resolution Remote Sensing Image[J]. Geomatics and Information Science of Wuhan University, 2014, 39(7):831-837 http://ch.whu.edu.cn/CN/abstract/abstract3029.shtml [8] 苏俊英, 曹辉, 张剑清.高分辨率遥感影像上居民地半自动提取研究[J].武汉大学学报·信息科学版, 2004, 29(9):791-795 http://ch.whu.edu.cn/CN/abstract/abstract4498.shtml Su Junying, Cao Hui, Zhang Jianqing. Semi-automatic Extraction Technique of Residential Area in High Resolution Remote Sensing Image[J]. Geomatics and Information Science of Wuhan University, 2004, 29(9):791-795 http://ch.whu.edu.cn/CN/abstract/abstract4498.shtml [9] Unsalan C, Boyer K L. Classifying Land Development in High-Resolution Panchromatic Satellite Images Using Straight-Line Statistics[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(4):907-919 doi: 10.1109/TGRS.2003.818835 [10] 陶超, 邹峥嵘, 丁晓利.利用角点进行高分辨率遥感影像居民地检测方法[J].测绘学报, 2014, 43(2):164-169 http://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201402011.htm Tao Chao, Zou Zhengrong, Ding Xiaoli. Residential Area Detection from High-Resolution Remote Sensing Imagery Using Corner Distribution[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(2):164-169 http://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201402011.htm [11] Martinez-Fonte L, Gautama S. Evaluating Corner Detectors for the Extraction of Man-Made Structures in Urban Areas[C]. The 25th IEEE International Geoscience and Remote Sensing Symposium, New York, 2005 [12] Schmid C, Mohr R, Bauckhage C. Evaluation of Interest Point Detectors[J]. International Journal of Computer Vision, 2000, 37(2):151-172 doi: 10.1023/A:1008199403446 [13] Harris C, Stephens M. A Combined Corner and Edge Detector[C]. Alvey Vision Conference, New York, 1988 [14] Ramer U. An Iterative Procedure for the Polygonal Approximation of Plane Curves[J].Computer Graphics and Image Processing, 1972(1):244-25 https://www.researchgate.net/publication/30874154_An_Iterative_Procedure_for_the_Polygonal_Approximation_of_Plane_Curves [15] Croitoru A, Doytsher Y. Right-Angle Rooftop Polygon Extraction in Regularised Urban Areas:Cutting the Corners[J].Photogrammetric Record, 2004, 108(19):311-341 https://www.researchgate.net/profile/Arie_Croitoru/publication/227644960_Right-Angle_Rooftop_Polygon_Extraction_in_Regularised_Urban_Areas_Cutting_the_Corners/links/0deec518d1fe559fa4000000/Right-Angle-Rooftop-Polygon-Extraction-in-Regularised-Urban-Areas-Cutting-the-Corners.pdf [16] Nobuyuki O. A Threshold Selection Method from Gray-Level Histograms[J].IEEE Transactions on Systems, Man and Cybernetics, 1979, 9(1):62-66 doi: 10.1109/TSMC.1979.4310076 -
点击查看大图
图(9) / 表(1)
计量
- 文章访问数: 1244
- HTML全文浏览量: 57
- PDF下载量: 425
- 被引次数: 0
