留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于基尼系数的倾斜航空影像中建筑物立面损毁检测

涂继辉 眭海刚 吕枘蓬 贾曲 孙开敏

涂继辉, 眭海刚, 吕枘蓬, 贾曲, 孙开敏. 基于基尼系数的倾斜航空影像中建筑物立面损毁检测[J]. 武汉大学学报 ● 信息科学版, 2017, 42(12): 1744-1748. doi: 10.13203/j.whugis20150376
引用本文: 涂继辉, 眭海刚, 吕枘蓬, 贾曲, 孙开敏. 基于基尼系数的倾斜航空影像中建筑物立面损毁检测[J]. 武汉大学学报 ● 信息科学版, 2017, 42(12): 1744-1748. doi: 10.13203/j.whugis20150376
TU Jihui, SUI Haigang, LV Ruipeng, JIA Qu, SUN Kaimin. Building Facade Damage Detection Based on the Gini Index from Oblique Aerial Images[J]. Geomatics and Information Science of Wuhan University, 2017, 42(12): 1744-1748. doi: 10.13203/j.whugis20150376
Citation: TU Jihui, SUI Haigang, LV Ruipeng, JIA Qu, SUN Kaimin. Building Facade Damage Detection Based on the Gini Index from Oblique Aerial Images[J]. Geomatics and Information Science of Wuhan University, 2017, 42(12): 1744-1748. doi: 10.13203/j.whugis20150376

基于基尼系数的倾斜航空影像中建筑物立面损毁检测

doi: 10.13203/j.whugis20150376
基金项目: 

国家重大专项研发计划 2016YFB0502603

国家自然科学基金 41471354

详细信息
    作者简介:

    涂继辉, 博士, 副教授, 主要从事遥感影像处理和信息提取, 3D重建和计算机网络研究。green666@126.com

    通讯作者: 睢海刚, 博士, 教授。haigang_sui@263.net
  • 中图分类号: P237.9

Building Facade Damage Detection Based on the Gini Index from Oblique Aerial Images

Funds: 

The National Key Research and Development Program of China 2016YFB0502603

the National Natural Science Foundation of China 41471354

More Information
    Author Bio:

    TU Jihui, PhD, associate professor, specializes in remote sensing image processing and information extraction, 3D reconstruction and computer network. E-mail: green666@126.com

    Corresponding author: SUI Haigang, PhD, professor. E-mail: haigang_sui@263.net
图(3) / 表(1)
计量
  • 文章访问数:  1567
  • HTML全文浏览量:  126
  • PDF下载量:  330
  • 被引次数: 0
出版历程
  • 收稿日期:  2015-10-08
  • 刊出日期:  2017-12-05

基于基尼系数的倾斜航空影像中建筑物立面损毁检测

doi: 10.13203/j.whugis20150376
    基金项目:

    国家重大专项研发计划 2016YFB0502603

    国家自然科学基金 41471354

    作者简介:

    涂继辉, 博士, 副教授, 主要从事遥感影像处理和信息提取, 3D重建和计算机网络研究。green666@126.com

    通讯作者: 睢海刚, 博士, 教授。haigang_sui@263.net
  • 中图分类号: P237.9

摘要: 针对已分割出的建筑物立面,提出了以基尼系数作为损毁指数对倾斜航空影像中建筑物立面损毁检测的方法。该方法首先通过改进的k-means算法分割出建筑物立面的门窗和墙面,然后利用Canny算法对分割影像进行边缘检测提取统计特征,最后利用经济学中的基尼系数来判断建筑物立面是否损毁。实验结果表明,本文方法在没有先验信息的情况下仅利用单时相倾斜航空影像就能简单高效地判定建筑物立面损毁。

English Abstract

涂继辉, 眭海刚, 吕枘蓬, 贾曲, 孙开敏. 基于基尼系数的倾斜航空影像中建筑物立面损毁检测[J]. 武汉大学学报 ● 信息科学版, 2017, 42(12): 1744-1748. doi: 10.13203/j.whugis20150376
引用本文: 涂继辉, 眭海刚, 吕枘蓬, 贾曲, 孙开敏. 基于基尼系数的倾斜航空影像中建筑物立面损毁检测[J]. 武汉大学学报 ● 信息科学版, 2017, 42(12): 1744-1748. doi: 10.13203/j.whugis20150376
TU Jihui, SUI Haigang, LV Ruipeng, JIA Qu, SUN Kaimin. Building Facade Damage Detection Based on the Gini Index from Oblique Aerial Images[J]. Geomatics and Information Science of Wuhan University, 2017, 42(12): 1744-1748. doi: 10.13203/j.whugis20150376
Citation: TU Jihui, SUI Haigang, LV Ruipeng, JIA Qu, SUN Kaimin. Building Facade Damage Detection Based on the Gini Index from Oblique Aerial Images[J]. Geomatics and Information Science of Wuhan University, 2017, 42(12): 1744-1748. doi: 10.13203/j.whugis20150376
  • 自然灾害是人类生命财产蒙受巨大损失的最重要原因之一。建筑物是人类生产生活的核心要素,在自然灾害发生后,对其损毁信息的检测和提取具有重要意义,可为灾害应急响应与灾后恢复重建提供重要决策依据。鉴于建筑物损毁检测的复杂性,不仅仅要判定建筑物高程和面积等信息的变化,还要判定建筑物顶面和立面损毁信息,因此如何对建筑物进行全方位的高精度定量损毁评估是目前研究的热点。遥感技术具有重访周期短,探测范围大,数据综合性高等特点,是灾害监测与评估的重要手段之一[1]。近年来迅猛发展的倾斜航空摄影技术突破了传统航空影像只能从垂直角度拍摄的局限,通过在同一飞行平台上搭载多台传感器能够同时从1个垂直、3个或多个倾斜等不同的角度采集影像,很好地采集了建筑物全方位的信息[2]。许多学者利用倾斜摄影测量技术在提取建筑物的完整信息方面做了大量深入的研究[3-5],利用该技术检测建筑物损毁可弥补传统只能检测建筑物顶面损毁信息的不足。研究工作主要方法体现在两个方面:一是基于单时相的建筑物立面损毁检测[6]。由于灾后倾斜航空影像易于获取,这类方法符合实际生产需求。此类方法又分为基于纹理特征和结构信息的损毁检测,基于纹理特征的方法主要利用灰度共生矩阵或者Tamura等特征进行损毁检测,但是由于建筑物立面纹理粗糙度较大,而纹理特征检测主要面向细纹理特征的检测,因此不适合区分单时相的损毁;基于结构信息方法主要提取建筑物立面裂缝等信息来检测损毁,但由于建筑物立面丰富的结构信息会对裂缝提取造成极大干扰,实现也较为困难。二是基于多时相的建筑物立面损毁检测[7]。此类方法主要利用变化检测的方法进行建筑物立面损毁检测,但灾前的倾斜航空影像一般很难获取,特别是临近受灾前时间段的倾斜影像更加难以获取,而且灾前、灾后多时相的倾斜影像如何进行高精度配准也是目前的难点。

    如何利用倾斜航空影像去检测建筑物立面的损毁信息, 对于建筑物损毁的精确定量评估具有重要的意义。基于以上研究,本文提出了基于基尼系数的单时相倾斜航空影像中建筑物立面损毁信息检测方法,该方法引入了经济学中的基尼系数作为损毁指数来检测建筑物立面结构损毁信息,具有很好的检测效果,为提高灾害中建筑物整体损毁精细评估提供了重要手段。

    • 本文方法是在倾斜影像中建筑物立面已经提取的基础上展开研究的,整体流程如图 1所示。首先利用改进k-mean聚类算法分割出建筑物立面的窗户、门,然后利用Canny算法对分割影像进行边缘检测提取统计特征,最后利用基尼系数来整体度量建筑物立面损毁信息,从而判定建筑物立面是否损毁。

      图  1  本文总体方法流程图

      Figure 1.  Flowchart of the Proposed Method

    • 基尼系数(Gini coefficient)是根据劳伦兹曲线定义的判断收入分配公平程度的指标,是国际上用来综合考察居民内部收入分配差异状况的一个重要分析指标。基尼系数的数值范围通常为0~1,数值大表示收入差异大,分配不公平,数值小表示收入差异小,分配公平[8]。国际上通常把0.4作为贫富差距的警戒线,大于这一数值容易出现社会动荡。其计算方法为:假定一定数量的人口按收入由低到高顺序排队,分为人数相等的n组,从第1~i组人口累计收入占全部人口总收入的比重为wi,则基尼系数G为:

      $$ G = 1 - \frac{1}{n}(2 \times \sum\limits_{i = 1}^{n - 1} {{w_i} + 1} ) $$ (1)

      基尼系数是一种统计不均匀分布的重要度量指标,具有很好的尺度不变和克隆不变特性,这些特性能很好地满足稀疏度量的6个特性[9]。完好建筑物立面通常具有很好的规则度,表面的门窗呈整齐均匀分布,具有一定的稀疏分布特性。本文将基尼系数作为建筑物立面损毁的度量指数,当基尼系数较大时,说明建筑物立面结构松散,有较好的规则,未发生损毁;反之,说明建筑物立面结构杂乱,发生了损毁。假设影像中提取的统计特征为f,直方图f = [f1 f2 f3fk]。对直方图中的元素进行从小到大排序,得到新的直方图集合为f′= [f1 f2 f3fk]。根据文献[9]得到度量影像规则度的基尼系数公式:

      $$ G\left( f \right) = 1 - 2 \times \sum\limits_{k = 1}^K {\frac{{{f_k}}}{{\left( {{{\left\| f \right\|}_1}} \right)}}\left( {\frac{{K - k + \frac{1}{2}}}{K}} \right)} $$ (2)

      式中,‖f1为第一范式;K为直方图统计的类别总数;G的范围是0~1,G越大,建筑物立面越完整,G越小,建筑物立面损毁越严重。经过本文统计实验发现,建筑物损毁阈值为0.45,和经济学中的统计规律基本一致。

    • 由于倾斜航空影像中的建筑物立面显著特征是门窗整齐分布,因此可以提取建筑物立面的门窗边缘特征作为基尼指数分布统计特征,通过判别建筑物立面门窗边缘是否整齐排布来判定建筑物立面是否发生损毁。为了提取基尼系数的统计特征,本文首先利用k-means聚类算法分割出建筑物立面的门窗。k-means聚类算法是特征空间划分的一种快速、简便的分类方法,能够动态聚类,具有自适应的优点,属于非监督分类方法的范畴。但是k-means聚类算法受初始聚类中心选取的影响,如果选取不合理将会增加运算的复杂程度,误导聚类过程。因此,直接利用k-means聚类算法分割建筑物立面将无法得到合理的聚类结果。粗糙集能够在保持分类能力不变的情况下,通过知识化简很好地进行近似分类,因此本文通过粗糙集理论的空间划分方法对影像进行初始分类,然后在初始分类的基础上利用k-means聚类算法把建筑物立面分为门窗和墙壁两部分[10],具体算法流程如下。

      1) 利用粗糙集进行初始分类。根据粗糙集理论,可以将一幅影像所表达的信息作为一个知识系统K=(I, R), I表示影像,R是定义在影像I中的等价关系,利用R划分出聚类的初始中心点及其个数。设I中像素的灰度值为f, 其中f=0, 1, 2,…, 255, D(f) = n表示统计灰度值为f的像素个数。由D(f)构成的影像直方图一般为谷峰分布,通过直方图可以将灰度值近似的像素归为一类,则图像可以近似分为若干类。因此定义像素的灰度值差作为条件属性,于是粗糙集等价关系R可以定义为:如果两个像素灰度值差小于间距d,则两个像素是相关的,属于等价类:R={f||fifjd},i, j=0, 1, ..., 255。

      首先确定灰度值差d, 通过影像的灰度直方图范围求出灰度级数L。将灰度范围内对应像素个数最多的灰度值定义为中心点μ。计算L个中心点的两两间距,若最小距离小于间距d,则将相应中心点合并,并将两点的算术平均值作为该中心点的值。重复进行直到所有中心点的两两间距均大于间距d,则中心点的个数和数值就是k-means聚类所需要的初始类的个数和均值。设利用粗糙集理论得到的k个中心点作为初始均值μ1, μ2, μ3, …, μk

      2) 计算影像中每个像素与上一步初始均值之间的距离D,将每个像素赋均值距其最近的类:

      $$ D\left| {{f_p} - {\mu _k}} \right| = \min \left\{ {D\left| {{f_p} - {\mu _i}} \right|,{\rm{ }}i = 1,2, \ldots k} \right\} $$ (3)

      并对式(3)进行迭代。

      3) 对于i=1, 2, …, k,计算新的聚类中心,更新类均值:μi(m+1)= $1/{N_i}\sum\limits_{f \in S\left( m \right)} {{f_p}} $,式中,NiSi(m)中的像素个数。

      4) 将所有像素逐个考察,如果i=1, 2, …k,有μi(m+1)=μi(m),则算法收敛,结束;否则返回步骤2)继续下一次迭代。

      5) 以上聚类过程结束后,为了增强显示效果,分割结果各像素以聚类中心灰度值作为该类最终灰度。

      通过以上的聚类算法将建筑物立面门窗和墙壁分割,然后利用形态学的开运算对分割出的门窗进行膨胀,使得分割的门窗更加完整,最后利用Canny算法对墙壁的门窗进行边缘检测。结果见图 1中的统计特征提取。

    • 图 1中的损毁判定部分,由于大部分建筑物立面都是垂直于地面,本文统计建筑物立面中平行于地面的门窗边缘线之间的距离分布,再统计出其直方图,最后利用基尼系数进行建筑物立面损毁判定。具体算法流程如下。

      1) 完好的建筑物立面门窗边缘是近似相互平行的,但当建筑物立面发生损毁后,门窗边缘变得不相互平行,且重叠交叉在一起,因此本文通过统计垂直于水平面方向相邻像素点之间的距离分布来判定建筑立面是否发生损毁。具体方法为:如图 2所示,沿着水平方向每隔一定步长l, 统计建筑物立面垂直方向临近两个像素点之间的距离di,整个立面影像可以得到距离向量d=[d1 d2 d3… dK]。

      图  2  距离统计分布示意图

      Figure 2.  Diagram of Distance Statistical Distributions

      2) 利用D(di)=ni统计出距离向量的直方图,然后对距离向量个数ni进行升序排序,得到向量n=[n1 n2 n3nK],其中n1n2n3≤…≤nK

      3) 将向量n代入式(2)中计算出基尼系数。

      4) 根据基尼系数的阈值判定建筑物立面是否损毁。

    • 为了验证文中算法的有效性,利用武汉大学测绘遥感信息工程国家重点实验室于2014年4月在北川地震遗址进行灾害考察时航拍的遥感影像作为实验数据。该遥感影像由1个下视和4个倾斜相机所拍摄,相机型号为SWDC-5,图幅大小8 260像素×6 166像素,影像分辨率为0.2 m,本文对遗址区域中100栋完全倒塌的建筑物立面进行了实验。

    • 首先通过人工目视判读方式对遗址区域中100栋建筑物立面进行了损毁判定,判定结果为32栋建筑物立面较为完好,68栋建筑物立面发生了损毁。然后,分别计算出其基尼系数,得到如图 3(a)所示的结果,从图 3(a)中可以得出基尼系数为0.45可以作为建筑物立面损毁和未损毁的阈值的结论。本文还利用灰度共生矩阵和Tamura特征来检测建筑物立面的损毁[11-12]。对于灰度共生矩阵,本文选用了能量、惯量、熵和相关性4种特征进行高斯归一化后度量建筑物立面信息;Tamura特征则使用了粗糙度、规整度和方向度3种特征进行高斯归一化后度量建筑物立面信息。从图 3(b)图 3(c)中的曲线可以看出,这两种特征很难用阈值来区分建筑物立面是否损毁。表 1显示了部分立面影像的基尼系数、灰度共生矩阵和Tamura值。

      图  3  建筑物完好立面和损毁立面的基尼系数、灰度共生矩阵和Tamura

      Figure 3.  Gini Index, GLCM and Tamura Curve Chart of the Building's Facde Undamage and Damage

      表 1  部分建筑物完好立面和损毁立面基尼系数、灰度共生矩阵和Tamura

      Table 1.  Gini Index, GLCM and Tamura of the Partially Building's Facade Undamage and Damage

      立面 示意 基尼系数 灰度共生矩阵 Tamura
      完好 0.52 1.014 5 0.923
      0.49 1.035 0.898
      0.59 1.212 0.938
      0.49 1.036 7 0.798
      0.57 1.293 0.890
      损毁 0.39 1.025 1 0.908
      0.14 0.923 0.838
      0.36 0.825 1 0.818
      0.29 1.121 0.838
      0.38 1.293 0.848
    • 基尼系数在经济学中是评价收入分配公平性的指标,应用在建筑物损毁检测中,当系数大于阈值时,建筑物立面的门窗边缘规则且间距较大,说明建筑物立面未发生损毁;当系数小于阈值时,立面门窗边缘不规则且间距较小,可能重叠在一起,建筑物立面发生了损毁,恰好符合基尼系数在经济学中的规律。灰度共生矩阵和Tamura特征都是描述具有细微粗糙度的纹理特征,而立面的墙壁中的窗户和门的粗糙度较大,不适合利用这两种纹理特征进行建筑物立面损毁检测。

    • 建筑物立面损毁信息检测对提高建筑物整体损毁评估精度具有重要的意义。针对此,本文提出了以基尼系数作为损毁指数对倾斜航空影像中建筑物立面进行损毁检测的方法。该方法首先利用基于粗糙集的k-means算法对建筑立面进行分割,然后使用Canny算法对分割的立面进行边缘检测提取统计特征,最后利用了经济学中的基尼系数来判断建筑物立面是否损毁。实验结果表明,该方法在不需要先验信息和灾前数据的情况下,能快速有效地进行建筑物立面损毁检测,为提高建筑物整体损毁评估的精度和自动化程度提供解决方法。

参考文献 (12)

目录

    /

    返回文章
    返回