卫星影像提取建筑

卫星影像提取建筑、道路专题信息

技术方案提纲

一、影像专题信息提取原理

影像专题信息提取是一个影像分割、分类、分类后处理及专题信息输出的过程。但是在专题信息提取过程中，由于“同谱异物”、“同物异谱”等情况的普遍存在，加上遥感数据空间分辨率的限制，“混合像元”现象不可避免，因此基于常规像元灰度值的图像分类存在很多问题。在此基础上，人们开始对多源信息复合的信息提取方法进行探索，主要是从波谱特性、纹理信息、图像运算和地学专家知识等方面出发。

1.光谱特征信息复合

光谱特征分析法是遥感信息提取的常用方法之一，在相关研究中得到了广泛应用。不同地物的波谱特性，是遥感影像分析解译的理论基础，也就是说多光谱影像的计算机自动分类识别必须建立在全面了解掌握分类对象不同波段光谱特性的基础上。一般而言，同一地物在不同波段的光谱值不同，在同一波段不同地物的光谱值也不相同。根据这一原理，在多波段彩色合成影像上，首先对典型地物进行光谱采样，然后计算各种地物的光谱均值，得到典型地物波谱响应曲线图。之后分析所需专题信息光谱曲线与其他地物光谱曲线的关系，找到能够区分所需信息与其他地物的波段，利用波段之间的亮度值差异，选择适当的阈值即可将所需要的信息提取出来。

基于光谱特征的分析方法是从分析地物的光谱曲线入手，挖掘谱间特征，从而提取出所需地物信息的。但是该方法无法克服异物同谱和同物异谱的现象，许多地物无法准确区分。

2.纹理结构信息复合

常规提取遥感图像信息的最大似然分类法等都是基于地物光谱特征的，很难正确区分一些光谱易混淆的地物，因此为了克服这种现象，可以采用纹理分析的方法。影像纹理反映了影像灰度性质及它们之间的空间关系，是描述和识别影像的重要依据，与其他影像特征相比，它能更好地兼顾地物的宏观性质和细部结构。

纹理分析方法大致分为统计方法、结构方法和谱方法。统计方法是指在不知

道纹理基元或尚未监测出基元的情况下进行纹理分析，主要描述纹理基元或局部模式随机和空间统计特征，如灰度共生矩阵法、随机场模型法等；结构方法主要在已知基元的情况下进行，描述纹理基元及其周期性排列的空间几何特征和排列规则，如形态学，图论、拓扑等方法；谱方法是建立在多尺度分析与时、频分析基础之上的纹理分析方法，如Gabor变换、小波变换、分形学等。其中，统计分析方法中的基于灰度共生矩阵提取纹理特征的方法是目前公认的一种较经典的纹理分析方法，它强调图像的空间依赖性，体现了在一种纹理模式下的像素灰度的空间关系。

随着传感器技术的不断发展，成像分辨率不断提高，图像地面细节信息越来越丰富，地物纹理特征表现得更为清晰，比起传统方法单纯基于地物的光谱特性提取专题信息的方法来说纹理分析方法将得到更加广泛和深入的应用。

3．归一化差异型指数信息复合

归一化差异型指数是通过波段比值运算和归一化处理，把输出值范围统一在一1～+1之间。归一化差异型指数创建的基本原理就是在多光谱波段内，寻找出所要研究地类的最强反射波段和最弱反射波段，将强者置于分子，弱者置于分母。通过比值运算，进一步扩大二者的差距，使感兴趣的地物在所生成的指数影像上得到最大的亮度增强，而其他背景地物则受到普遍的抑制，从而达到突出感兴趣地物的目的。

国内外学者提出的常见的该类型指数如归一化差异植被指数(NDVI)、归一化差异水体指数(NDWI)、改进的归一化差异水体指数(MNDWI)、归一化建筑指数(NDBI) 以及归一化差异湿度指数(NDMI) 和归一化差异型指数(NDSI) 等。

归一化差异型指数由于进行了比值运算，所以其生成的指数影像有助于消除地形差异的影响，而且具有快速客观的优点，实际表明综合运用各种指数提取专题信息已取得较高的精度。

4、形状指数信息复合

形状指数的计算是针对某个地物对象而不是传统意义上的单个像素。利用地物对象的形状信息与对象间的拓扑相连信息。充分利用地物对象的信息(如形状、面积、纹理、色调等)和对象间信息(与邻近对象、子对象、父对象的相关特征)，是遥感应用处理的技术之一”。因为形状特征与具体地物目标联系在一起，要获

得有关目标的形状参数，必须先对图像进行分割，这导致形状特征容易受到图像分割效果的影响。这里主要利用形状指数来分割道路与建筑物。

综上所述，可以综合采用基于地物本身的光谱特性、纹理、归一化指数以及形状指数进行卫星影像的地物专题信息提取。

二、影像专题信息提取方法

影像专题信息提取方法有基于像元的提取方法和基于对象的提取方法，对影像专题信息的提取也就是对影像专题信息的分类。常用的分类方法包括了监督分类、非监督分类、专家分类、面向对象的分类等。

1、监督分类

监督分类（supervised classification）又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。也就是根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种方法。要求训练区域具有典型性和代表性。判别准则满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止。

监督分类法采用的统计方法主要有最大似然法、最小距离法、神经元网络分类法、模糊分类法。在目前遥感影像信息自动提取的研究中，最大似然法(也称Bayes分类法)以及神经网络分类法是应用最广泛，最典型的监督分类方法。最大似然分类法是建立在贝叶斯准则基础上的，其分类的错误概率较小，是风险最小的判决分析，应用最大似然判决准则进行分类是比较理想的。但是传统的人工采样方法由于工作量大，效率低，加上人为主观因素的影响，使得分类结果的精度较差。利用GIS数据来辅助Bayes分类，再根据地学专家知识，建立知识库，以知识来指导分类的进行，可以减少分类错误，提高分类精度；神经元网络分类法，是一种具有人工智能的分类方法，包括BP神经网络、径向基神经网络、模糊神经网络、小波神经网络等各种神经网络分类法。神经网络法不基于某个假定的概率分布，容错性较强，通常情况下比一般统计方法要好，其分类精度也较最大似然法要高。

2、非监督分类

非监督分类是指人们事先对分类过程不施加任何的先验知识，而仅凭数据（遥感影像地物的光谱特征的分布规律），即自然聚类的特性，进行“盲目”的分类；其分类的结果只是对不同类别达到了区分，但并不能确定类别的属性，亦即：非监督分类只能把样本区分为若干类别，而不能给出样本的描述；其类别的属性是通过分类结束后目视判读或实地调查确定的。非监督分类也称聚类分析。一般的聚类算法是先选择若干个模式点作为聚类的中心。每一中心代表一个类别，按照某种相似性度量方法（如最小距离方法）将各模式归于各聚类中心所代表的类别，形成初始分类。然后由聚类准则判断初始分类是否合理，如果不合理就修改分类，如此反复迭代运算，直到合理为止。与监督法的先学习后分类不同，非监督法是边学习边分类，通过学习找到相同的类别，然后将该类与其它类区分开，但是非监督法与监督法都是以图像的灰度为基础。

非监督分类采用的主要统计方法有动态聚类，模糊聚类，系统聚类和分裂法。其中动态聚类是目前非监督分类中比较常用的一种方法，主要有基于最邻近规则的试探法、K-means均值算法、迭代自组织的数据分析法(ISODATA)等。K．means 均值算法和ISODATA算法应用较多，它们把分析判别的统计聚类算法和简单多光谱分类融合在一起，使聚类更加准确、客观，提高了分类精度。但这些分类法也存在着一定的不足，例如很难确定初始化条件，很难确定全局最优分类中心和类别个数，很难融合地学专家知识等。虽然非监督分类方法的提取精度相对较低，但是这种方法的工作量相对较小，且容易实现，所以仍有很多研究人员将该方法应用到实际问题当中。

通常情况下，单一基于统计分析的图像分类算法很难保证信息提取的精度，综合监督、非监督两种分类方法，对建筑和道路专题信息进行分层、分级提取，可以对单一方法进行补充，从而提高分类精度。

3、专家分类

专家分类是利用了各种经验性知识，在综合判断的同时进行影像判读的。可是在利用计算机进行影像分类时就不能充分利用这种专家的知识及综合性判断力。专家系统就是把某一特定领域的专家知识输入到计算机中，辅助人们解决问题的系统。利用这样的系统就可以把判读专家的经验性综合起来进行分类。

在以分类为中心的遥感影像处理、分析中，必须具备以下知识：

1）关于影像分析方法的知识

遥感影像处理、分析的方法在区别不同的目标、不同的状态下加以利用时可以发挥出有效性，为了获得有效的成果，必须把这些方法通过适当地组合加以利用。因此，必须建立具有适用的分析方法的知识，并能提示、给出影像的最佳处理步骤的系统。目前已开发出若干个这样的系统，它们在询问使用者关于分析目的及处理结果的满意程度的同时确定影像分析的顺序。

2）关于目标物的知识

对影像数据进行目标的分类及判读时，必须具备关于目标物的各种知识。例如，利用光谱特征及纹理特征等对影像上的目标物的观察方法的知识，以及对标高3000m以上的地区不存在森林这种关于目标物特定的存在场所的知识等。把这种知识应用于分类过程中可以提高分类的可靠性。另外，为了在影像处理中更好地活用关于目标物的知识，还必须具备关于影像处理方法的知识，可以说这两种知识的结合是非常重要的。

专家系统既需要对影像进行处理、分类和特征提取，又需要从影像信息提取专家那里获取地物知识，构成图像解译知识库，在基于知识指导由计算机完成影像信息提取。如图1所示，专家系统组成基本上分为三部分：

图1 专家系统结构逻辑框图

4、eCognition Developer 面向对象的影像分析、分类方法

传统基于像素级别的信息提取以单个像素为单位，以地物的光谱特征为主要依据，没有充分利用图像中的几何结构等信息，从而制约了信息提取的精度，而面向对象的遥感信息提取是基于“图像对象”的分类，综合考虑了图像的光谱统计特征、纹理特征、地物的形状、大小、相邻关系等一系列因素，因而许多研究表明其具有更高精度的分类结果。

人类对眼睛看到的东西不是简单的反映，而是基于已有知识和经验的重构，看到认知对象的部分可以推断其全部。易康类似人类基于知识和经验的认知过程，它是基于知识的遥感影像分类方法，能将原有GIS数据和新的遥感影像数据

及通过分类所得到的知识有机地结合在一起，充分利用原有各土地利用类型转变

的先验性知识，将这些知识用于遥感影像分类，能减少“同物异谱”、“异物同谱”的混杂现象，并提高分类的精度。

人类认知不是基于像素的，首先将同质像素组成有意义的对象，将特定的对象或对象群放在特定的环境下来分析。易康全新的面向对象的影像分析方法，与传统分类方法的本质区别是对影像对象而不是像素进行分类。利用面向对象影像分析方法的目的是：影像分析的任务是提取真实世界的地物对象，形状和类别都要正确，传统的基于像素的分类方法无法满足这一要求。

影像对象的网络层次结构与其借助对象显示的影像信息直接相关，像素与像素之间的拓扑关系隐含在栅格数据模型中，而影像对象之间的联系则必须明确表示出来。拓扑网络结构有极大的优势，它能够有效地传递不同种类间的相关关系。如果说基于像素的影像分析方法是平面上的孤立像素分析，那么面向对象的影像分析则把对象放在一个网络环境下，对它进行全面的立体分析。

不同分类任务都需要不同的尺度，因而必须将影像对象的大小调整到合适的尺度。基于影像对象的平均大小，影像信息可以在不同的尺度进行表达。同一幅影像可以分割为较大或较小的对象，不同的分割会对信息的提取产生一定影响。

此外，可以通过不同的对象层同时表现不同尺度的影像信息。不同对象层相互关联可以提取更多有价值的信息。例如，可以通过影像对象层次网络结构来实现，在这种严格的层次结构中，每个对象知道其相邻对象、子对象和父对象，从而可以实现某一确定区域的子结构的精确分析，而这种分析在非严格的层次结构中是不可能实现的。不仅如此，我们还可以在子对象的基础上改变父对象的形状。

面向对象的影像分析的另一个重要特征是能够由影像对象提取到大量的附

加信息。除色调外，这些附加信息还包括形状、纹理、上下文以及来自其他对象层的信息。使用这些信息，由分类可以得到更好的语义区分和更精确详细的结果。从概念方面上看，可将特征分为以下几类：

固有特征：即对象的物理属性，由拍摄的真实世界及影像状态——主要是传感器和光照条件所决定。这些特征包括对象的颜色、纹理和形状。

拓扑特征：描述对象间或整个影像的几何关系特征，诸如靠左、靠右或距离某一对象一定距离的位置或是位于影像的某一特定区域等。

上下文特征：描述对象的语义关系特征，如公园被城区所包围。

以分类为基础，可以在局部以特定方式来分析影像对象，例如，一个对象一旦被分类为森林，局部知识就可以用来分类。从理论上讲当一个对象及其网络环境确定后，其他的对象都可以运用森林的逻辑知识来确定。对象的不同区域采用不同的方法比采用同一种算法更为合理，而这也正是面向对象分析方法的优势所在。

最后，面向对象方法的特点，还在与影像对象的处理和分类的互相影响。在分割之后，影像对象的尺度、形状等信息可用于分类；反过来，在分类之后，某些处理算法才能被利用。在很多应用中，所需要的地理信息和感兴趣的对象是通过一步步地分类和分割处理的循环互动才提取出来的，因而，作为处理单元的影像对象能不断地改变其形状、分类结果（属性）和相互关系。

这种循环过程与人类对影像理解过程相似，经过一系列的中间状态，分类越来越细化，从原始影像中抽取的信息也越来越多。信息提取过程中的每一步都会产生新的信息和知识，这些信息和知识将有利于下一步的分析。因而信息提取不仅考虑对象的形状和大小，而且还有语义信息。有趣的是，这种循环过程不仅仅将像素在空间上合并为影像区域，而且是影像内容在空间和语义方面的结构化。在最初的步骤中更多的是数据驱动，而在后面的步骤中则来越多地运用了知识和语义信息。相应地分类后的影像对象的网络结构也可以看作是空间、语义网络。在成功的分析后，更多有用的附加信息通过网络结构处理就能得到。

面向对象方法在原则上是与分割和分类技术独立的。正确地选择处理方法能够使处理功能更强大，正确的训练和分类方能更充分地运用这些方法潜在的优势，获取更高精度的分类结果。

三、建筑、道路专题信息提取

1、影像专题信息提取的分类类别及特征

道路

道路一般呈现出长条形的连续分布，因此我们在分类时将把道路的形状因子作为一个分类的重点依据，再根据道路各子类的特征信息加入其它算法提出道路专题对象。

●建筑

建筑物的光谱信息与道路具有很强的相似性，但在形状因子上具有很大的差异性，因此我们先提取道路后，利用剔除法，从其它剩余对象中选取建筑对象，再辅与其它算法，更进一步精确提取建筑对象的类别。

2、影像分割

在本项目中，我们使用的是eCognition软件，它是采用面向对象的分类方法，而面向对象分类方法的第一步是对影像进行分割。分割Segmentation算法用来分割像素域表示的整景影像或指定的其它域的更小影像对象。没有经过分类的基本影像对象，包含了光谱特征、形状、位置、纹理信息以及邻域信息。我们在面向对象分割时，常用的分割方法有：

●棋盘分割

将像素域或影像对象域分为方形影像对象。方形格网平行于影像的左边

界和上边界，大小固定。

棋盘分割

四叉树分割将像素域或影像对象域分割为由方形对象组成的四叉树格网。四叉树网格由正方形组成，每个边是2次幂且与影像左边界和上边界对齐，适用于域内的所有对象，每个对象沿着网格便捷切开。四叉树结构按照这样的方法创建，就是说每个正方形首先满足最大肯能大小，其次符合模式mode和尺度参数scale parameter定义的均质标准。

四叉树分割

多尺度分割

分割本身不是目的，影像分析的目的是土地利用分类或者是特征目标识别。然而，在很多情况下，我们感兴趣的对象是非均质的。按照均质标准实施的分割往往不能直接提取最终我们感兴趣的区域或对象。针对这个问题，多尺度分割能根据局部反差，在任意尺度提取无知识参与的影像对象原型，它适用于各种数据类型，能同时处理多通道数据，尤其适合于处理有纹理或低对比度的数据，如雷达影像或高分辨率影像。多尺度分割的具体做法是一种从单像素对象开始的自下而上的区域合并技术。

多尺度分割对象结构图

多尺度分割

3、影像专题信息分类

分类是一种把类层次结构中的类与影像对象层次网络中的影像对象进行连接的操作。分类过程处理完后，每个影像对象就赋给一定的类（或者没有分类），这样也就是和类层次结构进行了连接。当分配一个类给一个影像对象，类描述中和其他类的表达也将传递给此影像对象，分类结果是由分类后的影像对象构成的层次网络。这些影像对象具有自己的属性、和其他影像对象之间的关系、和类层次结构中其他类之间的关系，因此在分类时，加入特征变量对分割后的对象进行分析，提取出我们所需要的专题信息。

道路

对影像上道路实现提取，必须要明确道路的定义及其特征。在了解道路特征的基础上，通过适当的预处理增强其特征，再采用相应的模型识别道路。Vosselman和Knecht将道路描述为具有辐射、几何、拓扑、功能、上下文关联5个特征。道路的功能特征和上下文关联特征是其在景物域和物方空间的知识，偏重于语义描述；而道路的辐射、几何与概念模型拓扑特征则属于影像域。景物域特征一般难以从影像上直接解译获取，必须结合其它的知识来综合表达。

道路的波谱反射曲线图

道路的辐射特征表现为内部辐射度比较均匀、与其相邻区域灰度反差较大，本项目中首先采用光谱特征分类提取道路及其同谱的目标。在此基础上，再根据道路的几何形状特征去除同谱的异物，道路在空间上常呈长条状、宽度变化比较小等。

预采样影像

采样后影像

在道路分类时，我们先使用1：2000地形图中道路的面层参与分割计算，设置好分割时光谱因子和形状因子的权重比例，对分割好后的数据再进行分类，第一步：采用样本分类方法，在目标区选取样本，样本的类型大体上可以分为林地、农田、人工建筑物、水体、道路等几类，聚类的方式是最近邻法，从而可以得到道路的粗分类；第二步：依据中道路的铺面材料分为水泥、沥青和沙土三大类，它们的反射波谱特性曲线形状大体相似，但其反射率有所不同，水泥沙路在干爽状态下呈灰白色，反射率最高，沥青路反射率最低，根据这一特性，将道路对象再次细分；第三步：由于光谱的同物异谱和异物同谱现象，需要把错分的道路进行提取。在实际中注意到道路在形状上具有较大的长宽比值，故我们可以采用eCognition提供的基于对象特征的Length/Width(only main line)使错分的道路提取到道路层。第四步：拷贝一个对象层，使用1：2000数据中的道路信息，对分类结果进行检查，判断错分现象，再检查道路的延伸性和连续性，最后使用目视判读，对道路的漏分等情况进行补足。

建筑

同样先采用1：2000建筑专题层进行分割，然后选用样本分类方法，在选择

样本应尽量涵盖所有的建筑物类型，因为在城市遥感影像中，通常只能看到建筑

物的顶部或部分建筑物的侧面，所以掌握建筑材料所构成的屋顶的波谱特性是进行分类的关键。从下图可以看出，铁皮屋顶表面成灰色，反射率较低而且起伏小，所以曲线较平坦。石棉瓦反射率最高，沥青粘砂屋顶，由于其表面铺着反射率较高的砂石而决定了其反射率高于灰色的水泥平顶。绿色塑料棚顶的波谱曲线在绿波段处有一反射峰值，与植被相似，但它在近红外波段处没有反射峰值，有别于植被的反射波谱。

建筑物的波谱反射曲线图

将利用波谱信息分析后提取出来的建筑对象，进行目视检查，看是否有明显错分对象，如有错分较明显区域，则对该对象建立region和map1，再map1中对region进行分割，分割时尺度应设置比较小，分类时，根据其光谱特性，以光谱信息为主，辅以其它算法，对建筑物进行细致处理。

区域分析之前区域分析后

四、影像专题对象的修正

由于eCognition的多尺度分割是与知识无关的方法，它只由颜色和形状均质性组成的均质标准决定。由之产生的影像对象只能被视为对象原型。而且多尺度分割生成了具有相似大小的影像对象，而一幅影像中的不同结构是嵌入在不同尺度大小内的。这样出现一个问题，一个特征尺度的影像对象层不能表达影像中的所有结构。所以我们需要对影像的专题对象进行修正。

规范化处理

由于影像具有栅格结构，基于影像的分类结果会在一定程度上呈现锯齿状轮廓，这与实际情况不符，故需要对分类后的结果进行规范化处理。其处理的调整模式主要有三种，即生长、收缩和覆盖层。其效果如下图所示：

规范化处理前的影像

规范化处理后的影像

建筑物直角化

由于遥感影像分辨率的限制，不能完全准确表示出地物的形状，如实际中的建筑物的拐角比较规则（一般呈现为直角），所以需要对建筑物进行直角化处理。

建筑物直角化前影像

建筑物直角化后影像

五、处理矢量信息

eCognition可以同时对影像对象进行栅格或者矢量显示。分割后，矢量化功能可以为每个影像对象生成多边形。可以根据不同目的，以不同的尺度方式生成矢量信息。

根据项目要求从分类好的数据中生成含建筑物（面）、建筑物（线）、建筑物中心点（点）、道路（面）、道路（线）、道路中心线（线）和注记（点）等图层的Personal Geodatabase，具体的分层如下：

其相应的属性结构如下：（1）建筑物（面）

（2）建筑物（线）

（3）建筑物中心点（点）

（4）道路（面）

（5）道路（线）