关于城市建筑物提取方法的研究

关于城市建筑物提取方法的研究

马涛

江苏师范大学科文学院

摘要：建筑物是城市的主要组成部分，是城市化建设的主要地物特征, 也是地理库中最容易发生变化和更新的部分, 更是城市化建设不断发展的重要体现。虽然城市的占地面积仅占地球总面积的极少数，但是随着人口的增长，城市化的进程越来越快，城市建筑物的数量也在急剧上升，因此对建筑物的分析也占据了越来越重要的地位。

关键字：城市建筑物 提取方法 优化

随着时间的变迁，科技的发展，遥感技术已经运用到了生活中的各个领域，遥感技术有很多优点，包括获取的数据量大，获取数据的范围大，获取数据的便利等等。城市遥感技术主要涵盖了四个方面，有植被、水体、建筑物、道路。而城市建筑物是城市的重要组成部分，是人类生产、生活最重要的场所, 也是城市布局、管理的重要组成部分，建筑物信息又与人类的生存息息相关，所以对建筑物信息的提取就显得尤为重要了，因为提取的建筑物信息可以在很多领域都发挥重要的意义。

一、城市建筑物的提取方法

第一种分类方法：针对高分辨率城市建筑物提取，可以根据原理的不同分为以下三类：面向对象、基于特征和结合辅助信息。

（一）面向对象的方法。

面向对象分类方法是一种影像自动分析方法,是由多个像元组成的像元群,目标对象比单个像元分析更具有意义。面向对象的方法主要包括分割影像、设计特征、提取建筑这三个步骤。分割影像就是按照特定的算法对影像进行分割，得到对象后，将其是作为后续过程中的最小分析单元。设计特征和提取建筑物是分割后的提取步骤。

（二）基于特征的方法

基于特征的方法即利用建筑物本身的几何、纹理、光谱等特征进行城市建筑物提取。基于边缘特征的主要原理是:在高分辨率遥感影像上，地物的边缘特征比较明显，通过边界灰度值的跳变检测出边缘后，进行建筑物的提取。基于角点方法的主要原理是:矩形建筑物通常具有明显的的角点信息，因此很多研究者利用建筑物的角点特征对其进行初步的定位。基于特征的方法主要依靠建筑物的一个或多个特征进行城市建筑物提取，该方法的鲁棒性较差。当存在阴影、植被、云影等因素的干扰时，基于特征的方法精度会大幅下降。另外，由于仅利用建筑物的部分特征，基于特征的方法很难去除与建筑物类似的地物。因此该类方法更适合作为其他方法的辅助操作。

（三）结合辅助信息的方法

结合辅助信息方法的主要原理是:利用与高分辨率遥感影像相匹配的遥感或地理数据，提供从高分辨率遥感影像中难以获取的信息，进而辅助完成城市建筑物的提取。在结合辅助信息的方法中，常利用的数据可分为两种:一种是与其他地物相比,建筑物所特有的高度信息;另一种是由于建筑物高度带来的阴影信息。高度信息的提取通常基于数字表面模型( Digital Surface Model, DSM)、激光雷达(LiDAR)等数据。

第二种分类方法：针对高分辨率城市建筑物提取，除了可以根据原理的不同分为三类还可以根据法按照其应用机理分为三类:基于区域分割的方法、基于辅助知识的方法、基于边缘。

（一）基于区域分割的方法

基于区域分割的方法识别建筑物的过程主要是先通过分割方法将遥感影像背景与建筑物分离，然后再对分离出的建筑物做进一步优化处理。由于优化处理时无法补全缺失的信息，因此分割算法的效果与精度显得尤为重要。在高分遥感影像中，由于建筑物的复杂性导致区域分割的方法效果不理想，且容易破坏区域的边界。针对建筑物检测的领域特定细分方法，它在分割步骤中将与建筑物检测问题有关的信息整合到检测系统中。

（二）基于辅助知识的方法

由于建筑外观和环境特征(如光和背景)的复杂性，为了实现遥感影像中建筑物的高精度识别，研究人员通过人工经验设计的特征结合语义、上下文等相关辅助信息进行建筑物的检测与识别。

（三）基于边缘与角点检测的方法

基于边缘检测的方法是先利用边缘检测算法提取出图像中的边缘线段，然后根据空间关系对提取的边缘线段进行分组，进而搜索符合建筑物几何形状和空间结构的矩形，最终确定建筑物的位置信息。

二、对建筑物传统提取方法的优化

（一）对Relief F特征筛选方法的改进

首先构建高分辨率遥感影像建筑物基础特征空间, 然后利用改进型Relief F算法分析特征对象的权重并筛选出最优特征，首先构建高分辨率遥感影像建筑物基础特征空间, 然后利用改进型Relief F算法分析特征对象的权重并筛选出最优特征。

（二）利用全极化SAR影像提取建筑物

将建筑物视为一类典型地物, 从而基于典型地物分类的思想进行建筑物提取。在提取Pol SAR影像中地物的H-α-A极化特征后,再利用Wishart分类器进行聚类, 然后将聚类结果合并到所需要的类别数, 从分类结果中分离出建筑物。

（三）对U-Net模型的改进

城市建筑物在光谱、纹理、几何等特征上与阴影、植被等地物差异较大。深度卷积神经网络中常使用较为固定的感受野，获取的多尺度建筑物特征之间存在一定的差异，即建筑物类内存在特征差异。常规的深度学习模型在面对阴影、植被挡以及多尺度效应时，对建筑物特征的提取效果有待加强。双重注意力模块可以根据建筑物特征之间的相似性，自适应的获取全局和长通道的建筑物特征，以此增强阴影、植被遮挡以及多尺度效应下的建筑物特征。

常规的深度学习模型对复杂城市场景下的建筑物特征提取不充分，针对此问题可以对U-Net进行改进。首先在U-Net编码器底端嵌入了双重注意力模块，该模块可以根据建筑物特征之间的相似性,进一步提取全局建筑物信息和长通道建筑信息，从而提高网络对建筑物特征的提取能力。然后改进了模型的损失函数，在交叉熵损失函数的基础上加入了Lovasz损失函数，构成的复合损失函数改善了单一损失函数对结果约束性差的问题，进一步提高了模型的鲁棒性。

三、存在问题

第一在城市环境中，建筑物通常被其他人造或自然地物包围，对建筑物边界提取造成一定程度的干扰，另外建筑物屋项与道路具有相近的光谱信息，容易造成混淆。第二受拍摄角度和光照条件影响，部分建筑物会被阴影、树木、或其他高大建筑物遮挡，造成局部影像信息的丢失。第三建筑物屋顶材质多样并含有较多的人造结构造成建筑物屋顶光谱特征和纹理特征有较大差异，限制了建筑物特征的利用。第四高分辨率遥感影像虽然提供了丰富的地物信息，但是也带来了大量明显的噪声，此外遥感影像不同建筑群落之间光谱特征及空间特征结构特征的差异都对精确地实现建筑物实例识别的效率以及精度提出了较高的考验。

参考文献

多尺度卷积特征融合的SSD目标检测算法[J]. 陈幻杰,王琦琦,杨国威,韩佳林,尹成娟,陈隽,王以忠. 计算机科学与探索. 2019(06)

基于深度学习的高分辨率遥感影像建筑物提取方法[J]. 范荣双,陈洋,徐启恒,王竞雪. 测绘学报. 2019(01)

风云三号C星GNOS北斗掩星电离层探测初步结果[J]. 杨光林,孙越强,白伟华,张效信,杨忠东,张鹏,谭广远. 空间科学学报. 2019(01)

基于改进稀疏栈式编码的车型识别[J]. 代乾龙,孙伟. 计算机工程与应用. 2020(01)