一种影像比对快速提取建筑物要素变化的方法

李和军1,2 李 敏3 李楚钰1,2 唐廷元1,2 胡日查4

(1. 北京市测绘设计研究院, 北京, 100038;2. 城市空间信息工程北京市重点实验室, 北京 100038;3. 北京市地质矿产勘查院信息中心, 北京, 100195;4. 内蒙古测绘地理信息中心, 内蒙古 呼和浩特, 010000)

摘 要：本文围绕基础地理信息数据更新时地物要素变化速度快、发现周期长、更新手段落后等问题,结合当前多源影像数据资源,针对以建筑物为例的变化地物快速发现的核心问题,提出了一种基于影像比对提取技术以准确发现建筑物要素变化的方法,能够大幅度提高人工目视解译筛选阶段的工作效率,减少影像分辨率不足、阴影遮挡等问题所造成的误判,建筑物要素变化提取的准确率可优于80%,对建筑物要素数据的快速更新具有一定促进和提升。

0 引言

经过几十年的建设,我国基础地理信息资源已初具规模。基础地理信息数据作为城市规划管理、可持续发展研究、交通、社会与公众服务等众多领域的重要空间基础数据[1],是国家经济建设、社会发展、国防建设和生态保护的重要支撑[2],对基础地理信息数据进行持续快速更新[3],保证数据的现势性、准确性和数据完整性是当前基础测绘工作的一项重要内容。传统基础地理信息数据更新手段主要包括变化发现、控制测量、数据采集和外业检查等工作步骤[4],更新周期多为重点要素动态更新、次要要素半年更新和全要素定期更新相结合[5],变化信息监测主要利用目视解译、样本比照、叠置分析等方法开展工作[6-7]。

在城市快速发展的状况下,城市地表各类地物的信息变化非常频繁[8],通过传统测绘手段更新方法已经无法满足地理信息数据更新的时间周期要求。采用何种方式、何种频率对基础地理信息数据进行更新,时刻保持其现势性、准确性和数据完整性成为现阶段测绘和地理信息行业管理者和从业人员关注的重点。

现阶段,很多专家学者已开展了高效的地理信息数据更新的研究工作。莫国明通过分析电子地图的重要性和遥感技术的鲁棒性,引入了遥感变化监测的思路[9]。安如等人利用基于遥感技术的大区域空间数据集成与更新1∶50 000基础地理空间数据时[10]。简灿良等人利用高分辨率遥感卫星影像进行数字地形图更新,研究表明遥感技术应用于数字地图更新周期短、见效快、效率高、花费少[11]。陶金梅等提出了一种利用深度学习技术基于高清遥感影像进行地物识别的方法,并以镇江市为例进行了电子地图的快速更新[12]。

不同于现阶段使用较多的人工目视解译变化检测方法和基于数据集样本训练的机器学习方法,本文基于高分辨率卫星影像数据,通过在数据预处理阶段提取建筑物指数和归一化水体指数排除水体和绿地对建筑物变化数据提取结果的影响,并结合经验阈值的设置确保了建筑物变化数据的准确性,提出了一种在基础地理信息建筑物数据快速更新应用中的影像比对技术的探索。通过两期影像的自动化比对,减少了外业巡查和目视解译中的大部分工作,简化了变化发现的工作步骤,使得房屋数据的提取效率显著提升。

1 技术路线

现阶段通过卫星遥感、无人机等航空摄影方式获取影像、内业全图解译、外业实地调查、内业人工进行基础地理信息数据绘制的更新方式周期较长、受外界环境干扰影响较大且成本不可控。基于两期高分辨率光学遥感影像,准确把握不同时期两版影像的建筑物数据的变化情况,能够准确地提取变化区域,作业人员根据变化区域的现状进行分析,判断灭失或新增地物,根据现状选择作业方式和作业流程(图1)。

图1 技术路线

1.1 影像预处理

对两个时相的遥感影像进行辐射校正、去噪、几何纠正、融合等预处理,纠正影像中的几何与辐射变形并提高影像的清晰度。

1.2 指数提取

对于建筑物分布密集区,分别计算两幅影像的形态学建筑物指数(morphological building index,BMI)[13],BMI适用于3波段和4波段的影像。BMI的计算采用了基于形态学建筑物指数的建筑物提取方法,不透水层组分图像的提取方法,采用凸几何端元提取方法和线性混合光谱分解理论提取影像中的不透水层组分图像。形态学建筑物指数特征图像的获取方法,采用建筑物属性与形态学运算之间的关系建立形态学建筑物指数,得到形态学建筑物指数特征图像。采用决策树分析方法完成建筑物的最终提取。对于包含近红外波段的影像,为消除植被影响,分别计算两幅影像的归一化。对于包含近红外波段的影像,为消除水体影像,分别计算两幅影像的归一化水体指数(normalized difference water index,NDWI)[14]。对两景影像提取变化向量(change vector analysis,CVA)[15],先基于逐像素比较,计算同一位置两时相影像所有光谱向量的欧氏距离。

1.3 图像分割

对两时相的影像进行波段叠加,合成一幅影像,然后对该影像进行图像分割处理,包括初始分割与基元合并两个过程。

初始分割是多尺度分割的第一步,其基本思想是区域合并,将具有相似性质的像元集合起来构成小片的连通区域,生成具有异质性最小的基元。分割原则是“基元内差异尽量小,而基元间差异尽量大”。图像初始分割产生的每个初始基元仅由少数几个像元组成,是地物的一部分,而不能代表整个地物。初始基元需要合并成更大的基元才能更好地代表所对应的地物。把所有像元都当作一个种子点,将输入图像分割或过分割成同质度较好的小块(初始基元),便于后面的基元合并。基元合并采用局部最佳合并策略,即:如果一个基元A和邻居基元B之间的差异性不大,且B是所有A的邻居基元中差异性最小的,A也是所有B的邻居基元中差异性最小的,则基元A和基元B合并;否则不合并。

1.4 变化区域初步提取

每个像元值的大小反映了该像元属于建筑物、植被、水体、变化点的可能性大小,为了得到建筑物/非建筑、植被/非植被、水体/非水体、变化/非变化的二值结果(0和1),采用Otsu阈值分割方法,为每一种指数设定一个阈值,得到二值的指数提取结果。根据阈值分割结果,对变化区域做初步提取。根据图像分割的结果,将二值化后的像素级的指数影像转换为对象级的指数影像。对于二值化的影像,定义建筑物、植被、水体、变化区为前景,非建筑物、非植被、非水体、非变化区为背景。

1.5 经验提取

对于上一步被判为变化基元的初步提取结果,计算每个基元的4种几何特征,包括面积、宽高比、形状指数和形状紧密型。根据初步提取的基元特征,设置经验阈值,进行变化区域精细筛选。基元面积可以用来去除小斑干扰(如道路上的小汽车)。基元宽高比可以用来去除细长地物的干扰,细长地物通常由于配准误差或阴影影响导致。基元形状指数可用来去除形状不规则或长条形地物,可作为基元宽高比的补充。基元的形状紧密性反映了基元形状的规则,可作为基元宽高比的补充。

1.6 分类提取

对于上一步经过经验筛选的提取结果,计算每个基元的多种光谱特征,包括:光谱均值、光谱标准差、标准差异质性、直方图异质性。参考两时相影像,在经验筛选后的结果中选取样本基元,样本基元只分为“变化”和“未变化”两类。以上各种基元特征组成一个特征向量,利用分类模型在样本上进行训练,再对待分类基元(待分类基元为经验筛选后的基元)进行分类。分类模型采用随机森林方法。

2 实验分析与结果评价

本文以安徽省宣城市泾县37 km2范围作为基础地理信息数据更新的作业区域。双时相高分辨率影像数据选用相同卫星不同时期的分辨率为2 m的高分辨率影像数据。本次基础地理信息数据更新作业主要针对建筑物数据为目标图层。

2.1 影像预处理

为有效地排除植被和水体在不同季节对测试结果的影响,本次试验分别选择2021年和2022年相同月份的2 m分辨率4波段影像数据(图2、表1)。为保证影像数据的一致性,通过人工经验选择城镇化率较高的区域进行裁切和重采样,对比2021年和2022年相同月份的影像数据,获得坐标系、行列数和像元大小完全一致的结果。

图2 影像区域示意图

表1 影像参数说明表

2.2 变化区域提取

本次试验区域为安徽省宣城市泾县,主要测试区域为河谷冲积小平原,测区范围内河流丰富、植被茂盛,地物类型涵盖农田、滩涂、山林、河道、工厂等,道路类型包含高速公路、省道、国道、县道、乡道、机耕路等,房屋类型包含农村建筑物、住宅建筑物、高层建筑物、高层办公楼等。因此,本次试验计算了包括建筑物指数BMI、植被指数NDVI、水体指数NWVI、变化向量指数CVA在内的四个应用指数。

使用预处理后的两期影像数据进行图像分割操作(图3),本次图像分割共耗约10 min,共计分割16 510块。图3中“FID”为序号,“Shape”为形状属性。

图3 图像分割操作

根据影像分割结果,结合水系、植被、建筑物和变化向量指数,选择2021版影像中判定为水系、植被而在2022版影像中判断为建筑物数据的变化区域,结合变化向量中的判定结果,初步提取建筑物数据变化像元【图4(a)】,初步提取结果为3 427个。

根据经验,为排除小斑(如道路上的汽车)、影像阴影、投影差变化等因素的干扰,选取面积大于100 m2、宽高比在1到4.5之间、形态指数在0.3到1之间和形状紧密型在1到6之间这4个参数,对初步提取结果进行筛选【图4(b)】,筛选结果为1 538个。

将初步筛选结果叠加2021和2022两版影像数据,通过人工目视解译判读筛选结果的准确性,在样本中均匀选取建筑物相关的正确变化,本次样本选择共用时30 min,由工作人员挑选了40处明显的变化区域和20处伪变化区域。使用随机森林算法将人工判读结果放置入初步筛选结果中进行数据训练,并得到最终的变化图斑,共计258个【图4(c)】。

(a)建筑物变化像元初步提取

(b)利用4个指数对初步提取结果进行筛选

(c)建筑物最终变化像元图斑
图4 建筑物变化提取过程

2.3 结果分析

本次试验计算机程序运行用时为28 min,最终提取变化图斑数量为258个,为验证变化图斑的检出率和误检率,试验团队使用目视解译的方法对两版影像数据进行了变化图斑的提取,投入人员2人,共计用时4 h。因人工提取时图斑边界和算法提取边界判别的区别,本次人工提取图斑数为65个。效率比对结果如表2所示,精度评价结果如图5、表3所示,查准率结果如表4所示。

表2 比对结果分析

图5 建筑物提取结果评估

表3 比对结果分析

表4 查准率结果分析

在使用人工判读图斑对提取的变化图斑进行检验核实的过程中发现,因为不同软件对影像的色彩显示不同,导致人工在进行图斑提取时同样会出现错提和漏提现象,本文方法在处理小范围、肉眼难以识别的变化图斑时,能够取得相较目视解译更好的效果。

3 结束语

本文研究的一种基于影像比对技术在基础地理信息数据更新中的应用方法,能够基于双时相影像进行建筑物数据的变化区域识别,并以安徽省宣城市泾县为例,快速挑选出需要进行基础地理信息数据更新的相关区域,并对更新区域的更新方法提出有效的建议。通过比对提取结果和人工筛选结果可以看出,本方法中建筑物变化区域的时间效率相较传统人工目视解译方法能够提升88%的工作效率,提取准确率可优于80%,在传统数据更新的工作模式下,能够大幅度提高人工目视解译筛选阶段的工作效率,对基础地理信息数据的快速更新工作具有一定的创新意义。

本研究方法在实际应用过程中,对变化区域初步提取工作过程中,对作业员依赖程度较高,需作业人员拥有较为丰富的目视解译和图像判读经验,以确保初步提取成果的正确性。同时在经验提取步骤中,面积、宽高比、形状指数和形状紧密型四个参数的设定需要充分结合项目所在区域的建筑物类型、建筑物密度、建筑物高度等进行经验阈值的设定,以确保筛选数据的准确性。在后续的研究实践中,需要进一步对图像分割算法、植被和水体指数提取算法进行改进,以最大限度地提高地物的提取精度和查准率,同时将本方法尝试用于植被、水体、道路等其他要素的变化提取,实现基础地理信息全要素数据的快速提取。

参考文献

[1] 乔朝飞.促进基础地理信息应用的若干思考[J].测绘通报,2014,446(5):127-129.

[2] 李路英.1∶500基础地理信息数据库更新方法探讨[J].测绘通报,2017(5):132-135.

[3] 周磊,赵向阳,杨学峰,等.基于EPS平台大比例尺地形图动态更新方法的应用研究[J].测绘通报,2012(S1):480-482.

[4] 骆昌鑫.基于多源数据的合肥市基本农田动态变化监测研究[J].国土与自然资源研究,2023(1):6-11.

[5] 王东华,刘建军.国家基础地理信息数据库动态更新总体技术[J].测绘学报,2015,44(7):822-825.

[6] 蒋景瞳.国家基础地理信息系统全国1∶25万数据库设计和应用研究[J].遥感信息,1999(4):14-18.

[7] 刘建军.国家基础地理信息数据库建设与更新[J].测绘通报,2015(10):1-3.

[8] 徐敬海,李清泉.基于时态GIS的导航电子地图增量更新研究[J].武汉大学学报(信息科学版),2008(11):1182-1185.

[9] 莫国明.基于遥感变化监测的电子地图更新区域发现技术研究[J].电子技术与软件工程,2022(20):178-181.

[10] 安如,冯学智,王慧麟.利用遥感技术集成与更新1∶50 000基础地理空间数据时的数据质量控制与评价——以“江苏省1∶50 000空间数据集成与更新”为例[J].遥感信息,2002(2):19-24.

[11] 简灿良,阮红利.利用高分辨率的遥感卫星影像更新1∶1万比例尺数字地形图的研究[J].测绘科学,2006(S1):52-54.

[12] 陶金梅,周松.基于深度学习的电子地图快速更新方法[C]//江苏省测绘地理信息学会2020年学术年会论文集.2020:18-21.

[13] HUANG X, ZHANG L. A multidirectional and multiscale morphological index for automatic building extraction from multispectral GeoEye-1 imagery[J]. Photogrammetric Engineering &Remote Sensing, 2011, 77(7):721-732.

[14] MCFEETERS S K. The use of the normalized difference water Index (NDWI) in the delineation of open water features[J]. International Journal of Remote Sensing, 1996, 17(7):1425-1432.

[15] SINGH A. Review article digital change detection techniques using remotely-sensed data[J]. International Journal of Remote Sensing, 1989, 10(6):989-1003.

引文格式: 李和军,李敏,李楚钰,等.快速提取建筑物要素变化的影像比对方法[J].北京测绘,2023,37(5):740-745.

基金项目：北京卓越青年科学家计划(JJWZYJH01201910003010)

作者简介：李和军(1966—),男,北京人,大学本科,工程师,研究方向为遥感数据处理。

E-mail:[email protected]