基于无人机影像的面向对象建筑物结构分级提取方法研究.docxVIP

?

?

基于无人机影像的面向对象建筑物结构分级提取方法研究

?

?

杜浩国张方浩卢永坤曹彦波邓树荣和仕芳张原硕徐俊祖

摘要：为提高遥感影像建筑物结构识别精度，综合利用光谱、形状、空间、纹理和数字表面模型（DSM）建立了建筑物结构分级提取方法。基于研究区无人机高分辨率影像，采用面向对象的影像分析策略，首先进行多尺度分割，以最佳分割与合并指数提取影像中建筑物目标;然后分别采用规则、训练样本与DSM方法对建筑物结构进行分类;最后将3种分类方法进行融合，对比分析了单一方法和融合分类方法的建筑物结构分类精度。结果表明：基于规则+样本+DSM的半监督建筑物结构分类方法错分率、漏检率与Kappa系数最优。

关键词：建筑物结构分类;无人机高分辨率影像;面向对象分类方法;数字表面模型;形状结构;光谱特性

：P315.94??：A??：1000-0666（2021）02-0262-13

0引言

建筑物作为地震灾害风险预评估中最重要的目标类型之一，其信息获取的准确性在加强城市地震灾害防御，提升城市抗震设防能力等方面具有重要意义（周光全等，2010;卢永坤等，2019;张方浩等，2020;曹彦波等，2019）。无人机遥感技术的应用使得快速获取大范围建筑物信息成为可能，避免了耗费大量人力资源、数据采集不一、自动化识别程度低和信息更新不及时等问题（张景发等，2017;陈晋等，2018;杜浩国等，2019）。但在高分辨率影像中，建筑物的光谱、形状、空间、纹理和数字表面模型（DSM）特征不一致，且没有统一的方法对其进行识别提取。因此，采用不同特征相结合的方法，并利用这些识别方法各自的优点，可进一步提升建筑物结构识别的精确度。

近年来，学者们提出了很多基于遥感高分辨率影像的建筑物提取模型和策略（王晓青等，2015;吴浩霖等，2019），目前可分为监督式、非监督式和半监督式3种分类方法。其中采用监督式分类方法识别建筑物需要构建训练样本及提供先验知识，需要耗费大量的人力与时间，人的主观思想对结果影响很大，如童威（2019）介绍了3种常见的监督分类算法：支持向量机、最大似然法、BP神经网络，分析了3种算法的优缺点;冉树浩等（2020）提出了基于样本形态变换的高分遥感影像建筑物提取方法，实现了对建筑物的准确提取;程滔等（2019）构建了位置匹配的遥感影像数据与分类标签数据组成的样本数据对，实现了全国尺度海量样本数据采集。非监督式分类方法可分为3种，一是基于纹理特征的提取方法，如谢嘉丽等（2017）利用灰度共生矩阵的对比度特征来计算损毁建筑物的分布、损毁程度等信息，具有较强的鲁棒性，识别精度较高，但是建筑物边缘信息提取不准确，导致植被、林地与建筑物混淆;二是基于几何特征的提取方法，如陈晋等（2018）利用无人机遥感影像并借助区域地理环境特征、建筑物排列、占地面积、建筑物阴影等因素进行辅助识别;游永发等（2019）在综合考虑影像光谱、几何与上下文特征的基础上，提出了一种基于面向对象与形态学相结合的高分辨率遥感影像建筑物信息分级提取方法;三是基于辅助特征的提取方法，其中辅助特征有建筑物DSM和DEM、阴影信息，如徐西桂（2019）提出DEM辅助去斜处理的层析SAR建筑物点云重构研究，研究了具体的技术处理流程;邓焯文等（2020）提出利用高分辨率航空影像阴影提取城市建筑物高度信息，推算影像上建筑物阴影的长度，进而提取建筑物的高度。非监督式分类方法能有效地提取出建筑物，但同时也存在一定的局限性，如识别精度不高以及建筑物边缘特征不明显。半监督式分类方法，如耿艳磊等（2020）提出高分辨率遥感影像语义分割的半监督全卷积网络法，训练端到端的语义分割网络;张凯琳（2020）提出基于卷积神经网络的高光谱图像半监督分类方法，能够从训练数据中学习到具有高度代表性的图像特征，不仅将标记训练的样本利用于分类中，还将大量未标记的样本也加以利用，该分类方法是监督分类与非监督分类相结合的一种提取方法。这种方法需要工作人員少，又能够带来比较高的准确性，因此，正越来越受到人们的重视。

综上所述，在学习和总结遥感影像半监督分类方法的基础上，笔者总结出一种基于无人机影像的面向对象建筑物结构分级提取方法，该方法融合了面向对象中的规则与样本分类方法，并以DSM作为辅助特征完成建筑物结构分类。

1研究方法及技术路线

1.1技术路线

基于无人机影像的面向对象建筑物结构分级提取方法流程如图1所示，其中第一步数据收集，采用无人机遥感技术获取研究区遥感影像、DSM影像（许建华等，2017;杜浩国等，2018）;第二步分割阈值，采用基于边缘的分割算法对遥感影像与DSM影像进行阈值分割，得到从细到粗的多尺度分割影像;第三步合并阈值，影像进行分割时，由于阈值过低，一些特征会被错分，或被分成很多部分