面向对象建筑物目标提取的最优分割尺度选择
点击图片上方蓝色字体“慧天地”即可订阅
（点击图片可放大观看，更多精彩请留意文末推荐)
作 者 信 息
郑东玉1,2，慎 利1,2，李志鹏1,2
（1.西南交通大学 高速铁路运营安全空间信息技术国家地方联合工程实验室，四川 成都 611756；2.西南交通大学 地球科学与环境工程学院，四川 成都 611756）
【摘要】面向对象影像分析技术是高分辨率遥感影像自动解译的重要手段，影像分割作为面向对象信息提取的关键预处理步骤，其核心问题在于如何选择合适的影像分割尺度。现有的最优尺度自动确定方法均值方差法、同质性-异质性模型和最大面积法等仅通过建模影像的光谱和几何特征进行最优尺度选取，而忽略了地物纹理信息这一重要特征，难以适用于复杂影像场景的最优尺度选取。针对此问题，提出一种基于灰度共生矩阵的纹理均值法，开展面向对象建筑物目标提取的最优分割尺度选择研究。首先通过生成灰度共生矩阵来提取影像的纹理均值统计量，实现纹理特征和光谱特征的联合建模，继而利用纹理均值与分割尺度之间的变化曲线来自动确定最优尺度。居民住宅区、工业建筑区和教育用地建筑区三类建筑物场景下开展的实验结果表明，本文所提出的方法针对面向对象建筑物目标提取任务能够获得更好的影像分割结果，并且对不同建筑物场景的适用性更强。
【关键词】面向对象影像分析；多尺度分割；最优尺度；纹理特征；建筑物提取
【中图分类号】TP311.132.4
【文献标识码】A
【文章编号】1672-1586（2018）05-0087-07
引文格式：郑东玉，慎 利，李志鹏. 面向对象建筑物目标提取的最优分割尺度选择[J].地理信息世界,2018,25(5):87-93.
正文
0 引 言
21世纪以来，随着高分辨率对地观测卫星、航空飞机和无人机等遥感平台的不断发展，全天时、全天候、全方位的全球地表覆盖观测时代已经到来。高分辨率遥感影像具有丰富的空间信息、地物几何结构和纹理信息，对于土地利用、城市规划、环境监测等应用具有十分重要的意义。然而影像分类精度和分类效率问题是制约高分辨率遥感影像数据广泛应用的瓶颈，传统的遥感影像自动解译手段为基于像元的分类技术，但当这种传统的技术手段应用于高分辨率遥感影像自动解译时，分类结果往往表现出严重的斑点效应。因此如何实现影像的高精度、自动化信息提取是一个亟待解决的难题。
面向对象影像分析技术的出现为解决上述难题提供了契机，并且在高分辨率遥感影像的分类分析中得到相关的应用。在面向对象的影像分析框架下，影像分割是关键的预处理步骤，其目的是将原始影像根据设定的分割尺度划分成若干个不重叠的同质区域对象(即分割体)，以其作为后续处理的基本单元，从而提升影像分析的粒度，充分挖掘影像中的空间关系。尽管基于分割的面向对象分析技术目前已被广泛应用，但是多尺度分割技术仍是其制约瓶颈，具体表现为最优分割尺度的确定难以把握。根据地物目标提取的不同，黄慧萍对最优分割尺度进行了定义，即：当提取目标针对特定地物类型时，最优尺度表现为目标地物能够以大小、形状与地物相近的一个或多个分割对象进行表达，且对象内部的光谱差异较小；当提取目标针对整幅影像时，最优尺度表现为该尺度下的分割对象具有较小的内部异质性，且影像异类对象之间具有较大的异质性，影像对象能够描述特定地物的光谱、纹理、形状等特征。
以往最优分割尺度的选择大多以定性分析为主，即通过开展不同尺度下的分割实验，继而依靠人工目视判定分割结果优劣来确定最优尺度。然而，该类方法主观性太强，并且费时费力。随着研究的不断深入，最优尺度的选择逐渐由定性分析转为定量分析，并且总体上可以划分为监督和非监督两大类。监督类方法主要通过比较分割算法所生成的分割体对象与人工目视判读获得的参考影像图斑的吻合度来确定最优分割尺度。因此，该类方法依赖于参考分割影像作为评价基准。另一类非监督方法主要通过计算影像相关的统计量来评估不同尺度下的分割结果，继而确定最优分割尺度。如Drˇa gut等基于局部方差统计量，提出了一种尺度参数估计(Estimation of Scale Parameter, ESP)工具，用以确定最优分割尺度。该方法通过局部方差能够顾及不同分割体间的异质性，但是忽略了分割体内部同质性特征。基于此，Yang等提出了一种基于能量函数的最优化方法，通过联合极大化分割体间的异质性和分割体内的同质性来自动获取最优分割尺度。此外，黄慧萍提出面向对象的均值方差法，当影像对象的整体均值方差最大时，对象之间光谱差异最大，此时对应尺度即为最优分割尺度。同时，该学者提出以对象的最大面积属性作为最优分割尺度的选择指标，这两种方法在高分辨率影像信息提取的最优尺度选择中均取得了一定的应用效果。何敏等提出面向对象的最优分割尺度计算模型，通过计算对象内部同质性和对象之间异质性指标，并联合分割质量评价函数计算最优尺度；胡文亮等人对模型进行了优化改进，提高了最优尺度选择的效率和精度。总体而言，局部方差法、均值方差法、同质性-异质性类方法本质都是利用影像的光谱特征进行分割质量评价；面积法则是通过统计不同分割尺度下影像对象的最大面积，分析尺度与最大面积之间的关系曲线，从而确定特定地物的最优分割尺度区间。因此，以上非监督类方法往往仅仅考虑影像的光谱或几何特征，而忽略了对纹理特征的建模。
基于以上考虑，本文在非监督最优尺度确定框架下，提出一种基于灰度共生矩阵(Grey Level Cooccurrence Matrix, GLCM)的纹理均值法，开展面向对象建筑物目标提取的最优分割尺度选择研究。该方法通过联合建模分割体对象的纹理特征和光谱特征来分析不同建筑物场景下的最优分割尺度。为了验证所提出方法的有效性，本文引入均值方差法、同质性-异质性模型和最大面积法作为对比，并利用最优尺度确定的监督方法，即通过目视判读选取多个建筑物样本，统计样本对象和分割对象的面积差异，以期对最优尺度选取的非监督方法进行客观的评价。
1 研究方法
1.1 最优尺度计算方法
1.1.1 均值方差法
当分割尺度趋近最优时，分割结果中纯对象增多，对象之间的差异性增大，该尺度下分割对象的总体均值方差增大，当影像对象的整体均值方差最大时，对象之间光谱差异最大，此时对应尺度即为最优分割尺度。均值方差计算公式为：
式中，cbi为第b (b =1, 2,…,L )波段中第i 个像元的灰度值，L 为波段总数，T 为对象m 内像元的总个数，cbm为对象m 在第b 波段的灰度均值，
1.1.2 同质性-异质性模型
遥感影像多尺度分割的最优分割尺度表现为影像分割结果具有良好的对象内部同质性和对象间异质性。同质性-异质性模型计算最优分割尺度的原理是：以对象内部标准差为同质性度量指标，以对象之间的空间相关性为对象异质性度量指标，联合同质性、异质性统计量构建分割质量评价函数，从而获取最优分割尺度。
同质性计算公式可以表示为：
式中，V b为波段b 下的对象同质性统计量，V m为第m 个对象在波段b 上的标准差，a m为对象m 的面积，V 为各波段同质性统计量的加权和，其他变量的定义同公式（1）～（4）。
异质性计算公式如下：
式中，Ib为波段b的对象异质性，wmn表示对象m和对象n的邻接关系，如果邻接，则wmn=1，否则wmn=0，I为各波段异质性的加权和，其他变量的定义同公式（1）～（4）。
分割质量评价函数计算公式为：
式中，μ为权重因子，用以调整同质性和异质性在目标函数中的权重，范围为[0, 1]。Vmax和Vmin分别表示分割尺度集所对应的分割结果中同质性统计量的最大值和最小值，Imax和Imin则表示异质性统计量的最大值和最小值。
1.1.3 最大面积法
在影像分割时，随着分割尺度的增大，对象最大面积呈阶梯状上升趋势，即在一定尺度范围内最大面积可能保持不变。最大面积法通过计算每一分割尺度下的对象最大面积，在多尺度分割中得到最大面积变化曲线，根据分割尺度和最大面积的相互关系，判断特定地物的最优分割尺度。
1.1.4 基于GLCM的纹理均值法
上述最优尺度选择方法仅考虑了影像的光谱或几何特征，而忽略了纹理特征，针对这一问题，本文提出一种基于GLCM纹理特征的最优尺度计算方法。
纹理特征作为高分辨率遥感影像的重要特征之一，在图像检索和分类中得到了广泛应用。GLCM通过灰度的空间相关性来描述纹理特征，不仅能够刻画影像的灰度分布特性，还能顾及具有相似灰度值像元之间的位置分布特性，因此本质上它能够同时建模影像中像元的光谱和空间上下文特征。Haralick等利用GLCM提取了14种纹理特征。其中，均值特征能够反映纹理的规则程度，均值越大，表示纹理规律性越强，可描述性越强。因此，本文采用GLCM提取影像的纹理均值，通过影像纹理均值与尺度之间的变化关系，获取最优分割尺度。
具体而言，GLCM定义一个正方形矩阵P ，其行或列大小等于影像灰度化后可以取得的最大灰度级Ng。P 的任意元素P(i ,j )表示灰度值为i和j的像元在处于像元距离d和方向θ时的共生概率。本文设定参数d =1；θ为方向参数，选取0度、45度、90度和145度四个方向。
假设一幅遥感影像，经分割后得到M 个分割对象，对于第m 个对象，其基于GLCM的纹理均值特征Meanm的计算方法如公式（12）所示：
因此，特定分割尺度下影像中所有分割体的GLCM纹理均值Mean计算方法如公式（13）所示：
1.2 最优尺度分割质量评价
为了避免目视检验的主观性，本文采用定量化的方式评价分割结果，通过引入遗漏错误(Omission Error,OE)和判别错误(Commission Error,CE)指标，结合面积差异指数(Area Discrepancy Index,ADI) ，来研究对象的过分割、欠分割情况，继而分析影像分割结果的质量。计算公式如下：
式中，Mo为过分割对象总个数，Areao(m )表示过分割下第m 个对象的面积，Arear为样本对象面积；Mu为欠分割对象总个数，Areau(K )表示欠分割下第k 个对象面积。ADI的值越接近0，分割质量越好。
2 实验与分析
2.1 实验数据
本文采用覆盖广州市的国产高分二号影像作为实验数据源，影像包含1个全色波段和红、绿、蓝、近红外4个多光谱波段，空间分辨率为1 m/4 m，成像时间为2015年1月18日。
实验影像中典型的建筑物场景包括三类。第一类为居民住宅区，建筑物形状较为规则，通常以建筑群形式存在，呈长方形、L型、H型等，建筑物之间有绿化带覆盖；第二类为工业建筑区，工业建筑形状规则，以长方形为主，长、宽较普通建筑大，建筑物屋顶通常为蓝色；第三类为教育用地建筑区，建筑群间有明显的运动跑道存在，建筑物通常为不规则形状或对称几何形状。因此，本文针对这三类不同的建筑物场景，分别选取对应的3个研究区域开展建筑物目标提取的最优分割尺度选择研究。具体研究区影像大小为居民住宅区场景影像500×500像元、工业建筑区场景影像600×450像元、教育用地建筑区场景影像550×400像元。通过目视解译人工勾画建筑物样本对象作为精度评价参考基准，如图1所示，黄色边界线对应的对象为基准样本对象。
图1 三类建筑场景高分二号影像
Fig. 1 GF-2 images of three types of building scenes
2.2 多尺度影像分割
在eCognition8.7平台上分别对3个研究区域进行多尺度影像分割。分割参数设置时，形状参数默认值为0.1，光滑度默认值为0.5，由于建筑物形状规则，适当增加形状权重可以更好地反映建筑物特点，经过试验，本文取形状权重0.3(光谱权重0.7)，光滑度权重0.5(紧致度权重0.5)，采用“自下而上”区域合并的方法(以影像相邻对象的异质性大小，判断对象是否合并)，以10～150，间隔为5的尺度进行分割得到不同尺度分割结果，部分分割结果如图2所示。
图2 三类建筑用地在不同尺度下的分割结果
Fig.2 Segmentation results of three types of building scenes at different scale settings
2.3 不同场景下建筑物目标提取最优尺度选择
在影像多尺度分割结果的基础上，根据上文介绍的方法，分别提取29个分割尺度下各对象的灰度均值、标准差、面积、灰度共生矩阵等特征，通过计算得到居民住宅区、工业建筑区、教育用地建筑区三类场景影像下各最优尺度选择方法中统计量与尺度之间的对应关系，相应的变化曲线如图3～图5所示。
图3 （居民住宅区影像）不同方法中随尺度变化的统计量曲线
Fig.3 Statistics curves with scale in different methods for the image of residential building area
图4 （工业建筑区影像）不同方法中随尺度变化的统计量曲线
Fig.4 Statistics cueves with scale in different methods for the image of industrial building area
图5 （教育用地建筑区影像）不同方法中随尺度变化的统计量曲线
Fig.5 Statistics of various scale selection methods versus the scale setting for the image of educational building area
由图3～图5可知，随着分割尺度的变化，不同方法所对应的变化曲线呈现明显的不一致性，获得的最优分割尺度也存在一定的差异。以居民住宅区影像为例，如图3所示，对4种方法进行逐一分析：
1）均值方差法：当影像对象整体均值方差达到最大时，对应的尺度即为最优分割尺度。由曲线可知，均值方差随尺度的增大而增大，曲线在尺度值达125时出现峰值，即均值方差法的最优分割尺度为125；
2）同质性-异质性模型：利用分割质量函数对不同尺度分割结果进行评价，从而获取最优分割尺度，由曲线可知，当尺度为85时分割质量最好；
3）最大面积法：对象最大面积随尺度的增大而增大，变化曲线在尺度值为90～110以及135～150时出现曲线平台，此时最大面积不变。选取曲线最后一个平台的起始尺度值作为该方法的最优尺度计算结果，即最大面积法的最优尺度值为135；
4）基于GLCM的纹理均值法：利用灰度共生矩阵计算对象的纹理均值，均值越大，表示纹理规律性越强，分割效果越好。由曲线可知，当纹理均值最大时对应分割尺度为80。
将不同建筑场景在不同方法中计算得到的最优尺度进行统计，结果见表1。
表1 不同建筑物场景中各方法获取的最优分割尺度
Tab.1 The optimal segmentation scales obtained by different methods in different types of buidling scenes
2.4 分割质量评价
将各类建筑物的参考样本对象作为分割质量评价的基准，针对各方法获取的最优分割尺度，分析分割对象的过分割和欠分割情况，计算OE和CE指标，并结合ADI进行质量评价，ADI值越小，表明分割质量越好，评价结果见表2。
表2 不同建筑物场景最优分割尺度质量评价
Tab.2 Quality evaluation of optimal segmentation scales for different types of building scenes
结合定量指标和影像目视判读对不同建筑物场景的最优尺度分割质量进行分析，得到如下结论：
1）居民住宅区由于与绿化带相接，而且光谱特征不够突出，建筑物与绿化带可分性较差，所以基于均值方差法和最大面积法的最优尺度ADI 值较高，分割结果精度较差。同质性-异质性模型一定程度顾及了对象内部的均质性和对象与对象之间的异质性，考虑了两种层面的光谱特征，因此分割质量得到了一定程度上的提高，而顾及对象纹理特征的GLCM纹理均值法能够同时建模纹理特征和光谱特征，因此分割结果取得了最低的ADI值，分割结果精度最高；
2）工业建筑区场景的建筑物形状规则，且光谱、纹理特征显著，所以当建筑物分割结果趋于完整时，随着分割尺度的不断增大，分割结果无明显变化。因此，利用不用方法计算的最优分割尺度比较相近，且分割质量都较好；
3）教育用地建筑物与周围绿化带光谱差异明显，但其内部光谱差异较大，导致分割结果容易破碎，基于均值方差和对象同质性、异质性的最优尺度计算方法没有顾及纹理特征，因此分割结果精度较GLCM纹理均值法低。其次，最大面积法以影像所有分割体的最大面积作为最优尺度计算指标，而教育用地研究区右上方存在面积较建筑物大得多的植被区域，当分割尺度达到一定值时，最优尺度计算结果不再以建筑物最大面积为准，因此，最大面积法计算得到的最优尺度虽然精度高，但是存在一定的不确定性。
总体而言，本文提出的基于GLCM的纹理均值法在不同建筑物场景的最优尺度分割质量评价中ADI 值均最低，即该方法计算的最优尺度下分割结果最好。如图6所示，为根据基于GLCM的纹理均值法所确定最优分割尺度开展影像分割所获得的三类建筑物场景影像分割结果，从目视上看，相应分割结果所对应的对象体边界与大小同实际建筑物目标十分吻合。
a 居民住宅区：尺度80
a Residential building area: scale 80
b 工业建筑区：尺度95
b Industrial building area: scale 95
c 教育用地建筑区：尺度95
c Educational building area: scale 95
图6 不同建筑物场景的最优分割结果
Fig.6 The optimal segmentation results for different types of building scenes
3 结束语
面向对象分类分析技术由于能够同时顾及像元间的光谱和空间信息，已成为高分辨率遥感影像自动解译的有效手段。然而，作为面向对象分析的关键预处理步骤，多尺度分割技术仍是制约面向对象分析应用的主要瓶颈，具体表现为最优分割尺度的确定难以把握。本文针对现有最优尺度自动确定方法均值方差法、同质性-异质性模型和最大面积法等仅仅考虑影像的光谱或几何特征，而忽略对纹理特征建模的问题，提出一种基于灰度共生矩阵的纹理均值法，开展面向对象建筑物目标提取的最优分割尺度选择研究，并对居民住宅区、工业建筑区和教育用地建筑区三类建筑物场景进行了最优尺度的自动选择实验分析以及定量化评价。实验结果表明：本文所提出的方法精度更高，并且对不同建筑物场景的适用性更强。
本文在总结前人的研究基础上，设置了特定的分割参数和尺度间隔，忽略了各个参数可能对最优尺度选择造成的影响，这将是后续的研究内容之一；不同类别地物的信息提取对应不同的分割尺度，同类地物因为地物复杂性，在信息提取时也可能存在尺度差异，因此，对于特定地物的最优尺度分析存在一定的局限性，如何获取适用性更加广泛的最优尺度范围是后续继续深入研究的内容。
来源：地理信息世界GeomaticsWorld（版权归作者及刊载媒体所有）
荐读
点击下文标题即可读
科技论坛|北京建筑大学侯妙乐教授：面向文物保护需求的虚拟修复关键技术面向户外增强现实的地理实体目标检测
面向对象编程，再见！
星标公众号小教程
👇
编辑 / 孟博文 审核 /张胜威 孟博文
指导：万剑华教授(微信号wjh18266613129)