基于多特征结合损毁建筑物检测.docVIP

基于多特征结合损毁建筑物检测 　　摘 要： 　　针对震后高分辨率遥感图像的建筑物损毁区域，提出一种基于多特征结合的损毁建筑物检测方法。首先使用形态学属性剖面（MAP）与局部二值模式（LBP）算子提取图像中的几何特征与纹理特征；然后使用随机森林（RF）分类器提取损毁的建筑物，形成初步结果；最后针对分割的对象，根据对象损毁像元所占的比例获取最终的损毁建筑物区域。采用空间分辨率为0.1m的玉树震后航空遥感图像进行实验。结果表明，该方法的总体精度比基于形态学剖面（MP）的方法提高了12%，能够有效检测高分辨率震后遥感图像中的损毁建筑物区域。 　　关键词： 　　形态学属性剖面；高分辨率遥感图像；随机森林；局部二值模式；损毁房屋 　　0 引言 　　自然灾害，特别是地震总是带来严重的生命财产损失。灾害发生后，及时、准确的受灾信息对于组织救援力量、开展救援活动起着至关重要的作用。随着高分辨率遥感图像技术，计算机图像处理和模式识别等技术的不断发展，遥感图像逐步成为获取灾情信息的重要数据源。 　　在灾害研究领域，损毁（倒塌）建筑物信息的提取一直以来都是一个重要的研究课题。目前，从遥感图像获取损毁建筑物信息主要有两种方法：人工判读和变化检测。文献[1]人工地把建筑物的损毁程度分成四个等级。文献[2]利用震前震后图像，通过区域优化相关系数方法进行变化检测。文献[3]通过纹理特征参数的分析，建立了基于纹理特征的高分辨率遥感影像变化检测方法，并应用在汶川地震前后的福卫2影像中。文献[4]利用广义高斯分布模型作为图像中变化类与未变化类的分布模型，采用KI（Kittler and Illingworth）算法计算最佳分割阈值并提取变化区域。文献[5]通过搜索震后影像上建筑物在震前影像上对应区域周边一定范围内的影像相关性最大值来代替传统上严格对应像元的相关系数值，以减少因配准精度、摄影方位等造成的同名地物变形对变化检测结果的影响。这些方法中，人工判读效率较低，变化检测的方法受到偏远地区无法获取灾前图像的制约[6]。随着遥感图像的空间分辨率不断提高，以往中低分辨率遥感影像的信息提取方法已经不能够满足信息提取精度的要求。在中低分辨率遥感图像中，一个像素就能表示地面上的一个或多个对象。而在高分辨率遥感图像中，一个对象则由空间上相连的多个像素组成。因此，图像中的空间信息变得异常重要。同样地，与中低分辨率图像相比，高分辨率图像上的地物轮廓更加清晰，纹理信息也更为突出。 　　近年来，文献[7]所提出的形态学属性剖面（Morphological Attribute Profile， MAP）遥感图像目标提取方法[7-11]被证明在提取图像空间信息方面具有显著的效果。此类方法突破了传统方法以像素或局部邻域为基本处理单元的局限，将处理单元扩展为具有相似属性的所有像素。在提取高分辨率图像纹理特征方面，局部二值模式（Local Binary Pattern， LBP）是一种性能较好的纹理分析方法。它通过比较中心像元值与邻域像元值的大小来反映局部纹理特征，具有不受光照强度变化影响的特征。 　　综合以上结论，本文将形态学属性剖面特征与LBP特征相结合，同时引入面向对象的思想，提出一种基于多特征融合的损毁建筑物提取方法；并以玉树地震后获取的遥感数据为例进行实验分析，然后结合人工标注结果与进行精度评价以验证该方法的可行性。 　　1 形态学属性剖面与LBP 　　1.1 形态学属性剖面特征 　　用结构元素（Structural Element， SE）对图像进行滤波操作可以得到形态学剖面[12]，形态学属性剖面则是它的泛化。与形态学剖面相比，形态学属性剖面可以根据空间、光谱等不同特征对图像进行滤波操作，所以形态学属性剖面能够获得更加丰富的图像区域信息。形态学属性剖面使用最大树（maxtree）[13]表示，它比传统的形态学剖面具有更高的效率。 　　属性剖面在开操作的情况下基于粒度分析，在闭操作的情况下则是基于反粒度分析。考虑一个递增指标簇[10]637，T={Tλ： λ=0，1，…，l}，且T0=true，XE。这里E是图像域Rn或Zn的子集（一般情况下，n=2，即二维图像）。X是图像中的连通域，λ是滤波操作中作为参考的标量值的集合。考虑一幅灰度图像I，它是E到Rn或Zn的映射。属性闭剖面在形态学上可以定义为： 　　∏T（I）={∏T：∏Tλ=Tλ（I）； λ∈[0，1，…，l]}（1） 　　Tλ（f）指的是使用递增参数T形态学属性闭操作。同样地属性剖面可以被定义为： 　　∏γT（I）={∏γTλ：∏γTλ=γTλ（I）； λ∈[0，1，…，l]}（2） 　　γTλ（I）指的是形态学属性开操作。把开剖面和闭剖面连接起来就形成了属性剖面，定义如下所示：