边缘检测与面向对象结合的高分影像建筑物提取

0　引言

随着科技的不断进步与遥感技术的迅猛发展，遥感影像质量逐渐提高，图像分辨率越来越清晰，遥感影像处理技术也更加成熟。遥感影像数量与质量的渐渐提升使得影像处理技术也需要不停前进以适应更加优质的影像，取得更加精准的处理效果。在城市区域的高分遥感影像中，80%以上的地物目标都是建筑物与道路[1]。建筑物的提取可以应用于多个方面，如城市规划、地图的更新、三维建模、智慧城市建设、城市化监测等，如何快速、高精度、自动化地提取建筑物是目前遥感处理方面的研究热点[2]。

以往的遥感影像由于科学技术的限制使得影像的分辨率较差，图像较为模糊，这也使得土地利用覆被分类中，处理方法多从光谱特征考虑，各类算法也大都是基于光谱特征或者基于像元为出发点[3]。由于高分辨率遥感影像与中低分辨率遥感影像的差别，以前的处理方法与算法在处理高分影像上突显出其不足之处。在高分遥感影像中，地物不仅具有良好的光谱特征，地物之间的细节、纹理与上下文等特征得到增强。高分辨率遥感影像的处理越来越多的考虑到其形状特征、空间特征与纹理特征。

Baatz和Schape依据高分影像的特性提出基于多尺度分割即面向对象的分类方法[4]。随着遥感影像分辨率的不断提高，面向对象的方法得到飞速发展，也受到大量遥感科学研究者的青睐。面向对象分类方法是对遥感影像依据异质性将影像分割为一系列的同质区域，然后以分割所得区域为对象参与信息提取，对象中包含了光谱信息、形状信息、空间信息和纹理信息等[5]。W S Myint[6]等在eCognition软件上实现基于面向对象的建筑物提取，并证明该方法在建筑物提取方面的精度高于基于像元提取建筑物的精度。甘甜[7]等采用面向对象方法对建筑物震害信息以基本完好、受损和完全倒塌3个等级进行提取，取得了较好的成果，满足震害快速评估要求。林祥国[8]等将图像分割与基于图的数学形态学top-hat重建技术相结合，提出了基于面向对象的形态学建筑物指数OBMBI，通过与PanTex方法实验对比，证明其方法在正确率、完整度和质量3个方面皆明显优于PanTex方法。

1　高分影像多尺度分割

1.1　多尺度分割与边缘检测结合

遥感影像分割是运用区域合并算法分割图像，即以某个像元为起点，计算与其相邻的像元合并后的异质性指数，若该指数小于给定的阈值，则进行合并，否则不合并[9]。分割之后的影像由各种不同的多边形区域构成，每个多边形对象都有其属性特征。影像对象中包含十分丰富的信息，其中保留了分割前的光谱信息，形状特征、空间特征与纹理特征等也可以被很好的利用起来。

ΔIVC水平在一定程度上能够预测容量反应性的好坏[16-18]。在通常情况下，容量反应性良好时，可通过扩容以稳定患者的血流动力学，改善组织的血液灌注。而冠状动脉病变后，可引起冠状动脉血供急剧减少或中断，导致相应的心肌发生严重、持久的急性缺血，进而引发心肌坏死[19]。本研究中，RT-3DE检测的RAA、RVDd值明显高于CU检测结果，ΔIVC值明显低于CU检测结果，AF患者ΔIVC水平偏低，表明RT-3DE检测数据更好显示出患者的右心室增大。

面向对象技术的后续处理都是以多边形对象作为影像分析、处理与信息提取的基本对象，所以图像分割的好坏将很大程度上影响后续处理的效果。在城市区域的遥感影像中具有大量的几何建筑物与道路，这使得城市区域影像中有丰富的几何特征与空间特征。但是，居民地、道路和裸地之间的光谱差异较小，对影像进行多尺度分割时极容易将三者混淆，造成错误分割或分割过细。为了尽量减少三者之间的错误分割，提高分割精度，本文中将影像的边缘信息加入分割参数中，以清楚地划分居民地、道路与裸地。

传统基于PDA的数据采集系统主要针对单一需求，进行客户端应用程序开发[4-8]，对设备硬件要求较高，而且受限于PDA内置的操作系统，无法实现跨平台操作，在实际应用时，需要专人操作，不利于大范围、普及性的数据采集工作。在数据采集的可定制化研究方面，当前涉及较少，已有的基于移动端的具有可定制功能的数据采集系统，主要是将定制功能放到移动端设备上[4]，容易造成数据整体结构的紊乱，给后期利用带来不便。

式中NIR是影像中的近红外波段，RED是影像中的红波段。

实验影像中，主要包含建筑物、道路、植被、水体和裸地5种类别，本文通过构建规则集提取建筑物。首先用光谱特征将植被与非植被分类，本文使用归一化植被指数(NDVI)来提取植被信息，归一化植被指数计算公式如下：

如今已有不少优秀的边缘检测算子，其中常用的有Roberts算子、Prewitt算子、Sobel算子、Canny算子等。遥感影像中的噪声给边缘检测造成了很大的干扰，很多边缘检测方法对噪声敏感，很容易将噪声误认为是边缘而出现虚假边缘，过度的滤除噪声又容易丢失真实边缘。以下分别是Roberts算子、Prewitt算子、Sobel算子和Canny算子对同一实验区的边缘检测图(图1～图4)。

  

图1　Roberts算子边缘检测

  

图2　Prewitt算子边缘检测

  

图3　Sobel算子边缘检测

  

图4　Canny算子边缘检测

由图1～图4可以看出，在众多方法之中，Canny算子拥有优秀的抗噪性与边缘检测能力，使其被广泛应用并取得良好效果。本文用自适应阈值的Canny算子对影像进行边缘检测，将得出的边缘检测图与影像叠合，使得遥感影像拥有边缘信息。多尺度分割流程如图5。

地勘单位可以从建立健全审计信息系统的角度出发落实单位的信息化水平，例如单位根据自身的规模特点选择NC系统和审计软件，积极投入资金引进部分平台。确保单位内部人力、物力与财力的相对一致性。不仅如此，地勘单位应当定时给工作人员安排培训工作，教导他们软件与平台的使用方式，确保内部人员能够熟练运用计算机软件，积极发挥信息化的优势性，借助信息平台及时获取国内外价值性的信息并分析出当前市场的变动模式，发挥审计工作的效益。信息化建设能够促进动态性的监测工作，审计人员可以借助平台及时了解领导干部和单位法人的离任审计工作，最终避免重复劳动，提高工作效益与市场竞争力。

1.2　分割参数设置

1.2.1　波段权重　高分辨率遥感影像大都拥有数个波段，波段是图像分割的重要依据。因此，波段权重的设置是十分重要的过程。波段权重的选择是根据需求变化的，如果需要着重使用某个波段的信息，则提高该波段的权重；如果需要减少某个波段的信息，则降低该波段的权重。在遥感影像中，不同地物在波段方面各有其特性，故在权重的选择时应依据需要处理的影像信息增加或减少相应影像的权重。

1.2.2　分割尺度　分割尺度即影像分割时多边形对象异质性最小的阈值，阈值的设定将直接影响分割后的多边形对象空间结构。分割尺度的值可以在影像分割过程中任意设置，不同的分割尺度将分割出不同大小的多边形对象，所以在尺度的选择时，依据需求地物信息来设置最为合适的分割尺度才具有意义[11]。

初中教育阶段，所有学生每周都可以获得由艺术家或经过专业培训的教师开展的1小时造型艺术和1小时音乐培训。

  

图5　多尺度分割技术流程

1.2.3　光谱因子与形状因子　光谱因子与形状因子是影像分割的重要部分，其中形状因子又包含光滑度与紧密度两个方面。这两大因子反映了对象的异质性。对于遥感数据而言，光谱信息通常情况下是最主要的信息源，所以光谱信息必须得到充分的利用，也正因此，光谱因子的权重一般大于0.9。通常在参数设置时，光谱因子与形状因子相加的和为1。一个因子权重的增加则另外一个因子的权重相应减小。光滑度的增加可以提高多边形边界的光滑程度，而紧密度的增加可以让分割后的对象更加接近矩形，更好的区分出紧凑与不紧凑的地物目标。光滑度与紧密度相加之和为1。光谱因子和形状因子的设置应根据实际需求改变，因目标而异，如提取河流或道路时，应加大对象的平滑度，削弱其锯齿效果；提取房屋时则增加紧密度以提升几何特征的提取精度。

光谱异质性与形状异质性的综合度量准则：

f=ω·hcolor+(1-ω)hshape

(1)

式中f是总异质性值，hcolor是光谱异质性，hshape是形状异质性，ω是光谱异质性在综合度量准则中的权重，取值为0～1。

从精度评价表中可以看出基于规则集的面向对象建筑物提取具有较高的精度，取得不错的提取效果。本文在影像分割阶段，对影像进行边缘检测，并将检测到的边缘信息加入影像的多尺度分割中，表现出良好的分割效果。表1的方法对比表明，在加入了边缘信息后的影像分割图具有较好的多边形对象，提高了影像的分割精度。在最后的建筑物提取中，加入了边缘信息的方法比无边缘信息的方法在各方面有所提高，且最后的总体精度达到了90.71，Kappa系数达到了0.830 6，取得了更好的效果。

类比访问是类比映射之前，在概念网络中搜寻与目标T具有相同结构关系的侯选始源S的阶段。由于对称关系具有相同的结构，类比访问也是一个搜寻对称的过程。在这个过程中，可能会找到多个与目标T相对应的始源S，这时就需要从概念的结构、相似性及合理性等方面进行比较，选择与目标T最适合的始源S。比较与选择的过程，也是合情推理的过程。图3用概念网络表示了“飞鸟”与“人” 的类比推理中的对称关系。

 

(2)

式中c为波段数，ωc为层的权重，σc为波段的光谱标准值。

光滑度与精密度计算公式：

hsmooth=

本文实验中将建筑物分为几类分别提取，最后将所有类别建筑物归为一类，即建筑物类。建筑物的提取结果如图9。

(3)

 

(4)

式中l、b、n分别为对象的周长、最小外接矩形的周长及其面积。

形状异质性计算公式：

hshape=ωcompact·hcompact+(1-ωcompact)hsmooth

(5)

2　高分影像建筑物提取实验

2.1　实验区简介与预处理

提取与目标识别技术研究[J].测绘科学,2005,30(3):18-20.

系统运行时，检索出的记录提供给话务员，再由话务员响应农民的诉求，所以检索结果集应该尽量精准。系统对检索的要求是检索出3～5条最相关的记录。可以看出，检索系统对检索的查全率要求不高，但要求非常高的查准率。

在对原数据做了几何校正与影像配准等预处理后，为了提高影像中的地物特征信息与影像质量，对影像的全色影像与多光谱影像做了融合处理。通过对几个常用融合方法比较之后，本文选用GS(Gram-schmidt Pan Sharpening)方法做融合处理。该方法改进了PCA中信息过分集中的问题，不受波段限制，较好的保持了空间纹理信息，并高度保留光谱特征。运用该方法融合后的影像既拥有全色影像的高分辨率，又有多光谱影像丰富的光谱特征。

2.2　影像分割

本文通过设置不同的分割参数(波段权重、分割尺度、光谱因子与形状因子)实验并比较分割结果，经过对高分一号融合影像的多次实验后，获得影像的最佳分割参数。最后，将分割参数设置为：分割尺度为50，蓝、绿、红、近红外4个波段与边缘信息的权重均设置为1，形状因子设置为0.1，光滑度和紧密度设置均为0.5。将光谱因子设置为0.9可以充分利用到影像的光谱信息，而在分割中加入边缘信息参数可以提高分割精度与形状特征的获取精度。

图6为实验影像原图，图7中是无边缘信息的分割图，图8是加入边缘信息的分割图。图7与图8中的影像分割参数除了边缘检测信息的不包含与包含的差别外，其他设置均一致。通过2张分割图的对比可以看出，无边缘信息的影像中地物分割较细，导致部分较大的建筑物被分割开。而在加入了边缘信息的影像中，可以明显看出建筑物的分割效果得到改善，分割出的建筑物更加接近矩形。

  

图6　高分一号卫星影像

  

图7　无边缘信息的影像分割图

  

图8　包含边缘信息的影像分割图

2.3　建筑物分类提取

将影像的边缘信息加入分割参数，图像分割过程中不仅以光谱特征为依据，也要适当参考图像边缘信息，通过边缘信息的加入，减少错误分割的数量。

 

(6)

边缘是指影像上像素灰度有阶跃变化或者屋顶变化的像素的集合，边缘是影像中最基本的特征之一，边缘信息中通常包含影像的重要信息[10]。

猪囊虫是有钩绦虫的幼虫，寄生在猪的瘦肉里，呈囊泡状，肉眼观察可见由小米粒大到豌豆大不等的囊泡，其中有一个白色的头节，就像石榴籽样；囊虫也见于心脏上，吃了这种肉会使人得绦虫病，如果人间接地吞下虫卵，也会得囊虫病，危害十分严重。

对于道路则依据长度和长宽比进行提取。对于水体的提取则使用水体归一化指数(NDWI)来计算，计算公式如下：

 

(7)

式中Green是影像中的绿波段，NIR是影像中的近红外波段。

影像中的植被、道路与水体类别被分类后，剩下的基本为建筑物和裸地。城市中的建筑物种类很多，故而本文在提取建筑物时，分别对差异较大的不同种类建筑物分别构建规则进行提取。对于影像中的高亮建筑物，可利用其亮度高的特点，用光谱特征中的亮度值(Brightness)来提取；对于影像中的红色屋顶或蓝色屋顶的建筑物，通过实验中的观察发现，这类建筑物在蓝色波段具有较高的反射，其在蓝色波段的反射远远高于其他地物，因此可以利用蓝色波段即高分一号影像的第一个波段来提取；对于特殊屋顶，如瓦片屋顶，因为其屋顶纹理特征与其他类别差异大，则可以用纹理特征提取，本文中利用灰度共生矩阵(GLCM)提取屋顶纹理特征明显的建筑物。居民区和普通建筑物提取容易受到多种影响，在提取时通常运用形状指数(Shape index)、密度(Density)、矩形拟合度(Rectangle fit)等多种规则结合。

教育观念讲究与时俱进，我们所说的老师已经不是指掌控课堂的严师，也不是正言威仪的长辈，而是面向社会在文化教育上的引导者。如今的教学要求师生之间地位平等，双方具有关于人性的交流互动，教师可以导演整个课堂的流程，但是不可以抹杀每个学生独特的表演。同时教师扮演的也不是一个旁观者或者点评者的角色，如果为学生创造了相应的情境，却缺乏有效的指导，那么情境教学的实施也不会获得好的效果，所以在情景教学中，教师要发挥指导作用。

3　实验结果与精度评价

长期以来，变电站建设沿用的是就地采购砂石、砖、钢筋、水泥等建筑材料，现场捆绑钢筋，搅拌混凝土、浇筑、养护、填充、粉刷的传统模式。这种施工模式往往会因作业队伍技术水平参差不齐而使得工程质量受到影响。在国家电网公司“三通一标”和“两型一化”中，对变电站建设提出了更高的要求，工业化、模块化、标准化的装配式建构筑物将成为变电站建设发展的方向。

  

图9　包含边缘信息的影像分割图

在本文实验中，分别对常规基于规则集的建筑物提取与加入边缘信息后基于规则集的建筑物提取进行对比分析，对于实验结果进行精度评价。精度评价可以对信息提取的结果进行判断，以此评价信息处理方法的适用性、可行性和精确度。本文用混淆矩阵对提取后的建筑物信息进行评价，具体方式是通过选定的样本区域作为评价的指标。选取的样本必须精确且具有代表性。表1中是2种方法的建筑物提取精度评价。方法1为常规基于规则集的面向对象建筑物提取，后者为加入边缘信息后基于规则集的面向对象建筑物提取。

 

表1　建筑物提取精度评价

  

方法方法1方法2生产者精度/%86．2787．50用户精度/%87．9287．50总体精度/%86．1390．71总体Kappa系数0．80530．8306

光谱异质性计算公式：

4　结论

本文研究了基于面向对象的高分影像建筑物提取，在实验中将影像的边缘信息加入多尺度分割，得出的分割图通过多个规则相结合的方式对地物分类并提取建筑物，着重研究高分影像中的建筑物提取，最终取得不错的实验结果。通过本次研究可以得出，面向对象技术在高分辨率遥感影像处理中有着其独到的优势。对影像分割使得后续处理对象不再是常规的以单个像素为对象，而是以分割后的多边形实体为对象，多边形对象不仅有原本像元具备的光谱信息，还有形状信息、空间信息和纹理信息等更加适用于高分影像的信息。影像信息种类的多样化给予了影像处理更多的操作空间。随着科技的不断发展，影像的分辨率将越来越高，影像的信息也将更加多元化，面向对象技术也会得到更多的应用和发展。

在实现本系统的过程中，由于本身水平有限并对设计题目不是很熟悉，也遇到了不少问题。所以系统的功能做得不是很全，有些功能未实现。

参考文献：

[1]　　　　明冬萍,骆剑承,沈占锋,等.高分辨率遥感影像信息

本文实验中选取的遥感影像是高分一号卫星2015年获取的影像，研究区域为截取的江西省南昌市部分城市区域，研究区域中包含道路、植被、水域以及大量建筑物，其中建筑物是居民地与红色顶棚或蓝色顶棚的厂房混合构成，建筑物包含种类较为复杂，因此建筑物提取难度也大增。

[2]　　　张庆云,赵冬.高空间分辨率遥感影像建筑物提取方法综述[J].测绘与空间地理信息,2015(4):74-78.

[3]　　　徐鹏.高分辨率遥感影像融合及面向对象信息提取研究[D].北京:北京交通大学,2017.

[4]　　　Baatz M,Schäpe A.An optimization approach for high quality multi-scale image segmentation[C].Beiträge Zum Agit-Symposium,2000:12-23.

[5]　　　Shackelford A K,Davis C H.A combined fuzzy pixel-based and object-based approach for classification of high-resolution multispectral data over urban areas[J].Geoscience & Remote Sensing IEEE Transactions on,2003,41(10):2354-2363.

[6]　　　Myint S W,Gober P, Brazel A,et al.Per-pixel vs. object-based classification of urban land cover extraction using high spatial resolution imagery[J].Remote Sensing of Environment,2011,115(5):1145-1161.

[7]　　　甘甜,李金平,李小强,等.面向对象的高分辨率遥感影像建筑物震害信息提取[J].测绘工程,2015(4):11-15.

大学生心智逐渐成熟，对其进行心理干预能有效降低心理疾病发生的机率。高校要针对心理健康教育进行心理健康知识、理念等的普及，通过开展讲座、体验式学习、横向心理教育交流、心理竞赛等多元化活动，强化大学生的心理健康，引导大学生正确对待各种关系及问题。首先，建立辅导站，保证朋辈辅导员7*24H在岗，实现无缝心理辅导；其次，构建并完善心理健康辅导网络，实现线上、线下心理辅导；最后，建立朋辈心理互助、自助辅导模式，通过互助、自助等形成帮助大学生自己或相互之间及时进行心理排解，提高个人的心理承受能力，扩大心理适应范围，提高个人的心理素质。

[8]　　　林祥国,张继贤.面向对象的形态学建筑物指数及其高分辨率遥感影像建筑物提取应用[J].测绘学报,2017,46(6):724-733.

[9]　　　黄小兵.高分辨率遥感影像建筑物提取方法研究[D].西安:西安科技大学,2014.

TRGIS计划旨在确立TRGIS立法框架及相关法规，确定适用于TRGIS地理门户网站的地理数据标准。TRGIS计划包括进行TRGIS门户网站分析和TRGIS数据要求分析，开发TRGIS管理模型，明确TRGIS概念数据模型构成和立法要求，制定TRGIS数据标准，制定门户网站实现规定，进行TRGIS培训与信息分发等。

[10]　　　王贵彬.基于Canny算子与形态学融合的边缘检测算法[D].哈尔滨:哈尔滨理工大学,2014.

[11]　　　黄瑾.面向对象遥感影像分类方法在土地利用信息提取中的应用研究[D].成都:成都理工大学,2010.

早期的生成语法学者认为长被动句的生成方式类似于英语的be式被动句的生成方式，“被”是一个类似于英语介词by的介词，引进施事论元。而短被动句没有出现施事论元，动词紧跟“被”字后面构成句子的谓语，因此，就有学者认为此时的“被”是一个助词。在汉语“被”字被动句和新型“被XX”结构中行为的施动者都没有出现。因此，就有学者[10]认为新型“被XX”结构是对汉语短被动句的套用且具有跟汉语短被动句相同的生成方式，新型“被XX”中的“被”也为助词，与其后的“XX”共同构成句子的谓语。