多星形约束图割与轮廓规则化的高分遥感影像直角建筑物提取

多星形约束图割与轮廓规则化的高分遥感影像直角建筑物提

取

丁亚洲1，冯发杰1，吏军平1，胡 艳2，崔卫红3

【摘 要】Abstract： This paper proposes a method of semi-automatic right-angle building extraction from very high resolution remote sensing imagery, based on graph cuts with the multi-stars shape constraint and regularization. The framework consists of the following steps: Firstly, the image block containing the target building is obtained by manual interaction. Next, the image block is preprocessed by bilateral filtering. Then the graph cuts with the star shape constraint is used to obtain the building objects.Finally, building object is regularized into real regular shape through corner detection and linear fitting. The experiments performed on two different region and spatial resolution aerial imageries demonstrate the stability and accuracy of the proposed method.【期刊名称】测绘学报【年(卷),期】2018(047)012【总页数】10

【关键词】Key words： graph cuts; muti-stars shape prior; superpixel; corner detection; regularization

Foundation support： The National Natural Science Foundation of China(No. 41101410)基金项目：国家自然科学基金(41101410)

引文格式：丁亚洲，冯发杰，吏军平,等.多星形约束图割与轮廓规则化的高分遥感影像直角建筑物提取[J].测绘学报，2018,47(12)：1630-1639. DOI:10.11947/j.AGCS.2018.20170486.

DING Yazhou，FENG Fajie，LI Junping,et al.Right-angle Buildings Extraction from High-resolution Aerial Image Based on Multi-stars Constraint Segmentation and Regularization[J]. Acta Geodaetica et Cartographica Sinica,2018,47(12):1630-1639. DOI:10.11947/j.AGCS.2018.20170486.

建筑物作为地理空间主要要素之一，在城市规划与建设、变化检测及人口密度估计等领域占据重要地位。高分遥感影像能更清楚地反映面状地物的几何、纹理等空间特征，可相对精确地描述地物，这使得利用高分遥感影像对建筑物进行精确提取成为可能[1-3]。目前，根据人工参与程度可将高分遥感影像建筑物提取方法分为自动和半自动提取。自动提取方法多基于建筑物的边缘、角点及阴影特征。文献[4]提出了一种结合边缘保护、双边滤波和直线检测提取建筑物的方法，通过检测影像

上的线段，并进行连接得到建筑物轮廓。文献[5]基于建筑物的阴影特征，先检测建筑物和植被阴影，保留建筑物阴影，再根据阴影位置确定建筑物位置，最后结合超像素分割、合并及线段检测得到建筑物轮廓。文献[6]提出了一种结合图像分割和角点检测的建筑提取方法，先利用Graph Cuts方法获取建筑物图斑，再检测建筑物拐角点，连接拐角点获取建筑物。然而，这些方法仅适用于提取形状简单且轮廓清晰的建筑物。文献[7]提出了一种利用差分形态学剖面构建形态学建筑物指数自动提取高分辨率遥感影像建筑物的方法，且进一步优化了该方法[8-9]。文献[10]基于深度学习方法自动提取影像上的建筑物，但该方法在建筑物准确轮廓和复杂建筑物提取方面还有待进一步提高。由于遥感影像包含的地物复杂多样、建筑物类型较多，以及建筑物受噪声、遮挡、阴影、低对比度的影响，自动提取建筑物的方法难以实现较高的提取精度。实际上一些学者提出的半自动提取建筑物方法取得了更好的效果。文献[11]提出了一种交互式半自动提取高分辨率遥感影像上建筑物的方法，先指定建筑物中心，再采用径向投射算法获取Snake初始化轮廓，最后得到建筑物真实轮廓。文献[12]结合Snake模型和动态规划方法，在房角处指定几个种子点，即可提取建筑物轮廓。文献[13]提出一种结合影像分割和区域合并的半自动提取建筑物的方法,先利用Mean Shift方法将包含建筑物的影像图块分割成一些小区域，再基于人工交互合并相似区域得到建筑物轮廓。文献[14]结合几何约束和影像分割实现直角平顶房屋的半自动提取。然而上述方法针对复杂建筑物，不仅交互复杂且不能保证提取精度，因此提取复杂形状和纹理的建筑物仍然是目前亟待解决的难题。随着图割优化方法的发展，许多学者将形状先验信息作为约束项融入图割优化框架，以提高分割结果的准确性[15-16]。文献[17]将椭圆形状约束加入图割模型中，文献[18]将凸形状约束加入图割模型中，文献[19]提出一种单星形先验的图割方法。文献[20]将单星形扩展为多星形，并引入Graph Cuts模型中。已有一些学者将形状约束加入图割中用于道路和建筑物的提取。文献[21]提出了一种基于先验形状约束水平集模型的建筑物提取方法，将多个先验形状竞争模型引入水平集方法中,利用先验形状来约束曲线的演化,在对图像进行分割的同时完成建筑物的检测和提取。文献[22]提出了一种结合形状先验的图割和动态外推思路自动提取高分遥感影像上道路的方法。

基于上述分析，由于高分遥感影像上绝大多数建筑物具有直角结构和星形形状特征，因此本文在人工交互获得目标前景与背景的基础上，结合多星形约束的Graph Cuts模型和轮廓规则化方法，提取高分遥感影像上的直角建筑物，以实现在建筑物上简单交互即可快速准确地提取建筑物轮廓。

1 研究方法

本文基于分割获取建筑物图斑以及与建筑物方向一致的边缘直线，通过连接直线交点得到建筑物准确轮廓。该方法主要分为人工交互、影像预处理、建筑物图斑获取和图斑规则化4步，具体流程如图1所示。首先，通过人工交互，在原始影像的目标建筑物上画种子线确定目标建筑物的大致范围，获取包含目标建筑物的影像图块；其次，通过双边滤波对影像块进行预处理，并探测建筑物主方向；再次，用SLIC超像素分割方法对预处理后的影像块进行超像素分割，根据种子线得到目标候选前景与背景超像素，用多星形约束的图割方法获取建筑物图斑；最后，利用Harris算子检测建筑物图斑上的角点，并对角点进行分组拟合，将拟合的直线旋转至建筑物主方向，连接直线交点得到规

则的直角建筑物。1.1 人工交互

本文方法需人工在建筑物上指定种子线得到目标建筑物大致位置与范围，对种子线有两点要求：①种子线尽量处于建筑物的中间位置；②种子线外包矩形长度应当长于建筑物的2/3。如图2所示，绿色线为人工交互的种子线，Wseed和Hseed分别为种子线外包矩形S1的宽和高，O为S1的中心。建筑物的大致范围S2是一个以O为中心，边长为2×max(Wseed,Hseed)的正方形。根据目标建筑物的大概范围，选取以O为中心，边长为2.5×max(Wseed,Hseed)的正方形区域S3作为包含目标建筑物的影像图块。1.2 影像预处理

由于高分遥感影像上的大量噪声降低了影像质量，因此对影像预处理是必不可少的。双边滤波[23]是一种简单有效的非线性滤波方法，与传统的高斯滤波器相比，其考虑了图像的空域信息和灰度相似性，因此能够达到保边去噪的目的。以BF代表双边滤波的运算，其定义如式(1)所示(1)

式中，Wp是一个标准量，如式(2)所示(2)

式中，σd和σr分别控制空间域和亮度域特征；

Gδd是一个空间函数，用于减少远距离像素影响；Gδr是一个范围函数，用于减少灰度值不同于Ip的像素q的影响。本文利用双边滤波对影像图块进行预处理，σd和σr分别取10和30，以图3(a)为例，滤波结果如图3(b)所示。1.3 获取建筑物图斑1.3.1 SLIC超像素分割

利用超像素取代单个像素将有效降低图像处理的复杂度。简单线性迭代聚类算法(SLIC)[24]通过构造一个由CIELAB颜色空间的[lab]值和像素坐标值[x,y]组成的五维特征参数，采用融合颜色相似度和像素空间位置邻近程度的归一化距离度量来对像素进行简单线性局部聚类，从而得到一系列具有相似特征且不破坏影像边界信息的均匀超像素。其算法简单、耗时少且需用户调节参数少。本文利用SLIC方法对预处理后的影像进行过分割得到超像素，再以人工交互所得种子线来确定目标候选前景与背景超像素。为使得过分割结果尽量准确，每个超像素大小设为10，如图4(a)为均匀超像素，图4(b)中的绿色线为种子线，将种子线所在的超像素作为前景，以1.1节中所得建筑物范围矩形S2与影像块边界S3之间的超像素为背景，如图4(c)中的红色和蓝色部分所示。1.3.2 星形形状约束下建筑物图斑获取