基于特征级融合方法的高光谱影像建筑物提取

徐 锐1，林 娜1，代文良2

（1.重庆交通大学 土木工程学院，重庆 400074；2.重庆极地蓝光测绘有限公司，重庆400074）

摘 要：利用多范围波谱特征拟合进行高光谱分析得到粗分类结果，分别提取影像的光谱特征、纹理特征和空间特征，再进行这3种特征的融合，并提取建筑物。实验显示,该方法对不同材质屋顶建筑物有较好的提取效果。实验影像中有两种不同材质屋顶的建筑物，其中一种建筑物100%提取，另一种建筑物漏分面积占该类建筑总面积的8.5%，错分为2.2%。关键词：高光谱高空间分辨遥感影像；多范围波谱特征拟合；特征级融合；建筑物提取中图分类号：P237 文献标志码：B

文章编号：1672-4623（2018）04-0079-04

基于多特征融合的建筑物提取研究较多，但这些研究主要集中在利用高空间分辨率影像进行建筑物的提取，较少利用影像的光谱信息。本文利用高光谱高空间分辨率影像，充分挖掘和利用建筑物的光谱特征、纹理特征和空间特征，并融合各特征的优点，对建筑物进行精细提取[1-6]。

1.2 实验方法

首先对CASI高光谱高空间分辨率影像利用感兴趣区域收集需要提取建筑物的光谱特征，建立样本波谱。其次利用多范围波谱特征拟合[7]进行高光谱分析，得到粗分类结果。然后在粗分类结果基础上，分别提取建筑物的光谱特征、纹理特征、空间特征，并在特征级上进行融合。最后利用融合特征进行建筑物的精细提取，流程如图2。

原始影像采集建筑物光谱SFF波谱分析特多征类提取型1 实验数据与方法

1.1 实验数据

研究使用的是201-08马来西亚Miri北部地区可见光近红外航空高光谱CASI图像，经过一系列预处理及裁剪，得到900×1 000像素影像（如图1，真彩色显示），波段为182个，坐标系为WGS1984，空间分辨率为0.5 m。

光谱特征纹理特征空间特征特征级融合结果评价Y建筑物提取结果N图2 技术流程图2 实验过程及分析

2.1 样本波谱收集

由于本文提取的两类建筑物在ENVI软件波谱库中

图1  影像图谱立方图

实验区域有两种不同材质屋顶的建筑物（如图1），其中一种近似于琉璃砖瓦屋顶（图1中House1），另一种近似于沥青材质屋顶（图1中House2），本次实验结合ENVI5.3软件提取这两种建筑物。

收稿日期：2017-05-17。项目来源：重庆市留学人员回国创新项目（cx2017127）。

均未得到有效匹配，需要提取此次实验目标建筑物的样本波谱。

利用感兴趣区域（ROI）圈取这两类不同材质屋顶的建筑物，收集这两种材质光谱特征，建立样本波谱。为了保证样本波谱具有一定的代表性，这两种建筑物各

·80·地理空间信息第16卷第4期

自圈取10个ROI区域作为同类样本区域（如图3）。经过样本统计、求均值等运算，得到两类建筑物的样本波谱曲线（如图4）。从波谱曲线看出，这两类材质对光谱的吸收值不尽相同，说明它们不属于同一类材质。

色显示）。这是一种粗分类结果，从图5中颜色的种类可以看出，影像中的地物大致分为4类，分别是琉璃材质屋顶的建筑物为一类（Class1）；沥青材质屋顶的建筑物与道路以及湖泊部分区域被归为一类（Class2）；植被绿地归为一类（Class3），裸地及湖泊部分区域归为一类（Class4）。其中，建筑物的提取分类没有达到要求，尤其是沥青材质屋顶的建筑物，需要进一步提取。

图3 样本波谱选区

6 0005 000Data Value4 0003 0002 0001 000

图5 多范围波谱特征拟合结果

2.3 多特征提取

光谱特征指物质在不同电磁波段的一组反射或辐射率数值或派生出来的参数。常见的光谱特征参数主要有：光谱吸收位置、反射率、对称性、反射曲线深度、宽度与强度、光谱曲线的峰、谷位置与数量以及斜率等[9]。

纹理特征通常用图像颜色的灰度信息的方向、粗

400

500

600

700

Wavelength /nm

800

900

糙度、对比度、相关性、熵等来表示。纹理特征具有旋转不变性，对噪声具有很好的鲁棒性，纹理特征的提取是基于一个像素点构成的区域的[10,11]。

空间特征反映地物一定的空间分布特性，如位置、形状、大小、相互关系等。空间特征能够直观地从影像上反映出来[12]。空间特征的计算不依赖于波段信息，对于有规律或者规则性的地物有比较好的提取效果。

分析粗分类结果，错误地分类到建筑物的地物主要有道路、湖泊。利用某些与建筑物不同的特征将这些非建筑物地物剔除。本实验中光谱特征选用光谱均值，纹理特征选用纹理均值，空间特征选用面积、主方向、延伸性。部分特征单一提取结果如图6。

图4 两类建筑物样本波谱曲线

2.2 多范围波谱特征拟合

多范围波谱特征拟合（Multi Range SFF）使用多个波长范围对每个端元波谱进行特征拟合，是波谱特征拟合（SFF）的一种改进，适用于波谱表现为多个吸收特征的情况。在进行多范围波谱拟合前，需要进行包络去除，最后通过设定的阈值来判定目标地物，也可通过相关系数与均方根误差的比值来反映光谱特征匹配程度。

利用样本波谱对影像进行多范围波谱特征拟合，得到每一类建筑物的比例图像（Scale）和残差图像（RMS）组成的4波段图像，如图5所示（系统默认波段组合彩

[8]

图6 提取多特征

第16卷第4期

徐 锐等：基于特征级融合方法的高光谱影像建筑物提取·81·

2.4 多特征融合

利用高光谱高空间分辨率影像可以得到多种特性，对于每一种特征，都存在着优势和不足。当仅仅使用一种特征来提取或描述目标物时，就会出现较大的偏差，尤其是应用在较为复杂的场景中。因此，利用多特征的融合，达到优势互补的效果。

特征融合从形式上可分为像素级、特征级或者决策级的融合。像素级融合是一种利用最原始的像素信息进行信息相加的过程，融合精度高。特征级融合先是将各遥感影像数据进行特征提取（同类型或异型），减少了计算量，而后融合这些特征。该方法利于实时处理，并且提供的特征直接与决策分析相关。目前大多数的融合是基于这个层级进行的，本文也是在这个级别上进行融合。决策级融合首先对每一数据进行属性说明或已完成对影像的基本分类判断，然后对其结

果加以融合。该方法具有很强的容错性，很好的开放性，效率高[13]。

特征级融合常见的方法主要有串行连接、并行连接、加权叠加等方式[14]。串行连接是将几组特征向量首尾相连，组成一个新的特征向量。这种方法的优点是识别率高，但特征维数的增加也使得计算复杂度增加。并行连接是将两组特征向量组合成一个新的复向量，很好地解决了计算量大的问题。加权叠加是一种依据各向量的权重对特征向量进行平均相加的过程，该方法突出了主要特征。

本文特征融合主要利用类内特征并连，类间特征等权叠加进行特征的融合。在提取House1时，利用纹理特征进行大面积的提取，利用空间特征进行小范围的剔除，这两种特征进行类内的并连融合，得到House1的提取结果，如图7中红色高亮区域。

图7 多特征融合提取House1

在粗分类结果中，House2混合了道路以及湖泊部分区域（图5中Class2），首先同提取House1一样，利用光谱特征和空间特征进行类内并连融合，得到部分House2的提取，如图8绿色高亮区域。利用光谱特征

和空间特征进行类内并连融合，得到House2剩下部分的提取，如图9高亮区域。

此时，得到3类融合后特征，现将这3类特征利用等权叠加方法再次融合，以得到此次实验的最终特

图8 多特征融合提取部分House2-1

图9 多特征融合提取House2-2

·82·地理空间信息

提取，结果如图10。

第16卷第4期

征。利用最终的融合特征，对整幅影像进行建筑物的

图10 多特征融合提取建筑物

2.5 实验结果分析

经过特征级融合提取的建筑物直观效果比较好，建筑物完整性较好，轮廓清晰，没有明显错误提取的地物。

通过统计分析，琉璃材质屋顶的建筑物100%提取，其原因是琉璃材质屋顶的建筑物光谱在本次实验影像中比较特殊，与其他地物的特征差异较大，较为容易

提取。但沥青材质屋顶建筑物提取效果相对较差，错误提取的面积为2.2%（如图11黄框内），其原因是与建筑物有近似材质的沥青道路的干扰。遗漏提取的面积占该类建筑总面积的8.5%（如图11红框内），其原因为树木遮挡或者特征的选择不够精细，导致特征提取时存在误差。

图11 错物提取及遗漏提取的建筑物

地震研究,2016(3): 486-493

3 结 语[7] Clark R N, Swayze G A. Mapping Minerals, Amorphous

Materials, Environmental Materials, Vegetation, Water, Ice, and

通过提取高光谱高空间分辨率影像的光谱特征、Snow, and Other Materials：the USGS Tricorder Algorithm[C].

Fifth Annual JPL Airborne Earth Science Workshop,1995纹理特征、空间特征，并在特征级上进行特征融合，

[8] 许宁,胡玉新,雷斌,等.基于改进光谱特征拟合算法的高光

来提取不同材质类型屋顶的建筑物。本文方法在建筑

谱数据矿物信息提取[J].光谱学与光谱分析,2011(6):1 639-1 643

物提取方面取得了较好的效果，但在特征选择与组合、[9] 何明一,畅文娟,梅少辉. 高光谱遥感数据特征挖掘技术研

究进展[J]. 航天返回与遥感,2013(1):1-12特征描述精准度上还有待深入研究。

[10] 王建荣. 基于多特征融合的无人机航拍图像识别研究[D].成

都:成都理工大学,2015参考文献

[11] Tuceryan M, Jain A K. Texture Analysis, Handbook Pattern

[1] 关丽,程承旗,刘湘南. 高分辨率遥感影像城市房屋信息自动Recognition and ComputerVision[M].Singapore:World

提取模型与实验研究[J]. 地理与地理信息科学,2007(5):26-30Scientific,1993[2] 陶超. 高分辨率遥感影像中的城区与建筑物检测方法研究[D].[12] 赵英时. 遥感应用分析原理与方法（第二版）[M]. 北京: 科

武汉:华中科技大学,2012学出版社,2015[3] 贾士军,王昆. 融合颜色和纹理特征的彩色图像分割[J]. 测[13] 贾永红,李德仁,孙家柄. 多源遥感影像数据融合[J].遥感

绘科学,2014(12):138-142技术与应用,2000(1): 41- 44[4] 胡荣明,黄小兵,黄远程. 增强形态学建筑物指数应用于高[14] 刘金梅. 多源遥感影像融合及其应用研究[D].青岛:中国海

分辨率遥感影像中建筑物提取[J]. 测绘学报,2014(5):514-520洋大学,2014[5] 朱忠国. 基于高分辨率遥感影像的城市建筑物目标识别[D].

北京:北京建筑大学,2015第一作者简介：徐锐，硕士生，主要研究方向为遥感图像处理。[6] 李强,张景发. 不同特征融合的震后损毁建筑物识别研究[J].