在高分辨率遥感影像飞速发展的今天,对于海量数据的处理,过于复杂的算法需要消耗大量的时间,不能满足震害评估时效性的要求,而差值法在处理速度上具有 “先天优势”,因此笔者考虑利用差值法的结果进行后续处理以提高计算精度。

在高分辨率遥感影像中,建筑物往往由数百个甚至数千个像元聚集而成,建筑物对应在遥感图像上由“点”的特征转变为“面”(区域)的特征,定量检测后,建筑物反映在分类图像上也具有“面”的特征。

笔者提出基于区域的影像差值分割提取技术,其实质是对差值结果进行后处理,其流程为建立多阈值等级,采用多阈值分割方法进一步地细化分类结果; 采用类别筛选和数学形态学运算方法对阈值划分结果进行筛选、凝聚,在分类图中还原建筑物“面”的特征(图1)。

图1 差值法及改进后差值法的检测流程图
Fig.1 Scheme of earthquake damage evaluation

(1)多阈值分割

多阈值分割是定量方法后处理的基本步骤,即选择适当的控制阈值范围,变化检测结果图像中灰度值处于控制阈值之内的,为震害异常变化区,反之则为正常变化区。为了方便对变化检测结果进行阈值划分,在计算前对图像进行归一化处理,经归一化处理后,整景图像的阈值范围处于-1～1间。可将阈值确定为2n+1级,各级阈值在-1～1间等分。

(2)类别筛选

经多阈值分割后的图像往往有孤立散落的 “斑点”,即分类图像中出现的“孤岛问题”,这些斑点多为非目标地物的残留所产生,因此在变化检测处理后应除去这些“斑点”。由于建筑物具有“面”的特性,而“斑点”相比较“面”而言,像元个数比较少,因此可以通过类别筛选的方法予以去除(李小娟等,2007),即设定一个像元集合个数的阈值,小于此阈值的将被标记,然后赋予一个特殊的灰度值,比如255(或0)来代替。

(3)数学形态学运算

数学形态学图像处理是一种邻域运算形式,常见的形态学运算有腐蚀、膨胀、开运算、闭运算等。腐蚀是一种消除边界点,使边界向内部收缩的过程,可以用来消除小且无意义的物体。膨胀是将与物体接触的所有背景点合并到该物体中,使边界向外部扩张的过程,可以用来填补物体中的空洞。先腐蚀后膨胀的过程称为开运算,开运算用来消除小物体、在纤细点处分离物体、平滑较大物体边界,同时并不明显改变其面积。先膨胀后腐蚀的过程称为闭运算,闭运算用来填充物体内细小空洞、连接邻近物体、平滑其边界,同时并不明显改变其面积(Castleman,1998)。

图像在阈值分割后所得边界往往很不平滑,而且分类后的“面”中散布着一些 “孔洞”,连续的开运算和闭运算可以有效地改善这种情况。

分别采用目视判读人工提取方法、面向对象方法和基于区域的差值分割提取方法对实验区的倒塌建筑物进行分析计算。

采用目视判读人工提取方法对震害破坏区域进行提取,计算出倒塌建筑物的占地面积为15 056 m²,提取结果见图2c。

应用面向对象的方法对上述区域进行处理,初始分割尺度采用50,并采用光谱平均值、纹理均值、波段比、面积、长度、长宽比等特征算法。计算出倒塌建筑物的占地面积为17 119 m²,结果见图2d。

由于目视判读人工提取方法和面向对象方法使用的是震后的单景图像,建筑物倒塌后,对应阴影属性消失,因此提取时没有考虑阴影的影响,实际倒塌建筑物的面积应扣除阴影。阴影可以利用监督分类的方法提取(郑渊斌,2008)。阴影的面积为4 798 m²(图2e),即实际目视判读方法提取的倒塌建筑物面积为10 258 m²,而面向对象方法提取的倒塌建筑物的占地面积为12 221 m²。

将震后图像与震前图像相减,获得差值图像,采用11级阈值等级确定图像差异范围。为了加强变化检测的可读性,将各种阈值范围分割的区域用不同颜色进行区分(图3a)。目视比对,认为阈值大于0.4为变化较大的区域,因此设定第1、2、3级作为分类阈值,利用阈值0.4～1.0提取破坏区域。对破坏区域的阈值分割结果进行类别筛选和形态学运算,形成破坏区域的分类图像(图2f),得出占地面积为15 711 m²。

图2 倒塌建筑物的提取
(a)震前遥感影像;(b)震后遥感影像;(c)目视判读结果;(d)面向对象的方法的结果;
(e)倒塌建筑物的阴影;(f)本文的结果
Fig.2 Extraction of building collapsedd in earthquake(a)Remote sensing image before the earthquake;(b)Remote sensing image after the earthquake; (c)Results of visual interpretation;(d)Results of object-oriented approach; (e)Shadow of the building collapsed;(f)Results of the modified method

仍然采用目视判读人工提取方法、面向对象方法和基于区域的差值分割提取方法对实验区完好建筑物进行分析计算。

利用震后影像,对上述实验区进行人工建筑物矢量绘制,计算出完好建筑物的占地面积为49 344 m²,提取结果见图3b。

对实验区影像进行初步的面向对象的分类处理,初始分割尺度采用20,采用了光谱均值、纹理均值、熵、矩形特征、面积、亮度、长宽比等特征算法。计算出完好建筑物的占地面积为50 717 m²,提取结果见图3c。

基于区域的差值分割法提取完好建筑物是笔者在提取倒塌建筑物时衍生出来的方法,即通过差值计算出变化不显著的像素点,对这些独立像素点进行形态学的区域运算,使光谱、纹理特征相似的点聚合成一定大小的区域,通过多阈值控制分割,从而形成一系列闭合的区域,而这些闭合的区域则对应了遥感影像中的完好建筑物。

如上所述,借助阈值分割与图像分类技术可以将倒塌区提取出来,同样这种方法也适用于完好区域的提取。在图3a中,灰度值差值百分比控制在一定程度下的区域为完好区域,取4、5、7、8级作为分类阈值,即认为完好区域的阈值在-0.4～0.4之间(0除外),利用阈值控制提取完好区域,并进行类别筛选和形态学运算,以形成完好闭合区域(图3d)。

实际上,由于图像成像的“同物异谱”和“同谱异物”现象,建筑物阴影的差值结果并不完全为0,即阴影并不完全分布在第6级,因此在变化检测结果中应除去阴影带来的干扰。然而为了防止由于过度分割带来“面”的分散和不完整,没有在阈值分割前将阴影除去,而是先采用监督分类方法提取阴影(图3e),待提取完好建筑物之后,再用“掩膜”将阴影除去。除去阴影后的结果见图3f,计算所得完好建筑物的占地面积为55 003 m²。

图3 完好建筑物的提取
(a)差值法变化检测阈值划分结果;(b)目视判读结果;(c)面向对象的方法结果;(d)本文方法
的结果(有阴影);(e)建筑物的阴影分布图;(f)本文的结果(除阴影)
Fig.3 Result of the extraction of intact buildings

通过对以上各种方法的提取结果(表1)的分析表明:

(1)在倒塌建筑的提取中,以人工提取为参照,面向对象的方法提取精度较高,达96.26%,而且错分率、漏分率比较低; 基于区域的差值分割方法精度达84.94%,但错分率、漏分率相对高。

(2)在完好建筑物的提取中,以人工提取为参照,面向对象的方法提取精度为77.95%,错分率、漏分率分别为21.45%和24.16%; 而基于区域的变化检测方法的提取精度为76.77%,错分率、漏分率分别为20.84%和31.13%。

表1 提取倒塌和完好建筑物各种方法的精度
Tab.1 Accuracy of the extraction of the collapse/intact buildings in various methods