基于无人机影像的面向对象建筑物结构分级提取方法流程如图1所示,其中第一步数据收集,采用无人机遥感技术获取研究区遥感影像、DSM影像(许建华等,2017; 杜浩国等,2018); 第二步分割阈值,采用基于边缘的分割算法对遥感影像与DSM影像进行阈值分割,得到从细到粗的多尺度分割影像; 第三步合并阈值,影像进行分割时,由于阈值过低,一些特征会被错分,或被分成很多部分,因此可采用阈值合并的方法处理; 第四步影像分类,对多尺度分割、合并后的影像进行规则、样本与DSM分类; 第五步方法融合,根据融合规则,对3种分类结果进行融合; 第六步精度检验,与目视解译对比,分别计算每种分类结果的错分率、漏检率和Kappa系数。

本文采用错分率、漏检率和Kappa系数作为衡量分类精度的指标,其中Kappa系数用于一致性检验和衡量分类精度,计算公式如下:

式中:k为分类精度指标Kappa系数值; P_o为总体分类精度,由每一类正确分类的样本数量之和除以总样本数得到; P_e为所有类别分别对应的实际与预测数量的乘积总和,除以样本总数的平方; a₁,a₂,…,a_c为每一类真实样本个数; b₁,b₂,…,b_c为每一类预测样本个数; n表示真实总样本个数。

表1 Kappa系数精度级别分类
Tab.1 Accuracy levels of Kappa

DSM包含了地表建筑物、道路、空地、植被和农田等高度的地面高程模型。与DSM相比,DEM只包含了地形的高程信息,并未包含其它地表信息,因此DSM是在DEM的基础上,进一步涵盖了除地面以外的其它地表高程信息。笔者从无人机遥感影像DSM中提取建筑物高程信息,并采用式(1)计算建筑物楼层数。通过统计建筑物结构与楼层数之间的规律,从而实现对大面积建筑物结构分类。根据国家《住宅设计规范》(GB 50096—2011),普通住宅层高宜为2.8 m,建筑物楼层数计算公式如下:

N_i=(H_i-h_i/2.8) (3)

式中:N_i为第i栋建筑物楼层数; H_i为第i栋建筑物的DSM值; h_i为第i栋建筑物所在位置的DEM值。

图1 基于无人机影像的面向对象建筑物结构分级提取方法流程图
Fig.1 Flow chart of the object-oriented classification and extraction of the building structure based on UAV images

面向对象分类方法充分利用高分辨率遥感影像空间、纹理和光谱信息对地物进行分类,有效解决了同物异谱、同谱异物对影像分类产生的影响。

本文研究区为大理州宾川县白庄村,此区域地势平坦,房屋密集且建筑物结构类型易于目视解译。图2为采用无人机获取的研究区遥感影像图。

图2 白庄村遥感影像图
Fig.2 Remote-sensing image of Baizhuang village

影像分割是面向对象分类方法中的一项基本内容,只有通过影像分割才能得到影像对象,形成对象级分类的基本单元。本文采用基于边缘的分割方法,通过测量生成影像对象的异质性(特征值上的差异),对满足条件的影像对象进行合并。

黄慧萍和吴炳方(2006)提出了使用最大面积法确定分割尺度参数,分割尺度提高时,影像对象大小并非一味增大,有些对象的大小在一定的范围内会保持不变,即在一个范围值内。最大对象面积随着分割尺度变化的曲线呈现阶梯状的形态,每一个曲线平台即为一种类别的适宜尺度区间,符合地理实体空间分布特征连续性和突变性共存的现象。笔者对研究区样本以10、60、90为分割尺度进行多尺度分割与合并,其结果见图3。从图4中可看出,O₁为最佳分割尺度点,O₂为最佳合并尺度。因此,笔者得到适宜于研究区影像的最佳分割与合并尺度,分别为60、90。

图3 不同分割尺度的分割结果(a)及合并结果(b)
Fig.3 Segmentation results(a)and merged results(b)difterent scales

图4 不同分割尺度(a)、合并尺度(b)下自动勾选房屋数量
Fig.4 Number of the automatically ticked buildings on different segmentation scales(a)and merger scales(b)

根据实地调查分析,研究区建筑物可分为钢、框架、砖混和砖木(土木)4种结构类型。笔者

从研究区中选取35个样本,如图5所示,表2为样本中各建筑物结构数量及占比。

图5 研究区样本(a)及房屋结构分布(b)
Fig.5 Samples(a)and building structures(b)in the study area

表2 研究区房屋结构数量及占比
Tab.2 The number and proprotion of the building structure in the study area

在建筑物结构分类识别中,分类规则的确定对处理结果起决定性作用。特定的目标要和相应的特征或多特征相对应,要选择合适的特征值或特征参数,才能有效地将建筑物与道路、空地、植被和农田等地表物体区分开。笔者通过对样本(图5a)进行反复试验,得到最佳多规则组合分类结果,影像的多尺度分割图及基于规则分类结果见图6。表3为分类规则最佳参数设定,其中将光谱平均灰度值、面积、延伸性、矩形度4类特征确定为研究区分类规则。表4为样本分类结果精度检验,其中Kappa系数为0.855,建筑物结构分类效果较好。

表3 地物分类规则
Tab.3 Classification rules of surface of the objects

表4 基于规则的样本分类结果精度检验
Tab.4 Accuracy test of sample classification lesnlts based on rale

图6 影像的多尺度分割结果(a)和基于规则分类结果(b)
Fig.6 Multi-scale segmentation results of images(a),and rule-based classification results(b)[HT]

在基于样本分类方法中,样本质量的选取对分类结果起决定性作用。特定的目标要和训练的样本相对应,要选择合适的样本及样本数量,才能有效地将建筑物与地表物体区分开。研究区35个样本中钢、框架、砖混、砖木(土木)结构建筑物数量分别为12、5、18个(图7a、表5),图7b为样本训练结果图。

图7 影像的多尺度分类结果(a)及基于样本分类结果(b)
Fig.7 Multi-scale classification result of images(a),and sample-based classification(b)

表5 基于样本的房屋结构数量及占比
Tab.5 The number and propration of the sample housing structares

无人机遥感影像DSM计算的建筑物高差是一个稳定的、可传递的建筑物特征。以地面对象作参考,依据地面与建筑物之间的高度差异可分离出建筑物结构。笔者采用亮度特征对样本区DSM影像进行建筑物结构分类。图8为样本DSM影像

及分类结果图。表6为分类结果精度检验,其中Kappa系数为0.875,建筑物结构分类效果较好。

图8 DSM的多尺度分类结果(a)和基于DSM分类结果(b)
Fig.8 Multi-scale classification result of DSM(a),and sample-based classification(b)

表6 基于DSM样本分类结果精度检验
Tab.6 Accuracy test basedon DSM Sample classifications resnlts

表8为3种分类方法的精度分析,其中每种分类方法都有错分或漏检的现象。基于样本的面向对象分类方法Kappa系数最大为0.735,说明该方法对研究区域建筑物结构分类效果最好。这是由于在研究区白庄村中钢结构、框架(砖混)、砖(土)木结构建筑物在色调和形状上差别明显,[HJ2.2mm]并且在训练样本过程中加入了人的主观思想; 对于基于规则、DSM分类方法Kappa系数分别为0.721、0.712,识别效果较好。在基于规则、样本的面向对象分类方法中,由于影像分类特征如亮度值、矩形度、面积、光谱基本相同,很难对框架和砖混结构建筑物进行分类,因此笔者将基于DSM高程分类方法作为辅助特征分类。

表8 3种建筑物结构分类结果精度对比
Tab.8 Comparison of the accuracy of the classification of three kinds of building structures

为进一步提高建筑物结构的分类精度,结合3种分类方法的优缺点,笔者对3种方法进行融合,并对融合结果进行精度对比。表9为3种融合方法——基于规则+DSM、基于样本+DSM、基于规则+样本+DSM分类方法的融合规则:

(1)3种融合方法中框架、砖混结构建筑物均采用基于DSM分类方法进行分类,这是因为基于规则、样本分类方法不能对框架、砖混结构建筑物进行有效分类。

(2)由于基于DSM的分类方法不能对钢结构建筑物进行分类,因此基于规则+DSM、基于样本+DSM分类方法中分别采用基于规则、样本分类[HJ2.8mm]方法进行钢结构建筑物分类。

(3)由于基于规则、样本、DSM三种分类方法中均对砖(土)结构建筑物进行了分类,因此3种融合方法中砖(土)木结构建筑物分类采用3种分类方法中相对分类精度高的方法。

图 10为3种融合方法与目视解译结果,表 10为3种融合方法与目视解译分类结果精度对比。3种融合分类方法相比于3种单一的分类方法分类精度均有所提升,其中基于规则+样本+DSM分类方法错分率为1.36%、漏检率为5.2%、Kappa系数为0.811,与其它5种分类方法相比,识别效果最好、精度最高。

表9 不同建筑物结构提取方法
Tab.9 Different methods of building structure extraction

图 10 基于规则+DSM(a)、基于样本+DSM(b)、基于规则+样本+DSM(c)的分类方法结果和目视解译结果(d)
Fig.10 Rule-based +DSM classification(a),sample-based +DSM classification(b),rule-based + sample +DSM classification(c),and visual interpretation(d)

表 10 3种建筑物结构识别结果精度对比
Tab.10 Comparison of the accuracy of the identification of three kinds of building structures

笔者通过对比分析6种建筑物结构分类结果,总结了每种分类方法的优缺点。①基于规则的面向对象分类方法属于非监督式分类方法,是一种以不同影像地物特征中类别特征的差别为依据的无先验类别的图像分类方法。该方法根据分类样本特征光谱、面积、延展性、矩形度与亮度值等建立决策规则进行分类,优点是不需要训练大量样本,减少人为因素影响,减少时间,降低成本,缺点是运算量大。②基于样本的面向对象分类方法属于监督式分类方法,是依据典型样本训练方法进行分类的技术,即根据已知训练区提供的样本,通过选择不同参数特征的样本作为决策规则,对影像中的建筑物结构进行分类,优点是简单实用,运算量小,缺点是人为因素影响大,容易受样本个数和样本典型性影响,并且随机性大。③基于DSM高程分类方法,它属于辅助特征分类方法,该方法利用了不同建筑物结构之间的高度差,减少了基于规则、样本分类方法中相似特征信息的干扰,提高了建筑物结构分类精度。笔者通过对比分析以上3种分类方法以及3种融合分类方法的分类精度,得到基于规则+样本+DSM分类方法的错分率、漏检率与Kappa系数最优,识别效果最好,其原因是该方法融合了基于规则、样本、DSM 3种分类方法的优点,同时消减了3种分类方法的缺点。