1、面向对象的高空间分辨率遥感影像城市震害房屋信息提取 以汶川大地震为例黎小东 杨武年 刘汉湖 彭立 简季 曾涛 胡国超 胡宝荣（成都理工大学地质灾害防治与地质环境保护国家重点实验室 / 遥感与 GIS 研究所成都，610059）摘 要：随着遥感技术的快速发展，尤其是高分辨率民用遥感卫星的成功发射和应用，使得遥感技术在建筑物识别、震灾调查和快速预估评估方面发挥出越来越重要的作用。然而，传统面向像元的分类方法在对高分辨率遥感影像进行分类时，存在着不能充分利用影像信息、分类精度降低、速度慢等局限性，根据高分辨率遥感影像的特点，本文提出面向对象的高空间分辨率遥感影像建筑物震害信息提取方法。该方法首先通过
2、影像分割将影像划分为互不相交的影像对象，然后根据这些影像对象的影像特征如光谱、纹理、形状和上下文等信息进行分类， 提取出破坏建筑物和未破坏建筑物，试验表明,面向对象的分类方法应用于建筑物震害信息提取较传统分类方法有更高的精度,具有很大的应用潜力。关键词：建筑物震害；高分辨率影像；面向对象；影像分割；信息提取一、引言近年来，随着遥感技术的快速发展，尤其是高分辨率民用遥感卫星的成功发射和应用，使得利用遥感技术进行地震震害信息的获取与快速评估成为可能，国内外学者们在这方面做了大量的探讨和试验性研究，并取得了许多具有实用价值的成果 1-5。研究表明,地震造成的建筑物受损情况是评估地震引发的经济损失、人
3、员伤亡和社会功能受损状况的主要标准。利用卫星影像资料对震后建筑物受损情况的快速调查为指挥人员做出决策实施救援提供了科学依据。到目前为止，对于震害预估的研究都是基于人工抽样调查建筑物信息基础上的。一方面人工调查不仅需要大量人力等资源，而且历时很长；另一方面这种人工调查速度已经落后于城市建设发展速度，使得调查数据失去了时效性。所以,准确快速有效地从卫星影像上自动提取建筑物信息,成为防震减灾研究工作中颇有意义的一项内容。传统基于像元(pixel-to-pixel)的分类方法对单个影像像元或邻近像元进行单独处理,分类也是对单个像元进行监督或非监督分类,主要利用光谱特征,缺乏对均质性区域的重视,未能整合
4、邻域像元的信息,在很大程度上影响了信息提取的精度,而且分类结果中往往会存在许多的小斑块。面向对象的遥感信息提取首先进行像素合并和对象分割,从而减少待处理的单元数,同时综合考虑了光谱统计特征及形状、大小、纹理、相邻关系等一系列因素,结合人的思维,通过人机交互构成知识库,自动提取出真正现实世界中的地理目标,输出带有属性表的多边形,提高了分类精度,为地物的分类提供更多的依据。应用面向对象分类技术在进行地表物质的识别、分类和信息提取方面具有很大的优势,有望促进解决当前高空间分辨率遥感影像分类面临的问题。二、 实验区及其数据本研究目标区为汶川县主城区，实验区内主要是由中、低层楼房构成的居民地，这些居民地
5、内楼房排列比较整齐，居民地内有零散的小块裸地和植被。居民地背景地物大块的裸地和零散的植被覆盖，公路、池塘和河流等。本文使用的是2008年5月15日获取的1米分辨率的航空影像，采用高斯克吕格投影和北京坐标系。图1所示的是 从校正好的影像上截取 覆盖研究区域的影像区域。三、 震害城市建筑物信息提取3.1 对象生成及特征空间构建面向对象的建筑物震害信息提取主要包括两部分工作：一是进行影像分割， 形成影像对象；二是通过计算生成的影像对象的各种特征， 包括光谱特征、纹理特征、空间关系特征等进行建筑物分类识别。3.1.1 影像对象的生成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
6、像对象，形成对象级分类的基本单元。目前已发展了很多影像分割算法（ Haralick and Shapiro, 1985），大体可以分为三大类：（1）阈值化分割方法；（2）基于边缘分割方法；（3）基于区域分割方法。阈值化分割方法是最简单得分割方法， 主要适用于简单图像。基于边缘分割的最常见的问题是在没有边缘的地方出现边缘以及在实际存在边缘的地方没有出现边缘。基于区域分割的方法是目前最常用的影像分割方法，又可分为区域增长、分开-合并等方法。分形网络演化法（Baatz and Schpe, 2000）采用区域增长分割方法： 从一个像元开始， 通过测量将要生成的影像对象的异质性（特征值上的差异性），采
7、取自下而上区域合并的方法，对满足条件的影像对象进行合并，它是目前较成熟的影像分割方法。分形网络演化法中影像对象的异质性判断标准包括两部分：色调和形状。它们通过公式（1）定量计算两个将要合并的影像对象的异质性(Benz, 2004)：（1）shapeshapecolrclrwf 其中， 和 分别是两个将要合并影像对象的色调差异和形状差异， 和 colrhshape colrwshape则是预先设定色调和形状特征在计算“异质”性时的权重，它们的取值范围都是在0，1之间，图 1 1m 分辨率汶川地震震害航空遥感影像并且有 + =1。colrwshape色调的异质性是通过计算两个将要合并的影像对象合并
8、前后方差值的变化进行度量，具体计算公式如下（Definiens，2003）： hcolor = (2) mc objectobjectobjectjectmergcer nnn1 221)( 1,0cw其中 c 为参与分割波段数， 为第 c 个波段在分割过程中的权重， n 为组成影像对象的像cw元数， 表示影像对象的方差值。形状异质性是通过两种景观生态测度紧致度（ ）与光滑度（ ）来计算compthsmoth的。异质性作为紧致形状（ compt）的离差，是通过象元周长 l 与构成影像对象（即，图斑）的象元个数 n 的平方根的比值来表示的：Compt = (3)nl形状的异质性也可以用光滑度来表
9、示。光滑度是象元周长 于平行于栅格的影像对象（即，l图斑）边界框最短可能边长 b 的比值：Smooth = （4）bl形状异质性用下式整合这两种测度（Definiens，2003）：（5）smothsothcomptcoptshapew其中， 和 分别为紧质度和光滑度的权重, 它们的取值范围均在0，1之间， 并comptwsoth且有 + =1 。tst光滑度控制生成的影像对象的边界平滑性（6）)( 2211objectobjectobjectobjectmergersmoth lnlnln紧致度控制影像对象形状的紧凑性（7）)( 2211 objectobjectobjectobjectme
10、rgergcompt nlnlnl其中， 表示影像对象的周长， b 是影像对象的外接矩形周长。在实施影像分割时，通过l设置异质性 f 的阈值确定分割停止的依据。当设定的 f 的阈值大时，得到的影像对象就相对较大， f 的阈值小时，得到的影像对象相对较小。由于我们目标区为城市建筑物，因此，我们加入城市边界范围这一专题层用于分割，这样，我们的分割结果就只在目标区内，因此本文采用层次分割方法。首先，利用专题图层，选择合适的算法以及设置适当的分割参数，分割出城镇范围，为了叙述方便，简称为第一层分割。然后在第一层分割出来的范围内，再通过多尺度分割识别出房屋、道路、绿地、阴影等，简称为第二层分割。第一层分
11、割结果中的影像对象包含该区域内第二层分割的所有影像对象， 它们之间存在着父与子的关系。同一分割层次上， 影像对象之间也建立了空间关系。在实际应用中，需要针对不同的研究区域和影像， 通过反复试验，为 f 寻找最佳的阈值。通过反复试验，确定第一层分割算法采用棋盘分割算法，进行专题图层共同参与分割运算：Object Size的值设为1000000，目的是只容许了专题图层参与分割，从而很好的分割出城镇范围，分割结果如图2。第二层分割算法采用多尺度分割算法：异质性 f 的阈值为35，色调的权重为0.7，形状的权重围0.3， 平滑性的权重为0.5， 紧致度的权重围0.5， 分割结果如图3，并建立分割目标多
12、边形, 以方便清楚地看出分割后的效果。在这一层分割结果中，建筑物可以被较准确的分割出来，且较好的保留了影像的细节信息。3.1.2 构建特征空间无论是目标识别还是分类，特征都是对处理结果起决定作用的因素。特定的目标总是和相应的特征或特征组合(多特征)相联系。只有选择合适的特征或特征组合，才能把某一目标与其它目标区别开来(陈秋晓，2004)。为方便计算,用于分类的特征采用栅格数据格式，并利用GIS的局部分析功能计算每个对象的特征值。根据前面的特征分析及前人关于这方面的工作，选择光谱平均值、比率（Ratio）、亮度值（Brightness）、形状指数（S）、Homogeneity 指数、面积特征A等
13、指标构建特征空间，具体表述如下（Definiens，2003）：(1) 光谱平均值 ：分别计算各影像对象组成像元在各个波段上的光谱值的平均值。lc(8)niLilc1为单层影像对象均值，L为波段号， 为对象内第 i个像元在第L个波段的像元值，范围为lc i0,255，n为对象内像元的数目。(2) 亮度（Brightness）图2 影像第一层分割结果说明：图中蓝色线范围内为一个大的影像对象图 3 影像第一层分割结果说明：蓝色线为创建的对象多边形边界(9)LnicB1B表示对象在所有波段上的光谱均值，为该对象在所有波段上对象光谱值之和的平均值，为对象在第i层上的光谱均值， 为总层数。cLn(3)
14、比率（Ratio）: 单个影像对象的均值（ ）除以所有与该影像对象相关的总光谱层ObjectLC（波段）数（ ），范围:0，1SoLC(10)SoLObjectr(4) 平滑性 HOM ： 平滑性测量了图像灰度变化的平稳性， 灰度变化越平稳。具体计算公式为: (11)102,)(HMnijjip表示在影像对象中灰度值为 i， j 在某方向上一定距离内同时出现的频率。n表示影像jip,对象中灰度级数。(5) 面积特征（ A）：(12)niaA1对于具有地理参考的数据，影像对象的面积（ A）等于对象中n个象元中每个象元（ ）真ia实面积的总和。(6) 长宽比（ ） ：用影像对象外接椭圆的长( l)
15、和宽( w)之比。(13)(7) 形状指数S ：描述对象边界的光滑程度，边界越破碎，此值越大。 (14)APS4其中P为对象的边界长度，A为对象的面积。 3.2 建筑物的分类提取影像对象建立后,采用成员函数法和最邻近距离法相结合进行分类，对大多数类别采用成员函数分类法，只对倒塌房屋采用最邻近距离法分类。在eCognition软件中，以两层分割得到的影像对象为基础，按照图4所示建立分类类别结构图，采用分层分类、逐级掩膜的方法得到最终的土地利用分类图。一级分类在第一层分割得到的大对象上提取城镇范围和非城镇地区。由于加入了专题层作为分割条件，使得这一分类相对容易，如图5中红色区域代表城镇范围，灰色区
16、域为非城镇地区。二级分类的目的是为了在第一级城镇范围中区分植被和非植被，选择其对象 NDVI 值构建植被类的隶属度函数；非植被的隶属度函数为植被的取反。三级分类分别以二级分类得到的非植被类为掩膜，利用对象的亮度值特征，区分为居民地和阴影。四级分类以三级分类得到的居民地类为掩膜，提取房屋。道路属于线性地物，特别是主要道路，其分割出来的影像对象都比较狭长，利用这一性质，对主要道路类添加模糊判断条件：if 预设值，then 影像对象主要道路。五级分类以四级分类得到的房屋为对象，运用最邻近分类器，分类遭破坏房屋和基本完好房屋。首先定义特征空间，此处特征空间包括影像各波段的均值，比率，亮度值，以及矩形形
17、状。然后选择训练样本，选取样本时，应考虑其特征是否具有统计性。最后把上面分类的植被、道路、阴影进行合并，作为背景层，并导出结果。分类结果如图 6 所示，黄色为基本完好房屋、蓝色为部分破坏房屋，红色为倒塌房屋，白色为背景层并以 0.6 的透明度显示。（a） （b）目标区 非目标区图4 分类类别结构图 图 5 一级分类结果图 6 1m 分辨率航空影像（a）及其分类结果（b）四、 精度分析由于从遥感影像上获取得房屋震害信息和实际调查的震害房屋具有较大的差别。比如，房屋墙壁裂缝、屋梁断裂等能从实际调查中得出来的结果在遥感影像上却无法得到。故而，与实际调查结果进行定量的比较，可比性会大大降低。基于这样的
18、认识，作者在对识别精度进行评价时，只与遥感影像震害的目视解译结果进行对比和分析，通过这种间接的方式，对这种方法识别结果的精度作相对的定量分析，即假定目视解译的结果是正确的。从汶川县城的试验结果得出，自动识别结果的精度基本是目视解译结果的90%以上。五、 结论面向对象分类方法为高分辨率遥感影像建筑物震害信息提取提供了很好的途径，其特点是影像分类的基本单元不再是单个像元，而是通过分割得到“ 同质” 的影像对象，充分利用影像对象的光谱、纹理、形状和上下文特征进行分类提取。与传统的分类方法相比，可以大大提高提取的精度。 参考文献1 尹之潜地震灾害及损失预测方法M北京：地震出版社，19952 陈鑫连，等
19、地震灾害的航空遥感信息快速评估与救灾决策M北京：科学出版社，l1363 朱博勤，魏成阶，张渊智航空遥感地震灾害信息的快速提取J自然灾害学报，1998，7(1)：34384 柳稼航，单新建。尹京苑遥感图像区域结构和纹理统计特性相结合的城市震害房屋自动识别J地震学报，2004，26(6)：623 6335 危福泉，姚新，陈琳。等QuickBird数据在防震减灾管理信息系统中的应用J大地测量与地球动力学。2003，23(4)：1l5 ll96 章毓晋，图像分割M，科学出版社, 2001.7 T Thuy Vu，Masashi Matsuoka，Fumio YamazakiPreliminary re
20、sults in development of an objectbased image analysis method for earthquake damage assessmentA/3rd International Workshop on Remote Sensing for PostDisaster ResponseC2005，Chiba，Japan：188 Baatz, M. and Schpe, A., Multiresolution segmentation an optimization approach for highquality multi-scale image
21、segmentationC, In: Strobl, J., Blaschke, T. and Griesebner, G. (eds.),Angewandte Geographische Informationsverarbeitung XII, Wichmann-Verlag, Heidelberg, 2000:12-239 Benz,U., “Definiens Imaging GmbH:Object-Oriented Classification and Feature Detection,”IEEE Geoscience and Remote Sensing Society Newsletter, 2001, 9： 16-2010 Definients Imaging GmbH: eCognition User Guide Z.2003,Germany.
