2024年4月12日发(作者：)
第４２卷第１０期
２０１９年１０月
测绘与空间地理信息
ＧＥＯＭＡＴＩＣＳ＆ＳＰＡＴＩＡＬＩＮＦＯＲＭＡＴＩＯＮＴＥＣＨＮＯＬＯＧＹ
Ｖｏｌ.４２ꎬＮｏ.１０
Ｏｃｔ.ꎬ２０１９
一种结合ＭＢＩ和ＳＬＩＣ算法的遥感影像
建筑物提取方法
魏 旭
１ꎬ２
ꎬ高小明
２
ꎬ岳庆兴
２
ꎬ郭正胜
１
(１.辽宁工程技术大学测绘与地理科学学院ꎬ辽宁阜新１２３０００ꎻ
２.国家测绘地理信息局卫星测绘应用中心ꎬ北京１０００４８)
摘要:单纯基于形态学建筑物指数(ＭｏｒｐｈｏｌｏｇｙＢｕｉｌｄｉｎｇＩｎｄｅｘ
－
ＭＢＩ)算法对遥感影像进行建筑物提取时ꎬ其结
果在同质区域内部和外部均存在微小噪声点ꎮ针对该问题ꎬ本文提出一种ＭＢＩ算法与简单线性迭代聚类(Ｓｉｍｐｌｅ
ＬｉｎｅａｒＩｔｅｒａｔｉｖｅＣｌｕｓｔｅｒｉｎｇ
－
ＳＬＩＣ)算法相结合的建筑物提取方法ꎮ为了进一步提高提取精度ꎬ再与数字表面模型
(ＤｉｇｉｔａｌＳｕｒｆａｃｅＭｏｄｅｌ
－
ＤＳＭ)相叠加以剔除与建筑物光谱特征近似的道路、裸地等近地面的地物ꎮ实验结果表
明ꎬ引入ＳＬＩＣ算法可以有效地改善同质区内部及外部噪声点的问题ꎬ本文方法比单纯利用ＭＢＩ算法提取建筑物
噪声少、效果好ꎬ且正确率、完整率和质量分别提高了２.２６％、７.４１％和７.６９％ꎮ
关键词:形态学建筑物指数ꎻ超像素分割ꎻ建筑物提取
中图分类号:Ｐ２３７ 文献标识码:Ａ 文章编号:１６７２
－
５８６７(２０１９)１０
－
０１００
－
０４
ＲｅｍｏｔｅＳｅｎｓｉｎｇＩｍａｇｅＢｕｉｌｄｉｎｇＥｘｔｒａｃｔｉｏｎＭｅｔｈｏｄｔｈａｔ
ＣｏｍｂｉｎａｔｉｏｎｏｆＭＢＩａｎｄＳＬＩＣＡｌｇｏｒｉｔｈｍ
(１.ＳｃｈｏｏｌｏｆＧｅｏｍａｔｉｃｓꎬＬｉａｏｎｉｎｇＴｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙꎬＦｕｘｉｎ１２３０００ꎬＣｈｉｎａꎻ２.ＳａｔｅｌｌｉｔｅＳｕｒｖｅｙｉｎｇａｎｄＭａｐｐｉｎｇ
ＡｐｐｌｉｃａｔｉｏｎＣｅｎｔｅｒꎬＮａｔｉｏｎａｌＡｄｍｉｎｉｓｔｒａｔｉｏｎｏｆＳｕｒｖｅｙｉｎｇꎬＭａｐｐｉｎｇａｎｄＧｅｏｉｎｆｏｒｍａｔｉｏｎꎬＢｅｉｊｉｎｇ１０００４８ꎬＣｈｉｎａ)
ＷＥＩＸｕ
１ꎬ２
ꎬＧＡＯＸｉａｏｍｉｎｇ
２
ꎬＹＵＥＱｉｎｇｘｉｎｇ
２
ꎬＧＵＯＺｈｅｎｇｓｈｅｎｇ
１
Ａｂｓｔｒａｃｔ:Ｗｈｅｎｔｈｅｂｕｉｌｄｉｎｇｉｓｅｘｔｒａｃｔｅｄｕｓｉｎｇｏｎｌｙｔｈｅｍｏｒｐｈｏｌｏｇｉｃａｌｂｕｉｌｄｉｎｇｉｎｄｅｘａｌｇｏｒｉｔｈｍｆｒｏｍｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓꎬｔｈｅｒｅｓｕｌｔ
ｅｘｔｒａｃｔｉｏｎｃｏｍｂｉｎｅｄｗｉｔｈｍｏｒｐｈｏｌｏｇｉｃａｌｂｕｉｌｄｉｎｇｉｎｄｅｘａｌｇｏｒｉｔｈｍａｎｄｓｉｍｐｌｅｌｉｎｅａｒｉｔｅｒａｔｉｖｅｃｌｕｓｔｅｒｉｎｇａｌｇｏｒｉｔｈｍ.Ｉｎｏｒｄｅｒｔｏｆｕｒｔｈｅｒｉｍ￣
ｂａｒｅｌａｎｄｔｈａｔａｒｅｓｉｍｉｌａｒｔｏｔｈｅｓｐｅｃｔｒａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｂｕｉｌｄｉｎｇｓ.ＴｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｉｎｔｒｏｄｕｃｔｉｏｎｏｆＳＬＩＣａｌｇｏ￣
ｒｉｔｈｍｃａｎｅｆｆｅｃｔｉｖｅｌｙｉｍｐｒｏｖｅｔｈｅｐｒｏｂｌｅｍｏｆｎｏｉｓｅｐｏｉｎｔｓｉｎｓｉｄｅａｎｄｏｕｔｓｉｄｅｔｈｅｈｏｍｏｇｅｎｅｏｕｓｒｅｇｉｏｎ.ＣｏｍｐａｒｅｄｗｉｔｈｍｅｒｅＭＢＩａｌｇｏ￣
ｒｉｔｈｍꎬｔｈｉｓｍｅｔｈｏｄｃａｎｅｘｔｒａｃｔｂｕｉｌｄｉｎｇｓｗｉｔｈｌｅｓｓｎｏｉｓｅａｎｄｇｏｏｄｒｅｓｕｌｔｓꎬａｎｄｔｈｅｃｏｒｒｅｃｔｎｅｓｓｒａｔｅꎬｃｏｍｐｌｅｔｅｎｅｓｓｒａｔｅａｎｄｑｕａｌｉｔｙｉｎ￣
ｃｒｅａｓｅｂｙ２.２６％ꎬ７.４１％ａｎｄ７.６９％ｒｅｓｐｅｃｔｉｖｅｌｙ.
Ｋｅｙｗｏｒｄｓ:ｍｏｒｐｈｏｌｏｇｙｂｕｉｌｄｉｎｇｉｎｄｅｘꎻｓｕｐｅｒｐｉｘｅｌｓｅｇｍｅｎｔａｔｉｏｎꎻｂｕｉｌｄｉｎｇｅｘｔｒａｃｔｉｏｎ
ｉｓｔｈａｔｔｈｅｒｅａｒｅｔｉｎｙｎｏｉｓｅｐｏｉｎｔｓｉｎｓｉｄｅａｎｄｏｕｔｓｉｄｅｔｈｅｈｏｍｏｇｅｎｅｏｕｓａｒｅａ.Ｆｏｒｔｈｉｓｐｒｏｂｌｅｍꎬｔｈｅｐａｐｅｒｐｒｏｐｏｓｅｓａｍｅｔｈｏｄｏｆｂｕｉｌｄｉｎｇ
ｐｒｏｖｅｔｈｅｅｘｔｒａｃｔｉｏｎａｃｃｕｒａｃｙꎬｉｔｉｓｓｕｐｅｒｉｍｐｏｓｅｄｗｉｔｈｔｈｅｄｉｇｉｔａｌｓｕｒｆａｃｅｍｏｄｅｌｔｏｒｅｍｏｖｅｔｈｅｎｅａｒ
－
ｓｕｒｆａｃｅｆｅａｔｕｒｅｓｓｕｃｈａｓｒｏａｄｓａｎｄ
０ 引 言
随着遥感技术的快速发展ꎬ光学卫星影像的空间分
辨率得到了极大提高ꎬ从影像上获取有用的信息也更加
容易ꎮ建筑物作为至关重要的人工地物ꎬ是城乡规划、人
口估计等的主要组成部分ꎬ除此之外ꎬ建筑物的提取在城
市的三维建模和违章建筑检测等方面也发挥着重要
收稿日期:２０１８
－
０８
－
２７
基金项目:国家自然科学基金青年基金项目(４１７０１４２７)资助
作用ꎮ
国内外专家学者对建筑物的提取进行了大量研究ꎬ
提出了不同的解决方法ꎮ文献[１]—[２]提出将ＬｉＤＡＲ
数据与高分辨率遥感影像相结合的方法来提取建筑物ꎬ
该类方法先利用ＬｉＤＡＲ数据分离出非地面点ꎬ再进一步
与遥感影像相结合提取出建筑物轮廓ꎬ但ＬｉＤＡＲ数据较
难获取ꎬ具有一定的局限性ꎮ文献[３]—[６]采用面向对
作者简介:魏 旭(１９９３
－
)ꎬ男ꎬ安徽宿州人ꎬ测绘科学与技术专业硕士研究生ꎬ主要研究方向为遥感图像变化检测和信息提取ꎮ
第１０期
魏 旭等:一种结合ＭＢＩ和ＳＬＩＣ算法的遥感影像建筑物提取方法
１０１
象的方法ꎬ通过对遥感影像的分割ꎬ使同质像素组成不同
大小的区域ꎬ然后结合纹理、光谱、结构和上下文特征等
信息进行建筑物提取
Ｈｕａｎｇ
度、对比度
和Ｚｈａｎｇ
、方向等特征来提取建筑物
提出了
ꎬ
ＭＢＩ
能够得到较好的效果
算法ꎬ该算法利用建筑物的亮
ꎮ２０１１年
[７]
但其结果的同质区域内部和外部均存在大量噪声点
ꎬ提取效果较好
ꎮ针
ꎬ
对该问题ꎬ本文将结合超像素分割算法进行改善ꎮ
本文先利用ＳＬＩＣ算法对遥感影像进行分割生成具有
同质像素的超像素区域ꎬ然后ꎬ利用ＭＢＩ算法对遥感影像
进行处理生成形态学建筑物指数灰度图ꎬ再计算每个超
像素区域内的建筑物指数均值ꎬ当均值超过某一指定阈
值时即可认为该区域是建筑物ꎮ最后ꎬ将提取的建筑物
与相应区域的ＤＳＭ叠加处理ꎬ可以相对准确地获得建筑
物区域ꎬ实验结果良好ꎮ
１ 形态学建筑物指数(ＭＢＩ)
形态学建筑物指数建立在建筑物边缘光谱变化较
大ꎬ而其内部光谱变化较小的基础上ꎮ该指数的构建考
虑到了建筑物的形状、方向、亮度和对比度等特征ꎮＭＢＩ
建立的步骤如下
１)
:
ｂ(
计算亮度值
ｘ)
＝
式中:
Ｋ
１≤
ｍａｘ
为可见光光谱波段数目
ｋ≤Ｋ
(ｂａｎｄ
ｋ
(ｘ))
ꎬ
ｂａｎｄ
ｋ
段在像素
ｘ
处的亮度值ꎬ因为可见光波段对建筑物的光谱
(ｘ)
为第
ｋ
(１)
波
信息影响较大ꎬ所以这里选择可见光波段每个像素的最
大值作为该像素的亮度值
２)
ꎮ
Ｗ
形态学白帽重构
－
ＴＨ(ｄꎬｓ)
＝
ｂ
－
γ
ｒｅ
ｂ
式中:
γ
ｒｅ
(ｄꎬｓ)(２)
ｂ
为对亮度图像
ｂ
进行形态学开运算ꎬ
ｄ
和
ｓ
分别代表线性结构元素的方向和尺度ꎮ由于建筑物和道
路的光谱信息比较相近ꎬ而道路的方向较少ꎬ一般是沿一
个或者两个方向延伸ꎬ建筑物的方向则较多ꎬ为将道路与
建筑物很好地区分开来ꎬ故选择多个方向和尺度的线性
结构元素
３)
ꎮ
{
ＭＰ
计算形态学剖面
ＭＰ
ｄꎬｓ)
＝
Ｗ
ＭＰ
－
ＴＨ
(Ｍｏｒｐｈｏｌｏｇｉｃａｌ
(ｄꎬｓ)
Ｐｒｏｆｉｌｅｓ)
Ｗ
－
ＴＨ
(
Ｗ
－
ＴＨ
(ｄꎬ０)
＝
ｂ
(３)
Ｍｏｒｐｈｏｌｏｇｉｃａｌ
４)计算微分形态学剖面ＤＭＰ(Ｄｉｆｆｅｒｅｎｔｉａｌ
ＤＭＰ
Ｐｒｏｆｉｌｅｓ)
ＭＰ
Ｗ
－
ＴＨ
ｄ
(
ꎬ
ｄ
ｓ
ꎬ
))
ｓ)
＝
ＭＰ
Ｗ
－
ＴＨ
(ｄꎬｓ
＋
Δｓ))
－
Ｗ
－
ＴＨ
式中:
Ｓ
(
(４)
５)计算形态学建筑物指数
ｍｉｎ
≤Δｓ≤Ｓ
ｍａｘ
ꎮ
∑
ＭＢＩ
ＭＢＩ
＝
ｄꎬｓ
ＤＭＰ
Ｗ
－
ＴＨ
Ｄ
×
Ｓ
(ｄꎬｓ)
式中:
Ｓ
＝
((Ｓ
ｍａｘ
－
Ｓ
ｍｉｎ
)/Δｓ)
＋
１ꎬ
Ｄ为计算建筑物剖
(５)
面时的方向数ꎮ
ＭＢＩ建立的依据是微分形态学剖面(ＤＭＰ)具有较高
的局部对比度ꎬ所以ＭＢＩ特征值较大的即为建筑物ꎮ
２ 简单线性迭代聚类(ＳＬＩＣ)算法
超像素概念是把一幅像素级的图划分为区域级的
图ꎬ即将具有相似亮度、纹理等特征的相邻像素构成有一
定视觉意义的区域ꎮ
Ｓｕｐｅｒｐｉｘｅｌ
超像素分割算法有很多种ꎬ包括Ｇｒａｐｈ
－
ｂａｓｅｄ方法、
ＳＬＩＣ
紧凑度
方法等
ｌａｔｔｉｃｅ方法、基于熵率的方法、Ｔｕｒｂｏｐｉｘｅｌ方法和
ＳＬＩＣ
、轮廓
ꎬ
保
因为
持等
ＳＬＩＣ
方面
算法在运行速度
都比较理想ꎬ所
、生成的超像素
以ꎬ本文使用
ＣＩＥ
值组成
－
ＳＬＩＣ
算法对遥感影像进行分割
Ｌａｂ
５
空间
算法的基本思想是将图像从
ꎮ
维向量
ꎬ将每个像素的坐标
Ｖ(Ｌꎬａꎬｂꎬｘꎬｙ)ꎬ两个相邻像素的相似性
(ｘꎬｙ)
ＲＧＢ
和(Ｌ
空间转换到
ꎬａꎬｂ)颜色
可以根据它们的向量距离进行衡量ꎬ距离越小ꎬ相似性
越大ꎮ
ＳＬＩＣ
种子点
１)
(
将图像均匀划分为一定大小的常规格网
算法的分割步骤如下ꎮ
即聚类中心)ꎮ假设图像大小是
Ｍ
×
Ｎ
ꎬ
ꎬ
初始化
超像素
个数为
到最小梯度位置
２)在
Ｋ
ꎬ
ｎ
那么聚类中心距离
×
ｎ的相邻区间
Ｓ
约为
Ｎ/Ｋꎮ
ꎮ梯度计算公式如下
(一般取ｎ为
:
３)ꎬ将种子点移动
Ｇ
‖
(
３)
Ｉ
ｘ
迭代
(
ꎬ
ｘ
ｙ
ꎬ
)
ｙ
＝
:对每个种子点周围的
＋
１)ꎬ
‖Ｉ(
Ｉ(
ｘ
ｘ
＋
ꎬｙ
１)ꎬ
－
１)‖
ｙ
－
Ｉ(ｘ
－
１ꎬｙ)‖
２
＋
２
２
Ｓ
×
２
Ｓ
邻域内的每个
(６)
像素ꎬ根据距离测量公式计算其与周围每个种子点的距
离ꎬ取最小值对应的种子点作为该像素的聚类中心ꎮ由
此计算新的种子点和误差ꎬ直到误差小于指定阈值(即种
子点不再发生变化ꎬ根据经验一般取迭代次数为１０)ꎮ距
离测量公式如下:
ｄ
ｃ
＝
(ｌ
ｊ
－
ｌ
ｉ
２
ｄ
)
２
＋
(ａ
ｊ
－
ａ
ｉ
(７)
ｓ
＝
(ｘ
ｊ
－
ｘ
ｉ
)
２
＋
(ｙ
ｊ
－
ｙ
)
２
＋
(ｂ
ｊ
－
ｂ
ｉ
)
ｉ
Ｄ′
＝
ｄ
２
ｄ
)
２
(
ｃｓ
２
(８)
ｍ
)
＋
(
Ｓ
)
(９)
式中:
ｄ
ｃ
为颜色距离ꎬ
ｄ
ｓ
为空间距离ꎬ
ｍ
为固定常数ꎬ
一般取１０(范围是[１ꎬ４０])ꎬ
Ｓ
为种子点之间的距离ꎬ
Ｄ′
为最终的测量距离ꎬ取
Ｄ′
最小时对应的种子点作为该像
素新的种子点
离的区域
４)增强连通性
ꎮ
ꎬ所以需要对部分不相交的区域利用最大相邻
ꎮ经过上述过程后会存在一小部分偏
聚类的标签重新标注以增强连通性ꎮ
３ 实验与分析
３.１
影像大小为
１)
实验数据
北京某小区的高分二号卫星影像
３ｍꎬ高程精度为
９６９
×
１７６８ꎻ２)同区域的ＤＳＭ
ꎬ
数据
分辨率为
ꎬ分辨率为
１ｍꎬ
生成ꎮ该区域资源三号卫星影像获取的时间和高分二号
３ｍꎬ该ＤＳＭ数据由资源三号卫星影像
卫星影像获取的时间相近(为保证地物变化不大)ꎬ获取
时间分别为２０１７年６月和２０１７年３月ꎮ
１０２
测绘与空间地理信息
２０１９年
３.２ 实验过程
１)
实验步骤如下
将高分二号原始影像
(流程如图
ꎻ２)用ＳＬＩＣ
(
１
如图
所示
算法对图
２
):
理ꎬ结果如图３所示
所示
３
)
进行分割
先进行预处
ꎬ这
里固定常数ｍ值取１０ꎬ超像素个数Ｋ值取１００００ꎬ分割后
再利用文献[８]中的合并方法对过分割的区域进行合并ꎬ
生成图４ꎻ３)用ＭＢＩ算法对图３进行计算生成形态学建筑
物指数特征图５(亮度值范围归算为０—２５５)ꎬ这里线性
结构元素的方向ｅ取值为:ｄ
＝
{４５°ꎬ９０°ꎬ１３５°ꎬ１８０°}ꎬ线
３７ꎬ４２ꎬ４７ꎬ５２}ꎻ
性结构元素的尺度ｓ取值为:ｓ
＝
{２ꎬ７ꎬ１２ꎬ１７ꎬ２２ꎬ２７ꎬ３２ꎬ
当均值大于某一指定阈值
４)计算图ｄ
(这里取
中每个超像素内的
５０)时ꎬ可认为该超像
ＭＢＩ均值ꎬ
素为建筑物
(Ｄｉｇｉｔａｌ
ꎬ生成图６ꎻ５)
到消除了地学起伏影响的规则化
ＴｅｒｒａｉｎＭｏｄｅｌ
－
ＤＴＭ)ꎬ
从ＤＳＭ
然后将
中提取出数字地形模型
ＤＳＭ(
ＤＳＭ
Ｎｏｒｍａｌｉｚｅｄ
与ＤＴＭ做差得
ＤＳＭ
－
ＮＤＳＭ)ꎬ
的部分ꎬ得建筑物二值图
最后与图６叠加处理
７ꎻ６)
ꎬ
单纯利用
根据经验取高度大于
ＭＢＩ算法得到形
２.５ｍ
态学建筑物指数特征图
(这里取５０)与ＮＤＳＭ进行叠加处理
ꎬ取亮度值大于某一指定阈值后
２.５
ꎬ同样取高度大于
图像
ｍ
ꎬ
的部分
图１０是图
ꎬ生成图
８的局部放大图
８ꎻ７)图９为人工勾绘的建筑物二值
ꎮ
图１ 技术路线图
Ｆｉｇ.１ Ｔｅｃｈｎｏｌｏｇｙｒｏａｄｍａｐ
图２ 原始影像
Ｆｉｇ.２ Ｏｒｉｇｉｎａｌｉｍａｇｅ
图３ 预处理后影像
Ｆｉｇ.３ Ｐｒｅｐｒｏｃｅｓｓｅｄｉｍａｇｅ
图４ 影像分割图
Ｆｉｇ.４ Ｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｇｒａｐｈ
图５ 形态学建筑物指数特征图
Ｆｉｇ.５ Ｍｏｒｐｈｏｌｏｇｉｃａｌｂｕｉｌｄｉｎｇｉｎｄｅｘｉｍａｇｅ
图６ 本文方法与ＤＳＭ叠加前建筑物二值图
Ｆｉｇ.６ Ｂｉｎａｒｙｉｍａｇｅｏｆｂｕｉｌｄｉｎｇｂｅｆｏｒｅｔｈｅｐｒｏｐｏｓｅｄ
ｍｅｔｈｏｄａｎｄＤＳＭａｒｅｓｕｐｅｒｉｍｐｏｓｅｄ
图７ 本文方法与ＤＳＭ叠加后建筑物二值图
Ｆｉｇ.７ Ｂｉｎａｒｙｉｍａｇｅｏｆｂｕｉｌｄｉｎｇａｆｔｅｒｔｈｅｐｒｏｐｏｓｅｄ
ｍｅｔｈｏｄａｎｄＤＳＭａｒｅｓｕｐｅｒｉｍｐｏｓｅｄ
图８ ＭＢＩ算法与ＤＳＭ叠加后建筑物二值图
Ｆｉｇ.８ ＢｉｎａｒｙｉｍａｇｅｏｆｂｕｉｌｄｉｎｇａｆｔｅｒＭＢＩａｌｇｏｒｉｔｈｍ
ａｎｄＤＳＭａｒｅｓｕｐｅｒｉｍｐｏｓｅｄ
图９ 人工勾绘建筑物二值图
Ｆｉｇ.９ Ｂｉｎａｒｙｉｍａｇｅｏｆｂｕｉｌｄｉｎｇｂｙｄｒａｗｎａｒｔｉｆｉｃｉａｌｌｙ
图１０ 图８的局部放大图
Ｆｉｇ.１０ ＰａｒｔｉａｌｅｎｌａｒｇｅｍｅｎｔｏｆＦｉｇ.８
第１０期
魏 旭等:一种结合ＭＢＩ和ＳＬＩＣ算法的遥感影像建筑物提取方法
１０３
将图６和图７进行对比ꎬ可以看出与ＮＤＳＭ叠加之后
可以消除道路、裸地等和建筑物光谱特征相似的近地面
地物ꎮ根据图７和图１０可知ꎬ由ＭＢＩ算法提取的结果其
同质区域内部有噪声ꎬ而与ＳＬＩＣ分割算法相结合后则不
存在这种情况ꎮ
据相叠加的方法来提取建筑物ꎬ实验结果表明ꎬ本文方法
比单纯用ＭＢＩ算法和ＤＳＭ数据相叠加的方法效果好ꎬ能
够有效地改善同质区内部和外部存在微小噪声点的问
题ꎬ说明本文方法的可行性ꎮ但要注意ＤＳＭ数据和影像
的获取时间要相近ꎬ以保证地物变化不大ꎬ从而获得更加
满意的结果ꎮ
另外ꎬ本文在阈值化处理时未能做自适应取值ꎬ下一
步将做深入的研究并实现自动化地建筑物提取ꎮ
３.３ 实验结果评价及分析
用正确率
Ｐ
ｃ
、完整率Ｐ
ｅ
和质量Ｐ
ｑ
３个指标对提取的建筑
物结果进行评价ꎮ
Ｐ
ｃ
＝
Ｓ
ａｕｔｏ
借鉴文献[９]中居民点提取精度的评价方法ꎬ本文采
ï
ï
Ｓ
ａｕｔｏ＆ｍａｎｕａｌ
ï
ï
Ｐ
ｅ
＝
ý
Ｓ
ｍａｎｕａｌ
ï
Ｓ
ａｕｔｏ＆ｍａｎｕａｌ
ï
Ｐ
ｑ
＝
ï
Ｓ
ａｕｔｏ‖ｍａｎｕａｌ
ï
þ
Ｓ
ａｕｔｏ＆ｍａｎｕａｌ
ü
(１０)
参考文献:
[１] ＳａｍｐａｔｈＡꎬＳｈａｎＪ.ＢｕｉｌｄｉｎｇＢｏｕｎｄａｒｙＴｒａｃｉｎｇａｎｄＲｅｇｕ￣
ｌａｒｉｚａｔｉｏｎｆｒｏｍＡｉｒｂｏｒｎｅＬｉｄａｒＰｏｉｎｔＣｌｏｕｄｓ[Ｊ].Ｐｈｏｔｏｇｒａｍ￣
８０５
－
８１２.
ｍｅｔｒｉｃＥｎｇｉｎｅｅｒｉｎｇ＆ＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ２００７ꎬ７３(７):
[２] 程亮ꎬ龚健雅.ＬｉＤＡＲ辅助下利用超高分辨率影像提取建
[３] ＪｉｎＸＹꎬＤａｖｉｓＣＨ.ＡｕｔｏｍａｔｅｄＢｕｉｌｄｉｎｇＥｘｔｒａｃｔｉｏｎｆｒｏｍ
Ｈｉｇｈ
－
ｒｅｓｏｌｕｔｉｏｎＳａｔｅｌｌｉｔｅＩｍａｇｅｒｙｉｎＵｒｂａｎＡｒｅａｓＵｓｉｎｇ
ＳｔｒｕｃｔｕｒａｌꎬＣｏｎｔｅｘｔｕａｌꎬａｎｄＳｐｅｃｔｒａｌＩｎｆｏｒｍａｔｉｏｎ[Ｊ].
２００５(１４):２１９６
－
２２０６.
(１):３９
－
４５.
ＥＵＲＡＳＩＰＪｏｕｒｎａｌｏｎＡｐｐｌｉｅｄＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇꎬ２００５ꎬ
筑物轮廓方法[Ｊ].测绘学报ꎬ２００８ꎬ３７(３):３９１
－
３９３.
式中:
Ｓ
ａｕｔｏ
表示计算机提取的面积ꎬ
Ｓ
ｍａｎｕａｌ
表示人工
勾绘的面积ꎬ
Ｓ
ａｕｔｏ＆ｍａｎｕａｌ
表示计算机提取和人工勾绘的交
集面积ꎬ
Ｓ
ａｕｔｏ‖ｍａｎｕａｌ
表示计算机提取和人工勾绘的并集
面积ꎮ
将图７和图９用正确率
Ｐ
ｃ
、完整率
Ｐ
ｅ
和质量
Ｐ
ｑ
３个
８９.６４％、８１.６５％和７４.７４％ꎻ再将图８和图９进行评价ꎬ经
６７.０５％ꎮ见表１ꎮ
计算ꎬ这３个指标的结果分别为８７.３８％、７４.２４％和
指标进行评价ꎬ经计算ꎬ这３个指标的结果分别为
[４] 陶超ꎬ谭毅华ꎬ蔡华杰ꎬ等.面向对象的高分辨率遥感影
像城区建筑物分级提取方法[Ｊ].测绘学报ꎬ２０１０ꎬ３９
[５] 谭衢霖.高分辨率多光谱影像城区建筑物提取研究[Ｊ].
[６] 林祥国ꎬ张继贤.面向对象的形态学建筑物指数及其高
测绘学报ꎬ２０１０ꎬ３９(６):６１８
－
６２３.
表１ 建筑物提取评价表
Ｔａｂ.１ Ｂｕｉｌｄｉｎｇｅｘｔｒａｃｔｉｏｎｅｖａｌｕａｔｉｏｎ
方法
本文方法
ＭＢＩ算法
正确率Ｐ
ｃ
８９.６４％
８７.３８％
完整率Ｐ
ｅ
８１.６５％
７４.２４％
质量Ｐ
ｑ
７４.７４％
６７.０５％
[７] ＨｕａｎｇＸꎬＺｈａｎｇＬＰ.ＡＭｕｌｔｉｄｉｒｅｃｔｉｏｎａｌａｎｄＭｕｌｔｉｓｃａｌｅＭｏｒ￣
ｐｈｏｌｏｇｉｃａｌＩｎｄｅｘｆｏｒＡｕｔｏｍａｔｉｃＢｕｉｌｄｉｎｇＥｘｔｒａｃｔｉｏｎｆｒｏｍＭｕｌｔｉ￣
ａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ２０１１ꎬ７７(７):７２１
－
７３２.
ｓｐｅｃｔｒａｌＧｅｏＥｙｅ
－
１ｉｍａｇｅｒｙ[Ｊ].ＰｈｏｔｏｇｒａｍｍｅｔｒｉｃＥｎｇｉｎｅｅｒｉｎｇ
[８] ＨｕＺＷꎬＷｕＺＣꎬＺｈａｎｇＱꎬｅｔａｌ.ＡＳｐａｔｉａｌｌｙ
－
Ｃｏｎｓｔｒａｉｎｅｄ
Ｃｏｌｏｒ
－
ＴｅｘｔｕｒｅＭｏｄｅｌｆｏｒＨｉｅｒａｒｃｈｉａｌＶＨＲＩｍａｇｅＳｅｇｍｅｎｔａｔｉｏｎ
(１)ꎬ１２０
－
１２４.
(１):８３
－
８９.
[Ｊ].ＩＥＥＥＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇＬｅｔｔｅｒｓꎬ２０１３ꎬ１０
[９] 林祥国ꎬ宁晓刚.融合直角点和直角边特征的高分辨率
遥感影像居民点提取方法[Ｊ].测绘学报ꎬ２０１７ꎬ４６
４６(６):７２４
－
７３３.
分辨率遥感影像建筑物提取应用[Ｊ].测绘学报ꎬ２０１７ꎬ
由表１可知ꎬ使用本文方法所提取的建筑物在正确
率、完整率和质量上均比单纯由ＭＢＩ算法提取的建筑物
有所提高ꎬ尤其是完整率和质量提高幅度较大ꎮ将图７、
图８分别与图９作对比之后能够发现ꎬ相对于单纯由ＭＢＩ
提取的结果ꎬ本文方法不仅能够消除同质区域内部的噪
声ꎬ而且能够剔除同质区域外部的微小噪声点ꎬ这进一步
说明了本文方法的有效性ꎮ
４ 结束语
本文利用ＭＢＩ算法和ＳＬＩＣ算法结合后再与ＤＳＭ数
(上接第９９页)
[６] 杨国东ꎬ王民水.倾斜摄影测量技术应用及展望[Ｊ].测
[７] 曲林ꎬ冯洋ꎬ支玲美ꎬ等.基于无人机倾斜摄影数据的实
[８] 冯建平ꎬ吴丽华.基于全景图像的三维全景漫游系统的
[９] 丁雪晶.基于ＶＲ虚拟校园漫游系统的设计与实现[Ｊ].
构建[Ｊ].计算机与数字工程ꎬ２０１３(１):１１５
－
１１７.
(３):３８
－
３９.
绘与空间地理信息ꎬ２０１６ꎬ３９(１):１６７２
－
５８６７.
[编辑:张 曦]
[１０] 苏融ꎬ李胜乐ꎬ厉彦玲ꎬ等.基于三维全景视图的虚拟校
[１１] 刘航ꎬ王积忠ꎬ王春水.虚拟校园三维仿真系统关键技
术研究[Ｊ].计算机工程与设计ꎬ２００７ꎬ２８(１２):２９３４
－
２９３６.
２０１４ꎬ４５(１):１０３
－
１０９.
安庆师范学院学报:自然科学版ꎬ２０１４(１):４９
－
５３.
园漫游导航系统[Ｊ].山东农业大学学报:自然科学版ꎬ
景三维建模研究[Ｊ].测绘与空间地理信息ꎬ２０１５ꎬ３８
[编辑:刘莉鑫]
发布评论