本發(fā)明提供一種基于高空間分辨率遙感圖像的道路路域建筑物變化提取方法及裝置，具體涉及一種自動(dòng)/半自動(dòng)的道路兩側(cè)新增建筑物提取，屬于交通遙感領(lǐng)域。

背景技術(shù)：

對(duì)國道、省道等主要交通干道的路域范圍進(jìn)行及時(shí)準(zhǔn)確的監(jiān)測(cè)，對(duì)維護(hù)道路環(huán)境、道路狀況以及道路交通安全具有重要意義。根據(jù)相關(guān)的法律和規(guī)定，道路路域及相鄰的區(qū)域內(nèi)禁止進(jìn)行建設(shè)和開發(fā)。違章建筑嚴(yán)重影響道路交通環(huán)境和交通安全。目前發(fā)現(xiàn)的一些違法的建設(shè)包括，未取得建設(shè)工程規(guī)劃許可證的建設(shè)，或超標(biāo)建設(shè)；建筑材料多簡單低劣，建設(shè)時(shí)間短平快、隨意性反復(fù)性大等。對(duì)這些違法違規(guī)的建設(shè)，傳統(tǒng)的監(jiān)測(cè)方法，主要包括通過人力巡查、群眾舉報(bào)等方式，耗時(shí)長、準(zhǔn)確率低。另外，一些違法違規(guī)建筑存在拆后重建屢禁不止等現(xiàn)象。傳統(tǒng)方法無法定期對(duì)所有區(qū)域進(jìn)行復(fù)查。迫切需要新的技術(shù)和方法，進(jìn)行大范圍的動(dòng)態(tài)監(jiān)測(cè)，消除巡查盲點(diǎn)，盡早及時(shí)發(fā)現(xiàn)。

遙感技術(shù)具有周期短、成本低、時(shí)效性高等特點(diǎn)，在城市交通、城市違建查處等方面均可以發(fā)揮良好的作用，目前在西方發(fā)達(dá)國家中已得到了廣泛的應(yīng)用。應(yīng)用遙感進(jìn)行監(jiān)測(cè)，可以有效地消除地面巡查的盲點(diǎn)，對(duì)于人為巡查難以發(fā)現(xiàn)的違章建筑能夠精確辨認(rèn)及時(shí)發(fā)現(xiàn)，為查違工作提供有力支持，對(duì)違法建設(shè)行為起到一定的震懾作用。此外，通過周期性的大范圍遙感監(jiān)測(cè)，可為全面掌握、分析國省干線紅線范圍內(nèi)違章建筑現(xiàn)狀提供客觀依據(jù)，從根本上抑制拆后重建的可能性。

近十多年來，國內(nèi)外高空間分辨率遙感圖像(米級(jí)亞米級(jí))的大量獲取，對(duì)進(jìn)行大范圍道路路域監(jiān)測(cè)提供可靠的數(shù)據(jù)源。利用遙感圖像進(jìn)行道路路域的監(jiān)測(cè)本質(zhì)上屬于遙感變化檢測(cè)的范疇。盡管國內(nèi)外學(xué)者在利用高分辨率遙感圖像進(jìn)行地表變化檢測(cè)的方法研究方面開展了大量的工作，并取得了豐富的成果和進(jìn)展，但專門針對(duì)道路路域及周邊區(qū)域的變化檢測(cè)的自動(dòng)和半自動(dòng)提取方法的研究及開發(fā)并不多見。在現(xiàn)有的利用高分辨率圖像進(jìn)行道路變化探測(cè)的應(yīng)用中，主要采用目視判讀的方法提取災(zāi)害信息，盡管精度較高，但效率較低?，F(xiàn)有的相關(guān)研究多集中于利用高分辨率圖像探測(cè)各種災(zāi)害(如地質(zhì)災(zāi)害、洪澇災(zāi)害) 引起的道路損毀信息提、道路路域生態(tài)環(huán)境評(píng)價(jià)、道路信息更新等方面(陳世榮等，2008；武學(xué)森等，2011)，而且多采用傳統(tǒng)的變化檢測(cè)方法，主要依賴于圖像的光譜特征和相關(guān)模型(徐陽等，2011；陳世榮等，2008；任玉環(huán)等，2013)，但并沒有充分考慮高空間分辨率圖像以及道路路域地物光譜特征的復(fù)雜性。一些國外學(xué)者針對(duì)道路材質(zhì)的光譜特征開展了較深入的研究，并用于航空高光譜圖像的道路提取實(shí)驗(yàn)(Herold等，2003)，但并沒有應(yīng)用于實(shí)際的高空間分辨率圖像以及道路變化檢測(cè)。因此，探索有效可行的利用高分辨率圖像的道路路域自動(dòng)半自動(dòng)變化檢測(cè)方法，對(duì)于眾多的交通領(lǐng)域的重大應(yīng)用具有重要的應(yīng)用價(jià)值和前景。本發(fā)明針對(duì)國省干道路域保護(hù)范圍的建筑物變化(或建筑物新增)，提出一種基于高分辨率圖像的自動(dòng)/半自動(dòng)提取方法。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所指的道路路域：指公路永久性征地和臨時(shí)占地范圍之內(nèi)的所有區(qū)域，包括公路路基、邊坡、兩側(cè)隔離帶、互通立交、公路沿線附屬設(shè)施、特殊防護(hù)地段、取棄土場(chǎng)等。其空間范圍是公路用地界限之內(nèi)，寬50～70m(互通立交、附屬設(shè)施、特殊防護(hù)地段、取棄土場(chǎng)等寬度可達(dá)數(shù)百米)，長數(shù)十至數(shù)百公里的條形地帶。

本發(fā)明的目的是提供一種利用兩個(gè)時(shí)相的高空間分辨率遙感圖像自動(dòng)或半自動(dòng)提取道路路域建筑物變化(或新增建筑物)的方法，用以解決快速有效地監(jiān)測(cè)國省干道路域范圍內(nèi)建筑物變化以及監(jiān)測(cè)新增違法建筑物，為道路維護(hù)及道路交通安全監(jiān)測(cè)提供技術(shù)支持。

本發(fā)明的基本原理：

本發(fā)明要探測(cè)的目標(biāo)是國省干道的道路路域內(nèi)的新增建筑物。國省干道兩側(cè)的保護(hù)范圍(道路路域)內(nèi)地物類別復(fù)雜多樣，而且道路不同地段的兩側(cè)(不同地段的道路路域)地物類別變化大，不同地段路域范圍不僅地物類別不同，而且地物類別數(shù)目也有很大差別；同時(shí)，道路路域范圍內(nèi)一些地物類別，如裸露的土壤及其它的人工地物，與要監(jiān)測(cè)的目標(biāo)(即建筑物)具有相似的光譜特征。國省干道路域的這些特點(diǎn)，給利用高空間分辨率遙感圖像來自動(dòng)或半自動(dòng)提取建筑物的變化帶來了困難。

(1)只利用高分辨率圖像的光譜信息很難準(zhǔn)確地提取建筑物的變化，而加入光譜特征以外的其它信息(如形狀、結(jié)構(gòu)和空間關(guān)系)可改善提取的效果或精度。

(2)如果采用常規(guī)的多類分類方法進(jìn)行目標(biāo)提取及其變化檢測(cè)，需要選取每個(gè)地物類別或變化類別的樣本，由于上述的路域地物類別及其類別變化大，選擇多類地物及其變化類別的樣本是一項(xiàng)困難而且十分費(fèi)時(shí)費(fèi)力的任務(wù)。而單類分類方法只需要利用目標(biāo)類(如新增建筑物)的已知樣本，就可以直接通過分類方法得到目標(biāo)類的空間分布。

此外，考慮到高空間分辨率的遙感圖像(衛(wèi)星或航空?qǐng)D像)提供了豐富的空間細(xì)節(jié)，但類別的內(nèi)部光譜特征變化大，面向?qū)ο蟮膱D像分析策略提供了有效的解決思路。

因此，針對(duì)上述三個(gè)方面的問題或困難，本發(fā)明提出一種利用兩個(gè)時(shí)相的高空間分辨率遙感圖像的自動(dòng)/半自動(dòng)提取道路路域新增建筑物的方法框架(或系統(tǒng))，具體地，一種基于高分辨率圖像的道路路域建筑物變化提取方法，包括如下步驟：

A.采用多層次圖像分割方法對(duì)兩個(gè)時(shí)相的高分辨率圖像疊加合成的圖像進(jìn)行圖像分割，其中，每個(gè)時(shí)相的高分辨率圖像均包含多個(gè)光譜波段圖像；

B.針對(duì)各時(shí)相的高分辨率圖像計(jì)算最大值合成圖像并基于該最大值合成圖像計(jì)算建筑物指數(shù)，以獲得與各時(shí)相分別對(duì)應(yīng)的建筑物指數(shù)圖像；

C.基于步驟A中的圖像分割結(jié)果，分別計(jì)算每個(gè)分割區(qū)域的各波段光譜均值和建筑物指數(shù)均值，并將這些均值圖像疊加合成為兩個(gè)時(shí)相的對(duì)象特征圖像；

D.基于道路矢量數(shù)據(jù)進(jìn)行緩沖區(qū)分析，以獲取道路路域；

E.將步驟D中得到的道路路域與步驟C中得到的兩時(shí)相對(duì)象特征圖像進(jìn)行疊加處理，獲得兩時(shí)相道路路域?qū)ο筇卣鲌D像；

F.采用單類分類方法對(duì)步驟E中得到的兩時(shí)相道路路域內(nèi)對(duì)象特征圖像進(jìn)行分類，提取新增建筑物，以得到初步的建筑物變化結(jié)果圖像；

G.從第二個(gè)時(shí)相的高分辨率圖像中提取陰影，得到第二個(gè)時(shí)相的陰影圖像；

H.利用步驟G得到的陰影圖像來優(yōu)化步驟F得到的初步的建筑物變化結(jié)果圖像，得到最終的建筑物變化結(jié)果。

進(jìn)一步地，所述步驟A中的分割方法包括基于形態(tài)學(xué)方法的多層次圖像分割方法，所述多個(gè)光譜波段包括紅、綠和藍(lán)色3個(gè)波段。

進(jìn)一步地，所述步驟B中，最大值合成圖像計(jì)算方法如下：

其中，b(x)為最大值合成圖像b在像素x處的亮度值，band_k(x)為第k光譜波段在像素x處的亮度值，K為高分辨率圖像的光譜波段數(shù)；所述建筑物指數(shù)為形態(tài)學(xué)建筑物指數(shù)。

進(jìn)一步地，步驟C中，所述合成的對(duì)象特征圖像包括10個(gè)波段。

進(jìn)一步地，步驟D中，所述道路矢量包括設(shè)定緩沖半徑得到道路區(qū)域。

進(jìn)一步地，步驟E中，獲得道路路域內(nèi)對(duì)象特征圖像具體為：對(duì)于對(duì)象特征圖像，保留其道路路域內(nèi)的像素灰度值不變，而將道路路域以外的所有像素灰度值強(qiáng)制變?yōu)?。

進(jìn)一步地，步驟F中，利用兩個(gè)時(shí)相的高分辨率圖像來選取新增建筑物的已知樣本作為訓(xùn)練樣本，用于單類支持向量機(jī)分類方法的訓(xùn)練和參數(shù)確定。。

進(jìn)一步地，步驟G中，所述陰影的提取為采用直方圖閾值法從第二時(shí)相的圖像中提取。

進(jìn)一步地，步驟H中的優(yōu)化步驟具體為：將所述陰影圖像與初步的建筑物變化結(jié)果圖像進(jìn)行疊加，對(duì)于變化結(jié)果圖像中的新增建筑物，如果其鄰域存在陰影，則確認(rèn)該新增建筑物是正確的，否則，認(rèn)為該新增建筑物是誤分的，從初步結(jié)果中將其剔除。

本發(fā)明還提出一種基于高分辨率圖像的道路路域建筑物變化提取裝置，包括：

圖像分割模塊，用于采用多層次圖像分割方法對(duì)兩個(gè)時(shí)相的高分辨率圖像疊加合成的圖像進(jìn)行圖像分割，其中，每個(gè)時(shí)相的高分辨率圖像均包含多個(gè)光譜波段圖像；

建筑物指數(shù)計(jì)算模塊，用于針對(duì)各時(shí)相的高分辨率圖像計(jì)算最大值合成圖像并基于該最大值合成圖像計(jì)算建筑物指數(shù)，以獲得與各時(shí)相分別對(duì)應(yīng)的建筑物指數(shù)圖像；

對(duì)象特征圖像生成模塊，用于基于圖像分割模塊的圖像分割結(jié)果，分別計(jì)算每個(gè)分割區(qū)域的各波段光譜均值和建筑物指數(shù)均值，并將這些均值圖像疊加合成為兩時(shí)相對(duì)象特征圖像；

道路路域獲取模塊，用于基于道路矢量數(shù)據(jù)進(jìn)行緩沖區(qū)分析，以獲取道路路域；

道路路域內(nèi)對(duì)象特征圖像生成模塊，用于對(duì)道路路域獲取模塊獲取的道路路域與對(duì)象特征圖像生成模塊得到的兩時(shí)相對(duì)象特征圖像進(jìn)行疊加處理，獲得兩時(shí)相道路路域?qū)ο筇卣鲌D像；

初步的建筑物變化結(jié)果圖像生成模塊，用于采用單類分類方法對(duì)得到的道路路域內(nèi)對(duì)象特征圖像進(jìn)行分類，提取新增建筑物，以得到初步的建筑物變化結(jié)果圖像；

陰影圖像提取模塊，用于從第二個(gè)時(shí)相的高分辨率圖像中提取陰影，得到第二個(gè)時(shí)相的陰影圖像；

最終的建筑物變化結(jié)果生成模塊，用于利用所述陰影圖像來優(yōu)化所述的初步的建筑物變化結(jié)果圖像，得到最終的建筑物變化結(jié)果。

本發(fā)明所提出的方法或者裝置的特點(diǎn)或關(guān)鍵環(huán)節(jié)包括：采用面向?qū)ο蟮膱D像處理策略、綜合利用圖像的光譜信息和空間信息(包括結(jié)構(gòu)指數(shù)、空間關(guān)系)、采用單類分類方法。此外，為了避免道路路域以外的地物類別對(duì)提取結(jié)果的干擾(光譜相似性)，本發(fā)明要求事先提供現(xiàn)有的道路信息，如現(xiàn)有的道路矢量圖。利用現(xiàn)有的道路矢量圖將道路路域范圍提取出來，然后，只在道路路域的范圍內(nèi)提取新增建筑物。

附圖說明

圖1是本發(fā)明其中一實(shí)施例的流程圖。

圖2為本發(fā)明其中一實(shí)施例的實(shí)驗(yàn)所用圖像、參考圖和結(jié)果圖像，其中(a)和(b)為兩個(gè)時(shí)相的高分辨率圖像；(c)為參考圖像；(d)為初始提取結(jié)果；(e)為利用陰影改進(jìn)后的提取結(jié)果。圖(c)、(d)和(e)中的黑色代表新增的建筑物。

具體實(shí)施方式

下面參照附圖并結(jié)合實(shí)施方案對(duì)本發(fā)明作進(jìn)一步描述，但本發(fā)明并不僅限于所給出的實(shí)施例。

本發(fā)明的技術(shù)流程圖參見圖1。下面將對(duì)流程圖(圖1)中的關(guān)鍵步驟分別描述。

A.圖像分割

圖像分割是將圖像分為互不重疊的具有一定意義的區(qū)域的過程，這些區(qū)域又稱為圖像對(duì)象。圖像分割是面向?qū)ο蠓椒ǖ南葲Q步驟，其質(zhì)量直接影響后續(xù)處理分析的性能。目前有多種圖像分割的方法，包括基于分水嶺變換的分割方法、商用軟件eCognition中的多分辨率分割方法。本實(shí)施例采用基于形態(tài)學(xué)方法的多層次圖像分割方法(Li等，2011)。該方法將多波段的分水嶺變換(Li and Xiao，2007)和分水線動(dòng)態(tài)范圍(dynamics of contours)(Najman and Schmitt，1996)結(jié)合起來，得到多尺度多層次的圖像分割結(jié)果。該方法首先計(jì)算多光譜圖像的梯度，并對(duì)梯度圖像運(yùn)用經(jīng)典的分水嶺變換得到初始的分割結(jié)果，然后計(jì)算各個(gè)集水盆地(分割區(qū)域)的動(dòng)態(tài)范圍和相鄰積水盆地間的淹沒關(guān)系，并計(jì)算分水線(相鄰積水盆地的分界線)的動(dòng)態(tài)范圍，最后通過對(duì)分水線的動(dòng)態(tài)范圍取不同的閾值得到不同尺度的分割結(jié)果(Li等，2011)。詳細(xì)細(xì)節(jié)可參考Li等(2011)。

需要指出的，在本發(fā)明中，也可以使用其它的多層次圖像分割方法(如eCognition中的多分辨率分割方法)，得到合適的圖像分割結(jié)果。

在本發(fā)明中，利用基于形態(tài)學(xué)方法的多層次圖像分割方法(Li等，2011)對(duì)兩個(gè)時(shí)相的高分辨率圖像疊加合成的圖像進(jìn)行圖像分割。例如，假設(shè)每個(gè)時(shí)相的高分辨率圖像有4個(gè)波段，則兩個(gè)時(shí)相合成的圖像有8個(gè)波段，在本發(fā)明的方法中對(duì)這8個(gè)波段的圖像進(jìn)行圖像分割。

B.建筑物指數(shù)計(jì)算

形態(tài)學(xué)建筑物指數(shù)(morphological building index，MBI)是建立在建筑物的光譜結(jié)構(gòu)特征和一系列形態(tài)學(xué)操作的基礎(chǔ)上。該指數(shù)的構(gòu)建充分考慮到建筑物的亮度、局部對(duì)比度、形狀、大小和方向性等特征。形態(tài)學(xué)建筑物指數(shù)的計(jì)算公式為：

MBI＝(∑DMP_TP(d，s))/(D*S)，其中，DMP為形態(tài)學(xué)差值剖面(derivative morphological profile)，TP為top-hat變換，D和S分別為方向和尺度。

形態(tài)學(xué)建筑物指數(shù)主要提取步驟如下：

步驟1：計(jì)算亮度值：

其中：band_k(x)為第k光譜波段在像素x處的亮度值，K為多光譜圖像波段數(shù)。多光譜波段每個(gè)像素的最大值作為該像素的亮度值。

步驟2：計(jì)算形態(tài)學(xué)白帽重構(gòu)(white top-hat reconstruction)：

其中：γ_b^re為對(duì)亮度圖像b的形態(tài)學(xué)重建開運(yùn)算，而d和s分別代表線性結(jié)構(gòu)元素的方向和尺度。

步驟3：計(jì)算白帽重構(gòu)圖像的形態(tài)學(xué)剖面MP：

步驟4：計(jì)算形態(tài)學(xué)白帽重構(gòu)圖像的差值形態(tài)學(xué)剖面DMP：

DMP_W-TH(d，s)＝|MP_W-TH(d，(s+Δs))-MP_W-TH(d，s)|

步驟5：計(jì)算形態(tài)學(xué)建筑物指數(shù)MBI：

在本發(fā)明的方法中，分別利用兩個(gè)時(shí)相的多光譜波段的最大值合成圖像計(jì)算建筑物指數(shù)，得到兩個(gè)建筑物指數(shù)圖像，分別代表兩個(gè)時(shí)相的建筑物指數(shù)特征。

C.對(duì)象特征圖像的生成

以圖像分割結(jié)果為參考，分別計(jì)算每個(gè)對(duì)象(分割區(qū)域)的各波段光譜均值和建筑物指數(shù)均值，并將這些對(duì)象均值圖像疊加合成為一個(gè)圖像文件。例如，假設(shè)每個(gè)時(shí)相的高分辨率多光譜圖像有4個(gè)光譜波段，每個(gè)時(shí)相圖像計(jì)算得到1個(gè)建筑物指數(shù)圖像，則合成的對(duì)象特征圖像包括10個(gè)波段，即每個(gè)時(shí)相有5個(gè)對(duì)象特征圖像：4個(gè)對(duì)象光譜均值圖像和1個(gè)對(duì)象建筑物指數(shù)圖像。

D.道路區(qū)域的獲取

道路區(qū)域是通過對(duì)現(xiàn)有的道路矢量數(shù)據(jù)進(jìn)行緩沖區(qū)分析得到的。緩沖區(qū)分析是地理信息系統(tǒng)和遙感重要和基本的空間操作功能之一，是在給定空間實(shí)體(或集合)(如點(diǎn)、線、面對(duì)象)周圍建立一定距離(緩沖半徑)的帶狀區(qū)(緩沖區(qū)多邊形)，以確定這些物體對(duì)周圍環(huán)境的影響范圍或服務(wù)范圍。對(duì)本發(fā)明來說，對(duì)道路矢量(線對(duì)象)通過設(shè)定一定的緩沖半徑得到的道路區(qū)域。具體來說，是以線狀目標(biāo)(道路中心線)為參考軸線，離開軸線向兩側(cè)沿法線方向平移一定距離，并在線端點(diǎn)處以光滑曲線(如半圓弧)連接，所得到的點(diǎn)組成的封閉區(qū)域即為線狀目標(biāo)(道路)的緩沖區(qū)。

關(guān)于道路緩沖區(qū)大小的確定，主要依據(jù)國家相關(guān)的制度和規(guī)定，如根據(jù)《公路安全保護(hù)條例》(2011)中所規(guī)定的公路建筑控制區(qū)的范圍來確定違法建設(shè)的監(jiān)測(cè)范圍(即緩沖區(qū)大小的設(shè)定)。例如，保護(hù)范圍從公路用地外緣起向外的距離標(biāo)準(zhǔn)為：(1)國道不少于20米，(2)省道不少于15米；屬于高速公路的，公路建筑控制區(qū)的范圍從公路用地外緣起向外的距離標(biāo)準(zhǔn)不少于30米。具體標(biāo)準(zhǔn)和細(xì)節(jié)可參見《公路安全保護(hù)條例》(2011)等。

E.路域的對(duì)象特征圖像生成

將步驟D中得到的道路路域范圍與步驟C中得到的對(duì)象特征圖像進(jìn)行疊加，以道路路域范圍為參考，獲取道路路域的對(duì)象特征圖像，即保留道路路域內(nèi)的像元灰度值不變，而將道路路域以外的所有像元灰度值強(qiáng)制變?yōu)?。

F.基于單類分類方法的建筑物變化初步提取

本發(fā)明采用單類分類方法對(duì)步驟E得到的兩時(shí)相路域?qū)ο筇卣鲌D像進(jìn)行分類，以得到初步的建筑物變化結(jié)果(新增建筑物)。本發(fā)明采用的單類分類方法是單類支持向量機(jī)，一種有效而被廣泛采用的分類方法。

單類支持向量機(jī)是一種特殊的支持向量機(jī)，由等(1999)提出，用來估計(jì)高維數(shù)據(jù)的分布。單類支持向量機(jī)可以看作是兩類分類的支持向量機(jī)，但所有的訓(xùn)練樣本數(shù)據(jù)均在第一類別里產(chǎn)生，而視原點(diǎn)的數(shù)據(jù)為第二類別唯一成員。單類支持向量機(jī)只提取感興趣的目標(biāo)類(Target class)，而不提取非目標(biāo)類，也即負(fù)類(Outlier class)，這與傳統(tǒng)兩類支持向量機(jī)不同。例如，數(shù)據(jù)由若干個(gè)類別的物體組成，當(dāng)我們只對(duì)其中的A類物體感興趣時(shí)，只要提供A類單一類別的訓(xùn)練樣本，通過估計(jì)參數(shù)，得到分類器f(x)，就可以判斷一個(gè)位置的物體x是否屬于A類。

單類支持向量機(jī)的目的是，為目標(biāo)類找到一個(gè)邊界或者描述，使得它能夠盡可能多地包含目標(biāo)類物體，同時(shí)最小化包含負(fù)類物體的可能性。利用核函數(shù)解決單類支持向量機(jī)優(yōu)化問題，等于求解以下雙二次規(guī)劃問題：

其中且這里，αi是拉格朗日乘子，可以被認(rèn)為是樣本x這類向量的影響與非零向量的影響，被稱為支持向量，并且唯一決定最優(yōu)超平面；ν是控制超平面包含的數(shù)據(jù)點(diǎn)最大數(shù)量與超平面到原始數(shù)據(jù)距離的參數(shù)；1是訓(xùn)練數(shù)據(jù)集中點(diǎn)的數(shù)量，K(xi，xj)是核函數(shù)。通過使用核函數(shù)在特征空間中表達(dá)輸入的矢量，允許非線性判別邊界。經(jīng)常使用的核函數(shù)有四種：線性內(nèi)核、多項(xiàng)式內(nèi)核、sigmoid非線性內(nèi)核和高斯RBF內(nèi)核。本發(fā)明采用RBF核函數(shù)，這是一種被廣泛采用的核函數(shù)。

與單類支持向量機(jī)相關(guān)的兩個(gè)參數(shù)需要調(diào)試，即γ和ν。參數(shù)γ控制著RBF核函數(shù)的寬度，而參數(shù)ν代表了訓(xùn)練樣本中被分類器拒絕的比例的上限(1999)。根據(jù)現(xiàn)有的研究結(jié)果，本發(fā)明將參數(shù)ν限制在0.05以下，即至多允許5％的訓(xùn)練樣本被拒絕。在固定ν之后，來尋找最優(yōu)的γ₀。采用(2003)提出的尋找最優(yōu)參數(shù)γ和ν組合的方法。首先固定ν，讓?duì)靡宰銐虼蟮闹迪?靠近，隨著γ的減少，訓(xùn)練精度將逐漸提高。當(dāng)訓(xùn)練精度第一次達(dá)到1-ν時(shí)，停止移動(dòng)γ，此時(shí)γ是最優(yōu)的，用于最終的分類。

為了利用單類支持向量機(jī)從兩時(shí)相路域?qū)ο筇卣鲌D像提取新增建筑物，需要利用兩個(gè)時(shí)相的高分辨率圖像來選取新增建筑物(目標(biāo)類)的已知樣本，作為訓(xùn)練樣本，用于單類支持向量機(jī)分類方法的訓(xùn)練和參數(shù)確定。

G.陰影提取

本發(fā)明利用第二個(gè)時(shí)相的圖像陰影信息來改進(jìn)初始提取的新增建筑物結(jié)果，因此，準(zhǔn)確的陰影信息對(duì)結(jié)果改進(jìn)有直接的影響。在現(xiàn)有的研究中，有不少提取陰影的方法。例如，利用單類分類方法或多類分類方法直接通過分類來得到陰影信息。也有其它的簡便快捷的陰影提取方法。

本發(fā)明推薦采用直方圖閾值法(Zhou et al.，2009)從第二個(gè)時(shí)相的圖像中提取陰影。該方法是基于陰影區(qū)和和非陰影區(qū)在亮度上的明顯不同來區(qū)分陰影的。該方法假設(shè)一個(gè)圖像的直方圖是雙峰的，一般來說，陰影(或暗物體)位于直方圖低亮度值的一端，而非陰影區(qū)則位于高亮度值的一端，如圖2所示。通過試錯(cuò)過程，來找到合適的低谷點(diǎn)Bt，作為合適的提取閾值。小于Bt的一端為陰影(或暗物體)區(qū)，大于Bt的一端為非陰影區(qū)。

在本發(fā)明中，采用亮度圖像的直方圖來確定區(qū)分陰影區(qū)和非陰影區(qū)的合適閾值(Zhou等，2009)，亮度圖像為3個(gè)波段(近紅外波段，紅波段和綠波段)的平均值圖像。由于本發(fā)明采用面向?qū)ο蟮姆椒?，而得到的?duì)象亮度均值圖像的直方圖沒有較明顯的雙峰，因此，首先采用的基于像素的亮度圖像(即原始的亮度圖像)的直方圖來確定合適的閾值用以區(qū)分陰影區(qū)與非陰影區(qū)，然后將得到的陰影區(qū)分閾值用于對(duì)象亮度均值圖像，得到面向?qū)ο蟮年幱疤崛〗Y(jié)果。

H.基于陰影的建筑物變化結(jié)果優(yōu)化

為了得到更高精度的新增建筑物提取結(jié)果，本發(fā)明利用步驟G得到的第二個(gè)時(shí)相的陰影圖像來優(yōu)化改進(jìn)步驟F得到的新增建筑物提取初始結(jié)果。具體實(shí)現(xiàn)可概括為，將上述兩個(gè)圖像進(jìn)行疊加，對(duì)于新增建筑物提取初始結(jié)果中的任何一個(gè)提取的新增建筑物，如果其鄰域(1-3個(gè)像元的緩沖區(qū)范圍內(nèi))存在陰影，則可以確認(rèn)該提取的新增建筑區(qū)是正確的，否則，認(rèn)為該提取的新增建筑區(qū)是誤分的，即其它地物類別被誤分為新增建筑物，則從初始的提取結(jié)果中將其剔除。這樣，對(duì)初始的提取結(jié)果進(jìn)行了局部修正，得到了最終的新增建筑物提取結(jié)果。

有益效果，通過本發(fā)明所提供的利用高空間分辨率的新增建筑物提取方法，可大大減少傳統(tǒng)的利用圖像目視解譯來獲取道路路域新增建筑物(包括違法建筑物)所需的時(shí)間，提高效率，節(jié)省人力資源，可用于道路維護(hù)和監(jiān)測(cè)業(yè)務(wù)運(yùn)行系統(tǒng)中。

為了展示本發(fā)明的具體實(shí)施方式，以京秦高速(北京-秦皇島高速公路)三河市附近地區(qū)圖像為例，詳細(xì)說明各步驟的具體操作流程和所用參數(shù)。

實(shí)驗(yàn)區(qū)和數(shù)據(jù)：實(shí)驗(yàn)區(qū)域?yàn)镚1N京秦高速三河市地段，位于京秦高速和204省道(S204)交界周邊地區(qū)。所采用的圖像數(shù)據(jù)為WorldView-2融合圖像，即多光譜和全色融合圖像，圖像分辨率為0.5米。采用的兩個(gè)時(shí)相的WorldView-2數(shù)據(jù)獲取時(shí)間分別為2014年08月10日和2015年09月18日。實(shí)驗(yàn)中采用圖像包括3個(gè)波段，即紅、綠和藍(lán)色波段。最終采用的圖像大小為1232*791像元(圖2(a)和2(b))。為了驗(yàn)證本發(fā)明所提出的方法的性能，對(duì)兩個(gè)時(shí)相的圖像進(jìn)行目視解譯，并手動(dòng)繪出新增的建筑物(圖2(c)，其中黑色代表新增建筑物)，作為參考數(shù)據(jù)，計(jì)算本發(fā)明所提出的提取方法的精度。

關(guān)鍵步驟所用的參數(shù)：首先采用基于形態(tài)學(xué)的多層次分割方法對(duì)實(shí)驗(yàn)區(qū)的兩個(gè)時(shí)相的Worldview-2多光譜圖像(共6個(gè)波段)進(jìn)行圖像分割，獲得圖像對(duì)象圖像(分割結(jié)果)。分割方法所涉及的參數(shù)包括計(jì)算多光譜梯度時(shí)的尺度設(shè)置為3，分水線動(dòng)態(tài)范圍的閾值為2。為計(jì)算形態(tài)學(xué)建筑物指數(shù)，首先分別對(duì)兩個(gè)時(shí)相的3波段圖像計(jì)算最大值合成圖像，然后利用最大值圖像計(jì)算形態(tài)學(xué)建筑物指數(shù)。根據(jù)實(shí)驗(yàn)區(qū)建筑物及其它地物類別的大小，所涉及的計(jì)算形態(tài)學(xué)剖面的尺度設(shè)為10。在利用單類支持向量機(jī)對(duì)道路路域的對(duì)象圖像進(jìn)行分類時(shí)，通過實(shí)驗(yàn)確定的兩個(gè)參數(shù)分別為：γ-0.45，ν-0.01。在利用第二個(gè)時(shí)相的陰影信息來優(yōu)化改進(jìn)初始提取結(jié)果時(shí)所設(shè)置的鄰域范圍(緩沖區(qū))為1個(gè)像元。

實(shí)驗(yàn)結(jié)果：圖2(d)和2(e)顯示利用本發(fā)明提出的方法提取的新增建筑物結(jié)果，包括沒有利用陰影改進(jìn)和利用陰影改進(jìn)的提取結(jié)果(圖中黑色代表新增建筑物)。從圖中可以看出，新增建筑物能較準(zhǔn)確地提取出來，在沒有利用陰影改進(jìn)的提取結(jié)果中，在一些局部位置(如道路)存在一定的誤分(虛警)；但利用陰影信息優(yōu)化改進(jìn)后，這些誤分被消除了，結(jié)果明顯改進(jìn)了。表1為新增建筑物提取結(jié)果的精度，從表中可以看出，總體精度高于90％，Kappa系數(shù)也高于90％，虛警率和漏警率均低于10％。利用陰影進(jìn)行改進(jìn)后精度略有提高。

表1 本發(fā)明所提出的方法在實(shí)驗(yàn)區(qū)的提取精度(％)

PA：生產(chǎn)者精度；UA：用戶精度；OA：總體精度

以上所述，僅為本發(fā)明專利較佳的具體實(shí)施方式，但本發(fā)明專利的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明專利揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明專利的保護(hù)范圍之內(nèi)。