《利用灰度共生矩阵纹理特征识别空心村损毁建筑物的方法》由会员分享，可在线阅读，更多相关《利用灰度共生矩阵纹理特征识别空心村损毁建筑物的方法（7页珍藏版）》请在金锄头文库上搜索。
1、利用灰度共生矩阵纹理特征识别空心村损毁建筑物的方法 谢嘉丽 李永树 李何超 吴玺 西南交通大学地球科学与环境工程学院 四川省土地统征事务中心 摘 要： 从无人机影像上快速识别空心村损毁建筑物, 不仅能精确掌握损毁建筑物的位置分布, 还能为实地调研提供指导材料。本文首先在试验区范围内获取建筑物影像, 并对这些建筑物逐一标记。然后以单个建筑物为对象, 计算纹理特征参数和光谱特征参数, 选取与损毁程度正相关的参数标准化后组成特征参数向量, 根据向量的可视化结果获取损毁建筑物的分布、损毁程度等信息。试验结果表明, 该方法能实现从无人机影像上识别出损毁建筑物, 并能对建筑物的损毁程度得到初步认识, 可以
2、有效实现高分辨率影像中空心村损毁建筑物的识别。关键词： 灰度共生矩阵; 纹理特征; 光谱特征; 空心村; 损毁建筑物; 作者简介：谢嘉丽 (1992) , 女, 博士生, 主要从事遥感影像处理及识别方面的研究工作。E-mail:收稿日期：2017-03-15基金：“十二五”国家科技支撑项目 (2014BAL01B00) Recognition of Damage Buildings in Hollow Village Based on Texture Feature of Gray Level Co-occurrence MatrixXIE Jiali LI Yongshu LI Hechao
3、 WU Xi Faculty of Geosciences and Environmental Engineering, Southwest Jiaotong University; Center of Land Acquisition and Consolidation in Sichuan Province; Abstract： Rapid recognition of hollow villages from UAV images can not only accurately get location distribution of damaged buildings, but als
4、o provide guidance material for field investigation.This paper presents a method of visualizing damage buildings in hollow villages.Firstly, we mark the buildings one by one in experimental area.Then, the texture and spectral feature parameters of each building are calculated.For a single building,
5、parameters that are positively correlated with the level of damage are normalized to form a parameter vector.Finally, the distribution and damage level of damaged buildings can be exhibited according to the visualization results of parameter vectors.Experimental results show that this method can rea
6、lize recognizing damage buildings in UAV images, and get initial understanding of buildings damage level.In summary, this method can effectively and rapidly realize the recognition of damaged buildings with high resolution images.Keyword： gray-level co-occurrence matrix; textural feature; spectral f
7、eature; hollow village; damage building; Received： 2017-03-15近年来, 我国农村聚落大规模“空心化”, 损毁的房屋逐渐增多, 如何快速提取农村的建筑物损毁信息, 为决策部门开展空心村综合整治工作提供技术支持成为一个研究热点问题。对于建筑物损毁信息的提取, 目前主要采用外业调查和遥感影像人工解译两种方式, 但这两种方式不仅要耗费大量的人力、物力, 而且制图周期长, 效率低1。因此, 快速从高分影像上获取损毁建筑物的位置、分布规律等信息, 对空心村土地综合整治的外业调查、空心化评价、土地整理方案制定等环节的顺利开展具有重要意义。目前, 针
8、对损毁建筑物信息的提取, 已有许多学者开展了大量的研究工作, 这些研究主要根据损毁建筑物的光谱、纹理和几何特征实现2-3。王慧敏在影像多尺度分割的基础上, 结合纹理特征及几何特征, 通过规则集的方法构成分类树提取损毁房屋4。刘宇使用形态学属性剖面 (MAP) 与局部二值模式 (LBP) 算子提取图像中的几何特征与纹理特征;然后使用随机森林 (RF) 分类器提取损毁的建筑物, 形成初步结果;最后针对分割的对象, 根据对象损毁像元所占的比例获取最终的损毁建筑物区域5。吴剑把所有非损毁建筑物信息作为环境背景, 通过掩膜层层分割剔除, 最后只留下震害损毁建筑物信息6。但是, 上述的损毁建筑物提取方法主
9、要针对震害损毁的建筑物。这类建筑物的损毁情况严重, 范围集中且广泛, 损毁特征明显7。而空心村建筑物的损毁主要是由于年久失修造成, 损毁程度较轻, 分布零散。因此, 上述方法对空心村损毁建筑物识别仍具有一定的局限性。为提高获取空心村损毁建筑物信息的效率, 本文提出一种利用多参数组合向量判定建筑物损毁情况的方法, 重点利用纹理特征参数和光谱特征参数量化建筑物的特征, 根据特征向量可视化的方式, 直观表达损毁建筑物的空间位置和损毁情况, 为有关决策部门提供信息支持。1 建筑物损毁定量化研究的基本思路和模型单个地物 (主要是建筑物) 的损毁识别程度, 与影像信息源类型、对象尺度、获取时的气象条件等多
10、种因素相关8。纹理特征是一种不依赖于颜色或亮度而反映图像中同质现象的视觉特征, 能包含物体表面结构排列的信息, 因此, 纹理特征被广泛应用于遥感影像分类和目标识别领域。Haralick 于 1973 年提出了 14 种用于分析灰度共生矩阵的特征参数9, 但这些特征并非都是不相关的, 计算中存在大量冗余。研究者通常会按照需求选择最有利的特征, 如:逆差矩、对比度和熵具有最大的识别能力, 角二阶矩、对比度、逆差分矩和相关性是不相关的特征10。常用于建筑物损毁识别的主要特征参数有熵、能量、相关度、同质性和对比度8,11-14。经过统计试验得出这些参数与建筑物损毁的相关关系见表 1。表 1 纹理特征参
11、数与建筑物损毁的相关关系 下载原表 损毁建筑物的屋顶色彩噪声很大, 纹理沟纹深浅程度不一, 造成灰度共生矩阵熵和对比度的数值较大, 呈明显的正相关关系。这两个特征参数的计算公式为式中, p (i, j) 为灰度为 i 的像素与灰度为 j 的像素同时出现的概率。此外, 从影像的光谱特征上分析, 影像 RGB3 个分量的标准偏差反映了影像色彩在 R、G、B 3 个方向上的变化范围, 由于色彩的随机性, 损毁建筑物的标准偏差比完好建筑物的大, 因此, 与建筑物损毁程度正相关。最大标准偏差值的计算公式为式中, 为 L 个分量的均值; 为 L 分量上第 i 个像素的值。综上所述, 选取灰度共生矩阵熵、灰
12、度共生矩阵对比度、最大标准偏差值标准化到0, 255区间内, 并组合成损毁建筑物特征参数向量为以特征参数向量作为 RGB 色彩, 将色彩显示到对应的建筑物图斑可得到建筑物损毁特征参数可视化效果图, 可根据图上的色彩和亮度分析建筑物损毁情况。本文在建筑物纹理参数和光谱参数的基础上, 构建建筑物特征参数向量, 通过参数向量可视化的方式达到获取建筑物损毁信息的目的, 具体过程如图 1 所示。图 1 损毁建筑物识别流程 下载原图2 试验与分析2.1 数据来源为检验方法的有效性, 选取四川省成都市近郊某空心村作为试验区。试验使用的数据有:空间分辨率为 0.2 m 无人机正射影像, 比例尺为 11000
13、的数字线划图 (DLG) 。试验区影像如图 2 所示, 从影像上可以看出该区域内建筑物比较分散, 损毁建筑物较多但不集中。图 2 试验区无人机影像 下载原图2.2 数据准备DLG 上包含了大量的地物、地形信息, 首先根据属性筛选出建筑物的边界, 并与影像配准, 得到建筑物矢量图。试验所用的无人机影像是最新获取的, 而DLG 为第二次全国土地调查的成果, 两种数据之间存在一定的变化信息, 因此要对建筑物矢量图进行更新, 查缺补漏。以影像为底图, 矢量图为掩模裁切出建筑物影像, 并输出为 TIF 格式影像, 如图 3 所示, 共裁切出 603 个建筑物的影像, 然后对建筑物影像依次进行编号标记。图
14、 3 建筑物影像 下载原图从图 3 中可以看出, 除了建筑物区域, 该图中存在大量的空白区域, 若以此为输入数据计算纹理特征参数和光谱特征参数, 会导致大量的冗余计算过程, 对计算机的内存要求更高。因此, 为了提高计算效率, 创建 603 行、1 列的元胞数组 C, 按照标记顺序将标记为 i 的建筑物以最小外接矩形的大小存入元胞数组第 i 行、第 1 列的元胞中, 即元胞数组中的每一个元胞都包含一个空白区域尽量小的建筑物影像数据, 表 2 为部分元胞中的影像数据示例。表 2 元胞中影像数据示例 下载原表 2.3 参数计算及可视化首先计算纹理特征参数, 依次提取元胞数组中的建筑物 Ci, 1,
15、计算 0、45、90、135且灰度间隔为 2 的 16 阶灰度共生矩阵, 求出 4 个方向灰度共生矩阵的均值15并归一化。根据归一化共生矩阵及式 (1) 、式 (2) 计算灰度共生矩阵熵和灰度共生矩阵对比度。接着依次提取元胞数组中的建筑物 Ci, 1, 灰度化建筑物影像并根据式 (3) 计算 RGB 分量最大标准偏差值。计算完成后将灰度共生矩阵熵、灰度共生矩阵对比度和 RGB 分量最大标准偏差值分别标准化到0, 255区间, 将标准化结果组合成三维的特征参数向量。以特征参数向量作为 RGB 色彩的 3 个分量, 则每一个特征参数向量都对应一种颜色。将建筑物显示为相应的特征参数向量所代表的颜色,
16、 如图 4 (a) 所示。图 4 (a) 中, 颜色偏红的建筑物, 说明其灰度共生矩阵熵较大, 损毁特征为纹理沟深大, 多为有宽大裂缝的损毁。颜色偏绿, 说明该建筑物灰度共生矩阵对比度大, 多为屋顶有大面积缺口的建筑物, 缺口在影像上的颜色较深, 因此整个建筑物颜色对比度大。试验区域位于空心村, 屋顶颜色主要呈现灰色, 灰色的 RGB 3 个色彩分量比较均匀, 特征参数向量对应的颜色偏蓝, 说明某一色彩分量值偏大, 可能是用了其他色彩的铁皮等材料修补过的损毁建筑物。另外, 将特征参数向量 3 个分量的最大值作为对应建筑物的灰度值, 显示为灰度影像, 如图 4 (b) 所示, 图中越亮的建筑物损毁情况越严重。图 4 建筑物特征参数向量可视化 下载原图3 结语无人机影像上的建筑物自动识别与解译仍是一个值得深入研究的问题, 本文针对城镇近郊区空心村损毁建筑物信息识别的问题, 提出了一种基于遥感影像纹理特征参
