基于數(shù)據(jù)場(chǎng)和密度聚類的高分辨率影像居民區(qū)提取

岳夢(mèng)雪， 秦昆,2， 張恩兵， 張曄， 曾誠(chéng)

(1.武漢大學(xué)遙感信息工程學(xué)院，武漢 430079； 2.地球空間信息技術(shù)協(xié)同創(chuàng)新中心，武漢 430079)

基于數(shù)據(jù)場(chǎng)和密度聚類的高分辨率影像居民區(qū)提取

岳夢(mèng)雪1， 秦昆1,2， 張恩兵1， 張曄1， 曾誠(chéng)1

(1.武漢大學(xué)遙感信息工程學(xué)院，武漢 430079； 2.地球空間信息技術(shù)協(xié)同創(chuàng)新中心，武漢 430079)

數(shù)據(jù)場(chǎng)通過模擬物理場(chǎng)中對(duì)象間的相互作用，來描述數(shù)據(jù)對(duì)象間的相互作用關(guān)系。數(shù)據(jù)場(chǎng)中的勢(shì)值高低反映對(duì)象間相關(guān)程度，故在遙感影像中可用數(shù)據(jù)場(chǎng)來刻畫像元間的空間相關(guān)性特征。提出了一種基于數(shù)據(jù)場(chǎng)和密度聚類的高分辨率居民區(qū)有效提取的方法。首先，利用數(shù)據(jù)場(chǎng)計(jì)算遙感影像的勢(shì)值特征圖像； 然后，對(duì)勢(shì)值圖像進(jìn)行分水嶺分割，提取分割所得對(duì)象塊的形心； 最后，對(duì)形心進(jìn)行基于密度的聚類，從而實(shí)現(xiàn)居民區(qū)提取。實(shí)驗(yàn)結(jié)果表明，基于此方法進(jìn)行高分辨率遙感影像的居民區(qū)提取相對(duì)于傳統(tǒng)方法具有更好的魯棒性和高效性。

數(shù)據(jù)場(chǎng)； 空間相關(guān)性； 密度聚類； 高分辨率遙感影像； 居民區(qū)提取

0 引言

對(duì)居民區(qū)的準(zhǔn)確和有效提取，將會(huì)為地理國(guó)情普查、土地利用管理和城市規(guī)劃等應(yīng)用提供重要的基礎(chǔ)信息支持。在當(dāng)前廣泛應(yīng)用的高空間分辨率(以下簡(jiǎn)稱“高分”)遙感影像中，復(fù)合居民區(qū)對(duì)象內(nèi)部包含豐富的紋理結(jié)構(gòu)和空間布局模式等信息，通常利用其紋理特征[1-2]、角點(diǎn)特征[3]和邊緣特征[4-5]，結(jié)合分割、空間投票和分類等方法實(shí)現(xiàn)居民區(qū)提取，但這些特征有些較為底層，居民區(qū)提取效率或精度偏低。因此，對(duì)空間結(jié)構(gòu)特征的準(zhǔn)確建模表達(dá)和有效利用，成為當(dāng)前高分影像居民區(qū)提取的關(guān)鍵研究問題之一。

數(shù)據(jù)場(chǎng)是一種描述空間數(shù)據(jù)對(duì)象間相關(guān)性結(jié)構(gòu)特征的有效方法，在遙感影像的結(jié)構(gòu)特征描述中已有學(xué)者做過探索[6]。通過將影像像元類比成電場(chǎng)中的質(zhì)點(diǎn)，以影像灰度值類比為質(zhì)點(diǎn)電荷量，則影像的中心像元與鄰域像元通過數(shù)據(jù)場(chǎng)相互作用[7]，產(chǎn)生了反映相互作用大小的勢(shì)值，進(jìn)而得到類似于物理場(chǎng)的影像數(shù)據(jù)場(chǎng)，勢(shì)值的高低反映了局部空間范圍內(nèi)像素屬性相關(guān)性的強(qiáng)烈程度，因而可用于揭示空間結(jié)構(gòu)特征[8-10]。

為此，本文提出了一種基于數(shù)據(jù)場(chǎng)和密度聚類的高分辨率遙感影像居民區(qū)提取方法。首先，對(duì)原始影像進(jìn)行數(shù)據(jù)場(chǎng)特征計(jì)算； 然后，將面向?qū)ο蠓椒☉?yīng)用到后續(xù)處理中，采用分水嶺算法對(duì)獲得的特征圖像進(jìn)行對(duì)象分割，得到相關(guān)性特征明顯的各對(duì)象單元； 最后，引入密度聚類算法，將各分割對(duì)象進(jìn)行聚類，得到最終的居民區(qū)提取結(jié)果。由于采用了面向?qū)ο蠛兔芏染垲惙椒▉磉M(jìn)行目標(biāo)的快速識(shí)別，從而在計(jì)算效率和提取的準(zhǔn)確性方面較傳統(tǒng)方法都有明顯的改善。

1 理論與算法描述

1.1 數(shù)據(jù)場(chǎng)特征計(jì)算

給定數(shù)據(jù)空間Ω中的一個(gè)數(shù)據(jù)粒子位于x處，則該粒子在任意點(diǎn)y∈Ω處產(chǎn)生的勢(shì)值φx(y)為

(1)

式中：m≥0代表場(chǎng)源強(qiáng)度，用數(shù)據(jù)對(duì)象質(zhì)量表示； e為自然底數(shù)；σ∈(0,+∞)為影響因子，用于控制數(shù)據(jù)對(duì)象之間的相互作用歷程；k∈N為距離指數(shù)，當(dāng)k=2時(shí)，勢(shì)函數(shù)對(duì)應(yīng)核力場(chǎng)的高斯勢(shì)函數(shù)。若將一幅大小為m×n的圖像中每個(gè)像元點(diǎn)視為二維空間中的一個(gè)數(shù)據(jù)對(duì)象，像元點(diǎn)的灰度ρij=ρ(i,j)(i=1,2,…,m;j=1,2,…,n)視為數(shù)據(jù)對(duì)象的質(zhì)量，根據(jù)數(shù)據(jù)場(chǎng)的勢(shì)函數(shù)公式，以及數(shù)據(jù)場(chǎng)的疊加性，則所有像元點(diǎn)與其鄰域像元在二維圖像空間中的相互作用，就可以確定一個(gè)圖像數(shù)據(jù)場(chǎng)，而場(chǎng)中在位置處的數(shù)據(jù)勢(shì)值計(jì)算公式為

(2)

式中：ρx和ρij分別為位置x,(i,j)處像元灰度值； |ρx-ρij|代表場(chǎng)源強(qiáng)度。

為了能讓數(shù)據(jù)場(chǎng)更全面、更準(zhǔn)確地反映在遙感影像中，整個(gè)鄰域內(nèi)灰度屬性的相關(guān)性，使其具有更強(qiáng)的抗噪能力，本文考慮將窗口內(nèi)的每一像元看作中心像元，綜合考慮窗口內(nèi)的所有像元，進(jìn)而描述像元灰度的統(tǒng)計(jì)特性。給定位置x處像元為中心，其局部鄰域Ω包含N個(gè)相鄰對(duì)象，且相鄰元素在各自位置處均產(chǎn)生數(shù)據(jù)場(chǎng)，并具有相應(yīng)勢(shì)值，則在該局部鄰域Ω內(nèi)，x點(diǎn)的遙感影像數(shù)據(jù)場(chǎng)勢(shì)函數(shù)，可表示為

(3)

圖1 像元間的相互作用

基于遙感影像數(shù)據(jù)場(chǎng)所計(jì)算的特征更好地兼顧了鄰近像元?jiǎng)葜祵?duì)中心像元的影響，對(duì)影像內(nèi)部潛在的空間結(jié)構(gòu)特性具有更好的刻畫。由于高分辨率影像的每個(gè)像元處都有其對(duì)應(yīng)的數(shù)據(jù)場(chǎng)勢(shì)特征值，因此，所有的像元便重新構(gòu)成一幅數(shù)據(jù)場(chǎng)特征圖像。

1.2 分割與形心密度聚類

遙感影像中，居民區(qū)內(nèi)部的建筑物屋頂屬性相似性較高，則建筑物目標(biāo)在數(shù)據(jù)場(chǎng)特征圖像中，對(duì)應(yīng)的特征值較高，同時(shí)背景等區(qū)域特征值大小差異性較大。因此，針對(duì)數(shù)據(jù)場(chǎng)特征圖像中不同區(qū)域特征值差異較大的現(xiàn)象，使用分水嶺方法分割[11]，以獲得不同目標(biāo)對(duì)象塊。由于居民區(qū)是由多個(gè)房屋建筑聚集而成的復(fù)合地物目標(biāo)，故在分割過程中會(huì)產(chǎn)生較多對(duì)象塊，該類對(duì)象塊分布較為密集、形心密度較高，異于農(nóng)田、森林植被及水域等其他屬性相似性較高的背景區(qū)域。因此，可根據(jù)對(duì)象塊形心的密度來區(qū)分居民區(qū)目標(biāo)與背景區(qū)域。

基于密度的聚類算法，從對(duì)象分布密度出發(fā)，把一定密度的區(qū)域進(jìn)行連接，從而發(fā)現(xiàn)不同的團(tuán)簇和區(qū)域。常用的基于密度聚類的算法有很多，其中DBSCAN算法[12]較為常用，該方法根據(jù)數(shù)據(jù)對(duì)象的密度，將對(duì)象聚成不同的類，所聚集成的類無(wú)形狀限制，且具有一定的抗噪性，可以在具有噪聲的數(shù)據(jù)中獲得目標(biāo)類簇。由于DBSCAN算法的聚類效果與Eps和MinPts相關(guān)，而遙感影像中，決定地物類別的不只是一定范圍內(nèi)地物特征點(diǎn)的密度，還與其屬性特征相關(guān)，如灰度特征。因此，在Eps鄰域內(nèi)，當(dāng)特征點(diǎn)同時(shí)滿足密度條件和灰度特性才被認(rèn)為是同一類地物，故實(shí)驗(yàn)所需給定的參數(shù)包括Eps和MinPts以及遙感影像灰度特征控制參數(shù)g。DBSCAN算法對(duì)定義的參數(shù)敏感，參數(shù)上細(xì)微的改變都可引起結(jié)果出現(xiàn)巨大的變化，因此本文通過試錯(cuò)法確定參數(shù)。

1.3 居民區(qū)提取方法

在特征圖像計(jì)算方法和相關(guān)參數(shù)確定后，建立基于數(shù)據(jù)場(chǎng)和密度聚類的高分辨率居民區(qū)提取方法的算法流程，如圖2所示。

圖2 居民區(qū)提取流程圖

關(guān)鍵步驟如下：

1)利用數(shù)據(jù)場(chǎng)理論公式(3)，確定合適的影像因子σ，計(jì)算遙感影像的數(shù)據(jù)場(chǎng)勢(shì)值特征。

2)使用標(biāo)記符控制的分水嶺分割方法，對(duì)遙感影像的數(shù)據(jù)場(chǎng)特征圖像進(jìn)行分割。

3)對(duì)圖像分割所得到的對(duì)象塊，分別求取其形心，得到形心集合C。

4)確定聚類參數(shù)，對(duì)形心集合C進(jìn)行基于密度的聚類，根據(jù)聚類結(jié)果獲取屬于居民區(qū)對(duì)象的標(biāo)簽集合，通過標(biāo)簽找到居民區(qū)對(duì)象塊。

5)利用形態(tài)學(xué)方法開閉運(yùn)算進(jìn)行后處理，合并居民區(qū)對(duì)象塊，最終得到居民區(qū)提取結(jié)果。

2 實(shí)驗(yàn)與分析

為了驗(yàn)證本文算法的魯棒性與有效性，選取3種不同傳感器的影像數(shù)據(jù)，每種傳感器選擇2個(gè)實(shí)驗(yàn)區(qū)，對(duì)所獲得的實(shí)驗(yàn)區(qū)遙感影像數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)區(qū)QB1和QB2為分辨率0.61 m的QuickBird影像數(shù)據(jù)，大小分別為1 022像元×1 108像元和806像元×604像元； 實(shí)驗(yàn)區(qū)WV1和WV2為分辨率0.52 m的WordView2影像數(shù)據(jù)，大小分別為2 160像元×2 251像元和761像元×919像元； 實(shí)驗(yàn)區(qū)ZY1和ZY2為分辨率2.1 m的資源三號(hào)影像數(shù)據(jù)，大小分別為1 029像元×687像元和1 199像元×408像元。所選取的遙感影像實(shí)驗(yàn)數(shù)據(jù)均充分包含居民區(qū)和復(fù)雜地物背景，能滿足實(shí)驗(yàn)所要達(dá)到的目的。實(shí)驗(yàn)區(qū)QB1如圖3所示。

(a) 原始影像 (b) 數(shù)據(jù)場(chǎng)勢(shì)值特征圖像

圖3實(shí)驗(yàn)區(qū)QB1

Fig.3ExperimentalzoneQB1

計(jì)算實(shí)驗(yàn)區(qū)QB1的原始影像數(shù)據(jù)場(chǎng)勢(shì)值，其勢(shì)值特征圖像描繪如圖3(b)，從圖中可以發(fā)現(xiàn)，顏色較明亮的區(qū)域?yàn)閿?shù)據(jù)場(chǎng)勢(shì)值高的區(qū)域。對(duì)比數(shù)據(jù)原始影像圖可以發(fā)現(xiàn)，該區(qū)域?qū)?yīng)為居民區(qū)建筑部分。在影響因子σ確定的情況下，高分辨率影像數(shù)據(jù)場(chǎng)勢(shì)值的大小與像元的屬性值和像元間的空間相關(guān)性2個(gè)因素有關(guān)。取影像中像元的灰度值作為屬性值，在數(shù)據(jù)原始影像圖中，組成居民區(qū)的建筑物具有相似的灰度屬性，因此像元的屬性值間的差異較小，故可推斷數(shù)據(jù)場(chǎng)勢(shì)值高的區(qū)域，其空間相似性高，而這一推斷亦符合實(shí)際情況，即建筑物本身內(nèi)部的相似性顯著高于建筑物與其相鄰地物間的相似性，所以，數(shù)據(jù)場(chǎng)勢(shì)值可以作為有效描述居民區(qū)的特征值。

為了衡量對(duì)遙感影像中居民區(qū)提取的效果，需對(duì)結(jié)果進(jìn)行精度評(píng)定，本文以查全率R和查準(zhǔn)率P作為參照，以二者的調(diào)和平均值F1測(cè)度作為主要的評(píng)價(jià)依據(jù)，其定義分別為

(4)

(5)

(6)

式中：TP為真正類，表示提取的居民區(qū)是真實(shí)居民區(qū)的像元數(shù)目；FP為假正類，表示提取的居民區(qū)是非居民區(qū)的像元數(shù)目；FN為假負(fù)類，表示提取的非居民區(qū)是居民區(qū)的像元數(shù)目。

首先，直接利用分水嶺圖像分割方法對(duì)遙感影像數(shù)據(jù)進(jìn)行分割，由于原始影像數(shù)據(jù)中地物信息較復(fù)雜，對(duì)應(yīng)的梯度幅度圖像中高值間的差異較小，會(huì)出現(xiàn)欠分割現(xiàn)象，影響居民區(qū)的提取效果。由于高分辨率數(shù)據(jù)場(chǎng)勢(shì)值大小可反映地物的結(jié)構(gòu)特性，分水嶺分割方法的浸水思想在此情況下可以發(fā)揮優(yōu)勢(shì)，故計(jì)算遙感影像的數(shù)據(jù)場(chǎng)特征圖像后進(jìn)行分割，可改善欠分割現(xiàn)象。但由于居民區(qū)是各獨(dú)立居民建筑的集合，因而利用數(shù)據(jù)場(chǎng)特征圖像分割所得結(jié)果是各獨(dú)立建筑的目標(biāo)塊。以每個(gè)目標(biāo)塊的形心代表分割的結(jié)果如圖4所示。

(a) 原始影像直接分割后(b) 數(shù)據(jù)場(chǎng)特征圖像分割后目標(biāo)塊形心目標(biāo)塊形心

圖4分割結(jié)果的形心

Fig.4Centroidsofsegmentationresults

從圖4(b)中可以看出，在高勢(shì)值區(qū)域，形心點(diǎn)密度較大，即分割得到的目標(biāo)塊較多，代表該區(qū)域建筑物分布密集為居民區(qū)。相反，勢(shì)值較低的區(qū)域，在分水嶺分割過程中，視為地勢(shì)較低處，分割得到的目標(biāo)塊較大，在一定范圍的區(qū)域中，目標(biāo)塊越大數(shù)量就越少，故這一類的目標(biāo)塊形心分布較稀疏，而農(nóng)田或裸地這一類地物符合這種特性。

然后，根據(jù)目標(biāo)塊形心點(diǎn)密度的大小差異與分布特性，可對(duì)其進(jìn)行基于密度的聚類，以獲取完整的居民區(qū)域。本文使用綜合像元灰度屬性的DBSCAN算法實(shí)現(xiàn)對(duì)目標(biāo)塊的聚類。聚類結(jié)果中，核心點(diǎn)所代表的對(duì)象塊為居民區(qū)內(nèi)部地物塊，邊緣點(diǎn)則對(duì)應(yīng)過渡區(qū)地物塊，噪聲點(diǎn)代表非居民區(qū)地物塊。因此，剔除聚類結(jié)果中的噪聲點(diǎn)，對(duì)剩余點(diǎn)所對(duì)應(yīng)的分散目標(biāo)區(qū)域塊利用形態(tài)學(xué)開閉運(yùn)算方法進(jìn)行合并，特殊情況下需要進(jìn)行空洞填充或小面積區(qū)域?yàn)V除，最終可獲得目標(biāo)居民區(qū)。若高分辨率影像中出現(xiàn)大尺度地物，且無(wú)法確定其是否為居民建筑物時(shí)，要同時(shí)剔除噪聲點(diǎn)和邊緣點(diǎn)，再進(jìn)行居民區(qū)提取。最后，把提取出的居民區(qū)與原圖疊加，結(jié)果如圖5所示。

(a) 實(shí)驗(yàn)區(qū)QB1 (b) 實(shí)驗(yàn)區(qū)QB2 (c) 實(shí)驗(yàn)區(qū)WV1(d) 實(shí)驗(yàn)區(qū)WV2

(e) 實(shí)驗(yàn)區(qū)ZY1 (f) 實(shí)驗(yàn)區(qū)ZY2

圖5本文方法對(duì)實(shí)驗(yàn)數(shù)據(jù)中居民區(qū)提取結(jié)果圖

Fig.5Resultsofresidentialareaextractionforallexperimentalzonesusingourmethod

為了證明本文方法的有效性，使用空間投票方法[13]對(duì)相同的數(shù)據(jù)進(jìn)行居民區(qū)的提取，并從提取結(jié)果精度和計(jì)算代價(jià)2個(gè)方面對(duì)結(jié)果進(jìn)行對(duì)比。其中，基于空間投票的方法通過Gabor濾波來提取居民區(qū)的特征點(diǎn)，然后利用這些點(diǎn)進(jìn)行空間投票，根據(jù)空間投票結(jié)果進(jìn)行最優(yōu)決策提取居民區(qū)，結(jié)果見圖6。

(a) 實(shí)驗(yàn)區(qū)QB1 (b) 實(shí)驗(yàn)區(qū)QB2 (c) 實(shí)驗(yàn)區(qū)WV1(d) 實(shí)驗(yàn)區(qū)WV2

(e) 實(shí)驗(yàn)區(qū)ZY1 (f) 實(shí)驗(yàn)區(qū)ZY2

圖6基于空間投票法對(duì)實(shí)驗(yàn)數(shù)據(jù)中居民區(qū)提取結(jié)果圖

Fig.6Resultsofresidentialareaextractionforallexperimentalzonesusingspatialvoting

本實(shí)驗(yàn)對(duì)不同數(shù)據(jù)中居民區(qū)過程中相應(yīng)的計(jì)算代價(jià)和提取精度如表1所示。

表1 不同方法居民區(qū)提取的計(jì)算代價(jià)與精度

從圖6的實(shí)驗(yàn)結(jié)果和表1中可以發(fā)現(xiàn)，使用空間投票法一定程度上可以提取出居民區(qū)，但是其提取結(jié)果中包含較多背景區(qū)域，偽檢現(xiàn)象嚴(yán)重，精度偏低，查全率雖與本文方法維持在相同水平，但該方法的F1測(cè)度較低，居民區(qū)提取結(jié)果差異性較大，且處理時(shí)間長(zhǎng)。使用本文方法進(jìn)行居民區(qū)提取時(shí)，雖然實(shí)驗(yàn)區(qū)WV2的影像中存在部分建筑漏檢現(xiàn)象，但其他實(shí)驗(yàn)區(qū)影像中提取出的居民區(qū)完整性好，查準(zhǔn)率較高。

2種方法的F1測(cè)度如圖7所示，可以看出，本文方法對(duì)不同傳感器影像數(shù)據(jù)中的居民區(qū)的提取結(jié)果較為穩(wěn)健，精度值都維持87%以上。綜合來看，利用本文方法對(duì)各傳感器獲取的遙感影像數(shù)據(jù)進(jìn)行居民區(qū)提取取得了較好的效果和較高的精度。同時(shí)，本文方法的計(jì)算效率也優(yōu)于空間投票法。

圖7 本文方法和空間投票法的精度對(duì)比

3 結(jié)論

1)針對(duì)高分辨率影像居民區(qū)的空間特征準(zhǔn)確表達(dá)與使用，計(jì)算出可有效刻畫遙感影像空間相關(guān)性的數(shù)據(jù)場(chǎng)勢(shì)值特征；

2)利用計(jì)算所得遙感影像的勢(shì)值特征圖像，可增強(qiáng)分水嶺分割效果，對(duì)分割結(jié)果的形心點(diǎn)進(jìn)行基于密度的聚類，可較為準(zhǔn)確地提取高分辨率遙感影像中的居民區(qū)；

3)與空間投票法的結(jié)果對(duì)比表明，本文提出基于數(shù)據(jù)場(chǎng)和密度聚類的高分辨率遙感影像居民區(qū)提取方法的提取結(jié)果精度較高，提取時(shí)間代價(jià)低，居民區(qū)邊緣特征保留較好，且魯棒性優(yōu)于空間投票法。

由于高分辨率影像居民區(qū)中尚存在多種尺度且尺度差異較大的目標(biāo)建筑，利用分水嶺方法對(duì)勢(shì)值特征進(jìn)行分割時(shí)，大尺度目標(biāo)分割所得結(jié)果的形心點(diǎn)不易滿足聚類條件，導(dǎo)致居民區(qū)內(nèi)部分建筑物漏檢，因此，如何改善漏檢現(xiàn)象，后續(xù)還需進(jìn)一步深入研究。

[1] Pesaresi M,Gerhardinger A,Kayitakire F.A robust built-up area presence index by anisotropic rotation-invariant textural measure[J].IEEE Journal of Selected Topics in Applied Earth Observation and Remote Sensing,2008,1(3):180-192.

[2] 沈小樂,邵振峰,田英潔.紋理特征與視覺注意相結(jié)合的建筑區(qū)提取[J].測(cè)繪學(xué)報(bào),2014,43(8):842-847. Shen X L,Shao Z F,Tian Y J.Built-up areas extraction by textural feature and visual attention mechanism[J].Acta Geodaetica et Cartographica Sinica,2014,43(8):842-847.

[3] Kovács A,Szirányi T.Improved Harris feature point set for orientation-sensitive urban-area detection in aerial images[J].IEEE Geoscience and Remote Sensing Letters,2013,10(4):796-800.

[4] 陳洪,陶超,鄒崢嶸,等.利用邊緣密度特征提取高分辨率遙感影像中的居民區(qū)[J].應(yīng)用科學(xué)學(xué)報(bào),2014,32(5):537-542. Chen H,Tao C,Zou Z R,et al.Extraction of built-up areas extraction from high-resolution remote-sensing images using edge density features[J].Journal of Applied Sciences,2014,32(5):537-542.

[5] Shi H,Chen L,Bi F K,et al.Accurate urban area detection in remote sensing images[J].IEEE Geoscience and Remote Sensing Letters,2015,12(9):1948-1952.

[6] 李德毅,淦文燕,劉璐瑩.人工智能與認(rèn)知物理學(xué)[C]//中國(guó)人工智能學(xué)會(huì)第10屆全國(guó)學(xué)術(shù)年會(huì)論文集.北京:北京郵電大學(xué)出版社,2003:6-15. Li D Y,Gan W Y,Liu L Y.Artificial intelligence and cognitive physics[C]//Progress of Artificial Intelligence in China 2003.Beijing:BUPT Publishing House,2003:6-15.

[7] Li D Y,Wang S L,Gan W Y,et al.Data field for hierarchical clustering[J].International Journal of Data Warehousing and Mining,2011,7(4):43-63.

[8] 陳一祥.高分影像空間結(jié)構(gòu)特征建模與信息提取[D].武漢:武漢大學(xué),2013. Chen Y X.Modeling of Spatial Structural Features and Information Extraction for High Resolution Remote Sensing Images[D].Wuhan:Wuhan University,2013.

[9] Wu T,Qin K.Data field-based transition region extraction and thresholding[J].Optics and Lasers in Engineering,2012,50(2):131-139.

[10]陶建斌,舒寧,沈照慶.基于數(shù)據(jù)場(chǎng)聚類的遙感影像分類方法研究[J].國(guó)土資源遙感,2008,20(3):20-23,26.doi:10.6046/gtzyyg.2008.03.05. Tao J B,Shu N,Shen Z Q.A study of the method for clssification of remote sensing images based on data field cluster[J].Remote Sensing for Land and Resources,2008,20(3):20-23,26.doi:10.6046/gtzyyg.2008.03.05.

[11]Gonzalez R C,Woods R E.Digital Image Processing[M].2nd ed. Upper Saddle River,NJ:Prentice Hall,2002.

[12]Ester M,Kriegel H P,Sander J,et al.A density-based algorithm for discovering clusters in large spatial databases with noise[C]//Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining.Portland:AAAI Press,1996:226-231.

[13]Sirmacek B,Unsalan C.Urban area detection using local feature points and spatial voting[J].IEEE Geoscience and Remote Sensing Letters,2010,7(1):146-150.

(責(zé)任編輯：邢宇)

Residentialareaextractionforhighresolutionremotesensingimagebasedondatafieldanddensityclustering

YUE Mengxue1， QIN Kun1,2， ZHANG Enbing1， ZHANG Ye1， ZENG Cheng1

(1.SchoolofRemoteSensingandInformationEngineering,WuhanUniversity,Wuhan430079,China; 2.CollaborativeInnovationCenterofGeospatialTechnology,Wuhan430079,China)

Data field can describe the correlation between data objects, and is a simulation of interaction between particles in physical field. Potential value of a data object in data field can effectively represent the spatial interactions of its neighborhoods, and it can do so for pixels in high resolution remote-sensing image. In this paper, the authors propose a method for residential area extraction from high resolution remote-sensing image using data field and density clustering. The major steps are as follows: the generating of a high resolution remote-sensing image data field; the calculation if potential value for each pixel in this field to obtain a new feature image; the segmentation of the feature image via watershed segmentation, and the calculation of centroids of segmentation results; the clustering of all the centroids into different clusters based on the density, with the extracted residential area composed of target clusters. Compared with existing relative methods of residential areas extraction for high resolution remote-sensing images, the experimental results suggest that the presented method is robust and efficient.

data field; spatial correlation; density clustering; high resolution remote-sensing image; residential areas extraction

10.6046/gtzyyg.2017.03.13

岳夢(mèng)雪，秦昆，張恩兵，等.基于數(shù)據(jù)場(chǎng)和密度聚類的高分辨率影像居民區(qū)提取[J].國(guó)土資源遙感，2017，29(3)：92-97.(Yue M X,Qin K,Zhang E B,et al.Residential area extraction for high resolution remote sensing image based on data field and density clustering[J].Remote Sensing for Land and Resources,2017，29(3)：92-97.)

2016-03-17；

2016-06-15

國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃(973)項(xiàng)目“高分辨率遙感影像的目標(biāo)特征描述與數(shù)學(xué)建?！?編號(hào): 2012CB719903)和重慶市國(guó)土房管局科技計(jì)劃項(xiàng)目“基于圖像識(shí)別技術(shù)的國(guó)家高分辨率遙感數(shù)據(jù)分析應(yīng)用方法研究”(編號(hào): CQGT-KJ-2014032)共同資助。

岳夢(mèng)雪(1993-)，女，碩士研究生，主要研究方向?yàn)楦叻直媛蔬b感圖像信息提取、空間分析。Email： yuemx@whu.edu.cn。

TP 79

： A

： 1001-070X(2017)03-0092-06