謝嘉麗，李永樹，李何超，吳 璽

(1. 西南交通大學(xué)地球科學(xué)與環(huán)境工程學(xué)院，四川 成都 611756； 2. 四川省土地統(tǒng)征整理事務(wù)中心，四川 成都 610041)

利用灰度共生矩陣紋理特征識別空心村損毀建筑物的方法

謝嘉麗1，李永樹1，李何超2，吳 璽2

(1. 西南交通大學(xué)地球科學(xué)與環(huán)境工程學(xué)院，四川 成都 611756； 2. 四川省土地統(tǒng)征整理事務(wù)中心，四川 成都 610041)

從無人機影像上快速識別空心村損毀建筑物，不僅能精確掌握損毀建筑物的位置分布，還能為實地調(diào)研提供指導(dǎo)材料。本文首先在試驗區(qū)范圍內(nèi)獲取建筑物影像，并對這些建筑物逐一標記。然后以單個建筑物為對象，計算紋理特征參數(shù)和光譜特征參數(shù)，選取與損毀程度正相關(guān)的參數(shù)標準化后組成特征參數(shù)向量，根據(jù)向量的可視化結(jié)果獲取損毀建筑物的分布、損毀程度等信息。試驗結(jié)果表明，該方法能實現(xiàn)從無人機影像上識別出損毀建筑物，并能對建筑物的損毀程度得到初步認識，可以有效實現(xiàn)高分辨率影像中空心村損毀建筑物的識別。

灰度共生矩陣；紋理特征；光譜特征；空心村；損毀建筑物

近年來，我國農(nóng)村聚落大規(guī)?！翱招幕?，損毀的房屋逐漸增多，如何快速提取農(nóng)村的建筑物損毀信息，為決策部門開展空心村綜合整治工作提供技術(shù)支持成為一個研究熱點問題。對于建筑物損毀信息的提取，目前主要采用外業(yè)調(diào)查和遙感影像人工解譯兩種方式，但這兩種方式不僅要耗費大量的人力、物力，而且制圖周期長，效率低[1]。因此，快速從高分影像上獲取損毀建筑物的位置、分布規(guī)律等信息，對空心村土地綜合整治的外業(yè)調(diào)查、空心化評價、土地整理方案制定等環(huán)節(jié)的順利開展具有重要意義。

目前，針對損毀建筑物信息的提取，已有許多學(xué)者開展了大量的研究工作，這些研究主要根據(jù)損毀建筑物的光譜、紋理和幾何特征實現(xiàn)[2-3]。王慧敏在影像多尺度分割的基礎(chǔ)上，結(jié)合紋理特征及幾何特征，通過規(guī)則集的方法構(gòu)成分類樹提取損毀房屋[4]。劉宇使用形態(tài)學(xué)屬性剖面(MAP) 與局部二值模式(LBP) 算子提取圖像中的幾何特征與紋理特征; 然后使用隨機森林(RF) 分類器提取損毀的建筑物，形成初步結(jié)果; 最后針對分割的對象，根據(jù)對象損毀像元所占的比例獲取最終的損毀建筑物區(qū)域[5]。吳劍把所有非損毀建筑物信息作為環(huán)境背景，通過掩膜層層分割剔除，最后只留下震害損毀建筑物信息[6]。但是，上述的損毀建筑物提取方法主要針對震害損毀的建筑物。這類建筑物的損毀情況嚴重，范圍集中且廣泛，損毀特征明顯[7]。而空心村建筑物的損毀主要是由于年久失修造成，損毀程度較輕，分布零散。因此，上述方法對空心村損毀建筑物識別仍具有一定的局限性。

為提高獲取空心村損毀建筑物信息的效率，本文提出一種利用多參數(shù)組合向量判定建筑物損毀情況的方法，重點利用紋理特征參數(shù)和光譜特征參數(shù)量化建筑物的特征，根據(jù)特征向量可視化的方式，直觀表達損毀建筑物的空間位置和損毀情況，為有關(guān)決策部門提供信息支持。

1 建筑物損毀定量化研究的基本思路和模型

單個地物(主要是建筑物)的損毀識別程度，與影像信息源類型、對象尺度、獲取時的氣象條件等多種因素相關(guān)[8]。紋理特征是一種不依賴于顏色或亮度而反映圖像中同質(zhì)現(xiàn)象的視覺特征，能包含物體表面結(jié)構(gòu)排列的信息，因此，紋理特征被廣泛應(yīng)用于遙感影像分類和目標識別領(lǐng)域。Haralick于1973年提出了14種用于分析灰度共生矩陣的特征參數(shù)[9]，但這些特征并非都是不相關(guān)的，計算中存在大量冗余。研究者通常會按照需求選擇最有利的特征，如：逆差矩、對比度和熵具有最大的識別能力，角二階矩、對比度、逆差分矩和相關(guān)性是不相關(guān)的特征[10]。常用于建筑物損毀識別的主要特征參數(shù)有熵、能量、相關(guān)度、同質(zhì)性和對比度[8，11-14]。經(jīng)過統(tǒng)計試驗得出這些參數(shù)與建筑物損毀的相關(guān)關(guān)系見表1。

表1 紋理特征參數(shù)與建筑物損毀的相關(guān)關(guān)系

損毀建筑物的屋頂色彩噪聲很大，紋理溝紋深淺程度不一，造成灰度共生矩陣熵和對比度的數(shù)值較大，呈明顯的正相關(guān)關(guān)系。這兩個特征參數(shù)的計算公式為

(1)

(2)

式中，p(i,j) 為灰度為i的像素與灰度為j的像素同時出現(xiàn)的概率。

此外，從影像的光譜特征上分析，影像RGB 3個分量的標準偏差反映了影像色彩在R、G、B 3個方向上的變化范圍，由于色彩的隨機性，損毀建筑物的標準偏差比完好建筑物的大，因此，與建筑物損毀程度正相關(guān)。最大標準偏差值的計算公式為

(3)

綜上所述，選取灰度共生矩陣熵、灰度共生矩陣對比度、最大標準偏差值標準化到[0,255]區(qū)間內(nèi)，并組合成損毀建筑物特征參數(shù)向量為

D=[ENTnormalCONnormaldnormal]

以特征參數(shù)向量作為RGB色彩，將色彩顯示到對應(yīng)的建筑物圖斑可得到建筑物損毀特征參數(shù)可視化效果圖，可根據(jù)圖上的色彩和亮度分析建筑物損毀情況。本文在建筑物紋理參數(shù)和光譜參數(shù)的基礎(chǔ)上，構(gòu)建建筑物特征參數(shù)向量，通過參數(shù)向量可視化的方式達到獲取建筑物損毀信息的目的，具體過程如圖1所示。

圖1 損毀建筑物識別流程

2 試驗與分析

2.1 數(shù)據(jù)來源

為檢驗方法的有效性，選取四川省成都市近郊某空心村作為試驗區(qū)。試驗使用的數(shù)據(jù)有：空間分辨率為0.2 m無人機正射影像，比例尺為1∶1000的數(shù)字線劃圖(DLG)。試驗區(qū)影像如圖2所示，從影像上可以看出該區(qū)域內(nèi)建筑物比較分散，損毀建筑物較多但不集中。

圖2 試驗區(qū)無人機影像

2.2 數(shù)據(jù)準備

DLG上包含了大量的地物、地形信息，首先根據(jù)屬性篩選出建筑物的邊界，并與影像配準，得到建筑物矢量圖。試驗所用的無人機影像是最新獲取的，而DLG為第二次全國土地調(diào)查的成果，兩種數(shù)據(jù)之間存在一定的變化信息，因此要對建筑物矢量圖進行更新，查缺補漏。以影像為底圖，矢量圖為掩

模裁切出建筑物影像，并輸出為TIF格式影像，如圖3所示，共裁切出603個建筑物的影像，然后對建筑物影像依次進行編號標記。

圖3 建筑物影像

從圖3中可以看出，除了建筑物區(qū)域，該圖中存在大量的空白區(qū)域，若以此為輸入數(shù)據(jù)計算紋理特征參數(shù)和光譜特征參數(shù)，會導(dǎo)致大量的冗余計算過程，對計算機的內(nèi)存要求更高。因此，為了提高計算效率，創(chuàng)建603行、1列的元胞數(shù)組C，按照標記順序?qū)擞洖閕的建筑物以最小外接矩形的大小存入元胞數(shù)組第i行、第1列的元胞中，即元胞數(shù)組中的每一個元胞都包含一個空白區(qū)域盡量小的建筑物影像數(shù)據(jù)，表2為部分元胞中的影像數(shù)據(jù)示例。

表2 元胞中影像數(shù)據(jù)示例

2.3 參數(shù)計算及可視化

首先計算紋理特征參數(shù)，依次提取元胞數(shù)組中的建筑物C{i,1}，計算0°、45°、90°、135°且灰度間隔為2的16階灰度共生矩陣，求出4個方向灰度共生矩陣的均值[15]并歸一化。根據(jù)歸一化共生矩陣及式(1)、式(2)計算灰度共生矩陣熵和灰度共生矩陣對比度。

接著依次提取元胞數(shù)組中的建筑物C{i,1}，灰度化建筑物影像并根據(jù)式(3)計算RGB分量最大標準偏差值。計算完成后將灰度共生矩陣熵、灰度共生矩陣對比度和RGB分量最大標準偏差值分別標準化到[0,255]區(qū)間，將標準化結(jié)果組合成三維的特征參數(shù)向量。以特征參數(shù)向量作為RGB色彩的3個分量，則每一個特征參數(shù)向量都對應(yīng)一種顏色。將建筑物顯示為相應(yīng)的特征參數(shù)向量所代表的顏色，如圖4(a)所示。

圖4(a)中，顏色偏紅的建筑物，說明其灰度共生矩陣熵較大，損毀特征為紋理溝深大，多為有寬大裂縫的損毀。顏色偏綠，說明該建筑物灰度共生矩陣對比度大，多為屋頂有大面積缺口的建筑物，缺口在影像上的顏色較深，因此整個建筑物顏色對比度大。試驗區(qū)域位于空心村，屋頂顏色主要呈現(xiàn)灰色，灰色的RGB 3個色彩分量比較均勻，特征參數(shù)向量對應(yīng)的顏色偏藍，說明某一色彩分量值偏大，可能是用了其他色彩的鐵皮等材料修補過的損毀建筑物。另外，將特征參數(shù)向量3個分量的最大值作為對應(yīng)建筑物的灰度值，顯示為灰度影像，如圖4(b)所示，圖中越亮的建筑物損毀情況越嚴重。

圖4 建筑物特征參數(shù)向量可視化

3 結(jié) 語

無人機影像上的建筑物自動識別與解譯仍是一個值得深入研究的問題，本文針對城鎮(zhèn)近郊區(qū)空心村損毀建筑物信息識別的問題，提出了一種基于遙感影像紋理特征參數(shù)和光譜特征參數(shù)可視化建筑物損毀特征的方法。即利用紋理特征參數(shù)和光譜特征參數(shù)組合成特征參數(shù)向量，將三維向量標準化到[0—255]區(qū)間內(nèi)，3個特征參數(shù)即可作為RGB空間的3個分量，對應(yīng)一種顏色，將建筑物顯示為相應(yīng)的顏色即可得到可視化的建筑物損毀特征，能夠?qū)υ囼瀰^(qū)域內(nèi)損毀建筑物分布位置及損毀程度有直觀的了解。此外，計算紋理特征參數(shù)時，本文采用元胞數(shù)組存儲建筑物影像數(shù)據(jù)，有效避免了空白區(qū)域的干擾，提高了計算效率。

本文方法目前僅實現(xiàn)了可視化效果，在后續(xù)的研究中還可設(shè)置閾值，對建筑物的損毀程度進行分級，并且統(tǒng)計相應(yīng)的數(shù)量和面積，以期獲得更豐富的建筑物損毀信息。總體而言，本文方法從影像最基本的信息出發(fā)，計算效率高，有較好的準確性和適用性，能夠滿足城鎮(zhèn)近郊空心村損毀建筑物的自動識別。

[1] SAITO S，AOKI Y.Building and Road Detection from Large Aerial Imagery[C]∥SPIE/IS&T Electronic Imaging.San Francisco:[s.n.]，2015.

[2] 梁曉莉，李利偉，程鋼，等.灰度共生矩陣和模糊分類的高分辨率光學(xué)影像欠發(fā)達村落提取[J].測繪通報，2015(8):25-29.

[3] 葉齊祥，高文，王偉強，等.一種融合顏色和空間信息的彩色圖像分割算法[J].軟件學(xué)報，2004，15(4):522-530.

[4] 王慧敏，李艷.面向?qū)ο蟮膿p毀建筑物提取[J].遙感信息，2011(5):81-85.

[5] 劉宇，曹國，周麗存，等.基于多特征結(jié)合的損毀建筑物檢測[J].計算機應(yīng)用，2015，35(9):2652-2655.

[6] 吳劍，陳鵬，劉耀林，等.震害損毀建筑物高分辨率遙感信息提取方法[J].地理與地理信息科學(xué)，2013，29(3):35-38.

[7] 吳劍.基于面向?qū)ο蠹夹g(shù)的遙感震害信息提取與評價方法研究[D].武漢：武漢大學(xué)，2010.

[8] 王曉青，王龍，章熙海，等.汶川8.0級地震震害遙感定量化初步研究——以都江堰城區(qū)破壞為例[J].地震，2009，29(1):174-181.

[9] HARALICK R M，SHANMUGAM K，DINSTEIN I.Textural Features for Image Classification[J].IEEE Transactions on Systems Man & Cybernetics，1973，3(6)：610-621.

[10] 焦蓬蓬，郭依正，劉麗娟，等.灰度共生矩陣紋理特征提取的Matlab實現(xiàn)[J].計算機技術(shù)與發(fā)展，2012(11):169-171.

[11] 王曉青，魏成階，苗崇剛，等.震害遙感快速提取研究——以2003年2月24日巴楚—伽師6.8級地震為例[J].地學(xué)前緣，2003，10(S1):285-291.

[12] 陳世榮，馬海建，范一大，等.基于高分辨率遙感影像的汶川地震道路損毀評估[J].遙感學(xué)報，2008，12(6):949-955.

[13] 王慧敏，李艷.面向?qū)ο蟮膿p毀建筑物提取[J].遙感信息，2011(5):81-85.

[14] 甄宗坤，岳建平.基于LOG算子和灰度共生矩陣的影像紋理特征提取[J].測繪通報，2013(9):31-34.

[15] 王宏光，劉義范.基于灰度共生矩陣的影像紋理特征研究[J].測繪通報，2013(2):28-30.

RecognitionofDamageBuildingsinHollowVillageBasedonTextureFeatureofGrayLevelCo-occurrenceMatrix

XIE Jiali1，LI Yongshu1，LI Hechao2，WU Xi2

(1. Faculty of Geosciences and Environmental Engineering，Southwest Jiaotong University，Chengdu 611756，China； 2. Center of Land Acquisition and Consolidation in Sichuan Province，Chengdu 610041，China)

Rapid recognition of hollow villages from UAV images can not only accurately get location distribution of damaged buildings，but also 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，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 realize 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.

gray-level co-occurrence matrix; textural feature; spectral feature; hollow village; damage building

2017-03-15；

2017-05-12

“十二五”國家科技支撐項目(2014BAL01B00)

謝嘉麗(1992—)，女，博士生，主要從事遙感影像處理及識別方面的研究工作。E-mail：254782451@qq.com

謝嘉麗，李永樹，李何超，等.利用灰度共生矩陣紋理特征識別空心村損毀建筑物的方法[J].測繪通報，2017(12)：90-93.

10.13474/j.cnki.11-2246.2017.0386.

P237

A

0494-0911(2017)12-0090-04