四川电力设计咨询有限责任公司 四川成都 610041
摘要：随着遥感技术的快速发展，特别是高分辨航空摄影测量的广泛应用，遥感技术在建筑物识别方面发挥出越来越重要的作用。本文通过利用高分辨率航空遥感影像，基于面向对象特征提取方法，对架空输电线路经过区域的房屋分布进行自动提取，以期为工程可研和初步设计阶段提供基础数据。
关键词：面向对象；信息提取；航空遥感
Housing Survey Research Techniques of Object-oriented Overhead Transmission Line
Kang Wen1
1.Sichuan Electric Power Design & Consulting CO.LTD，Chengdu，610041
Abstract：With the rapid development of remote sensing technology，in particular，is widely used for high-resolution aerial photography，remote sensing technology plays an increasingly important role in the recognition of the building.By using high-resolution aerial remote sensing images based on object-oriented feature extraction method，an overhead transmission line through the distribution area houses the automatic extraction，in order to provide basic data for the project feasibility study and preliminary design stage.
Key Words：object-oriented；information extraction；Airborne Remote Sensing
0 引言
房屋调查是架空输电线路勘测设计中重要内容。由于房屋调查数量一般较大，传统工程测量技术需要耗费较多时间，将直接降低工程可研和初步设计的进行效率。随着遥感技术的快速发展，特别是高分辨率航空摄影测量技术的广泛应用，遥感技术在建筑物识别方面发挥出越来越重要的作用。
近年来，航空遥感技术发展迅速，因其机动灵活、低成本及云下高分辨率成像等优点，弥补了卫星遥感在时效性和天气影响等方面的不足，已成为获取高分辨率遥感数据的一种重要手段[1][2]。目前，航空遥感技术已广泛应用于架空输电线路勘测设计领域。但在大多数应用中，航空遥感影像仅仅作为高分辨率影像用于目视解译或测量计算，影像提取的自动化程度较低。本研究利用高分辨率航空遥感影像，基于面向对象特征提取方法，对架空输电线路经过区域的房屋分布进行自动提取，以期为工程可研和初步设计阶段提供基础数据。
1 研究区与数据源
以陕西省渭南市富平县宫里镇的航空遥感影像为研究数据，影像空间分辨率0.25m，获取时间为2015年10月。影像进行了空三加密、正射校正等预处理。
本文所有航空遥感影像具有高空间分辨率特点。空间分辨率的提高不仅丰富了地物信息，而且使地物几何结构和纹理信息显示得更加清晰。研究区房屋以水泥屋顶为主，少量带有棚顶，且房屋轮廓多为方正矩形。房屋屋顶在无人机遥感影像中纹理清晰，颜色与林地、耕地等有显著区别，与硬化道路比较相似，但形状明显不同。
2 研究方法
在高空间分辨率的航空遥感影像中，地物内部纹理和形状等细节信息更加丰富，但光谱分辨率却相对较低。因此传统基于像元光谱特征的信息提取方法将变得非常困难和复杂。为此，本文利用面向对象的分析方法对航空遥感影像中的房屋信息进行提取。
2.1 面向对象特征提取方法
面向对象分类的技术是这几年来提出的算法，与以往传统的图像处理比较，其中的基本处理单元是图像对象，而传统的图像处理是单个像素[3]。基于现实世界的目标物提取信息是面向对象分析的目的，它要求目标物具有较高的形状以及类别的一致性，这一点很难达到。面向对象的遥感影像分析方法的基础以及关键问题就是影像分割。图像分割算法中占有的数量较多的方法就是阈值法。面向对象的分析过程是这样进行的先将影像中的像元分割为影像对象，然后再将地表空间的地理对象分成不同的区域。传统的基于像元的遥感影像分析方法对于光谱空间异质性增强的高分辨率影像来说，由于地物类别内部的光谱响应变异增大，降低了类别可分性，分类精度反而降低。遥感图像的计算机分类分为硬分类和软分类。
（1）监督分类法特征提取：
监督分类分为两个过程一是用训练区样本建立判别函数的学习过程，一个是把待分像元代入判别函数进行判别的过程。训练样本最少要满足能够建立分类用判别函数的要求，所需个数与所采用的分类方法、特征空间的维数、各类的大小与分布有关，如最大似然法的训练样本个数至少要个是特征空间的维数，这样才能保证协方差矩阵的非奇异性。
监督分类有一个前提是，要知道遥感图像是样本区内的地物类别，这个样本区就做训练区。
根据一定样本数量以及其对应的属性信息，利用邻近法原理和支持向量机监督分类法进行特征提取。
（2）利用规则分类法
分类规则：可以根据面积，长度等
提取房屋特征的规则
第一种规则：划分植被覆盖和非植被覆盖
利用bandratio
第二种规则：去除道路影响
利用
Spatial：rect_fit
Spatial：Area：Fuzzy Tolerance
Spatial：elongation：elongaiton
第三种规则：去除水泥地影响
利用Spectral：avgband_2来区分房屋和水泥地
（3）直接输出矢量
2.2 影像分割
面向对象的分析过程是通过将影像中的像元分割为影像对象来再现地表空间的地理对象，主要是有图像分割和对象分类两个相互迭代循环的过程构成（图1）。影像分割是由影像处理到影像分析的关键步骤，产生的影像对象是进一步分析的基础。
.png)
图1 面向对象的影像分析过程
多尺度影像分割从任一像元开始，采用自下而上的区域合并算法形成对象。区域合并算法的目的是实现分割后影像对象的权重异质性最小化，仅仅考虑光谱异质性最小会导致分割后影像对象的多边形边界比较破碎，常把光谱异质性的标准和空间异质性的标准配合使用，因此，异质性f是由对象的光谱差异hcolor和形状差异hshape确定的（公式1），形状的异质性则由光滑度hsmooth和紧密度hcompct来衡量（公式2），w是用户定义的权重，取值于0-1之间，用以表示不同因素对最后结果的影响程度，w越大，表明贡献越大，反之亦然。显然，设置较大的分割尺度则意味着更多的像元被合并，生成的影像对象的面积也更大。
f＝w×hcolor＋（1－w）×hshape（1）
hshape＝wcompact×hcompct＋（1－wcompact）×hsmooth（2）
3 结果分析
在IDL8.3+ENVI5.1环境下实现上述房屋自动提取流程，采用本文算法，得到结果如图3所示，原始影像如图2所示：
图3 分类结果
通过分析上述分类结果和影像结果对比可知，本研究建立的遥感高分辨率遥感影像的房屋提取方法可以很好地对房屋信息进行提取，提取结果精度较高。但是，也发现部分房屋信息有遗漏的情况，通过对比提取结果和原始影像后发现，漏分主要发生在阴影区域，由于阴影投影到房顶需要满足一定的几何关系。研究区遥感影像中阴影区域并不多，但为了减少阴影对提取精度的影响，航摄时间应尽量选择在太阳高度角较大的正午时段。
4 结论与讨论
本文基于航空高分辨率遥感数据，提出了一种房屋信息提取方法，得出以下结论：
（1）和传统中低分辨率卫星遥感影像相比，航空遥感影像空间分辨率高，可以用于对房屋信息进行初步自动提取。但是因为波段数较少，由于光谱波段的减少和影像信息的细节化，造成了类内方差的增大和类间方差的减少。因此，建立在中低分辨率影像光谱信息基础上的分类方法，不适用于高分辨率的航空遥感数据，需要发展新的处理方法和分类技术提高提取精度。
（2）研究发现阴影会影响结果的精度，因此无人机航摄时间应选择太阳高度角较大的时段。此外，本文方法最适用于水泥房顶的房屋信息提取，对于其他材质房顶房屋的信息提取则有待进一步研究。
参考文献：
[1]李德仁，李明.无人机遥感系统的研究进展与应用前景[J].武汉大学学报（信息科学版），2014，05：505-513+540.
[2]汪沛，罗锡文，周志艳，臧英，胡炼.基于微小型无人机的遥感信息获取关键技术综述[J].农业工程学报，2014，18：1-12.
[3]Baatz，M.and A.Schpe.Object-Oriented and Multi-Scale Image Abalysis in Semantic Networks.In：Proc.of the 2nd International Symposuim on perationalization of Remote Sensing August 16th-20th 1999.Enschede.ITC.1999.