２００８，４４（３）
１引言
可见光遥感图像具有是覆盖范围广、数据量大的特点，易出现异物同谱、同物异谱现象，光谱信息通常受卫星拍摄角度、天气、传感器状态等多种因素的影响，即使同一地区在不同时间拍摄的图像也可能具有不同的亮度和对比度。城市区域是由建筑物、道路、绿地、水域及空地等多种地物类型相互延续，相互交错而构成的复杂混合体。从单源可见光遥感图像上识别和精确定位城市区域可以为城市规划、环境变化监测与分析、目标识别等应用提供有力的决策支持。由于城区交叉混合性比较大，在图像上以纯像元和灰度亮暗差别较大的混合像元的形式并存［１］。同时建筑物的材料、结构和形式的不同，将导致城区在遥感图像上的较大差异。因而仅靠目标地物的光谱特征信息已不能正确地识别城区。研究发现［２］，在高空间分辨率遥感图像上，城市区域的纹理结构明显粗糙于田地、水域、山脉的纹理。纹理结构特征与光谱特征相比更为稳定。因此纹理特征通常作为识别城区的重要依据。目前在单源可见光遥感图像上常用的传统城区识别方法［３，４］是基于区域生长技术的半自动提取，需要人工选择合适的种子象素或小区域，利用光谱、纹理等特征设定合适的生长阈值。由于城区混合像元的特点使得选择单一种子以及合适的门限进行区域生长很困难。文献［５］研究的城区自动识别方法是利用小波变换在频域计算基于窗口或区域的纹理特征进行监督分类识别。由于是对原图的频域逐像元计算纹理，导致复杂性高和运算量大，对一幅１００００×１００００像元以上的遥感图像难以在较短时间内完成识别。
本文提出了一种由粗到细、逐步求精的城区自动识别新算法。建立了预分类、初识别、精确定位的分层结构模型，综合利用光谱、纹理等多特性，采用模糊分类技术以及多特征判据投票技术，实现城区的预分类和初识别。最后利用自适应边缘搜索实现城区边界的精确定位和细化。该算法能有效地减少运算冗余、降低计算复杂度，提高识别速度，并能得到较为精确的城
牡丹国际
一种新的遥感图像城区自动识别算法
万寿红，岳丽华
ＷＡＮＳｈｏｕ－ｈｏｎｇ，ＹＵＥＬｉ－ｈｕａ
中国科学技术大学计算机科学技术系，合肥２３００２７
ＤｅｐａｒｔｍｅｎｔｏｆＣｏｍｐｕｔｅｒＳｃｉ．＆Ｔｅｃｈ．，ＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉ．＆Ｔｅｃｈ．ｏｆＣｈｉｎａ，Ｈｅｆｅｉ２３００２７，Ｃｈｉｎａ
Ｅ－ｍａｉｌ：ｗａｎｓｈ＠ｕｓｔｃ．ｅｄｕ．ｃｎ
ＷＡＮＳｈｏｕ－ｈｏｎｇ，ＹＵＥＬｉ－ｈｕａ．Ｎｅｗａｌｇｏｒｉｔｈｍｏｆｕｒｂａｎａｒｅａａｕｔｏｍａｔｉｃｒｅｃｏｇｎｉｔｉｏｎｉｎｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓ．
ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２００８，４４（３）：３９－４１．
Ａｂｓｔｒａｃｔ：Ａｎｅｗａｌｇｏｒｉｔｈｍｏｆｕｒｂａｎａｒｅａａｕｔｏｍａｔｉｃｒｅｃｏｇｎｉｔｉｏｎｉｓｐｒｏｐｏｓｅｄｂａｓｅｄｏｎｒｅｃｏｇｎｉｔｉｏｎｉｄｅａｏｆｓｔｅｐｅｘｔｒａｃｔｆｒｏｍｃｏａｒｓｅｎｅｓｓｔｏｆｉｎｅｎｅｓｓ，ａｉｍｅｄａｔｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｏｆｖｉｓｉｂｌｅｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓａｎｄｃｏｍｐｌｅｘｉｔｙｏｆｕｒｂａｎｐｈｙｓｉｏｇｎｏｍｙ．Ｔｈｅａｌ－ｇｏｒｉｔｈｍｂｕｉｌｄｓｈｉｅｒａｒｃｈｉｃａｌｒｅｃｏｇｎｉｔｉｏｎｍｏｄｅｌｉｎｃｌｕｄｉｎｇｃｌａｓｓｉｆｙｉｎｇ，ｅｌｅｍｅｎｔａｒｙｒｅｃｏｇｎｉｔｉｏｎ，ｂｏｕｎｄａｒｙｅｘｔｒａｃｔｉｎｇａｃｃｕｒａｔｅｌｙ．Ｉｔｆｉｒｓｔｕｓ－ｅｓｆｕｚｚｙｃｌａｓｓｉｆｉｃａｔｉｏｎ，ｔｈｅｎｅｌｅｍｅｎｔａｒｙｒｅｃｏｇｎｉｔｉｏｎｉｓｒｅａｌｉｚｅｄｂｙｖｏｔｉｎｇ－ｂａｓｅｄｍｅｔｈｏｄｗｉｔｈｍｕｌｔｉ－ｆｅａｔｕｒｅｓ，ａｔｌａｓｔｕｔｉｌｉｚｅｓｓｅｌｆ－ａｄａｐｔｉｖｅｌｙｓｅａｒｃｈｉｎｇｕｒｂａｎａｒｅａｂｏｕｎｄａｒｙ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔｃａｌｃｕｌａｔｅｓｖｅｒｙｆａｓｔａｎｄｔｈｅｂｏｕｎｄａｒｙｉｓａｃｃｕｒａｔｅｗｉｔｈｈｉｇｈｓｐｅｅｄ，ｒｏ－ｂｕｓｔｎｅｓｓａｎｄｈｉｇｈｃｏｒｒｅｃｔｒａｔｅｃｏｍｐａｒｉｎｇｗｉｔｈｔｒａｄｉｔｉｏｎａｌｒｅｃｏｇｎ
ｉｔｉｏｎａｐｐｒｏａｃｈｂａｓｅｄｏｎｓｉｎｇｌｅ－ｓｏｕｒｃｅｖｉｓｉｂｌｅｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍ－ａｇｅ．
Ｋｅｙｗｏｒｄｓ：ｍｕｌｔｉ－ｆｅａｔｕｒｅｓｃｒｉｔｅｒｉｏｎｖｏｔｉｎｇ；ｆｕｚｚｙｃｌａｓｓｉｆｉｃａｔｉｏｎ；ｕｒｂａｎａｒｅａｒｅｃｏｇｎｉｔｉｏｎ；ｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓ
摘要：针对可见光遥感图像的特点和城市区域地貌的复杂性，提出了一种由粗到细、逐步求精自动识别城区的新算法。该算法建立了预分类、初识别、边界精确定位分层结构模型，首先利用模糊分类技术对城区进行预分类，在此基础上通过多特征判据投票实现城区初识别，最后采用自适应边缘搜索细化算法精确定位城区边界。与传统的单源可见光遥感图像城区识别方法相比，该算法能更快速、准确地自动识别城区，具有计算量小、鲁棒性强、识别正确率高的特点。
关键词：多特征判据投票；模糊分类；城区识别；遥感图像
文章编号：１００２－８３３１（２００８）０３－００３９－０３文献标识码：Ａ中图分类号：ＴＰ３９１．４１
作者简介：万寿红（１９７１－），女，讲师，主要研究方向：计算机视觉、遥感图像处理；岳丽华（１９５２－），女，教授，博士生导师，主要研究方向：数据库系统、遥感图像处理。
ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用３９
２００８，４４（３）ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用区边界。识别正确率达到９０％，并且误判率、漏判率较低。
２分层结构模型
分层结构模型包括预分类、初识别、精确定位三层。首先，
在预分类层，将原始图像划分成若干大小一致的对象块，利用
均值、方差等光谱特征及几何特征，采用决策支持的模糊判别细菌的英文
分类算法，计算每个对象隶属于某一类的概率，按照最大概率
产生原则，形成一个个疑似城区的对象，初步滤掉非城区，实现
对象块的预分类。将疑似城区对象作为后继识别的目标对象，
大大减少了后继纹理等多特征的计算量；其次，在初识别层，针
对疑似城区对象块进行光谱、纹理等多特征分析，通过多特征
判据投票的方式从中筛选出确定的城市对象块，并合并连通
块，形成城市区域；最后，在精确定位层，对城市区域边缘对象
块自适应搜索细化区域边界，实现城区边界精确定位。该模型
减少了运算冗余量和复杂度，提高了运算速度和识别正确率。
３预分类
３．１图像预处理
首先对图像中值滤波和灰度拉伸，以改善图像质量。并将
图像变换为合适的分辨率。随着遥感图像的空间分辨率越来越
高，地物的细节更为清晰，呈现出大量纹理与结构信息。然而，
由于城区地貌的复杂性，高分辨率影像对整个城区的识别不但
不能改善识别效果，反而形成干扰。通过实验模拟分析，将高分
辨率图像降为５ｍ分辨率时，城区特征与其它地貌具有较为明
显的区分性，对城区识别效果最佳。
３．２预分类算法
对可见光灰度遥感图像来说，线型感、几何图案和灰度等
光谱特性是目视判读的关键因子［６］，由于城区中存在大量的建
筑物，其灰度方差和线型感对于分类最为重要。灰度方差反映
的是图像中各个象素灰度相对于平均灰度的离散程度，城区的
灰度值分布通常很不均匀，因而其灰度方差通常较其它地貌区
域大。由于光照、角度、阴影等因素的影响，导致完整检测城区
的线性特征较为困难，而边缘点是线性特征体现之一，所以可
以采用边缘点的密度来描述城区的线性特征。显然城市区域的
线性密度相对较大。
将图像划分成ｍ个Ｎ×Ｎ的互不相交的对象块，计算每个
对象块的线性特征。用Ｃａｎｎｙ算子求取边缘，线性密度ｌｄ衡量
其线性特征。
ｌｄ＝（边缘点个数）／（Ｎ×Ｎ）（１）
实验中选取Ｎ＝１６。研究表明［１］，对混合像元来说，模糊分类比传
统的最小距离分类器和最大相似度分类器更有效，识别正确率
更高。因此采用决策支持的多特征模糊分类算法进行预分类。
为计算简单，隶属度函数选用线性函数。则第ｉ个对象块隶属
城区的密度隶属函数!１（ｉ）和!２（ｉ）方差隶属函数分别为：
!１（ｉ）＝
ｌｄ（ｉ）－ｌｄｍｉｎ
ｌｄｍａｘ－ｌｄｍｉｎ
（２）
其中ｌｄｍａｘ＝ｍａｘ（ｌｄ（ｉ）），ｉ＝１，…，ｍ；ｌｄｍｉｎ＝ｍｉｎ（ｌｄ（ｉ）），ｉ＝１，…，ｍ。
!２（ｉ）＝
ｓｔｄ（ｉ）－ｓｔｄｍｉｎ
ｓｔｄｍａｘ－ｓｔｄｍｉｎ
（３）
其中ｓｔｄｍａｘ＝ｍａｘ（ｓｔｄ（ｉ）），ｉ＝１，…，ｍ；ｓｔｄｍｉｎ＝ｍｉｎ（ｓｔｄ（ｉ）），ｉ＝１，…，ｍ。ｌｄ（ｉ）和ｓｔｄ（ｉ）表示第ｉ个对象块的线性密度和灰度方差。
第ｉ个对象块隶属非城区的密度隶属函数!１′（ｉ）和方差
隶属函数!２′（ｉ）分别为：一次难忘的考试
!１′（ｉ）＝
ｌｄｍａｘ－ｌｄ（ｉ）
ｌｄｍａｘ－ｌｄｍｉｎ
（４）!２′（ｉ）＝
ｓｔｄｍａｘ－ｓｔｄ（ｉ）
ｓｔｄｍａｘ－ｓｔｄｍｉｎ
（５）第ｉ个对象块隶属城区、非城区的综合特征隶属函数为!（ｉ）、!′（ｉ）：
!（ｉ）＝ｗ１＊!１（ｉ）＋ｗ２＊!２（ｉ）（６）!′（ｉ）＝ｗ１＊!１′（ｉ）＋ｗ２＊!２′（ｉ）（７）其中ｗ１，ｗ２分别为线性密度特征和灰度方差特征所占权重，满足。ｗ１＋ｗ２＝１，ｗ１＝１，ｗ２＝０时，即为线性密度模糊分类；ｗ１＝０，ｗ２＝１时，即为方差模糊分类；实验中ｗ１、ｗ２分别取０．７、０．３。若!（ｉ）＞!′（ｉ）则第ｉ个对象块为城区，否则为非城区。实验结果表明综合特征模糊分类效果优于单特征模糊分类，分类速度与单特征模糊分类近似。
４初识别
４．１特征选择与提取
在灰度遥感图像中，物体通常由其灰度、纹理、形状等共同决定，而纹理则反映了图像灰度模式的空间分布，包含了图像的灰度信息与周围象素的空间结构关系，是遥感图像目标识别的一个基本特征。目前常用的纹理描述法主要分为：统计法、结构法、基于模型的和基于数学变换的方法。统计法是利用灰度值的空间分布统计特征进行分析，其中基于共生矩阵的纹理特征效果较好。基于空间灰度共生矩阵ｑｉ，ｊ的二阶纹理特征，如能量、相关性、惯性矩、局部平稳性作为纹理测度构成特征向量，可以很好地体现图像灰度的相互关系，反映城区特征。能量（ＣＯＮ）是反映了灰度分布的均匀性特征。分布越不均匀的粗纹理，能量也就越大。
ＣＯＮ＝
ｋ
ｉ＝１
!ｋ
ｊ＝１
!ｑｉ，ｊ２（８）相关性（ＣＯＲ）是反映ｑｉ，ｊ中行或列元素之间的相似程度的特征，是灰度线性关系的度量。对于粗纹理，对角线上ｑｉ，ｊ较大，其相关性相对较小。
ＣＯＲ＝
ｋ
ｉ＝１
!ｋ
ｊ＝１
!（（ｉ－ｕｘ）·（ｊ－ｕｙ）·ｑｉ，ｊ）
ｓｉｇｘ·ｓｉｇｙ
（９）其中，ｓｉｇｘ＝
ｋ
ｉ＝１
!（ｉ－ｕｘ）２·ｋ
ｊ＝１
!ｑｉ，ｊ
"#，ｓｉｇｙ＝ｋ
ｊ＝１
!（ｊ－ｕｙ）２·ｋ
ｉ＝１
!ｑｉ，ｊ
"$ｕｘ＝ｋ
ｉ＝１
!ｉ·ｋ
哈尔滨太阳岛
ｊ＝１
!ｑｉ，ｊ
薰衣草花%$，ｕｙ＝ｋ
ｊ＝１
!ｊ·ｋ
ｉ＝１
!ｑｉ，ｊ
"$
惯性矩（ＡＳＭ）特征：对细纹理反应灵敏。纹理越细ＡＳＭ值就越大。
ＡＳＭ＝
ｋ
ｉ＝１
!ｋ
ｊ＝１
!（（ｉ－ｊ）２·ｑｉ，ｊ）（１０）局部平稳（ＬＣ）特征：对粗纹理反应灵敏。
男女朋友昵称ＬＣ＝
ｋ
ｉ＝１
!ｋ
剪小花朵ｊ＝１
!ｑｉ，ｊ
１＋（ｉ－ｊ）２
"$（１１）４．２多特征判据投票算法
多特征判据投票算法，就是利用对象块的４个纹理特征：能量、相关性、惯性矩、局部平稳训练４个分量分类器，经过投票表决，得票最多的类即为初识别结果。具体算法过程如下：
４０
２００８，４４（３）算法区域生长本文算法
正确率／％８６９５
误判率／％１２３．５
漏判率／％
１４５
表１
传统区域生长方法与本文识别结果统计比较
（１）设ｐ１、ｐ２分别表示城区对象和非城区对象，每个对象ｐｉ
（ｉ＝１，２）有能量、相关性、惯性矩、局部平稳４个特征，分别表示为ｐｉ１
，ｐｉ２
，ｐｉ３
，ｐｉ４
（ｉ＝１，２）。
（２）Ｔｋ为对象ｐ１和ｐ２的第ｋ个特征构成的特征集合，Ｔｋ＝｛ｐ１ｋ，ｐ２ｋ｝
（ｋ＝１，２，３，４），用Ｔ１，Ｔ２，…，Ｔ４分别训练４个分类器Ｃ１，Ｃ２，…，Ｃ４。
Ｃ是类别集合，第ｉ类（ｉ＝１，２）用整数ｉ表示，Ｃ＝｛１，２｝。ｉ＝１表示城区类，ｉ＝２表示非城区类。
设ｆ是对象Ｐ到类别Ｃ的一个映射，ｆ（ｐｉ）＝ｊ，即Ｐ中第ｉ个对象ｐｉ对应于Ｃ中的ｊ类。
（３）令ｙ是疑似城区待分类对象，ｙ１、ｙ２、ｙ３、ｙ４是ｙ的４个特征。（４）利用基于监督的线性分类器，将ｙｉ送入分类器Ｃｉ中进行分类，分类结果为ｓｉ，即ｓｉ＝ｊ（ｉ＝１，２）。
（５）最后，用ｓ１、ｓ２、ｓ３、ｓ４投票，若ｓ１、ｓ２、ｓ３、ｓ４中最多的值为ｋ，则ｙ被判别为第ｋ类
（ｋ＝１，２）。为避免出现对象块不可分类的情况，在此限制城区类投票数至少为３，否则判为非城区。
５精确定位
由于城区的连续性，需要对初识别后的城区对象块进行空
洞填充和小面积过滤（当然不能排除存在极个别小面积城市区域的情况，这里不予考虑），得到是具有分块效应的一个个城市区域，因此需要进一步对区域边界进行细化和精确定位。
为此提出了自适应边界搜索算法，对城区边缘对象块进行细化，以获得象素级的区域边界。算法过程如下：
（１）对初识别后的城区对象块划分为中心块和边缘块两类。中心块定义为其四邻域的所有对象块均属于城区类，否则为边缘块。
（２）当中心块数大于值ｍ（ｍ是经验值）时，则从中心块中随机取出ｍ块，以其一阶特征灰度和方差的均值（分别记为
ｇｒａｙｍ、ｓｔｄｍ）作为进一步边缘细化的自适应条件，以加快识别
速度，提高识别正确率。
（３）对边缘块进行边界搜索、
细化。分别计算边缘块中以每个象素为中心的Ｎ×Ｎ窗口内的灰度平均值ｍｅａｎ和方差ｓｔｄ，以窗口的灰度平均值和方差特征代表中心象素的特征，当同时满足条件１、２时，该中心象素属于城区；否则，属于非城区。
条件１：ｇｒａｙｍ－ｓｔｄｍ＜ｍｅａｎ＜ｇｒａｙｍ＋ｓｔｄｍ条件２：ｓｔｄ＞ｓｔｄｍｅａｎ
６实验结果
利用本文的算法对具有不同空间分辨率、不同卫星传感器
以及不同地区、不同成像时间的Ｓｐｏｔ、ＱｕｉｃｋＢｉｒｄ等卫星遥感图像进行实验，均取得了良好的识别效果。图１是对５ｍ分辨率的Ｓｐｏｔ遥感图像的实验结果。
采用识别正确率、误判率和漏判率３个指标来衡量识别效果。识别正确率用正确识别的像素占原始影像实际城区象素的百分比来表示。误判率用错误识别为城区的像素占原始影像实际城区象素的百分比来表示。漏判率用未识别出的城区象素占
原始影像实际城区象素的百分比来表示。对１００多幅不同遥感图像的实验统计结果表明，平均识别正确率达到了９５％，误判率为３．５％，漏判率为５％。表１为传统区域生长方法与本文算法识别结果统计比较。结果数据表明，本文算法的识别正确率比基于区域生长的传统算法有明显的提高，误判率和漏判率也有明显的改善，对于噪声、
赵柏闻亮度和对比度具有很好的鲁棒性。７结论
基于可见光遥感图像的特点和城市区域地貌的复杂性，本
文针对单源可见光遥感图像，提出了一种由粗到细、逐步求精的城区自动识别新算法。建立了分层结构模型，采用模糊分类技术以及多特征判据投票技术，实现城区的预分类和初识别。利用自适应边缘搜索实现城区边界的精确定位和细化。实验结果表明该算法能有效地降低计算复杂度，提高识别速度，对于噪声、亮度和对比度具有很好的鲁棒性。与传统的基于区域生长识别相比，本文算法识别正确率高，且误判率、漏判率较低。（收稿日期：２００７年９月）
参考文献：
［１］ＣｏｎｓｏｌｅＥ，ＭｏｕｃｈｏｔＭＣ．Ｆｕｚｚｙｃｌａｓｓｉｆｉｃａｔｉｏｎｔｅｃｈｎｉｑｕｅｓｉｎｔｈｅｕｒ－
ｂａｎａｒｅａｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆＩＧＡＲＳＳ’９６ＩＥＥＥ，ＮｅｗＹｏｒｋ，１９９６：１３７３－１３７５．
［２］ＬｏｒｅｔｔｅＡ，ＤｅｓｃｏｍｂｅｓＸ，ＺｅｒｕｂｉａＪ．Ｔｅｘｔｕｒｅａｎａｌｙｓｉｓｔｈｒｏｕｇｈａ
ｍａｒｋｏｖｉａｎｍｏｄｅｌｌｉｎｇａｎｄｆｕｚｚｙｃｌａｓｓｉｆｉｃａｔｉｏｎ：ａｐｐｌｉｃａｔｉｏｎｔｏｕｒｂａｎａｒｅａｅｘｔｒａｃｔｉｏｎｆｒｏｍｓａｔｅｌｌｉｔｅｉｍａｇｅｓ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＣｏｍ－ｐｕｔｅｒＶｉｓｉｏｎ，２０００，３６
（３）：２２１－２３６．［３］ＳｕＪｕｎｙｉｎｇ，ＺｈａｎｇＪｉａｎｑｉｎｇ，ＨｕＱｉｎｇｗｕ．Ｔｅｃｈｎｉｑｕｅｆｏｒｓｅｍｉ－ａｕｔｏ－
ｍａｔｉｃｅｘｔｒａｃｔｉｏｎｏｆａｒｅｓｉｄｅｎｔｉａｌａｒｅａｉｎａｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆＳ
ＰＩＥ５２８６，Ｂｅｌｌｉｎｇｈａｍ，２００３：５１－５７．［４］路威，张占睦．多尺度几何信息分割算法在居民地提取中的应用［Ｊ］．
信息工程大学学报，２００３，４（２）：５４－５７．
［５］陈杉，秦其明．基于小波变换的高分辨率影像纹理结构分类方法［Ｊ］．
地理与地理信息科学，２００３，１９（３）：６－９．
［６］林辉，李际平，莫登奎．ＱｕｉｃｋＢｉｒｄ卫星图像信息识别［Ｊ］．中国图象图
形学报，２００５，１０（１０）：
１５０４－１５１０．
万寿红，岳丽华：一种新的遥感图像城区自动识别算法
４１
