用于数字表面模型建筑物分割的LS-ORTSEG方法
闫奕名;赵春晖;崔颖
【摘 要】论语为政篇>节日英语单词Segmenting buildings in digital surface model (DSM) is a key technique of 3D city reconstruction bad on remote nsing data.In order to overcome the poor performance caud by the negative interference of topographic relief and edge in the gmentation of buildings in DSM,a hierarchical gmentation method named LS-ORTSEG is propod in light of both level-t (LS) method and the model of occlusions of random texture (ORTSEG).In this method,firstly,the potential building regions are extracted roughly by means of the LS method.Secondly,the regions are expanded properly.Then,the expanded regions are gmented by using the ORTSEG for an optimized gmentation of buildings.Experimental results show that the propod method can improve the gmentation accuracy of buildings effectively.%基于数字表面模型(DSM)的建筑物分割是遥感三维城市建模的关键技术之一.为解决DSM分割中因地形起伏和边界处干扰物等引起的建筑物分割精度低的问题,文中提出一种层次化的建筑物分割方法LS-ORTSEG.该方法首先利用水姜虎东老婆
平集方法初步提取各个潜在的建筑物区域,对各潜在区域进行适当扩展,进而针对扩展区域利用一种基于多重随机纹理模型的分割方法进行精细分割,进一步优化建筑物局部边界分割结果.实验表明,文中方法能够有效提高建筑物分割精度.
【期刊名称】《华南理工大学学报（自然科学版）》
小鸟简笔画彩色【年(卷),期】2017(045)003
秦时明月之龙腾万里【总页数】6页(P29-34)
【关键词】数字表面模型;建筑物分割;水平集;多重随机纹理模型
【作 者】闫奕名;赵春晖;崔颖
【作者单位】哈尔滨工程大学 信息与通信工程学院,黑龙江 哈尔滨 150001;哈尔滨工程大学 信息与通信工程学院,黑龙江 哈尔滨 150001;哈尔滨工程大学 信息与通信工程学院,黑龙江 哈尔滨 150001
【正文语种】中 文
【中图分类】TP751
多年来，随着遥感三维信息获取技术的迅猛发展，基于数字表面模型(DSM)的建筑物三维重建技术成为遥感信息处理领域的一大研究热点，逐渐成为实现精细三维地图制作、城市建模及可视化的必要工作[1- 6]，而从DSM中提取建筑物屋顶三维结构显然是首要工作.由于数据格式的相似性，在许多情况下，DSM往往作为数字图像进行处理.因而，图像分类、分割、边缘检测，或一些其他滤波方法等[7- 13]同样可用于处理DSM.DSM能够描述地表及地物的高程信息，由于建筑物通常是地表的主要凸起地物，许多研究人员提出基于水平集(LS)理论的方法来提取建筑物[14- 15].然而，当DSM地面分辨率较高时，由于建筑物周围各种低矮设施、树丛等干扰，使得建筑物边界的分割精度难以保证.MCCANN等[16]总结了当今绝大多数通用的图像分割方法的缺陷，认为现有方法过分关注分割区域的边界的描述和信息变化，致使传统方法对很多边界模糊的情况无效.MCCANN提出了一种多重随机纹理模型——ORTSEG，利用局部直方图特征建立无监督数学优化模型.ORTSEG方法具有十分优秀的处理效果，并且善于处理边界模糊或边界干扰较大的问题.因而可利用该方法处理DSM中建筑物分割问题，改善建筑物屋顶边缘的分割效果.然而，该方法的缺陷是对参数设定要求较高，并且不易处理由于地形起伏而产生的负面影响.综上，为了保留ORTSEG方
法原本强大的局部边界处理能力，同时削弱地形起伏对分割结果的不良影响，文中提出一种层次化的建筑物分割方法LS- ORTSEG，结合水平集理论Level- Set和多重随机纹理模型ORTSEG的各自优势，来解决基于DSM的建筑物分割时地形起伏和边界模糊等干扰引起的分割精度低的问题.首先利用Level- Set方法初步检测建筑物区域，并通过几何特征滤波筛选潜在建筑物区域来缩小ORTSEG方法的处理范围，进而利用ORTSEG方法处理各潜在的局部建筑物区域，既能够减少全局地形对ORTSEG方法的影响，又能发挥ORTSEG方法在局部处理中的优势.
1.1 基于ORTSEG的DSM分割原理
ORTSEG方法是由MCCANN等[16]在2014年提出，该算法首先将图像或数字矩阵表示为一系列随机纹理的组合叠加的形式，进而利用局部直方图变换、非负矩阵分解(NMF)以及图像去卷积等方法构造并求解基于图像统计特征的逼近优化模型，动态地搜索并获取对图像区域的无监督分类结果.ORTSEG方法在处理分割边界模糊方面是非常有效的，而在DSM中的建筑物局部边缘部位，周围环境中往往会存在如树丛、山坡等干扰因素，致使这些边缘处不易处理，而ORTSEG方法正适合处理这种情况下的分割问题，下面具体介绍ORTSEG方法原理.
首先定义指示函数方程为
式中,C表示某实数集，当某一样本x满足x∈C时，1C(x)函数值为1，否则为0.
然后，定义图像的局部直方图变换为
式中：x∈X， v∈V,X广义代表图像中的像素，x为某一像素，V广义代表图像内各ω大小的窗口内的所有x的均值，v为某一窗口中x的均值；局部直方图变换Lωf(x，v)是一个和为1的均值滤波器，其中ω为滤波窗口大小，将在x位置周围3×3的邻域内的像素值x′赋为v.
将函数σ：X→{0，1，…， N-1}定义为一个指示函数.随后，定义一系列图像关于指示函数σ的ORTSEG模型为
即将一幅图像表示为由一系列随机纹理图像f0，f1，...，fN-1及其指示函数σ的组合形式，所谓的“随机纹理”只是强调以组合方式描述一幅图像的纹理图像的数值定义可以是随机的，一旦确定利用某几种纹理对图像进行组合描述后，则这些数值就固定了.对于一个ORTSEG模型，各纹理的指示函数σ是未知的.而图像分割问题则可转化为恢复指示函数σ的问题.而MCCANN证明了一个重要结论：即当以一个ORTSEG模型描述一幅图像时，组
成这幅图像的每类纹理的局部直方图的组合是近似于原图像局部直方图的.于是，可将一个图像分割问题转化为如式(4)的优化问题，求解指示函数σ.
式中σ(x)=n}，是一系列属于第n个区域的像素；(v)是依据Xn中的像素生成的直方图.
为了更直接地求解式(4)，通过变量松弛来进行一种近似，如式(5)所示：
+
nω*1{n}(σ)-an
条件为，其中，{n}和{μn}是拉格朗日系数.
该问题第1部分是将图像f的局部直方图分解为直方图p0， p1，...， pN-1以及权重a0， a1，...， aN-1，其运用非负矩阵分解算法进行分解.第2部分是找到图像中每个区域的一个指示函数1{n}(σ(x))，这样，在模糊意义下，这个指示函数就与相关的权重an相似，该部分运用去卷积算法计算权重.第3部分保持直方图p0， p1，...， pN-1接近于区域的经验直方图(v)，是反复迭代优化计算过程.
鉴于以上原理，文中基于ORTSEG方法针对DSM数据的处理过程可总结为如下步骤：
1)首先利用k均值聚类的方法对DSM数据矩阵进行量化，得到量化后等大小的矩阵M；
2)用式(2)对M进行局部直方图变换.在这一步中，首先将M按式(3)进行处理，依据像素值相同的原则将其分为多个随机纹理图的组合，划分的层数可自行设定，并保留这些像素在原图像中的位置，利用均值滤波的方法对从原图像中分出的每层图像进行均值滤波，从而得到局部直方图变换结果Y.
3)利用非负矩阵分解，Yn×m≈Wn×r×Hr×m.其中权重矩阵H的每一行可以变形为一幅图像的权重an，在模糊意义下它可以视为指示函数ω*1{n}(σ)，为了从图像中恢复出指示函数σ，需求解式(6)进行去卷积：
拆除施工方案ω*1{n}(σ)-an
老子曰4)求解指示函数σ.通常将σ分解为满足约束条件n(x)=1的一系列具图像n}，之后通过轮流求解每一个n，并且在每次迭代中重新归一化，进而通过n(x)从n}恢复出指示函数σ.而MCCANN推荐一种快速算法，通过假设对所有的n有n=an，认为一个给定像素点的指示函
数值对应于在该点的直方图最大权重，即σ(x)=argmaxnan(x).
小孩子长高方法
5)确定指示函数中对应建筑物区域的类别标签，将建筑物区域进行标记.
1.2 基于LS- ORTSEG方法的建筑物分割
尽管ORTSEG方法在处理边界模糊问题时有突出的优势，然而，用于DSM分割时却存在不足之处.由于采用无监督分类的策略，ORTSEG方法中“类别数”参数的设置存在与待处理数据的实际类别数不对称的情况.例如，如果将场景区域DSM按照2类进行分割，那么平地区域和低矮树丛可能归为其中一类，高大树木和建筑物归为另一类，但如果按照3类进行分割，树木和建筑则不是一类.因而，当对一个较大地区的DSM设置一个共同的类别数时，就会顾此失彼.而由于文中针对建筑物进行分割，这种单一的设置会使得算法或将建筑物与高低起伏的地势混为一类，或将同样为建筑物的不同局部归为不同类别.
虽然ORTSEG方法具备自适应删减类别数的处理，但该处理在实际应用中并不稳定，难以较好地解决这类问题.于是，文中采用层次化的分割方式，首先确认建筑物区域的初步位置，进而利用ORTSEG方法处理各个局部的建筑物区域，这样既避免了建筑物的分割受到DSM全局地势起伏的影响，又能保证局部区域的分割效果.
LS-ORTSEG方法是将水平集方法与多重随机纹理模型相结合，其基本流程框架如图1所示，主要包括以下几大步骤：
(1)首先利用基于Chan-Ve模型的水平集方法(CV模型)[14]处理全局DSM，初步锁定S个连通域为潜在的建筑物区域.将建筑物区域标记为1，非建筑物区域标记为0，即获得全局DSM的二值分割结果；
(2)提取S个连通域的区域面积，矩形度等几何特征，设定筛选阈值，筛除部分非建筑物区域；
(3)提取经筛选后的潜在建筑物区域的最小外接矩形(MER).进而对各区域进行如图2所示的扩展，形成NEBR个扩展建筑物区域(EBR).
EBRi=MERi∪EXi(Δx′， Δy′)
第i个EBR是第i个的最小外接矩形MER和扩展区域EX在原DSM区域的并集.其中，Δx′、Δy′是水平和垂直方向上的扩展距离参数.如果建筑物处于原DSM的近边界处，则相应方向上扩展距离Δx′、Δy′要缩小至边界处，而另一侧保留原值.此外，为避免扩展区域过大而覆盖其
它建筑物，根据不同DSM的分辨率，Δx′和Δy′的取值应小于建筑物间最小间隔像素数.
