一種基于遙感影像的空廢宅基地信息自動提取方法
【專利摘要】本發(fā)明提供一種基于遙感影像的空廢宅基地信息自動提取方法，該方法使用矢量地籍數(shù)據約束分割高分遙感影像，提出將一種多尺度空間結構上下文特征作為空廢宅基地識別特征，采用分類器分類判別的方法，有效地提高空廢宅基地識別精度，實現(xiàn)空廢宅基地的自動化提取。所述方法步驟主要包括：1)獲取廢棄宅基地待提取區(qū)域的高分遙感影像和矢量地籍數(shù)據，利用矢量地籍數(shù)據約束分割高分遙感影像，提取宅基地對象；2)以宅基地對象為父對象，繼續(xù)進行分割，提取宅基地內部子對象及空廢宅基地相關的房屋和庭院特征構成多維特征空間；3)選取樣本和分類器，進行分類器的訓練學習；4)采用分類器分類判別的方法，識別空廢宅基地斑塊，并輸出判別結果。
【專利說明】一種基于遙感影像的空廢宅基地信息自動提取方法

【技術領域】
[0001] 本發(fā)明涉及遙感影像信息提取【技術領域】，特別涉及一種基于遙感影像進行農村空 廢宅基地信息自動提取的方法。

【背景技術】
[0002] 我國快速工業(yè)化、城鎮(zhèn)化進程中，由于農村宅基地管理制度不完善，農村"一戶多 宅"、超標占用宅基地、宅地基空置、廢棄等低效利用問題比較突出，而且隨著工業(yè)化、城鎮(zhèn) 化的快速推進，這一問題正不斷加劇。根據全國人口普查數(shù)據，1995年我國農村人口峰值 為8. 6億，到2010年減少到6. 7億，預計至2020年將超過1億農民轉移進城，屆時有3億 多農村人口 "離村進城"，若現(xiàn)有城鄉(xiāng)二元體制與土地制度不能根本突破，農村空置、廢棄宅 基地將十分嚴重。因此，快速、準確地調查農村"空廢宅基地"的數(shù)量、面積等信息，摸清農 村宅基地空置、廢棄狀況，對政府在土地管理中科學決策具有重大的意義。
[0003] 遙感技術作為一種非接觸式獲取信息技術，尤其是當前高分遙感的發(fā)展，相對傳 統(tǒng)的地面實際調查走訪，具有節(jié)約成本、獲取周期短等顯著優(yōu)點。然而，目前關于高分影像 自動提取"農村空廢宅基地"信息方面的技術仍屬空白，實際應用主要依靠室內人工目視解 譯和室外走訪調查相結合的方式。
[0004] 人工目視解譯是根據高分遙感影像中空廢宅基地特征，如庭院含有大量植被、垃 圾，房屋老化、破損等判斷是否為空廢宅基地，手動勾畫出宅基地范圍的斑塊，并賦給斑塊 是否為空廢宅基地的屬性信息，然后根據解譯結果進行室外走訪調查，驗證其提取精度。這 種解譯方法的缺點在于解譯的邊界面積與實際地籍測量數(shù)據可能存在一定沖突，而且當進 行大范圍推廣時，不僅會耗費大量人力資源，還使信息獲取周期變長，同時信息提取結果由 于解譯人員干預，其結果也可能會在一定程度上受人為因素干擾，使結果喪失一定程度的 客觀性。
[0005] 隨著高分遙感衛(wèi)星的發(fā)射，一些面向高分遙感信息提取的方法，得到長足的發(fā)展。 其中基于分割的面向對象信息提取技術，因其基于人眼視覺認知機理，將基于像素的解譯 方法提升到基于對象的解譯方法，有效的解決了高分遙感影像中"同物異譜"和"異物同譜" 的問題，提高了解譯精度。但現(xiàn)有面向對象方法，經常忽略已有高精度數(shù)據的利用，使信息 提取的結果精度較低，且與已有數(shù)據出入較大。此外，現(xiàn)有面向對象方法中，在進行對象分 類識別時多利用對象的光譜、形狀、紋理特征，忽視了上下文特征。例如空廢宅基地的判斷， 僅利用宅基地自身對象的特征，忽略庭院的植被覆蓋度、屋頂?shù)钠茡p度等特征，以及這些特 征之間的綜合，即上下文特征，容易引起空廢宅基地的誤判。不注重自動化分類器，使用人 為設定的判別規(guī)則判斷對象的類別，是目前面向對象信息提取中難以實現(xiàn)全自動化的一個 重要原因。


【發(fā)明內容】

[0006] 針對上述問題，本發(fā)明提出了一種在遙感影像中自動提取農村空廢宅基地信息的 方法，本發(fā)明的方法利用矢量地籍數(shù)據的約束分割，并引入多尺度空間結構上下文特征，采 用模式識別方法識別空廢宅基地，實現(xiàn)了信息高精度、自動化提取。
[0007] 具體而言，本發(fā)明提供一種基于遙感影像的空廢宅基地信息提取方法，其特征在 于，該方法包括：
[0008] 步驟1 :提取宅基地對象，該步驟包括：
[0009] 步驟1-1 :獲取一區(qū)域的遙感影像以及該區(qū)域內的矢量地籍數(shù)據；
[0010] 步驟1-2 :對所獲得的遙感影像進行預處理；
[0011] 步驟1-3 :利用所述矢量地籍數(shù)據中的各宅基地的邊界范圍作為約束條件，對所 述遙感圖像進行分割，以分割出疑似宅基地對象；
[0012] 步驟1-4 :基于所述矢量地籍數(shù)據判斷所分割出的對象是否為宅基地對象，并將 判斷出的所有宅基地對象組成父對象集；
[0013] 步驟2 :提取宅基地對象的特征，該步驟包括：
[0014] 步驟2-1 :對所提取出的每個宅基地對象進行分解，將每個宅基地對象分解為多 個子對象；
[0015] 步驟2-2 :分別提取各個子對象的特征，為每個子對象構建一個特征集合；
[0016] 步驟2-3:整合所提取出的各個子對象的特征集合，構建表示父對象--宅基地對 象的多維特征空間；
[0017] 步驟3 :利用作為樣本的宅基地對象訓練分類器，使所述分類器能夠基于所述多 維特征空間從宅基地對象中識別出空廢宅基地；
[0018] 步驟4 :利用訓練后的分類器基于所述多維特征空間對所述遙感影像中的所有非 樣本宅基地對象進行識別，以便從所述宅基地對象中識別出空廢宅基地。
[0019] 進一步地，所述預處理包括對所述遙感影像進行幾何校正以及以矢量地籍數(shù)據投 影空間為基準進行投影轉換，所述子對象包括房屋和庭院。
[0020] 進一步地，作為樣本的宅基地對象也被成像在所述遙感影像中，并且作為樣本的 宅基地對象包括空廢宅基地和非空廢宅基地兩種類型的樣本。
[0021] 進一步地，所述步驟3包括：步驟3-1，將作為樣本的宅基地對象劃分為學習樣本 集和測試樣本集；步驟3-2,利用所述學習樣本集訓練所述分類器，步驟3-3,利用測試樣本 集對學習后的分類器進行驗證測試；步驟3-4,判斷學習后的分類器的分類結果是否滿足 預定精度標準，如果滿足預定標準則將學習后的分類器用于所述步驟4中對空廢宅基地的 識別，否則調整分類器參數(shù)或者改變學習樣本集和測試樣本集的劃分并且返回到步驟3-1。
[0022] 進一步地，其特征在于，所述步驟1-3包括：對經過預處理后的遙感影像以矢量地 籍數(shù)據中宅基地宗地邊界作為約束條件分割，使分割結果中的宅基地的邊界與矢量地籍數(shù) 據中的相應邊界一致。
[0023] 進一步地，所述步驟2-2中提取各個子對象的特征包括：房屋的光譜特征、房屋上 下文光譜特征，以及庭院上下文光譜特征和植被面積比，并且所述步驟2-3中整合所提取 出的各個子對象的特征集合包括：聯(lián)合以上特征構成宅基地對象上下文多維特征。
[0024] 進一步地，所述遙感影像為高分辨率遙感影像。
[0025] 本文所提到的約束分割具體是指：利用矢量地籍數(shù)據中宅基地宗地的邊界范圍約 束分割高分遙感影像，為后續(xù)對象的空間上下文關系提供合理的范圍，并且使得最終提取 的宅基地區(qū)邊界與已有矢量地籍數(shù)據庫保持一致。本發(fā)明所提到的遙感影像包括采用各種 方式（例如，衛(wèi)星、航拍等）所獲得一定區(qū)域的俯視圖像或圖像序列，影像的拍攝方向與堅 直方向平行或具有一定夾角。
[0026] 在步驟1 (宅基地對象集提?。┲?，本發(fā)明利用矢量地籍數(shù)據中的"宗地類型"屬 性來判斷約束分割結果中的對象是否為宅基地對象，將所有宅基地對象構成父對象集。
[0027] 步驟2 (即宅基地對象特征的提?。┦潜景l(fā)明方法創(chuàng)新的關鍵部分，因此，下面對 該步驟進行進一步展開說明。
[0028] 現(xiàn)有面向對象解譯方法，在利用光譜、形狀、紋理特征時，忽略了空間上下文的特 征。本發(fā)明方法在該特征提取的步驟中，在光譜、形狀、紋理特征的基礎上，引入空間上下文 多維特征，是提高空廢宅基地識別率的重要改進。在本發(fā)明方法中，空間上下文多維特征 指，能夠表現(xiàn)宅基地中房屋、庭院及雜草等對空廢宅基具有指示意義的組合、分布等特征， 即將宅基地分解為房屋和庭院，并將房屋和庭院再次分解，提取子對象之間的組合特征，最 后將再將這些特征聯(lián)合構成宅基地對象特征。具體包括以下四個步驟：
[0029] 1)多尺度分割。對父對象集進行多尺度分割（多尺度分割的概念和方法參照 eCognition使用手冊），分割參數(shù)設置可以通過欠分割率確定。欠分割率指在試驗區(qū)域中， 錯誤分割對象數(shù)占總分割對象數(shù)比例。當實驗多組分割參數(shù)而欠分割率相近時，通常取總 分割對象數(shù)較小的一組參數(shù)，以保證子分割對象空間范圍的緊湊性。
[0030] 2)子對象集分類。子對象集包括房屋、庭院。根據矢量地籍數(shù)據的詳盡程度，如果 包含房屋矢量邊界，則房屋對象可以在矢量約束下分割，直接提取房屋，同時可以將房屋子 對象集在宅基地對象集中的補集作為庭院子對象集；如果矢量邊界不包含房屋邊界，則可 以根據子對象的光譜、形狀、紋理特征，分別選取房屋和庭院的樣本，訓練相應的SVM分類 器，對子對象集進行分類，從而得到房屋子對象集和庭院子對象集。需要說明的是，此處分 類器與空廢宅基地識別的分類器不同，此處的分類器是為了當矢量地籍數(shù)據中不含有房屋 邊界時，區(qū)分宅基地子對象中的房屋和庭院而使用，該分類器可以是事先訓練好的，也可以 是通過樣本來訓練。
[0031] 3)子對象特征提取。該步驟主要目的提取子對象集房屋、庭院中與空廢宅基地相 關的特征。實地調查認為，空廢宅基地的房屋多數(shù)是一些建設年代較久遠，在影像上表現(xiàn)為 屋頂暗色調；此外，許多廢棄房屋還有不同程度的破損失修，在影像上表現(xiàn)為屋頂紋理的不 均勻性；空廢宅基地的庭院也因長久無人居住，導致一些雜草甚至灌叢的生長，垃圾堆放無 人清掃，在影像中表現(xiàn)為庭院大面積生長植被或者雜亂。因此，提取的子對象特征有房屋的 光譜、紋理特征，房屋上下文光譜特征，以及庭院上下文光譜特征和植被面積比。上下文光 譜特征的具體計算公式如下：

【權利要求】
1. 一種基于遙感影像的空廢宅基地f旨息自動提取方法，其特征在于，該方法包括： 步驟1;提取宅基地對象，該步驟包括： 步驟1-1;獲取研究區(qū)域的遙感影像W及該區(qū)域內的矢量地籍數(shù)據； 步驟1-2 ;對所獲得的遙感影像進行預處理； 步驟1-3 ;利用所述矢量地籍數(shù)據中的各宅基地邊界范圍作為約束條件，對所述遙感 圖像進行分割，得到疑似宅基地對象； 步驟1-4 ;基于所述矢量地籍數(shù)據判斷所分割出的對象是否為宅基地對象，并將判斷 出的所有宅基地對象組成父對象集； 步驟2 ;提取宅基地對象的特征，該步驟包括： 步驟2-1 ;對所提取出的每個宅基地對象進行再分割，將每個宅基地對象分解為多個 子對象； 步驟2-2 ;分別提取各個子對象的特征，為每個子對象構建一個特征集合； 步驟2-3;整合所提取出的各個子對象的特征集合，構建表示父對象一宅基地對象的 多維特征空間； 步驟3 ;利用作為樣本的宅基地對象訓練分類器，使所述分類器能夠基于所述多維特 征空間從宅基地對象中識別出空廢宅基地； 步驟4 ;利用訓練后的分類器基于所述多維特征空間對所述遙感影像中的所有非樣本 宅基地對象進行識別，W便從所述宅基地對象中識別出空廢宅基地。
2. 根據權利要求1所述的基于遙感影像的空廢宅基地信息提取方法，其特征在于，所 述預處理包括對所述遙感影像進行幾何校正W及W矢量地籍數(shù)據的投影空間為基準進行 投影轉換，所述子對象包括房屋和庭院。
3. 根據權利要求1所述的基于遙感影像的空廢宅基地信息提取方法，其特征在于，作 為樣本的宅基地對象也被成像在所述遙感影像中，并且作為樣本的宅基地對象包括空廢宅 基地和非空廢宅基地兩種類型的樣本。
4. 根據權利要求1所述的基于遙感影像的空廢宅基地信息提取方法，其特征在于，所 述步驟3包括；步驟3-1，將作為樣本的宅基地對象劃分為學習樣本集和測試樣本集；步驟 3-2,利用所述學習樣本集訓練所述分類器，步驟3-3,利用測試樣本集對學習后的分類器進 行驗證測試；步驟3-4,判斷學習后的分類器的分類結果是否滿足預定精度標準，如果滿足 預定標準則將學習后的分類器用于所述步驟4中對空廢宅基地的識別，否則調整分類器參 數(shù)或者改變學習樣本集和測試樣本集的劃分并且返回到步驟3-1。
5. 根據權利要求1所述的基于遙感影像的空廢宅基地信息提取方法，其特征在于，所 述步驟1-3包括；對經過預處理后的遙感影像W矢量地籍數(shù)據中宅基地宗地邊界作為約束 條件分割，使分割結果中的宅基地邊界與矢量地籍數(shù)據中的相應邊界一致。
6. 根據權利要求1所述的基于遙感影像的空廢宅基地信息提取方法，其特征在于，所 述步驟2-2中提取各個子對象的特征包括：房屋的光譜特征、房屋上下文光譜特征，W及庭 院上下文光譜特征和植被面積比，并且所述步驟2-3中整合所提取出的各個子對象的特征 集合包括：聯(lián)合W上特征構成宅基地對象上下文特征。
7. 根據權利要求1所述的基于遙感影像的空廢宅基地信息提取方法，其特征在于，所 述遙感影像為高空間分辨率遙感影像。
【文檔編號】G06K9/46GK104463168SQ201410688271
【公開日】2015年3月25日 申請日期:2014年11月25日 優(yōu)先權日:2014年11月25日
【發(fā)明者】劉彥隨, 楊曉梅, 王介勇, 王志華, 陳玉福 申請人:中國科學院地理科學與資源研究所