一种基于遥感影像的空废宅基地信息自动提取方法
【专利摘要】本发明提供一种基于遥感影像的空废宅基地信息自动提取方法，该方法使用矢量地籍数据约束分割高分遥感影像，提出将一种多尺度空间结构上下文特征作为空废宅基地识别特征，采用分类器分类判别的方法，有效地提高空废宅基地识别精度，实现空废宅基地的自动化提取。所述方法步骤主要包括：1)获取废弃宅基地待提取区域的高分遥感影像和矢量地籍数据，利用矢量地籍数据约束分割高分遥感影像，提取宅基地对象；2)以宅基地对象为父对象，继续进行分割，提取宅基地内部子对象及空废宅基地相关的房屋和庭院特征构成多维特征空间；3)选取样本和分类器，进行分类器的训练学习；4)采用分类器分类判别的方法，识别空废宅基地斑块，并输出判别结果。
【专利说明】一种基于遥感影像的空废宅基地信息自动提取方法
【技术领域】
[0001] 本发明涉及遥感影像信息提取【技术领域】，特别涉及一种基于遥感影像进行农村空 废宅基地信息自动提取的方法。
【背景技术】
[0002] 我国快速工业化、城镇化进程中，由于农村宅基地管理制度不完善，农村"一户多 宅"、超标占用宅基地、宅地基空置、废弃等低效利用问题比较突出，而且随着工业化、城镇 化的快速推进，这一问题正不断加剧。根据全国人口普查数据，1995年我国农村人口峰值 为8. 6亿，到2010年减少到6. 7亿，预计至2020年将超过1亿农民转移进城，届时有3亿 多农村人口 "离村进城"，若现有城乡二元体制与土地制度不能根本突破，农村空置、废弃宅 基地将十分严重。因此，快速、准确地调查农村"空废宅基地"的数量、面积等信息，摸清农 村宅基地空置、废弃状况，对政府在土地管理中科学决策具有重大的意义。
[0003] 遥感技术作为一种非接触式获取信息技术，尤其是当前高分遥感的发展，相对传 统的地面实际调查走访，具有节约成本、获取周期短等显著优点。然而，目前关于高分影像 自动提取"农村空废宅基地"信息方面的技术仍属空白，实际应用主要依靠室内人工目视解 译和室外走访调查相结合的方式。
[0004] 人工目视解译是根据高分遥感影像中空废宅基地特征，如庭院含有大量植被、垃 圾，房屋老化、破损等判断是否为空废宅基地，手动勾画出宅基地范围的斑块，并赋给斑块 是否为空废宅基地的属性信息，然后根据解译结果进行室外走访调查，验证其提取精度。这 种解译方法的缺点在于解译的边界面积与实际地籍测量数据可能存在一定冲突，而且当进 行大范围推广时，不仅会耗费大量人力资源，还使信息获取周期变长，同时信息提取结果由 于解译人员干预，其结果也可能会在一定程度上受人为因素干扰，使结果丧失一定程度的 客观性。
[0005] 随着高分遥感卫星的发射，一些面向高分遥感信息提取的方法，得到长足的发展。 其中基于分割的面向对象信息提取技术，因其基于人眼视觉认知机理，将基于像素的解译 方法提升到基于对象的解译方法，有效的解决了高分遥感影像中"同物异谱"和"异物同谱" 的问题，提高了解译精度。但现有面向对象方法，经常忽略已有高精度数据的利用，使信息 提取的结果精度较低，且与已有数据出入较大。此外，现有面向对象方法中，在进行对象分 类识别时多利用对象的光谱、形状、纹理特征，忽视了上下文特征。例如空废宅基地的判断， 仅利用宅基地自身对象的特征，忽略庭院的植被覆盖度、屋顶的破损度等特征，以及这些特 征之间的综合，即上下文特征，容易引起空废宅基地的误判。不注重自动化分类器，使用人 为设定的判别规则判断对象的类别，是目前面向对象信息提取中难以实现全自动化的一个 重要原因。
【发明内容】
[0006] 针对上述问题，本发明提出了一种在遥感影像中自动提取农村空废宅基地信息的 方法，本发明的方法利用矢量地籍数据的约束分割，并引入多尺度空间结构上下文特征，采 用模式识别方法识别空废宅基地，实现了信息高精度、自动化提取。
[0007] 具体而言，本发明提供一种基于遥感影像的空废宅基地信息提取方法，其特征在 于，该方法包括：
[0008] 步骤1 :提取宅基地对象，该步骤包括：
[0009] 步骤1-1 :获取一区域的遥感影像以及该区域内的矢量地籍数据；
[0010] 步骤1-2 :对所获得的遥感影像进行预处理；
[0011] 步骤1-3 :利用所述矢量地籍数据中的各宅基地的边界范围作为约束条件，对所 述遥感图像进行分割，以分割出疑似宅基地对象；
[0012] 步骤1-4 :基于所述矢量地籍数据判断所分割出的对象是否为宅基地对象，并将 判断出的所有宅基地对象组成父对象集；
[0013] 步骤2 :提取宅基地对象的特征，该步骤包括：
[0014] 步骤2-1 :对所提取出的每个宅基地对象进行分解，将每个宅基地对象分解为多 个子对象；
[0015] 步骤2-2 :分别提取各个子对象的特征，为每个子对象构建一个特征集合；
[0016] 步骤2-3:整合所提取出的各个子对象的特征集合，构建表示父对象--宅基地对 象的多维特征空间；
[0017] 步骤3 :利用作为样本的宅基地对象训练分类器，使所述分类器能够基于所述多 维特征空间从宅基地对象中识别出空废宅基地；
[0018] 步骤4 :利用训练后的分类器基于所述多维特征空间对所述遥感影像中的所有非 样本宅基地对象进行识别，以便从所述宅基地对象中识别出空废宅基地。
[0019] 进一步地，所述预处理包括对所述遥感影像进行几何校正以及以矢量地籍数据投 影空间为基准进行投影转换，所述子对象包括房屋和庭院。
[0020] 进一步地，作为样本的宅基地对象也被成像在所述遥感影像中，并且作为样本的 宅基地对象包括空废宅基地和非空废宅基地两种类型的样本。
[0021] 进一步地，所述步骤3包括：步骤3-1，将作为样本的宅基地对象划分为学习样本 集和测试样本集；步骤3-2,利用所述学习样本集训练所述分类器，步骤3-3,利用测试样本 集对学习后的分类器进行验证测试；步骤3-4,判断学习后的分类器的分类结果是否满足 预定精度标准，如果满足预定标准则将学习后的分类器用于所述步骤4中对空废宅基地的 识别，否则调整分类器参数或者改变学习样本集和测试样本集的划分并且返回到步骤3-1。
[0022] 进一步地，其特征在于，所述步骤1-3包括：对经过预处理后的遥感影像以矢量地 籍数据中宅基地宗地边界作为约束条件分割，使分割结果中的宅基地的边界与矢量地籍数 据中的相应边界一致。
[0023] 进一步地，所述步骤2-2中提取各个子对象的特征包括：房屋的光谱特征、房屋上 下文光谱特征，以及庭院上下文光谱特征和植被面积比，并且所述步骤2-3中整合所提取 出的各个子对象的特征集合包括：联合以上特征构成宅基地对象上下文多维特征。
[0024] 进一步地，所述遥感影像为高分辨率遥感影像。
[0025] 本文所提到的约束分割具体是指：利用矢量地籍数据中宅基地宗地的边界范围约 束分割高分遥感影像，为后续对象的空间上下文关系提供合理的范围，并且使得最终提取 的宅基地区边界与已有矢量地籍数据库保持一致。本发明所提到的遥感影像包括采用各种 方式（例如，卫星、航拍等）所获得一定区域的俯视图像或图像序列，影像的拍摄方向与坚 直方向平行或具有一定夹角。
[0026] 在步骤1 (宅基地对象集提取）中，本发明利用矢量地籍数据中的"宗地类型"属 性来判断约束分割结果中的对象是否为宅基地对象，将所有宅基地对象构成父对象集。
[0027] 步骤2 (即宅基地对象特征的提取）是本发明方法创新的关键部分，因此，下面对 该步骤进行进一步展开说明。
[0028] 现有面向对象解译方法，在利用光谱、形状、纹理特征时，忽略了空间上下文的特 征。本发明方法在该特征提取的步骤中，在光谱、形状、纹理特征的基础上，引入空间上下文 多维特征，是提高空废宅基地识别率的重要改进。在本发明方法中，空间上下文多维特征 指，能够表现宅基地中房屋、庭院及杂草等对空废宅基具有指示意义的组合、分布等特征， 即将宅基地分解为房屋和庭院，并将房屋和庭院再次分解，提取子对象之间的组合特征，最 后将再将这些特征联合构成宅基地对象特征。具体包括以下四个步骤：
[0029] 1)多尺度分割。对父对象集进行多尺度分割（多尺度分割的概念和方法参照 eCognition使用手册），分割参数设置可以通过欠分割率确定。欠分割率指在试验区域中， 错误分割对象数占总分割对象数比例。当实验多组分割参数而欠分割率相近时，通常取总 分割对象数较小的一组参数，以保证子分割对象空间范围的紧凑性。
[0030] 2)子对象集分类。子对象集包括房屋、庭院。根据矢量地籍数据的详尽程度，如果 包含房屋矢量边界，则房屋对象可以在矢量约束下分割，直接提取房屋，同时可以将房屋子 对象集在宅基地对象集中的补集作为庭院子对象集；如果矢量边界不包含房屋边界，则可 以根据子对象的光谱、形状、纹理特征，分别选取房屋和庭院的样本，训练相应的SVM分类 器，对子对象集进行分类，从而得到房屋子对象集和庭院子对象集。需要说明的是，此处分 类器与空废宅基地识别的分类器不同，此处的分类器是为了当矢量地籍数据中不含有房屋 边界时，区分宅基地子对象中的房屋和庭院而使用，该分类器可以是事先训练好的，也可以 是通过样本来训练。
[0031] 3)子对象特征提取。该步骤主要目的提取子对象集房屋、庭院中与空废宅基地相 关的特征。实地调查认为，空废宅基地的房屋多数是一些建设年代较久远，在影像上表现为 屋顶暗色调；此外，许多废弃房屋还有不同程度的破损失修，在影像上表现为屋顶纹理的不 均匀性；空废宅基地的庭院也因长久无人居住，导致一些杂草甚至灌丛的生长，垃圾堆放无 人清扫，在影像中表现为庭院大面积生长植被或者杂乱。因此，提取的子对象特征有房屋的 光谱、纹理特征，房屋上下文光谱特征，以及庭院上下文光谱特征和植被面积比。上下文光 谱特征的具体计算公式如下：
【权利要求】
1. 一种基于遙感影像的空废宅基地f旨息自动提取方法，其特征在于，该方法包括： 步骤1;提取宅基地对象，该步骤包括： 步骤1-1;获取研究区域的遥感影像W及该区域内的矢量地籍数据； 步骤1-2 ;对所获得的遥感影像进行预处理； 步骤1-3 ;利用所述矢量地籍数据中的各宅基地边界范围作为约束条件，对所述遥感 图像进行分割，得到疑似宅基地对象； 步骤1-4 ;基于所述矢量地籍数据判断所分割出的对象是否为宅基地对象，并将判断 出的所有宅基地对象组成父对象集； 步骤2 ;提取宅基地对象的特征，该步骤包括： 步骤2-1 ;对所提取出的每个宅基地对象进行再分割，将每个宅基地对象分解为多个 子对象； 步骤2-2 ;分别提取各个子对象的特征，为每个子对象构建一个特征集合； 步骤2-3;整合所提取出的各个子对象的特征集合，构建表示父对象一宅基地对象的 多维特征空间； 步骤3 ;利用作为样本的宅基地对象训练分类器，使所述分类器能够基于所述多维特 征空间从宅基地对象中识别出空废宅基地； 步骤4 ;利用训练后的分类器基于所述多维特征空间对所述遥感影像中的所有非样本 宅基地对象进行识别，W便从所述宅基地对象中识别出空废宅基地。
2. 根据权利要求1所述的基于遥感影像的空废宅基地信息提取方法，其特征在于，所 述预处理包括对所述遥感影像进行几何校正W及W矢量地籍数据的投影空间为基准进行 投影转换，所述子对象包括房屋和庭院。
3. 根据权利要求1所述的基于遥感影像的空废宅基地信息提取方法，其特征在于，作 为样本的宅基地对象也被成像在所述遥感影像中，并且作为样本的宅基地对象包括空废宅 基地和非空废宅基地两种类型的样本。
4. 根据权利要求1所述的基于遥感影像的空废宅基地信息提取方法，其特征在于，所 述步骤3包括；步骤3-1，将作为样本的宅基地对象划分为学习样本集和测试样本集；步骤 3-2,利用所述学习样本集训练所述分类器，步骤3-3,利用测试样本集对学习后的分类器进 行验证测试；步骤3-4,判断学习后的分类器的分类结果是否满足预定精度标准，如果满足 预定标准则将学习后的分类器用于所述步骤4中对空废宅基地的识别，否则调整分类器参 数或者改变学习样本集和测试样本集的划分并且返回到步骤3-1。
5. 根据权利要求1所述的基于遥感影像的空废宅基地信息提取方法，其特征在于，所 述步骤1-3包括；对经过预处理后的遥感影像W矢量地籍数据中宅基地宗地边界作为约束 条件分割，使分割结果中的宅基地边界与矢量地籍数据中的相应边界一致。
6. 根据权利要求1所述的基于遥感影像的空废宅基地信息提取方法，其特征在于，所 述步骤2-2中提取各个子对象的特征包括：房屋的光谱特征、房屋上下文光谱特征，W及庭 院上下文光谱特征和植被面积比，并且所述步骤2-3中整合所提取出的各个子对象的特征 集合包括：联合W上特征构成宅基地对象上下文特征。
7. 根据权利要求1所述的基于遥感影像的空废宅基地信息提取方法，其特征在于，所 述遥感影像为高空间分辨率遥感影像。
【文档编号】G06K9/46GK104463168SQ201410688271
【公开日】2015年3月25日 申请日期:2014年11月25日 优先权日:2014年11月25日
【发明者】刘彦随, 杨晓梅, 王介勇, 王志华, 陈玉福 申请人:中国科学院地理科学与资源研究所