CN104766341A - 一种基于dsm和核密度估计的遥感影像建筑物变化检测方法 - Google Patents
一种基于dsm和核密度估计的遥感影像建筑物变化检测方法 Download PDFInfo
- Publication number
- CN104766341A CN104766341A CN201510221053.0A CN201510221053A CN104766341A CN 104766341 A CN104766341 A CN 104766341A CN 201510221053 A CN201510221053 A CN 201510221053A CN 104766341 A CN104766341 A CN 104766341A
- Authority
- CN
- China
- Prior art keywords
- sensing image
- dsm
- density estimator
- remote sensing
- change detecting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种基于DSM和核密度估计的遥感影像建筑物变化检测方法。包括如下步骤:全色遥感影像image1和image2进行预处理;分别提取角点;搜索候选建筑物中心点,并利用对称高斯概率密度函数进行核密度估计;叠加核密度估计结果,得到两个时相的核密度估计图;对核密度估计图进行差分运算,得到差分图Pdif;对差分图Pdif进行标注,得到变化区域CH;对变化区域CH进行提纯。本发明解决了高空间分辨率遥感影像中建筑物变化检测误检率和漏检率高,算法复杂等问题,成果可用于城市地理数据库的更新及违章建筑物的快速识别。
Description
技术领域
本发明涉及一种遥感影像处理领域,具体说是一种基于DSM和核密度估计的遥感影像建筑物变化检测方法。
背景技术
遥感影像建筑物变化检测就是从不同时期的遥感数据中定量分析和确定建筑物变化信息的技术。目前在国际上,许多专家学者力求寻找快速、自动化的变化检测方法,虽然研究人员已经提出了很多建筑物变化检测方法,但是这些方法往往缺乏有力的数学理论推导和数字化模型的建立,具体实施过程中的诸多步骤依然依赖人为经验指导,多数方法对用于变化检测的影像数据要求苛刻,对不同时相间的噪声、辐射差别等因素的影响比较敏感,缺乏自动高效的变化信息提取和分析方法,而且多是针对相同传感器获取的光学遥感影像设计的,对于不同传感器获得的遥感影像数据难以有效加以利用。尽管出现了许多建筑物变化检测技术和方法,并且在很多方面都得到应用,但是遥感影像建筑物变化检测中仍然存在着以下难点有待深入研究解决:(1)对数据质量要求高;(2)算法实用性不足;(3)变化检测的自动化程度较低。
发明内容
本发明提供了一种基于DSM和核密度估计的遥感影像建筑物变化检测方法,充分利用DSM三维数据以提高检测的准确性,算法无需人工干预,自动化程度高,大大降低了误检率和漏检率。
为实现本发明的目标所采用的技术方案是:方法包括以下步骤:
步骤1:分别对同一地区两个时相的全色遥感影像image1和image2进行预处理;
步骤2:分别在image1和image2中提取角点;
步骤3:利用DSM数据,搜索以某一角点为中心,尺寸为L×L的窗口内的最高点(xm,ym),将最高点(xm,ym)作为候选建筑物中心点,并利用对称高斯概率密度函数进行核密度估计;
步骤4:分别运用步骤3的方法对image1和image2中的所有角点进行核密度估计结果的叠加,对应得到核密度估计图Pmap1和Pmap2;
步骤5:对核密度估计图Pmap1和Pmap2进行差分运算,得到差分图Pdif;
步骤6:对差分图Pdif进行标注,将标注区域作为变化区域CH;
步骤7:对变化区域CH进行提纯。
所述的预处理是指辐射校正、几何校正以及两个时相的全色遥感影像image1和image2之间的配准。
所述的角点采用Moravec角点提取方法进行提取。
所述的选取最高点使用的窗口尺寸L的大小设置为影像image1和image2中所有建筑物的平均尺寸的1.2倍。
所述的对称高斯概率密度函数为:
其中,σ=L/4。
所述的对所有候选建筑物中心点(xm,ym)进行核密度估计结果叠加的公式为:
其中,k∈{1,2},表示第1或第2时相的影像;N表示对应影像中提取的角点的数量;(xm(i),ym(i))表示以第i个角点为中心的窗口中提取的最高点。
所述的对变化区域进行提纯的方法为:删除变化区域CH中面积小于5的区域。
本发明的有益效果是:解决了高空间分辨率遥感影像中建筑物变化检测误检率和漏检率高,算法复杂等问题,成果可用于城市地理数据库的更新及违章建筑物的快速识别。
附图说明
图1是本发明的总体处理流程图。
具体实施方式
下面结合附图详细描述本发明的具体实施方式。
在步骤101,输入的待处理遥感影像为同一地区两个时相的Quick bird的全色影像image1和image2,尺寸均为4000×4000。
在步骤102,分别对image1和image2进行辐射校正、几何校正以及影像之间的配准。
在步骤103,采用Moravec角点提取方法分别对image1和image2进行角点提取。
在步骤104,利用DSM数据,搜索以某一角点为中心,尺寸为120×120的窗口内的最高点(xm,ym),将最高点(xm,ym)作为候选建筑物中心点。
在步骤105,利用对称高斯概率密度函数:
其中,σ=30,以每个候选建筑物中心点分别对image1和image2进行核密度估计。
在步骤106,对所有候选建筑物中心点(xm,ym)进行核密度估计结果叠加的公式为:
其中,k∈{1,2},表示第1或第2时相的影像;N表示对应影像中提取的角点的数量;(xm(i),ym(i))表示以第i个角点为中心的窗口中提取的最高点,对应得到核密度估计图Pmap1和Pmap2。
在步骤107,差分图Pdif=Pmap1-Pmap2。
在步骤108,对差分图Pdif进行标注、删除变化区域CH中面积小于5的区域得到输出建筑物变化区域。
Claims (7)
1.一种基于DSM和核密度估计的遥感影像建筑物变化检测方法,其特征在于包括以下步骤:
步骤1:分别对同一地区两个时相的全色遥感影像image1和image2进行预处理;
步骤2:分别在image1和image2中提取角点;
步骤3:利用DSM数据,搜索以某一角点为中心,尺寸为L×L的窗口内的最高点(xm,ym),将最高点(xm,ym)作为候选建筑物中心点,并利用对称高斯概率密度函数进行核密度估计;
步骤4:分别运用步骤3的方法对image1和image2中的所有角点进行核密度估计结果的叠加,对应得到核密度估计图Pmap1和Pmap2;
步骤5:对核密度估计图Pmap1和Pmap2进行差分运算,得到差分图Pdif;
步骤6:对差分图Pdif进行标注,将标注区域作为变化区域CH;
步骤7:对变化区域CH进行提纯。
2.根据权利要求1所述的一种基于DSM和核密度估计的遥感影像建筑物变化检测方法,其特征在于所述的预处理是指辐射校正、几何校正以及两个时相的全色遥感影像image1和image2之间的配准。
3.根据权利要求1所述的一种基于DSM和核密度估计的遥感影像建筑物变化检测方法,其特征在于所述的角点采用Moravec角点提取方法进行提取。
4.根据权利要求1所述的一种基于DSM和核密度估计的遥感影像建筑物变化检测方法,其特征在于所述的选取最高点使用的窗口尺寸L的大小设置为影像image1和image2中所有建筑物的平均尺寸的1.2倍。
5.根据权利要求1所述的一种基于DSM和核密度估计的遥感影像建筑物变化检测方法,其特征在于对称高斯概率密度函数为:
其中,σ=L/4。
6.根据权利要求1所述的一种基于DSM和核密度估计的遥感影像建筑物变化检测方法,其特征在于对所有候选建筑物中心点(xm,ym)进行核密度估计结果叠加的公式为:
其中,k∈{1,2},表示第1或第2时相的影像;N表示对应影像中提取的角点的数量;(xm(i),ym(i))表示以第i个角点为中心的窗口中提取的最高点。
7.根据权利要求1所述的一种基于DSM和核密度估计的遥感影像建筑物变化检测方法,其特征在于对变化区域进行提纯的方法为:删除变化区域CH中面积小于5的区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510221053.0A CN104766341B (zh) | 2015-05-04 | 2015-05-04 | 一种基于dsm和核密度估计的遥感影像建筑物变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510221053.0A CN104766341B (zh) | 2015-05-04 | 2015-05-04 | 一种基于dsm和核密度估计的遥感影像建筑物变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104766341A true CN104766341A (zh) | 2015-07-08 |
CN104766341B CN104766341B (zh) | 2018-01-12 |
Family
ID=53648146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510221053.0A Expired - Fee Related CN104766341B (zh) | 2015-05-04 | 2015-05-04 | 一种基于dsm和核密度估计的遥感影像建筑物变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104766341B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447208A (zh) * | 2016-02-01 | 2016-03-30 | 福建师范大学 | 一种面向建筑物的城市地理数据库自动更新方法 |
CN105893972A (zh) * | 2016-04-08 | 2016-08-24 | 深圳市智绘科技有限公司 | 基于影像进行的违章建筑物自动监测方法及其实现系统 |
CN106846332A (zh) * | 2016-12-30 | 2017-06-13 | 中国人民解放军61540部队 | 一种基于dsm的遥感影像变化检测方法及装置 |
CN108681692A (zh) * | 2018-04-10 | 2018-10-19 | 华南理工大学 | 一种基于深度学习的遥感图像内新增建筑识别方法 |
CN109448030A (zh) * | 2018-10-19 | 2019-03-08 | 福建师范大学 | 一种变化区域提取方法 |
CN110136128A (zh) * | 2019-05-20 | 2019-08-16 | 中国矿业大学 | 基于Rao检验的SAR影像变化检测方法 |
CN112819753A (zh) * | 2021-01-12 | 2021-05-18 | 香港理工大学深圳研究院 | 一种建筑物变化检测方法、装置、智能终端及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6823271B1 (en) * | 2003-06-30 | 2004-11-23 | The Boeing Company | Multi-phase flow meter for crude oil |
CN101141633A (zh) * | 2007-08-28 | 2008-03-12 | 湖南大学 | 一种复杂场景中的运动目标检测与跟踪方法 |
CN101437113A (zh) * | 2007-11-14 | 2009-05-20 | 汉王科技股份有限公司 | 自适应内核密度估计运动检测装置与方法 |
-
2015
- 2015-05-04 CN CN201510221053.0A patent/CN104766341B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6823271B1 (en) * | 2003-06-30 | 2004-11-23 | The Boeing Company | Multi-phase flow meter for crude oil |
CN101141633A (zh) * | 2007-08-28 | 2008-03-12 | 湖南大学 | 一种复杂场景中的运动目标检测与跟踪方法 |
CN101437113A (zh) * | 2007-11-14 | 2009-05-20 | 汉王科技股份有限公司 | 自适应内核密度估计运动检测装置与方法 |
Non-Patent Citations (2)
Title |
---|
牛君: "基于非参数密度估计点样本分析建模的应用研究", 《中国优秀博士学位论文全文数据库信息科技辑》 * |
范文章: "多时相遥感图像变化检测方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447208A (zh) * | 2016-02-01 | 2016-03-30 | 福建师范大学 | 一种面向建筑物的城市地理数据库自动更新方法 |
CN105447208B (zh) * | 2016-02-01 | 2019-02-01 | 福建师范大学 | 一种面向建筑物的城市地理数据库自动更新方法 |
CN105893972A (zh) * | 2016-04-08 | 2016-08-24 | 深圳市智绘科技有限公司 | 基于影像进行的违章建筑物自动监测方法及其实现系统 |
CN105893972B (zh) * | 2016-04-08 | 2022-03-11 | 深圳市智绘科技有限公司 | 基于影像进行的违章建筑物自动监测方法及其实现系统 |
CN106846332A (zh) * | 2016-12-30 | 2017-06-13 | 中国人民解放军61540部队 | 一种基于dsm的遥感影像变化检测方法及装置 |
CN108681692A (zh) * | 2018-04-10 | 2018-10-19 | 华南理工大学 | 一种基于深度学习的遥感图像内新增建筑识别方法 |
CN108681692B (zh) * | 2018-04-10 | 2022-03-25 | 华南理工大学 | 一种基于深度学习的遥感图像内新增建筑识别方法 |
CN109448030A (zh) * | 2018-10-19 | 2019-03-08 | 福建师范大学 | 一种变化区域提取方法 |
CN110136128A (zh) * | 2019-05-20 | 2019-08-16 | 中国矿业大学 | 基于Rao检验的SAR影像变化检测方法 |
CN112819753A (zh) * | 2021-01-12 | 2021-05-18 | 香港理工大学深圳研究院 | 一种建筑物变化检测方法、装置、智能终端及存储介质 |
CN112819753B (zh) * | 2021-01-12 | 2021-11-30 | 香港理工大学深圳研究院 | 一种建筑物变化检测方法、装置、智能终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104766341B (zh) | 2018-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104766341A (zh) | 一种基于dsm和核密度估计的遥感影像建筑物变化检测方法 | |
US11244197B2 (en) | Fast and robust multimodal remote sensing image matching method and system | |
CN110705457B (zh) | 一种遥感影像建筑物变化检测方法 | |
CN104637073B (zh) | 一种基于太阳照射阴影补偿的带状地下结构探测方法 | |
CN102938066B (zh) | 一种基于多元数据重建建筑物外轮廓多边形的方法 | |
Hou et al. | Deep learning-based subsurface target detection from GPR scans | |
CN104599292B (zh) | 一种基于低秩矩阵分解的抗噪运动目标检测算法 | |
US9625611B2 (en) | Method for detecting zonal underground target in mountain land based on ridge heat radiation correction | |
CN102542551B (zh) | 极地冰盖边缘浮冰自动变化检测技术 | |
CN101916373B (zh) | 基于小波检测和脊线跟踪的道路半自动提取方法 | |
Zhang et al. | Learning from GPS trajectories of floating car for CNN-based urban road extraction with high-resolution satellite imagery | |
CN106952288A (zh) | 基于卷积特征和全局搜索检测的长时遮挡鲁棒跟踪方法 | |
CN104197933B (zh) | 一种望远镜视场中高星等滑动恒星的增强和提取方法 | |
CN104936287A (zh) | 基于矩阵补全的传感网室内指纹定位方法 | |
CN103489193B (zh) | 基于融合策略的面向对象的高分辨率遥感影像变化检测方法 | |
CN104537686B (zh) | 基于目标时空一致性和局部稀疏表示的跟踪方法及装置 | |
CN104867137A (zh) | 一种基于改进ransac算法的图像配准方法 | |
CN103093459A (zh) | 利用机载LiDAR点云数据辅助影像匹配的方法 | |
CN105913452A (zh) | 空间碎片实时检测与跟踪方法 | |
CN102789578A (zh) | 基于多源目标特征支持的红外遥感图像变化检测方法 | |
CN105550703A (zh) | 一种适用于人体再识别的图片相似度计算方法 | |
CN103927743A (zh) | 一种遥感成像中人造目标的检测方法 | |
Liao et al. | BCE-Net: Reliable building footprints change extraction based on historical map and up-to-date images using contrastive learning | |
Lin et al. | Dual-task network for road extraction from high-resolution remote sensing images | |
CN104240265A (zh) | 一种基于全局约束的多目标跟踪方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 350300 Fujian Fuqing Longjiang Street campus New Village No. 1 Fu Normal University research and Development Center Applicant after: Fujian Normal University Address before: Minhou County of Fuzhou City, Fujian province 350108 University City streets Qishan Campus University Department of science and technology Applicant before: Fujian Normal University |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180112 |
|
CF01 | Termination of patent right due to non-payment of annual fee |