CN104915672B - 一种基于高分辨率遥感图像的矩形建筑物提取方法及系统 - Google Patents
一种基于高分辨率遥感图像的矩形建筑物提取方法及系统 Download PDFInfo
- Publication number
- CN104915672B CN104915672B CN201410093123.4A CN201410093123A CN104915672B CN 104915672 B CN104915672 B CN 104915672B CN 201410093123 A CN201410093123 A CN 201410093123A CN 104915672 B CN104915672 B CN 104915672B
- Authority
- CN
- China
- Prior art keywords
- angle
- shaped
- rectangular
- image
- angle structure
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000000605 extraction Methods 0.000 claims abstract description 50
- 239000000284 extract Substances 0.000 claims abstract description 13
- 238000012805 post-processing Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000003139 buffering effect Effects 0.000 claims description 5
- 239000013589 supplement Substances 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000012946 outsourcing Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000007796 conventional method Methods 0.000 abstract description 4
- 241001212149 Cathetus Species 0.000 abstract description 3
- 239000000463 material Substances 0.000 abstract description 3
- 239000003086 colorant Substances 0.000 abstract description 2
- 239000000203 mixture Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 241000165780 Preussia/Sporomiella species complex Species 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000010197 meta-analysis Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于高分辨率遥感图像的矩形建筑物提取方法及系统。首先提取遥感图像中的直线段特征，然后利用直线段提取结果提取直角结构，并组织直角结构组成矩形结构元素；对于未能组合出完整矩形结构的孤立直角结构以及U型结构，采用矩形弹性轮廓利用图像梯度信息补充未提取的边界，得到建筑物的矩形结构提取结果。进一步还包括预处理和后处理步骤。本发明解决了传统方法中直线段提取结果不好、鲁棒性不足和搜索策略欠佳的问题，操作简单、运算速度快，能够高效准确地提取遥感图像中不同颜色、不同材质、不同尺寸的矩形建筑物。
Description
技术领域
本发明属于遥感图像目标识别技术领域，具体涉及一种基于高分辨率遥感图像的矩形建筑物提取方法及系统。
背景技术
高分辨率遥感图像是基础地理数据库的重要信息源，建筑物作为其中一类重要的人工地物目标，实现其自动提取具有重要意义。由于建筑物屋顶材质多种多样，在遥感图像中表现出的光谱特征千差万别，采用基于光谱的遥感图像分类提取方法难以获得理想的效果。而绝大多数建筑物具有形状规则、边缘为直线、存在直角拐点等特有的几何特征，因此，几何特征是建筑物提取的主要依据。目前，国内外学者已经提出了多种应用几何特征进行建筑物提取的方法：
陶文兵等（2003）采用几何结构元分析的方法，在提取遥感图像中的直线段后，搜索能构成矩形的基本结构元素，并对结构元素进行合并与重建，自动从航空城区图像中提取矩形建筑物[陶文兵,田岩,张钧,等.航空图像矩形建筑物自动提取方法研究[J].宇航学报,2003,24(4):341-347.]。Cui等（2012）提出了一种综合建筑物的几何特征和灰度特征进行建筑物提取的算法。该方法根据建筑物的空间分布特点和Hough变换特性，在Hough变换域筛选边缘线段，提取出潜在的目标边缘线段，再根据屋顶的灰度特征，最终准确地提取出建筑物[Cui S,Yan Q,Reinartz P.Complex building description and extractionbased on Hough transformation and cycle detection[J].Remote Sensing Letters,2012,3(2):151-159.]。M.Izadi and P.Saeedi（2012）通过Burns算法检测图像中直线特征，根据几何结构特征对直线段进行多边形编组连接提取建筑屋顶，并利用阴影辅助重建三维建筑模型[M.Izadi and P.Saeedi,Three-Dimensional Polygonal Building ModelEstimation From Single Satellite Images[J],Geoscience and Remote Sensing,IEEETransactions on,2012,50:2254-2272.]。
经过分析发现，现有的算法都是在直线段提取的基础上，通过知觉编组的策略组合出候选区域，再利用先验知识判别所提取区域是否为建筑物。但这些方法都存在一定的局限性，主要表现在：①直线段提取效果欠佳，传统的直线段提取算法不仅计算复杂度高，而且在复杂地表环境下，应用效果较差；②算法鲁棒性不足，传统方法是直接对直线段进行编组，容易受到噪声干扰，在场景复杂的遥感图像中，编组结果不理想；③矩形搜索策略不完善，传统方法往往直接抛弃最终未能组成完整矩形的L型、U型结构，这将导致遗漏部分建筑物目标。
发明内容
本发明提供一种基于高分辨率遥感图像的矩形建筑物提取方法及系统，目的是克服现有方法存在的不足，实现高效准确地提取矩形建筑物。
为了解决上述技术问题，本发明提出的技术方案如下：
一种基于高分辨率遥感图像的矩形建筑物提取方法，其步骤包括：
1）提取高分辨率遥感图像中的直线段特征，然后根据直线段间的空间关系，将空间中相邻的、角度近似的直线段拟合成新的直线段；
2）利用直线段提取结果提取直角结构，然后组织直角结构组成矩形结构元素；
3）对于未能组合出完整矩形结构的孤立直角结构以及U型结构，利用图像梯度信息补充未提取的边界，得到建筑物的矩形结构提取结果。
进一步地，上述方法中，步骤1）在提取所述直线段特征之前，对遥感图像进行预处理，以平滑图像噪声，保持边缘信息；步骤3）之后还包括后处理步骤：剔除部分虚假矩形建筑物目标，合并同一屋顶上重叠的多个矩形。
下面具体说明本发明方法的各步骤：
（1）图像预处理步骤；
本步骤中采用双边滤波器对遥感图像进行预处理，双边滤波器具有在进行滤波降噪的同时，保持图像边缘信息的特点，有助于更好地提取建筑物边缘直线段。
双边滤波器除由空间距离决定的参数c外，还增加了由像素灰度差决定的光谱参数s，使像素值相差较小的像素具有更大的滤波权重，函数如下：
式中x，ε为空间坐标，函数h(x)表示滤波后x处像素值，f(x)表示原图像x处像素值，c(ε,x)表示与空间位置差异相关的权重，s(f(ε),f(x))表示与像素灰度差相关的权重系数，k(x)为归一化权重系数，计算方法如下：
（2）直线段检测步骤；
直线段是生成矩形结构的基础，直线段的提取效果将决定矩形结构的提取精度。
本步骤中，首先利用LSD直线段提取算法提取图像中的直线段特征，LSD（LineSegment Detector）算法是由Rafael G等人于2010年提出，能够在线性时间内快速准确地提取图像中的直线性特征。然后根据直线段间的空间关系，将空间中相邻、角度近似的直线段拟合成新的直线段。如图2所示，根据线段AB、CD间的空间距离BC和夹角θ3，通过阈值判定AB与CD是否互为可延伸线段。若满足条件，利用最小二乘法拟合线段的顶点A、B、C、D，得到线段A1B1作为短线合并的结果。
（3）矩形结构生成步骤；
首先根据空间关系将直线段组成直角结构，然后以直角结构为基础进一步组合，将两个直角结构组成U型结构，再将两个U型结构或一个U型结构和一个直角结构组成矩形结构元素。包括下述子步骤：
1）直角结构提取
根据线段间的空间关系，利用距离和夹角阈值搜索出所有可能形成直角的线段对；然后在交点处打断T字型和十字型组合的线段，再根据打断后线段长度进行抑制，忽略较短线段，生成相应的直角结构元素。
由于建筑物的阴影也可能包含直角特征，为减少阴影对矩形建筑提取的干扰，需要将阴影构成的虚假直角结构删除。为检测直角结构是否为阴影的轮廓，在直角结构内侧为每条直角边建立一个固定宽度的缓冲区（如图3所示），通过缓冲区内包含的像素灰度值判别该直角元素是否为阴影轮廓，阴影轮廓将被删除，不用于矩形的提取。
2）U型结构提取
U型结构由两个直角结构组成，是组成矩形的中间结构元素。遍历每一个直角结构元素，在其邻域内根据如下准则逐步筛选最合适的直角结构元素，与之合并形成U型结构：
a.两个结构元素间距离小于阈值，且有一条公共边（公共边，是指相邻两个结构元素中的各一条边，它们之间的夹角小于阈值且距离小于阈值）；
b.直角开口方向不相同；
c.在当前直角结构L两条边所包围的象限内；
d.满足以上条件且两直角结构直角顶点距离最近。
合并两个最佳匹配直角结构生成U型结构：保留非公共边，作为U型的两个侧边；将两个直角顶点连接作为U型的底边。
3）矩形结构提取
得到U型结构后，需要进一步与其他U型结构或直角结构元素进行合并，组成矩形结构。
合并两个U型结构的方法是遍历每个U型结构，在其邻近空间内按如下规则搜索能与之合并的最佳U型结构元素：
a.两个结构元素间距离小于阈值，且两条侧边都是公共边；
b.两个U型开口方向相反；
c.另一个U型的底边在当前U型底边的开口方向的一侧；
d.满足以上条件，且与当前U型结构底边距离最近。
合并两个最佳匹配的U型结构：将两个U型的四个直角顶点作为矩形的四个顶点。对未能找到匹配U型的U型结构，在其邻近空间内按如下规则搜索能与之合并的最佳直角结构：
a.两个结构元素间距离小于阈值，且有一条公共边；
b.共线边不为U型结构底边；
c.直角结构与U型结构除公共边顶点外的其他顶点在公共边的同一侧；
d.直角结构的公共边延伸方向与U型结构的公共边延伸方向相反；
e.满足以上条件，且直角顶点与U型底边距离最近。
合并当前U型结构与最佳匹配的直角结构，U型两个底角与直角结构直角顶点组成矩形的三个顶点，第四个顶点是U型的不属于公共边的侧边与直角中不属于公共边的直角边的交点。
（4）弹性模板搜索步骤
对于未能组合出完整矩形结构的孤立直角结构以及U型结构，建立矩形弹性轮廓模型，利用图像梯度信息补充未提取的边界，完成矩形结构的提取。所谓矩形弹性轮廓是指一个有部分边界位置待定的矩形轮廓，待定边界可以在一定的范围内变动，如图4所示，实线表示以检测出的边界，虚线表示待确定的边界，待定边界在一定范围内变动，其最佳位置将进一步根据图像梯度信息确定，形成最终的矩形轮廓。
设待定边界的图像梯度为f(x)，x为图像中的待定边界线段，p为待定边界上的点，g(p)为点p处像素梯度值，n为x中包含的像素个数，研究中使用Sobel算子(L.S.Davis,1975)作为图像梯度算子。
待定边界真实位置x0对应f(x)的一个极大值，并且真实位置的图像梯度显著地高于在此处之前其他位置的图像梯度，即f(x0)>>f(x),x<x0。
（5）后处理步骤。
考虑到道路或其他非建筑物结构可能提取出长宽比过大的矩形，首先根据生成矩形的长宽比，剔除部分虚假矩形建筑物目标。
另外，部分建筑物的屋顶结构较为复杂，通过矩形提取算法将从图像中提取出多个矩形结构。本技术最终要将一个建筑物屋顶的多个矩形结构进行合并，具体方案如下：
1)建立一个无向图，将每个矩形结构作为一个结点，矩形间的相交关系作为结点间的边；
2)求图中所有的连通分量；
3)求得每一个连通分量中的多边形结合的最小外包矩形，作为合并后的矩形目标。
一种基于高分辨率遥感图像的矩形建筑物提取系统，其包括：
直线检测模块，用于提取高分辨率遥感图像中的直线段特征，并根据直线段间的空间关系，将图像中相邻的、角度近似的直线段拟合成新的直线段；
直角结构编组模块，连接所述直线检测模块，用于利用直线段提取结果提取直角结构，将图像中位置相近、相互垂直的线段组合成直角结构；
矩形建筑物生成模块，连接所述直角结构编组模块，用于将直角结构元素组合成矩形结构，对未能组合出完整矩形结构的孤立直角结构以及U型结构，利用图像梯度信息补充未提取的边界，得到建筑物的矩形结构提取结果。
进一步地，上述系统还包括：预处理模块，用于在提取所述直线段特征之前，对遥感图像进行预处理，并将预处理后的图像输入所述直线段检测模块；后处理模块，用于剔除部分虚假矩形建筑物目标，以及合并同一屋顶内重叠的多个矩形。
本发明面向复杂地表背景，基于高分辨率遥感图像，通过更准确的直线段检测算法、更优秀的直线段编组思想和更智能的弹性搜索策略，提出了一种矩形建筑物提取方法，解决了传统方法中直线段提取结果不好、鲁棒性不足和搜索策略欠佳的问题，能够有效提取遥感图像中不同颜色、不同材质、不同尺寸的矩形建筑物，操作简单、运算速度快，具有较高的实用价值。
附图说明
图1为本发明建筑物提取方法的步骤流程及模块构成图。
图2为两条直线段间的空间关系及拟合结果示意图。
图3为直角结构缓冲区示意图。
图4为由U型结构和直角结构生成的矩形弹性轮廓模型示意图。
图5为辽宁沈阳某地区的高分辨率遥感图像。
图6为应用LSD算法提取直线段的结果。
图7为相邻线段的连接结果。
图8为直角结构的提取结果。
图9为矩形结构的提取结果。
图10为应用本发明方法提取矩形建筑的最终结果。
图11为应用本发明方法的矩形建筑物提取系统的模块组成图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述。
本发明的基于高分辨率遥感图像的矩形建筑物提取方法，其流程如图1所示。本发明的建筑物提取方法及系统包括数据读入模块，读入待提取的遥感图像；图像预处理模块，对遥感图像进行滤波、去噪等操作，提高目标与其他地物的对比度；直线检测模块，运用直线检测算法快速准确地提取直线特征；直角结构编组模块和矩形建筑物生成模块，采用基于直角结构感知编组的方法进行建筑物目标提取。
实例：以辽宁省沈阳市某地区的一幅高分辨率遥感图像为例，应用本发明方法对其进行矩形建筑物提取。该图像为全色波段图像，空间分辨率为2m。
1.图像预处理
输入的遥感图像如图5所示。对遥感图像进行图像预处理，利用双边滤波算法，平滑图像噪声，减弱纹理变化，保持边缘信息。
2.直线段检测
首先应用LSD算法提取图像中的直线段，结果如图6所示。
接下来对初步提取的直线段进行连接，拟合相邻且方向相近的线段组。设定空间距离阈值为3个像素，和角度相似阈值为π/16，搜索所有可以被连接的线段组，再将每一组线段进行拟合，用拟合的结果代替初始线段，得到最终的直线段提取结果如图7所示。其中，空间距离阈值和角度相似阈值在其它实施例中可取不同的值，优选范围为：空间距离阈值1～5个像素，角度相似阈值π/32～π/12。
3.矩形结构生成
首先，利用直线段提取结果提取直角结构。设定线段间空间距离阈值为3个像素，线段间夹角阈值为(7π/16，9π/16)，线段长度阈值为5个像素，直角结构的提取结果如图8所示。然后组织直角结构组成矩形结构元素。上述各阈值在其它实施例中可取不同的值，优选范围为：线段间空间距离阈值1～5个像素，线段间夹角阈值15π/32～19π/32，线段长度阈值3～10个像素。
4.弹性模板搜索
对未能组成完整矩形结构的直角结构和U型结构建立矩形弹性轮廓模型：U型结构生成的矩形弹性轮廓模型中待定边界的变化范围是从较短侧边长度的一半，到较长侧边长度的1.5倍；直角结构生成的矩形弹性轮廓模型的待定边界变化范围为其各自相邻确定边界长度的0.5倍到1.5倍；设定待定边缘显著性系数λ的取值为1.25。应用弹性轮廓模型生成的矩形和应用直角结构组成的矩形结果如图9所示。其中待定边缘显著性系数λ在其它实施例中可取不同的值，优选取值范围为1～1.5。
5.矩形提取后处理
设定矩形长宽比阈值为20，剔除长宽比超过阈值的干扰矩形；然后将相交的矩形合并，最终的矩形建筑物提取结果如图10所示。
图11为本实施例的采用上述方法的基于高分辨率遥感图像的矩形建筑物提取系统的模块组成图，具体包括：
预处理模块，用于在提取所述直线段特征之前，对遥感图像进行预处理，以平滑图像噪声，保持边缘信息；
直线检测模块，连接所述预处理模块，用于提取高分辨率遥感图像中的直线段特征，并根据直线段间的空间关系，将图像中相邻的、角度近似的直线段拟合成新的直线段；
直角结构编组模块，连接所述直线检测模块，用于利用直线段提取结果提取直角结构，将图像中位置相近、相互垂直的线段组合成直角结构；
矩形建筑物提取模块，连接所述直角结构编组模块，用于组织直角结构组成矩形结构，对未能组合出完整矩形结构的孤立直角结构以及U型结构，利用图像梯度信息补充未提取的边界，得到建筑物的矩形结构提取结果；
后处理模块，连接所述矩形建筑物生成模块，用于剔除部分虚假矩形建筑物目标，以及合并同一屋顶内重叠的多个矩形。
以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的精神和范围，本发明的保护范围应以权利要求所述为准。
Claims (10)
1.一种基于高分辨率遥感图像的矩形建筑物提取方法，其步骤包括：
1)提取高分辨率遥感图像中的直线段特征，然后根据直线段间的空间关系，将图像中相邻的、角度近似的直线段拟合成新的直线段；
2)利用直线段提取结果提取直角结构，然后组织直角结构组成矩形结构元素；
3)对于未能组合出完整矩形结构的孤立直角结构以及U型结构，利用图像梯度信息补充未提取的边界，得到建筑物的矩形结构提取结果。
2.如权利要求1所述的方法，其特征在于：步骤1)在提取所述直线段特征之前，对遥感图像进行预处理，以平滑图像噪声，保持边缘信息；步骤3)之后还包括后处理步骤：剔除部分虚假矩形建筑物目标，合并同一屋顶上重叠的多个矩形。
3.如权利要求2所述的方法，其特征在于，采用双边滤波器进行所述预处理。
4.如权利要求1所述的方法，其特征在于：步骤1)利用LSD直线段提取算法提取图像中的直线段特征。
5.如权利要求1所述的方法，其特征在于：步骤2)首先根据空间关系将直线段组成直角结构，然后以直角结构为基础进一步组合，将两个直角结构组成U型结构，再将两个U型结构或一个U型结构和一个直角结构组成矩形结构元素，具体包括下述子步骤：
2-1)直角结构提取：根据线段间的空间关系，利用距离和夹角阈值搜索出所有可能形成直角的线段对；然后在交点处打断T字型和十字型组合的线段，再根据打断后线段长度进行抑制，忽略短线段，生成相应的直角结构元素；
2-2)U型结构提取：U型结构由两个直角结构组成，是组成矩形的中间结构元素，遍历每一个直角结构元素，在其邻域内根据如下准则逐步筛选最合适的直角结构元素，与之合并形成U型结构：
a.两个结构元素间距离小于阈值，且有一条公共边，所述公共边是指相邻两个结构元素中的各一条边，它们之间的夹角小于阈值且距离小于阈值，
b.直角开口方向不相同，
c.在当前直角结构L两条边所包围的象限内，
d.满足以上条件且两直角结构直角顶点距离最近；
合并两个最佳匹配直角结构生成U型结构：保留非公共边，作为U型的两个侧边；将两个直角顶点连接作为U型的底边；
2-3)矩形结构提取：得到U型结构后，进一步与其他U型结构或直角结构元素进行合并，组成矩形结构，合并两个U型结构的方法是遍历每个U型结构，在其邻近空间内按如下规则搜索能与之合并的最佳U型结构元素：
a.两个结构元素间距离小于阈值，且两条侧边都是公共边，
b.两个U型开口方向相反，
c.另一个U型的底边在当前U型底边的开口方向的一侧，
d.满足以上条件，且与当前U型结构底边距离最近；
合并两个最佳匹配的U型结构：将两个U型的四个直角顶点作为矩形的四个顶点，对未能找到匹配U型的U型结构，在其邻近空间内按如下规则搜索能与之合并的最佳直角结构：
a.两个结构元素间距离小于阈值，且有一条公共边，
b.共线边不为U型结构底边，
c.直角结构与U型结构除公共边顶点外的其他顶点在公共边的同一侧，
d.直角结构的公共边延伸方向与U型结构的公共边延伸方向相反，
e.满足以上条件，且直角顶点与U型底边距离最近；
合并当前U型结构与最佳匹配的直角结构，U型两个底角与直角结构直角顶点组成矩形的三个顶点，第四个顶点是U型的不属于公共边的侧边与直角中不属于公共边的直角边的交点。
6.如权利要求5所述的方法，其特征在于：步骤2-1)提取直角结构时，对于包含直角特征的建筑物阴影，将阴影构成的虚假直角结构删除，以减少阴影对矩形建筑提取的干扰；为检测直角结构是否为阴影的轮廓，在直角结构内侧为每条直角边建立一个固定宽度的缓冲区，通过缓冲区内包含的像素灰度值判别该直角元素是否为阴影轮廓。
7.如权利要求1所述的方法，其特征在于：步骤3)采用矩形弹性轮廓实现所述利用图像梯度信息补充未提取的边界，所谓矩形弹性轮廓是指一个有部分边界位置待定的矩形轮廓，待定边界能够变动，其最佳位置根据图像梯度信息确定，形成最终的矩形轮廓。
8.如权利要求1所述的方法，其特征在于，将提取出的一个建筑物屋顶的多个矩形结构进行合并，得到最终的矩形建筑物提取结果；所述合并的方法如下：
a)建立一个无向图，将每个矩形结构作为一个结点，矩形间的相交关系作为结点间的边；
b)求图中所有的连通分量；
c)求得每一个连通分量中的多边形结合的最小外包矩形，作为合并后的矩形目标。
9.一种采用权利要求1所述方法的基于高分辨率遥感图像的矩形建筑物提取系统，其特征在于，包括：
直线检测模块，用于提取高分辨率遥感图像中的直线段特征，并根据直线段间的空间关系，将图像中相邻的、角度近似的直线段拟合成新的直线段；
直角结构编组模块，连接所述直线检测模块，用于利用直线段提取结果提取直角结构，将图像中位置相近、相互垂直的线段组合成直角结构；
矩形建筑物生成模块，连接所述直角结构编组模块，用于将直角结构元素组合成矩形结构，对未能组合出完整矩形结构的孤立直角结构以及U型结构，利用图像梯度信息补充未提取的边界，得到建筑物的矩形结构提取结果。
10.如权利要求9所述的系统，其特征在于，还包括：预处理模块，用于在提取所述直线段特征之前，对遥感图像进行预处理，并将预处理后的图像输入所述直线检测模块；后处理模块，用于剔除部分虚假矩形建筑物目标，以及合并同一屋顶内重叠的多个矩形。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410093123.4A CN104915672B (zh) | 2014-03-13 | 2014-03-13 | 一种基于高分辨率遥感图像的矩形建筑物提取方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410093123.4A CN104915672B (zh) | 2014-03-13 | 2014-03-13 | 一种基于高分辨率遥感图像的矩形建筑物提取方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104915672A CN104915672A (zh) | 2015-09-16 |
| CN104915672B true CN104915672B (zh) | 2018-08-03 |
Family
ID=54084722
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410093123.4A Expired - Fee Related CN104915672B (zh) | 2014-03-13 | 2014-03-13 | 一种基于高分辨率遥感图像的矩形建筑物提取方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104915672B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113792728A (zh) * | 2021-08-06 | 2021-12-14 | 南宁学院 | 高精度视觉定位方法 |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105719306B (zh) * | 2016-01-26 | 2018-09-11 | 郑州恒正电子科技有限公司 | 一种高分辨率遥感影像中的建筑物快速提取方法 |
| CN105574521B (zh) * | 2016-02-25 | 2019-01-29 | 民政部国家减灾中心 | 房屋轮廓提取方法和装置 |
| CN107369150B (zh) * | 2016-05-12 | 2020-10-27 | 株式会社理光 | 一种检测矩形目标的方法及矩形目标检测装置 |
| CN106650749B (zh) * | 2016-11-16 | 2019-10-11 | 桂林理工大学 | 一种高分辨率光学影像中直角建筑物的标绘方法 |
| CN107092877B (zh) * | 2017-04-12 | 2020-01-24 | 武汉大学 | 基于建筑物基底矢量的遥感影像屋顶轮廓提取方法 |
| CN110136156B (zh) | 2018-02-02 | 2020-12-01 | 北京三快在线科技有限公司 | 一种多边形区域检测方法及装置 |
| CN110390267B (zh) * | 2019-06-25 | 2021-06-01 | 东南大学 | 一种基于高分遥感影像的山地景观建筑提取方法和设备 |
| CN111325684B (zh) * | 2020-02-01 | 2022-04-26 | 武汉大学 | 一种半自动高空间分辨率遥感影像不同形状建筑物提取方法 |
| CN112348836B (zh) * | 2020-11-06 | 2024-03-12 | 二十一世纪空间技术应用股份有限公司 | 一种自动提取建筑物轮廓的方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0626654A2 (en) * | 1993-05-25 | 1994-11-30 | Matsushita Electric Industrial Co., Ltd. | Apparatus for measuring intervehicle distance by stereo vision |
| CN101976349A (zh) * | 2010-10-21 | 2011-02-16 | 西北工业大学 | 基于哈夫变换的遥感图像中交通枢纽目标识别方法 |
| CN102122344A (zh) * | 2011-01-07 | 2011-07-13 | 南京理工大学 | 基于红外图像的道路边界检测方法 |
| CN102592454A (zh) * | 2012-02-29 | 2012-07-18 | 北京航空航天大学 | 一种基于车辆侧面与路面交线检测的交叉口车辆运动参数测量方法 |
| CN102938066A (zh) * | 2012-12-07 | 2013-02-20 | 南京大学 | 一种基于多元数据重建建筑物外轮廓多边形的方法 |
-
2014
- 2014-03-13 CN CN201410093123.4A patent/CN104915672B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0626654A2 (en) * | 1993-05-25 | 1994-11-30 | Matsushita Electric Industrial Co., Ltd. | Apparatus for measuring intervehicle distance by stereo vision |
| CN101976349A (zh) * | 2010-10-21 | 2011-02-16 | 西北工业大学 | 基于哈夫变换的遥感图像中交通枢纽目标识别方法 |
| CN102122344A (zh) * | 2011-01-07 | 2011-07-13 | 南京理工大学 | 基于红外图像的道路边界检测方法 |
| CN102592454A (zh) * | 2012-02-29 | 2012-07-18 | 北京航空航天大学 | 一种基于车辆侧面与路面交线检测的交叉口车辆运动参数测量方法 |
| CN102938066A (zh) * | 2012-12-07 | 2013-02-20 | 南京大学 | 一种基于多元数据重建建筑物外轮廓多边形的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 一种改进的Hough变换在建筑物提取中的算法研究;王波;《城市勘测》;20110430;112-114 * |
| 复杂场景图像中建筑物提取技术研究;韩丽荣;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120315;I138-1912 * |
| 数字城市中矩形建筑物区域的自动获取;魏志强;《计算机科学》;20090115;第36卷(第1期);211-215 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113792728A (zh) * | 2021-08-06 | 2021-12-14 | 南宁学院 | 高精度视觉定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104915672A (zh) | 2015-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104915672B (zh) | 一种基于高分辨率遥感图像的矩形建筑物提取方法及系统 | |
| Chen et al. | The Comparison and Application of Corner Detection Algorithms. | |
| Huang et al. | A new building extraction postprocessing framework for high-spatial-resolution remote-sensing imagery | |
| CN104200521B (zh) | 基于模型先验的高分辨率sar图像建筑物目标三维重建方法 | |
| CN105761266B (zh) | 从遥感图像中提取矩形建筑物的方法 | |
| CN106250895B (zh) | 一种光学遥感图像感兴趣区域检测方法 | |
| CN103839267B (zh) | 一种基于形态学建筑物指数的建筑物提取方法 | |
| CN103578110B (zh) | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 | |
| CN103077515B (zh) | 一种多光谱图像建筑物变化检测方法 | |
| Yu et al. | Towards the automatic selection of optimal seam line locations when merging optical remote-sensing images | |
| CN103632363A (zh) | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 | |
| CN102938066A (zh) | 一种基于多元数据重建建筑物外轮廓多边形的方法 | |
| 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 | |
| CN109360184A (zh) | 结合阴影补偿与决策融合的遥感影像变化检测方法 | |
| CN106650749B (zh) | 一种高分辨率光学影像中直角建筑物的标绘方法 | |
| Yao | Image segmentation based on Sobel edge detection | |
| CN109410233A (zh) | 一种边缘特征约束的高分辨率图像道路精准提取方法 | |
| Wang et al. | Automatic building extraction from very high resolution satellite imagery using line segment detector | |
| Manandhar et al. | Segmentation based building detection in high resolution satellite images | |
| CN104408726B (zh) | 一种基于三角形的图像轮廓匹配方法 | |
| CN112232249A (zh) | 一种基于深度特征的遥感图像变化检测方法及装置 | |
| CN109785318B (zh) | 基于面线基元关联约束的遥感图像变化检测方法 | |
| Jiang et al. | Object-oriented building extraction by DSM and very highresolution orthoimages | |
| Bhadauria et al. | Building extraction from satellite images | |
| Gong et al. | An adaptive multi-scale gaussian co-occurrence filtering decomposition method for multispectral and SAR image fusion |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180803 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |