CN105528596B - 利用阴影的高分辨率遥感影像建筑物自动提取方法及系统 - Google Patents
利用阴影的高分辨率遥感影像建筑物自动提取方法及系统 Download PDFInfo
- Publication number
- CN105528596B CN105528596B CN201610077910.9A CN201610077910A CN105528596B CN 105528596 B CN105528596 B CN 105528596B CN 201610077910 A CN201610077910 A CN 201610077910A CN 105528596 B CN105528596 B CN 105528596B
- Authority
- CN
- China
- Prior art keywords
- building
- region
- shade
- area
- sample
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 66
- 239000000284 extract Substances 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 18
- 239000013589 supplement Substances 0.000 claims abstract description 13
- 238000007689 inspection Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000012795 verification Methods 0.000 claims abstract description 9
- 238000012805 post-processing Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 39
- 230000000694 effects Effects 0.000 claims description 28
- 238000001514 detection method Methods 0.000 claims description 25
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 17
- 238000005286 illumination Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000000877 morphologic effect Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 238000003786 synthesis reaction Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 230000004069 differentiation Effects 0.000 claims description 5
- 239000004615 ingredient Substances 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 238000012797 qualification Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000000470 constituent Substances 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims 1
- 230000001502 supplementing effect Effects 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 3
- 230000003287 optical effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 241000894007 species Species 0.000 description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 241000270295 Serpentes Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种利用阴影的高分辨率遥感影像建筑物自动提取方法及系统,方法首先对影像进行阴影、植被、裸地、建筑物的样本自动提取,并结合SVM分类原理实现自动分类,提取建筑物初始结果;然后,再对初始结果后处理优化,包括形态学预处理、漏检补充及建筑物验证等,输出建筑物最终结果。系统包括样本区域自动提取模块、SVM分类器训练与输出模块和后处理优化模块;本发明通过设计样本自动提取方法和有效的后处理优化措施,能有效提高建筑物提取的自动化程度,并能保证精度。
Description
技术领域
本发明属于遥感影像应用技术领域,特别是涉及一种利用阴影的高分辨率遥感影像建筑物自动提取方法及系统。
背景技术
建筑物作为重要地物目标,建筑物的自动提取技术是遥感解译研究的一个重要方面,许多遥感应用如城市规划和地图制图的持续更新、快速应急响应、基础设施建设、灾难规划与管理等都需要快速提取建筑物信息,但目前的建筑物提取过于依赖人工,自动化程度偏低。
目前的建筑物提取方法常根据应用要求和所能利用的数据而设计。光学影像、LiDAR数据和SAR数据是常用数据源。基于LiDAR、SAR、立体像对数据可方便提取建筑物的高程信息,在建筑物的三维重建应用得到广泛应用[文献1-5]。相对于光学影像,LiDAR和SAR数据的获取代价更高,以至于它们的应用范围没有光学影像广泛。且此类方法复杂度较高,数据获取成本较高,从数据源方面限制了方法的应用范围,降低了普适性。
光学影像以其易获取、覆盖面广的特点,可解除数据源引起的普适性不足的限制,仅依据单幅影像、无需其他先验知识设计相应的建筑物提取方法,能有效减少人工辅助,更利于实现建筑物的自动提取及应用拓展。基于光学影像的建筑物提取方法主要有面向对象的图切法、动态轮廓法、分类法[文献6-8]。面向对象的图切法主要是通过图论(Graph-Cut)原理对影像进行分割,获取由同质像素组成的不同大小的子对象,然后再利用建筑物的特征约束条件对各对象进行筛选提取建筑物目标。此类方法能有效利用建筑物的光谱和形状特征,对先验知识的依赖较低,但易受树木遮挡、阴影、道路等噪声及建筑物复杂构造特性影响导致分割不准确,自动化程度偏低。
动态轮廓法是通常通过检测直线、角点等底层特征,生成矩形轮廓来假设屋顶轮廓,用高度、阴影和墙来验证屋顶轮廓,再应用snake模型来优化建筑物轮廓[文献9-10]。这类方法对扁平屋顶和人字形屋顶的建筑物提取具有一定的效果。但模型复杂度高,不易实现自动提取。
分类法主要是首先联合建筑物的多种特征用于地物分类获取建筑物初始结果,再采取后处理优化方法获取更完整的建筑物结果。初始结果提取一般采用基于像素和面向对象的分类原理实现。基于像素的分类包括最大似然法、ISODATA、直方图聚类、Bayesian网络、人工神经网络、支持向量机、阈值法。面向对象的分类方法实质上是分割,主要有分层分割法、基于规则的分割方法、分水岭分割方法、均值平移分割法[文献11-16]。其中,常用的建筑物特征主要有光谱特征(R、G、B、NIR)、纹理特征、结构特征(如形状、大小、高度、MBI指数)、差分形态轮廓(DMP)等。这些特征通常被联合起来用于识别建筑物。再提取初始建筑物结果的基础上,一般还需要采取区域增长、数学形态学方法、遗传算法等方法对初始结果进行后处理,获取更完整的建筑物结果。在这类优化处理过程中,阴影、植被、先验的形状知识(如矩形、圆形的建筑)通常被用来作为确认建筑的辅助信息。此类方法无需先验知识,但常采用的监督分类必须依赖样本训练,样本选取往往离不开人工辅助,导致自动化程度降低。
[文献1]C.A.Vanegas,D.G.Aliaga,B.Benes.Automatic Extraction ofManhattan-World Building Masses from 3D Laser Range Scans[J].IeeeTransactions on Visualization and Computer Graphics,2012,18(10):1627-1637.
[文献2]E.Barthelet,G.Mercier,L.Denise,S.Reynaud.Feature based maximumlikelihood model inversion for three-dimensional building extraction fromsingle high resolution SAR images[C].in Geoscience and Remote SensingSymposium(IGARSS),2012IEEE International,2012:3600-3603.
[文献3]D.Brunner,G.Lemoine,L.Bruzzone,H.Greidanus.Building heightretrieval from VHR SAR imagery based on an iterative simulation and matchingtechnique[J].Geoscience and Remote Sensing,IEEE Transactions on,2010,48(3):1487-1504.
[文献4]A.Ferro,D.Brunner,L.Bruzzone.Automatic Detection andReconstruction of Building Radar Footprints From Single VHR SAR Images[J].Ieee Transactions on Geoscience and Remote Sensing,2013,51(2):935-952.
[文献5]D.Brunner,G.Lemoine,L.Bruzzone.Extraction of building heightsfrom VHR SAR imagery using an iterative simulation and match procedure[C].inGeoscience and Remote Sensing Symposium,2008.IGARSS 2008.IEEE International,2008:IV-141-IV-144.
[文献6]A.O.Ok.Automated detection of buildings from single VHRmultispectral images using shadow information and graph cuts[J].ISPRS Journalof Photogrammetry and Remote Sensing,2013,86:21-40.
[文献7]M.Izadi,P.Saeedi.Three-Dimensional Polygonal Building ModelEstimation From Single Satellite Images[J].Ieee Transactions on Geoscienceand Remote Sensing,2012,50(6):2254-2272.
[文献8]B.Sirmacek,C.Uensalan.Urban-Area and Building Detection UsingSIFT Keypoints and Graph Theory[J].Ieee Transactions on Geoscience and RemoteSensing,2009,47(4):1156-1167.
[文献9]S.Mayunga,Y.Zhang,D.Coleman.Semi-automatic building extractionutilizing Quickbird imagery[C].in Proceedings of the ISPRS Workshop CMRT,2005:131-136.
[文献10]H.Ruther,H.M.Martine,E.G.Mtalo.Application of snakes anddynamic programming optimisation technique in modeling of buildings ininformal settlement areas[J].Isprs Journal of Photogrammetry and RemoteSensing,2002,56(4):269-282.
[文献11]A.K.Shackelford,C.H.Davis,X.Wang.Automated 2-D buildingfootprint extraction from high-resolution satellite multispectral imagery[C].in Geoscience and Remote Sensing Symposium,2004.IGARSS'04.Proceedings.2004IEEE International,2004:1996-1999.
[文献12]A.Katartzis,H.Sahli.A stochastic framework for theidentification of building rooftops using a single remote sensing image[J].Ieee Transactions on Geoscience and Remote Sensing,2008,46(1):259-271.
[文献13]M.Ghanea,P.Moallem,M.Momeni.Automatic building extraction indense urban areas through GeoEye multispectral imagery[J].InternationalJournal of Remote Sensing,2014,35(13):5094-5119.
[文献14]S.Müller,D.W.Zaum.Robust building detection in aerial images[J].International Archives of Photogrammetry and Remote Sensing,2005:143-148.
[文献15]M.A.Niveetha,R.Vidhya.Automatic Building Extraction UsingAdvanced Morphological Operations and Texture Enhancing[A].in:R.Rajesh,etal.International Conference on Modelling Optimization and Computing[M].2012:3573-3578.
[文献16]E.Sumer,M.Turker.An adaptive fuzzy-genetic algorithm approachfor building detection using high-resolution satellite images[J].ComputersEnvironment and Urban Systems,2013,39:48-62.
发明内容
为了解决上述技术问题,本发明提出了一种利用阴影的建筑物自动提取方法,提高了建筑物提取方法的自动化程度和普适程度,减少了人工辅助工作量,增强了通用性,能广泛地用到各类需要从遥感影像中提取建筑物的应用需求中。
本发明的方法所采用的技术方案是:一种利用阴影的高分辨率遥感影像建筑物自动提取方法,其特征在于,包括以下步骤:
步骤1:对影像进行阴影、植被、裸地、建筑物的样本自动提取,并结合SVM分类原理实现自动分类,提取建筑物初始结果;
步骤2:对初始结果后处理优化,包括形态学预处理、漏检补充及建筑物验证,输出建筑物最终结果。
作为优选,步骤1的具体实现包括以下子步骤:
步骤1.1:设输入影像大小为M×N,M、N分别代表影像的长和宽,新建一个与影像大小一致的M×N预分类影像CMap,初始类别全部设置为未识别像素CU,欲将CMap影像中的所有未识别像素通过后续步骤细分为{CSD,CVE,CBL,CB}四大类,其中CSD代表的地物类型为阴影、CVE代表的地物类型为植被、CBL代表的地物类型为裸地、CB代表的地物类型为建筑物;
步骤1.2:利用阴影具有的低亮度、高色调、高的归一化蓝色分量B’和高的C3分量特征,构建如式壹所示的阴影检测条件,结合一维Otsu自动阈值法和带限定条件的自动阈值法获取四项特征的自动阈值,按照此条件实现对影像中阴影的自动检测;根据阴影检测结果生成二值化阴影影像IMGSD,并在CMap中将IMGSD中的阴影像素标记为CSD,实现对CMap的更新;
SetSD={(i,j)|(B'(i,j)>T_B'||H(i,j)>T_H||C3(i,j)>T_C3)&&I(i,j)<T_I}(式壹);
步骤1.3:利用归一化绿色分量G’结合自动阈值方案,对影像进行植被检测,根据植被检测结果生成二值化植被影像IMGVE,在CMap中将IMGVE中的植被像素标记为CVE,实现对CMap的更新;
步骤1.4:对阴影进行逆向偏移获取偏移阴影区域,对区域内的CMap进行地物成分分析以提取出建筑物阴影;
步骤1.5:对建筑物阴影区域采用三种逆向偏移向量综合法实现建筑物的样本自动提取;
步骤1.6:对建筑物阴影区域采用三种顺向偏移向量综合法实现裸地的样本区域的初步提取;然后再采用形态学方法去除部分小区域,保留可靠的裸地区域,并进行区域增长,实现裸地样本区域自动提取;
步骤1.7:根据步骤1.2、步骤1.3、步骤1.5、步骤1.6中取得的四类地物区域,采用Random随机函数从样本区域所有像素中随机筛选一部分像素作为最终样本用于对样本的进一步筛选,符合条件的像素才参与样本训练,以提高分类效率;
步骤1.8:统计样本像素的R、G、B、I四种特征,构成四维特征向量,输入到SVM分类器中对分类器进行训练,以构建适合于该影像分类的最优分类模型,利用训练后的分类器对CMap中未标记类CU的像素,根据其对应四维特征进行分析并预测其类别,再同时将预测结果用于更新CMap中的标记信息,最终实现影像的全体分类,从中提取建筑物类可获取建筑物的初始结果。
作为优选,步骤1.4的具体实现方式如下:
步骤1.4.1:对步骤1.2所获取的阴影影像IMGSD,利用形态学原理对阴影面积进行降序排序,并统计序列中相邻阴影的面积差和比的绝对值,寻找最大绝对值的对应的阴影面积,以此面积为剔除阈值,对面积小于此面积的阴影区域进行去除;
步骤1.4.2:根据影像中的光照方向,以光照方向的反方向为逆向偏移阴影单位向量Vi,以光照方向的正方向为顺向偏移阴影单位向量-Vi,
步骤1.4.3:对步骤1.4.1对各个阴影区域统计其周长,利用周长l和比例系数λ定制各个阴影区域相应的偏移阴影向量Vk,
其中,K代表影像中的阴影个数,k代表阴影区域的序号,lk代表第k个阴影区域的周长,Vk代表此阴影区域对应的偏移向量;
步骤1.4.4:对各个阴影区域进行按照Vk向量进行逆向偏移,统计分析偏移阴影区域中的地物成分,植被比例高于50%的视作植被阴影并采用形态学方法去除,即可初步筛选出建筑物阴影。
作为优选,步骤1.5的具体实现方式如下:
步骤1.5.1:通过将Vi分别按顺时针旋转和逆时针旋转统一的角度θ即可获取左偏移向量Vi_left和右偏移向量Vi_right,在已知Vi的情况下,Vi_left和Vi_right的计算方式如下:
Vi=(dx,dy)=(cosβ,sinβ)
Vi_left=(cos(β+θ),sin(β+θ))
Vi_right=(cos(β-θ),sin(β-θ));
其中,(dx,dy)为估计的光照方向对应的单位向量,(cosβ,sinβ)为(dx,dy)的极坐标表示,已知(dx,dy)和θ即可算出Vi_left和Vi_right;
步骤1.5.2:对步骤1.4.3获取的每个建筑物阴影区域,分别按照Vi、Vi_left和Vi_right三个向量进行逆光照方向的偏移,获取每个阴影区域对应的三种阴影偏移区域,结合CMap通过将三种偏移阴影区域中的CU区域取交集,最终的共同相交区域中,不再包含两侧的裸地区域,可视作初始建筑物样本。
作为优选,步骤1.6的具体实现方式如下:
步骤1.6.1:对步骤1.4.3获取的每个建筑物阴影区域,分别按照-Vi、-Vi_left和-Vi_right三个向量进行顺光照方向的偏移,获取每个阴影区域对应的三种阴影偏移区域,结合CMap通过将三种偏移阴影区域中的CU区域取交集,最终的共同相交区域中,基本为邻接建筑物的裸地;此结果作为裸地样本初始结果;
步骤1.6.2:统计裸地样本初始结果中各区域的面积,根据面积对区域进行降序排序,统计相邻面积差和比绝对值最大值对应的区域面积作为阈值T对区域进行筛选,对于面积小于T的区域采用形态学去除法进行剔除,保留剩下的裸地样本区域,可靠性更高;
步骤1.6.3:进一步对保留的裸地样本区域进行区域增长,获取范围更广的裸地样本区域。
作为优选,步骤1.7的具体实现方式为:对每一类别的每一个样本区域中,通过随机函数随机选定其中一部分像素作为样本像素,而不是全部样本区域中的全部像素均参与到样本训练中去。
作为优选,步骤2的具体实现包括以下子步骤:
步骤2.1:根据步骤1.8得到的初步结果进行形态学预处理,提高区域完整性;具体实现方式为:通过形态学的腐蚀、膨胀、开闭运算,消除部分非建筑物像素点的干扰;对于空洞现象,则采用内轮廓填充法对满足条件要求区域内轮廓进行填充,补充部分漏检建筑物;经过合理的形态学预处理,可以使得初始结果的区域完整性更强。
步骤2.2:在步骤2.1得到的结果基础上,进行区域增长,以补充部分被漏检的建筑物区域;具体实现方式是,通过设定8邻域像素光谱相似度条件作为区域增长条件,以建筑物边界上的像素点作为起始种子点,逐个判断各个种子点的8邻域上的非建筑物的CU类像素是否满足增长条件,若满足条件则将其在CMap中的标记值改为CB;等此轮循环完毕,则重新获取建筑物区域的新轮廓,以新增的像素点为种子点进行下一轮的区域增长,以此类推,最终无新增边界点时,此建筑物区域增长完毕;对每一个建筑物区域逐个进行区域增长,最终完成对不完整的建筑物进行补充;
步骤2.3:在步骤2.2的结果基础上,利用η区分有阴影和无阴影的地物,其中η表示阴影特征建筑物确认指标——相交边界阴影比率,地物具有阴影,则η较高,若不存在阴影,则η比较低;区分出没有阴影的裸地并予以剔除,最终实现建筑物的准确提取。
作为优选,步骤2.3中所述利用η区分有阴影和无阴影的地物,具体实现方式如下:首先逐个对步骤2.2的结果中待验证区域进行膨胀一次,获取对应的膨胀后边界EdgeB;然后再根据待验证区域的周长l和回移比例λ计算回移向量VB,按照VB对待验证区域进行回移获得偏移建筑区域;
通过对偏移建筑物区域与膨胀后边界EdgeB取交集,获取区域膨胀后的边界上落在偏移建筑区域中的部分边界即作为相交边界EdgeBSD;统计此边界上所有像素中阴影所占比例即可获取η,并设置Tη,对于小于Tη的区域将进行形态学去除,保留最终结果即为建筑物提取的最终结果;
其中,NESD和NSD分别为EdgeBSD上的全部像素个数和阴影像素个数。
本发明的系统所采用的技术方案是:一种利用阴影的高分辨率遥感影像建筑物自动提取系统,其特征在于:包括样本区域自动提取模块、SVM分类器训练与输出模块和后处理优化模块;
样本区域自动提取模块:用于对高分辨率遥感影像中的阴影、植被、裸地、建筑物样本的自动提取。根据阴影和植被自动检测方法进行两者的自动检测,并利用本发明提出的偏移阴影分析方法对建筑物阴影进行提取,进一步在采用本发明提出的顺向和逆向偏移阴影分析方法,提取建筑物和裸地样本区域,实现四类样本的自动提取。
SVM分类器训练与输出模块:用于结合SVM分类原理实现自动分类,提取并自动输出建筑物初始结果;
后处理优化模块:用于对初始结果后处理优化,包括形态学预处理、漏检补充及建筑物验证,输出建筑物最终结果。
由于以往的建筑物提取方法中,基于样本监督分类原理提取建筑物的方法中存在着样本需要人工辅助选取,导致自动化程度偏低。本发明的优点在于:
1.普适性强,适用范围广。由于可用于建筑物提取的数据源种类较多,已有方法常联合多种数据源共同进行提取,来提高提取精度。但是会使方法过于依赖数据源,任一数据的缺失,都会导致方法无法应用。因此,本发明为了提高方法的普适性,使其真正应用到更多的遥感应用中,仅以单幅高分辨率可见光影像为基本数据源,无需其他任何辅助数据与先验知识。可见光数据包含R、G、B三种波段,是最常见的影像数据,通过航空、航天、地面遥感方式都可以方便获取,覆盖范围广。因此,以可见光遥感数据为基础,研究的建筑物提取方法,从数据源本身就拓宽的应用范围,有助于增强方法的普适性。
2.无需人工干预,自动化程度高,精度有保障。以往基于多源数据的建筑物提取方法复杂度高,离不开人工干预予以决策支持。而基于影像分类提取建筑物的方法中监督分类方法比非监督分类方法的可靠性高,较为常用。目前已有较成熟的分类算法用于分类器的训练与输出,但却在样本提取方面需要大量的人工辅助,导致自动化程度一直偏低。针对此症结,本发明从多方面制定策略,来提高建筑物提取的自动化程度:
(1)通过将影像分类为阴影、植被、裸地、建筑物四种类别。其中,阴影和植被可采用光谱特征阈值法构建阴影和植被检测条件并结合合适的自动阈值获取方案实现阴影和植被的自动检测。对于建筑物和裸地,本发明依据建筑物阴影与建筑物紧密邻接,并可能与裸地邻接的特性,设计了偏移阴影分析方法可实现裸地和建筑物样本自动提取。具体原理是:利用阴影检测结果筛选出建筑物阴影,分别对其进行顺光照方向和逆光照方向的偏移,并对偏移阴影区域进行地物成分分析,利用三方向综合法提取偏移区域中的未标记地物并结合形态学处理,就可实现裸地和建筑物的样本自动提取。此方法充分利用阴影,使每个具有阴影的建筑物都能提取出相应的样本,提供了充分的样本信息,使得分类精度更有保障。按照此思路,即可实现四类样本区域的自动、准确提取,无需人工辅助,提高了自动化程度。
(2)对自动提取的四类样本区域,随机筛选一定的像素构成特征向量,输入到SVM分类器中进行分类器的自动训练,利用训练好的SVM分类器可实现未知像素的自动分类,实现了建筑物的自动初提取。
(3)通过设计合理的后处理策略对初始结果进行自动优化,提高建筑物精度。后处理包含三方面:一是形态学预处理,主要是通过形态学的腐蚀、膨胀、开闭运算及内轮廓填充来增强区域完整性;二是区域增长,对建筑物边界进行区域增长,设置合适的经验阈值,可实现自动补充漏检区域;三是建筑物验证,由于裸地是建筑物的最大干扰地物,而裸地和建筑物的最大区别在于是否存在相应的阴影,通过本发明设计的相交边界阴影比率结合合适的限定阈值,逐个对各个区域进行建筑物验证,可实现建筑物的准确自动验证。最终实现建筑物自动、完整、准确的提取。
附图说明
图1是本发明实施例的建筑物自动检测流程图。
图2是本发明实施例的偏移阴影分析提取建筑物阴影周围的建筑物和裸地样本的示意图。
图3是本发明实施例的顺向和逆向偏移阴影向量示意图。
图4是本发明实施例的相交边界阴影比率获取示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
针对相关遥感应用对建筑物提取方法在普适性和智能化方面的需求,以及目前建筑物提取方法的自动化程度偏低,对数据源、先验知识、人工辅助等方面过于依赖引起的普适性降低的问题,根据建筑物阴影与建筑物紧密邻接的特点,可通过设计一种以高分辨率光学影像为基础,充分利用建筑物的阴影特性用于设计自动分类及后处理优化策略,实现建筑物的自动、准确提取。
请见图1,本发明提供了一种利用阴影的高分辨率遥感影像建筑物自动提取方法,包括以下步骤:
步骤1:对影像进行阴影、植被、裸地、建筑物的样本自动提取,并结合SVM分类原理实现自动分类,提取建筑物初始结果;
具体实现包括以下子步骤:
步骤1.1:设输入影像大小为M×N,M、N分别代表影像的长和宽,新建一个与影像大小一致的M×N预分类影像CMap,初始类别全部设置为未识别像素CU,欲将CMap影像中的所有未识别像素通过后续步骤细分为{CSD,CVE,CBL,CB}四大类,其中CSD代表的地物类型为阴影、CVE代表的地物类型为植被、CBL代表的地物类型为裸地、CB代表的地物类型为建筑物;
步骤1.2:利用阴影具有的低亮度、高色调、高的归一化蓝色分量B’和高的C3分量特征,构建如式(式壹)壹所示的阴影检测条件,结合一维Otsu自动阈值法和带限定条件的自动阈值法获取四项特征的自动阈值,按照此条件可实现对影像中阴影的自动检测;根据阴影检测结果生成二值化阴影影像IMGSD,并在CMap中将IMGSD中的阴影像素标记为CSD,实现对CMap的更新;
SetSD={(i,j)|(B'(i,j)>T_B'||H(i,j)>T_H||C3(i,j)>T_C3)&&I(i,j)<T_I}(式壹);
步骤1.3:利用归一化绿色分量G’构建植被检测条件,采用一维Otsu阈值即可获取合适的自动阈值,可快速实现植被的自动检测。为了更好的保证检测结果的可靠性,本发明在自动阈值基础上加入了一定的经验阈值用于改善当自动阈值不合适时引起的植被误检或漏检,具体策略为通过大量实验确定一个合理的阈值范围,当一维Otsu自动阈值T_G’O在此范围内时,不进行改变,但当自动阈值超出此范围,则采用经验阈值,这样在一定程度上能够提高检测方法的适用范围。即使影像中存在的植被较少,仍然可以获取准确的检测结果。本发明经过大量实验确定植被检测的合适阈值范围为[80,140],经验阈值为88。根据植被检测结果生成二值化植被影像IMGVE,在CMap中将IMGVE中的植被像素标记为CVE,实现CMap的更新;
SetVE={(i,j)|G'(i,j)>T_G'o} (2);
步骤1.4:对阴影进行逆向偏移获取偏移阴影区域,对区域内的CMap进行地物成分分析以提取出建筑物阴影;
具体实现方式如下:
步骤1.4.1:对步骤1.2所获取的阴影影像IMGSD,利用形态学原理对阴影面积进行降序排序,并统计序列中相邻阴影的面积差和比的绝对值,寻找最大绝对值的对应的阴影面积,以此面积为剔除阈值,对面积小于此面积的阴影区域进行去除;
步骤1.4.2:如图2所示,根据影像中任一建筑物角点B及其阴影点BS构成向量估计影像中的光照方向,以光照方向的反方向为逆向偏移阴影单位向量Vi,以光照方向的正方向为顺向偏移阴影单位向量-Vi,
步骤1.4.3:对步骤1.4.1所获取的阴影,逐个对各个阴影区域统计其周长,利用周长l和比例系数λ定制各个阴影区域相应的偏移阴影向量Vk,
其中,K代表影像中的阴影个数,k代表阴影区域的序号,lk代表第k个阴影区域的周长,Vk代表此阴影区域对应的偏移向量。
步骤1.4.4:对各个阴影区域进行按照Vk向量进行逆向偏移,统计分析偏移阴影区域中的地物成分,植被比例高于50%的视作植被阴影并采用形态学方法去除,即可初步筛选出建筑物阴影。假设逆向偏移阴影区域内的像素集合可表示为z=(z1,z2,…,zN),在CMap中这些像素分别具有初始标记值,对应的标记值集合记为v=(v1,v2,…,vN),vn∈{LVE,LSD,LBL,LU}。此区域内各个类别的像素数目Nc可以通过(5)计算出来。
通过对比NVE和NU的大小,即可判断出此阴影区域是否属于植被阴影。当NVE大于NU时,代表偏移阴影区域中的非阴影地物中植被占据了较大比例,则此区域很可能属于植被阴影,将去除;反之,则该阴影存在较大的可能为建筑阴影,则保留。
步骤1.5:对建筑物阴影区域采用三种逆向偏移向量综合法实现建筑物的样本自动提取;
具体实现方式如下:
步骤1.5.1:如图3所示,通过将Vi分别按顺时针旋转和逆时针旋转统一的角度θ即可获取左偏移向量Vi_left和右偏移向量Vi_right,在已知Vi的情况下,Vi_left和Vi_right的计算方式如下:
Vi=(x,y)=(cosβ,sinβ) (6);
Vi_left=(cos(β+θ),sin(β+θ)) (7);
Vi_right=(cos(β-θ),sin(β-θ)) (8);
其中,(x,y)为估计的光照方向对应的单位向量,(cosβ,sinβ)为(x,y)的极坐标表示,已知(x,y)和θ即可算出Vi_left和Vi_right。
步骤1.5.2:对步骤1.4.3获取的每个建筑物阴影区域,分别按照Vi、Vi_left和Vi_right三个向量进行逆光照方向的偏移,获取每个阴影区域对应的三种阴影偏移区域,结合CMap通过将三种偏移阴影区域中的CU区域取交集,最终的共同相交区域中,不再包含两侧的裸地区域,可视作初始建筑物样本。
步骤1.6:对建筑物阴影区域采用三种顺向偏移向量综合法实现裸地的样本区域的初步提取;然后再采用形态学方法去除部分小区域,保留可靠的裸地区域,并进行区域增长,实现裸地样本区域自动提取;
具体实现方式如下:
步骤1.6.1:对步骤1.4.3获取的每个建筑物阴影区域,分别按照如图3所示的-Vi、-Vi_left和-Vi_right三个向量进行顺光照方向的偏移,获取每个阴影区域对应的三种阴影偏移区域,结合CMap通过将三种偏移阴影区域中的CU区域取交集,最终的共同相交区域中,基本为邻接建筑物的裸地。此结果作为裸地样本初始结果。
步骤1.6.2:统计裸地样本初始结果中各区域的面积,根据面积对区域进行降序排序,统计相邻面积差和比绝对值最大值对应的区域面积作为阈值T对区域进行筛选,对于面积小于T的区域采用形态学去除法进行剔除,保留剩下的裸地样本区域,可靠性更高;
步骤1.6.3:进一步对保留的裸地样本区域进行区域增长,获取范围更广的裸地样本区域。
步骤1.7:根据步骤1.2、步骤1.3、步骤1.5、步骤1.6中取得的四类地物区域,采用Random随机函数从样本区域所有像素中随机筛选一部分像素作为最终样本用于对样本的进一步筛选,符合条件的像素才参与样本训练,以提高分类效率;即对每一类别的每一个样本区域中,通过随机函数随机选定其中一部分像素作为样本像素,而不是全部样本区域中的全部像素均参与到样本训练中去。
步骤1.8:统计样本像素的R、G、B、I四种特征,构成四维特征向量,输入到SVM分类器中对分类器进行训练,以构建适合于该影像分类的最优分类模型,利用训练后的分类器对CMap中未标记类CU的像素,根据其对应四维特征进行分析并预测其类别,再同时将预测结果用于更新CMap中的标记信息,最终实现影像的全体分类,从中提取建筑物类可获取建筑物的初始结果。
步骤2:对初始结果后处理优化,包括形态学预处理、漏检补充及建筑物验证,输出建筑物最终结果;
其具体实现包括以下子步骤:
步骤2.1:根据步骤1.8得到的初步结果进行形态学预处理,提高区域完整性;具体实现方式为:通过形态学的腐蚀、膨胀、开闭运算,消除部分非建筑物像素点的干扰;对于空洞现象,则采用内轮廓填充法对满足条件要求区域内轮廓进行填充,补充部分漏检建筑物;经过合理的形态学预处理,可以使得初始结果的区域完整性更强。
步骤2.2:在步骤2.1得到的结果基础上,进行区域增长,以补充部分被漏检的建筑物区域;具体实现方式是,通过设定8邻域像素光谱相似度条件作为区域增长条件,以建筑物边界上的像素点作为起始种子点,逐个判断各个种子点的8邻域上的非建筑物的CU类像素是否满足增长条件,若满足条件则将其在CMap中的标记值改为CB;等此轮循环完毕,则重新获取建筑物区域的新轮廓,以新增的像素点为种子点进行下一轮的区域增长,以此类推,最终无新增边界点时,此建筑物区域增长完毕;对每一个建筑物区域逐个进行区域增长,最终完成对不完整的建筑物进行补充;
步骤2.3:在步骤2.2的结果基础上,鉴于裸地类与建筑物类的最直接区别在于是否存在阴影,因此,本发明设计了利用阴影特征建筑物确认指标——相交边界阴影比率η,如图4所示,地物具有阴影,则η肯定较高,若不存在阴影,则η会比较低。因此,利用η即可有效的区分有阴影和无阴影的地物,发挥了鉴别建筑物与裸地的作用,区分出没有阴影的裸地并予以剔除,最终实现建筑物的准确提取;
其具体实现包括以下子步骤:
步骤2.3.1:逐个对步骤2.2的结果中待验证区域进行膨胀一次,获取对应的膨胀后边界EdgeB;
步骤2.3.2:然后再根据待验证区域的周长l和回移比例λ计算回移向量VB,按照VB对待验证区域进行回移获得偏移建筑区域;
步骤2.3.3:通过步骤2.3.2中的偏移建筑物区域与膨胀后边界EdgeB取交集,获取区域膨胀后的边界上落在偏移建筑区域中的部分边界即作为相交边界EdgeBSD。
步骤2.3.4:通过统计此边界上所有像素中阴影所占比例即可获取η,并设置Tη,对于小于Tη的区域将进行形态学去除,保留最终结果即为建筑物提取的最终结果。
其中,NESD和NSD分别为相交边界EdgeBSD上的全部像素个数和阴影像素个数。
本发明还提供了本发明还提供了一种利用阴影的高分辨率遥感影像建筑物自动提取系统,包括样本区域自动提取模块、SVM分类器训练与输出模块和后处理优化模块;样本区域自动提取模块:用于对高分辨率遥感影像中的阴影、植被、裸地、建筑物样本的自动提取。根据阴影和植被自动检测方法进行两者的自动检测,并利用本发明提出的偏移阴影分析方法对建筑物阴影进行提取,进一步在采用本发明提出的顺向和逆向偏移阴影分析方法,提取建筑物和裸地样本区域,实现四类样本的自动提取。SVM分类器训练与输出模块:用于结合SVM分类原理实现自动分类,提取并自动输出建筑物初始结果;后处理优化模块:用于对初始结果后处理优化,包括形态学预处理、漏检补充及建筑物验证,输出建筑物最终结果。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (5)
1.一种利用阴影的高分辨率遥感影像建筑物自动提取方法,其特征在于,包括以下步骤:
步骤1:对影像进行阴影、植被、裸地、建筑物的样本自动提取,并结合SVM分类原理实现自动分类,提取建筑物初始结果;
步骤1的具体实现包括以下子步骤:
步骤1.1:设输入影像大小为M×N,M、N分别代表影像的长和宽,新建一个与影像大小一致的M×N预分类影像CMap,初始类别全部设置为未识别像素CU,欲将CMap影像中的所有未识别像素通过后续步骤细分为{CSD,CVE,CBL,CB}四大类,其中CSD代表的地物类型为阴影、CVE代表的地物类型为植被、CBL代表的地物类型为裸地、CB代表的地物类型为建筑物;
步骤1.2:利用阴影具有的低亮度、高色调、高的归一化蓝色分量B’和高的C3分量特征,构建如式壹所示的阴影检测条件,结合一维Otsu自动阈值法和带限定条件的自动阈值法获取四项特征的自动阈值,按照此条件实现对影像中阴影的自动检测;根据阴影检测结果生成二值化阴影影像IMGSD,并在CMap中将IMGSD中的阴影像素标记为CSD,实现对CMap的更新;
SetSD={(i,j)|(B'(i,j)>T_B'||H(i,j)>T_H||C3(i,j)>T_C3)&&I(i,j)<T_I}(式壹);
步骤1.3:利用归一化绿色分量G’结合自动阈值方案,对影像进行植被检测,根据植被检测结果生成二值化植被影像IMGVE,在CMap中将IMGVE中的植被像素标记为CVE,实现对CMap的更新;
步骤1.4:对阴影进行逆向偏移获取偏移阴影区域,对区域内的CMap进行地物成分分析以提取出建筑物阴影;
步骤1.4的具体实现方式如下:
步骤1.4.1:对步骤1.2所获取的阴影影像IMGSD,利用形态学原理对阴影面积进行降序排序,并统计序列中相邻阴影的面积差和比的绝对值,寻找最大绝对值的对应的阴影面积,以此面积为剔除阈值,对面积小于此面积的阴影区域进行去除;
步骤1.4.2:根据影像中的光照方向,以光照方向的反方向为逆向偏移阴影单位向量Vi,以光照方向的正方向为顺向偏移阴影单位向量-Vi,
步骤1.4.3:对步骤1.4.1对各个阴影区域统计其周长,利用周长l和比例系数λ定制各个阴影区域相应的偏移阴影向量Vk,
其中,K代表影像中的阴影个数,k代表阴影区域的序号,lk代表第k个阴影区域的周长,Vk代表此阴影区域对应的偏移向量;
步骤1.4.4:对各个阴影区域进行按照Vk向量进行逆向偏移,统计分析偏移阴影区域中的地物成分,植被比例高于50%的视作植被阴影并采用形态学方法去除,即可初步筛选出建筑物阴影;
步骤1.5:对建筑物阴影区域采用三种逆向偏移向量综合法实现建筑物的样本自动提取;
步骤1.5的具体实现方式如下:
步骤1.5.1:通过将Vi分别按顺时针旋转和逆时针旋转统一的角度θ即可获取左偏移向量Vi_left和右偏移向量Vi_right,在已知Vi的情况下,Vi_left和Vi_right的计算方式如下:
Vi=(dx,dy)=(cosβ,sinβ)
Vi_left=(cos(β+θ),sin(β+θ))
Vi_right=(cos(β-θ),sin(β-θ));
其中,(dx,dy)为估计的光照方向对应的单位向量,(cosβ,sinβ)为(dx,dy)的极坐标表示,已知(dx,dy)和θ即可算出Vi_left和Vi_right;
步骤1.5.2:对步骤1.4.3获取的每个建筑物阴影区域,分别按照Vi、Vi_left和Vi_right三个向量进行逆光照方向的偏移,获取每个阴影区域对应的三种阴影偏移区域,结合CMap通过将三种偏移阴影区域中的CU区域取交集,最终的共同相交区域中,不再包含两侧的裸地区域,可视作初始建筑物样本;
步骤1.6:对建筑物阴影区域采用三种顺向偏移向量综合法实现裸地的样本区域的初步提取;然后再采用形态学方法去除部分小区域,保留可靠的裸地区域,并进行区域增长,实现裸地样本区域自动提取;
步骤1.6的具体实现方式如下:
步骤1.6.1:对步骤1.4.3获取的每个建筑物阴影区域,分别按照-Vi、-Vi_left和-Vi_right三个向量进行顺光照方向的偏移,获取每个阴影区域对应的三种阴影偏移区域,结合CMap通过将三种偏移阴影区域中的CU区域取交集,最终的共同相交区域中,基本为邻接建筑物的裸地;此结果作为裸地样本初始结果;
步骤1.6.2:统计裸地样本初始结果中各区域的面积,根据面积对区域进行降序排序,统计相邻面积差和比绝对值最大值对应的区域面积作为阈值T对区域进行筛选,对于面积小于T的区域采用形态学去除法进行剔除,保留剩下的裸地样本区域,可靠性更高;
步骤1.6.3:进一步对保留的裸地样本区域进行区域增长,获取范围更广的裸地样本区域;
步骤1.7:根据步骤1.2、步骤1.3、步骤1.5、步骤1.6中取得的四类地物区域,采用Random随机函数从样本区域所有像素中随机筛选一部分像素作为最终样本用于对样本的进一步筛选,符合条件的像素才参与样本训练,以提高分类效率;
步骤1.8:统计样本像素的R、G、B、I四种特征,构成四维特征向量,输入到SVM分类器中对分类器进行训练,以构建适合于该影像分类的最优分类模型,利用训练后的分类器对CMap中未标记类CU的像素,根据其对应四维特征进行分析并预测其类别,再同时将预测结果用于更新CMap中的标记信息,最终实现影像的全体分类,从中提取建筑物类可获取建筑物的初始结果;
步骤2:对初始结果后处理优化,包括形态学预处理、漏检补充及建筑物验证,输出建筑物最终结果。
2.根据权利要求1所述的利用阴影的高分辨率遥感影像建筑物自动提取方法,其特征在于,步骤1.7的具体实现方式为:对每一类别的每一个样本区域中,通过随机函数随机选定其中一部分像素作为样本像素,而不是全部样本区域中的全部像素均参与到样本训练中去。
3.根据权利要求2所述的利用阴影的高分辨率遥感影像建筑物自动提取方法,其特征在于,步骤2的具体实现包括以下子步骤:
步骤2.1:根据步骤1.8得到的初步结果进行形态学预处理,提高区域完整性;具体实现方式为:通过形态学的腐蚀、膨胀、开闭运算,消除部分非建筑物像素点的干扰;对于空洞现象,则采用内轮廓填充法对满足条件要求区域内轮廓进行填充,补充部分漏检建筑物;
步骤2.2:在步骤2.1得到的结果基础上,进行区域增长,以补充部分被漏检的建筑物区域;具体实现方式是,通过设定8邻域像素光谱相似度条件作为区域增长条件,以建筑物边界上的像素点作为起始种子点,逐个判断各个种子点的8邻域上的非建筑物的CU类像素是否满足增长条件,若满足条件则将其在CMap中的标记值改为CB;等此轮循环完毕,则重新获取建筑物区域的新轮廓,以新增的像素点为种子点进行下一轮的区域增长,以此类推,最终无新增边界点时,此建筑物区域增长完毕;对每一个建筑物区域逐个进行区域增长,最终完成对不完整的建筑物进行补充;
步骤2.3:在步骤2.2的结果基础上,利用η区分有阴影和无阴影的地物,其中η表示阴影特征建筑物确认指标——相交边界阴影比率,地物具有阴影,则η较高,若不存在阴影,则η比较低;区分出没有阴影的裸地并予以剔除,最终实现建筑物的准确提取。
4.根据权利要求3所述的利用阴影的高分辨率遥感影像建筑物自动提取方法,其特征在于,步骤2.3中所述利用η区分有阴影和无阴影的地物,具体实现方式如下:首先逐个对步骤2.2的结果中待验证区域进行膨胀一次,获取对应的膨胀后边界EdgeB;然后再根据待验证区域的周长l和回移比例λ计算回移向量VB,按照VB对待验证区域进行回移获得偏移建筑区域;通过对偏移建筑物区域与膨胀后边界EdgeB取交集,获取区域膨胀后的边界上落在偏移建筑区域中的部分边界即作为相交边界EdgeBSD;统计此边界上所有像素中阴影所占比例即可获取η,并设置Tη,对于小于Tη的区域将进行形态学去除,保留最终结果即为建筑物提取的最终结果;
其中,NESD和NSD分别为EdgeBSD上的全部像素个数和阴影像素个数。
5.根据权利要求1所述的利用阴影的高分辨率遥感影像建筑物自动提取方法实现高分辨率遥感影像建筑物自动提取的系统,其特征在于:包括样本区域自动提取模块、SVM分类器训练与输出模块和后处理优化模块;
样本区域自动提取模块:用于对高分辨率遥感影像中的阴影、植被、裸地、建筑物样本的自动提取;根据阴影和植被自动检测方法进行两者的自动检测,并利用步骤1.4中提出的偏移阴影分析方法对建筑物阴影进行提取,进一步再采用步骤1.5和步骤1.6中提出的逆向和顺向偏移阴影分析方法,提取建筑物和裸地样本区域,实现四类样本的自动提取;
SVM分类器训练与输出模块:用于结合SVM分类原理实现自动分类,提取并自动输出建筑物初始结果;
后处理优化模块:用于对初始结果后处理优化,包括形态学预处理、漏检补充及建筑物验证,输出建筑物最终结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610077910.9A CN105528596B (zh) | 2016-02-03 | 2016-02-03 | 利用阴影的高分辨率遥感影像建筑物自动提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610077910.9A CN105528596B (zh) | 2016-02-03 | 2016-02-03 | 利用阴影的高分辨率遥感影像建筑物自动提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105528596A CN105528596A (zh) | 2016-04-27 |
CN105528596B true CN105528596B (zh) | 2018-10-09 |
Family
ID=55770810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610077910.9A Expired - Fee Related CN105528596B (zh) | 2016-02-03 | 2016-02-03 | 利用阴影的高分辨率遥感影像建筑物自动提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105528596B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022257B (zh) * | 2016-05-18 | 2023-05-26 | 神州龙空间技术(深圳)有限公司 | 建筑阴影自动识别与模型覆盖方法 |
CN106127121B (zh) * | 2016-06-15 | 2019-03-08 | 四川省遥感信息测绘院 | 一种基于夜间灯光数据的建成区智能化提取方法 |
CN106228553B (zh) * | 2016-07-20 | 2019-07-23 | 湖南大学 | 高分辨率遥感图像阴影检测装置与方法 |
CN106355574B (zh) * | 2016-08-31 | 2018-11-16 | 上海交通大学 | 一种基于深度学习的腹内脂肪分割方法 |
CN106683112B (zh) * | 2016-10-10 | 2019-09-27 | 国交空间信息技术(北京)有限公司 | 一种基于高分辨率图像的道路路域建筑物变化提取方法 |
CN107203757B (zh) * | 2017-06-02 | 2019-07-26 | 重庆市地理信息中心 | 基于二进制特征分类器的建筑物提取方法 |
CN109583283A (zh) * | 2017-09-29 | 2019-04-05 | 中国科学院遥感与数字地球研究所 | 玉米种植区域提取方法、装置及种植区域提取系统 |
CN107944477B (zh) * | 2017-11-15 | 2019-07-02 | 北京师范大学 | 一种针对城市群的融合多源数据的遗传分类方法 |
CN107977968B (zh) * | 2017-12-22 | 2021-03-19 | 长江勘测规划设计研究有限责任公司 | 基于建筑物阴影信息挖掘的建筑物分层检测方法 |
CN108229364B (zh) * | 2017-12-28 | 2022-02-25 | 百度在线网络技术(北京)有限公司 | 建筑物轮廓生成方法、装置、计算机设备及存储介质 |
CN109118503B (zh) * | 2018-07-19 | 2022-02-11 | 黄淮学院 | 高分辨遥感影像特定目标快速检测方法 |
CN109919852B (zh) * | 2018-12-31 | 2021-04-30 | 中国科学院软件研究所 | 一种光学遥感图像的屋顶视角校正方法 |
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 |
CN110569751B (zh) * | 2019-08-23 | 2021-11-16 | 南京信息工程大学 | 一种高分遥感影像建筑物提取方法 |
CN110796042B (zh) * | 2019-10-16 | 2023-04-21 | 长江大学 | 基于偏移阴影样本形态变换的高分遥感影像建筑物提取方法 |
CN111144335A (zh) * | 2019-12-30 | 2020-05-12 | 自然资源部国土卫星遥感应用中心 | 一种构建建筑物深度学习模型的方法及装置 |
CN111428762B (zh) * | 2020-03-12 | 2022-03-15 | 武汉大学 | 联合深度数据学习和本体知识推理的可解释性遥感影像地物分类方法 |
CN111415357B (zh) * | 2020-03-19 | 2023-04-07 | 长光卫星技术股份有限公司 | 一种基于彩色影像的便携式阴影提取方法 |
CN111652892A (zh) * | 2020-05-02 | 2020-09-11 | 王磊 | 一种基于深度学习的遥感影像建筑物矢量提取及优化方法 |
CN113487634B (zh) * | 2021-06-11 | 2023-06-30 | 中国联合网络通信集团有限公司 | 关联建筑物高度与面积的方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7733342B2 (en) * | 2005-11-24 | 2010-06-08 | Inha-Industry Partnership Institute | Method of extracting 3D building information using shadow analysis |
CN101840581A (zh) * | 2010-02-05 | 2010-09-22 | 北京交通大学 | 一种从卫星遥感影像中提取建筑物轮廓的方法 |
CN103279951A (zh) * | 2013-05-13 | 2013-09-04 | 武汉理工大学 | 一种面向对象的遥感影像建筑物及其阴影提取的方法 |
CN103559500A (zh) * | 2013-10-15 | 2014-02-05 | 北京航空航天大学 | 一种基于光谱与纹理特征的多光谱遥感图像地物分类方法 |
CN105184308A (zh) * | 2015-08-03 | 2015-12-23 | 北京航空航天大学 | 一种基于全局优化决策的遥感图像建筑物检测分类方法 |
-
2016
- 2016-02-03 CN CN201610077910.9A patent/CN105528596B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7733342B2 (en) * | 2005-11-24 | 2010-06-08 | Inha-Industry Partnership Institute | Method of extracting 3D building information using shadow analysis |
CN101840581A (zh) * | 2010-02-05 | 2010-09-22 | 北京交通大学 | 一种从卫星遥感影像中提取建筑物轮廓的方法 |
CN103279951A (zh) * | 2013-05-13 | 2013-09-04 | 武汉理工大学 | 一种面向对象的遥感影像建筑物及其阴影提取的方法 |
CN103559500A (zh) * | 2013-10-15 | 2014-02-05 | 北京航空航天大学 | 一种基于光谱与纹理特征的多光谱遥感图像地物分类方法 |
CN105184308A (zh) * | 2015-08-03 | 2015-12-23 | 北京航空航天大学 | 一种基于全局优化决策的遥感图像建筑物检测分类方法 |
Non-Patent Citations (5)
Title |
---|
"基于 SVM 的高分辨率 SAR 图像建筑物自动提取";陈伟利 等;《煤炭技术》;20100810;第29卷(第8期);第128页第2节,图2 * |
"基于形态学建筑物指数的城市建筑物提取及其高度估算";付乾坤 等;《遥感技术与应用》;20150215;第30卷(第1期);第148-153页 * |
"基于知识规则构建和形态学修复的建筑物提取研究";黄金库 等;《地理与地理信息科学》;20110715;第27卷(第4期);第28-29页,图1-2 * |
"高分辨率遥感影像中的城区与建筑物检测方法研究";陶超;《中国博士学位论文全文数据库信息科技辑(月刊)》;20130715(第07期);I140-36,正文第8页 * |
"高空间分辨率遥感影像建筑物提取方法综述";张庆云 等;《测绘与空间地理信息》;20150425;第38卷(第4期);第74-78页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105528596A (zh) | 2016-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105528596B (zh) | 利用阴影的高分辨率遥感影像建筑物自动提取方法及系统 | |
Li et al. | Automatic pavement crack recognition based on BP neural network | |
Ghaffarian | Automatic building detection based on supervised classification using high resolution Google Earth images | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
Alidoost et al. | A CNN-based approach for automatic building detection and recognition of roof types using a single aerial image | |
CN107832797B (zh) | 基于深度融合残差网的多光谱图像分类方法 | |
US11804025B2 (en) | Methods and systems for identifying topographic features | |
CN102542293A (zh) | 一种针对高分辨率sar图像场景解译的一类提取分类方法 | |
CN103971377A (zh) | 基于先验形状水平集分割的建筑物提取方法 | |
CN109785307A (zh) | 一种基于矢量引导的无人机影像道路损毁评估方法 | |
CN112560675A (zh) | Yolo与旋转-融合策略相结合的鸟类视觉目标检测方法 | |
Ok | Automated extraction of buildings and roads in a graph partitioning framework | |
AU2019349986A1 (en) | Apparatus and method for three-dimensional object recognition | |
CN114612450B (zh) | 基于数据增广机器视觉的图像检测分割方法、系统、电子设备 | |
Ming et al. | Cropland extraction based on OBIA and adaptive scale pre-estimation | |
Singh et al. | A hybrid approach for information extraction from high resolution satellite imagery | |
Lari et al. | Automated building extraction from high-resolution satellite imagery using spectral and structural information based on artificial neural networks | |
Deepan et al. | Road recognition from remote sensing imagery using machine learning | |
CN110796042B (zh) | 基于偏移阴影样本形态变换的高分遥感影像建筑物提取方法 | |
Costa et al. | Three-Dimensional Reconstruction of Satellite images using Generative Adversarial Networks | |
Lari et al. | Automatic extraction of building features from high resolution satellite images using artificial neural networks | |
Orun | Automated identification of man-made textural features on satellite imagery by Bayesian networks | |
Bores et al. | Urban traffic monitoring from aerial LIDAR data with a two-level marked point process model | |
Bolar et al. | Classification of urban data using satellite imaging | |
Benedek | Hierarchical image content analysis with an embedded marked point process framework |
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 | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181009 |