CN105608691B - 一种高分辨率sar影像单体建筑提取方法 - Google Patents
一种高分辨率sar影像单体建筑提取方法 Download PDFInfo
- Publication number
- CN105608691B CN105608691B CN201510952355.5A CN201510952355A CN105608691B CN 105608691 B CN105608691 B CN 105608691B CN 201510952355 A CN201510952355 A CN 201510952355A CN 105608691 B CN105608691 B CN 105608691B
- Authority
- CN
- China
- Prior art keywords
- building
- single building
- ontology
- primitive
- image
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20128—Atlas-based segmentation
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种高分辨率SAR影像单体建筑提取方法，首先结合高分辨率SAR影像中单体建筑的成像特性和复杂形态结构特性进行领域本体建模，构建出高分辨率SAR影像中单体建筑本体语义模型；然后采用基于对象的SAR影像分割获取同质性好且边界清晰的图像区域，这些图像区域是“建筑基元”提取的基本处理单元；结合本体模型中“建筑基元”相关规则，提取的图像对象特征包括区域、形状、几何、纹理、拓扑等多种特征；依据本体语义规则和对象特征，形成本体语义描述的对象表达，指导“图像对象”自动识别为“建筑基元”，实现以语义知识为中心的大型单体建筑识别。本发明能准确快速地提取高分辨率SAR影像中的大型单体建筑。
Description
技术领域
本发明属于合成孔径雷达SAR(Synthetic Aperture Radar，SAR)影像解译领域，涉及一种高分辨率SAR影像单体建筑提取方法，具体而言是借鉴SAR建筑成像机理，通过构建本体语义模型来提取高分辨率SAR影像大型单体建筑的方法。
背景技术
利用遥感影像解译单体建筑的位置信息对于城市规划和灾害评估具有重要意义。TerraSAR-X、Cosmo-SkyMed等星载SAR系统获得的米级高分辨数据，能够呈现目标的空间和几何结构细节，这使得对于SAR图像上单个建筑的解译成为可能。但是由于城区复杂的环境因素、建筑朝向各异以及建筑本身的异质性，使得单体建筑提取成为SAR影像解译中极具挑战性的工作之一。另外，SAR的侧视成像原理为单体建筑解译提供了不同于其他遥感数据的技术途径。
目前，基于高分辨率In-SAR、多方位角SAR数据以及立体机载SAR数据的方法是单体建筑提取的主流方法，这类方法利用建筑形态稳定静止特性以及建筑高度信息，能获取准确的单体建筑位置及高度信息，但是这类方法多依赖于多幅影像或者其他辅助信息，在数据受限或紧急情况下难以适用，并且这类方法对于高分辨率SAR数据中建筑的成像特点的信息挖掘不够充分。利用单景高分辨SAR影像的单体建筑提取方法需要充分利用建筑物成像特点和几何结构信息，是目前单体建筑提取研究的难点和热点。
基于高分辨率SAR影像进行建筑物提取的主要问题是如何实现影像中的点、线、面精确提取，并能将这些零散的特征基元组合成完整的建筑物整体。文献1采用统计几何建模和最大后验概率检验实现机载SAR影像“L”型建筑提取，这种方法不能提取非“L”型的建筑并且对于建筑散射模型考虑不充分。文献2利用基于视觉编组与认知心理学原理构造了点、线、面的编组规则，实现了0.2m分辨率SAR影像机场建筑物的轮廓及其内部破碎特征点、线、面的连接组合。文献3对TerraSAR-X影像进行亮线、亮面、暗面检测，结合假设检验实现建筑物轮廓自动提取，提取正确率可达到80％，但这种方法需要设置的参数过多。文献4提出基于标记控制分水岭变换分割的SAR影像建筑物检测方法，提取SAR影像中的长条形或L形建筑物的亮区。文献5提取感兴趣区域内的高亮线条和阴影区域，采用D-S证据理论对注意焦点、高亮线条和阴影区域进行特征融合，实现机载SAR影像建筑物目标的提取。文献6采用距离向的距离探测算子“range detector”，能快速实现Pi-SAR影像中朝向一致且具有强二面体散射的长条形建筑提取。
以上利用单景高分辨SAR影像的单体建筑提取方法普遍利用了高分辨率SAR影像中单体建筑物的成像特点和几何结构信息，对于与雷达视像垂直的“1”和“L”型单体建筑呈现较好的检测结果。但由于检测的特征比较简单或者使用场景比较单一，上述多数方法对于方位建筑或具有复杂结构的单体建筑的提取不适用。另外，目前存在的方法基本都属于.基于像素的特征检测和组合判定的方法，不仅存在特征检测效率低的缺点，而且需要设置的参数阈值过多。
本体是一种陈述性知识表达模型，本体语义能够在抽象层次上以形式化的语言明确表达目标领域的知识。本体建模作为一种知识表达技术，具有明确性、共享性和正式性，近年来本体建模也逐渐用于遥感影像解译中，特别是专家知识的管理、聚合和分享方面的应用。例如，作为一种被广泛认可的解决方案和研究热点，地理本体(Geo-ontology)可以解决由于缺少语义关联而造成的地理数据知识异质性。为了完备地描述高分辨率SAR影像中单体建筑的散射、组成和形态等多种特性，本发明中通过构建本体语义模型来抽象出单体建筑及建筑基元的特性，以SAR影像分割方法获得的图像对象作为基本处理单元，形成基于本体语义描述的单体建筑对象表达，实现以本体语义知识引导的高分辨率SAR影像大型单体建筑提取。
在米级(0.5-2m)高分辨率SAR影像中，大型单体建筑物的墙体叠掩、屋顶散射、阴影等成像细节得到体现，这些“建筑基元”具有明显的亮度、纹理、边界、几何等特性，并且“建筑基元”之间存在特定的空间位置关系。结合以上SAR建筑成像特性，本发明提出了通过构建本体语义模型的SAR影像大型单体建筑提取方法：首先结合高分辨率SAR影像中单体建筑的特性进行领域本体建模，构建出高分辨率SAR影像中单体建筑本体语义模型；然后为了获得本体模型中的“建筑基元”，采用基于对象的SAR影像分割获取同质性好且边界清晰的图像区域，这些图像区域是“建筑基元”提取的基本处理单元；结合本体模型中“建筑基元”相关规则来提取图像对象特征；依据本体语义规则和对象特征，形成本体语义描述的对象表达，指导“图像对象”自动识别为“建筑基元”，实现以语义知识为中心的大型单体建筑识别。
[文献1]：Quartulli M.,Datcu M..Stochastic Geometrical Modeling forBuilt-Up Area Understanding From a Single SAR Intensity Image With MeterResolution[J].IEEE TransactionsonGeoscienceand Remote Sensing,2004,42(9):1996-2003.
[文献2]：Michaelsen E,Soergel U.,ThoennessenU..Perceptual Grouping forAutomatic Detection of Man-Made Structures in High-Resolution SAR Data[J].Pattern Recognition Letters,2006,27:218-225.
[文献3]：Ferro A.,Brunner D.,BruzzoneL..An Advanced Technique forBuilding Detection in VHR SAR Images[C].SPIE Conference on Image and SignalProcessing for Remote Sensing,Berlin,2009.
[文献4]：Zhao L.J.,Zhou X.G.,Kuang,G.Y..Building detection from urbanSAR image using building characteristics and contextual information[J].EURASIP Journal on Advances in Signal Processing,2013,56.
[文献5]：苏娟,张强,陈炜,等.高分辨率SAR图像中建筑物特征融合检测算法[J].测绘学报.2014,43(9):939-944.
[文献6]：Chen S.S.,Wang H.P.,Xu F.,et al..Automatic Recognition ofIsolated Buildings on Single-Aspect SAR Image Using Range Detector[J].IEEEGeoscience and Remote Sensing Letters,2015,12(7):219-223.
发明内容
本发明的目的在于提供一种自动的高分辨率SAR影像单体建筑提取方法，本发明通过构建SAR单体建筑物本体语义模型来克服建筑朝向和建筑复杂形状的影响，仅使用一景高分辨率SAR影像且不需要其他辅助数据，能较为准确地提取大型单体建筑。
本发明所采用的技术方案是：一种高分辨率SAR影像单体建筑提取方法，其特征在于，包括以下步骤：
步骤1：构建高分辨率SAR影像中单体建筑本体语义模型；
结合单体建筑SAR成像模型以及SAR影像中单体建筑的复杂形态结构特性，利用领域本体这种陈述性知识表达模型，在抽象层次上以形式化的语言明确表达单体建筑及“建筑基元”语义知识，以完备地描述高分辨率SAR影像中大型单体建筑的方位、形状、组成、拓扑特性；
步骤2：基于对象的SAR影像分割；
首先利用流域变换获得的初始结果作为基本处理对象，在此过程中利用ROA(Ratio of Averages)算子提取抑制噪声的梯度图像，利用盆地动力学阈值(Dynamics)抑制过分割的同时在一定程度上控制基本对象的尺度大小；在对象上建立区域邻接图(Region Adjacency Graph，RAG)，在原始图像数据上建立高斯马尔可夫随机场(GaussMarkov random field,GMRF)模型统计各个对象的统计特征、空间纹理特性，利用初始分割区域的联合概率对模型进行参数估计，先进行保守合并，将小于一定面积的区域合并到其相邻最相似的区域中，再进行全局合并，在此过程中设定相似度阈值，当RAG中相邻两区域合并的似然比满足条件则进行合并；
步骤3：图像对象特征提取；
基于对象的SAR影像分割获得的同质性好且边界清晰的图像对象是后续处理的基本单元，结合本体模型中“建筑基元”相关规则，提取图像对象特征，包括对象的区域散射、形状几何及拓扑三大类特征；
步骤4：建筑基元提取及组合；
结合步骤1中构建的高分辨率SAR影像中单体建筑本体语义模型和步骤2中分割获得的图像对象，形成本体语义描述的单体建筑对象表达，指导“图像对象”自动识别为“建筑基元”，实现以语义知识为中心的建筑基元提取，利用对象间拓扑特征以及本体规则实现建筑基元组合为单体建筑；其中，对于每种“建筑基元”采用相应的决策树来组织各类特征，决策阈值通过样本训练而来；
步骤5：提取结果后处理；
获取单体建筑对象之后，利用形态学处理以及边界规则化形成单体建筑边界轮廓，去除不满足条件的提取区域，完成基于本体语义的高分辨率SAR影像单体建筑提取。
作为优选，步骤1中所述构建高分辨率SAR影像单体建筑本体语义模型，其具体实现包括以下子步骤：
步骤1.1：分析高分辨率SAR影像中单体建筑成像模型；
分析单体建筑在高分辨率SAR影像中的成像模型，具体包括朝向SAR的建筑墙面与地面之间的叠掩特性、屋顶的表面散射特性及纹理形状特性，SAR侧视成像与建筑高度形成的建筑阴影效应，以及建筑朝向与SAR方位向的夹角；对于一定规模的大型单体建筑，高分辨率SAR影像中能呈现较为明显的叠掩、屋顶、阴影这些建筑基元；
步骤1.2：定义高分辨率SAR影像中单体建筑本体语义规则集；
所述单体建筑由建筑基元组合而成，所述建筑基元包括屋顶亮线、叠掩区域、平顶屋顶、尖顶屋顶、阴影，其中叠掩区域和尖顶屋顶强反射面属于亮区，尖顶屋顶的暗面和建筑阴影属于暗区；
所述高分辨率SAR影像中单体建筑本体语义规则集包括：
①单体建筑的位置和大小由建筑基元的组合区域确定，主要考虑矩形结构建筑；
②单体建筑的朝向由亮区的方向确定，分为三个主朝向：与SAR飞行方向平行、垂直及倾斜，不同朝向的亮区其亮度有所差异；
③屋顶、暗区都在亮区特定的一侧，与SAR入射角相关；
④单体建筑类型分为平顶建筑和尖顶建筑，主要由亮区宽度确定；
⑤判定对象满足“建筑基元”本体规则后，通过对象拓扑信息组合为单体建筑；
⑥建筑的面积大于250pixels(400m2以上)则为大型单体建筑。
作为优选，步骤2中所述基于对象的SAR影像分割，其具体实现包括以下子步骤：
步骤2.1：采用盆地动力学阈值控制的分水岭分割进行初始分割，包括初始盆地的确定、溢流操作、基于显著性评价的区域等级输出；
所述初始盆地的确定是通过梯度图获取的，其中梯度提取方法采用充分考虑SAR图像的统计特性和Speckle特性的Ratio of averages(ROA)算子获得；分水岭分割通过模拟溢流过程，由初始盆地开始通过溢流操作依次得到各盆地间的相互淹没顺序，此过程采用盆地动力学阈值(Dynamics)来抑制过分割；
步骤2.2：根据初始分割结果建立区域邻接图(RAG)，构建包含高级视觉特征的合并准则，在RAG的基础上进行层次合并；所述RAG的基本思想是：利用图结构，其中一个节点表示一个区域或图像初始对象、一条弧线表示一个邻接关系，弧线的权值为两相邻节点之间的相似性度量；所述相似性度量中包括对象的灰度统计特征以及形状特征；
步骤2.3：依据相似性度量准则实施多次合并以获得多个不同尺度下的分割结果；其中将RAG定义为区域高斯马尔可夫随机场(GMRF)，将RAG中相邻区域的边权重作为GMRF能量函数，通过GMRF模型获得最优的合并次序，当RAG中相邻两区域合并的似然比满足条件则进行合并。
作为优选，步骤3中所述图像对象的特征包括区域散射特征、形状几何特征和拓扑特征三大类；
所述区域散射特征包括均值、方差、纹理特征、CFAR(Constant False AlarmRate)填充度，所述纹理特征包括GLCM同质性、能量、差异性、熵特征；所述形状几何特征包括主方向、面积、质心、最小外接矩形、矩形度、形状填充度、紧凑度特征，所述主方向为对象主方向与雷达入射方位向的夹角，所述紧凑度特征用于描述对象的分散情况；紧凑度特征拓扑特征包括邻接对象标号。
作为优选，步骤4中所述建筑基元提取及组合是依据本体语义规则而来，具体地是结合对象特征的本体语义规则，通过本体语义组织对象基本特征形成“建筑基元”的条件属性；其中，“建筑基元”包括亮区、屋顶和阴影，亮区＝方向∩亮度∩CFAR填充度∩形状，屋顶＝亮区一侧∩纹理∩形状∩面积，阴影辅助＝暗区∩形状∩屋顶一侧∩面积；
“建筑基元”确定之后，通过以下属性确定单体建筑：平顶建筑＝窄叠掩∩屋顶∩总面积∩阴影辅助；尖顶建筑＝宽叠掩∩屋顶∩总面积∩阴影辅助。
本发明的优点是：
(1)首次将本体建模引入高分辨率SAR影像单体建筑提取，结合单体建筑的成像特性和复杂形态结构特性等领域知识构建单体建筑本体语义模型，这种模型具有抽象性和代表性，使得本发明能克服同一区域内建筑朝向和建筑复杂形状的影响；
(2)本发明中采用结合SAR图像特性的分割方法获取同质性好且边界清晰的图像对象，能减少相干斑噪声的影响，对象的拓扑特征和几何形状等特征对于表征单体建筑成像特性具有独特优势，在本体规则下有层次地组织这些特征能提高单体建筑提取精度；
(3)本发明提供了一种自动的高分辨率SAR影像单体建筑提取方法，根据本体语义描述的单体建筑对象表达，采用经过训练的决策树组织各种对象属性，指导“图像对象”自动识别为“建筑基元”，仅使用一景高分辨率SAR影像且不需要其他辅助数据，能高效准确地提取大型单体建筑位置轮廓信息。
附图说明
图1是本发明实施例的流程图；
图2是本发明实施例的本体建模流程图；
图3是本发明实施例采用的高分辨率SAR单体建筑散射模型图；
图4是本发明实施例的单体建筑本体语义模型结构示意图；
图5是本发明实施例的Protege5.0单体建筑本体语义图(Protege5.0不支持中文，建模时各基元采用英文名称，编译通过后生成语义图，参照该图利用Microsoft Visio作中文图)；
图6是本发明实施例基于对象的SAR影像分割示意图；
图7是本发明实施例的效果验证实验单体建筑提取结果图。
具体实施方式
为了便于本领域技术人员理解和实施本发明，下面结合附图对本发明的实施例对本发明作进一步的详细阐述，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。
请见图1，本发明提供的一种高分辨率SAR影像单体建筑提取方法，包括以下步骤：
步骤1：构建高分辨率SAR影像中单体建筑本体语义模型；
结合单体建筑SAR成像模型以及SAR影像中单体建筑的复杂形态结构特性，利用领域本体这种陈述性知识表达模型，在抽象层次上以形式化的语言明确表达单体建筑及“建筑基元”语义知识，以完备地描述高分辨率SAR影像中大型单体建筑的方位、形状、组成、拓扑等多重特性；
步骤2：基于对象的SAR影像分割；
首先利用流域变换获得的初始结果作为基本处理对象，在此过程中利用ROA(Ratio of Averages)算子提取抑制噪声的梯度图像，利用盆地动力学阈值(dynamics)抑制过分割的同时在一定程度上控制基本对象的尺度大小。在对象上建立区域邻接图(Region Adjacency Graph，RAG)，在原始图像数据上建立高斯马尔可夫随机场(GaussMarkov random field,GMRF)模型统计各个对象的统计特征、空间纹理特性，利用初始分割区域的联合概率对模型进行参数估计，先进行保守合并，将小于一定面积的区域合并到其相邻最相似的区域中，再进行全局合并，在此过程中设定相似度阈值，当RAG中相邻两区域合并的似然比满足条件则进行合并；
步骤3：图像对象特征提取；
基于对象的SAR影像分割获得的有意义图像对象是后续处理的基本单元，依据本体规则需求，提取的图像对象特征提取主要包括灰度统计特征如均值、方差和纹理等，形状几何特征如面积、主方向、矩形度、密度等，拓扑特征主要考虑对象间邻接信息。
步骤4：建筑基元提取及组合；
结合步骤1中构建的高分辨率SAR影像中单体建筑本体语义模型和步骤2中分割获得的图像对象，形成本体语义描述的单体建筑对象表达，指导“图像对象”自动识别为“建筑基元”，实现以语义知识为中心的建筑基元提取，利用对象间拓扑特征以及本体规则实现建筑基元组合为单体建筑；其中，对于每种“建筑基元”采用相应的决策树来组织各类特征，决策阈值通过样本训练而来；
步骤5：提取结果后处理；
获取单体建筑对象之后，利用形态学处理以及边界规则化形成单体建筑边界轮廓，去除不满足条件的提取区域，完成基于本体语义的高分辨率SAR影像单体建筑提取。
本发明中，高分辨率SAR单体建筑本体建模基本流程如图2所示，采用的是骨架法建模方法，领域本体建模有知识获取、概念化、本体形式化，骨架法主要提供了本体开发的指导方针。其中涉及的领域知识主要包括高分辨率SAR单体建筑成像模型和建筑形态结构特性，概念化的或称主要是将单体建筑的类型和组成结构进行细分，本体形式化建模工具为Protege5.0。
高分辨率SAR影像中单体建筑成像模型如图3所示，由于侧视成像，单体建筑在高分辨率SAR影像中具有墙角叠掩、屋顶表面散射以及阴影特征。另外，随着建筑朝向与SAR方位向的夹角不同，单体建筑的叠掩阴影特征的散射幅值及形状也有所差异。根据以上特性，明确高分辨率SAR影像中单体建筑本体语义规则集包括：①单体建筑的位置和大小由建筑基元的组合区域确定，主要考虑矩形结构建筑。②单体建筑的朝向由亮区的方向确定，分为三个主朝向：与SAR飞行方向平行、垂直及倾斜，不同朝向的亮区其亮度有所差异。③屋顶、暗区都在亮区特定的一侧，与SAR入射角相关。④单体建筑类型分为平顶建筑和尖顶建筑，主要由亮区宽度确定。⑤判定对象满足“建筑基元”本体规则后，通过对象拓扑信息组合为单体建筑。⑥建筑的面积大于250pixels(400m2以上)则为大型建筑。对以上语义知识概念化为如图4所示的结构图，各类建筑基元的属性，建筑基元之间的拓扑关系与建筑朝向和影像参数相关。单体建筑本体模型形式化如图5所示，图5为采用Protege5.0单体建筑本体语义图。
本发明中，依据单体建筑本体语义规则，首先需要获取亮区、屋顶和暗区等“建筑基元”，采用分割的方法获取同质性好且边缘清晰的区域作为基本处理单元，在这些图像区域里根据本体规则来进一步确定“建筑基元”，图像分割采用基于对象的方法。基于对象的高分辨率SAR影像分割方法流程图如图6所示：初始分割采用改进的分水岭分割，分水岭分割的基本步骤有：初始盆地(局部极小)的确定、溢流操作、基于显著性评价的区域等级输出。其中初始盆地的确定通过梯度图获取的，方法中梯度提取方法采用充分考虑SAR图像的统计特性和Speckle特性的Ratio of averages(ROA)算子获得，能较好地克服相干斑噪声影响，获得稳定可靠的结果。分水岭分割通过模拟溢流过程，由初始盆地开始通过溢流操作依次得到各盆地间的相互淹没顺序，此过程通常需要抑制过分割。主要采用盆地动力学阈值(Dynamics)来抑制过分割，盆地动力学阈值一种区域全局显著性的度量。
以上分水岭初始分割的从背景中提取近乎一致的对象，图像目标的真实边缘就包含在分水岭里，为分析区域特征提供了必要条件；另外分水岭分割计算速度快并且可以并行处理。根据初始分割结果建立区域邻接图(RAG)，构建包含高级视觉特征的合并准则，在RAG的基础上进行层次合并。RAG的基本思想是：利用图结构，其中一个节点表示一个区域(对象)、一条弧线表示一个邻接关系，弧线的权值为两相邻节点之间的相似性度量。相似性度量中包括对象的灰度统计特征以及形状特征。
依据相似性度量准则实施多次合并以获得多个不同尺度下的分割结果。这里我们将RAG定义为区域高斯马尔可夫随机场(Gauss Markov Random Field，GMRF)，将RAG中相邻区域的边权重作为GMRF能量函数，通过GMRF模型获得最优的合并次序，当RAG中相邻两区域合并的似然比满足条件则进行合并。
本发明中，通过分割获得图像对象，结合本体模型中“建筑基元”相关规则，提取的图像对象级特征提取主要包括一下三大类：区域散射——均值、方差、纹理(GLCM同质性、能量、差异性、熵)、CFAR填充度；形状几何——主方向(对象主方向与雷达入射方位向的夹角)、面积、质心、最小外接矩形、矩形度、(形状)填充度、紧凑度(描述对象的分散情况)；拓扑——邻接对象标号。提取的各个特征及其含义详见表1。
表1图像对象特征说明
表1中，关于纹理特征的符号说明如下，在图像中任意一点(x,y)以及偏离它的另一个点(x+a,y+b)，形成一个点对，设该点对表达为(i,j)，i为点(x,y)处的灰度值，j为点(x+a,y+b)处的灰度值。设灰度值的级别为L，则(i,j)的组合共有L2种。固定a和b，在整个统计区中，统计出每一种(i,j)出现的次数，再将它们归一化为出现的概率则[Pij]L×L为灰度共生矩阵。距离差值(a,b)取不同的数值组合，可以获得沿一定的方向(如0°、45°、90°、135°)一定距离的象元之间的灰度联合概率矩阵。
本发明中，建筑基元提取及组合是依据本体语义规则而来，具体地是结合对象特征的本体语义规则。通过本体语义组织对象基本特征形成“建筑基元”的条件属性依次如下：
亮区：方向∩亮度∩CFAR填充度∩形状
屋顶：亮区一侧∩纹理∩形状∩面积
阴影(辅助)：暗区∩形状∩屋顶一侧∩面积
“建筑基元”确定之后，通过以下属性确定单体建筑：
平顶建筑：窄叠掩∩屋顶∩总面积∩阴影辅助
尖顶建筑：宽叠掩∩屋顶∩总面积∩阴影辅助
综合高分辨率SAR影像中单体建筑本体语义知识和分割获得的图像对象，形成本体语义描述的单体建筑对象表达，指导“图像对象”自动识别为“建筑基元”，实现以语义知识为中心的建筑基元提取，利用对象间拓扑特征以及本体规则实现建筑基元组合为单体建筑。
本发明效果可通过一下实验结果进一步说明。
实验条件：实验中采用广东佛山地区TerraSAR-X数据，获取时间为2008年5月，分辨率为1.25m。实验数据中包含的建筑类型多为大型公共建筑、厂房，建筑屋顶类型包括简单平顶、尖顶以及组合屋顶，屋顶的材质也多样。实验区域内建筑朝向复杂，规模大小、形状不一。所选取的实验数据基本信息及特点详见表2，对各数据的大型单体建筑提取结果依次如图6所示，对以上实验结果进行提取精度评价结果如表2所示。计算机硬件配置为Intel(R)Core(TM)i5-2400，主频3.10GHz。本发明的软件平台为MATLAB 7.11.0(R2010b)和Protege5.0。
表2效果验证实验数据简介表
| 编号 | 数据大小(pixels) | 建筑朝向 | 建筑特点 |
| 1 | 1200*1200 | 不一致 | 规模大小差异大 |
| 2 | 2040*1360 | 较一致 | 小型建筑干扰严重 |
| 3 | 800*1050 | 基本一致 | 与雷达视像夹角大，密集 |
| 4 | 1100*800 | 不一致 | 建筑物多处集中 |
实验内容：采用本发明提供的方法对多组不同朝向和不同复杂度的SAR影像建筑区域进行单体建筑提取。
实验结果：本发明的提取结果如图7所示，其中实验结果中左图为提取结果叠加在灰度拉伸后的可视SAR影像上的效果图，方框为提取的单体建筑轮廓；右图为相应区域Google earth光学对照图，方框为实际的单体建筑轮廓。对于本发明方法提取结果的精度评价详见表3。
表3效果验证实验结果精度评价表
| 实验数据 | 建筑数目 | 提取 | 虚警 | 分开 | 合并 | 识别率 | 虚警率 |
| 1 | 38 | 33 | 7 | 2 | 6 | 86.8％ | 18.4％ |
| 2 | 57 | 53 | 12 | 3 | 8 | 92.9％ | 21.1％ |
| 3 | 46 | 39 | 4 | 2 | 3 | 84.8％ | 8.7％ |
| 4 | 37 | 35 | 1 | 0 | 6 | 94.6％ | 2.7％ |
通过以上实验结果以及精度评价，可以得出以下结论：
本发明以结合SAR图像特性的分割方法获取同质性好且边界清晰的图像对象，减少了相干斑噪声的影响，对象的拓扑特征和几何形状等特征对于表征单体建筑成像特性具有独特优势，在本体规则下有层次地组织这些特征能提高单体建筑提取精度；
本发明首次将本体建模引入高分辨率SAR影像单体建筑提取，结合单体建筑的成像特性和复杂形态结构特性等领域知识构建单体建筑本体语义模型，这种模型具有抽象性和代表性，使得本发明能克服同一区域内建筑朝向和建筑复杂形状的影响。
以上结合实例对本发明作了说明，应指出，本领域技术人员可以做出各种形式的和细节上的改变，而不偏离由所附权利要求所确定的本发明的精神和范围。
Claims (5)
1.一种高分辨率SAR影像单体建筑提取方法，其特征在于，包括以下步骤：
步骤1：构建高分辨率SAR影像中单体建筑本体语义模型；
结合单体建筑SAR成像模型以及SAR影像中单体建筑的复杂形态结构特性，利用领域本体这种陈述性知识表达模型，在抽象层次上以形式化的语言明确表达单体建筑及“建筑基元”语义知识，以完备地描述高分辨率SAR影像中大型单体建筑的方位、形状、组成、拓扑特性；
步骤2：基于对象的SAR影像分割；
首先利用流域变换获得的初始结果作为基本处理对象，在此过程中利用均值比ROA算子提取抑制噪声的梯度图像，利用盆地动力学阈值抑制过分割的同时在一定程度上控制基本对象的尺度大小；在对象上建立区域邻接图RAG，在原始图像数据上建立高斯马尔可夫随机场GMRF模型统计各个对象的统计特征、空间纹理特性，利用初始分割区域的联合概率对模型进行参数估计，先进行保守合并，将小于一定面积的区域合并到其相邻最相似的区域中，再进行全局合并，在此过程中设定相似度阈值，当RAG中相邻两区域合并的似然比满足条件则进行合并；
步骤3：图像对象特征提取；
基于对象的SAR影像分割获得的同质性好且边界清晰的图像对象是后续处理的基本单元，结合本体模型中“建筑基元”相关规则，提取图像对象特征，包括对象的区域散射、形状几何及拓扑三大类特征；
步骤4：建筑基元提取及组合；
结合步骤1中构建的高分辨率SAR影像中单体建筑本体语义模型和步骤2中分割获得的图像对象，形成本体语义描述的单体建筑对象表达，指导“图像对象”自动识别为“建筑基元”，实现以语义知识为中心的建筑基元提取，利用对象间拓扑特征以及本体规则实现建筑基元组合为单体建筑；其中，对于每种“建筑基元”采用相应的决策树来组织各类特征，决策阈值通过样本训练而来；
步骤5：提取结果后处理；
获取单体建筑对象之后，利用形态学处理以及边界规则化形成单体建筑边界轮廓，去除不满足条件的提取区域，完成基于本体语义的高分辨率SAR影像单体建筑提取。
2.根据权利要求1所述的高分辨率SAR影像单体建筑提取方法，其特征在于：步骤1中所述构建高分辨率SAR影像中单体建筑本体语义模型，其具体实现包括以下子步骤：
步骤1.1：分析高分辨率SAR影像中单体建筑成像模型；
分析单体建筑在高分辨率SAR影像中的成像模型，具体包括朝向SAR的建筑墙面与地面之间的叠掩特性、屋顶的表面散射特性及纹理形状特性，SAR侧视成像与建筑高度形成的建筑阴影效应，以及建筑朝向与SAR方位向的夹角；
步骤1.2：定义高分辨率SAR影像中单体建筑本体语义规则集；
所述单体建筑由建筑基元组合而成，所述建筑基元包括屋顶亮线、叠掩区域、平顶屋顶、尖顶屋顶、阴影，其中叠掩区域和尖顶屋顶强反射面属于亮区，尖顶屋顶的暗面和建筑阴影属于暗区；
所述高分辨率SAR影像中单体建筑本体语义规则集包括：
①单体建筑的位置和大小由建筑基元的组合区域确定，主要考虑矩形结构建筑；
②单体建筑的朝向由亮区的方向确定，分为三个主朝向：与SAR飞行方向平行、垂直及倾斜，不同朝向的亮区其亮度有所差异；
③屋顶、暗区都在亮区特定的一侧，与SAR入射角相关；
④单体建筑类型分为平顶建筑和尖顶建筑，主要由亮区宽度确定；
⑤判定对象满足“建筑基元”本体规则后，通过对象拓扑信息组合为单体建筑；
⑥建筑的面积大于250像素则为大型单体建筑。
3.根据权利要求1所述的高分辨率SAR影像单体建筑提取方法，其特征在于：步骤2中所述基于对象的SAR影像分割，其具体实现包括以下子步骤：
步骤2.1：采用盆地动力学阈值控制的分水岭分割进行初始分割，包括初始盆地的确定、溢流操作、基于显著性评价的区域等级输出；
所述初始盆地的确定是通过梯度图获取的，其中梯度提取方法采用充分考虑SAR图像的统计特性和斑点特征的均值比ROA算子获得；分水岭分割通过模拟溢流过程，由初始盆地开始通过溢流操作依次得到各盆地间的相互淹没顺序，此过程采用盆地动力学阈值来抑制过分割；
步骤2.2：根据初始分割结果建立区域邻接图RAG，构建包含高级视觉特征的合并准则，在RAG的基础上进行层次合并；所述RAG的基本思想是：利用图结构，其中一个节点表示一个区域或图像初始对象、一条弧线表示一个邻接关系，弧线的权值为两相邻节点之间的相似性度量；所述相似性度量中包括对象的灰度统计特征以及形状特征；
步骤2.3：依据相似性度量准则实施多次合并以获得多个不同尺度下的分割结果；其中将RAG定义为区域高斯马尔可夫随机场GMRF，将RAG中相邻区域的边权重作为GMRF能量函数，通过GMRF模型获得最优的合并次序，当RAG中相邻两区域合并的似然比满足条件则进行合并。
4.根据权利要求1所述的高分辨率SAR影像单体建筑提取方法，其特征在于：步骤3中所述图像对象特征包括区域散射特征、形状几何特征和拓扑特征三大类；
所述区域散射特征包括均值、方差、纹理特征、恒虚警率CFAR填充度，所述纹理特征包括灰度共生矩阵GLCM同质性、能量、差异性、熵特征；所述形状几何特征包括主方向、面积、质心、最小外接矩形、矩形度、形状填充度、紧凑度特征，所述主方向为对象主方向与雷达入射方位向的夹角，所述紧凑度特征用于描述对象的分散情况；紧凑度特征拓扑特征包括邻接对象标号。
5.根据权利要求1所述的高分辨率SAR影像单体建筑提取方法，其特征在于：步骤4中所述建筑基元提取及组合是依据本体语义规则而来，具体地是结合对象特征的本体语义规则，通过本体语义组织对象基本特征形成“建筑基元”的条件属性；其中，“建筑基元”包括亮区、屋顶和阴影，亮区＝方向∩亮度∩恒虚警率CFAR填充度∩形状，屋顶＝亮区一侧∩纹理∩形状∩面积，阴影＝暗区∩形状∩屋顶一侧∩面积；
“建筑基元”确定之后，通过以下属性确定单体建筑：平顶建筑＝窄叠掩∩屋顶∩总面积∩阴影；尖顶建筑＝宽叠掩∩屋顶∩总面积∩阴影。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510952355.5A CN105608691B (zh) | 2015-12-17 | 2015-12-17 | 一种高分辨率sar影像单体建筑提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510952355.5A CN105608691B (zh) | 2015-12-17 | 2015-12-17 | 一种高分辨率sar影像单体建筑提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105608691A CN105608691A (zh) | 2016-05-25 |
| CN105608691B true CN105608691B (zh) | 2018-01-12 |
Family
ID=55988607
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510952355.5A Active CN105608691B (zh) | 2015-12-17 | 2015-12-17 | 一种高分辨率sar影像单体建筑提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105608691B (zh) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108428236B (zh) * | 2018-03-28 | 2020-02-07 | 西安电子科技大学 | 基于特征公平集成的多目标sar图像分割方法 |
| CN108804616B (zh) * | 2018-05-30 | 2020-12-08 | 中国科学院空间应用工程与技术中心 | 一种空间有效载荷在轨图像数据挖掘的装置和方法 |
| CN108983232B (zh) * | 2018-06-07 | 2020-06-09 | 中南大学 | 一种基于邻轨数据的InSAR二维地表形变监测方法 |
| CN109492606A (zh) * | 2018-11-26 | 2019-03-19 | 上海同繁勘测工程科技有限公司 | 多光谱矢量图获取方法及系统、三维单体化方法及系统 |
| CN109934110B (zh) * | 2019-02-02 | 2021-01-12 | 广州中科云图智能科技有限公司 | 一种河道附近违建房屋识别方法 |
| CN109903304B (zh) * | 2019-02-25 | 2021-03-16 | 武汉大学 | 一种基于卷积神经元网络和多边形规则化的建筑物轮廓自动提取算法 |
| CN110569745B (zh) * | 2019-08-20 | 2022-04-12 | 北方工业大学 | 一种遥感图像建筑区检测方法 |
| CN110631577B (zh) * | 2019-09-19 | 2021-03-19 | 江苏科技大学 | 服务机器人导航路径跟踪方法及服务机器人 |
| CN111666856B (zh) * | 2020-05-29 | 2022-08-05 | 武汉大学 | 基于结构特性的高分辨率单极化sar影像建筑目标检测方法 |
| CN111951282A (zh) * | 2020-08-12 | 2020-11-17 | 辽宁石油化工大学 | 一种基于马尔科夫随机场与区域合并的图像分割改进算法 |
| CN112419184B (zh) * | 2020-11-19 | 2022-11-04 | 重庆邮电大学 | 一种综合局部信息和全局信息的空间注意力图像去噪方法 |
| CN112766154B (zh) * | 2021-01-19 | 2022-09-30 | 中国地质大学（武汉） | 一种高分辨率sar图像建筑物叠掩提取方法 |
| CN113033577B (zh) * | 2021-03-26 | 2022-06-03 | 山东科技大学 | 一种基于伴方差修正模型的海洋目标特征提取方法 |
| CN113627571A (zh) * | 2021-10-13 | 2021-11-09 | 湖南星图空间信息技术有限公司 | 单类分类框架下的高分辨率遥感影像建筑物变化检测系统 |
| CN114387417B (zh) * | 2022-03-25 | 2022-05-27 | 北京飞渡科技有限公司 | 一种三维建筑建模方法、装置及三维建筑群建模方法 |
| CN114708432B (zh) * | 2022-04-02 | 2023-05-23 | 广西壮族自治区自然资源遥感院 | 基于规则网格离散化目标分割区域的加权度量方法 |
| CN115294461B (zh) * | 2022-10-10 | 2023-01-31 | 中国电建集团山东电力建设第一工程有限公司 | 基于bim和遥感图像的电力设施塌斜评估方法及系统 |
| CN115797768B (zh) * | 2022-11-30 | 2024-05-17 | 甘肃省地震局（中国地震局兰州地震研究所） | 一种基于纹理特征的sar建筑物震害估计方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184569A (zh) * | 2011-06-11 | 2011-09-14 | 福州大学 | 一种领域本体驱动的单株木建模方法 |
| US8971644B1 (en) * | 2012-01-18 | 2015-03-03 | Google Inc. | System and method for determining an annotation for an image |
-
2015
- 2015-12-17 CN CN201510952355.5A patent/CN105608691B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184569A (zh) * | 2011-06-11 | 2011-09-14 | 福州大学 | 一种领域本体驱动的单株木建模方法 |
| US8971644B1 (en) * | 2012-01-18 | 2015-03-03 | Google Inc. | System and method for determining an annotation for an image |
Non-Patent Citations (3)
| Title |
|---|
| Automatic Recognition of Isolated Buildings on Single-Aspect SAR Image Using Range Detector;Shanshan Chen et al.;《IEEE Geoscience and Remote Sensing Letters》;20150228;第12卷(第2期);第219-223页 * |
| Ontology-Based Classification of Building Types Detected from Airborne Laser Scanning Data;Mariana Belgiu et al.;《Remote Sensing》;20140212;第6卷(第2期);第1347-1366页 * |
| 高分辨率SAR图像中建筑物特征融合检测算法;苏娟 等;《测绘学报》;20140930;第43卷(第9期);第939-944页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105608691A (zh) | 2016-05-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105608691B (zh) | 一种高分辨率sar影像单体建筑提取方法 | |
| Wu et al. | Road pothole extraction and safety evaluation by integration of point cloud and images derived from mobile mapping sensors | |
| Niemeyer et al. | Contextual classification of lidar data and building object detection in urban areas | |
| Wu et al. | Rapid localization and extraction of street light poles in mobile LiDAR point clouds: A supervoxel-based approach | |
| US20230099113A1 (en) | Training method and apparatus for a target detection model, target detection method and apparatus, and medium | |
| US9846946B2 (en) | Objection recognition in a 3D scene | |
| CN110310264A (zh) | 一种基于dcnn的大尺度目标检测方法、装置 | |
| CN101329402B (zh) | 基于改进Wedgelet的多尺度SAR图像边缘检测方法 | |
| CN110210418A (zh) | 一种基于信息交互和迁移学习的sar图像飞机目标检测方法 | |
| Zhang et al. | Rapid inspection of pavement markings using mobile LiDAR point clouds | |
| Long et al. | Object detection research of SAR image using improved faster region-based convolutional neural network | |
| Liu et al. | Training CNNs on speckled optical dataset for edge detection in SAR images | |
| Zhang et al. | Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image | |
| Gokon et al. | Verification of a method for estimating building damage in extensive tsunami affected areas using L-band SAR data | |
| Shi et al. | Obstacle type recognition in visual images via dilated convolutional neural network for unmanned surface vehicles | |
| CN105335688A (zh) | 一种基于视觉图像的飞机机型识别方法 | |
| Huang et al. | A deep learning approach to detecting ships from high-resolution aerial remote sensing images | |
| Cao et al. | Detecting the number of buildings in a single high-resolution SAR image | |
| Liu et al. | Obstacle recognition for ADAS using stereovision and snake models | |
| CN113609898B (zh) | 基于sar图像的输电线路覆冰监测方法及系统 | |
| Zhao et al. | Building extraction from lidar point cloud data using marked point process | |
| Ali et al. | Asphalt Pavement Potholes Localization and Segmentation using Deep Retina Net and Conditional Random Fields | |
| Widyaningrum et al. | Tailored features for semantic segmentation with a DGCNN using free training samples of a colored airborne point cloud | |
| Zhao et al. | A robust lane detection algorithm based on differential excitation | |
| Lu et al. | New building signature extraction method from single very high-resolution synthetic aperture radar images based on symmetric analysis |
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 |