CN105761266B - 从遥感图像中提取矩形建筑物的方法 - Google Patents

Abstract

本发明涉及图像处理领域，公开了一种从遥感图像中提取矩形建筑物的方法。该方法包括：对遥感图像进行超像素分割得到多个超像素区域块；在遥感图像的目标建筑物上确定两个种子点；基于确定的种子点对多个超像素区域块进行合并；对遥感图像进行角点检测；基于角点检测结果计算生成关于遥感图像中每个像素点的角点距离显著图；对角点距离显著图进行二值分割；基于多个超像素区域块的合并结果和二值分割后的距离显著图确定先验信息；基于先验信息对遥感图像进行分割得到建筑物分割结果；对建筑物分割结果进行形态学图像处理；及对形态学图像处理后的建筑物分割结果进行矩形拟合得到矩形目标建筑物。上述方法能够高精度地从遥感图像中提取矩形建筑物。

Description

从遥感图像中提取矩形建筑物的方法

技术领域

本发明涉及图像处理领域，具体地，涉及一种从遥感图像中提取矩形建筑物的方法。

背景技术

人工地物是高分辨率遥感影像的重要内容，而建筑物作为其中的最重要的人工地物，与人们的生活息息相关，因此高分辨率遥感影像中的建筑物等人工地物目标的提取一直是研究的重点。高分辨率遥感影像中的建筑物特点表现为：在复杂场景和建筑物密集区域，对于建筑物的定位相当困难；较多的建筑物存在同物异谱现象，且建筑物和其他目标存在异物同谱的现象；建筑物的形状多样，复杂形状建筑物的自动提取及形状拟合都较为困难；建筑物目标存在被树木、阴影目标及其他建筑物目标遮挡覆盖的情况；建筑物的风格多样，同一方法很难适应不同风格的建筑物提取，且对于同类型的建筑物，提取时阈值参数的设置也存在较大差异。

目前对于高分辨率遥感影像中的建筑物等人工地物目标的提取主要采用纯手工方式进行，耗时耗力，在海量的数据面前效率低下，不能达到及时处理数据得到有用信息的要求，因此利用交互式半自动的方式来提取建筑物等人工地物目标意义重大。建筑物提取是遥感影像分析和处理的关键，对于城市规划、GIS系统更新、灾害预报、数字化城市、资源勘探以及军事侦察等领域有着巨大的应用潜力，高效且精确提取建筑物目标，能为建筑物目标精确评估提供定量信息，实现高分遥感从影像数据转换为有用信息，从而在相关领域的判别决策过程中起到十分重要的作用。

目前存在的建筑物目标提取方法主要包括：基于边缘特征和几何特征的提取方法。建筑物的最为显著的特征就是其几何特征，直线、角点等几何特征能够有效的描述一个建筑物。该类方法利用了图像中建筑物的直线等几何特征，通过边缘直线提取，到建筑物整个轮廓的提取是一个由底层到上层的处理过程，其优点在于能自动对建筑物目标进行检测提取，精确度较高；但另一方面较为依赖边缘直线的提取结果，在图像中细节较丰富的情况下提取结果受干扰较大，且提取出的直线需要进行关系分析等一系列处理过程，导致算法较为复杂。

基于图像分割合并的提取方法。图像的分割合并是较为常见的方法，通过一定准则将图像进行分割合并，最后得到建筑物目标。该类方法优点在于能够减少丰富地物细节对于提取结果的影响，只需要进行合理的区域分割合并即可提取出建筑物目标，但是由于区域分割合并的结果往往不是规则形状，因此还需要进行边界的拟合等处理过程，并且合理的分割合并准则的选择也是一大难点。

基于纹理分析的提取方法。建筑物的纹理也是其较为显著的识别特征，通过对纹理的分析能够提取出对应的建筑物目标基于纹理特征的提取方法对处理中低分辨率的影像较为有效，在高分辨率遥感影像中目标细节丰富造成纹理特征较为复杂，且存在“同谱异物”等现象，导致建筑物的纹理特征和其他目标纹理特征较难分开，降低了提取精度。

虽然上述算法在一定程度上解决了建筑物提取某个方面的问题，但仍然存在着提取过程较为复杂且提取精度较低的问题。因此需要一种能够提升提取精度的提取建筑物目标的方法。

发明内容

本发明的目的是提供一种从遥感图像中提取矩形建筑物的方法，以解决上述现有技术中的问题。

为了实现上述目的，本发明提供一种从遥感图像中提取矩形建筑物的方法。其中，该方法包括：对遥感图像进行超像素分割得到多个超像素区域块；在遥感图像的目标建筑物上确定两个种子点；基于所确定的种子点对多个超像素区域块进行合并；对遥感图像进行角点检测；基于角点检测结果计算生成关于遥感图像中每个像素点的角点距离显著图；对角点距离显著图进行二值分割；基于多个超像素区域块的合并结果和二值分割后的距离显著图确定先验信息；基于先验信息对遥感图像进行分割得到建筑物分割结果；对建筑物分割结果进行形态学图像处理；以及对形态学图像处理后的建筑物分割结果进行矩形拟合得到矩形目标建筑物。

通过上述技术方案，对高分辨率遥感图像进行超像素分割，在高分辨率遥感图像上交互选择两个种子点，然后在超像素分割的基础上利用进行超像素区域块的合并，之后利用角点检测方法检测高分辨率遥感图像中的角点并计算角点距离显著图，对显著图进行二值分割，二值分割后的结果和超像素区域块的合并结果作为建筑物的先验信息，然后对高分辨率遥感图像完成分割，对分割后的结果进行形态学后处理，最后进行矩形拟合得到最终的建筑物提取结果。由此，可以高精度地从遥感图像中提取矩形建筑物，得到更为准确的提取结果。

本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：

图1是根据本发明一种实施方式的从遥感图像中提取矩形建筑物的方法的流程图；

图2是待处理的遥感图像；

图3是经过数据预处理后的目标遥感图像；

图4是经过超像素分割后的目标遥感图像；

图5是确定的种子点连线后的二值图像；

图6是确定的种子点连线后映射到源遥感图像上的多光谱图像；

图7是种子点的连接线经过的超像素区域块的合并结果；

图8是经过区域合并算法的超像素区域块的合并结果；

图9是角点检测结果示意图；

图10是归一化后的角点距离显著图；

图11是二值化后的角点距离显著图；

图12是先验信息图；

图13是经过grabcut算法分割后得到的建筑物分割结果；

图14是经过腐蚀处理后的建筑物分割结果；

图15是经过膨胀处理后的建筑物分割结果；

图16是矩形拟合后得到的矩形建筑物二值图像；以及

图17是矩形拟合后得到的矩形建筑物映射到源遥感图像中的结果。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

图1是根据本发明一种实施方式的从遥感图像中提取矩形建筑物的方法的流程图。

如图1所示，本发明一种实施方式提供的从遥感图像中提取矩形建筑物的方法包括：

S100，对所述遥感图像进行超像素分割得到多个超像素区域块；

S102，在所述遥感图像的目标建筑物上确定两个种子点；

S104，基于所确定的两个种子点对所述多个超像素区域块进行合并；

S106，对所述遥感图像进行角点检测；

S108，基于角点检测结果计算生成关于所述遥感图像中每个像素点的角点距离显著图；

S110，对所述角点距离显著图进行二值分割；

S112，基于所述多个超像素区域块的合并结果和二值分割后的距离显著图确定先验信息；

S114，基于所述先验信息对所述遥感图像进行分割得到建筑物分割结果；

S116，对所述建筑物分割结果进行形态学图像处理；以及

S118，对所述形态学图像处理后的建筑物分割结果进行矩形拟合得到矩形目标建筑物。

通过上述技术方案，在从遥感图像中提取矩形建筑物时，可以首先对高分辨率遥感图像进行超像素分割，在高分辨率遥感图像上交互选择两个种子点，然后在超像素分割的基础上利用进行超像素区域块的合并，之后利用角点检测方法检测高分辨率遥感图像中的角点并计算角点距离显著图，对显著图进行二值分割，二值分割后的结果和超像素区域块的合并结果作为建筑物的先验信息，然后对高分辨率遥感图像完成分割，对分割后的结果进行形态学后处理，最后进行矩形拟合得到最终的建筑物提取结果。由此，可以高精度地从遥感图像中提取矩形建筑物，得到更为准确的提取结果。

根据本发明一种实施方式，在对所述遥感图像进行超像素分割得到多个超像素区域块之前，该方法还包括：

S120，利用双边滤波法对所述遥感图像进行数据预处理。

其中，双边滤波是一种可以保留边缘去除噪声的滤波器，其滤波器由两个函数组成，一个函数由几何空间距离决定滤波器系数，另一个函数由像素差值决定滤波器系数，在双边滤波器中，输出像素的值依赖于邻域像素的值的加权组合。由此，利用双边滤波法可以保持高分辨率遥感图像中的建筑物边缘，且平滑建筑物的背景内部细节。

未进行数据预处理的遥感图像如图2所示。其中，图2a是待处理的Google earth卫星遥感图像；图2b是待处理的worldview2卫星遥感图像；图2c是待处理的无人机遥感图像。

其中，双边滤波公式如下所示：

其中，需要设置滤波过程中每个像素邻域的直径d，颜色空间滤波器的方差σ_r，坐标空间滤波器的方差σ_d，各参数设置示例如下：d＝5，σ_r＝50.0，σ_d＝50.0。数据预处理后的结果如图3所示，其中图3a是经过数据预处理后的Google earth卫星目标遥感图像；图3b是经过数据预处理后的worldview2卫星目标遥感图像；图3c是经过数据预处理后的无人机目标遥感图像。

上述的数据预处理过程仅仅是示例性的，并非用于限定本发明。本领域技术人员也可以采用现有技术中其他的已知方法来执行数据预处理过程。

其中，对于步骤S100，超像素分割将具有一定相似性且空间位置相邻的一些像素归为一个像素对待，这个像素具有一定的形状和位置。超像素区域块的内部像素不仅位置相邻，而且具有相似的颜色、纹理、亮度等特征。超像素分割方法既考虑了像素间的空间关系，也考虑了像素间的相似性，可以省略大量的冗余信息，大大降低图像处理的复杂度。经过超像素分割后的遥感影像得到若干个超像素区域块，将超像素区域块视为基本处理单元来取代单个像素，能够使后续的区域合并步骤得到更为准确的合并结果。

例如，可以采用SLIC方法作为超像素的分割方法，该方法的具体实现步骤为：对于有N个像素点的影像，按照设定的超像素分块个数t(t例如可以设置为300)，初始化聚类中心；在初始聚类中心的n*n(n例如可以设置为3)邻域内重新选择聚类中心；在每个聚类中心的邻域范围m*m内(m例如可以设置为)为每个像素点分配聚类中心标签；计算每个像素点到聚类中心的距离度量，由于每个像素点可能被多个聚类中心搜索到，选择距离度量最小值对应的聚类中心作为该像素的聚类中心；重复上述步骤直到每个像素点的聚类中心不再发生变化，迭代的次数设置例如可以为10；增强分割后的连通性，通过新建一张标记表，表内元素均可以设置为-1，按照从左到右，从上到下的顺序将不连续的超像素、尺寸过小的超像素重新分配给邻近的超像素区域块。超像素分割结果例如如图4所示，其中图4a是经过超像素分割后的Google earth卫星目标遥感图像；图4b是经过超像素分割后的worldview2卫星目标遥感图像；图4c是经过超像素分割后的无人机目标遥感图像。

根据本发明一种实施方式，在对所述遥感图像进行超像素分割得到多个超像素区域块之前，该方法还包括：在对所述遥感图像进行超像素分割得到多个超像素区域块之前，判断所述遥感图像是否为全色图像，并在所述遥感图像为全色图像的情况下将所述遥感图像转换为多光谱图像。

其中，判断是否为全色图像的过程以及转换的过程可以采用现有技术中已有的方式，本发明不再赘述。

对于步骤S102，其中两个种子点的确定原则为二者在目标建筑物上的距离尽可能的远。两个种子点的确定及连线如图5和6所示。其中，图5a是关于Google earth卫星遥感图像的确定的种子点连线后的二值图像；图5b是关于worldview2卫星遥感图像的确定的种子点连线后的二值图像；图5c是关于无人机遥感图像的确定的种子点连线后的二值图像。图6a是关于Google earth卫星遥感图像的确定的种子点连线后映射到源遥感图像上的多光谱图像；图6b是关于worldview2卫星遥感图像的确定的种子点连线后映射到源遥感图像上的多光谱图像；图6c是关于无人机遥感图像的确定的种子点连线后映射到源遥感图像上的多光谱图像。

在该方法中，步骤S104包括：

将所确定的两个种子点的连线经过的超像素区域块合并得到初始条件区域块；合并结果如图7所示，其中，图7a是关于Google earth卫星遥感图像的种子点的连接线经过的超像素区域块的合并结果；图7b是关于worldview2卫星遥感图像的种子点的连接线经过的超像素区域块的合并结果；图7c是关于无人机遥感图像的种子点的连接线经过的超像素区域块的合并结果。

将所述初始条件区域块与所述多个超像素区域块中的剩余超像素区域块合并。

在该方法中，将所述初始条件区域块与所述多个超像素区域块中的剩余超像素区域块合并包括：

通过下式计算所确定的两个种子点的连线经过的超像素区域块中的每一个超像素区域块的邻接区域块A与所述邻接区域块A的邻接区域块Q的相似度：

其中分别表示邻接区域块A和邻接区域块Q的直方图，上标u表示直方图的第u个bin；

对于连线经过的任一个超像素区域块，所计算的邻接区域块A和邻接区域块Q的相似度中的最大值对应的邻接区域块A和与该对应的邻接区域块A对应的连线经过的超像素区域块合并。

其中，所述初始条件区域块与所述多个超像素区域块中的剩余超像素区域块的合并结果如图8所示，其中，图8a是关于Google earth卫星遥感图像的经过区域合并算法的超像素区域块的合并结果；图8b是关于worldview2卫星遥感图像的经过区域合并算法的超像素区域块的合并结果；图8c是关于无人机遥感图像的经过区域合并算法的超像素区域块的合并结果。

也就是，利用极大相似度区域合并算法将所述初始条件区域块与所述多个超像素区域块中的剩余超像素区域块合并。对于连线经过的每一个超像素区域块，可能对应多个邻接区域块A，而每一邻接区域块A又可能对应多个邻接区域块Q。由此，针对一个超像素区域块，可以计算得到多个相似度值，那么针对每一个超像素区域块都会计算得到自己对应的多个相似度值，然后可以从各自对应的多个相似度值中分别选择最大相似度值对应的邻接区域块A进行合并，重复上述过程直到没有邻接区域块合并为止。

通过上述步骤，可以实现所述初始条件区域块与所述多个超像素区域块中的剩余超像素区域块的合并。其中，相似度值越大，相似度越高。

对于多光谱图像，其具有三个通道，每个通道的灰度级为0-255，可以对每个通道均分为16个等级，统计分割后的每个区域块的颜色直方图，一共为16*16*16＝4096个直方图bins，因而构成该区域块的4096维标志向量(即，每个超像素区域块映射为4096维向量)。由此，上述公式中的u的最大值确定为4096。从而可以基于上述公式进行相似度的计算，进而实现超像素区域块的合并。

上述的示例中的4096仅仅是示例性的，并非用于限定本发明。

在该方法的步骤S106中，利用Harris角点检测算法或Susan角点检测算法对所述遥感图像进行角点检测。

例如，Harris角点检测算法中的参数设置可以如下所示：最大最小特征值的乘法因子设置为0.2，角点最小距离限制因子设置为3，感兴趣区域参数设置为0表示计算整个图像中的角点，计算导数自相关矩阵指定点的领域参数设置为3，标志位设置为0表示使用Shi-Tomasi的定义。利用Harris角点检测算法检测到的角点如图9所示，其中，图9a是关于Google earth卫星遥感图像的角点检测结果示意图；图9b是关于worldview2卫星遥感图像的角点检测结果示意图；图9c是关于无人机遥感图像的角点检测结果示意图。

由于建筑物在高分辨率遥感影像上呈现具有规则形状的图形，其角点信息往往较为丰富，而背景目标的角点一般较少，且较为杂乱，因此通过上述算法检测影像中的角点并确定角点的分布概率，即可大致确定建筑物的范围。

上述的Harris角点检测算法仅仅是示例性，本发明不限于此。

在该方法中，步骤S108包括：

通过下式计算所述遥感图像中每个像素点到检测到的所有角点的距离并求和：

其中σ为方差，x_i,y_i为角点所处位置的像素点坐标，x,y为角点所处位置以外的一个像素点坐标，t为角点数量；

基于上式得到的距离值生成关于所述遥感图像中每个像素点的角点距离显著图。

也就是，对多光谱图像中的每个像素点，计算该像素点到检测到的所有角点的距离并求和，求和参数中方差例如可以设置为3.8，从而构成角点距离显著图。

此外，该方法还包括：对角点距离显著图归一化到0-255。归一化后的角点距离显著图如图10所示，图10a是关于Google earth卫星遥感图像的归一化后的角点距离显著图；图10b是关于worldview2卫星遥感图像的归一化后的角点距离显著图；图10c是关于无人机遥感图像的归一化后的角点距离显著图。

在该方法的步骤S110中，可以对归一化后的角点距离显著图利用otsu算法进行二值分割，其中前景区域像素点赋值为255，背景区域像素点赋值为0。经过otsu算法二值化后的结果如图11所示，图11a是关于Google earth卫星遥感图像的二值化后的角点距离显著图；图11b是关于worldview2卫星遥感图像的二值化后的角点距离显著图；图11c是关于无人机遥感图像的二值化后的角点距离显著图。

在该方法中，步骤S112包括：

将所述遥感图像中的所述合并结果(即步骤S104中的合并结果)作为确定的前景信息；

将所述二值分割后的距离显著图中的前景信息减去所述合并结果(即步骤S104中的合并结果)作为疑似前景信息；

将所述遥感图像的剩余部分作为确定的背景信息。

也就是，所确定的先验信息可以包括：确定的前景信息1、疑似前景信息2和背景信息3。其中，先验信息如图12所示，图12a是关于Google earth卫星遥感图像的先验信息图；图12b是关于worldview2卫星遥感图像的先验信息图；图12c是关于无人机遥感图像的先验信息图。

在该方法的步骤S114中，可以通过grabcut算法基于所述先验信息对所述遥感图像进行分割得到建筑物分割结果。经过grabcut算法分割后得到的建筑物分割结果如图13所示，其中图13a是关于Google earth卫星遥感图像的经过grabcut算法分割后得到的建筑物分割结果；图13b是关于worldview2卫星遥感图像的经过grabcut算法分割后得到的建筑物分割结果；图13c是关于无人机遥感图像的经过grabcut算法分割后得到的建筑物分割结果。

例如，在grabcut算法中，待分割的高分辨率遥感影像可以看作无向图G＝＜V,E＞，其中V是图像中像素集合，E表示相邻像素之间的边，V、E构成图像中的第一类顶点和边；此外新增两个点S、T，S表示源点，T表示汇点，图像中的每个像素点都和新增的S、T点都有连接，构成图像中的第二类顶点和边。通过选择分割规则并计算在该分割规则下的图像的能量函数，在某分割规则下能使能量函数最小，则利用此分割规则将前景目标和背景目标分割开来，实现建筑物的分割。其中能量函数的公式为：

E(L)＝αR(L)+B(L)

其中E(L)为能量函数，R(L)和B(L)分别为区域项和边界项，α为权重因子。

在该方法中，步骤S116包括：

对所述建筑物分割结果进行腐蚀膨胀形态学处理，其中，腐蚀的窗口大小可以设置为7，而膨胀的窗口大小可以设置为5；腐蚀结果如图14所示，其中图14a是关于Googleearth卫星遥感图像的经过腐蚀处理后的建筑物分割结果；图14b是关于worldview2卫星遥感图像的经过腐蚀处理后的建筑物分割结果；图14c是关于无人机遥感图像的经过腐蚀处理后的建筑物分割结果；膨胀结果如图15所示，其中图15a是关于Google earth卫星遥感图像的经过膨胀处理后的建筑物分割结果；图15b是关于worldview2卫星遥感图像的经过膨胀处理后的建筑物分割结果；图15c是关于无人机遥感图像的经过膨胀处理后的建筑物分割结果。

对处理后的建筑物分割结果通过区域生长方法填补建筑物内部孔洞；

去除极小不连通区域。

此外，通过步骤S118得到的矩形建筑物如图16所示，该矩形建筑物映射到源遥感图像中的结果如图17所示。其中，图16a是关于Google earth卫星遥感图像的矩形拟合后得到的矩形建筑物二值图像；图16b是关于worldview2卫星遥感图像的矩形拟合后得到的矩形建筑物二值图像；图16c是关于无人机遥感图像的矩形拟合后得到的矩形建筑物二值图像。图17a是关于Google earth卫星遥感图像的矩形拟合后得到的矩形建筑物二值图像；图17b是关于worldview2卫星遥感图像的矩形拟合后得到的矩形建筑物二值图像；图17c是关于无人机遥感图像的矩形拟合后得到的矩形建筑物二值图像。

对于上述实施方式中描述的腐蚀膨胀形态学处理过程、区域生长方法以及去除极小不连通区域的方法，均为现有技术中已有的方法，为了不混淆本发明，本发明不再赘述。

在本发明的从遥感图像中提取矩形建筑物的方法中，所使用的遥感图像，包括但不限于无人机，高分辨率卫星遥感图像，如worldview2，google earth高分遥感图像等。所述的超像素分割方法，可以但不限于，利用SLIC，TurboPixel，NCut，Meanshift等方法进行超像素分割，分割结果进行后续区域合并操作。所述的角点检测方法，可以但不限于，利用Harris，Susan等角点检测方法来检测高分辨率遥感图像中的角点信息。所述的极大相似度区域合并规则，可以但不限于，利用RGB空间上的巴氏距离计算相似度、利用HIS空间上的欧式距离计算相似度等方法来计算区域块的相似度。

此外，本发明可适用于城市规划、GIS系统更新、灾害预报、数字化城市、资源勘探以及军事侦察等领域，例如进行灾前和灾后建筑物目标提取，从而判断某地区受灾情况，提供灾情评估数据支持；或者对建筑物目标进行精确提取，来更新某地区的建筑物存量信息等。

以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims (9)

1.一种从遥感图像中提取矩形建筑物的方法，其中，该方法包括：

对所述遥感图像进行超像素分割得到多个超像素区域块；

在所述遥感图像的目标建筑物上确定两个种子点；

基于所确定的两个种子点对所述多个超像素区域块进行合并；

对所述遥感图像进行角点检测；

基于角点检测结果计算生成关于所述遥感图像中每个像素点的角点距离显著图；

对所述角点距离显著图进行二值分割；

基于所述多个超像素区域块的合并结果和二值分割后的距离显著图确定先验信息；

基于所述先验信息对所述遥感图像进行分割得到建筑物分割结果；

对所述建筑物分割结果进行形态学图像处理；以及

对所述形态学图像处理后的建筑物分割结果进行矩形拟合得到矩形目标建筑物，

其中，所述基于所述多个超像素区域块的合并结果和二值分割后的距离显著图确定先验信息包括：

将所述遥感图像中的所述合并结果作为确定的前景信息；

将所述二值分割后的距离显著图中的前景信息减去所述合并结果作为疑似前景信息；

将所述遥感图像的剩余部分作为确定的背景信息。

2.根据权利要求1所述的方法，其中，在对所述遥感图像进行超像素分割得到多个超像素区域块之前，该方法还包括：

利用双边滤波法对所述遥感图像进行数据预处理。

3.根据权利要求1所述的方法，其中，在对所述遥感图像进行超像素分割得到多个超像素区域块之前，该方法还包括：

判断所述遥感图像是否为全色图像，并在所述遥感图像为全色图像的情况下将所述遥感图像转换为多光谱图像。

4.根据权利要求1或3所述的方法，其中，基于所确定的两个种子点对所述多个超像素区域块进行合并包括：

将所确定的两个种子点的连线经过的超像素区域块合并得到初始条件区域块；

将所述初始条件区域块与所述多个超像素区域块中的剩余超像素区域块合并。

5.根据权利要求4所述的方法，其中，将所述初始条件区域块与所述多个超像素区域块中的剩余超像素区域块合并包括：

通过下式计算所确定的两个种子点的连线经过的超像素区域块中的每一个超像素区域块的邻接区域块A与所述邻接区域块A的邻接区域块Q的相似度：

其中分别表示邻接区域块A和邻接区域块Q的直方图，上标u表示直方图的第u个bin；

对于连线经过的任一个超像素区域块，所计算的邻接区域块A和邻接区域块Q的相似度中的最大值对应的邻接区域块A和与该对应的邻接区域块A对应的连线经过的超像素区域块合并。

6.根据权利要求1所述的方法，其中，利用Harris角点检测算法或Susan角点检测算法对所述遥感图像进行角点检测。

7.根据权利要求1所述的方法，其中，基于角点检测结果计算生成关于所述遥感图像中每个像素点的角点距离显著图包括：

通过下式计算所述遥感图像中每个像素点到检测到的所有角点的距离并求和：

其中σ为方差，x_i,y_i为角点所处位置的像素点坐标，x,y为角点所处位置以外的一个像素点坐标，t为角点数量；

基于上式得到的距离值生成关于所述遥感图像中每个像素点的角点距离显著图。

8.根据权利要求1所述的方法，其中，通过grabcut算法基于所述先验信息对所述遥感图像进行分割得到建筑物分割结果。

9.根据权利要求1所述的方法，其中，对所述建筑物分割结果进行形态学图像处理包括：

对所述建筑物分割结果进行腐蚀膨胀形态学处理；

对处理后的建筑物分割结果通过区域生长方法填补建筑物内部孔洞；

去除极小不连通区域。