CN105787450A - 一种基于高分辨率sar图像的城市地区建筑物检测方法 - Google Patents
一种基于高分辨率sar图像的城市地区建筑物检测方法 Download PDFInfo
- Publication number
- CN105787450A CN105787450A CN201610109494.6A CN201610109494A CN105787450A CN 105787450 A CN105787450 A CN 105787450A CN 201610109494 A CN201610109494 A CN 201610109494A CN 105787450 A CN105787450 A CN 105787450A
- Authority
- CN
- China
- Prior art keywords
- urban area
- building
- method based
- detection method
- line
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于高分辨率SAR图像的城市地区建筑物检测方法,首先通过阈值分割提取SAR图像高亮区域进行角线检测;其次通过连接角线的末端实现二次散射线检测;接着通过角线和二次散射线确定墙面叠掩区域并分离;然后对分离出的叠掩区域的纹理特性进行分析,转化成以角度为变量的一维能量谱,并找出能量谱最大值对应的角度;最后,以该角度为90°±3°作为建筑物判定为真的原则进行判定。采用本发明实现建筑物检测能直接解决复杂城区的建筑物检测问题,弥补现有技术的空白;本发明所公布的方法具有普适性和易操作性;并且在综合利用图像亮度、几何形状、纹理特性等信息对建筑物识别方面进行了开创性的工作。
Description
技术领域
本发明涉及一种基于高分辨率SAR图像的城市地区建筑物检测方法,属于图像解译领域。
背景技术
在SAR图像中,建筑物往往表现出强烈的散射。在中低分辨率的SAR图像上,建筑物的形状细节不可见,建筑物的检测主要根据散射机制进行图像分类,提取高亮区域作为建筑存在的区域。在高分辨率SAR图像上,单个建筑物呈现出的叠掩、二次散射,阴影区域等几何特征是建筑物的主要表征。目前,只要涉及到单幅幅度图像的信息利用时,往往都以建筑物高亮主线条和阴影作为检测的主要依据。Bennett等采用Markov随机场模型的SAR图像分割方法,并采用形状约束的方法对阴影边界进行规则化。Soergel等采用均值梯度滤波和形状匹配对高分辨率SAR图像中建筑物的L形二次散射结构进行了提取实验。Tupin等采用基于改进边缘算子提取高分辨率SAR图像建筑物的边缘,发明专利(CN103400137A)公布了一种基于二次散射线提取来获取建筑物几何参数的方法。
上述SAR图像建筑物检测方法,都以提取到建筑物的某类特征作为检测依据。然而,受SAR图像的相干斑噪声以及局部强散射干扰等因素的影响,尽管SAR图像上建筑物特征明显,但其提取却有一定难度。另外,基于特征的检测方法通常只能针对建筑物的某一种表现形式,适用范围窄,与当前高分辨率SAR图像中建筑物表现出的多样性不相适应,例如,高亮的区域特征使得建筑物易于从背景中分离出来,但是其形状在不同成像条件下可能差异很大;在建筑物分布密集的情况下阴影形状的会受到周围环境的影响从而难以反映建筑物的结构;二次散射线在建筑物前方有目标遮挡的情况下不会出现。因此,现有的检测方法在复杂场景难以实现有效检测。
利用多幅图像数据信息对建筑物进行检测在一定程度上可以提高检测率。Simonetto通过匹配两幅SAR图像上的建筑物主线条特征寻找建筑物。发明专利(CN104200521A)也公布了基于相似平行四边形的建筑物识别方法。从基本特征的提取上看,针对多幅图像的方法与针对单幅图像的方法并无差异,也是提取建筑物的主线条特征与阴影特征,因此,同样存在方法适用性等问题。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于高分辨率SAR图像的城市地区高层建筑物检测方法,从高分辨率SAR图像中高层建筑物的散射结构特性出发,提供一种具有普适性和易操作性的城市地区高层建筑物检测方法,解决复杂城区环境下的建筑物检测问题。
本发明目的通过如下技术方案予以实现:
提供一种基于高分辨率SAR图像的城市地区建筑物检测方法,包括如下步骤:
S1:目标物角线检测;
S2:目标物二次散射线检测;
S3:目标物正面叠掩区域分离;
S4:目标物叠掩区域纹理分析;
S5:目标物是否是建筑物判定。
优选的,所述步骤S1中目标物角线检测具体为:检测SAR图像中的沿着距离向伸展的高亮直线,作为目标物角线。
优选的,设置图像亮区门限值大于-3dB,高于该门限值的像素点为图像亮区,距离向伸展的线段即为目标物角线。
优选的,所述步骤S2中目标物二次散射线检测具体为:连接角线的末端作为二次散射线。
优选的,所述步骤S3目标物正面叠掩区域分离的具体方法为:,连接角线的顶端,利用角线的顶端连线、角线和二次散射线划定边界分离出成块的正面叠掩区域。
优选的,所述步骤S4中,目标物叠掩区域的纹理分析具体实现步骤如下:
S41:对叠掩区域的SAR幅度图像进行二维Fourier变换;
S42:以角度为变量绘制叠掩区域的一维能量谱;
S43:找出一维能量谱的最大值对应的角度。
优选的,所述步骤S5中,目标物是否为建筑物判定为真的充分条件是步骤S43中一维能量谱的最大值对应的角度为90°±3°。
优选的,步骤S42以角度为变量绘制叠掩区域的一维能量谱的具体方法为:将二维Fourier变换后获得的图像频谱从直角坐标转换到极坐标,得到再计算 即为叠掩区域的一维能量谱,其中表示极角,ri表示极径,ri+1-ri=W/(2n),i,j=1,2,…,n,n为离散采样数。
本发明与现有技术相比具有如下优点:
(1)本发明直接针对解决复杂城区的高层建筑物检测问题,在该领域基本没有可参考的现有技术,从高分辨率SAR图像中高层建筑物的散射结构特性出发,提供一种全新的,具有普适性和易操作性的城市地区高层建筑物检测方法;
(2)采用本发明实现城市地区建筑物检测时,充分利用了建筑物的散射结构特性和纹理特征。在有相干斑以及局部强散射干扰的条件下仍然有较好的检测效果;
(3)本发明在综合利用图像亮度、几何形状、纹理特性等信息对建筑物识别方面进行了开创性的工作,有效克服了传统方法通常针对建筑物某一种特征的表现形式,克服了如高亮区域、二次散射线等导致的漏检问题,具有普适性和较好的鲁棒性,对后续研究具有启发意义。
附图说明
图1为本发明的实施流程图;
图2为本发明建筑物在SAR观测几何下的后向散射分布情况图;
图3(a)为本发明建筑物叠掩区的纹理特征,图3(b)为图3(a)对应的二维Fourier频谱图;
图4(a)为本发明建筑物叠掩区的角度维频谱,图4(b)为非建筑物叠掩区的角度维频谱。
具体实施方式
下面结合附图对本发明的具体实施方式进行进一步的详细描述。
如图1所示,本发明提供的一种基于高分辨率SAR图像的城市地区建筑物检测方法,具体实施步骤如下:
步骤S1:目标物角线检测;
角线是建筑物雷达照射面的边界,角线垂直于地面(图2),根据SAR侧视成像几何,其在SAR图像中的表征为沿着距离向伸展的高亮直线。通过设置较低的门限获得整个图像的亮区,并从亮区中检测距离向亮线即可实现角线检测。
步骤S2:目标物二次散射线检测;
二次散射线是电磁波在墙面和地面形成的二面角内反射造成的,位于建筑物的根基处,二次散射线位于叠掩区域的最远端并和角线末端相连接,在图像中表现为亮度很高的线。因此,所述步骤S2中的二次散射线检测通过连接角线的末端实现。
城市地区建筑物之间容易出现遮挡,这种检测方法在二次散射线不完整或完全消失的情况下对二次散射线检测的判定是有误的,然而由于并不依赖二次散射线本身,而是利用二次散射线划定区域,因此并不影响后续步骤的实施以及最终对建筑物检测的结果。因为最终对建筑物的判定并不基于二次散射线的检测结果。
步骤S3:目标物正面叠掩区域分离;
根据观测几何关系(图2),建筑物的正面叠掩区主要取决于建筑物墙面散射,即墙面叠掩区,而且该叠掩区是沿着距离向水平分布的,如图3(a)中的圆圈所示,图中的点虚线表示的是水平线。连接角线的顶端,利用角线的顶端连线、角线和二次散射线划定边界分离出成块的正面叠掩区域,因此墙面叠掩区域分离可以通过划定边界框实现。由于步骤S1和S2确定的角线和二次散射线均为建筑物典型特征,因此大体是成组出现的。利用每组角线和二次散射线划定的边界即可分离出成块的墙面叠掩区域。
步骤S4:目标物叠掩区域纹理分析;
叠掩区域的纹理分析通过分析叠掩区的Fourier频谱实现,具体实现时步骤如下:
步骤S41:对叠掩区域进行二维Fourier变换;
对图3(a)所示的叠掩区域进行二维Fourier变换的结果如图3(b)所示。二维Fourier变换是图像处理技术领域的公知技术,公式如下:
其中,F(u,v)表示二维Fourier变换后得到的图像频谱,u,v表示对应x,y的频率变量;f(x,y)表示叠掩区域图像,M和N分别表示区域在x轴方向和y轴方向的像素个数,x轴沿距离向,y轴沿方位向。
步骤S42:以角度为变量绘制叠掩区域的一维能量谱;
将图像频谱从直角坐标(u,v)转换到极坐标,得到
式中:ri+1-ri=W/(2n),W为F(u,v)的图像长度或宽度的最大值,n为离散采样数。固定对r求和,即可得到某一角度下的能量,以为变量即可绘制一维能量谱。
步骤S43:找出一维能量谱的最大值对应的角度。
在本具体实施例中,图4(a)所示的一维能量谱的最大值对应的角度为90°。
步骤S5:目标物是否为建筑物判定。
建筑物外墙的窗户、阳台等容易形成二面角结构,从而在SAR图像墙面叠掩区域产生周期性强散射点。这些强散射点表现为沿距离向水平分布,根据二维Fourier变换特征,这在二维谱中会形成竖直的亮线,如图3(b)所示。因此,建筑物判定为真的原则是步骤S43中一维能量谱的最大值对应的角度为90°,实际操作中误差在3°范围内均可认定为建筑物。特别的,非建筑物叠掩区的一维能量谱不会在90°角度下形成峰值,如图4(b)所示。
本方法特别适用于高层建筑物,因为高层建筑物正面叠掩区的周期性特征更加明显,尤其是能划分为矩形块的建筑物。然而,城市密集区域的高层建筑物导致的遮挡会使步骤S2中二次散射线检测有误,从而导致正面叠掩区变小。但这对建筑物一维能量谱沿角度维分布的影响是有限的,不影响对建筑物的判定。
至此完成高分辨率SAR图像的城市地区建筑物检测。以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
本发明说明书中未作详细描述的内容属于本领域技术人员的公知技术。
Claims (8)
1.一种基于高分辨率SAR图像的城市地区建筑物检测方法,其特征在于,包括如下步骤:
S1:目标物角线检测;
S2:目标物二次散射线检测;
S3:目标物正面叠掩区域分离;
S4:目标物叠掩区域纹理分析;
S5:目标物是否是建筑物判定。
2.根据权利要求1所述的一种基于高分辨率SAR图像的城市地区建筑物检测方法,其特征在于:所述步骤S1中目标物角线检测具体为:检测SAR图像中的沿着距离向伸展的高亮直线,作为目标物角线。
3.根据权利要求2所述的一种基于高分辨率SAR图像的城市地区建筑物检测方法,其特征在于:设置图像亮区门限值大于-3dB,高于该门限值的像素点为图像亮区,在亮区中沿距离向伸展形成的成对出现的直线段即为目标物角线。
4.根据权利要求2或3所述的一种基于高分辨率SAR图像的城市地区建筑物检测方法,其特征在于:所述步骤S2中目标物二次散射线检测具体为:连接目标物角线的末端作为二次散射线。
5.根据权利要求1所述的一种基于高分辨率SAR图像的城市地区建筑物检测方法,其特征在于:所述步骤S3目标物正面叠掩区域分离的具体方法为:连接角线的顶端,利用角线的顶端连线、角线和二次散射线划定边界分离出成块的正面叠掩区域。
6.根据权利要求1所述的一种基于高分辨率SAR图像的城市地区建筑物检测方法,其特征在于:所述步骤S4中,目标物叠掩区域的纹理分析具体实现步骤如下:
S41:对叠掩区域的SAR幅度图像进行二维Fourier变换;
S42:以角度为变量绘制叠掩区域的一维能量谱;
S43:找出一维能量谱的最大值对应的角度。
7.根据权利要求6所述的一种基于高分辨率SAR图像的城市地区建筑物检测方法,其特征在于:所述步骤S5中,目标物是否为建筑物判定为真的充分条件是步骤S43中一维能量谱的最大值对应的角度为90°±3°。
8.根据权利要求6所述的一种基于高分辨率SAR图像的城市地区建筑物检测方法,其特征在于:步骤S42以角度为变量绘制叠掩区域的一维能量谱的具体方法为:将二维Fourier变换后获得的图像频谱从直角坐标转换到极坐标,得到i,j=1,2,…,n;再计算 即为叠掩区域的一维能量谱,其中表示极角,ri表示极径,ri+1-ri=W/(2n),其中n为离散采样数,W为二维Fourier变换后获得的图像长度或宽度的最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610109494.6A CN105787450B (zh) | 2016-02-26 | 2016-02-26 | 一种基于高分辨率sar图像的城市地区建筑物检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610109494.6A CN105787450B (zh) | 2016-02-26 | 2016-02-26 | 一种基于高分辨率sar图像的城市地区建筑物检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105787450A true CN105787450A (zh) | 2016-07-20 |
CN105787450B CN105787450B (zh) | 2019-09-06 |
Family
ID=56402910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610109494.6A Active CN105787450B (zh) | 2016-02-26 | 2016-02-26 | 一种基于高分辨率sar图像的城市地区建筑物检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105787450B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122728A (zh) * | 2017-04-21 | 2017-09-01 | 西安电子科技大学 | 基于证据理论算法的sar图像中检测建筑物方法 |
CN108710816A (zh) * | 2018-02-11 | 2018-10-26 | 河南科技大学 | 一种基于概率融合的极化sar图像建筑物检测方法 |
CN108986108A (zh) * | 2018-06-26 | 2018-12-11 | 西安电子科技大学 | 一种基于素描线段聚集特性的sar图像样本块选择方法 |
CN109583284A (zh) * | 2017-09-29 | 2019-04-05 | 中国科学院遥感与数字地球研究所 | 基于高分辨率sar图像的城市高层建筑物高度提取方法及装置 |
CN112766154A (zh) * | 2021-01-19 | 2021-05-07 | 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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012037157A3 (en) * | 2010-09-13 | 2012-05-24 | Alt Software (Us) Llc | System and method for displaying data having spatial coordinates |
CN103400137A (zh) * | 2013-08-23 | 2013-11-20 | 中国科学院遥感与数字地球研究所 | 一种sar图像的建筑物几何参数提取方法 |
CN104200521A (zh) * | 2014-09-04 | 2014-12-10 | 中国科学院遥感与数字地球研究所 | 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 |
CN105205816A (zh) * | 2015-09-15 | 2015-12-30 | 中国测绘科学研究院 | 多特征加权融合的高分辨率sar影像建筑区提取方法 |
-
2016
- 2016-02-26 CN CN201610109494.6A patent/CN105787450B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012037157A3 (en) * | 2010-09-13 | 2012-05-24 | Alt Software (Us) Llc | System and method for displaying data having spatial coordinates |
CN103400137A (zh) * | 2013-08-23 | 2013-11-20 | 中国科学院遥感与数字地球研究所 | 一种sar图像的建筑物几何参数提取方法 |
CN104200521A (zh) * | 2014-09-04 | 2014-12-10 | 中国科学院遥感与数字地球研究所 | 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 |
CN105205816A (zh) * | 2015-09-15 | 2015-12-30 | 中国测绘科学研究院 | 多特征加权融合的高分辨率sar影像建筑区提取方法 |
Non-Patent Citations (3)
Title |
---|
FENGLI ZHANG等: "Building footprint extraction using dual-aspect high-resolution synthetic aperture radar images in urban areas", 《JOURNAL OF APPLIED REMOTE SENSING》 * |
傅兴玉等: "单幅高分辨率SAR 图像建筑物三维模型重构", 《红外与毫米波学报》 * |
苏娟等: "高分辨率SAR图像中建筑物特征融合检测算法", 《测绘学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122728A (zh) * | 2017-04-21 | 2017-09-01 | 西安电子科技大学 | 基于证据理论算法的sar图像中检测建筑物方法 |
CN107122728B (zh) * | 2017-04-21 | 2019-10-11 | 西安电子科技大学 | 基于证据理论算法的sar图像中检测建筑物方法 |
CN109583284A (zh) * | 2017-09-29 | 2019-04-05 | 中国科学院遥感与数字地球研究所 | 基于高分辨率sar图像的城市高层建筑物高度提取方法及装置 |
CN109583284B (zh) * | 2017-09-29 | 2023-09-12 | 中国科学院空天信息创新研究院 | 基于高分辨率sar图像的城市高层建筑物高度提取方法及装置 |
CN108710816A (zh) * | 2018-02-11 | 2018-10-26 | 河南科技大学 | 一种基于概率融合的极化sar图像建筑物检测方法 |
CN108710816B (zh) * | 2018-02-11 | 2021-05-18 | 河南科技大学 | 一种基于概率融合的极化sar图像建筑物检测方法 |
CN108986108A (zh) * | 2018-06-26 | 2018-12-11 | 西安电子科技大学 | 一种基于素描线段聚集特性的sar图像样本块选择方法 |
CN108986108B (zh) * | 2018-06-26 | 2022-04-19 | 西安电子科技大学 | 一种基于素描线段聚集特性的sar图像样本块选择方法 |
CN112766154A (zh) * | 2021-01-19 | 2021-05-07 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN105787450B (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105787450A (zh) | 一种基于高分辨率sar图像的城市地区建筑物检测方法 | |
CN105528619B (zh) | 基于小波变换和svm的sar遥感影像变化检测方法 | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
CN105608691B (zh) | 一种高分辨率sar影像单体建筑提取方法 | |
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 | |
EP2816529A2 (en) | Automatic water area segmentation method and device for SAR image of complex terrain | |
CN103761731A (zh) | 一种基于非下采样轮廓波变换的红外空中小目标检测方法 | |
CN107507209B (zh) | 极化sar图像的素描图提取方法 | |
CN104318582A (zh) | 一种基于图像不变性目标定位的高铁接触网旋转双耳部件销钉不良状态检测方法 | |
CN104933678A (zh) | 一种基于像素强度的图像超分辨率重建方法 | |
CN102750705A (zh) | 基于图像融合的光学遥感图像变化检测 | |
CN106910177A (zh) | 一种局域图像指标最优化的多角度sar图像融合方法 | |
CN105445160A (zh) | 一种沥青混合料的空隙特征及其提取方法 | |
CN103034865A (zh) | 一种基于多尺度相对熵的视觉显著区域提取方法 | |
CN106156758A (zh) | 一种sar海岸图像中海岸线提取方法 | |
CN106682678A (zh) | 一种基于支撑域的图像角点检测和分类方法 | |
Huang et al. | Recognition and detection technology of ice-covered insulators under complex environment | |
CN108446637B (zh) | 基于立体图模型的sar图像变化检测方法 | |
CN104182768A (zh) | 逆合成孔径雷达图像的质量分类方法 | |
Li et al. | Building detection in sar images based on bi-dimensional empirical mode decomposition algorithm | |
CN110874833B (zh) | 基于超图匹配的sar图像变化检测方法 | |
CN104598906B (zh) | 车辆外轮廓检测方法及其装置 | |
CN105931235A (zh) | 一种基于复数Scharr滤波器的海空红外图像弱小目标检测方法 | |
CN102184529A (zh) | 基于经验模态分解的边缘检测方法 | |
Cao et al. | Power line detection based on symmetric partial derivative distribution prior |
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 |