CN106056598A - 基于线段检测和图像分割融合的卫星高分图像建筑物轮廓提取方法 - Google Patents
基于线段检测和图像分割融合的卫星高分图像建筑物轮廓提取方法 Download PDFInfo
- Publication number
- CN106056598A CN106056598A CN201610363557.0A CN201610363557A CN106056598A CN 106056598 A CN106056598 A CN 106056598A CN 201610363557 A CN201610363557 A CN 201610363557A CN 106056598 A CN106056598 A CN 106056598A
- Authority
- CN
- China
- Prior art keywords
- building
- line segment
- parallelogram
- image
- edge
- 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.)
- Pending
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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
基于线段检测和图像分割融合的卫星高分图像建筑物轮廓提取方法,属于遥感图像处理领域,本发明为解决现有技术无法获得高准确度的保持建筑结构特征的建筑物轮廓问题。本发明提取方法的具体过程为:提取建筑物的高分卫星图像中的直线段,并校正至贴合建筑物边缘,获得边缘直线段和建筑物潜在角点;采用随机纹理遮挡图像分割算法,将原始高分图像聚类成3‑5类,计算每一组聚类的均值和方差,根据均值和方差从分割的3‑5类中选取建筑物区域;将边缘直线段和建筑物区域融合,获得具有建筑物结构特征的建筑物轮廓提取结果。本发明尤其适用于复杂的线性建筑的精确轮廓提取。
Description
技术领域
本发明涉及一种卫星高分图像的建筑物轮廓提取方法,属于遥感图像处理领域。
背景技术
高分辨率卫星图像提取建筑物一直是非常重要且具有挑战性的遥感领域热门课题。建筑物轮廓作为建筑物提取的一个延伸产物,是建筑物最主要的结构特征之一。在诸如建筑物的模型构建、城市的摄影测量和城市建筑的三维重建等前沿研究,都需要建筑物轮廓特征作为其基础研究,因此建筑物轮廓提取在城市应用领域具有巨大潜力。目前卫星空间分辨率不断提高,可达到0.5m到2m的高分全色图像,如此高分辨的卫星图像带来了更加清晰的边缘信息,充分利用高分图像的优势,这是可以准确提取建筑物轮廓特征的保障。在近年的研究中,多数的建筑物提取方法主要依赖于图像分割算法的改进,这样的提取思路和方法只能获得光滑和圆润的建筑物轮廓特征。但众所周知的是,大部分的建筑轮廓是由平行或垂直的直线边缘特征组成,现有的建筑物提取算法准确性还有待提高。
发明内容
本发明目的是为了解决现有技术无法获得高准确度的保持建筑结构特征的建筑物轮廓问题,提供了一种基于线段检测和图像分割融合的卫星高分图像建筑物轮廓提取方法。
本发明所述基于线段检测和图像分割融合的卫星高分图像建筑物轮廓提取方法,该提取方法的具体过程为:
步骤1、提取建筑物的高分卫星图像中的直线段,并校正至贴合建筑物边缘,获得边缘直线段和建筑物潜在角点;
步骤2、采用随机纹理遮挡图像分割算法,将原始高分图像聚类成3-5类,计算每一组聚类的均值和方差,根据均值和方差从分割的3-5类中选取建筑物区域;
步骤3、将步骤1获取的边缘直线段和步骤2获取的建筑物区域融合,获得具有建筑物结构特征的建筑物轮廓提取结果。
本发明的优点:本发明提出一种利用直线段特征约束图像分割结果的方法来提取建筑物轮廓特征,以获得具有保持建筑结构特征的准确建筑物轮廓。尤其对于复杂的线性建筑的精确轮廓提取,我们的方法更显现出充分利用高分辨率卫星图像的优势。本方法充分发挥高分卫星图像边缘清晰的优势,利用直线段来约束基于分割方法的建筑物检测结果,获得具有相互平行、垂直边缘结构特性的建筑物轮廓提取。本方法首先利用直线检测算子提取基础直线段,发明一套基于直线方向调整、线段融合、线段长度调整的直线段校正方法,调整后的直线段更加贴近于真实建筑物边缘;再利用一个先进的图像分割算法获取建筑物的区域检测结果;最后,最主要的发明就是边缘直线段和图像分割结果的融合处理算法,获得具有直线特性约束的建筑物轮廓。
附图说明
图1是本发明所述基于线段检测和图像分割融合的卫星高分图像建筑物轮廓提取方法的原理图。
具体实施方式
具体实施方式一:下面结合图1说明本实施方式,本实施方式所述基于线段检测和图像分割融合的卫星高分图像建筑物轮廓提取方法,该提取方法的具体过程为:
步骤1、提取建筑物的高分卫星图像中的直线段,并校正至贴合建筑物边缘,获得边缘直线段和建筑物潜在角点;
步骤2、采用随机纹理遮挡图像分割算法,将原始高分图像聚类成3-5类,计算每一组聚类的均值和方差,根据均值和方差从分割的3-5类中选取建筑物区域;
步骤3、将步骤1获取的边缘直线段和步骤2获取的建筑物区域融合,获得具有建筑物结构特征的建筑物轮廓提取结果。
本实施方式中,随机纹理遮挡图像分割算法为ORT(Occlusion of RandomTexture)图像分割算法。步骤2所述根据均值和方差从分割的3-5类中选取建筑物区域的依据为:以8bit位深的卫星数据为例,均值阈值为140,方差阈值为40,其他位深数据按照灰度值比例做相应调整。
具体实施方式二:下面结合图1说明本实施方式,本实施方式对实施方式一作进一步说明,步骤1的具体过程为:
步骤1-1、提取图像直线段:采用直线检测算法,对高分卫星图像进行直线段提取,提取的直线段作为边缘直线段的基本线段;
步骤1-2、修正边缘直线段方向:将步骤1-1所有提取到的基本线段的斜率倾角[0,pi)分为八个区间,计算每个区间的直线段总长度,获得累积长度最长的区间,计算斜率倾角以线段长度为权重的加权平均值,将加权平均值作为边缘线段主方向,并将其垂直方向规定为次方向,将所有与主方向和次方向相差pi/8的线段都旋转至主方向和次方向;
步骤1-3、融合边缘直线段:对于所有待融合线段,同时满足前提条件和一个判断条件时,两条直线段可以融合;融合后的直线段位于两直线中间;
步骤1-4、修正边缘直线段长度:搜索相邻边缘线段的建筑物潜在角点,将所有修正的直线段连接到紧邻的建筑潜在角点上。
具体实施方式三:下面结合图1说明本实施方式,本实施方式对实施方式二作进一步说明,步骤1-3所述的前提条件和判断条件分别为:
前提条件为:计算待融合线段与边缘线段垂直方向的距离dv,且dv满足dv<T1;判断条件有三个,分别为:
两边缘线段重叠长度do满足do≥0;
两边缘线段覆盖长度le满足le>0;
两边缘线段分离距离dd满足dd<T2;
其中:T1和T2均表示阈值,在1m分辨率卫星图像中分别取值2和5,其他分辨率卫星图像按照分辨率倍数调整。
具体实施方式四:下面结合图1说明本实施方式,本实施方式对实施方式三作进一步说明,步骤1-4所述建筑物潜在角点,当满足下述三种条件中的一个即为潜在角点:
当交点同时位于两条直线段上时,交点为潜在角点;
当交点不在直线段上,但两直线段与交点距离d1满足d1<T3时,交点为潜在角点;
当交点在其中一条直线段上,但与另一直线段距离d2满足d2<T3/2时,交点为潜在角点;
其中:T3表示阈值,在1m分辨率卫星图像中取值10,其他分辨率卫星图像按照分辨率倍数调整。
具体实施方式五:下面结合图1说明本实施方式,本实施方式对实施方式二或四作进一步说明,步骤3的具体过程为:
步骤3-1、利用修正后的边缘直线段和建筑物潜在角点将整幅图像进行平行四边形区域划分,以列优先的搜索方式查找建筑物潜在角点,以第一个查找的点作为平行四边形的起点进行平行四边形搜索,搜索结果包括四种:
搜索到1个点:平行四边形对角的两个顶点;
搜索到2个点:相邻的三个平行四边形顶点;
搜索到1个点和1条边缘线段:两个相邻平行四边形顶点和一条对边;
搜索到2条边缘线段:平行四边形的一个顶点和两条对边;
将获得搜索结果分别沿主方向和次方向进行平行四边形闭合,获得平行四边形网格划分结果;
步骤3-2、利用建筑物区域对划分的平行四边形进行标记,平行四边形的总像素数为Pa,建筑物区域填充平行四边形的像素数为Pb,若则平行四边形全部标记为建筑物区域,其中T4表示阈值,在高于1m分辨率卫星图像中取值0.7,在1m和低于1m的分辨率卫星图像中取值0.5;
步骤3-3、如果标记为建筑物区域的两邻近平行四边形中含有原始提取的边缘直线段,边缘直线段的长度为l,平行四边形的相应边长为l',若则两相邻平行四边形不能融合,若包含l=0,即中间没有直线段,则两相邻平行四边形融合,表征为同一建筑物区域;
步骤3-4、对平行四边形网格约束下的建筑物区域进行轮廓提取。
Claims (5)
1.基于线段检测和图像分割融合的卫星高分图像建筑物轮廓提取方法,其特征在于,该提取方法的具体过程为:
步骤1、提取建筑物的高分卫星图像中的直线段,并校正至贴合建筑物边缘,获得边缘直线段和建筑物潜在角点;
步骤2、采用随机纹理遮挡图像分割算法,将原始高分图像聚类成3-5类,计算每一组聚类的均值和方差,根据均值和方差从分割的3-5类中选取建筑物区域;
步骤3、将步骤1获取的边缘直线段和步骤2获取的建筑物区域融合,获得具有建筑物结构特征的建筑物轮廓提取结果。
2.根据权利要求1所述的基于线段检测和图像分割融合的卫星高分图像建筑物轮廓提取方法,其特征在于,步骤1的具体过程为:
步骤1-1、提取图像直线段:采用直线检测算法,对高分卫星图像进行直线段提取,提取的直线段作为边缘直线段的基本线段;
步骤1-2、修正边缘直线段方向:将步骤1-1所有提取到的基本线段的斜率倾角[0,pi)分为八个区间,计算每个区间的直线段总长度,获得累积长度最长的区间,计算斜率倾角以线段长度为权重的加权平均值,将加权平均值作为边缘线段主方向,并将其垂直方向规定为次方向,将所有与主方向和次方向相差pi/8的线段都旋转至主方向和次方向;
步骤1-3、融合边缘直线段:对于所有待融合线段,同时满足前提条件和一个判断条件时,两条直线段可以融合;融合后的直线段位于两直线中间;
步骤1-4、修正边缘直线段长度:搜索相邻边缘线段的建筑物潜在角点,将所有修正的直线段连接到紧邻的建筑潜在角点上。
3.根据权利要求2所述的基于线段检测和图像分割融合的卫星高分图像建筑物轮廓提取方法,其特征在于,步骤1-3所述的前提条件和判断条件分别为:
前提条件为:计算待融合线段与边缘线段垂直方向的距离dv,且dv满足dv<T1;判断条件有三个,分别为:
两边缘线段重叠长度do满足do≥0;
两边缘线段覆盖长度le满足le>0;
两边缘线段分离距离dd满足dd<T2;
其中:T1和T2均表示阈值,在1m分辨率卫星图像中分别取值2和5,其他分辨率卫星图像按照分辨率倍数调整。
4.根据权利要求3所述的基于线段检测和图像分割融合的卫星高分图像建筑物轮廓提取方法,其特征在于,步骤1-4所述建筑物潜在角点,当满足下述三种条件中的一个即为潜在角点:
当交点同时位于两条直线段上时,交点为潜在角点;
当交点不在直线段上,但两直线段与交点距离d1满足d1<T3时,交点为潜在角点;
当交点在其中一条直线段上,但与另一直线段距离d2满足d2<T3/2时,交点为潜在角点;
其中:T3表示阈值,在1m分辨率卫星图像中取值10,其他分辨率卫星图像按照分辨率倍数调整。
5.根据权利要求2或4所述的基于线段检测和图像分割融合的卫星高分图像建筑物轮廓提取方法,其特征在于,步骤3的具体过程为:
步骤3-1、利用修正后的边缘直线段和建筑物潜在角点将整幅图像进行平行四边形区域划分,以列优先的搜索方式查找建筑物潜在角点,以第一个查找的点作为平行四边形的起点进行平行四边形搜索,搜索结果包括四种:
搜索到1个点:平行四边形对角的两个顶点;
搜索到2个点:相邻的三个平行四边形顶点;
搜索到1个点和1条边缘线段:两个相邻平行四边形顶点和一条对边;
搜索到2条边缘线段:平行四边形的一个顶点和两条对边;
将获得搜索结果分别沿主方向和次方向进行平行四边形闭合,获得平行四边形网格划分结果;
步骤3-2、利用建筑物区域对划分的平行四边形进行标记,平行四边形的总像素数为Pa,建筑物区域填充平行四边形的像素数为Pb,若则平行四边形全部标记为建筑物区域,其中T4表示阈值,在高于1m分辨率卫星图像中取值0.7,在1m和低于1m的分辨率卫星图像中取值0.5;
步骤3-3、如果标记为建筑物区域的两邻近平行四边形中含有原始提取的边缘直线段,边缘直线段的长度为l,平行四边形的相应边长为l',若则两相邻平行四边形不能融合,若包含l=0,即中间没有直线段,则两相邻平行四边形融合,表征为同一建筑物区域;
步骤3-4、对平行四边形网格约束下的建筑物区域进行轮廓提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610363557.0A CN106056598A (zh) | 2016-05-27 | 2016-05-27 | 基于线段检测和图像分割融合的卫星高分图像建筑物轮廓提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610363557.0A CN106056598A (zh) | 2016-05-27 | 2016-05-27 | 基于线段检测和图像分割融合的卫星高分图像建筑物轮廓提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106056598A true CN106056598A (zh) | 2016-10-26 |
Family
ID=57174789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610363557.0A Pending CN106056598A (zh) | 2016-05-27 | 2016-05-27 | 基于线段检测和图像分割融合的卫星高分图像建筑物轮廓提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106056598A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067003A (zh) * | 2017-03-09 | 2017-08-18 | 百度在线网络技术(北京)有限公司 | 感兴趣区域边界的提取方法、装置、设备和计算机存储介质 |
CN109034073A (zh) * | 2018-07-30 | 2018-12-18 | 深圳大学 | 预测建筑拆除废弃物产生量的方法、系统、设备及介质 |
CN109833003A (zh) * | 2017-11-30 | 2019-06-04 | 深圳市沃特沃德股份有限公司 | 扫地机器人及其进行区域划分的方法 |
CN110197147A (zh) * | 2019-05-23 | 2019-09-03 | 星际空间(天津)科技发展有限公司 | 遥感影像的建筑物实例提取方法、装置、存储介质及设备 |
CN111768409A (zh) * | 2020-09-03 | 2020-10-13 | 腾讯科技(深圳)有限公司 | 基于人工智能的箱式结构检测方法及装置 |
CN111783529A (zh) * | 2019-07-26 | 2020-10-16 | 牧今科技 | 基于边缘和多维拐角的检测后改善 |
CN111968145A (zh) * | 2020-10-23 | 2020-11-20 | 腾讯科技(深圳)有限公司 | 箱式结构识别方法、装置、电子设备及存储介质 |
CN112348836A (zh) * | 2020-11-06 | 2021-02-09 | 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 |
US11389965B2 (en) | 2019-07-26 | 2022-07-19 | Mujin, Inc. | Post-detection refinement based on edges and multi-dimensional corners |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101136105A (zh) * | 2007-05-11 | 2008-03-05 | 辽宁师范大学 | 自由差分运算与可变形轮廓提取系统 |
CN101251926A (zh) * | 2008-03-20 | 2008-08-27 | 北京航空航天大学 | 一种基于局部轮廓协方差矩阵的遥感图像配准方法 |
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 |
CN103679721A (zh) * | 2013-12-10 | 2014-03-26 | 中国船舶重工集团公司第七0九研究所 | 采用邻域法霍夫变换的图像轮廓简化方法 |
-
2016
- 2016-05-27 CN CN201610363557.0A patent/CN106056598A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101136105A (zh) * | 2007-05-11 | 2008-03-05 | 辽宁师范大学 | 自由差分运算与可变形轮廓提取系统 |
CN101251926A (zh) * | 2008-03-20 | 2008-08-27 | 北京航空航天大学 | 一种基于局部轮廓协方差矩阵的遥感图像配准方法 |
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 |
CN103679721A (zh) * | 2013-12-10 | 2014-03-26 | 中国船舶重工集团公司第七0九研究所 | 采用邻域法霍夫变换的图像轮廓简化方法 |
Non-Patent Citations (1)
Title |
---|
邱明劼: "城市遥感像对立体匹配及三维重建研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067003A (zh) * | 2017-03-09 | 2017-08-18 | 百度在线网络技术(北京)有限公司 | 感兴趣区域边界的提取方法、装置、设备和计算机存储介质 |
CN109833003A (zh) * | 2017-11-30 | 2019-06-04 | 深圳市沃特沃德股份有限公司 | 扫地机器人及其进行区域划分的方法 |
CN109833003B (zh) * | 2017-11-30 | 2021-02-09 | 深圳市无限动力发展有限公司 | 扫地机器人及其进行区域划分的方法 |
CN109034073B (zh) * | 2018-07-30 | 2021-05-25 | 深圳大学 | 预测建筑拆除废弃物产生量的方法、系统、设备及介质 |
CN109034073A (zh) * | 2018-07-30 | 2018-12-18 | 深圳大学 | 预测建筑拆除废弃物产生量的方法、系统、设备及介质 |
CN110197147A (zh) * | 2019-05-23 | 2019-09-03 | 星际空间(天津)科技发展有限公司 | 遥感影像的建筑物实例提取方法、装置、存储介质及设备 |
CN110197147B (zh) * | 2019-05-23 | 2022-12-02 | 星际空间(天津)科技发展有限公司 | 遥感影像的建筑物实例提取方法、装置、存储介质及设备 |
CN111783529A (zh) * | 2019-07-26 | 2020-10-16 | 牧今科技 | 基于边缘和多维拐角的检测后改善 |
US11850760B2 (en) | 2019-07-26 | 2023-12-26 | Mujin, Inc. | Post-detection refinement based on edges and multi-dimensional corners |
US11389965B2 (en) | 2019-07-26 | 2022-07-19 | Mujin, Inc. | Post-detection refinement based on edges and multi-dimensional corners |
CN111783529B (zh) * | 2019-07-26 | 2021-07-09 | 牧今科技 | 基于边缘和多维拐角的检测后改善 |
CN111768409A (zh) * | 2020-09-03 | 2020-10-13 | 腾讯科技(深圳)有限公司 | 基于人工智能的箱式结构检测方法及装置 |
CN111768409B (zh) * | 2020-09-03 | 2020-12-04 | 腾讯科技(深圳)有限公司 | 基于人工智能的箱式结构检测方法及装置 |
CN111968145B (zh) * | 2020-10-23 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 箱式结构识别方法、装置、电子设备及存储介质 |
CN111968145A (zh) * | 2020-10-23 | 2020-11-20 | 腾讯科技(深圳)有限公司 | 箱式结构识别方法、装置、电子设备及存储介质 |
CN112348836A (zh) * | 2020-11-06 | 2021-02-09 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106056598A (zh) | 基于线段检测和图像分割融合的卫星高分图像建筑物轮廓提取方法 | |
CN102136155B (zh) | 基于三维激光扫描数据的物体立面矢量化方法和系统 | |
CN102564431B (zh) | 基于多传感器融合的非结构化环境理解方法 | |
CN102324102A (zh) | 一种图像场景空洞区域结构和纹理信息自动填补方法 | |
CN102156882A (zh) | 一种基于高分辨遥感图像的机场目标检测方法 | |
CN105069843A (zh) | 一种面向城市三维建模的密集点云的快速提取方法 | |
CN104517095B (zh) | 一种基于深度图像的人头分割方法 | |
CN103164711A (zh) | 基于像素和支持向量机的区域人流密度估计的方法 | |
CN105469094A (zh) | 一种路面二值图像的边缘矢量线提取算法 | |
CN101251927A (zh) | 基于视频技术的车辆检测与跟踪方法 | |
CN109919944A (zh) | 一种复杂场景建筑物变化检测的联合超像素图割优化方法 | |
CN102930540A (zh) | 城市建筑物轮廓检测的方法及系统 | |
CN107679498A (zh) | 一种机载激光点云城区道路识别方法 | |
CN107169301B (zh) | 一种分而治之航迹关联方法 | |
KR100857529B1 (ko) | 라이다 자료로부터 건물 경계의 추출방법 | |
CN109903379A (zh) | 一种基于点云优化采样的三维重建方法 | |
CN103150559A (zh) | 基于Kinect三维深度图像的头部识别与跟踪方法 | |
CN107578430A (zh) | 一种基于自适应权值和局部熵的立体匹配方法 | |
CN111047603B (zh) | 一种基于新型马尔可夫随机场和区域合并的航拍图像混合分割算法 | |
CN107564017A (zh) | 一种城市高分遥感影像阴影检测及分割方法 | |
CN103218827A (zh) | 基于形状传递联合分割和图匹配校正的轮廓跟踪方法 | |
CN103871072A (zh) | 基于投影数字高程模型的正射影像镶嵌线自动提取方法 | |
CN105335965A (zh) | 一种高分辨率遥感图像多尺度自适应决策融合分割方法 | |
CN103473763A (zh) | 基于启发式概率Hough变换的道路边缘检测方法 | |
CN104197933A (zh) | 一种望远镜视场中高星等滑动恒星的增强和提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161026 |
|
RJ01 | Rejection of invention patent application after publication |