CN106683112A - 一种基于高分辨率图像的道路路域建筑物变化提取方法 - Google Patents

一种基于高分辨率图像的道路路域建筑物变化提取方法 Download PDF

Info

Publication number
CN106683112A
CN106683112A CN201610882045.5A CN201610882045A CN106683112A CN 106683112 A CN106683112 A CN 106683112A CN 201610882045 A CN201610882045 A CN 201610882045A CN 106683112 A CN106683112 A CN 106683112A
Authority
CN
China
Prior art keywords
image
building
road
phase
result
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
Application number
CN201610882045.5A
Other languages
English (en)
Other versions
CN106683112B (zh
Inventor
李培军
史忠奎
罗伦
阳柯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guo Jiao space information technology (Beijing) Co., Ltd.
Original Assignee
China Transport Telecommunications & Information Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Transport Telecommunications & Information Center filed Critical China Transport Telecommunications & Information Center
Priority to CN201610882045.5A priority Critical patent/CN106683112B/zh
Publication of CN106683112A publication Critical patent/CN106683112A/zh
Application granted granted Critical
Publication of CN106683112B publication Critical patent/CN106683112B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20152—Watershed segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提出一种基于高空间分辨率遥感图像的道路路域建筑物变化提取方法及装置，该方法及装置的特点或关键环节包括：采用面向对象的图像处理策略、综合利用图像的光谱信息和空间信息(包括结构指数、空间关系)、采用单类分类方法。此外，为了避免道路路域以外的地物类别对提取结果的干扰(光谱相似性)，本发明要求事先提供现有的道路信息，如现有的道路矢量图。利用现有的道路矢量图将道路路域范围提取出来，然后，只在道路路域的范围内提取新增建筑物。通过本发明所提供的利用高空间分辨率的新增建筑物提取方法及装置，可大大减少传统的利用图像目视解译来获取道路路域新增建筑物(包括违法建筑物)所需的时间，提高效率，节省人力资源，可用于道路维护和监测业务运行系统中。

Description

一种基于高分辨率图像的道路路域建筑物变化提取方法
技术领域
本发明提供一种基于高空间分辨率遥感图像的道路路域建筑物变化提取方法及装置，具体涉及一种自动/半自动的道路两侧新增建筑物提取，属于交通遥感领域。
背景技术
对国道、省道等主要交通干道的路域范围进行及时准确的监测，对维护道路环境、道路状况以及道路交通安全具有重要意义。根据相关的法律和规定，道路路域及相邻的区域内禁止进行建设和开发。违章建筑严重影响道路交通环境和交通安全。目前发现的一些违法的建设包括，未取得建设工程规划许可证的建设，或超标建设；建筑材料多简单低劣，建设时间短平快、随意性反复性大等。对这些违法违规的建设，传统的监测方法，主要包括通过人力巡查、群众举报等方式，耗时长、准确率低。另外，一些违法违规建筑存在拆后重建屡禁不止等现象。传统方法无法定期对所有区域进行复查。迫切需要新的技术和方法，进行大范围的动态监测，消除巡查盲点，尽早及时发现。
遥感技术具有周期短、成本低、时效性高等特点，在城市交通、城市违建查处等方面均可以发挥良好的作用，目前在西方发达国家中已得到了广泛的应用。应用遥感进行监测，可以有效地消除地面巡查的盲点，对于人为巡查难以发现的违章建筑能够精确辨认及时发现，为查违工作提供有力支持，对违法建设行为起到一定的震慑作用。此外，通过周期性的大范围遥感监测，可为全面掌握、分析国省干线红线范围内违章建筑现状提供客观依据，从根本上抑制拆后重建的可能性。
近十多年来，国内外高空间分辨率遥感图像(米级亚米级)的大量获取，对进行大范围道路路域监测提供可靠的数据源。利用遥感图像进行道路路域的监测本质上属于遥感变化检测的范畴。尽管国内外学者在利用高分辨率遥感图像进行地表变化检测的方法研究方面开展了大量的工作，并取得了丰富的成果和进展，但专门针对道路路域及周边区域的变化检测的自动和半自动提取方法的研究及开发并不多见。在现有的利用高分辨率图像进行道路变化探测的应用中，主要采用目视判读的方法提取灾害信息，尽管精度较高，但效率较低。现有的相关研究多集中于利用高分辨率图像探测各种灾害(如地质灾害、洪涝灾害)引起的道路损毁信息提、道路路域生态环境评价、道路信息更新等方面(陈世荣等，2008；武学森等，2011)，而且多采用传统的变化检测方法，主要依赖于图像的光谱特征和相关模型(徐阳等，2011；陈世荣等，2008；任玉环等，2013)，但并没有充分考虑高空间分辨率图像以及道路路域地物光谱特征的复杂性。一些国外学者针对道路材质的光谱特征开展了较深入的研究，并用于航空高光谱图像的道路提取实验(Herold等，2003)，但并没有应用于实际的高空间分辨率图像以及道路变化检测。因此，探索有效可行的利用高分辨率图像的道路路域自动半自动变化检测方法，对于众多的交通领域的重大应用具有重要的应用价值和前景。本发明针对国省干道路域保护范围的建筑物变化(或建筑物新增)，提出一种基于高分辨率图像的自动/半自动提取方法。
发明内容
本发明所指的道路路域：指公路永久性征地和临时占地范围之内的所有区域，包括公路路基、边坡、两侧隔离带、互通立交、公路沿线附属设施、特殊防护地段、取弃土场等。其空间范围是公路用地界限之内，宽50～70m(互通立交、附属设施、特殊防护地段、取弃土场等宽度可达数百米)，长数十至数百公里的条形地带。
本发明的目的是提供一种利用两个时相的高空间分辨率遥感图像自动或半自动提取道路路域建筑物变化(或新增建筑物)的方法，用以解决快速有效地监测国省干道路域范围内建筑物变化以及监测新增违法建筑物，为道路维护及道路交通安全监测提供技术支持。
本发明的基本原理：
本发明要探测的目标是国省干道的道路路域内的新增建筑物。国省干道两侧的保护范围(道路路域)内地物类别复杂多样，而且道路不同地段的两侧(不同地段的道路路域)地物类别变化大，不同地段路域范围不仅地物类别不同，而且地物类别数目也有很大差别；同时，道路路域范围内一些地物类别，如裸露的土壤及其它的人工地物，与要监测的目标(即建筑物)具有相似的光谱特征。国省干道路域的这些特点，给利用高空间分辨率遥感图像来自动或半自动提取建筑物的变化带来了困难。
(1)只利用高分辨率图像的光谱信息很难准确地提取建筑物的变化，而加入光谱特征以外的其它信息(如形状、结构和空间关系)可改善提取的效果或精度。
(2)如果采用常规的多类分类方法进行目标提取及其变化检测，需要选取每个地物类别或变化类别的样本，由于上述的路域地物类别及其类别变化大，选择多类地物及其变化类别的样本是一项困难而且十分费时费力的任务。而单类分类方法只需要利用目标类(如新增建筑物)的已知样本，就可以直接通过分类方法得到目标类的空间分布。
此外，考虑到高空间分辨率的遥感图像(卫星或航空图像)提供了丰富的空间细节，但类别的内部光谱特征变化大，面向对象的图像分析策略提供了有效的解决思路。
因此，针对上述三个方面的问题或困难，本发明提出一种利用两个时相的高空间分辨率遥感图像的自动/半自动提取道路路域新增建筑物的方法框架(或系统)，具体地，一种基于高分辨率图像的道路路域建筑物变化提取方法，包括如下步骤：
A.采用多层次图像分割方法对两个时相的高分辨率图像叠加合成的图像进行图像分割，其中，每个时相的高分辨率图像均包含多个光谱波段图像；
B.针对各时相的高分辨率图像计算最大值合成图像并基于该最大值合成图像计算建筑物指数，以获得与各时相分别对应的建筑物指数图像；
C.基于步骤A中的图像分割结果，分别计算每个分割区域的各波段光谱均值和建筑物指数均值，并将这些均值图像叠加合成为两个时相的对象特征图像；
D.基于道路矢量数据进行缓冲区分析，以获取道路路域；
E.将步骤D中得到的道路路域与步骤C中得到的两时相对象特征图像进行叠加处理，获得两时相道路路域对象特征图像；
F.采用单类分类方法对步骤E中得到的两时相道路路域内对象特征图像进行分类，提取新增建筑物，以得到初步的建筑物变化结果图像；
G.从第二个时相的高分辨率图像中提取阴影，得到第二个时相的阴影图像；
H.利用步骤G得到的阴影图像来优化步骤F得到的初步的建筑物变化结果图像，得到最终的建筑物变化结果。
进一步地，所述步骤A中的分割方法包括基于形态学方法的多层次图像分割方法，所述多个光谱波段包括红、绿和蓝色3个波段。
进一步地，所述步骤B中，最大值合成图像计算方法如下：
其中，b(x)为最大值合成图像b在像素x处的亮度值，bandk(x)为第k光谱波段在像素x处的亮度值，K为高分辨率图像的光谱波段数；所述建筑物指数为形态学建筑物指数。
进一步地，步骤C中，所述合成的对象特征图像包括10个波段。
进一步地，步骤D中，所述道路矢量包括设定缓冲半径得到道路区域。
进一步地，步骤E中，获得道路路域内对象特征图像具体为：对于对象特征图像，保留其道路路域内的像素灰度值不变，而将道路路域以外的所有像素灰度值强制变为0。
进一步地，步骤F中，利用两个时相的高分辨率图像来选取新增建筑物的已知样本作为训练样本，用于单类支持向量机分类方法的训练和参数确定。。
进一步地，步骤G中，所述阴影的提取为采用直方图阈值法从第二时相的图像中提取。
进一步地，步骤H中的优化步骤具体为：将所述阴影图像与初步的建筑物变化结果图像进行叠加，对于变化结果图像中的新增建筑物，如果其邻域存在阴影，则确认该新增建筑物是正确的，否则，认为该新增建筑物是误分的，从初步结果中将其剔除。
本发明还提出一种基于高分辨率图像的道路路域建筑物变化提取装置，包括：
图像分割模块，用于采用多层次图像分割方法对两个时相的高分辨率图像叠加合成的图像进行图像分割，其中，每个时相的高分辨率图像均包含多个光谱波段图像；
建筑物指数计算模块，用于针对各时相的高分辨率图像计算最大值合成图像并基于该最大值合成图像计算建筑物指数，以获得与各时相分别对应的建筑物指数图像；
对象特征图像生成模块，用于基于图像分割模块的图像分割结果，分别计算每个分割区域的各波段光谱均值和建筑物指数均值，并将这些均值图像叠加合成为两时相对象特征图像；
道路路域获取模块，用于基于道路矢量数据进行缓冲区分析，以获取道路路域；
道路路域内对象特征图像生成模块，用于对道路路域获取模块获取的道路路域与对象特征图像生成模块得到的两时相对象特征图像进行叠加处理，获得两时相道路路域对象特征图像；
初步的建筑物变化结果图像生成模块，用于采用单类分类方法对得到的道路路域内对象特征图像进行分类，提取新增建筑物，以得到初步的建筑物变化结果图像；
阴影图像提取模块，用于从第二个时相的高分辨率图像中提取阴影，得到第二个时相的阴影图像；
最终的建筑物变化结果生成模块，用于利用所述阴影图像来优化所述的初步的建筑物变化结果图像，得到最终的建筑物变化结果。
本发明所提出的方法或者装置的特点或关键环节包括：采用面向对象的图像处理策略、综合利用图像的光谱信息和空间信息(包括结构指数、空间关系)、采用单类分类方法。此外，为了避免道路路域以外的地物类别对提取结果的干扰(光谱相似性)，本发明要求事先提供现有的道路信息，如现有的道路矢量图。利用现有的道路矢量图将道路路域范围提取出来，然后，只在道路路域的范围内提取新增建筑物。
附图说明
图1是本发明其中一实施例的流程图。
图2为本发明其中一实施例的实验所用图像、参考图和结果图像，其中(a)和(b)为两个时相的高分辨率图像；(c)为参考图像；(d)为初始提取结果；(e)为利用阴影改进后的提取结果。图(c)、(d)和(e)中的黑色代表新增的建筑物。
具体实施方式
下面参照附图并结合实施方案对本发明作进一步描述，但本发明并不仅限于所给出的实施例。
本发明的技术流程图参见图1。下面将对流程图(图1)中的关键步骤分别描述。
A.图像分割
图像分割是将图像分为互不重叠的具有一定意义的区域的过程，这些区域又称为图像对象。图像分割是面向对象方法的先决步骤，其质量直接影响后续处理分析的性能。目前有多种图像分割的方法，包括基于分水岭变换的分割方法、商用软件eCognition中的多分辨率分割方法。本实施例采用基于形态学方法的多层次图像分割方法(Li等，2011)。该方法将多波段的分水岭变换(Li and Xiao，2007)和分水线动态范围(dynamics ofcontours)(Najman and Schmitt，1996)结合起来，得到多尺度多层次的图像分割结果。该方法首先计算多光谱图像的梯度，并对梯度图像运用经典的分水岭变换得到初始的分割结果，然后计算各个集水盆地(分割区域)的动态范围和相邻积水盆地间的淹没关系，并计算分水线(相邻积水盆地的分界线)的动态范围，最后通过对分水线的动态范围取不同的阈值得到不同尺度的分割结果(Li等，2011)。详细细节可参考Li等(2011)。
需要指出的，在本发明中，也可以使用其它的多层次图像分割方法(如eCognition中的多分辨率分割方法)，得到合适的图像分割结果。
在本发明中，利用基于形态学方法的多层次图像分割方法(Li等，2011)对两个时相的高分辨率图像叠加合成的图像进行图像分割。例如，假设每个时相的高分辨率图像有4个波段，则两个时相合成的图像有8个波段，在本发明的方法中对这8个波段的图像进行图像分割。
B.建筑物指数计算
形态学建筑物指数(morphological building index，MBI)是建立在建筑物的光谱结构特征和一系列形态学操作的基础上。该指数的构建充分考虑到建筑物的亮度、局部对比度、形状、大小和方向性等特征。形态学建筑物指数的计算公式为：
MBI＝(∑DMPTP(d，s))/(D*S)，其中，DMP为形态学差值剖面(derivativemorphological profile)，TP为top-hat变换，D和S分别为方向和尺度。
形态学建筑物指数主要提取步骤如下：
步骤1：计算亮度值：
其中：bandk(x)为第k光谱波段在像素x处的亮度值，K为多光谱图像波段数。多光谱波段每个像素的最大值作为该像素的亮度值。
步骤2：计算形态学白帽重构(white top-hat reconstruction)：
其中：γb re为对亮度图像b的形态学重建开运算，而d和s分别代表线性结构元素的方向和尺度。
步骤3：计算白帽重构图像的形态学剖面MP：
步骤4：计算形态学白帽重构图像的差值形态学剖面DMP：
DMPW-TH(d，s)＝|MPW-TH(d，(s+Δs))-MPW-TH(d，s)|
步骤5：计算形态学建筑物指数MBI：
在本发明的方法中，分别利用两个时相的多光谱波段的最大值合成图像计算建筑物指数，得到两个建筑物指数图像，分别代表两个时相的建筑物指数特征。
C.对象特征图像的生成
以图像分割结果为参考，分别计算每个对象(分割区域)的各波段光谱均值和建筑物指数均值，并将这些对象均值图像叠加合成为一个图像文件。例如，假设每个时相的高分辨率多光谱图像有4个光谱波段，每个时相图像计算得到1个建筑物指数图像，则合成的对象特征图像包括10个波段，即每个时相有5个对象特征图像：4个对象光谱均值图像和1个对象建筑物指数图像。
D.道路区域的获取
道路区域是通过对现有的道路矢量数据进行缓冲区分析得到的。缓冲区分析是地理信息系统和遥感重要和基本的空间操作功能之一，是在给定空间实体(或集合)(如点、线、面对象)周围建立一定距离(缓冲半径)的带状区(缓冲区多边形)，以确定这些物体对周围环境的影响范围或服务范围。对本发明来说，对道路矢量(线对象)通过设定一定的缓冲半径得到的道路区域。具体来说，是以线状目标(道路中心线)为参考轴线，离开轴线向两侧沿法线方向平移一定距离，并在线端点处以光滑曲线(如半圆弧)连接，所得到的点组成的封闭区域即为线状目标(道路)的缓冲区。
关于道路缓冲区大小的确定，主要依据国家相关的制度和规定，如根据《公路安全保护条例》(2011)中所规定的公路建筑控制区的范围来确定违法建设的监测范围(即缓冲区大小的设定)。例如，保护范围从公路用地外缘起向外的距离标准为：(1)国道不少于20米，(2)省道不少于15米；属于高速公路的，公路建筑控制区的范围从公路用地外缘起向外的距离标准不少于30米。具体标准和细节可参见《公路安全保护条例》(2011)等。
E.路域的对象特征图像生成
将步骤D中得到的道路路域范围与步骤C中得到的对象特征图像进行叠加，以道路路域范围为参考，获取道路路域的对象特征图像，即保留道路路域内的像元灰度值不变，而将道路路域以外的所有像元灰度值强制变为0。
F.基于单类分类方法的建筑物变化初步提取
本发明采用单类分类方法对步骤E得到的两时相路域对象特征图像进行分类，以得到初步的建筑物变化结果(新增建筑物)。本发明采用的单类分类方法是单类支持向量机，一种有效而被广泛采用的分类方法。
单类支持向量机是一种特殊的支持向量机，由等(1999)提出，用来估计高维数据的分布。单类支持向量机可以看作是两类分类的支持向量机，但所有的训练样本数据均在第一类别里产生，而视原点的数据为第二类别唯一成员。单类支持向量机只提取感兴趣的目标类(Target class)，而不提取非目标类，也即负类(Outlier class)，这与传统两类支持向量机不同。例如，数据由若干个类别的物体组成，当我们只对其中的A类物体感兴趣时，只要提供A类单一类别的训练样本，通过估计参数，得到分类器f(x)，就可以判断一个位置的物体x是否属于A类。
单类支持向量机的目的是，为目标类找到一个边界或者描述，使得它能够尽可能多地包含目标类物体，同时最小化包含负类物体的可能性。利用核函数解决单类支持向量机优化问题，等于求解以下双二次规划问题：
其中且这里，αi是拉格朗日乘子，可以被认为是样本x这类向量的影响与非零向量的影响，被称为支持向量，并且唯一决定最优超平面；ν是控制超平面包含的数据点最大数量与超平面到原始数据距离的参数；1是训练数据集中点的数量，K(xi，xj)是核函数。通过使用核函数在特征空间中表达输入的矢量，允许非线性判别边界。经常使用的核函数有四种：线性内核、多项式内核、sigmoid非线性内核和高斯RBF内核。本发明采用RBF核函数，这是一种被广泛采用的核函数。
与单类支持向量机相关的两个参数需要调试，即γ和ν。参数γ控制着RBF核函数的宽度，而参数ν代表了训练样本中被分类器拒绝的比例的上限(1999)。根据现有的研究结果，本发明将参数ν限制在0.05以下，即至多允许5％的训练样本被拒绝。在固定ν之后，来寻找最优的γ0。采用(2003)提出的寻找最优参数γ和ν组合的方法。首先固定ν，让γ以足够大的值向0靠近，随着γ的减少，训练精度将逐渐提高。当训练精度第一次达到1-ν时，停止移动γ，此时γ是最优的，用于最终的分类。
为了利用单类支持向量机从两时相路域对象特征图像提取新增建筑物，需要利用两个时相的高分辨率图像来选取新增建筑物(目标类)的已知样本，作为训练样本，用于单类支持向量机分类方法的训练和参数确定。
G.阴影提取
本发明利用第二个时相的图像阴影信息来改进初始提取的新增建筑物结果，因此，准确的阴影信息对结果改进有直接的影响。在现有的研究中，有不少提取阴影的方法。例如，利用单类分类方法或多类分类方法直接通过分类来得到阴影信息。也有其它的简便快捷的阴影提取方法。
本发明推荐采用直方图阈值法(Zhou et al.，2009)从第二个时相的图像中提取阴影。该方法是基于阴影区和和非阴影区在亮度上的明显不同来区分阴影的。该方法假设一个图像的直方图是双峰的，一般来说，阴影(或暗物体)位于直方图低亮度值的一端，而非阴影区则位于高亮度值的一端，如图2所示。通过试错过程，来找到合适的低谷点Bt，作为合适的提取阈值。小于Bt的一端为阴影(或暗物体)区，大于Bt的一端为非阴影区。
在本发明中，采用亮度图像的直方图来确定区分阴影区和非阴影区的合适阈值(Zhou等，2009)，亮度图像为3个波段(近红外波段，红波段和绿波段)的平均值图像。由于本发明采用面向对象的方法，而得到的对象亮度均值图像的直方图没有较明显的双峰，因此，首先采用的基于像素的亮度图像(即原始的亮度图像)的直方图来确定合适的阈值用以区分阴影区与非阴影区，然后将得到的阴影区分阈值用于对象亮度均值图像，得到面向对象的阴影提取结果。
H.基于阴影的建筑物变化结果优化
为了得到更高精度的新增建筑物提取结果，本发明利用步骤G得到的第二个时相的阴影图像来优化改进步骤F得到的新增建筑物提取初始结果。具体实现可概括为，将上述两个图像进行叠加，对于新增建筑物提取初始结果中的任何一个提取的新增建筑物，如果其邻域(1-3个像元的缓冲区范围内)存在阴影，则可以确认该提取的新增建筑区是正确的，否则，认为该提取的新增建筑区是误分的，即其它地物类别被误分为新增建筑物，则从初始的提取结果中将其剔除。这样，对初始的提取结果进行了局部修正，得到了最终的新增建筑物提取结果。
有益效果，通过本发明所提供的利用高空间分辨率的新增建筑物提取方法，可大大减少传统的利用图像目视解译来获取道路路域新增建筑物(包括违法建筑物)所需的时间，提高效率，节省人力资源，可用于道路维护和监测业务运行系统中。
为了展示本发明的具体实施方式，以京秦高速(北京-秦皇岛高速公路)三河市附近地区图像为例，详细说明各步骤的具体操作流程和所用参数。
实验区和数据：实验区域为G1N京秦高速三河市地段，位于京秦高速和204省道(S204)交界周边地区。所采用的图像数据为WorldView-2融合图像，即多光谱和全色融合图像，图像分辨率为0.5米。采用的两个时相的WorldView-2数据获取时间分别为2014年08月10日和2015年09月18日。实验中采用图像包括3个波段，即红、绿和蓝色波段。最终采用的图像大小为1232*791像元(图2(a)和2(b))。为了验证本发明所提出的方法的性能，对两个时相的图像进行目视解译，并手动绘出新增的建筑物(图2(c)，其中黑色代表新增建筑物)，作为参考数据，计算本发明所提出的提取方法的精度。
关键步骤所用的参数：首先采用基于形态学的多层次分割方法对实验区的两个时相的Worldview-2多光谱图像(共6个波段)进行图像分割，获得图像对象图像(分割结果)。分割方法所涉及的参数包括计算多光谱梯度时的尺度设置为3，分水线动态范围的阈值为2。为计算形态学建筑物指数，首先分别对两个时相的3波段图像计算最大值合成图像，然后利用最大值图像计算形态学建筑物指数。根据实验区建筑物及其它地物类别的大小，所涉及的计算形态学剖面的尺度设为10。在利用单类支持向量机对道路路域的对象图像进行分类时，通过实验确定的两个参数分别为：γ-0.45，ν-0.01。在利用第二个时相的阴影信息来优化改进初始提取结果时所设置的邻域范围(缓冲区)为1个像元。
实验结果：图2(d)和2(e)显示利用本发明提出的方法提取的新增建筑物结果，包括没有利用阴影改进和利用阴影改进的提取结果(图中黑色代表新增建筑物)。从图中可以看出，新增建筑物能较准确地提取出来，在没有利用阴影改进的提取结果中，在一些局部位置(如道路)存在一定的误分(虚警)；但利用阴影信息优化改进后，这些误分被消除了，结果明显改进了。表1为新增建筑物提取结果的精度，从表中可以看出，总体精度高于90％，Kappa系数也高于90％，虚警率和漏警率均低于10％。利用阴影进行改进后精度略有提高。
表1 本发明所提出的方法在实验区的提取精度(％)
PA：生产者精度；UA：用户精度；OA：总体精度
以上所述，仅为本发明专利较佳的具体实施方式，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明专利的保护范围之内。

Claims (10)

1.一种基于高分辨率图像的道路路域建筑物变化提取方法，其特征在于，包括如下步骤：
A.采用多层次图像分割方法对两个时相的高分辨率图像叠加合成的图像进行图像分割，其中，每个时相的高分辨率图像均包含多个光谱波段图像；
B.针对各时相的高分辨率图像计算最大值合成图像并基于该最大值合成图像计算建筑物指数，以获得与各时相分别对应的建筑物指数图像；
C.基于步骤A中的图像分割结果，分别计算每个分割区域的各波段光谱均值和建筑物指数均值，并将这些均值图像叠加合成为两个时相的对象特征图像；
D.基于道路矢量数据进行缓冲区分析，以获取道路路域；
E.将步骤D中得到的道路路域与步骤C中得到的两时相对象特征图像进行叠加处理，获得两时相道路路域对象特征图像；
F.采用单类支持向量机分类方法对步骤E中得到的两时相道路路域对象特征图像进行分类，提取新增建筑物，以得到初步的建筑物变化结果图像；
G.从第二个时相的高分辨率图像中提取阴影，得到第二个时相的阴影图像；
H.利用步骤G得到的阴影图像来优化步骤F得到的初步的建筑物变化结果图像，得到最终的建筑物变化结果。
2.如权利要求1所述的方法，其特征在于：所述步骤A中的分割方法包括基于形态学方法的多层次图像分割方法，所述多个光谱波段包括红、绿和蓝色3个波段。
3.如权利要求1所述的方法，其特征在于：所述步骤B中，最大值合成图像计算方法如下：
b ( x ) = max 1 ≤ k ≤ K ( band k ( x ) )
其中，b(x)为最大值合成图像b在像素x处的亮度值，bandk(x)为第k光谱波段在像素x处的亮度值，K为高分辨率图像中的光谱波段数；所述建筑物指数为形态学建筑物指数。
4.如权利要求1所述的方法，其特征在于：步骤C中，所述合成的对象特征图像包括10个波段。
5.如权利要求1所述的方法，其特征在于：步骤D中，所述道路矢量包括设定缓冲半径得到道路区域。
6.如权利要求1所述的方法，其特征在于：步骤E中，获得道路路域内对象特征图像具体为：对于对象特征图像，保留其道路路域内的像素灰度值不变，而将道路路域以外的所有像素灰度值强制变为0。
7.如权利要求1所述的方法，其特征在于：步骤F中，利用两个时相的高分辨率图像来选取新增建筑物的已知样本作为训练样本，用于单类支持向量机分类方法的训练和参数确定。
8.如权利要求1所述的方法，其特征在于：步骤G中，所述阴影的提取包括采用直方图阈值法从第二时相的图像中提取。
9.如权利要求1所述的方法，其特征在于：步骤H中的优化步骤具体为：将所述阴影图像与初步的建筑物变化结果图像进行叠加，对于变化结果图像中的新增建筑物，如果其邻域存在阴影，则确认该新增建筑物是正确的，否则，认为该新增建筑物是误分的，从初步结果中将其剔除。
10.一种基于高分辨率图像的道路路域建筑物变化提取装置，包括：
图像分割模块，用于采用多层次图像分割方法对两个时相的高分辨率图像叠加合成的图像进行图像分割，其中，每个时相的高分辨率图像均包含多个光谱波段图像；
建筑物指数计算模块，用于针对各时相的高分辨率图像计算最大值合成图像并基于该最大值合成图像计算建筑物指数，以获得与各时相分别对应的建筑物指数图像；
对象特征图像生成模块，用于基于图像分割模块的图像分割结果，分别计算每个分割区域的各波段光谱均值和建筑物指数均值，并将这些均值图像叠加合成为对象特征图像；
道路路域获取模块，用于基于道路矢量数据进行缓冲区分析，以获取道路路域；
道路路域内对象特征图像生成模块，用于对道路路域获取模块获取的道路路域与对象特征图像生成模块得到的对象特征图像进行叠加处理，获得道路路域内对象特征图像；
初步的建筑物变化结果图像生成模块，用于采用单类支持向量机分类方法对得到的道路路域内对象特征图像进行分类，提取路域新增建筑物，以得到初步的建筑物变化结果图像；
阴影图像提取模块，用于从第二个时相的高分辨率图像中提取阴影，得到第二个时相的阴影图像；
最终的建筑物变化结果生成模块，用于利用所述第二个时相的阴影图像来优化所述的初步的建筑物变化结果图像，得到最终的建筑物变化结果。
CN201610882045.5A 2016-10-10 2016-10-10 一种基于高分辨率图像的道路路域建筑物变化提取方法 Active CN106683112B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610882045.5A CN106683112B (zh) 2016-10-10 2016-10-10 一种基于高分辨率图像的道路路域建筑物变化提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610882045.5A CN106683112B (zh) 2016-10-10 2016-10-10 一种基于高分辨率图像的道路路域建筑物变化提取方法

Publications (2)

Publication Number Publication Date
CN106683112A true CN106683112A (zh) 2017-05-17
CN106683112B CN106683112B (zh) 2019-09-27

Family

ID=58839362

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610882045.5A Active CN106683112B (zh) 2016-10-10 2016-10-10 一种基于高分辨率图像的道路路域建筑物变化提取方法

Country Status (1)

Country Link
CN (1) CN106683112B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107121143A (zh) * 2017-05-28 2017-09-01 兰州交通大学 一种协同poi数据的道路选取方法
CN107341795A (zh) * 2017-06-30 2017-11-10 武汉大学 一种知识驱动的高空间分辨率遥感影像自动变化检测方法
CN108645342A (zh) * 2018-04-25 2018-10-12 国交空间信息技术（北京）有限公司 一种基于道路轨迹和高分辨率影像的道路宽度提取方法
CN109753928A (zh) * 2019-01-03 2019-05-14 北京百度网讯科技有限公司 违章建筑物识别方法和装置
CN109784168A (zh) * 2018-12-13 2019-05-21 中国电力科学研究院有限公司 一种高分辨率遥感输电通道巡视方法及系统
CN109872320A (zh) * 2019-02-26 2019-06-11 西南石油大学 基于影像分析的边坡种植植被防护功能的检测系统及方法
CN110211138A (zh) * 2019-06-08 2019-09-06 西安电子科技大学 基于置信点的遥感图像分割方法
CN110348483A (zh) * 2019-06-06 2019-10-18 重庆工商大学融智学院 基于空间信息与统计学习的空间信息变化检测与分类方法
CN110569751A (zh) * 2019-08-23 2019-12-13 南京信息工程大学 一种高分遥感影像建筑物提取方法
CN110809767A (zh) * 2017-07-06 2020-02-18 华为技术有限公司 高级辅助驾驶系统和方法
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
CN113627331A (zh) * 2021-08-10 2021-11-09 苏州琛百软件科技有限公司 一种基于扩展道路形状指数的高分辨率影像道路提取方法
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
CN113822247A (zh) * 2021-11-22 2021-12-21 广东泰一高新技术发展有限公司 基于航拍影像的违章建筑识别方法及系统

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112800915B (zh) * 2021-01-20 2023-06-27 北京百度网讯科技有限公司 建筑物变化检测方法、装置、电子设备以及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077515A (zh) * 2012-12-29 2013-05-01 北方工业大学 一种多光谱图像建筑物变化检测方法
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
CN104751478A (zh) * 2015-04-20 2015-07-01 武汉大学 一种基于多特征融合的面向对象的建筑物变化检测方法
CN105528596A (zh) * 2016-02-03 2016-04-27 长江大学 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077515A (zh) * 2012-12-29 2013-05-01 北方工业大学 一种多光谱图像建筑物变化检测方法
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
CN104751478A (zh) * 2015-04-20 2015-07-01 武汉大学 一种基于多特征融合的面向对象的建筑物变化检测方法
CN105528596A (zh) * 2016-02-03 2016-04-27 长江大学 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

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
MATHIEU FAUVEL 等: "Spectral and Spatial Classification of Hyperspectral Data Using SVMs and Morphological Profiles", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
PEIJUN LI 等: "Urban building damage detection from very high resolution imagery by One-Class SVM and shadow information", 《2011 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 *
XIN HUANG 等: "Building Change Detection From Multitemporal High-Resolution Remotely Sensed Images Based on a Morphological Building Index", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 *
卢金涛: "基于阴影分析的城区建筑物变化检测方法", 《铁道勘察》 *
潘德炉 等编: "《海洋水色遥感机理及反演》", 31 December 2012, 北京：海洋出版社 *
焦明连 著: "《测绘技术发展与教育创新探索》", 31 December 2015, 徐州：中国矿业大学出版社 *
王雪 等: "利用机载LiDAR数据和高分辨率图像提取复杂城区建筑物", 《国土资源遥感》 *

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107121143B (zh) * 2017-05-28 2020-06-02 兰州交通大学 一种协同poi数据的道路选取方法
CN107121143A (zh) * 2017-05-28 2017-09-01 兰州交通大学 一种协同poi数据的道路选取方法
CN107341795A (zh) * 2017-06-30 2017-11-10 武汉大学 一种知识驱动的高空间分辨率遥感影像自动变化检测方法
CN107341795B (zh) * 2017-06-30 2020-03-10 武汉大学 一种知识驱动的高空间分辨率遥感影像自动变化检测方法
CN110809767B (zh) * 2017-07-06 2022-09-09 华为技术有限公司 高级辅助驾驶系统和方法
CN110809767A (zh) * 2017-07-06 2020-02-18 华为技术有限公司 高级辅助驾驶系统和方法
CN108645342A (zh) * 2018-04-25 2018-10-12 国交空间信息技术（北京）有限公司 一种基于道路轨迹和高分辨率影像的道路宽度提取方法
CN108645342B (zh) * 2018-04-25 2020-07-07 国交空间信息技术（北京）有限公司 一种基于道路轨迹和高分辨率影像的道路宽度提取方法
CN109784168A (zh) * 2018-12-13 2019-05-21 中国电力科学研究院有限公司 一种高分辨率遥感输电通道巡视方法及系统
CN109784168B (zh) * 2018-12-13 2024-08-20 中国电力科学研究院有限公司 一种高分辨率遥感输电通道巡视方法及系统
CN109753928A (zh) * 2019-01-03 2019-05-14 北京百度网讯科技有限公司 违章建筑物识别方法和装置
CN109872320A (zh) * 2019-02-26 2019-06-11 西南石油大学 基于影像分析的边坡种植植被防护功能的检测系统及方法
CN109872320B (zh) * 2019-02-26 2022-05-10 西南石油大学 基于影像分析的边坡种植植被防护功能的检测系统及方法
CN110348483B (zh) * 2019-06-06 2021-09-21 重庆工商大学融智学院 基于空间信息与统计学习的空间信息变化检测与分类方法
CN110348483A (zh) * 2019-06-06 2019-10-18 重庆工商大学融智学院 基于空间信息与统计学习的空间信息变化检测与分类方法
CN110211138B (zh) * 2019-06-08 2022-12-02 西安电子科技大学 基于置信点的遥感图像分割方法
CN110211138A (zh) * 2019-06-08 2019-09-06 西安电子科技大学 基于置信点的遥感图像分割方法
CN110569751A (zh) * 2019-08-23 2019-12-13 南京信息工程大学 一种高分遥感影像建筑物提取方法
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
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
CN113627331A (zh) * 2021-08-10 2021-11-09 苏州琛百软件科技有限公司 一种基于扩展道路形状指数的高分辨率影像道路提取方法
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
CN113822247A (zh) * 2021-11-22 2021-12-21 广东泰一高新技术发展有限公司 基于航拍影像的违章建筑识别方法及系统

Also Published As

Publication number Publication date
CN106683112B (zh) 2019-09-27

Similar Documents

Publication Publication Date Title
CN106683112B (zh) 一种基于高分辨率图像的道路路域建筑物变化提取方法
Changzhen et al. A traffic sign detection algorithm based on deep convolutional neural network
CN101840581B (zh) 一种从卫星遥感影像中提取建筑物轮廓的方法
Fabel et al. Applying self-supervised learning for semantic cloud segmentation of all-sky images
Kang et al. Land use and land cover change and its impact on river morphology in Johor River Basin, Malaysia
CN105956557A (zh) 一种面向对象的时序遥感影像云覆盖区域自动检测方法
CN103971115A (zh) 一种基于NDVI和PanTex指数的高分辨率遥感影像新增建设用地图斑自动提取方法
Yin et al. Estimating rainfall intensity using an image-based deep learning model
CN103279951A (zh) 一种面向对象的遥感影像建筑物及其阴影提取的方法
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
CN104103076A (zh) 一种基于高分辨率遥感影像的核电厂规划限制区遥感监查方法
CN104850853B (zh) 城市快速提取方法及装置
CN110889840A (zh) 面向地物目标的高分6号遥感卫星数据的有效性检测方法
Hosseinpoor et al. Convolutional neural network for building extraction from high-resolution remote sensing images
CN106920231A (zh) 一种基于全色图像统计特征的遥感图像云评估方法
Thompson et al. Applying object-based segmentation in the temporal domain to characterise snow seasonality
Alphan Multi-temporal analysis of urbanisation patterns as coastal development indicators: Eastern Mediterranean coast of Turkey
Zhang et al. A study on coastline extraction and its trend based on remote sensing image data mining
Liu et al. A lightweight building instance extraction method based on adaptive optimization of mask contour
CN112232303B (zh) 一种基于高分遥感影像的草原道路信息提取方法
Zhang et al. Spatio-temporal subpixel mapping with cloudy images
Wang et al. Combining SAR images with land cover products for rapid urban flood mapping
Liu et al. Intelligent identification of landslides in loess areas based on the improved YOLO algorithm: a case study of loess landslides in Baoji City
Sun et al. Deep learning for check dam area extraction with optical images and digital elevation model: A case study in the hilly and gully regions of the Loess Plateau, China
CN116452991A (zh) 注意力增强与多尺度特征融合的人为扰动地遥感提取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20180511

Address after: 100016 2 floor, 6 Building 6, Fang Yuan Nan Li 9, Chaoyang District, Beijing.

Applicant after: Guo Jiao space information technology (Beijing) Co., Ltd.

Applicant after: China Transport Telecommunications & Information Center

Address before: 100011 rear body of Chaoyang District foreign and foreign embassy in Beijing City, No. 1

Applicant before: China Transport Telecommunications & Information Center

GR01 Patent grant
GR01 Patent grant