CN107092877B - 基于建筑物基底矢量的遥感影像屋顶轮廓提取方法 - Google Patents
基于建筑物基底矢量的遥感影像屋顶轮廓提取方法 Download PDFInfo
- Publication number
- CN107092877B CN107092877B CN201710237766.5A CN201710237766A CN107092877B CN 107092877 B CN107092877 B CN 107092877B CN 201710237766 A CN201710237766 A CN 201710237766A CN 107092877 B CN107092877 B CN 107092877B
- Authority
- CN
- China
- Prior art keywords
- building
- contour
- remote sensing
- image
- point
- 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
Images
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
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于建筑物基底矢量的遥感影像屋顶轮廓提取方法,包括利用已有建筑物基底矢量图斑获取轮廓多边形;根据所述轮廓多边形生成待匹配建筑物屋顶的轮廓约束模板;针对待提取的遥感影像,选择符合建筑物特性的影像特征;基于相似性测度,利用轮廓约束模板和影像特征,采用匹配优化方法搜寻最佳匹配位置,获取建筑物屋顶轮廓图像等步骤。本发明技术方案实现了遥感影像中建筑物基底矢量与屋顶影像的轮廓匹配,可自动获取遥感影像中建筑物屋顶,同时还可以快速检测已有建筑物变化情况,对后续进一步开展违法建筑动态监测具有重要意义。
Description
技术领域
本发明涉及到遥感影像处理技术领域,具体地说,是一种基于建筑物基底矢量的遥感影像屋顶轮廓提取方法。
背景技术
建筑物作为一种重要的地物目标,其自动化识别、定位提取及其变化检测是摄影测量与遥感领域的一项研究热点与难点。其中,高分辨率遥感影像建筑物变化检测技术通过对两期高分辨率遥感影像进行对比分析,找出其中建筑物的变化区域。该技术在地理空间信息服务中应用广泛,对土地覆盖变化监测、环境变迁动态监测、自然灾害监测、违章建筑物查处以及国土资源调查等方面具有重要的应用价值和商业价值。
一般来说,建筑物的变化在图像上的反映具有三种形式:一是建筑物的消失,即原有建筑物变为其它地物,这可能是由于城市规划或道路建设等因素导致;二是建筑物外观的改变,诸如建筑物部分结构的消失/出现、建筑物几何形状的改变等,其可能与建筑物违法加盖或灾害事故有关;三是建筑物的新增,即原来其它用地变为建筑用地。目前建筑物变化检测的主要工作方式有两种:第一种是先找到图像的变化区域,然后在变化区域中寻找建筑物,则找到的这些建筑物即是发生变化的建筑物;第二种是先在图像中找到建筑物,再寻找它们之间的变化。
现有技术中,按分析处理单元的不同,当前的高分辨率遥感影像变化检测主要有像素、内核(或窗口)、图像对象叠加、图像对象比较、多期图像对象、混合处理单元等六类。然而这些方法都具有较大的局限性,因为高分辨率遥感影像中建筑物投影差等因素会造成较大的几何位移以及阴影遮挡问题,使得建筑物提取与变化检测问题更加复杂,影响检测结果的精度和可靠性。
发明内容
针对现有技术的不足,本发明的目的是1提供一种基于建筑物基底矢量的遥感影像屋顶轮廓提取方法,该方法基于已有建筑物基底矢量图斑构建建筑物屋顶的轮廓约束模板,结合提取的高分辨率遥感影像特征,通过匹配优化方法,从影像中快速获取最佳的匹配位置,达到建筑物屋顶自动提取的目的。
为达到上述目的,本发明采用的技术方案包括一种基于建筑物基底矢量的遥感影像屋顶轮廓提取方法,包括以下步骤:
步骤1,利用已有建筑物基底矢量图斑,获取优化后的与建筑物基底图斑相应的轮廓多边形;
步骤2,对步骤1得到的各建筑物基底图斑相应轮廓多边形,分别进行距离变换和缓冲区分析处理,生成待匹配建筑物屋顶的轮廓约束模板;
步骤3,针对待提取的遥感影像,选择符合建筑物特性的影像特征;
步骤4,基于相似性测度,利用步骤2中所述轮廓约束模板和步骤3中选择的影像特征,采用匹配优化方法在各建筑物基底图斑的邻近区域中搜寻最佳匹配位置,获取建筑物屋顶轮廓图像。
而且,步骤1中,通过相邻要素合并和点抽稀处理获取优化后的轮廓多边形。
而且,所述点抽稀处理包括以下步骤,
S1,对图斑中的点序列,从起点开始每次取出相邻的三个点,计算中间点到其他两点连成的直线的距离;
S2,将获得的距离与预设阈值进行比较,若小于预设阈值则从点序列中删除中间点,否则将中间点保留;
S3,逐点进行判断,直至判断完当前点序列,获得轮廓多边形的点坐标序列。
而且,步骤2中,所述轮廓约束模板包括是以轮廓多边形为基准建立的方向约束模板、距离约束模板和对比度约束模板。
而且,步骤3中,选择的影像特征包括边缘直线特征、方向显著性与正交性、内部同质性和内外差异性,以及邻接关系。
而且,所述边缘直线特征中边缘特征提2取采用基于结构森林的快速边缘检测算法,直线特征提取采用LSD方法。
而且,步骤4中,采用匹配优化方法在各建筑物基底图斑的邻近区域中搜寻最佳匹配位置,包括在针对某一建筑物基底图斑,采用相应轮廓多边形的轮廓约束模板在该建筑物基底图斑的邻近区域中遍历到某一位置时,将该位置称为当前轮廓多边形所在位置,提取相应匹配测度如下,
步骤4-1,利用轮廓约束模板、遥感影像及影像特征,分别计算当前轮廓多边形所在位置的边缘直线匹配指数、对比度指数、区域显著性指数以及位置偏移概率;
步骤4-2,将边缘直线匹配指数、对比度指数、区域显著性指数以及位置偏移概率进行加权处理,获取匹配测度。
而且,步骤4-2中所述匹配测度的计算公式为,
S(x,y)=ωeIe+ωcIc+ωsIs+ωaP
其中,S(x,y)为点(x,y)的匹配测度,Ie,Ic,Is,P分别为影像的边缘直线匹配指数、对比度指数、区域显著性指数以及位置偏移概率,ωe,ωc,ωs,ωa为对应于Ie,Ic,Is,P的四个经验权值,且满足ωe+ωc+ωs+ωa=1。
本发明基于已有建筑物基底矢量图斑构建建筑物屋顶的轮廓约束模板,结合提取的高分辨率遥感影像特征,通过匹配优化方法,从影像中快速获取最佳的匹配位置,达到建筑物屋顶自动提取的目的。
本发明的显著效果是:
1、充分利用了已有建筑物基底矢量数据中有效的信息以及高分辨率遥感影像特征,通过轮廓匹配优化方法,采用最小化能量函数原则,得到最佳匹配位置,准确的获取建筑物屋顶,为后续进一步开展屋顶加盖的违法建筑动态监测奠定了基础;
2、建筑物基底与屋顶的轮廓匹配结果可以一定程度上反映原有建筑物变化情况,若没有匹配成功则表明原有建筑物可能发生变化,有助于进一步提高测绘生产、土地执法以及城市管理等部门相关生产作业的自动化程度,从而减少生产成本、提高生产效率,进而产生重要的经济和社会效益,具有重要的市场价值。
附图说明
图1是本发明实施例的方法流程图;
图2是本发明实施例的所述轮廓多边形获取过程示意图,其中图2(a)是轮廓多边形示意图,图2(b)是方向约束模板示意图,图2(c)是距离约束模板示意图,图2(d)是对比度约束模板示意图;
图3是本发明实施例的边缘直线匹配指数计算流程图;
图4是本发明实施例的距离约束模板生成权值区域示意图;
图5是本发明实施例的位于内部区域与外部区域的超像素块示意图;
图6是本发明实施例的利用邻接关系计算位置偏移概率示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步详细说明。
本发明提出利用已有建筑物基底矢量图斑进行遥感影像屋顶轮廓提取,在遥感影像中由于建筑物投影差等因素的存在使得屋顶轮廓和相应建筑物基底图斑之间存在一定几何位移,因此本发明提出基于建筑物基底图斑,在预设的投影差范围内采用与图斑轮廓多边形相应的轮廓约束模板进行搜索,获取遥感影像屋顶轮廓。
如图1所示,实施例提供的一种基于建筑物基底矢量的遥感影像屋顶轮廓提取方法,包括以下步骤:
步骤1:利用已有建筑物基底矢量图斑,通过相邻要素合并和点抽稀处理,获取优化后的与建筑物基底图斑相应的轮廓多边形。
由于人工采集和编辑时会把原本一个整体的建筑物分割成多个多边形,从而导致个别多边形图斑仅仅只是建筑物的一角或者极小一部分,使得其内部包含的信息极少并且破坏了建筑物整体结构,不利于建筑物的识别判断。针对上述情况,本发明提出首先对整个需要检测的矢量图斑进行相邻公共多边形的合并;同时,由于手工提取建筑物的多边形图斑点具有不规则性,如多个点几乎重合或者在同一条直线上,因此需对点序列进行处理。
多边形合并处理具体实现如下:
针对建筑物图斑逐个检测其周围是否存在与之具有公共区域的小图斑,若存在且该公共区域为一条直线或一个面,则将它们进行合并,否则不予处理。为提高准确度起见,本发明进一步提出,预先设置合并的像素个数阈值,即当且仅当两个图斑有一个连通的公共区域是一条直线或一个面并且二者中有一个小于像素个数阈值,则将两个图斑合并。具体实施时,本领域技术人员可自行设定相应像素个数阈值的取值
点抽稀处理具体实现如下:
由于后续判断需要对多边形逐个线段判断,如果线段较短将严重影响判断结果,并且同一条线上点越多效率越低,所以需要对点进行抽稀处理。首先对图斑进行逐点判断,是否有多个点距离较近的情况。在多边形点序列中将点距离小于预设阈值的点删除只保留一点。然后处理多个点接近同一条直线上的情况,具体方式如下:
S1:对上述点序列从起点开始,依次取出相邻的3个点,分别计算中间点到其它两点连成的直线的距离,例如首先取第1、2、3个点,计算第2点到第1点和第3点连成的直线的距离,然后取第2、3、4个点,计算第3点到第2点和第4点连成的直线的距离,…;
S2:将获得的距离与相应预设阈值进行比较,若该距离小于预设阈值,则从点序列中删除中间该点;具体实施时,本领域技术人员可自行设定相应预设阈值的取值;
S3:逐点进行类似判断,直到判断完当前点序列。最后所得点序列即为轮廓多边形的点坐标序列。
步骤2:对步骤1得到的各建筑物基底图斑相应轮廓多边形分别进行距离变换和缓冲区分析处理,生成待匹配建筑物屋顶的轮廓约束模板。所述轮廓约束模板包括以下三种模块:
方向约束模板,是以轮廓多边形为基准,在其周围相应预设宽度范围内建立的用于提供该范围各像素点梯度方向的模板。具体实施时,本领域技术人员可自行设定相应宽度范围的取值。
距离约束模板,是以轮廓多边形为基准,通过距离变换得到的表征空间各点权值大小的模板。
对比度约束模板,是以轮廓多边形为基5准,记录每条直线两边预设距离内对应区域的模板。具体实施时,本领域技术人员可自行设定预设距离的取值,例如10像素或20像素等。
参见图2,实施例中模板生成实现方式如下:
首先,对图2(a)所示的轮廓多边形每条边(例如边AB)正交方向设定一个缓冲区,建立如图2(b)所示的方向约束模板,该缓冲区内点P方向等于该点所在直线的正交方向角,是用于提供轮廓多边形及其缓冲区内各点梯度方向的模板;通过对轮廓多边形进行距离变换,即计算每个空间点到与该轮廓多边形最近点的欧式距离,生成如图2(c)所示的距离约束模板,该模板是用于计算空间各点权值大小的模板;类似于方向约束模板,图2(d)所示的对比度约束模板也是通过对轮廓多边形进行缓冲区分析生成,该模板主要是用来记录每条直线(例如边AB所在直线)两边对应的区域,可以用于计算每条直线两边对应区域的对比度。
步骤3:针对待提取的遥感影像,选择符合建筑物特性的影像特征。
在本实施例中,选择的影像特征包括边缘直线特征、方向显著性与正交性、内部同质性和内外差异性、邻接关系。
各影像特征具体提取方式介绍如下:
边缘直线特征:由于建筑物在局部影像区域内较为显著,其边缘突出并且具有明确的封闭边界,同时边缘多以直线为主,因此首先提取遥感影像边缘特征以及直线特征,得到边缘直线特征影像,用以判断建筑物轮廓候选匹配位置。边缘特征提取采用基于结构森林的快速边缘检测算法,能够鲁棒地把结构标签映射到可以评估标准信息增益的离散空间,通过随机决策森林的结构化学习框架对边缘进行预测并对其进行处理获取相对稀疏的边缘图像。直线提取算法选用了不同模糊度和光照情况下效果均较好并且效率较高的LSD(Line segment detector)方法,该方法可以得到影像中明显线段,减少冗余线条进而降低计算的复杂性。基于结构森林的快速边缘检测算法和LSD方法为现有技术,本发明不予赘述。
方向显著性与正交性:考虑到建筑物大多是比较规则的矩形结构或多边形结构,该结构通常具有一定的主方向并且显现正交性,即具有两个相互垂直的主方向。充分利用这一特性,计算边缘直线特征影像上当前轮廓多边形所在区域各边缘点和直线点的梯度方向,以15度间隔把梯度方向划分为12个区间,记录各区6间点数,并将相互垂直的两个区间相加获取最大方向区间作为该区域的方向显著性,即其中N(θ)表示第θ区间点的个数,同时将这两个相互垂直的区间作比计算该区域的正交性R<1.0,θ<6,根据得到的方向显著性和正交性以及方向约束模板与影像梯度方向的一致性,判断建筑物轮廓候选匹配位置。
内部同质性与内外差异性:建筑物顶部内部一般具有较强的相似性并且和周围差异较大,在已知轮廓多边形形状的情况下,可以提取轮廓内外一定区域范围的影像特征来判断内部区域的匀质性以及内部与外部区域的差异性,进而评估建筑物存在的可能性,即区域显著性。为了降低图像处理的复杂度,利用SLIC分割算法对输入影像进行过分割,该分割算法能生成紧凑、近似均匀的超像素,在运算速度,物体轮廓保持、超像素形状方面具有较高的综合评价,比较符合人们期望的分割效果。SLIC分割算法为现有技术,本发明不予赘述。考虑到边缘效应的影响,在轮廓多边形相应距离约束模板一定距离范围内生成带有权值的内部与外部区域,如图4所示,利用超像素分割结果计算内部和外部区域各像斑的加权均值。如图5所示,粗实线矩形框W表示由距离约束模板生成的内外区域边界,假设粗实线框中内部区域所包含的像斑个数为wi,外部区域所包含的像斑个数为wo,粗实线框中内部区域各像斑的加权均值用Si k,k=1,2,…,wi表示,例如图5中Si 1,Si 2,Si 3,外部区域各像斑的加权均值用So k,k=1,2,…,wo表示,例如图5中So 1,So 2,…So 9,则内部与外部区域所有像斑的均值分别为和从而得到内部区域方差以及内部区域与外部区域方差 用它们分别来描述内部同质性和内外差异性。
邻接关系:由于一定区域范围内如同一小区建筑物结构、高度以及轮廓形状十分相似,其在影像上投影差也存在一致性关系,因此可以利用相邻相似图斑偏移方向和偏移量进行局部约束。具体实施时,本领域技术人员可自行预设距离范围的取值用于判断两个建筑物基底图斑是否相邻;依据轮廓多边形最小外接矩形长宽差异及其面积比,若两个轮廓多边形相似,则它们的面积比约为1,同时它们的最小外接矩形长宽差异较小,则两个建筑物基底图斑相相似。获取与当前轮廓多边形相邻相似的图斑偏移方向和偏移量,将这些偏移方向划分为四个象限,统计偏移方向在各象限的分布Vj表示相邻相似图斑偏移方向在各象限的数目,V表示相邻相似图斑的总数目,并且在各象限中标记相应图斑的偏移量。若用偏移位置p=(xt,yt)表示每个相邻相似图斑的偏移方向和偏移量,同时以每个(xt,yt)为中心,在距离r范围内建立一个空间距离函数,如图6所示,坐标原点P表示原始图斑的中心点,指向p表示只有在虚线范围内才有概率。则可用 表征当前轮廓多边形与同它相邻相似图斑的邻接关系,其中(xv,yv)表示当前轮廓多边形的偏移位置。
步骤4:基于相似性测度,利用步骤2中所述轮廓约束模板和步骤3中选择的影像特征,采用匹配优化方法在各建筑物基底图斑的邻近区域中搜寻最佳匹配位置,获取建筑物屋顶轮廓图像。
本步骤针对步骤1所得各优化后的建筑物基底图斑分别处理。具体实施时,各建筑物图斑的邻近区域可根据预设的投影差范围确定,例如投影差范围是在建筑物基底矢量图斑区域外扩40米左右得到的范围。
设针对某一建筑物基底图斑,采用相应轮廓多边形的轮廓约束模板在该建筑物基底图斑的邻近区域中遍历到某一位置时,将该位置称为当前轮廓多边形所在位置,提取相应匹配测度的具体步骤如下:
步骤4-1:利用轮廓约束模板、遥感影像及其特征,分别计算当前轮廓多边形所在位置的边缘直线匹配指数、对比度指数、区域显著性指数以及位置偏移概率;
边缘直线匹配指数Ie的计算:
在边缘直线特征影像上,采用距离和方向约束模板进行空间投票,计算边缘直线匹配指数,具体流程如图3和所示。参见图3,包括以下步骤:
1)计算方向指数,根据步骤3中所得的方向显著性OS和正交性R计算当前轮廓多边形所在位置的方向指数OI,计算公式如下:
OI=R×OS
2)判断是否存在方向性:预先设置方向指数阈值,若方向指数小于该阈值,则判定当前位置边缘直线匹配指数为0;若方向指数大于等于该阈值证明存在方向性,进入3)。
3)统计边缘直线特征影像上所有落在距离约束模板一定范围内的所有边缘点数量n和直线点数量m,同时计算这些点的梯度方向。
4)记录与方向约束模板相应点角度相差较小(具体实施时可预设阈值,例如小于5°)的边缘点数量n1和直线点数量m1。
5)计算当前位置的边缘直线匹配指数Ie为:
式中,(xe,ye)代表了某一边缘点的坐标,(xl,yl)代表了某一直线点的坐标,d(xe,ye)、d(xl,yl)分别代表了点(xe,ye)、(xl,yl)对应于距离约束模板上的权重值。另外,上式中,在同样距离约束下,与方向距离约束模板角度区间一致的边缘点和直线点的权值是不符合方向约束模板的边缘点和直线点的权值的5倍,5为经验阈值。
对比度指数Ic的计算:
利用距离约束模板和对比度约束模板对影像计算对比度指数。在当前轮廓多边形所在区域,通过对比度约束模板记录轮廓多边形每条直线两边在影像中对应的范围,得到对比度约束模板中直边外部区域和对比度约束模板中直边内部区域。针对轮廓多边形每条直线,分别基于所得直边外部区域和直边内部区域,利用距离约束模板中的距离权值分别计算这两个区域的加权均值,将这两个区域的加权均值之差的绝对值作为该边的对比度,计算公式如下:
式中,(xa,ya)代表了对比度约束模板中直边外部点的坐标,(xh,yh)代表了对比度约束模板中直边内部点的坐标,n‘表示对比度约束模板中直边外部点数,m‘表示对比度约束模板中直边内部点数,d(xa,ya)代表了点(xa,ya)对应于距离约束模板上的权重值,Z(xa,ya)表示影像像元值。
若对比度大于相应预设阈值,则保留该边;否则舍弃,最后统计保留的边数及点数,进而计算整体对比度指数Ic:
式中,Cq和Cg分别表示最后保留下来的边数及点数,Tq和Tg分别表示轮廓多边形中的总边数及点数。
区域显著性指数Is的计算:
通过步骤3中的内部同质性以及内外差异性计算当前轮廓多边形所在位置的区域显著性指数Is:
式中,Sα表示由距离约束模板生成的内部区域方差,用以描述内部同质性,Sβ表示由距离约束模板生成的内部区域与外部区域之间的方差,用以描述内外差异性,σ控制同质性权值强度,σ越大,内部同质性影响越小。优选地,σ2=10。
位置偏移概率P的计算:
根据步骤3中获得的相邻相似图斑偏移方向分布及邻接关系计算当前位置概率P:
P=fj×fr
式中,fj表示相邻相似图斑偏移方向在四个象限概率,fr表示当前轮廓多边形位置与最邻近图斑偏移位置的相关程度。
步骤4-2:将边缘直线匹配指数Ie、对比度指数Ic、区域显著性指数Is以及位置偏移概率P进行加权处理,获得匹配测度,计算公式如下:
G(x,y)=ωeIe+ωcIc+ωsIs+ωaP
其中,G(x,y)点(x,y)对应的匹配测度,ωe,ωc,ωs,ωa为对应于Ie,Ic,Is,P的四个经验权值,且满足
ωe+ωc+ωs+ωa=1
在本实施例中,上述的四个经验权值ωe,ωc,ωs,ωa的优先取值分别为0.4,0.1,0.3,0.2。
根据步骤4-1和步骤4-2,采用匹配测度计算公式,在遥感影像设置的投影差范围内进行搜索,遍历完成后,通过计算最大相似性测度获取与轮廓匹配的位置,从而获得建筑物屋顶轮廓图像。所述最大相似性测度的计算公式为:
式中,F(x,y)为最大相似性测度,G(x,y)为点(x,y)的匹配测度,(-sn,sn)为点(x,y)坐标值范围。
具体实施时,本领域技术人员可采用计算机软件技术实现以上流程的自动运行。
从采用本实施例所述方法进行处理后所得建筑物屋顶轮廓影像和相应建筑物屋顶轮廓可以看出,本方案不仅可以通过匹配准确的获取建筑物屋顶;而且能够初步检测建筑物变化情况,便于后续进一步开展变化检测工作,有助于进一步提高测绘生产、土地执法以及城市管理等部门相关生产作业的自动化程度。
Claims (8)
1.一种基于建筑物基底矢量的遥感影像屋顶轮廓提取方法,其特征在于,包括以下步骤:
步骤1,利用已有建筑物基底矢量图斑,获取优化后的与建筑物基底图斑相应的轮廓多边形;
步骤2,对步骤1得到的各建筑物基底图斑相应轮廓多边形,分别进行距离变换和缓冲区分析处理,生成待匹配建筑物屋顶的轮廓约束模板;
步骤3,针对待提取的遥感影像,选择符合建筑物特性的影像特征;
步骤4,基于相似性测度,利用步骤2中所述轮廓约束模板和步骤3中选择的影像特征,采用匹配优化方法在各建筑物基底图斑的邻近区域中搜寻最佳匹配位置,获取建筑物屋顶轮廓图像。
2.根据权利要求1所述的基于建筑物基底矢量的遥感影像屋顶轮廓提取方法,其特征在于:步骤1中,通过相邻要素合并和点抽稀处理获取优化后的轮廓多边形。
3.根据权利要求2所述的基于建筑物基底矢量的遥感影像屋顶轮廓提取方法,其特征在于:所述点抽稀处理包括以下步骤,
S1,对图斑中的点序列,从起点开始每次取出相邻的三个点,计算中间点到其他两点连成的直线的距离;
S2,将获得的距离与预设阈值进行比较,若小于预设阈值则从点序列中删除中间点,否则将中间点保留;
S3,逐点进行判断,直至判断完当前点序列,获得轮廓多边形的点坐标序列。
4.根据权利要求1所述的基于建筑物基底矢量的遥感影像屋顶轮廓提取方法,其特征在于:步骤2中,所述轮廓约束模板包括是以轮廓多边形为基准建立的方向约束模板、距离约束模板和对比度约束模板。
5.根据权利要求1所述的基于建筑物基底矢量的遥感影像屋顶轮廓提取方法,其特征在于:步骤3中,选择的影像特征包括边缘直线特征、方向显著性与正交性、内部同质性和内外差异性,以及邻接关系。
6.根据权利要求5所述的基于建筑物基底矢量的遥感影像屋顶轮廓提取方法,其特征在于:所述边缘直线特征中边缘特征提取采用基于结构森林的快速边缘检测算法,直线特征提取采用LSD方法。
7.根据权利要求1-6中任一项所述的基于建筑物基底矢量的遥感影像屋顶轮廓提取方法,其特征在于:步骤4中,采用匹配优化方法在各建筑物基底图斑的邻近区域中搜寻最佳匹配位置,包括在针对某一建筑物基底图斑,采用相应轮廓多边形的轮廓约束模板在该建筑物基底图斑的邻近区域中遍历到某一位置时,将该位置称为当前轮廓多边形所在位置,提取相应匹配测度如下,
步骤4-1,利用轮廓约束模板、遥感影像及影像特征,分别计算当前轮廓多边形所在位置的边缘直线匹配指数、对比度指数、区域显著性指数以及位置偏移概率;
步骤4-2,将边缘直线匹配指数、对比度指数、区域显著性指数以及位置偏移概率进行加权处理,获取匹配测度。
8.根据权利要求7所述的基于建筑物基底矢量的遥感影像屋顶轮廓提取方法,其特征在于:步骤4-2中所述匹配测度的计算公式为,
S(x,y)=ωeIe+ωcIc+ωsIs+ωaP
其中,S(x,y)为点(x,y)的匹配测度,Ie,Ic,Is,P分别为影像的边缘直线匹配指数、对比度指数、区域显著性指数以及位置偏移概率,ωe,ωc,ωs,ωa为对应于Ie,Ic,Is,P的四个经验权值,且满足ωe+ωc+ωs+ωa=1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710237766.5A CN107092877B (zh) | 2017-04-12 | 2017-04-12 | 基于建筑物基底矢量的遥感影像屋顶轮廓提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710237766.5A CN107092877B (zh) | 2017-04-12 | 2017-04-12 | 基于建筑物基底矢量的遥感影像屋顶轮廓提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107092877A CN107092877A (zh) | 2017-08-25 |
CN107092877B true CN107092877B (zh) | 2020-01-24 |
Family
ID=59636874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710237766.5A Active CN107092877B (zh) | 2017-04-12 | 2017-04-12 | 基于建筑物基底矢量的遥感影像屋顶轮廓提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107092877B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108257130B (zh) * | 2018-02-08 | 2018-11-30 | 重庆市地理信息中心 | 一种航空正射影像全景图拉花区域快速检测方法 |
CN108765234A (zh) * | 2018-05-07 | 2018-11-06 | 重庆睿宇测绘有限责任公司 | 疑似违法建筑信息管理系统 |
CN108961232B (zh) * | 2018-06-28 | 2020-08-18 | 中国地震局地震预测研究所 | 一种建筑物损毁状态检测方法 |
CN109446992B (zh) * | 2018-10-30 | 2022-06-17 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 |
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 |
CN112686832A (zh) * | 2019-10-18 | 2021-04-20 | 高萍 | 高度偏差数据辨识系统以及相应终端 |
CN110969134A (zh) * | 2019-12-05 | 2020-04-07 | 重庆商勤科技有限公司 | 水源地违建识别预警方法、装置、服务器及存储介质 |
CN111692978A (zh) * | 2020-06-04 | 2020-09-22 | 福建睿思特科技股份有限公司 | 一种基于多源影像数据的违章建筑识别方法 |
CN111798415A (zh) * | 2020-06-16 | 2020-10-20 | 中设设计集团股份有限公司 | 一种高速公路控制区建筑物监测方法、装置及存储介质 |
CN111754536B (zh) * | 2020-06-29 | 2024-04-16 | 上海商汤智能科技有限公司 | 图像标注方法、装置、电子设备及存储介质 |
PL435069A1 (pl) * | 2020-08-24 | 2022-02-28 | Scanthesun Spółka Z Ograniczoną Odpowiedzialnością | Sposób maksymalizacji uzysku energii z instalacji fotowoltaicznej oraz sposób montażu modułów solarnych |
CN114638769A (zh) * | 2020-12-15 | 2022-06-17 | 武汉市探测者科技有限公司 | 一种基于图像处理算法的2.5维地图建筑物热区自动提取方法 |
CN112767469B (zh) * | 2021-01-25 | 2021-09-21 | 东南大学 | 一种城市海量建筑高度智能化获取方法 |
CN113160258B (zh) * | 2021-03-31 | 2022-11-29 | 武汉汉达瑞科技有限公司 | 建筑物矢量多边形的提取方法、系统、服务器及存储介质 |
CN113139453B (zh) * | 2021-04-19 | 2023-04-07 | 中国地质大学(武汉) | 一种基于深度学习的正射影像高层建筑基底矢量提取方法 |
CN113744144B (zh) * | 2021-08-20 | 2023-09-26 | 长江大学 | 遥感影像建筑物边界优化方法、系统、设备及存储介质 |
CN113920147B (zh) * | 2021-12-14 | 2022-03-01 | 星际空间(天津)科技发展有限公司 | 基于深度学习的遥感影像建筑物提取方法及设备 |
CN114511586B (zh) * | 2022-04-20 | 2022-08-23 | 三一筑工科技股份有限公司 | 一种对象表面轮廓的确定方法、装置、设备及存储介质 |
CN114821334B (zh) * | 2022-05-17 | 2023-08-04 | 重庆市地理信息和遥感应用中心 | 基于区域定位和局部特征匹配的楼顶加盖违建识别方法 |
CN115457281B (zh) * | 2022-11-10 | 2023-02-14 | 珠高智能科技(深圳)有限公司 | 屋顶图像集的生成方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101599070A (zh) * | 2009-07-07 | 2009-12-09 | 武汉大学 | 在土地利用信息多尺度表达中的空间数据库综合方法 |
CN103310199A (zh) * | 2013-06-17 | 2013-09-18 | 武汉大学 | 基于高分辨率遥感数据的车辆型号识别方法 |
CN104408463A (zh) * | 2014-10-15 | 2015-03-11 | 中国土地勘测规划院 | 一种基于PanTex和直线特征的高分辨率建设用地图斑识别方法 |
CN104915672A (zh) * | 2014-03-13 | 2015-09-16 | 北京大学 | 一种基于高分辨率遥感图像的矩形建筑物提取方法及系统 |
-
2017
- 2017-04-12 CN CN201710237766.5A patent/CN107092877B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101599070A (zh) * | 2009-07-07 | 2009-12-09 | 武汉大学 | 在土地利用信息多尺度表达中的空间数据库综合方法 |
CN103310199A (zh) * | 2013-06-17 | 2013-09-18 | 武汉大学 | 基于高分辨率遥感数据的车辆型号识别方法 |
CN104915672A (zh) * | 2014-03-13 | 2015-09-16 | 北京大学 | 一种基于高分辨率遥感图像的矩形建筑物提取方法及系统 |
CN104408463A (zh) * | 2014-10-15 | 2015-03-11 | 中国土地勘测规划院 | 一种基于PanTex和直线特征的高分辨率建设用地图斑识别方法 |
Non-Patent Citations (2)
Title |
---|
High-Resolution Optical and SAR Image Fusion for Building Database Updating;Vincent Poulain et.al;《 IEEE Transactions on Geoscience and Remote Sensing》;20110322;第49卷(第8期);第2900-2910页 * |
利用机载LiDAR数据和高分辨率图像提取复杂城区建筑物;王雪 等;《国土资源遥感》;20160616;第28卷(第2期);第1-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107092877A (zh) | 2017-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107092877B (zh) | 基于建筑物基底矢量的遥感影像屋顶轮廓提取方法 | |
US7515153B2 (en) | Map generation device, map delivery method, and map generation program | |
CN112084869A (zh) | 一种基于紧致四边形表示的建筑物目标检测方法 | |
US11145089B2 (en) | Method for measuring antenna downtilt based on multi-scale detection algorithm | |
CN108801171A (zh) | 一种隧道断面形变分析方法及装置 | |
CN106096497B (zh) | 一种针对多元遥感数据的房屋矢量化方法 | |
CN115641327B (zh) | 一种基于大数据的建筑工程质量监理和预警系统 | |
CN113689445B (zh) | 结合语义分割与边缘检测的高分辨率遥感建筑物提取方法 | |
CN113033315A (zh) | 一种稀土开采高分影像识别与定位方法 | |
Koutaki et al. | Automatic road extraction based on cross detection in suburb | |
Li et al. | A deep learning-based indoor acceptance system for assessment on flatness and verticality quality of concrete surfaces | |
Wang | Automatic extraction of building outline from high resolution aerial imagery | |
Chaloeivoot et al. | Building detection from terrestrial images | |
CN113205023B (zh) | 一种基于先验矢量引导的高分影像建筑物提取精处理方法 | |
CN113052193B (zh) | 机器人重定位方法及系统 | |
CN110276270B (zh) | 一种高分辨率遥感影像建筑区提取方法 | |
Gong et al. | Roof-cut guided localization for building change detection from imagery and footprint map | |
CN108256425B (zh) | 一种利用遥感光谱信息高效率提取港口集装箱的方法 | |
CN116051771A (zh) | 一种基于无人机倾斜摄影模型的光伏bim屋顶自动建模方法 | |
CN112950662B (zh) | 一种交通场景空间结构提取方法 | |
CN114677428A (zh) | 基于无人机图像处理的输电线覆冰厚度检测方法 | |
CN115731458A (zh) | 一种遥感影像的处理方法、装置和电子设备 | |
CN107246863A (zh) | 一种不规则断面隧道内壁影像投影展开方法 | |
CN111899291A (zh) | 基于多源维度分解的城市点云从粗到精的自动配准方法 | |
Pakizeh et al. | Building detection from aerial images using hough transform and intensity information |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |