CN107203757A - 基于二进制特征分类器的建筑物提取方法 - Google Patents

基于二进制特征分类器的建筑物提取方法 Download PDF

Info

Publication number
CN107203757A
CN107203757A CN201710406607.3A CN201710406607A CN107203757A CN 107203757 A CN107203757 A CN 107203757A CN 201710406607 A CN201710406607 A CN 201710406607A CN 107203757 A CN107203757 A CN 107203757A
Authority
CN
China
Prior art keywords
mrow
msub
building
msup
mtr
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
CN201710406607.3A
Other languages
English (en)
Other versions
CN107203757B (zh
Inventor
胡艳
丁忆
李朋龙
徐永书
李静
罗鼎
李胜
段松江
王斌
王岚
姜紫薇
郑中
吴寒
曾远文
魏文杰
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.)
Chongqing geographic information and Remote Sensing Application Center (Chongqing surveying and mapping product quality inspection and testing center)
Original Assignee
CHONGQING GEOGRAPHICAL 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 CHONGQING GEOGRAPHICAL INFORMATION CENTER filed Critical CHONGQING GEOGRAPHICAL INFORMATION CENTER
Priority to CN201710406607.3A priority Critical patent/CN107203757B/zh
Publication of CN107203757A publication Critical patent/CN107203757A/zh
Application granted granted Critical
Publication of CN107203757B publication Critical patent/CN107203757B/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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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

Landscapes

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

Abstract

本发明公开了一种基于二进制特征分类器的建筑物提取方法，首先对原图像进行降采样，转换至LAB颜色空间，然后在LAB颜色空间之下实施SLIC超分割获得交叉点，利用二进制特征分类器对交叉点进行二分类获得建筑物交叉点和非建筑物交叉点，从而获得建筑物区域；之后将提取出的建筑物区域图像转换至LAB颜色空间，然后在LAB颜色空间之下实施SLIC超分割获得新交叉点，利用二进制特征分类器对新交叉点进行三分类，获得建筑物内部点、建筑物边缘点和非建筑物点，从而得到建筑物轮廓。其显著效果是：实现了建筑物轮廓的快速准确提取；与传统方法相比，本发明精度更高、速度更快且算法过程无交互。

Description

基于二进制特征分类器的建筑物提取方法
技术领域
本发明涉及到建筑物遥感图像处理技术领域，具体地说，是一种基于二进制特征分类器的建筑物提取方法。
背景技术
随着数字城市、智慧市政等概念的提出，城市规划、用地变化监测、建筑物三维建模等业务需求飞速增长，而建筑物提取是支撑这些业务实现的核心技术。因此，如何从高分辨率遥感影像中进行准确快速的建筑物提取成为当前的热门技术领域。
目前所开展的适用于遥感影像的建筑物提取的方法研究，大部分的是以图像分割方法为基础。这类方法通常需要具有专业经验的人员进行人工操作，效率低且成本高。
由此可见，亟需一种快速、高精度的、自动建筑物提取方法。
发明内容
针对现有技术的不足，本发明的目的是提供一种基于二进制特征分类器的建筑物提取方法，利用二进制特征分类器对多尺度正射影像中的超像素分割点进行分类，并根据分类信息实现对建筑物快速、高精度的、自动提取。
为达到上述目的，本发明采用的技术方案如下：
一种基于二进制特征分类器的建筑物提取方法，其关键在于包括以下步骤：
步骤1：对原始正射图像进行降采样；
步骤2：将降采样后的正射图像从RGB颜色空间转换至LAB颜色空间；
步骤3：在LAB颜色空间下对图像进行SLIC超分割处理；
步骤4：根据超分割结果标记出交叉点；
步骤5：利用二进制特征分类器对交叉点进行二分类，获得建筑物交叉点和非建筑物交叉点；
步骤6：将非建筑物交叉点所连接的图斑进行剔除，得到粗略提取的建筑物轮廓；
步骤7：设定最小建筑物区域像素阈值，并剔除错误检测的建筑物；
步骤8：获得建筑物轮廓的外接矩形，得到建筑物区域，并将其位置还原至原始正射图像上；
步骤9：在原始正射图像上，提取建筑物区域，并将其颜色空间由RGB转换为LAB；
步骤10：在LAB颜色空间下，对建筑物区域图像进行SLIC超分割处理；
步骤11：根据超分割结果标记出新交叉点；
步骤12：利用二进制特征分类器对新交叉点进行三分类，获得建筑物内部点、建筑物边缘点和非建筑物点；
步骤13：将非建筑物交叉点所连接的图斑进行剔除，得到精细提取的建筑物轮廓；
步骤14：设定最小建筑物区域像素阈值，剔除错误检测的建筑物；
步骤15：提取建筑物轮廓曲线，获得建筑物轮廓图像。
进一步的，步骤1中所述降采样为将原始正射图像的像素分辨率降采样至一米每像素。
进一步的，步骤3与步骤10中所述SLIC超分割处理的步骤一致。
更进一步的，步骤3中所述SLIC超分割处理的具体步骤为：
步骤3-1：初始化种子点，按照设定的超像素个数，在图像内均匀分配种子点，计算相邻种子点的距离L：
其中，N为图像的像素点总数，K为超分割块设定个数；
步骤3-2：在种子点的n×n邻域内重新选择种子点，通过计算该邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的地方；
步骤3-3：在每个种子点的2L×2L的邻域内为每个像素点分配类标签，对于每个搜索到的像素点，分别计算它与种子点的距离；
步骤3-4：重复步骤3-2和步骤3-3，迭代得到最优结果。
再进一步的，步骤3-3中像素点与种子点的距离计算方法如下：
其中，D’表示种子点的距离，NC为最大颜色空间，NL是类内最大空间距离，dc表示颜色距离，dl表示空间距离，dc和dl的计算公式如下：
进一步的，步骤5中与二进制特征分类器相匹配的二进制混合描述符包含方向特征和描述符两部分，具体描述方式为：
方向特征为：
θ＝atan2(m01，m10)，
其中，θ为角度特征，m01和m10为每个图片分割块的矩，计算公式如下：
mpq＝∑x，yxpyqI(x，y)，
描述符为：
fn(p)＝Σ0≤j＜4Σ0≤i＜n2n×j+iτj(P；ai，bi)，
其中，fn(P)表示分割块P的描述符，τ1为纹理特征测试对，τ2为相似度特征测试对，τ3和τ4为颜色信息测试对，计算公式分别如下：
其中，PL(a)和PL(b)分别表示L通道上以a为中心和以b为中心的分割块P，PA(a)和PA(b)分别表示A通道上以a为中心和以b为中心的分割块P，PB(a)和PB(b)分别表示B通道上以a为中心和以b为中心的分割块P，S为相似度阈值，CA为A通道的颜色阈值，CB为B通道的颜色阈值。
进一步的，步骤12中与步骤5中，与所述二进制特征分类器相匹配的二进制混合描述符的描述方式一致。
本方案包括建筑物区域提取和建筑物轮廓提取两个部分。在第一个部分中，首先对原图像进行降采样处理，转换至LAB颜色空间，然后在LAB颜色空间之下实施SLIC超分割获得交叉点，利用二进制特征分类器对交叉点进行二分类获得建筑物交叉点和非建筑物交叉点，从而获得建筑物区域，实现建筑物的粗略提取。第二个部分是在第一个部分的基础之上进行的，首先将第一部分提取出的建筑物区域图转换至LAB颜色空间，然后在LAB颜色空间之下实施SLIC超分割获得新交叉点，利用二进制特征分类器对新交叉点进行三分类，获得建筑物内部点、建筑物边缘点和非建筑物点，从而得到建筑物轮廓。
本发明的显著效果是：分为建筑物区域提取和建筑物轮廓提取两个部分，分别实现了建筑物轮廓的粗提取和精提取两个过程，并利用二进制特征分类器对特征进行分类，实现了建筑物轮廓的快速准确提取；与传统方法相比，本发明精度更高、速度更快且算法过程无交互。
附图说明
图1是本发明的方法流程图；
图2是本发明方法的主要阶段图，其中(a)是原始正射图像，(b)是经步骤3对降采样后正射图像进行SLIC超分割的结果，(c)是经步骤8得到的建筑物区域的结果，(d)是经步骤10对建筑物区域进行超分割后的结果，(e)是采用本发明方法提取的建筑物轮廓的最终结果。
具体实施方式
下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。
如图1所示，一种基于二进制特征分类器的建筑物提取方法，具体按照以下步骤进行：
步骤1：对原始正射图像分别进行降采样，从而将原始正射图像降采样至一米每像素；
步骤2：将降采样后的正射图像从RGB颜色空间转换至LAB颜色空间，以更好地利用原图像中的纹理细节特征和颜色特征；
步骤3：在LAB颜色空间下对图像进行SLIC(简单的线性迭代聚类)超分割处理，具体处理步骤为：
步骤3-1：初始化种子点，按照设定的超像素个数，在图像内均匀分配种子点，计算相邻种子点的距离L：
其中，N为图像的像素点总数，K为超分割块设定个数；
步骤3-2：在种子点的n×n邻域内重新选择种子点，通过计算该邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的地方；
步骤3-3：在每个种子点的2L×2L的邻域内为每个像素点分配类标签，对于每个搜索到的像素点，分别计算它与种子点的距离；
其中，像素点与种子点的距离计算方法如下：
其中，D’表示种子点的距离，NC为最大颜色空间，用固定常数值代替，本例中取为10；NL是类内最大空间距离，定为S，适合每个聚类。dc表示颜色距离，dl表示空间距离，dc和dl的计算公式如下：
步骤3-4：重复步骤3-2和步骤3-3，迭代10次，获得迭代出的最优结果。
步骤4：根据SLIC超分割标记出交叉点；
步骤5：利用二进制特征分类器对交叉点进行二分类，获得建筑物交叉点和非建筑物交叉点；
本实施例中，与二进制特征分类器相匹配的二进制混合描述符包含方向特征(orientation)和描述符(descriptor)两部分：
方向特征为：
θ＝atan2(m01，m10)，
其中，θ为角度特征，m01和m10为每个图片分割块的矩，计算公式如下：
mpq＝∑x，yxpyqI(x，y)，
描述符为：
fn(p)＝∑0≤j＜4∑0≤i＜n2n×j+iτj(P；ai，bi)，
其中，fn(P)表示分割块P的描述符，τ1为纹理特征测试对，τ2为相似度特征测试对，τ3和τ4为颜色信息测试对，计算公式分别如下：
其中，PL(a)和PL(b)分别表示L通道上以a为中心和以b为中心的分割块P，PA(a)和PA(b)分别表示A通道上以a为中心和以b为中心的分割块P，PB(a)和PB(b)分别表示B通道上以a为中心和以b为中心的分割块P，S为相似度阈值，CA为A通道的颜色阈值，CB为B通道的颜色阈值，在本发明中，CA和CB均设为255。
最终得到分割块P的描述符形式定义为
其中，n取256。
步骤6：将非建筑物交叉点所连接的图斑进行剔除，得到粗略提取的建筑物轮廓；
步骤7：设定最小建筑物区域像素阈值，当建筑物区域像素和小于阈值，则被认为是非建筑物区域，以此剔除错误检测的建筑物；
步骤8：获得建筑物轮廓的外接矩形，得到建筑物区域，并将其位置还原至原始正射图像上；
步骤9：在原始正射图像上，提取建筑物区域，并将其颜色空间由RGB转换为LAB；
步骤10：在LAB颜色空间下，对建筑物区域图像进行SLIC超分割处理，分割方法见步骤3；
步骤11：根据超分割结果标记出新交叉点；
步骤12：利用二进制特征分类器对新交叉点进行三分类，获得建筑物内部点、建筑物边缘点和非建筑物点，特征描述方法见步骤5；
步骤13：将非建筑物交叉点所连接的图斑进行剔除，得到精细提取的建筑物轮廓；
步骤14：设定最小建筑物区域像素阈值，剔除错误检测的建筑物；
步骤15：提取建筑物轮廓曲线，获得建筑物轮廓图像。
本例中，在对于建筑物轮廓进行提取时，分为两个阶段，首先进行对原始正射图像中的建筑物区域进行提取，然后在建筑物区域图像的基础之上进行建筑物轮廓的提取，从而经过由粗到精的建筑物提取过程，可准确得到最终的建筑物轮廓，大大地减少误检可能。
最后，为了便于对本发明所述的处理方法有更直观的认识，图2给出了本发明方法在各阶段的步骤图示，其中(a)是原始正射图像，(b)是经步骤3对降采样后正射图像进行SLIC超分割的结果，(c)是经步骤8得到的建筑物区域的结果，(d)是经步骤10对建筑物区域进行超分割后的结果，(e)是采用本发明方法提取的建筑物轮廓的最终结果。

Claims (7)

1.一种基于二进制特征分类器的建筑物提取方法，其特征在于包括以下步骤：
步骤1：对原始正射图像进行降采样；
步骤2：将降采样后的正射图像从RGB颜色空间转换至LAB颜色空间；
步骤3：在LAB颜色空间下对图像进行SLIC超分割处理；
步骤4：根据超分割结果标记出交叉点；
步骤5：利用二进制特征分类器对交叉点进行二分类，获得建筑物交叉点和非建筑物交叉点；
步骤6：将非建筑物交叉点所连接的图斑进行剔除，得到粗略提取的建筑物轮廓；
步骤7：设定最小建筑物区域像素阈值，并剔除错误检测的建筑物；
步骤8：获得建筑物轮廓的外接矩形，得到建筑物区域，并将其位置还原至原始正射图像上；
步骤9：在原始正射图像上，提取建筑物区域，并将其颜色空间由RGB转换为LAB；
步骤10：在LAB颜色空间下，对建筑物区域图像进行SLIC超分割处理；
步骤11：根据超分割结果标记出新交叉点；
步骤12：利用二进制特征分类器对新交叉点进行三分类，获得建筑物内部点、建筑物边缘点和非建筑物点；
步骤13：将非建筑物交叉点所连接的图斑进行剔除，得到精细提取的建筑物轮廓；
步骤14：设定最小建筑物区域像素阈值，剔除错误检测的建筑物；
步骤15：提取建筑物轮廓曲线，获得建筑物轮廓图像。
2.根据权利要求1所述的基于二进制特征分类器的建筑物提取方法，其特征在于：步骤1中所述降采样为将原始正射图像的像素分辨率降采样至一米每像素。
3.根据权利要求1所述的基于二进制特征分类器的建筑物提取方法，其特征在于：步骤3与步骤10中所述SLIC超分割处理的步骤一致。
4.根据权利要求1或3所述的基于二进制特征分类器的建筑物提取方法，其特征在于：步骤3中所述SLIC超分割处理的具体步骤为：
步骤3-1：初始化种子点，按照设定的超像素个数，在图像内均匀分配种子点，计算相邻种子点的距离L：
<mrow> <mi>L</mi> <mo>=</mo> <msqrt> <mfrac> <mi>N</mi> <mi>K</mi> </mfrac> </msqrt> <mo>,</mo> </mrow>
其中，N为图像的像素点总数，K为超分割块设定个数；
步骤3-2：在种子点的n×n邻域内重新选择种子点，通过计算该邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的地方；
步骤3-3：在每个种子点的2L×2L的邻域内为每个像素点分配类标签，对于每个搜索到的像素点，分别计算它与种子点的距离；
步骤3-4：重复步骤3-2和步骤3-3，迭代得到最优结果。
5.根据权利要求4所述的基于二进制特征分类器的建筑物提取方法，其特征在于：步骤3-3中像素点与种子点的距离计算方法如下：
<mrow> <msup> <mi>D</mi> <mo>&amp;prime;</mo> </msup> <mo>=</mo> <msqrt> <mrow> <msup> <mrow> <mo>(</mo> <mfrac> <msub> <mi>d</mi> <mi>c</mi> </msub> <msub> <mi>N</mi> <mi>C</mi> </msub> </mfrac> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <msup> <mrow> <mo>(</mo> <mfrac> <msub> <mi>d</mi> <mi>l</mi> </msub> <msub> <mi>N</mi> <mi>L</mi> </msub> </mfrac> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <mo>,</mo> </mrow>
其中，D’表示种子点的距离，NC为最大颜色空间，NL是类内最大空间距离，dc表示颜色距离，dl表示空间距离，dc和dl的计算公式如下：
<mrow> <msub> <mi>d</mi> <mi>c</mi> </msub> <mo>=</mo> <msqrt> <mrow> <msup> <mrow> <mo>(</mo> <msub> <mi>l</mi> <mi>j</mi> </msub> <mo>-</mo> <msub> <mi>l</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <msup> <mrow> <mo>(</mo> <msub> <mi>a</mi> <mi>j</mi> </msub> <mo>-</mo> <msub> <mi>a</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <msup> <mrow> <mo>(</mo> <msub> <mi>b</mi> <mi>j</mi> </msub> <mo>-</mo> <msub> <mi>b</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <mo>,</mo> </mrow>
<mrow> <msub> <mi>d</mi> <mi>l</mi> </msub> <mo>=</mo> <msqrt> <mrow> <msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>-</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <msup> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>j</mi> </msub> <mo>-</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <mo>.</mo> </mrow>
6.根据权利要求1所述的基于二进制特征分类器的建筑物提取方法，其特征在于：步骤5中与二进制特征分类器相匹配的二进制混合描述符包含方向特征和描述符两部分，具体描述方式为：
方向特征为：
θ＝atan2(m01，m10)，
其中，θ为角度特征，m01和m10为每个图片分割块的矩，计算公式如下：
mpq＝Σx,yxpyqI(x，y)，
描述符为：
fn(p)＝∑0≤j＜4∑0≤i＜n2n×j+iτj(P；ai，bi)，
其中，fn(P)表示分割块P的描述符，τ1为纹理特征测试对，τ2为相似度特征测试对，τ3和τ4为颜色信息测试对，计算公式分别如下：
<mrow> <msub> <mi>&amp;tau;</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>P</mi> <mo>;</mo> <mi>a</mi> <mo>,</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mn>1</mn> <mo>,</mo> <msub> <mi>P</mi> <mi>L</mi> </msub> <mrow> <mo>(</mo> <mi>a</mi> <mo>)</mo> </mrow> <mo>&lt;</mo> <msub> <mi>P</mi> <mi>L</mi> </msub> <mrow> <mo>(</mo> <mi>b</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0</mn> <mo>,</mo> <msub> <mi>P</mi> <mi>L</mi> </msub> <mrow> <mo>(</mo> <mi>a</mi> <mo>)</mo> </mrow> <mo>&amp;GreaterEqual;</mo> <msub> <mi>P</mi> <mi>L</mi> </msub> <mrow> <mo>(</mo> <mi>b</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> </mrow>
<mrow> <msub> <mi>&amp;tau;</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mi>P</mi> <mo>;</mo> <mi>a</mi> <mo>,</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mn>1</mn> <mo>,</mo> <mo>|</mo> <msub> <mi>P</mi> <mi>L</mi> </msub> <mrow> <mo>(</mo> <mi>a</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>P</mi> <mi>L</mi> </msub> <mrow> <mo>(</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>|</mo> <mo>&lt;</mo> <mi>S</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0</mn> <mo>,</mo> <mo>|</mo> <msub> <mi>P</mi> <mi>L</mi> </msub> <mrow> <mo>(</mo> <mi>a</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>P</mi> <mi>L</mi> </msub> <mrow> <mo>(</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>|</mo> <mo>&amp;GreaterEqual;</mo> <mi>S</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> </mrow>
<mrow> <msub> <mi>&amp;tau;</mi> <mn>3</mn> </msub> <mrow> <mo>(</mo> <mi>P</mi> <mo>;</mo> <mi>a</mi> <mo>,</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mn>1</mn> <mo>,</mo> <mrow> <mo>(</mo> <msub> <mi>P</mi> <mi>A</mi> </msub> <mo>(</mo> <mi>a</mi> <mo>)</mo> <mo>+</mo> <msub> <mi>P</mi> <mi>A</mi> </msub> <mo>(</mo> <mi>b</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>&lt;</mo> <msub> <mi>C</mi> <mi>A</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0</mn> <mo>,</mo> <mrow> <mo>(</mo> <msub> <mi>P</mi> <mi>A</mi> </msub> <mo>(</mo> <mi>a</mi> <mo>)</mo> <mo>+</mo> <msub> <mi>P</mi> <mi>A</mi> </msub> <mo>(</mo> <mi>b</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>&amp;GreaterEqual;</mo> <msub> <mi>C</mi> <mi>A</mi> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> </mrow>
<mrow> <msub> <mi>&amp;tau;</mi> <mn>4</mn> </msub> <mrow> <mo>(</mo> <mi>P</mi> <mo>;</mo> <mi>a</mi> <mo>,</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mn>1</mn> <mo>,</mo> <mrow> <mo>(</mo> <msub> <mi>P</mi> <mi>B</mi> </msub> <mo>(</mo> <mi>a</mi> <mo>)</mo> <mo>+</mo> <msub> <mi>P</mi> <mi>B</mi> </msub> <mo>(</mo> <mi>b</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>&lt;</mo> <msub> <mi>C</mi> <mi>B</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0</mn> <mo>,</mo> <mrow> <mo>(</mo> <msub> <mi>P</mi> <mi>B</mi> </msub> <mo>(</mo> <mi>a</mi> <mo>)</mo> <mo>+</mo> <msub> <mi>P</mi> <mi>B</mi> </msub> <mo>(</mo> <mi>b</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>&amp;GreaterEqual;</mo> <msub> <mi>C</mi> <mi>B</mi> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> </mrow>
其中，PL(a)和PL(b)分别表示L通道上以a为中心和以b为中心的分割块P，PA(a)和PA(b)分别表示A通道上以a为中心和以b为中心的分割块P，PB(a)和PB(b)分别表示B通道上以a为中心和以b为中心的分割块P，S为相似度阈值，CA为A通道的颜色阈值，CB为B通道的颜色阈值。
7.根据权利要求1或6所述的基于二进制特征分类器的建筑物提取方法，其特征在于：步骤12中与步骤5中，与所述二进制特征分类器相匹配的二进制混合描述符的描述方式一致。
CN201710406607.3A 2017-06-02 2017-06-02 基于二进制特征分类器的建筑物提取方法 Active CN107203757B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710406607.3A CN107203757B (zh) 2017-06-02 2017-06-02 基于二进制特征分类器的建筑物提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710406607.3A CN107203757B (zh) 2017-06-02 2017-06-02 基于二进制特征分类器的建筑物提取方法

Publications (2)

Publication Number Publication Date
CN107203757A true CN107203757A (zh) 2017-09-26
CN107203757B CN107203757B (zh) 2019-07-26

Family

ID=59906874

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710406607.3A Active CN107203757B (zh) 2017-06-02 2017-06-02 基于二进制特征分类器的建筑物提取方法

Country Status (1)

Country Link
CN (1) CN107203757B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229364A (zh) * 2017-12-28 2018-06-29 百度在线网络技术（北京）有限公司 建筑物轮廓生成方法、装置、计算机设备及存储介质
CN108961286A (zh) * 2018-06-27 2018-12-07 武汉大学 一种顾及建筑物三维及边缘形状特征的无人机影像分割方法
CN109741358A (zh) * 2018-12-29 2019-05-10 北京工业大学 基于自适应超图学习的超像素分割方法
CN111325684A (zh) * 2020-02-01 2020-06-23 武汉大学 一种半自动高空间分辨率遥感影像不同形状建筑物提取方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106056155A (zh) * 2016-05-30 2016-10-26 西安电子科技大学 基于边界信息融合的超像素分割方法
CN106204615A (zh) * 2016-07-20 2016-12-07 安徽大学 一种基于中心矩形构图先验的显著目标检测方法
CN106778821A (zh) * 2016-11-25 2017-05-31 西安电子科技大学 基于slic和改进的cnn的极化sar图像分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106056155A (zh) * 2016-05-30 2016-10-26 西安电子科技大学 基于边界信息融合的超像素分割方法
CN106204615A (zh) * 2016-07-20 2016-12-07 安徽大学 一种基于中心矩形构图先验的显著目标检测方法
CN106778821A (zh) * 2016-11-25 2017-05-31 西安电子科技大学 基于slic和改进的cnn的极化sar图像分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
商世博: ""基于高分辨率遥感图像的建筑物检测与精确分割"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229364A (zh) * 2017-12-28 2018-06-29 百度在线网络技术（北京）有限公司 建筑物轮廓生成方法、装置、计算机设备及存储介质
CN108229364B (zh) * 2017-12-28 2022-02-25 百度在线网络技术（北京）有限公司 建筑物轮廓生成方法、装置、计算机设备及存储介质
CN108961286A (zh) * 2018-06-27 2018-12-07 武汉大学 一种顾及建筑物三维及边缘形状特征的无人机影像分割方法
CN108961286B (zh) * 2018-06-27 2021-11-16 武汉大学 一种顾及建筑物三维及边缘形状特征的无人机影像分割方法
CN109741358A (zh) * 2018-12-29 2019-05-10 北京工业大学 基于自适应超图学习的超像素分割方法
CN111325684A (zh) * 2020-02-01 2020-06-23 武汉大学 一种半自动高空间分辨率遥感影像不同形状建筑物提取方法

Also Published As

Publication number Publication date
CN107203757B (zh) 2019-07-26

Similar Documents

Publication Publication Date Title
CN107203757A (zh) 基于二进制特征分类器的建筑物提取方法
CN105069779B (zh) 一种建筑陶瓷表面花纹图案质量检测方法
CN111461134B (zh) 一种基于生成对抗网络的低分辨率车牌识别方法
WO2020181685A1 (zh) 一种基于深度学习的车载视频目标检测方法
CN107862698A (zh) 基于k均值聚类的光场前景分割方法及装置
CN104573685B (zh) 一种基于线性结构提取的自然场景文本检测方法
CN106651872A (zh) 基于Prewitt算子的路面裂缝识别方法及系统
CN106934418B (zh) 一种基于卷积递归网络的绝缘子红外诊断方法
CN105975968A (zh) 一种基于Caffe框架的深度学习车牌字符识别方法
CN102842045A (zh) 一种基于组合特征的行人检测方法
Liu et al. Real-time recognition of road traffic sign in motion image based on genetic algorithm
CN107784319A (zh) 一种基于增强卷积神经网络的病理图像分类方法
CN107909102A (zh) 一种组织病理图像的分类方法
CN108154158B (zh) 一种面向增强现实应用的建筑物图像分割方法
CN110889398A (zh) 一种基于相似度网络的多模态图像能见度检测方法
CN107220664A (zh) 一种基于结构化随机森林的油瓶装箱清点方法
CN110674821B (zh) 一种非机动车车牌识别方法
CN111160194B (zh) 一种基于多特征融合的静态手势图像识别方法
CN112819837A (zh) 一种基于多源异构遥感影像的语义分割方法
CN112037180A (zh) 染色体分割方法及装置
CN108733749A (zh) 一种基于草图的图像检索方法
CN113743523B (zh) 一种视觉多特征引导的建筑垃圾精细分类方法
CN103514460A (zh) 视频监控多视角车辆检测方法和装置
CN107392115B (zh) 一种基于分层特征提取的交通标志识别方法
CN109886325B (zh) 一种非线性颜色空间分类的模板选择与加速匹配方法

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
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 400020 Jiangbei District, Chongqing electric measuring Village No. 231

Patentee after: Chongqing geographic information and Remote Sensing Application Center (Chongqing surveying and mapping product quality inspection and testing center)

Address before: 401121 Chongqing new high tech area in northern Yubei District science and Technology Building 8 floor D block Neptune

Patentee before: Chongqing Geographical Information Center