CN107977968A - 基于建筑物阴影信息挖掘的建筑物分层检测方法 - Google Patents
基于建筑物阴影信息挖掘的建筑物分层检测方法 Download PDFInfo
- Publication number
- CN107977968A CN107977968A CN201711405290.8A CN201711405290A CN107977968A CN 107977968 A CN107977968 A CN 107977968A CN 201711405290 A CN201711405290 A CN 201711405290A CN 107977968 A CN107977968 A CN 107977968A
- Authority
- CN
- China
- Prior art keywords
- building
- shade
- shadow
- area
- buildings
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于建筑物阴影信息挖掘的建筑物分层检测方法,利用建筑物阴影的面积、分布规律以及其形态特征,提取建筑物,包含阴影检测;再利用阴影面积分层,提取低矮建筑物对应的小阴影,和中高建筑物对应的其他阴影;利用形态学算法低矮建筑物对应的小阴影处理,获得低矮密集建筑群的区域和独立低矮建筑物;同时,对中高建筑物阴影进行边缘提取,直线提取方法,对中高建筑分层,获取中等建筑阴影和高建筑阴影;对阴影影像的灰度统计特性,把阴影及类阴影的暗地物从影像中分离出来;接着判断阴影和建筑物关系;其次利用阴影和建筑物关系分别获取矮、中、高建筑物的种子点;最后通过区域增长的方式从遥感影像上提取建筑物。
Description
技术领域
本发明涉及遥感影像处理技术领域,具体地指一种基于建筑物阴影信息挖掘的建筑物分层检测方法。
背景技术
城市是人类文明发展的产物。城市中建筑物是人类居住和活动的主要场,与人类的生活息息相关。因此,建筑物识别在城市监测、城市规划、地图更新和人口估测中显得愈发重要。近十几年来,遥感数据的获取能力在时空分辨率上有了极大地提高。高分辨率影像为我们研究城市地区细节,尤其是建筑物提供了的基础,但同时,也给我们带来了诸如光谱信息有限、高异质性和阴影等诸多的问题。因此,研究利用高分辨影像提取建筑物十分必要。
现有的建筑物检测算法根据建筑物具有的高度属性和二维成像特性主要分为二维建筑物检测和三维建筑物检测。其中,二维检测方法主要通过建筑物的形状、纹理、灰度和伴随阴影等特征提取建筑物。Sohn and Dowman根据建筑物的形状特征提出了建筑单元形状(BUS,building unit shape)从密集的城市场景中提取建筑物轮廓,但此方法过于依赖对目标建筑物的结构重建处理。Jin和Davis利用建筑物的结构、上下文和光谱信息提取建筑物,即首先利用结构特征建立不同形状档案来检测可疑建筑物,然后总利用建筑物阴影(上下文信息)确认建筑物位置和建筑物大小,并作为种子点进行增长,再根据光谱信息提取建筑物,最后将所有的结果进行合并从而提取建筑物。Huang和Zhang利用建筑物的亮度和形状特征,提出MBI(建筑物形态指数)检测建筑物,但受一些裸地等的影响,影响准确率,又对该算法进行改进,引入阴影特征,提出MSI(阴影形态指数)对结果进行筛选,提高建筑物提取的准确率。最近Chaudhuri利用建筑物形状特征和内部灰度方差进行高分辨率建筑物检测。而三维建筑物检测则主要通过高度信息提取建筑物,其他特征(形状、亮度)作为辅助。由于建筑物的高度属性是其与其他城市设施如道路、广场等区分的主要特征。因此,相较于二维检测方法,三维建筑物检测往往能获得更高的检测精度。三维信息的获取方式主要通过立体相对密集匹配、机载激光扫描技术(Lidar)获取点云,再生成DSM从而获取地物的高度信息,或是根据太阳高度角、传感器姿态角和影像光谱特征反算出高程信息。因此,相较于二维检测算法,三维检测对数据源的要求更高、耗时长、成本高、且数据源相对有限,对检测范围也有一定的局限性。
现有的二维建筑物检测主要存在以下问题:(1)检测结果主要用二值图表示,只关注哪里是建筑物,没有展现建筑物高度特征,不利于城市场景分析。(2)主要关注相对独立的建筑,而城市中,特别是人口密度较高的地区,低矮建筑群如城中村通常被忽略。(3)有些方法在利用阴影辅助检测建筑物时,需要太阳高度角等相关信息。(4)大量的现有的数据中,存在建筑物伴有大面积的现象。
发明内容
本发明的目的是针对上述技术问题,本发明提出了一种基于建筑物阴影信息挖掘的建筑物分层检测方法,基于城市遥感影像建筑物分层检测的技术方案处理方法清晰,可操作性强,不仅可以检测出带有阴影的遥感影像建筑物,同时还能判断建筑物的高度类别,特别是检测低矮密集建筑物区域,为此后的建筑物各种变化(城中村拆迁、在建高楼高度变化)以及城市分布场景分析等提供辅助信息。
为实现上述目的,本发明所设计的基于建筑物阴影信息挖掘的建筑物分层检测方法,其特殊之处在于,包括如下步骤:
步骤1,对待检测原始影像进行阴影检测,得到阴影检测结果图,并利用形态学处理得到阴影检测结果图像;
步骤2,将所述阴影检测结果图像根据面积对阴影检测结果图进行分层,得到低矮密集建筑和树木的阴影结果、中高建筑物阴影结果;
步骤3,将所述低矮建筑密集建筑和树木的阴影结果根据阴影分布和面积筛选,获得密集房屋群区域结果和低矮建筑阴影结果;
步骤4,将所述中高建筑物阴影结果进行分层,获得中等高度的建筑物阴影结果和高建筑阴影结果;
步骤5,根据所述高建筑物阴影和直线方向,利用拓扑关系,确定建筑物和阴影的关系;
步骤6,根据是建筑物和阴影关系将所述低矮建筑阴影结果、中等高度的建筑物阴影结果、高建筑阴影结果,获取带有高度属性的建筑物种子点;
步骤7,根据所述带有高度属性的种子点,利用区域增长的的方法获取建筑物对象;结合所述密集房屋群区域结果,综合获得建筑物检测结果。
优选地,所述步骤1中利用形态学处理得到阴影检测结果图像的方法为:对阴影检测结果图中的每个连通域进行开运算,执行开运算时,结构要素矩阵SE选择圆形或方形,描述结构信息的参数根据影像的分辨率来选取,将面积较小的阴影与面积较大阴影分开目,使得地物的阴影相对独立。
优选地,所述步骤2中将所述阴影检测结果图像根据面积对阴影检测结果图进行分层的方法为:根据所述阴影检测结果图像,统计结果图像中每个连通域的面积,然后根据连通域的面积进行筛选,若面积小于连通域面积阈值S1,则判断该连通域属于低矮或者密集房屋的阴影,若面积大于连通域面积阈值S1,则判断该连通域属于中高建筑物阴影。
优选地,所述步骤3中获取独立低矮建筑物阴影的方法,是通过噪点面积阈值S3滤去小的噪点,面积大于噪点面积阈值S3即为独立低矮建筑物阴影。
优选地,所述步骤3中所述获取低矮密集房屋群区域的方法为:经过形态学处理指膨胀运算和闭运算,使分布密集的区域合并,通过面积筛选,指根据形态学处理的结构信息参数选择间隔面积阈值S2,形态学处理后,面积大于间隔面积阈值S2的连通域即为低矮密集房屋群,再求该连通域的外接矩形,即为低矮密集房屋群的范围,S2根据面积直方图中间隔范围进行选取。
优选地,所述步骤4的具体步骤包括:
步骤4.1,对中高建筑物阴影结果进行边缘提取;
步骤4.2,对边缘检测结果进行检测直线,再统计直线方向;
步骤4.3,根据中高建筑物阴影结果面积和统计的直线方向对中高建筑进行分层,获得中等高度建筑物阴影和高建筑物阴影。
优选地,所述步骤5根据拓扑关系,确定建筑物和阴影的关系的方法为:选取中高建筑物阴影结果中面积最大的前20%的阴影,统计原图上对应的阴影在角度β两侧A1和A2的在任意一波段的灰度值DN1和DN2,比较A1和A的灰度值DN1和DN2,建筑物在灰度值较大的一侧,从而获得阴影方向判定阴影和建筑物的关系。
优选地,所述步骤4.2中利用Ransac方法检测直线,是根据提取的边缘,以连通域为单位,利用Ransac方法,对每个连通域进行直线检测,设置直线长度阈值L1,大于L1的直线予以保留,并计算该直线的角度。
优选地,所述步骤6中获取带有高度属性的建筑物种子点,是指将低、中、高建筑物阴影依次记为A1,在θ角度上进行腐蚀,然后按照阴影方向进行逆向平移后,记为A2,则种子点A满足A=A2-A1∩A2。
优选地,所述步骤4.3)中根据中高建筑物阴影结果面积和统计的直线方向对中高建筑进行分层的方法为:统计所述步骤4.2中的直线角度,将两个峰值分别记为β1和β2,再提取中高建筑物阴影结果中面积最大的前20%的阴影,统计符合角度β1±ɑ和β2±ɑ的个数m1,m2,ɑ为指定误差,比较m1和m2,若m1>m2,则判定β1为阴影角度,角度为β1的直线对应的阴影为高大建筑物,其他为中等建筑物阴影;若m1<m2,则判定β2为阴影角度,则判定角度为β1±ɑ的直线对应的阴影为高大建筑物,其他为中等建筑物阴影,定义阴影角度为β,则另外一个峰值对应的角度记为为θ。
本发明提出的方法利用建筑物阴影的面积、分布规律以及其形态特征,提取建筑物,包含阴影检测;再利用阴影面积分层,提取低矮建筑物对应的小阴影,和中高建筑物对应的其他阴影;然后利用形态学算法低矮建筑物对应的小阴影处理,获得低矮密集建筑群的区域和独立低矮建筑物;同时,对中高建筑物阴影进行边缘提取,直线提取方法,并根据直线方向和阴影面积对中高建筑分层,获取中等建筑阴影和高建筑阴影;对阴影影像的灰度统计特性,把阴影及类阴影的暗地物从影像中分离出来;接着判断阴影和建筑物关系;其次利用阴影和建筑物关系分别获取矮、中、高建筑物的种子点;最后通过区域增长的方式从遥感影像上提取建筑物。而且,本发明能够依据建筑物高度分层提取建筑物,为建筑物检测提供了一种新的思路。
附图说明
图1为本发明的流程图。
图2为本发明实施例中建筑物待检测的原始影像。
图3为本发明实施例对阴影检测结果进行形态学处理的结果。
图4为本发明实施例对图3进行面积分层得到的低矮密集建筑物结果图。
图5为本发明实施例对图3进行面积分层得到的中高建筑物结果图。
图6为本发明实施例对图4剔除噪点获得的独立低矮建筑结果图。
图7为本发明实施例对图4进行形态处理和面积筛选后的低矮密集区结果图。
图8为本发明实施例对图5进行边缘提取和直线检测的结果图。
图9为本发明实施例对图5中方向和面积分层得到的中高建筑物分层结果图。
图10为本发明实施例的获取种子点位置过程示意图。
图11为本发明实施例的建筑物分层检测结果图。
具体实施方式
本发明一种基于建筑物阴影信息挖掘的城市遥感影像建筑物分层检测方法,是利用光谱特性检测阴影,对阴影二值图进行形态学处理获得较为独立的阴影,然后利用面积提取低矮建筑阴影和中高建筑阴影,接着对低矮建筑阴影分别进行形态学处理和噪点滤除,获取低矮建筑群区域和独立的低矮建筑阴影,同时对中高建筑物阴影提取阴影边缘并对边缘进行直线检测,统计直线方向并根据面积确定阴影方向,然后通过拓扑关系、阴影方向和高建筑判断建筑物和阴影的几何位置关系,接着根据几何位置关系、中高低阴影获取建筑物的种子点,最后获得通过区域增长实现建筑物分层检测的过程。本发明技术方案可采用计算机软件技术实现自动运行流程。以下结合附图和实施例详细说明本发明技术方案。
如图1所示,实施例的技术方案的流程包括以下步骤:
步骤1,对待检测原始影像进行阴影检测,得到阴影检测结果图,并利用形态学处理得到较为独立的阴影检测结果图像。
首先通过阴影检测获取影像阴影的二值化结果图。阴影检测方法是通过影像上地物阴影亮度较暗,伴随高程建筑而生,具有一定的方向性等特征,利用影像光谱特和几何特性等检测出阴影。具体阴影检测方法的实现为现有技术,本发明不予赘述,实施例对某待检测原始影像(如图2所示)进行阴影检测。
获得阴影检测二值结果图后,由于存在各类地物阴影相连的情况,不利于对阴影进行判断分析,实施例通过形态学处理方法,使各个地物的阴影相对独立。实施例在步骤1中的形态学处理方法采用形态学开运算,即先腐蚀后膨胀的过程,对阴影检测二值结果图进行处理。形态学处理过程中,根据该影像的分辨率和阴影的成像情况,开运算的结构元形状选区square,形状信息的参数为3,实施例对中进行形态学处理的结果如图3所示,其中白色部分代表阴影。
步骤2,在步骤1所得阴影检测结果图像上根据面积对阴影检测结果图进行分层,分层得到低矮建筑、密集建筑和树木的阴影结果和中高建筑物阴影结果。
实施例利用阴影的面积进行建筑物分层处理。太阳光斜射使有高层的地物产生阴影,对于独立地物,底面一定的情况下,地物的高度越高,阴影的面积越大。对于地物分布较为复杂的地区,建筑物高度相近,建筑物越密集,产生的阴影越细碎密集。本发明根据阴影的面积和分布特性,首先利用阴影面积将阴影分为低矮建筑、密集建筑和树木的阴影结果和中高建筑物阴影。实施例对步骤1所得阴影检测结果,统计结果中每个连通域的面积,然后根据连通域的面积进行筛选,若面积小于连通域面积阈值S1,则判断该连通域属于低矮或者密集房屋的阴影,若面积大于连通域面积阈值S1,则判断该连通域属于中高建筑物阴影。关于连通域面积阈值S1的选取,本实施例的方法为,统计所有连通域的面积,得到面积直方图,选取第一个长间隔左侧有效数值为400。具体实施时,也可根据实际情况,设定一个连通域面积阈值。实施例中面积小于阈值400的连通域判定为低矮或者密集房屋的阴影,如图4所示,面积大于400的连通域判断为中高建筑物阴影,如图5所示。
步骤3,将步骤2所得低矮建筑、密集建筑和树木的阴影根据阴影分布和面积筛选,获得密集房屋群区域结果和较为独立的低矮建筑阴影结果。
明根据步骤2所得的低矮建筑、密集建筑和树木的阴影进一步加以区分,分为较为独立的低矮建筑阴影和密集房屋群区域结果。为获得较为独立的低矮建筑阴影,实施例根据面积进行噪点滤除,获得较为独立的低矮建筑阴影结果,噪点面积阈值S3选为0.2S1,结果如图6所示。为获得低矮密集房屋群区域结果,实施例对步骤2所得结果(图4)进行膨胀运算和闭运算,使分布密集的区域合并,其中结构元形状均选取square,膨胀运算形状信息的参数为7,闭运算形状信息的参数为9。密集的阴影合并后,通过面积筛选,间隔面积阈值S2根据单个连通域分布图,在间隔最大的范围内确定阈值,面积大于间隔面积阈值S2的连通域即为低矮密集房屋群,再求该连通域的外接矩形,即为低矮密集房屋群的大致范围,结果如图7所示。
步骤4,将步骤2所得中高建筑物阴影结果进行分层,获得中等高度的建筑物阴影和高建筑阴影。
实施例对步骤2中的中高建筑物阴影结果图(图7)利用Canny算子获取中高建筑物阴影的边缘;再根据提取的边缘,以连通域为单位,利用Ransac方法对每个连通域进行直线检测,设置直线长度阈值30,即长度大于30的直线予以保留,结果如图8所示,并计算统计这些直线的角度。本发明根据高建筑物阴影面积较大,且具有一定的倾角特征,对中高建筑进行分层,获得中等高度建筑物阴影和高建筑物阴影。实施例中的角度统计直方图出现两个峰值,分别为-68°和18°,再提取中高建筑物阴影结果中面积最大的前20%的阴影,统计符合角度-68°±5°和18°±5°的直线个数分别为9与2,因此则判定-68°为阴影角度,角度为-68°±5°的直线对应的阴影为高大建筑物,其他为中等建筑物阴影,中高建筑物分层结果如图9所示。
步骤5,根据步骤4所得的高建筑物阴影和直线方向,根据拓扑关系,确定建筑物和阴影的关系。
实施例选取中高建筑物阴影结果中面积最大的前20%的阴影,即处于图7中间位置面积最大的三处阴影,统计原图上对应的阴影在角度两侧的灰度值并比较,灰度值较大的下方一侧即为建筑物,从而确定建筑物方向。
步骤6,根据步骤5所得建筑物和阴影关系,步骤4,步骤5所得的低、中、高建筑物阴影,获取带有高度属性的建筑物种子点。
实施例利用建筑物和阴影间拓扑关系,获取建筑物种子点,再根据建筑物阴影高度特征,获得带有高度属性的建筑物种子点。具体方式为,
实施例中,分层得到的独立低矮,中高和高建筑物阴影,依次记为A1,在中高建筑角度统计图上两个峰值分别即为β和θ,其中β表示阴影角度,另一个峰值记为θ角度,在θ方向上进行腐蚀运算,其中结构性元se为sterl(’line’,a,θ),实施例取a=5,具体实施时可根据情况调整a值,然后将分层阴影A1按照阴影方向进行逆向平移,平移距离大于b,b的取值需适当大于a*sinθ,A1平移后的阴影记为A2,种子点位置A为A2独立于A1的部分,即A=A2-A1∩A2;然后根据对应的A1中阴影的高度属性,获得种子点A的位置从原图中获取带有高度属性的建筑物种子点。获取种子点的过程示意图如图10所示。
步骤7,根据步骤6所得的带有高度属性的种子点,对低、中、高建筑物种子点利用区域增长的方法获取建筑物对象并结合低矮密集房屋群区域,获得建筑物检测结果。
本发明通过区域增长的方法和种子点检测出建筑物。区域增长的方法是通过某个像素出发,按照一定的原则,逐步加入临近像素,当满足一定条件时,区域增长终止。具体区域增长的实现为现有技术,本发明不予赘述。再结合低矮密集房屋群区域,获得建筑物检测的最终结果,如图11所示,低矮密集建筑群用蓝色方框表示,独立低矮建筑用蓝色表示,中高建筑用黄色表示,高建筑物用红色表示。低矮密集房屋群区域由于房屋密集,高差相近,互相遮挡,可能导致建筑物漏检,故判定出大体区域。在具体实施时,在低矮密集房屋群区域,也可以以该区域内种子点的光谱信息为样本,利用影像分类获得该区域内的建筑物,可以提高低矮密集房屋的检测率。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种基于建筑物阴影信息挖掘的建筑物分层检测方法,其特征在于:包括如下步骤:
步骤1,对待检测原始影像进行阴影检测,得到阴影检测结果图,并利用形态学处理得到阴影检测结果图像;
步骤2,将所述阴影检测结果图像根据面积对阴影检测结果图进行分层,得到低矮密集建筑和树木的阴影结果、中高建筑物阴影结果;
步骤3,将所述低矮建筑密集建筑和树木的阴影结果根据阴影分布和面积筛选,获得密集房屋群区域结果和低矮建筑阴影结果;
步骤4,将所述中高建筑物阴影结果进行分层,获得中等高度的建筑物阴影结果和高建筑阴影结果;
步骤5,根据所述高建筑物阴影和直线方向,利用拓扑关系,确定建筑物和阴影的关系;
步骤6,根据是建筑物和阴影关系将所述低矮建筑阴影结果、中等高度的建筑物阴影结果、高建筑阴影结果,获取带有高度属性的建筑物种子点;
步骤7,根据所述带有高度属性的种子点,利用区域增长的的方法获取建筑物对象;结合所述密集房屋群区域结果,综合获得建筑物检测结果。
2.根据权利要求1所述的基于建筑物阴影信息挖掘的建筑物分层检测方法,其特征在于:所述步骤1中利用形态学处理得到阴影检测结果图像的方法为:对阴影检测结果图中的每个连通域进行开运算,执行开运算时,结构要素矩阵SE选择圆形或方形,描述结构信息的参数根据影像的分辨率来选取,将面积较小的阴影与面积较大阴影分开目,使得地物的阴影相对独立。
3.根据权利要求1所述的基于建筑物阴影信息挖掘的建筑物分层检测方法,其特征在于:所述步骤2中将所述阴影检测结果图像根据面积对阴影检测结果图进行分层的方法为:根据所述阴影检测结果图像,统计结果图像中每个连通域的面积,然后根据连通域的面积进行筛选,若面积小于连通域面积阈值S1,则判断该连通域属于低矮或者密集房屋的阴影,若面积大于连通域面积阈值S1,则判断该连通域属于中高建筑物阴影。
4.根据权利要求1所述的基于建筑物阴影信息挖掘的建筑物分层检测方法,其特征在于:所述步骤3中获取独立低矮建筑物阴影的方法,是通过噪点面积阈值S3滤去小的噪点,面积大于噪点面积阈值S3即为独立低矮建筑物阴影。
5.根据权利要求1所述的基于建筑物阴影信息挖掘的建筑物分层检测方法,其特征在于:所述步骤3中所述获取低矮密集房屋群区域的方法为:经过形态学处理指膨胀运算和闭运算,使分布密集的区域合并,通过面积筛选,指根据形态学处理的结构信息参数选择直方图面积阈值S2,形态学处理后,面积大于直方图面积阈值S2的连通域即为低矮密集房屋群,再求该连通域的外接矩形,即为低矮密集房屋群的范围,S2根据面积直方图中间隔范围进行选取。
6.根据权利要求1所述的基于建筑物阴影信息挖掘的建筑物分层检测方法,其特征在于:所述步骤4的具体步骤包括:
步骤4.1,对中高建筑物阴影结果进行边缘提取;
步骤4.2,对边缘检测结果进行检测直线,再统计直线方向;
步骤4.3,根据中高建筑物阴影结果面积和统计的直线方向对中高建筑进行分层,获得中等高度建筑物阴影和高建筑物阴影。
7.根据权利要求1所述的基于建筑物阴影信息挖掘的建筑物分层检测方法,其特征在于:所述步骤5根据拓扑关系,确定建筑物和阴影的关系的方法为:选取中高建筑物阴影结果中面积最大的前20%的阴影,统计原图上对应的阴影在角度β两侧A1和A2的在任意一波段的灰度值DN1和DN2,比较A1和A的灰度值DN1和DN2,建筑物在灰度值较大的一侧,从而获得阴影方向判定阴影和建筑物的关系。
8.根据权利要求6所述的基于建筑物阴影信息挖掘的建筑物分层检测方法,其特征在于:所述步骤4.2中利用Ransac方法检测直线,是根据提取的边缘,以连通域为单位,利用Ransac方法,对每个连通域进行直线检测,设置直线长度阈值L1,大于L1的直线予以保留,并计算该直线的角度。
9.根据权利要求7所述的基于建筑物阴影信息挖掘的建筑物分层检测方法,其特征在于:所述步骤6中获取带有高度属性的建筑物种子点,是指将低、中、高建筑物阴影依次记为A1,在θ角度上进行腐蚀,然后按照阴影方向进行逆向平移后,记为A2,则种子点A满足A=A2-A1∩A2。
10.根据权利要求8所述的基于建筑物阴影信息挖掘的建筑物分层检测方法,其特征在于:统计所述步骤4.2中的直线角度,将两个峰值分别记为β1和β2,再提取中高建筑物阴影结果中面积最大的前20%的阴影,统计符合角度β1±ɑ和β2±ɑ的个数m1,m2,ɑ为指定误差,比较m1和m2,若m1>m2,则判定β1为阴影角度,角度为β1的直线对应的阴影为高大建筑物,其他为中等建筑物阴影;若m1<m2,则判定β2为阴影角度,则判定角度为β1±ɑ的直线对应的阴影为高大建筑物,其他为中等建筑物阴影,定义阴影角度为β,则另外一个峰值对应的角度记为为θ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711405290.8A CN107977968B (zh) | 2017-12-22 | 2017-12-22 | 基于建筑物阴影信息挖掘的建筑物分层检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711405290.8A CN107977968B (zh) | 2017-12-22 | 2017-12-22 | 基于建筑物阴影信息挖掘的建筑物分层检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107977968A true CN107977968A (zh) | 2018-05-01 |
CN107977968B CN107977968B (zh) | 2021-03-19 |
Family
ID=62007220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711405290.8A Active CN107977968B (zh) | 2017-12-22 | 2017-12-22 | 基于建筑物阴影信息挖掘的建筑物分层检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107977968B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108717569A (zh) * | 2018-05-16 | 2018-10-30 | 中国人民解放军陆军工程大学 | 一种膨胀全卷积神经网络及其构建方法 |
CN109636840A (zh) * | 2018-12-19 | 2019-04-16 | 桂林理工大学 | 一种基于鬼影像检测建筑物阴影的方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230215165A1 (en) * | 2022-01-05 | 2023-07-06 | Here Global B.V. | Method, apparatus, and computer program product for identifying fluid leaks based on aerial imagery |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101599120A (zh) * | 2009-07-07 | 2009-12-09 | 华中科技大学 | 一种遥感影像建筑物识别方法 |
CN101978395A (zh) * | 2008-04-23 | 2011-02-16 | 株式会社博思科 | 建筑物屋顶轮廓识别装置、建筑物屋顶轮廓识别方法及建筑物屋顶轮廓识别程序 |
CN102194120A (zh) * | 2011-01-24 | 2011-09-21 | 武汉理工大学 | 用遥感影像、相对高程和地理本体提取教学用地的方法 |
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 |
CN104848867A (zh) * | 2015-05-13 | 2015-08-19 | 北京工业大学 | 基于视觉筛选的无人驾驶汽车组合导航方法 |
CN105139379A (zh) * | 2015-07-30 | 2015-12-09 | 滁州学院 | 基于分类分层的机载Lidar点云建筑物顶面渐进提取方法 |
WO2016058695A1 (de) * | 2014-10-14 | 2016-04-21 | Signum Bildtechnik GmbH | Vorrichtung und verfahren zur reduzierung der blendwirkung in einem raum eines gebäudes |
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 |
CN105590316A (zh) * | 2015-12-11 | 2016-05-18 | 中国测绘科学研究院 | 面向对象的高分辨率遥感影像阴影提取方法 |
US20160188953A1 (en) * | 2013-07-15 | 2016-06-30 | Digitalglobe, Inc. | Automated remote car counting |
CN106056659A (zh) * | 2016-05-27 | 2016-10-26 | 山东科技大学 | 车载激光扫描点云中建筑物角点空间位置自动提取方法 |
CN106650812A (zh) * | 2016-12-27 | 2017-05-10 | 辽宁工程技术大学 | 一种卫星遥感影像的城市水体提取方法 |
CN106650663A (zh) * | 2016-12-21 | 2017-05-10 | 中南大学 | 建筑物真伪变化的判定方法及含此方法的伪变化去除方法 |
CN107292328A (zh) * | 2016-03-31 | 2017-10-24 | 武汉大学 | 多尺度多特征融合的遥感影像阴影检测提取方法及系统 |
-
2017
- 2017-12-22 CN CN201711405290.8A patent/CN107977968B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101978395A (zh) * | 2008-04-23 | 2011-02-16 | 株式会社博思科 | 建筑物屋顶轮廓识别装置、建筑物屋顶轮廓识别方法及建筑物屋顶轮廓识别程序 |
CN101599120A (zh) * | 2009-07-07 | 2009-12-09 | 华中科技大学 | 一种遥感影像建筑物识别方法 |
CN102194120A (zh) * | 2011-01-24 | 2011-09-21 | 武汉理工大学 | 用遥感影像、相对高程和地理本体提取教学用地的方法 |
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 |
US20160188953A1 (en) * | 2013-07-15 | 2016-06-30 | Digitalglobe, Inc. | Automated remote car counting |
WO2016058695A1 (de) * | 2014-10-14 | 2016-04-21 | Signum Bildtechnik GmbH | Vorrichtung und verfahren zur reduzierung der blendwirkung in einem raum eines gebäudes |
CN104848867A (zh) * | 2015-05-13 | 2015-08-19 | 北京工业大学 | 基于视觉筛选的无人驾驶汽车组合导航方法 |
CN105139379A (zh) * | 2015-07-30 | 2015-12-09 | 滁州学院 | 基于分类分层的机载Lidar点云建筑物顶面渐进提取方法 |
CN105590316A (zh) * | 2015-12-11 | 2016-05-18 | 中国测绘科学研究院 | 面向对象的高分辨率遥感影像阴影提取方法 |
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 |
CN107292328A (zh) * | 2016-03-31 | 2017-10-24 | 武汉大学 | 多尺度多特征融合的遥感影像阴影检测提取方法及系统 |
CN106056659A (zh) * | 2016-05-27 | 2016-10-26 | 山东科技大学 | 车载激光扫描点云中建筑物角点空间位置自动提取方法 |
CN106650663A (zh) * | 2016-12-21 | 2017-05-10 | 中南大学 | 建筑物真伪变化的判定方法及含此方法的伪变化去除方法 |
CN106650812A (zh) * | 2016-12-27 | 2017-05-10 | 辽宁工程技术大学 | 一种卫星遥感影像的城市水体提取方法 |
Non-Patent Citations (2)
Title |
---|
TAEYOON LEE ET.AL.: "AUTOMATIC BUILDING INFORMATION EXTRACTION BY MODIFIED VOLUMETRIC", 《2013 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM - IGARSS》 * |
陶超: "高分辨率遥感影像中的城区与建筑物检测方法研究", 《中国优秀博士学位论文全文数据库信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108717569A (zh) * | 2018-05-16 | 2018-10-30 | 中国人民解放军陆军工程大学 | 一种膨胀全卷积神经网络及其构建方法 |
CN108717569B (zh) * | 2018-05-16 | 2022-03-22 | 中国人民解放军陆军工程大学 | 一种膨胀全卷积神经网络装置及其构建方法 |
CN109636840A (zh) * | 2018-12-19 | 2019-04-16 | 桂林理工大学 | 一种基于鬼影像检测建筑物阴影的方法 |
CN109636840B (zh) * | 2018-12-19 | 2021-05-25 | 桂林理工大学 | 一种基于鬼影像检测建筑物阴影的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107977968B (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | A multidirectional and multiscale morphological index for automatic building extraction from multispectral GeoEye-1 imagery | |
CN104483326B (zh) | 基于深度信念网络的高压线绝缘子缺陷检测方法及系统 | |
CN107330875B (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
CN102855487B (zh) | 高分辨率遥感图像新增建设用地变化图斑自动提取的方法 | |
CN111696123A (zh) | 超像素分类识别的遥感图像水域分割提取方法 | |
CN103971115B (zh) | 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法 | |
CN105335966B (zh) | 基于局域同质性指标的多尺度遥感影像分割方法 | |
CN109447065A (zh) | 一种乳腺影像识别的方法及装置 | |
CN103578110B (zh) | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 | |
CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
CN104751478A (zh) | 一种基于多特征融合的面向对象的建筑物变化检测方法 | |
Huang et al. | A top-down strategy for buildings extraction from complex urban scenes using airborne LiDAR point clouds | |
CN107977968A (zh) | 基于建筑物阴影信息挖掘的建筑物分层检测方法 | |
CN109360184A (zh) | 结合阴影补偿与决策融合的遥感影像变化检测方法 | |
CN109886170A (zh) | 一种钉螺智能检测识别与统计系统 | |
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 | |
CN109598202A (zh) | 一种基于对象的卫星图像多指标建成区自动提取方法 | |
CN114627104A (zh) | 一种机场净空保护区建筑变化的遥感影像检测方法 | |
CN110047079A (zh) | 一种基于对象相似性的最优分割尺度选择方法 | |
CN104573662B (zh) | 一种云判方法和系统 | |
Duan et al. | An index-based shadow extraction approach on high-resolution images | |
Jiang et al. | Semi-automatic building extraction from high resolution imagery based on segmentation | |
CN111539356A (zh) | 一种基于线阵图像的路面缝隙精准高效检测方法 | |
CN105894501B (zh) | 一种高分辨率遥感图像单木探测和树冠描绘方法 | |
CN111882573A (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 |
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 |