CN108596088B - 一种用于全色遥感影像的建筑物检测方法 - Google Patents
一种用于全色遥感影像的建筑物检测方法 Download PDFInfo
- Publication number
- CN108596088B CN108596088B CN201810368178.XA CN201810368178A CN108596088B CN 108596088 B CN108596088 B CN 108596088B CN 201810368178 A CN201810368178 A CN 201810368178A CN 108596088 B CN108596088 B CN 108596088B
- Authority
- CN
- China
- Prior art keywords
- edge
- image
- building
- remote sensing
- theta
- 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.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000003708 edge detection Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 230000010339 dilation Effects 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge 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
- G06T7/187—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
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (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
本发明涉及一种用于全色遥感影像的建筑物检测方法。包括如下步骤:步骤1,输入全色遥感影像;步骤2,预处理;步骤3,构建阴影掩膜;步骤4,过分割;步骤5,边缘检测;步骤6,检测建筑物片段;步骤7,构建对象无向图;步骤8,区域合并;步骤9,输出结果。能够准确提取全色遥感影像中的建筑物,可以应用于城区地理基础信息数据库中建筑物的更新。
Description
技术领域
本发明涉及一种遥感影像处理领域,具体说是一种用于全色遥感影像的建筑物检测方法。
背景技术
建筑物是城市主要地理要素之一,是各种城市专题图的重要内容,研究建筑物的提取对综合考察城市地理信息环境具有重要意义。随着高分辨率遥感影像获取技术的快速发展,遥感影像的处理、分析和应用有了更好的数据源,其数字产品则有了更广泛、更深入的应用。计算机图像处理技术、模式识别、人工智能等方面的都取得不同程度的进展,为高效地提取海量影像中的有效信息提供了可能。但建筑物信息的提取要比其他信息如道路、水体的获取难得多,主要原因如下:
(1)数据源主要是二维的遥感影像,大多数情况下缺少直接的三维数据;
(2)不同的遥感影像常因为光谱范围、分辨率、传感器的几何图像以及成像条件等因素的不同而有较大的差异;
(3)不同种类的建筑物其所表现出来的外观和纹理细节等千变万化,表现在遥感图像上差异很大,统一的建筑物模型库难以建立,这使得信息的自动提取变得相当困难;
(4)建筑物所处场景的复杂性,如对比度较低时、房屋相互遮挡、建筑物自身的阴影以及处在其它地物的阴影等,所以想自动地从背景中提取出边界清晰的建筑物较为困难。
发明内容
本发明提供了一种用于全色遥感影像的建筑物检测方法,以全色遥感影像作为唯一的数据源,无需其他辅助数据,利用阴影、边缘等特征,基于特征向量之间的欧氏距离,可以提取建筑物目标,无需人工干预,自动化程度高。
为实现本发明的目标所采用的技术方案是:方法包括以下步骤:
步骤1:对输入的全色遥感影像进行预处理,得到影像Iin;
步骤2:提取影像Iin中的阴影,构建阴影掩膜SH,具体方法为:①用公式
计算影像Iin的P函数曲线P(k),式(1),L为影像Iin的灰度等级,对于n位深度的影像Iin,L=2n-1,k∈[0,L],r(g)为灰度值等于g的像素的数量占影像Iin中像素总数量的比例,α为P函数曲线P(k)的平滑因子,②构造一阶差分Dif(k)=P(k+1)-P(k),搜索Dif(k)的取值,将其中第一个由负变正所对应的k值作为影像Iin的阴影分割阈值T,将影像Iin中灰度值小于阈值T的像素点判定为阴影;
步骤3:对影像Iin进行过分割,提取过分割对象集合OSEG;
步骤4:对步骤2中的阴影掩膜SH进行边缘检测,提取建筑物及阴影共同边缘集合SH_BD,具体方法为:①用边缘检测算法提取阴影掩膜SH的边缘SH_edge,②将太阳入射角划分北θN,东北θEN,东θE,东南θES,南θS,西南θWS,西θW和西北θWN,共8个方向,对太阳入射角的反方向θ进行量化,使得θ∈{θN,θEN,θE,θES,θS,θWS,θW,θWN},③遍历边缘SH_edge中的所有像素点x,提取像素点x的8邻域像素点,记为Pix_n8,如果Pix_n8中存在沿θ方向的像素点yθ且像素点yθ包含于步骤2中的阴影掩膜SH,则将像素点x从边缘SH_edge中删除;
步骤5:利用步骤3的过分割对象集合OSEG和步骤4的边缘集合SH_BD检测建筑物片段集合B_seg,具体方法为:①对边缘集合SH_BD进行形态学膨胀处理,得到膨胀后的边缘集合SH_BD_dilate;②遍历过分割对象集合OSEG的对象Oi,如果对象Oi与边缘集合SH_BD_dilate有交集,则将对象Oi添加到建筑物片段集合B_seg中;
步骤6:以顶点集V={O1,O2,O3,…,ON}和边集E={e1,e2,e3,…,eM}构建对象无向图OAG,其中O1,O2,O3和ON为过分割对象集合OSEG中的对象,N为对象数量,e1,e2,e3和eM为顶点集V中顶点之间的边,M为边的数量,分别对e1,e2,e3,…,eM赋予权值We1,We2,We3,…,WeM,权值Weab采用其对应边所连接的顶点Oa和顶点Ob之间的相似度S进行赋值,相似度S等于顶点Oa的特征向量[Ha,Ca]和顶点Ob的特征向量[Hb,Cb]之间的欧氏距离,其中,Ha和Hb为光谱均一性,Ca和Cb为质心坐标;
步骤7:基于步骤6的对象无向图OAG对步骤5中的建筑物片段B_seg进行区域合并,具体方法为:搜索对象无向图OAG中的具有最小权值Wmin的边emin,当最小权值Wmin小于阈值WT时,合并边emin所连接的两个顶点,更新过分割对象集合OSEG,返回步骤6,否则终止步骤7,进入步骤8;
步骤8:输出建筑物检测结果;
所述的步骤1中的预处理包括几何校正、辐射校正和对比度增强;
所述的步骤3中的过分割方法采用基于SLIC或Turbo pixels的超像素分割方法;
所述的步骤5中的形态学膨胀处理采用5×5的正方形结构元素;
本发明的有益效果是:能够准确提取全色遥感影像中的建筑物,可以应用于城区地理基础信息数据库中建筑物的更新。
附图说明
图1是本发明的总体处理流程图。
具体实施方式
下面结合附图详细描述本发明的具体实施方式。
在步骤101,输入全色遥感影像。
在步骤102,对步骤101的全色遥感影像进行预处理,包括几何校正、辐射校正和对比度增强,得到影像Iin。
在步骤103,提取影像Iin中的阴影,构建阴影掩膜SH,具体方法为:①用公式
计算影像Iin的P函数曲线P(k),式(2),L为影像Iin的灰度等级,对于n位深度的影像Iin,L=2n-1,k∈[0,L],r(g)为灰度值等于g的像素的数量占影像Iin中像素总数量的比例,α为P函数曲线P(k)的平滑因子,②构造一阶差分Dif(k)=P(k+1)-P(k),搜索Dif(k)的取值,将其中第一个由负变正所对应的k值作为影像Iin的阴影分割阈值T,将影像Iin中灰度值小于阈值T的像素点判定为阴影。
在步骤104,采用SLIC超像素分割方法对影像Iin进行过分割,提取过分割对象集合OSEG。
在步骤105,对步骤103中的阴影掩膜SH进行边缘检测,提取建筑物及阴影共同边缘集合SH_BD,具体方法为:①用边缘检测算法提取阴影掩膜SH的边缘SH_edge,②将太阳入射角划分北θN,东北θEN,东θE,东南θES,南θS,西南θWS,西θW和西北θWN,共8个方向,对太阳入射角的反方向θ进行量化,使得θ∈{θN,θEN,θE,θES,θS,θWS,θW,θWN},③遍历边缘SH_edge中的所有像素点x,提取像素点x的8邻域像素点,记为Pix_n8,如果Pix_n8中存在沿θ方向的像素点yθ且像素点yθ包含于步骤103中的阴影掩膜SH,则将像素点x从边缘SH_edge中删除。
在步骤106,利用步骤104的过分割对象集合OSEG和步骤105的边缘集合SH_BD检测建筑物片段集合B_seg,具体方法为:①采用5×5的正方形结构元素对边缘集合SH_BD进行形态学膨胀处理,得到膨胀后的边缘集合SH_BD_dilate;②遍历过分割对象集合OSEG的对象Oi,如果对象Oi与边缘集合SH_BD_dilate有交集,则将对象Oi添加到建筑物片段集合B_seg中。
在步骤107,以顶点集V={O1,O2,O3,…,ON}和边集E={e1,e2,e3,…,eM}构建对象无向图OAG,其中O1,O2,O3和ON为过分割对象集合OSEG中的对象,N为对象数量,e1,e2,e3和eM为顶点集V中顶点之间的边,M为边的数量,分别对e1,e2,e3,…,eM赋予权值We1,We2,We3,…,WeM,权值Weab采用其对应边所连接的顶点Oa和顶点Ob之间的相似度S进行赋值,相似度S等于顶点Oa的特征向量[Ha,Ca]和顶点Ob的特征向量[Hb,Cb]之间的欧氏距离,其中,Ha和Hb为光谱均一性,Ca和Cb为质心坐标。
在步骤108,基于步骤107的对象无向图OAG对步骤106中的建筑物片段B_seg进行区域合并,具体方法为:搜索对象无向图OAG中的具有最小权值Wmin的边emin,当最小权值Wmin小于阈值WT时,合并边emin所连接的两个顶点,更新过分割对象集合OSEG,返回步骤107,否则终止步骤108,进入步骤109。
在步骤109,输出建筑物检测结果。
Claims (4)
1.一种用于全色遥感影像的建筑物检测方法,其特征在于包括以下步骤:
步骤1:对输入的全色遥感影像进行预处理,得到影像Iin;
步骤2:提取影像Iin中的阴影,构建阴影掩膜SH,具体方法为:①用公式
计算影像Iin的P函数曲线P(k),式(1),L为影像Iin的灰度等级,对于n位深度的影像Iin,L=2n-1,k∈[0,L],r(g)为灰度值等于g的像素的数量占影像Iin中像素总数量的比例,α为P函数曲线P(k)的平滑因子,②构造一阶差分Dif(k)=P(k+1)-P(k),搜索Dif(k)的取值,将其中第一个由负变正所对应的k值作为影像Iin的阴影分割阈值T,将影像Iin中灰度值小于阈值T的像素点判定为阴影;
步骤3:对影像Iin进行过分割,提取过分割对象集合OSEG;
步骤4:对步骤2中的阴影掩膜SH进行边缘检测,提取建筑物及阴影共同边缘集合SH_BD,具体方法为:
①用边缘检测算法提取阴影掩膜SH的边缘SH_edge;
②将太阳入射角划分北θN,东北θEN,东θE,东南θES,南θS,西南θWS,西θW和西北θWN,共8个方向,对太阳入射角的反方向θ进行量化,使得θ∈{θN,θEN,θE,θES,θS,θWS,θW,θWN};
③遍历边缘SH_edge中的所有像素点x,提取像素点x的8邻域像素点,记为Pix_n8,如果Pix_n8中存在沿θ方向的像素点yθ且像素点yθ包含于步骤2中的阴影掩膜SH,则将像素点x从边缘SH_edge中删除;
步骤5:利用步骤3的过分割对象集合OSEG和步骤4的边缘集合SH_BD检测建筑物片段集合B_seg,具体方法为:
①对边缘集合SH_BD进行形态学膨胀处理,得到膨胀后的边缘集合SH_BD_dilate;
②遍历过分割对象集合OSEG的对象Oi,如果对象Oi与边缘集合SH_BD_dilate有交集,则将对象Oi添加到建筑物片段集合B_seg中;
步骤6:以顶点集V={O1,O2,O3,…,ON}和边集E={e1,e2,e3,…,eM}构建对象无向图OAG,其中O1,O2,O3和ON为过分割对象集合OSEG中的对象,N为对象数量,e1,e2,e3和eM为顶点集V中顶点之间的边,M为边的数量,分别对e1,e2,e3,…,eM赋予权值We1,We2,We3,…,WeM,权值Weab采用其对应边所连接的顶点Oa和顶点Ob之间的相似度S进行赋值,相似度S等于顶点Oa的特征向量[Ha,Ca]和顶点Ob的特征向量[Hb,Cb]之间的欧氏距离,其中,Ha和Hb为光谱均一性,Ca和Cb为质心坐标;
步骤7:基于步骤6的对象无向图OAG对步骤5中的建筑物片段B_seg进行区域合并,具体方法为:搜索对象无向图OAG中的具有最小权值Wmin的边emin,当最小权值Wmin小于阈值WT时,合并边emin所连接的两个顶点,更新过分割对象集合OSEG,返回步骤6,否则终止步骤7,进入步骤8;
步骤8:输出建筑物检测结果。
2.根据权利要求1所述的一种用于全色遥感影像的建筑物检测方法,其特征在于步骤1中所述的预处理包括几何校正、辐射校正和对比度增强。
3.根据权利要求1所述的一种用于全色遥感影像的建筑物检测方法,其特征在于步骤3中所述的过分割方法采用基于SLIC或Turbo pixels的超像素分割方法。
4.根据权利要求1所述的一种用于全色遥感影像的建筑物检测方法,其特征在于步骤5中所述的形态学膨胀处理采用5×5的正方形结构元素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810368178.XA CN108596088B (zh) | 2018-04-23 | 2018-04-23 | 一种用于全色遥感影像的建筑物检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810368178.XA CN108596088B (zh) | 2018-04-23 | 2018-04-23 | 一种用于全色遥感影像的建筑物检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108596088A CN108596088A (zh) | 2018-09-28 |
CN108596088B true CN108596088B (zh) | 2021-04-20 |
Family
ID=63614047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810368178.XA Expired - Fee Related CN108596088B (zh) | 2018-04-23 | 2018-04-23 | 一种用于全色遥感影像的建筑物检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596088B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113920068B (zh) * | 2021-09-23 | 2022-12-30 | 北京医准智能科技有限公司 | 一种基于人工智能的身体部位检测方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971377A (zh) * | 2014-05-27 | 2014-08-06 | 中国科学院遥感与数字地球研究所 | 基于先验形状水平集分割的建筑物提取方法 |
CN104778714A (zh) * | 2015-05-04 | 2015-07-15 | 福建师范大学 | 一种基于阴影和分割的高空间分辨率遥感影像建筑物检测方法 |
CN105761250A (zh) * | 2016-02-01 | 2016-07-13 | 福建师范大学 | 一种基于模糊场景分割的建筑物提取方法 |
-
2018
- 2018-04-23 CN CN201810368178.XA patent/CN108596088B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971377A (zh) * | 2014-05-27 | 2014-08-06 | 中国科学院遥感与数字地球研究所 | 基于先验形状水平集分割的建筑物提取方法 |
CN104778714A (zh) * | 2015-05-04 | 2015-07-15 | 福建师范大学 | 一种基于阴影和分割的高空间分辨率遥感影像建筑物检测方法 |
CN105761250A (zh) * | 2016-02-01 | 2016-07-13 | 福建师范大学 | 一种基于模糊场景分割的建筑物提取方法 |
Non-Patent Citations (3)
Title |
---|
Building extraction from panchromatic high-resolution;Wenzao Shi;《Earth science informatics 》;20160419;全文 * |
基于图割与阴影邻接关系的高分辨率遥感;施文灶等;《电子学报》;20161231;全文 * |
基于改进SLIC与区域邻接图的高分辨率遥感影像建筑;蔡淑宽等;《计算机系统应用》;20171231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108596088A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507982B (zh) | 一种基于深度学习的点云语义分割方法 | |
CN106780576B (zh) | 一种面向rgbd数据流的相机位姿估计方法 | |
CN107093205B (zh) | 一种基于无人机图像的三维空间建筑物窗户检测重建方法 | |
CN110334762B (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
WO2023039959A1 (zh) | 一种基于金字塔机制的遥感影像海洋与非海区域分割方法 | |
WO2016106950A1 (zh) | 一种基于太阳照射阴影补偿的带状地下结构探测方法 | |
CN111652892A (zh) | 一种基于深度学习的遥感影像建筑物矢量提取及优化方法 | |
CN103871039B (zh) | 一种sar图像变化检测差异图生成方法 | |
CN110097047B (zh) | 一种基于深度学习采用单线激光雷达的车辆检测方法 | |
Hui et al. | Research of image matching algorithm based on SURF features | |
CN112652020B (zh) | 一种基于AdaLAM算法的视觉SLAM方法 | |
CN115272306B (zh) | 利用梯度运算的太阳能电池板栅线增强方法 | |
CN109635715B (zh) | 一种遥感图像建筑物提取方法 | |
CN108596088B (zh) | 一种用于全色遥感影像的建筑物检测方法 | |
CN110246165A (zh) | 提高可见光图像与sar图像配准速度的方法及系统 | |
CN108491826B (zh) | 一种遥感影像建筑物的自动提取方法 | |
Ni et al. | Applications of 3d-edge detection for als point cloud | |
CN112861669A (zh) | 地表坡向约束的高分辨率dem地形特征增强提取方法 | |
CN116563582A (zh) | 基于国产CPU和opencv的图像模板匹配方法及装置 | |
Lee et al. | Determination of building model key points using multidirectional shaded relief images generated from airborne LiDAR data | |
Haque et al. | Robust feature-preserving denoising of 3D point clouds | |
CN111915632B (zh) | 一种基于机器学习的贫纹理目标物体真值数据库构建方法 | |
Li et al. | An improved mean shift segmentation method of high-resolution remote sensing image based on LBP and canny features | |
CN108596950B (zh) | 一种基于主动漂移矫正的刚体目标跟踪方法 | |
CN113129351A (zh) | 一种基于光场傅里叶视差分层的特征检测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210420 |