CN109472785B - 基于多结构元素震害受损建筑物快速识别方法 - Google Patents
基于多结构元素震害受损建筑物快速识别方法 Download PDFInfo
- Publication number
- CN109472785B CN109472785B CN201811294494.3A CN201811294494A CN109472785B CN 109472785 B CN109472785 B CN 109472785B CN 201811294494 A CN201811294494 A CN 201811294494A CN 109472785 B CN109472785 B CN 109472785B
- Authority
- CN
- China
- Prior art keywords
- building
- structural elements
- reconstruction
- disc
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000000877 morphologic effect Effects 0.000 claims abstract description 72
- 238000000605 extraction Methods 0.000 claims abstract description 47
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012935 Averaging Methods 0.000 claims abstract description 7
- 238000012805 post-processing Methods 0.000 claims abstract description 7
- 238000010276 construction Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 18
- 150000001875 compounds Chemical class 0.000 claims description 12
- 230000007797 corrosion Effects 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 6
- 230000003628 erosive effect Effects 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000005251 gamma ray Effects 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 9
- 239000000284 extract Substances 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 101150064138 MAP1 gene Proteins 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
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
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明提出基于多结构元素震害受损建筑物快速识别方法，包括以下步骤：多结构元素的顶帽重建、多方向顶帽重建、构建差分形态学剖面、对差分形态学剖面取均值以构建建筑物形态学特征、对影像进行后处理和震后受损建筑物信息提取；本发明方法仅通过需要震后单时相影像即可对震害受损建筑物进行提取，单时相震害影像在短时间内对震害影像中的受损建筑物进行高精度的识别，通过差分形态学剖面的操作过程中正确的结构元素选择提高了目标识别的效果和质量，不仅可以提高提取精度高，同时操作也很简单，而且处理速度快，不会受操作者主观性的影响，解决了面向对象方法中所存在的问题。
Description
技术领域
本发明涉及建筑工程领域，尤其涉及基于多结构元素震害受损建筑物快速识别方法。
背景技术
建筑物作为地震中的主要承灾体，其受损往往十分严重，同时，作为人们活动的主要场所，其受损情况与人员伤亡也有着紧密的联系，因此，快速准确地对震后影像中的受损建筑物进行识别显得尤为重要，可为震后救援和应急响应提供重要参考依据。
结构元素(Structure Element)的定义为：设有两幅图像A，B，若A是被处理的对象，而B是用来处理A的，则称B为结构元素，又被形象地称作刷子，数学形态学处理图像的基本思想是利用结构元素作为“探针”在图像中不断地移动。
差分形态学剖面为利用一系列尺寸递增的结构元素对原图像进行形态学开重建，差分形态学剖面定义为相邻重建图像中对应像素值的斜率。
现有的震害影像建筑物提取研究中，主要是通过以下两类方法：一是多时相技术，利用多时相技术提取震害影像中的建筑物受损信息比较方便、快捷，但同时也具有以下几个缺点，例如：同一地区的震前震后影像往往不易获取、多时相技术的检测结果对配准精度较为敏感和同一地区震前震后影像往往时间跨度大，对于建筑物提取造成较大误差。因此，在实际应用中，多时相检测技术受到了很大限制；二是面向对象提取方法，利用面向对象提取方法对震害影像中建筑物信息进行提取时，通常有大量的参数需要设置且极易受到操作者主观性的影响，导致识别精度低且速度慢，无法满足震后救援与快速应急响应的实际需求。因此，本发明提出基于多结构元素震害受损建筑物快速识别方法，以解决现有技术中的不足之处。
发明内容
针对上述问题，本发明方法仅通过需要震后单时相影像即可对震害受损建筑物进行提取，单时相震害影像在短时间内对震害影像中的受损建筑物进行高精度的识别，通过差分形态学剖面的操作过程中正确的结构元素选择提高了目标识别的效果和质量，不仅可以提高提取精度高，同时操作也很简单，而且处理速度快，不会受操作者主观性的影响，解决了面向对象方法中所存在的问题。
本发明提出基于多结构元素震害受损建筑物快速识别方法，包括以下步骤：
步骤一：多结构元素的顶帽重建
采用数学形态学线形结构元素和圆盘形结构元素分别对原始影像进行顶帽重建以实现单一方向上受损建筑物的提取，再将线形结构元素和圆盘形结构元素的提取结果分别做交集运算与差集运算完成对完整建筑物和倒塌建筑物的提取；
数学形态学的基本运算包括腐蚀和膨胀运算，原始影像与形态学开运算后影像之间的差异定义为顶帽，其相对应的操作成为顶帽变换，利用顶帽变换可以分离出原始影像中小于或与结构元素大小一致的特征，原始影像开运算结果公式如(1)所示，原始影像与影像开运算结果之差公式如(2)所示：
γs(b)＝δs(εs(b)) (1)
THs(b)＝b-γs(b) (2)
式中，ε和δ分别为腐蚀运算符和膨胀运算符；b为原始影像；s为结构元素；δs(εs(b))为利用结构元素s对原始影像先进行腐蚀运算再进行膨胀运算；γs(b)为原始影像开运算结果；THs(b)为原始影像b与原始影像开运算结果之差，即顶帽变换；
步骤二：多方向顶帽重建
利用多结构元素对影像在多方向上进行顶帽重建，以提取不同方向上建筑物的特征；
其中，尺度为S的线形结构元素在不同方向上顶帽重建的平均值计算公式如(3)所示，尺度为S的圆盘形结构元素在不同方向上顶帽重建的平均值公式如(4)所示：
式中，表示尺度为S的线形结构元素在不同方向上的顶帽变换；表示尺度为S的线形结构元素在不同方向上顶帽重建的平均值；表示尺度为S的圆盘形结构元素在不同方向上的顶帽变换；表示尺度为S的圆盘形结构元素在不同方向上顶帽重建的平均值；
步骤三：构建差分形态学剖面
分别利用线形结构元素和圆盘形结构元素对原始影像进行多方向的顶帽重建，再进行形态学开运算与顶帽变换，并对得到的顶帽重建结果依次作差分运算，得到差分形态学剖面；
线形结构元素的差分形态学剖面计算公式如(5)所示，圆盘形结构元素的差分形态学剖面计算公式如(6)所示；
式中，表示尺度为s+Δs的线形结构元素在不同方向上顶帽重建的平均值；DMPl(s)代表线形结构元素的差分形态学剖面；表示尺度为s+Δs的圆盘形结构元素在不同方向上顶帽重建的平均值；DMPd(s)代表圆盘形结构元素的差分形态学剖面；Δs是结构元素尺度改变的步长，本方法中取smin＝2，smax＝22，Δs＝5；
步骤四：对差分形态学剖面取均值以构建建筑物形态学特征
对上述步骤三中得到的差分形态学剖面取平均值，得到建筑物形态学特征；
完整建筑物的形态学特征为基于线形结构元素所建立的差分形态学剖面的平均值，如公式(7)所示；倒塌建筑物的形态学建筑物特征为基于圆盘形结构元素所建立的差分形态学剖面的平均值，如公式(8)所示；
式中，表示线形结构元素的差分形态学剖面取均值；MSEMPl表示完整建筑物的形态学特征；表示对一系列圆盘形结构元素的差分形态学剖面取均值；MSEMPd，表示倒塌建筑物的形态学特征；
步骤五：对影像进行后处理
对上述步骤四中构件的建筑物形态学特征中存在的非建筑物区域及噪声进行去除，分别对原始图像中的建筑物区域进行提取以及对噪声进行剔除；
建筑物区域的提取：先对形态学建筑物特征设定一定的阈值，对受损建筑物候选区域进行提取，具体方式如公式(9)所示：
IF MSEMP(x)≥M1,THEN map1(x)＝1
ELSE map1(x)＝0 (9)
式中，MSEMP(x)为MSEMP的值；M1为设定的阈值；map1(x)为像素的初始标签；若MSEMP(x)大于阈值M1，则该像素被选定为建筑物候选区域，map1(x)＝1；否则map1(x)＝0；
若影像中依然存在非建筑物区域，分别用归一化植被指数NDVI、形状特征及面积特征对其进行剔除，具体方式如公式(10)所示：
Rule1:IF map1(x)＝0；THEN,map(x)＝0
Rule2:IF map1(x)＝1；AND(NDVI(x)≥M2)
ORratio(x)≥M3ORarea(x)≤M4
THEN map(x)＝0 (10)
式中，NDVI为归一化植被指数；map(x)＝1表示建筑物区域；map(x)＝0表示非建筑物区域；ratio(x)代表区域x的长宽比；area(x)表示区域x的面积大小；
剔除植被NDVI指数大于阈值M2的植被区域、长宽比大于阈值M3的道路区域以及面积小于阈值M4的非建筑区域后，则得到建筑物候选区域；
噪声孔洞的剔除：为了提高对受损建筑物识别的准确率，对于得到的建筑物候选区域仍然残留的部分微小孔洞需要进行剔除，采用Matlab自带函数bwareaopen对孔洞进行处理，将低于阈值M5的噪声孔洞去除，得到最终的建筑物候选区结果；
步骤六：震后受损建筑物信息提取
上述步骤五完成影像后处理后得到了由线性结构元素和圆盘形结构元素提取出的建筑物区域，然后分别对线性结构元素和圆盘形结构元素提取出的建筑物区域进行交集与差集运算，可以得到完整建筑物区域和倒塌建筑物区域。
进一步改进在于：所述步骤一中顶帽重建过程为：首先用线形结构元素和圆盘形结构元素对原始影像进行腐蚀操作，得到标记影像，再在原始影像的基础上，对标记影像进行形态学开重建工作；
基于线形结构元素和圆盘形结构元素的形态学开重建公式分别如(11)、(12)所示：
式中，和分别为线形结构元素和圆盘形结构元素对原始影像b的开运算；和为线形元素和圆盘形结构元素的顶帽重建；
进一步改进在于：所述步骤二中利用多结构元素对影像在多方向上进行顶帽重建具体为：分别采用上述步骤一中的线形结构元素和圆盘形结构元素作为基础，然后进行多方向顶帽重建，以此提取出完整建筑物和倒塌建筑物的特征。
进一步改进在于：所述步骤四中对差分形态学剖面取均值以构建建筑物形态学特征的基础为步骤一中多结构元素的顶帽重建、步骤二中多方向顶帽重建以及步骤三中构建差分形态学剖面。
进一步改进在于：所述步骤五的公式(10)中：如果像素为非建筑物，那么仍是非建筑物；如果像素在建筑物区域中，且NDVI指数大于阈值M2，或者其所在的区域长宽比大于M3，或面积小于M4，那么该像素所在的区域归为非建筑区域。
进一步改进在于：所述步骤五中非建筑物区域包括道路、裸地以及植被
进一步改进在于：所述步骤五中NDVI阈值选取M2＝2×median(MSEMP(b))，其中median(MSEMP)表示MSEMP的波段中值；所述步骤五中长宽比阈值M3为3，面积阈值M4为(500，200)。
进一步改进在于：所述步骤五的噪声孔洞的剔除处理中，选取M5＝50。
进一步改进在于：所述步骤六中具体操作为：将线形结构元素提取结果与圆盘形结构元素提取结果作差集运算，可得到受损建筑物提取结果，震后影像中完好建筑物的提取计算公式如(13)所示，震后影像中受损建筑物的提取计算公式如(14)所示；
MSEMPu＝MSEMPl∩MSEMPd (13)
MSEMPc＝MSEMPd-MSEMPl (14)
其中，MSEMPl为线形结构元素提取出的建筑物区域；MSEMPd为圆盘形结构元素提取出建筑物区域；MSEMPu为震后影像中完好建筑物的提取结果；MSEMPc为震后影像中受损建筑物的提取结果。
进一步改进在于：所述线形结构元素应用于呈现面状或线形结构，其边缘较为规整的震后完好建筑物的影像顶帽重建，所述圆盘形结构元素应用于呈现散乱状，无规则的几何形态的震后受损建筑物影像顶帽重建。
本发明的有益效果为：本方法仅通过需要震后单时相影像即可对震害受损建筑物进行提取，单时相震害影像在短时间内对震害影像中的受损建筑物进行高精度的识别，解决了多时相检测技术中影像不易获取、配准难及影像时间跨度大而造成的精度低下问题，同时通过利用差分形态学剖面对震后影像中的受损建筑物进行提取，通过差分形态学剖面的操作过程中正确的结构元素选择提高了目标识别的效果和质量，通过选择用线形结构元素可以对震后影像中完好的建筑物通进行提取，通过选择用圆盘形结构元素可以对受损的建筑物进行提取，同时圆盘形结构元素也会将完整建筑物提取出来，通过线形结构元素与圆盘形结构元素的提取结果之间的交集运算与差集运算可以分别实现对完整建筑物和倒塌建筑物的提取，不仅可以提高提取精度高，同时操作也很简单，而且处理速度快，不会受操作者主观性的影响，解决了面向对象方法中所存在的问题。
附图说明
图1为本发明方法中基于多结构元素的单时相震害影像受损建筑物快速提取方法流程图。
图2为本发明方法中基于多结构元素的单时相震害影像受损建筑物快速提取方法示意图。
图3为本发明方法中交集运算与差集运算示意图。
图4为本发明对比例eCognition分析软件提取震害影像受损建筑物示意图。
图5为本发明方法提取震害影像受损建筑物示意图。
具体实施方式
为了使发明实现的技术手段、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
根据图1、2、3所示，本实施例提出了基于多结构元素震害受损建筑物快速识别方法，包括以下步骤：
步骤一：多结构元素的顶帽重建
采用数学形态学线形结构元素和圆盘形结构元素分别对原始影像进行顶帽重建以实现单一方向上受损建筑物的提取，再将线形结构元素和圆盘形结构元素的提取结果分别做交集运算与差集运算完成对完整建筑物和倒塌建筑物的提取；
数学形态学的基本运算包括腐蚀和膨胀运算，原始影像与形态学开运算后影像之间的差异定义为顶帽，其相对应的操作成为顶帽变换，利用顶帽变换可以分离出原始影像中小于或与结构元素大小一致的特征，原始影像开运算结果公式如(1)所示，原始影像与影像开运算结果之差公式如(2)所示：
γs(b)＝δs(εs(b)) (1)
THs(b)＝b-γs(b) (2)
式中，ε和δ分别为腐蚀运算符和膨胀运算符；b为原始影像；s为结构元素；δs(εs(b))为利用结构元素s对原始影像先进行腐蚀运算再进行膨胀运算；γs(b)为原始影像开运算结果；THs(b)为原始影像b与原始影像开运算结果之差，即顶帽变换；
顶帽重建过程为：首先用线形结构元素和圆盘形结构元素对原始影像进行腐蚀操作，得到标记影像，再在原始影像的基础上，对标记影像进行形态学开重建工作；
基于线形结构元素和圆盘形结构元素的形态学开重建公式分别如(11)(12)所示：
式中，和分别为线形结构元素和圆盘形结构元素对原始影像b的开运算；和为线形元素和圆盘形结构元素的顶帽重建；
步骤二：多方向顶帽重建
利用多结构元素对影像在多方向上进行顶帽重建，以提取不同方向上建筑物的特征，分别采用上述步骤一中的线形结构元素和圆盘形结构元素作为基础，然后进行多方向顶帽重建，以此提取出完整建筑物和倒塌建筑物的特征；
其中，尺度为S的线形结构元素在不同方向上顶帽重建的平均值计算公式如(3)所示，尺度为S的圆盘形结构元素在不同方向上顶帽重建的平均值公式如(4)所示：
式中，表示尺度为S的线形结构元素在不同方向上的顶帽变换；表示尺度为S的线形结构元素在不同方向上顶帽重建的平均值；表示尺度为S的圆盘形结构元素在不同方向上的顶帽变换；表示尺度为S的圆盘形结构元素在不同方向上顶帽重建的平均值；
步骤三：构建差分形态学剖面
分别利用线形结构元素和圆盘形结构元素对原始影像进行多方向的顶帽重建，再进行形态学开运算与顶帽变换，并对得到的顶帽重建结果依次作差分运算，得到差分形态学剖面；
线形结构元素的差分形态学剖面计算公式如(5)所示，圆盘形结构元素的差分形态学剖面计算公式如(6)所示；
式中，表示尺度为s+Δs的线形结构元素在不同方向上顶帽重建的平均值；DMPl(s)代表线形结构元素的差分形态学剖面；表示尺度为s+Δs的圆盘形结构元素在不同方向上顶帽重建的平均值；DMPd(s)代表圆盘形结构元素的差分形态学剖面；Δs是结构元素尺度改变的步长，本方法中取smin＝2，smax＝22，Δs＝5；
步骤四：对差分形态学剖面取均值以构建建筑物形态学特征
基于为步骤一中多结构元素的顶帽重建、步骤二中多方向顶帽重建以及步骤三中构建差分形态学剖面，对上述步骤三中得到的差分形态学剖面取平均值，得到建筑物形态学特征；
完整建筑物的形态学特征为基于线形结构元素所建立的差分形态学剖面的平均值，如公式(7)所示；倒塌建筑物的形态学建筑物特征为基于圆盘形结构元素所建立的差分形态学剖面的平均值，如公式(8)所示；
式中，表示线形结构元素的差分形态学剖面取均值；MSEMPl表示完整建筑物的形态学特征；表示对一系列圆盘形结构元素的差分形态学剖面取均值；MSEMPd，表示倒塌建筑物的形态学特征；
步骤五：对影像进行后处理
对上述步骤四中构件的建筑物形态学特征中存在的非建筑物区域及噪声进行去除，非建筑物区域包括道路、裸地以及植，被分别对原始图像中的建筑物区域进行提取以及对噪声进行剔除；
建筑物区域的提取：先对形态学建筑物特征设定一定的阈值，对受损建筑物候选区域进行提取，具体方式如公式(9)所示：
IF MSEMP(x)≥M1,THEN map1(x)＝1
ELSE map1(x)＝0 (9)
式中，MSEMP(x)为MSEMP的值；M1为设定的阈值；map1(x)为像素的初始标签；若MSEMP(x)大于阈值M1，则该像素被选定为建筑物候选区域，map1(x)＝1；否则map1(x)＝0；
若影像中依然存在非建筑物区域，分别用归一化植被指数NDVI、形状特征及面积特征对其进行剔除，具体方式如公式(10)所示：
Rule1:IF map1(x)＝0；THEN,map(x)＝0
Rule2:IF map1(x)＝1；AND(NDVI(x)≥M2)
ORratio(x)≥M3ORarea(x)≤M4
THEN map(x)＝0 (10)
式中，NDVI为归一化植被指数；map(x)＝1表示建筑物区域；map(x)＝0表示非建筑物区域；ratio(x)代表区域x的长宽比；area(x)表示区域x的面积大小；
公式(10)表示为：如果像素为非建筑物，那么仍是非建筑物；如果像素在建筑物区域中，且NDVI指数大于阈值M2，或者其所在的区域长宽比大于M3，或面积小于M4，那么该像素所在的区域归为非建筑区域；
剔除植被NDVI指数大于阈值M2的植被区域、长宽比大于阈值M3的道路区域以及面积小于阈值M4的非建筑区域后，则得到建筑物候选区域；
NDVI阈值选取M2＝2×median(MSEMP(b))，其中median(MSEMP)表示MSEMP的波段中值；；所述步骤五中长宽比阈值M3为3，面积阈值M4为(500，200)；
噪声孔洞的剔除：为了提高对受损建筑物识别的准确率，对于得到的建筑物候选区域仍然残留的部分微小孔洞需要进行剔除，采用Matlab自带函数bwareaopen对孔洞进行处理，将低于阈值M5的噪声孔洞去除，得到最终的建筑物候选区结果，选取M5＝50；
步骤六：震后受损建筑物信息提取
上述步骤五完成影像后处理后得到了由线性结构元素和圆盘形结构元素提取出的建筑物区域，然后分别对线性结构元素和圆盘形结构元素提取出的建筑物区域进行交集与差集运算，可以得到完整建筑物区域和倒塌建筑物区域；
将线形结构元素提取结果与圆盘形结构元素提取结果作差集运算，可得到受损建筑物提取结果，震后影像中完好建筑物的提取计算公式如(13)所示，震后影像中受损建筑物的提取计算公式如(14)所示；
MSEMPu＝MSEMPl∩MSEMPd (13)
MSEMPc＝MSEMPd-MSEMPl (14)
其中，MSEMPl为线形结构元素提取出的建筑物区域；MSEMPd为圆盘形结构元素提取出建筑物区域；MSEMPu为震后影像中完好建筑物的提取结果；MSEMPc为震后影像中受损建筑物的提取结果。
对比例
采用eCognition分析软件提取震害影像受损建筑物，得到如图4所示的效果图。
eCognition分析软件提取震害影像受损建筑物效果图(图4)与本发明发放提取震害影像受损建筑物的效果图(图5)进行对比得出表1。
表1为本方法与eCognition震害影像受损建筑物提取效果对比
其中，APA代表平均生产者精度，AUA代表平均用户精度，OA代表总体分类精度，Kappa为Kappa系数。
本方法仅通过需要震后单时相影像即可对震害受损建筑物进行提取，单时相震害影像在短时间内对震害影像中的受损建筑物进行高精度的识别，解决了多时相检测技术中影像不易获取、配准难及影像时间跨度大而造成的精度低下问题，同时通过利用差分形态学剖面对震后影像中的受损建筑物进行提取，通过差分形态学剖面的操作过程中正确的结构元素选择提高了目标识别的效果和质量，通过选择用线形结构元素可以对震后影像中完好的建筑物通进行提取，通过选择用圆盘形结构元素可以对受损的建筑物进行提取，同时圆盘形结构元素也会将完整建筑物提取出来，通过线形结构元素与圆盘形结构元素的提取结果之间的交集运算与差集运算可以分别实现对完整建筑物和倒塌建筑物的提取，不仅可以提高提取精度高，同时操作也很简单，而且处理速度快，不会受操作者主观性的影响，解决了面向对象方法中所存在的问题。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.基于多结构元素震害受损建筑物快速识别方法，其特征在于：包括以下步骤：
步骤一：多结构元素的顶帽重建
采用数学形态学线形结构元素和圆盘形结构元素分别对原始影像进行顶帽重建以实现单一方向上受损建筑物的提取，再将线形结构元素和圆盘形结构元素的提取结果分别做交集运算与差集运算完成对完整建筑物和倒塌建筑物的提取；
数学形态学的基本运算包括腐蚀和膨胀运算，原始影像与形态学开运算后影像之间的差异定义为顶帽，其相对应的操作成为顶帽变换，利用顶帽变换可以分离出原始影像中小于或与结构元素大小一致的特征，原始影像开运算结果公式如(1)所示，原始影像与影像开运算结果之差公式如(2)所示：
γs(b)＝δs(εs(b)) (1)
THs(b)＝b-γs(b) (2)
式中，ε和δ分别为腐蚀运算符和膨胀运算符；b为原始影像；s为结构元素；δs(εs(b))为利用结构元素s对原始影像先进行腐蚀运算再进行膨胀运算；γs(b)为原始影像开运算结果；THs(b)为原始影像b与原始影像开运算结果之差，即顶帽变换；
步骤二：多方向顶帽重建
利用多结构元素对影像在多方向上进行顶帽重建，以提取不同方向上建筑物的特征；
其中，尺度为S的线形结构元素在不同方向上顶帽重建的平均值计算公式如(3)所示，尺度为S的圆盘形结构元素在不同方向上顶帽重建的平均值公式如(4)所示：
式中，表示尺度为S的线形结构元素在不同方向上的顶帽变换；表示尺度为S的线形结构元素在不同方向上顶帽重建的平均值；表示尺度为S的圆盘形结构元素在不同方向上的顶帽变换；表示尺度为S的圆盘形结构元素在不同方向上顶帽重建的平均值；
步骤三：构建差分形态学剖面
分别利用线形结构元素和圆盘形结构元素对原始影像进行多方向的顶帽重建，再进行形态学开运算与顶帽变换，并对得到的顶帽重建结果依次作差分运算，得到差分形态学剖面；
线形结构元素的差分形态学剖面计算公式如(5)所示，圆盘形结构元素的差分形态学剖面计算公式如(6)所示；
式中，表示尺度为s+Δs的线形结构元素在不同方向上顶帽重建的平均值；DMPl(s)代表线形结构元素的差分形态学剖面；表示尺度为s+Δs的圆盘形结构元素在不同方向上顶帽重建的平均值；DMPd(s)代表圆盘形结构元素的差分形态学剖面；Δs是结构元素尺度改变的步长，本方法中取smin＝2，smax＝22，Δs＝5；
步骤四：对差分形态学剖面取均值以构建建筑物形态学特征
对上述步骤三中得到的差分形态学剖面取平均值，得到建筑物形态学特征；
完整建筑物的形态学特征为基于线形结构元素所建立的差分形态学剖面的平均值，如公式(7)所示；倒塌建筑物的形态学建筑物特征为基于圆盘形结构元素所建立的差分形态学剖面的平均值，如公式(8)所示；
式中，表示线形结构元素的差分形态学剖面取均值；MSEMPl表示完整建筑物的形态学特征；表示对一系列圆盘形结构元素的差分形态学剖面取均值；MSEMPd，表示倒塌建筑物的形态学特征；
步骤五：对影像进行后处理
对上述步骤四中构件的建筑物形态学特征中存在的非建筑物区域及噪声进行去除，分别对原始图像中的建筑物区域进行提取以及对噪声进行剔除；
建筑物区域的提取：先对形态学建筑物特征设定一定的阈值，对受损建筑物候选区域进行提取，具体方式如公式(9)所示：
IF MSEMP(x)≥M1,THEN map1(x)＝1
ELSE map1(x)＝0 (9)
式中，MSEMP(x)为MSEMP的值；M1为设定的阈值；map1(x)为像素的初始标签；若MSEMP(x)大于阈值M1，则该像素被选定为建筑物候选区域，map1(x)＝1；否则map1(x)＝0；
若影像中依然存在非建筑物区域，分别用归一化植被指数NDVI、形状特征及面积特征对其进行剔除，具体方式如公式(10)所示：
Rule1:IF map1(x)＝0；THEN,map(x)＝0
Rule2:IF map1(x)＝1；AND(NDVI(x)≥M2)
OR ratio(x)≥M3 OR area(x)≤M4
THEN map(x)＝0 (10)
式中，NDVI为归一化植被指数；map(x)＝1表示建筑物区域；map(x)＝0表示非建筑物区域；ratio(x)代表区域x的长宽比；area(x)表示区域x的面积大小；
剔除植被NDVI指数大于阈值M2的植被区域、长宽比大于阈值M3的道路区域以及面积小于阈值M4的非建筑区域后，则得到建筑物候选区域；
噪声孔洞的剔除：为了提高对受损建筑物识别的准确率，对于得到的建筑物候选区域仍然残留的部分微小孔洞需要进行剔除，采用Matlab自带函数bwareaopen对孔洞进行处理，将低于阈值M5的噪声孔洞去除，得到最终的建筑物候选区结果；
步骤六：震后受损建筑物信息提取
上述步骤五完成影像后处理后得到了由线性结构元素和圆盘形结构元素提取出的建筑物区域，然后分别对线性结构元素和圆盘形结构元素提取出的建筑物区域进行交集与差集运算，可以得到完整建筑物区域和倒塌建筑物区域。
2.根据权利要求1所述的基于多结构元素震害受损建筑物快速识别方法，其特征在于：所述步骤一中顶帽重建过程为：首先用线形结构元素和圆盘形结构元素对原始影像进行腐蚀操作，得到标记影像，再在原始影像的基础上，对标记影像进行形态学开重建工作；
基于线形结构元素和圆盘形结构元素的形态学开重建公式分别如(11)、(12)所示：
式中，和分别为线形结构元素和圆盘形结构元素对原始影像b的开运算；和为线形元素和圆盘形结构元素的顶帽重建；
3.根据权利要求1所述的基于多结构元素震害受损建筑物快速识别方法，其特征在于：所述步骤二中利用多结构元素对影像在多方向上进行顶帽重建具体为：分别采用上述步骤一中的线形结构元素和圆盘形结构元素作为基础，然后进行多方向顶帽重建，以此提取出完整建筑物和倒塌建筑物的特征。
4.根据权利要求1所述的基于多结构元素震害受损建筑物快速识别方法，其特征在于：所述步骤四中对差分形态学剖面取均值以构建建筑物形态学特征的基础为步骤一中多结构元素的顶帽重建、步骤二中多方向顶帽重建以及步骤三中构建差分形态学剖面。
5.根据权利要求1所述的基于多结构元素震害受损建筑物快速识别方法，其特征在于：所述步骤五的公式(10)中：如果像素为非建筑物，那么仍是非建筑物；如果像素在建筑物区域中，且NDVI指数大于阈值M2，或者其所在的区域长宽比大于M3，或面积小于M4，那么该像素所在的区域归为非建筑区域。
6.根据权利要求1所述的基于多结构元素震害受损建筑物快速识别方法，其特征在于：所述步骤五中非建筑物区域包括道路、裸地以及植被。
7.根据权利要求1所述的基于多结构元素震害受损建筑物快速识别方法，其特征在于：所述步骤五中NDVI阈值选取M2＝2×median(MSEMP(b))，其中median(MSEMP)表示MSEMP的波段中值；所述步骤五中长宽比阈值M3为3，面积阈值M4为(500，200)。
8.根据权利要求1所述的基于多结构元素震害受损建筑物快速识别方法，其特征在于：所述步骤五的噪声孔洞的剔除处理中，选取M5＝50。
9.根据权利要求1所述的基于多结构元素震害受损建筑物快速识别方法，其特征在于：所述步骤六中具体操作为：将线形结构元素提取结果与圆盘形结构元素提取结果作差集运算，可得到受损建筑物提取结果，震后影像中完好建筑物的提取计算公式如(13)所示，震后影像中受损建筑物的提取计算公式如(14)所示；
MSEMPu＝MSEMPl∩MSEMPd (13)
MSEMPc＝MSEMPd-MSEMPl (14)
其中，MSEMPl为线形结构元素提取出的建筑物区域；MSEMPd为圆盘形结构元素提取出建筑物区域；MSEMPu为震后影像中完好建筑物的提取结果；MSEMPc为震后影像中受损建筑物的提取结果。
10.根据权利要求1所述的基于多结构元素震害受损建筑物快速识别方法，其特征在于：所述线形结构元素应用于呈现面状或线形结构，其边缘较为规整的震后完好建筑物的影像顶帽重建，所述圆盘形结构元素应用于呈现散乱状，无规则的几何形态的震后受损建筑物影像顶帽重建。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811294494.3A CN109472785B (zh) | 2018-11-01 | 2018-11-01 | 基于多结构元素震害受损建筑物快速识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811294494.3A CN109472785B (zh) | 2018-11-01 | 2018-11-01 | 基于多结构元素震害受损建筑物快速识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109472785A CN109472785A (zh) | 2019-03-15 |
| CN109472785B true CN109472785B (zh) | 2019-12-20 |
Family
ID=65672466
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811294494.3A Expired - Fee Related CN109472785B (zh) | 2018-11-01 | 2018-11-01 | 基于多结构元素震害受损建筑物快速识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109472785B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN118168746B (zh) * | 2024-05-13 | 2024-07-23 | 四川公路工程咨询监理有限公司 | 一种基于激励信号的桥梁抗震效果测试与评估方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103984947A (zh) * | 2014-05-30 | 2014-08-13 | 武汉大学 | 基于形态学房屋指数的高分辨率遥感影像房屋提取方法 |
| CN105608458A (zh) * | 2015-10-20 | 2016-05-25 | 武汉大学 | 一种高分辨率遥感影像建筑物提取方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4624287B2 (ja) * | 2006-03-17 | 2011-02-02 | 株式会社パスコ | 建物形状変化検出方法及び建物形状変化検出システム |
| CN105279199B (zh) * | 2014-07-23 | 2018-08-31 | 民政部国家减灾中心 | 一种地震灾区农房倒损监测方法和设备 |
| CN108416760B (zh) * | 2018-01-11 | 2021-10-01 | 中国科学院遥感与数字地球研究所 | 一种震后高分辨率sar图像单体建筑物倒塌损毁检测方法 |
| CN108511359A (zh) * | 2018-03-30 | 2018-09-07 | 武汉新芯集成电路制造有限公司 | 晶圆缺陷的检测方法 |
-
2018
- 2018-11-01 CN CN201811294494.3A patent/CN109472785B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103984947A (zh) * | 2014-05-30 | 2014-08-13 | 武汉大学 | 基于形态学房屋指数的高分辨率遥感影像房屋提取方法 |
| CN105608458A (zh) * | 2015-10-20 | 2016-05-25 | 武汉大学 | 一种高分辨率遥感影像建筑物提取方法 |
Non-Patent Citations (3)
| Title |
|---|
| "A Multidirectional and Multiscale Morphological Index for Automatic Building Extraction from Multispectral GeoEye-1 Imagery";Xin Huang 等;《Photogrammetric Engineering & Remote Sensing》;20110731;第77卷(第7期);第722-723页step2-step5、第724页右栏、第725页图4、第727页左栏第10-12行、第729页左栏第1段 * |
| "基于ＭＭＢＩ的高分辨率影像建筑物提取研究";陈行 等;《遥感技术与应用》;20161031;第31卷(第5期);全文 * |
| "高分辨率遥感图像灾区建筑物检测";陈浩;《数据采集与处理》;20171231;第32卷(第2期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109472785A (zh) | 2019-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110599537A (zh) | 基于Mask R-CNN的无人机图像建筑物面积计算方法及系统 | |
| Sanchez et al. | Registration of thermal and visible light images of diseased plants using silhouette extraction in the wavelet domain | |
| CN104574421B (zh) | 一种大幅面小重合区域高精度多光谱图像配准方法及装置 | |
| CN109472785B (zh) | 基于多结构元素震害受损建筑物快速识别方法 | |
| 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 | |
| CN107688777B (zh) | 一种协同多源遥感影像的城市绿地提取方法 | |
| Zhang et al. | A morphological building detection framework for high-resolution optical imagery over urban areas | |
| CN107909018B (zh) | 一种稳健的多模态遥感影像匹配方法和系统 | |
| CN108537169B (zh) | 一种基于中心线和路宽检测算法的高分辨率遥感影像道路提取方法 | |
| CN112381144B (zh) | 非欧与欧氏域空谱特征学习的异构深度网络方法 | |
| CN105160355A (zh) | 一种基于区域相关和视觉单词的遥感图像变化检测方法 | |
| CN110569751A (zh) | 一种高分遥感影像建筑物提取方法 | |
| CN108960276B (zh) | 提升光谱图像监督分类性能的样本扩充与一致性判别方法 | |
| CN104966054A (zh) | 无人机可见光图像中的弱小目标检测方法 | |
| CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
| CN113326846A (zh) | 一种基于机器视觉的桥梁表观病害快速检测方法 | |
| Yuan et al. | ROBUST PCANet for hyperspectral image change detection | |
| Singh et al. | A hybrid approach for information extraction from high resolution satellite imagery | |
| CN117853722A (zh) | 一种融合超像素信息的钢材金相组织分割方法 | |
| CN103745231A (zh) | 小麦矮腥黑穗病tck及其近似种tct的冬孢子图像鉴定方法 | |
| CN104637060A (zh) | 一种基于邻域主成分分析-拉普拉斯的图像分割方法 | |
| CN104463822A (zh) | 基于多尺度全局滤波的多聚焦图像融合方法及其装置 | |
| CN111832502A (zh) | 面向卫星在轨应用的遥感影像视觉显著区域智能搜索方法 | |
| Xia et al. | A method for road surface anomaly detection from remote sensing data by deep convolutional networks | |
| CN113592829B (zh) | 基于分割重组的深度学习泥沙颗粒识别方法及装置 |
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 |
Granted publication date: 20191220 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |