CN109583284A - 基于高分辨率sar图像的城市高层建筑物高度提取方法及装置 - Google Patents
基于高分辨率sar图像的城市高层建筑物高度提取方法及装置 Download PDFInfo
- Publication number
- CN109583284A CN109583284A CN201710909872.3A CN201710909872A CN109583284A CN 109583284 A CN109583284 A CN 109583284A CN 201710909872 A CN201710909872 A CN 201710909872A CN 109583284 A CN109583284 A CN 109583284A
- Authority
- CN
- China
- Prior art keywords
- area
- region
- building
- resolution sar
- length
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 230000009466 transformation Effects 0.000 claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 239000000284 extract Substances 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000009514 concussion Effects 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000003709 image segmentation Methods 0.000 abstract 1
- 238000003384 imaging method Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000009435 building construction Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency 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
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- LWYJUZBXGAFFLP-OCNCTQISSA-N menogaril Chemical compound O1[C@@]2(C)[C@H](O)[C@@H](N(C)C)[C@H](O)[C@@H]1OC1=C3C(=O)C(C=C4C[C@@](C)(O)C[C@H](C4=C4O)OC)=C4C(=O)C3=C(O)C=C12 LWYJUZBXGAFFLP-OCNCTQISSA-N 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F18/23—Clustering 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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种基于高分辨率SAR图像的城市高层建筑物高度提取方法及装置，包括：对原始高分辨率SAR图像采用非局部滤波，对滤波后SAR图像分割获取匀质区域，然后从中提取阴影区和高亮区，并确定建筑物候选区；针对独立高亮的建筑物候选区提取其最小外接矩形，计算矩形区域内距离向上每一行的亮线长度并记录其所在行位置，并基于该长度和行位置属性利用聚类算法对其进行聚类；获取聚类后的每个类别所对应的二值区域，基于叠掩区平行四边形几何形状的限制，利用仿射变换和最小二乘方法对其进行拟合，获取优化后的建筑物候选区；计算建筑物高度。本发明弥补了高分辨率特性带来的叠掩面破碎特性，提高建筑物高度反演精度。
Description
技术领域
本发明涉及建筑物高度提取技术领域，特别涉及一种基于高分辨率SAR图像的城市高层建筑物高度提取方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar，SAR)作为一种主动微波遥感手段，具有全天时、全天候、可穿透云层快速成像的能力，弥补了光学遥感的不足，在应急侦察、灾害监测等需要快速响应的城市遥感应用中发挥着重要作用，而城市建筑物是城市目标监测的主要对象。
高分辨率是SAR技术发展的主要趋势之一。加拿大的Radarsat-2(2007)、意大利的COSMO-SkyMed(2007-2008)、德国的TerraSAR-X(2007)和TanDEM-X(2010)、中国的高分三号卫星(2016)等多极化、高分辨率卫星图像分辨率已突破到1m，其中TerraSAR-X于2013年推出的Staring Spotlight(ST)成像模式更是将图像的方位向分辨率提高到0.24m。米级、亚米级高分辨率SAR图像的广泛获取为研究建筑物高度提取的新方法、新理论提供了数据支撑。然而，高分辨率SAR图像在带来建筑物目标丰富细节的同时，也带来了独立建筑物目标成像特征破碎和成像特征多变等诸多建筑物信息提取难题。同时SAR固有的几何畸变和斑噪影响，以及复杂的城市背景干扰等因素，也进一步增加了建筑物目标在SAR图像上的复杂性。
按照使用的数据类型的不同，目前主要的建筑物高度提取方法可以归纳为：
(1)干涉测量法，即利用干涉SAR(InSAR)数据提取建筑物目标高度信息，如TomoSAR技术。
(2)多视向立体测量法。利用同侧或异侧进行多视向立体测量，同侧立体测量可以利用不同入射角成像实现，异侧立体测量可以利用升降轨成像实现。这两种方法各有利弊，异侧立体成像通常具有较大的视差，对于提高建筑物高度估算精度是有利的，但视角差别越大，目标在SAR图像上的差异越大，给目标识别造成的困难也就越大。
(3)与光学图像融合法。不同数据源遥感图像往往可以实现信息互补，SAR图像中建筑物的显著性线状特征，较为容易确定潜在目标，却无法得到建筑物的完整轮廓；然而，光学图像上建筑物有完整的屋顶结构有利于确定完整边界信息，但建筑物的检测难度较大，特别是对于建筑物分布密集的城区。综合利用建筑物在不同数据类型图像中的特点来提高建筑物目标识别和三维重建的精度是一种有效手段。
(4)基于单景高分辨率SAR图像的建筑物高度提取方法。单景高分辨率SAR图像上，建筑物高度的反演主要利用图像中灰度的层次变化关系以及阴影信息。对于立于平坦地面、并且分散的独立建筑物，利用完整的阴影信息在估计出可能的房顶结构后，可较完美地反算出建筑物高度。
现有方法中，利用阴影或者叠掩信息来反演建筑物高度面临以下问题。
首先，需要确保提取完整的阴影或者叠掩范围，导致该方法适用于稀疏建筑物，不能应用于建筑物密集的城区，因为建筑物的阴影或者叠掩通常受到临近目标的干扰而不完整；
其次，阴影区域较难与道路、广场等等暗目标区分；最后，人工建筑物墙面的不均匀性导致SAR图像中叠掩区的灰度一致性较差，导致叠掩区的检测精度低，从而影响高度反演精度。
发明内容
有鉴于克服现有技术中由于高分辨率特性带来的叠掩面破碎特性，使建筑物高度反演精度不高的问题，本发明提出了一种基于高分辨率SAR图像的城市高层建筑物高度提取方法及装置。
本发明提供了一种基于高分辨率SAR图像的城市高层建筑物高度提取方法，包括：对原始高分辨率SAR图像采用非局部滤波，对滤波后SAR图像分割获取匀质区域，然后从中提取阴影区和高亮区，并利用阴影区和高亮区在距离向的位置关系确定建筑物候选区；针对独立高亮的建筑物候选区提取其最小外接矩形，计算矩形区域内距离向上每一行的亮线长度并记录其所在行位置，并基于该长度和行位置属性利用聚类算法对其进行聚类；获取聚类后的每个类别所对应的二值区域，基于叠掩区平行四边形几何形状的限制，利用仿射变换和最小二乘方法对其进行拟合，获取优化后的建筑物候选区；基于叠掩区的像元长度、像元采样间隔和雷达入射角计算建筑物高度。
优选地，所述聚类算法采用AP聚类算法，包括以下步骤：
统计最小外接矩形区域内每一行上的亮线长度为l，行坐标为r，则每一行构建为一个数据点x(l,r)，最终获取数据集{x1,x2...,xn}，其中，l刻画的是叠掩区长度的相似性，r刻画的是距离上的邻近性，令s是一个刻画点之间相似度的矩阵，s(i,j)表示xi与xj之间的相似度；.
采用AP算法进行迭代计算，以更新两个吸引信息矩阵和归属信息矩阵，所述吸引信息矩阵和归属信息矩阵存在交替。
优选地，所述吸引信息矩阵R中的每个元素r(i,k)描述的是数据对象k适合作为数据对象i的聚类中心的程度，表示从i到k的消息；所述归属信息矩阵A中的每个元素a(i,k)描述的是数据对象i选择数据对象k作为其聚类中心的适合程度，表示从k到i的消息。
优选地，(1)所述吸引信息矩阵的初始值为0，迭代计算方式如下：
其中s(i,k)定义为
s(i,k)＝-α·(xi[l]-xk[l])2-β·(xi[r]-xk[r])2
当α与β都为1时，s(i,k)为xi与xk之间的欧式距离；
(2)所述归属信息矩阵的初始值为0，迭代计算方式如下：
在进行上述迭代时，如果这些决策经过若干次迭代之后保持不变、或者算法执行超过设定的迭代次数、或者一个小区域内的关于样本点的决策经过数次迭代后保持不变，则算法结束。
优选地，在AP算法更新信息时引入了衰减系数λ(0＜λ＜1)以避免震荡，每条信息被设置为它前次迭代更新值的λ倍加上本次信息更新值的1-λ倍，即：
rt+1(i,k)＝(1-λ)rt+1(i,k)+λrt(i,k)
at+1(i,k)＝(1-λ)at+1(i,k)+λat(i,k)。
优选地，所述仿射变换包括：
获取该二值区域的最小外接矩形，基于该矩形边界通过仿射变换最大限度匹配二值区域的边界；
令矩形边界点为E0，(x0,y0)∈E0；二值区域真实边界为Ep，(xp,yp)∈Ep，仿射变化得到的边界Ef，(xf,yf)∈Ef，则仿射变换的公式为：
其中，sx为水平方向的拉伸因子，tx为水平方向的偏移量，α为错切参数，且
优选地，所述拟合包括：
为获取Ef与Ep的最佳匹配，将(xp,yp)作为(xf,yf)的替代值代入上述仿射变换公式，基于最小二乘方法获取sx，tx和α三个参数，计算公式为：
其中N为Ef中参与参数计算的总像元个数。
优选地，所述拟合还包括：
首先，需要建立(xp,yp)与(xf,yf)之间的一一对应关系；
叠掩区形成的平行四边形的水平边界上的点不参与计算，其余边界点可根据yp＝yf＝y0建立稳定的一一对应关系，并参与仿射变换参数的解算。
优选地，基于叠掩区的像元长度、像元采样间隔和雷达入射角计算建筑物高度包括：
在获取叠掩区平行四边形后，计算其距离向像元长度为n，配合图像距离向采样间隔δ，雷达入射角θ，建立建筑物高度反演公式为：
本发明还公开一种基于高分辨率SAR图像的城市高层建筑物高度提取装置，包括：
选取区域模块，其配置为对原始高分辨率SAR图像采用非局部滤波，对滤波后SAR图像分割获取匀质区域，然后从中提取阴影区和高亮区，并利用阴影区和高亮区在距离向的位置关系确定建筑物候选区；
聚类分析模块，其配置为针对独立高亮的建筑物候选区提取其最小外接矩形，计算矩形区域内距离向上每一行的亮线长度并记录其所在行位置，并基于该长度和行位置属性利用聚类算法对其进行聚类；
建筑物叠掩区提取模块，其配置为获取聚类后的每个类别所对应的二值区域，基于叠掩区平行四边形几何形状的限制，利用仿射变换和最小二乘方法对其进行拟合，获取优化后的建筑物候选区；
计算模块，其配置为基于叠掩区的像元长度、像元采样间隔和雷达入射角计算建筑物高度。
本发明在分割和亮、暗像元提取的基础上初步获取建筑物叠掩区，通过距离向长度聚类和仿射变换获取完整的建筑物叠掩区范围，弥补了高分辨率特性带来的叠掩面破碎特性，提高建筑物高度反演精度。
附图说明
图1a为本实施例所使用的TerraSAR-X Staring Spotlight(ST)图像；
图1b为本实施例所使用的光学图像；
图2为本发明所提出的一种高分辨率SAR图像的城市高层建筑物高度提取方法的流程图；
图3为测试图像的滤波结果图；
图4为测试图像的分割结果图；
图5为测试图像的建筑物候选区提取结果；
图6为某一独立高亮建筑物候选区的最小外接矩形提取结果；
图7为图6所示区域的聚类结果；
图8a和图8b为图6所示区域的优化后的平行四边形叠掩区；
图9为测试图像的整体叠掩区提取结果。
具体实施方式
为使本领域技术人员更好的理解本发明的技术方案，下面结合附图和具体实施方式对本发明作详细说明。
本发明面向单景高分辨率SAR图像的建筑物高度提取，且面向城市高大建筑，主要利用阴影、叠掩和二次散射亮线来反演建筑物高度
本发明针对分米级高分辨率SAR图像，解决了利用单一二次散射亮线提取建筑物高度偏小以及高层建筑物叠掩区相对破碎的问题；利用局部的叠掩区平行四边形拟合和优化，建筑物高度提取误差小，为城市3D重建提供依据。
下面结合附图和实施例对本发明做进一步的详细说明。
本实施例采用的测试图像如图1a和图1b所示。其中，图1a为TerraSAR-X staringspotlight图像，斜距图像，距离向采样间隔0.45m，雷达中心入射角32.9°；图1b为对应的光学图像。图中主要包含A、B、C、D四种类型建筑，其高度已实测获取。
在利用本发明中的方法进行城市高层建筑物高度提取时，如图2所示，主要包括以下几个步骤：
步骤一：对原始高分辨率SAR图像采用非局部滤波SAR block-matching 3-D(SAR-BM3-D)方法，滤波结果如图3所示；对滤波后SAR图像采用mean shift分割，结果如图4所示；基于图像先验知识，设置简单的灰度阈值为50和100，分别提取阴影区和高亮区，并利用二者在距离向的位置关系确定建筑物候选区(阴影区存在于高亮叠掩区的远距端)，结果如图5所示。
步骤二：针对每一个独立高亮建筑物候选区，提取其最小外接矩形，如图6所示，计算矩形区域内距离向上每一行的亮线长度并记录其所在行位置。基于该长度和位置属性，利用AP聚类算法对其进行聚类。
AP聚类算法不需要事先确定类别的个数，基于数据点间的迭代计算来传递信息，其算法过程如下：
(1)数据点的构建
统计最小外接矩形区域内每一行上的亮线长度为l，行坐标为r，则每一行构建为一个数据点x(l,r)，最终获取数据集{x1,x2...,xn}，其中，l刻画的是叠掩区长度的相似性，r刻画的是距离上的邻近性，令s是一个刻画点之间相似度的矩阵，s(i,j)表示xi与xj之间的相似度。
(2)AP算法进行迭代计算，以更新两个矩阵(吸引信息矩阵和归属信息矩阵)，且两个矩阵存在交替。
吸引信息矩阵R：r(i,k)描述的是数据对象k适合作为数据对象i的聚类中心的程度，表示从i到k的消息。
归属信息矩阵A：a(i,k)描述的是数据对象i选择数据对象k作为其聚类中心的适合程度，表示从k到i的消息。
两个矩阵的初始值为0，迭代计算方式为：
吸引信息迭代
其中s(i,k)在本发明中定义为：
s(i,k)＝-α·(xi[l]-xk[l])2-β·(xi[r]-xk[r])2
本实施例中，α＝0.5，β＝1。
归属信息迭代
对以上步骤进行迭代，本实施例中设置迭代次数少于1000次。为了避免震荡，AP算法更新信息时引入了衰减系数λ(0＜λ＜1)，本实施例中设置其值为0.9。每条信息被设置为它前次迭代更新值的λ倍加上本次信息更新值的1-λ倍，即：
rt+1(i,k)＝(1-λ)rt+1(i,k)+λrt(i,k)
at+1(i,k)＝(1-λ)at+1(i,k)+λat(i,k)
按照上述计算过程，针对图6的聚类结果如图7所示，共得到9个聚类中心。
步骤三：聚类后，获取每个类别所对应的二值区域，基于叠掩区平行四边形几何形状的限制，利用仿射变换和最小二乘方法对其进行拟合，获取优化后的建筑物候选区。
(1)仿射变换
首先获取该二值区域的最小外接矩形，基于该矩形边界，通过仿射变换最大限度匹配二值区域的边界。令矩形边界点为E0，(x0,y0)∈E0；二值区域真实边界为Ep，(xp,yp)∈Ep，仿射变化得到的边界Ef，(xf,yf)∈Ef，则仿射变换的公式为：
其中，sx为水平方向的拉伸因子，tx为水平方向的偏移量，α为错切参数，且
(2)最小二乘拟合
为获取Ef与Ep的最佳匹配，将(xp,yp)作为(xf,yf)的替代值代入上述仿射变换公式，基于最小二乘方法获取sx，tx和α三个参数。计算公式为：
其中N为Ef中参与参数计算的总像元个数。
首先，需要建立(xp,yp)与(xf,yf)之间的一一对应关系。由于叠掩区形成的平行四边形必定存在两条水平的边界，水平边界上的点难以获取稳定的对应关系，因此不参与计算。其余边界点可根据yp＝yf＝y0这一特征建立稳定的一一对应关系，并参与仿射变换参数的解算。
基于上述计算过程，获取图6所示区域的优化后的叠掩区域如图8a和图8b中平行四边形所示，整体图像的优化结果如图9所示。
步骤四：基于叠掩区像元长度、像元采样间隔和雷达入射角计算建筑物高度。
获取叠掩区平行四边形后，计算其距离向像元长度为n。配合图像距离向采样间隔δ，雷达入射角θ，建立建筑物高度反演公式为：
本实施例中A、B、C、D四类建筑物的高度计算结果如表1所示，参考实测建筑物高度，本发明的建筑物高度提取平均误差为2m。
表1
| 建筑物 | A | B | C | D |
| 实验结果(m) | 45.5 | 19.5 | 48.7 | 20.6 |
| 实测结果(m) | 48.7 | 22 | 47.8 | 22 |
本发明还公开一种基于高分辨率SAR图像的城市高层建筑物高度提取装置，包括：
选取区域模块，其配置为对原始高分辨率SAR图像采用非局部滤波，对滤波后SAR图像分割获取匀质区域，然后从中提取阴影区和高亮区，并利用阴影区和高亮区在距离向的位置关系确定建筑物候选区；
聚类分析模块，其配置为针对独立高亮的建筑物候选区提取其最小外接矩形，计算矩形区域内距离向上每一行的亮线长度并记录其所在行位置，并基于该长度和行位置属性利用聚类算法对其进行聚类；
建筑物叠掩区提取模块，其配置为获取聚类后的每个类别所对应的二值区域，基于叠掩区平行四边形几何形状的限制，利用仿射变换和最小二乘方法对其进行拟合，获取优化后的建筑物候选区；
计算模块，其配置为基于叠掩区的像元长度、像元采样间隔和雷达入射角计算建筑物高度。
应当理解的是，本领域技术人员结合上文的详细介绍，可以得到本发明的实施例的基于高分辨率SAR图像的城市高层建筑物高度提取装置的模块化架构，也可以依据本领域技术常识对本发明的实施例的基于高分辨率SAR图像的城市高层建筑物高度提取装置做不超出本发明所要求保护范围内的变化扩展，因此，本申请不再在说明书附图中以附图形式赘述相应的模块化架构。
本发明的优点在于：
(1)本发明提出一种高分辨率SAR图像的城市高层建筑物高度提取方法，该方法利用聚类分析初步确定高层建筑物叠掩区范围；可实现不同叠掩面的分离。
(2)本发明提出一种高分辨率SAR图像的城市高层建筑物高度提取方法，该方法精度高。利用局部的叠掩区平行四边形拟合和优化，克服图像高分辨率特性带来的叠掩面匀质性较低问题，建筑物高度提取误差小。
(3)本发明提出一种高分辨率SAR图像的城市高层建筑物高度提取方法，该方法在综合利用图像亮度、几何形状等信息对建筑物高度提取方面进行了开创性的工作。
以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (10)
1.一种基于高分辨率SAR图像的城市高层建筑物高度提取方法，包括：
对原始高分辨率SAR图像采用非局部滤波，对滤波后SAR图像分割获取匀质区域，然后从中提取阴影区和高亮区，并利用阴影区和高亮区在距离向的位置关系确定建筑物候选区；
针对独立高亮的建筑物候选区提取其最小外接矩形，计算矩形区域内距离向上每一行的亮线长度并记录其所在行位置，并基于该长度和行位置属性利用聚类算法对其进行聚类；
获取聚类后的每个类别所对应的二值区域，基于叠掩区平行四边形几何形状的限制，利用仿射变换和最小二乘方法对其进行拟合，获取优化后的建筑物候选区；
基于叠掩区的像元长度、像元采样间隔和雷达入射角计算建筑物高度。
2.根据权利要求1所述的基于高分辨率SAR图像的城市高层建筑物高度提取方法，其中，所述聚类算法采用Affinity Propagation(AP)聚类算法，包括以下步骤：
统计最小外接矩形区域内每一行上的亮线长度为l，行坐标为r，则每一行构建为一个数据点x(l,r)，最终获取数据集{x1,x2...,xn}，其中，l刻画的是叠掩区长度的相似性，r刻画的是距离上的邻近性，令s是一个刻画点之间相似度的矩阵，s(i,j)表示xi与xj之间的相似度；
采用AP算法进行迭代计算，以更新两个吸引信息矩阵和归属信息矩阵，所述吸引信息矩阵和归属信息矩阵存在交替。
3.根据权利要求2所述的基于高分辨率SAR图像的城市高层建筑物高度提取方法，其中，所述吸引信息矩阵R中的每个元素r(i,k)描述的是数据对象k适合作为数据对象i的聚类中心的程度，表示从i到k的消息；
所述归属信息矩阵A中的每个元素a(i,k)描述的是数据对象i选择数据对象k作为其聚类中心的适合程度，表示从k到i的消息。
4.根据权利要求3所述的基于高分辨率SAR图像的城市高层建筑物高度提取方法，其中，
所述吸引信息矩阵的初始值为0，迭代计算方式如下：
其中s(i,k)定义为
s(i,k)＝-α·(xi[l]-xk[l])2-β·(xi[r]-xk[r])2
当α与β都为1时，s(i,k)为xi与xk之间的欧式距离；
所述归属信息矩阵的初始值为0，迭代计算方式如下：
在进行迭代时，如果这些决策经过若干次迭代之后保持不变、或者算法执行超过设定的迭代次数、或者一个小区域内的关于样本点的决策经过数次迭代后保持不变，则算法结束。
5.根据权利要求4所述的基于高分辨率SAR图像的城市高层建筑物高度提取方法，其中，在AP算法更新信息时引入了衰减系数λ(0＜λ＜1)以避免震荡，每条信息被设置为它前次迭代更新值的λ倍加上本次信息更新值的1-λ倍，即：
rt+1(i,k)＝(1-λ)rt+1(i,k)+λrt(i,k)
at+1(i,k)＝(1-λ)at+1(i,k)+λat(i,k)。
6.根据权利要求1所述的基于高分辨率SAR图像的城市高层建筑物高度提取方法，其中，所述仿射变换包括：
获取该二值区域的最小外接矩形，基于该矩形边界通过仿射变换最大限度匹配二值区域的边界；
令矩形边界点为E0，(x0,y0)∈E0；二值区域真实边界为Ep，(xp,yp)∈Ep，仿射变化得到的边界Ef，(xf,yf)∈Ef，则仿射变换的公式为：
其中，sx为水平方向的拉伸因子，tx为水平方向的偏移量，α为错切参数，且
7.根据权利要求6所述的基于高分辨率SAR图像的城市高层建筑物高度提取方法，其中，所述拟合包括：
为获取Ef与Ep的最佳匹配，将(xp,yp)作为(xf,yf)的替代值代入上述仿射变换公式，基于最小二乘方法获取sx，tx和α三个参数，计算公式为：
其中N为Ef中参与参数计算的总像元个数。
8.根据权利要求7所述的基于高分辨率SAR图像的城市高层建筑物高度提取方法，其中，所述拟合还包括：
首先，需要建立(xp,yp)与(xf,yf)之间的一一对应关系；
叠掩区形成的平行四边形的水平边界上的点不参与计算，其余边界点可根据yp＝yf＝y0建立稳定的一一对应关系，并参与仿射变换参数的解算。
9.根据权利要求1所述的基于高分辨率SAR图像的城市高层建筑物高度提取方法，其中，基于叠掩区的像元长度、像元采样间隔和雷达入射角计算建筑物高度包括：
在获取叠掩区平行四边形后，计算其距离向像元长度为n，配合图像距离向采样间隔δ，雷达入射角θ，建立建筑物高度反演公式为：
10.一种基于高分辨率SAR图像的城市高层建筑物高度提取装置，包括：
选取区域模块，其配置为对原始高分辨率SAR图像采用非局部滤波，对滤波后SAR图像分割获取匀质区域，然后从中提取阴影区和高亮区，并利用阴影区和高亮区在距离向的位置关系确定建筑物候选区；
聚类分析模块，其配置为针对独立高亮的建筑物候选区提取其最小外接矩形，计算矩形区域内距离向上每一行的亮线长度并记录其所在行位置，并基于该长度和行位置属性利用聚类算法对其进行聚类；
建筑物叠掩区提取模块，其配置为获取聚类后的每个类别所对应的二值区域，基于叠掩区平行四边形几何形状的限制，利用仿射变换和最小二乘方法对其进行拟合，获取优化后的建筑物候选区；
计算模块，其配置为基于叠掩区的像元长度、像元采样间隔和雷达入射角计算建筑物高度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710909872.3A CN109583284B (zh) | 2017-09-29 | 2017-09-29 | 基于高分辨率sar图像的城市高层建筑物高度提取方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710909872.3A CN109583284B (zh) | 2017-09-29 | 2017-09-29 | 基于高分辨率sar图像的城市高层建筑物高度提取方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109583284A true CN109583284A (zh) | 2019-04-05 |
| CN109583284B CN109583284B (zh) | 2023-09-12 |
Family
ID=65918910
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710909872.3A Active CN109583284B (zh) | 2017-09-29 | 2017-09-29 | 基于高分辨率sar图像的城市高层建筑物高度提取方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109583284B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111323768A (zh) * | 2020-02-26 | 2020-06-23 | 北京佳格天地科技有限公司 | 建筑物变化的识别方法、装置、终端及存储介质 |
| CN111487622A (zh) * | 2020-06-15 | 2020-08-04 | 中国南方电网有限责任公司 | 输电铁塔变形监测方法、装置、计算机设备和存储介质 |
| CN112766154A (zh) * | 2021-01-19 | 2021-05-07 | 中国地质大学（武汉） | 一种高分辨率sar图像建筑物叠掩提取方法 |
| CN112767469A (zh) * | 2021-01-25 | 2021-05-07 | 东南大学 | 一种城市海量建筑高度智能化获取方法 |
| CN112883796A (zh) * | 2021-01-19 | 2021-06-01 | 中国地质大学（武汉） | 基于叠掩信息的sar图像多类型建筑物高度估计方法 |
| CN115620169A (zh) * | 2022-12-15 | 2023-01-17 | 北京数慧时空信息技术有限公司 | 基于区域一致性的建筑物主角度修正方法 |
| CN116106904A (zh) * | 2023-02-22 | 2023-05-12 | 深圳大学 | 面向对象MT-InSAR的设施变形监测方法及设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101894382A (zh) * | 2010-07-23 | 2010-11-24 | 同济大学 | 一种集成LiDAR点云的卫星立体影像阴影计算方法 |
| US20110033110A1 (en) * | 2008-04-23 | 2011-02-10 | Pasco Corporation | Building roof outline recognizing device, building roof outline recognizing method, and building roof outline recognizing program |
| CN103400137A (zh) * | 2013-08-23 | 2013-11-20 | 中国科学院遥感与数字地球研究所 | 一种sar图像的建筑物几何参数提取方法 |
| CN103675814A (zh) * | 2013-09-25 | 2014-03-26 | 中国科学院电子学研究所 | 基于圆周sar确定建筑物地平面高度的方法 |
| CN104200521A (zh) * | 2014-09-04 | 2014-12-10 | 中国科学院遥感与数字地球研究所 | 基于模型先验的高分辨率 sar 图像建筑物目标三维重建方法 |
| CN105787450A (zh) * | 2016-02-26 | 2016-07-20 | 中国空间技术研究院 | 一种基于高分辨率sar图像的城市地区建筑物检测方法 |
| 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 |
-
2017
- 2017-09-29 CN CN201710909872.3A patent/CN109583284B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110033110A1 (en) * | 2008-04-23 | 2011-02-10 | Pasco Corporation | Building roof outline recognizing device, building roof outline recognizing method, and building roof outline recognizing program |
| CN101894382A (zh) * | 2010-07-23 | 2010-11-24 | 同济大学 | 一种集成LiDAR点云的卫星立体影像阴影计算方法 |
| CN103400137A (zh) * | 2013-08-23 | 2013-11-20 | 中国科学院遥感与数字地球研究所 | 一种sar图像的建筑物几何参数提取方法 |
| CN103675814A (zh) * | 2013-09-25 | 2014-03-26 | 中国科学院电子学研究所 | 基于圆周sar确定建筑物地平面高度的方法 |
| CN104200521A (zh) * | 2014-09-04 | 2014-12-10 | 中国科学院遥感与数字地球研究所 | 基于模型先验的高分辨率 sar 图像建筑物目标三维重建方法 |
| CN105787450A (zh) * | 2016-02-26 | 2016-07-20 | 中国空间技术研究院 | 一种基于高分辨率sar图像的城市地区建筑物检测方法 |
| 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 |
Non-Patent Citations (8)
| Title |
|---|
| LIBING JIANG等: "Model based building height retrieval from single SAR images", 《2011 6TH IEEE JOINT INTERNATIONAL INFORMATION TECHNOLOGY AND ARTIFICIAL INTELLIGENCE CONFERENCE》 * |
| 崔丽萍等: "基于高分辨率合成孔径雷达影像建筑物成像几何结构的震害特征分析", 《地震学报》 * |
| 徐旭等: "基于L型结构中心线的SAR图像建筑物提取方法", 《计算机应用研究》 * |
| 徐旭等: "基于高亮模型匹配的SAR建筑物高度反演方法", 《计算机工程与应用》 * |
| 徐旭等: "基于高亮特征匹配的双视向SAR图像建筑物高度提取", 《遥感技术与应用》 * |
| 朱俊杰等: "高分辨率SAR与光学图像融合用于建筑物屋顶提取", 《中国科学院研究生院学报》 * |
| 王世新等: "基于后向散射模型的多极化SAR影像建筑物高度提取", 《国土资源遥感》 * |
| 王国军等: "几何模型约束的SAR图像建筑物提取", 《红外与毫米波学报》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111323768A (zh) * | 2020-02-26 | 2020-06-23 | 北京佳格天地科技有限公司 | 建筑物变化的识别方法、装置、终端及存储介质 |
| CN111323768B (zh) * | 2020-02-26 | 2023-12-12 | 北京佳格天地科技有限公司 | 建筑物变化的识别方法、装置、终端及存储介质 |
| CN111487622A (zh) * | 2020-06-15 | 2020-08-04 | 中国南方电网有限责任公司 | 输电铁塔变形监测方法、装置、计算机设备和存储介质 |
| CN112766154A (zh) * | 2021-01-19 | 2021-05-07 | 中国地质大学（武汉） | 一种高分辨率sar图像建筑物叠掩提取方法 |
| CN112883796A (zh) * | 2021-01-19 | 2021-06-01 | 中国地质大学（武汉） | 基于叠掩信息的sar图像多类型建筑物高度估计方法 |
| CN112767469A (zh) * | 2021-01-25 | 2021-05-07 | 东南大学 | 一种城市海量建筑高度智能化获取方法 |
| 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 |
| CN115620169A (zh) * | 2022-12-15 | 2023-01-17 | 北京数慧时空信息技术有限公司 | 基于区域一致性的建筑物主角度修正方法 |
| CN115620169B (zh) * | 2022-12-15 | 2023-04-07 | 北京数慧时空信息技术有限公司 | 基于区域一致性的建筑物主角度修正方法 |
| CN116106904A (zh) * | 2023-02-22 | 2023-05-12 | 深圳大学 | 面向对象MT-InSAR的设施变形监测方法及设备 |
| CN116106904B (zh) * | 2023-02-22 | 2023-07-18 | 深圳大学 | 面向对象MT-InSAR的设施变形监测方法及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109583284B (zh) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109583284A (zh) | 基于高分辨率sar图像的城市高层建筑物高度提取方法及装置 | |
| US9972067B2 (en) | System and method for upsampling of sparse point cloud for 3D registration | |
| Yang et al. | Plane detection in point cloud data | |
| US20090105954A1 (en) | Geospatial modeling system and related method using multiple sources of geographic information | |
| Wang et al. | Postearthquake building damage assessment using multi-mutual information from pre-event optical image and postevent SAR image | |
| CN110728671B (zh) | 基于视觉的无纹理场景的稠密重建方法 | |
| CN105954747A (zh) | 基于电网不良地质体三维形变监测的塔基稳定性分析方法 | |
| Ermolaev et al. | Automated construction of the boundaries of basin geosystems for the Volga Federal District | |
| Kang et al. | The change detection of building models using epochs of terrestrial point clouds | |
| CN113050074B (zh) | 无人驾驶环境感知中相机与激光雷达标定系统及标定方法 | |
| Rumpler et al. | Multi-view stereo: Redundancy benefits for 3D reconstruction | |
| CN109472802A (zh) | 一种基于边缘特征自约束的表面网格模型构建方法 | |
| CN113281749B (zh) | 一种顾及同质性的时序InSAR高相干点选取方法 | |
| Bronzino et al. | Laser-visual-inertial odometry based solution for 3D heritage modeling: The Sanctuary of the Blessed Virgin of Trompone | |
| Schunert et al. | Grouping of persistent scatterers in high-resolution SAR data of urban scenes | |
| CN104318566B (zh) | 可返回多个高程值的新型多视影像铅垂线轨迹匹配方法 | |
| Barrile et al. | 3D modeling with photogrammetry by UAVs and model quality verification | |
| CN113642463B (zh) | 一种视频监控和遥感图像的天地多视图对齐方法 | |
| Parmehr et al. | Automatic registration of optical imagery with 3d lidar data using local combined mutual information | |
| CN110276240B (zh) | 一种sar图像建筑物墙面窗户信息提取方法 | |
| Parmehr et al. | Automatic registration of multi-source data using mutual information | |
| Wang et al. | Building height estimation from high resolution SAR imagery via model-based geometrical structure prediction | |
| Sammartano et al. | High scale 3D modelling and orthophoto of curved masonries for a multipurpose representation, analysis and assessment | |
| Shan et al. | Feasibility of Accurate Point Cloud Model Reconstruction for Earthquake-Damaged Structures Using UAV-Based Photogrammetry | |
| CN113822891B (zh) | 一种融合激光点云与全景图像的隧洞病害检测方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230817 Address after: 100190 No. 19 West North Fourth Ring Road, Haidian District, Beijing Applicant after: Research Institute of aerospace information innovation, Chinese Academy of Sciences Address before: No. 9 Dengzhuang South Road, Haidian District, Beijing 100094 Applicant before: Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |