CN109635715A - 一种遥感图像建筑物提取方法 - Google Patents
一种遥感图像建筑物提取方法 Download PDFInfo
- Publication number
- CN109635715A CN109635715A CN201811494383.7A CN201811494383A CN109635715A CN 109635715 A CN109635715 A CN 109635715A CN 201811494383 A CN201811494383 A CN 201811494383A CN 109635715 A CN109635715 A CN 109635715A
- Authority
- CN
- China
- Prior art keywords
- building
- remote sensing
- seed point
- region
- sensing images
- 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
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种遥感图像建筑物提取方法。包括如下步骤:步骤1,输入遥感图像;步骤2,图像增强;步骤3,计算内部灰度方差特征空间;步骤4,提取候选种子点;步骤5,映射聚类种子点集合;步骤6,聚类;步骤7,二值化;步骤8,形态学滤波;步骤9,求最小外接矩形;步骤10,分割;步骤11,输出建筑物集合。解决了遥感影像中建筑物提取准确性不高的问题,达到完全自动化的效果。可以用于遥感影像制图、地理信息系统的数据获取和自动更新。
Description
技术领域
本发明涉及一种遥感图像处理领域,具体说是一种遥感图像建筑物提取方法。
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
本发明提供了一种遥感图像建筑物提取方法,可克服目前遥感影像中建筑物提取困难的问题,可以检测遥感影像中具有光谱均一性的建筑物目标,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方法包括以下步骤:
步骤1:输入遥感图像I;
步骤2:对遥感图像I进行增强,得到增强后的图像Ie;
步骤3:通过下式计算图像Ie的内部灰度方差特征空间Mgv:
式中,(x,y)为坐标点位置,m(x,y)为图像Ie中坐标点(x,y)的平均灰度值,L为滑动窗口的边长;
步骤4:将兴趣区域R初始化为图像Ie,将聚类种子点集合SeedSet初始化为空集,提取图像Ie的种子点,包括以下步骤:
步骤4.1:计算兴趣区域R的最大灰度值Vmax和最小灰度值Vmin;
步骤4.2:计算兴趣区域R的灰度直方图H,并用H(i)表示灰度值为i的像素点的数量,其中,i∈[0,K-1],K为兴趣区域R所包含的灰度等级;
步骤4.3:将兴趣区域R中灰度值等于max(H(i))的像素点添加到候选种子点集合SeedSet中,max为取最大值函数;
步骤4.4:遍历候选种子点集合SeedSet中的所有聚类种子点S,用下式计算兴趣区域R中的灰度变分值SD:
式中,VS为候选种子点S的灰度值,Gi为兴趣区域R中第i个灰度等级,i∈[0,K-1];
步骤4.5:判断兴趣区域R的同质特性,当SD大于Th时,表示兴趣区域R是同质区域,结束步骤4,进入步骤5,否则进入步骤4.6,其中,Th为同质因子;
步骤4.6:分裂兴趣区,当VS-f×SD≤Gi≤VS+f×SD时,删除灰度值属于区间[VS-f×SD,VS+f×SD]的像素点,并将剩余的像素点分裂为两个兴趣区:即[Vmin,VS-f×SD]和[VS+f×SD,Vmax],其中,f为灰度变分值调整系数;
步骤4.7:将兴趣区域R分别更新为[Vmin,VS-f×SD]和[VS+f×SD,Vmax],迭代运行步骤4.1~步骤4.6;
步骤5:将步骤4.3中的候选种子点集合SeedSet的所有种子点映射到内部灰度方差特征空间Mgv中,得到内部灰度方差特征空间中的聚类种子点集合MgvSeedSet;
步骤6:用聚类种子点集合MgvSeedSet中的种子点进行聚类操作,得到聚类对象集合CO;
步骤7:对聚类对象集合CO进行二值化运算,得到二值聚类对象集合BCO;
步骤8:对二值聚类对象集合BCO进行形态学滤波,得到候选建筑物集合CBS;
步骤9:分别计算候选建筑物集合CBS中每个对象的最小外接矩形,得到矩形建筑物集合RBS;
步骤10:提取建筑物的轮廓,即采用活动轮廓模型分别对矩形建筑物集合RBS中的每个对象所包含的图像Ie的区域进行分割,得到建筑物集合Bout;
步骤11:输出建筑物集合Bout。
步骤2所述的增强方法采用直方图均衡化方法。
步骤6所述的聚类操作采用基于灰度值的最近邻聚类方法。
步骤8所述的形态学滤波包括用于去除小面积干扰区域的形态学开运算及细化操作。
步骤10所述的活动轮廓模型可以采用Snake模型,并将其初始轮廓曲线设定为候选建筑物集合CBS中每个对象的最小外接矩形。
步骤11所述的输出包括显示建筑物集合Bout中每个建筑物的轮廓信息。
本发明的有益效果是:解决了遥感影像中建筑物提取准确性不高的问题,达到完全自动化的效果。可以用于遥感影像制图、地理信息系统的数据获取和自动更新。
附图说明
图1是本发明的总体处理流程图;
图2是本发明的提取候选种子点的处理方法流程图。
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。
图1是本发明的总体处理流程图。如图1所示,101是输入遥感图像步骤,102是图像增强步骤,103是计算内部灰度方差特征空间步骤,104是提取候选种子点步骤,105是映射聚类种子点集合步骤,106是聚类步骤,107是二值化步骤,108是形态学滤波步骤,109是求最小外接矩形步骤,110是分割步骤,111是输出建筑物集合步骤。
步骤101:输入遥感图像I;
步骤102:利用直方图均衡化对遥感图像I进行增强,得到增强后的图像Ie;
步骤103:通过下式计算图像Ie的内部灰度方差特征空间Mgv:
式中,(x,y)为坐标点位置,m(x,y)为图像Ie中坐标点(x,y)的平均灰度值,L为滑动窗口的边长,将L设置为5;
步骤104:将兴趣区域R初始化为图像Ie,将聚类种子点集合SeedSet初始化为空集,提取图像Ie的种子点,并添加到候选种子点集合SeedSet中;
步骤105:将候选种子点集合SeedSet的所有种子点映射到内部灰度方差特征空间Mgv中,得到内部灰度方差特征空间中的聚类种子点集合MgvSeedSet;
步骤106:用聚类种子点集合MgvSeedSet中的种子点进行聚类操作,其中聚类方法采用基于灰度值的最近邻聚类方法,得到聚类对象集合CO;
步骤107:对聚类对象集合CO进行二值化运算,得到二值聚类对象集合BCO;
步骤108:对二值聚类对象集合BCO进行形态学滤波,包括用于去除小面积干扰区域的形态学开运算及细化操作,得到候选建筑物集合CBS;
步骤109:分别计算候选建筑物集合CBS中每个对象的最小外接矩形,得到矩形建筑物集合RBS;
步骤110:提取建筑物的轮廓,即采用活动轮廓模型分别对矩形建筑物集合RBS中的每个对象所包含的图像Ie的区域进行分割,活动轮廓模型采用Snake模型,并将其初始轮廓曲线设定为候选建筑物集合CBS中每个对象的最小外接矩形,得到建筑物集合Bout;
步骤111:输出建筑物集合Bout,并显示建筑物集合Bout中每个建筑物的轮廓信息。
图2是本发明的提取候选种子点的处理方法流程图。如图2所示,In4是输入兴趣区步骤,401是计算最大灰度值和最小灰度值步骤,402是计算灰度直方图步骤,403是提取候选种子点步骤,404是计算灰度变分值步骤,405是判断兴趣区是否为同质区域步骤,406是分裂兴趣区步骤,407是更新兴趣区步骤,Out4是输出候选种子点步骤。
步骤In4:输入兴趣区R;
步骤401:计算兴趣区域R的最大灰度值Vmax和最小灰度值Vmin;
步骤402:计算兴趣区域R的灰度直方图H,并用H(i)表示灰度值为i的像素点的数量,其中,i∈[0,K-1],K为兴趣区域R所包含的灰度等级;
步骤403:将兴趣区域R中灰度值等于max(H(i))的像素点添加到候选种子点集合SeedSet中,max为取最大值函数;
步骤404:遍历候选种子点集合SeedSet中的所有聚类种子点S,用下式计算兴趣区域R中的灰度变分值SD:
式中,VS为候选种子点S的灰度值,Gi为兴趣区域R中第i个灰度等级,i∈[0,K-1];
步骤405:判断兴趣区域R的同质特性,当SD大于Th时,表示兴趣区域R是同质区域,进入步骤Out4,否则进入步骤406,其中,Th为同质因子;
步骤406:分裂兴趣区,当VS-f×SD≤Gi≤VS+f×SD时,删除灰度值属于区间[VS-f×SD,VS+f×SD]的像素点,并将剩余的像素点分裂为两个兴趣区:即[Vmin,VS-f×SD]和[VS+f×SD,Vmax],其中,f为灰度变分值调整系数;
步骤407:将兴趣区域R分别更新为[Vmin,VS-f×SD]和[VS+f×SD,Vmax],迭代运行步骤401~步骤406;
步骤Out4:输出候选种子点。
Claims (6)
1.一种遥感图像建筑物提取方法,其特征在于包括以下步骤:
步骤1:输入遥感图像I;
步骤2:对遥感图像I进行增强,得到增强后的图像Ie;
步骤3:通过下式计算图像Ie的内部灰度方差特征空间Mgv:
式中,(x,y)为坐标点位置,m(x,y)为图像Ie中坐标点(x,y)的平均灰度值,L为滑动窗口的边长;
步骤4:将兴趣区域R初始化为图像Ie,将聚类种子点集合SeedSet初始化为空集,提取图像Ie的种子点,包括以下步骤:
步骤4.1:计算兴趣区域R的最大灰度值Vmax和最小灰度值Vmin;
步骤4.2:计算兴趣区域R的灰度直方图H,并用H(i)表示灰度值为i的像素点的数量,其中,i∈[0,K-1],K为兴趣区域R所包含的灰度等级;
步骤4.3:将兴趣区域R中灰度值等于max(H(i))的像素点添加到候选种子点集合SeedSet中,max为取最大值函数;
步骤4.4:遍历候选种子点集合SeedSet中的所有聚类种子点S,用下式计算兴趣区域R中的灰度变分值SD:
式中,VS为候选种子点S的灰度值,Gi为兴趣区域R中第i个灰度等级,i∈[0,K-1];
步骤4.5:判断兴趣区域R的同质特性,当SD大于Th时,表示兴趣区域R是同质区域,结束步骤4,进入步骤5,否则进入步骤4.6,其中,Th为同质因子;
步骤4.6:分裂兴趣区,当VS-f×SD≤Gi≤VS+f×SD时,删除灰度值属于区间[VS-f×SD,VS+f×SD]的像素点,并将剩余的像素点分裂为两个兴趣区:即[Vmin,VS-f×SD]和[VS+f×SD,Vmax],其中,f为灰度变分值调整系数;
步骤4.7:将兴趣区域R分别更新为[Vmin,VS-f×SD]和[VS+f×SD,Vmax],迭代运行步骤4.1~步骤4.6;
步骤5:将步骤4.3中的候选种子点集合SeedSet的所有种子点映射到内部灰度方差特征空间Mgv中,得到内部灰度方差特征空间中的聚类种子点集合MgvSeedSet;
步骤6:用聚类种子点集合MgvSeedSet中的种子点进行聚类操作,得到聚类对象集合CO;
步骤7:对聚类对象集合CO进行二值化运算,得到二值聚类对象集合BCO;
步骤8:对二值聚类对象集合BCO进行形态学滤波,得到候选建筑物集合CBS;
步骤9:分别计算候选建筑物集合CBS中每个对象的最小外接矩形,得到矩形建筑物集合RBS;
步骤10:提取建筑物的轮廓,即采用活动轮廓模型分别对矩形建筑物集合RBS中的每个对象所包含的图像Ie的区域进行分割,得到建筑物集合Bout;
步骤11:输出建筑物集合Bout。
2.根据权利要求1所述的一种遥感图像建筑物提取方法,其特征在于步骤2所述的增强方法采用直方图均衡化方法。
3.根据权利要求1所述的一种遥感图像建筑物提取方法,其特征在于步骤6所述的聚类操作采用基于灰度值的最近邻聚类方法。
4.根据权利要求1所述的一种遥感图像建筑物提取方法,其特征在于步骤8所述的形态学滤波包括用于去除小面积干扰区域的形态学开运算及细化操作。
5.根据权利要求1所述的一种遥感图像建筑物提取方法,其特征在于步骤10所述的活动轮廓模型可以采用Snake模型,并将其初始轮廓曲线设定为候选建筑物集合CBS中每个对象的最小外接矩形。
6.根据权利要求1所述的一种遥感图像建筑物提取方法,其特征在于步骤11所述的输出包括显示建筑物集合Bout中每个建筑物的轮廓信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811494383.7A CN109635715B (zh) | 2018-12-07 | 2018-12-07 | 一种遥感图像建筑物提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811494383.7A CN109635715B (zh) | 2018-12-07 | 2018-12-07 | 一种遥感图像建筑物提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109635715A true CN109635715A (zh) | 2019-04-16 |
CN109635715B CN109635715B (zh) | 2022-09-30 |
Family
ID=66071964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811494383.7A Active CN109635715B (zh) | 2018-12-07 | 2018-12-07 | 一种遥感图像建筑物提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635715B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110335287A (zh) * | 2019-07-15 | 2019-10-15 | 北华航天工业学院 | 建筑图像数据的提取方法及装置 |
CN110796042A (zh) * | 2019-10-16 | 2020-02-14 | 长江大学 | 基于偏移阴影样本形态变换的高分遥感影像建筑物提取方法 |
CN111754536A (zh) * | 2020-06-29 | 2020-10-09 | 上海商汤智能科技有限公司 | 图像标注方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140072209A1 (en) * | 2012-09-13 | 2014-03-13 | Los Alamos National Security, Llc | Image fusion using sparse overcomplete feature dictionaries |
CN104794478A (zh) * | 2015-05-04 | 2015-07-22 | 福建师范大学 | 一种用于遥感影像中具有均匀光谱特性的建筑物提取方法 |
CN105761266A (zh) * | 2016-02-26 | 2016-07-13 | 民政部国家减灾中心 | 从遥感图像中提取矩形建筑物的方法 |
CN108491826A (zh) * | 2018-04-08 | 2018-09-04 | 福建师范大学 | 一种遥感影像建筑物的自动提取方法 |
-
2018
- 2018-12-07 CN CN201811494383.7A patent/CN109635715B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140072209A1 (en) * | 2012-09-13 | 2014-03-13 | Los Alamos National Security, Llc | Image fusion using sparse overcomplete feature dictionaries |
CN104794478A (zh) * | 2015-05-04 | 2015-07-22 | 福建师范大学 | 一种用于遥感影像中具有均匀光谱特性的建筑物提取方法 |
CN105761266A (zh) * | 2016-02-26 | 2016-07-13 | 民政部国家减灾中心 | 从遥感图像中提取矩形建筑物的方法 |
CN108491826A (zh) * | 2018-04-08 | 2018-09-04 | 福建师范大学 | 一种遥感影像建筑物的自动提取方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110335287A (zh) * | 2019-07-15 | 2019-10-15 | 北华航天工业学院 | 建筑图像数据的提取方法及装置 |
CN110796042A (zh) * | 2019-10-16 | 2020-02-14 | 长江大学 | 基于偏移阴影样本形态变换的高分遥感影像建筑物提取方法 |
CN110796042B (zh) * | 2019-10-16 | 2023-04-21 | 长江大学 | 基于偏移阴影样本形态变换的高分遥感影像建筑物提取方法 |
CN111754536A (zh) * | 2020-06-29 | 2020-10-09 | 上海商汤智能科技有限公司 | 图像标注方法、装置、电子设备及存储介质 |
WO2022001256A1 (zh) * | 2020-06-29 | 2022-01-06 | 上海商汤智能科技有限公司 | 图像标注方法、装置、电子设备及存储介质 |
CN111754536B (zh) * | 2020-06-29 | 2024-04-16 | 上海商汤智能科技有限公司 | 图像标注方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109635715B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ibrahim et al. | Image segmentation methods based on superpixel techniques: A survey | |
CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
CN106127791B (zh) | 一种航空遥感影像的建筑物轮廓线提取方法 | |
CN106709517B (zh) | 红树林识别方法及系统 | |
CN110738676A (zh) | 一种结合RGBD数据的GrabCut自动分割算法 | |
CN108830844B (zh) | 一种基于多时相高分辨率遥感影像的设施蔬菜提取方法 | |
CN109635715A (zh) | 一种遥感图像建筑物提取方法 | |
CN105957124B (zh) | 具有重复场景元素的自然图像颜色编辑方法及装置 | |
CN112287838B (zh) | 基于静止气象卫星影像序列的云雾自动判识方法及系统 | |
CN113223042A (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
CN113297988A (zh) | 一种基于域迁移和深度补全的物体姿态估计方法 | |
Srinivas et al. | Remote sensing image segmentation using OTSU algorithm | |
CN110070545A (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
Femiani et al. | Shadow-based rooftop segmentation in visible band images | |
Zhou et al. | Stratified Object‐Oriented Image Classification Based on Remote Sensing Image Scene Division | |
CN108022245A (zh) | 基于面线基元关联模型的光伏面板模板自动生成方法 | |
CN107481243A (zh) | 基于羊只俯视图的羊只体尺检测方法 | |
CN113392704B (zh) | 一种山地道路边线位置检测方法 | |
Zhou et al. | Geo-parcel-based change detection using optical and SAR images in cloudy and rainy areas | |
CN107194405B (zh) | 一种交互式半自动高分辨率遥感影像建筑物提取的方法 | |
CN110059704B (zh) | 一种视觉注意模型驱动的稀土矿区遥感信息智能提取方法 | |
CN115497006B (zh) | 基于动态混合策略的城区遥感图像变化深度监测方法及系统 | |
Wang et al. | An unsupervised multi-scale segmentation method based on automated parameterization | |
CN111241916A (zh) | 一种交通标志识别模型的建立方法 | |
CN105761250A (zh) | 一种基于模糊场景分割的建筑物提取方法 |
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 |