CN110335287A - 建筑图像数据的提取方法及装置 - Google Patents
建筑图像数据的提取方法及装置 Download PDFInfo
- Publication number
- CN110335287A CN110335287A CN201910635956.1A CN201910635956A CN110335287A CN 110335287 A CN110335287 A CN 110335287A CN 201910635956 A CN201910635956 A CN 201910635956A CN 110335287 A CN110335287 A CN 110335287A
- Authority
- CN
- China
- Prior art keywords
- boundary
- remote sensing
- target building
- frequency domain
- energy
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 238000001228 spectrum Methods 0.000 claims description 36
- 238000001914 filtration Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000011478 gradient descent method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000013075 data extraction Methods 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 description 15
- 238000003709 image segmentation Methods 0.000 description 9
- 230000000007 visual effect Effects 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003517 fume Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种建筑图像数据的提取方法及装置，涉及遥感的技术领域，上述方法包括：获取包含有目标建筑的遥感影像；将遥感影像和预先设置的遥感影像对应的初始轮廓线输入至预先建立的频域边界能量模型中，输出目标建筑的最终轮廓线；频域边界能量模型通过高斯差分滤波器建立；根据最终轮廓线从遥感影像中提取目标建筑的图像数据。本发明通过遥感获得的目标建筑的遥感影像之后，将该遥感影像和预先设置的所述遥感影像对应的初始轮廓线输入通过高斯差分滤波器预先建立的频域边界能量模型中，从而输出目标建筑的最终轮廓线并提取图像数据，该方式将图像分割技术应用到遥感影像中，减少了图像数据提取工作量，提高了提取效率和提取精度。
Description
技术领域
本发明涉及遥感技术领域，尤其是涉及一种建筑图像数据的提取方法及装置。
背景技术
对于大型建筑来说，建筑区域极为广泛，依靠传统的全方位实地考察，虽然能够获取到最真实数据，但财力人力物力的耗费极为巨大，且效率极低。与传统方法相比，遥感技术具有时效性强、经济效益高、获取的信息量多、视野广阔、数据的综合可比性突出等众多优点，使之具有更强的实施性与效益性。遥感技术获取到的信息具有高度的时间、空间同步性，这为人类分析国土、开发资源、监测污染、应对灾害等提供了新的途径。近年来，遥感技术发展迅速，将遥感技术应用到长城地物获取的技术日趋成熟。
最初，目视解译作为先驱技术，是人们从遥感图像上获取信息的唯一手段，而后衍生了通过自动提取技术与模式辨别技术的结合从遥感图像上获取信息的方法。然而，目视解译技术方法工作量大、效率低，不仅容易将建筑与道路等相似地物混淆，而且容易受到工作人员主观判断的限制，无法大范围推广。自动提取技术与模式辨别技术的结合方法提取建筑图像数据的效率低、精度差，由于边界纹理对于目标地物的影响较大，因而对于遥感影像的要求较高。
针对上述现有技术中建筑图像数据提取方法存在工作量大、效率低、精度差的问题，目前尚未提出有效解决方案。
发明内容
有鉴于此，本发明的目的在于提供一种建筑图像数据的提取方法及装置，以减少图像数据提取工作量，提高提取效率并且增加提取精度。
第一方面，本发明实施例提供了一种建筑图像数据的提取方法，方法包括：获取包含有目标建筑的遥感影像；将遥感影像和预先设置的遥感影像对应的初始轮廓线输入至预先建立的频域边界能量模型中，输出目标建筑的最终轮廓线；频域边界能量模型通过高斯差分滤波器建立；根据最终轮廓线从遥感影像中提取目标建筑的图像数据。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，将遥感影像和预先设置的遥感影像对应的初始轮廓线输入至预先建立的频域边界能量模型中，输出目标建筑的最终轮廓线的步骤，包括：对遥感影像进行傅里叶变换，得到遥感影像对应的频域空间的图像信息，以及频域空间的图像信息的功率谱；通过高斯差分过滤器对频域空间的图像信息进行频域过滤处理，得到过滤后的图像信息；计算过滤后的图像信息中，被初始轮廓线分割而成的遥感影像的各个子区域内，目标建筑的边界的功率谱；根据每个子区域内目标建筑的边界的功率谱，确定目标建筑的边界的能量；通过预设的水平集函数的演化过程，获取目标建筑的边界的能量的最小值，将最小值对应的边界确定为目标建筑的最终轮廓线。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，对遥感影像进行傅里叶变换，得到遥感影像对应的频域空间的图像信息，以及频域空间的图像信息的功率谱的步骤，包括：通过以下算式得到述高斯差分滤波器对应的傅里叶变换：其中，DoG(u)表示高斯差分滤波器对应的傅里叶变换；为σ表示为频域分量的截止点；G(u，σ)表示为频域分量的截止点为σ的高斯滤波器；σ1表示为调节高频分量的截止点；σ2表示为调节低频分量的截止点；u表示为频域变量；通过以下算式得到遥感影像对应的频域空间的图像信息：其中，I′表示为遥感影像对应的频域空间的图像信息；f(x)表示为遥感影像；F(u)表示为遥感影像对应的傅里叶变换；DoG(u)表示为高斯差分滤波器对应的傅里叶变换；u表示为频域变量；表示为卷积运算；⊙表示为数组元素的依次相乘；通过以下算式得到频域空间的图像信息的功率谱：P(u)＝|I′|2；其中，P(u)表示为频域空间的图像信息的功率谱；I′表示为遥感影像对应的频域空间的图像信息。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，根据每个子区域内目标建筑的边界的功率谱，确定目标建筑的边界的能量的步骤，包括：通过以下算式确定目标建筑的边界的能量：其中，E(c)表示目标建筑的边界的能量；pi(u)表示第i个子区域内目标建筑的边界的功率谱；u表示为频域变量。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，过预设的水平集函数的演化过程，获取目标建筑的边界的能量的最小值，将最小值对应的边界确定为目标建筑的最终轮廓线的步骤，包括：通过预设的水平集函数将目标建筑的边界的能量转化为空间域上的规则化的目标建筑的边界的能量；将空间域上的规则化的目标建筑的边界的能量结合水平集正则化和最短长度约束条件，得到目标建筑的边界的最终能量函数；通过梯度下降法将目标建筑的边界的最终能量函数收敛到最小值，并将最小值对应的边界确定为目标建筑的最终轮廓线。
结合第一方面的第四种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，通过预设的水平集函数将目标建筑的边界的能量转化为空间域上的规则化的目标建筑的边界的能量，包括：通过以下算式确定空间域上的规则化的目标建筑的边界的能量：
其中，EFBE(φ)表示为空间域上的规则化的目标建筑的边界的能量；Fi(u)表示为第i个子区域内遥感影像对应的傅里叶变换；DoG(u)表示高斯差分滤波器对应的傅里叶变换；F-1表示为傅里叶逆变换；H(φ)表示为以φ为变量的赫维赛德函数；M1(φ)和M2(φ)分别表示子区域Ω1和Ω2。
结合第一方面的第五种可能的实施方式，本发明实施例提供了第一方面的第六种可能的实施方式，其中，将空间域上的规则化的目标建筑的边界的能量结合水平集正则化和最短长度约束条件，得到目标建筑的边界的最终能量函数的步骤，包括：通过以下算式确定目标建筑的边界的最终能量函数：其中，E(φ)表示为目标建筑的边界的最终能量函数；EFBE(φ)表示为空间域上的规则化的目标建筑的边界的能量；λ、μ、υ表示为加权因子；δ(φ)表示为以φ为变量的狄拉克函数；Ω表示为遥感影像的图像域。
结合第一方面及其第一到第六种可能的实施方式之一，本发明实施例提供了第一方面的第七种可能的实施方式，其中，在将遥感影像和预先设置的遥感影像对应的初始轮廓线输入至预先建立的频域边界能量模型中，输出目标建筑的最终轮廓线的步骤之后，还包括：获得标定数据；比对标定数据和目标建筑的轮廓线，得到比对结果；根据比对结果优化频域边界能量模型。
第二方面，本发明实施例还提供一种建筑图像数据的提取装置，包括：遥感影像模块，用于获取包含有目标建筑的遥感影像；能量模型模块，用于将遥感影像和预先设置的遥感影像对应的初始轮廓线输入至预先建立的频域边界能量模型中，输出目标建筑的最终轮廓线；遥感影像携带有预先设置的初始轮廓线；频域边界能量模型通过高斯差分滤波器建立；图像数据模块，用于根据最终轮廓线从遥感影像中提取目标建筑的图像数据。
结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，还包括：傅里叶变换模块，用于对遥感影像进行傅里叶变换，得到遥感影像对应的频域空间的图像信息，以及频域空间的图像信息的功率谱；高斯差分过滤模块，用于通过高斯差分过滤器对频域空间的图像信息进行频域过滤处理，得到过滤后的图像信息；边界功率谱模块，用于计算过滤后的图像信息中，被初始轮廓线分割而成的遥感影像的各个子区域内，目标建筑的边界的功率谱；边界能量模块，用于根据每个子区域内目标建筑的边界的功率谱，确定目标建筑的边界的能量；最终轮廓线模块，用于通过预设的水平集函数的演化过程，获取目标建筑的边界的能量的最小值，将最小值对应的边界确定为目标建筑的最终轮廓线。
本发明实施例带来了以下有益效果：
本发明实施例提供的建筑图像数据的提取方法及装置，在通过遥感获得的目标建筑的遥感影像之后，将该遥感影像和预先设置的遥感影像对应的初始轮廓线输入通过高斯差分滤波器预先建立的频域边界能量模型中，输出目标建筑的最终轮廓线并提取图像数据，将图像分割技术应用到遥感影像中，以减少图像数据提取工作量，提高提取效率并且增加提取精度。
本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。
为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种建筑图像数据的提取方法的流程图；
图2为本发明实施例提供的一种频域边界能量模型使用方法的流程图；
图3为本发明实施例提供的一种频域边界能量模型使用方法的流程图；
图4为本发明实施例提供的一种建筑图像数据的提取和优化方法的示意图；
图5为本发明实施例提供的一种建筑图像数据的提取装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前，从遥感影响上获取图像数据主要通过目视解译或者自动提取技术与模式辨别技术的结合。其中，目视解译是遥感图像解译的一种，又称目视判读，或目视判译，是遥感成像的逆过程。它指专业人员通过直接观察或借助辅助判读仪器在遥感图像上获取特定目标地物信息的过程。目视解译作为先驱技术，工作量大、效率低，不仅容易将目标建筑与道路等相似地物混淆，而且容易受到工作人员主观判断的限制，无法大范围推广；自动提取技术与模式辨别技术的结合方法由于边界纹理对于目标建筑的影响较大，因而对于遥感影像的要求较高。
基于此，本发明实施例提供的一种建筑图像数据的提取方法及装置，该技术可以应用于各种建筑的图像数据提取，尤其可以应用于长城等标志性建筑的图像提取中。为便于对本实施例进行理解，首先对本发明实施例所公开的一种建筑图像数据的提取方法进行详细介绍。
实施例1
本发明实施例1提供了一种建筑图像数据的提取方法，参见图1所示的一种建筑图像数据的提取方法的流程图，包括如下步骤：
步骤S102，获取包含有目标建筑的遥感影像。
目标建筑是指需要提取图像数据的目标，可以为长城；遥感影像是指通过遥感技术获得的影像，遥感影像包括目标建筑；遥感是指非接触的，远距离的探测技术。一般指运用传感器或遥感器对物体的电磁波的辐射、反射特性的探测。遥感是通过遥感器这类对电磁波敏感的仪器，在远离目标和非接触目标物体条件下探测目标地物。
步骤S104，将遥感影像和预先设置的遥感影像对应的初始轮廓线输入至预先建立的频域边界能量模型中，输出目标建筑的最终轮廓线。
频域边界能量模型通过高斯差分滤波器建立。高斯差分滤波是指通过将图像与高斯函数进行卷积得到一幅图像的低通滤波结果进行去噪。频域边界能量模型通过输入遥感影像，可以获得该遥感影像包括的目标建筑的最终轮廓线，根据该最终轮廓线就可以进行图像分割，即从遥感影像中分割该目标建筑的图像数据。初始轮廓线是分割该目标建筑的图像数据的初始依据，通过频域边界能量模型将初始轮廓线进行演变，逐步演变至要分割的目标建筑的边界，得到最终轮廓线并将作为最终轮廓线图像分割的依据。
步骤S106，根据最终轮廓线从遥感影像中提取目标建筑的图像数据。
采用图像分割技术根据最终轮廓线从遥感影像中分割提取目标建筑，得到该目标建筑的图像数据。以将长城作为目标建筑为例，首先，获取包括长城的遥感图像，将该包括长城的遥感图像输入到预先通过高斯差分滤波器设置的频域边界能量模型中，频域边界能量模型会将该包括长城的遥感图像的初始轮廓线逐步演变，收敛到长城的边界，形成并输出最终轮廓线，根据该最终轮廓线完成对该包括长城的遥感图像的分割提取，得到长城的图像数据。
本发明实施例提供的上述方法，在通过遥感获得的目标建筑的遥感影像之后，将该遥感影像和预先设置的遥感影像对应的初始轮廓线输入通过高斯差分滤波器预先建立的频域边界能量模型中，输出目标建筑的最终轮廓线并提取图像数据，将图像分割技术应用到遥感影像中，以减少图像数据提取工作量，提高提取效率并且增加提取精度。
具体的说，在将遥感影像和预先设置的遥感影像对应的初始轮廓线输入至预先建立的频域边界能量模型中，输出目标建筑的最终轮廓线的步骤，参见图2所示的一种频域边界能量模型使用方法的流程图，包括如下步骤：
步骤S202，对遥感影像进行傅里叶变换，得到遥感影像对应的频域空间的图像信息，以及频域空间的图像信息的功率谱；
通过傅里叶变换方法获取到频域空间内的图像信息，这是一种将空间域内的信号转换到频域空间中的分析方法。
设Ω为待分割遥感影像I的图像域，将Ω分为两个子区域，其中，轮廓线以内区域称为Ω1，轮廓线外区域为Ω2。基于频域显著边界能量模型经过梯度下降法，通过对初始轮廓C0进行演变，使C0自动收敛至分割对象边界。假定函数f(x)，dog(x)依次表示图像和高斯差分滤波器，其相对应的傅里叶变化分别为F(u)，DoG(u)。其中，
通过以下算式得到述高斯差分滤波器对应的傅里叶变换：
其中，DoG(u)表示高斯差分滤波器对应的傅里叶变换；为σ表示为频域分量的截止点；G(u，σ)表示为频域分量的截止点为σ的高斯滤波器；σ1表示为调节高频分量的截止点；σ2表示为调节低频分量的截止点；u表示为频域变量。
高斯差分滤波器的带宽和位置是由σ1和σ2的值和比例决定。直观地说，σ1旨在调节高频分量的截止点。也就是说，较小的σ1使得提取的频域边界能量中包含较少的高频信息，这有助于抑制强噪声，并控制分割平滑性；σ2旨在调节低频分量的截止点。也就是说，较大的σ2使得频域边界能量包含较少的低频信息，这可以抑制不均匀的灰度，并且与初始轮廓的鲁棒性直接相关。因此，通过为不同的图像选择正确的σi，频域边界能量模型可以获得更好的分割结果。
通常使用卷积对频域滤波进行描述。按照卷积原理，频域滤波被描述为两个空间函数对应的两个傅里叶变换函数的乘积。经高斯差分过滤器滤波后得到的频域内的图像I′(I′在下文也会用C表示)的表达式如下：
其中，I′表示为遥感影像对应的频域空间的图像信息；f(x)表示为遥感影像；F(u)表示为遥感影像对应的傅里叶变换；DoG(u)表示为高斯差分滤波器对应的傅里叶变换；u表示为频域变量；表示为卷积运算；⊙表示为数组元素的依次相乘；
傅里叶变换后，计算频域空间的图像信息的功率谱，如下所示：
P(u)e|I′|2；
其中，P(u)表示为频域空间的图像信息的功率谱；I′表示为遥感影像对应的频域空间的图像信息。
步骤S204，通过高斯差分过滤器对频域空间的图像信息进行频域过滤处理，得到过滤后的图像信息；
使用高斯差分频域滤波器的目的是计算被C0分割的子区域(Ω1和Ω2)内的对象边界C的能量，在Ωi内将C的功率谱定义为Pi。
步骤S206，计算过滤后的图像信息中，被初始轮廓线分割而成的遥感影像的各个子区域内，目标建筑的边界的功率谱；
Pi就是被初始轮廓线C0分割而成的遥感影像的各个子区域(Ω1和Ω2)内，目标建筑的边界的功率谱。
步骤S208，根据每个子区域内目标建筑的边界的功率谱，确定目标建筑的边界的能量；
通过以下算式确定目标建筑的边界的能量：
其中，E(c)表示目标建筑的边界的能量；pi(u)表示第i个子区域内目标建筑的边界的功率谱；u表示为频域变量。
将P(u)＝|I′|2和代入可以得到：
通过上式确定目标建筑的边界的能量。
步骤S210，通过预设的水平集函数的演化过程，获取目标建筑的边界的能量的最小值，将最小值对应的边界确定为目标建筑的最终轮廓线。
初始轮廓C0是一个由能量函数表示的轮廓，该能量函数是由水平集函数构造的。频域边界能量模型通过水平集函数的演化使初始轮廓不断向待分割物体的边界收敛，当能量泛函最小时，C0被限制在C，完成分割。
具体的说，确定目标建筑的最终轮廓线的步骤需要通过梯度下降法完成函数收敛，梯度下降是迭代法的一种，可以用于求解最小二乘问题(线性和非线性都可以)。参见图3所示的一种频域边界能量模型使用方法的流程图，包括如下步骤：
步骤S302，通过预设的水平集函数将目标建筑的边界的能量转化为空间域上的规则化的目标建筑的边界的能量；
由于初始轮廓线可能的不规则形状，降低了Ωi进行傅里叶变换的成功几率。通过结合由水平集函数表达的轮廓和赫维赛德函数H，通过在F(u)中引入完成了在空间域上的规则化，因此Ωi的傅里叶变换可以被近似表示为Fi(u)＝F(Mi(f)I，Ω)，据此可以确定空间域上的规则化的目标建筑的边界的能量，通过以下算式计算：
其中，EFBE(φ)表示为空间域上的规则化的目标建筑的边界的能量；Fi(u)表示为第i个子区域内遥感影像对应的傅里叶变换；DoG(u)表示高斯差分滤波器对应的傅里叶变换；F-1表示为傅里叶逆变换；H(φ)表示为以φ为变量的赫维赛德；函数M1(φ)和M2(φ)分别表示子区域Ω1和Ω2。
步骤S304，将空间域上的规则化的目标建筑的边界的能量结合水平集正则化和最短长度约束条件，得到目标建筑的边界的最终能量函数；
通过以下算式确定目标建筑的边界的最终能量函数：
其中，E(φ)表示为目标建筑的边界的最终能量函数；EFBE(φ)表示为空间域上的规则化的目标建筑的边界的能量；λ、μ、υ表示为加权因子；δ(φ)表示为以φ为变量的狄拉克函数；Ω表示为遥感影像的图像域。
步骤S306，通过梯度下降法将目标建筑的边界的最终能量函数收敛到最小值，并将最小值对应的边界确定为目标建筑的最终轮廓线。
将上式与梯度能量下降算法结合，将上式收敛到最小值，通过以下算式确定目标建筑的边界的最终能量函数的最小值：
其中，div表示散度计算，fbi(x)(i＝1，2)可以通过以下公式确定：
其中，F-1表示为傅里叶逆变换；DoG(u)表示为高斯差分滤波器对应的傅里叶变换；u表示为频域变量；⊙表示为数组元素的依次相乘；Mi(φ)包括M1(φ)和M2(φ)，分别表示子区域Ω1和Ω2。
通过上述计算，就可以实现目标建筑的边界的最终能量函数收敛到最小值，将最小值对应的边界确定为目标建筑的最终轮廓线。
本发明实施例提供的上述方法，具体说明了建筑图像数据的提取的具体方法和相关公式：通过设置图像的初始的轮廓线，构建频域显著边界能量模型，基于梯度下降法，完成函数收敛，实现图像分割；将图像分割结合与遥感技术相结合应用在建筑图像数据的提取，可以减少图像数据提取工作量，提高提取效率并且增加提取精度。
在确定了最终轮廓线之后，还可以对频域边界能量模型进行进一步优化，具体的说，可以通过以下步骤执行：
(1)获得标定数据。标定数据是指已经确定的正确的建筑数据，在完成对建筑图像数据提取后，可以通过将标定数据与建筑图像数据进行对比，分析该频域边界能量模型的效果。
(2)比对标定数据和目标建筑的轮廓线，得到比对结果。将标定数据和目标建筑的轮廓线进行对比，可以得到对比结果，该对比结果可以是标定数据与分割结果进行对比。
(3)根据比对结果优化频域边界能量模型。根据对比结果进行频域边界能量模型的参数修正优化以及整体递归。优化后的频域边界能量模型可以进一步增加建筑图像数据提取的准确率，即增加最终轮廓线的准确率。
本发明实施例提供的上述方法，在获取最终轮廓线之后，通过与标定数据进行对比得到比对结果并优化频域边界能量模型，优化后的频域边界能量模型可以进一步增加建筑图像数据提取的准确率。
整体流程可以参见图4所示的一种建筑图像数据的提取和优化方法的示意图，如图4所示，图4中的实线表示建筑图像数据的提取过程，将遥感影像和初始轮廓线C0输入到频域边界能量模型，其中，频域边界能量模型在高斯差分滤波器过滤之后，通过水平集正则化和最短长度约束条件，得到最终轮廓线Ci，根据最终轮廓线Ci得到分割结果。图4中的虚线表示建筑图像数据化过程，一部分是通过梯度下降法对最终轮廓线进行收敛，进行优化；另一部分是通过将标定数据与对比结果进行对比，从而对频域边界能量模型进行参数修正和优化。
本发明实施例提供的一种建筑图像数据的提取方法，在通过遥感获得的目标建筑的遥感影像之后，将该遥感影像和预先设置的遥感影像对应的初始轮廓线输入通过高斯差分滤波器预先建立的频域边界能量模型中，输出目标建筑的最终轮廓线并提取图像数据；具体说明了建筑图像数据的提取的具体方法和相关公式：通过设置图像的初始的轮廓线，构建频域显著边界能量模型，基于梯度下降法，完成函数收敛，实现图像分割；将图像分割结合与遥感技术相结合应用在建筑图像数据的提取；在获取最终轮廓线之后，通过与标定数据进行对比得到比对结果并优化频域边界能量模型；将图像分割技术应用到遥感影像中，以减少图像数据提取工作量，提高提取效率并且增加提取精度，优化后的频域边界能量模型可以进一步增加建筑图像数据提取的准确率。
实施例2
本发明实施例2提供一种建筑图像数据的提取装置，参见图5所示的一种建筑图像数据的提取装置的结构示意图，包括遥感影像模块51、能量模型模块52和图像数据模块53，上述各模块的功能如下：
遥感影像模块51，用于获取包含有目标建筑的遥感影像；
能量模型模块52，用于将遥感影像和预先设置的遥感影像对应的初始轮廓线输入至预先建立的频域边界能量模型中，输出目标建筑的最终轮廓线；遥感影像携带有预先设置的初始轮廓线；频域边界能量模型通过高斯差分滤波器建立；
图像数据模块53，用于根据最终轮廓线从遥感影像中提取目标建筑的图像数据。
其中，对于通过傅里叶变换、高斯差分过滤以及梯度下降等方法构建频域边界能量模型，上述装置还包括：
傅里叶变换模块，用于对遥感影像进行傅里叶变换，得到遥感影像对应的频域空间的图像信息，以及频域空间的图像信息的功率谱；
高斯差分过滤模块，用于通过高斯差分过滤器对频域空间的图像信息进行频域过滤处理，得到过滤后的图像信息；
边界功率谱模块，用于计算过滤后的图像信息中，被初始轮廓线分割而成的遥感影像的各个子区域内，目标建筑的边界的功率谱；
边界能量模块，用于根据每个子区域内目标建筑的边界的功率谱，确定目标建筑的边界的能量；
最终轮廓线模块，用于通过预设的水平集函数的演化过程，获取目标建筑的边界的能量的最小值，将最小值对应的边界确定为目标建筑的最终轮廓线。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的建筑图像数据的提取装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明实施例提供的建筑图像数据的提取装置，与上述实施例提供的建筑图像数据的提取方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种建筑图像数据的提取方法，其特征在于，所述方法包括：
获取包含有目标建筑的遥感影像；
将所述遥感影像和预先设置的所述遥感影像对应的初始轮廓线输入至预先建立的频域边界能量模型中，输出所述目标建筑的最终轮廓线；所述频域边界能量模型通过高斯差分滤波器建立；
根据所述最终轮廓线从所述遥感影像中提取所述目标建筑的图像数据。
2.根据权利要求1所述的方法，其特征在于，将所述遥感影像和预先设置的所述遥感影像对应的初始轮廓线输入至预先建立的频域边界能量模型中，输出所述目标建筑的最终轮廓线的步骤，包括：
对所述遥感影像进行傅里叶变换，得到所述遥感影像对应的频域空间的图像信息，以及所述频域空间的图像信息的功率谱；
通过高斯差分过滤器对所述频域空间的图像信息进行频域过滤处理，得到过滤后的图像信息；
计算所述过滤后的图像信息中，被所述初始轮廓线分割而成的所述遥感影像的各个子区域内，所述目标建筑的边界的功率谱；
根据每个所述子区域内所述目标建筑的边界的功率谱，确定所述目标建筑的边界的能量；
通过预设的水平集函数的演化过程，获取所述目标建筑的边界的能量的最小值，将所述最小值对应的边界确定为所述目标建筑的最终轮廓线。
3.根据权利要求2所述的方法，其特征在于，对所述遥感影像进行傅里叶变换，得到所述遥感影像对应的频域空间的图像信息，以及所述频域空间的图像信息的功率谱的步骤，包括：
通过以下算式得到述高斯差分滤波器对应的傅里叶变换：
其中，DoG(u)表示所述高斯差分滤波器对应的傅里叶变换；为σ表示为频域分量的截止点；G(u，σ)表示为所述频域分量的截止点为σ的高斯滤波器；σ1表示为调节高频分量的截止点；σ2表示为调节低频分量的截止点；u表示为频域变量；
通过以下算式得到所述遥感影像对应的频域空间的图像信息：
其中，I′表示为所述遥感影像对应的频域空间的图像信息；f(x)表示为所述遥感影像；F(u)表示为所述遥感影像对应的傅里叶变换；DoG(u)表示为所述高斯差分滤波器对应的傅里叶变换；u表示为频域变量；表示为卷积运算；⊙表示为数组元素的依次相乘；
通过以下算式得到所述频域空间的图像信息的功率谱：
P(u)＝|I′|2；
其中，P(u)表示为所述频域空间的图像信息的功率谱；I′表示为所述遥感影像对应的频域空间的图像信息。
4.根据权利要求2所述的方法，其特征在于，根据每个所述子区域内所述目标建筑的边界的功率谱，确定所述目标建筑的边界的能量的步骤，包括：
通过以下算式确定所述目标建筑的边界的能量：
其中，E(c)表示所述目标建筑的边界的能量；pi(u)表示第i个所述子区域内所述目标建筑的边界的功率谱；u表示为频域变量。
5.根据权利要求2所述的方法，其特征在于，通过预设的水平集函数的演化过程，获取所述目标建筑的边界的能量的最小值，将所述最小值对应的边界确定为所述目标建筑的最终轮廓线的步骤，包括：
通过预设的水平集函数将所述目标建筑的边界的能量转化为空间域上的规则化的目标建筑的边界的能量；
将所述空间域上的规则化的目标建筑的边界的能量结合水平集正则化和最短长度约束条件，得到所述目标建筑的边界的最终能量函数；
通过梯度下降法将所述目标建筑的边界的最终能量函数收敛到最小值，并将所述最小值对应的边界确定为所述目标建筑的最终轮廓线。
6.根据权利要求5所述的方法，其特征在于，通过预设的水平集函数将所述目标建筑的边界的能量转化为空间域上的规则化的目标建筑的边界的能量，包括：
通过以下算式确定空间域上的规则化的目标建筑的边界的能量：
其中，EFBE(φ)表示为所述空间域上的规则化的目标建筑的边界的能量；Fi(u)表示为第i个所述子区域内所述遥感影像对应的傅里叶变换；DoG(u)表示所述高斯差分滤波器对应的傅里叶变换；F-1表示为傅里叶逆变换；H(φ)表示为以φ为变量的赫维赛德函数；Ω表示为所述遥感影像的图像域；M1(φ)和M2(φ)分别表示子区域Ω1和Ω2。
7.根据权利要求6所述的方法，其特征在于，将所述空间域上的规则化的目标建筑的边界的能量结合水平集正则化和最短长度约束条件，得到所述目标建筑的边界的最终能量函数的步骤，包括：
通过以下算式确定所述目标建筑的边界的最终能量函数：
其中，E(φ)表示为所述目标建筑的边界的最终能量函数；EFBE(φ)表示为所述空间域上的规则化的目标建筑的边界的能量；λ、μ、υ表示为加权因子；δ(φ)表示为以φ为变量的狄拉克函数。
8.根据权利要求1-7任一项所述的方法，其特征在于，在将所述遥感影像和预先设置的所述遥感影像对应的初始轮廓线输入至预先建立的频域边界能量模型中，输出所述目标建筑的最终轮廓线的步骤之后，还包括：
获得标定数据；
比对所述标定数据和所述目标建筑的轮廓线，得到比对结果；
根据所述比对结果优化所述频域边界能量模型。
9.一种建筑图像数据的提取装置，其特征在于，包括：
遥感影像模块，用于获取包含有目标建筑的遥感影像；
能量模型模块，用于将所述遥感影像和预先设置的所述遥感影像对应的初始轮廓线输入至预先建立的频域边界能量模型中，输出所述目标建筑的最终轮廓线；所述遥感影像携带有预先设置的初始轮廓线；所述频域边界能量模型通过高斯差分滤波器建立；
图像数据模块，用于根据所述最终轮廓线从所述遥感影像中提取所述目标建筑的图像数据。
10.根据权利要求9所述的装置，其特征在于，还包括：
傅里叶变换模块，用于对所述遥感影像进行傅里叶变换，得到所述遥感影像对应的频域空间的图像信息，以及所述频域空间的图像信息的功率谱；
高斯差分过滤模块，用于通过高斯差分过滤器对所述频域空间的图像信息进行频域过滤处理，得到过滤后的图像信息；
边界功率谱模块，用于计算所述过滤后的图像信息中，被所述初始轮廓线分割而成的所述遥感影像的各个子区域内，所述目标建筑的边界的功率谱；
边界能量模块，用于根据每个所述子区域内所述目标建筑的边界的功率谱，确定所述目标建筑的边界的能量；
最终轮廓线模块，用于通过预设的水平集函数的演化过程，获取所述目标建筑的边界的能量的最小值，将所述最小值对应的边界确定为所述目标建筑的最终轮廓线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910635956.1A CN110335287A (zh) | 2019-07-15 | 2019-07-15 | 建筑图像数据的提取方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910635956.1A CN110335287A (zh) | 2019-07-15 | 2019-07-15 | 建筑图像数据的提取方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110335287A true CN110335287A (zh) | 2019-10-15 |
Family
ID=68144845
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910635956.1A Pending CN110335287A (zh) | 2019-07-15 | 2019-07-15 | 建筑图像数据的提取方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110335287A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112164142A (zh) * | 2020-10-21 | 2021-01-01 | 江苏科技大学 | 一种基于智能手机的楼盘采光模拟方法 |
| CN113487634A (zh) * | 2021-06-11 | 2021-10-08 | 中国联合网络通信集团有限公司 | 关联建筑物高度与面积的方法及装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105184766A (zh) * | 2015-07-16 | 2015-12-23 | 三峡大学 | 一种频域边界能量模型的水平集图像分割方法 |
| CN105469408A (zh) * | 2015-11-30 | 2016-04-06 | 东南大学 | 一种sar图像建筑群分割方法 |
| CN106157310A (zh) * | 2016-07-06 | 2016-11-23 | 南京汇川图像视觉技术有限公司 | 基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法 |
| CN107993237A (zh) * | 2017-11-28 | 2018-05-04 | 山东大学 | 一种基于窄带约束的几何活动轮廓模型图像局部分割方法 |
| CN108038863A (zh) * | 2018-01-29 | 2018-05-15 | 歌尔科技有限公司 | 图像分割方法及装置 |
| CN108416792A (zh) * | 2018-01-16 | 2018-08-17 | 辽宁师范大学 | 基于活动轮廓模型的医学计算机断层扫描图像分割方法 |
| CN108564062A (zh) * | 2018-04-27 | 2018-09-21 | 上海海洋大学 | 一种基于遥感影像的海岛边界快速分割算法 |
| CN109615617A (zh) * | 2018-11-28 | 2019-04-12 | 华南理工大学 | 一种保凸间接正则水平集的图像分割方法 |
| CN109635715A (zh) * | 2018-12-07 | 2019-04-16 | 福建师范大学 | 一种遥感图像建筑物提取方法 |
| CN109727258A (zh) * | 2019-01-07 | 2019-05-07 | 南京大学 | 基于区域灰度异质能量的图像分割方法 |
-
2019
- 2019-07-15 CN CN201910635956.1A patent/CN110335287A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105184766A (zh) * | 2015-07-16 | 2015-12-23 | 三峡大学 | 一种频域边界能量模型的水平集图像分割方法 |
| CN105469408A (zh) * | 2015-11-30 | 2016-04-06 | 东南大学 | 一种sar图像建筑群分割方法 |
| CN106157310A (zh) * | 2016-07-06 | 2016-11-23 | 南京汇川图像视觉技术有限公司 | 基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法 |
| CN107993237A (zh) * | 2017-11-28 | 2018-05-04 | 山东大学 | 一种基于窄带约束的几何活动轮廓模型图像局部分割方法 |
| CN108416792A (zh) * | 2018-01-16 | 2018-08-17 | 辽宁师范大学 | 基于活动轮廓模型的医学计算机断层扫描图像分割方法 |
| CN108038863A (zh) * | 2018-01-29 | 2018-05-15 | 歌尔科技有限公司 | 图像分割方法及装置 |
| CN108564062A (zh) * | 2018-04-27 | 2018-09-21 | 上海海洋大学 | 一种基于遥感影像的海岛边界快速分割算法 |
| CN109615617A (zh) * | 2018-11-28 | 2019-04-12 | 华南理工大学 | 一种保凸间接正则水平集的图像分割方法 |
| CN109635715A (zh) * | 2018-12-07 | 2019-04-16 | 福建师范大学 | 一种遥感图像建筑物提取方法 |
| CN109727258A (zh) * | 2019-01-07 | 2019-05-07 | 南京大学 | 基于区域灰度异质能量的图像分割方法 |
Non-Patent Citations (8)
| Title |
|---|
| CHUNMING LI,AT EL.: ""Minimization of Region-Scalable Fitting Energy for Image Segmentation"", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
| 周则明等: ""基于能量最小化的星载SAR图像建筑物分割方法"", 《自动化学报》 * |
| 夏思璐等: ""在水平集框架下的遥感影像湖泊轮廓线提取"", 《遥感信息》 * |
| 沈琦等: ""几何活动轮廓模型用于高分辨率遥感影像海岸线自动提取"", 《复旦学报（自然科学版）》 * |
| 王玉梁等: ""结合空间域模糊聚类与 DRLSE 模型的颅脑出血 CT 图像分割"", 《控制工程》 * |
| 王育坚等: "《图像处理与三维可视化》", 31 July 2011, 北京邮电大学出版社 * |
| 郝明等: "《空间信息准确性增强遥感变化检测》", 31 May 2017, 测绘出版社 * |
| 闵海: ""基于区域型水平集方法的图像分割算法研究"", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112164142A (zh) * | 2020-10-21 | 2021-01-01 | 江苏科技大学 | 一种基于智能手机的楼盘采光模拟方法 |
| CN113487634A (zh) * | 2021-06-11 | 2021-10-08 | 中国联合网络通信集团有限公司 | 关联建筑物高度与面积的方法及装置 |
| CN113487634B (zh) * | 2021-06-11 | 2023-06-30 | 中国联合网络通信集团有限公司 | 关联建筑物高度与面积的方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8428389B2 (en) | Multi-dimensional empirical mode decomposition (EMD) method for image texture analysis | |
| CN103871039B (zh) | 一种sar图像变化检测差异图生成方法 | |
| CN111797744B (zh) | 一种基于共现滤波算法的多模态遥感图像匹配方法 | |
| CN103886606B (zh) | 基于联合广义伽玛分布参数的sar图像分割方法 | |
| CN103824302A (zh) | 基于方向波域图像融合的sar图像变化检测方法 | |
| CN110335287A (zh) | 建筑图像数据的提取方法及装置 | |
| CN110796616A (zh) | 基于分数阶微分算子的l0范数约束和自适应加权梯度的湍流退化图像恢复方法 | |
| CN110751680A (zh) | 一种具有快速对齐算法的图像处理方法 | |
| CN107610159A (zh) | 基于曲率滤波和时空上下文的红外弱小目标跟踪方法 | |
| WO2018103015A1 (zh) | 一种环形伪影修正的方法及装置 | |
| Rashidi et al. | Ground filtering LiDAR data based on multi-scale analysis of height difference threshold | |
| CN107273803B (zh) | 云层图像检测方法 | |
| CN105513060A (zh) | 一种视觉感知启发的高分辨率遥感图像分割方法 | |
| CN118301353B (zh) | 一种基于小波变换的红外与微波信息视频编码融合方法 | |
| CN104050638A (zh) | 一种结合尺度优选的显著法红外小目标增强方法 | |
| CN116596922B (zh) | 一种太阳能热水器生产质量检测方法 | |
| Wu et al. | Research on crack detection algorithm of asphalt pavement | |
| CN105241886B (zh) | 一种基于hvs与引导滤波器的土遗址裂缝检测方法 | |
| CN114624767B (zh) | 地震属性融合方法及装置 | |
| CN112132135A (zh) | 一种基于图像处理的电网传输线检测方法、存储介质 | |
| Cattai et al. | VIPDA: A visually driven point cloud denoising algorithm based on anisotropic point cloud filtering | |
| CN103150726B (zh) | 一种基于二维广义s变换的图像分割方法 | |
| CN113781441B (zh) | 一种应用于节理岩体隧道开挖过程中的注浆范围优化方法 | |
| Rachee | Segmentation of satellite imagery of Amedi site using Chan–Vese model with saliency estimation | |
| Zuev et al. | Accelerated Algorithm for Ridge and Valley Detection |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191015 |