CN110390267B - 一种基于高分遥感影像的山地景观建筑提取方法和设备 - Google Patents

一种基于高分遥感影像的山地景观建筑提取方法和设备 Download PDF

Info

Publication number
CN110390267B
CN110390267B CN201910553177.7A CN201910553177A CN110390267B CN 110390267 B CN110390267 B CN 110390267B CN 201910553177 A CN201910553177 A CN 201910553177A CN 110390267 B CN110390267 B CN 110390267B
Authority
CN
China
Prior art keywords
building
area
remote sensing
nsbi
shadow
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.)
Active
Application number
CN201910553177.7A
Other languages
English (en)
Other versions
CN110390267A (zh
Inventor
李哲
何钰昆
成玉宁
赵锴彧
韩笑
陈菲菲
宋爽
杨宇欣
谢祺铮
曹息
郑世丰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201910553177.7A priority Critical patent/CN110390267B/zh
Publication of CN110390267A publication Critical patent/CN110390267A/zh
Priority to PCT/CN2020/076624 priority patent/WO2020258899A1/zh
Priority to US17/153,967 priority patent/US11615615B2/en
Application granted granted Critical
Publication of CN110390267B publication Critical patent/CN110390267B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • 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
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Abstract

本发明公开了一种基于高分遥感影像的山地景观建筑提取方法和设备。方法包括：对遥感影像进行分割，采用NDVI提取遥感影像中的非植被区域；对非植被区域进行分割，通过NDBI提取建筑区域；对建筑区域再次进行分割，计算每一斑块的归一化阴影建筑指数NSBI；计算非植被区域中每一斑块的NSBI区分度并设置区分度阈值，基于该阈值提取景观建筑区域。本发明通过引入阴影与非阴影具有显著差异的遥感影像光谱近红外波段，降低遥感影像山地阴面区域大面积阴影区对提取结果的影响。通过扩大分割后景观斑块与周边斑块NSBI相对差异值，扩大明亮区景观建筑、阴影区景观建筑、阴影区间的光谱相对差异，降低光谱混淆概率，使得景观建筑与其临近的斑块能够被明显区分。

Description

一种基于高分遥感影像的山地景观建筑提取方法和设备
技术领域
本发明属于数字景观场地勘探领域，具体涉及一种基于高分遥感影像的山地景观建筑提取方法和设备。
背景技术
便捷、准确地获取风景名胜区建筑面积及其空间分布，对旅游资源开发、风景区景观评估、现有建筑资源管理等均具有重要意义。相对于传统的实地调查，遥感技术具有无可替代的高频率、宽覆盖、低成本优势，为当代数字景观发展提供了一个重要的科学维度与量化解析手段，同时将景观特征研究由感觉提升为知觉，由定性提升为定量，对提高大尺度风景名胜景观特征量化提取与传统园林数字化理法研究水平具有技术进步意义。尤其是近些年发展起来的米级高分遥感，更是能够用于精准地识别、提取。因此，针对风景名胜区景观建筑的提取是一件非常有意义的工作。
现有的基于遥感影像的风景名胜区景观建筑提取多是采用监督分类法，即先基于本底的特征分析，选择具有本底典型特征样本，然后基于人眼显著视觉机理与遥感影像曲线分析，通过训练分类器，最后执行分类。这种技术的缺点就是需要样本尽可能多的覆盖提取区域，尤其是在景观建筑与裸地、道路交错分布的区域，造成解析过程效率不高，且准确率尚待提升。此外，由于风景名胜区建筑多处于山区、林地内，山地向阳面与背阴面由于阴影差异光谱特征值差异大，且景观建筑体量小、易被遮蔽，选择的样本还会因此产生偏移，难以应用于大面积山地风景名胜区及多期遥感影像中建筑开发演进情况的提取。当前精度较高的方法是基于模糊算法的矩形形状的方法。矩形目标的提取算法，首先采用canny算子对图片进行处理，从输入图像中提取低级别的图像特征，得到直线特征集；然后采用感知组织原理对直线特征集进行感知分组，生成假设矩形空间；最后，采用模糊数学的方法对若干支持证据进行证据融合，得到决策信息，并根据决策信息对生成的假设矩形进行选择与验证，最终得到矩形目标的结构特征。这种方法对于小范围内矩形形状明显的景观建筑有一定的优势，但依赖建筑物矩形形状特征，而且过程繁琐，算法成本较高，对于实际中广泛存在的散点式分布的风景名胜区建筑提取并不适用。此外，现有技术中对风景名胜区建筑单体的微观层面研究较多，缺乏从宏观层面对风景名胜区中的建筑景观要素与之相互关系进行提取解析。
在当前的建设程度和条件下，缺乏快速、准确且具有实际指导意义的景园规划地表景观要素提取研究成果已成为制约区域景园规划科学性设计向更高水平发展的关键因素之一。如何快速、高效、经济的从宏观尺度了解现阶段地表景观要素在生态和环境功能层面的分布水平，例如景观建筑在风景区内水平和空间分布，成为了山地名胜区景园规划深入建设和合理利用程序中不可回避的问题。
发明内容
发明目的：针对现有技术的不足，本发明提出一种基于高分遥感影像的山地景观建筑提取方法和设备，能够快速、有效地提取高分辨率遥感卫星影像中的建筑物信息。
技术方案：根据本发明的第一方面，提供一种基于高分遥感影像的山地景观建筑提取方法，包括以下步骤：
S1、使用第一尺度参数A1将遥感影像分割为第一尺度斑块，计算每一斑块的归一化植被指数NDVI，将NDVI大于第一阈值T1的分割斑块提取为植被区域，其他斑块为非植被区域；
S2、使用第二尺度参数A2对非植被区域进行分割，得到第二尺度斑块，计算每一斑块的归一化建筑指数NDBI，将NDBI大于第二阈值T2的第二尺度斑块判别为建筑区域，其他斑块为非建筑区域；
S3、使用第三尺度参数A3对非植被区域进行分割，得到第三尺度斑块，并计算每一斑块的归一化阴影建筑指数NSBI；
S4、根据NSBI计算每一斑块的归一化阴影建筑指数区分度Sx(NSBI)，将区分度大于第三阈值T3的区域提取为景观建筑；
其中，第一尺度参数A1>第二尺度参数A2>第三尺度参数A3。
进一步地，所述归一化阴影建筑指数NSBI计算公式如下：
Figure BDA0002106102400000021
NIR为当前计算斑块的近红外波段均值，R为当前计算斑块的红波段均值。
所述归一化阴影建筑指数区分度Sx(NSBI)计算公式如下：
Figure BDA0002106102400000022
x表示当前计算斑块，n(x)表示当前计算斑块的所有相邻斑块的集合，B(x,xi)为当前计算斑块x与相邻斑块xi的公共边长，mx(NSBI)表示计算斑块x的NSBI值。
根据本发明的第二方面，提供一种计算机设备，所述设备包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如本发明第一方面所述的步骤。
有益效果：本发明的方法通过分析明亮区植被、阴影区植被与非植被区的光谱特征与差异，基于近红外波段与归一化植被指数NDVI的阈值分割方法，有效分离植被区域和非植被区域；通过计算NDBI，能够圈定风景名胜区中景观建筑的大致位置；通过计算NSBI评价其光谱差异增强及分类效果的阈值分割方法，降低山地地形的阴影影响，有效分离景观建筑和阴影区域；通过计算Sx(NSBI)区分度，扩大明亮区景观建筑、阴影区景观建筑、阴影区间的光谱相对差异，降低光谱混淆概率，使得景观建筑与其临近的斑块能够被显著区分，最终通过阈值的方式实现景观建筑提取。本发明对风景名胜区景观建筑，包括呈散点式分布的景观建筑聚落，具有较好的鲁棒性，解决了传统方法只能部分削弱地形影响的问题，扩大地物间的光谱差异，从而提升地表要素尤其是阴影检测的有效性，并具有在大区域提取时山地地形及阴影复杂情况下的提取能力。
附图说明
图1是本发明的基于高分遥感影像的山地景观建筑提取方法流程图；
图2是根据本发明实施例的鸡足山景区100分割尺度遥感影像(局部)；
图3是根据本发明实施例的鸡足山景区及其周边地区NDVI解析图；
图4是根据本发明实施例的大津法提取第一阈值解析图；
图5是根据本发明实施例的鸡足山景区及其周边地区NDBI解析图；
图6是根据本发明实施例的景区20分割尺度遥感影像(局部)；
图7是根据本发明实施例的景区10分割尺度遥感影像(局部)；
图8是根据本发明实施例的景观建筑及其周边NSBI解析图；
图9是根据本发明实施例的景观建筑及其周边NSBI特征值解析图；
图10是根据本发明实施例的鸡足山景区及其周边地区建筑最终提取结果图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。应当了解，以下提供的实施例仅是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的技术构思，本发明还可以用许多不同的形式来实施，并且不局限于此处描述的实施例。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。
针对风景名胜区建筑多处于山区、林地内，山地向阳面与背阴面由于阴影差异光谱特征值差异大，且景观建筑体量小、易被遮蔽，现有技术手段成本高、效率低、性能差、过程繁琐，准确性待提高的问题，本发明提出了一种基于高分遥感影像的山地景观建筑提取方法，该方法利用风景名胜区景观建筑与周边植物存在的叶绿素浓度差异和建筑阴影的亮度差异，将遥感解译中与叶绿素相关的归一化建筑指数(Normalized Difference Build-up Index，NDBI)、与亮度相关的归一化阴影指数(Normalized Difference Shadow Index，NDSI)，基于分割的图像解译思路和基于人眼视觉显著机理相结合，降低山地阴面大面积阴影区对提取结果的影响，提出一种归一化阴影建筑指数(Normalized Difference BuildShadow Index，NSBI)区分度，并结合归一化阴影建筑指数(NSBI)得到NSBI区分度阈值，进而通过对该特征的阈值分割实现风景名胜区景观建筑的提取。
参照图1，基于高分遥感影像的山地景观建筑提取方法包括以下步骤：
步骤S1，使用第一尺度参数A1将遥感影像分割为第一尺度斑块，计算每一斑块的归一化植被指数(Normalized Difference Vegetation Index，NDVI)，根据NDVI提取非植被区域。
实施例中，对中国云南大理的鸡足山景区及其周边地区的遥感影像进行处理，该地区是典型的散点式分布风景名胜区，获取的原始高分遥感影像分辨率达3.2米，图像尺寸为1419行×823列，含有四个波段，分别是蓝波段(0.45-0.52μm)、绿波段(0.52-0.59μm)、红波段(0.63-0.69μm)、近红外波段(0.77-0.89μm)，待提取的目标是景观建筑。
图像分割算法可采用多分辨率分割(Multiresolution Segmentation)算法、超像素分割算法(simple linear iterative clustering，SLIC)等。第一尺度参数A1采用较大尺度，取值范围在80-150为宜，实施例中使用Multiresolution Segmentation算法，尺度参数A1设置为100，如图2所示。
图像分割后，计算每一个斑块的归一化植被指数NDVI，计算公式如下：
Figure BDA0002106102400000041
其中，NIR为当前计算斑块的近红外波段均值，R为当前计算斑块的红波段均值。-1<＝NDVI<＝1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大。基于近红外波段与NDVI的阈值分割，能够有效分离植被区域和非植被区域，得到的NDVI解析图如图3所示。
将大于第一阈值T1的分割斑块提取为植被区域，其他斑块为非植被区域。第一阈值T1的设定准则是在当前影像中能够区分植被区域和非植被区域，使用自适应阈值确定的最大类间方差法(OTSU)获取阈值。计算得到的阈值示意如附图4所示，黑色的是植被，白色的是非植被，区分他们之间的边界线是由阈值决定的。得到阈值T1＝0.1021，将归一化植被指数大于0.1021的设置为植被区域，小于0.1021的设置为非植被，如附图5所示。
步骤S2，使用第二尺度参数A2对非植被区域进行分割，得到第二尺度斑块，计算每一斑块的归一化建筑指数NDBI，根据NDBI提取建筑区域。
具体而言，参照步骤S1的图像分割方法，使用较小尺度参数A2对非植被区域再次进行分割。第二尺度参数A2的设定准则是分割的斑块能够不混淆景观建筑区域和植被区域的情况下，尽可能偏大。第二尺度参数A2与第一尺度参数A1类似，可在A1的基础上对A1进一步分割，用更小的尺度将A1内部元素划分的更加清楚。基于人眼视觉显著机理对具有本案显著特征的一般区域进行分割阈值解译，例如，对场地进行分割然后进行观察，对具有场地内多数分割要素的区域，即在一小片区内具有场地内所有的基本元素的区域作为一般区域，提取对植物、建筑、水体等分割区分度较好的分割阈值范围，得出对本步骤具有良好适应性分割尺度A2，范围20-50。实施例中第二尺度参数A2设置为20，如附图6所示。
对第二次分割后的斑块，计算非植被区域中每一个斑块的归一化建筑指数NDBI。计算公式如下：
Figure BDA0002106102400000051
其中，NIR为当前计算斑块的近红外波段均值，R为当前计算斑块的红波段均值。通过计算NDBI，能够圈定风景名胜区中景观建筑的大致位置，得到的NDBI解析图如图5所示。
将NDBI大于第二阈值T2的第二尺度斑块判别为建筑区域，其他斑块为非建筑区域。第二阈值T2与第一阈值T1类似，相对于T1区分下的植被与非植被，T2的取值聚焦于非植被内建筑与非建筑的区分度阈值，通过人眼显著视觉肌理与大津法(详见T1步骤)，在更小的尺度上对建筑与非建筑区分度的值进行划分。实施例中得到T2＝-0.4021。
步骤S3，使用第三尺度参数A3对非植被区域再次进行分割，得到第三尺度斑块，并计算每一斑块的归一化阴影建筑指数NSBI。
非植被区域特指步骤2中提取出来的建筑及其周边附属植被与阴影组成的混合区域。具体而言，参照步骤S1的图像分割方法，结合基于人眼视觉显著机理对具有本案显著特征的一般区域进行分割阈值解译，得出对本步骤具有良好适应性的分割尺度A3，范围在5-10。使用较小尺度参数A3对非植被区域再次进行分割。第三尺度参数A3的设定准则是分割的斑块能够不混淆景观建筑区域和阴影区域的情况下，尽可能偏大。实施例中A3设置为10，如附图7所示。
计算非植被区域中每一个斑块的归一化阴影建筑指数NSBI。针对非植被区域，可拉开非植被区域中建筑区域与阴影和其他干扰项的影响。计算公式如下：
Figure BDA0002106102400000061
其中，NIR为当前计算斑块的近红外波段均值，R为当前计算斑块的红波段均值。通过引入阴影与非阴影具有显著差异的遥感影像光谱近红外波段，降低遥感影像山地阴面区域大面积阴影区对提取结果的影响。NSBI为在归一化建筑指数的基础上，引入对阴影变化有显著响应的近红外光谱波段(NIR波段)，从而提高归一化建筑指数在非植被区域对阴影和建筑之间的差异。得到的NSBI解析图如附图8所示。
步骤S4，根据NSBI计算每一斑块的归一化阴影建筑指数区分度Sx(NSBI)，基于该区分度进行景观建筑的判别和提取。
按下式计算非植被区域中每一个斑块的NSBI区分度Sx(NSBI)：
Figure BDA0002106102400000062
x表示当前计算斑块，n(x)表示当前计算斑块的所有相邻斑块的集合，B(x,xi)为当前计算斑块x与相邻斑块xi的公共边长，mx(NSBI)表示计算斑块x的NSBI值。
Sx(NSBI)区分度通过扩大分割后景观斑块与周边斑块NSBI相对差异值，扩大明亮区景观建筑、阴影区景观建筑、阴影区间的光谱相对差异，降低光谱混淆概率，使得景观建筑与其临近的斑块能够被显著区分，图9所示为基于建筑周边阴影区域混合区域的最小值提取部分的解析图。
再基于计算得到的NSBI区分度Sx(NSBI)提取景观建筑区域，具体地，参照步骤S1的图像阈值解译方法，结合基于人眼视觉显著机理对具有本案显著特征的一般区域进行提取阈值解译，得出对本步骤具有良好适应性的提取阈值T3，尺度参数是用来得出解析的最小单元(如图2、6、7)，这里的阈值用来提取最小单元内解析出的NSBI区分度Sx(NSBI)的边界值。实施例中得到景观建筑与其相邻阴影及植被区域的区分域值T3＝4.5732。最终提取结果如图10所示，可以看出本发明对散点式分布的景观建筑聚落具有较强的提取能力。
基于与方法实施例相同的技术构思，根据本发明的另一实施例，提供一种计算机设备，所述设备包括：一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现方法实施例中的各步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (7)

1.一种基于高分遥感影像的山地景观建筑提取方法，其特征在于，所述方法包括以下步骤：
S1、使用第一尺度参数A1将遥感影像分割为第一尺度斑块，计算每一斑块的归一化植被指数NDVI，将NDVI大于第一阈值T1的分割斑块提取为植被区域，其他斑块为非植被区域；
S2、使用第二尺度参数A2对非植被区域进行分割，得到第二尺度斑块，计算每一斑块的归一化建筑指数NDBI，将NDBI大于第二阈值T2的第二尺度斑块判别为建筑区域，其他斑块为非建筑区域；
S3、使用第三尺度参数A3对建筑区域进行分割，得到第三尺度斑块，并计算每一斑块的归一化阴影建筑指数NSBI；
S4、根据NSBI计算每一斑块的归一化阴影建筑指数区分度Sx(NSBI)，将区分度大于第三阈值T3的区域提取为景观建筑，所述归一化阴影建筑指数区分度Sx(NSBI)计算公式如下：
Figure FDA0003007555700000011
x表示当前计算斑块，n(x)表示当前计算斑块的所有相邻斑块的集合，B(x,xi)为当前计算斑块x与相邻斑块xi的公共边长，mx(NSBI)表示计算斑块x的NSBI值；
其中，第一尺度参数A1>第二尺度参数A2>第三尺度参数A3。
2.根据权利要求1所述的基于高分遥感影像的山地景观建筑提取方法，其特征在于，所述方法使用多分辨率分割算法或超像素分割算法对图像进行分割。
3.根据权利要求1所述的基于高分遥感影像的山地景观建筑提取方法，其特征在于，所述步骤S1中归一化植被指数NDVI计算公式如下：
Figure FDA0003007555700000012
NIR为当前计算斑块的近红外波段均值，R为当前计算斑块的红波段均值。
4.根据权利要求1所述的基于高分遥感影像的山地景观建筑提取方法，其特征在于，所述步骤S2中归一化建筑指数NDBI计算公式如下：
Figure FDA0003007555700000013
NIR为当前计算斑块的近红外波段均值，R为当前计算斑块的红波段均值。
5.根据权利要求1所述的基于高分遥感影像的山地景观建筑提取方法，其特征在于，所述步骤S3中根据下式计算每一斑块的归一化阴影建筑指数NSBI：
Figure FDA0003007555700000021
NIR为当前计算斑块的近红外波段均值，R为当前计算斑块的红波段均值。
6.根据权利要求1所述的基于高分遥感影像的山地景观建筑提取方法，其特征在于，所述方法使用最大类间方差法自适应求取第一阈值T1、第二阈值T2、第三阈值T3。
7.一种计算机设备，其特征在于，所述设备包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如权利要求1-6中的任一项所述的步骤。
CN201910553177.7A 2019-06-25 2019-06-25 一种基于高分遥感影像的山地景观建筑提取方法和设备 Active CN110390267B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910553177.7A CN110390267B (zh) 2019-06-25 2019-06-25 一种基于高分遥感影像的山地景观建筑提取方法和设备
PCT/CN2020/076624 WO2020258899A1 (zh) 2019-06-25 2020-02-25 一种基于高分遥感影像的山地景观建筑提取方法和设备
US17/153,967 US11615615B2 (en) 2019-06-25 2021-01-21 Method and apparatus for extracting mountain landscape buildings based on high-resolution remote sensing images

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910553177.7A CN110390267B (zh) 2019-06-25 2019-06-25 一种基于高分遥感影像的山地景观建筑提取方法和设备

Publications (2)

Publication Number Publication Date
CN110390267A CN110390267A (zh) 2019-10-29
CN110390267B true CN110390267B (zh) 2021-06-01

Family

ID=68285776

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910553177.7A Active CN110390267B (zh) 2019-06-25 2019-06-25 一种基于高分遥感影像的山地景观建筑提取方法和设备

Country Status (3)

Country Link
US (1) US11615615B2 (zh)
CN (1) CN110390267B (zh)
WO (1) WO2020258899A1 (zh)

Families Citing this family (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110390267B (zh) * 2019-06-25 2021-06-01 东南大学 一种基于高分遥感影像的山地景观建筑提取方法和设备
CN111353402B (zh) * 2020-02-24 2021-03-30 中国科学院地理科学与资源研究所 一种油棕林遥感提取方法
CN112766154B (zh) * 2021-01-19 2022-09-30 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
CN113128453B (zh) * 2021-04-30 2022-12-06 内蒙古工业大学 采用遥感时间序列数据的地膜识别方法、系统以及介质
CN113191745B (zh) * 2021-05-28 2022-07-12 珠江水利委员会珠江水利科学研究院 房地产建设项目施工进度遥感大范围评估方法、介质
CN113327250A (zh) * 2021-05-28 2021-08-31 深圳前海微众银行股份有限公司 多光谱图像的分割方法、装置、电子设备及存储介质
US11810346B2 (en) 2021-06-07 2023-11-07 Goodrich Corporation Land use for target prioritization
CN113392376B (zh) * 2021-06-11 2022-07-15 中国科学院城市环境研究所 一种结合土地利用数据的景观空间邻接性测度方法
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
CN113516060B (zh) * 2021-06-23 2021-12-14 北京市城市规划设计研究院 基于多时相高分辨率数据的建筑空间融合判别方法及装置
CN113378848B (zh) * 2021-07-08 2024-01-30 湖南元想科技有限公司 南荻收割区或弃割区分布提取方法、系统及存储介质
CN113486840B (zh) * 2021-07-21 2022-08-30 武昌理工学院 一种基于复合网络修正的建筑物快速提取方法
CN113590732B (zh) * 2021-08-02 2023-11-24 高崟 遥感解译样本点的显示方法、装置、电子设备及存储介质
CN113688696B (zh) * 2021-08-04 2023-07-18 南京信息工程大学 一种超高分遥感影像震害建筑物检测方法
CN113392815B (zh) * 2021-08-16 2021-11-02 中国科学院空天信息创新研究院 一种基于多波段图像地物分类的决策融合方法
CN113724389B (zh) * 2021-09-06 2023-11-17 中国科学院东北地理与农业生态研究所 基于面向对象分层决策树的湿地制图方法
CN113807301A (zh) * 2021-09-26 2021-12-17 武汉汉达瑞科技有限公司 一种新增建设用地自动提取方法及自动提取系统
CN113807732A (zh) * 2021-09-28 2021-12-17 中国地质大学（武汉） 顾及局部特征的遥感生态环境的评价方法和存储介质
CN114220020A (zh) * 2021-12-08 2022-03-22 深圳先进技术研究院 柚木林识别方法、系统及终端
CN114596234B (zh) * 2022-03-21 2022-12-16 昆明理工大学 一种复杂山地的ndvi地形阴影效应校正方法
CN114612788B (zh) * 2022-03-22 2023-04-07 东北林业大学 基于神经网络的城市景观植物多样性监测方法
CN114611638B (zh) * 2022-05-13 2022-10-18 华中农业大学 一种基于尺度自适应的乡村景观功能区划分方法及系统
CN115170694B (zh) * 2022-06-27 2023-06-16 西安中科天塔科技股份有限公司 一种面源碳通量分布图的生成方法及装置
CN115423829B (zh) * 2022-07-29 2024-03-01 江苏省水利科学研究院 一种单波段遥感影像水体快速提取方法及系统
CN115481368B (zh) * 2022-09-29 2023-05-19 河北省科学院地理科学研究所 一种基于全遥感机器学习的植被覆盖度估算方法
CN116051976B (zh) * 2022-11-23 2023-09-19 河南理工大学 一种融合高程信息的遥感影像的处理方法
CN116258958B (zh) * 2022-12-22 2023-12-05 二十一世纪空间技术应用股份有限公司 一种同源高分辨率影像和dsm数据的建筑物提取方法及装置
CN116052017B (zh) * 2023-01-17 2023-11-10 二十一世纪空间技术应用股份有限公司 基于双重指数法和自适应策略绿网苫盖信息遥感监测方法
CN115797362B (zh) * 2023-02-13 2023-05-05 航天宏图信息技术股份有限公司 高分遥感影像的质量评估方法、装置及电子设备
CN116030352B (zh) * 2023-03-29 2023-07-25 山东锋士信息技术有限公司 融合多尺度分割和超像素分割的长时序土地利用分类方法
CN116740580A (zh) * 2023-08-16 2023-09-12 山东绿博园市政工程有限公司 基于遥感技术的园林工程数据处理方法
CN117152619B (zh) * 2023-10-27 2024-02-09 广州蓝图地理信息技术有限公司 基于高分辨率建筑物遥感影像数据的优化训练方法
CN117252789B (zh) * 2023-11-10 2024-02-02 中国科学院空天信息创新研究院 高分辨率遥感影像阴影重建方法、装置及电子设备
CN117557584B (zh) * 2024-01-10 2024-04-09 北京观微科技有限公司 水体提取方法、装置、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279951A (zh) * 2013-05-13 2013-09-04 武汉理工大学 一种面向对象的遥感影像建筑物及其阴影提取的方法
CN103971115A (zh) * 2014-05-09 2014-08-06 中国科学院遥感与数字地球研究所 一种基于NDVI和PanTex指数的高分辨率遥感影像新增建设用地图斑自动提取方法
CN104915672A (zh) * 2014-03-13 2015-09-16 北京大学 一种基于高分辨率遥感图像的矩形建筑物提取方法及系统
CN105528596A (zh) * 2016-02-03 2016-04-27 长江大学 利用阴影的高分辨率遥感影像建筑物自动提取方法及系统
CN106127791A (zh) * 2016-07-06 2016-11-16 武汉大学 一种航空遥感影像的建筑物轮廓线提取方法
CN107292328A (zh) * 2016-03-31 2017-10-24 武汉大学 多尺度多特征融合的遥感影像阴影检测提取方法及系统
CN108986040A (zh) * 2018-06-12 2018-12-11 南京大学 一种基于遥感多光谱影像的ndvi阴影影响去除方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101150510B1 (ko) * 2010-08-27 2012-05-31 (주)아세아항측 3차원 고해상도 정규화식생지수 도시 모델 생성방법
US9292747B2 (en) * 2013-03-15 2016-03-22 The Boeing Company Methods and systems for automatic and semi-automatic geometric and geographic feature extraction
CN104616015B (zh) * 2015-01-13 2018-10-09 北京师范大学 一种基于主被动遥感数据的农村居民点用地提取方法
CN106407940A (zh) * 2016-09-23 2017-02-15 交通运输部规划研究院 一种港口水域图像的提取方法及系统
CN107909607B (zh) * 2017-12-11 2018-08-03 河北省科学院地理科学研究所 一种年度区域植被覆盖度计算方法
CN108256534B (zh) * 2018-01-29 2019-03-15 中国科学院地理科学与资源研究所 一种基于高分遥感影像的筏式海水养殖区域提取方法
CN108596103B (zh) * 2018-04-26 2021-03-19 吉林大学 基于最佳光谱指数选择的高分辨遥感影像建筑物提取方法
CN110390267B (zh) * 2019-06-25 2021-06-01 东南大学 一种基于高分遥感影像的山地景观建筑提取方法和设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279951A (zh) * 2013-05-13 2013-09-04 武汉理工大学 一种面向对象的遥感影像建筑物及其阴影提取的方法
CN104915672A (zh) * 2014-03-13 2015-09-16 北京大学 一种基于高分辨率遥感图像的矩形建筑物提取方法及系统
CN103971115A (zh) * 2014-05-09 2014-08-06 中国科学院遥感与数字地球研究所 一种基于NDVI和PanTex指数的高分辨率遥感影像新增建设用地图斑自动提取方法
CN105528596A (zh) * 2016-02-03 2016-04-27 长江大学 利用阴影的高分辨率遥感影像建筑物自动提取方法及系统
CN107292328A (zh) * 2016-03-31 2017-10-24 武汉大学 多尺度多特征融合的遥感影像阴影检测提取方法及系统
CN106127791A (zh) * 2016-07-06 2016-11-16 武汉大学 一种航空遥感影像的建筑物轮廓线提取方法
CN108986040A (zh) * 2018-06-12 2018-12-11 南京大学 一种基于遥感多光谱影像的ndvi阴影影响去除方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种利用TM图像自动提取城镇用地信息的有效方法;查勇;《遥感学报》;20030131;第37-41页 *
基于多层次分割分类模型及其特征空间优化的高分辨率遥感影像城市建筑物提取研究;党涛;《中国优秀硕士学位论文全文数据库基础科学辑》;20181115;全文 *

Also Published As

Publication number Publication date
US20210166020A1 (en) 2021-06-03
CN110390267A (zh) 2019-10-29
US11615615B2 (en) 2023-03-28
WO2020258899A1 (zh) 2020-12-30

Similar Documents

Publication Publication Date Title
CN110390267B (zh) 一种基于高分遥感影像的山地景观建筑提取方法和设备
US20150234863A1 (en) Automated feature extraction from imagery
CN112381013B (zh) 基于高分辨率遥感影像的城市植被反演方法及系统
CN107705254B (zh) 一种基于街景图的城市环境评估方法
CN113989681B (zh) 遥感影像变化检测方法、装置、电子设备及存储介质
US20130342694A1 (en) Method and system for use of intrinsic images in an automotive driver-vehicle-assistance device
CN114998852A (zh) 一种基于深度学习的公路路面病害智能检测方法
CN104318051B (zh) 基于规则的大范围水体信息遥感自动提取系统及方法
CN110956207B (zh) 一种光学遥感影像全要素变化检测方法
CN107992856B (zh) 城市场景下的高分遥感建筑物阴影检测方法
CN110765934A (zh) 一种多源数据融合的地质灾害识别方法
CN110986889A (zh) 一种基于遥感图像技术的高压变电站全景态监测方法
CN114926511A (zh) 一种基于自监督学习的高分辨率遥感影像变化检测方法
CN110991452A (zh) 一种车位框检测方法、装置、设备及可读存储介质
CN113033385A (zh) 一种基于深度学习的违章建筑遥感识别方法及系统
CN114463623A (zh) 一种基于多尺度遥感影像的耕地变化检测方法及装置
CN108648200B (zh) 一种间接的城市高分辨率不透水面提取方法
CN112597936B (zh) 基于面向对象分层分割的建筑垃圾分离方法及相关产品
CN110929739B (zh) 一种自动化的不透水面范围遥感迭代提取方法
CN108109125A (zh) 基于遥感图像的信息提取方法和装置
CN111882573A (zh) 一种基于高分辨率影像数据的耕地地块提取方法及系统
Yu et al. A novel algorithm in buildings/shadow detection based on Harris detector
CN112016391B (zh) 基于高分辨率卫星遥感影像的鱼塘识别方法、系统及介质
CN114862889A (zh) 基于遥感图像的道路边缘提取方法和装置
Ye et al. Research on Automatic Highway Extraction Technology Based on Spectral Information of Remote Sensing Images.

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