CN110427961B - 一种基于规则和样本融合的建筑信息提取方法及系统 - Google Patents

一种基于规则和样本融合的建筑信息提取方法及系统 Download PDF

Info

Publication number
CN110427961B
CN110427961B CN201910533634.6A CN201910533634A CN110427961B CN 110427961 B CN110427961 B CN 110427961B CN 201910533634 A CN201910533634 A CN 201910533634A CN 110427961 B CN110427961 B CN 110427961B
Authority
CN
China
Prior art keywords
building
data
information
area
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.)
Active
Application number
CN201910533634.6A
Other languages
English (en)
Other versions
CN110427961A (zh
Inventor
胡月明
贺晓璐
刘振华
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.)
South China Agricultural University
Original Assignee
South China Agricultural 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 South China Agricultural University filed Critical South China Agricultural University
Priority to CN201910533634.6A priority Critical patent/CN110427961B/zh
Publication of CN110427961A publication Critical patent/CN110427961A/zh
Application granted granted Critical
Publication of CN110427961B publication Critical patent/CN110427961B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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

Abstract

本发明公开了一种基于规则和样本融合的建筑信息提取方法及系统，其中，所述方法包括：获取对应区域的worldview2单片数据；对提取到的所述worldview2单片数据进行预处理，获取预处理后的worldview2单片数据；根据预处理后的worldview2单片数据进行基于样本的面向对象建筑物信息提取，获取第一建筑物区域信息；以及根据预处理后的worldview2单片数据进行基于规则的面向对象建筑物信息提取，获取第二建筑物区域信息；将第一建筑物区域信息与第二建筑物区域信息进行融合，获取建筑物区域融合提取信息。在本发明实施中，提取出无明显错误的建筑物，且建筑物直观感受较好、轮廓清晰、形状较为规则。

Description

一种基于规则和样本融合的建筑信息提取方法及系统
技术领域
本发明涉及城市建筑物信息提取技术领域，尤其涉及一种基于规则和样本融合的建筑信息提取方法及系统。
背景技术
随着城镇建设的发展，城市化的水平的不断提高，城市建设用地呈高位增长态势；建设用地的扩大，对社会和生态环境造成了一定的影响；而建筑物作为建设用地中最重要的目标地物，对其进行信息提取和精确识别是城市遥感研究中的热点问题；建筑物的快速获取一方面有助于城市管理者对城市的管理和规划、生产力布局以及城市三维建模等，另一方面对土地资源的保护和可持续利用具有重要意义。
目前建筑物的提取方法主要有三类：一基于几何边界的提取方法，主要是通过检测建筑物的分段线来获得建筑物边缘轮廓信息，进而实现建筑物的信息提取；如Wang Jun等通过增强建筑物边缘对比度，采用EDLines分段检测器提取建筑线分段，将检测的线段按层次分组到候选矩形建筑中，使用线连接和闭合轮廓搜索的方法进行矩形建筑物的自动提取。二基于图像分割的方法，图像分割是将遥感影像分成多个具有不同特性的多边形区域。由于不同的地物最优分割尺度不一，在建筑物提取前需对影像进行多尺度分割；如党涛对中卫市影像图进行多尺度分割，利用小尺度获取不透水面结果图，然后在大尺度影像中进一步提取建筑物信息；三基于辅助信息的方法，利用阴影和DEM(Digital ElevationModel)、DSM(Digital Surface Model)、LIDAR(Light Detection And Ranging)等高度数据的辅助进行建筑物的提取；Lafarge等通过标记点过程的方法实现建筑物足迹的粗略逼近，用矩形对建筑物足迹进行建模，然后改进相邻矩形之间的连接，将高度不连续的矩形进行纠正，实现了建筑物的自动提取。
由于城市建筑物环境复杂多样，建筑物的提取存在较大的困难和干扰，目前单独使用基于样本的面向对象建筑物提取精度低，单独使用基于规则的面向对象建筑物提取易将部分灰色建筑物与暗色调裸地和沥青路混淆。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于规则和样本融合的建筑信息提取方法及系统，提取出无明显错误的建筑物，且建筑物直观感受较好、轮廓清晰、形状较为规则。
为了解决上述技术问题，本发明实施例提供了一种基于规则和样本融合的建筑信息提取方法，所述方法包括：
获取对应区域的worldview2单片数据，所述worldview2单片数据包括1.8m的多光谱数据及0.5m的全色波段数据；
对提取到的所述worldview2单片数据进行预处理，获取预处理后的worldview2单片数据；
根据预处理后的worldview2单片数据进行基于样本的面向对象建筑物信息提取，获取第一建筑物区域信息；以及
根据预处理后的worldview2单片数据进行基于规则的面向对象建筑物信息提取，获取第二建筑物区域信息；
将所述第一建筑物区域信息与所述第二建筑物区域信息进行融合，获取建筑物区域融合提取信息。
可选的，所述对提取到的所述worldview2单片数据进行预处理，获取预处理后的worldview2单片数据，包括：
对所述worldview2单片数据进行辐射定标处理，获取辐射定标后的worldview2单片数据
对辐射定标后的worldview2单片数据进行FLAASH大气校正处理，获取FLAASH大气校正后的worldview2单片数据；
对FLAASH大气校正后的worldview2单片数据进行正射校正处理，获取正射校正后的worldview2单片数据；
对正射校正后的worldview2单片数据基于NNDifuse Pan Sharpening方法进行融合处理，获取融合后的worldview2单片数据。
可选的，所述根据预处理后的worldview2单片数据进行基于样本的面向对象建筑物信息提取，获取第一建筑物区域信息，包括：
基于Full Lambda-Schedule算法对预处理后的worldview2单片数据进行尺度分割和合并处理，获取尺度分割和合并结果；
基于支持向量机对所述尺度分割和合并结果进行分类，获取分类结果；
根据所述分类结果获取第一建筑物区域信息。
可选的，所述支持向量机通过给定具有n个样本的数据集{(x1,y1),…,(xi,yi)}，i＝1,…,n；其中，xi∈Rn，yi∈{-1,1}n；xi是输入数据，yi是学习目标；所述支持向量机的计算公式如下：
Figure BDA0002100512200000031
Figure BDA0002100512200000032
其中，w为权重，b为偏置，ξ为正的松弛变量，
Figure BDA0002100512200000033
为xi到yi的映射，C为正则化系数。
可选的，所述根据预处理后的worldview2单片数据进行基于规则的面向对象建筑物信息提取，获取第二建筑物区域信息，包括：
获取worldview2立体像对数据，所述worldview2立体像对数据包括前视影像和后视影像；
对所述worldview2立体像对数据进行数字地表模型提取处理，获取数字地表模型；
基于Full Lambda-Schedule算法对预处理后的worldview2单片数据进行尺度分割和合并处理，获取尺度分割和合并结果；
根据所述数字地表模型以及尺度分割和合并结果进行基于规则的面向对象建筑物信息提取，获取第二建筑物区域信息。
可选的，所述基于Full Lambda-Schedule算法对预处理后的worldview2单片数据进行尺度分割和合并处理，获取尺度分割和合并结果，包括：
假设u(x，y)是定义域Ω的图像，K是图像边界，将图像分成若干个离散的区域，得到分割图像u0(x，y)，找出最优的边界，即令方程最小化：
Figure BDA0002100512200000034
其中，K为分割的边界集合，
Figure BDA0002100512200000035
为边界总长度，Ω为已有图像；g为图像Ω的灰度值，u为图像各子区域的分段近似值常数，λ为分割参数；
将Ω看作一个由离散变量i(i＝1，2，……，n)索引的像元集合，图像g和其的模型分别由每个像元灰度值g(i)和u(i)表示，分割后得到的区域为图像Ω被边界K分成的子集，K表示边界，
Figure BDA0002100512200000041
表示边界包含的像元总数，对E(u,K)进行离散化为：
Figure BDA0002100512200000042
对于固定边界K，当u为每个区域的均值时，E(u,K)达到最小，假设为：
Figure BDA0002100512200000043
其中，O为整个图像区域，要使得u(K)最小，则需要使用区域生长的方法；Oi为图像的第i子区域，ui为该区域所有g的均值，θ(Oi,Oj)为区域Oi和Oj的公共边长，区域合并式如下：
Figure BDA0002100512200000044
其中，|Oi|为第i子区域面积，若Oi、Oj满足条件λ≥ti,j时，Oi、Oj需要被合并，ti,j表达式如下：
Figure BDA0002100512200000045
其中，Oi为图像Ω的第i子区域，|Oi|为第i子区域面积，ui为该区域所有g的均值，‖ui-uj‖2为第i子区域和第j子区域的欧式距离，
Figure BDA0002100512200000046
为第i子区域和第j子区域的公共边长。
可选的，所述根据所述数字地表模型以及尺度分割和合并结果进行基于规则的面向对象建筑物信息提取，获取第二建筑物区域信息，包括：
根据所述数字地表模型以及尺度分割和合并结果进行在第一层规则提取建筑物信息，以及利用第二次规则精细化提取建筑物信息，获取第二建筑物区域信息。
可选的，所述第一层规则，包括：
计算NDVI值，若NDVI值小于0.35时为非植被区，大于0.35时为植被覆盖区；
当区域的矩形拟合大于0.35时，且拉伸率小于7.2时，排除该区域道路区域；
当1400<光谱平均值(绿光波段)<4400时，为使用绿波段的光谱均值是用来剔除水泥地的影响；
当35<地域<440，且10<数字地表模型<40时，筛选为建筑物信息；
当1400<红色边缘波段的纹理平均值<1890时，剔除少量作物地块对建筑物信息提取的影响；
所述第二层规则，包括：
当2600<光谱平均值(蓝色)<3700时，识别为蓝色建筑物，利用蓝色波段的光谱平均值进行建筑物信息提取。
可选的，所述将所述第一建筑物区域信息与所述第二建筑物区域信息进行融合，获取建筑物区域融合提取信息，包括：
将根据红色边缘波段的纹理平均值剔除少量作物地块对建筑物信息提取的影响提取的建筑物信息和所述第一建筑物信息利用分析工具进行建筑物的叠置分析，获得新图层；
将所述新图层与第二建筑物信息进入融合，获取建筑物区域融合提取信息。
另外，本发明实施例还提供了一种基于规则和样本融合的建筑信息提取系统，所述系统包括：
数据获取模块：用于获取对应区域的worldview2单片数据，所述worldview2单片数据包括1.8m的多光谱数据及0.5m的全色波段数据；
数据预处理模块：用于对提取到的所述worldview2单片数据进行预处理，获取预处理后的worldview2单片数据；
建筑物信息提取模块：用于根据预处理后的worldview2单片数据进行基于样本的面向对象建筑物信息提取，获取第一建筑物区域信息；以及根据预处理后的worldview2单片数据进行基于规则的面向对象建筑物信息提取，获取第二建筑物区域信息；
建筑物区域融合模块：用于将所述第一建筑物区域信息与所述第二建筑物区域信息进行融合，获取建筑物区域融合提取信息。
在本发明实施例中，通过基于规则和样本融合的建筑信息提取，且在规则中引入红色边缘波段的纹理平均值，所提取到的结果比较理想，没有提取出具有明显错误的建筑物，且建筑物直观感受较好、轮廓清晰、形状较为规则；一定程度上提高了建筑物提取的完整率，同时也减小了错分率和漏提率，在建筑物的提取精度和结果完整性上，利用本发明方法具有明显的优势。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，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它的附图。
图1是本发明实施例中的基于规则和样本融合的建筑信息提取方法的流程示意图；
图2是本发明实施例中的基于规则和样本融合的建筑信息提取系统的结构组成示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例
请参阅图1，图1是本发明实施例中的基于规则和样本融合的建筑信息提取方法的流程示意图。
如图1所示，一种基于规则和样本融合的建筑信息提取方法，所述方法包括：
S11：获取对应区域的worldview2单片数据，所述worldview2单片数据包括1.8m的多光谱数据及0.5m的全色波段数据；
在本发明具体实施过程中，需要在相应的数据库中爬取需要进行建筑信息提取区域的worldview2单片数据，该worldview2单片数据包括1.8m的多光谱数据及0.5m的全色波段数据；其中多光谱数据除了包含四个常见的波段外(Blue、Green、Red、NIR1)，还有四个额外的波段：海岸波段(CoastalBlue)、黄色波段(Yellow)、红色边缘波段(RedEdge)、近红外2波段(NIR2)。
S12：对提取到的所述worldview2单片数据进行预处理，获取预处理后的worldview2单片数据；
在本发明具体实施过程中，所述对提取到的所述worldview2单片数据进行预处理，获取预处理后的worldview2单片数据，包括：对所述worldview2单片数据进行辐射定标处理，获取辐射定标后的worldview2单片数据对辐射定标后的worldview2单片数据进行FLAASH大气校正处理，获取FLAASH大气校正后的worldview2单片数据；对FLAASH大气校正后的worldview2单片数据进行正射校正处理，获取正射校正后的worldview2单片数据；对正射校正后的worldview2单片数据基于NNDifuse Pan Sharpening方法进行融合处理，获取融合后的worldview2单片数据。
具体的，对worldview2单片数据的预处理包括辐射定标、FLAASH大气校正以及正射校正等；由于worldview2单片数据全色波段分辨率较高，而多光谱数据分辨率相对较低，在本发明实施例中，采用NNDifuse Pan Sharpening方法对worldview2单片数据进行融合，融合后的影像较融合前的真彩色合成图具有更高的精度。
S13：根据预处理后的worldview2单片数据进行基于样本的面向对象建筑物信息提取，获取第一建筑物区域信息；以及
在本发明具体实施过程中，所述根据预处理后的worldview2单片数据进行基于样本的面向对象建筑物信息提取，获取第一建筑物区域信息，包括：基于Full Lambda-Schedule算法对预处理后的worldview2单片数据进行尺度分割和合并处理，获取尺度分割和合并结果；基于支持向量机对所述尺度分割和合并结果进行分类，获取分类结果；根据所述分类结果获取第一建筑物区域信息。
进一步的，所述支持向量机通过给定具有n个样本的数据集{(x1,y1),…,(xi,yi)}，i＝1,…,n；其中，xi∈Rn，yi∈{-1,1}n；xi是输入数据，yi是学习目标；所述支持向量机的计算公式如下：
Figure BDA0002100512200000081
Figure BDA0002100512200000082
其中，w为权重，b为偏置，ξ为正的松弛变量，
Figure BDA0002100512200000083
为xi到yi的映射，C为正则化系数。
进一步的，所述基于Full Lambda-Schedule算法对预处理后的worldview2单片数据进行尺度分割和合并处理，获取尺度分割和合并结果，包括：假设u(x，y)是定义域Ω的图像，K是图像边界，将图像分成若干个离散的区域，得到分割图像u0(x，y)，找出最优的边界，即令方程最小化：
Figure BDA0002100512200000084
其中，K为分割的边界集合，
Figure BDA0002100512200000085
为边界总长度，Ω为已有图像；g为图像Ω的灰度值，u为图像各子区域的分段近似值常数，λ为分割参数；将Ω看作一个由离散变量i(i＝1，2，……，n)索引的像元集合，图像g和其的模型分别由每个像元灰度值g(i)和u(i)表示，分割后得到的区域为图像Ω被边界K分成的子集，K表示边界，
Figure BDA0002100512200000086
表示边界包含的像元总数，对E(u,K)进行离散化为：
Figure BDA0002100512200000087
对于固定边界K，当u为每个区域的均值时，E(u,K)达到最小，假设为：
Figure BDA0002100512200000088
其中，O为整个图像区域，要使得u(K)最小，则需要使用区域生长的方法；Oi为图像的第i子区域，ui为该区域所有g的均值，θ(Oi,Oj)为区域Oi和Oj的公共边长，区域合并式如下：
Figure BDA0002100512200000089
其中，|Oi|为第i子区域面积，若Oi、Oj满足条件λ≥ti,j时，Oi、Oj需要被合并，ti,j表达式如下：
Figure BDA00021005122000000810
其中，Oi为图像Ω的第i子区域，|Oi|为第i子区域面积，ui为该区域所有g的均值，‖ui-uj‖2为第i子区域和第j子区域的欧式距离，
Figure BDA00021005122000000811
为第i子区域和第j子区域的公共边长。
具体的，基于样本的面向对象建筑物信息提取，为尺度分割、训练样本的选取以及分类三部分，其中，选择Full Lambda-Schedule算法对预处理后的worldview2单片数据进行边缘尺度分割和融合，尺度分割和合并的阈值结果也为50和90；对尺度分割后影像数据，进行训练样本的选取，本发明将地块分为七类：建筑物、植被、道路、耕地、阴影、运动场及水体，选择样本数量分别为100、50、25、25、25、10、2；为了提高建筑物提取的精度，本发明选择支持向量机对地物分类，分类概率阈值设置为80，实现面向对象建筑物的提取。
SVM(Support Vector Machine,支持向量机)：通过监督学习对数据进行分类的一种分类器。
SVM由Vapnik等人在1998年提出，是通过监督学习对数据进行分类的一种分类器；采用结构风险最小化准则，在最小化样本误差的同时缩小模型泛化误差的边界，提高模型的泛化能力，能有效的解决模式识别和函数估计问题；通过给定具有n个样本的数据集{(x1,y1),…,(xi,yi)}，i＝1,…,n；其中，xi∈Rn，yi∈{-1,1}n；xi是输入数据，yi是学习目标；所述支持向量机的计算公式如下：
Figure BDA0002100512200000091
Figure BDA0002100512200000092
其中，w为权重，b为偏置，ξ为正的松弛变量，
Figure BDA0002100512200000093
为xi到yi的映射，C为正则化系数。
S14：根据预处理后的worldview2单片数据进行基于规则的面向对象建筑物信息提取，获取第二建筑物区域信息；
在本发明具体实施过程中，所述根据预处理后的worldview2单片数据进行基于规则的面向对象建筑物信息提取，获取第二建筑物区域信息，包括：获取worldview2立体像对数据，所述worldview2立体像对数据包括前视影像和后视影像；对所述worldview2立体像对数据进行数字地表模型提取处理，获取数字地表模型；基于Full Lambda-Schedule算法对预处理后的worldview2单片数据进行尺度分割和合并处理，获取尺度分割和合并结果；根据所述数字地表模型以及尺度分割和合并结果进行基于规则的面向对象建筑物信息提取，获取第二建筑物区域信息。
进一步的，所述基于Full Lambda-Schedule算法对预处理后的worldview2单片数据进行尺度分割和合并处理，获取尺度分割和合并结果，包括：假设u(x，y)是定义域Ω的图像，K是图像边界，将图像分成若干个离散的区域，得到分割图像u0(x，y)，找出最优的边界，即令方程最小化：
Figure BDA0002100512200000101
其中，K为分割的边界集合，
Figure BDA0002100512200000102
为边界总长度，Ω为已有图像；g为图像Ω的灰度值，u为图像各子区域的分段近似值常数，λ为分割参数；将Ω看作一个由离散变量i(i＝1，2，……，n)索引的像元集合，图像g和其的模型分别由每个像元灰度值g(i)和u(i)表示，分割后得到的区域为图像Ω被边界K分成的子集，K表示边界，
Figure BDA0002100512200000103
表示边界包含的像元总数，对E(u,K)进行离散化为：
Figure BDA0002100512200000104
对于固定边界K，当u为每个区域的均值时，E(u,K)达到最小，假设为：
Figure BDA0002100512200000105
其中，O为整个图像区域，要使得u(K)最小，则需要使用区域生长的方法；Oi为图像的第i子区域，ui为该区域所有g的均值，θ(Oi,Oj)为区域Oi和Oj的公共边长，区域合并式如下：
Figure BDA0002100512200000106
其中，|Oi|为第i子区域面积，若Oi、Oj满足条件λ≥ti,j时，Oi、Oj需要被合并，ti,j表达式如下：
Figure BDA0002100512200000107
其中，Oi为图像Ω的第i子区域，|Oi|为第i子区域面积，ui为该区域所有g的均值，‖ui-uj‖2为第i子区域和第j子区域的欧式距离，
Figure BDA0002100512200000108
为第i子区域和第j子区域的公共边长。
进一步的，所述根据所述数字地表模型以及尺度分割和合并结果进行基于规则的面向对象建筑物信息提取，获取第二建筑物区域信息，包括：根据所述数字地表模型以及尺度分割和合并结果进行在第一层规则提取建筑物信息，以及利用第二次规则精细化提取建筑物信息，获取第二建筑物区域信息。
进一步的，所述第一层规则，包括：
计算NDVI值，若NDVI值小于0.35时为非植被区，大于0.35时为植被覆盖区；
当区域的矩形拟合大于0.35时，且拉伸率小于7.2时，排除该区域道路区域；当1400<光谱平均值(绿光波段)<4400时，为使用绿波段的光谱均值是用来剔除水泥地的影响；当35<地域<440，且10<数字地表模型<40时，筛选为建筑物信息；当1400<红色边缘波段的纹理平均值<1890时，剔除少量作物地块对建筑物信息提取的影响；所述第二层规则，包括：当2600<光谱平均值(蓝色)<3700时，识别为蓝色建筑物，利用蓝色波段的光谱平均值进行建筑物信息提取。
具体的，worldview2立体像对数据包括前视影像和后视影像；采用ENVI5.3进行立体像对提取DSM(数字地表模型)；选择拍摄角小的前视影像为左影像，后视影像为右影像；选取1000个连接点，自动预测，在部分无连接点的地区手动添加，使其分布均匀，调整最大Y视差小于1；因只是辅助建筑物的提取，本发明不精确到建筑物的实际高度，所以没选取地面控制点。
地表建筑物相对复杂，需根据各个地物的光谱特征、形状特征、纹理特征等信息构建规则知识库的约束条件进行提取；基于规则的面向对象信息提取主要分为两部分，一是影像分割，二是规则知识库的建立；影像分割是特征识别过程中的重要步骤，分割的好坏直接影响建筑物提取的精度；本发明选择Full Lambda-Schedule算法对预处理后的worldview2单片数据进行边缘分割。
Full Lambda-Schedule算法是基于简化的Mumford-Shah模型(主动轮廓模型)提出的，基本思想是统筹考虑影像数据中的光谱信息、形状信息以及空间信息，对相邻区域的像元集合区域迭代至一定的预设条件，以完成对图像的分割；假设u(x，y)是定义域Ω的图像，K是图像边界，将图像分成若干个离散的区域，得到分割图像u0(x，y)，找出最优的边界，即令方程最小化：
Figure BDA0002100512200000121
其中，K为分割的边界集合，
Figure BDA0002100512200000122
为边界总长度，Ω为已有图像；g为图像Ω的灰度值，u为图像各子区域的分段近似值常数，λ为分割参数；将Ω看作一个由离散变量i(i＝1，2，……，n)索引的像元集合，图像g和其的模型分别由每个像元灰度值g(i)和u(i)表示，分割后得到的区域为图像Ω被边界K分成的子集，K表示边界，
Figure BDA0002100512200000123
表示边界包含的像元总数，对E(u,K)进行离散化为：
Figure BDA0002100512200000124
对于固定边界K，当u为每个区域的均值时，E(u,K)达到最小，假设为：
Figure BDA0002100512200000125
其中，O为整个图像区域，要使得u(K)最小，则需要使用区域生长的方法；Oi为图像的第i子区域，ui为该区域所有g的均值，θ(Oi,Oj)为区域Oi和Oj的公共边长，区域合并式如下：
Figure BDA0002100512200000126
其中，|Oi|为第i子区域面积，若Oi、Oj满足条件λ≥ti,j时，Oi、Oj需要被合并，ti,j表达式如下：
Figure BDA0002100512200000127
其中，Oi为图像Ω的第i子区域，|Oi|为第i子区域面积，ui为该区域所有g的均值，‖ui-uj‖2为第i子区域和第j子区域的欧式距离，
Figure BDA0002100512200000128
为第i子区域和第j子区域的公共边长。
地物的识别需要将阈值调整至最合适的状态；分割尺度过小会导致地物过于破碎，将同一地物分割成多个地块；而分割尺度过大，容易将不同的地物划分在同一类型中，造成分割不完全；通过调整滑块阈值对影像进行分割和合并；经过多次重复试验，当分割阈值为50，合并阈值为90时，建筑物边缘特征分割良好，能较准确的获取建筑物信息。
在直接利用现有规则库进行建筑物提取时，部分建筑物会由于反射率过高而被剔除。因此，本发明设置了两层规则，在第一层规则提取建筑物信息的基础上，利用第二层规则精细化提取建筑物信息；具体规则如下所示：
第一层规则：(a)Spectral mean(Normalized Difference)<0.35，NormalizedDifference计算的是NDVI值，当该值小于0.35时为非植被区，大于0.35的为植被覆盖区；(b)Rectangular fit(矩形拟合)＞0.35；(c)Elongation(拉伸率)＜7.2，约束条件(b)和(c)是用来排除道路的干扰；建筑物和道路的最大区别是形状不同，建筑物大部分是近乎规则的形状，而道路为狭长的带状。利用Rectangular fit属性和Elongation属性排除道路信息；(d)1400＜Spectral mean(green)(光谱平均值(绿光波段))＜4400，使用绿波段的光谱均值是用来剔除水泥地的影响；因为水泥地反射率较高，而建筑物反射率相对较低；(e)35<Area(地域)<440(f)10＜DSM(数字地表模型)＜40，约束条件(e)和(f)是筛选建筑物信息；主要是通过建筑物面积和DSM来识别；因建筑物的DSM值与其它地物有明显的区别，因此通过该条件可以较好的检测出建筑物；(g)1400＜Texture mean(RedEdge)(红色边缘波段的纹理平均值)＜1890，通过实验发现，利用worldview2的红色边缘波段的纹理信息对种有少量作物的地块和建筑物有较好的区分作用，使用该波段可以去除这些地块对建筑物提取的影响。
第二层规则：2600＜Spectral mean(Blue)(光谱平均值(蓝色))＜3700，由于部分蓝色建筑物反射率过高，在影像中呈现白色，在实验过程中已被剔除。为识别出该类建筑物，可使用蓝色波段的光谱均值进行提取。
S15：将所述第一建筑物区域信息与所述第二建筑物区域信息进行融合，获取建筑物区域融合提取信息。
在本发明具体实施过程中，所述将所述第一建筑物区域信息与所述第二建筑物区域信息进行融合，获取建筑物区域融合提取信息，包括：将根据红色边缘波段的纹理平均值剔除少量作物地块对建筑物信息提取的影响提取的建筑物信息和所述第一建筑物信息利用分析工具进行建筑物的叠置分析，获得新图层；将所述新图层与第二建筑物信息进入融合，获取建筑物区域融合提取信息。
具体的，规则中引入的红色边缘波段对种有少量作物的地块和建筑物有较好的区分作用，使用该波段的纹理均值可以去除这些地块对建筑物提取的影响；而影像中部分灰色建筑物易与暗色调裸地和沥青路混淆，因此在使用单独的规则提取方法时容易被剔除；通过将这两种方法提取的建筑物信息结果进行融合，该类建筑物可以得到较好的保留。
利用红色边缘波段的纹理平均值剔除少量作物地块对建筑物信息提取的影响，将提取的建筑物信息和第一建筑物信息导入至ARCGIS，然后选择ArcToolbox中的分析工具进行建筑物的叠置分析；叠置分析产生的新数据层综合了两者所具有的属性信息，将新图层与基于规则的面向对象建筑物信息提取的第二建筑物信息进行融合，从而实现了目标地物的最终提取。
在本发明实施例中，通过基于规则和样本融合的建筑信息提取，且在规则中引入红色边缘波段的纹理平均值，所提取到的结果比较理想，没有提取出具有明显错误的建筑物，且建筑物直观感受较好、轮廓清晰、形状较为规则；一定程度上提高了建筑物提取的完整率，同时也减小了错分率和漏提率，在建筑物的提取精度和结果完整性上，利用本发明方法具有明显的优势。
实施例
请参阅图2，图2是本发明实施例中的基于规则和样本融合的建筑信息提取系统的结构组成示意图。
如图2所示，一种基于规则和样本融合的建筑信息提取系统，所述系统包括：
数据获取模块11：用于获取对应区域的worldview2单片数据，所述worldview2单片数据包括1.8m的多光谱数据及0.5m的全色波段数据；
数据预处理模块12：用于对提取到的所述worldview2单片数据进行预处理，获取预处理后的worldview2单片数据；
建筑物信息提取模块13：用于根据预处理后的worldview2单片数据进行基于样本的面向对象建筑物信息提取，获取第一建筑物区域信息；以及根据预处理后的worldview2单片数据进行基于规则的面向对象建筑物信息提取，获取第二建筑物区域信息；
建筑物区域融合模块14：用于将所述第一建筑物区域信息与所述第二建筑物区域信息进行融合，获取建筑物区域融合提取信息。
具体地，本发明实施例的系统相关功能模块工作原理可参考方法实施例的相关描述，这里不再赘述。
在本发明实施例中，通过基于规则和样本融合的建筑信息提取，且在规则中引入红色边缘波段的纹理平均值，所提取到的结果比较理想，没有提取出具有明显错误的建筑物，且建筑物直观感受较好、轮廓清晰、形状较为规则；一定程度上提高了建筑物提取的完整率，同时也减小了错分率和漏提率，在建筑物的提取精度和结果完整性上，利用本发明方法具有明显的优势。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的一种基于规则和样本融合的建筑信息提取方法及系统进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种基于规则和样本融合的建筑信息提取方法，其特征在于，所述方法包括：
获取对应区域的worldview2单片数据，所述worldview2单片数据包括1.8m的多光谱数据及0.5m的全色波段数据；
对提取到的所述worldview2单片数据进行预处理，获取预处理后的worldview2单片数据；
根据预处理后的worldview2单片数据进行基于样本的面向对象建筑物信息提取，获取第一建筑物区域信息；以及
根据预处理后的worldview2单片数据进行基于规则的面向对象建筑物信息提取，获取第二建筑物区域信息；
将所述第一建筑物区域信息与所述第二建筑物区域信息进行融合，获取建筑物区域融合提取信息；
所述根据预处理后的worldview2单片数据进行基于规则的面向对象建筑物信息提取，获取第二建筑物区域信息，包括：
获取worldview2立体像对数据，所述worldview2立体像对数据包括前视影像和后视影像；
对所述worldview2立体像对数据进行数字地表模型提取处理，获取数字地表模型；
基于Full Lambda-Schedule算法对预处理后的worldview2单片数据进行尺度分割和合并处理，获取尺度分割和合并结果；
根据所述数字地表模型以及尺度分割和合并结果进行基于规则的面向对象建筑物信息提取，获取第二建筑物区域信息；
所述根据所述数字地表模型以及尺度分割和合并结果进行基于规则的面向对象建筑物信息提取，获取第二建筑物区域信息，包括：
根据所述数字地表模型以及尺度分割和合并结果进行在第一层规则提取建筑物信息，以及利用第二层规则精细化提取建筑物信息，获取第二建筑物区域信息；
所述第一层规则，包括：
计算NDVI值，若NDVI值小于0.35时为非植被区，大于0.35时为植被覆盖区；
当区域的矩形拟合大于0.35时，且拉伸率小于7.2时，排除该区域道路区域；
当1400<绿光波段光谱平均值<4400时，为使用绿波段的光谱均值是用来剔除水泥地的影响；
当35<地域<440，且10<数字地表模型<40时，筛选为建筑物信息；
当1400<红色边缘波段的纹理平均值<1890时，剔除少量作物地块对建筑物信息提取的影响；
所述第二层规则，包括：
当2600<蓝色光谱平均值<3700时，识别为蓝色建筑物，利用蓝色波段的光谱平均值进行建筑物信息提取。
2.根据权利要求1所述的建筑信息提取方法，其特征在于，所述对提取到的所述worldview2单片数据进行预处理，获取预处理后的worldview2单片数据，包括：
对所述worldview2单片数据进行辐射定标处理，获取辐射定标后的worldview2单片数据
对辐射定标后的worldview2单片数据进行FLAASH大气校正处理，获取FLAASH大气校正后的worldview2单片数据；
对FLAASH大气校正后的worldview2单片数据进行正射校正处理，获取正射校正后的worldview2单片数据；
对正射校正后的worldview2单片数据基于NNDifuse Pan Sharpening方法进行融合处理，获取融合后的worldview2单片数据。
3.根据权利要求1所述的建筑信息提取方法，其特征在于，所述根据预处理后的worldview2单片数据进行基于样本的面向对象建筑物信息提取，获取第一建筑物区域信息，包括：
基于Full Lambda-Schedule算法对预处理后的worldview2单片数据进行尺度分割和合并处理，获取尺度分割和合并结果；
基于支持向量机对所述尺度分割和合并结果进行分类，获取分类结果；
根据所述分类结果获取第一建筑物区域信息。
4.根据权利要求3所述的建筑信息提取方法，其特征在于，所述支持向量机通过给定具有n个样本的数据集{(xi,yi)}，i＝1,…,n；其中，xi∈Rn，yi∈{-1,1}n；xi是输入数据，yi是学习目标；所述支持向量机的计算公式如下：
Figure FDA0003278024920000031
Figure FDA0003278024920000032
其中，w为权重，b为偏置，ξ为正的松弛变量，
Figure FDA0003278024920000033
为xi到yi的映射，C为正则化系数。
5.根据权利要求1或3所述的建筑信息提取方法，其特征在于，所述基于Full Lambda-Schedule算法对预处理后的worldview2单片数据进行尺度分割和合并处理，获取尺度分割和合并结果，包括：
假设u(x，y)是定义域Ω的图像，K是图像边界，将图像分成若干个离散的区域，得到分割图像u0(x，y)，找出最优的边界，即令方程最小化：
Figure FDA0003278024920000034
其中，K为分割的边界集合，
Figure FDA0003278024920000035
为边界总长度，Ω为已有图像；g为图像Ω的灰度值，u为图像各子区域的分段近似值常数，λ为分割参数；
将Ω看作一个由离散变量i索引的像元集合，图像g和其模型分别由每个像元灰度值g(i)和u(i)表示，分割后得到的区域为图像Ω被边界K分成的子集，K表示边界，
Figure FDA0003278024920000036
表示边界包含的像元总数，对E(u,K)进行离散化为：
Figure FDA0003278024920000037
对于固定边界K，当u为每个区域的均值时，E(u,K)达到最小，假设为：
Figure FDA0003278024920000041
其中，O为整个图像区域，要使得u(K)最小，则需要使用区域生长的方法；Oi为图像的第i子区域，ui为该区域所有g的均值，θ(Oi,Oj)为区域Oi和Oj的公共边长，区域合并式如下：
Figure FDA0003278024920000042
其中，|Oi|为第i子区域面积，若Oi、Oj满足条件λ≥ti,j时，Oi、Oj需要被合并，ti,j表达式如下：
Figure FDA0003278024920000043
其中，Oi为图像Ω的第i子区域，|Oi|为第i子区域面积，ui为该区域所有g的均值，‖ui-uj‖2为第i子区域和第j子区域的欧式距离，
Figure FDA0003278024920000044
为第i子区域和第j子区域的公共边长。
6.根据权利要求1所述的建筑信息提取方法，其特征在于，所述将所述第一建筑物区域信息与所述第二建筑物区域信息进行融合，获取建筑物区域融合提取信息，包括：
将根据红色边缘波段的纹理平均值剔除少量作物地块对建筑物信息提取的影响提取的建筑物信息和所述第一建筑物信息利用分析工具进行建筑物的叠置分析，获得新图层；
将所述新图层与第二建筑物信息进入融合，获取建筑物区域融合提取信息。
7.一种基于规则和样本融合的建筑信息提取系统，其特征在于，所述系统包括：
数据获取模块：用于获取对应区域的worldview2单片数据，所述worldview2单片数据包括1.8m的多光谱数据及0.5m的全色波段数据；
数据预处理模块：用于对提取到的所述worldview2单片数据进行预处理，获取预处理后的worldview2单片数据；
建筑物信息提取模块：用于根据预处理后的worldview2单片数据进行基于样本的面向对象建筑物信息提取，获取第一建筑物区域信息；以及根据预处理后的worldview2单片数据进行基于规则的面向对象建筑物信息提取，获取第二建筑物区域信息；
建筑物区域融合模块：用于将所述第一建筑物区域信息与所述第二建筑物区域信息进行融合，获取建筑物区域融合提取信息；
所述根据预处理后的worldview2单片数据进行基于规则的面向对象建筑物信息提取，获取第二建筑物区域信息，包括：
获取worldview2立体像对数据，所述worldview2立体像对数据包括前视影像和后视影像；
对所述worldview2立体像对数据进行数字地表模型提取处理，获取数字地表模型；
基于Full Lambda-Schedule算法对预处理后的worldview2单片数据进行尺度分割和合并处理，获取尺度分割和合并结果；
根据所述数字地表模型以及尺度分割和合并结果进行基于规则的面向对象建筑物信息提取，获取第二建筑物区域信息；
所述根据所述数字地表模型以及尺度分割和合并结果进行基于规则的面向对象建筑物信息提取，获取第二建筑物区域信息，包括：
根据所述数字地表模型以及尺度分割和合并结果进行在第一层规则提取建筑物信息，以及利用第二层规则精细化提取建筑物信息，获取第二建筑物区域信息；
所述第一层规则，包括：
计算NDVI值，若NDVI值小于0.35时为非植被区，大于0.35时为植被覆盖区；
当区域的矩形拟合大于0.35时，且拉伸率小于7.2时，排除该区域道路区域；
当1400<绿光波段光谱平均值<4400时，为使用绿波段的光谱均值是用来剔除水泥地的影响；
当35<地域<440，且10<数字地表模型<40时，筛选为建筑物信息；
当1400<红色边缘波段的纹理平均值<1890时，剔除少量作物地块对建筑物信息提取的影响；
所述第二层规则，包括：
当2600<蓝色光谱平均值<3700时，识别为蓝色建筑物，利用蓝色波段的光谱平均值进行建筑物信息提取。
CN201910533634.6A 2019-06-19 2019-06-19 一种基于规则和样本融合的建筑信息提取方法及系统 Active CN110427961B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910533634.6A CN110427961B (zh) 2019-06-19 2019-06-19 一种基于规则和样本融合的建筑信息提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910533634.6A CN110427961B (zh) 2019-06-19 2019-06-19 一种基于规则和样本融合的建筑信息提取方法及系统

Publications (2)

Publication Number Publication Date
CN110427961A CN110427961A (zh) 2019-11-08
CN110427961B true CN110427961B (zh) 2022-04-05

Family

ID=68408767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910533634.6A Active CN110427961B (zh) 2019-06-19 2019-06-19 一种基于规则和样本融合的建筑信息提取方法及系统

Country Status (1)

Country Link
CN (1) CN110427961B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204508A (zh) * 2016-06-30 2016-12-07 西北工业大学 基于非负稀疏矩阵的WorldView‑2遥感全色与多光谱图像融合方法
CN107808160A (zh) * 2016-09-09 2018-03-16 香港中文大学 三维建筑物提取方法和装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160314370A1 (en) * 2015-04-23 2016-10-27 Nokia Technologies Oy Method and apparatus for determination of object measurements based on measurement assumption of one or more common objects in an image
US10643328B2 (en) * 2016-10-31 2020-05-05 Optim Corporation Computer system, and method and program for diagnosing objects

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204508A (zh) * 2016-06-30 2016-12-07 西北工业大学 基于非负稀疏矩阵的WorldView‑2遥感全色与多光谱图像融合方法
CN107808160A (zh) * 2016-09-09 2018-03-16 香港中文大学 三维建筑物提取方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
一种新的面向对象城市建筑物信息提取方法研究;樊舒迪 等;《华南师范大学学报（自然科学版）》;20151130;第47卷(第6期);第93页第1.3节 *
董小姣.面向对象和规则的高分辨率影像分类和建筑物信息提取研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2015, *
面向对象和规则的高分辨率影像分类和建筑物信息提取研究;董小姣;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150415;第11-14页第3章，第26-29页第4章，第39-43页第5章 *

Also Published As

Publication number Publication date
CN110427961A (zh) 2019-11-08

Similar Documents

Publication Publication Date Title
CN104751478B (zh) 一种基于多特征融合的面向对象的建筑物变化检测方法
Zhou et al. Object-based land cover classification of shaded areas in high spatial resolution imagery of urban areas: A comparison study
Martha et al. Object-oriented analysis of multi-temporal panchromatic images for creation of historical landslide inventories
Lee et al. Fusion of lidar and imagery for reliable building extraction
CN111738165B (zh) 一种从高分辨率无人机可见光遥感影像中提取单株植物冠层的方法
US8233712B2 (en) Methods of segmenting a digital image
CN103337052B (zh) 面向宽幅遥感影像的自动几何纠正方法
CN103218787B (zh) 多源异构遥感影像控制点自动采集方法
CN110309781B (zh) 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法
CN107067405B (zh) 基于尺度优选的遥感影像分割方法
San et al. Building extraction from high resolution satellite images using Hough transform
CN110232389A (zh) 一种基于绿色作物特征提取不变性的立体视觉导航方法
Shahi et al. Road condition assessment by OBIA and feature selection techniques using very high-resolution WorldView-2 imagery
US11804025B2 (en) Methods and systems for identifying topographic features
Moussa et al. A new object based method for automated extraction of urban objects from airborne sensors data
US11941878B2 (en) Automated computer system and method of road network extraction from remote sensing images using vehicle motion detection to seed spectral classification
KR101941043B1 (ko) 고화질 항공 이미지에서의 물체 검출 방법
Hossain et al. A hybrid image segmentation method for building extraction from high-resolution RGB images
AU2012100257A4 (en) Method for Radiometric Information Restoration of Mountainous Shadows in Remotely Sensed Images
CN110427961B (zh) 一种基于规则和样本融合的建筑信息提取方法及系统
Singh et al. A hybrid approach for information extraction from high resolution satellite imagery
CN110070513A (zh) 遥感影像的辐射校正方法及系统
Doxani et al. Object-based building change detection from a single multispectral image and pre-existing geospatial information
Kumar et al. Object oriented classification and feature extraction for parts of east delhi using hybrid approach
Khalilimoghadama et al. Performance evaluation of three different high resolution satellite images in semi-automatic urban illegal building 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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Hu Yueming

Inventor after: He Xiaolu

Inventor after: Liu Zhenhua

Inventor before: Hu Mingyue

Inventor before: He Xiaolu

Inventor before: Liu Zhenhua

GR01 Patent grant
GR01 Patent grant