CN110569751A - 一种高分遥感影像建筑物提取方法 - Google Patents
一种高分遥感影像建筑物提取方法 Download PDFInfo
- Publication number
- CN110569751A CN110569751A CN201910782464.5A CN201910782464A CN110569751A CN 110569751 A CN110569751 A CN 110569751A CN 201910782464 A CN201910782464 A CN 201910782464A CN 110569751 A CN110569751 A CN 110569751A
- Authority
- CN
- China
- Prior art keywords
- building
- attribute
- objects
- interval
- pixels
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种高分遥感影像建筑物提取方法。首先，结合影像分割和阴影检测等技术提取候选对象集合；其次，基于尺度参数自适应提取策略，在对象边界约束下构建差分属性剖面，获得初始建筑物集合；最后，依据类间可分性自动提取该集合中的不确定对象，并进行二次判别，获得最终建筑物提取结果。本发明改善了在地物种类众多的城市场景下的遥感影像建筑物提取的性能。
Description
技术领域
本发明属于遥感影像领域，特别涉及了一种遥感影像建筑物提取方法。
背景技术
随着各种高分遥感平台的成功运行和不断完善，高分辨率遥感影像已经广泛应用于包括地理数据更新、城市专题图制作、多角度城市分类分析等诸多领域。其中，基于高分辨率遥感影像的城市区域语义标记，特别是自动地对建筑物进行识别和提取通常在这些实际应用中扮演着重要角色，同时也一直是遥感领域中的研究热点之一。
相较于传统中、低分辨率遥感影像，高分辨率遥感影像中的建筑物细节信息更加丰富，轮廓及结构更加清晰，有利于建筑物的目视解译。从这个意义上说，在高分辨率影像中提取建筑物具有极大的潜力。与此同时，城市复杂背景下更加突出的“同物异谱”和“同谱异物”现象，以及更加显著的阴影及噪声等干扰因素的影响又为建筑物提取提出了新的挑战。
目前，高分辨率遥感影像建筑物提取方法主要分为基于几何边界和基于局部区域的方法。其中，几何边界方法通过给定的结构元素来描述建筑物，并与目标模型进行匹配以实现建筑物的提取。例如，Cui等人首先根据Hough变换获得与建筑物边缘相关的平行线组，然后定义建筑物轮廓为周期相关的平行线，基于此得到建筑物边缘信息，同时利用建筑物的面积条件进行掩膜约束，进而提取建筑物的几何、灰度特征；huang等人以白顶帽重建为基础，利用线性结构元素来描述建筑物的局部亮度以及对比度特征，提出了基于形态学的建筑物指数MBI(Morphological Building Index)，并进一步结合光谱、阴影等特征实现了建筑物的自动提取。Gavankar N L则首先通过线性结构元素来增强建筑物边缘，继而通过K均值聚类算法来提取建筑物。尽管如此，此类方法所采用的与建筑物尺寸相近的结构元素，虽然会使建筑物与相邻地物之间的像素产生强边缘响应，但是却忽略了高分辨遥感图像中相邻像素间所具有的较强相关性。同时，由于不同种类、形状、尺寸的地物混杂分布，建筑物之间的形态学特征也可能存在较大差异。因此，采用指定的结构元素并不合理。相较于几何边界法，基于局部区域的方法突破了以像素或固定尺寸结构元素为基本处理单元的局限，而扩展为具有相似属性的所有连通像素。在此基础上，从OBIA(object based imageanalysis)的角度出发，通过引入与建筑物特征相关的属性信息进行分析和处理。因此，基于局部区域的方法不仅有助于对建筑物的多角度刻画，同时也契合了相邻像素间强相关性的本质。其中，形态学属性剖面MAPs(Morphological Attribute Profiles)是目前一种非常流行的局部区域形态学属性特征集合。在MAPs构成的特征空间中，研究者通过进一步构建差分属性剖面DAPs来检测建筑物在不同尺度参数、不同形态学属性中的差分特征，从而使建筑物与其他地物具有良好的可分性。
尽管如此，利用MAPs进行建筑物提取时依然存在如下的局限和难点：
(1)连通区域的提取仅依赖于相邻像素间特定属性(面积、形状等)的相似程度，由于不受建筑物固有边界的制约，因此连通区域可能包含属于相邻地物且具有相似属性的像素，从而降低了所提取MAPs的准确性；
(2)MAPs尺度参数的设定应当与影像中典型建筑的属性特征相匹配，而按照经验进行人工设定，不仅降低了方法的自动化程度，同时还可能陷入局部最优；
(3)结合DAPs与对象固有边界，还需要有效的分类方法以获得准确的建筑物提取结果。
发明内容
为了解决上述背景技术提到的技术问题，本发明提出了一种高分遥感影像建筑物提取方法，改善了在地物种类众多的城市场景下的遥感影像建筑物提取的性能。
为了实现上述技术目的，本发明的技术方案为：
一种高分遥感影像建筑物提取方法，包括以下步骤：
(1)获取高分辨遥感影像，对影像进行阴影检测，同时通过分割将影像划分为潜在地理对象及其边界的集合；在影像分割基础上，剔除阴影以及与建筑物具有显著形态学特征差异的对象，从而提取出候选对象集合；
(2)基于尺度参数自适应提取策略，在对象边界约束下构建差分属性剖面，在步骤(1)提取的候选对象集合基础上获得初始建筑物集合；
(3)依据类间可分性自动提取初始建筑物集合中的不确定对象，并进行二次判别，获得最终建筑物提取结果。
进一步地，在步骤(1)中，提取候选对象集合的过程如下：
(101)计算每个对象中阴影像素占该对象全部像素的比例Sd，若Sd＞Sd0，则认为该对象受阴影影响严重，予以剔除；其中Sd0为预设阈值；
(102)计算每个对象所包含的像素个数Npixels，若Npixels≤N0，则认为该对象为弱小目标，予以剔除；其中N0为预设阈值；
(103)设对象的最小外接矩形包含的像素个数为Nrectangle，则该对象的矩形度表示为Rd＝Npixels/Nrectangle，设对象的最小外接矩形长宽比为Ar，若某对象满足Rd＜Rd0且Ar＞Ar0，则认为该对象为狭长目标，予以剔除；其中Rd0和Ar0为预设阈值；
(104)剩余对象即构成候选对象集合。
进一步地，所述预设阈值Sd0＝8，N0＝10，Rd0＝0.8，Ar0＝5。
进一步地，步骤(2)的具体过程：
(201)设定各属性尺度参数优化的区间；
(202)将所有属性区间均等分为X个子区间，设定Intervalx为第x个子区间，在对象边界约束条件下，计算所有满足Intervalx属性范围要求的连通域个数，记为Quantityx；
(203)设μ为变化程度指标，μ∈(0，1)，若满足：
(Quantityx-Quantityx-1)＞(Quantityx+Quantityx-1)×u
则将子区间Intervalx-1的初始值和子区间Intervalx的终值作为优化尺度参数纳入尺度参数集合；
若满足：
(Quantityx-Quantityx+1)＞(Quantityx+Quantityx+1)×u
则将Intervalx的初始值和Intervalx+1的终值作为优化尺度参数纳入尺度参数集合；否则，继续下一区间的判别；
(204)遍历所有区间，利用提取的所有优化尺度参数构成最终尺度参数集合Topt，基于尺度参数集合Topt构建形态学属性剖面，从而得到各属性典型区间的差分属性剖面；
(205)对各差分属性剖面中符合建筑物属性范围的像素取交集，并剔除属于阴影的像素，结合候选对象集合，保留其中所有包含建筑物像素的对象构成初始建筑物集合。
进一步地，在步骤(201)中，属性包括面积属性、对角线属性、归一化转动惯量属性和标准差属性；面积属性区间为影像总像素的0.3％～1％；对角线属性区间的初始值和终值分别为对面积属性区间的初始值和终值求1/2次方的结果；归一化转动惯量属性区间为[0.1,0.7]；标准差属性区间为[10,70]。
进一步地，在步骤(203)中，μ∈[0.25,0.55]。
进一步地，步骤(3)的具体过程如下：
(301)在初始建筑物集合中，设某对象中符合建筑物属性范围的像素比例为g∈(0,gmax]，gmax为g取得的最大值，令gmid＝0.5×gmax，设置两个阈值δ1和δ2，δ1的波动区间为(0,gmid)，δ2的波动区间为(gmid,gmax)；
(302)设F为区间(δ1,gmid)，UF为F中的对象集合，L为区间(0,δ1]，OL为L中的对象集合，则UF与OL的J-M距离JM1等于UF和OL中任意两个对象的J-M距离的总和；设Y为区间(gmid,δ2)，UY为Y中的对象集合，E为区间[δ2,gmax]，OE为E中的对象集合，则UY与OE的J-M距离JM2等于UY和OL中任意两个对象的J-M距离的总和；通过遍历所有δ1与δ2的组合，自适应提取JM1+JM2取得最小值时的阈值组合δ1＝δopt1和δ2＝δopt2；将满足(0,δopt1]的对象作为确定非建筑物集合，满足[δopt2,gmax]的对象作为确定建筑物集合，其余对象构成不确定对象集合；
(303)设Runcertain为不确定对象集合中的某一对象，Runcertain与确定建筑物集合中所有对象的J-M距离之和为JMtrue，Runcertain与确定非建筑物集合中所有对象的J-M距离之和为JMfalse，若满足JMtrue＜JMfalse，则Runcertain属于确定建筑物集合；否则，Runcertain属于确定非建筑集合；遍历不确定对象集合中的所有对象，获得最终建筑物提取结果。
采用上述技术方案带来的有益效果：
本发明构建的连通域受到对象固有边界约束，从而避免了跨越多个对象的现象。在此基础上，本发明提出了一种典型属性区间的判别策略，从而实现了MAPs尺度参数的自适应提取。最终通过对初始建筑物集合中的不确定样本进行二次筛选，得到最终的建筑物提取结果。在对多组城市高分辨率遥感影像进行的建筑物提取实验中，本发明方法在目视分析和定量精度评价中均显著优于其他的对比方法。
附图说明
图1是遥感影像中的传感器过顶成像建筑物几何关系图；
图2是本发明方法流程图；
图3是连通域提取示意图；
图4是初始建筑物集合的划分规则示意图；
图5是三个实验数据集遥感影像图；
图6是三个实验数据集的阴影提取结果图；
图7是三个实验数据集的分割结果图；
图8是三个实验数据集候选对象集合示意图；
图9是数据集1的面积属性对象分布曲线图；
图10是数据集1的DAPs提取结果图；
图11是数据集2的DAPs提取结果图；
图12是数据集3的DAPs提取结果图；
图13是三个实验数据集初始建筑物集合提取结果图；
图14是数据集1的建筑物提取结果图；
图15是数据集2的建筑物提取结果图；
图16是数据集3的建筑物提取结果图；
图17是建筑物参考图；
图18是变化程度指标μ对总体精度的影响示意图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
建筑物作为城市场景中的一类典型立体地物，其在高分遥感影像中的传感器过顶成像建筑物几何关系如图1所示。图1中，Roof、Ground和Shadow分别代表建筑物的屋顶、相邻的地面以及由于光线受到遮挡而产生的阴影。其中，不同建筑物屋顶由于材质差异而具有不同的光谱吸收和反射率，因此光谱、纹理特征可能存在显著差异。然而，属于同一建筑物屋顶的像素则具有较强的光谱和纹理一致性，因此表现为受到建筑物边界约束的均质连通区域。在几何特征方面，建筑物通常表现为矩形或其他规则的形状，且面积、外接矩形对角线等形态学属性显著区别于道路、车辆等其他地物。建筑物阴影则表现出显著的暗色且形状规则连通区域，且与建筑物相邻分布，因此容易在建筑物提取中产生混淆。上述特点表明，在高分辨率遥感图像建筑物提取问题中，传统基于像素及特定尺寸结构元素作为处理单元的方式均不合适，而是需要从OBIA的角度对建筑物进行多角度、多尺度分析，同时还必须考虑阴影的影响。
MAPs形态学属性剖面理论是由集合论发展而来的，其首先通过灰度、空间连通性自适应选择邻域的结构元素，再根据对象在不同尺度参数、不同属性上的特征设计不同的算子，最后通过差分处理实现特定对象的提取。设M为灰度影像，i为影像的某一像素点，k为任意灰度级，可获得二值影像
遍历影像的所有像素，可得到一系列Thk(M)，并把满足属性约束条件的最大灰度级作为i点的属性开运算的结果：
Γi(M)＝max{k:i∈Γi(Thk(M))} (2)
利用属性变换的对称性，可得i点的属性闭变换Φi(M)：
Φi(M)＝min{k:i∈Φi(Thk(M))} (3)
其中，Φi(Thk(M))＝(Γi((Thk(M))c))c为Thk(M)的属性闭变换，(Thk(M))c为Thk(M)的补集。遍历所有像素，得到M的属性开变换Γ(M)和属性闭变换Φ(M)。在此基础上，设T＝{T0,T1,···,TW}为MAPs尺度参数集合，Tw∈T为第w个尺度参数，分别对属性开运算和闭运算结果的相邻项取差分，并把差分结果并联起来，就构成了M的DAPs变换ΔΨ(M)，表示如下：
上式中，分别表示采用Tw得到的属性开、闭变换结果。由于属性间的差异，不同地物会在不同的属性尺度参数上出现最大响应，因此可以根据这个性质提取符合建筑物属性范围的像素集合。
描述建筑物的属性集合可以依据先验知识及不同属性所包含的语义特征来确定。本发明采用面积、对角线、标准差及归一化转动惯量四种属性构建建筑物属性集合。其中，面积属性能够反映建筑物的尺寸大小；对角线属性描述了建筑物的最小外接矩形的对角线长度，从而反映建筑物的长宽比；标准差属性，能够描述建筑物内部灰度变化的剧烈程度；归一化转动惯量(NMI)反映了建筑物的形状和重心分布，具有平移、旋转和缩放不变性的优点。
本发明设计的一种高分遥感影像建筑物提取方法，如图2所示，包括三个部分：构建候选对象集合，对象边界约束条件下的尺度参数自适应属性滤波以及不确定对象的二次筛选。
构建候选对象集合主要包括阴影检测、影像分割及提取候选对象集合三个部分。
阴影检测：为了减少阴影所导致的错检测问题，构建候选对象集合中首先进行阴影检测。
影像分割：在阴影检测的同时，为了给OBIA提供有效的分析基元，需要通过分割将影像划分为潜在地理对象及其边界的集合。本发明可以采用发明人之前提出的高分辨率遥感影像分割方法WJSEG(可参考文献Wang C et al.,“A novel multi-scale segmentationalgorithm for high resolution remote sensing images based on wavelettransform and improved JSEG algorithm,”Optik-International Journal for Lightand Electron Optics.125(19),5588-5595(2014))。其优势在于，与著名商业软件eCongnition相比，WJSEG算法在城市复杂背景中定位对象边界更加准确，保持对象轮廓更加完整，同时有助于增加算法的整体透明度。
提取候选对象集合：影像分割基础上，剔除阴影以及与建筑物具有显著形态学特征差异的对象，从而提取候选对象集合。具体步骤如下：
Step1：计算每个对象中阴影像素占该对象全部像素的比例Sd。若Sd＞0.8，则认为该对象受到阴影影响严重，无法得到可靠的检测结果，予以剔除。
Step2：计算每个对象所包含的像素个数Npixels，若Npixels≤10，则认为该对象为车辆、噪声等弱小目标，予以剔除。
Step3：设每个对象最小外接矩形包含的像素个数为Nrectangle，则矩形度可表示为Rd＝Npixels/Nrectangle。另外，设最小外接矩形长宽比为Ar。若某对象满足Rd＜0.8且Ar＞5，则认为当前对象为道路、河道等狭长目标，予以剔除。
Step4：剩余对象构成候选对象集合，作为后续MAPs滤波的输入。
传统MAPs在确定连通域时，可能出现属于某对象的像素i所对应的连通域跨越至相邻其他对象的情况，因此无法准确描述当前对象的固有属性。
例如，在图3中，设RA代表WJSEG分割结果中的某建筑物对象，RB代表与RA邻接的地面(Ground)对象。在理想情况下，RA中某像素i所对应的连通区域Regioni完全处于RA内部，如图3中的(a)所示。此时，后续计算得到的MAPs能够准确描述RA的固有属性。而在图3中的(b)中，RA中的某像素i’对应的连通区域Regioni’则跨越了RA与RB(通常情况下，还可能出现跨越更多相邻对象的情况)。因此，本发明仅保留连通区域中位于当前对象内部的像素(例如图3的(b)中Regioni’位于RA内部的像素)，即最终提取的连通域将受到对象固有边界的约束，从而为后续提取建筑物属性特征提供准确的输入。
在确定了连通域的基础上，按照上述式(1)～(4)来构建不同属性的MAPs和DAPs。其中，属性尺度参数集合的选择是否合理是影响建筑物提取效果的关键因素，体现在：在城市场景下，位于同一局部区域(如住宅小区、厂区)的建筑物集群通常具有区别于其他地物的一类典型形态学属性特征。因此，在每个属性的多尺度MAPs中，都应当确保场景中具有典型特征的建筑物集群可以通过后续的差分处理被提取出来，而其他地物则恰好被剔除。基于这种思想，本发明提出了一种尺度参数的自适应提取策略，具体步骤如下：
Step1：首先设定尺度参数优化选择的区间初始值和终止值。
本发明根据高分遥感影像中建筑物的先验知识，设定各属性的选择区间如下：面积属性区间为影像总像素的0.3％～1％；对角线区间为对面积属性区间的初始值和终值求1/2次方的结果；归一化转动惯量属性区间为[0.1,0.7]；标准差属性区间为[10,70]。
Step2：将所有属性区间均等分为X个子区间，设定Intervalx为第x∈X个子区间。在对象边界约束条件下，计算所有满足Intervalx属性范围要求的连通域个数，记为Quantityx。
Step3：设μ为变化程度指标，μ∈(0，1)，若满足：
(Quantityx-Quantityx-1)＞(Quantityx+Quantityx-1)×u (5)
则将子区间Intervalx-1的初始值和子区间Intervalx的终值作为优化尺度参数纳入尺度参数集合；若满足：
(Quantityx-Quantityx+1)＞(Quantityx+Quantityx+1)×u (6)
则将Intervalx的初始值和Intervalx+1的终值作为优化尺度参数纳入尺度参数集合；否则，继续下一区间的判别。其原理为：若Intervalx中满足属性范围的连通域个数相较于Intervalx-1显著提高，或Intervalx+1中满足属性范围的连通域个数相较于Intervalx显著降低时，则说明Intervalx对应的属性特征与场景中可能存在的建筑物集群的典型形态学属性特征相匹配，从而认为该区间为典型区间。因此，需要保留相应尺度参数，以确保在差分处理时Intervalx的连通域可以得到有效地提取。
Step4：遍历所有区间，利用提取的所有优化尺度参数构成最终尺度参数集合Topt＝{T0,T1,···,TW}。基于所提取的尺度参数集合Topt构建MAPs，从而得到各属性典型区间的DAPs。在此基础上，对各DAPs中符合建筑物属性范围的像素取交集，并剔除属于阴影的像素。结合候选对象集合，保留其中所有包含建筑物像素的对象构成初始建筑物集合。
由于初始建筑物集合中的对象只需满足存在符合建筑物属性范围像素的条件，因此并不可靠。为此，本文进一步地将初始建筑物集合划分为确定建筑物集合、不确定对象集合和确定非建筑物集合，并对不确定对象集合进行二次筛选。
Step1：在初始建筑物集合中，假设某对象中符合筑物属性范围的像素比例为g∈(0,gmax]，p(g)为初始建筑物集合中对应比例为g的对象个数，设gmax为g取得的最大值，gmid＝0.5×gmax，如图4所示。其中，阈值δ1和δ2的波动区间分别为(0,gmid)和(gmid,gmax)，对δ1和δ2在Step2中进行优化后最终确定的阈值分别为δopt1和δopt2。将满足(0,δopt1]的对象作为确定非建筑物集合；满足[δopt2,gmax]的对象作为确定建筑物集合；其余对象构成不确定对象集合。
Step2：假设F为区间(δ1,gmid)，UF为F中的对象集合，的UF中的第u个对象；L为区间(0,δ1]、OL为L中的对象集合，为OL中的第o个对象。则UF和OL的J-M距离可定义为: 同理，可定义(gmid,δ2)和[δ2,gmax]区间内对象集合之间的J-M距离为通过遍历所有可能的δ1与δ2的阈值组合，自适应地提取取得最小值时阈值组合δopt1和δopt2，从而提取不确定对象集合并进行二次判别。
Step3：设Runcertain为不确定对象集合中的某一对象，Runcertain与所有确定建筑物集合中对象的J-M距离之和为JMtrue，Runcertain与所有属于确定非建筑物集合对象的J-M距离之和为JMfalse。若满足JMtrue＜JMfalse，则Runcertain属于确定建筑物集合；否则，Runcertain属于确定非建筑集合。
Step4：遍历不确定对象集合中的所有对象，获得最终建筑物提取结果。
下文将通过实验来说明本发明的性能。
实验采用3组不同地区、不同空间分辨率的高分辨率遥感影像，结合目视分析与定量精度评价，与多种先进的建筑物提取方法进行了对比，验证了本发明方法的性能。
数据集1为中国重庆地区的Worldview卫星影像，采集时间为2011年8月，空间分辨率为0.5m，图像尺寸为1370像素×1370像素，如图5中的(a)所示。数据集2为中国南京地区的航空遥感影像，采集时间为2011年10月，空间分辨率为2m，图像尺寸为300像素×500像素，如图5中的(b)所示。数据集3为中国南京地区的Worldview卫星影像，采集时间为2012年12月，空间分辨率为0.5m，图像尺寸为1400像素×1400像素，如图5中的(c)所示。三组数据集均为典型的城市场景，主要由建筑物、道路、植被、荒地、阴影及其他地物构成。其中，集中分布于同一局部区域的建筑物之间通常排列整齐，且具有类似的形态学特征。此外，三组数据集中都存在阴影像素，而数据集2和数据集3中建筑物阴影尤为突出，特别是某些高层建筑物产生的阴影区域已经与相邻建筑物产生重叠，因此所进行的阴影检测是必要的。
为便于观察，在原始影像上首先叠加了半透明白色图层，再将所提取的阴影以黑色像素表示，并投影到对应位置。此外，利用大写字母对影像中的典型对象或者位置进行了标注，以便于分析和讨论。如图6所示。阴影检测结果较为真实地反映了建筑物等地物的阴影，而仅有部分与阴影具有相似光谱特征的水体区域(如位置A，B，C，D等)被误检。尽管如此，由于感兴趣对象ROI仅为建筑物，因此将水体区域错检为阴影对建筑物提取的影响非常有限。
影像分割采用WJSEG方法，将提取的对象边界以黑色像素表示并投影到叠加了半透明白色图层的原始影像中，如图7所示。可以看出，WJSEG能够准确定位建筑物对象的边缘，并保持不同尺寸、不同形状的建筑物对象完整(如位置E、F、G)，且基本不存在欠分割现象。从而可为后续的建筑物提取提供有效的分析基元。
基于阴影检测及分割结果，根据规则对分割结果中的对象进行判别，令所有被剔除的对象用黑色像素表示，并投影到叠加了半透明白色图层的原始影像中，如图8所示。在所提取的候选对象集合中，大部分的道路(如位置H，K)、阴影(如位置I)、河道(如位置J)和车辆(如位置H)等非建筑物的对象得到了剔除。由于已剔除对象不再参与后续的建筑物提取，因此既减少了计算量又有助于降低误检率。
实验中，变化程度指标μ采用试错法确定，在数据集1、数据集2和数据集3中分别设定μDataset1＝0.3，μDataset2＝0.5，μDataset3＝0.45，其他参数设定以数据集1为例进行说明。设数据集1面积尺度参数优化区间的初值为5000，终值为18000，将面积属性区间等分为50个子区间，所得到的面积属性对象分布曲线如图9所示。其中，x代表子区间的序号，Quantityx为所有满足Intervalx属性范围要求的连通域个数。在此基础上，迭代判别所有子区间，得到第2，5，7，9，14，17，21，23，29，38，44，45，46子区间满足约束条件(如图9中包含六边形符号的线段所示)，则认为这些区间为典型区间，需要保留。因此，设定面积属性尺度参数集合为[5000,5519,5780,6299,6560,7079,6821,7340,8380,8899,8900,9419,9940,10459,10460,10979,12020,12539,14360,14879,15920,16439,16440,16959,16960,17479]。以此类推(若存在非整数尺度参数，仅保留小数点后2位)，对角线属性尺度参数集合为[74.19,76.81,79.19,88.81,91.19,104.81,107.19,112.81,115.19,130]，标准差属性尺度参数集合为[18,19.9,23,24.9,29,30.9,32,33.9,45,46.9,60,61.9,64,65.9]，NMI属性尺度参数集合为[0.1,0.12,0.13,0.15,0.17,0.19,0.21,0.23,0.29,0.31,0.35,0.37,0.41,0.43,0.45,0.47,0.52,0.53,0.55,0.57]。数据集2对应的面积属性尺度参数集合为[450,501,520,571,610,661,800,851,890,941,1000,1051,1230,12810,1350,1401,1450,1501]，对角线属性尺度参数集合为[20,20.99,23,23.99,25,25.99,27,27.99,29,29.99,31,31.99,34,34.99,37,37.99]，标准差属性尺度参数集合为[10,11.9,15,16.9,24,25.9,28,29.9,34,35.9,40,41.9,46,47.9,50,51.9,54,55.9]，NMI属性尺度参数集合为[0.15,0.17,0.19,0.21,0.23,0.25,0.27,0.29,0.31,0.33,0.38,0.40,0.41,0.43,0.45,0.47,0.49,0.51]。数据集3对应的面积属性尺度参数集合为[5800,6381,6964,7545,8710,9291,9292,9873,10456,11037,12122,12703,13366,13947,14530,15111,15694,16275]，对角线属性尺度参数集合为[80,82.1,82.2,84.3,85.5,87.6,88.8,90.9,92.2,94.3,96.6,98.7,101.1,103.2,106.6,108.7,111.1,113.2,115.5,117.6,122.2,124.3]，标准差属性尺度参数集合为[12,13.9,16,17.9,20,21.9,22,23.9,25,26.9,30,31.9,33,34.9,38,39.9,40,41.9,46,47.9,50,51.9,56,57.9,62,63.9]，NMI属性尺度参数集合[0.1,0.12,0.25,0.27,0.28,0.3,0.32,0.34,0.39,0.41,0.44,0.46,0.48,0.5,0.57,0.59,0.62,0.64]。所提取的三组数据集的DAPs如图10～12所示。
对DAPs取交集后，结合已提取的候选对象集合，所获得的初始建筑物集合如图13中所有包含白色像素的对象所示。三组实验的初始建筑物集合均有效提取了场景中的建筑物。尽管如此，还存在显著的误检现象(如位置L，M，N)。
在候选建筑物对象集合的二次筛选中，所提取的数据集1的δopt1和δopt2分别为0.38和0.77；数据集2的δopt1和δopt2分别为0.42，0.66；数据集3的δopt1和δopt2分别为0.48，0.71。此外，为了综合且客观地分析本文方法的性能，实验还采用了四种先进的建筑物提取方法进行对比实验：基于MBI的建筑物提取方法(简称方法1)，此方法属于几何边界方法，对比实验有助于分析结构元素是否固定对建筑物提取效果的影响；传统的DAPs方法(简称方法2)，通过与传统DAPs方法进行对比，以分析本发明提出的边界约束策略对建筑物提取效果的影响；基于Top-hat filter和K-means的建筑物提取方法(简称方法3)和基于GLCM与SVM的建筑物提取方法(简称方法4)，这两种方法均属于先进的对象级建筑物提取方法。
实验中，由于方法1和方法2属于像素级方法，难以直接与对象级方法比较建筑物提取效果。为此，实验仅基于方法1和方法2所提取的建筑物像素，与发明提取的候选对象集合相结合，分别构建初始建筑物集合，后续实现流程与本发明方法相同。同时，为保证分析对象的一致性，将方法3和方法4中的分割方法替换为WJSEG，其他实现步骤及参数设定均与原方法一致。五种方法的建筑物提取结果如图14～图16所示。
在精度评价中，首先通过目视解译及实地考察绘制了三组实验数据集的建筑物参考图作为评价依据，如图17所示，进而采用目视分析和精度指标对各方法建筑物提取结果开展定性和定量分析。
通过与参考图对比，本发明方法建筑物提取效果明显优于其他4种方法，体现在：
(1)在3组实验数据集中，位于位置O，P，Q的建筑物和位于位置R，S，T的非建筑物对象，仅有本发明方法全部做出了正确判别，而其他四种方法均出现了漏检或错检。
(2)对于形状规则的建筑物，如位置U，V的，五种方法都能正确提取；对于形状不规则的建筑物，如位置W、X，只有本发明方法、方法2、方法4正确提取，而采用了固定的结构元素的方法1和方法3则出现了漏检。
(3)对于孤立的建筑物，如位置Y、Z的建筑物，方法2和本发明方法都正确提取，而对于易发生连通域跨越多个对象的建筑物集群，如位置A*、B*，方法2则出现漏检或错检，因此本发明所引入的边界约束策略，是可行且有效的。
(4)方法4尽管基于非固定结构元素进行GLCM特征提取，但在位置C*、D*等与建筑物具有相似纹理特征的对象处发生了错检，而本发明方法在以上位置均未发生错检和漏检。
本发明采用总体精度、错检率、漏检率、kappa系数四种精度评价指标，以进一步定量评价建筑物提取精度，统计结果如表1-表3所示。
表1 数据集1的建筑物提取精度评价
| 方法\指标 | 总体精度(％) | 错检率(％) | 漏检率(％) | Kappa系数 |
| 评价标准 | 越大越好 | 越小越好 | 越小越好 | 越大越好 |
| 本发明方法 | 94.0％ | 4.20％ | 1.82％ | 0.833 |
| 方法1 | 71.9％ | 19.1％ | 9.2％ | 0.568 |
| 方法2 | 75.5％ | 18.9％ | 7.9％ | 0.597 |
| 方法3 | 80.2％ | 15.0％ | 13.8％ | 0.625 |
| 方法4 | 77.5％ | 21.7％ | 10.9％ | 0.614 |
表2 数据集2的建筑物提取精度评价
| 方法\指标 | 总体精度(％) | 错检率(％) | 漏检率(％) | Kappa系数 |
| 评价标准 | 越大越好 | 越小越好 | 越小越好 | 越大越好 |
| 本发明方法 | 91.4％ | 6.07％ | 4.33％ | 0.820 |
| 方法1 | 75.1％ | 15.7％ | 19.8％ | 0.668 |
| 方法2 | 78.8％ | 11.9％ | 12.6％ | 0.702 |
| 方法3 | 75.5％ | 17.8％ | 15.9％ | 0.678 |
| 方法4 | 81.2％ | 13.9％ | 10.9％ | 0.722 |
表3 数据集3的建筑物提取精度评价
如表1～3所示，三组实验中：
(1)本发明方法的四种精度指标均显著优于其他四种方法，与目视分析的结果一致。
(2)本发明方法的总体精度均能够达到91％以上，因此具有良好的稳定性。
(3)方法1与方法2除采用不同的结构元素外，分类步骤完全相同，而方法2的精度评价指标除数据集3中的漏检率外均优于方法1；即使与方法3相比，方法2也具有较高的总体精度，因此再次印证了非固定结构元素更适于描述形状、结构多样的城市建筑物。
式(5)、(6)中的变化程度指标μ是确定尺度参数集合的关键参数。尽管实验采用的试错法可以取得全局最优值，但计算复杂度较高。为此，本发明进一步分析了μ的变化对总体精度的影响，从而给出μ的建议取值区间。如图18所示，横坐标为μ，间隔为0.05，纵坐标为总体精度，三组实验结果分别用不同样式的曲线表示。其中，数据集1，数据集2和数据集3的总体精度达到最高时，所提取的μ分别为μDataset1＝0.3，μDataset2＝0.5，μDataset3＝0.45。三组实验的总体精度均随着μ的不断增大总体上呈现出先逐渐升高，到达顶点后快速下降的变化趋势。其中，μ在区间[0.25,0.55]内对应的总体精度值不仅较高且波动幅度较小，因此本发明建议在实际应用中可在此区间中采用人工设定或试错法确定μ的取值。
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
Claims (7)
1.一种高分遥感影像建筑物提取方法，其特征在于，包括以下步骤：
(1)获取高分辨遥感影像，对影像进行阴影检测，同时通过分割将影像划分为潜在地理对象及其边界的集合；在影像分割基础上，剔除阴影以及与建筑物具有显著形态学特征差异的对象，从而提取出候选对象集合；
(2)基于尺度参数自适应提取策略，在对象边界约束下构建差分属性剖面，在步骤(1)提取的候选对象集合基础上获得初始建筑物集合；
(3)依据类间可分性自动提取初始建筑物集合中的不确定对象，并进行二次判别，获得最终建筑物提取结果。
2.根据权利要求1所述高分遥感影像建筑物提取方法，其特征在于，在步骤(1)中，提取候选对象集合的过程如下：
(101)计算每个对象中阴影像素占该对象全部像素的比例Sd，若Sd＞Sd0，则认为该对象受阴影影响严重，予以剔除；其中Sd0为预设阈值；
(102)计算每个对象所包含的像素个数Npixels，若Npixels≤N0，则认为该对象为弱小目标，予以剔除；其中N0为预设阈值；
(103)设对象的最小外接矩形包含的像素个数为Nrectangle，则该对象的矩形度表示为Rd＝Npixels/Nrectangle，设对象的最小外接矩形长宽比为Ar，若某对象满足Rd＜Rd0且Ar＞Ar0，则认为该对象为狭长目标，予以剔除；其中Rd0和Ar0为预设阈值；
(104)剩余对象即构成候选对象集合。
3.根据权利要求2所述高分遥感影像建筑物提取方法，其特征在于，所述预设阈值Sd0＝8，N0＝10，Rd0＝0.8，Ar0＝5。
4.根据权利要求1所述高分遥感影像建筑物提取方法，其特征在于，步骤(2)的具体过程：
(201)设定各属性尺度参数优化的区间；
(202)将所有属性区间均等分为X个子区间，设定Intervalx为第x个子区间，在对象边界约束条件下，计算所有满足Intervalx属性范围要求的连通域个数，记为Quantityx；
(203)设μ为变化程度指标，μ∈(0，1)，若满足：
(Quantityx-Quantityx-1)＞(Quantityx+Quantityx-1)×u
则将子区间Intervalx-1的初始值和子区间Intervalx的终值作为优化尺度参数纳入尺度参数集合；
若满足：
(Quantityx-Quantityx+1)＞(Quantityx+Quantityx+1)×u
则将Intervalx的初始值和Intervalx+1的终值作为优化尺度参数纳入尺度参数集合；否则，继续下一区间的判别；
(204)遍历所有区间，利用提取的所有优化尺度参数构成最终尺度参数集合Topt，基于尺度参数集合Topt构建形态学属性剖面，从而得到各属性典型区间的差分属性剖面；
(205)对各差分属性剖面中符合建筑物属性范围的像素取交集，并剔除属于阴影的像素，结合候选对象集合，保留其中所有包含建筑物像素的对象构成初始建筑物集合。
5.根据权利要求4所述高分遥感影像建筑物提取方法，其特征在于，在步骤(201)中，属性包括面积属性、对角线属性、归一化转动惯量属性和标准差属性；面积属性区间为影像总像素的0.3％～1％；对角线属性区间的初始值和终值分别为对面积属性区间的初始值和终值求1/2次方的结果；归一化转动惯量属性区间为[0.1,0.7]；标准差属性区间为[10,70]。
6.根据权利要求4所述高分遥感影像建筑物提取方法，其特征在于，在步骤(203)中，μ∈[0.25,0.55]。
7.根据权利要求1所述高分遥感影像建筑物提取方法，其特征在于，步骤(3)的具体过程如下：
(301)在初始建筑物集合中，设某对象中符合建筑物属性范围的像素比例为g∈(0,gmax]，gmax为g取得的最大值，令gmid＝0.5×gmax，设置两个阈值δ1和δ2，δ1的波动区间为(0,gmid)，δ2的波动区间为(gmid,gmax)；
(302)设F为区间(δ1,gmid)，UF为F中的对象集合，L为区间(0,δ1]，OL为L中的对象集合，则UF与OL的J-M距离JM1等于UF和OL中任意两个对象的J-M距离的总和；设Y为区间(gmid,δ2)，UY为Y中的对象集合，E为区间[δ2,gmax]，OE为E中的对象集合，则UY与OE的J-M距离JM2等于UY和OL中任意两个对象的J-M距离的总和；通过遍历所有δ1与δ2的组合，自适应提取JM1+JM2取得最小值时的阈值组合δ1＝δopt1和δ2＝δopt2；将满足(0,δopt1]的对象作为确定非建筑物集合，满足[δopt2,gmax]的对象作为确定建筑物集合，其余对象构成不确定对象集合；
(303)设Runcertain为不确定对象集合中的某一对象，Runcertain与确定建筑物集合中所有对象的J-M距离之和为JMtrue，Runcertain与确定非建筑物集合中所有对象的J-M距离之和为JMfalse，若满足JMtrue＜JMfalse，则Runcertain属于确定建筑物集合；否则，Runcertain属于确定非建筑集合；遍历不确定对象集合中的所有对象，获得最终建筑物提取结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910782464.5A CN110569751B (zh) | 2019-08-23 | 2019-08-23 | 一种高分遥感影像建筑物提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910782464.5A CN110569751B (zh) | 2019-08-23 | 2019-08-23 | 一种高分遥感影像建筑物提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110569751A true CN110569751A (zh) | 2019-12-13 |
| CN110569751B CN110569751B (zh) | 2021-11-16 |
Family
ID=68775907
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910782464.5A Active CN110569751B (zh) | 2019-08-23 | 2019-08-23 | 一种高分遥感影像建筑物提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110569751B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111339948A (zh) * | 2020-02-25 | 2020-06-26 | 武汉大学 | 一种高分辨率遥感影像新增建筑自动识别方法 |
| CN112052756A (zh) * | 2020-08-24 | 2020-12-08 | 南京信息工程大学 | 一种震后高分遥感影像震害建筑物检测方法 |
| CN112184718A (zh) * | 2020-08-21 | 2021-01-05 | 中国资源卫星应用中心 | 一种城市建筑物高分遥感影像自动提取的方法及装置 |
| CN112766106A (zh) * | 2021-01-08 | 2021-05-07 | 河海大学 | 一种遥感建筑物检测方法 |
| CN113191177A (zh) * | 2020-11-20 | 2021-07-30 | 北京林业大学 | 一种用于深度学习的松材线虫病遥感影像样本标注方法 |
| 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 (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101599120A (zh) * | 2009-07-07 | 2009-12-09 | 华中科技大学 | 一种遥感影像建筑物识别方法 |
| 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 |
| CN106683112A (zh) * | 2016-10-10 | 2017-05-17 | 中国交通通信信息中心 | 一种基于高分辨率图像的道路路域建筑物变化提取方法 |
| CN107239775A (zh) * | 2017-07-28 | 2017-10-10 | 湖南大学 | 地物分类方法及装置 |
| US20180075319A1 (en) * | 2016-09-09 | 2018-03-15 | The Chinese University Of Hong Kong | 3d building extraction apparatus, method and system |
| CN107992856A (zh) * | 2017-12-25 | 2018-05-04 | 南京信息工程大学 | 城市场景下的高分遥感建筑物阴影检测方法 |
| CN109472785A (zh) * | 2018-11-01 | 2019-03-15 | 中国石油大学(华东) | 基于多结构元素震害受损建筑物快速识别方法 |
| CN109784168A (zh) * | 2018-12-13 | 2019-05-21 | 中国电力科学研究院有限公司 | 一种高分辨率遥感输电通道巡视方法及系统 |
-
2019
- 2019-08-23 CN CN201910782464.5A patent/CN110569751B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101599120A (zh) * | 2009-07-07 | 2009-12-09 | 华中科技大学 | 一种遥感影像建筑物识别方法 |
| 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 |
| US20180075319A1 (en) * | 2016-09-09 | 2018-03-15 | The Chinese University Of Hong Kong | 3d building extraction apparatus, method and system |
| CN106683112A (zh) * | 2016-10-10 | 2017-05-17 | 中国交通通信信息中心 | 一种基于高分辨率图像的道路路域建筑物变化提取方法 |
| CN107239775A (zh) * | 2017-07-28 | 2017-10-10 | 湖南大学 | 地物分类方法及装置 |
| CN107992856A (zh) * | 2017-12-25 | 2018-05-04 | 南京信息工程大学 | 城市场景下的高分遥感建筑物阴影检测方法 |
| CN109472785A (zh) * | 2018-11-01 | 2019-03-15 | 中国石油大学(华东) | 基于多结构元素震害受损建筑物快速识别方法 |
| CN109784168A (zh) * | 2018-12-13 | 2019-05-21 | 中国电力科学研究院有限公司 | 一种高分辨率遥感输电通道巡视方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| DOMEN MONGUS等: "Ground and building extraction from LiDAR data based on differential morphological profiles and locally fitted surfaces", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》 * |
| 史忠奎等: "基于形态学属性剖面和单类随机森林分类的道路路域新增建筑物提取方法", 《北京大学学报(自然科学版)》 * |
| 胡世明等: "结合NASFs滤波策略与形态学属性剖面的SAR影像建筑物检测", 《地理与地理信息科学》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111339948A (zh) * | 2020-02-25 | 2020-06-26 | 武汉大学 | 一种高分辨率遥感影像新增建筑自动识别方法 |
| CN111339948B (zh) * | 2020-02-25 | 2022-02-01 | 武汉大学 | 一种高分辨率遥感影像新增建筑自动识别方法 |
| CN112184718A (zh) * | 2020-08-21 | 2021-01-05 | 中国资源卫星应用中心 | 一种城市建筑物高分遥感影像自动提取的方法及装置 |
| CN112184718B (zh) * | 2020-08-21 | 2024-05-21 | 中国资源卫星应用中心 | 一种城市建筑物高分遥感影像自动提取的方法及装置 |
| CN112052756A (zh) * | 2020-08-24 | 2020-12-08 | 南京信息工程大学 | 一种震后高分遥感影像震害建筑物检测方法 |
| CN112052756B (zh) * | 2020-08-24 | 2023-08-01 | 南京信息工程大学 | 一种震后高分遥感影像震害建筑物检测方法 |
| CN113191177A (zh) * | 2020-11-20 | 2021-07-30 | 北京林业大学 | 一种用于深度学习的松材线虫病遥感影像样本标注方法 |
| CN112766106A (zh) * | 2021-01-08 | 2021-05-07 | 河海大学 | 一种遥感建筑物检测方法 |
| CN112766106B (zh) * | 2021-01-08 | 2021-08-10 | 河海大学 | 一种遥感建筑物检测方法 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110569751B (zh) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110569751B (zh) | 一种高分遥感影像建筑物提取方法 | |
| CN103632363B (zh) | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 | |
| CN103578110B (zh) | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 | |
| CN105335966B (zh) | 基于局域同质性指标的多尺度遥感影像分割方法 | |
| 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 | |
| CN107092871B (zh) | 基于多尺度多特征融合的遥感影像建筑物检测方法 | |
| CN103077515B (zh) | 一种多光谱图像建筑物变化检测方法 | |
| CN111191628B (zh) | 基于决策树与特征优化的遥感影像震害建筑物识别方法 | |
| CN103473764B (zh) | 一种遥感影像目标变化检测方法 | |
| CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
| CN104915672B (zh) | 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 | |
| CN108829711B (zh) | 一种基于多特征融合的图像检索方法 | |
| CN111339948B (zh) | 一种高分辨率遥感影像新增建筑自动识别方法 | |
| CN107992856B (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
| Yue et al. | Multiscale roughness measure for color image segmentation | |
| CN109635722B (zh) | 一种高分辨率遥感影像路口自动识别方法 | |
| CN114627104A (zh) | 一种机场净空保护区建筑变化的遥感影像检测方法 | |
| Ouma et al. | Urban features recognition and extraction from very-high resolution multi-spectral satellite imagery: a micro–macro texture determination and integration framework | |
| CN108492288B (zh) | 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法 | |
| Musicco et al. | Automatic point cloud segmentation for the detection of alterations on historical buildings through an unsupervised and clustering-based Machine Learning approach | |
| CN103065296B (zh) | 一种基于边缘特征的高分辨率遥感影像居民区提取方法 | |
| Sidike et al. | Automatic building change detection through adaptive local textural features and sequential background removal | |
| Straub | Automatic extraction of trees from aerial images and surface models | |
| CN115661038A (zh) | 一种基于双边滤波特征增强的遥感图像目标检测方法及装置 | |
| CN104268836A (zh) | 一种基于局域均质指标的分水岭分割标记点提取方法 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20191213 Assignee: Nanjing Qianlian Technology Co.,Ltd. Assignor: Nanjing University of Information Science and Technology Contract record no.: X2022980019645 Denomination of invention: A method of building extraction from high resolution remote sensing images Granted publication date: 20211116 License type: Common License Record date: 20221026 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20191213 Assignee: Nanjing Channel Software Co.,Ltd. Assignor: Nanjing University of Information Science and Technology Contract record no.: X2022980022815 Denomination of invention: A method of building extraction from high resolution remote sensing images Granted publication date: 20211116 License type: Common License Record date: 20221124 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20191213 Assignee: Nanjing Jiaxin Tumao Technology Co.,Ltd. Assignor: Nanjing University of Information Science and Technology Contract record no.: X2023320000138 Denomination of invention: A Method for Extracting Buildings from High Resolution Remote Sensing Images Granted publication date: 20211116 License type: Common License Record date: 20230508 |