CN111325684A - 一种半自动高空间分辨率遥感影像不同形状建筑物提取方法 - Google Patents
一种半自动高空间分辨率遥感影像不同形状建筑物提取方法 Download PDFInfo
- Publication number
- CN111325684A CN111325684A CN202010077926.6A CN202010077926A CN111325684A CN 111325684 A CN111325684 A CN 111325684A CN 202010077926 A CN202010077926 A CN 202010077926A CN 111325684 A CN111325684 A CN 111325684A
- Authority
- CN
- China
- Prior art keywords
- building
- points
- fitting
- buildings
- line
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 59
- 230000003993 interaction Effects 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000003708 edge detection Methods 0.000 claims abstract description 10
- 239000000203 mixture Substances 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 2
- 238000003709 image segmentation Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 16
- 239000003086 colorant Substances 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 241000270295 Serpentes Species 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G06T5/70—
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Abstract
本发明涉及一种半自动从高分遥感影像中提取不同形状建筑物的方法，属于图像处理与目标识别技术领域，特别是涉及一种新的流程化的半自动提取不同形状建筑物并准确获取其矢量多边形的方法。针对目前已有的半自动建筑物提取方法中对用户交互要求高，交互量大且缺少针对任意形状建筑物进行规则化的问题，本发明依次使用区域增长、高斯混合模型、CannyLines边缘检测算法和基于多星形约束的最大流\最小割图像分割算法得到建筑物图斑，并针对不同形状建筑物进行规则化，实现直角和非直角建筑物的自动矢量化。有如下优点：用户交互要求低，只需很少的人工交互即可获得较好的提取结果，得到任意形状建筑物的矢量化结果，同时，本发明方法简单有效，且准确稳定。
Description
技术领域
本方法属于图像处理与目标识别技术领域，特别是涉及一种新的流程化的半自动从高空间分辨率遥感影像中提取不同形状建筑物的方法。
背景技术
随着城市和乡村建设的加快，如何用少量的人力快速识别和精准定位建筑物是城市规划、变化检测、人口密度估计等方面的关键问题之一。高空间分辨率遥感影像(简称，高分遥感影像)包含丰富的颜色、纹理和形状信息，使得精确识别和定位高分遥感影像中的建筑物成为可能[1-3]。传统的基于人工的提取方式虽能保证建筑物的准确提取，但速度慢，工作量大，效率低。因此，许多专家开始研究自动和半自动的高分遥感影像建筑物提取方法并取得较大的成果。
自动提取建筑物方法可以分为基于人工设计特征的方法[4-12]和基于深度学习自主学习特征的方法[15-18]。虽然这些方法可以在一定程度上提高建筑物提取的效率，且能够在不需要辅助信息的情况下达到较高的精度，但对于外形复杂的建筑物，其提取精度则会大幅度降低，而且较易受周围环境影响，同时，基于人工设计的特征需要大量的先验知识来进行特征设计与特征选择，基于深度学习的建筑物提取虽然可以自主学习到更多层次的特征，但过于依赖标签，泛化能力较差。
半自动建筑物提取是降低人工提取复杂度和工作量的一种有效途径，通过人工交互初步确定建筑物先验知识和处理范围，减少周围环境的影响，从而提高外形复杂的建筑物提取精度，且不依赖样本的选择，具有较强的泛化能力。
有些半自动建筑物提取方法可以提取任意形状的建筑物[19-22]，Mayunga et al.[19]提出了一种交互式半自动提取高分遥感影像上建筑物的方法，首先通过用户交互指定建筑物中心，再采用径向投射算法获取Snake初始化轮廓，最后得到建筑物轮廓；Bypinaand Rajan[20]提出了一种利用Chan-vese活动轮廓模型和OBIA技术进行遥感影像建筑物提取的方法；Tan et al.[21]提出了一种基于测地线星型约束的图割模型半自动建筑物提取方法；Jiang et al.[22]提出了一种结合影像分割和区域合并的半自动提取建筑物的方法，这些建筑物提取方法只需要在建筑物内部点一个点即可进行建筑物提取，但该交互方式受光谱影响较大。Fazan and Dal Poz[22]结合Snake模型和动态规划方法，在房角处指定几个种子点，即可提取建筑物轮廓；丁亚洲等人[24]通过在建筑物对角线上画种子线的基础上结合多星形约束的图割和轮廓规则化方法，实现了对高分遥感影像上直角建筑物的交互式半自动提取，这些方法对用户交互要求较高，且交互方式较为复杂，只能提取直角建筑物。
目前已有的建筑物提取方法大多只对建筑物进行了提取而没有进行规则化处理，只有少数进行了建筑物规则化处理[21，24]，但文献[21]只简单地提取角点并进行连接，文献[24]只对直角建筑物设计了规则化的方法。由于未进行规则化的建筑物图斑边缘不平滑，不满足建筑物为规则形状的特点，因此有必要对提取结果进行规则化。
参考文献：
[1]Noronha S,Nevatia R.Detection and Description of Buildings fromMultiple Aerial Images[M]//Computer Vision—ACCV'98.1997.
[2]BRUNNA,WEIDNERU.Extracting Building From Digital Surface Models[C]//IAPRS 3D Reconstruction and Modeling of Topographic Objects.Stuttgart:IAPRS,1997:3-4
[3]Izadi,M,Saeedi,P.Three-Dimensional Polygonal Building ModelEstimation From Single Satellite Images[J].IEEE Transactions on Geoscience&Remote Sensing,50(6):0-0.
[4]Jin X,Davis C H.Automated Building Extraction from High-ResolutionSatellite Imagery in Urban Areas Using Structural,Contextual,and SpectralInformation[M].Hindawi Publishing Corp.2005.
[5]Sirmacek B,Unsalan C.A Probabilistic Framework to Detect Buildingsin Aerial and Satellite Images[J].IEEE Transactions on Geoscience and RemoteSensing,2011,49(1):211-221.
[6]Lacroix V,Idrissa M,Hincq A,et al.SPOT5 Images for UrbanizationDetection[C]//Proc.Int.Conf.PRL.2006:226-233.
[7]Jun Wang,Xiucheng Yang,Xuebin Qin,et al.An Efficient Approach forAutomatic Rectangular Building Extraction From Very High Resolution OpticalSatellite Imagery[J].IEEE Geoscience&Remote Sensing Letters,2015,12(3):487-491.
[8]Tran Thanh Ngo,Christophe Collet,Vincent Mazet.AutomaticRectangular BuildingDetection from VHR Aerial Imagery using Shadow and ImageSegmentation[C]//IEEE International Conference on Image Processing.IEEE,2015.
[9]Ok A O,Senaras C,Yuksel B.Automated detection of arbitrarilyshaped buildings in complex environments from monocular VHR optical satelliteimagery[J].IEEE Transactions on Geoscience and Remote Sensing,2012,51(3):1701-1717.
[10]Huang,Xin,Zhang,Liangpei.A Multidirectional and MultiscaleMorphological Index for Automatic Building Extraction from MultispectralGeoEye-1 Imagery[J].Photogrammetric Engineering&Remote Sensing,77(7):721-732.
[11]Huang X,Zhang L.Morphological Building/Shadow Index for BuildingExtraction From High-Resolution Imagery Over Urban Areas[J].IEEE Journal ofSelected Topics In Applied Earth Observations And Remote Sensing,2012,5(1):161-172.
[12]Huang X,Yuan W,Li J,et al.A New Building ExtractionPostprocessing Framework for High-Spatial-Resolution Remote-Sensing Imagery[J].IEEE Journal of Selected Topics in Applied Earth Observations and RemoteSensing,2016,10(2):1-15.
[13]Liu,Penghua,et al."Building Footprint Extraction from High-Resolution Images via Spatial Residual Inception Convolutional NeuralNetwork."Remote Sensing 11.7(2019):830.
[14]Vakalopoulou M,Karantzalos K,Komodakis N,et al.Building detectionin very high resolution multispectral data with deep learning features[C]//2015 IEEE International Geoscience and Remote Sensing Symposium(IGARSS).IEEE,2015:1873-1876.
[15]Chen,Mengge.Building Detection from Very High Resolution RemotelySensed Imagery Using Deep Neural Networks.MS thesis.University of Waterloo,2019.
[16]Xu Y,Wu L,Xie Z,et al.Building extraction in very high resolutionremote sensing imagery using deep learning and guided filters[J].RemoteSensing,2018,10(1):144.
[17]Sun Y,Zhang X,Zhao X,et al.Extracting building boundaries fromhigh resolution optical images and LiDAR data by integrating theconvolutional neural network and the active contour model[J].Remote Sensing,2018,10(9):1459.
[18]Bischke B,Helber P,Folz J,et al.Multi-task learning forsegmentation of building footprints with deep neural networks[C]//2019IEEEInternational Conference on Image Processing(ICIP).IEEE,2019:1480-1484.
[19]MAYUNGA,S.D.；COLEMAN,D.J.；ZHANG,Yun.Semi-automatic buildingextraction in dense urban settlement areas from high-resolution satelliteimages.Survey Review,2010,42.315:50-61.
[20]Bypina S K,Rajan K S.Semi-automatic extraction of large andmoderate buildings from very high-resolution satellite imagery using activecontour model[C]//2015IEEE International Geoscience and Remote SensingSymposium(IGARSS).IEEE,2015:1885-1888.
[21]Tan Y,Yu Y,Xiong S,et al.Semi-automatic building extraction fromvery high resolution remote sensing imagery via energy minimization model[C]//2016IEEE International Geoscience and Remote Sensing Symposium(IGARSS).IEEE,2016:657-660.
[22]Jiang N,Zhang J X,Li H T,et al.Semi-automatic building extractionfrom high resolution imagery based on segmentation[C]//2008InternationalWorkshop on Earth Observation and Remote Sensing Applications.IEEE,2008:1-5.
[23]Fazan A J,Dal Poz,Aluir Porfírio.Rectilinear building roofcontour extraction based on snakes and dynamic programming[J].InternationalJournal of Applied Earth Observation and Geoinformation,2013,25:1-10.
[24]丁亚洲,冯发杰,吏军平,et al.多星形约束图割与轮廓规则化的高分遥感影像直角建筑物提取[J].测绘学报,2018.
[25]Das P,Veksler O,Zavadsky V,et al.Semiautomatic segmentation withcompact shape prior[J].Image and Vision Computing,2009,27(1-2):206-219.
[26]Lu X,Yao J,Li K,et al.CannyLines:A parameter-free line segmentdetector[C]//2015IEEE International Conference on Image Processing(ICIP).IEEE,2015.
[27]Gulshan V,Rother C,Criminisi A,et al.Geodesic Star Convexity forInteractive Image Segmentation[C]//The Twenty-Third IEEE Conference onComputer Vision and Pattern Recognition,CVPR 2010,San Francisco,CA,USA,13-18June 2010.IEEE,2010.
[28]Gribov A,Bodansky E.Reconstruction of orthogonal polygonal lines[C]//International Conference on Document Analysis Systems.Springer-Verlag,2006.
[29]Gribov A,Bodansky E.A New Method of Polyline Approximation[C]//Structural,Syntactic,and Statistical Pattern Recognition,Joint IAPRInternational Workshops,SSPR 2004and SPR 2004,Lisbon,Portugal,August 18-20,2004Proceedings.Springer Berlin Heidelberg,2004.
[30]Douglas,David H.,and Thomas K.Peucker."Algorithms for thereduction of the number of points required to represent a digitized line orits caricature."Cartographica:the international journal for geographicinformation and geovisualization 10.2(1973):112-122.
[31]Farin G.Algorithms for rational Bézier curves[J].Computer-aideddesign,1983,15(2):73-77.
[32]He K,Sun J,Tang X.Guided image filtering[C]//European conferenceon computer vision.Springer,Berlin,Heidelberg,2010:1-14.
[33]Bauer L.Introducing linguistic morphology[J].2003.
[34]Fitzgibbon A,Pilu M,Fisher R B.Direct least square fitting ofellipses[J].IEEE Transactions on pattern analysis and machine intelligence,1999,21(5):476-480.
[35]Zekovich S,Tuba M.Hu moments based handwritten digits recognitionalgorithm[J].Recent Advances in Knowledge Engineering and Systems Science,2013.
[36]曾静静,卢秀山,王健,et al.LIDAR数据不规则建筑物的矢量化[J].测绘工程,2011(04):64-66.
发明内容
针对现有的半自动建筑物提取方法对用户交互要求较高、交互方式复杂以及没有有效地对提取的建筑物图斑进行规则化等问题，本发明提出一种新的半自动从高分遥感影像中提取不同形状建筑物的方法。首先通过人工交互得到初始前景种子点，然后经过预处理得到前景种子点和背景种子点，并采用基于多星形约束的最大流\最小割分割算法提取建筑物图斑，最后针对不同形状的建筑物使用不同的规则化方法实现建筑物图斑的自动规则化，得到建筑物矢量多边形。
针对目前高分遥感影像建筑物全自动提取方法泛化能力差，半自动提取方法对人工交互要求高，需要大量人工交互以及没有针对不同形状建筑物进行规则化的问题，本发明提出了一种新的半自动从高分遥感影像中提取不同形状建筑物的方法，从而实现快速准确的建筑物提取。
针对建筑物提取结果容易受光谱影响的问题，本发明在对用户交互的划线长度和方向不做要求的同时，对于颜色均匀的建筑物，只需用户在建筑物的任意位置画一条线即可，对于颜色复杂的建筑物，需要用户划线时尽可能多的把颜色进行标注；
针对遥感影像过大，处理速度较慢的问题，考虑到实际中建筑物的大小一般不超过500×500像素，根据用户给定的前景种子点裁剪出一个500×500像素的影像，进行预处理得到前景种子点和背景种子点以及建筑物初始图斑，将建筑物初始图斑的外接矩形向外扩大100像素，将该范围内的影像与前景种子点和背景种子点作为基于多星形约束的最大流\最小割分割算法[27]的输入，进行建筑物图斑的提取；针对半自动建筑物提取过程中对用户交互要求高，交互复杂的问题，根据用户在建筑物上任意位置划线(长度和方向不做要求)给定的初始前景种子点，通过区域增长得到较多的前景种子点，之后结合高斯混合模型[25](GMMs，Gaussian Mixture Models)、CannyLines边缘检测方法[26]得到建筑物初始图斑，进而得到准确的背景种子点，根据前景种子点和背景种子点使用分割算法提取建筑物图斑；
针对建筑物提取图斑不规则，不符合实际建筑物形状的问题，为获得矢量化的建筑物提取结果，将建筑物按形状分为直角建筑物和非直角建筑物两大类，并针对不同形状建筑物分别进行规则化。对于直角建筑物，自动进行建筑物规则化；对于非直角建筑物，根据建筑物提取结果自动将建筑物分为椭圆建筑物和非直角多边形建筑物，通过直线和曲线结合进行建筑物规则化。
通过实验分析，该发明能够在降低用户交互要求以及工作量的同时达到较高的提取精度，并且，提取结果与实际建筑物形状一致，能够较好地实现高分遥感影像建筑物的提取。
本发明的上述技术问题主要是通过下述技术方案得以解决的：
一种半自动从高分遥感影像中提取不同形状建筑物的方法，其特征在于，根据本发明的技术流程和所涉及的主要技术环节，如图1所示，包括用户交互、建筑物图斑获取和建筑物图斑规则化三大步骤，具体为：
步骤1，通过用户交互得到目标建筑物的前景种子点；
步骤2，建筑物图斑获取；
步骤3，根据建筑物的不同形状进行建筑物图斑规则化处理，包括如下子步骤；
步骤3.1，获得建筑物图斑的轮廓；
步骤3.2，直角建筑物拟合：如果建筑物外形是直角多边形，利用基于正交性先验信息和积分平方误差最小化的正交多边形拟合方法进行直角建筑物分段规则化；
步骤3.3，非直角建筑物的椭圆拟合：如果建筑物外形是非直角多边形，则首先使用最小二乘法对建筑物图斑轮廓进行椭圆拟合；
步骤3.4，椭圆拟合结果与建筑物图斑轮廓差异性判断：使用Hu矩比较拟合所得椭圆与建筑物轮廓的差异性，差异性结果取值范围为0到1，若差异性小于0.01，则认为建筑物轮廓为椭圆，规则化完成，反之，则认为建筑物轮廓不是椭圆，进行步骤3.5；
步骤3.5，使用道格拉斯-普克算法简化轮廓上的点，用于提高多边形折线拟合的处理速度；
步骤3.6，非直角建筑物图斑轮廓分段拟合：使用基于积分平方误差最小化的多边形折线近似方法将建筑物轮廓划分成段，使用直线对建筑物轮廓进行分段拟合；
步骤3.7，判断轮廓线是否是曲线：计算每一段轮廓线上的点集到该段轮廓拟合直线的距离，用于判断该段轮廓是否是曲线，如果是曲线，则使用步骤3.8进行曲线拟合，反之，直接执行步骤3.9；
步骤3.8，使用贝塞尔曲线进行曲线拟合；
步骤3.9，将分段拟合结果进行连接，得到建筑物轮廓规则化结果。
进一步的，步骤2的具体实现包括如下子步骤，
步骤2.1，影像剪裁：根据用户交互得到的初始种子点剪裁出一定窗口大小的影像；
步骤2.2，对该窗口影像进行导向滤波处理；
步骤2.3，在步骤2.2的导向滤波后的影像上进行区域增长，获得更多的前景种子点；
步骤2.4，根据步骤2.3得到的前景种子点的外接矩形向外扩大若干个像素得到两个间距n像素的矩形框，矩形框之间的像素点为粗略的背景种子点；
步骤2.5，分别使用步骤2.3得到的前景种子点和步骤2.4得到的粗略的背景种子点建立高斯混合模型的前景模型和背景模型，得到每个像素属于前景和背景的概率，最后计算每个像素属于前景的相对概率，得到前景概率图；
步骤2.6，首先对步骤2.5的前景概率图使用形态学闭运算，再使用形态学开运算来消除小目标，同时断开周围背景与建筑物的连接，使得轮廓更加明显；
步骤2.7，在步骤2.2得到的导向滤波结果上采用CannyLines边缘检测算法得到边缘检测结果；
步骤2.8，在步骤2.6得到的结果中，以步骤2.3得到的前景种子点作为种子点，以步骤2.7得到的边缘作为约束条件进行区域增长，得到建筑物的初始图斑；
步骤2.9，对步骤2.8得到的建筑物初始图斑的外接矩形向外扩大若干个像素得到两个间距n像素的矩形框，矩形框之间的像素点为精确的背景种子点；
步骤2.10，将步骤2.8得到建筑物初始图斑的外接矩形向外扩大若干像素，并将该范围以内的影像和步骤2.3得到的前景种子点以及步骤2.9得到的背景种子点作为基于多星形约束的最大流\最小割分割算法的输入，进行建筑物图斑获取。
进一步的，步骤3.2中进行直角建筑物分段规则化时，是在基于正交性先验信息和积分平方误差最小化的正交多边形拟合方法的基础上，改进了建筑物主方向的查找算法，具体实现如下，
以影像左上角为原点建立像素坐标系x-y，像素坐标系的横坐标x与纵坐标y分别是其图像数组中所在的列与所在的行；以像素坐标系为基准，通过计算得到步骤3.1中建筑物图斑轮廓的最小外接矩形的方向作为建筑物的主方向，α为建筑物主方向与水平坐标轴x轴的夹角，并将轮廓绕轮廓点中y值最小的点顺时针旋转α角度，即将建筑物旋转至水平方向；
设建筑物图斑轮廓的顶点为pi(i＝0，...，n)，通过把带有分段惩罚项和对应轮廓线上的点到拟合直线的距离和作为误差，见公式2，用最小二乘法拟合直线，设拟合直线的起点和终点之间包含n个点，当拟合直线的方向为水平时，拟合直线为
则轮廓线上的点(xi，yi)到拟合直线的距离为distance＝|yi-y|，同理，当拟合直线的方向为竖直时，拟合直线为
则轮廓线上的点(xi，yi)到拟合直线的距离为distance＝|xi-x|，求解公式(2)的最小值，寻找最佳分段点
其中qj(j＝0，...，m)是轮廓线上的点的索引，m是分段的数量，从而把图斑轮廓分成不重叠的点集Q1,Q2,Q3...，得到相邻点集对应的拟合直线的交点，最后依次连接交点得到矢量化结果；
其中，Δ是对每一个分段拟合直线的常数项惩罚，Δ越小，分段数越多，拟合的越细致；ε是轮廓线上的点到拟合直线的距离之和，X是第一段线段的拟合方向，⊥X是和X相垂直的方向。
在对建筑物轮廓进行规则化之后，将该规则化结果绕之前轮廓中y值最小的点逆时针旋转α角度回原来的方向。
进一步的，步骤3.6中对建筑物轮廓进行分段拟合的具体实现方式如下，
设轮廓线上的顶点pi(i＝0，...，n)，迭代地使用最小二乘法对轮廓点进行拟合，通过求解公式(3)的最小值，得到最佳分段点
把轮廓线分为不重叠的小段Qj，从而得到对应的拟合直线Lj，其中qj(j＝0，...，m)是轮廓线上顶点的索引，m是分段的数量；
其中，Δ是每一段拟合直线惩罚，
是第j段轮廓线上的点到其拟合直线的距离之和。
进一步的，步骤3.7中，轮廓线上的点集到拟合直线axi-yi+b＝0的距离之和D，计算公式为：
其中，(xi，yi)为轮廓线上的点的集合P中的第i个点的坐标，n是轮廓线上的点数量，di是轮廓线上的点到拟合直线的距离。
进一步的，步骤3.7中，通过判断分段后轮廓线上的点集到拟合直线的距离之和是否大于阈值来确定该段轮廓线是否为曲线，设W为阈值，取值为nd/2，d是该段拟合直线对应的轮廓上的所有点之间的平均间距，如果D＞W，那么该轮廓线为曲线。
针对现有技术，本发明的有益效果是：
本发明对用户交互要求较低，交互简单，只需要用户在建筑物上任意位置给定前景种子点即可流程化的提取出建筑物图斑，并根据建筑物轮廓的不同形状分别设计与实现自动规则化，该规则化方法具有一定的容错性，能够进一步优化建筑物提取结果，得到与实际建筑物轮廓相符的矢量结果。综上所述，本发明完成了高分遥感影像不同形状建筑物的半自动提取，方法有效，且效率较高。
附图说明
图1为发明的技术方案流程图；
图2为用户交互示意图；
图3为导向滤波前后对比图，其中图3(a)为原图，图3(b)为导向滤波后的影像；
图4为区域增长所得前景种子点结果图；
图5为粗略背景种子点获取的结果图，其中图5(a)是粗略背景种子点获取过程的放大的细节图，图5(b)是粗略背景种子点获取的结果图；
图6为前景概率结果图；
图7为形态学处理结果图；
图8为CannyLines结果图；
图9为建筑物初始图斑结果图；
图10为精确背景种子点获取结果图，其中图10(a)是精确背景种子点获取过程的放大的细节图，图10(b)是精确背景种子点获取的结果图；
图11为分割算法输入图；
图12为前景种子点和背景种子点示意图，其中图12(a)是前景种子点和精确背景种子点的放大的细节图，图12(b)是前景种子点和精确背景种子点的示意图；
图13为建筑物图斑提取结果图；
图14为建筑物图斑及其轮廓结果图，其中图14(a)是由步骤2获得的建筑物图斑，图14(b)为建筑物图斑轮廓；
图15为图像像素坐标系示意图，左边坐标系中白色部分是未旋转的建筑物图斑轮廓，灰色点是轮廓中y值最小的点，右边是顺时针旋转后与该坐标系平行的建筑物轮廓；
图16为建筑物图斑轮廓及旋转后结果图，其中图16(a)是未旋转的建筑物图斑轮廓，图16(b)为旋转后的建筑物图斑轮廓；
图17为直角直线拟合算法说明结果图；
图18建筑物图斑规则化及旋转后结果示意图，其中灰色的点表示未经规则化时轮廓中y值最小的点，左边是未旋转的结果，右边是旋转回原来方向之后的结果；
图19为直角建筑物提取结果矢量化结果图，其中图19(a)、(b)是U型直角多边形建筑物的矢量化结果，图19(c)是长方形直角多边形建筑物的矢量化结果，图19(d)是L型直角建筑物的矢量化结果，图19(e)是较为密集的住宅用地直角多边形建筑物的矢量化结果；
图20建筑物轮廓与拟合椭圆差异性比较结果图；
图21为椭圆建筑物提取结果矢量化结果图，图21(a)是圆形建筑物的矢量化结果，图21(b)是椭圆建筑物的矢量化结果；
图22为任意角度直线拟合示意图；
图23所示为只进行直线规则化的结果图，其中图23(a)是建筑物图斑轮廓，图23(b)中灰色的线是直线拟合的结果，图23(c)灰色部分是曲线拟合结果；
图24为非直角建筑物提取结果矢量化结果图，其中图24(a)、(b)是非直角多边形建筑物的矢量化结果，图24(c)是曲线建筑物的矢量化结果，图24(d)、(e)是直线和曲线结合的建筑物的矢量化结果。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合实例对本发明做进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
本发明提供的一种半自动从高分遥感影像中提取不同形状建筑物的方法由用户交互、建筑物图斑获取和建筑物图斑规则化三大步骤构成。
步骤1：通过用户交互获得前景种子点，对划线长度和方向没有要求。
本发明要求用户通过交互得到目标建筑物的前景种子点，对前景种子点的要求：第一，前景种子点必须在目标建筑物上；第二，对于颜色较为均匀的建筑物，用户只需在目标建筑物上任意位置给定任意大小的前景种子点即可，对于颜色构成较为复杂的建筑物，用户需尽可能把所有颜色进行标注，以方便进行区域增长，使得基于多星形约束的最大流\最小割分割算法能够准确提取目标建筑物，部分建筑物用户交互结果如图2白色线条所示。
步骤2：建筑物图斑获取，包括如下子步骤。
(2.1)影像裁剪
如果影像大小小于500×500像素，则对整张影像进行预处理；否则，根据用户给定的前景种子点裁剪出一个500×500像素的影像进行预处理，加快处理速度。
(2.2)导向滤波
由于高分遥感影像中建筑物内部往往存在大量被认为是噪声的细节，边界不够明显，不利于建筑物轮廓的获取，因此本发明对步骤2.1得到的影像进行导向滤波[32]处理。导向滤波是一种与双边滤波类似的噪声平滑和边缘保持滤波器。滤波时，为保证能够较好地使用每个波段的信息，对每个波段分别进行滤波，以更好地达到减少噪声和保留边缘的目的。通过导向滤波，建筑物的边缘变得清晰，有利于将其与周围背景分开。图3(a)为原图，图3(b)为导向滤波后的图像。
(2.3)区域增长
本发明在步骤2.2的导向滤波结果影像上采用区域增长算法获得更多更准确的前景种子点。区域增长通过以某一像素为种子点，比较八邻域像素与当前像素是否满足合并要求，若满足则合并，并将合并点作为新的种子点继续搜索，若不满足则停止增长。其具有规则简单、运算速度快、可交互等特点，很适合获得更多的前景种子点。
由于建筑物普遍颜色差异不大，且对于颜色差异大的建筑物，已经尽可能的通过用户交互得到能够代表更多颜色的前景种子点，因此，本发明将区域增长合并阈值设置为8，尽可能保证不会增长到目标建筑物的背景部分。图4目标建筑物中白色部分为以图2用户交互所得前景种子点进行区域增长后得到的前景种子点。
(2.4)粗略背景种子点的获取
由于步骤2.3得到的前景种子点基本可以覆盖建筑物的大部分区域，根据前景种子点的外接矩形向外扩大100像素得到两个间隔3像素的矩形框，并将矩形框之间的像素点作为粗略的背景种子点，图5是粗略背景种子点获取的结果图，图5中目标建筑物中的白色部分为经过区域增长得到的前景种子点，灰色矩形框是前景种子点的外接矩形，两个间隔3像素的黑色矩形框之间的像素点是粗略的背景种子点。
(2.5)建立高斯混合模型
高斯混合模型(GMMs)是K个高斯分布函数的加权组合，K一般取值为3到5，GMMs具有优越的特征描述能力。如果在建立高斯混合模型时能够保证模型成分个数选择恰当且样本充足，则GMMs能够以任意的精度逼近任意的概率分布。
分别使用步骤2.3得到的前景种子点和步骤2.4得到的粗略的背景种子点建立高斯混合模型的前景模型和背景模型，得到每个像素属于前景的概率Pf和属于背景的概率Pb，最后利用公式(1)计算每个像素属于前景的相对概率P，得到前景概率图，图6为高斯混合模型得到的前景概率结果图，如果概率值大于0.5，则认为当前像素属于前景；
(2.6)形态学处理
从图6的前景概率结果图可以看出，该结果边缘存在毛刺，不够平滑，且由于阴影和遮挡等原因，导致前景概率图存在空洞，为获得简单流畅的建筑物边界和消除内部空洞，本发明首先使用形态学闭运算，再使用形态学开运算来消除小目标，同时断开周围背景与建筑物的连接，使得轮廓更加明显。由于绝大多数建筑物都不是很大，所以本发明采用3×3像素的方形结构元素，形态学处理结果如图7所示。通过对比可以看出，使用形态学处理能够较好地将建筑物与周围背景分隔开。
(2.7)CannyLines边缘检测算法
由于步骤2.6得到的是所有与目标建筑物相似的像素，为了比较准确地得到目标建筑物的初始图斑，采用CannyLines边缘检测算法[26]分波段分别在步骤2.2的导向滤波结果上进行边缘检测。CannyLines边缘检测算法是一种鲁棒的、无参数的线段检测算法，能够有效地自动检测出输入图像中的线段，检测结果如图8所示。
(2.8)建筑物初始图斑获取
在步骤2.6得到的结果图像中，以步骤2.2得到的前景种子点作为种子点，以步骤2.7得到的边缘检测结果作为约束进行区域增长，得到建筑物的初始图斑，如图9所示，目标建筑物上黑色部分为得到的建筑物初始图斑。
(2.9)精确背景种子点的获取
将步骤2.8得到的建筑物初始图斑的外接矩形向外扩大40像素得到两个间隔3像素的黑色矩形框，并将矩形框之间的像素点作为精确的背景种子点。图10是精确背景种子点获取结果图，其中，图10中目标建筑物上黑色部分是建筑物初始图斑，灰色矩形框是建筑物初始图斑的外接矩形，两个间隔3像素的黑色矩形框之间的像素点是精确的背景种子点。将建筑物初始图斑的外接矩形向外扩大100像素，并将该范围以内的影像作为基于多星形约束的最大流\最小割分割算法的输入，用于步骤2.10得到建筑物提取结果，将图10中黑色虚线矩形框内的部分，即图11中的影像用作步骤2.10的输入，图12中目标建筑物上白色部分为前景种子点，两个间隔3像素的黑色矩形框之间的像素点为背景种子点。
(2.10)建筑物图斑获取
对于大多数建筑物来说，通过简单交互很容易保证建筑物是一个相对于种子点的星型结构，即使对于复杂建筑物，也可以通过添加多个中心来保证建筑物是一个多星形形状，因此，本发明将步骤2.8得到建筑物初始图斑的外接矩形向外扩大100像素，并将该范围以内的影像以及步骤2.3得到的前景种子点和步骤2.9得到的精确背景种子点作为基于多星形约束的最大流\最小割分割算法的输入，进行建筑物图斑获取。图13为提取的建筑物图斑。
步骤3：建筑物图斑规则化，包括如下子步骤。
(3.1)建筑物图斑轮廓获取
根据步骤2.10生成的建筑物图斑，得到图斑的轮廓作为规则化算法的输入。如图14是建筑物图斑及其轮廓图结果图，其中图14(a)是步骤2得到的建筑物图斑，如图14(b)是建筑物图斑轮廓。
(3.2)直角建筑物拟合
针对直角多边形建筑物，本发明改进了Gribov和Bodansky提出的基于正交性先验信息和积分平方误差最小化的正交多边形拟合方法[28]中的建筑物主方向的查找算法，用于直角建筑物的分段规则化。
本发明以影像左上角为原点建立如图15所示的像素坐标系x-y，像素坐标系的横坐标x与纵坐标y分别是其图像数组中所在的列与所在的行。以像素坐标系为基准，将步骤3.1中的图斑轮廓的最小外接矩形的方向作为建筑物的主方向，其主方向与水平坐标轴的夹角为α，将轮廓绕组成轮廓的点中y值最小的点顺时针旋转α角度至水平方向，以方便使用最小二乘法进行直线拟合以及误差计算。图15所示像素坐标系，左边坐标系中白色部分是未旋转的建筑物图斑轮廓，灰色点的轮廓中y值最小的点，右边是顺时针旋转后与该坐标系平行的建筑物轮廓。图16是建筑物图斑轮廓及旋转后结果图，其中图16(a)是经过步骤3.1得到的建筑物图斑轮廓，图16(b)是旋转后的结果。
如图17所示，设建筑物图斑轮廓的顶点为pi(i＝0，...，n)，通过把带有分段惩罚项和对应轮廓线上的点到拟合直线的距离和作为误差(见公式2)，用最小二乘法拟合直线，设拟合直线的起点和终点之间包含n个点，当拟合直线的方向为水平时，拟合直线为
则轮廓线上的点(xi，yi)到拟合直线的距离为distance＝|yi-y|，同理，当拟合直线的方向为竖直时，拟合直线为
则轮廓线上的点(xi，yi)到拟合直线的距离为distance＝|xi-x|，求解公式(2)的最小值，寻找最佳分段点pqj，其中qj(j＝0，...，m)是轮廓线上的点的索引，m是分段的数量，从而把图斑轮廓分成不重叠的点集Q1,Q2,Q3...，得到相邻点集对应的拟合直线的交点，最后依次连接交点得到矢量化结果。
其中，
和
…是拟合直线。Δ(Δ≥0)是对每一个分段拟合直线的常数项惩罚，Δ越小，分段数越多，拟合的越细致。ε是轮廓线上的点到拟合直线的距离之和，X是第一段线段的拟合方向，⊥X是和X相垂直的方向。
在对建筑物轮廓进行规则化之后，将该规则化结果绕之前轮廓中y值最小的点逆时针旋转α角度回原来的方向。图18是建筑物图斑规则化结果及旋转后结果示意图，其中灰色的点表示未经规则化时轮廓中y值最小的点，左边是未旋转的结果，右边是旋转回原来方向之后的结果。图19为直角建筑物图斑矢量化结果。
(3.3)非直角建筑物椭圆拟合
对于非直角建筑物，首先采用最小二乘法对建筑物图斑轮廓进行椭圆拟合。
(3.4)椭圆拟合结果与建筑物轮廓差异性判断
使用Hu矩比较拟合的椭圆与建筑物图斑轮廓的差异性，该差异性结果取值范围为0到1，若差异性小于0.01，则认为建筑物轮廓为椭圆，规则化完成，否则，认为建筑物轮廓不是椭圆，进行步骤3.5。从图20可以看出建筑物图斑轮廓与拟合的椭圆差异性，如对于图20(a)的非直角多边形建筑物，其与拟合椭圆的差异性为0.074，图20(b)(c)与拟合椭圆的差异性均小于0.01，故可以直接进行椭圆拟合，无需进行直角多边形拟合。图21(a)是圆形建筑物的矢量化结果，图21(b)是椭圆建筑物的矢量化结果。
(3.5)道格拉斯-普克算法减少轮廓点
由于非直角建筑物图斑轮廓线上的点较多，迭代速度较慢，因此需要对建筑物轮廓进行简化，使用较少的点来描述建筑物轮廓。
道格拉斯-普克算法具有平移和旋转不变性，因此，本发明采用该算法进行轮廓简化，通过设定一个阈值，判断每点是否满足阈值要求来删除点，达到简化轮廓的目的。本发明中，由于需要在简化点集的同时不改变轮廓形状，因此选取较小的阈值，设置为0.5。(3.6)非直角建筑物轮廓分段拟合
使用Gribov和Bodansky提出的多边形折线分段线性近似方法[29]对建筑物轮廓进行分段拟合。该方法将轮廓线分成不同的小段进行拟合，把每段拟合直线的常数惩罚项和轮廓线上的点到分段拟合直线的距离之和作为误差，选择误差最小的拟合直线为最优拟合结果。该方法简化后的折线顶点位置灵活，不一定与轮廓线的顶点重合，可以极大程度上减少噪声点的影响同时保证拟合折线能够很好的描述建筑物形状。
如图22所示，对轮廓线上的顶点pi(i＝0，...，n)迭代地使用最小二乘法对轮廓点进行拟合，通过求解公式(3)的最小值，得到最佳分段点
把轮廓线分为不重叠的小段Qj，从而得到对应的拟合直线Lj，其中qj(j＝0，...，m)是轮廓线上顶点的索引，m是分段的数量。
其中，Δ(Δ≥0)是每一段拟合直线惩罚，
是第j段轮廓线上的点到其拟合直线的距离之和。
(3.7)判断轮廓线是否是曲线
如果步骤3.6得到的拟合直线对应的轮廓线是直线的话，那么轮廓线上的点到拟合直线的距离之和相对较小，如果该段拟合直线对应的轮廓线是曲线的话，那么轮廓线上的点到拟合直线的距离之和相对较大。所以，可以根据分段后轮廓线上的点集到拟合直线的距离之和是否大于阈值来判断该段轮廓线是否为曲线[36]。轮廓线上的点集到拟合直线axi-yi+b＝0的距离之和D为：
其中，(xi，yi)为轮廓线上的点的集合P中的第i个点的坐标，n是轮廓线上的点数量，di是轮廓线上的点到拟合直线的距离，W为阈值，取值为nd/2，d是该段拟合直线对应的轮廓上的所有点之间的平均间距，如果D＞W，那么该轮廓线为曲线，执行步骤3.8；反之，执行步骤3.9。如图23所示为只进行直线拟合的结果，其中图23(a)是建筑物图斑轮廓，图23(b)中灰色的线是直线拟合的结果，可以看出，对曲线部分来说，有些部分拟合直线不能够和该段拟合直线对应的轮廓重合，因此，要对该部分进行曲线拟合，图23(c)灰色部分是曲线拟合结果，白色部分是直线拟合结果。
(3.8)曲线部分拟合
贝塞尔曲线可以根据给定的离散点拟合出光滑连续的曲线，三次贝赛尔曲线计算简单，相对较容易实现，且拟合的效果较好。因此本发明根据曲线部分的轮廓点使用三次贝赛尔曲线对其进行拟合。
三次贝塞尔曲线是根据四个位置任意的点拟合一条光滑的曲线，其中两个点为曲线的端点，另外两个点是控制点，每个点的控制点可以根据其前后相邻的两个轮廓点获得，控制点与端点之间的连线为控制线。本发明根据轮廓线上的点序列将每两个相邻点作为一段贝塞尔曲线的端点，然后根据这两个点和它们的控制点计算出它们各自的控制线的长度和方向，然后利用贝赛尔曲线公式拟合出一段曲线，将多条贝赛尔曲线进行连接得到一条贝赛尔曲线。
(3.9)连接分段拟合直(曲)线，得到矢量化结果
将上述步骤得到的相邻拟合直线或曲线的交点依次进行连接，得到建筑物提取的矢量化结果。图24为除椭圆外非直角建筑物提取结果矢量化的示意图，其中图24(a)、(b)是非直角多边形建筑物的矢量化结果，图24(c)是曲线建筑物的矢量化结果，图24(d)、(e)是直线和曲线结合的建筑物的矢量化结果。
本文中所描述的具体实施例仅仅是对本发明精神做举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施示例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.一种半自动高空间分辨率遥感影像不同形状建筑物提取方法，其特征在于，包括以下步骤：
步骤1，通过用户交互得到目标建筑物的前景种子点；
步骤2，建筑物图斑获取；
步骤3，根据建筑物的不同形状进行建筑物图斑规则化处理，包括如下子步骤；
步骤3.1，获得建筑物图斑的轮廓；
步骤3.2，直角建筑物拟合：如果建筑物外形是直角多边形，利用基于正交性先验信息和积分平方误差最小化的正交多边形拟合方法进行直角建筑物分段规则化；
步骤3.3，非直角建筑物的椭圆拟合：如果建筑物外形是非直角多边形，则首先使用最小二乘法对建筑物图斑轮廓进行椭圆拟合；
步骤3.4，椭圆拟合结果与建筑物图斑轮廓差异性判断：使用Hu矩比较拟合所得椭圆与建筑物轮廓的差异性，差异性结果取值范围为0到1，若差异性小于0.01，则认为建筑物轮廓为椭圆，规则化完成，反之，则认为建筑物轮廓不是椭圆，进行步骤3.5；
步骤3.5，使用道格拉斯-普克算法简化轮廓上的点，用于提高多边形折线拟合的处理速度；
步骤3.6，非直角建筑物图斑轮廓分段拟合：使用基于积分平方误差最小化的多边形折线近似方法将建筑物轮廓划分成段，使用直线对建筑物轮廓进行分段拟合；
步骤3.7，判断轮廓线是否是曲线：计算每一段轮廓线上的点集到该段轮廓拟合直线的距离，用于判断该段轮廓是否是曲线，如果是曲线，则使用步骤3.8进行曲线拟合，反之，直接执行步骤3.9；
步骤3.8，使用贝塞尔曲线进行曲线拟合；
步骤3.9，将分段拟合结果进行连接，得到建筑物轮廓规则化结果。
2.根据权利要求1所述的一种半自动高空间分辨率遥感影像不同形状建筑物提取方法，其特征在于：步骤2的具体实现包括如下子步骤，
步骤2.1，影像剪裁：根据用户交互得到的初始种子点剪裁出一定窗口大小的影像；
步骤2.2，对该窗口影像进行导向滤波处理；
步骤2.3，在步骤2.2的导向滤波后的影像上进行区域增长，获得更多的前景种子点；
步骤2.4，根据步骤2.3得到的前景种子点的外接矩形向外扩大若干个像素得到两个间距n像素的矩形框，矩形框之间的像素点为粗略的背景种子点；
步骤2.5，分别使用步骤2.3得到的前景种子点和步骤2.4得到的粗略的背景种子点建立高斯混合模型的前景模型和背景模型，得到每个像素属于前景和背景的概率，最后计算每个像素属于前景的相对概率，得到前景概率图；
步骤2.6，首先对步骤2.5的前景概率图使用形态学闭运算，再使用形态学开运算来消除小目标，同时断开周围背景与建筑物的连接，使得轮廓更加明显；
步骤2.7，在步骤2.2得到的导向滤波结果上采用CannyLines边缘检测算法得到边缘检测结果；
步骤2.8，在步骤2.6得到的结果中，以步骤2.3得到的前景种子点作为种子点，以步骤2.7得到的边缘作为约束条件进行区域增长，得到建筑物的初始图斑；
步骤2.9，对步骤2.8得到的建筑物初始图斑的外接矩形向外扩大若干个像素得到两个间距n像素的矩形框，矩形框之间的像素点为精确的背景种子点；
步骤2.10，将步骤2.8得到建筑物初始图斑的外接矩形向外扩大若干像素，并将该范围以内的影像和步骤2.3得到的前景种子点以及步骤2.9得到的背景种子点作为基于多星形约束的最大流、最小割分割算法的输入，进行建筑物图斑获取。
3.根据权利要求1所述的一种半自动高空间分辨率遥感影像不同形状建筑物提取方法，其特征在于：步骤3.2中进行直角建筑物分段规则化时，是在基于正交性先验信息和积分平方误差最小化的正交多边形拟合方法的基础上，改进了建筑物主方向的查找算法，具体实现如下，
以影像左上角为原点建立像素坐标系x-y，像素坐标系的横坐标x与纵坐标y分别是其图像数组中所在的列与所在的行；以像素坐标系为基准，通过计算得到步骤3.1中建筑物图斑轮廓的最小外接矩形的方向作为建筑物的主方向，α为建筑物主方向与水平坐标轴x轴的夹角，并将轮廓绕轮廓点中y值最小的点顺时针旋转α角度，即将建筑物旋转至水平方向；
设建筑物图斑轮廓的顶点为pi，i＝0，...，n，通过把带有分段惩罚项和对应轮廓线上的点到拟合直线的距离和作为误差，见公式2，用最小二乘法拟合直线，设拟合直线的起点和终点之间包含n个点，当拟合直线的方向为水平时，拟合直线为
则轮廓线上的点(xi，yi)到拟合直线的距离为distance＝|yi-y|，同理，当拟合直线的方向为竖直时，拟合直线为
则轮廓线上的点(xi，yi)到拟合直线的距离为distance＝|xi-x|，求解公式(2)的最小值，寻找最佳分段点
其中qj是轮廓线上的点的索引，，j＝0，...，m，m是分段的数量，从而把图斑轮廓分成不重叠的点集Q1，Q2，Q3…，得到相邻点集对应的拟合直线的交点，最后依次连接交点得到矢量化结果；
其中，Δ是对每一个分段拟合直线的常数项惩罚，Δ越小，分段数越多，拟合的越细致；ε是轮廓线上的点到拟合直线的距离之和，X是第一段线段的拟合方向，⊥X是和X相垂直的方向；
在对建筑物轮廓进行规则化之后，将该规则化结果绕之前轮廓中y值最小的点逆时针旋转α角度回原来的方向。
4.根据权利要求1所述的一种半自动高空问分辨率遥感影像不同形状建筑物提取方法，其特征在于：步骤3.6中对建筑物轮廓进行分段拟合的具体实现方式如下，
设轮廓线上的顶点pi(i＝0，...，n)，迭代地使用最小二乘法对轮廓点进行拟合，通过求解公式(3)的最小值，得到最佳分段点
把轮廓线分为不重叠的小段Qj，从而得到对应的拟合直线Lj，其中qj(j＝0，...，m)是轮廓线上顶点的索引，m是分段的数量；
其中，Δ是每一段拟合直线惩罚，
是第j段轮廓线上的点到其拟合直线的距离之和。
5.根据权利要求1所述的一种半自动高空间分辨率遥感影像不同形状建筑物提取方法，其特征在于：步骤3.7中，轮廓线上的点集到拟合直线axi-yi+b＝0的距离之和D，计算公式为：
其中，(xi，yi)为轮廓线上的点的集合P中的第i个点的坐标，n是轮廓线上的点数量，di是轮廓线上的点到拟合直线的距离。
6.根据权利要求1所述的一种半自动高空间分辨率遥感影像不同形状建筑物提取方法，其特征在于：步骤3.7中，通过判断分段后轮廓线上的点集到拟合直线的距离之和是否大于阈值来确定该段轮廓线是否为曲线，设W为阈值，取值为nd/2，d是该段拟合直线对应的轮廓上的所有点之间的平均间距，如果D＞W，那么该轮廓线为曲线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010077926.6A CN111325684B (zh) | 2020-02-01 | 2020-02-01 | 一种半自动高空间分辨率遥感影像不同形状建筑物提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010077926.6A CN111325684B (zh) | 2020-02-01 | 2020-02-01 | 一种半自动高空间分辨率遥感影像不同形状建筑物提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111325684A true CN111325684A (zh) | 2020-06-23 |
| CN111325684B CN111325684B (zh) | 2022-04-26 |
Family
ID=71172832
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010077926.6A Active CN111325684B (zh) | 2020-02-01 | 2020-02-01 | 一种半自动高空间分辨率遥感影像不同形状建筑物提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111325684B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111862138A (zh) * | 2020-07-21 | 2020-10-30 | 北京吉威空间信息股份有限公司 | 一种遥感影像半自动水体提取方法 |
| CN112288820A (zh) * | 2020-12-29 | 2021-01-29 | 深圳市六合智能感知系统科技有限公司 | 规则物体的轮廓计算方法、装置、设备及存储介质 |
| CN112700464A (zh) * | 2021-01-15 | 2021-04-23 | 腾讯科技（深圳）有限公司 | 地图信息的处理方法、装置、电子设备以及存储介质 |
| CN113731860A (zh) * | 2021-09-03 | 2021-12-03 | 西安建筑科技大学 | 一种容器内堆积物件自动分拣系统及方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120224758A1 (en) * | 2009-10-07 | 2012-09-06 | Cambridge Enterprise Limited | Image data processing systems |
| CN104200212A (zh) * | 2014-06-25 | 2014-12-10 | 西安煤航信息产业有限公司 | 一种基于机载LiDAR数据的建筑物外边界线提取方法 |
| 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 |
| CN107194405A (zh) * | 2017-05-03 | 2017-09-22 | 湖北省电力勘测设计院 | 一种交互式半自动高分辨率遥感影像建筑物提取的方法 |
| CN107203757A (zh) * | 2017-06-02 | 2017-09-26 | 重庆市地理信息中心 | 基于二进制特征分类器的建筑物提取方法 |
| CN107341795A (zh) * | 2017-06-30 | 2017-11-10 | 武汉大学 | 一种知识驱动的高空间分辨率遥感影像自动变化检测方法 |
| US20180068419A1 (en) * | 2016-09-08 | 2018-03-08 | Sony Corporation | Image processing system and method for object boundary smoothening for image segmentation |
| CN107784661A (zh) * | 2017-09-08 | 2018-03-09 | 上海电力学院 | 基于区域生长法的变电站设备红外图像分类识别方法 |
| CN108453739A (zh) * | 2018-04-04 | 2018-08-28 | 北京航空航天大学 | 基于自动形状拟合的立体视觉定位机械臂抓取系统及方法 |
-
2020
- 2020-02-01 CN CN202010077926.6A patent/CN111325684B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120224758A1 (en) * | 2009-10-07 | 2012-09-06 | Cambridge Enterprise Limited | Image data processing systems |
| 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 |
| CN104200212A (zh) * | 2014-06-25 | 2014-12-10 | 西安煤航信息产业有限公司 | 一种基于机载LiDAR数据的建筑物外边界线提取方法 |
| US20180068419A1 (en) * | 2016-09-08 | 2018-03-08 | Sony Corporation | Image processing system and method for object boundary smoothening for image segmentation |
| CN107194405A (zh) * | 2017-05-03 | 2017-09-22 | 湖北省电力勘测设计院 | 一种交互式半自动高分辨率遥感影像建筑物提取的方法 |
| CN107203757A (zh) * | 2017-06-02 | 2017-09-26 | 重庆市地理信息中心 | 基于二进制特征分类器的建筑物提取方法 |
| CN107341795A (zh) * | 2017-06-30 | 2017-11-10 | 武汉大学 | 一种知识驱动的高空间分辨率遥感影像自动变化检测方法 |
| CN107784661A (zh) * | 2017-09-08 | 2018-03-09 | 上海电力学院 | 基于区域生长法的变电站设备红外图像分类识别方法 |
| CN108453739A (zh) * | 2018-04-04 | 2018-08-28 | 北京航空航天大学 | 基于自动形状拟合的立体视觉定位机械臂抓取系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| YIHUA TAN 等: "Semi-Automatic Building Extraction From Very High Resolution Remote Sensing Imagery Via Energy Minimization Model", 《2016 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM (IGARSS)》 * |
| 丁亚洲 等: "多星形约束图割与轮廓规则化的高分遥感影像直角建筑物提取", 《测绘学报》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111862138A (zh) * | 2020-07-21 | 2020-10-30 | 北京吉威空间信息股份有限公司 | 一种遥感影像半自动水体提取方法 |
| CN112288820A (zh) * | 2020-12-29 | 2021-01-29 | 深圳市六合智能感知系统科技有限公司 | 规则物体的轮廓计算方法、装置、设备及存储介质 |
| CN112288820B (zh) * | 2020-12-29 | 2021-04-27 | 深圳市六合智能感知系统科技有限公司 | 规则物体的轮廓计算方法、装置、设备及存储介质 |
| CN112700464A (zh) * | 2021-01-15 | 2021-04-23 | 腾讯科技（深圳）有限公司 | 地图信息的处理方法、装置、电子设备以及存储介质 |
| CN113731860A (zh) * | 2021-09-03 | 2021-12-03 | 西安建筑科技大学 | 一种容器内堆积物件自动分拣系统及方法 |
| CN113731860B (zh) * | 2021-09-03 | 2023-10-24 | 西安建筑科技大学 | 一种容器内堆积物件自动分拣系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111325684B (zh) | 2022-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111325684B (zh) | 一种半自动高空间分辨率遥感影像不同形状建筑物提取方法 | |
| Brandtberg et al. | Automated delineation of individual tree crowns in high spatial resolution aerial images by multiple-scale analysis | |
| Liu et al. | Building extraction from high resolution imagery based on multi-scale object oriented classification and probabilistic Hough transform | |
| CN109712143B (zh) | 一种基于超像素多特征融合的快速图像分割方法 | |
| CN112785710B (zh) | Osgb三维模型建筑物快速单体化方法、系统、存储器及设备 | |
| CN109934843B (zh) | 一种实时的轮廓精细化抠像方法及存储介质 | |
| CN110570440A (zh) | 一种基于深度学习边缘检测的图像自动分割方法及装置 | |
| US8670615B2 (en) | Refinement of segmentation markup | |
| Galvanin et al. | Extraction of building roof contours from LiDAR data using a Markov-random-field-based approach | |
| CN115272306B (zh) | 利用梯度运算的太阳能电池板栅线增强方法 | |
| Gold et al. | Map generalization by skeleton retraction | |
| Shen et al. | A simplification of urban buildings to preserve geometric properties using superpixel segmentation | |
| Akbulut et al. | Automatic building extraction from image and LiDAR data with active contour segmentation | |
| CN111161267A (zh) | 一种三维点云模型的分割方法 | |
| CN107194405B (zh) | 一种交互式半自动高分辨率遥感影像建筑物提取的方法 | |
| CN101430789B (zh) | 基于Fast Slant Stack变换的图像边缘检测方法 | |
| CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
| Anil et al. | Automatic road extraction from high resolution imagery based on statistical region merging and skeletonization | |
| JP2014106713A (ja) | プログラム、方法、及び情報処理装置 | |
| CN111127622B (zh) | 基于图像分割的三维点云离群点剔除方法 | |
| CN116843938A (zh) | 一种高空间分辨率遥感图像的混合分类方法 | |
| Akbulut et al. | Automatic extraction of building boundaries from high resolution images with active contour segmentation | |
| CN116681844A (zh) | 一种基于亚米级立体像对卫星影像的建筑物白膜构建方法 | |
| Straub | Automatic extraction of trees from aerial images and surface models | |
| Zhang et al. | Semiautomatic right-angle building extraction from very high-resolution aerial images using graph cuts with star shape constraint and regularization |
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 |