CN112766154A - 一种高分辨率sar图像建筑物叠掩提取方法 - Google Patents
一种高分辨率sar图像建筑物叠掩提取方法 Download PDFInfo
- Publication number
- CN112766154A CN112766154A CN202110068195.3A CN202110068195A CN112766154A CN 112766154 A CN112766154 A CN 112766154A CN 202110068195 A CN202110068195 A CN 202110068195A CN 112766154 A CN112766154 A CN 112766154A
- Authority
- CN
- China
- Prior art keywords
- building
- overlap
- boundary
- extracting
- gradient
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种高分辨率SAR图像建筑物叠掩提取方法,包括:对高分辨率SAR图像进行预处理;基于多尺度梯度特征提取建筑物叠掩;利用各叠掩的形状变异参数划分建筑物的类型;针对识别到的单栋高层建筑物叠掩区,利用边界条带扫描算法提取叠掩;针对识别到的存在重叠现象的高层建筑物叠掩区,在有建筑物分布矢量数据辅助的情况下,基于矢量边界分割然后进行边界条带扫描提取叠掩,在无建筑物分布矢量数据辅助的情况下,采用灰度量化边界分割和边界条带扫描算法相结合提取叠掩。本发明综合多尺度梯度特征与边界条带扫描提取建筑物的叠掩区,既保留了对中低层建筑物的细节识别能力,又提高了识别高层建筑物的准确性和完整度,从而提高建筑物高度信息估计的实用性与准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种高分辨率SAR图像建筑物叠掩提取方法。
背景技术
建筑物高度信息是进行城市监测、灾害评估以及城市三维信息系统建设等工作的基础,合成孔径雷达(Synthetic aperture radar,SAR)作为一种主动微波遥感技术,能够在城市化进程中实现对不断扩张的城区进行全天时、全天候的监测需求。而针对由于SAR成像机理产生的叠掩和阴影的检测与提取,成为准确提取城市建筑物高度信息的关键。
针对建筑物叠掩信息提取方法,现有的提取方法有:
基于SAR图像相位信息提取建筑物叠掩区。利用叠掩区域的干涉相位特征和幅度特性,结合SAR幅度相位和干涉相位对叠掩区域进行识别;融合相位图与数字高程模型,利用极大似然估计方法提取建筑物叠掩和阴影区域;依据在距离向上阴影区域两个临界端点处的相位差识别出阴影区域,然后建立叠掩区域的相位模型以检测叠掩区域。
基于SAR图像幅度信息提取建筑物叠掩区。结合SAR图像的干涉幅度和相关系数来识别建筑物叠掩和阴影区域;基于幅度图或相干系数图阈值分割以及结合形态学的方法来识别SAR图像中的叠掩和阴影区域。
利用多基线和多通道的方法检测建筑物叠掩区。将多基线条件下的叠掩区域信号看作混合了乘性相关噪声和白噪声进行处理;利用同一区域的多波段数据,恢复并重构出叠掩现象所造成的相位信息缺失区域,以此得到建筑物叠掩区。
现有的提取方法针对单景高分辨率SAR中建筑物叠掩区提取不够准确是亟待解决的技术问题。
发明内容
本发明针对单景高分辨率SAR图像中建筑物叠掩区提取不够准确的问题,提出了综合多尺度梯度特征与边界条带扫描的建筑物叠掩提取方法,更准确的提取高分辨率SAR图像中各建筑物的叠掩区像元,得到更精确的叠掩区,从而提高建筑物高度信息估计的实用性与准确度。
为了实现上述目的,本发明提供了一种高分辨率SAR图像建筑物叠掩提取方法,所述方法包括以下步骤:
基于多尺度梯度特征提取高分辨率SAR图像中建筑物的叠掩区;
计算所述叠掩区的形状变异参数;
根据所述形状变异参数将建筑物划分为中低层建筑物和高层建筑物;
若所述建筑物为所述中低层建筑物,则保留原有的叠掩区;
若所述建筑物是所述高层建筑物,则判断是否为单栋高层建筑物;
若是,则基于边界条带扫描算法在所述原有的叠掩区重新提取建筑物叠掩区;
若否,则判断所述高层建筑物中是否存在叠掩现象的叠掩区;
若存在,则在有建筑物分布矢量数据辅助的情况下,基于矢量边界分割和边界条带扫描算法在所述原有的叠掩区重新提取建筑物叠掩区,在无建筑物分布矢量数据辅助的情况下,基于灰度量化边界分割和边界条带扫描算法相结合的方法在所述原有的叠掩区重新提取建筑物叠掩区。
进一步地,在所述基于多尺度梯度特征提取高分辨率SAR图像的建筑物叠掩区的步骤之前,还包括:
对原始高分辨率SAR图像进行预处理,获得预处理后高分辨率SAR图像。
进一步地,所述预处理包括:研究区域提取和相干斑抑制处理进行滤波去噪。
进一步地,所述基于多尺度梯度特征提取高分辨率SAR图像的建筑物叠掩区的步骤包括:
根据像元灰度阈值分割方法从高分辨率SAR图像中初步提取建筑物的叠掩区预选像元,
根据水平距离向、对角线距离向的梯度公式,计算得到每个所述叠掩区预选像元的三个距离向上的梯度特征值,所述水平距离向、对角线距离向的梯度公式为:
gx=sign(p6-p4)×2p5÷(p6+p4)
g1=sign(p9-p1)×2p5÷(p9+p1)
g2=sign(p3-p7)×2p5÷(p3+p7)
其中gx表示水平距离向梯度,g1表示左下方对角线距离向梯度,g2表示左上方对角线距离向梯度,pi表示像元灰度值,sign用于取正负性;
根据所述三个距离向上的梯度特征值的相对大小,得到中心边界像元在三个距离向上灰度变化速率最大的梯度特征值;
根据所述灰度变化速率最大的梯度特征值的分布情况及值域范围,得到自适应梯度阈值;
根据所述不同尺度下的自适应梯度阈值对高分辨率SAR图像在不同尺度下得到的梯度特征图分别进行分割,得到不同尺度梯度特征的叠掩区边界预选像元;
根据所述叠掩区预选像元和所述不同尺度下的叠掩区边界预选像元,得到综合不同尺度梯度特征的第一叠掩区;
根据阴影区配对方法对所述第一叠掩区进行筛选,得到高分辨率SAR图像的建筑物叠掩区。
进一步地,所述形状变异参数的定义为:
其中cvshape表示形状变异参数,σ表示叠掩区统计值的标准差,μ表示叠掩区统计值的平均值,Lmax表示叠掩区统计值的最大值,即叠掩区最长距离。
进一步地,针对所述高层建筑物中的单栋高层建筑物叠掩区,基于边界条带扫描算法在所述原有的叠掩区重新提取建筑物叠掩区的步骤包括:
采用指定尺度的边界条带进行扫描分析,得到该尺度的条带扫描结果;
条带扫描结束后,基于所述条带扫描结果转用边界像元集进行逐像素的扫描,根据边界像元集内各像元灰度值的阈值提取建筑物叠掩区。
进一步地,所述在有建筑物分布矢量数据辅助的情况下,基于矢量边界分割和边界条带扫描算法在所述原有的叠掩区重新提取建筑物叠掩区的步骤包括:
在有建筑物分布矢量数据辅助的情况下,根据基于多尺度梯度特征提取的建筑物叠掩区像元,定位建筑物矢量中对应的矢量数据;
根据该栋建筑物的矢量数据对边界信息进行分割提取,获得拟边界像元信息;
根据拟边界像元信息,运用“探针”算子探测该栋建筑物叠掩区范围;
在所述叠掩区范围采用边界条带扫描算法,重新提取该栋建筑物的叠掩区。
进一步地,所述在无建筑物分布矢量数据辅助的情况,基于灰度量化边界分割和边界条带扫描算法相结合的方法在所述原有的叠掩区重新提取建筑物叠掩区的步骤包括:
对实验区的高分辨率SAR图像进行灰度级量化;获取所述基于多尺度梯度特征提取的建筑物的叠掩区外接矩形范围内灰度量化图像,采用梯度算子提取所述灰度量化图像的灰度量化边界;
基于所述灰度量化边界,结合提取到的叠掩区远距离端边界线的位置区间,筛选灰度量化边界,将按位置约束得到的灰度量化边界进行形态学变换,实现叠掩分割;
以灰度量化边界为模板实现灰度量化图像上逐像素的边界扫描,实现叠掩重构,得到建筑物的叠掩区
与现有技术相比,本发明的有益效果:提供了一种综合多尺度梯度特征与边界条带扫描的建筑物叠掩的提取方法,能有效的提取高分辨率SAR图像中的高层建筑物叠掩区像元,保留低层建筑物叠掩区的细节信息。
附图说明
图1是本发明一种高分辨率SAR图像建筑物叠掩提取方法具体流程图。
图2是本发明基于多尺度梯度特征提取建筑物叠掩区流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地描述。
本发明具体实施例一种高分辨率SAR图像建筑物叠掩提取方法包括以下步骤:
对高分辨率SAR图像进行滤波处理以抑制相干斑,获得预处理后高分辨率SAR图像;
基于多尺度梯度特征提取高分辨率SAR图像中建筑物的叠掩区;
计算所述叠掩区的形状变异参数;
根据所述形状变异参数将建筑物划分为中低层建筑物和高层建筑物;
若所述建筑物为所述中低层建筑物,则保留原有的叠掩区;
若所述建筑物是所述高层建筑物,则判断是否为单栋高层建筑物;
若是,则基于边界条带扫描算法在所述原有的叠掩区重新提取建筑物叠掩区;
若否,则判断所述高层建筑物中是否存在叠掩现象的叠掩区;
若存在,则在有建筑物分布矢量数据辅助的情况下,基于矢量边界分割和边界条带扫描算法在所述原有的叠掩区重新提取建筑物叠掩区,在无建筑物分布矢量数据辅助的情况下,基于灰度量化边界分割和边界条带扫描算法相结合的方法在所述原有的叠掩区重新提取建筑物叠掩区。
请参考图1,图1是本发明一种高分辨率SAR图像建筑物叠掩提取方法具体流程图,具体实施步骤如下:
步骤1:对高分辨率SAR图像进行滤波处理以抑制相干斑。
对高分辨率SAR图像进行相干斑抑制处理,降低相干斑噪声对图像辐射分辨率的影响。最终选择窗口大小为7*7的增强型LEE滤波降低相干斑噪声对为后续的建筑物叠掩提取精度的影响。
增强型LEE滤波算法设计如下:
步骤2:基于多尺度梯度特征提取建筑物叠掩区;
请参考图2,图2是本发明基于多尺度梯度特征提取建筑物叠掩区流程图,基于多尺度梯度特征提取建筑物叠掩区的具体步骤,包括以下步骤:
(1)采用阈值分割方法,提高建筑物叠掩区像元灰度值与其他像元灰度值之间的差异,用于提取高分辨率SAR图像中的建筑物叠掩区像元。
(2)计算多尺度梯度特征。梯度表示图像灰度值的变化速率,在图像边缘附近的像元灰度值会存在剧烈的数值变化,产生较大的梯度值,对于图像中的平滑部分,灰度值变化较小,所以梯度数值也较小。而建筑物在高分辨率SAR图像中呈现的高亮叠掩区在像元灰度值上与背景图像存在较大的差别,会在叠掩区边缘附近得到较大的梯度特征。此外,梯度特征还可以表示图像灰度变化的方向。根据SAR的侧视成像机理与斜率特征,定义了水平距离向、对角线距离向的梯度,根据3*3模板可表示为如下表达式:
gx=sign(p6-p4)×2p5÷(p6+p4)
g1=sign(p9-p1)×2p5÷(p9+p1)
g2=sign(p3-p7)×2p5÷(p3+p7)
其中gx表示水平距离向梯度,g1表示左下方对角线距离向梯度,g2表示左上方对角线距离向梯度,pi表示像元灰度值,sign用于取正负性。从表达式中可以看出,该梯度特征借助于中心像元灰度值与距离向上邻域像元的灰度值间的斜率比值判断中心像元的灰度值变化幅度,同时根据邻域像元灰度值的相对大小,判断窗口内局部图像的灰度变化方向。在使用梯度特征值检测高分辨率SAR图像中建筑物叠掩区时采取自适应梯度特征值选取方法,根据各方向上梯度特征值的相对大小,得到中心边界像元在三个距离向上表现灰度变化速率最大的梯度特征值。
将水平距离向、对角线距离向梯度算法用于建筑物叠掩区边缘检测时,不同的尺度因子会得到不同尺度下的梯度特征图像。将不同尺度的梯度特征图像通过自适应梯度阈值分割,得到该尺度下的叠掩区边界预选像元;然后综合不同尺度下的叠掩区边界预选像元,以某一尺度新增像元数占比作为尺度递增终止指标,当新增像元个数占比少于设定阈值时,结束对多尺度梯度特征值的计算,得到综合不同尺度梯度特征的建筑物叠掩区提取结果。其中,自适应阈值的选取是通过统计该尺度下梯度特征值的分布情况及值域范围,剔除用于表征建筑物叠掩区与地面背景区的边界梯度值,然后采用四分位数选择法,计算该尺度下的上四分位数作为梯度特征提取阈值。综合不同尺度下的边缘信息提取建筑物叠掩区,可以综合大尺度下梯度特征图像表现的边缘检测结果较为稳定的优点和小尺度下边缘信息细节丰富的优点。
(3)根据建筑物阴影区位置信息完成叠掩区的筛选,同时采用形态学变换完成建筑物叠掩区提取。对预处理后的高分辨率SAR图像进行像元灰度值的统计分析,选取合适的阴影阈值生成阴影二值图像;分别对阴影二值图像和多尺度提取的叠掩二值图像进行形态学变换,删除细小图斑,对变换后的各连通图斑进行唯一标识码赋值,同时计算各图像中各对象的面积、质心坐标等信息;以叠掩二值图像为待处理图像,阴影二值图像为辅助图像,从叠掩二值图像中的第一个对象体进行读取,逐叠掩对象体循环,直至结束,得到叠掩区。
(4)计算叠掩区的形状变异参数,根据形状变异参数将建筑物划分为中低层建筑物和高层建筑物。
步骤3:采用边界条带扫描算法重新提取识别到的单栋高层建筑物叠掩区。
(1)以建筑物的拟边界为模板指定条带尺寸信息形成扫描条带,在该栋建筑物的叠掩区预范围内以指定步长进行扫描分析,主要统计各条带的像元灰度值分布曲线间的相似性,完成从拟边界处到近距离端粗范围边界内的条带扫描。
(2)统计各扫描条带与上一条带间的像元灰度值分布曲线的相似性,计算各扫描条带的相似性差异,当某条带与上一条带存在明显的相似性差异时,则以该条带的上一个条带近距离端作为条带扫描的终止位置。
(3)在停止条带扫描后,统计条带扫描区内边界像元集内各像元灰度分布情况,得到边界像元集内各像元灰度值的阈值;然后对叠掩区预范围内剩下的像元进行拟边界逐像素扫描,实时统计每个像素下,边界像元集内各像元灰度值符合各自阈值的像元个数,当该像元个数小于边界像元数的四分之一时,停止扫描,得到该栋建筑物的叠掩区。
步骤4:在有建筑物分布矢量数据辅助的情况下,针对高层建筑物中识别到的存在叠掩现象的叠掩区,根据基于多尺度梯度特征提取的建筑物叠掩区像元,定位建筑物矢量中对应的矢量数据,然后运用“探针”算子探测该栋建筑物叠掩范围,最后采用上文中提到的边界条带扫描算法,重新提取该栋建筑物的叠掩区域像元。
(1)在建筑物矢量分布数据的辅助下,定位建筑物边界的分布范围采用最值提取与边界增长算法实现高分辨率SAR图像中的建筑物边界像元提取。
(2)基于建筑物的拟边界像元信息,提出“探针”算子,往近距离端探查该建筑物的叠掩区范围。“探针”算子本质是1*N的滑动窗口,在本方法中仅从拟边界线起始,往近距离端滑动探测,滑动的方向设定,步长根据窗口下各像元信息的情况自适应设置。主要是通过对建筑物的拟边界像元灰度信息进行统计分析,根据阈值提取拟边界线上像元灰度值位于整体灰度值前四分之一的像元,以这些像元作为“探针”的基点,开始向近距离端滑动1*N的算子。算子在滑动过程中,会实时统计窗口下的像元灰度值信息,根据设置好的变异系数阈值和均值阈值判断是否需要再次往前滑动,每次滑动的步长默认为1个像素,但在实时滑动中会根据输入的灰度阈值与窗口下各像元的灰度值的相对大小来选取滑动步长,即存在大于灰度阈值的最大灰度值时,下一次滑动以该像元为基点;若不存在灰度值大于灰度阈值的像元,则判断窗口下的变异系数及均值是否满足阈值条件,满足则以默认步长开始下一次滑动探测,不满足则结束该“探针”算子的滑动探测,直到“探针”算子存活小于最初的四分之一数。返回最后一个基点的像元位置,与对应初始基点的距离向差值,即为该栋建筑物叠掩分布的预范围。
(3)采用边界条带扫描算法,重新提取该栋建筑物的叠掩区。
步骤5:对于没有建筑物分布矢量数据辅助的情况,采用灰度量化边界分割和边界条带扫描算法相结合的方法来提取建筑物叠掩区。
(1)对实验区的高分辨率SAR图像进行灰度级量化,然后根据叠掩区提取结果,取得复杂叠掩区1.5倍外接矩形范围内灰度量化图像,采用梯度算子实现灰度量化边界的提取;
(2)结合提取到的叠掩区远距离端边界线的位置区间,筛选灰度量化边界,将按位置约束得到的灰度量化边界进行形态学变换,实现叠掩分割;最后以灰度量化边界为模板实现灰度量化梯度图像上逐像素的边界扫描,实现叠掩重构。
本发明具体实施后的有益效果:综合多尺度梯度特征与边界条带扫描对建筑物叠掩进行提取,能有效的提取高分辨率SAR图像中的高层建筑物叠掩区像元,保留低层建筑物叠掩区的细节信息。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种高分辨率SAR图像建筑物叠掩提取方法,其特征在于,所述高分辨率SAR图像建筑物叠掩提取方法包括以下步骤:
基于多尺度梯度特征提取高分辨率SAR图像中建筑物的叠掩区;
计算所述叠掩区的形状变异参数;
根据所述形状变异参数将建筑物划分为中低层建筑物和高层建筑物;
若所述建筑物为所述中低层建筑物,则保留原有的叠掩区;
若所述建筑物是所述高层建筑物,则判断是否为单栋高层建筑物;
若是,则基于边界条带扫描算法在所述原有的叠掩区重新提取建筑物叠掩区;
若否,则判断所述高层建筑物中是否存在叠掩现象的叠掩区;
若存在,则在有建筑物分布矢量数据辅助的情况下,基于矢量边界分割和边界条带扫描算法在所述原有的叠掩区重新提取建筑物叠掩区,在无建筑物分布矢量数据辅助的情况下,基于灰度量化边界分割和边界条带扫描算法相结合的方法在所述原有的叠掩区重新提取建筑物叠掩区。
2.根据权利要求1所述的一种高分辨率SAR图像建筑物叠掩提取方法,其特征在于,在所述基于多尺度梯度特征提取高分辨率SAR图像的建筑物叠掩区的步骤之前,还包括:
对原始高分辨率SAR图像进行预处理,获得预处理后高分辨率SAR图像。
3.根据权利要求1所述的高分辨率SAR图像建筑物叠掩提取方法,其特征在于,所述预处理包括:研究区域提取和滤波去噪。
4.根据权利要求1所述的高分辨率SAR图像建筑物叠掩提取方法,其特征在于,所述基于多尺度梯度特征提取高分辨率SAR图像的建筑物叠掩区的步骤包括:
根据像元灰度阈值分割方法从高分辨率SAR图像中初步提取建筑物的叠掩区预选像元,
根据水平距离向、对角线距离向的梯度公式,计算得到每个所述叠掩区预选像元的三个距离向上的梯度特征值,所述水平距离向、对角线距离向的梯度公式为:
gx=sign(p6-p4)×2p5÷(p6+p4)
g1=sign(p9-p1)×2p5÷(p9+p1)
g2=sign(p3-p7)×2p5÷(p3+p7)
其中gx表示水平距离向梯度,g1表示左下方对角线距离向梯度,g2表示左上方对角线距离向梯度,pi表示像元灰度值,sign用于取正负性;
根据所述三个距离向上的梯度特征值的相对大小,得到中心边界像元在三个距离向上灰度变化速率最大的梯度特征值;
根据所述灰度变化速率最大的梯度特征值的分布情况及值域范围,得到自适应梯度阈值;
根据所述不同尺度下的自适应梯度阈值对高分辨率SAR图像在不同尺度下得到的梯度特征图分别进行分割,得到不同尺度梯度特征的叠掩区边界预选像元;
根据所述叠掩区预选像元和所述不同尺度下的叠掩区边界预选像元,得到综合不同尺度梯度特征的第一叠掩区;
根据阴影区配对方法对所述第一叠掩区进行筛选,得到高分辨率SAR图像的建筑物叠掩区。
6.根据权利要求1所述的高分辨率SAR图像建筑物叠掩提取方法,其特征在于,所述基于边界条带扫描算法在所述原有的叠掩区重新提取建筑物叠掩区的步骤包括:
采用指定尺度的边界条带进行扫描分析,得到该尺度的条带扫描结果;
条带扫描结束后,基于所述条带扫描结果转用边界像元集进行逐像素的扫描,根据边界像元集内各像元灰度值的阈值提取建筑物叠掩区。
7.根据权利要求1所述的高分辨率SAR图像建筑物叠掩提取方法,其特征在于,所述在有建筑物分布矢量数据辅助的情况下,基于矢量边界分割和边界条带扫描算法在所述原有的叠掩区重新提取建筑物叠掩区的步骤包括:
在有建筑物分布矢量数据辅助的情况下,根据基于多尺度梯度特征提取的建筑物叠掩区像元,定位建筑物矢量中对应的矢量数据;
根据该栋建筑物的矢量数据对边界信息进行分割提取,获得拟边界像元信息;
根据拟边界像元信息,运用“探针”算子探测该栋建筑物叠掩区范围;
在所述叠掩区范围采用边界条带扫描算法,重新提取该栋建筑物的叠掩区。
8.根据权利要求1所述的高分辨率SAR图像建筑物叠掩提取方法,其特征在于,所述在无建筑物分布矢量数据辅助的情况下,基于灰度量化边界分割和边界条带扫描算法相结合的方法在所述原有的叠掩区重新提取建筑物叠掩区的步骤包括:
对实验区的高分辨率SAR图像进行灰度级量化;获取所述基于多尺度梯度特征提取的建筑物叠掩区外接矩形范围内灰度量化图像,采用梯度算子提取所述灰度量化图像的灰度量化边界;
基于所述灰度量化边界,结合提取到的叠掩区远距离端边界线的位置区间,筛选灰度量化边界,将按位置约束得到的灰度量化边界进行形态学变换,实现叠掩分割;
以灰度量化边界为模板实现灰度量化图像上逐像素的边界扫描,实现叠掩重构,得到建筑物的叠掩区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110068195.3A CN112766154B (zh) | 2021-01-19 | 2021-01-19 | 一种高分辨率sar图像建筑物叠掩提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110068195.3A CN112766154B (zh) | 2021-01-19 | 2021-01-19 | 一种高分辨率sar图像建筑物叠掩提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766154A true CN112766154A (zh) | 2021-05-07 |
CN112766154B CN112766154B (zh) | 2022-09-30 |
Family
ID=75703118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110068195.3A Active CN112766154B (zh) | 2021-01-19 | 2021-01-19 | 一种高分辨率sar图像建筑物叠掩提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766154B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113129326A (zh) * | 2021-06-17 | 2021-07-16 | 苏州高视半导体技术有限公司 | 灰度图像的自适应阈值分割方法 |
CN113408540A (zh) * | 2021-05-17 | 2021-09-17 | 中国电子科技集团公司电子科学研究院 | 一种合成孔径雷达图像叠掩区提取方法及存储介质 |
CN113469191A (zh) * | 2021-06-15 | 2021-10-01 | 长沙理工大学 | 基于多层特征融合注意力机制的sar图像叠掩区提取方法 |
CN115019187A (zh) * | 2022-08-09 | 2022-09-06 | 中国科学院空天信息创新研究院 | 针对sar图像船舶目标的检测方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608691A (zh) * | 2015-12-17 | 2016-05-25 | 武汉大学 | 一种高分辨率sar影像单体建筑提取方法 |
CN105787450A (zh) * | 2016-02-26 | 2016-07-20 | 中国空间技术研究院 | 一种基于高分辨率sar图像的城市地区建筑物检测方法 |
CN109583284A (zh) * | 2017-09-29 | 2019-04-05 | 中国科学院遥感与数字地球研究所 | 基于高分辨率sar图像的城市高层建筑物高度提取方法及装置 |
CN111027446A (zh) * | 2019-12-04 | 2020-04-17 | 中国地质环境监测院 | 一种高分辨率影像的海岸线自动提取方法 |
WO2020258899A1 (zh) * | 2019-06-25 | 2020-12-30 | 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 |
-
2021
- 2021-01-19 CN CN202110068195.3A patent/CN112766154B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608691A (zh) * | 2015-12-17 | 2016-05-25 | 武汉大学 | 一种高分辨率sar影像单体建筑提取方法 |
CN105787450A (zh) * | 2016-02-26 | 2016-07-20 | 中国空间技术研究院 | 一种基于高分辨率sar图像的城市地区建筑物检测方法 |
CN109583284A (zh) * | 2017-09-29 | 2019-04-05 | 中国科学院遥感与数字地球研究所 | 基于高分辨率sar图像的城市高层建筑物高度提取方法及装置 |
WO2020258899A1 (zh) * | 2019-06-25 | 2020-12-30 | 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 |
CN111027446A (zh) * | 2019-12-04 | 2020-04-17 | 中国地质环境监测院 | 一种高分辨率影像的海岸线自动提取方法 |
Non-Patent Citations (2)
Title |
---|
何浩等: "基于视差的高分辨率遥感影像建筑物变化检测", 《遥感技术与应用》 * |
刘宁宁等: "一种基于InSAR的叠掩区域识别算法", 《科学技术与工程》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408540A (zh) * | 2021-05-17 | 2021-09-17 | 中国电子科技集团公司电子科学研究院 | 一种合成孔径雷达图像叠掩区提取方法及存储介质 |
CN113408540B (zh) * | 2021-05-17 | 2022-11-18 | 中国电子科技集团公司电子科学研究院 | 一种合成孔径雷达图像叠掩区提取方法及存储介质 |
CN113469191A (zh) * | 2021-06-15 | 2021-10-01 | 长沙理工大学 | 基于多层特征融合注意力机制的sar图像叠掩区提取方法 |
CN113129326A (zh) * | 2021-06-17 | 2021-07-16 | 苏州高视半导体技术有限公司 | 灰度图像的自适应阈值分割方法 |
CN113129326B (zh) * | 2021-06-17 | 2021-11-12 | 苏州高视半导体技术有限公司 | 灰度图像的自适应阈值分割方法 |
CN115019187A (zh) * | 2022-08-09 | 2022-09-06 | 中国科学院空天信息创新研究院 | 针对sar图像船舶目标的检测方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112766154B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112766154B (zh) | 一种高分辨率sar图像建筑物叠掩提取方法 | |
CN109191432B (zh) | 基于域变换滤波多尺度分解的遥感图像云检测方法 | |
CN107248159A (zh) | 一种基于双目视觉的金属工件缺陷检测方法 | |
CN110363719B (zh) | 一种细胞分层图像处理方法及系统 | |
CN102800074B (zh) | 基于轮廓波变换的sar图像变化检测差异图生成方法 | |
CN101854467B (zh) | 一种视频分割中阴影的自适应检测及消除方法 | |
CN112488046B (zh) | 一种基于无人机高分辨率影像的车道线提取方法 | |
WO2015096507A1 (zh) | 一种利用山体轮廓区域约束识别定位建筑物的方法 | |
CN103605953A (zh) | 基于滑窗搜索的车辆兴趣目标检测方法 | |
CN102360503B (zh) | 基于空间贴近度和像素相似性的sar图像变化检测方法 | |
CN109635722B (zh) | 一种高分辨率遥感影像路口自动识别方法 | |
JP4747122B2 (ja) | 特定領域自動抽出システム、特定領域自動抽出方法、および、プログラム | |
CN106940782A (zh) | 基于变差函数的高分sar新增建设用地提取软件 | |
CN103914840B (zh) | 一种针对非简单背景的人体轮廓自动提取方法 | |
CN111091071A (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及系统 | |
CN109063564B (zh) | 一种目标变化检测方法 | |
CN108648200B (zh) | 一种间接的城市高分辨率不透水面提取方法 | |
CN105894501B (zh) | 一种高分辨率遥感图像单木探测和树冠描绘方法 | |
CN109785318B (zh) | 基于面线基元关联约束的遥感图像变化检测方法 | |
CN109784229B (zh) | 一种地面建筑物数据融合的复合识别方法 | |
CN110276270B (zh) | 一种高分辨率遥感影像建筑区提取方法 | |
CN109697418B (zh) | 用于场景复原的针对遥感影像路网提取图像的后处理方法 | |
CN110111355B (zh) | 抵抗强阴影干扰的运动车辆跟踪方法 | |
CN112883796B (zh) | 基于叠掩信息的sar图像多类型建筑物高度估计方法 | |
CN112541487B (zh) | 基于亚米级高分卫星遥感影像的牧区羊群的自动监测方法 |
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 |