CN112906528A - 一种融合多源卫星遥感数据的城市建筑物材质分类方法 - Google Patents
一种融合多源卫星遥感数据的城市建筑物材质分类方法 Download PDFInfo
- Publication number
- CN112906528A CN112906528A CN202110164540.3A CN202110164540A CN112906528A CN 112906528 A CN112906528 A CN 112906528A CN 202110164540 A CN202110164540 A CN 202110164540A CN 112906528 A CN112906528 A CN 112906528A
- Authority
- CN
- China
- Prior art keywords
- image
- building
- independent component
- building material
- remote sensing
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Abstract
一种融合多源卫星遥感数据的城市建筑物材质分类方法,步骤包括,S1:对高光谱影像和高分辨率影像进行预处理;S2:对预处理后的高光谱影像进行独立成分分析得到独立分量,将独立分量与建筑物材质进行匹配分析得到建筑物材质独立分量图像;S3:对建筑物材质独立分量图像进行形态学变换,得到各类建筑物材质特征图像;S4:对预处理后的高分辨率影像进行多尺度分割,得到建筑物边界图像;S5:将建筑物材质特征图像与建筑物边界图像进行决策融合,得到建筑物材质分类结果,本发明融合高光谱影像和高分辨率影像来实现建筑物的材质分类,提高了分类结果的精确度避免了几何形状缺失和边界不完整等问题。
Description
技术领域
本发明属于遥感图像处理技术领域,更具体的说是涉及一种融合多源卫星遥感数据的城市建筑物材质分类方法。
背景技术
城市建筑物是城市的重要组成部分,也是人类居住、日常活动的稳定空间。快速、准确地获取城市建筑物材质信息,在城市调查、城市规划、城市管理、灾害评估和自然灾害赔偿中发挥着重大作用。随着社会经济的不断发展和人类活动的日益增强,城市建筑物材质信息越来越备受关注。传统的城市建筑物材质分类方式一般是人工实地调查,这种方式浪费大量的人力物力且效率低下。
随着近年来遥感平台、传感器、通信及数据处理等技术的迅猛发展,遥感作为采集地球数据及其变化信息的重要技术手段,已能够实现全天时、全天候、全方位的提供多类型、多分辨率、多时相、多角度的遥感对地观测。与此同时,随着20世纪80年代高光谱对地观测技术的出现,该技术革命性地将地物光谱和其空间、几何信息结合起来,使传统的遥感技术发展进入了一个全新的高光谱遥感阶段。由于高光谱遥感影像的光谱分辨率高、图谱合一和光谱联连续的等特点使它为影像分析和信息提取开阔了新途径。此外,甚高分辨率影像的出现,能够提供丰富的几何结构、空间特征以及形状纹理等地物细节信息,实现了对地表目标的精细表述。高光谱遥感技术可记录地物详细的光谱信息,精确反映地物的实际物质组成,其具有的“光谱连续”、“图谱合一”的特点,使得不同材质的建筑物呈现不同的光谱反射特性,而高分辨率影像为城市精细地物描述提供了精细的空间信息。
目前阶段,国内外利用高光谱遥感影像对城市建筑物材质分类一般先基于光谱库和地面实测光谱构建建筑物材质光谱库,然后利用光谱匹配的方式进行分类。但是,由于城市建筑物个体差异、同物异谱和异物同谱现象的普遍存在,建筑物表面某一点的光谱并不具备代表性。此外,高光谱遥感影像一般空间分辨率较低,仅仅基于高光谱影像对建筑物进行材质分类,分类结果存在建筑物空间几何形状缺失、边界不完整等问题。
因此,如何提供一种融合多源卫星遥感数据的城市建筑物材质分类方法是本领域亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种融合多源卫星遥感数据的城市建筑物材质分类方法,实现了通过融合高光谱影影像和高分辨率影像来实现建筑物的材质分类,提高了分类结果的精确度,避免了几何形状缺失和边界不完整等问题。
为了实现上述目的,本发明采用如下技术方案:
一种融合多源卫星遥感数据的城市建筑物材质分类方法,步骤包括,
S1:对高光谱影像和高分辨率影像进行预处理;
S2:对预处理后的高光谱影像进行独立成分分析得到独立分量,将独立分量与建筑物材质进行匹配分析得到建筑物独立分量图像;
S3:对建筑物材质独立分量图像进行形态学变换,得到各类建筑物材质特征图像;
S4:对预处理后的高分辨率影像进行多尺度分割,得到建筑物边界图像;
S5:将各类建筑物材质特征图像与建筑物边界图像进行决策融合,得到建筑物材质分类结果。
优选的,所述步骤S1中预处理包括几何校正、辐射定标和大气校正,所述高光谱影像与所述高分辨率影像进行几何校正的参考数据相同。
优选的,所述步骤S2中匹配分析包括,提取独立分量中最亮或最暗特征并获取该特征表示的建筑物材质,将建筑物材质与独立分量进行材质匹配,确定建筑物材质独立分量图像。
优选的,所述步骤S3形态学变换包括,所述建筑物材质独立分量图像为灰度图像,根据不同材质建筑物在各建筑物材质独立分量图像上表现的独特亮度特性,分别选取形态学白顶帽变换或黑顶帽变换进行处理,提取各类建筑物材质特征图像,所述各类建筑物材质特征图像为二值图像。
优选的,所述步骤S5中决策融合包括,对各类建筑物材质特征图像进行汇总,得到材质分类结果;以各个建筑物边界图像为空间参考,采用最大投票法得出建筑物的材质类别。
优选的,所述最大投票法包括,以建筑物边界图像为候选数据集,以材质分类结果为类别标签,对候选数据集进行遍历,提取建筑物边界图像中各种材质并投票给对应类别标签,选取票数最多的类别标签作为该建筑物的材质类别。
优选的,所述步骤S2中采用独立成分分析算法对高光谱影像进行独立成分分析,得到独立分量。
优选的,所述独立分量中,最亮特征表示的为红砖材质,则将独立分量与红砖材质进行匹配,得到红砖材质对应的建筑物材质独立分量图像;最亮特征表示的为蓝色石棉瓦材质,则将独立分量与蓝色石棉瓦材质进行匹配,得到蓝色石棉瓦对应的建筑物材质独立分量图像;最暗特征表示的是水泥材质,则将独立分量与水泥材质进行匹配,得到水泥材质对应的建筑物材质独立分量图像。
优选的,所述步骤S4中采用多尺度分割算法对预处理后的高分辨率影像进行分割,得到建筑物边界图像。
本发明的有益效果:.
本发明充分挖掘独立成分分析法的光谱解混特性,从光谱解混角度对不同材质的城市建筑物进行特征分离,该过程无需地面实测光谱且精度较高,进一步提升了基于高光谱数据的城市建筑物分类的应用潜力;本发明充分利用高分辨率遥感数据的高空间分辨率优势,利用多尺度分割后的高分辨率影像对基于高光谱数据的城市建筑物材质分类结果进行边界优化,进一步提高了城市建筑物的边界准确度。
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,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明图建筑物材质分类方法原理图。
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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1,一种融合多源卫星遥感数据的城市建筑物材质分类方法,步骤包括,
S1:对高光谱影像和高分辨率影像进行预处理;
S2:对预处理后的高光谱影像进行独立成分分析,与建筑物材质进行匹配分析得到建筑物材质独立分量图像;
S3:对建筑物材质独立分量图像进行形态学变换,得到各类建筑物材质特征图像;
S4:对预处理后的高分辨率影像进行多尺度分割,得到建筑物边界图像;
S5:将建筑物材质特征图像与建筑物边界图像进行决策融合,得到建筑物材质分类结果。
其中,独立成分分析可以采用独立成分算法对高光谱影像做处理,也可以通过图像处理软件中的独立成分分析模块对高光谱进行独立成分分析。各类材质建筑物所对应的分量、光谱表现特征并不是固定的,当更换研究区、更换影像时,均应重新分析各类材质所对应的独立分量。
在另一实施例中,步骤S1中预处理包括几何校正、辐射定标和大气校正,高光谱影像与高分辨率影像进行几何校正的参考数据相同。
在另一实施例中,建筑物材质独立分量图像为灰度图像,对于各类材质建筑物,其在各个独立成分上会表现出其独特亮度特征,一般呈现为最亮或最暗光谱,根据不同材质建筑物在各建筑物材质独立分量图像上表现的独特亮度特性,分别选取形态学白顶帽变换或黑顶帽变换进行处理,提取各类建筑物材质特征图像,建筑物材质特征图像为二值图像。
其中,顶帽变换为组合形态运算,采用白顶帽变换提取表现为最亮特征的建筑物材质,采用黑顶帽变换提取表现为最暗特征的建筑物材质。白顶帽变换为从原图像中减去经形态学开运算后的图像,形态学开运算放大了图像局部低亮度区域,从原图中减去形态学开运算后的图像,可得到比原图轮廓周围的区域更明亮的区域;黑顶帽变换为从形态学闭运算后得到的图像减去原图像,闭运算放大了局部高亮度区域,图像经黑顶帽变换,突出了比原轮廓周围的区域更暗的区域。
在另一实施例中,步骤S5中决策融合包括,对各类建筑物材质特征图像进行汇总,得到材质分类结果;以各个建筑物边界图像为空间参考,采用最大投票法得出建筑物的材质类别,遍历所有建筑物边界图像得到建筑物材质分类结果。
在另一实施例中,最大投票法为,以建筑物边界图像为候选数据集,以材质分类结果为类别标签,对候选数据集进行遍历,提取建筑物边界图像中各种材质并投票给对应类别标签,选取票数最多的类别标签作为该建筑物的材质类别。
在另一实施例中,独立成分分析算法具有光谱解混特性,步骤S2中通过图像处理软件独立成分分析算法对高光谱影像进行独立成分分析,得到建筑物材质独立分量图像。
在另一实施例中,步骤S2中匹配分析包括,提取独立分量中最亮或最暗特征并获取该特征表示的建筑物材质,将建筑物材质与独立分量进行材质匹配,确定建筑物材质独立分量图像。
在另一实施例中,独立分量中,以亮度特征对应区域与实际影像对比分析,确定该亮度特征区域对应的建筑物材质,。最亮特征表示的为红砖材质,则将独立分量与红砖材质进行匹配,得到红砖材质对应的建筑物材质独立分量图像;最亮特征表示的为蓝色石棉瓦材质,则将独立分量与蓝色石棉瓦材质进行匹配,得到蓝色石棉瓦对应的建筑物材质独立分量图像;最暗特征表示的是水泥材质,则将独立分量与水泥材质进行匹配,得到水泥材质对应的建筑物材质独立分量图像,以此得到不同独立分量对应的不同建筑物材质独立分量图像。
在另一实施例中,步骤S4中采用多尺度分割算法对预处理后的高分辨率影像进行分割,在执行分割过程中,需要设置尺度参数和异质性参数,高分辨率影像按照形状和颜色的几个可调整的均质性或异质性标准生成影像对象,通过调整尺度参数来调整影像对象的大小,所有影像对象的边界组合即是建筑物边界图像。
本发明充分挖掘独立成分分析法的光谱解混特性,从光谱解混角度对不同材质的城市建筑物进行特征分离,该过程无需地面实测光谱且精度较高,进一步提升了基于高光谱数据的城市建筑物分类的应用潜力;本发明充分利用高分辨率遥感数据的高空间分辨率优势,利用多尺度分割后的高分辨率影像对基于高光谱数据的城市建筑物材质分类结果进行边界优化,进一步提高了城市建筑物的边界准确度。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种融合多源卫星遥感数据的城市建筑物材质分类方法,其特征在于,步骤包括,
S1:对高光谱影像和高分辨率影像进行预处理;
S2:对预处理后的高光谱影像进行独立成分分析得到独立分量,将独立分量与建筑物材质进行匹配分析得到建筑物材质独立分量图像;
S3:对建筑物材质独立分量图像进行形态学变换,得到各类建筑物材质特征图像;
S4:对预处理后的高分辨率影像进行多尺度分割,得到建筑物边界图像;
S5:将建筑物材质特征图像与建筑物边界图像进行决策融合,得到建筑物材质分类结果。
2.根据权利要求1中所述的一种融合多源卫星遥感数据的城市建筑物材质分类方法,其特征在于,所述步骤S1中预处理包括几何校正、辐射定标和大气校正,所述高光谱影像与所述高分辨率影像进行几何校正的参考数据相同。
3.根据权利要求1中所述的一种融合多源卫星遥感数据的城市建筑物材质分类方法,其特征在于,所述步骤S2中匹配分析包括,提取独立分量中最亮或最暗特征并获取该特征表示的建筑物材质,将建筑物材质与独立分量进行材质匹配,确定建筑物材质独立分量图像。
4.根据权利要求1中所述的一种融合多源卫星遥感数据的城市建筑物材质分类方法,其特征在于,所述步骤S3形态学变换包括,建筑物材质独立分量图像为灰度图像,根据不同材质建筑物在各建筑物材质独立分量图像上表现的独特亮度特性,分别选取形态学白顶帽变换或黑顶帽变换进行处理,提取各类建筑物材质特征图像,所述建筑物材质特征图像为二值图像。
5.根据权利要求1中所述的一种融合多源卫星遥感数据的城市建筑物材质分类方法,其特征在于,所述步骤S5中决策融合包括,对各类材质建筑物特征图像进行汇总,得到材质分类结果;以各个建筑物边界图像为空间参考,采用最大投票法得出建筑物的材质类别。
6.根据权利要求5中所述的一种融合多源卫星遥感数据的城市建筑物材质分类方法,其特征在于,所述最大投票法包括,以建筑物边界图像为候选数据集,以材质分类结果为类别标签,对候选数据集进行遍历,提取建筑物边界图像中各种材质并投票给对应类别标签,选取票数最多的类别标签作为该建筑物的材质类别。
7.根据权利要求1中所述的一种融合多源卫星遥感数据的城市建筑物材质分类方法,其特征在于,所述步骤S2中采用独立成分分析算法对高光谱影像进行独立成分分析。
8.根据权利要求1中所述的种融合多源卫星遥感数据的城市建筑物材质分类方法,其特征在于,所述独立分量中,最亮特征表示的为红砖材质,则将独立分量与红砖材质进行匹配,得到红砖材质对应的建筑物材质独立分量图像;最亮特征表示的为蓝色石棉瓦材质,则将独立分量与蓝色石棉瓦材质进行匹配,得到蓝色石棉瓦对应的建筑物材质独立分量图像;最暗特征表示的是水泥材质,则将独立分量与水泥材质进行匹配,得到水泥材质对应的建筑物材质独立分量图像。
9.根据权利要求1中所述的一种融合多源卫星遥感数据的城市建筑物材质分类方法,其特征在于,所述步骤S4中采用多尺度分割算法对预处理后的高分辨率影像进行分割,得到建筑物边界图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110164540.3A CN112906528B (zh) | 2021-02-05 | 2021-02-05 | 一种融合多源卫星遥感数据的城市建筑物材质分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110164540.3A CN112906528B (zh) | 2021-02-05 | 2021-02-05 | 一种融合多源卫星遥感数据的城市建筑物材质分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112906528A true CN112906528A (zh) | 2021-06-04 |
CN112906528B CN112906528B (zh) | 2021-10-26 |
Family
ID=76123301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110164540.3A Active CN112906528B (zh) | 2021-02-05 | 2021-02-05 | 一种融合多源卫星遥感数据的城市建筑物材质分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906528B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780076A (zh) * | 2021-08-05 | 2021-12-10 | 北京市测绘设计研究院 | 建筑垃圾的图像识别方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596103A (zh) * | 2018-04-26 | 2018-09-28 | 吉林大学 | 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法 |
CN111898423A (zh) * | 2020-06-19 | 2020-11-06 | 北京理工大学 | 一种基于形态学的多源遥感图像地物精细分类方法 |
CN112017160A (zh) * | 2020-08-05 | 2020-12-01 | 中国公路工程咨询集团有限公司 | 一种基于多策略组合的多源遥感影像道路材质精细提取方法 |
CN112150396A (zh) * | 2020-10-15 | 2020-12-29 | 武汉轻工大学 | 高光谱图像降维方法、装置、终端设备及存储介质 |
-
2021
- 2021-02-05 CN CN202110164540.3A patent/CN112906528B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596103A (zh) * | 2018-04-26 | 2018-09-28 | 吉林大学 | 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法 |
CN111898423A (zh) * | 2020-06-19 | 2020-11-06 | 北京理工大学 | 一种基于形态学的多源遥感图像地物精细分类方法 |
CN112017160A (zh) * | 2020-08-05 | 2020-12-01 | 中国公路工程咨询集团有限公司 | 一种基于多策略组合的多源遥感影像道路材质精细提取方法 |
CN112150396A (zh) * | 2020-10-15 | 2020-12-29 | 武汉轻工大学 | 高光谱图像降维方法、装置、终端设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
CHENG-MING YE: ""Experimental approach for identifying building surface materials based on hyperspectral remote sensing imagery"", 《JOURNAL OF ZHEJIANG UNIVERSITY-SCIENCE A》 * |
张兵: ""高光谱图像处理与信息提取前沿"", 《遥感学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780076A (zh) * | 2021-08-05 | 2021-12-10 | 北京市测绘设计研究院 | 建筑垃圾的图像识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112906528B (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Wheat ear counting using K-means clustering segmentation and convolutional neural network | |
CN109598273B (zh) | 一种融合地表温度和建筑指数的城市实体边界识别方法 | |
CN111582194A (zh) | 基于多特征lstm网络的多时相高分辨率遥感影像的建筑物提取方法 | |
Mostafa et al. | Shadow identification in high resolution satellite images in the presence of water regions | |
CN114331031B (zh) | 一种建筑传统特征识别评价方法和系统 | |
Li et al. | GIS-based detection of grain boundaries | |
Zhan et al. | Quantitative analysis of shadow effects in high-resolution images of urban areas | |
Mahmoudabadi et al. | Efficient terrestrial laser scan segmentation exploiting data structure | |
CN112819066A (zh) | 一种Res-UNet单木树种分类技术 | |
CN114627104A (zh) | 一种机场净空保护区建筑变化的遥感影像检测方法 | |
CN112906528B (zh) | 一种融合多源卫星遥感数据的城市建筑物材质分类方法 | |
CN110956207B (zh) | 一种光学遥感影像全要素变化检测方法 | |
CN108932474A (zh) | 一种基于全卷积神经网络复合特征的遥感影像云判方法 | |
Lefebvre et al. | Monitoring the morphological transformation of Beijing old city using remote sensing texture analysis | |
CN110986889A (zh) | 一种基于遥感图像技术的高压变电站全景态监测方法 | |
CN110929739B (zh) | 一种自动化的不透水面范围遥感迭代提取方法 | |
CN115760885B (zh) | 基于消费级无人机影像的高郁闭度湿地森林参数提取方法 | |
CN107103295A (zh) | 光学遥感影像云检测方法 | |
CN116246272A (zh) | 针对国产卫星多光谱图像质量标记的云雪区分方法 | |
CN115203624A (zh) | 一种基于时序遥感的任意时刻地表环境综合评估方法 | |
CN112036246B (zh) | 遥感影像分类模型的构建方法,遥感影像分类方法及系统 | |
CN113469127A (zh) | 河流敏感性等级划分方法、装置、设备及存储介质 | |
CN114049620A (zh) | 图像数据特征提取及缺陷识别方法、装置和系统 | |
CN113160340A (zh) | 城市色彩定量分析与评价方法、系统及存储介质 | |
CN113516059A (zh) | 固体废弃物的识别方法、装置、电子设备及存储介质 |
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 |