CN113744144A - 遥感影像建筑物边界优化方法、系统、设备及存储介质 - Google Patents
遥感影像建筑物边界优化方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113744144A CN113744144A CN202110960693.9A CN202110960693A CN113744144A CN 113744144 A CN113744144 A CN 113744144A CN 202110960693 A CN202110960693 A CN 202110960693A CN 113744144 A CN113744144 A CN 113744144A
- Authority
- CN
- China
- Prior art keywords
- building
- contour
- outline
- optimized
- initial
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000005457 optimization Methods 0.000 title claims description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 230000001788 irregular Effects 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种遥感影像建筑物边界优化方法、系统、设备及存储介质,其方法包括获取遥感影像的建筑物初始轮廓,并对所述建筑物初始轮廓的拐角像素进行预处理;对预处理后的建筑物初始轮廓的所有轮廓点进行感知探索,并校正所述建筑物初始轮廓的轮廓点,以得到待优化建筑物轮廓;确定待优化建筑物轮廓多级最小外接矩形,并优化所述待优化建筑物轮廓不规则边界线段,以得到目标建筑物轮廓。本申请能够使得到的目标建筑物轮廓更加精准,有效提高目标建筑物轮廓的质量。
Description
技术领域
本申请涉及遥感影像技术领域,尤其是涉及一种遥感影像建筑物边界优化方法、系统、设备及存储介质。
背景技术
随着城市建筑的发展,从高分辨率遥感影像中准确完整地提取建筑物的轮廓信息对于城市规划、灾害损毁分析和基础地理信息数据库的更新具有重大意义。当大规模使用时,手动提取建筑物将消耗大量的人力物力。自动从高分辨率遥感影像中提取建筑物,高分辨率遥感影像中包含有丰富的地物信息,传统方法提取建筑物主要是利用高分辨率遥感影像的底层特征(即光谱、纹理和空间信息等)提取建筑物。
传统的方法有直线检测技术的方法、曲线传播类技术的方法、分割类技术的方法。其中,基于直线检测技术的方法主要是通过提取影像中的边缘信息,进而通过边缘或者直线段组合形成封闭轮廓,进而利用建筑物形状等先验信息实现完整封闭建筑物轮廓的提取,这类方法主要的缺点在于很难实现全局和局部多尺度信息的联合应用。基于曲线传播的方法主要是利用主动轮廓提取技术和水平集等进行建筑物轮廓的检测,这类方法虽然能够给出封闭轮廓,但是对边缘信息较敏感,并且不能保证可以找到全局最优边界,同时该方法不能充分利用全局信息,导致其在应用中具有一定的局限性。基于分割的方法可以充分利用全局和局部建筑物的先验信息,通常是对影像分割后再利用几何和上下文信息对建筑物进行进一步的处理,从而得到完整的建筑物轮廓,但这类方法存在的缺点是其性能对初始分割的依赖较为严重,并且对于复杂和密集城区建筑物的目标提取存在一定的困难。因此,发明人认为现有的建筑提取方法还需要进一步改进。
发明内容
有鉴于此,本申请提供一种遥感影像建筑物边界优化方法、系统、设备及存储介质,用以解决现有遥感影像建筑物提取质量不高的技术问题。
为了解决上述问题,第一方面,本申请提供一种遥感影像建筑物边界优化方法,所述方法包括:
获取遥感影像的建筑物初始轮廓,并对所述建筑物初始轮廓的拐角像素进行预处理;
对预处理后的建筑物初始轮廓的所有轮廓点进行感知探索,并校正所述建筑物初始轮廓的轮廓点,以得到待优化建筑物轮廓;
确定待优化建筑物轮廓多级最小外接矩形,并优化所述待优化建筑物轮廓不规则边界线段,以得到目标建筑物轮廓。
可选的,所述获取遥感影像的建筑物初始轮廓,并对所述建筑物初始轮廓的拐角像素进行预处理,包括:
对所述遥感影像进行非监督分类后,提取得到建筑物初始轮廓;
将建筑物初始轮廓的拐角像素中的折线像素和缺失像素处理为直线或直角。
可选的,所述对预处理后的建筑物初始轮廓的所有轮廓点进行感知探索,并校正所述建筑物初始轮廓的轮廓点,以得到待优化建筑物轮廓,包括:
对预处理后的建筑物初始轮廓中进行方向探索和代价评估,以校正建筑物初始轮廓中凸起边界和凹陷边界的轮廓点。
可选的,所述对预处理后的建筑物初始轮廓的所有轮廓点进行感知探索,并校正所述建筑物初始轮廓的轮廓点,以得到待优化建筑物轮廓,包括:
确定遍历过程中相邻的一已处理轮廓点和当前被处理轮廓点所形成的矢量方向,并在所述矢量方向上进行延伸探索,且探索距离小于预设的第一距离阈值,以确定探索点;
若所述探索点位于在建筑物初始轮廓上,则遍历从所述当前被处理轮廓点到探索点之间的若干待处理轮廓点;
若遍历的代价距离小于预设的第二距离阈值,则舍弃所述当前轮廓点到所述探索点之间的待处理轮廓点;其中第二距离阈值大于第一距离阈值;
利用直线内插算法将遍历后建筑物初始轮廓中不相邻的轮廓点进行处理为相邻的轮廓点。
可选的,所述确定待优化建筑物轮廓多级最小外接矩形,并优化所述待优化建筑物轮廓不规则边界线段,以得到目标建筑物轮廓,包括:
确定待优化建筑物轮廓的第一级最小外接矩形;
根据第一级最小外接矩形和预设的第三距离阈值,确定待优化建筑物轮廓的完全非重叠线段和近似重叠线段;
根据完全非重叠线段和第一级最小外接矩形,确定第二级最小外接矩形,并更新第三距离阈值;
通过第二级最小外接矩形和更新后的第三距离阈值,迭代确定待优化建筑物轮廓的完全非重叠线段和近似重叠线段;
将对应于第k级最小外接矩形的近似重叠线段投影到第k级最小外接矩形最近边上,其中k=1,2,3,...,K,K表示总级数;将投影后的待优化建筑物轮廓作为目标建筑物轮廓。
可选的,所述确定待优化建筑物轮廓多级最小外接矩形,并优化所述待优化建筑物轮廓不规则边界线段,以得到目标建筑物轮廓,包括:
基于最小外接矩形算法,获取待优化建筑物轮廓的第一级最小外接矩形;
确定待优化建筑物轮廓中与所述第一级最小外接矩形不重叠的所有边界线段,判断所述不重叠的边界线段到第一级最小外接矩形最近边的距离是否大于预设第三距离阈值,若是,则将对应不重叠的边界线划分为完全非重叠线段,若否,则将对应不重叠的边界线划分为近似重叠线段;
判断所述完全非重叠线段的长度是否大于预设长度阈值,若是,则将对应完全非重叠线段的起止点投影到第一级最小外接矩形最近边上,并对投影所形成的线段进行直线内插处理,并更新计算第三距离阈值;
对投影和直线内插处理后的线段以及对应的完全非重叠线段,应用最小外接矩形算法处理,得到第二级最小外接矩形;
根据第二级最小外接矩形和更新后的第三距离阈值,迭代判断并确定对应待优化建筑物轮廓的完全非重叠线段和近似重叠线段;
将所有所述近似重叠线段投影到对应的第k级最小外接矩形最近边上,直到所述待优化建筑物轮廓的边界全部落在各级最小外接矩形上,则停止迭代。
可选的,所述第二距离阈值是第一距离阈值的两倍,且第一距离阈值的确定方式如下:
假设建筑物初始轮廓的轮廓点集为A={a(xi,yi)|i=1,2,···,n},对应建筑物初始轮廓的第一级最小外接矩形的轮廓点集B={b(xj,yj)|j=1,2,···,m},其中最小外接矩形的四个角点的点集为C={c(xp,yp)|p=1,2,3,4},则计算出建筑物初始轮廓的形心Center(Cx,Cy)坐标为:
将第一距离阈值用Tpl表示,定义如下:
ω=SA/SB
其中,λ表示手动系数,||·||表示点集间的距离范式,SA表示建筑物初始轮廓点集A包围的面积,SB表示建筑物初始轮廓的第一级最小外接矩形的面积;
第三距离阈值的初始值Tpl,更新计算公式如下:
长度阈值用Tlen表示,定义如下:
第二方面,本申请提供一种遥感影像建筑物边界优化系统,所述系统包括:
预处理模块,用于获取遥感影像的建筑物初始轮廓,并对所述建筑物初始轮廓的拐角像素进行预处理;
校正模块,用于对预处理后的建筑物初始轮廓的所有轮廓点进行感知探索,并校正所述建筑物初始轮廓的轮廓点,以得到待优化建筑物轮廓;
优化模块,用于确定待优化建筑物轮廓多级最小外接矩形,并优化所述待优化建筑物轮廓不规则边界线段,以得到目标建筑物轮廓。
第三方面,本申请提供的一种计算机设备,采用如下的技术方案:
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述遥感影像建筑物边界优化方法的步骤。
第四方面,本申请提供的一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述遥感影像建筑物边界优化方法的步骤。
采用上述实施例的有益效果是:通过对建筑物初始轮廓的拐角像素进行预处理,初步完善建筑物初始轮廓,通过对预处理后的建筑物初始轮廓的所有轮廓点进行遍历,完成建筑物初始轮廓的轮廓点的校正,便于得到待优化建筑物轮廓;通过最小外接矩形算法对优化待优化建筑物轮廓,将其不规则边界线段处理为规则边界线段,使得到的目标建筑物轮廓更加精准,有效提高目标建筑物轮廓的质量。
附图说明
图1为本申请提供的遥感影像建筑物边界优化系统的应用场景示意图;
图2为本申请提供的遥感影像建筑物边界优化方法一实施例的方法流程图;
图3为本申请提供的遥感影像建筑物边界优化方法步骤S201一实施例的方法流程图;
图4为本申请提供的遥感影像建筑物边界优化方法步骤S202一实施例的方法流程图;
图5为本申请提供的遥感影像建筑物边界优化方法步骤S203一实施例的方法流程图;
图6(a)为本申请提供的第一级最小外接矩形对应的完全非重叠线段和近似重叠线段的示意图;
图6(b)为本申请提供的第二级最小外接矩形的示意图;
图6(c)为本申请提供的第二级最小外接矩形对应的完全非重叠线段和近似重叠线段的示意图;
图7为本申请提供的遥感影像建筑物边界优化系统一实施例的原理框图;
图8为本申请提供的计算机设备一实施例的原理框图。
具体实施方式
下面结合附图来具体描述本申请的优选实施例,其中,附图构成本申请一部分,并与本申请的实施例一起用于阐释本申请的原理,并非用于限定本申请的范围。
在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请提供了一种遥感影像建筑物边界优化方法、系统、设备及存储介质,以下分别进行详细说明。
图1为本申请实施例所提供的遥感影像建筑物边界优化系统的场景示意图,该系统可以包括服务器100,服务器100中集成有遥感影像建筑物边界优化系统,如图1中的服务器。
本申请实施例中服务器100主要用于:
获取遥感影像,对遥感影像进行初步轮廓提取,以得到建筑物初始轮廓;
对建筑物初始轮廓的拐角像素进行预处理,并对预处理后的建筑物初始轮廓的所有轮廓点进行遍历,并校正建筑物初始轮廓的轮廓点后,得到待优化建筑物轮廓;
确定待优化建筑物轮廓多级最小外接矩形,并优化待优化建筑物轮廓不规则边界线段,以得到目标建筑物轮廓。
本申请实施例中,该服务器100可以是独立的服务器,也可以是服务器组成的服务器网络或服务器集群,例如,本申请实施例中所描述的服务器100,其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中,云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。
可以理解的是,本申请实施例中所使用的终端200可以是既包括接收和发射硬件的设备,即具有能够在双向通信链路上,执行双向通信的接收和发射硬件的设备。这种设备可以包括:蜂窝或其他通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的终端200可以是台式机、便携式电脑、网络服务器、掌上电脑(Personal Digital Assistant,PDA)、移动手机、平板电脑、无线终端设备、通信设备、嵌入式设备等,本实施例不限定终端200的类型。
本领域技术人员可以理解,图1中示出的应用环境,仅仅是与本申请方案一种应用场景,并不构成对本申请方案应用场景的限定,其他的应用环境还可以包括比图1中所示更多或更少的终端,例如图1中仅示出2个终端,可以理解的,该遥感影像建筑物边界优化系统还可以包括一个或多个其他终端,具体此处不作限定。
另外,参照图1所示,该遥感影像建筑物边界优化系统还可以包括存储器200,用于存储数据,如遥感影像、建筑物初始轮廓、目标建筑物轮廓等。
需要说明的是,图1所示的遥感影像建筑物边界优化系统的场景示意图仅仅是一个示例,本申请实施例描述的遥感影像建筑物边界优化系统以及场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着遥感影像建筑物边界优化系统的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
参照图2为本申请提供的遥感影像建筑物边界优化方法一种实施例的方法流程图,该遥感影像建筑物边界优化方法,包括下述步骤:
S201、获取遥感影像的建筑物初始轮廓,并对建筑物初始轮廓的拐角像素进行预处理;
S202、对预处理后的建筑物初始轮廓的所有轮廓点进行感知探索,并校正建筑物初始轮廓的轮廓点,以得到待优化建筑物轮廓;
S203、确定待优化建筑物轮廓多级最小外接矩形,并优化待优化建筑物轮廓不规则边界线段,以得到目标建筑物轮廓。
本实施例通过对建筑物初始轮廓的拐角像素进行预处理,初步完善建筑物初始轮廓,通过对预处理后的建筑物初始轮廓的所有轮廓点进行遍历,完成建筑物初始轮廓的轮廓点的校正,便于得到待优化建筑物轮廓;通过最小外接矩形算法对优化待优化建筑物轮廓,将其不规则边界线段处理为规则边界线段,使得到的目标建筑物轮廓更加精准,从而有效提高目标建筑物轮廓的质量。
需要说明的是,遥感影像是指记录目标区域的各种地物电磁波大小的胶片或照片,可以是当前拍摄的航空像片或卫星相片,也可以是互联网上下载的地物影像,在本实施例中,可以采用拍摄的整张或局部航空像片/卫星相片,以显示目标区域的俯视影像均可;建筑物初始轮廓是指拍摄的遥感影像中呈现的建筑物粗略轮廓;此外,建筑物初始轮廓/待优化建筑物轮廓的轮廓点的单位为一个像素,即一个轮廓点为一个像素。
参照图3,在一实施例中,步骤S201即获取遥感影像的建筑物初始轮廓,并对建筑物初始轮廓的拐角像素进行预处理,包括:
S301、对遥感影像进行非监督分类后,提取得到建筑物初始轮廓;
S302、将建筑物初始轮廓的拐角像素中的折线像素和缺失像素处理为直线或直角。
具体地,利用遥感影像中地物的光谱特征的分布规律即自然规律,将遥感影像进行非监督分类,得到建筑物初始轮廓,无需任何先验知识,就能够快速提取到建筑物初始轮廓,便于后续精确处理。
进一步地,一般初步提取的建筑物初始轮廓会存在折线像素和缺失像素等情况,利用现有方法将对建筑物初始轮廓进行处理,将折线处理直角,并补充缺失像素,从而进一步完善建筑物初始轮廓。
在一实施例中,步骤S202即对预处理后的建筑物初始轮廓的所有轮廓点进行感知探索,并校正建筑物初始轮廓的轮廓点,以得到待优化建筑物轮廓,包括:
对预处理后的建筑物初始轮廓中进行方向探索和代价评估,以校正建筑物初始轮廓中凸起边界和凹陷边界的轮廓点。
在本实施例中,将预处理后的建筑物初始轮廓开始遍历执行预设的感知探索算法,需要说明的是,该感知探索算法包括方向预测算法和代价评估算法,其中,方向预测算法是根据相邻两轮廓点的矢量方向进行一定距离的探索,在探索中预测下一个轮廓点的真实位置,代价评估算法则是辅助方向预测算法对建筑物轮廓点真实位置的判断,尤其是针对建筑物初始轮廓中凸起边界和凹陷边界的轮廓点,寻找建筑物轮廓点真实位置,从而校正建筑物初始轮廓中的轮廓点。
参照图4,在一实施例中,步骤S202即对预处理后的建筑物初始轮廓的所有轮廓点进行感知探索,并校正建筑物初始轮廓的轮廓点,以得到待优化建筑物轮廓,包括:
S401、确定遍历过程中相邻的一已处理轮廓点和当前被处理轮廓点所形成的矢量方向,并在矢量方向上进行延伸探索,且探索距离小于预设的第一距离阈值,以确定探索点;
S402、若探索点位于在建筑物初始轮廓上,则遍历从当前被处理轮廓点到探索点之间的若干待处理轮廓点;
S403、若遍历的代价距离小于预设的第二距离阈值,则舍弃当前轮廓点到探索点之间的待处理轮廓点;其中第二距离阈值大于第一距离阈值;
S404、利用直线内插算法将遍历后建筑物初始轮廓中不相邻的轮廓点进行处理为相邻的轮廓点。
需要说明的是,矢量方向由相邻已处理轮廓点指向当前被处理轮廓点,或矢量方向由当前被处理轮廓点指向相邻下一个待处理轮廓点;第一距离阈值、第二距离阈值的单位为像素。
可选的,步骤S401之后,若探索点不在建筑物初始轮廓上,则对当前被处理轮廓点和下一个相邻轮廓点进行方向探索以及代价评估。
示例性地,若当前被处理轮廓点位于凸起边界起点,且经过步骤S501探索之后,若探索点不在建筑物初始轮廓上,则当前被处理轮廓点和向上的相邻轮廓点开始下一轮进行方向探索以及代价评估。
可选的,第二距离阈值是第一距离阈值的两倍,且第一距离阈值的确定方式如下:
假设建筑物初始轮廓的轮廓点集为A={a(xi,yi)|i=1,2,···,n},对应建筑物初始轮廓的第一级最小外接矩形的轮廓点集B={b(xj,yj)|j=1,2,···,m},其中最小外接矩形的四个角点的点集为C={c(xp,yp)|p=1,2,3,4},则计算出建筑物初始轮廓的形心Center(Cx,Cy)坐标为:
将第一距离阈值用Tpl表示,定义如下:
ω=SA/SB
其中,λ表示手动系数,||·||表示点集间的距离范式,SA表示建筑物初始轮廓点集A包围的面积,SB表示建筑物初始轮廓的第一级最小外接矩形的面积。
参照图5所示,在一实施例中,步骤203即确定待优化建筑物轮廓多级最小外接矩形,并优化待优化建筑物轮廓不规则边界线段,以得到目标建筑物轮廓,包括:
S501、确定待优化建筑物轮廓的第一级最小外接矩形;
具体地,基于最小外接矩形算法,获取待优化建筑物轮廓的第一级最小外接矩形;需要说明的是,第一级最小外接矩形是指待优化建筑物轮廓最外圈的最小外接矩形。
S502、根据第一级最小外接矩形和预设的第三距离阈值,确定待优化建筑物轮廓的完全非重叠线段和近似重叠线段;
具体地,确定待优化建筑物轮廓中与第一级最小外接矩形不重叠的所有边界线段,判断不重叠的边界线段到第一级最小外接矩形最近边的距离是否大于预设第三距离阈值,若是,则将对应不重叠的边界线划分为完全非重叠线段,若否,则将对应不重叠的边界线划分为近似重叠线段;参照图6(a),可知将不重叠的边界线段中,距离第一级最小外接矩形较近的线段即为近似重叠线段,距离第一级最小外接矩形较远的线段即为完全非重叠线段。
可选的,第三距离阈值的初始值Tpl,更新计算公式如下:
其中,k表示最小外接矩形所在的级数,k=1,2,3,...,K,K表示总级数。
S503、根据完全非重叠线段和第一级最小外接矩形,确定第二级最小外接矩形,并更新第三距离阈值;
具体地,判断完全非重叠线段的长度是否大于预设长度阈值,若是,则将对应完全非重叠线段的起止点投影到第一级最小外接矩形最近边上,并对投影所形成的线段进行直线内插处理,并更新计算第三距离阈值。
进一步地,对投影和直线内插处理后的线段以及对应的完全非重叠线段,应用最小外接矩形算法处理,得到第二级最小外接矩形,参照图6(b)所示。
可选的,长度阈值用Tlen表示,定义如下:
S504、通过第二级最小外接矩形和更新后的第三距离阈值,迭代确定待优化建筑物轮廓的完全非重叠线段和近似重叠线段;
具体地,根据第二级最小外接矩形和更新后的第三距离阈值,迭代判断并确定对应待优化建筑物轮廓的完全非重叠线段和近似重叠线段。
S505、将对应于第k级最小外接矩形的近似重叠线段投影到第k级最小外接矩形最近边上,其中k=1,2,3,...,K,K表示总级数;将投影后的待优化建筑物轮廓作为目标建筑物轮廓。
具体地,将所有近似重叠线段投影到对应的第k级最小外接矩形最近边上,直到待优化建筑物轮廓的边界全部落在各级最小外接矩形上,则停止迭代。参照图6(c)所示,将第二级最小外接矩形对应的近似重叠线段投影投影到第二级最小外接矩形最近边上,其他等级的最小外接矩形对应的近似重叠线段按照同理进行投影。
需要说明的是,最小外接矩形的级数根据实际需求确定,本实施例确定为两级最小外接矩形,第一级最小外接矩形数量为一个,第二级最小外接矩形为三个,在其他实施例中,第二/三/等级最小外接矩形的数量根据实际情况确定。
区别于现有技术,本实施例通过对建筑物初始轮廓的拐角像素进行预处理,初步完善建筑物初始轮廓,通过对预处理后的建筑物初始轮廓的所有轮廓点进行遍历,完成建筑物初始轮廓的轮廓点的校正,便于得到待优化建筑物轮廓;通过最小外接矩形算法对优化待优化建筑物轮廓,将其不规则边界线段处理为规则边界线段,使得到的目标建筑物轮廓更加精准,从而有效提高目标建筑物轮廓的质量。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本实施例还提供一种遥感影像建筑物边界优化系统,该遥感影像建筑物边界优化系统与上述实施例中遥感影像建筑物边界优化方法一一对应。如图7所示,该遥感影像建筑物边界优化系统包括预处理模块701、校正模块702、优化模块703。各功能模块详细说明如下:
预处理模块701,用于获取遥感影像的建筑物初始轮廓,并对建筑物初始轮廓的拐角像素进行预处理;
校正模702,用于对预处理后的建筑物初始轮廓的所有轮廓点进行感知探索,并校正建筑物初始轮廓的轮廓点,以得到待优化建筑物轮廓;
优化模块703,用于确定待优化建筑物轮廓多级最小外接矩形,并优化待优化建筑物轮廓不规则边界线段,以得到目标建筑物轮廓。
关于遥感影像建筑物边界优化系统各个模块的具体限定可以参见上文中对于遥感影像建筑物边界优化方法的限定,在此不再赘述。上述遥感影像建筑物边界优化系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
参照图8,本实施例还提供了一种计算机设备,该计算机设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该计算机设备包括处理器10、存储器20及显示器30。图8仅示出了计算机设备的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
存储器20在一些实施例中可以是计算机设备的内部存储单元,例如计算机设备的硬盘或内存。存储器20在另一些实施例中也可以是计算机设备的外部存储设备,例如计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器20还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器20用于存储安装于计算机设备的应用软件及各类数据,例如安装计算机设备的程序代码等。存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中,存储器20上存储有计算机程序40。
处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行存储器20中存储的程序代码或处理数据,例如执行遥感影像建筑物边界优化方法等。
显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器30用于显示在计算机设备的信息以及用于显示可视化的用户界面。计算机设备的部件10-30通过系统总线相互通信。
在一实施例中,当处理器10执行存储器20中计算机程序40时实现以下步骤:
获取遥感影像的建筑物初始轮廓,并对建筑物初始轮廓的拐角像素进行预处理;
对预处理后的建筑物初始轮廓的所有轮廓点进行感知探索,并校正建筑物初始轮廓的轮廓点,以得到待优化建筑物轮廓;
确定待优化建筑物轮廓多级最小外接矩形,并优化待优化建筑物轮廓不规则边界线段,以得到目标建筑物轮廓。
本实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取遥感影像的建筑物初始轮廓,并对建筑物初始轮廓的拐角像素进行预处理;
对预处理后的建筑物初始轮廓的所有轮廓点进行感知探索,并校正建筑物初始轮廓的轮廓点,以得到待优化建筑物轮廓;
确定待优化建筑物轮廓多级最小外接矩形,并优化待优化建筑物轮廓不规则边界线段,以得到目标建筑物轮廓。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。
本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种遥感影像建筑物边界优化方法,其特征在于,所述方法包括:
获取遥感影像的建筑物初始轮廓,并对所述建筑物初始轮廓的拐角像素进行预处理;
对预处理后的建筑物初始轮廓的所有轮廓点进行感知探索,并校正所述建筑物初始轮廓的轮廓点,以得到待优化建筑物轮廓;
确定待优化建筑物轮廓多级最小外接矩形,并优化所述待优化建筑物轮廓不规则边界线段,以得到目标建筑物轮廓。
2.根据权利要求1所述的遥感影像建筑物边界优化方法,其特征在于,所述获取遥感影像的建筑物初始轮廓,并对所述建筑物初始轮廓的拐角像素进行预处理,包括:
对所述遥感影像进行非监督分类后,提取得到建筑物初始轮廓;
将建筑物初始轮廓的拐角像素中的折线像素和缺失像素处理为直线或直角。
3.根据权利要求1所述的遥感影像建筑物边界优化方法,其特征在于,所述对预处理后的建筑物初始轮廓的所有轮廓点进行感知探索,并校正所述建筑物初始轮廓的轮廓点,以得到待优化建筑物轮廓,包括:
对预处理后的建筑物初始轮廓中进行方向探索和代价评估,以校正建筑物初始轮廓中凸起边界和凹陷边界的轮廓点。
4.根据权利要求3所述的遥感影像建筑物边界优化方法,其特征在于,所述对预处理后的建筑物初始轮廓的所有轮廓点进行感知探索,并校正所述建筑物初始轮廓的轮廓点,以得到待优化建筑物轮廓,包括:
确定遍历过程中相邻的一已处理轮廓点和当前被处理轮廓点所形成的矢量方向,并在所述矢量方向上进行延伸探索,且探索距离小于预设的第一距离阈值,以确定探索点;
若所述探索点位于在建筑物初始轮廓上,则遍历从所述当前被处理轮廓点到探索点之间的若干待处理轮廓点;
若遍历的代价距离小于预设的第二距离阈值,则舍弃所述当前轮廓点到所述探索点之间的待处理轮廓点;其中第二距离阈值大于第一距离阈值;
利用直线内插算法将遍历后建筑物初始轮廓中不相邻的轮廓点进行处理为相邻的轮廓点。
5.根据权利要求4所述的遥感影像建筑物边界优化方法,其特征在于,所述确定待优化建筑物轮廓多级最小外接矩形,并优化所述待优化建筑物轮廓不规则边界线段,以得到目标建筑物轮廓,包括:
确定待优化建筑物轮廓的第一级最小外接矩形;
根据第一级最小外接矩形和预设的第三距离阈值,确定待优化建筑物轮廓的完全非重叠线段和近似重叠线段;
根据完全非重叠线段和第一级最小外接矩形,确定第二级最小外接矩形,并更新第三距离阈值;
通过第二级最小外接矩形和更新后的第三距离阈值,迭代确定待优化建筑物轮廓的完全非重叠线段和近似重叠线段;
将对应于第k级最小外接矩形的近似重叠线段投影到第k级最小外接矩形最近边上,其中k=1,2,3,...,K,K表示总级数;将投影后的待优化建筑物轮廓作为目标建筑物轮廓。
6.根据权利要求5所述的遥感影像建筑物边界优化方法,其特征在于,所述确定待优化建筑物轮廓多级最小外接矩形,并优化所述待优化建筑物轮廓不规则边界线段,以得到目标建筑物轮廓,包括:
基于最小外接矩形算法,获取待优化建筑物轮廓的第一级最小外接矩形;
确定待优化建筑物轮廓中与所述第一级最小外接矩形不重叠的所有边界线段,判断所述不重叠的边界线段到第一级最小外接矩形最近边的距离是否大于预设第三距离阈值,若是,则将对应不重叠的边界线划分为完全非重叠线段,若否,则将对应不重叠的边界线划分为近似重叠线段;
判断所述完全非重叠线段的长度是否大于预设长度阈值,若是,则将对应完全非重叠线段的起止点投影到第一级最小外接矩形最近边上,并对投影所形成的线段进行直线内插处理,并更新计算第三距离阈值;
对投影和直线内插处理后的线段以及对应的完全非重叠线段,应用最小外接矩形算法处理,得到第二级最小外接矩形;
根据第二级最小外接矩形和更新后的第三距离阈值,迭代判断并确定对应待优化建筑物轮廓的完全非重叠线段和近似重叠线段;
将所有所述近似重叠线段投影到对应的第k级最小外接矩形最近边上,直到所述待优化建筑物轮廓的边界全部落在各级最小外接矩形上,则停止迭代。
7.根据权利要求4到6任一项所述的遥感影像建筑物边界优化方法,其特征在于,所述第二距离阈值是第一距离阈值的两倍,且第一距离阈值的确定方式如下:
假设建筑物初始轮廓的轮廓点集为A={a(xi,yi)|i=1,2,···,n},对应建筑物初始轮廓的第一级最小外接矩形的轮廓点集B={b(xj,yj)|j=1,2,···,m},其中最小外接矩形的四个角点的点集为C={c(xp,yp)|p=1,2,3,4},则计算出建筑物初始轮廓的形心Center(Cx,Cy)坐标为:
将第一距离阈值用Tpl表示,定义如下:
ω=SA/SB
其中,λ表示手动系数,||·||表示点集间的距离范式,SA表示建筑物初始轮廓点集A包围的面积,SB表示建筑物初始轮廓的第一级最小外接矩形的面积;
第三距离阈值的初始值Tpl,更新计算公式如下:
长度阈值用Tlen表示,定义如下:
8.一种遥感影像建筑物边界优化系统,其特征在于,所述系统包括:
预处理模块,用于获取遥感影像的建筑物初始轮廓,并对所述建筑物初始轮廓的拐角像素进行预处理;
校正模块,用于对预处理后的建筑物初始轮廓的所有轮廓点进行感知探索,并校正所述建筑物初始轮廓的轮廓点,以得到待优化建筑物轮廓;
优化模块,用于确定待优化建筑物轮廓多级最小外接矩形,并优化所述待优化建筑物轮廓不规则边界线段,以得到目标建筑物轮廓。
9.一种计算机设备,其特征在于,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述遥感影像建筑物边界优化方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述遥感影像建筑物边界优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110960693.9A CN113744144B (zh) | 2021-08-20 | 2021-08-20 | 遥感影像建筑物边界优化方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110960693.9A CN113744144B (zh) | 2021-08-20 | 2021-08-20 | 遥感影像建筑物边界优化方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113744144A true CN113744144A (zh) | 2021-12-03 |
CN113744144B CN113744144B (zh) | 2023-09-26 |
Family
ID=78732064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110960693.9A Active CN113744144B (zh) | 2021-08-20 | 2021-08-20 | 遥感影像建筑物边界优化方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113744144B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114648546A (zh) * | 2022-05-18 | 2022-06-21 | 深圳小库科技有限公司 | 建筑排布方案的确定方法、装置、电子设备和存储介质 |
CN114898119A (zh) * | 2022-07-08 | 2022-08-12 | 浙江大华技术股份有限公司 | 一种建筑物轮廓绘制方法、装置、设备及介质 |
CN115578607A (zh) * | 2022-12-08 | 2023-01-06 | 自然资源部第三航测遥感院 | 一种遥感影像有效像元覆盖范围快速提取方法 |
CN117274833A (zh) * | 2023-11-20 | 2023-12-22 | 浙江国遥地理信息技术有限公司 | 一种建筑轮廓处理方法、装置、设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930540A (zh) * | 2012-10-26 | 2013-02-13 | 中国地质大学(武汉) | 城市建筑物轮廓检测的方法及系统 |
CN104156988A (zh) * | 2014-08-05 | 2014-11-19 | 陕西汇图测绘地理信息有限公司 | 基于迭代最小外包矩形的城区建筑物轮廓规则化方法 |
CN107092877A (zh) * | 2017-04-12 | 2017-08-25 | 武汉大学 | 基于建筑物基底矢量的遥感影像屋顶轮廓提取方法 |
CN111652892A (zh) * | 2020-05-02 | 2020-09-11 | 王磊 | 一种基于深度学习的遥感影像建筑物矢量提取及优化方法 |
CN112348836A (zh) * | 2020-11-06 | 2021-02-09 | 二十一世纪空间技术应用股份有限公司 | 一种自动提取建筑物轮廓的方法及装置 |
CN112487537A (zh) * | 2020-12-08 | 2021-03-12 | 亿景智联(北京)科技有限公司 | 一种基于全卷积神经网络的建筑面多级优化提取方法 |
-
2021
- 2021-08-20 CN CN202110960693.9A patent/CN113744144B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930540A (zh) * | 2012-10-26 | 2013-02-13 | 中国地质大学(武汉) | 城市建筑物轮廓检测的方法及系统 |
CN104156988A (zh) * | 2014-08-05 | 2014-11-19 | 陕西汇图测绘地理信息有限公司 | 基于迭代最小外包矩形的城区建筑物轮廓规则化方法 |
CN107092877A (zh) * | 2017-04-12 | 2017-08-25 | 武汉大学 | 基于建筑物基底矢量的遥感影像屋顶轮廓提取方法 |
CN111652892A (zh) * | 2020-05-02 | 2020-09-11 | 王磊 | 一种基于深度学习的遥感影像建筑物矢量提取及优化方法 |
CN112348836A (zh) * | 2020-11-06 | 2021-02-09 | 二十一世纪空间技术应用股份有限公司 | 一种自动提取建筑物轮廓的方法及装置 |
CN112487537A (zh) * | 2020-12-08 | 2021-03-12 | 亿景智联(北京)科技有限公司 | 一种基于全卷积神经网络的建筑面多级优化提取方法 |
Non-Patent Citations (4)
Title |
---|
JINGXIN CHANG 等: "Object-Oriented Building Contour Optimization Methodology for Image Classification Results via Generalized Gradient Vector Flow Snake Model", 《REMOTE SENSING》, pages 1 - 17 * |
常京新 等: "融合多时相高分影像的建筑物轮廓优化方法", 《测绘通报》, no. 7, pages 112 - 115 * |
常京新 等: "高分遥感影像建筑物轮廓的逐级优化方法", 《中国激光》, vol. 47, no. 10, pages 1 - 14 * |
王双喜 等: "高分辨率影像分类提取建筑物轮廓的优化方法", 《激光与光电子学进展》, vol. 57, no. 2, pages 1 - 10 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114648546A (zh) * | 2022-05-18 | 2022-06-21 | 深圳小库科技有限公司 | 建筑排布方案的确定方法、装置、电子设备和存储介质 |
CN114648546B (zh) * | 2022-05-18 | 2022-07-29 | 深圳小库科技有限公司 | 建筑排布方案的确定方法、装置、电子设备和存储介质 |
CN114898119A (zh) * | 2022-07-08 | 2022-08-12 | 浙江大华技术股份有限公司 | 一种建筑物轮廓绘制方法、装置、设备及介质 |
CN114898119B (zh) * | 2022-07-08 | 2022-11-01 | 浙江大华技术股份有限公司 | 一种建筑物轮廓绘制方法、装置、设备及介质 |
CN115578607A (zh) * | 2022-12-08 | 2023-01-06 | 自然资源部第三航测遥感院 | 一种遥感影像有效像元覆盖范围快速提取方法 |
CN117274833A (zh) * | 2023-11-20 | 2023-12-22 | 浙江国遥地理信息技术有限公司 | 一种建筑轮廓处理方法、装置、设备和存储介质 |
CN117274833B (zh) * | 2023-11-20 | 2024-02-27 | 浙江国遥地理信息技术有限公司 | 一种建筑轮廓处理方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113744144B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113744144B (zh) | 遥感影像建筑物边界优化方法、系统、设备及存储介质 | |
US9760996B2 (en) | Non-rigid registration for large-scale space-time 3D point cloud alignment | |
US20200012876A1 (en) | Text detection method, storage medium, and computer device | |
US10475231B2 (en) | Methods and systems for surface fitting based change detection in 3D point-cloud | |
US10453204B2 (en) | Image alignment for burst mode images | |
CN108304775B (zh) | 遥感图像识别方法、装置、存储介质以及电子设备 | |
CN111462222B (zh) | 待侦测物体储量确定方法、装置、设备及介质 | |
CN109683699B (zh) | 基于深度学习实现增强现实的方法、装置及移动终端 | |
US9489722B2 (en) | Method and apparatus for implementing image denoising | |
CN110427946B (zh) | 一种文档图像二值化方法、装置和计算设备 | |
WO2021129788A1 (zh) | 地图的渲染方法、装置、计算机设备和存储介质 | |
US11176425B2 (en) | Joint detection and description systems and methods | |
CN112800915A (zh) | 建筑物变化检测方法、装置、电子设备以及存储介质 | |
US11620755B2 (en) | Method and system for tracking trajectory based on visual localization and odometry | |
CN114120149B (zh) | 一种倾斜摄影测量建筑物特征点提取方法、装置、电子设备及介质 | |
WO2021092797A1 (zh) | 图像的配准方法、终端以及计算机存储介质 | |
Wang et al. | Geometric consistency enhanced deep convolutional encoder-decoder for urban seismic damage assessment by UAV images | |
US11734799B2 (en) | Point cloud feature enhancement and apparatus, computer device and storage medium | |
CN113205023B (zh) | 一种基于先验矢量引导的高分影像建筑物提取精处理方法 | |
CN112489207B (zh) | 一种空间约束的密集匹配点云平面基元提取方法 | |
CN114445825A (zh) | 文字检测方法、装置、电子设备和存储介质 | |
CN117036457A (zh) | 一种屋顶面积的测量方法、装置、设备及存储介质 | |
US10679049B2 (en) | Identifying hand drawn tables | |
CN115424267A (zh) | 基于高斯分布的旋转目标检测方法和装置 | |
Eken et al. | Resource-and content-aware, scalable stitching framework for remote sensing images |
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 |