CN114373009A - 基于高分辨率遥感影像的建筑物阴影测高智能化计算方法 - Google Patents
基于高分辨率遥感影像的建筑物阴影测高智能化计算方法 Download PDFInfo
- Publication number
- CN114373009A CN114373009A CN202210035456.6A CN202210035456A CN114373009A CN 114373009 A CN114373009 A CN 114373009A CN 202210035456 A CN202210035456 A CN 202210035456A CN 114373009 A CN114373009 A CN 114373009A
- Authority
- CN
- China
- Prior art keywords
- building
- shadow
- remote sensing
- vector
- sensing image
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 17
- 238000005259 measurement Methods 0.000 title claims description 11
- 239000013598 vector Substances 0.000 claims abstract description 56
- 238000013145 classification model Methods 0.000 claims abstract description 15
- 238000010586 diagram Methods 0.000 claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于高分辨率遥感影像的建筑物阴影测高智能化计算方法,包括如下步骤:步骤1、对高分辨率遥感影像进行预处理;步骤2、制作建筑物样本和阴影样本,代入Unet卷积神经网络分别提取建筑物和阴影的特征,得到建筑物分类模型和阴影分类模型;步骤3、将高分辨率遥感影像代入建筑物分类模型和阴影分类模型进行预测,得到建筑物预测结果和阴影分类预测结果;步骤4、生成建筑物和阴影的矢量图像;步骤5、计算出阴影对应的建筑物的高度;步骤6、将建筑物矢量图和带有高度属性的阴影矢量图转为专业地理信息格式文件;步骤7、将建筑物分类结果和阴影分类结果编号,并且进行匹配,将与建筑物匹配的阴影矢量的编号写入建筑物的属性中。
Description
技术领域
本发明涉及人工智能和图像处理领域,涉及人工智能深度学习方法和空间解析几何知识,尤其是一种基于高分辨率遥感影像的建筑物阴影测高智能化计算方法。
背景技术
对于单幅遥感影像,传统的提取建筑物阴影的方法一般为以下三类,根据阴影的色彩不变性来提取建筑物的阴影,这种方法需要将RGB色域的遥感影像转换为HSV或者其他色域,比较转换前后像素点灰度值的变化,根据阴影的色彩不变性判断像素属于阴影或者非阴影,这种阴影提取方法难于排除灰暗道路形成的阴影,水体形成的阴影。
根据纹理特征和边缘检测方法提取阴影,比如Canny边缘检测算法可以通过计算局部梯度的极大值来得到阴影的边缘像素点,但是这两种方法计算量大,又受限于混合像元等遥感影像存在的固有问题,提取出的阴影的准确率难以保证。
根据阴影的光谱特征进行提取,阴影的值较低,但是蓝色水体在光谱特征上与阴影表现较为一致,无法准确分辨两种地物的区别。
综上所述,采用单一的指数或者标准提取阴影难以达到预定的准确率,并且传统的阴影测高方法难以自动化地提取建筑物和阴影,或是全部手动操作,这一过程需要耗费大量的人力物力和时间成本。
发明内容
为解决上述技术问题,本发明引入了擅长对遥感影像进行实例分割的Unet神经网络,确立了“引入Unet卷积神经网络,提取高分辨率遥感影像中的阴影,根据卫星和太阳参数计算阴影对应的建筑物的高度,将其添加到阴影对应的建筑物的属性中以得到带有高度属性的建筑物矢量”的研究目标。
本发明的技术方案为:一种基于高分辨率遥感影像的建筑物阴影测高智能化计算方法,包括如下步骤:
步骤1、对高分辨率遥感影像进行预处理;具体包括:
步骤1.1、融合高分辨率遥感影像的波段,得到全色影像;
步骤1.2、根据同地区配准后的基准影像,例如谷歌影像,互联网地图中的开源数据等对原高分辨率影像进行配准,矫正地理坐标。
步骤2、制作建筑物样本和阴影样本,代入Unet卷积神经网络分别提取建筑物和阴影的特征,得到建筑物和阴影分类模型。
步骤3、将高分辨率遥感影像代入建筑物分类模型和阴影分类模型进行预测,得到建筑物预测结果和阴影分类(预测)结果;具体包括:
步骤3.1、将一幅幅单景高分辨率遥感影像切分为大小适合计算机处理的子图像;
步骤3.2、将子图像集代入建筑物分类模型或者阴影分类模型依次进行预测,得到子图像大小的建筑物和阴影的预测结果;
步骤3.3、将预测结果按分割顺序拼接回原高分辨率影像。
步骤4、根据建筑物和阴影的分类结果,将分类为建筑物(或阴影)的像素点聚为一个矢量,将分类不是建筑物(或阴影)的像素点归为背景值,生成建筑物和阴影的矢量图像。
步骤5、计算出阴影对应的建筑物的高度;具体包括:
计算阴影多边形沿太阳入射角方向的最长割线的长度,这条割线即为建筑物高度的确切投影,通过空间分析和三角函数关系,将该割线的长度代入公式即可得到建筑物的高度。
步骤6、将建筑物矢量图和带有高度属性的阴影矢量图转为专业地理信息格式geojson文件,以便于后续处理和应用。
步骤7、将建筑物分类结果和阴影分类结果编号,并且进行匹配,将与建筑物匹配的阴影矢量的编号写入建筑物的属性中;具体包括:
步骤7.1、、建筑物分类结果和阴影分类结果具有分类编号,对建筑GeoJSON中的每一个建筑物矢量,寻找与其匹配的阴影矢量;
步骤7.2、取匹配到的阴影与建筑关联,将阴影的编号写回建筑GeoJSON相应矢量的属性对象中,最终结果是:生成了一个新建筑GeoJSON,其中每一个矢量都关联了匹配到的阴影矢量编号。
有益效果:
现有的阴影测高求建筑物高度的技术全部是人工操作电脑或者软件辅助实现的,本发明借助计算机语言通过编写控制程序,模块化编程,简化流程,实现了自动化利用阴影测高原理计算建筑物高度,并且后期可以根据最新的研究成果替换程序中原有的一些模块,可以做到随时更新。
附图说明
图1为本发明的方法流程图;
图2为Unet流程图;
图3为阴影与建筑物的位置关系示意图;
图4为阴影与建筑物的位置关系示意图;
图5为阴影与建筑物的位置关系示意图;
图6为通过阴影多边形计算建筑物高度的流程图;
图7为太阳光与阴影多边形的点线关系简化示意图。
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、完整的描述,显然,所描述的实施例仅为本发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
根据本发明的实施例,提出一种基于高分辨率遥感影像的建筑物阴影测高智能化计算方法,包括如下步骤:
步骤1、对高分辨率遥感影像进行预处理;具体包括:
步骤1.1、融合高分辨率遥感影像的波段,得到全色影像,所述高分辨率例如空间分辨率为一米乘一米;
步骤1.2、根据同地区配准后的基准影像,例如谷歌影像,互联网地图中的开源数据等对原高分辨率影像进行配准,矫正地理坐标。
所述步骤1.2、地理配准需要同地区的遥感影像作为铺底数据,本发明选择谷歌数据作为铺底数据,原因在于高分系列卫星的遥感影像,如高分七号遥感影像获取难度大,覆盖面积小,难以满足作为大范围铺底数据的要求。谷歌数据是非常完整的数据源,可以通过Google Earth免费获取,因此本发明选择谷歌数据作为铺底数据。
步骤2、制作建筑物样本和阴影样本,代入Unet卷积神经网络分别提取建筑物和阴影的特征,得到建筑物和阴影的分类(预测)模型。
所述步骤2、Unet属于FCN的一种变体。Unet的初衷是为了解决生物医学图像方面的问题,由于效果非常理想后来也广泛地应用到语义分割的各个方向,比如卫星图像分割,工业瑕疵检测等。Unet和FCN都是Encoder-Decoder结构,Encoder负责特征提取,示意图如图2所示。其中,箭头表示3乘3卷积,用于特征提取。箭头表示skip-connection,用于特征融合。箭头表示池化pooling,用于降低维度。箭头表示上采样upsample,用于恢复维度。箭头表示1乘1卷积,用于输出结果。Encoder由卷积操作和下采样操作组成,本发明中所用的卷积核统一为3乘3的卷积核,padding为0,striding为1。Decoder将得到feature map恢复原有分辨率,其中较为关键的步骤是upsampling和skip-connection。
本发明使用Unet卷积神经网络提取遥感影像当中的建筑物和阴影,首先勾取建筑物和阴影作为特征提取的样本,为了满足加快提取速度和减少计算量的需求,将样本以及与之对应的遥感影像裁剪为适合计算机处理的大小,并将裁剪结果制作为测试集和训练集,将训练集代入Unet卷积神经网络进行训练,得到预测模型,然后对测试集进行预测,并与样本进行比对,得到预测的精度。本发明使用Unet卷积神经网络训练得到的模型测试精度可达90%左右,说明Unet卷积神经网络较适合提取遥感影像中的建筑物和阴影特征。
步骤3、将高分辨率遥感影像代入建筑物模型和阴影模型进行预测,得到建筑物预测结果和阴影分类(预测)结果;具体包括:
步骤3.1、将一幅幅单景高分辨率遥感影像切分为大小适合计算机处理(例如小于300Mb左右)的子图像;
步骤3.2、将子图像集代入建筑物模型或者阴影模型依次进行预测,得到子图像大小的建筑物和阴影的预测结果;
步骤3.3、将预测结果按分割顺序拼接回原高分辨率影像。
步骤4、将栅格格式的建筑物和阴影的分类结果转换为矢量格式。
步骤5、计算出阴影对应的建筑物的高度;具体包括:
把建筑物的地基在几何上看作是一个多边形,只要太阳光入射角与建筑物的地基多边形的边长不平行,那么建筑物在太阳光的照射下会形成一个倾斜的阴影,但是由于卫星拍摄时视角的原因,建筑物的阴影有时会被建筑遮挡住一部分,但是由于阴影相较于建筑物保持在一个倾斜的位置,此时该阴影多边形的一条棱即为建筑物一条棱完整的投影,并未被遮挡,因此这条棱也是阴影多边形沿太阳入射角方向的最长割线,那么找到该阴影多边形那条棱的长度,通过投影关系可计算出建筑物那条棱的长度,即建筑物的高度。那么建筑物的阴影中总会有一条线,是建筑物的一条棱的投影,并且不被遮挡。该结论的证明过程如下:
步骤5.1、本发明使用的根据阴影计算建筑物高度的算法如下所述:
5.11.卫星和太阳位于建筑物异侧(一前一后或一左一右),示意图如图3所示。
其中EF和太阳光的平行入射线平行,根据投影法则,建筑物阳面和阴面应该相似,即AB和CD平行,EF是建筑物FG边的阴影,此时FG的阴影全部被遥感卫星记录下来,又因为投影和本体具有三角函数关系,所以此时建筑物高度H即边FG的长度,可用如下公式计算:
H=EF×tanβ
上式中β表示弧度制中太阳高度角的大小,EF表示阴影多边形中的边EF的长度,H表示建筑物的高度。
5.12.卫星和太阳位于建筑物同侧,但是太阳高度角大于卫星高度角,此时卫星无法捕捉到阴影。
5.13.卫星和太阳位于建筑物同侧,但是太阳高度角小于卫星高度角,此时卫星可以拍到阴影,但是阴影的状态有多种情况。
如图4所示,此时卫星和太阳位于建筑物的同侧,但是有一定的夹角,或者说一左一右,所以建筑物有两条棱的阴影全部漏了出来,计算方法也同第一种方法。
H=EF×tanβ
上式中β表示弧度制中太阳高度角的大小,EF表示阴影多边形中的边EF的长度,H表示建筑物的高度。
如图5所示,此时卫星和太阳位于建筑物的同侧,但是有一定的夹角,或者说既是同侧,也是同左或者同右,所以建筑物只有一条棱的阴影全部漏了出来,计算方法也可以同第一种方法。
H=EF×tanβ
上式中β表示弧度制中太阳高度角的大小,EF表示阴影多边形中的边EF的长度,H表示建筑物的高度。
综上所述,可以发现,无论卫星和太阳的方位角是什么关系,除非卫星在建筑物的正前方,只要建筑物有阴影,那么建筑物的阴影中总会有一条线,是建筑物的一条棱的投影,并且不被遮挡。而那条线的长度,就是建筑物矢量多边形在太阳入射线上的投影长度(因为那条线是建筑物最高点到最低点的投影,所以在投影方向:太阳光平行光方向上一定最长),找到那条线之后,运用简单的公式,不需要复杂公式,就可以算出建筑物高度。
步骤5.2、计算阴影多边形沿太阳入射角方向的最长割线的长度,这条割线即为建筑物高度的确切投影,通过空间分析和三角函数关系,将该割线的长度代入公式即可得到建筑物的高度;如图6所示,具体包括:
计算阴影多边形沿太阳入射角方向的最长割线长度的算法如下所述:
步骤1、假设阴影多边形有k个点,n条边;
步骤2、i=1,j=1;
步骤3、阴影多边形的第i个点向阴影多边形的第j条边沿太阳入射角方向作直线,判断直线与阴影多边形的边是否相交,若相交且i不等于j,进行步骤4,否则,跳到步骤5;
步骤4、计算阴影多边形的第i个点到由步骤3产生的直线与线段的交点的距离,将计算结果加入割线集合中;
步骤5、j的值加1;
步骤6、判断j的值是否等于n,若是,则进行步骤7,否则,跳转到步骤3,然后按顺序执行各步骤;
步骤7、判断i的值是否等于k,若是,则输出割线集合,此集合中的最大值即为所求,否则,跳转到步骤3,然后按顺序执行各步骤。
其中判断直线与多边形的边是否相交可以采用跨立实验原理实现,具体步骤如下:
判断直线和线段的位置关系,可以使用跨立实验,原理是利用向量叉乘的正负判断线段的端点是否在直线的两侧。下面定义一下二维向量的叉乘:
(x,y)×(α,P)=xβ-yα
上式中x,y,α,β∈R;(x,y),(α,β)∈R2;(x,y),(α,β)是二维实向量;
两个二维向量叉乘,和点乘或者叫内积的区别是,在向量的长度(模长)不等于0的情况下,两个二维向量叉乘等于0,说明两个向量共线,两个向量点乘等于0,说明两个向量正交(平面上垂直)。
因此,在不考虑共线的情况下,可以利用叉乘的性质:与一个向量叉乘结果符号相同(同正或者同负)的向量,一定在该向量的同一侧。判断一个直线与线段的位置关系,就是判断线段的两个端点是不是在直线的不同侧,也就是判断直线上的一点与线段的两个端点相连得到的两个向量,与直线的外积(叉乘)是否符号一致,若符号一致,则说明线段的两个端点在直线的一侧,若不一致,则说明直线与线段有交点。回归本题,图7为示意图,在平面直角坐标系中,假设点(x1,y1)和点(x2,y2)作为线段的端点连成一条线段,记为线段A。在直线外存在一点(x3,y3),从该点出发作一条与线段A夹角为α的直线,用来模拟具有一定角度的太阳平行光,则可以使用以下方法来判断直线与线段A是否有交点:
可知两个叉乘分别为:
(x3-x1,y3-y1)×(cos(θ),sin(θ))=sin(θ)(x3-x1)-cos(θ)(y3-y1)
(x3-x2,y3-y2)×(cos(θ),sin(θ))=sin(θ)(x3-x2)-cos(θ)(y3-y2)
上式中x1,x2,x3,y1,y2,y3,α的含义如图7中所示。
若以上两个等式的符号不同,则可以证明直线与线段有交点,其中θ表示太阳方位角。
若已经确定从A点发出的直线与线段有交点,则可以使用以下公式计算A点到交点的距离:
上式中x3,x4.y3,y4,α表示的含义如图7所示,length表示点(x3,y3)到交点的距离。
步骤6、将建筑物矢量图和带有高度属性的阴影矢量图转为专业地理信息格式geojson文件,以便于后续处理和应用。
步骤7、将建筑物分类结果和阴影分类结果编号,并且进行匹配,将与建筑物匹配的阴影矢量的编号写入建筑物的属性中;具体包括:
步骤7.1、建筑物分类结果和阴影分类结果具有分类编号,对建筑GeoJSON中的每一个建筑物矢量,寻找与其匹配的阴影矢量,具体方法如下:
7.11以建筑物矢量的地理坐标为圆心,设置一个经验值作为半径,排除地理坐标在这个圆之外的所有阴影矢量,减少阴影匹配的干扰项,加快匹配速度,减少计算时间;
7.12对于在圆之内的阴影矢量,计算其几何中心点的坐标,根据几何中心点距离待匹配的建筑物中心点的距离远近进行排序,与建筑物中心点距离近的阴影矢量优先考虑,除此以外,建筑物的阴影还需要满足一些空间分析条件,对于满足下列空间分析要求的阴影矢量,选取排序最小的矢量作为建筑物的匹配阴影。
·根据高分辨率卫星拍摄时的卫星高度角和卫星方位角可以计算出建筑物生成阴影的呈像方位,以此筛选出可能与建筑物匹配的阴影,以高分二号卫星影像为例,高分二号为太阳同步轨道卫星,总是在上午10点30左右经过中国上空,此时建筑物的阴影只会出现在建筑的北偏西方位。
·阴影不能落在建筑图斑的内部。
步骤7.2、取匹配到的阴影与建筑关联,将阴影的编号写回建筑GeoJSON相应矢量的属性对象中,最终结果是:生成了一个新建筑GeoJSON,其中每一个矢量都关联了匹配到的阴影矢量编号。
现有的阴影测高求建筑物高度的技术全部是人工操作电脑或者软件辅助实现的,本发明借助计算机语言通过编写控制程序,模块化编程,简化流程,解决了阴影测高求建筑物高度的自动化问题。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,且应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (5)
1.一种基于高分辨率遥感影像的建筑物阴影测高智能化计算方法,其特征在于,包括如下步骤:
步骤1、对高分辨率遥感影像进行预处理;
步骤2、制作建筑物样本和阴影样本,代入Unet卷积神经网络分别提取建筑物和阴影的特征,得到建筑物分类模型和阴影分类模型;
步骤3、将高分辨率遥感影像代入建筑物分类模型和阴影分类模型进行预测,得到建筑物预测结果和阴影分类预测结果;
步骤4、根据建筑物和阴影的分类结果,将分类为建筑物或阴影的像素点聚为一个矢量,将分类不是建筑物或阴影的像素点归为背景值,生成建筑物和阴影的矢量图像;
步骤5、计算出阴影对应的建筑物的高度;
步骤6、将建筑物矢量图和带有高度属性的阴影矢量图转为专业地理信息格式文件,以便于后续处理和应用;
步骤7、将建筑物分类结果和阴影分类结果编号,并且进行匹配,将与建筑物匹配的阴影矢量的编号写入建筑物的属性中。
2.根据权利要求1所述的一种基于高分辨率遥感影像的建筑物阴影测高智能化计算方法,其特征在于,所述步骤1、对高分辨率遥感影像进行预处理;具体包括:
步骤1.1、融合高分辨率遥感影像的波段,得到全色影像;
步骤1.2、根据同地区配准后的基准影像,对原高分辨率影像进行配准,矫正地理坐标。
3.根据权利要求1所述的一种基于高分辨率遥感影像的建筑物阴影测高智能化计算方法,其特征在于,所述步骤3、将高分辨率遥感影像代入建筑物模型和阴影模型进行预测,得到建筑物预测结果和阴影分类结果;具体包括:
步骤3.1、将一幅幅单景高分辨率遥感影像切分为子图像;
步骤3.2、将子图像集代入建筑物分类模型或者阴影分类模型依次进行预测,得到子图像大小的建筑物和阴影的预测结果;
步骤3.3、将预测结果按分割顺序拼接回原高分辨率影像。
4.根据权利要求1所述的一种基于高分辨率遥感影像的建筑物阴影测高智能化计算方法,其特征在于,所述步骤5、计算出阴影对应的建筑物的高度;具体包括:
计算阴影多边形沿太阳入射角方向的最长割线的长度,这条割线即为建筑物高度的确切投影,通过空间分析和三角函数关系,将该割线的长度代入公式即可得到建筑物的高度。
5.根据权利要求1所述的一种基于高分辨率遥感影像的建筑物阴影测高智能化计算方法,其特征在于,所述步骤7、将建筑物分类结果和阴影分类结果编号,并且进行匹配,将与建筑物匹配的阴影矢量的编号写入建筑物的属性中;具体包括:
步骤7.1、建筑物分类结果和阴影分类结果具有分类编号,对建筑GeoJSON中的每一个建筑物矢量,寻找与其匹配的阴影矢量;
步骤7.2、取匹配到的阴影与建筑关联,将阴影的编号写回建筑GeoJSON相应矢量的属性对象中,最终结果是:生成了一个新建筑GeoJSON,其中每一个矢量都关联了匹配到的阴影矢量编号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210035456.6A CN114373009B (zh) | 2022-01-13 | 2022-01-13 | 基于高分辨率遥感影像的建筑物阴影测高智能化计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210035456.6A CN114373009B (zh) | 2022-01-13 | 2022-01-13 | 基于高分辨率遥感影像的建筑物阴影测高智能化计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114373009A true CN114373009A (zh) | 2022-04-19 |
CN114373009B CN114373009B (zh) | 2023-02-03 |
Family
ID=81143382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210035456.6A Active CN114373009B (zh) | 2022-01-13 | 2022-01-13 | 基于高分辨率遥感影像的建筑物阴影测高智能化计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114373009B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913430A (zh) * | 2022-05-12 | 2022-08-16 | 中国自然资源航空物探遥感中心 | 一种基于高分影像和Unet阴影检测的物体高度识别方法 |
CN115294461A (zh) * | 2022-10-10 | 2022-11-04 | 中国电建集团山东电力建设第一工程有限公司 | 基于bim和遥感图像的电力设施塌斜评估方法及系统 |
CN115344813A (zh) * | 2022-08-25 | 2022-11-15 | 珠江水利委员会珠江水利科学研究院 | 一种基于阴影的山体高度反演方法 |
CN116665053A (zh) * | 2023-05-30 | 2023-08-29 | 浙江时空智子大数据有限公司 | 顾及阴影信息的高分辨遥感影像建筑物识别方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679441A (zh) * | 2017-02-14 | 2018-02-09 | 郑州大学 | 基于多时相遥感影像阴影提取城市建筑物高度的方法 |
CN111460936A (zh) * | 2020-03-18 | 2020-07-28 | 中国地质大学(武汉) | 基于U-Net网络的遥感影像建筑物提取方法、系统、电子设备 |
CN112633070A (zh) * | 2020-11-27 | 2021-04-09 | 中国科学院空天信息创新研究院 | 高分辨率遥感影像建筑物提取方法及系统 |
WO2021196698A1 (zh) * | 2020-04-03 | 2021-10-07 | 深圳前海微众银行股份有限公司 | 待侦测物体储量确定方法、装置、设备及介质 |
CN113610032A (zh) * | 2021-08-16 | 2021-11-05 | 北京市城市规划设计研究院 | 基于遥感影像的建筑物识别方法和装置 |
-
2022
- 2022-01-13 CN CN202210035456.6A patent/CN114373009B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679441A (zh) * | 2017-02-14 | 2018-02-09 | 郑州大学 | 基于多时相遥感影像阴影提取城市建筑物高度的方法 |
CN111460936A (zh) * | 2020-03-18 | 2020-07-28 | 中国地质大学(武汉) | 基于U-Net网络的遥感影像建筑物提取方法、系统、电子设备 |
WO2021196698A1 (zh) * | 2020-04-03 | 2021-10-07 | 深圳前海微众银行股份有限公司 | 待侦测物体储量确定方法、装置、设备及介质 |
CN112633070A (zh) * | 2020-11-27 | 2021-04-09 | 中国科学院空天信息创新研究院 | 高分辨率遥感影像建筑物提取方法及系统 |
CN113610032A (zh) * | 2021-08-16 | 2021-11-05 | 北京市城市规划设计研究院 | 基于遥感影像的建筑物识别方法和装置 |
Non-Patent Citations (1)
Title |
---|
储国中 等: "融合高度特征的高分遥感影像多尺度城市建筑类型分类", 《地球信息科学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913430A (zh) * | 2022-05-12 | 2022-08-16 | 中国自然资源航空物探遥感中心 | 一种基于高分影像和Unet阴影检测的物体高度识别方法 |
CN115344813A (zh) * | 2022-08-25 | 2022-11-15 | 珠江水利委员会珠江水利科学研究院 | 一种基于阴影的山体高度反演方法 |
CN115294461A (zh) * | 2022-10-10 | 2022-11-04 | 中国电建集团山东电力建设第一工程有限公司 | 基于bim和遥感图像的电力设施塌斜评估方法及系统 |
CN115294461B (zh) * | 2022-10-10 | 2023-01-31 | 中国电建集团山东电力建设第一工程有限公司 | 基于bim和遥感图像的电力设施塌斜评估方法及系统 |
CN116665053A (zh) * | 2023-05-30 | 2023-08-29 | 浙江时空智子大数据有限公司 | 顾及阴影信息的高分辨遥感影像建筑物识别方法及系统 |
CN116665053B (zh) * | 2023-05-30 | 2023-11-07 | 浙江时空智子大数据有限公司 | 顾及阴影信息的高分辨遥感影像建筑物识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114373009B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114373009B (zh) | 基于高分辨率遥感影像的建筑物阴影测高智能化计算方法 | |
CN110598784B (zh) | 基于机器学习的建筑垃圾分类方法及装置 | |
Wang et al. | Photovoltaic panel extraction from very high-resolution aerial imagery using region–line primitive association analysis and template matching | |
CN113052109A (zh) | 一种3d目标检测系统及其3d目标检测方法 | |
CN102622738B (zh) | 一种Landsat TM/ETM+图像中山体阴影区的光谱信息恢复方法 | |
CN111598098A (zh) | 一种基于全卷积神经网络的水尺水位线检测及有效性识别方法 | |
Zhu et al. | Robust registration of aerial images and LiDAR data using spatial constraints and Gabor structural features | |
US20220004740A1 (en) | Apparatus and Method For Three-Dimensional Object Recognition | |
US20220309708A1 (en) | System and method for automated estimation of 3d orientation of a physical asset | |
CN113033315A (zh) | 一种稀土开采高分影像识别与定位方法 | |
CN117058557A (zh) | 基于物理特征与深度学习模型的云和云阴影联合检测方法 | |
Zhu et al. | Depth-enhanced feature pyramid network for occlusion-aware verification of buildings from oblique images | |
Li et al. | Hybrid cloud detection algorithm based on intelligent scene recognition | |
Wilk et al. | Semantic urban mesh segmentation based on aerial oblique images and point clouds using deep learning | |
CN113610032A (zh) | 基于遥感影像的建筑物识别方法和装置 | |
Sun et al. | GABLE: A first fine-grained 3D building model of China on a national scale from very high resolution satellite imagery | |
Dong et al. | A review of research on remote sensing images shadow detection and application to building extraction | |
CN105631849A (zh) | 多边形目标的变化检测方法及装置 | |
CN113516059B (zh) | 固体废弃物的识别方法、装置、电子设备及存储介质 | |
Zhu | A pipeline of 3D scene reconstruction from point clouds | |
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 | |
Li et al. | Low-cost 3D building modeling via image processing | |
Muller | Key issues in image understanding in remote sensing | |
Sanchez Castillo et al. | Semantic segmentation of terrestrial lidar data using co-registered rgb data | |
Wu et al. | Spring Point Detection of High Resolution Image Based on YOLOV3 |
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 |