CN114529837A - 建筑物轮廓提取方法、系统、计算机设备及存储介质 - Google Patents
建筑物轮廓提取方法、系统、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114529837A CN114529837A CN202210182903.0A CN202210182903A CN114529837A CN 114529837 A CN114529837 A CN 114529837A CN 202210182903 A CN202210182903 A CN 202210182903A CN 114529837 A CN114529837 A CN 114529837A
- Authority
- CN
- China
- Prior art keywords
- building
- image
- boundary
- target
- processed
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及图像处理的技术领域,公开了一种建筑物轮廓提取方法、系统、计算机设备及存储介质,所述建筑物轮廓提取方法包括:获取待处理影像并输入至预设的实例分割模型中,得到待处理影像中的建筑物掩膜与建筑边界框;根据所述建筑边界框获取目标建筑的影像块,将所述影像块与对应的建筑物掩膜输入图像分割模型,得到目标建筑的建筑物图斑,获取建筑物图斑的轮廓像素点位置;基于目标建筑的影像块检测目标建筑的主方向,基于所述主方向对目标建筑的建筑物图斑进行边界规则化处理,生成建筑物边界提取结果;本申请具有提高从遥感影像中提取建筑物的边界线的准确性的效果。
Description
技术领域
本申请涉及图像处理技术领域,尤其是涉及一种建筑物轮廓提取方法、系统、计算机设备及存储介质。
背景技术
目前,常见的基于高分辨率遥感影像建筑物轮廓提取方法都是先由人工构建某一类型的特征规则集,然后利用这个特征规则集构建模型以提取建筑物。由于高分辨率遥感影像中同类地物的光谱统计特征存在较大的光谱异质性,分类提取过程中易受阴影、道路、植被等噪声的干扰,这一类方法的鲁棒性不强,而且不能有效提取建筑物的边界信息,基于深度学习的方法一般是建立语义分割模型来提取建筑物,同样其也不能很好的提取建筑物的边界。
针对上述相关技术,发明人认为存在建筑物轮廓提取误差较大的问题。
发明内容
为了提高从遥感影像中提取建筑物的边界线的准确性,本申请提供一种建筑物轮廓提取方法、系统、计算机设备及存储介质。
本申请的上述发明目的一采用如下技术方案实现:
一种建筑物轮廓提取方法,包括:
获取待处理影像并输入至预设的实例分割模型中,得到待处理影像中的建筑物掩膜与建筑边界框;
根据所述建筑边界框获取目标建筑的影像块,将所述影像块与对应的建筑物掩膜输入图像分割模型,得到目标建筑的建筑物图斑,获取建筑物图斑的轮廓像素点位置;
基于目标建筑的影像块检测目标建筑的主方向,基于所述主方向对目标建筑的建筑物图斑进行边界规则化处理,生成建筑物边界提取结果。
通过采用上述技术方案,获取待处理的遥感影像并输入至实例分割模型中,以便从待处理影像中识别出各建筑物,进而得到各建筑物的建筑物掩膜和建筑边界框,通过建筑边界框得到目标建筑的影像块,将目标建筑的影像块和目标建筑的建筑物掩膜输入至图像分割模型中,从而得到目标建筑的建筑物图斑,便于快速提取目标建筑的轮廓,获取建筑物图斑的轮廓像素点位置作为初步确定的建筑物图斑边界,以便后续对目标建筑的边界规则化处理;根据目标建筑的影像块检测目标建筑的主方向,以便基于目标建筑的主方向对目标建筑的建筑物图斑进行边界规则化处理并生成建筑物边界提取结果,本方案采用了深度学习技术和传统计算机视觉技术相结合的方法,既能够提高建筑物提取的召回率,又能够保证建筑物边界提取的精度。
本申请在一较佳示例中:获取待处理影像并输入至预设的实例分割模型中,得到待处理影像中的建筑物掩膜与建筑边界框的步骤之前,还包括:
获取建筑物样本图像并生成建筑物样本图像集;
通过建筑物样本图像集训练得到所述实例分割模型。
通过采用上述技术方案,获取大量建筑物样本图像并储存,以生成建筑物样本图像集,建立实例分割模型并使用建筑物样本图像集中的建筑物样本图像进行训练,以提高实例分割模型对遥感图像中的建筑物掩膜和建筑边界框的识别效果。
本申请在一较佳示例中:将所述影像块与对应的建筑物掩膜输入图像分割模型,得到目标建筑的建筑物图斑的步骤中,具体包括:
基于建筑物掩膜图像在所述影像块中标记前景背景,生成前景背景标记图像;
基于前景背景标记图像获取高斯混合模型的参数;
基于高斯混合模型的参数,计算建筑物图斑的边界项,通过min-cut/max-flow算法将能量函数最小化,得到建筑物图斑分割结果。
通过采用上述技术方案,根据建筑物掩膜图像在影像块中标记前景和背景,生成前景背景标记图像,前景即建筑物的影像块中建筑物所占据的区域,便于从影像块中区分建筑物和背景;从前景背景标记图像中获取建筑物和背景的图像特征,进而根据建筑物和背景的图像特征确定高斯混合模型的参数;计算建筑物图斑的边界项,将计算结果通过min-cut/max-flow将能量函数最小化,从而确定建筑物图斑,根据建筑物掩膜图像标记的前景和后景的图像特征生成高斯混合模型的参数,并输入至图像分割模型中,从而确定建筑物图斑,提高了建筑物图斑的准确性。
本申请在一较佳示例中:基于高斯混合模型的参数,计算建筑物图斑的边界项,通过min-cut/max-flow将能量函数最小化,得到建筑物图斑分割结果的步骤之后,还包括:
基于建筑物图斑分割结果的前景和背景重新获取高斯混合模型的参数,并重新获取建筑物图斑分割结果,重复本步骤至算法收敛。
通过采用上述技术方案,基于建筑物图斑的分割结果,根据从影像块中获取进行了建筑物图斑分割后新的前景和背景以重新获取高斯混合模型的参数,输入图像分割模型中,计算建筑物图斑的边界项,并将计算结果通过min-cut/max-flow将能量函数最小化,从而重新确定建筑物图斑,重复本步骤至算法收敛,通过多次迭代生成的前景背景标记图像不断优化高斯混合模型的参数,以达到提高建筑物图斑准确性的效果。
本申请在一较佳示例中:基于目标建筑的影像块检测目标建筑的主方向的步骤中,包括:
通过LSD算法对目标建筑的影像块进行处理,得到目标建筑的主方向。
通过采用上述技术方案,通过LSD算法(Line Segment Detector直线段检测算法)对目标建筑的影像块进行处理,以检测目标建筑的影像块中的直线段,便于后续从影像块内的直线段中选择一条直线段为基准确定目标建筑的主方向,作为后续进行建筑物图斑的边界规则化处理的基准。
本申请在一较佳示例中:设置方向误差阈值e,基于所述主方向对目标建筑的建筑物图斑进行边界规则化处理,生成建筑物边界提取结果的步骤中,包括:
对获取的建筑物图斑的轮廓像素点坐标进行抽稀处理得到点集S,计算建筑物主方向的斜率k和主方向的垂直方向的斜率v;
按顺序遍历点集S所有的点,依序计算点pi与相邻点pi+1构成的直线的斜率di;
当|di-k|<e或者|di-v|<e时,从序号i开始遍历点集S,以获取主方向线段正交的相邻线段,从而得到建筑物图斑的规则边界作为建筑物边界提取结果。
通过采用上述技术方案,对建筑物图斑的轮廓像素点坐标进行抽稀处理得到点集S,减少数据点个数,以提高建筑物图斑轮廓的平滑性,减少后续的数据处理量,节约存储空间,便于计算建筑物主方向的斜率k和主方向的垂直方向的斜率v;按顺序遍历点集S中所有点,依次计算相邻点之间的斜率di,通过设置方向误差阈值e便于控制建筑物边界规则化处理的精准度,当|di-k|<e或者|di-v|<e时,则从序号i开始历遍点集S,以便从点集S的像素点中获取相对于主方向垂直的线段,得到建筑物图斑的规则边界以作为建筑物边界提取结果输出。
本申请在一较佳示例中:基于目标建筑的影像块检测目标建筑的主方向,基于所述主方向对目标建筑的建筑物图斑进行边界规则化处理,生成建筑物边界提取结果的步骤之后,还包括:
获取待处理影像的成像信息,基于所述成像信息和所述建筑物边界提取结果计算待处理影像中建筑物的面积数据。
通过采用上述技术方案,获取待处理影像所对应的成像信息,根据成像信息推算出待处理影像的比例尺,根据待处理影像的比例尺和建筑物边界提取结果能够计算出待处理影像中建筑物的面积数据,便于对土地利用规划提供数据支持。
本申请的上述发明目的二采用如下技术方案实现:
一种建筑物轮廓提取系统,包括:
建筑识别模块,用于获取待处理影像并输入至预设的实例分割模型中,得到待处理影像中的建筑物掩膜与建筑边界框;
图像分割模块,用于根据所述建筑边界框获取目标建筑的影像块,将所述影像块与对应的建筑物掩膜输入图像分割模型,得到目标建筑的建筑物图斑,获取建筑物图斑的轮廓像素点位置;
边界规则化处理模块,用于基于目标建筑的影像块检测目标建筑的主方向,基于所述主方向对目标建筑的建筑物图斑进行边界规则化处理,生成建筑物边界提取结果。
通过采用上述技术方案,获取待处理的遥感影像并输入至实例分割模型中,以便从待处理影像中识别出各建筑物,进而得到各建筑物的建筑物掩膜和建筑边界框,通过建筑边界框得到目标建筑的影像块,将目标建筑的影像块和目标建筑的建筑物掩膜输入至图像分割模型中,从而得到目标建筑的建筑物图斑,便于快速提取目标建筑的轮廓,获取建筑物图斑的轮廓像素点位置作为初步确定的建筑物图斑边界,以便后续对目标建筑的边界规则化处理;根据目标建筑的影像块检测目标建筑的主方向,以便基于目标建筑的主方向对目标建筑的建筑物图斑进行边界规则化处理并生成建筑物边界提取结果,本方案采用了深度学习技术和传统计算机视觉技术相结合的方法,既能够提高建筑物提取的召回率,又能够保证建筑物边界提取的精度。
本申请的上述发明目的三采用如下技术方案实现:
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上述建筑物轮廓提取方法的步骤。
本申请的上述发明目的四采用如下技术方案实现:
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上述建筑物轮廓提取方法的步骤。
综上所述,本申请包括以下至少一种有益技术效果:
1.获取待处理的遥感影像并输入至实例分割模型中,从中识别出各建筑物的建筑物掩膜和建筑边界框,通过建筑边界框得到目标建筑的影像块,将目标建筑的影像块和建筑物掩膜输入至图像分割模型中,从而得到目标建筑的建筑物图斑,便于快速提取到目标建筑的轮廓,获取建筑物图斑的轮廓像素点位置;根据目标建筑的影像块检测目标建筑的主方向,以便基于目标建筑的主方向对目标建筑的建筑物图斑进行边界规则化处理并生成建筑物边界提取结果,提高从遥感影像中提取建筑物边界线的准确性。
2.根据建筑物掩膜在影像块中标记前景和背景,生成前景背景标记图像,便于从影像块中区分建筑物和背景;根据建筑物和背景的图像特征确定高斯混合模型的参数;计算建筑物图斑的边界项,将计算结果通过min-cut/max-flow将能量函数最小化,从而确定建筑物图斑,提高了建筑物图斑的准确性。
3.基于建筑物图斑的分割结果,根据从影像块中获取进行了建筑物图斑分割后新的前景和背景以重新获取高斯混合模型的参数,并重新确定建筑物图斑,重复本步骤至算法收敛,通过多次迭代生成的前景背景标记图像不断优化高斯混合模型的参数,以达到提高建筑物图斑准确性的效果。
4.获取待处理影像所对应的成像信息以推算出待处理影像的比例尺,根据待处理影像的比例尺和建筑物边界提取结果计算待处理影像中建筑物的面积数据,便于对土地利用规划提供数据支持。
附图说明
图1是本申请一实施例中建筑物轮廓提取方法总体流程图;
图2是本申请一实施例中建筑物轮廓提取方法的一流程图;
图3是本申请一实施例中建筑物轮廓提取方法中步骤S10的流程图;
图4是本申请一实施例中建筑物轮廓提取方法中步骤S20的流程图;
图5是本申请一实施例中建筑物轮廓提取方法中步骤S20的另一流程图;
图6是本申请一实施例中建筑物轮廓提取方法中步骤S30的流程图;
图7是本申请一实施例中建筑物轮廓提取方法中步骤S30的另一流程图;
图8是本申请一实施例中建筑物轮廓提取方法中另一流程图;
图9是本申请一实施例中建筑物轮廓提取系统的一原理框图;
图10是本申请一实施例中的设备示意图。
具体实施方式
以下结合附图对本申请作进一步详细说明。
本申请中建筑物轮廓提取方法的总体流程如图1所示。
在一实施例中,如图2所示,公开了一种建筑物轮廓提取方法,具体包括如下步骤:S10:获取待处理影像并输入至预设的实例分割模型中,得到待处理影像中的建筑物掩膜与建筑边界框。
在本实施例中,待处理影像是指记录了地面建筑物的航空相片或卫星相片,实例分割模型是指为将建筑物从待处理影像中识别出来而构建的模型,建筑物掩膜是指用于覆盖从待处理影像中识别到的建筑物区域的掩膜,建筑边界框是指用于将识别到的建筑物从待处理影像中标注出来的边界框。
具体地,获取待处理影像,并将待处理影像输入至实例分割模型中,通过实例分割模型识别待处理影像中的建筑物,并在图像中用建筑物掩膜与建筑边界框标记出识别到的建筑物。
具体地,该实例分割模型是以ResNet-FPN作为骨干网络,主要是用于提取多尺度特征;头部网络由两部分组成:bbox识别和Mask预测。
S20:根据建筑边界框获取目标建筑的影像块,将影像块与对应的建筑物掩膜输入图像分割模型,得到目标建筑的建筑物图斑,获取建筑物图斑的轮廓像素点位置。
在本实施例中,影像块是指待处理影像中被建筑边界框所框选出的区域,图像分割模型是指内置有图像分割算法,并使用图像分割算法处理图像的模型,建筑物图斑是指通过图像分割模型从影像块中识别出建筑物轮廓的区域。
具体地,图像分割模型中内置的是GrabCut算法,GrabCut算法是迭代最小的,每次迭代的过程都使得前景和背景模型的参数更优,图像分割结果更优,同时具有交互和操作简单的效果;依次遍历所有得到的建筑边界框,将待处理影像中被建筑边界框框中的区域标记为影像块,将目标建筑所在的影像块与该影像块中的建筑物掩膜输入至图像分割模型中,通过图像分割模型内置的GrabCut算法处理该影像块,得到目标建筑对应的建筑物图斑,根据建筑物图斑获取建筑物图斑的轮廓像素点位置。
进一步地,图像分割模型中也可以内置Magic Wand算法、Intelligent Scissors算法、Bayes Matte算法、Knockout 2算法和Graph cut算法等前景背景分割算法取代GrabCut算法。
S30:基于目标建筑的影像块检测目标建筑的主方向,基于主方向对目标建筑的建筑物图斑进行边界规则化处理,生成建筑物边界提取结果。
在本实施例中,目标建筑的主方向是指建筑物其中一个长边的方向。
具体地,基于目标建筑物的影像块检测目标建筑物的主方向,具体是通过LSD算法(aLine Segment Detector,直线段检测算法)进行检测的,获取目标建筑的主方向,便于快速确定建筑物的另一个垂直方向,根据已知的线段方向以及后续提取的轮廓点,能够快速拟合出最佳的建筑物角点以便基于目标建筑的主方向对目标建筑的建筑物图斑进行边界规则化处理,提高目标建筑的边界规则化处理的准确性,以得到更符合建筑物实际轮廓的边界,将获取到的目标建筑规则化处理后的边界作为建筑物边界提取结果输出。
在本实施例中,获取待处理的遥感影像并输入至实例分割模型中,以便从待处理影像中识别出各建筑物,进而得到各建筑物的建筑物掩膜和建筑边界框,通过建筑边界框得到目标建筑的影像块,将目标建筑的影像块和目标建筑的建筑物掩膜输入至图像分割模型中,从而得到目标建筑的建筑物图斑,便于快速提取目标建筑的轮廓,获取建筑物图斑的轮廓像素点位置作为初步确定的建筑物图斑边界,以便后续对目标建筑的边界规则化处理;根据目标建筑的影像块检测目标建筑的主方向,以便基于目标建筑的主方向对目标建筑的建筑物图斑进行边界规则化处理并生成建筑物边界提取结果,本方案采用了深度学习技术和传统计算机视觉技术相结合的方法,既能够提高建筑物提取的召回率,又能够保证建筑物边界提取的精度。
在一实施例中,如图3所示,在步骤S10的步骤之前,还包括:
S11:获取建筑物样本图像并生成建筑物样本图像集。
在本实施例,建筑物样本图像是指从遥感影像中获取的建筑物轮廓样本。
具体地,用户先对一部分影像进行建筑物标注,将已标注建筑物数据的部分图像放入模型进行训练以得到建筑物实例分割模型,获取大量遥感影像,从中提取大量的建筑物轮廓样本并存储与建筑物样本图像集中,其中建筑物样本图像可以是从过往使用的待处理影像中获取,也可以是从其他渠道获取,例如,获取地图网站中的高清卫星图像,并从中提取建筑物轮廓样本。
进一步地,建筑物样本图像集中可设置多个建筑物样本图像存储分区,以分别存放不同类型的建筑物样本图像,例如,可根据建筑物样本图像的清晰度划分为高清晰度样本区和低清晰度样本区,其中,图像的清晰度划分可以是以图像的分辨率为标准,也可以是以图像中建筑物样本图像被云层、植被、阴影、雾霾等干扰因素的影响程度为标准;由于不同地理区域的建筑物可能存在不同的外观特征,还可以根据建筑物样本图像所对应的地理区域进行分区存储。
S12:通过建筑物样本图像集训练得到实例分割模型。
具体地,建立实例分割模型,从建筑物样本图像集中获取部分建筑物样本图像对实例分割模型进行训练,训练完成后,再从建筑物样本图像集中获取部分建筑物样本图像对实例分割模型对待处理影像的处理效果进行验证,以便根据处理效果对实例分割模型进行相应的调整,便于一稿实例分割模型的处理效果。
进一步地,可以根据实际情况从建筑物样本图像集的不同分区中获取建筑物样本图像对实例分割模型进行训练和验证,例如,使用高清晰度样本区的建筑物样本图像对实例分割模型进行初步训练,使用低清晰度样本区的建筑物样本图像对实例分割模型进行处理效果验证和强化。
在一实施例中,如图4所示,在步骤S20中,包括:
S21:基于建筑物掩膜图像在影像块中标记前景背景,生成前景背景标记图像。
在本实施例中,前景是指影像块中建筑物轮廓所在区域;背景是指影像块中建筑物轮廓之外的区域;前景背景标记图像是指在影像块中标记了前景和背景后生成的图像。
具体地,在影像块中标注前景和背景,具体是将建筑物掩膜所在区域标记为前景,其余区域则作为背景,从而生成前景背景标记图像,前景标注的作用是对建筑物进行图像特征取样,以便后续图像分割模型从影像块中分割出建筑物图斑。
S22:基于前景背景标记图像获取高斯混合模型的参数。
具体地,通过前景背景标记图像获取影像块中建筑物轮廓所在区域的图像特征以及背景的图像特征,使高斯混合模型不断进行自我参数迭代学习,使其达到对输入的前景背景标记图像最优表征,根据建筑物轮廓所在区域和背景的图像特征生成相应的高斯混合模型的参数,便于图像分割模型根据高斯混合模型中的参数对影像块进行处理。
S23:基于高斯混合模型的参数,计算建筑物图斑的边界项,通过min-cut/max-flow算法将能量函数最小化,得到建筑物图斑分割结果。
在本实施例中,建筑物图斑是指影像块中的建筑物轮廓。
具体地,根据高斯混合模型的参数,使用图像分割模型计算建筑物图斑的边界项,并通过min-cut/max-flow算法将能量函数最小化,从而得到建筑物图斑的分割结果,以便后续根据建筑物图斑生成建筑物边界提取结果。
在一实施例中,如图5所示,在步骤S23的步骤之后,还包括:
S24:基于建筑物图斑分割结果的前景和背景重新获取高斯混合模型的参数,并重新获取建筑物图斑分割结果,重复本步骤至算法收敛。
具体地,根据建筑物图斑分割结果重新标记前景和背景,并基于新标记的前景和背景重新获取高斯混合模型的参数,重新基于高斯混合模型的参数,计算建筑物图斑的边界项,通过min-cut/max-flow算法将能量函数最小化,得到新的建筑物图斑分割结果;重复本步骤至算法收敛,其中,算法收敛的判断标准可以是设置迭代次数阈值,当达到迭代次数阈值时,即视为算法收敛,通过多次迭代生成的前景背景标记图像不断优化高斯混合模型的参数,以达到提高建筑物图斑准确性的效果。
在一实施例中,如图6所示,在步骤S30中,包括:
S31:通过LSD算法对目标建筑的影像块进行处理,得到目标建筑的主方向。
具体地,建筑物的主方向提取是利用LSD算法提取,以便从影像块内的直线段中选择一条直线段为基准确定目标建筑的主方向,作为后续进行建筑物图斑的边界规则化处理的基准,主要处理步骤如下:
(1)将输入的RGB影像转换为灰度图像,然后对灰度图进行高斯降采样处理,采样率S=1.0;
(2)计算图像中各点的梯度值和方向,然后根据梯度值大小排序;
(3)将梯度值小于p的点的状态设置为USED,其余为UNUSED;
(4)取出剩下的排序表中状态为UNUSED的点;
(5)设置方向变化最大容忍值x,进行区域生长Region Grow;
(6)计算生长得到的区域的同性点密度D;
(7)如果D<D0,截断区域,转至步骤(6),如果D>D0,计算错误控制函数NFA;
(8)如果NFA<错误阈值c,输出直线段数据,排序表是否还有状态为UNUSED的点,若有,转至步骤(4),否则程序结束。
在一实施例中,如图7所示,在步骤S30中,包括:
S32:对获取的建筑物图斑的轮廓像素点坐标进行抽稀处理得到点集S,计算建筑物主方向的斜率k和主方向的垂直方向的斜率v。
具体地,利用DP算法对建筑物图斑的轮廓像素点通过抽稀算法进行处理并生成点集S,以便减少后续的数据处理量和存储量,根据获得建筑物的主方向角计算主方向斜率k和主方向的垂直方向的斜率v,以便基于建筑物的主方向对建筑物图斑的轮廓基于主方向进行规则化处理。
S33:按顺序遍历点集S所有的点,依序计算点pi与相邻点pi+1构成的直线的斜率di。
具体地,按顺序遍历点集S中所有的点,依次从第一个点开始计算点pi与相邻点pi+1构成的直线的斜率di,同时设置方向误差阈值e,以便找到符合接近斜率k或斜率v的目标直线段。
具体地,方向误差阈值e用于控制目标直线段与斜率k或斜率v的接近程度,因此方向误差阈值e可以根据实际需求进行调整,方向误差阈值e越小,获取的目标直线段与斜率k或斜率v越接近,所得到的建筑物边界提取结果越准确;若难以对建筑物图斑提取到目标直线段,则适当提高方向误差阈值e的数值,以提高提取目标直线段的成功率。
S34:当|di-k|<e或者|di-v|<e时,从序号i开始遍历点集S,以获取主方向线段正交的相邻线段,从而得到建筑物图斑的规则边界作为建筑物边界提取结果。
具体地,当|di-k|<e时,从序号i开始遍历点集S,计算点pi+1与点pi+2连线的斜率di+1;若|di+1-v|<e,则点pi与点pi+1按照最小二乘原理以斜率k拟合计算得到直线l1,点pi+1与点pi+2,按照最小二乘原理以斜率v拟合计算得到直线l2,计算直线l1与直线l2的交点n;若|di+1-k|<e,则点pi与点pi-1按照最小二乘原理以斜率v拟合计算得到直线l1,点pi+1与点pi+2按照最小二乘原理以斜率k拟合计算得到直线l2,计算直线l1与直线l2的交点n,若集合r不为空,则删除r中最后一个点;
若|di+1-v|>e or|di+1-k|>e,则点pi与点pi+1,按照最小二乘原理以斜率k拟合计算得到直线l1,点pi+1以斜率v计算得到直线l2,计算直线l1与直线l2的交点n;
当|di-v|<e时,从序号i开始遍历点集S,计算点pi+1与点pi+2连线的斜率di+1;
若|di+1-k|<e,则点pi与点pi+1按照最小二乘原理以斜率v拟合计算得到直线l1,点pi+1与点pi+2,按照最小二乘原理以斜率k拟合计算得到直线l2,计算直线l1与直线l2的交点n;若|di+1-v|<e,则点pi与点pi-1按照最小二乘原理以斜率k拟合计算得到直线l1,点pi+1与点pi+2按照最小二乘原理以斜率v拟合计算得到直线l2,计算直线l1与直线l2的交点n;若|di+1-v|>e or|di+1-k|>e,则点pi与点pi+1按照最小二乘原理以斜率v拟合计算得到直线l1,点pi+1以斜率k计算得到直线l2,计算直线l1与直线l2的交点n;
最后将点n记录到集合r,遍历集合r中所有点,判断点pi分别与pi-1,pi+1构成连线是否正交;若是,则结束程序,否则重复步骤S33和S34。
在一实施例中,如图8所示,在步骤S30之后,建筑物轮廓提取方法还包括:
S40:获取待处理影像的成像信息,基于成像信息和建筑物边界提取结果计算待处理影像中建筑物的面积数据。
在本实施例中,待处理影像的成像信息是指记载了待处理影像成像时,成像装置参数的信息,每一待处理影像均对应有一份成像信息。
具体地,成像信息包括用于拍摄待处理影像的成像装置在拍摄该待处理影像时距离地面的高度,成像装置的焦距、分辨率和缩放倍数等信息,基于成像信息计算得到该待处理影像的比例尺,根据建筑物边界提取结果和对应的待处理影像的比例尺,计算建筑物的面积数据,便于对土地规划提供数据,及时发现违章建筑等行为。
进一步地,根据待处理影像的成像信息,若图像分割模型识别待处理影像中的绿化情况,则还可以统计待处理影像对应区域的绿化覆盖率数据。
应理解,上述实施例中各步骤的序号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。
在一实施例中,提供一种建筑物轮廓提取系统,该建筑物轮廓提取系统与上述实施例中建筑物轮廓提取方法相对应。
如图9所示,一种建筑物轮廓提取系统,包括建筑识别模块、图像分割模块和边界规则化处理模块。各功能模块的详细说明如下:
建筑识别模块,用于获取待处理影像并输入至预设的实例分割模型中,得到待处理影像中的建筑物掩膜与建筑边界框;
图像分割模块,用于根据建筑边界框获取目标建筑的影像块,将影像块与对应的建筑物掩膜输入图像分割模型,得到目标建筑的建筑物图斑,获取建筑物图斑的轮廓像素点位置;
边界规则化处理模块,用于基于目标建筑的影像块检测目标建筑的主方向,基于主方向对目标建筑的建筑物图斑进行边界规则化处理,生成建筑物边界提取结果。
关于建筑物轮廓提取系统的具体限定可以参见上文中对于建筑物轮廓提取方法的限定,在此不再赘述;上述建筑物轮廓提取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,也可以是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。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储待处理影像、建筑物掩膜、建筑边界框、影像块、建筑物图斑、建筑物样本图像集、前景背景标记图像、LSD算法、成像信息和GrabCut算法等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种建筑物轮廓提取方法。
在一个实施例中,提供了一种计算机设备,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,处理器执行计算机程序时实现以下步骤:
S10:获取待处理影像并输入至预设的实例分割模型中,得到待处理影像中的建筑物掩膜与建筑边界框;
S20:根据建筑边界框获取目标建筑的影像块,将影像块与对应的建筑物掩膜输入图像分割模型,得到目标建筑的建筑物图斑,获取建筑物图斑的轮廓像素点位置;
S30:基于目标建筑的影像块检测目标建筑的主方向,基于主方向对目标建筑的建筑物图斑进行边界规则化处理,生成建筑物边界提取结果。
在一个实施例中,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:
S10:获取待处理影像并输入至预设的实例分割模型中,得到待处理影像中的建筑物掩膜与建筑边界框;
S20:根据建筑边界框获取目标建筑的影像块,将影像块与对应的建筑物掩膜输入图像分割模型,得到目标建筑的建筑物图斑,获取建筑物图斑的轮廓像素点位置;
S30:基于目标建筑的影像块检测目标建筑的主方向,基于主方向对目标建筑的建筑物图斑进行边界规则化处理,生成建筑物边界提取结果。
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。其中,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。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域普通技术人员应当理解;其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种建筑物轮廓提取方法,其特征在于:所述建筑物轮廓提取方法的步骤包括:
获取待处理影像并输入至预设的实例分割模型中,得到待处理影像中的建筑物掩膜与建筑边界框;
根据所述建筑边界框获取目标建筑的影像块,将所述影像块与对应的建筑物掩膜输入图像分割模型,得到目标建筑的建筑物图斑,获取建筑物图斑的轮廓像素点位置;
基于目标建筑的影像块检测目标建筑的主方向,基于所述主方向对目标建筑的建筑物图斑进行边界规则化处理,生成建筑物边界提取结果。
2.根据权利要求1所述的一种建筑物轮廓提取方法,其特征在于:获取待处理影像并输入至预设的实例分割模型中,得到待处理影像中的建筑物掩膜与建筑边界框的步骤之前,还包括:
获取建筑物样本图像并生成建筑物样本图像集;
通过建筑物样本图像集训练得到所述实例分割模型。
3.根据权利要求1所述的一种建筑物轮廓提取方法,其特征在于:将所述影像块与对应的建筑物掩膜输入图像分割模型,得到目标建筑的建筑物图斑的步骤中,具体包括:
基于建筑物掩膜图像在所述影像块中标记前景背景,生成前景背景标记图像;
基于前景背景标记图像获取高斯混合模型的参数;
基于高斯混合模型的参数,计算建筑物图斑的边界项,通过min-cut/max-flow算法将能量函数最小化,得到建筑物图斑分割结果。
4.根据权利要求3所述的一种建筑物轮廓提取方法,其特征在于:基于高斯混合模型的参数,计算建筑物图斑的边界项,通过min-cut/max-flow算法将能量函数最小化,得到建筑物图斑分割结果的步骤之后,还包括:
基于建筑物图斑分割结果的前景和背景重新获取高斯混合模型的参数,并重新获取建筑物图斑分割结果,重复本步骤至算法收敛。
5.根据权利要求1所述的一种建筑物轮廓提取方法,其特征在于:基于目标建筑的影像块检测目标建筑的主方向的步骤中,包括:
通过LSD算法对目标建筑的影像块进行处理,得到目标建筑的主方向。
6.根据权利要求5所述的一种建筑物轮廓提取方法,其特征在于:设置方向误差阈值e,基于所述主方向对目标建筑的建筑物图斑进行边界规则化处理,生成建筑物边界提取结果的步骤中,包括:
对获取的建筑物图斑的轮廓像素点坐标进行抽稀处理得到点集S,计算建筑物主方向的斜率k和主方向的垂直方向的斜率v;
按顺序遍历点集S所有的点,依序计算点pi与相邻点pi+1构成的直线的斜率di;
当|di-k|<e或者|di-v|<e时,从点pi开始遍历点集S,以获取主方向线段正交的相邻线段,从而得到建筑物图斑的规则边界作为建筑物边界提取结果。
7.根据权利要求6所述的一种建筑物轮廓提取方法,其特征在于:基于目标建筑的影像块检测目标建筑的主方向,基于所述主方向对目标建筑的建筑物图斑进行边界规则化处理,生成建筑物边界提取结果的步骤之后,还包括:
获取待处理影像的成像信息,基于所述成像信息和所述建筑物边界提取结果计算待处理影像中建筑物的面积数据。
8.一种建筑物轮廓提取系统,其特征在于,包括:
建筑识别模块,用于获取待处理影像并输入至预设的实例分割模型中,得到待处理影像中的建筑物掩膜与建筑边界框;
图像分割模块,用于根据所述建筑边界框获取目标建筑的影像块,将所述影像块与对应的建筑物掩膜输入图像分割模型,得到目标建筑的建筑物图斑,获取建筑物图斑的轮廓像素点位置;
边界规则化处理模块,用于基于目标建筑的影像块检测目标建筑的主方向,基于所述主方向对目标建筑的建筑物图斑进行边界规则化处理,生成建筑物边界提取结果。
9.一种计算机设备,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,其特征在于,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任一项所述用于建筑物轮廓提取方法的步骤。
10.一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,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述用于建筑物轮廓提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210182903.0A CN114529837A (zh) | 2022-02-25 | 2022-02-25 | 建筑物轮廓提取方法、系统、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210182903.0A CN114529837A (zh) | 2022-02-25 | 2022-02-25 | 建筑物轮廓提取方法、系统、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114529837A true CN114529837A (zh) | 2022-05-24 |
Family
ID=81624096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210182903.0A Pending CN114529837A (zh) | 2022-02-25 | 2022-02-25 | 建筑物轮廓提取方法、系统、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114529837A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114863288A (zh) * | 2022-07-05 | 2022-08-05 | 航天宏图信息技术股份有限公司 | 一种建筑物轮廓提取及规则化方法及装置 |
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 |
CN115223000A (zh) * | 2022-09-20 | 2022-10-21 | 江苏省基础地理信息中心 | 面向耕地资源监测的深度学习样本制作方法 |
CN115631307A (zh) * | 2022-11-17 | 2023-01-20 | 北京飞渡科技有限公司 | 一种建筑物分段轮廓提取与立面三维重建方法 |
CN116342613A (zh) * | 2023-06-01 | 2023-06-27 | 嘉兴视联智能科技股份有限公司 | 单晶硅棒晶线的自适应抗干扰机器视觉检测方法和系统 |
CN117095300A (zh) * | 2023-10-19 | 2023-11-21 | 腾讯科技(深圳)有限公司 | 建筑图像处理方法、装置、计算机设备和存储介质 |
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 |
-
2022
- 2022-02-25 CN CN202210182903.0A patent/CN114529837A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114863288A (zh) * | 2022-07-05 | 2022-08-05 | 航天宏图信息技术股份有限公司 | 一种建筑物轮廓提取及规则化方法及装置 |
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 |
CN115223000A (zh) * | 2022-09-20 | 2022-10-21 | 江苏省基础地理信息中心 | 面向耕地资源监测的深度学习样本制作方法 |
CN115223000B (zh) * | 2022-09-20 | 2024-02-13 | 江苏省基础地理信息中心 | 面向耕地资源监测的深度学习样本制作方法 |
CN115631307A (zh) * | 2022-11-17 | 2023-01-20 | 北京飞渡科技有限公司 | 一种建筑物分段轮廓提取与立面三维重建方法 |
CN115631307B (zh) * | 2022-11-17 | 2023-03-21 | 北京飞渡科技有限公司 | 一种建筑物分段轮廓提取与立面三维重建方法 |
CN116342613A (zh) * | 2023-06-01 | 2023-06-27 | 嘉兴视联智能科技股份有限公司 | 单晶硅棒晶线的自适应抗干扰机器视觉检测方法和系统 |
CN116342613B (zh) * | 2023-06-01 | 2023-08-04 | 嘉兴视联智能科技股份有限公司 | 单晶硅棒晶线的自适应抗干扰机器视觉检测方法和系统 |
CN117095300A (zh) * | 2023-10-19 | 2023-11-21 | 腾讯科技(深圳)有限公司 | 建筑图像处理方法、装置、计算机设备和存储介质 |
CN117095300B (zh) * | 2023-10-19 | 2024-02-06 | 腾讯科技(深圳)有限公司 | 建筑图像处理方法、装置、计算机设备和存储介质 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114529837A (zh) | 建筑物轮廓提取方法、系统、计算机设备及存储介质 | |
WO2020221298A1 (zh) | 文本检测模型训练方法、文本区域、内容确定方法和装置 | |
CN108388896B (zh) | 一种基于动态时序卷积神经网络的车牌识别方法 | |
CN106446896B (zh) | 一种字符分割方法、装置及电子设备 | |
CN109934847B (zh) | 弱纹理三维物体姿态估计的方法和装置 | |
CN110909663B (zh) | 一种人体关键点识别方法、装置及电子设备 | |
CN113109368A (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
CN111814905A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN110647885B (zh) | 基于图片识别的试卷拆分方法、装置、设备以及介质 | |
CN110176064B (zh) | 一种摄影测量生成三维模型的主体对象自动识别方法 | |
CN115331245B (zh) | 一种基于图像实例分割的表格结构识别方法 | |
CN111582093A (zh) | 一种基于计算机视觉和深度学习的高分辨率图像中小目标自动检测方法 | |
CN110598581B (zh) | 基于卷积神经网络的光学乐谱识别方法 | |
CN111368638A (zh) | 电子表格的创建方法、装置、计算机设备和存储介质 | |
CN112200056B (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN113177947B (zh) | 基于多模块卷积神经网络的复杂环境目标分割方法及装置 | |
CN110909665A (zh) | 一种多任务的图像处理方法、装置、电子设备及存储介质 | |
CN110222704B (zh) | 一种弱监督目标检测方法及装置 | |
JP2017500662A (ja) | 投影ひずみを補正するための方法及びシステム | |
CN117372487A (zh) | 图像配准方法、装置、计算机设备和存储介质 | |
CN113159103A (zh) | 图像匹配方法、装置、电子设备以及存储介质 | |
CN111027551B (zh) | 图像处理方法、设备和介质 | |
CN115409938A (zh) | 三维模型构建方法、装置、设备及存储介质 | |
CN110992371B (zh) | 一种基于先验信息的人像分割方法、装置及电子设备 | |
CN117877043B (zh) | 模型训练方法、文本的识别方法、装置、设备及介质 |
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 |