CN114639008A - 遥感图像建筑物提取方法、装置、设备及计算机存储介质 - Google Patents

遥感图像建筑物提取方法、装置、设备及计算机存储介质 Download PDF

Info

Publication number
CN114639008A
CN114639008A CN202011381274.1A CN202011381274A CN114639008A CN 114639008 A CN114639008 A CN 114639008A CN 202011381274 A CN202011381274 A CN 202011381274A CN 114639008 A CN114639008 A CN 114639008A
Authority
CN
China
Prior art keywords
remote sensing
building
sensing image
extraction
building extraction
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
Application number
CN202011381274.1A
Other languages
English (en)
Inventor
张澜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mobile Communications Group Co Ltd
China Mobile Chengdu ICT Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Chengdu ICT Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Mobile Communications Group Co Ltd, China Mobile Chengdu ICT Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202011381274.1A priority Critical patent/CN114639008A/zh
Publication of CN114639008A publication Critical patent/CN114639008A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种遥感图像建筑物提取方法、装置、设备及计算机存储介质。该遥感图像中的建筑物提取方法，包括：获取遥感图像；利用局部二值模式，将遥感图像生成特征图；基于特征图，利用均值漂移分割算法确定多个地物对象；基于多个地物对象，进行建筑物提取，得到建筑物提取结果。根据本申请实施例，能够更加准确地进行遥感图像中的建筑物提取。

Description

遥感图像建筑物提取方法、装置、设备及计算机存储介质
技术领域
本申请属于图像识别技术领域，尤其涉及一种遥感图像中的建筑物提取方法、装置、电子设备及计算机存储介质。
背景技术
建筑物是人类生活栖息的场所，与我们生活息息相关，基于高分遥感影像建筑物提取一直以来是遥感领域的一个热门方向。从第一颗遥感卫星发射以来，国内外学者就开始针对建筑物提取进行了大量的研究，针对低分辨率影像的建筑物区域提取算法比较成熟且精度较高，但算法并不能有效地应用到高分辨率影像，存在精度低、完整度低等问题。
建筑物提取主要是利用遥感影像中的光谱信息，空间信息，上下文信息，语义信息与辅助信息等。建筑物提取最开始关注的是特征驱动或者自顶向下的方法，研究者往往从边界直线、阴影、建筑物形状、直角等主要区别于其他地方的特征入手提取建筑物。值得注意的是，从特征入手的提取方法代表性思路主要分为三种，一是基于几何边界的形状特征，二是基于区域分割的方法进行提取，三是基于辅助信息的方法。其次是自顶向下的方法，大多数是基于模型的建筑物提取方法，主要分为三种：基于模式视觉认知的方法、基于先验模型的建筑物提取的方法、基于语义模型的方法。基于模型的建筑物提取方法其基本思路是将建筑物对象先抽象建立一个模型，通过从顶向下的特征将其从遥感影像中提取出来。现有技术的缺点在于：
基于几何边界的建筑物提取方法主要通过对建筑物的形状信息分析，映射出图像结构元和建筑物几何形态的关系，再结合先验知识和已有目标模型的符号化数学公式来描述高分影像中的建筑物形态，最后来实现建筑物中轮廓信息的提取。基于几何边界的建筑物提取方法受图像分割和遥感影像的质量影响较大，低质量的遥感影像会出现边界不清的情况。
基于区域分割的建筑物提取方法的优势很明显，是使用面向对象来进行分析，将计算机视觉中特征提取的方法运用到对象分析中来。但是该方法对于非典型建筑物，不规整建筑物效果有待改进。
通过融合多源遥感数据来进行建筑物检测，对遥感影像进行超像素分割并计算滑动窗口中的光谱信息、已知道路信息、高度信息来在对超像素分割后结果的基础上用多尺度多特征的方法对建筑物进行精确提取。但不同类型的建筑物在不同空间尺度以及变化规律的情况下，仍有许多表征和目标的重要特征值得引入来改进增强算法效果。
因此，如何更加准确地进行遥感图像中的建筑物提取是本领域技术人员亟需解决的技术问题。
发明内容
本申请实施例提供一种遥感图像中的建筑物提取方法、装置、电子设备及计算机存储介质，能够更加准确地进行遥感图像中的建筑物提取。
第一方面，本申请实施例提供一种遥感图像中的建筑物提取方法，包括：
获取遥感图像；
利用局部二值模式(Local Binary Patterns，LBP)，将遥感图像生成特征图；
基于特征图，利用均值漂移分割算法确定多个地物对象；
基于多个地物对象，进行建筑物提取，得到建筑物提取结果。
可选的，遥感图像为高分辨率遥感图像，高分辨率遥感图像为垂直分辨率大于等于720的图像。
可选的，基于多个地物对象，进行建筑物提取，得到建筑物提取结果，包括：
基于多个地物对象，采用监督分类方法进行建筑物提取，得到建筑物提取结果。
可选的，监督分类方法包括支持向量机(Support Vector Machine)分类算法、K最近邻(k-NearestNeighbor)分类算法中的至少一种。
可选的，基于多个地物对象，采用监督分类方法进行建筑物提取，得到建筑物提取结果，包括：
利用训练集对预设的分类器进行模型训练；
利用验证集对模型训练后的分类器进行精度评估；
在模型训练后的分类器的精度满足预设精度阈值的情况下，利用训练完成的分类器进行建筑物提取，得到建筑物提取结果。
第二方面，本申请实施例提供了一种遥感图像中的建筑物提取装置，包括：
获取模块，用于获取遥感图像；
生成模块，用于利用局部二值模式LBP，将遥感图像生成特征图；
确定模块，用于基于特征图，利用均值漂移分割算法确定多个地物对象；
提取模块，用于基于多个地物对象，进行建筑物提取，得到建筑物提取结果。
可选的，遥感图像为高分辨率遥感图像，高分辨率遥感图像为垂直分辨率大于等于720的图像。
可选的，提取模块，包括：
提取单元，用于基于多个地物对象，采用监督分类方法进行建筑物提取，得到建筑物提取结果。
可选的，监督分类方法包括支持向量机分类算法、K最近邻分类算法中的至少一种。
可选的，提取单元，包括：
模型训练子单元，用于利用训练集对预设的分类器进行模型训练；
精度评估子单元，用于利用验证集对模型训练后的分类器进行精度评估；
提取子单元，用于在模型训练后的分类器的精度满足预设精度阈值的情况下，利用训练完成的分类器进行建筑物提取，得到建筑物提取结果。
第三方面，本申请实施例提供了一种电子设备，电子设备包括：处理器以及存储有计算机程序指令的存储器；
处理器执行计算机程序指令时实现如第一方面所示的遥感图像中的建筑物提取方法。
第四方面，本申请实施例提供了一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如第一方面所示的遥感图像中的建筑物提取方法。
本申请实施例的遥感图像中的建筑物提取方法、装置、电子设备及计算机存储介质，能够更加准确地进行遥感图像中的建筑物提取。该遥感图像中的建筑物提取方法，包括：获取遥感图像；利用局部二值模式，将遥感图像生成特征图；基于特征图，利用均值漂移分割算法确定多个地物对象；基于多个地物对象，能够更加准确地进行建筑物提取，得到更加准确的建筑物提取结果。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，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，还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的遥感图像中的建筑物提取方法的流程示意图；
图2是本申请一个实施例提供的高分遥感影像的OOLBP特征提取示意图；
图3是本申请一个实施例提供的遥感图像中的建筑物提取装置的结构示意图；
图4是本申请一个实施例提供的电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了解决现有技术问题，本申请实施例提供了一种遥感图像中的建筑物提取方法、装置、电子设备及计算机存储介质。下面首先对本申请实施例所提供的遥感图像中的建筑物提取方法进行介绍。
图1示出了本申请一个实施例提供的遥感图像中的建筑物提取方法的流程示意图。如图1所示，该遥感图像中的建筑物提取方法包括：
S101、获取遥感图像。
在一个实施例中，遥感图像为高分辨率遥感图像，高分辨率遥感图像为垂直分辨率大于等于720的图像。
S102、利用局部二值模式LBP，将遥感图像生成特征图。
S103、基于特征图，利用均值漂移分割算法确定多个地物对象。
S104、基于多个地物对象，进行建筑物提取，得到建筑物提取结果。
在一个实施例中，基于多个地物对象，进行建筑物提取，得到建筑物提取结果，包括：
基于多个地物对象，采用监督分类方法进行建筑物提取，得到建筑物提取结果。
在一个实施例中，监督分类方法包括支持向量机分类算法、K最近邻分类算法中的至少一种。
在一个实施例中，基于多个地物对象，采用监督分类方法进行建筑物提取，得到建筑物提取结果，包括：利用训练集对预设的分类器进行模型训练；利用验证集对模型训练后的分类器进行精度评估；在模型训练后的分类器的精度满足预设精度阈值的情况下，利用训练完成的分类器进行建筑物提取，得到建筑物提取结果。
下面以一个具体实施例对上述技术方案进行说明。
本实施例采用谷歌地球0.68米高分遥感影像来作为技术方案详细阐述用例，具体步骤如下：
(一)利用LBP来对原始遥感影像进行分割得到各个地物对象。使用均值漂移分割算法是基于VS2012平台的C++语言，使用Opencv函数库，利用基于低密度特征图的均值漂移算法，需要使用Opencv库中对应的pyrMeanShiftFiltering函数，这个函数从严格定义并不是分割函数，可以定义为一种滤波的聚类函数，把色彩分布类似的像元点归为一类，且侵蚀面积较小干扰部分。具体步骤如下：
(1)根据低密度特征图已经分成的区域，再对每个区域再进行均值漂移分割，根据均值漂移分割的结果得到大致地物分割的结果。
(2)对遥感影像进行扫描(本实施例采取逐行扫描)，从左上角开始扫描到右下角，找到还没进行执行操作的像元点(X,Y)。
(3)以像元点(X,Y)为中心，对像元点的八个邻域进行种子点颜色特征一致的邻近的像元点合并成一个对象，同时会把邻近的像元点压入堆栈S。
(4)从堆栈S取出一个像元点，重复步骤(3)。
(5)当堆栈S为空时，重复进行步骤(2)。
(6)当前区域执行完后，继续进行下一个区域的步骤，直到完成所有操作。
基于低密度特征图的均值漂移分割算法思想是对小块区域再进行一次分割，低密度特征图虽然能提取大部分建筑物轮廓，但仍然会存在与其他地物的连接，所以本实施例利用均值漂移进一步的分割。但不足的是，这种算法是采取迭代方式，对计算时间的开销都比较大。
(二)用w×w的滑动窗口对每个对象进行遍历，统计LBP模式对。对每个对象统计LBP模式对(lc,lg)的量级，最终得到该对象的OOLBP特征向量。OOLBP特征定义如式(1)所示，OOLBPP,R(lc,lg)代表LBP模式对(lc,lg)在当前对象的统计；w表示描述建筑物轮廓信息的滑动窗口大小；lc表示滑动窗口中心的
Figure BDA0002809397890000071
值，则lg表示滑动窗口领域内的值。函数
Figure BDA0002809397890000072
定义如式(2)所示，其中
Figure BDA0002809397890000073
表示(x,y)处像元的
Figure BDA0002809397890000074
值；同理，
Figure BDA0002809397890000075
对应
Figure BDA0002809397890000076
值。p，q都是满足条件-w/2≤p≤w/2，-w/2≤q≤w/2的整数。
Figure BDA0002809397890000077
Figure BDA0002809397890000078
在LBP描述算子中，大多数基于LBP的图像分类采用圆形邻域。虽然从固定邻域的R范围大小扩展到任意邻域，对于高分影像的地物而言，单个
Figure BDA0002809397890000079
值有些变化，对象的OOLBP值分布不会根据邻域大小变化发生太大变化，所以本实施例
Figure BDA00028093978900000710
中的R半径设置为1，结构算子为圆形。对于滑动窗口大小的选择，虽然更大的窗口也意味能获取更多的上下文信息，但随着w增大，向量维数呈指数级增长，会增加样本量大小和训练时间，且高分遥感影像对象的OOLBP值分布规律不会根据邻域大小变化发生太大变化，所以本实施例滑动窗口w×w大小选择3×3。对分割对象进行遍历后，每个对象都会得到OOLBPP,R(lc,lg)的分布，得到多维向量，最终构成特征向量。
面向对象的局部二值模式算法如图2所示。图2选取了建筑物作为样本进行特征提取，针对对象中每个像元点从相邻八邻域内提取信息，将该像元点和周边像元点联系起来，继而对单个对象完成遍历，最后统计LBP模式对的比例形成特征向量。
通过选择不同地物对象的模式对，经过分类器的训练识别，最终来得到建筑物识别结果。由于建筑物是人为建造的，不同地区建筑物有着异同的纹理特征与形状特征，采用非监督分类方法，会降低算法的通用性，不利于于后续自动化提取建筑物。建筑物提取适合采用监督分类的方法，目前主流的监督分类有支持向量机(Support Vector Machine)、K最近邻(k-NearestNeighbor)分类算法等。因为本文实验所涉及建筑物类别的样本，建筑物其纹理特征相对于非建筑物的纹理特征比较单一，在分类的过程中容易产生样本不平衡的问题。支持向量机在处理二分样本不平衡问题上比K最近邻分类算法精度更高且在特征向量维数扩展后，SVM在处理高维数据时更优秀，相反KNN效率则较低。根据已知的样本特征求特征参数，确定判断准则和相应的判别函数，依次来计算未知类别的值，再依据判断函数的计算进行所属类别判定监督分类方法的主要流程如下：
(1)选择训练样本区，包括类别数、已经人工分类的训练集等。
(2)使用合适的分类器对训练集进行训练。
(3)用验证集内的样本对训练结果进行精度评估。
(4)调节参数设置，精度达到一定程度后，用训练完成的分类器对目标对象集进行建筑物提取。
通过对预处理效果、参数设置、与其他算法对比、大范围提取的角度等方面开展了进行实验，并对试验结果来进行对比分析算法的效果；结果表明，除了大范围提取的实验结果，其他的完整度都达了90％以上且提取出的轮廓较完整。
如图3所示，本申请实施例还提供一种遥感图像中的建筑物提取装置，包括：
获取模块301，用于获取遥感图像；
生成模块302，用于利用局部二值模式LBP，将遥感图像生成特征图；
确定模块303，用于基于特征图，利用均值漂移分割算法确定多个地物对象；
提取模块304，用于基于多个地物对象，进行建筑物提取，得到建筑物提取结果。
在一个实施例中，遥感图像为高分辨率遥感图像，高分辨率遥感图像为垂直分辨率大于等于720的图像。
在一个实施例中，提取模块304，包括：提取单元，用于基于多个地物对象，采用监督分类方法进行建筑物提取，得到建筑物提取结果。
在一个实施例中，监督分类方法包括支持向量机分类算法、K最近邻分类算法中的至少一种。
在一个实施例中，提取单元，包括：
模型训练子单元，用于利用训练集对预设的分类器进行模型训练；
精度评估子单元，用于利用验证集对模型训练后的分类器进行精度评估；
提取子单元，用于在模型训练后的分类器的精度满足预设精度阈值的情况下，利用训练完成的分类器进行建筑物提取，得到建筑物提取结果。
图3所示装置中的各个模块/单元具有实现图1中各个步骤的功能，并能达到其相应的技术效果，为简洁描述，在此不再赘述。
图4示出了本申请实施例提供的电子设备的结构示意图。
电子设备可以包括处理器401以及存储有计算机程序指令的存储器402。
具体地，上述处理器401可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器402可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器402可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器402可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器402可在电子设备的内部或外部。在特定实施例中，存储器402可以是非易失性固态存储器。
在一个实例中，存储器402可以是只读存储器(Read Only Memory，ROM)。在一个实例中，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器401通过读取并执行存储器402中存储的计算机程序指令，以实现上述实施例中的任意一种遥感图像中的建筑物提取方法。
在一个示例中，电子设备还可包括通信接口403和总线410。其中，如图4所示，处理器401、存储器402、通信接口403通过总线410连接并完成相互间的通信。
通信接口403，主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线410包括硬件、软件或两者，将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线410可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
另外，本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种遥感图像中的建筑物提取方法。
需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能模块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
上面参考根据本申请的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
以上所述，仅为本申请的具体实施方式，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，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，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，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。

Claims (12)

1.一种遥感图像中的建筑物提取方法，其特征在于，包括：
获取遥感图像；
利用局部二值模式LBP，将所述遥感图像生成特征图；
基于所述特征图，利用均值漂移分割算法确定多个地物对象；
基于多个所述地物对象，进行建筑物提取，得到建筑物提取结果。
2.根据权利要求1所述的遥感图像中的建筑物提取方法，其特征在于，所述遥感图像为高分辨率遥感图像，所述高分辨率遥感图像为垂直分辨率大于等于720的图像。
3.根据权利要求1所述的遥感图像中的建筑物提取方法，其特征在于，所述基于多个所述地物对象，进行建筑物提取，得到建筑物提取结果，包括：
基于多个所述地物对象，采用监督分类方法进行建筑物提取，得到所述建筑物提取结果。
4.根据权利要求3所述的遥感图像中的建筑物提取方法，其特征在于，所述监督分类方法包括支持向量机分类算法、K最近邻分类算法中的至少一种。
5.根据权利要求3所述的遥感图像中的建筑物提取方法，其特征在于，所述基于多个所述地物对象，采用监督分类方法进行建筑物提取，得到所述建筑物提取结果，包括：
利用训练集对预设的分类器进行模型训练；
利用验证集对模型训练后的分类器进行精度评估；
在模型训练后的分类器的精度满足预设精度阈值的情况下，利用训练完成的分类器进行建筑物提取，得到所述建筑物提取结果。
6.一种遥感图像中的建筑物提取装置，其特征在于，包括：
获取模块，用于获取遥感图像；
生成模块，用于利用局部二值模式LBP，将所述遥感图像生成特征图；
确定模块，用于基于所述特征图，利用均值漂移分割算法确定多个地物对象；
提取模块，用于基于多个所述地物对象，进行建筑物提取，得到建筑物提取结果。
7.根据权利要求6所述的遥感图像中的建筑物提取装置，其特征在于，所述遥感图像为高分辨率遥感图像，所述高分辨率遥感图像为垂直分辨率大于等于720的图像。
8.根据权利要求6所述的遥感图像中的建筑物提取装置，其特征在于，所述提取模块，包括：
提取单元，用于基于多个所述地物对象，采用监督分类方法进行建筑物提取，得到所述建筑物提取结果。
9.根据权利要求8所述的遥感图像中的建筑物提取装置，其特征在于，所述监督分类方法包括支持向量机分类算法、K最近邻分类算法中的至少一种。
10.根据权利要求8所述的遥感图像中的建筑物提取装置，其特征在于，所述提取单元，包括：
模型训练子单元，用于利用训练集对预设的分类器进行模型训练；
精度评估子单元，用于利用验证集对模型训练后的分类器进行精度评估；
提取子单元，用于在模型训练后的分类器的精度满足预设精度阈值的情况下，利用训练完成的分类器进行建筑物提取，得到所述建筑物提取结果。
11.一种电子设备，其特征在于，所述电子设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1-5任意一项所述的遥感图像中的建筑物提取方法。
12.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-5任意一项所述的遥感图像中的建筑物提取方法。
CN202011381274.1A 2020-12-01 2020-12-01 遥感图像建筑物提取方法、装置、设备及计算机存储介质 Pending CN114639008A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011381274.1A CN114639008A (zh) 2020-12-01 2020-12-01 遥感图像建筑物提取方法、装置、设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011381274.1A CN114639008A (zh) 2020-12-01 2020-12-01 遥感图像建筑物提取方法、装置、设备及计算机存储介质

Publications (1)

Publication Number Publication Date
CN114639008A true CN114639008A (zh) 2022-06-17

Family

ID=81944544

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011381274.1A Pending CN114639008A (zh) 2020-12-01 2020-12-01 遥感图像建筑物提取方法、装置、设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN114639008A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049763A (zh) * 2012-12-07 2013-04-17 华中科技大学 一种基于上下文约束的目标识别方法
CN103679187A (zh) * 2012-09-12 2014-03-26 深圳先进技术研究院 图像识别方法和系统
CN110008854A (zh) * 2019-03-18 2019-07-12 中交第二公路勘察设计研究院有限公司 基于预训练dcnn的无人机影像公路地质灾害识别方法
WO2020164278A1 (zh) * 2019-02-14 2020-08-20 平安科技（深圳）有限公司 一种图像处理方法、装置、电子设备和可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679187A (zh) * 2012-09-12 2014-03-26 深圳先进技术研究院 图像识别方法和系统
CN103049763A (zh) * 2012-12-07 2013-04-17 华中科技大学 一种基于上下文约束的目标识别方法
WO2020164278A1 (zh) * 2019-02-14 2020-08-20 平安科技（深圳）有限公司 一种图像处理方法、装置、电子设备和可读存储介质
CN110008854A (zh) * 2019-03-18 2019-07-12 中交第二公路勘察设计研究院有限公司 基于预训练dcnn的无人机影像公路地质灾害识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LAN ZHANG: "Building Change Detection Using Object-Oriented LBP Feature Map In Very High Spatial Resolution Imagery", 《2019 10TH INTERNATIONAL WORKSHOP ON THE ANALYSIS OF MULTITEMPORAL REMOTE SENSING IMAGES(MULTITEMP)》, 14 October 2019 (2019-10-14), pages 1 - 4 *

Similar Documents

Publication Publication Date Title
CN111461134B (zh) 一种基于生成对抗网络的低分辨率车牌识别方法
CN103400151B (zh) 一体化的光学遥感影像与gis自动配准与水体提取方法
CN109033950B (zh) 基于多特征融合级联深度模型的车辆违停检测方法
CN107665351B (zh) 基于难样本挖掘的机场检测方法
CN113591967B (zh) 一种图像处理方法、装置、设备及计算机存储介质
CN107392141B (zh) 一种基于显著性检测和lsd直线检测的机场提取方法
Zhang et al. Road recognition from remote sensing imagery using incremental learning
CN111539330B (zh) 一种基于双svm多分类器的变电站数显仪表识别方法
CN108960055B (zh) 一种基于局部线段模式特征的车道线检测方法
CN108537286B (zh) 一种基于关键区域检测的复杂目标精准识别方法
CN105513066B (zh) 一种基于种子点选取与超像素融合的通用物体检测方法
CN105975913A (zh) 一种基于自适应聚类学习的道路网提取的方法
CN108509950B (zh) 基于概率特征加权融合的铁路接触网支柱号牌检测识别法
CN110502962B (zh) 视频流中目标的检测方法、装置、设备和介质
CN106778742B (zh) 一种基于Gabor滤波器背景纹理抑制的车标检测方法
CN116092013A (zh) 一种用于智慧监控的危险路况识别方法
CN116740652B (zh) 一种基于神经网络模型的锈斑面积扩大的监测方法与系统
CN116703895B (zh) 基于生成对抗网络的小样本3d视觉检测方法及其系统
CN109993213A (zh) 一种用于服装部件图的自动识别方法
CN115797813B (zh) 基于航拍图像的水环境污染检测方法
CN114742849A (zh) 一种基于图像增强的水准仪距离测量方法
CN113673534B (zh) 一种基于Faster RCNN的RGB-D图像果实检测方法
CN109829511B (zh) 基于纹理分类的下视红外图像中云层区域检测方法
CN112329677A (zh) 基于特征融合的遥感图像河道目标检测方法和装置
CN114639008A (zh) 遥感图像建筑物提取方法、装置、设备及计算机存储介质

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