CN117274833A - 一种建筑轮廓处理方法、装置、设备和存储介质 - Google Patents
一种建筑轮廓处理方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN117274833A CN117274833A CN202311539978.0A CN202311539978A CN117274833A CN 117274833 A CN117274833 A CN 117274833A CN 202311539978 A CN202311539978 A CN 202311539978A CN 117274833 A CN117274833 A CN 117274833A
- Authority
- CN
- China
- Prior art keywords
- target
- rectangular area
- target rectangular
- mask
- building
- 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
- 238000003672 processing method Methods 0.000 title abstract description 5
- 239000013598 vector Substances 0.000 claims abstract description 67
- 230000011218 segmentation Effects 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000005215 recombination Methods 0.000 claims abstract description 5
- 230000006798 recombination Effects 0.000 claims abstract description 5
- 230000008521 reorganization Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 230000005484 gravity Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种建筑轮廓处理方法、装置、设备和存储介质，该方法包括：获取目标遥感影像中目标建筑对应的初始掩膜；对初始掩膜进行分割，得到组成初始掩膜对应区域的多个目标矩形区域；基于各个目标矩形区域的尺寸和方向，将与第一目标矩形区域的距离小于第一预设阈值的第二目标矩形区域合并至第一目标矩形区域，和/或将与第一目标矩形区域的距离小于第一预设阈值且延伸方向相同的目标矩形区域进行合并，得到合并区域；第一目标矩形区域为目标矩形区域中尺寸大于第二预设阈值的矩形区域，第二目标矩形区域为目标矩形区域中尺寸不大于第二预设阈值的矩形区域；对合并区域进行群聚分割和重组，确定目标建筑对应的规整化建筑矢量轮廓。
Description
技术领域
本申请涉及图形图像处理技术领域，具体而言，涉及一种建筑轮廓处理方法、装置、设备和存储介质。
背景技术
利用遥感影像来提取建筑轮廓是遥感、测绘领域里一个重点研究内容。目前，在建筑轮廓提取方面，一般都是采用人工的方法，或利用深度学习提供的建筑掩膜，然后利用道格拉斯-普克算法对轮廓进行矢量化提取。建筑轮廓一般是由一些规整的几何形状组合而成，其中绝大多数建筑轮廓都接近于矩形，或者可以表示为几个矩形的组合。特别是建筑的拐角几乎都是垂直的，并且边缘要么互相垂直要么平行。所以用矩形来规整化基于深度学习提取的粗糙建筑掩膜可以更加方便、高效。
然而，当前利用矩形对建筑掩膜进行切割时，往往忽略了建筑结构之间的统一性，可能会导致各个矩形之间出现方向差异和掩膜交叉部分错误的问题，从而影响建筑轮廓的整体质量。
发明内容
为了解决上述问题，本申请实施例提供了一种建筑轮廓处理方法、装置、设备和存储介质。
第一方面，本申请实施例提供了一种建筑轮廓处理方法，所述方法包括：
获取目标遥感影像中目标建筑对应的初始掩膜；
对所述初始掩膜进行分割，得到组成所述初始掩膜对应区域的多个目标矩形区域；
基于各个所述目标矩形区域的尺寸和方向，将与第一目标矩形区域的距离小于第一预设阈值的第二目标矩形区域合并至所述第一目标矩形区域，和/或将与所述第一目标矩形区域的距离小于第一预设阈值且延伸方向相同的目标矩形区域进行合并，得到合并区域；所述第一目标矩形区域为所述目标矩形区域中尺寸大于第二预设阈值的矩形区域，所述第二目标矩形区域为所述目标矩形区域中尺寸不大于第二预设阈值的矩形区域；
对所述合并区域进行群聚分割和重组，确定所述目标建筑对应的规整化建筑矢量轮廓。
优选的，所述对所述初始掩膜进行分割，得到组成所述初始掩膜对应区域的多个目标矩形区域，包括：
利用道格拉斯-佩克算法从所述初始掩膜中提取掩膜矢量轮廓；
基于所述掩膜矢量轮廓的初始基准线段确定出目标边缘线段；所述初始基准线段为所述掩膜矢量轮廓上的多个预设角度区间中对应的轮廓折线总长度最大的所述预设角度区间对应的线段；所述预设角度区间是通过预设角度对所述掩膜矢量轮廓进行划分得到的；
将所述目标边缘线段和所述初始基准线段所形成的矩形区域确定为所述目标矩形区域。
优选的，所述基于所述掩膜矢量轮廓的初始基准线段确定出目标边缘线段，包括：
利用以下公式确定各初始基准线段对应的得分，并将得分最高的所述初始基准线段确定为目标边缘线段：
；
其中，为初始基准线段的总体得分，/>为重合区域面积与两个区域整体所占面积之间的比值，/>为矩形中掩膜所占的比例，/>是初始基准线段与掩膜边缘的重合度，/>、/>、/>为/>、/>和/>之间的比重因子。
优选的，所述对所述合并区域进行群聚分割和重组，确定所述目标建筑对应的规整化建筑矢量轮廓，包括：
分别对所述合并区域进行横向群聚分割和纵向群聚分割，并对分割后的区域进行重组，确定所述目标建筑对应的规整化建筑矢量轮廓。
优选的，所述对所述合并区域进行群聚分割和重组，确定所述目标建筑对应的规整化建筑矢量轮廓，包括：
以所述合并区域中各个所述目标矩形区域的长边为基准，对所述目标矩形区域进行旋转，使所述长边与水平方向之间的角度为0度；
对旋转调整后的所述合并区域进行膨胀和去噪处理，得到初始规整化掩膜；
基于像素点在所述初始规整化掩膜中的位置生成对应的特征向量；
基于所述特征向量对所述像素点进行横向群聚分割和纵向群聚分割，确定每一所述像素点对应的群聚类别；
若属于同一所述群聚类别且彼此相邻的所述像素点的行数或列数小于第三预设阈值，将属于所述群聚类别且彼此相邻的像素点进行合并，并将所述像素点的像素值替换为像素点所属的群聚类别的中心特征值，确定所述目标建筑对应的规整化建筑矢量轮廓。
优选的，所述对所述合并区域进行群聚分割和重组，确定所述目标建筑对应的规整化建筑矢量轮廓，还包括：
若存在第三目标矩形区域和第四目标矩形区域在横向群聚分割和纵向群聚分割中所属同一群聚类别，将所述第三目标矩形区域和所述第四目标矩形区域进行合并。
优选的，所述对所述合并区域进行群聚分割和重组，确定所述目标建筑对应的规整化建筑矢量轮廓，还包括：
若存在目标矩形区域中的掩膜占比小于第四预设阈值，将所述目标矩形区域从所述初始规整化掩膜中剔除。
第二方面，本申请实施例提供了一种建筑轮廓处理装置，所述装置包括：
获取模块，用于获取目标遥感影像中目标建筑对应的初始掩膜；
分割模块，用于对所述初始掩膜进行分割，得到组成所述初始掩膜对应区域的多个目标矩形区域；
合并模块，用于基于各个所述目标矩形区域的尺寸和方向，将与第一目标矩形区域的距离小于第一预设阈值的第二目标矩形区域合并至所述第一目标矩形区域，和/或将与所述第一目标矩形区域的距离小于第一预设阈值且延伸方向相同的目标矩形区域进行合并，得到合并区域；所述第一目标矩形区域为所述目标矩形区域中尺寸大于第二预设阈值的矩形区域，所述第二目标矩形区域为所述目标矩形区域中尺寸不大于第二预设阈值的矩形区域；
重组模块，用于对所述合并区域进行群聚分割和重组，确定所述目标建筑对应的规整化建筑矢量轮廓。
第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在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第一方面或第一方面的任意一种可能的实现方式提供的方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或第一方面的任意一种可能的实现方式提供的方法。
本发明的有益效果为：通过对初始掩膜进行分割得到多个目标矩形区域，并将满足条件的目标矩形区域进行合并，减少了单个目标矩形区域可能造成的误差，提高了建筑轮廓的整体质量。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需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申请的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种建筑轮廓处理方法的流程示意图；
图2为本申请实施例提供的确定目标矩形区域的流程示意图；
图3为本申请实施例提供的确定规整化建筑矢量轮廓的流程示意图；
图4为本申请实施例提供的一种建筑轮廓处理装置的结构示意图；
图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
在下述介绍中，术语“第一”、“第二”仅为用于描述的目的，而不能理解为指示或暗示相对重要性。下述介绍提供了本申请的多个实施例，不同实施例之间可以替换或者合并组合，因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而，如果一个实施例包含特征A、B、C，另一个实施例包含特征B、D，那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例，尽管该实施例可能并未在以下内容中有明确的文字记载。
下面的描述提供了示例，并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本申请内容的范围的情况下，对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行，并且可以添加、省略或组合各种步骤。此外，可以将关于一些示例描述的特征组合到其他示例中。
为了更好地理解本发明，在描述本发明之前，首先对文中出现的名词的含义进行解释。
参见图1，图1是本申请实施例提供的一种建筑轮廓处理方法的流程示意图。在本申请实施例中，所述方法包括：
步骤S110，获取目标遥感影像中目标建筑对应的初始掩膜。
这里，目标遥感影像可以是通过对卫星采集的卫星影像或相片进行二值化处理后得到的影像。初始掩膜则是对目标遥感影像进行边缘检测后得到的目标遥感影像中每个建筑的掩膜图像。
步骤S120，对初始掩膜进行分割，得到组成初始掩膜对应区域的多个目标矩形区域。
在本实施例中，利用矩形对提取的初始掩膜进行分割，以多个大小不一的矩形的组合来表示建筑轮廓，且实现矩形区域的边缘与建筑轮廓边缘在最大程度上的重合。
在一种可实施方式中，参见图2，图2为本申请实施例提供的确定目标矩形区域的流程示意图。步骤S120，对初始掩膜进行分割，得到组成初始掩膜对应区域的多个目标矩形区域，包括：
步骤S121，利用道格拉斯-佩克算法从初始掩膜中提取掩膜矢量轮廓。
这里，利用道格拉斯-佩克算法检测初始掩膜中存在的多个边缘线段。具体的，通过对初始掩膜轮廓线进行采样简化，在曲线上取有限个采样点，将其变为折线，同时在一定程度上保持原有形状的不变 ，进而得到掩膜矢量轮廓。
步骤S122，基于掩膜矢量轮廓的初始基准线段确定出目标边缘线段；初始基准线段为掩膜矢量轮廓上的多个预设角度区间中对应的轮廓折线总长度最大的预设角度区间对应的线段；预设角度区间是通过预设角度对掩膜矢量轮廓进行划分得到的。
在本实施例中，初始基准线段可以是掩膜矢量轮廓上的一条边缘线段，在此基础上，通过计算掩膜覆盖率可以确定目标边缘线段的范围，进而考虑到与初始掩膜边缘的距离，从而对目标边缘线段进行定位。
在一个示例中，以5°为间隔，统计掩膜矢量轮廓上的所有连续折线的角度分布（0°-180°范围），并记录各折线长度。在合并相差90°的区间内，对所有折线的长度之和进行排序，在折线长度之和最大的角度区间内，选取最长的一条折线作为分割矩形的初始基准线段。
在一种可实施方式中，步骤S122，基于掩膜矢量轮廓的初始基准线段确定出目标边缘线段，包括：
利用以下公式确定各初始基准线段对应的得分，并将得分最高的初始基准线段确定为目标边缘线段：
；
其中，为初始基准线段的总体得分，/>为重合区域面积与两个区域整体所占面积之间的比值，/>为矩形中掩膜所占的比例，/>是初始基准线段与掩膜边缘的重合度，/>、/>、/>为/>、/>和/>之间的比重因子。
通过基于初始基准线段的总体得分确定目标边缘线段，可以即保证生成的目标矩形区域的掩膜覆盖率达到最大值，同时又贴近掩膜本身的边缘线。
步骤S123，将目标边缘线段和初始基准线段所形成的矩形区域确定为目标矩形区域。
这里，各边缘线段对应的得分确定后，基于各边缘线段的得分可以从多个边缘线段中确定出得分最高的目标边缘线段，然后将目标边缘线段与初始基准线段所形成的矩形区域确定为目标矩形区域。
示例性的，在垂直方向，利用上述公式确定出得分最高的目标边缘线段y2，结合初始线段（包括横向边缘线段x1，x2和竖向边缘线段y1），从而可以确定目标矩形区域（x1，x2，y1，y2）。
在本实施例中，利用目标边缘线段y2和横向边缘线段x1，x2，可以形成一个新的初始边缘，重复上述步骤S122、步骤S123，可以找到新的竖向边缘线段y1。在此基础上，对掩膜矢量轮廓旋转90°，横向边缘线段和竖向边缘线段对调，找到对应的新的横向边缘线段x1，x2，重复上面的步骤，直到x1，x2，y1，y2的位置没有变化。对于初始掩膜的剩余部分，重复步骤S122、S123，直至初始掩膜的剩余面积小于预设面积阈值。这里，预设面积阈值可以是根据经验或精度要求进行选定，对此不进行限制。
步骤S130，基于各个目标矩形区域的尺寸和方向，将与第一目标矩形区域的距离小于第一预设阈值的第二目标矩形区域合并至第一目标矩形区域，和/或将与第一目标矩形区域的距离小于第一预设阈值且延伸方向相同的目标矩形区域进行合并，得到合并区域；第一目标矩形区域为目标矩形区域中尺寸大于第二预设阈值的矩形区域，第二目标矩形区域为目标矩形区域中尺寸不大于第二预设阈值的矩形区域。
在本实施例中，将尺寸较小的目标矩形区域合并至尺寸较大的目标矩形区域中，同时还可以将方向相同的目标矩形区域进行合并，以减少单个目标矩形区域的误差，提高整体规整性。如第二预设阈值可以为4平方米，将目标矩形区域中尺寸大于的矩形区域划分为第一目标矩形区域，将目标矩形区域中尺寸不大于的矩形区域划分为第二目标矩形区域。需要说明的是，第二预设阈值为4平方米仅为示例性说明，具体数值还可以是5平方米、6平方米，对此不进行枚举。
在一个示例中，获取与第一目标矩形区域的距离不超过第一预设阈值的范围内的所有其他目标矩形区域，若这些目标矩形区域中存在尺寸不大于第二预设阈值的矩形区域，则将该目标矩形区域合并至第一目标矩形区域中。
在另一个示例中，获取与第五目标矩形区域的距离不超过第一预设阈值的范围内的所有其他目标矩形区域，若这些目标矩形区域中存在与第三目标矩形区域方向相同的矩形区域，则将该矩形区域与第五目标矩形区域进行合并。这里，第三目标矩形区域为多个目标矩形区域中的任一个矩形区域。
步骤S140，对合并区域进行群聚分割和重组，确定目标建筑对应的规整化建筑矢量轮廓。
这里，在确定出合并区域后，针对初始掩膜的合并区域，可以根据像素的相似性进行群聚分割和重组，确定目标建筑对应的规整化建筑矢量轮廓。
在一种可实施方式中，步骤S140，对合并区域进行群聚分割和重组，确定目标建筑对应的规整化建筑矢量轮廓，包括：
分别对合并区域进行横向群聚分割和纵向群聚分割，并对分割后的区域进行重组，确定目标建筑对应的规整化建筑矢量轮廓。
在本实施例中，根据合并区域中的图像像素的位置关系将合并区域分割成多个列或行，具体的，基于像素的垂直或水平方向上的位置关系进行分割，将相邻的像素聚集在一起，形成不同的列或行。
在一种可实施方式中，在一种可实施方式中，参见图3，图3为本申请实施例提供的确定规整化建筑矢量轮廓的流程示意图。步骤S140，对合并区域进行群聚分割和重组，确定目标建筑对应的规整化建筑矢量轮廓，包括：
步骤S141，以合并区域中各个目标矩形区域的长边为基准，对目标矩形区域进行旋转，使长边与水平方向之间的角度为0度。
在本实施例中，在进行群聚分割之前，针对合并区域中的每一个目标矩形区域内的初始掩膜，根据其长边将初始掩膜旋转到水平位置。具体的，以合并区域中各个目标矩形区域的长边为基准，对目标矩形区域进行旋转，使长边与水平方向之间的角度为0度。
步骤S142，对旋转调整后的合并区域进行膨胀和去噪处理，得到初始规整化掩膜。
这里，对旋转调整后的合并区域进行膨胀处理，以扩宽合并区域中的目标矩形区域，填补图像分割后形成的空洞，在此基础上，利用高斯图像滤波进行去噪处理，平滑图像噪点。
步骤S143，基于像素点在初始规整化掩膜中的位置生成对应的特征向量。
这里，针对每一行像素点，将该行中每个像素点可以用0或1表示，若像素点在掩膜处则为1，若像素点在背景处则为0，即可得到该行像素点对应的特征向量。掩膜中有多少行像素点，就会有多少个特征向量。相应的，对于每一列像素点同样适用。
步骤S144，基于特征向量对像素点进行横向群聚分割和纵向群聚分割，确定每一像素点对应的群聚类别。
在确定像素点对应的特征向量后，基于特征向量可以对每一行像素点或每一列像素点进行横向群聚分割和纵向群聚分割，确定出每一行像素点和每一列像素点对应的群聚类别。
步骤S145，若属于同一群聚类别且彼此相邻的像素点的行数或列数小于第三预设阈值，将属于群聚类别且彼此相邻的像素点进行合并，并将像素点的像素值替换为像素点所属的群聚类别的中心特征值，确定目标建筑对应的规整化建筑矢量轮廓。
这里，像素点分类完成后，若属于同一群聚类别且彼此相邻的像素点的行数或列数小于第三预设阈值，将属于群聚类别且彼此相邻的像素点进行合并，以剔除像素点中的噪点。在完成上述的剔除噪点的操作后，将像素点的像素值替换为像素点所属的群聚类别的中心特征值，从而完成了对掩膜的聚类分割，得到规整化建筑矢量轮廓。这样，规整化建筑矢量轮廓在横向和纵向上更加规整，每个像素点的像素值都与所属类别的中心特征值相同，减少了毛刺、扭曲和缺失等。
在一种可实施方式中，步骤S140，对合并区域进行群聚分割和重组，确定目标建筑对应的规整化建筑矢量轮廓，还包括：
若存在第三目标矩形区域和第四目标矩形区域在横向群聚分割和纵向群聚分割中所属同一群聚类别，将第三目标矩形区域和第四目标矩形区域进行合并。
在本实施例中，若存在不同目标矩形区域在横向群聚分割和纵向群聚分割中所属同一群聚类别，可以认为这些目标矩形区域是相似的或相关的，因此，可以进行合并，进一步矩形区域的单个误差。第三目标矩形区域和第四目标矩形区域可以为在横向群聚分割和纵向群聚分割中所属同一群聚类别的不同目标矩形区域。
在一种可实施方式中，步骤S140，对合并区域进行群聚分割和重组，确定目标建筑对应的规整化建筑矢量轮廓，还包括：
若存在目标矩形区域中的掩膜占比小于第四预设阈值，将目标矩形区域从初始规整化掩膜中剔除。
这里，第四预设阈值可以根据经验或精度需求进行确定，示例性的，针对每一个目标矩形区域，若其中掩膜占比小于50%，则剔除该目标矩形区域。
本申请实施例通过对初始掩膜进行分割得到多个目标矩形区域，并将满足条件的目标矩形区域进行合并，减少了单个目标矩形区域可能造成的误差，提高了建筑轮廓的整体质量。
下面将结合附图4，对本申请实施例提供的一种建筑轮廓处理装置进行详细介绍。需要说明的是，图4为本申请实施例提供的一种建筑轮廓处理装置的结构示意图，用于执行本申请图1所示实施例的方法，为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请图1所示的实施例。
请参见图4，图4是本申请实施例提供的一种建筑轮廓处理装置的结构示意图。如图4所示，该建筑轮廓处理装置400包括：
获取模块410，用于获取目标遥感影像中目标建筑对应的初始掩膜；
分割模块420，用于对初始掩膜进行分割，得到组成初始掩膜对应区域的多个目标矩形区域；
合并模块430，用于基于各个目标矩形区域的尺寸和方向，将与第一目标矩形区域的距离小于第一预设阈值的第二目标矩形区域合并至第一目标矩形区域，和/或将与第一目标矩形区域的距离小于第一预设阈值且延伸方向相同的目标矩形区域进行合并，得到合并区域；第一目标矩形区域为目标矩形区域中尺寸大于第二预设阈值的矩形区域，第二目标矩形区域为目标矩形区域中尺寸不大于第二预设阈值的矩形区域；
重组模块440，用于对所述合并区域进行群聚分割和重组，确定所述目标建筑对应的规整化建筑矢量轮廓。
在一种可实施方式中，分割模块420具体用于：
利用道格拉斯-佩克算法从初始掩膜中提取掩膜矢量轮廓；
基于掩膜矢量轮廓的初始基准线段确定出目标边缘线段；初始基准线段为掩膜矢量轮廓上的多个预设角度区间中对应的轮廓折线总长度最大的预设角度区间对应的线段；预设角度区间是通过预设角度对掩膜矢量轮廓进行划分得到的；
将目标边缘线段和初始基准线段所形成的矩形区域确定为目标矩形区域。
在一种可实施方式中，分割模块420具体还用于：
利用以下公式确定各初始基准线段对应的得分，并将得分最高的初始基准线段确定为目标边缘线段：
；
其中，为初始基准线段的总体得分，/>为重合区域面积与两个区域整体所占面积之间的比值，/>为矩形中掩膜所占的比例，/>是初始基准线段与掩膜边缘的重合度，/>、/>、/>为/>、/>和/>之间的比重因子。
在一种可实施方式中，重组模块440具体用于：
分别对合并区域进行横向群聚分割和纵向群聚分割，并对分割后的区域进行重组，确定目标建筑对应的规整化建筑矢量轮廓。
在一种可实施方式中，重组模块440具体用于：
以合并区域中各个目标矩形区域的长边为基准，对目标矩形区域进行旋转，使长边与水平方向之间的角度为0度；
对旋转调整后的合并区域进行膨胀和去噪处理，得到初始规整化掩膜；
基于像素点在初始规整化掩膜中的位置生成对应的特征向量；
基于特征向量对像素点进行横向群聚分割和纵向群聚分割，确定每一像素点对应的群聚类别；
若属于同一群聚类别且彼此相邻的像素点的行数或列数小于第三预设阈值，将属于群聚类别且彼此相邻的像素点进行合并，并将像素点的像素值替换为像素点所属的群聚类别的中心特征值，确定目标建筑对应的规整化建筑矢量轮廓。
在一种可实施方式中，重组模块440具体用于：
若存在不同目标矩形区域在横向群聚分割和纵向群聚分割中所属同一群聚类别，将目标矩形区域进行合并。
在一种可实施方式中，重组模块440具体用于：
若存在目标矩形区域中的掩膜占比小于第四预设阈值，将目标矩形区域从初始规整化掩膜中剔除。
本领域的技术人员可以清楚地了解到本申请实施例的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件，其中硬件例如可以是现场可编程门阵列（Field－ProgrammableGate Array，FPGA）、集成电路（Integrated Circuit，IC）等。
本申请实施例的各处理单元和/或模块，可通过实现本申请实施例所述的功能的模拟电路而实现，也可以通过执行本申请实施例所述的功能的软件而实现。
参见图5，其示出了本申请实施例所涉及的一种电子设备的结构示意图，该电子设备可以用于实施图1所示实施例中的方法。如图5所示，电子设备500可以包括：至少一个中央处理器501，至少一个网络接口504，用户接口503，存储器505，至少一个通信总线502。
其中，通信总线502用于实现这些组件之间的连接通信。
其中，用户接口503可以包括显示屏（Display）、摄像头（Camera），可选用户接口503还可以包括标准的有线接口、无线接口。
其中，网络接口504可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。
其中，中央处理器501可以包括一个或者多个处理核心。中央处理器501利用各种接口和线路连接整个电子设备500内的各个部分，通过运行或执行存储在存储器505内的指令、程序、代码集或指令集，以及调用存储在存储器505内的数据，执行终端500的各种功能和处理数据。可选的，中央处理器501可以采用数字信号处理（Digital SignalProcessing，DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（Programmable Logic Array，PLA）中的至少一种硬件形式来实现。中央处理器501可集成中央中央处理器（Central Processing Unit，CPU）、图像中央处理器（GraphicsProcessing Unit，GPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到中央处理器501中，单独通过一块芯片进行实现。
其中，存储器505可以包括随机存储器（Random Access Memory，RAM），也可以包括只读存储器（Read-OnlyMemory）。可选的，该存储器505包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器505可用于存储指令、程序、代码、代码集或指令集。存储器505可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器505可选的还可以是至少一个位于远离前述中央处理器501的存储装置。如图3所示，作为一种计算机存储介质的存储器505中可以包括操作系统、网络通信模块、用户接口模块以及程序指令。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。其中，计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统（包括分子存储器IC），或适合于存储指令和/或数据的任何类型的媒介或设备。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器（Read-Only Memory， ROM）、随机存取存储器（Random Access Memory，RAM）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器（Read-Only Memory， ROM）、随机存取器（Random AccessMemory，RAM）、磁盘或光盘等。
以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后，将容易想到本公开的其实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。
Claims (10)
1.一种建筑轮廓处理方法，其特征在于，所述方法包括：
获取目标遥感影像中目标建筑对应的初始掩膜；
对所述初始掩膜进行分割，得到组成所述初始掩膜对应区域的多个目标矩形区域；
基于各个所述目标矩形区域的尺寸和方向，将与第一目标矩形区域的距离小于第一预设阈值的第二目标矩形区域合并至所述第一目标矩形区域，和/或将与所述第一目标矩形区域的距离小于第一预设阈值且延伸方向相同的目标矩形区域进行合并，得到合并区域；所述第一目标矩形区域为所述目标矩形区域中尺寸大于第二预设阈值的矩形区域，所述第二目标矩形区域为所述目标矩形区域中尺寸不大于第二预设阈值的矩形区域；
对所述合并区域进行群聚分割和重组，确定所述目标建筑对应的规整化建筑矢量轮廓。
2.根据权利要求1所述的方法，其特征在于，所述对所述初始掩膜进行分割，得到组成所述初始掩膜对应区域的多个目标矩形区域，包括：
利用道格拉斯-佩克算法从所述初始掩膜中提取掩膜矢量轮廓；
基于所述掩膜矢量轮廓的初始基准线段确定出目标边缘线段；所述初始基准线段为所述掩膜矢量轮廓上的多个预设角度区间中对应的轮廓折线总长度最大的所述预设角度区间对应的线段；所述预设角度区间是通过预设角度对所述掩膜矢量轮廓进行划分得到的；
将所述目标边缘线段和所述初始边缘线段所形成的矩形区域确定为所述目标矩形区域。
3.根据权利要求2所述的方法，其特征在于， 所述基于所述掩膜矢量轮廓的初始基准线段确定出目标边缘线段，包括：
利用以下公式确定各初始基准线段对应的得分，并将得分最高的所述初始基准线段确定为目标边缘线段：
；
其中，为初始基准线段的总体得分，/>为重合区域面积与两个区域整体所占面积之间的比值，/>为矩形中掩膜所占的比例，/>是初始基准线段与掩膜边缘的重合度，、/>、/>为/>、/>和/>之间的比重因子。
4.根据权利要求1所述的方法，其特征在于，所述对所述合并区域进行群聚分割和重组，确定所述目标建筑对应的规整化建筑矢量轮廓，包括：
分别对所述合并区域进行横向群聚分割和纵向群聚分割，并对分割后的区域进行重组，确定所述目标建筑对应的规整化建筑矢量轮廓。
5.根据权利要求4所述的方法，其特征在于，所述对所述合并区域进行群聚分割和重组，确定所述目标建筑对应的规整化建筑矢量轮廓，包括：
以所述合并区域中各个所述目标矩形区域的长边为基准，对所述目标矩形区域进行旋转，使所述长边与水平方向之间的角度为0度；
对旋转调整后的所述合并区域进行膨胀和去噪处理，得到初始规整化掩膜；
基于像素点在所述初始规整化掩膜中的位置生成对应的特征向量；
基于所述特征向量对所述像素点进行横向群聚分割和纵向群聚分割，确定每一所述像素点对应的群聚类别；
若属于同一所述群聚类别且彼此相邻的所述像素点的行数或列数小于第三预设阈值，将属于所述群聚类别且彼此相邻的像素点进行合并，并将所述像素点的像素值替换为像素点所属的群聚类别的中心特征值，确定所述目标建筑对应的规整化建筑矢量轮廓。
6.根据权利要求4所述的方法，其特征在于，所述对所述合并区域进行群聚分割和重组，确定所述目标建筑对应的规整化建筑矢量轮廓，还包括：
若存在第三目标矩形区域和第四目标矩形区域在横向群聚分割和纵向群聚分割中所属同一群聚类别，将所述第三目标矩形区域和所述第四目标矩形区域进行合并。
7.根据权利要求1所述的方法，其特征在于，所述对所述合并区域进行群聚分割和重组，确定所述目标建筑对应的规整化建筑矢量轮廓，还包括：
若存在目标矩形区域中的掩膜占比小于第四预设阈值，将所述目标矩形区域从所述初始规整化掩膜中剔除。
8.一种建筑轮廓处理装置，其特征在于，所述装置包括：
获取模块，用于获取目标遥感影像中目标建筑对应的初始掩膜；
分割模块，用于对所述初始掩膜进行分割，得到组成所述初始掩膜对应区域的多个目标矩形区域；
合并模块，用于基于各个所述目标矩形区域的尺寸和方向，将与第一目标矩形区域的距离小于第一预设阈值的第二目标矩形区域合并至所述第一目标矩形区域，和/或将距离小于第一预设阈值且方向相同的目标矩形区域进行合并，得到合并区域；所述第一目标矩形区域为所述目标矩形区域中尺寸大于第二预设阈值的矩形区域，所述第二目标矩形区域为所述目标矩形区域中尺寸不大于第二预设阈值的矩形区域；
重组模块，用于对所述合并区域进行群聚分割和重组，确定所述目标建筑对应的规整化建筑矢量轮廓。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在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1-7任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，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1-7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311539978.0A CN117274833B (zh) | 2023-11-20 | 2023-11-20 | 一种建筑轮廓处理方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311539978.0A CN117274833B (zh) | 2023-11-20 | 2023-11-20 | 一种建筑轮廓处理方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117274833A true CN117274833A (zh) | 2023-12-22 |
| CN117274833B CN117274833B (zh) | 2024-02-27 |
Family
ID=89216348
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311539978.0A Active CN117274833B (zh) | 2023-11-20 | 2023-11-20 | 一种建筑轮廓处理方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117274833B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118334264A (zh) * | 2024-06-13 | 2024-07-12 | 浙江国遥地理信息技术有限公司 | 一种基于遥感数据的区域化房屋三维重建方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110441319A (zh) * | 2019-09-09 | 2019-11-12 | 凌云光技术集团有限责任公司 | 一种外观缺陷的检测方法及装置 |
| CN113744144A (zh) * | 2021-08-20 | 2021-12-03 | 长江大学 | 遥感影像建筑物边界优化方法、系统、设备及存储介质 |
| CN114529837A (zh) * | 2022-02-25 | 2022-05-24 | 广东南方数码科技股份有限公司 | 建筑物轮廓提取方法、系统、计算机设备及存储介质 |
| WO2022121025A1 (zh) * | 2020-12-10 | 2022-06-16 | 广州广电运通金融电子股份有限公司 | 证件增减类别检测方法、装置、可读存储介质和终端 |
| CN116051575A (zh) * | 2022-12-30 | 2023-05-02 | 苏州万集车联网技术有限公司 | 图像分割方法、装置、计算机设备、存储介质程序产品 |
| CN116152437A (zh) * | 2023-02-13 | 2023-05-23 | 北京医智影科技有限公司 | 施源器重建方法、装置、电子设备和计算机可读存储介质 |
| CN116434071A (zh) * | 2023-06-07 | 2023-07-14 | 浙江国遥地理信息技术有限公司 | 一种规整化建筑掩膜的确定方法、确定装置、设备及介质 |
| WO2023143178A1 (zh) * | 2022-01-28 | 2023-08-03 | 北京字跳网络技术有限公司 | 对象分割方法、装置、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114022790B (zh) * | 2022-01-10 | 2022-04-26 | 成都国星宇航科技有限公司 | 遥感图像中云层检测及图像压缩方法、装置和存储介质 |
-
2023
- 2023-11-20 CN CN202311539978.0A patent/CN117274833B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110441319A (zh) * | 2019-09-09 | 2019-11-12 | 凌云光技术集团有限责任公司 | 一种外观缺陷的检测方法及装置 |
| WO2022121025A1 (zh) * | 2020-12-10 | 2022-06-16 | 广州广电运通金融电子股份有限公司 | 证件增减类别检测方法、装置、可读存储介质和终端 |
| CN113744144A (zh) * | 2021-08-20 | 2021-12-03 | 长江大学 | 遥感影像建筑物边界优化方法、系统、设备及存储介质 |
| WO2023143178A1 (zh) * | 2022-01-28 | 2023-08-03 | 北京字跳网络技术有限公司 | 对象分割方法、装置、设备及存储介质 |
| CN114529837A (zh) * | 2022-02-25 | 2022-05-24 | 广东南方数码科技股份有限公司 | 建筑物轮廓提取方法、系统、计算机设备及存储介质 |
| CN116051575A (zh) * | 2022-12-30 | 2023-05-02 | 苏州万集车联网技术有限公司 | 图像分割方法、装置、计算机设备、存储介质程序产品 |
| CN116152437A (zh) * | 2023-02-13 | 2023-05-23 | 北京医智影科技有限公司 | 施源器重建方法、装置、电子设备和计算机可读存储介质 |
| CN116434071A (zh) * | 2023-06-07 | 2023-07-14 | 浙江国遥地理信息技术有限公司 | 一种规整化建筑掩膜的确定方法、确定装置、设备及介质 |
Non-Patent Citations (3)
| Title |
|---|
| OMAR M. HAFEZ等: "A robust workflow for b-rep generation from image masks", 《GRAPHICAL MODELS》, vol. 128 * |
| 周向等: "一种基于机器视觉的瓷砖定位分割方法", 《中国陶瓷》, no. 07 * |
| 赵俊娟等: "基于高分辨率卫星影像的建筑物轮廓矢量化技术", 《防灾减灾工程学报》, no. 02 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118334264A (zh) * | 2024-06-13 | 2024-07-12 | 浙江国遥地理信息技术有限公司 | 一种基于遥感数据的区域化房屋三维重建方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117274833B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117274833B (zh) | 一种建筑轮廓处理方法、装置、设备和存储介质 | |
| JP6719457B2 (ja) | 画像の主要被写体を抽出する方法とシステム | |
| US9865063B2 (en) | Method and system for image feature extraction | |
| CN108520254B (zh) | 一种基于格式化图像的文本检测方法、装置以及相关设备 | |
| CN107633216B (zh) | 高光谱遥感图像的三维表面空谱联合特征编码方法及装置 | |
| CN107545223B (zh) | 图像识别方法及电子设备 | |
| JP7253573B2 (ja) | マッチング方法、装置、電子機器及びコンピュータ可読記憶媒体 | |
| CN108334879B (zh) | 一种区域提取方法、系统及终端设备 | |
| CN111046735B (zh) | 一种车道线点云提取方法、电子设备及存储介质 | |
| CN111681284A (zh) | 一种角点检测方法、装置、电子设备及存储介质 | |
| CN108229232B (zh) | 批量扫描二维码的方法和批量扫描二维码的装置 | |
| CN111126211B (zh) | 标牌识别方法和装置、电子设备 | |
| WO2020114321A1 (zh) | 点云去噪方法、图像处理设备及具有存储功能的装置 | |
| US9563969B2 (en) | Method of generating implicit terrain data by performing lossless compression and lossy compression and electronic apparatus for performing the method | |
| CN111079626B (zh) | 一种活体指纹识别方法、电子设备及计算机可读存储介质 | |
| CN110110697B (zh) | 基于方向矫正的多指纹分割提取方法、系统、设备及介质 | |
| CN116012393A (zh) | 一种纸箱点云分割方法、装置以及处理设备 | |
| CN115861828A (zh) | 一种建筑横切面轮廓提取方法、装置、介质及设备 | |
| CN117635875B (zh) | 一种三维重建方法、装置及终端 | |
| CN111311497A (zh) | 一种条形码图像角度校正方法和装置 | |
| CN116434071B (zh) | 一种规整化建筑掩膜的确定方法、确定装置、设备及介质 | |
| CN111133474B (zh) | 图像处理设备、图像处理方法和计算机可读记录介质 | |
| CN112884884A (zh) | 一种候选区域生成方法及系统 | |
| CN107341494B (zh) | 基于细线化的地形特征线提取方法、装置及电子设备 | |
| CN113989310B (zh) | 建筑体量数据的估算方法、装置、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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240802 Address after: Building 4, No. 11 Keyuan Road, Wuyang Street, Deqing County, Huzhou City, Zhejiang Province 313000 Patentee after: ZHEJIANG EV-IMAGE GEOGRAPHIC INFORMATION TECHNOLOGY CO.,LTD. Country or region after: China Patentee after: Beijing National Remote Xintiandi information technology Limited by Share Ltd. Address before: 313200 building 4, No. 11, Keyuan Road, Wuyang street, Deqing County, Huzhou City, Zhejiang Province Patentee before: ZHEJIANG EV-IMAGE GEOGRAPHIC INFORMATION TECHNOLOGY CO.,LTD. Country or region before: China |