CN102938066B - 一种基于多元数据重建建筑物外轮廓多边形的方法 - Google Patents

Abstract

一种基于多元数据重建建筑物外轮廓多边形的方法，步骤包括：分别对DSM数据、影像数据进行分割得到建筑物感兴趣区掩膜图像、影像分割对象；将掩膜图像与影像分割对象合并，得到完整的建筑物对象；对建筑物对象进行边界跟踪得到建筑物曲线，将曲线的曲率局部极大值对应的点作为角点，顺序连接所述角点得到建筑物轮廓多边形；用层次聚类方法对建筑物对象进行分区，并计算建筑物主方向；对建筑物多边形建立线性模型，并结合建筑物主方向和影像数据的梯度信息对建筑物轮廓线性模型进行修正与规则化；利用多边形各线段的线性模型求出两两相邻直线段的交点，作为建筑物轮廓的角点，依次序顺序连接角点构成最终的建筑物多边形。本发明将DSM数据与影像数据进行了有机结合，在整个过程中两种数据作为一种互补，很好的解决了建筑物轮廓多边形重建的问题，该方法在建筑物2维轮廓建模方面具有很强的鲁棒性。

Description

一种基于多元数据重建建筑物外轮廓多边形的方法

技术领域

本发明涉及一种建筑物外轮廓重建的方法，尤其是涉及一种基于多元数据重建建筑物外轮廓多边形方法，属于计算机模式识别与恢复技术领域。

背景技术

在各种不同的GIS应用中对建筑物建模的需求在不断的增大。特别是在城市地理信息***的研究中，建筑物的检测和重建非常重要。据Ame ri表示，过去的几年里许多研究项目已经对相关领域进行了研究，如模式识别、3维重建以及建筑物对象表示等。遥感数据为这个需求提供了一种廉价而有效的数据源，然而高度自动化和鲁棒的建筑物建模方法未提出。建筑物建模通常分两个阶段，建筑物的提取与模型的建立。这方面的研究很多，但是很少有成功的方法能够应用于大区域影像。大区域建筑物模型的创建主要依赖于2维数字线划图(DLG)，如调查生成的土地线划图，或者通过影像交互生成的土地线划数据，而3维模型的自动生成主要依赖于专业的软件工具，如TerraScan，CyberCity Modeler和PhotoModeller等。在任何建筑物制图工程中生成DLG或2维模型通常会占用大部分的工作量。尤其是对大量的遥感数据而言，手工处理生成2维模型更不可行，因此急需输入参数少，人工干预少的自动化建模方法。

目前建筑物提取技术主要通过计算机手段(包括图像处理与模式识别技术)对单个或多个图像进行检测，并提取建筑物的信息，如它的轮廓线，形状，位置，高度等。分割与特征提取技术可以单独使用，也可组合使用。早期的研究通常只用影像，例如20世纪90年代的Irvin提出的基于建筑物阴影提取建筑物。当有了多源数据可用，多元数据融合来提取建筑物成为了可能。

影像数据和DSM数据常用语地物提取。由于影像数据受到地物反射率、复杂的非均匀光照、遮挡、阴影等影响，只用影像数据难以准确快速有效的识别出建筑物外轮廓；而DSM数据虽然提供了地物的高度信息，但因其缺乏细节信息，所以单用DSM数据只能快速粗略地定位建筑物区域，而难以准确的定位出建筑物边界轮廓。至今未见有文献公开用影像数据结合DSM数据提取建筑物外轮廓的文献。

发明内容

本发明要解决技术问题是：克服上述现有技术缺点，提出一种基于多元数据重建建筑物外轮廓多边形的方法，其结合DSM与影像数据快速、有效、自动化的重建建筑物外轮廓。

为了解决上述技术问题，本发明提出的技术方案是：一种基于多元数据重建建筑物外轮廓多边形的方法，包括如下步骤：

步骤1、遥感图像分割——对DSM数据进行控制标记分水岭分割得到建筑物感兴趣区掩膜图像；对影像数据进行彩色图像分割得到影像分割对象；

步骤2、建筑物对象提取——将步骤1获得的建筑物感兴趣区掩膜图像通过坐标变换映射到彩色图像的分割图层中，定位出被掩膜区域覆盖的影像分割对象，将落在同一掩膜区域的相邻影像分割对象合并，得到完整的建筑物对象；

步骤3、建筑物轮廓提取——对步骤2所得建筑物对象进行边界跟踪，得到建筑物轮廓的矢量曲线，计算矢量曲线上各点的曲率，将曲率的局部极大值对应的点作为角点，顺序连接所述角点得到建筑物轮廓多边形；

步骤4、建筑区主方向获取——用基于距离矩阵的层次聚类方法对建筑物对象进行分区，利用各分区内所有建筑物轮廓的线段角度分别构造角度直方图，各直方图中最高频率对应的角度作为相应建筑区分块的建筑物主方向；

步骤5、建筑物轮廓多边形建模——对建筑物多边形建立线性模型，并结合步骤4获取的建筑物主方向和影像数据的梯度信息对建筑物轮廓线性模型进行修正与规则化，使其准确的定位于建筑物边缘；

步骤6、获得最终的建筑物轮廓——利用多边形各线段的线性模型求出两两相邻直线段的交点，作为建筑物轮廓的角点，依次序顺序连接角点构成最终的建筑物多边形。

为了解决上述技术问题，本发明进一步的改进在于：

1)、步骤4中，所述距离矩阵中元素的值由建筑物之间的空间距离矩阵、角距离矩阵进行加权获得，公式如下：

d_i，j＝w₁Δρ_i，j+w₂Δθ_i，j

式中，d_i，j表示在距离矩阵中与第i个建筑物和第j个建筑物对应的元素值，Δρ_i，j表示第i个建筑物与第j个建筑物之间的空间距离，Δθ_i，j表示第i个建筑物与第j个建筑物之间的角距离，w₁表示空间距离的权重值，w₂表示角距离的权重值，且w₁+w₂＝1。

2)、步骤3中建筑物轮廓提取的具体方法如下：

A)对提取出的感兴趣区建筑物对象用经典扫描线算法追踪其边界，生成边界矢量多边形曲线。；

B)用高斯平滑滤波器对所述边界矢量多边形曲线进行平滑滤波；高斯方差的设置范围为17-19；高斯方差不建议设过小的值，因为那样会检测到过多的角点，且不利于后期角度转换，建议设置为18；

C)对平滑滤波后的多边形曲线计算其曲率，将曲率的局部极大值对应的点作为角点；

D)按顺序连接角点生成建筑物轮廓多边形。

3)、步骤4中，将两建筑物边界轮廓之间角点的最短距离作为两建筑物之间的空间距离，公式如下：

${\mathrm{\Δ\ρ}}_{i,j}=\underset{\underset{q=1,...,N_j}{p=1,..,N_i,}}{\min }\sqrt{{(x_{p,i}-x_{q,j})}^2+{(y_{p,i}-y_{q,j})}^2}$

式中：x_p，i、y_p，i代表第i个建筑物轮廓曲线中第p个角点的X、Y坐标；x_q，j、y_q，j代表第j个建筑物轮廓曲线中第q个角点的X、Y坐标，N_i代表第i个建筑物轮廓曲线的线段数量，N_j代表第j个建筑物轮廓曲线的线段数量。

4)、步骤4中，将两建筑物边界轮廓之间的角度均值之差作为两建筑物的角距离，公式如下：

${\mathrm{\Δ\θ}}_{i,j}=|\frac{1}{S_i}\underset{k=1}{\overset{S_i}{\mathrm{\Σ}}}{\mathrm{\θ}}_{k,i}-\frac{1}{S_j}\underset{l=1}{\overset{S_j}{\mathrm{\Σ}}}{\mathrm{\θ}}_{l,j}|$

式中：θ_k，i表示第i个建筑的外轮廓曲线中第k根线段的角度；θ_l，j表示第j个建筑的外轮廓曲线中第l根线段的角度；S_i表示第i个建筑物轮廓曲线的线段数量，S_j表示第j个建筑物轮廓曲线的线段数量。

5)、步骤5中，首先利用线性模型y＝kx+b表示建筑物轮廓曲线多边形的一条线段，其中斜率k＝tan(θ)，θ为线段的角度；然后对所述线性模型进行修正：矫正建筑物轮廓多边形的线段角度以使其平行或垂直于建筑物主方向，若线段与主方向夹角小于或等于45°，则以线段中点为支点转动线段使其与主方向平行，若线段与主方向夹角大于45°，则以线段中点为支点转动线段使其与主方向垂直，从而获得修正后线段的斜率；线段经转动后平移至影像数据上对应边缘的最接近处，并结合斜率计算获得修正后的线段截距。

6)、步骤5中，对线性模型进行修正完成后，如果存在两条线段之间互相平行且间距小于或等于5个像素，则将这两条线段相向平移合并成为一条线段，两条线段的斜率作为合并线段的斜率，两条线段中点的均值作为合并线段的中点，据此获得合并线段的线性模型；如果两线段之间互相平行且距离大于5个像素，则在两者之间***一条与所述两线段垂直的线段，两条线段中点坐标的均值作为***线段的中点坐标，据此获得***线段的线性模型，所述***的线段作为相应建筑物多边形线段。

7)、步骤5中，线段经转动后平移至影像数据上对应边缘的最接近处的方法是：依据DSM建筑物掩膜图层与影像数据的梯度变化图像粗略定位出最优边界的候选区域，沿垂直于线段的方向向两侧搜索影像数据的最大梯度值点，将线段平移至该最大梯度值点处。

本发明将DSM数据与影像数据进行了有机结合，在整个过程中两种数据作为一种互补，很好的解决了建筑物轮廓多边形重建的问题。首先用发明人李艳于2008年国际摄影测量与遥感大会上公开发表的《基于数字表面模型数据与影像数据提取建筑物》中的控制标记分水岭分割算法、局部表面法角变换算法分别对DSM数据与影像进行分割。对DSM的分割能够生成建筑物感兴趣掩膜图像，但DSM细节信息严重缺乏，分割对象的边界与建筑物实际边界差异较大，因此对DSM数据进行分割只能快速有效的定位到建筑物的粗略位置。而对影像的分割能得到一个个强度均一的纯净对象(PPO)，每一个对象都覆盖着某一地类的一部分或全部，如树、街道、建筑物等。但由于RGB影像只有强度信息，没有地类高度信息，所以分割的对象不具有类别信息。而RGB影像细节特征信息丰富明显，所以其建筑物对象的边界更接近真实的建筑物边界。根据对DSM数据与影像数据的优劣势分析，本发明结合两者的优势，使其优势互补，即将DSM数据分割得到的建筑物感兴趣区掩膜图像映射到RGB分割图层中，快速的定位出被掩膜区域覆盖的影像分割对象，并合并得到完整建筑物结构的建筑物对象。

紧接着对建筑物对象进行边界追踪，并对追踪到的边界线进行高斯低通滤波减少噪声影响，然后提取出角点并顺序连接构建初始建筑物多边形。

其次，由于建筑物通常都是沿着特定方向的自然街道建设，所以距离较近的建筑应该具有相近的取向。据此规律用层次聚类算法结合建筑物的空间位置与方向特征将建筑群分成数个建筑区，并对建筑区内所有曲线段角度构造角度直方图，取其最高频率对应的角度作为建筑区的建筑物的主方向。这种方法与对单个建筑物估算主方向相比，因为增加了取样数量，使得算法更加鲁棒，估计得到的建筑区的主方向也更符合实际。

最后通过对建筑物多边形建立线性模型，并结合估计出的建筑物主方向信息和RGB影像的梯度信息对多边形线段模型进行修正化和规则化，使其准确的定位于建筑物边缘，以达到建筑物外轮廓多边形的自动化建模，线段模型间的交点为建筑物角点，依次连接所述角点完成对建筑物外轮廓的重建。

本发明的创新点在于：(1)提出一种快速有效，完全自动化重建建筑物外轮廓的新思路，即利用DSM数据与影像数据多源数据集成的策略，取长补短，达到建筑物外轮廓快速自动化建模的目的；(2)由于建筑物通常沿特定方向的自然街道建设，所以距离较近的建筑应该具有相近的取向，所以可将取向相近，距离相近的建筑物看成一个建筑区，而一个建筑群可能有多个建筑区，这是建筑物的一般分布规律。其次建筑物与建筑物之间具有空间位置和方向特征，这是用来描述建筑物的最主要的两个特征。因此，本发明提出一种考虑建筑物间角距离特征的层次聚类算法，利用空间距离与角距离联合矩阵进行层次聚类分析，实验结果表明该算法较传统层次聚类算法而言具有更高的可分性，利于后续主方向提取。(3)为避免噪声或因建筑物边缘反射的奇异性造成的误差，通过对跟踪得到的建筑物边界曲线进行高斯平滑滤波，使检测到的角点与影像信息具有较高的相关性。

附图说明

下面结合附图对本发明作进一步的说明。

图1为本发明实例的可见光航拍影像数据。

图2为本发明实例的nDSM数据。

图3为本发明实例的建筑物对象提取结果。

图4为本发明实例的建筑物角点检测结果。

图5为本发明实例基于建筑区重建后的建筑物轮廓多边形(与影像叠加)示意图。

图6为本发明实例基于单建筑重建的建筑物轮廓多边形(与影像叠加)示意图。

图7为线段中点和角点示意图。

具体实施方式

本实例对日本东京地区一居住区的建筑物进行轮廓多边形重建，采用的影像数据为可见光航拍影像，分辨率为0.2m，如附图1所示；采用的数字表面模型数据为通过交互式摄影测量方法得到的0.5m分辨率DSM数据衍生的归一化数字表面模型(nDSM)数据，如附图2所示。

本实例基于多源数据重建建筑物外轮廓多边形方法，包括以下步骤：

步骤1、遥感图像分割——对DSM数据进行控制标记分水岭分割得到建筑物感兴趣区掩膜图像；对影像数据进行彩色图像分割得到影像分割对象。

本例中，实用发明人李艳于2008年国际摄影测量与遥感大会上公开发表的《基于数字表面模型数据与影像数据提取建筑物》中的控制标记分水岭分割算法对DSM数据进行分割，使用局部表面法角变换算法对影像数据进行分割。

步骤2、建筑物对象提取——将步骤1获得的建筑物感兴趣区掩膜图像通过坐标变换映射到彩色图像的分割图层中，定位出被掩膜区域覆盖的影像分割对象，将落在同一掩膜区域的相邻影像分割对象合并，得到完整的建筑物对象。

步骤1中，对DSM的分割能够生成建筑物感兴趣掩膜图像，能快速有效的定位出建筑物的粗略位置。而对影像的分割能得到一个个强度均一的纯净对象(PPO)，虽然因影像细节特征明显其对象边界更接近真实建筑物边界，但该对象不具有类别信息。因此需将DSM数据分割得到的建筑物感兴趣区掩膜图像映射到RGB分割图层中，快速的定位出被掩膜区域覆盖的影像分割对象，并合并得到完整建筑物结构的建筑物对象，提取结果如附图3所示。

步骤3、建筑物轮廓提取——对步骤2所得建筑物对象进行边界跟踪，得到建筑物轮廓的矢量曲线，计算矢量曲线上各点的曲率，将曲率的局部极大值对应的点作为角点，顺序连接所述角点得到建筑物轮廓多边形。

本步骤建筑物轮廓提取的具体方法如下：

A)对提取出的感兴趣区建筑物对象用经典扫描线算法追踪其边界，生成边界矢量多边形曲线；

B)用高斯平滑滤波器对所述边界矢量多边形曲线进行平滑滤波；高斯方差参数设置为18；不建议设过小的值，因为那样会检测到过多的角点，且不利于后期角度转换；

C)对平滑滤波后的多边形曲线计算其曲率，将曲率的局部极大值对应的点作为角点；其结果如附图4所示，图中角点以星号表示；

D)按顺序连接角点生成建筑物轮廓多边形。

步骤4、建筑区主方向获取——用基于距离矩阵的层次聚类方法对建筑物对象进行分区，利用各分区内所有建筑物轮廓的线段角度分别构造角度直方图，各直方图中最高频率对应的角度作为相应建筑区分块的建筑物主方向。

本发明假设建筑物多边形受直角约束，即多边形相邻两边应该互相垂直。建筑物的这对主方向可以用角度α，β表示，且有|α-β|＝90；α，β∈(-90，90)。

本实施例层次聚类法所用距离矩阵采用联合距离，距离矩阵中元素的值由建筑物之间的空间距离矩阵、角距离矩阵进行加权获得，公式如下：

d_i，j＝w₁Δρ_i，j+w₂Δθ_i，j

式中，d_i，j表示在距离矩阵中与第i个建筑物和第j个建筑物对应的元素值，Δρ_i，j表示第i个建筑物与第j个建筑物之间的空间距离，Δθ_i，j表示第i个建筑物与第j个建筑物之间的角距离，w₁表示空间距离的权重值，w₂表示角距离的权重值，且w₁+w₂＝1。本实施例中w₁＝0.5；w₂＝0.5。

其中，将两建筑物边界轮廓之间角点的最短距离作为两建筑物之间的空间距离，公式如下：

${\mathrm{\Δ\ρ}}_{i,j}=\underset{\underset{q=1,...,N_j}{p=1,..,N_i,}}{\min }\sqrt{{(x_{p,i}-x_{q,j})}^2+{(y_{p,i}-y_{q,j})}^2}$

式中：x_p，i、y_p，i代表第i个建筑物轮廓曲线中第p个角点的X、Y坐标；x_q，j、y_q，j代表第j个建筑物轮廓曲线中第q个角点的X、Y坐标，N_i代表第i个建筑物轮廓曲线的线段数量，N_j代表第j个建筑物轮廓曲线的线段数量。

将两建筑物边界轮廓之间的角度均值之差作为两建筑物的角距离，公式如下：

${\mathrm{\Δ\θ}}_{i,j}=|\frac{1}{S_i}\underset{k=1}{\overset{S_i}{\mathrm{\Σ}}}{\mathrm{\θ}}_{k,i}-\frac{1}{S_j}\underset{l=1}{\overset{S_j}{\mathrm{\Σ}}}{\mathrm{\θ}}_{l,j}|$

式中：θ_k，i表示第i个建筑的外轮廓曲线中第k根线段的角度；θ_l，j表示第j个建筑的外轮廓曲线中第l根线段的角度；S_i表示第i个建筑物轮廓曲线的线段数量，S_j表示第j个建筑物轮廓曲线的线段数量。

本步骤中所提及的层次聚类为现有成熟算法。本实施例使用Matlab平台提供的一种基本层次聚类算法，该算法根据Jain的理论创建聚类树。它提供一个***树图，即一种特殊类型的树结构，每一个节点代表一个处于特定层次的聚类。用线相连的两个节点代表这两个聚类被合并到一个更高一级层次的聚类中。根节点是最高层次的节点，即意味着是整个数据集的聚类。给定任意类数目，聚类树可以分成几个分支指向生成的类。本实例指定的类别数目为20。

步骤5、建筑物轮廓多边形建模——对建筑物多边形建立线性模型，并结合步骤4获取的建筑物主方向和影像数据的梯度信息对建筑物轮廓线性模型进行修正与规则化，使其准确的定位于建筑物边缘。

本步骤中，首先利用线性模型y＝kx+b表示建筑物轮廓曲线多边形的一条线段，其中斜率k＝tan(θ)，θ为线段的角度；然后对所述线性模型进行修正：矫正建筑物轮廓多边形的线段角度以使其平行或垂直于建筑物主方向，若线段与主方向夹角小于或等于45°，则以线段中点为支点转动线段使其与主方向平行，若线段与主方向夹角大于45°，则以线段中点为支点转动线段使其与主方向垂直，从而获得修正后线段的斜率；线段经转动后平移至影像数据上对应边缘的最接近处，并结合斜率计算获得修正后的线段截距。

对线性模型进行修正完成后，如果存在两条线段之间互相平行且间距小于或等于5个像素，则将这两条线段相向平移合并成为一条线段，两条线段的斜率作为合并线段的斜率，两条线段中点的均值作为合并线段的中点，据此获得合并线段的线性模型；如果两线段之间互相平行且距离大于5个像素，则在两者之间***一条与所述两线段垂直的线段，两条线段中点坐标的均值作为***线段的中点坐标，据此获得***线段的线性模型，所述***的线段作为相应建筑物多边形线段。

本步骤中，线段经转动后平移至影像数据上对应边缘的最接近处的方法是：依据DSM建筑物掩膜图层与影像数据的梯度变化图像粗略定位出最优边界的候选区域，沿垂直于线段的方向向两侧搜索影像数据的最大梯度值点，将线段平移至该最大梯度值点处，以达到建筑物外轮廓多边形的自动化建模。。

本实施例中，线性模型的斜率k初始化为两个顺序角点c(i)和c(i+1)连接线的斜率。中点p₀(i)将这条线分为两部分，每个部分有各自的中点p₁(i)和p₂(i)。如图7所示，这3个中点用来修正该线段的位置以及线段模型参数。截距b是由p₀(i)的中点坐标和斜率k计算得到的。在对线性模型进行修正时，在这3个中点处沿垂直于线段的方向搜索出最大梯度值点，并根据该点位重新计算出中点位置，并依此修正直线方程相关参数。本实施例选择3个点为基础进行垂直方向上的最大梯度值搜索，是一种用以获得线段两侧最大梯度值的近似方法，三个点在线端上分布较均匀，因此也基本能够满足实际情况的需求。

步骤6、获得最终的建筑物轮廓——利用多边形各线段的线性模型求出两两相邻直线段的交点，作为建筑物轮廓的角点，依次序顺序连接角点构成最终的建筑物多边形，如附图5所示，多边形以不同灰度的线段描画，其中灰度相同的那些轮廓代表它们位于同一个建筑区。

为了便于比较突出本发明基于建筑区建模的优越性，本实例给出对应的基于单建筑建模的结果，如附图6所示，多边形均以黑色线段描画。表1给出本发明提出的方法与单建筑建模方法检测的方向错误对象统计表。

表1

从图6和表1均可看出，相对于传统方法而言，利用本发明方法重建建筑物轮廓，其方向错误对象的数目大大减少，该方法在建筑物2维轮廓建模方面具有很强的鲁棒性。

除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。

Claims (4)

1.一种基于多元数据重建建筑物外轮廓多边形的方法，包括如下步骤：

步骤1、遥感图像分割——对DSM数据进行控制标记分水岭分割得到建筑物感兴趣区掩膜图像；对影像数据进行彩色图像分割得到影像分割对象；

步骤2、建筑物对象提取——将步骤1获得的建筑物感兴趣区掩膜图像通过坐标变换映射到彩色图像的分割图层中，定位出被掩膜区域覆盖的影像分割对象，将落在同一掩膜区域的相邻影像分割对象合并，得到完整的建筑物对象；

步骤3、建筑物轮廓提取——对步骤2所得建筑物对象进行边界跟踪，得到建筑物轮廓的矢量曲线，计算矢量曲线上各点的曲率，将曲率的局部极大值对应的点作为角点，顺序连接所述角点得到建筑物轮廓多边形；

步骤4、建筑区主方向获取——用基于距离矩阵的层次聚类方法对建筑物对象进行分区，利用各分区内所有建筑物轮廓的线段角度分别构造角度直方图，各直方图中最高频率对应的角度作为相应建筑区分块的建筑物主方向；

步骤4中，所述距离矩阵中元素的值由建筑物之间的空间距离矩阵、角距离矩阵进行加权获得，公式如下：

d_i,j＝w₁△ρ_i,j+w₂△θ_i,j

式中，d_i，j表示在距离矩阵中与第i个建筑物和第j个建筑物对应的元素值，△ρ_i,j表示第i个建筑物与第j个建筑物之间的空间距离，△θ_i,j表示第i个建筑物与第j个建筑物之间的角距离，w₁表示空间距离的权重值，w₂表示角距离的权重值，且w₁+w₂＝1；

步骤5、建筑物轮廓多边形建模——对建筑物多边形建立线性模型，并结合步骤4获取的建筑物主方向和影像数据的梯度信息对建筑物轮廓线性模型进行修正与规则化，使其准确的定位于建筑物边缘；

步骤5中，首先利用线性模型y＝kx+b表示建筑物轮廓曲线多边形的一条线段，其中斜率k＝tan(θ)，θ为线段的角度；然后对所述线性模型进行修正：矫正建筑物轮廓多边形的线段角度以使其平行或垂直于建筑物主方向，若线段与主方向夹角小于或等于45°，则以线段中点为支点转动线段使其与主方向平行，若线段与主方向夹角大于45°，则以线段中点为支点转动线段使其与主方向垂直，从而获得修正后线段的斜率；线段经转动后平移至影像数据上对应边缘的最接近处，并结合斜率计算获得修正后的线段截距；

步骤6、获得最终的建筑物轮廓——利用多边形各线段的线性模型求出两两相邻直线段的交点，作为建筑物轮廓的角点，依次序顺序连接角点构成最终的建筑物多边形；

步骤4中，将两建筑物边界轮廓之间角点的最短距离作为两建筑物之间的空间距离，公式如下：

${\mathrm{\Δ\ρ}}_{i,j}=\underset{\begin{array}{c}p=1,\mathrm{..},N_i,\\ q=1,\mathrm{...},N_j\end{array}}{\min }\sqrt{{\left(x_{p,i}-x_{q,j}\right)}^2+{\left(y_{p,i}-y_{q,j}\right)}^2}$

式中：x_p,i、y_p,i代表第i个建筑物轮廓曲线中第p个角点的X、Y坐标；x_q,j、y_q,j代表第j个建筑物轮廓曲线中第q个角点的X、Y坐标，N_i代表第i个建筑物轮廓曲线的线段数量，N_j代表第j个建筑物轮廓曲线的线段数量；

步骤4中，将两建筑物边界轮廓之间的角度均值之差作为两建筑物的角距离，公式如下：

${\mathrm{\Δ\θ}}_{i,j}=\left|\frac{1}{S_i}\underset{k=1}{\overset{S_i}{\Σ}}{\mathrm{\θ}}_{k,i}-\frac{1}{S_j}\underset{l=1}{\overset{S_j}{\Σ}}{\mathrm{\θ}}_{l,j}\right|$

式中：θ_k,i表示第i个建筑的外轮廓曲线中第k根线段的角度；θ_l,j表示第j个建筑的外轮廓曲线中第l根线段的角度；S_i表示第i个建筑物轮廓曲线的线段数量，S_j表示第j个建筑物轮廓曲线的线段数量。

2.根据权利要求1所述基于多元数据重建建筑物外轮廓多边形的方法，其特征在于：步骤3中建筑物轮廓提取的具体方法如下：

A)对提取出的感兴趣区建筑物对象用经典扫描线算法追踪其边界，生成边界矢量多边形曲线；

B)用高斯平滑滤波器对所述边界矢量多边形曲线进行平滑滤波；高斯方差参数设置范围为17-19；

C)对平滑滤波后的多边形曲线计算其曲率，将曲率的局部极大值对应的点作为角点；

D)按顺序连接角点生成建筑物轮廓多边形。

3.根据权利要求1所述基于多元数据重建建筑物外轮廓多边形的方法，其特征在于：步骤5中，对线性模型进行修正完成后，如果存在两条线段之间互相平行且间距小于或等于5个像素，则将这两条线段相向平移合并成为一条线段，两条线段的斜率作为合并线段的斜率，两条线段中点的均值作为合并线段的中点，据此获得合并线段的线性模型；如果两线段之间互相平行且距离大于5个像素，则在两者之间***一条与所述两线段垂直的线段，两条线段中点坐标的均值作为***线段的中点坐标，据此获得***线段的线性模型，所述***的线段作为相应建筑物多边形线段。

4.根据权利要求1所述基于多元数据重建建筑物外轮廓多边形的方法，其特征在于：步骤5中，线段经转动后平移至影像数据上对应边缘的最接近处的方法是：依据DSM建筑物掩膜图层与影像数据的梯度变化图像粗略定位出最优边界的候选区域，沿垂直于线段的方向向两侧搜索影像数据的最大梯度值点，将线段平移至该最大梯度值点处。