CN103971377A - 基于先验形状水平集分割的建筑物提取方法 - Google Patents

Abstract

本发明解决现有建筑物提取技术中，对噪声敏感，提取精度低，提取技术依赖于分割结果的缺陷。提供一种基于先验形状水平集分割的建筑物提取方法。本发明的基本思路是：将城市建筑物提取分为两部分，第一部分在高程数据中进行建筑物粗略轮廓的提取，对高程数据进行形态学滤波、小区域去除，获得最终的建筑物分布二值图；第二部分在无人机光学影像中进行建筑物轮廓信息的提取，将建筑物分布二值图作为先验信息引入到水平集分割模型中，为该模型提供演化初始位置与先验轮廓，分割结果即建筑物轮廓信息提取结果。本发明具有针对性强，精度高的优点。

Description

基于先验形状水平集分割的建筑物提取方法

技术领域

本发明属于计算机数字图像处理与模式识别技术领域，主要涉及城市建筑物识别方法，具体涉及一种基于无人机遥感影像的建筑物提取方法。

背景技术

城市建筑物轮廓信息的提取目前还没有很好的，适用范围很广的算法。传统的工程都是采用人工判读、手工勾绘的方式，作业效率低，劳动强度大。因此建筑物轮廓信息的自动提取技术成为目标识别领域的重要研究课题，目前建筑物轮廓信息自动提取的主要方法有：

1、基于几何特征的建筑物提取技术

基于几何特征的共同点是利用低级视觉技术来提取图像中的直线、圆弧、多边形等几何元素，然后用中高级的视觉技术将这些几何元素表达、描述为目标(孟瑜，2009)。G.Roth和M.Levine介绍了基于圆弧形状目标的提取方法(Roth.G，1994)，Lin，A.Huertas和R.Nevatia采用知觉分组的概念将直线分组进而提取建筑物(LinC，1994)，T.Kim和J.P.Muller通过建立直线关系图，利用代价函数最小准则提取矩形(Kim T，1999)；张煜等提出了一种几何约束与图像分割相结合的半自动建筑物提取方法(张煜，2000)。

该类方法目前在检测规则房屋和房屋密度不大且结构简单的乡村图像时取得较好的效果，但对于一般图像，还存在许多问题：(1)由于噪声、阴影和遮挡等因素的影响，往往无法获得连续的边缘或线段；(2)大量的噪声边缘使目标检测的计算量急剧增加，甚至导致错误的检测结果。

参考文献：

Roth.G，Levine M.Geometric.primitive extraction using a geneticalgorithm[J].IEEE Trans.PAMI.1994，16(9)：906-910

Lin C，Huertas A，Necatia R.Detection of buildings using perceptualgrouping and shadows[C].Proc.Of IEEE computer science conference onComputer Vision and PatternRecognition，Seattle，Washington，USA，1 994(1)：62-69

Kim T，Muller J P.Development of a graph-based approach forbuilding detection[J].Image and Vision Computing，1999，17(1)：3-14.

张煜，张祖勋，张剑清.几何约束与影像分割相结合的快速半自动房屋提取[J].武汉测绘科技大学学报，2000，25(3)：238-242.

2、基于立体图像的建筑物提取技术

传统的摄像方法经常使用两个相机拍摄同一物体，以获得立体图像。因此，立体图像中的自动建筑物识别也是被广泛关注的问题。

Fua和Hanson有选择性地使用立体图像来达到验证的目的。首先根据一幅图像产生一些建筑物的假设，然后把这幅图像逆投影到另一幅图像中，根据产生的新投影图像和另外一幅图像之间的关系来验证建筑物假设的正确性(P.Fua，1986.)。Horaud和Skordas首先在图像中检测直线，然后再两幅图像之间寻找直线组合来确定建筑物(RaduHoraud，1989)。Wang和Schenk也提出了一个类似的基于特征的算法。他们利用建筑物墙壁互相垂直这个先验知识来提高检测结果的正确性(Zheng Wang，1992)。

但是一个场景的图像越多，它提供的信息也越多，但同时也使得拍摄、保管和维护的成本提高。另外，还存在如何合成多幅图像中包含的信息的问题。

参考文献：

P.Fua and A.J.Hanson.Resegmentation. Using GenericShape：Locating General Cultural Objects，Technical Report[C].ArtificialIntelligence Center，SRI International，1 986.

Radu Horaud，Thomas Skordas.Stereo Correspondence ThroughFeature Grouping and Maximal Cliques[J].IEEE Trans.PAMI，1 989，11(11)：1168-1180

Zheng Wang and Toni Schenk.Urban Area SurfaceAanalysis[C].ISPRS XVII，Commission III，International Archives ofPhotogrammetry and Remote Sensing.1992，２9(3)：720-726

3、基于基元的的建筑物提取技术

基于基元的的轮廓信息提取技术的共同点是首先对图像进行分割，然后对分割后产生的对象，根据其对象区域的光谱、纹理、几何等特征进行归类，以获得建筑物目标。Yanfeng Wei等用***合并方法对城区遥感图像进行分割，找出建筑物所在的图像类别，然后用寻找建筑物区域主线段的方法描绘出建筑物的外形轮廓(YanfengWei，2004)。Jie Tian等提出了一种基于图像区域分割的城区建筑物边界提取方法，该方法首先利用面向对象的分类方法对遥感图像分割，从而得到建筑物在图像中所对应的区域。然后提取建筑物区域的边缘，在这些边缘基础上寻找建筑物的主方向，最后根据建筑物的主方向描绘出其规则的轮廓(Jie Tian，2004)。Song et al.提出了基于区域的建筑物提取算法。首先，通过样本获取关于建筑物目标的描述模型(主要是利用纹理和形状)；通过影像分割方法，获得过分割图像；识别出与先前定义的建筑物模型具有相同模式的分割单元；合并这些分割单元，并提取出与这些单元相关的直线段，利用直线段与被合并单元的轮廓构建建筑物的轮廓，并通过阴影和几何规则进行了验证(Song Z.，2006)。

该类方法最大的优点在于充分利用遥感影像的光谱、纹理、空间及结构等信息，以更精确的描述建筑物目标；同时对影像中噪声及过多的细节导致提取结果中出现“椒盐”现象有一定的抑制。其缺点在于建筑物提取精度极度依赖于图像分割精度。

参考文献：

Yanfeng Wei，Zhongming Zhao and Jianghong Song.Urban buildingextraction from high-resolution satellite panchromatic image usingclustering and edge detection[C].IGARSS'04.2004(3)：2008-201

Jie Tian，Jinfei Wang，Peijun Shi.Urban Building BoundaryExtraction From IKONOS Imagery[C].The Canadian Remote SensingSociety'04 Oct.2004，poster session.

Song Z.，Pan C.，and Yang Q.A.Region-Based Approach toBuilding Detection in Densely Build-Up High Resolution SatelliteImage[C].ICIP2006：3225-3228

发明内容

(一)发明目的

本发明的目的是：针对基于遥感图像的建筑物三维信息提取需求，提供一种基于先验形状水平集分割的建筑物提取方法，基于无人机航空数据，能够对建筑物的三维信息进行精确提取。

(二)技术解决方案

本发明的原理是：利用高程数据中建筑物特征明显与无人机光学影像建筑物轮廓清晰的特点，将高程数据与无人机光学影像结合使用进行建筑物提取。

本发明的基本思路是：将城市建筑物提取，分为两部分，第一部分在高程数据中进行建筑物粗略轮廓的提取，对高程数据进行形态学滤波、小区域去除，获得最终的建筑物分布二值图；第二部分在无人机光学影像中进行建筑物轮廓信息的提取，将建筑物分布二值图作为先验信息引入到水平集分割模型中，为该模型提供演化初始位置与先验轮廓，分割结果即建筑物轮廓信息提取结果。

本发明的技术方案是：

步骤S1在高程影像中提取建筑物；

所述在高程影像中提取建筑物是指依照正则化高程数据的思想，采用多尺度形态学滤波方法将地形要素与非地形要素进行区分，进而通过小区域去除方法将非建筑物要素从非地形要素中消除，最终获得建筑物提取结果。具体过程如下：

(S11)对高程影像进行基于坡度的多尺度形态学滤波运算。首先对高程数据进行形态学开运算，结构元初始窗口大小设定为MxM；第一次滤波剔除掉树木、电线杆等细小地物。将处理后的高程数据进行坡度计算，检验坡度是否低于某一阈值，若否，则增大结构元窗口，再次进行滤波直到其坡度低于某一阈值，则生成最终地形要素影像。

(S12)将高程数据进行正则化与二值化。将高程影像减去地形要素影像获得非地形要素影像，此时的非地形要素包含树木，建筑物等。然后根据实际情况，将高于某一阈值的像素点认为是建筑物点，从而完成建筑物与非建筑物之间的二值化过程。

(S13)对二值化影像进行基于形态学的小区域去除。首先进行窗口为NxN的腐蚀运算，对处理后影像进行小区域面积统计，剔除面积低于T的面元，最后对结果影像进行NxN的膨胀运算，完成高程影像中的建筑物提取。

步骤S2对无人机数据进行预处理

无人机影像分辨率高，纹理复杂，细节噪声较多。而基于先验形状的水平集分割是基于图像的边缘进行分割，容易受噪声影响，因此需要对无人机数据进行预处理。预处理过程主要包括噪声滤除与边缘增强两部分。具体过程如下：

(S21)对无人机数据进行基于各向异性扩散原理的噪声滤除。该方法能够在保持地物边缘的同时，进行噪声滤除。

(S22)对噪声滤除后的影像进行边缘增强，本发明选择高斯函数的一阶导数作为计算图像梯度幅度的函数，然后利用有界倒数进行边缘增强。

步骤S3基于S1中的建筑物提取结果进行建筑物先验形状的获取。

将基于先验形状的水平集分割，进行无人机数据中建筑物轮廓信息的提取，但是由于建筑物的形状千差万别，建筑物先验形状的样本集很难统一。但是通过人工勾画，又是一件费事、费力的事情。因此本发明基于S1中提取的建筑物结果构建建筑物的样本集。实行本步骤的前提是无人机影像中的建筑物是以矩形为主。主要步骤如下：

(S31)基于S1中的建筑物提取结果建立每一个建筑物的凸包，凸包构建方法采用较简单的Graham方法。然后基于凸包建立其最小外接矩形，其采用的方法为旋转法。

(S32)以最小外接矩形为依据，在矩形长宽比类似、中心不变的情况下，对该矩形按比例进行缩放，缩放方法采用仿射变换的方法实现。缩放后获得的形状构成该建筑物的先验形状样本集，该样本集能够较好地反映建筑物的平均形状以及概率分布。

步骤S4采用基于先验形状的水平集分割进行建筑物提取

在无人机数据中进行建筑物轮廓信息的提取，本发明采用基于先验形状的水平集分割方法，该方法既能避免建筑物附近灰度类似的噪声影响，又能忽略内部伪目标边缘，从而获得与先验形状类似，而又保持实际轮廓细节的建筑物提取结果。主要步骤如下：

(S41)将S3中建立的建筑物先验形状样本集进行降维处理，以消除样本之间存在的大量冗余信息，减少计算的复杂性。本发明中采取的降维方法是主成分分析方法(PCA)，样本集中目标轮廓可以近似的用平均形状和前m个变化模式的加权来近似表示：

$\tilde{X}=\stackrel{\‾}{X}+\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_i{Y}_i---\left(1\right)$

其中为样本集的均值，Y_i为第i主成分，α_i是权重参数，通过调整权重参数，可以产生新的统计形状实例，但权重参数不能变化太大，否则与样本集中的样本会产生较大偏差。通常有如下限制：

$-3\sqrt{{\mathrm{\λ}}_i}\≤{\mathrm{\α}}_i\≤-3\sqrt{{\mathrm{\λ}}_i},(i=\mathrm{1,2},...,m)---\left(2\right)$

(S42)基于S41中建立的先验形状进行水平集分割。水平集分割的基本思想是基于曲线演化理论，该方法利用闭合曲线的形变规律，定义度量闭合曲线形变的能量函数，通过最小化能量函数使闭合曲线逐渐逼近图像中目标区域的边缘。对于建筑物的轮廓信息检测，可以将这一过程视为曲线的演化过程，最后曲线锁定在建筑物边缘，完成建筑物的轮廓信息提取。其闭合曲线的能量函数表示如下：

$\mathrm{\μL}\left(\mathrm{\τ}\right)+\mathrm{vS}\left(\mathrm{\τ}\right)+{\mathrm{\λ}}_a\underset{\mathrm{inside}\left(\mathrm{\τ}\right)}{\∫}|I-C_a|\mathrm{dxdy}+{\mathrm{\λ}}_b\underset{\mathrm{outside}\left(\mathrm{\τ}\right)}{\∫}|I-C_b|\mathrm{dxdy}---\left(3\right)$

其中，E是闭合曲线的能量，μ≥0，v≥0，λ_a≥0，λ_b≥0是权重函数，τ是指闭合曲线，L(τ)是τ的长度，S(τ)是τ的内面积，I是图像像素值，C_a是区域内灰度均值，C_b是区域外部灰度均值，inside(τ)是曲线内部的图像点集合，outside(τ)是曲线外部的图像点集合。由上式可知，当τ演化到目标边界时，能量E最小。

但现阶段水平集分割存在两个比较大的局限，一个是水平集分割模型仅仅是通过调整参数实现分割模型的设置，并没有结合目标轮廓的先验知识，因此对分割出的目标没有选择识别性。另一个局限是水平集分割模型是基于图像的边缘进行分割，即将收敛到的图像边缘作为目标的几何轮廓，但在实际情况下，目标的几何轮廓并不一定与图像的边缘一致，经常会出现噪声影响图像的边缘提取，进而影响目标的轮廓信息提取，同时，由于分割模型的形状约束少，经常会被伪边缘或非目标所吸引，造成分割结果较差。因此本发明将目标的先验统计形状引入到水平集分割能量函数中，得到新的能量函数，如下所示：

E_all=E_f+βE_shape(β＞0) (4)

其中，E_all为总能量函数，E_f为快速步进法分割模型能量函数，E_shape为目标先验形状的能量函数，β为调整参数。

通过分析可知，样本集中的目标形状总是在一个平均形状附近，我们可以近似地认为目标形状分布符合高斯分布，假设目标形状为z，则目标形状的统计分布为：

$P\left(z\right)=\frac{1}{\sqrt{{\left(2\mathrm{\π}\right)}^m\left|S_m\right|}}\exp (-\frac{1}{2}{(z-z_0)}^T{S}_m^{-1}(z-z_0))---\left(5\right)$

其中，m是选取的主分量的个数，S_m是协方差矩阵的前m行与前m列，z₀是目标形状的平均形状。我们将这个概率作为目标形状的先验信息，加入到快速步进法分割模型中，引导分割向更合理的方向变形。这个分布在整个空间上是连续的，它为每一个形状z提供了一个非零统计值，由上述分布可得，目标形状的能量函数为：

$E_{\mathrm{shape}}=-\log \left(P\left(z\right)\right)=\frac{1}{2}{(z-z_0)}^T{S}_m^{-1}(z-z_0)---\left(6\right)$

由上所述，基于先验形状的水平集分割模型总能量函数如下：

$\begin{array}{c}{E}_{\mathrm{all}}=E_f+{\mathrm{\βE}}_{\mathrm{shape}}\\ =\mathrm{\μL}\left(\mathrm{\τ}\right)+\mathrm{vS}\left(\mathrm{\τ}\right)+{\mathrm{\λ}}_a\underset{\mathrm{inside}\left(\mathrm{\τ}\right)}{\∫}|I-C_a|\mathrm{dxdy}+{\mathrm{\λ}}_b\underset{\mathrm{outside}\left(\mathrm{\τ}\right)}{\∫}|I-C_b|\mathrm{dxdy}+\mathrm{\β}\frac{1}{2}{(z-z_0)}^T{S}_m^{-1}(z-z_0)\end{array}---\left(7\right)$

其中，μ≥0，v≥0，λ_a≥0，λ_b≥0，β≥0是权重函数，τ是指闭合曲线，L(τ)是τ的长度，S(τ)是τ的内面积，I是图像像素值，C_a是区域内灰度均值，C_b是区域外部灰度均值，inside(τ)是曲线内部的图像点集合，outside(τ)是曲线外部的图像点集合。

当总能量函数E_all达到最小时，即曲线演化至建筑物轮廓边缘，完成建筑物轮廓信息提取。

(三)技术效果

本发明与现有的技术方案相比具有如下的优点及有益效果：本发明的城市建筑物三维信息提取方法与其他提取方法不同，本发明将基于无人机影像获取的高程信息作为建筑物位置的辅助信息，大量降低了城市建筑物的误检测率，并且其建筑物的高程信息提取精度较高，能够为数字城市建设、灾害评估等提供有效的参考数据。

附图说明

图1是本发明的基于先验形状水平集分割的建筑物提取方法示意图

图2是本发明的原始实例数据

图3是基于图2(b)进行多尺度形态学滤波的过程及结果图

图4是以3.5米为阈值获得的建筑物二值分布图(图像的白色区域为建筑物)

图5是基于图4进行小区域去除之后的建筑物提取结果

图6是对无人机RGB影像进行基于各向异性扩散原理的噪声滤除后的结果

图7是基于图6进行边缘增强后的结果图

图8是基于建筑物分布图中的一个建筑物求取其最小外接矩形的结果图。(黄色方框为最小外接矩形)

图9是基于建筑物最小外接矩形进行不同比例缩放获取的建筑物先验形状样本子集

图10是通过主成分分析获取的建筑物先验形状的概率分布图

图11是基于先验形状水平集分割的建筑物提取结果图

具体实施方式

下面，结合图1-图11对本发明的方法做进一步详细的阐述：

实例数据选取在2008年8月10日由无人机拍摄吉林省珲春市航空RGB彩色影像以及对应的高程影像，如图2所示，拍摄相机选用单反相机Cannon5D，对本发明的具体实施方式进行说明。

步骤S1在高程影像中提取建筑物；

本步骤主要是依照正则化DSM的思想，采用多尺度形态学滤波方法将地形要素与非地形要素进行区分，进而通过小区域去除方法将非建筑物要素从非地形要素中消除，最终获得建筑物提取结果。具体过程如下：

(S11)对高程影像进行基于坡度的多尺度形态学滤波运算。首先对高程数据进行形态学开运算，结构元初始窗口大小设定为3x3；第一次滤波剔除掉树木、电线杆等细小地物。将处理后的高程数据进行坡度直方图计算，检验坡度直方图的95％像素值是否低于35度，若否，则增大结构元窗口5x5，再次进行滤波，直到其坡度直方图的95％像素值低于35度，生成最终地形要素影像，本实例在结构元窗口为11x11时，其坡度直方图的95％像素值低于35度，生成最终地形要素影像。如图3所示

(S12)将高程数据进行正则化与二值化。将高程影像减去地形要素影像获得非地形要素影像，此时的非地形要素包含树木，建筑物等。然后根据实际情况，建筑物的相对高度都超过3.5m，此高度为一般建筑物的第一层的高度。因此本发明选择3.5m作为建筑物区域的判定阈值，从而完成建筑物与非建筑物之间的二值化过程。如图4所示。

(S13)对二值化影像进行基于形态学的小区域去除。首先进行窗口为3x3的腐蚀运算，对处理后影像进行小区域像素数统计，剔除像素数低于10的面元，最后对结果影像进行3x3的膨胀运算，完成高程影像中的建筑物提取。如图5所示。

步骤S2对无人机数据进行预处理

本步骤主要包括噪声滤除与边缘增强两部分。具体过程如下：

(S21)对无人机数据进行基于各向异性扩散原理的噪声滤除。该方法能够在保持地物边缘的同时，进行噪声滤除。如图6所示。

(S22)对噪声滤除后的影像进行边缘增强，本发明选择高斯函数的一阶导数作为计算图像梯度幅度的函数，然后利用有界倒数进行边缘增强。如图7所示。

步骤S3基于S1中的建筑物提取结果进行建筑物先验形状的获取。

本发明基于S1中提取的建筑物结果构建建筑物的样本集。主要步骤如下：

(S31)基于S1中的建筑物提取结果建立每一个建筑物的凸包，凸包构建方法采用较简单的Graham方法。然后基于凸包建立其最小外接矩形，其旋转法中，将每次旋转角度设定为1度。如图8所示。

(S32)以最小外接矩形为依据，在矩形长宽比类似、中心不变的情况下，对该矩形按比例进行缩放，缩放方法采用仿射变换的方法实现。缩放后获得的形状构成该建筑物的先验形状样本集，在该实例中，长宽缩放比例采用1∶1、0.9∶0.9、09∶0.7、0.9∶0.5、0.7∶0.9、07∶0.7共6个缩放比例。如图9所示。

步骤S4采用基于先验形状的水平集分割进行建筑物提取

在无人机数据中进行建筑物轮廓信息的提取，本发明采用基于先验形状的水平集分割方法，该方法既能避免建筑物附近灰度类似的噪声影响，又能忽略内部伪目标边缘，从而获得与先验形状类似，而又保持实际轮廓细节的建筑物提取结果。主要步骤如下：

(S41)将S3中建立的建筑物先验形状样本集进行主成分分析，减少计算的复杂性。样本集中目标轮廓可以近似的用平均形状和前m个变化模式的加权来近似表示：

$\tilde{X}=\stackrel{\‾}{X}+\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_i{Y}_i---\left(8\right)$

其中为样本集的均值，Y_i为第i主成分，α_i是权重参数，通过调整权重参数，可以产生新的统计形状实例。

在该实例中，本发明保留了先验形状样本集的前三主成分与平均形状，即如图10所示。

(S42)基于S41中建立的先验形状进行水平集分割。基于先验形状的水平集分割模型总能量函数如下：

$\begin{array}{c}{E}_{\mathrm{all}}=E_f+{\mathrm{\βE}}_{\mathrm{shape}}\\ =\mathrm{\μL}\left(\mathrm{\τ}\right)+\mathrm{vS}\left(\mathrm{\τ}\right)+{\mathrm{\λ}}_a\underset{\mathrm{inside}\left(\mathrm{\τ}\right)}{\∫}|I-C_a|\mathrm{dxdy}+{\mathrm{\λ}}_b\underset{\mathrm{outside}\left(\mathrm{\τ}\right)}{\∫}|I-C_b|\mathrm{dxdy}+\mathrm{\β}\frac{1}{2}{(z-z_0)}^T{S}_m^{-1}(z-z_0)\end{array}---\left(9\right)$

其中，μ≥0，v≥0，λ_a≥0，λ_b≥0，β≥0是权重函数，τ是指闭合曲线，L(τ)是τ的长度，S(τ)是τ的内面积，I是图像像素值，C_a是区域内灰度均值，C_b是区域外部灰度均值，inside(τ)是曲线内部的图像点集合，outside(τ)是曲线外部的图像点集合。当总能量函数E_all达到最小时，即曲线演化至建筑物轮廓边缘，完成建筑物轮廓信息提取。其建筑物进行水平集分割后，所得结果如图11所示。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (5)

1.一种建筑物提取方法，其特征在于，包括的步骤有：

步骤S1、在高程影像中提取建筑物分布图；

步骤S2、对无人机RGB彩色数据进行预处理；

步骤S3、基于建筑物分布图进行建筑物先验形状样本集的提取；

步骤S4、采用基于先验形状的水平集分割进行建筑物提取。

2.根据权利1所述的一种建筑物提取方法，其特征在于，所述在高程影像中提取建筑物分布图的具体步骤是：

对高程影像进行基于坡度的多尺度形态学滤波运算。生成其整体坡度低于某一阈值的最终地形要素影像。

将高程数据进行正则化与二值化，其二值化阈值设定为实际一层建筑物高度，从而完成建筑物与非建筑物之间的二值化过程。

对二值化影像进行结合形态学与面积统计的小区域去除，在腐蚀与膨胀之间，进行面积统计，将面积较小的对象去除，完成高程影像中的建筑物提取。

3.根据权利1所述的一种建筑物提取方法，其特征在于，所述对无人机RGB彩色数据进行预处理的具体步骤是：

对无人机数据进行基于各向异性扩散原理的噪声滤除。

对噪声滤除后的影像进行边缘增强，将高斯函数的一阶导数作为计算图像梯度幅度的函数，然后利用有界倒数进行边缘增强。

4.根据权利1所述的一种建筑物提取方法，其特征在于，基于建筑物分布图进行建筑物先验形状样本集的提取的具体步骤是：

采用Graham方法建立每一个建筑物的凸包，然后采用旋转法建立其最小外接矩形。

以最小外接矩形为依据，在矩形长宽比类似、中心不变的情况下，建立一系列缩放比不同的建筑物先验形状样本集。该样本集能够较好地反映建筑物的平均形状以及概率分布。

5.根据权利1所述的一种建筑物提取方法，其特征在于，基于先验形状的水平集分割具体步骤是：

对建筑物先验形状样本集进行主成分分析，通过样本集的前三主成分与平均形状反映其建筑物轮廓的概率分布。

将建筑物轮廓的概率分布作为能量相引入到水平集分割模型，对无人机RGB彩色影响进行基于先验形状的水平集分割，获得最终的建筑物提取结果。