CN104794478B - 一种用于遥感影像中具有均匀光谱特性的建筑物提取方法 - Google Patents
一种用于遥感影像中具有均匀光谱特性的建筑物提取方法 Download PDFInfo
- Publication number
- CN104794478B CN104794478B CN201510220949.7A CN201510220949A CN104794478B CN 104794478 B CN104794478 B CN 104794478B CN 201510220949 A CN201510220949 A CN 201510220949A CN 104794478 B CN104794478 B CN 104794478B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- building
- image
- remote sensing
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种用于遥感影像中具有均匀光谱特性的建筑物提取方法。包括如下步骤:步骤1,利用邻域总变分的似然函数计算输入遥感影像中每个像元的取值LS;步骤2,进行二值化处理;步骤3,进行标注;步骤4,计算标注区域的质心;步骤5,进行区域生长分割;步骤6,进行建筑物初提取;步骤7,获取分割对象序列S;步骤8,选取训练样本;步骤9,提取纹理特征信息;步骤10,进行分类。解决了高空间分辨率遥感影像中建筑物提取准确率低的问题,达到完全自动化的效果,可以用于遥感影像制图、地理信息***的数据获取和自动更新。
Description
技术领域
本发明涉及一种遥感影像处理领域,具体说是一种用于遥感影像中具有均匀光谱特性的建筑物提取方法。
背景技术
建筑物是城市主要地理要素之一,是各种城市专题图的重要内容,研究建筑物的提取对综合考察城市地理信息环境具有重要意义。随着高分辨率遥感影像获取技术的快速发展,遥感影像的处理、分析和应用有了更好的数据源,其数字产品则有了更广泛、更深入的应用。计算机图像处理技术、模式识别、人工智能等方面的都取得不同程度的进展,为高效地提取海量影像中的有效信息提供了可能。但建筑物信息的提取要比其他信息如道路、水体的获取难得多,主要原因如下:
(1)数据源主要是二维的遥感影像,大多数情况下缺少直接的三维数据;
(2)不同的遥感影像常因为光谱范围、分辨率、传感器的几何图像以及成像条件等因素的不同而有较大的差异;
(3)不同种类的建筑物其所表现出来的外观和纹理细节等***,表现在遥感图像上差异很大,统一的建筑物模型库难以建立,这使得信息的自动提取变得相当困难;
(4)建筑物所处场景的复杂性,如对比度较低时、房屋相互遮挡、建筑物自身的阴影以及处在其它地物的阴影等,所以想自动地从背景中提取出边界清晰的建筑物较为困难。
发明内容
本发明提供了一种用于遥感影像中具有均匀光谱特性的建筑物提取方法,可克服目前高空间分辨率遥感影像中建筑物提取困难的问题,可以检测遥感影像中具有较为规则形状的建筑物目标,无需人工干预,自动化程度高。
为实现本发明的目标所采用的技术方案是:方法包括以下步骤:
步骤1:利用邻域总变分的似然函数计算输入遥感影像image1中每个像元的取值LS,并将每个取值LS规格化至区间[0,255],得到影像image2;
步骤2:选取阈值T对对影像image2进行二值化处理,得到二值影像image3;
步骤3:对二值影像image3进行标注,删除面积小于Mins的区域,得到影像image4;
步骤4:计算影像image4中的每个标注区域的质心,得到由质心组成的影像image5;
步骤5:以影像image5中的每个质心作为种子点进行区域生长分割,得到相应数量的分割对象,得到由分割对象组成的影像image6;
步骤6:计算影像image6中各个分割对象的最小外接矩形,并以矩形度R和长宽比P作为约束条件进行建筑物初提取;
步骤7:将分割对象按对应的建筑物系数大小进行降序排序,得到分割对象序列S;
步骤8:将分割对象序列S的前30%作为建筑物训练样本对象B,将分割对象序列S的后30%作为非建筑物训练样本对象NB,将分割对象序列S的中间40%作为待分类对象C;
步骤9:利用Gabor滤波器对建筑物训练样本对象B、非建筑物训练样本对象NB和待分类对象C提取纹理特征信息,分别得到特征信息fB、fNB和fC;
步骤10:以fB、fNB作为训练集,对fC进行分类。
所述的邻域总变分的似然函数为:
LS(u(x0,y0))越大,表明u(x0,y0)属于建筑物区域可能性越大。
所述的选取的阈值T通过OSTU算法自动确定。
所述的Mins取影像中建筑物平均面积的1/10。
所述的矩形度R和长宽比P分别通过以下公式计算:
其中,S0为分割对象的面积;SR为分割对象的最小外接矩形的面积;l1和l2分别表示分割对象的最小外接矩形的长和宽,并将矩形度R的下限设置为0.75,长宽比P的上限设置为4。
所述的分割对象的建筑物系数cofk根据矩形度R和长宽比P计算,且矩形度R和长宽比P的权重各占50%,具体计算公式为:
其中,MAXR为矩形度的最大取值,MINR为矩形度的最小取值,MAXP为长宽比的最大取值,MINP为长宽比的最小取值,KR为分割对象的矩形度,KP为分割对象的长宽比。
所述的Gabor滤波器对分割对象进行3个尺度,8个方向的Gabor变换,并对同一尺度不同方向的特征取平均得到3个纹理特征子带,对这3个子带特征进行进一步提取,计算各个分割对象区域的均值和方差,构成一个6维的特征矢量,作为它们的纹理特征信息。
所述的分类方法采用朴素贝叶斯分类法。
本发明的有益效果是:解决了高空间分辨率遥感影像中建筑物提取准确率低的问题,达到完全自动化的效果。可以用于遥感影像制图、地理信息***的数据获取和自动更新。
附图说明
图1是本发明的总体处理流程图。
具体实施方式
下面结合附图详细描述本发明的具体实施方式。
在步骤101,输入待处理的遥感影像image1为高空间分辨率遥感影像,可以是Quick bird、World view等卫星影像或各类航拍影像,空间分辨率在1米以下,同时要求输入的遥感影像需要进行辐射校正和几何校正等预处理。
在步骤102,用邻域总变分的似然函数:
计算每个像元的取值LS,并将每个取值LS规格化至区间[0,255],得到影像image2。似然函数LS表征影像中一点(x0,y0)的局部均质程度。
以下以像元(x0,y0)为例,分析上述公式:
Dr是以(x0,y0)为圆心,半径为r的圆形支持域,λ(x,y)为支持域Dr中对应像素点的权值,权值通过以下高斯模板计算:
▽u(x,y)为像素点(x,y)梯度幅值,β是可调参数,避免在梯度为0时分母为0。
LS(u(x0,y0))越大,表明u(x0,y0)属于建筑物区域可能性越大。
在步骤103,通过OSTU算法自动确定阈值T,对影像image2根据函数f(x,y)进行二值化处理:
得到二值影像image3。
在步骤104,采用四邻域方法对二值影像image3进行,为了防止噪声的干扰,删除标注区域面积小于Mins的部分,Mins的取值为影像中建筑物平均面积的1/10,得到影像image4。
在步骤105,计算影像image4各个标注区域的质心,得到由质心组成的影像image5。
在步骤106,以影像image5中的每个质心作为种子点进行区域生长分割,得到相应数量的分割对象,得到由分割对象组成的影像image6。
在步骤107,计算影像image6中各个分割对象的最小外接矩形,并以矩形度R和长宽比P作为约束条件进行建筑物初提取,其中矩形度R和长宽比P分别通过以下公式计算:
其中,S0为分割对象的面积;SR为分割对象的最小外接矩形的面积;l1和l2分别表示分割对象的最小外接矩形的长和宽,并将矩形度R的下限设置为0.75,长宽比P的上限设置为4。在该步骤中,可以排除道路等对象的干扰。
在步骤108,计算每个分割对象的建筑物系数,具体方法如下:
记MAXR为矩形度的最大取值,MINR为矩形度的最小取值,MAXP为长宽比的最大取值,MINP为长宽比的最小取值,分割对象K的矩形度为KR,长宽比为KP,则其建筑物系数cofk为:
最后,将分割对象按对应的建筑物系数大小进行降序排序,得到分割对象序列S。
在步骤109,将分割对象序列S的前30%作为建筑物训练样本对象B,将分割对象序列S的后30%作为非建筑物训练样本对象NB,将分割对象序列S的中间40%作为待分类对象C
在步骤110,利用Gabor滤波器对建筑物训练样本对象B、非建筑物训练样本对象NB和待分类对象C提取纹理特征信息,方法如下:
Gabor滤波器对分割对象进行3个尺度,8个方向的Gabor变换,并对同一尺度不同方向的特征取平均得到3个纹理特征子带,对这3个子带特征进行进一步提取,计算各个分割对象区域的均值和方差,构成一个6维的特征矢量,作为它们的纹理特征信息。
最后分别得到建筑物训练样本对象B、非建筑物训练样本对象NB和待分类对象C对应的纹理特征信息fB、fNB和fC。
在步骤111,采用朴素贝叶斯分类法,以fB、fNB作为训练集,对fC进行分类。
在步骤112,得到边界为矩形的的建筑物对象。
Claims (8)
1.一种用于遥感影像中具有均匀光谱特性的建筑物提取方法,其特征在于包括以下步骤:
步骤1:利用邻域总变分的似然函数计算输入遥感影像image1中每个像元的取值LS,并将每个取值LS规格化至区间[0,255],得到影像image2;
步骤2:选取阈值T对影像image2进行二值化处理,得到二值影像image3;
步骤3:对二值影像image3进行标注,删除面积小于Mins的区域,得到影像image4;
步骤4:计算影像image4中的每个标注区域的质心,得到由质心组成的影像image5;
步骤5:以影像image5中的每个质心作为种子点进行区域生长分割,得到相应数量的分割对象,得到由分割对象组成的影像image6;
步骤6:计算影像image6中各个分割对象的最小外接矩形,并以矩形度R和长宽比P作为约束条件进行建筑物初提取;
步骤7:将分割对象按对应的建筑物系数大小进行降序排序,得到分割对象序列S;
步骤8:将分割对象序列S的前30%作为建筑物训练样本对象B,将分割对象序列S的后30%作为非建筑物训练样本对象NB,将分割对象序列S的中间40%作为待分类对象C;
步骤9:利用Gabor滤波器对建筑物训练样本对象B、非建筑物训练样本对象NB和待分类对象C提取纹理特征信息,分别得到特征信息fB、fNB和fC;
步骤10:以fB、fNB作为训练集,对fC进行分类。
2.根据权利要求1所述的一种用于遥感影像中具有均匀光谱特性的建筑物提取方法,其特征在于邻域总变分的似然函数为:
<mrow>
<mi>L</mi>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mn>0</mn>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mo>&Integral;</mo>
<mrow>
<msup>
<mi>D</mi>
<mi>r</mi>
</msup>
<mi>u</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mi>&lambda;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
</mrow>
<mrow>
<munder>
<mo>&Integral;</mo>
<mrow>
<msup>
<mi>D</mi>
<mi>r</mi>
</msup>
<mi>u</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mi>&lambda;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<msqrt>
<mrow>
<mo>&dtri;</mo>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&beta;</mi>
</mrow>
</msqrt>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
</mrow>
</mfrac>
</mrow>
LS(u(x0,y0))越大,表明u(x0,y0)属于建筑物区域可能性越大;
所述的Dr是以(x0,y0)为圆心,半径为r的圆形支持域;
所述的λ(x,y)为支持域Dr中对应像素点的权值;
所述的▽u(x,y)为像素点(x,y)梯度幅值;
所述的β是可调参数,避免在梯度为0时分母为0。
3.根据权利要求1所述的一种用于遥感影像中具有均匀光谱特性的建筑物提取方法,其特征在于选取的阈值T通过OSTU算法自动确定。
4.根据权利要求1所述的一种用于遥感影像中具有均匀光谱特性的建筑物提取方法,其特征在于Mins取影像中建筑物平均面积的1/10。
5.根据权利要求1所述的一种用于遥感影像中具有均匀光谱特性的建筑物提取方法,其特征在于矩形度R和长宽比P分别通过以下公式计算:
<mrow>
<mi>R</mi>
<mo>=</mo>
<mfrac>
<msub>
<mi>S</mi>
<mn>0</mn>
</msub>
<msub>
<mi>S</mi>
<mi>R</mi>
</msub>
</mfrac>
</mrow>
<mrow>
<mi>P</mi>
<mo>=</mo>
<mfrac>
<msub>
<mi>l</mi>
<mn>1</mn>
</msub>
<msub>
<mi>l</mi>
<mn>2</mn>
</msub>
</mfrac>
</mrow>
其中,S0为分割对象的面积;SR为分割对象的最小外接矩形的面积;l1和l2分别表示分割对象的最小外接矩形的长和宽,并将矩形度R的下限设置为0.75,长宽比P的上限设置为4。
6.根据权利要求1所述的一种用于遥感影像中具有均匀光谱特性的建筑物提取方法,其特征在于分割对象的建筑物系数cofk根据矩形度R和长宽比P计算,且矩形度R和长宽比P的权重各占50%,具体计算公式为:
<mrow>
<msub>
<mi>cof</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mn>0.5</mn>
<mo>&times;</mo>
<mfrac>
<mrow>
<msub>
<mi>K</mi>
<mi>R</mi>
</msub>
<mo>-</mo>
<msub>
<mi>MIN</mi>
<mi>R</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>MAX</mi>
<mi>R</mi>
</msub>
<mo>-</mo>
<msub>
<mi>MIN</mi>
<mi>R</mi>
</msub>
</mrow>
</mfrac>
<mo>+</mo>
<mn>0.5</mn>
<mo>&times;</mo>
<mfrac>
<mrow>
<msub>
<mi>K</mi>
<mi>P</mi>
</msub>
<mo>-</mo>
<msub>
<mi>MIN</mi>
<mi>P</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>MAX</mi>
<mi>P</mi>
</msub>
<mo>-</mo>
<msub>
<mi>MIN</mi>
<mi>P</mi>
</msub>
</mrow>
</mfrac>
</mrow>
其中,MAXR为矩形度的最大取值,MINR为矩形度的最小取值,MAXP为长宽比的最大取值,MINP为长宽比的最小取值,KR为分割对象的矩形度,KP为分割对象的长宽比。
7.根据权利要求1所述的一种用于遥感影像中具有均匀光谱特性的建筑物提取方法,其特征在于Gabor滤波器对分割对象进行3个尺度,8个方向的Gabor变换,并对同一尺度不同方向的特征取平均得到3个纹理特征子带,对这3个子带特征进行进一步提取,计算各个分割对象区域的均值和方差,构成一个6维的特征矢量,作为它们的纹理特征信息。
8.根据权利要求1所述的一种用于遥感影像中具有均匀光谱特性的建筑物提取方法,其特征在于分类方法采用朴素贝叶斯分类法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510220949.7A CN104794478B (zh) | 2015-05-04 | 2015-05-04 | 一种用于遥感影像中具有均匀光谱特性的建筑物提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510220949.7A CN104794478B (zh) | 2015-05-04 | 2015-05-04 | 一种用于遥感影像中具有均匀光谱特性的建筑物提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104794478A CN104794478A (zh) | 2015-07-22 |
CN104794478B true CN104794478B (zh) | 2017-12-19 |
Family
ID=53559265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510220949.7A Expired - Fee Related CN104794478B (zh) | 2015-05-04 | 2015-05-04 | 一种用于遥感影像中具有均匀光谱特性的建筑物提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104794478B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491826B (zh) * | 2018-04-08 | 2021-04-30 | 福建师范大学 | 一种遥感影像建筑物的自动提取方法 |
CN109635715B (zh) * | 2018-12-07 | 2022-09-30 | 福建师范大学 | 一种遥感图像建筑物提取方法 |
CN113313273B (zh) * | 2021-07-28 | 2021-10-29 | 佛山市东信科技有限公司 | 基于大数据环境下的公共设施检测方法、***和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950361A (zh) * | 2010-09-06 | 2011-01-19 | 中国科学院遥感应用研究所 | 一种基于光谱匹配度的遥感影像专题信息自适应提取方法 |
CN102663394A (zh) * | 2012-03-02 | 2012-09-12 | 北京航空航天大学 | 基于多源遥感图像融合的大中型目标识别方法 |
CN103745453A (zh) * | 2013-12-11 | 2014-04-23 | 河海大学 | 基于Google Earth遥感影像的城镇信息提取方法 |
CN104331698A (zh) * | 2014-11-19 | 2015-02-04 | 中国农业科学院农业资源与农业区划研究所 | 一种遥感图像城区提取方法 |
-
2015
- 2015-05-04 CN CN201510220949.7A patent/CN104794478B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950361A (zh) * | 2010-09-06 | 2011-01-19 | 中国科学院遥感应用研究所 | 一种基于光谱匹配度的遥感影像专题信息自适应提取方法 |
CN102663394A (zh) * | 2012-03-02 | 2012-09-12 | 北京航空航天大学 | 基于多源遥感图像融合的大中型目标识别方法 |
CN103745453A (zh) * | 2013-12-11 | 2014-04-23 | 河海大学 | 基于Google Earth遥感影像的城镇信息提取方法 |
CN104331698A (zh) * | 2014-11-19 | 2015-02-04 | 中国农业科学院农业资源与农业区划研究所 | 一种遥感图像城区提取方法 |
Non-Patent Citations (2)
Title |
---|
光谱和形状特征相结合的高分辨率遥感图像的建筑物提取方法;吴炜等;《武汉大学学报.信息科学版》;20120731;第37卷(第7期);全文 * |
基于分类器集成的高光谱遥感图像分类方法;樊利恒等;《光学学报》;20140930;第34卷(第9期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104794478A (zh) | 2015-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | A multiresolution hierarchical classification algorithm for filtering airborne LiDAR data | |
CN104361340B (zh) | 基于显著性检测和聚类的sar图像目标快速检测方法 | |
CN106683091A (zh) | 一种基于深度卷积神经网络的目标分类及姿态检测方法 | |
CN104766343B (zh) | 一种基于稀疏表示的视觉目标跟踪方法 | |
CN112766184B (zh) | 基于多层级特征选择卷积神经网络的遥感目标检测方法 | |
CN106971156A (zh) | 一种基于面向对象分类的稀土开采区遥感信息提取方法 | |
CN101901343A (zh) | 基于立体约束的遥感影像道路提取方法 | |
CN107341837B (zh) | 基于影像金字塔的栅格-矢量数据转换及连续尺度表达方法 | |
CN104794478B (zh) | 一种用于遥感影像中具有均匀光谱特性的建筑物提取方法 | |
CN103778436B (zh) | 一种基于图像处理的行人姿态检测方法 | |
CN108051371A (zh) | 一种面向生态环境参量遥感反演的阴影提取方法 | |
Li et al. | Water extraction in high resolution remote sensing image based on hierarchical spectrum and shape features | |
Kang et al. | Identifying tree crown areas in undulating eucalyptus plantations using JSEG multi-scale segmentation and unmanned aerial vehicle near-infrared imagery | |
CN103399863B (zh) | 基于边缘方向差特征袋的图像检索方法 | |
CN109166167A (zh) | 一种基于点集体素的多质分界面提取方法 | |
Sjahputera et al. | Clustering of detected changes in high-resolution satellite imagery using a stabilized competitive agglomeration algorithm | |
He et al. | A calculation method of phenotypic traits of soybean pods based on image processing technology | |
CN111882573B (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及*** | |
Kim et al. | Generation of a DTM and building detection based on an MPF through integrating airborne lidar data and aerial images | |
CN117197661A (zh) | 一种利用激光雷达点云数据识别黄土落水洞的方法 | |
CN116704373A (zh) | 一种基于中心性与互斥约束的遥感目标检测方法 | |
Vukadinov et al. | An algorithm for coastline extraction from satellite imagery | |
Mohammadi et al. | Estimation of leaf area in bell pepper plant using image processing techniques and artificial neural networks | |
Hasan Zadeh et al. | Evaluated of land use changes on the discharge of Darre Rood river in the period (1990-2019) using HEC_HMS model | |
Ukhnaa et al. | Modification of urban built-up area extraction method based on the thematic index-derived bands |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 350300 R & D center, Fu Xin Normal University, No.1 campus village, Longjiang street, Fuqing, Fujian Applicant after: Fujian Normal University Address before: Minhou County of Fuzhou City, Fujian province 350108 University City streets Qishan Campus University Department of science and technology Applicant before: Fujian Normal University |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171219 |
|
CF01 | Termination of patent right due to non-payment of annual fee |