CN107463622A - 一种保持地标建筑形状特征的自动符号化方法 - Google Patents

一种保持地标建筑形状特征的自动符号化方法 Download PDF

Info

Publication number
CN107463622A
CN107463622A CN201710545845.2A CN201710545845A CN107463622A CN 107463622 A CN107463622 A CN 107463622A CN 201710545845 A CN201710545845 A CN 201710545845A CN 107463622 A CN107463622 A CN 107463622A
Authority
CN
China
Prior art keywords
mrow
msub
pixel
point
alpha
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
CN201710545845.2A
Other languages
English (en)
Inventor
遆鹏
王俪颖
喻崇湖
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN201710545845.2A priority Critical patent/CN107463622A/zh
Publication of CN107463622A publication Critical patent/CN107463622A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种保持地标建筑形状特征的自动符号化方法，具体包括：将目标实体对象从影像中分割出来；对分割后的图像二值化，并提取实体对象的边缘形态特征；对提取边缘线结果矢量化，并采用保持关键点的线形状简化方法优化提取结果，保证地标建筑符号的平滑性以及规则性。本发明与传统地标建筑的符号设计方式相比，能够快速的生成，并且保持形状特征，不仅提高了地图使用时用户的空间认知能力，还可以用于静态和多媒体动态的地图表达，而且能够服务于地图自动更新，建筑变化检测等多个方面。

Description

一种保持地标建筑形状特征的自动符号化方法
技术领域
本发明涉及地图制作技术领域，具体为一种保持地标建筑形状特征的自动符号化方法。
背景技术
地图作为一种将空间信息传递给读者的工具，地图语言是不可缺少的媒介，而地图符号是地图的语言单位，是可视化表达空间信息内容的基础单元。在地图上，地标建筑符号是人们使用地图时进行空间认知匹配的重要特征，而目前地标建筑的符号设计通常采用两种方式，第一种是基于规则的几何形状进行统一化表达，这种方式可以以自动化方式进行符号化，但无法表达地标建筑本身的几何形状特征。第二种常见于旅游专题图或者个性化地图，是采用人工设计方式，同时保持地标建筑的几何形状，但这种人工方式耗时耗力，尤其对于大范围内大量地标建筑，可行性不高，并且由于人为主观因素影响，对符号设计人员的专业要求较高。如何快速自动并且能够的保持形状特征的自动符号化技术已经成为目前地图学领域研究的前沿问题。因此自动、高效的保持形状特征的符号化是目前地图学和地图服务的主要关注点之一。
发明内容
针对上述问题，本发明的目的在于提供一种能够提高地图使用时用户的空间认知能力，并可用于静态和多媒体动态的地图表达，服务于地图自动更新，建筑变化检测等多个方面的保持地标建筑形状特征的自动符号化方法。技术方案如下：
一种保持地标建筑形状特征的自动符号化方法，包括以下步骤：
步骤1：将目标实体对象从影像中分割出来；
步骤2：对分割后的图像二值化，并提取实体对象的边缘形态特征；
步骤3：对提取边缘线结果矢量化，并采用保持关键点的线形状简化方法优化提取结果；
步骤4：存储优化处理之后的符号结果。
进一步的，所述步骤1的具体步骤如下：
步骤1.1：影像数据初始化；
步骤1.2：进行能量最小化分割迭代；
步骤1.3：采用border matting对分割的边界进行平滑处理。
更进一步的，所述步骤1.1中初始化的具体步骤为：
步骤1.11：输入影像数据，用z＝(z1,z2,…,zN)表示图像像素组成的数组，α＝(α1,α2,…,αN)表示像素对应的不透明数组，其中0≤αN≤1，α取0或1；对可能目标手动标定矩形框，方框外的像素全部作为背景像素TB，方框内的像素作为前景像素TU；
步骤1.12：遍历TB内的每一像素，初始化其标签αn＝0，即为背景像素；对TU内的每个像素，初始化其标签αn＝1，即作为“可能是目标”的像素；
步骤1.13：分别用具有K个高斯分量的全协方差混合高斯模型对前景和背景区域的像素分别建立模型；其中K＝(k1,...,kn,...,kN),kn∈{1,2,...k}；
步骤1.14：从背景和前景各自相应的区域里获取像素点，生成各自的灰度直方图分布θ：
θ＝{π(α,k),μ(α,k),Σ(α,k),α＝0,1,k＝1...K}
式中，π表示每个高斯分量的权重，μ表示每个高斯分量的均值向量，∑表示RGB三个通道的协方差矩阵；
步骤1.15：计算每个混合高斯密度模型D：
其中
且0≤πi≤1
对上式取负对数化简为：
步骤1.16：计算区域项U，表示一个像素被归为目标或者背景的概率的负对数，以确定图的t-link的权值：
步骤1.17：计算平滑项V，表示邻域像素m和n之间的不连续的惩罚，在RGB空间中，采用欧式距离衡量两像素的相似性，则n-link的权值通过下式确定：
式中，γ为常数，β由图像的对比度确定，即：
β＝(2((zm-zn)2))-1
步骤1.18：计算整个图形的Gibbs能量函数E：
E(α,k,θ,z)＝U(α,k,θ,z)+V(α,z)。
更进一步的，所述步骤1.2中的迭代过程的具体步骤为：
步骤1.21：对图像中每个像素n，把其RGB值带入对应区域GMM中的每一个高斯分量中，取概率最大的第kn个高斯分量：
步骤1.22：对于给定的图像数据z，学习优化GMM的参数；
步骤1.23：根据计算得到的能量项构建图，图的顶点为像素点，图的边包括两类；一类边为每个顶点与代表背景的Sink汇点t或代表前景的源点Source连接的边，该类边的权值通过Gibbs能量函数E的第一项能量项表示；另一类边为每个顶点与其邻域顶点连接的边，该类边的权值通过Gibbs能量函数E的第二项能量项来表示；
步骤1.24：计算每个顶点与Sink汇点t或源点Source连接的权值t-link，也即计算Gibbs能量函数E的第一个能量项；
计算两个邻域顶点之间连接的权值n-link，也即计算Gibbs能量函数E的第二个能量项；
步骤1.25：通过最大流算法确定图的最小割，也即完成图像的分割；算法如下式所示，
步骤1.26：重复步骤1.21到1.25，直至能量收敛。
更进一步的，所述步骤2的具体过程如下：
步骤2.1：将图像分割后的结果图二值化，目标设为1，背景设为0；
步骤2.2：任意一个像素点Q1，其邻域的8个点顺时针绕中新点分别记为Q2，Q3，…Q9；
步骤2.3：定义N(Q1)为Q1的所有非零邻点的个数，遍历所有像素点，统计每个像素点的N(Q1)；
步骤2.4：将满足条件N(Q1)>6的像素点的灰度值设为0，否则设为1。
更进一步的，所述步骤3的具体过程如下：
步骤3.1：将提取的边缘栅格数据转换为矢量数据，并记录各个点坐标；
步骤3.2：边缘数据分段处理，确定对称的建筑物的重心，沿重心进行对称分割成两条曲线，并给定初始阈值；
步骤3.3：针对任意段曲线段，设曲线由点序P1，P2，…Pn构成，其中P1、Pn分别为起始点和终止点；
步骤3.4：计算所有P1到Pn之间的内点Pi(i＝2,3,…,n-1)到直线P1Pn之间的距离Di，选取其中距离最大的点Pk；
步骤3.5：如果Dk小于给定阈值，则剔除P1到Pn之间的全部内点；
步骤3.6：反之，保留关键点Pk，利用点Pk，将曲线分为两段：P1-Pk和Pk-Pn；
步骤3.7：重复步骤3.3至3.6，对边缘线上的点进行化简处理，直至两端点之间的曲线上的点与两端点连线的距离最大值小于给定的阈值为止。
本发明的有效效果是：本发明与传统地标建筑的符号设计方式相比，能够快速的生成，并且保持形状特征，不仅提高了地图使用时用户的空间认知能力，还可以用于静态和多媒体动态的地图表达，而且能够服务于地图自动更新，建筑变化检测等多个方面。
附图说明
图1为本发明保持地标建筑形状特征的自动符号化方法的总流程图。
图2为本发明保持地标建筑形状特征的自动符号化方法中图像分割算法流程图。
图3为本发明保持地标建筑形状特征的自动符号化方法中建筑外形特征提取流程图。
图4为本发明保持地标建筑形状特征的自动符号化方法中线形状简化算法流程图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细说明，为实现保持几何形态特征的地标建筑自动符号化目标，本发明提供一种面向独立建筑保持形状特征的实时自动的符号化方法，总体技术流程如图1所示，具体包括：1)首先将目标实体对象从影像中分割出来；2)对分割后的图像二值化，并提取实体对象的边缘形态特征；3)对提取边缘线结果矢量化，并采用保持关键点的线形状简化方法优化提取结果，保证地标建筑符号的平滑性以及规则性。下面对上述三个关键步骤进行详细说明。
步骤1：图像分割。本实施例主要针对独立地物实体进行自动符号化，而获取的影像、照片中不可避免的含有除地标建筑以外的其他干扰信息，因此首先采用grabcut算法对影像进行分割。交互选取前景和背景样本，构建前景和背景两个初始高斯分布模型GMM(Gaussian Mixture Model)，对图像中的每个像素分配GMM中的高斯分量，学习优化GMM的参数，然后构建Gibbs能量项，建立一个图，求出权值t-link和n-link，最终采用最大流-最小割算法对其进行分割。迭代更新GMM参数，重新进行分割，直至分割能量E最小且趋于稳定。该步骤的流程图如图2所示，具体过程如下：
步骤1.1：影像数据初始化。
步骤1.11：输入影像数据用z＝(z1,z2,…,zN)表示图像像素组成的数组，α＝(α1,α2,…,αN)(0≤αN≤1)为像素对应的不透明数组，它只能取0(背景)或者1(前景)，对可能目标手动标定矩形框，方框外的像素全部作为背景像素TB，而方框内的像素作为前景像素TU。
步骤1.12：遍历TB内的每一像素，初始化其标签αn＝0，即为背景像素；对TU内的每个像素，初始化其标签αn＝1，即作为“可能是目标”的像素。
步骤1.13：分别用具有K个高斯分量的全协方差混合高斯模型对前景和背景区域的像素分别建立模型；K＝(k1,...,kn,...,kN),kn∈{1,2,...k}，通常k＝5，即前景和背景各5个高斯组件)为像素对应的背景或者前景的高斯混合模型的高斯组件数组。
步骤1.14：从背景和前景各自相应的区域里获取像素点，生成各自的灰度直方图分布θ:
θ＝{π(α,k),μ(α,k),Σ(α,k),α＝0,1,k＝1...K}
式中，π表示每个高斯分量的权重，μ表示每个高斯分量的均值向量，∑表示RGB三个通道的协方差矩阵。
步骤1.15：计算每个混合高斯密度模型D：
其中
且0≤πi≤1
对上式取负对数化简为：
步骤1.16：计算区域项U，表示一个像素被归为目标或者背景的概率的负对数，即可以确定图的t-link的权值。
步骤1.17：计算平滑项V，表示邻域像素m和n之间的不连续的惩罚，在RGB空间中，我们采用欧式距离衡量两像素的相似性，那么n-link的权值即可通过下式确定。
式中的常数γ根据经验取值为15，β由图像的对比度确定，即：
β＝(2((zm-zn)2))-1
步骤1.18：整个图形的Gibbs能量函数E:
E(α,k,θ,z)＝U(α,k,θ,z)+V(α,z)
步骤1.2：迭代能量最小化。
步骤1.21：对图像中每个像素n，把其RGB值带入对应区域GMM中的每一个高斯分量中，取概率最大的第kn个高斯分量。
步骤1.22：对于给定的图像数据z，学习优化GMM的参数。
步骤1.23：根据计算得到的能量项构建图，图的顶点为像素点，图的边包括两类；一类边为每个顶点与代表背景的Sink汇点t或代表前景的源点Source连接的边，该类边的权值通过Gibbs能量项的第一项能量项来表示；另一类边为每个顶点与其邻域顶点连接的边，该类边的权值通过Gibbs能量项的第二项能量项来表示；
步骤1.24：计算每个定点与Sink汇点t或源点Source连接的权值t-link，也即计算Gibbs能量的第一个能量项；计算两个邻域顶点之间连接的权值n-link，也即计算Gibbs能量的第二个能量项；
步骤1.25：通过最大流算法确定图的最小割，也即完成图像的分割；算法如下式所示，
步骤1.26：重复步骤1.21到1.25，直至能量收敛。
步骤1.3：采用border matting对分割的边界进行平滑等后期处理。
步骤2：对分割后的图像二值化，并提取实体对象的边缘形态特征。
步骤2.1：将图像分割后的结果图二值化，目标设为1，背景设为0；
步骤2.2：任意一个像素点Q1，其邻域的8个点顺时针绕中新点分别记为Q2，Q3，…Q9；
步骤2.3：定义N(Q1)为Q1的所有非零邻点的个数，遍历所有像素点，统计每个像素点的N(Q1)；
步骤2.4：将满足条件N(Q1)>6的像素点的灰度值设为0，否则设为1。
步骤3：对提取边缘线结果矢量化，并采用保持关键点的线形状简化方法优化提取结果。具体步骤如下：
步骤3.1：将提取的边缘栅格数据转换为矢量数据，并记录各个点坐标；
步骤3.2：边缘数据分段处理，确定对称的建筑物的重心，沿重心进行对称分割成两条曲线，并给定初始阈值；
步骤3.3：针对任意段曲线段，设曲线由点序P1，P2，…Pn构成，其中P1、Pn分别为起始点和终止点；
步骤3.4：计算所有P1到Pn之间的内点Pi(i＝2,3,…,n-1)到直线P1Pn之间的距离Di，选取其中距离最大的点Pk；
步骤3.5：如果Dk小于给定阈值，则剔除P1到Pn之间的全部内点；
步骤3.6：反之，保留关键点Pk，利用点Pk，将曲线分为两段：P1-Pk和Pk-Pn；
步骤3.7：重复步骤3.3至3.6，对边缘线上的点进行化简处理，直至两端点之间的曲线上的点与两端点连线的距离最大值小于给定的阈值为止。
需要注意的是，简化方法中关键点的判定是根据该点到两角点连线的距离与设定阈值进行对比，如果大于阈值则判定为关键点，而从用户角度出发，初始阈值可以设置为较小值，通过多次迭代不断增加阈值大小，从而形成逐渐简化，直至达到用户满意。
步骤4：存储优化处理之后的符号结果。

Claims (6)

1.一种保持地标建筑形状特征的自动符号化方法，其特征在于，包括以下步骤：
步骤1：将目标实体对象从影像中分割出来；
步骤2：对分割后的图像二值化，并提取实体对象的边缘形态特征；
步骤3：对提取边缘线结果矢量化，并采用保持关键点的线形状简化方法优化提取结果；
步骤4：存储优化处理之后的符号结果。
2.根据权利要求1所述的保持地标建筑形状特征的自动符号化方法，其特征在于，所述步骤1的具体步骤如下：
步骤1.1：影像数据初始化；
步骤1.2：进行能量最小化分割迭代；
步骤1.3：采用border matting对分割的边界进行平滑处理。
3.根据权利要求2所述的保持地标建筑形状特征的自动符号化方法，其特征在于，所述步骤1.1中初始化的具体步骤为：
步骤1.11：输入影像数据，用z＝(z1,z2,…,zN)表示图像像素组成的数组，α＝(α1,α2,…,αN)表示像素对应的不透明数组，其中0≤αN≤1，α取0或1；对可能目标手动标定矩形框，方框外的像素全部作为背景像素TB，方框内的像素作为前景像素TU；
步骤1.12：遍历TB内的每一像素，初始化其标签αn＝0，即为背景像素；对TU内的每个像素，初始化其标签αn＝1，即作为“可能是目标”的像素；
步骤1.13：分别用具有K个高斯分量的全协方差混合高斯模型对前景和背景区域的像素分别建立模型；其中K＝(k1,...,kn,...,kN),kn∈{1,2,...k}；
步骤1.14：从背景和前景各自相应的区域里获取像素点，生成各自的灰度直方图分布θ：
θ＝{π(α,k),μ(α,k),Σ(α,k),α＝0,1,k＝1...K}
式中，π表示每个高斯分量的权重，μ表示每个高斯分量的均值向量，∑表示RGB三个通道的协方差矩阵；
步骤1.15：计算每个混合高斯密度模型D：
<mrow> <mi>D</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <msub> <mi>&amp;pi;</mi> <mi>i</mi> </msub> <msub> <mi>g</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>;</mo> <msub> <mi>&amp;mu;</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>&amp;Sigma;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow>
其中
且0≤πi≤1
<mrow> <mi>g</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>;</mo> <mi>&amp;mu;</mi> <mo>,</mo> <mi>&amp;Sigma;</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <msqrt> <mrow> <msup> <mrow> <mo>(</mo> <mn>2</mn> <mi>&amp;pi;</mi> <mo>)</mo> </mrow> <mi>d</mi> </msup> <mo>|</mo> <mi>&amp;Sigma;</mi> <mo>|</mo> </mrow> </msqrt> </mfrac> <mi>exp</mi> <mo>&amp;lsqb;</mo> <mo>-</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>-</mo> <mi>&amp;mu;</mi> <mo>)</mo> </mrow> <mi>T</mi> </msup> <msup> <mi>&amp;Sigma;</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>-</mo> <mi>&amp;mu;</mi> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow>
对上式取负对数化简为：
<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>D</mi> <mrow> <mo>(</mo> <msub> <mi>&amp;alpha;</mi> <mi>n</mi> </msub> <mo>,</mo> <msub> <mi>k</mi> <mi>n</mi> </msub> <mo>,</mo> <mi>&amp;theta;</mi> <mo>,</mo> <msub> <mi>z</mi> <mi>n</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <mi>log</mi> <mi>&amp;pi;</mi> <mrow> <mo>(</mo> <msub> <mi>&amp;alpha;</mi> <mi>n</mi> </msub> <mo>,</mo> <msub> <mi>k</mi> <mi>n</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mi>log</mi> <mi> </mi> <mi>det</mi> <mi>&amp;Sigma;</mi> <mo>(</mo> <mrow> <msub> <mi>&amp;alpha;</mi> <mi>n</mi> </msub> <mo>,</mo> <msub> <mi>k</mi> <mi>n</mi> </msub> </mrow> <mo>)</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>+</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mrow> <mo>&amp;lsqb;</mo> <mrow> <msub> <mi>z</mi> <mi>n</mi> </msub> <mo>-</mo> <mi>&amp;mu;</mi> <mrow> <mo>(</mo> <mrow> <msub> <mi>&amp;alpha;</mi> <mi>n</mi> </msub> <mo>,</mo> <msub> <mi>k</mi> <mi>n</mi> </msub> </mrow> <mo>)</mo> </mrow> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mi>T</mi> <mi>&amp;Sigma;</mi> <msup> <mrow> <mo>(</mo> <mrow> <msub> <mi>&amp;alpha;</mi> <mi>n</mi> </msub> <mo>,</mo> <msub> <mi>k</mi> <mi>n</mi> </msub> </mrow> <mo>)</mo> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mrow> <mo>&amp;lsqb;</mo> <mrow> <msub> <mi>z</mi> <mi>n</mi> </msub> <mo>-</mo> <mi>&amp;mu;</mi> <mrow> <mo>(</mo> <mrow> <msub> <mi>&amp;alpha;</mi> <mi>n</mi> </msub> <mo>,</mo> <msub> <mi>k</mi> <mi>n</mi> </msub> </mrow> <mo>)</mo> </mrow> </mrow> <mo>&amp;rsqb;</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced>
步骤1.16：计算区域项U，表示一个像素被归为目标或者背景的概率的负对数，以确定图的t-link的权值：
<mrow> <mi>U</mi> <mrow> <mo>(</mo> <mi>&amp;alpha;</mi> <mo>,</mo> <mi>k</mi> <mo>,</mo> <mi>&amp;theta;</mi> <mo>,</mo> <mi>z</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>n</mi> </munder> <mi>D</mi> <mrow> <mo>(</mo> <msub> <mi>&amp;alpha;</mi> <mi>n</mi> </msub> <mo>,</mo> <msub> <mi>k</mi> <mi>n</mi> </msub> <mo>,</mo> <mi>&amp;theta;</mi> <mo>,</mo> <msub> <mi>z</mi> <mi>n</mi> </msub> <mo>)</mo> </mrow> </mrow>
步骤1.17：计算平滑项V，表示邻域像素m和n之间的不连续的惩罚，在RGB空间中，采用欧式距离衡量两像素的相似性，则n-link的权值通过下式确定：
<mrow> <mi>V</mi> <mrow> <mo>(</mo> <mi>&amp;alpha;</mi> <mo>,</mo> <mi>z</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>&amp;gamma;</mi> <munder> <mi>&amp;Sigma;</mi> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> <mo>&amp;Element;</mo> <mi>C</mi> </mrow> </munder> <mi>d</mi> <mi>i</mi> <mi>s</mi> <msup> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mo>&amp;lsqb;</mo> <msub> <mi>&amp;alpha;</mi> <mi>n</mi> </msub> <mo>&amp;NotEqual;</mo> <msub> <mi>&amp;alpha;</mi> <mi>m</mi> </msub> <mo>&amp;rsqb;</mo> <mi>exp</mi> <mo>-</mo> <mi>&amp;beta;</mi> <msup> <mrow> <mo>(</mo> <msub> <mi>z</mi> <mi>m</mi> </msub> <mo>-</mo> <msub> <mi>z</mi> <mi>n</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow>
式中，γ为常数，β由图像的对比度确定，即：
β＝(2((zm-zn)2))-1
步骤1.18：计算整个图形的Gibbs能量函数E：
E(α,k,θ,z)＝U(α,k,θ,z)+V(α,z)。
4.根据权利要求3所述的保持地标建筑形状特征的自动符号化方法，其特征在于，所述步骤1.2中的迭代过程的具体步骤为：
步骤1.21：对图像中每个像素n，把其RGB值带入对应区域GMM中的每一个高斯分量中，取概率最大的第kn个高斯分量：
<mrow> <msub> <mi>k</mi> <mi>n</mi> </msub> <mo>:</mo> <mo>=</mo> <mi>arg</mi> <munder> <mrow> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> <msub> <mi>k</mi> <mi>n</mi> </msub> </munder> <msub> <mi>D</mi> <mi>n</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;alpha;</mi> <mi>n</mi> </msub> <mo>,</mo> <msub> <mi>k</mi> <mi>n</mi> </msub> <mo>,</mo> <mi>&amp;theta;</mi> <mo>,</mo> <msub> <mi>z</mi> <mi>n</mi> </msub> <mo>)</mo> </mrow> </mrow>
步骤1.22：对于给定的图像数据z，学习优化GMM的参数；
步骤1.23：根据计算得到的能量项构建图，图的顶点为像素点，图的边包括两类；一类边为每个顶点与代表背景的Sink汇点t或代表前景的源点Source连接的边，该类边的权值通过Gibbs能量函数E的第一项能量项表示；另一类边为每个顶点与其邻域顶点连接的边，该类边的权值通过Gibbs能量函数E的第二项能量项来表示；
步骤1.24：计算每个顶点与Sink汇点t或源点Source连接的权值t-link，也即计算Gibbs能量函数E的第一个能量项；
计算两个邻域顶点之间连接的权值n-link，也即计算Gibbs能量函数E的第二个能量项；
步骤1.25：通过最大流算法确定图的最小割，也即完成图像的分割；算法如下式所示，
<mrow> <munder> <mrow> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> <mrow> <mo>{</mo> <msub> <mi>&amp;alpha;</mi> <mi>n</mi> </msub> <mo>:</mo> <mi>n</mi> <mo>&amp;Element;</mo> <msub> <mi>T</mi> <mi>U</mi> </msub> <mo>}</mo> </mrow> </munder> <munder> <mrow> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> <mi>k</mi> </munder> <mi>E</mi> <mrow> <mo>(</mo> <mi>&amp;alpha;</mi> <mo>,</mo> <mi>k</mi> <mo>,</mo> <mi>&amp;theta;</mi> <mo>,</mo> <mi>z</mi> <mo>)</mo> </mrow> </mrow>
步骤1.26：重复步骤1.21到1.25，直至能量收敛。
5.根据权利要求1所述的保持地标建筑形状特征的自动符号化方法，其特征在于，所述步骤2的具体过程如下：
步骤2.1：将图像分割后的结果图二值化，目标设为1，背景设为0；
步骤2.2：任意一个像素点Q1，其邻域的8个点顺时针绕中新点分别记为Q2，Q3，…Q9；
步骤2.3：定义N(Q1)为Q1的所有非零邻点的个数，遍历所有像素点，统计每个像素点的N(Q1)；
步骤2.4：将满足条件N(Q1)>6的像素点的灰度值设为0，否则设为1。
6.根据权利要求1所述的保持地标建筑形状特征的自动符号化方法，其特征在于，所述步骤3的具体过程如下：
步骤3.1：将提取的边缘栅格数据转换为矢量数据，并记录各个点坐标；
步骤3.2：边缘数据分段处理，确定对称的建筑物的重心，沿重心进行对称分割成两条曲线，并给定初始阈值；
步骤3.3：针对任意段曲线段，设曲线由点序P1，P2，…Pn构成，其中P1、Pn分别为起始点和终止点；
步骤3.4：计算所有P1到Pn之间的内点Pi(i＝2,3,…,n-1)到直线P1Pn之间的距离Di，选取其中距离最大的点Pk；
步骤3.5：如果Dk小于给定阈值，则剔除P1到Pn之间的全部内点；
步骤3.6：反之，保留关键点Pk，利用点Pk，将曲线分为两段：P1-Pk和Pk-Pn；
步骤3.7：重复步骤3.3至3.6，对边缘线上的点进行化简处理，直至两端点之间的曲线上的点与两端点连线的距离最大值小于给定的阈值为止。
CN201710545845.2A 2017-07-06 2017-07-06 一种保持地标建筑形状特征的自动符号化方法 Pending CN107463622A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710545845.2A CN107463622A (zh) 2017-07-06 2017-07-06 一种保持地标建筑形状特征的自动符号化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710545845.2A CN107463622A (zh) 2017-07-06 2017-07-06 一种保持地标建筑形状特征的自动符号化方法

Publications (1)

Publication Number Publication Date
CN107463622A true CN107463622A (zh) 2017-12-12

Family

ID=60546082

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710545845.2A Pending CN107463622A (zh) 2017-07-06 2017-07-06 一种保持地标建筑形状特征的自动符号化方法

Country Status (1)

Country Link
CN (1) CN107463622A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109657728A (zh) * 2018-12-26 2019-04-19 江苏省基础地理信息中心 样例生产方法及模型训练方法
CN110222722A (zh) * 2019-05-14 2019-09-10 华南理工大学 交互式图像风格化处理方法、***、计算设备及存储介质
CN110348277A (zh) * 2018-11-30 2019-10-18 浙江农林大学 一种基于自然背景下的树种图像识别方法
CN110570436A (zh) * 2019-07-22 2019-12-13 浙江工业大学 一种基于深度感知的图像分割方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102592268A (zh) * 2012-01-06 2012-07-18 清华大学深圳研究生院 一种分割前景图像的方法
CN103544505A (zh) * 2013-07-31 2014-01-29 天津大学 面向无人机航拍图像的船只识别***及方法
CN104820990A (zh) * 2015-05-15 2015-08-05 北京理工大学 一种交互式图像抠图***
US20160132750A1 (en) * 2014-11-07 2016-05-12 Adobe Systems Incorporated Local feature representation for image recognition
CN105894041A (zh) * 2016-04-26 2016-08-24 国网山东省电力公司经济技术研究院 基于高光谱遥感影像提取配电网***中变电站信息的方法
CN105931295A (zh) * 2016-07-13 2016-09-07 中国地质大学（北京） 一种地质图专题信息提取方法
CN105957078A (zh) * 2016-04-27 2016-09-21 浙江万里学院 一种基于图割的多视点视频分割方法
CN106570830A (zh) * 2016-09-29 2017-04-19 北京联合大学 一种基于GrabCut改进的图像分割方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102592268A (zh) * 2012-01-06 2012-07-18 清华大学深圳研究生院 一种分割前景图像的方法
CN103544505A (zh) * 2013-07-31 2014-01-29 天津大学 面向无人机航拍图像的船只识别***及方法
US20160132750A1 (en) * 2014-11-07 2016-05-12 Adobe Systems Incorporated Local feature representation for image recognition
CN104820990A (zh) * 2015-05-15 2015-08-05 北京理工大学 一种交互式图像抠图***
CN105894041A (zh) * 2016-04-26 2016-08-24 国网山东省电力公司经济技术研究院 基于高光谱遥感影像提取配电网***中变电站信息的方法
CN105957078A (zh) * 2016-04-27 2016-09-21 浙江万里学院 一种基于图割的多视点视频分割方法
CN105931295A (zh) * 2016-07-13 2016-09-07 中国地质大学（北京） 一种地质图专题信息提取方法
CN106570830A (zh) * 2016-09-29 2017-04-19 北京联合大学 一种基于GrabCut改进的图像分割方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110348277A (zh) * 2018-11-30 2019-10-18 浙江农林大学 一种基于自然背景下的树种图像识别方法
CN109657728A (zh) * 2018-12-26 2019-04-19 江苏省基础地理信息中心 样例生产方法及模型训练方法
CN110222722A (zh) * 2019-05-14 2019-09-10 华南理工大学 交互式图像风格化处理方法、***、计算设备及存储介质
CN110570436A (zh) * 2019-07-22 2019-12-13 浙江工业大学 一种基于深度感知的图像分割方法

Similar Documents

Publication Publication Date Title
CN108596101B (zh) 一种基于卷积神经网络的遥感图像多目标检测方法
CN109685067B (zh) 一种基于区域和深度残差网络的图像语义分割方法
CN110020651A (zh) 基于深度学习网络的车牌检测定位方法
CN106997597B (zh) 一种基于有监督显著性检测的目标跟踪方法
CN111640125B (zh) 基于Mask R-CNN的航拍图建筑物检测和分割方法及装置
CN107463622A (zh) 一种保持地标建筑形状特征的自动符号化方法
CN112434672B (zh) 一种基于改进YOLOv3的海上人体目标检测方法
CN108549893A (zh) 一种任意形状的场景文本端到端识别方法
CN109145713A (zh) 一种结合目标检测的小目标语义分割方法
CN108038409A (zh) 一种行人检测方法
CN108334881B (zh) 一种基于深度学习的车牌识别方法
CN110309842B (zh) 基于卷积神经网络的物体检测方法及装置
CN110363201A (zh) 基于协同学习的弱监督语义分割方法及***
CN111967313B (zh) 一种深度学习目标检测算法辅助的无人机图像标注方法
CN103824090B (zh) 一种自适应的人脸低层特征选择方法及人脸属性识别方法
CN106778852A (zh) 一种修正误判的图像内容识别方法
CN107944437B (zh) 一种基于神经网络和积分图像的人脸定位方法
CN107133955A (zh) 一种多层次结合的协同显著性检测方法
CN106897681A (zh) 一种遥感图像对比分析方法及***
CN111368935B (zh) 一种基于生成对抗网络的sar时敏目标样本增广方法
CN107967474A (zh) 一种基于卷积神经网络的海面目标显著性检测方法
CN106991686A (zh) 一种基于超像素光流场的水平集轮廓跟踪方法
CN106910188A (zh) 基于深度学习的遥感影像中机场跑道的检测方法
CN109034233A (zh) 一种结合OpenStreetMap的高分辨率遥感影像多分类器联合分类方法
CN116051953A (zh) 基于可选择卷积核网络及加权双向特征金字塔的小目标检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20171212

RJ01 Rejection of invention patent application after publication