CN108491826B - 一种遥感影像建筑物的自动提取方法 - Google Patents
一种遥感影像建筑物的自动提取方法 Download PDFInfo
- Publication number
- CN108491826B CN108491826B CN201810307327.1A CN201810307327A CN108491826B CN 108491826 B CN108491826 B CN 108491826B CN 201810307327 A CN201810307327 A CN 201810307327A CN 108491826 B CN108491826 B CN 108491826B
- Authority
- CN
- China
- Prior art keywords
- layer
- pixel point
- building
- value
- num
- 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
Images
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
- G06V20/176—Urban or other man-made structures
-
- 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
-
- 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
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种遥感影像建筑物的自动提取方法。包括如下步骤:步骤1,输入多光谱遥感影像;步骤2,遍历所有像素点到随机选取的两个点之间的距离,提取两个分层;步骤3,计算两个分层的波动强度;步骤4,判别候选建筑物图层和非建筑物图层;步骤5,初始化区域数量;步骤6,对候选建筑物图层进行处理;步骤7,判定步骤6的迭代停止条件;步骤8,标注处理;步骤9,后处理;步骤10,输出结果。能够准确提取多光谱遥感影像中的建筑物,尤其是密集建筑物,可以应用于城区地理基础信息数据库中建筑物的更新。
Description
技术领域
本发明涉及一种遥感影像处理领域,具体说是一种遥感影像建筑物的自动提取方法。
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
本发明提供了一种遥感影像建筑物的自动提取方法,可克服目前遥感影像中建筑物提取困难的问题,充分利用遥感影像中R,G,B三个分量的特征,基于特征向量之间的距离,可以检测遥感影像中的建筑物目标,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:对包含R,G,B三个颜色分量的输入多光谱遥感影像进行预处理,得到影像Iin;步骤2:在影像Iin的RGB颜色空间SPA中随机选取两点,分别记为P1和P2,计算影像Iin中的像素点Px分别到P1和P2之间的距离,分别记为d1x和d2x,当d1x≤d2x时,将像素点Px与P1合并为同一集合,并记为S1,否则将像素点Px与P2合并为同一集合,并记为S2,当S1中有新像素加入后,将P1的位置更新为S1中所有像素的平均位置(对位置平均坐标值取整),当S2中有新像素加入后,将P2的位置更新为S2中所有像素的平均位置(对位置平均坐标值取整);迭代步骤2的上述过程,直到遍历影像Iin中的所有像素点,得到两个分层Layer1和Layer2;
步骤3:用以下公式对步骤2中的两个分层Layer1和Layer2进行处理:
式(1)中,Fltlayer_num为分层Layerlayer_num的波动强度,meanlayer_num为分层Layerlayer_num在RGB颜色空间SPA中的均值,layer_num为步骤2中的两个分层编号,取值为1和2,Ii为第i个像素在RGB颜色空间SPA中的取值,Nlayer_num为分层Layerlayer_num中的像素个数;
步骤4:当Fltlayer_num满足条件T0时,将分层Layerlayer_num判别为候选建筑物图层Layercb,否则,将分层Layerlayer_num判别为非建筑物图层Layernb;
步骤5:将步骤4中的候选建筑物图层Layercb的区域数量初始化为C0;
步骤6:用以下公式对候选建筑物图层Layercb进行处理:
式(2)中,ObjF为区域提取目标函数,Hi为第i个像素点在RGB颜色空间SPA中的特征向量,Ri为第i个像素点在R分量中的取值,Gi为第i个像素点在G分量中的取值,Bi为第i个像素点在B分量中的取值,HQ为区域Q的质心像素点Qc在RGB颜色空间SPA中的特征向量,RQc为像素点Qc在R分量中的取值,GQc为像素点Qc在G分量中的取值,BQc为像素点Qc在B分量中的取值,pQ(i)为第i个像素点属于区域Q的概率,||Hi-HQ||表示求取特征向量Hi和HQ之间的距离;
步骤7:当|ObjF(k+1)-ObjF(k)|≤Thr时,得到区域集合RS,进入步骤8,否则,将C0的取值更新为C0+1,返回步骤5,ObjF(k)为第k次迭代后ObjF的取值;
步骤8:对步骤7中的区域集合RS进行标注处理;
步骤9:删除面积小于S0的非建筑物区域,用矩形度和长宽比作为约束条件提取建筑物;步骤10:输出提取建筑物结果。
所述的步骤1中的预处理包括几何校正、辐射校正和对比度增强。
所述的步骤6中的距离||Hi-HQ||的求取方法采用切比雪夫距离。
本发明的有益效果是:能够准确提取多光谱遥感影像中的建筑物,尤其是密集建筑物,可以应用于城区地理基础信息数据库中建筑物的更新。
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,输入包含R,G,B三个颜色分量的多光谱遥感影像。
在步骤102,对步骤101的输入多光谱遥感影像进行预处理,包括几何校正、辐射校正和对比度增强,得到影像Iin。
在步骤103,在影像Iin的RGB颜色空间SPA中随机选取两点,分别记为P1和P2。
在步骤104,计算影像Iin中的像素点Px分别到P1和P2之间的距离,分别记为d1x和d2x,当d1x≤d2x时,将像素点Px与P1合并为同一集合,并记为S1,否则将像素点Px与P2合并为同一集合,并记为S2,当S1中有新像素加入后,将P1的位置更新为S1中所有像素的平均位置(对位置平均坐标值取整),当S2中有新像素加入后,将P2的位置更新为S2中所有像素的平均位置(对位置平均坐标值取整)。
在步骤105,判断是否遍历影像Iin中的所有像素点,如果是,则得到两个分层Layer1和Layer2并进入步骤106,否则进入步骤104。
在步骤106,用以下公式对步骤105中的两个分层Layer1和Layer2进行处理:
式(3)中,Fltlayer_num为分层Layerlayer_num的波动强度,meanlayer_num为分层Layerlayer_num在RGB颜色空间SPA中的均值,layer_num为步骤2中的两个分层编号,取值为1和2,Ii为第i个像素在RGB颜色空间SPA中的取值,Nlayer_num为分层Layerlayer_num中的像素个数。
在步骤107,判断Fltlayer_num是否满足条件T0,如果是,则将分层Layerlayer_num判别为候选建筑物图层Layercb并进入步骤109,否则将分层Layerlayer_num判别为非建筑物图层Layernb并进入步骤108,根据实验数据,当用于提取密集建筑物时,条件T0需设置为Fltlayer_num≥465,当用于提取稀疏建筑物时,条件T0需设置为250≤Fltlayer_num<465。
在步骤108,得到非建筑物图层Layernb,表示步骤101的输入多光谱遥感影像不含建筑物。
在步骤109,将步骤107中的候选建筑物图层Layercb的区域数量初始化为C0,为兼顾运行速度和建筑物提取效果,将C0设置为10。
在步骤110,构造区域提取目标函数ObjF:
式(4)中,ObjF为区域提取目标函数,Hi为第i个像素点在RGB颜色空间SPA中的特征向量,Ri为第i个像素点在R分量中的取值,Gi为第i个像素点在G分量中的取值,Bi为第i个像素点在B分量中的取值,HQ为区域Q的质心像素点Qc在RGB颜色空间SPA中的特征向量,RQc为像素点Qc在R分量中的取值,GQc为像素点Qc在G分量中的取值,BQc为像素点Qc在B分量中的取值,pQ(i)为第i个像素点属于区域Q的概率,||Hi-HQ||表示求取特征向量Hi和HQ之间的切比雪夫距离。
在步骤111,用步骤110中的区域提取目标函数ObjF对候选建筑物图层Layercb进行处理。
在步骤112,用ObjF(k)表示第k次迭代后ObjF的取值,判断ObjF是否满足停止条件|ObjF(k+1)-ObjF(k)|≤Thr,如果是,则得到区域集合RS,进入步骤113,否则将C0的取值更新为C0+1并进入步骤111,为了保证提取结果的准确性,将阈值Thr设置为10-4。
在步骤113,对步骤112中的区域集合RS进行标注处理。
在步骤114,进行后处理,包括删除面积小于S0的非建筑物区域,用矩形度和长宽比作为约束条件提取建筑物,为了防止小面积地物的干扰,将S0设置为50。
在步骤115,输出结果。
Claims (3)
1.一种遥感影像建筑物的自动提取方法,其特征在于包括以下步骤:
步骤1:对包含R,G,B三个颜色分量的输入多光谱遥感影像进行预处理,得到影像Iin;
步骤2:在影像Iin的RGB颜色空间SPA中随机选取两点,分别记为P1和P2,计算影像Iin中的像素点Px分别到P1和P2之间的距离,分别记为d1x和d2x,当d1x≤d2x时,将像素点Px与P1合并为同一集合,并记为S1,否则将像素点Px与P2合并为同一集合,并记为S2,当S1中有新像素加入后,对S1中所有像素的位置平均坐标值取整,作为P1的新位置,当S2中有新像素加入后,对S2中所有像素的位置平均坐标值取整,作为P2的新位置;迭代执行步骤2,直到遍历影像Iin中的所有像素点,得到两个分层Layer1和Layer2;
步骤3:用以下公式对步骤2中的两个分层Layer1和Layer2进行处理:
式(1)中,Fltlayer_num为分层Layerlayer_num的波动强度,meanlayer_num为分层Layerlayer_num在RGB颜色空间SPA中的均值,layer_num为步骤2中的两个分层编号,取值为1和2,Ii为第i个像素在RGB颜色空间SPA中的取值,Nlayer_num为分层Layerlayer_num中的像素个数;
步骤4:当Fltlayer_num落在区间中,则满足条件;
步骤5:将步骤4中的候选建筑物图层Layercb的区域数量初始化为C0;
步骤6:用以下公式对候选建筑物图层Layercb进行处理:
式(2)中,ObjF为区域提取目标函数,Hi为第i个像素点在RGB颜色空间SPA中的特征向量,Ri为第i个像素点在R分量中的取值,Gi为第i个像素点在G分量中的取值,Bi为第i个像素点在B分量中的取值,HQ为区域Q的质心像素点Qc在RGB颜色空间SPA中的特征向量,RQc为像素点Qc在R分量中的取值,GQc为像素点Qc在G分量中的取值,BQc为像素点Qc在B分量中的取值,pQ(i)为第i个像素点属于区域Q的概率,||Hi-HQ||表示求取特征向量Hi和HQ之间的距离;
步骤7:当|ObjF(k+1)-ObjF(k)|≤Thr时,其中,Thr为提取结果的准确性阈值,得到区域集合RS,进入步骤8,否则,将C0的取值更新为C0+1,返回步骤5,ObjF(k)为第k次迭代后ObjF的取值;
步骤8:对步骤7中的区域集合RS进行标注处理;
步骤9:删除面积小于S0的非建筑物区域,用矩形度和长宽比作为约束条件提取建筑物;
步骤10:输出提取建筑物结果。
2.根据权利要求1所述的一种遥感影像建筑物的自动提取方法,其特征在于步骤1中的预处理包括几何校正、辐射校正和对比度增强。
3.根据权利要求1所述的一种遥感影像建筑物的自动提取方法,其特征在于步骤6中的距离||Hi-HQ||的求取方法采用切比雪夫距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810307327.1A CN108491826B (zh) | 2018-04-08 | 2018-04-08 | 一种遥感影像建筑物的自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810307327.1A CN108491826B (zh) | 2018-04-08 | 2018-04-08 | 一种遥感影像建筑物的自动提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108491826A CN108491826A (zh) | 2018-09-04 |
CN108491826B true CN108491826B (zh) | 2021-04-30 |
Family
ID=63315035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810307327.1A Expired - Fee Related CN108491826B (zh) | 2018-04-08 | 2018-04-08 | 一种遥感影像建筑物的自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108491826B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110298348B (zh) * | 2019-06-12 | 2020-04-28 | 苏州中科天启遥感科技有限公司 | 遥感影像建筑物样本区域提取方法及***、存储介质、设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102015200260A1 (de) * | 2014-01-10 | 2015-07-16 | Mitsubishi Electric Corporation | Verfahren zum Erstellen eines Deskriptors für ein Szenenbild |
CN104794478A (zh) * | 2015-05-04 | 2015-07-22 | 福建师范大学 | 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 |
CN105761266A (zh) * | 2016-02-26 | 2016-07-13 | 民政部国家减灾中心 | 从遥感图像中提取矩形建筑物的方法 |
-
2018
- 2018-04-08 CN CN201810307327.1A patent/CN108491826B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102015200260A1 (de) * | 2014-01-10 | 2015-07-16 | Mitsubishi Electric Corporation | Verfahren zum Erstellen eines Deskriptors für ein Szenenbild |
CN104794478A (zh) * | 2015-05-04 | 2015-07-22 | 福建师范大学 | 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 |
CN105761266A (zh) * | 2016-02-26 | 2016-07-13 | 民政部国家减灾中心 | 从遥感图像中提取矩形建筑物的方法 |
Non-Patent Citations (2)
Title |
---|
基于目标识别和参数化技术的城市建筑群三维重建研究;吴宁;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20140715(第7期);第4章 * |
多光谱遥感影像建筑物提取;施文灶 等;《计算机***应用》;20170831(第8期);第201-205页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108491826A (zh) | 2018-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deschaud et al. | A fast and accurate plane detection algorithm for large noisy point clouds using filtered normals and voxel growing | |
CN104331699B (zh) | 一种三维点云平面化快速搜索比对的方法 | |
CN108428220B (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
CN103632167B (zh) | 类地重力场环境下单目视觉空间识别方法 | |
CN110796691B (zh) | 一种基于形状上下文和hog特征的异源图像配准方法 | |
Hu et al. | Efficient and automatic plane detection approach for 3-D rock mass point clouds | |
CN110766708B (zh) | 基于轮廓相似度的图像比较方法 | |
CN113409332B (zh) | 一种基于三维点云的建筑物平面分割方法 | |
CN111814792B (zh) | 一种基于rgb-d图像的特征点提取与匹配方法 | |
CN112883850A (zh) | 一种基于卷积神经网络的多视角空天遥感图像匹配方法 | |
CN108401565B (zh) | 基于改进的KAZE特征和Pseudo-RANSAC算法的遥感图像配准方法 | |
CN112489099A (zh) | 点云配准方法、装置、存储介质及电子设备 | |
Zhang et al. | Lidar-guided stereo matching with a spatial consistency constraint | |
CN108491826B (zh) | 一种遥感影像建筑物的自动提取方法 | |
Kong et al. | Local Stereo Matching Using Adaptive Cross‐Region‐Based Guided Image Filtering with Orthogonal Weights | |
CN113887624A (zh) | 一种基于双目视觉的改进特征立体匹配方法 | |
CN109635715B (zh) | 一种遥感图像建筑物提取方法 | |
Parmehr et al. | Automatic parameter selection for intensity-based registration of imagery to LiDAR data | |
CN112329662B (zh) | 基于无监督学习的多视角显著性估计方法 | |
CN104077603B (zh) | 类地重力场环境下室外场景单目视觉空间识别方法 | |
CN116681839A (zh) | 一种基于改进NeRF的实景三维目标重建与单体化方法 | |
CN116682024A (zh) | 一种基于四波段遥感影像的快速云检测方法 | |
CN116681844A (zh) | 一种基于亚米级立体像对卫星影像的建筑物白膜构建方法 | |
CN116385892A (zh) | 基于目标上下文卷积神经网络的数字高程模型提取方法 | |
CN108596088B (zh) | 一种用于全色遥感影像的建筑物检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210430 |