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 PDF

Info

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
Application number
CN201810307327.1A
Other languages
English (en)
Other versions
CN108491826A (zh
Inventor
施文灶
程姗
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.)
Fujian Normal University
Original Assignee
Fujian Normal 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 Fujian Normal University filed Critical Fujian Normal University
Priority to CN201810307327.1A priority Critical patent/CN108491826B/zh
Publication of CN108491826A publication Critical patent/CN108491826A/zh
Application granted granted Critical
Publication of CN108491826B publication Critical patent/CN108491826B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种遥感影像建筑物的自动提取方法
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：
Figure BDA0001621365670000021
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：
Figure BDA0001621365670000022
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：
Figure BDA0001621365670000041
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：
Figure BDA0001621365670000042
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：
Figure FDA0002974762830000011
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：
Figure FDA0002974762830000012
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。
CN201810307327.1A 2018-04-08 2018-04-08 一种遥感影像建筑物的自动提取方法 Expired - Fee Related CN108491826B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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