CN110276270A - 一种高分辨率遥感影像建筑区提取方法 - Google Patents

Abstract

本发明公开了遥感图像处理技术领域的一种高分辨率遥感影像建筑区提取方法，旨在解决现有技术中高分影像由于“同物异谱”和“异物同谱”现象严重，地物类型多样，场景结构复杂，导致建筑区自动提取效果不理想的技术问题。所述方法包括如下步骤：根据高分辨率遥感影像，获取边界重叠的图像块；利用格式塔知觉组织规则度量图像块视觉显著性，构建基于块的建筑区显著图；对建筑区显著图进行阈值分割，获取建筑区二值图，精化处理建筑区二值图以获取建筑区提取结果。

Description

一种高分辨率遥感影像建筑区提取方法

技术领域

本发明涉及一种高分辨率遥感影像建筑区提取方法，属于遥感图像处理技术领域。

背景技术

建筑区是指地面上被建筑物覆盖的区域，它既是一种重要的土地利用类型，也是人类居住、工作和活动的主要区域。随着城镇化和工业化快速发展，大量人口从农村转移到城市，导致城镇建筑区域不断扩张和更替。及时准确地获取建筑区位置和范围等地理空间信息，对于测绘、城市管理、规划、环境等部门具有重要意义。

卫星遥感由于具有宏观性和多时相性等特点，为城市建筑区的动态监测提供了有效数据源。近年来，随着高(空间)分辨率卫星遥感技术快速发展，利用高分辨率遥感影像在更精细的尺度上获取建筑区信息，成为学术界关注热点之一。虽然高分辨率遥感影像在描述建筑区细节方面具有更大优势，但由于高分影像“同物异谱”和“异物同谱”现象严重，地物类型多样，场景结构复杂，给建筑区的自动提取带来挑战。

目前，对于高分影像建筑区的提取，国内外学者提出了一系列方法。从利用的特征看，可分为基于纹理特征的方法和基于结构特征的方法。基于纹理特征的方法，主要包括灰度共生矩阵、Gabor小波变换、多尺度小波变换等，该方法源自普通图像的处理，虽具有一定通用性，但对于高分影像建筑区这类复杂目标，仍然缺少针对性的纹理特征描述算法。基于结构特征的方法，主要利用影像的局部特征点(如角点)和特征线(如边缘、直线)，该方法虽然利用了建筑区的局部结构特征，但目前的提取模型和算法主要是根据这些特征的空间分布密度，对于复杂场景的提取效果并不理想，容易受到其他地物的干扰，比如形状规则的农田、高速公路，也具有角点(或直线)密集分布的特点。

从影像处理的方式来看，可分为基于像素的方法、面向对象的方法和基于块的方法。由于高分影像光谱变异性较大，单个像素特征是不可靠的，因而基于像素的方法一般是通过定义邻域来利用上下文信息。面向对象的方法先对影像做图像分割，获得具有一定语义信息的图像对象(segment)，这些图像对象作为进一步处理的基本单元，其好处是可以较好地利用图像对象的空间信息，但该类方法对图像分割具有较大的依赖性，由于高分影像建筑场景比较复杂，要获得令人满意的分割结果目前仍然相对困难。基于块的方法，目前常用的是对影像进行格网划分，以该方法获得的块便于纹理、结构等多种空间信息的表示，并且非常适合于大范围影像的处理，但规则格网划分具有一定的随机性，也会一定程度上破坏建筑区内部的空间结构关系，并且在块划分较大时，提取的建筑区边界锯齿现象严重。

发明内容

本发明的目的在于克服现有技术中的不足，提供了一种高分辨率遥感影像建筑区提取方法，包括如下步骤：

根据高分辨率遥感影像，获取边界重叠的图像块；

利用格式塔知觉组织规则度量图像块视觉显著性，构建基于块的建筑区显著图；

对建筑区显著图进行阈值分割，获取建筑区二值图，精化处理建筑区二值图以获取建筑区提取结果。

进一步地，根据高分辨率遥感影像，获取边界重叠的图像块，包括：

对高分辨率遥感影像进行角点检测，获取角点集合；

利用角点集合划分高分辨率遥感影像，获取边界重叠的图像块。

进一步地，对高分辨率遥感影像进行角点检测，包括：采用Harris算子、SUSAN算子和FAST算子中的任一项对高分辨率遥感影像进行角点检测。

进一步地，利用角点集合划分高分辨率遥感影像，包括：

以角点集合中的每个角点为每个图像块的中心，定义r作为表征图像块大小的参数，图像块大小为(2r+1)×(2r+1)；

所有图像块取并集构成影像的一个划分，通过调整r的大小，使相邻图像块之间保持重叠，实现对影像中建筑区的密集覆盖。

进一步地，利用格式塔知觉组织规则度量图像块视觉显著性，构建基于块的建筑区显著图，包括：

根据图像块，建模基于块的建筑区空间纹理和分布模式，提取其特征参数，构成图像块的特征向量；

根据图像块的特征向量，获取图像块的特征显著性、相似性视觉显著性和连续性视觉显著性；

集成图像块的特征显著性、相似性视觉显著性和连续性视觉显著性，获取图像块的最终显著性；

根据图像块的最终显著性，获取基于块的建筑区显著图。

进一步地，建模基于块的建筑区空间纹理和分布模式，包括：采用绝对空间变异函数建模图像块的空间纹理和分布模式。

进一步地，根据图像块，建模基于块的建筑区空间纹理和分布模式，提取其特征参数，构成图像块的特征向量，包括：

计算获取图像块四个方向的绝对空间变异函数值；

对图像块四个方向的绝对空间变异函数值采用极大化运算，获取描述图像块空间纹理和结构特征的空间变异函数；

绘制空间变异函数曲线；

提取表征空间变异函数曲线形态的特征参数，构成图像块的特征向量。

进一步地，对建筑区显著图进行阈值分割，获取建筑区二值图，包括：通过基于块的显著性阈值法将建筑区显著图二值化，获取建筑区二值图。

进一步地，图像块四个方向的绝对空间变异函数值，包括如下计算公式：

式中，γ_j(h)为图像块第j个方向上空间滞后为h时的绝对空间变异函数值，N_j(h)为图像块第j个方向上滞后距离为h时的成对像元数目，z(x_i)为像素位置x_i处的灰度值，z(x_i+h)为像素位置x_i+h处的灰度值；

空间变异函数，包括如下计算公式：

γ(h)＝max(γ₁(h),γ₂(h),γ₃(h),γ₄(h))，

式中，γ(h)为空间变异函数，γ₁(h)、γ₂(h)、γ₃(h)、γ₄(h)分别为水平、垂直和两个对角方向的绝对空间变异函数值；

图像块的特征向量，包括如下计算公式：

f_k＝(f_k1,f_k2,…,f_kn)，k＝1,2,…,m，

式中，f_k为第k个图像块的特征向量，m为图像块的总数目，n为提取的特征参数的数目；

图像块的特征显著性，包括如下计算公式：

式中，s_k ⁰为第k个图像块的特征显著性，为所有图像块的特征向量的均值向量，Σ为所有图像块的特征向量的协方差矩阵，T表示向量的转置，σ为带宽参数；

图像块的相似性视觉显著性，包括如下计算公式：

式中，s_k ¹为第k个图像块的相似性视觉显著性，w_kl(d)为描述第k个图像块与第l个图像块空间近邻关系的空间权重；

图像块的连续性视觉显著性，包括如下计算公式：

式中，s_k ²为第k个图像块的连续性视觉显著性；

图像块的最终显著性，包括如下计算公式：

s_k＝N(s_k ⁰)+N(s_k ¹)+N(s_k ²)，

式中，s_k为第k个图像块的最终显著性，N(·)为归一化算子。

进一步地，高分辨率遥感影像为单波段高分辨率遥感图像，单波段高分辨率遥感图像包括全色波段图像或由RGB多光谱波段转成的灰度图像。

与现有技术相比，本发明所达到的有益效果：模拟人类视觉***，综合利用知觉组织中的接近律、相似律和连续律规则来构建基于块的建筑区显著性模型，有效建模了图像块之间的空间结构关系，符合视觉认知规律，从而有效实现高分影像建筑区的无监督提取，不需要任何先验样本；所采用的基于块的处理策略，不仅便于建筑区空间特征的表示，也非常适合于大范围影像的处理，提高了建筑区提取的精度和效率。

附图说明

图1是本发明方法流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，是本发明方法流程图，一种高分辨率遥感影像建筑区提取方法，包括如下步骤：

步骤一，对输入的高分辨率遥感影像进行角点检测，并利用检测的角点集合来划分影像，获得边界重叠的图像块。

所述高分辨率遥感影像为单波段高分辨率遥感图像，单波段高分辨率遥感图像包括全色波段图像或由RGB多光谱波段转成的灰度图像；

建筑区由各种建筑物(如房屋)聚集覆盖而构成，因而高分辨率遥感影像中的角点具有密集分布的特点，常用的角点检测算子包括Harris算子、SUSAN算子和FAST算子等，本实施例采用Harris算子来检测影像中的角点；

利用检测的角点集合来划分影像，具体步骤如下：

(1)以角点集合中的每个角点为每个图像块的中心，定义r作为表征图像块大小的参数，图像块大小为(2r+1)×(2r+1)；

(2)所有图像块取并集构成影像的一个划分，通过调整r的大小，使相邻图像块之间保持重叠，实现对影像中建筑区的密集覆盖。

步骤二，对于所述图像块，建模其建筑区空间纹理和分布模式，提取特征参数，并用特征向量来表示。

高分影像中地物具有光谱信息不足、空间信息丰富的特点，与其它对象相比，建筑区具有显著的纹理特征和独特的空间分布模式，本实施例采用绝对空间变异函数来建模和描述图像块的空间纹理和分布模式，具体步骤如下：

(a)对每个图像块，计算其四个方向的绝对空间变异函数值，公式为：

式中，γ_j(h)为图像块第j个方向上空间滞后为h时的绝对空间变异函数值，N_j(h)为图像块第j个方向上滞后距离为h时的成对像元数目，z(x_i)为像素位置x_i处的灰度值，z(x_i+h)为像素位置x_i+h处的灰度值；

(b)对图像块四个方向的绝对空间变异函数值采用极大化运算，获取描述图像块空间纹理和结构特征的空间变异函数，公式为：

γ(h)＝max(γ₁(h),γ₂(h),γ₃(h),γ₄(h))，

式中，γ(h)为空间变异函数，γ₁(h)、γ₂(h)、γ₃(h)、γ₄(h)分别为水平、垂直和两个对角方向的绝对空间变异函数值；

(c)对每个图像块，绘制其空间变异函数曲线，并提取表征该曲线形态的特征参数，构成表示该图像块的特征向量，公式为：

f_k＝(f_k1,f_k2,…,f_kn)，k＝1,2,…,m，

式中，f_k为第k个图像块的特征向量，m为图像块的总数目，n为提取的特征参数的数目。

步骤三，基于格式塔知觉组织规则度量图像块的视觉显著性，构建基于块的建筑区显著图。

格式塔心里学派提出了一套适合知觉组织的规律，包括接近律、相似律、连续律、闭合律等，符合知觉组织规则的元素更易于组织成完整的目标。基于格式塔知觉组织规则，将属于建筑区的图像块组织成完整的建筑区目标，其关键是对这些知觉组织规律进行有效的建模。本实施例对建筑区的接近律、相似律和连续律进行了有效度量，构建了基于块的建筑区显著性模型，使符合知觉组织规则的图像块具有更大的视觉显著性，该模型的具体过程包括：

(a)对每个图像块，计算其自身的特征显著性，公式为：

式中，s_k ⁰为第k个图像块的特征显著性，为所有图像块的特征向量的均值向量，Σ为所有图像块的特征向量的协方差矩阵，T表示向量的转置，σ为带宽参数；

(b)对每个图像块，将空间接近律规则分别与相似律和连续律规则相结合，获得局部集成的相似性视觉显著性和连续性视觉显著性，公式分别为：

式中，s_k ¹为第k个图像块的相似性视觉显著性，s_k ²为第k个图像块的连续性视觉显著性，w_kl(d)为描述第k个图像块与第l个图像块空间近邻关系的空间权重，其计算过程如下：如果第l个图像块的中心点(即角点)落在以第k个图像块的中心点(即角点)为中心、距离为d的范围内，则w_kl(d)＝1，否则w_kl(d)＝0；

(c)对每个图像块，集成自身的特征显著性、相似性视觉显著性和连续性视觉显著性，获得最终的基于块的建筑区显著图，集成方式采用归一化求和运算，计算公式为：

s_k＝N(s_k ⁰)+N(s_k ¹)+N(s_k ²)，

式中，s_k为第k个图像块的最终显著性，N(·)为归一化算子。

步骤四，对获得的建筑区显著图进行阈值分割，获得建筑区二值图，并通过精化处理，获得最终的建筑区提取结果。

在构建的基于块的建筑区显著图中，属于建筑区的图像块因符合知觉组织规律而具有更大的显著性值，而非建筑区图像块具有较小的显著性值，因而可以选择合适的显著性阈值，将所有大于该阈值对图像块标记为建筑区，其它不满足该条件的图像块标记为非建筑区，本实施例采用Otsu阈值法自适应地获取最佳阈值；

阈值分割后的建筑区像素和非建筑区像素分别用1和0来表示，获得建筑区二值图；由于采用了基于分块的图像处理策略，二值图中的建筑区目标边界会出现锯齿状，本实施例利用形态学开闭运算对其进行平滑处理，获得更为精确的建筑区边界。

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形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种高分辨率遥感影像建筑区提取方法，其特征是，包括如下步骤：

根据高分辨率遥感影像，获取边界重叠的图像块；

利用格式塔知觉组织规则度量图像块视觉显著性，构建基于块的建筑区显著图；

对建筑区显著图进行阈值分割，获取建筑区二值图，精化处理建筑区二值图以获取建筑区提取结果。

2.根据权利要求1所述的高分辨率遥感影像建筑区提取方法，其特征是，根据高分辨率遥感影像，获取边界重叠的图像块，包括：

对高分辨率遥感影像进行角点检测，获取角点集合；

利用角点集合划分高分辨率遥感影像，获取边界重叠的图像块。

3.根据权利要求2所述的高分辨率遥感影像建筑区提取方法，其特征是，对高分辨率遥感影像进行角点检测，包括：采用Harris算子、SUSAN算子和FAST算子中的任一项对高分辨率遥感影像进行角点检测。

4.根据权利要求2所述的高分辨率遥感影像建筑区提取方法，其特征是，利用角点集合划分高分辨率遥感影像，包括：

以角点集合中的每个角点为每个图像块的中心，定义r作为表征图像块大小的参数，图像块大小为(2r+1)×(2r+1)；

所有图像块取并集构成影像的一个划分，通过调整r的大小，使相邻图像块之间保持重叠，实现对影像中建筑区的密集覆盖。

5.根据权利要求1所述的高分辨率遥感影像建筑区提取方法，其特征是，利用格式塔知觉组织规则度量图像块视觉显著性，构建基于块的建筑区显著图，包括：

根据图像块，建模基于块的建筑区空间纹理和分布模式，提取其特征参数，构成图像块的特征向量；

根据图像块的特征向量，获取图像块的特征显著性、相似性视觉显著性和连续性视觉显著性；

集成图像块的特征显著性、相似性视觉显著性和连续性视觉显著性，获取图像块的最终显著性；

根据图像块的最终显著性，获取基于块的建筑区显著图。

6.根据权利要求5所述的高分辨率遥感影像建筑区提取方法，其特征是，建模基于块的建筑区空间纹理和分布模式，包括：采用绝对空间变异函数建模图像块的空间纹理和分布模式。

7.根据权利要求6所述的高分辨率遥感影像建筑区提取方法，其特征是，根据图像块，建模基于块的建筑区空间纹理和分布模式，提取其特征参数，构成图像块的特征向量，包括：

计算获取图像块四个方向的绝对空间变异函数值；

对图像块四个方向的绝对空间变异函数值采用极大化运算，获取描述图像块空间纹理和结构特征的空间变异函数；

绘制空间变异函数曲线；

提取表征空间变异函数曲线形态的特征参数，构成图像块的特征向量。

8.根据权利要求1所述的高分辨率遥感影像建筑区提取方法，其特征是，对建筑区显著图进行阈值分割，获取建筑区二值图，包括：通过基于块的显著性阈值法将建筑区显著图二值化，获取建筑区二值图。

9.根据权利要求7所述的高分辨率遥感影像建筑区提取方法，其特征是，

图像块四个方向的绝对空间变异函数值，包括如下计算公式：

式中，γ_j(h)为图像块第j个方向上空间滞后为h时的绝对空间变异函数值，N_j(h)为图像块第j个方向上滞后距离为h时的成对像元数目，z(x_i)为像素位置x_i处的灰度值，z(x_i+h)为像素位置x_i+h处的灰度值；

空间变异函数，包括如下计算公式：

γ(h)＝max(γ₁(h),γ₂(h),γ₃(h),γ₄(h))，

式中，γ(h)为空间变异函数，γ₁(h)、γ₂(h)、γ₃(h)、γ₄(h)分别为水平、垂直和两个对角方向的绝对空间变异函数值；

图像块的特征向量，包括如下计算公式：

f_k＝(f_k1,f_k2,…,f_kn)，k＝1,2,…,m，

式中，f_k为第k个图像块的特征向量，m为图像块的总数目，n为提取的特征参数的数目；

图像块的特征显著性，包括如下计算公式：

式中，s_k ⁰为第k个图像块的特征显著性，为所有图像块的特征向量的均值向量，Σ为所有图像块的特征向量的协方差矩阵，T表示向量的转置，σ为带宽参数；

图像块的相似性视觉显著性，包括如下计算公式：

式中，s_k ¹为第k个图像块的相似性视觉显著性，w_kl(d)为描述第k个图像块与第l个图像块空间近邻关系的空间权重；

图像块的连续性视觉显著性，包括如下计算公式：

式中，s_k ²为第k个图像块的连续性视觉显著性；

图像块的最终显著性，包括如下计算公式：

s_k＝N(s_k ⁰)+N(s_k ¹)+N(s_k ²)，

式中，s_k为第k个图像块的最终显著性，N(·)为归一化算子。

10.根据权利要求1至9任一项所述的高分辨率遥感影像建筑区提取方法，其特征是，高分辨率遥感影像为单波段高分辨率遥感图像，单波段高分辨率遥感图像包括全色波段图像或由RGB多光谱波段转成的灰度图像。