CN111178175A - 基于高景卫星影像的自动化建筑物信息提取方法及*** - Google Patents
基于高景卫星影像的自动化建筑物信息提取方法及*** Download PDFInfo
- Publication number
- CN111178175A CN111178175A CN201911288831.2A CN201911288831A CN111178175A CN 111178175 A CN111178175 A CN 111178175A CN 201911288831 A CN201911288831 A CN 201911288831A CN 111178175 A CN111178175 A CN 111178175A
- Authority
- CN
- China
- Prior art keywords
- view satellite
- image
- building
- reflectivity data
- satellite
- 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
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 46
- 238000002310 reflectometry Methods 0.000 claims abstract description 59
- 230000011218 segmentation Effects 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012937 correction Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 230000005855 radiation Effects 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims description 18
- 230000003595 spectral effect Effects 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 3
- 235000009508 confectionery Nutrition 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000006116 polymerization reaction Methods 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于高景卫星影像的自动化建筑物信息提取方法及***，其中，该方法包括如下步骤：(1)根据对高景卫星数据进行辐射校正和大气校正的定标公式生成高景卫星反射率数据Lλ；利用高精度DEM对高景卫星反射率数据进行正射纠正，获得高精度的正射影像，并对其进行多光谱与全色影像NND融合，生成4个波段的高景卫星反射率数据；(2)对4个波段的高景卫星反射率数据进行影像多尺度均值漂移分割得到分割后各特征单元；(3)对分割后各特征单元进行样本自动选取与特征计算。本发明能够实现高精度、高效率的建筑物信息提取。
Description
技术领域
本发明属于卫星遥感技术领域，尤其涉及一种基于高景卫星影像的自动化建筑物信息提取方法及***。
背景技术
高分辨率遥感以一种非常精细的方式观测地面，获取的影像不仅具有一定的光谱信息，还可以清晰地表达地物目标的形状、空间分布和空间结构特征，具有图谱合一的特点，在城市规划、功能区划分、三维建模等领域有着广泛的应用。而人工地物目标识别与提取是应用的基础，建筑物是最重要的人工地物目标之一，也是高分辨率遥感影像上的重要内容。研究高分辨率遥感影像上建筑物的自动化、高精度提取对于各种应用具有重大的现实意义。目前国内外学者针对建筑物提取提出了大量的方法，主要可以分为以下三类：(1)利用激光雷达(LIDAR)、InSAR、DSM和DEM辅助进行建筑物轮廓的提取；(2)采用航空摄影测量等超高分辨率影像，通过具有较大重叠区域的摄影测量数据，提取立体像对，确定地面点，根据建筑物的高度特征信息提取建筑物轮廓；(3)利用单景遥感影像，并假设建筑物具有规则形状，结合地物之间的空间关系，如建筑物阴影与建筑物相邻等，进行建筑物提取；
传统方法提取农作物信息方法的不足之处在于：
(1)由于建筑物本身的特点，房屋建筑多与道路相邻，且存在大量房屋边缘与道路平行的情况，在分割后影像中道路与房屋边缘信息容易混淆，利用传统方法很难区分两者边界。同时屋顶材质的多样性也导致不同建筑物顶部的光谱特征与纹理特征存在较大差异。使得利用建筑物特征进行建筑物提取时受到很大限制。
(2)利用LIDAR、InSAR以及超高分辨率遥感影像精度较高，可以用于三维建模领域，但对DSM/DEM等具有高度信息的辅助数据的精度要求较高，一般情况下很难获得满足条件的数据。同时高空间分辨率遥感影像在一定程度上提高了地物的信息量，但是也增加了噪声信息以及“同谱异物”和“同物异谱”的现象，在一定程度上增加了高精度建筑物提取的难度。
(3)遥感影像分割尺度难以把握。在对遥感影像进行分割时，分割尺度没有标准，不同的分割尺度定然会产生不同的提取结果。而一种分割方法适用于一种分割尺度时，难以保证其在整幅影像上也具有很好的适用性。
发明内容
本发明解决的技术问题是：克服现有技术的不足，提供了一种基于高景卫星影像的自动化建筑物信息提取方法及***，以解决目前较少基于高景卫星遥感数据进行建筑物提取，能够实现高精度、高效率的建筑物信息提取。
本发明目的通过以下技术方案予以实现：一种基于高景卫星影像的自动化建筑物信息提取方法，所述方法包括如下步骤：(1)根据对高景卫星数据进行辐射校正和大气校正的定标公式生成高景卫星反射率数据Lλ；利用高精度DEM对高景卫星反射率数据进行正射纠正，获得高精度的正射影像，并对其进行多光谱与全色影像NND融合，生成4个波段的高景卫星反射率数据；(2)对4个波段的高景卫星反射率数据进行影像多尺度均值漂移分割得到分割后各特征单元；(3)对分割后各特征单元进行样本自动选取与特征计算。
上述基于高景卫星影像的自动化建筑物信息提取方法中，在步骤(1)中，定标公式为：
式中，QCAL为原始量化的DN值，Lλ为高景卫星反射率数据，LMINλ为QCAL＝QCALMIN时的高景卫星反射率数据，LMAXλ为QCAL＝QCALMAX时的辐亮度值，QCALMAX/QCALMIN是最大/最小量化定标像素值。
上述基于高景卫星影像的自动化建筑物信息提取方法中，在步骤(2)中，对4个波段的高景卫星反射率数据进行影像多尺度均值漂移分割得到分割后各特征单元包括如下步骤：(21)将4个波段的高景卫星反射率数据从RGB色度空间转换到LUV特征空间得到LUV影像；(22)在LUV影像上确定核函数；(23)利用确定的核函数与带宽对处理好的4个波段的高景卫星反射率数据进行均值漂移滤波；(24)确定不同尺度的合并序列，并对均值漂移滤波后的4个波段的高景卫星反射率数据进行迭代运算得到分割后各特征单元。
上述基于高景卫星影像的自动化建筑物信息提取方法中，在步骤(3)中，对分割后各特征单元进行样本自动选取与特征计算包括如下步骤：(31)计算分割后各特征单元的光谱特征和形状特征；其中，光谱特征包括光谱均值、方差、熵；形状特征包括形状紧凑度、面积、周长；(32)根据建筑物具有规则形状，并剔除植被、水体的光谱特征差异明显地物，自动从特征单元初步选取建筑物样本，并计算其光谱均值、方差、纹理的特征；以聚合的方式筛选出有代表的建筑物模板样本；(33)根据有代表的建筑物模板样本的典型形状，构造相应的模板，，对整景影像进行卷积运算，提取建筑物区域；(34)针对建筑物区域，进行建筑物边缘检测、细化及筛选，逼近建筑物的真实边缘，实现建筑物空间轮廓的提取。
上述基于高景卫星影像的自动化建筑物信息提取方法中，在步骤(21)中，当4个波段的高景卫星反射率数据对应的彩色图像映射到特征空间L后，再结合像素在图像中的位置，即空间信息(X，Y)，就能得到每个像素在5维特征空间中的值，即(X，Y，L*，U*，V*)；其中，L*表示图像的亮度,U*和V*分别表示色差。
上述基于高景卫星影像的自动化建筑物信息提取方法中，在步骤(22)中，对于d维欧式空间Rd中的一个特征数据点x,用列向量标识，x的模为||x||2＝xTx，R为标识实数域；如果一个函数K：Rd→R存在一个轮廓函数k:[0,∞]→R，即k(x)＝ck(||x||2)；其中，ck＞0为标准化常数，并且满足：(1)k是非负的；(2)k是非增的；(3)k是分段连续的，并且∫k(r)dr＜∞,那么函数K(x)就被称为核函数；
对于给定的Rd空间中n个采样点{xi,1≤i≤n},利用核函数K(x)得到密度函数的和密度为：
其中，ω(xi)≥0是采样点的权重，满足∑w(xi)＝1，简记为ωi，核函数K(x)决定了采样点xi与核中心点x之间的相似性度量。
上述基于高景卫星影像的自动化建筑物信息提取方法中，在步骤(24)中，确定不同尺度的合并序列{M1,M2,M3,…,Mn},并在滤波的基础上进行迭代运算，对不同尺度的结果进行存储，当达到尺度Mn时停止迭代，最终实现多尺度分割。
一种基于高景卫星影像的自动化建筑物信息提取***，包括：数据预处理模块，用于根据对高景卫星数据进行辐射校正和大气校正的定标公式生成高景卫星反射率数据Lλ；利用高精度DEM对高景卫星反射率数据进行正射纠正，获得高精度的正射影像，并对其进行多光谱与全色影像NND融合，生成4个波段的高景卫星反射率数据；影像多尺度均值漂移分割模块，用于对4个波段的高景卫星反射率数据进行影像多尺度均值漂移分割得到分割后各特征单元；样本自动选取与特征计算模块，用于对分割后各特征单元进行样本自动选取与特征计算。
上述基于高景卫星影像的自动化建筑物信息提取***中，定标公式为：
式中，QCAL为原始量化的DN值，Lλ为高景卫星反射率数据，LMINλ为QCAL＝QCALMIN时的高景卫星反射率数据，LMAXλ为QCAL＝QCALMAX时的辐亮度值，QCALMAX/QCALMIN是最大/最小量化定标像素值。
上述基于高景卫星影像的自动化建筑物信息提取***中，影像多尺度均值漂移分割模块包括：LUV图像构建模块，用于将4个波段的高景卫星反射率数据从RGB色度空间转换到LUV特征空间得到LUV影像；核函数确定模块，用于在LUV影像上确定核函数；均值滤波模块，用于利用确定的核函数与带宽对处理好的4个波段的高景卫星反射率数据进行均值漂移滤波；多尺度分割模块，用于确定不同尺度的合并序列，并对均值漂移滤波后的4个波段的高景卫星反射率数据进行迭代运算得到分割后各特征单元。
本发明与现有技术相比具有如下有益效果：
(1)本发明在采用了0.5m分辨率的高景卫星遥感数据，提高了建筑物自动提取难度的基础上，能够实现高精度、高效率的建筑物信息提取。
(2)本发明利用多漂移均值多尺度分割技术，能够解决目前采用尺度分割技术时难以确定分割尺度的问题，并且这种分割方法更加快速、高效。
(3)本发明综合考虑建筑物顶部光谱、形状和纹理信息，通过特样本选择和特征计算，精确构建建筑物模板，提高了建筑物信息提取的精度。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是本发明实施例提供的基于高景卫星影像的自动化建筑物信息提取方法的流程图；
图2是本发明实施例提供的影像多尺度均值漂移分割的流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
图1是本发明实施例提供的基于高景卫星影像的自动化建筑物信息提取方法的流程图。如图1所示，该方法包括如下步骤：
(1)根据对高景卫星数据进行辐射校正和大气校正的定标公式生成高景卫星反射率数据Lλ；
利用高精度DEM对高景卫星反射率数据进行正射纠正，获得高精度的正射影像，并对其进行多光谱与全色影像NND融合，生成4个波段的高景卫星反射率数据；
(2)对4个波段的高景卫星反射率数据进行影像多尺度均值漂移分割得到分割后各特征单元；
(3)对分割后各特征单元进行样本自动选取与特征计算。
具体的，该方法包括数据预处理、影像多尺度均值漂移分割、样本自动选区与特征计算、建筑物模板构建、建筑物轮廓提取等步骤：
(1)数据预处理：包括辐射校正以及正射融合。
(a)辐射定标与大气校正：为了消除大气的影响，需要对高景卫星数据进行辐射校正和大气校正，生成反射率数据。定标公式如下：
式中，QCAL为原始量化的DN值，Lλ为辐亮度值/反射率值，LMINλ为QCAL＝QCALMIN时的辐亮度值/反射率值，LMAXλ为QCAL＝QCALMAX时的辐亮度值，QCALMAX/QCALMIN是最大/最小量化定标像素值。在一般情况下，QCALMIN＝0。式中增益值
偏移量Offset＝LMINλ；
(b)正射融合：由于建筑物存在高度信息，在成像的过程中会导致地面目标产生形变，为了提高建筑物轮廓信息的提取精度，首先需要利用高精度DEM对高景卫星反射率数据进行正射纠正，获得高精度的正射影像，并对其进行多光谱与全色影像进行NND融合，生成0.5m高精度四波段正射产品；
(2)影像多尺度均值漂移分割：用于实现对高景数据进行快速、稳健的多尺度分割，为后构建建筑物模板提供样本信息，其流程如图2所示，主要分为以下4步：
(a)LUV图像构建：对正射融合后的高景卫星影像进行LUV影像构建处理，即将4个波段的高景卫星反射率数据从RGB色度空间转换到LUV特征空间，从而更好实现其特征空间的分离。当彩色图像映射到特征空间L后，再结合像素在图像中的位置，即空间信息(X，Y)，就能得到每个像素在5维特征空间中的值，即(X，Y，L*，U*，V*)。其中，L*表示图像的亮度,U*和V*分别表示色差。在此基础上采用聚类算法，就可以将空间和颜色欧式距离相近的点归为一类，从而实现彩色图像分割。
(b)确定核函数k(x)与带宽Hi：在LUV影像上进行核函数和相应参数的确定。对于d维欧式空间Rd中的一个特征数据点x,用列向量标石，x的模为||x||2＝xTx，R标石实数域。如果一个函数K：Rd→R存在一个轮廓函数k:[0,∞]→R，即k(x)＝ck(||x||2)
其中，ck＞0为标准化常数，并且满足：(1)k是非负的；(2)k是非增的，即如果a<b,则k(a)≥k(b)；(3)k是分段连续的，并且∫k(r)dr＜∞,那么函数K(x)就被称为核函数。对于给定的Rd空间中n个采样点{xi,1≤i≤n},利用核函数K(x)及正定的d×d带宽矩阵Hi,密度函数的和密度估计式为：
其中，ω(xi)≥0是采样点的权重，满足∑w(xi)＝1，简记为ωi，核函数K(x)决定了采样点xi与核中心点x之间的相似性度量，带宽矩阵Hi决定了核函数的影像范围。直观地说，密度函数估计
是每个采样点出的核函数加权求和的结果。
(c)基于空间与颜色域的均值滤波：利用确定的核函数K(x)与带宽Hi对处理好的0.5米分辨率高景卫星影遥感数据进行均值漂移滤波。
(d)多尺度分割：确定不同尺度的合并序列{M1,M2,M3,…,Mn},并在滤波的基础上进行迭代运算，对不同尺度的结果进行存储，当达到尺度Mn时停止迭代，最终实现多尺度分割。
(3)样本自动选取与特征计算。尺度分割后的特征基元与“像素”相比，具有形状等对象化的特征，通过一些指标可以对形状特征进行描述和表达，如光谱均值、方差、熵及其形状紧凑度、面积、周长等特征。利用这些特征对建筑物进行特征计算，并通过边缘检测、细化及筛选实现建筑物空间轮廓的提取。
其主要包括一下几步：
(a)计算分割后各特征单元的光谱、形状特征，计算其光谱均值、方差、熵及其形状紧凑度、面积、周长等特征；
(b)根据建筑物具有规则形状，并剔除植被、水体等光谱特征差异明显地物，自动从特征单元初步选取建筑物样本，并计算其光谱均值、方差、纹理等特征；再根据形状特性以及纹理特性的综合阈值，以聚合的方式筛选出最后有代表的建筑物模板样本；
(c)根据建筑物的典型形状，构造相应的模板，模板同时具有光谱和形状特征，对整景影像进行卷积运算，提取建筑区域。
(d)针对提取的建筑物区域，进行建筑物边缘检测、细化及筛选，逼近建筑物的真实边缘，实现建筑物空间轮廓的提取。
本实施例还提供了一种基于高景卫星影像的自动化建筑物信息提取***，包括：数据预处理模块，用于根据对高景卫星数据进行辐射校正和大气校正的定标公式生成高景卫星反射率数据Lλ；利用高精度DEM对高景卫星反射率数据进行正射纠正，获得高精度的正射影像，并对其进行多光谱与全色影像NND融合，生成4个波段的高景卫星反射率数据；影像多尺度均值漂移分割模块，用于对4个波段的高景卫星反射率数据进行影像多尺度均值漂移分割得到分割后各特征单元；样本自动选取与特征计算模块，用于对分割后各特征单元进行样本自动选取与特征计算。
上述实施例中，定标公式为：
式中，QCAL为原始量化的DN值，Lλ为高景卫星反射率数据，LMINλ为QCAL＝QCALMIN时的高景卫星反射率数据，LMAXλ为QCAL＝QCALMAX时的辐亮度值，QCALMAX/QCALMIN是最大/最小量化定标像素值。
上述实施例中，影像多尺度均值漂移分割模块包括：LUV图像构建模块，用于将4个波段的高景卫星反射率数据从RGB色度空间转换到LUV特征空间得到LUV影像；核函数确定模块，用于在LUV影像上确定核函数；均值滤波模块，用于利用确定的核函数与带宽对处理好的4个波段的高景卫星反射率数据进行均值漂移滤波；多尺度分割模块，用于确定不同尺度的合并序列，并对均值漂移滤波后的4个波段的高景卫星反射率数据进行迭代运算得到分割后各特征单元。
本实施例首先对高景卫星数据进行辐射校正和正射校正等预处理，去除大气及地形对成像的影响，得到高精度的0.5米高景卫星正射反射率产品，通过利用遥感多尺度均值漂移分割技术对反射率产品进行多尺度分割，生成多种尺度的分割结果，再对分割的后产品进行样本选择及特征计算，实现基于高景卫星遥感数据的建筑物信息快速、高精度提取。
本实施例应用于高景卫星遥感数据建筑物提取时，只需要对高景卫星遥感影像进行辐射校正、正射校正等数据预处理工作；在确定高景卫星遥感数据漂移均值分割的核函数及带宽之后，对高景卫星遥感数据进行多尺度分割，获取特征基元；然后结合建筑物的光谱特征及纹理特征构建建筑物模板，应用于进行建筑物轮廓的提取，最后对提取的建筑物轮廓进行边缘检测、细化和筛选，从而实现建筑物轮廓的快速、高精度提取。与传统的建筑物轮廓信息提取方法相比，本发明的主要优点和改进主要包括以下几个方面：
第一，在采用了0.5m分辨率的高景卫星遥感数据，提高了建筑物自动提取难度的基础上，能够实现高精度、高效率的建筑物信息提取。
第二，利用多漂移均值多尺度分割技术，能够解决目前采用尺度分割技术时难以确定分割尺度的问题，并且这种分割方法更加快速、高效。
第三，综合考虑建筑物顶部光谱、形状和纹理信息，通过特样本选择和特征计算，精确构建建筑物模板，提高了建筑物信息提取的精度。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。
Claims (10)
1.一种基于高景卫星影像的自动化建筑物信息提取方法，其特征在于，所述方法包括如下步骤：
(1)根据对高景卫星数据进行辐射校正和大气校正的定标公式生成高景卫星反射率数据Lλ；
利用高精度DEM对高景卫星反射率数据进行正射纠正，获得高精度的正射影像，并对其进行多光谱与全色影像NND融合，生成4个波段的高景卫星反射率数据；
(2)对4个波段的高景卫星反射率数据进行影像多尺度均值漂移分割得到分割后各特征单元；
(3)对分割后各特征单元进行样本自动选取与特征计算。
2.根据权利要求1所述的基于高景卫星影像的自动化建筑物信息提取方法，其特征在于：在步骤(1)中，定标公式为：
式中，QCAL为原始量化的DN值，Lλ为高景卫星反射率数据，LMINλ为QCAL＝QCALMIN时的高景卫星反射率数据，LMAXλ为QCAL＝QCALMAX时的辐亮度值，QCALMAX/QCALMIN是最大/最小量化定标像素值。
3.根据权利要求1所述的基于高景卫星影像的自动化建筑物信息提取方法，其特征在于：在步骤(2)中，对4个波段的高景卫星反射率数据进行影像多尺度均值漂移分割得到分割后各特征单元包括如下步骤：
(21)将4个波段的高景卫星反射率数据从RGB色度空间转换到LUV特征空间得到LUV影像；
(22)在LUV影像上确定核函数；
(23)利用确定的核函数与带宽对处理好的4个波段的高景卫星反射率数据进行均值漂移滤波；
(24)确定不同尺度的合并序列，并对均值漂移滤波后的4个波段的高景卫星反射率数据进行迭代运算得到分割后各特征单元。
4.根据权利要求3所述的基于高景卫星影像的自动化建筑物信息提取方法，其特征在于：在步骤(3)中，对分割后各特征单元进行样本自动选取与特征计算包括如下步骤：
(31)计算分割后各特征单元的光谱特征和形状特征；其中，光谱特征包括光谱均值、方差、熵；形状特征包括形状紧凑度、面积、周长；
(32)根据建筑物具有规则形状，并剔除植被、水体的光谱特征差异明显地物，自动从特征单元初步选取建筑物样本，并计算其光谱均值、方差、纹理的特征；以聚合的方式筛选出有代表的建筑物模板样本；
(33)根据有代表的建筑物模板样本的典型形状，构造相应的模板，，对整景影像进行卷积运算，提取建筑物区域；
(34)针对建筑物区域，进行建筑物边缘检测、细化及筛选，逼近建筑物的真实边缘，实现建筑物空间轮廓的提取。
5.根据权利要求3所述的基于高景卫星影像的自动化建筑物信息提取方法，其特征在于：在步骤(21)中，当4个波段的高景卫星反射率数据对应的彩色图像映射到特征空间L后，再结合像素在图像中的位置，即空间信息(X，Y)，就能得到每个像素在5维特征空间中的值，即(X，Y，L*，U*，V*)；其中，L*表示图像的亮度，U*和V*分别表示色差。
6.根据权利要求3所述的基于高景卫星影像的自动化建筑物信息提取方法，其特征在于：在步骤(22)中，对于d维欧式空间Rd中的一个特征数据点x，用列向量标识，x的模为||x||2＝xTx，R为标识实数域；如果一个函数K：Rd→R存在一个轮廓函数k：[0，∞]→R，即k(x)＝ck(||x||2)；其中，ck＞0为标准化常数，并且满足：(1)k是非负的；(2)k是非增的；(3)k是分段连续的，并且∫k(r)dr＜∞，那么函数K(x)就被称为核函数；
对于给定的Rd空间中n个采样点{xi，1≤i≤n}，利用核函数K(x)得到密度函数的和密度为：
其中，ω(xi)≥0是采样点的权重，满足∑w(xi)＝1，简记为ωi，核函数K(x)决定了采样点xi与核中心点x之间的相似性度量。
7.根据权利要求3所述的基于高景卫星影像的自动化建筑物信息提取方法，其特征在于：在步骤(24)中，确定不同尺度的合并序列{M1，M2，M3，...，Mn}，并在滤波的基础上进行迭代运算，对不同尺度的结果进行存储，当达到尺度Mn时停止迭代，最终实现多尺度分割。
8.一种基于高景卫星影像的自动化建筑物信息提取***，其特征在于包括：
数据预处理模块，用于根据对高景卫星数据进行辐射校正和大气校正的定标公式生成高景卫星反射率数据Lλ；利用高精度DEM对高景卫星反射率数据进行正射纠正，获得高精度的正射影像，并对其进行多光谱与全色影像NND融合，生成4个波段的高景卫星反射率数据；
影像多尺度均值漂移分割模块，用于对4个波段的高景卫星反射率数据进行影像多尺度均值漂移分割得到分割后各特征单元；
样本自动选取与特征计算模块，用于对分割后各特征单元进行样本自动选取与特征计算。
9.根据权利要求8所述的基于高景卫星影像的自动化建筑物信息提取***，其特征在于：定标公式为：
式中，QCAL为原始量化的DN值，Lλ为高景卫星反射率数据，LMINλ为QCAL＝QCALMIN时的高景卫星反射率数据，LMAXλ为QCAL＝QCALMAX时的辐亮度值，QCALMAX/QCALMIN是最大/最小量化定标像素值。
10.根据权利要求8所述的基于高景卫星影像的自动化建筑物信息提取***，其特征在于：影像多尺度均值漂移分割模块包括：
LUV图像构建模块，用于将4个波段的高景卫星反射率数据从RGB色度空间转换到LUV特征空间得到LUV影像；
核函数确定模块，用于在LUV影像上确定核函数；
均值滤波模块，用于利用确定的核函数与带宽对处理好的4个波段的高景卫星反射率数据进行均值漂移滤波；
多尺度分割模块，用于确定不同尺度的合并序列，并对均值漂移滤波后的4个波段的高景卫星反射率数据进行迭代运算得到分割后各特征单元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911288831.2A CN111178175A (zh) | 2019-12-12 | 2019-12-12 | 基于高景卫星影像的自动化建筑物信息提取方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911288831.2A CN111178175A (zh) | 2019-12-12 | 2019-12-12 | 基于高景卫星影像的自动化建筑物信息提取方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111178175A true CN111178175A (zh) | 2020-05-19 |
Family
ID=70657216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911288831.2A Pending CN111178175A (zh) | 2019-12-12 | 2019-12-12 | 基于高景卫星影像的自动化建筑物信息提取方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111178175A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116258958A (zh) * | 2022-12-22 | 2023-06-13 | 二十一世纪空间技术应用股份有限公司 | 一种同源高分辨率影像和dsm数据的建筑物提取方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102254303A (zh) * | 2011-06-13 | 2011-11-23 | 河海大学 | 遥感图像分割方法及遥感图像检索方法 |
| CN107194405A (zh) * | 2017-05-03 | 2017-09-22 | 湖北省电力勘测设计院 | 一种交互式半自动高分辨率遥感影像建筑物提取的方法 |
| CN108596103A (zh) * | 2018-04-26 | 2018-09-28 | 吉林大学 | 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法 |
| CN109784320A (zh) * | 2019-03-25 | 2019-05-21 | 中国科学院地理科学与资源研究所 | 人参设施农业域确定方法 |
| CN109816707A (zh) * | 2018-12-25 | 2019-05-28 | 中铁第四勘察设计院集团有限公司 | 一种基于高分辨率卫星影像的露天采矿场信息提取方法 |
| WO2019157348A1 (en) * | 2018-02-09 | 2019-08-15 | The Board Of Trustees Of The University Of Illinois | A system and method to fuse multiple sources of optical data to generate a high-resolution, frequent and cloud-/gap-free surface reflectance product |
-
2019
- 2019-12-12 CN CN201911288831.2A patent/CN111178175A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102254303A (zh) * | 2011-06-13 | 2011-11-23 | 河海大学 | 遥感图像分割方法及遥感图像检索方法 |
| CN107194405A (zh) * | 2017-05-03 | 2017-09-22 | 湖北省电力勘测设计院 | 一种交互式半自动高分辨率遥感影像建筑物提取的方法 |
| WO2019157348A1 (en) * | 2018-02-09 | 2019-08-15 | The Board Of Trustees Of The University Of Illinois | A system and method to fuse multiple sources of optical data to generate a high-resolution, frequent and cloud-/gap-free surface reflectance product |
| CN108596103A (zh) * | 2018-04-26 | 2018-09-28 | 吉林大学 | 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法 |
| CN109816707A (zh) * | 2018-12-25 | 2019-05-28 | 中铁第四勘察设计院集团有限公司 | 一种基于高分辨率卫星影像的露天采矿场信息提取方法 |
| CN109784320A (zh) * | 2019-03-25 | 2019-05-21 | 中国科学院地理科学与资源研究所 | 人参设施农业域确定方法 |
Non-Patent Citations (2)
| Title |
|---|
| 林祚顶等: "《江淮丘陵区花山流域面源监测与污染物输出规律研究》", 31 December 2018 * |
| 沈占锋等: "遥感影像均值漂移分割算法的并行化实现", 《哈尔滨工业大学学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116258958A (zh) * | 2022-12-22 | 2023-06-13 | 二十一世纪空间技术应用股份有限公司 | 一种同源高分辨率影像和dsm数据的建筑物提取方法及装置 |
| CN116258958B (zh) * | 2022-12-22 | 2023-12-05 | 二十一世纪空间技术应用股份有限公司 | 一种同源高分辨率影像和dsm数据的建筑物提取方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
| CN108596103B (zh) | 基于最佳光谱指数选择的高分辨遥感影像建筑物提取方法 | |
| Adeline et al. | Shadow detection in very high spatial resolution aerial images: A comparative study | |
| CN107610164B (zh) | 一种基于多特征混合的高分四号影像配准方法 | |
| CN101901343B (zh) | 基于立体约束的遥感影像道路提取方法 | |
| CN111814771B (zh) | 图像处理的方法及装置 | |
| CN111553922B (zh) | 一种卫星遥感影像自动云检测方法 | |
| CN107688777B (zh) | 一种协同多源遥感影像的城市绿地提取方法 | |
| CN109829423B (zh) | 一种结冰湖泊红外成像检测方法 | |
| CN105405138B (zh) | 基于显著性检测的水面目标跟踪方法 | |
| CN112287904B (zh) | 基于卫星影像的机场目标识别方法和装置 | |
| CN112016478B (zh) | 一种基于多光谱图像融合的复杂场景识别方法及*** | |
| CN113255452A (zh) | 一种目标水体的提取方法及提取*** | |
| CN111008664A (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
| CN110738693B (zh) | 一种地基成像雷达多角度图像配准方法 | |
| Chaloeivoot et al. | Building detection from terrestrial images | |
| CN111178175A (zh) | 基于高景卫星影像的自动化建筑物信息提取方法及*** | |
| CN116682024A (zh) | 一种基于四波段遥感影像的快速云检测方法 | |
| CN115410074B (zh) | 遥感影像云检测方法及装置 | |
| CN113902759B (zh) | 一种空谱信息联合的星载高光谱影像分割与聚类方法 | |
| CN115457325A (zh) | 一种基于面向对象和光谱规则的多光谱遥感图像非监督分类方法 | |
| CN114565653A (zh) | 一种存在旋转变化和尺度差异的异源遥感图像匹配方法 | |
| CN114792322A (zh) | 一种检测山地国产高分辨率卫星影像云与云阴影的方法 | |
| CN114445394A (zh) | 一种地表变化检测方法和*** | |
| CN113705433A (zh) | 一种基于可见光航拍图像的电力线检测方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210702 Address after: 310012 Room 101, Fudi 4 management room, Xixi National Wetland Park, Xihu District, Hangzhou City, Zhejiang Province Applicant after: Siwei Gaojing satellite remote sensing Co.,Ltd. Address before: 100094, Beijing, Yongfeng Haidian District industrial base, No. 5 East Feng Feng Road Applicant before: CHINA CENTRE FOR RESOURCES SATELLITE DATA AND APPLICATION |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200519 |