CN112633070A - 高分辨率遥感影像建筑物提取方法及*** - Google Patents
高分辨率遥感影像建筑物提取方法及*** Download PDFInfo
- Publication number
- CN112633070A CN112633070A CN202011364761.7A CN202011364761A CN112633070A CN 112633070 A CN112633070 A CN 112633070A CN 202011364761 A CN202011364761 A CN 202011364761A CN 112633070 A CN112633070 A CN 112633070A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- local binary
- binary pattern
- image
- 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 76
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 238000010586 diagram Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 18
- 238000005260 corrosion Methods 0.000 claims description 17
- 230000007797 corrosion Effects 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 12
- 230000002146 bilateral effect Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 11
- 230000002093 peripheral effect Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000003709 image segmentation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000019771 cognition Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种高分辨率遥感影像建筑物提取方法及***,包括:对高分辨率遥感影像进行图像预处理,获得处理后的遥感影像;对处理后的遥感影像进行局部二值模式特征计算,获得局部二值模式特征图;对局部二值模式特征图进行分割得到对象分布;对局部二值模式特征图进行特征提取,得到目标特征,该目标特征表征面向对象的局部二值模式特征;基于对象对处理后的遥感影像进行特征提取,获得对象属性,对象属性包括对象的亮度、矩形度和阴影指数;将目标特征和对象属性输入至目标分类器,获得遥感影像中的建筑物。本发明结合面向对象的局部二值模式特征、亮度值、矩形度、阴影指数等多种特征使得提取结果更加完整和准确。
Description
技术领域
本发明涉及遥感图像信息处理技术领域,特别是涉及一种高分辨率遥感影像建筑物提取方法及***。
背景技术
建筑物的提取主要是利用遥感影像中的光谱信息,空间信息,上下文信息,语义信息与辅助信息等。建筑物的提取最初采用的方法是特征驱动或者先验知识的方法,通过从边界直线、阴影、建筑物形状、直角等主要区别于其他地方的特征来提取建筑物。从特征入手的提取方法主要包括三种方式,一种是基于几何边界的形状特征,二是基于区域分割的方法进行提取,三是基于辅助信息的方法。通过基于模型的建筑物提取方法包括基于模式视觉认知的方式、基于先验模式的建筑物提取的方式、基于语义模型的方式。
其中,基于几何边界的建筑物提取方法主要通过对建筑物的形状信息的分析,映射出图像结构单元和建筑物几何形态的关系,再结合先验知识和已有目标模型的符号化学公式来描述高分影像中的建筑物形态,最后来实现建筑物中轮廓信息的提取。基于几何边界的建筑物提取方法受图像分割和遥感影像的质量影响较大。基于区域分割的建筑物提取方法的优势很明显,就是能使用面向对象来进行分析,能够将计算机视觉中特征提取的方法运用到对象分析中来。但是该方法对于非典型建筑物,不规整建筑物的处理效果并不理想。从三维空间的角度上看,建筑物与其他地物最显著的区别是有着高度特征,由于遥感影像是从上向下进行拍摄,许多特征不能在图像中表现出来。现在基于辅助信息提取建筑物的方式有:SAR或LiDAR、DEM、倾斜摄影测量等,但高分辨率大范围的数据获取成本高。
基于模型的建筑物提取方法有基于先验模型的建筑物提取方法、基于语义模型的建筑物提取方法等。先验模型如主动轮廓模型、变形模型、水平集等,通过先验知识约束提取建筑物,要提高普适性需要完善的先验知识。基于语义模型的建筑物提取方法通过具有实际意义地物之间的上下文关系来提取建筑;或使用深度学习的语义分割模型直接提取建筑物语义信息。然而前者直接由图像分割结果提取建筑物,轮廓不规整将会影响提取结果,还需进一步提升分割的质量,后者用深度学习检测建筑物的方法需要大量且完善的训练样本,在小范围内或者对特征单一的建筑提取有很好的效果,但要实现大范围提取所有类型的建筑物较困难。
可见,现有的针对遥感影像的建筑物提取方法均存在完整性较差以及准确性低的问题。
发明内容
针对于上述问题,本发明提供一种高分辨率遥感影像建筑物提取方法及***,实现了提升建筑物提取结果的完整率和准确率的目的。
为了实现上述目的,本发明提供了如下技术方案:
一种高分辨率遥感影像建筑物提取方法,包括:
对高分辨率遥感影像进行图像预处理,获得处理后的遥感影像;
对所述处理后的遥感影像进行局部二值模式特征计算,获得局部二值模式特征图;
对所述局部二值模式特征图进行分割得到对象分布;
对所述局部二值模式特征图进行特征提取,得到目标特征,所述目标特征表征面向对象的局部二值模式特征;
基于对象对所述处理后遥感影像进行特征提取,获得对象属性,所述对象属性包括对象的亮度、矩形度和阴影指数;
将所述目标特征和所述对象属性输入至目标分类器,分类得到所述遥感影像中的建筑物。
可选地,所述对高分辨率遥感影像进行图像预处理,获得处理后的遥感影像,包括:
对高分辨率遥感影像进行直方图均衡化处理,得到第一图像;
对所述第一图像进行双边滤波处理,得到处理后的遥感影像。
可选地,所述对所述处理后的遥感影像进行局部二值模式特征计算,获得局部二值模式特征图,包括:
设置滑动窗口,通过所述滑动窗口内预设数量的***像素值与中心像素值的大小关系确定中心点的局部二值模式;
获得所述处理后的遥感影像的所有像素的局部二值模式,生成局部二值模式特征图。
可选地,所述对所述局部二值模式特征图进行特征提取,得到目标特征,包括:
设置所述局部二值模式特征图对应的滑动窗口;
通过所述滑动窗口统计窗口内像素与中心像素特征值相等的个数,获得统计结果;
计算各个统计结果在所属对象中出现的概率,将所述概率确定为目标特征。
可选地,所述基于对象对所述处理后遥感影像进行特征提取,获得对象属性,包括:
对所述对象进行膨胀操作,基于所述处理后遥感影像获取与所述对象相邻的所有对象的像素均值,并将其中最大的赋值给当前对象,获得膨胀操作结果;
对所述对象进行腐蚀操作,将相邻对象中平均值最小的值赋值给当前对象,获得腐蚀操作结果;
基于所述膨胀结果减去腐蚀操作结果,得到面向对象的阴影指数;
基于所述对象分布,计算每个对象的矩形度;
根据所述对象分布和所述处理后的遥感影像,获取对象的亮度。
一种高分辨率遥感影像建筑物提取***,包括:
预处理单元,用于对高分辨率遥感影像进行图像预处理,获得处理后的遥感影像;
计算单元,用于对所述处理后的遥感影像进行局部二值模式特征计算,获得局部二值模式特征图;
分割单元,用于对所述局部二值模式特征图进行分割得到对象分布;
特征提取单元,用于对所述局部二值模式特征图进行特征提取,得到目标特征,所述目标特征表征面向对象的局部二值模式特征;
属性提取单元,基于对象对所述处理后遥感影像进行特征提取,获得对象属性,所述对象属性包括对象的亮度、矩形度和阴影指数;
分类单元,用于将所述目标特征和所述对象属性输入至目标分类器,分类得到所述遥感影像中的建筑物。
可选地,所述预处理单元包括:
第一处理子单元,用于对高分辨率遥感影像进行直方图均衡化处理,得到第一图像;
第二处理子单元,用于对所述第一图像进行双边滤波处理,得到处理后的遥感影像。
可选地,所述计算单元包括:
第一设置子单元,用于设置滑动窗口,通过所述滑动窗口内预设数量的***像素值与中心像素值的大小关系确定中心点的局部二值模式;
生成子单元,用于获得所述处理后的遥感影像的所有像素的局部二值模式,生成局部二值模式特征图。
可选地,所述特征提取单元包括:
第二设置子单元,用于设置所述局部二值模式特征图对应的滑动窗口;
获取子单元,用于通过所述滑动窗口统计窗口内像素与中心像素特征值相等的个数,获得统计结果;
第一计算子单元,用于计算各个统计结果在所属对象中出现的概率,将所述概率确定为目标特征。
可选地,所述属性提取单元包括:
第一操作子单元,用于对所述对象进行膨胀操作,基于所述处理后的遥感影像获取与所述对象相邻的所有对象的像素均值,并将其中最大的赋值给当前对象,获得膨胀操作结果;
第二操作子单元,用于对所述对象进行腐蚀操作,将相邻对象中平均值最小的值赋值给当前对象,获得腐蚀操作结果;
第二计算子单元,基于所述膨胀结果减去腐蚀操作结果,得到面向对象的阴影指数;
第三计算子单元,基于所述对象分布,计算每个对象的矩形度;
第四计算子单元,根据所述对象分布和所述处理后遥感影像,获取对象的亮度。
相较于现有技术,本发明提供了一种高分辨率遥感影像建筑物提取方法及***,包括:对高分辨率遥感影像进行图像预处理,获得处理后的遥感影像;对处理后的遥感影像进行局部二值模式特征计算,获得局部二值模式特征图;对局部二值模式特征图进行分割得到对象分布;对局部二值模式特征图进行特征提取,得到目标特征,该目标特征表征面向对象的局部二值模式特征;基于对象对处理后的遥感影像进行特征提取,获得对象属性,对象属性包括对象的亮度、矩形度和阴影特征;将目标特征和对象属性输入至目标分类器,获得遥感影像中的建筑物。本发明结合面向对象的局部二值模式特征、亮度值、矩形度、阴影指数等多种特征使得提取结果更加完整和准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种高分辨率遥感影像建筑物提取方法的流程示意图;
图2为本发明实施例提供的一种高分辨率遥感影像的示意图;
图3为本发明实施例提供的一种局部二值模式邻域采样示意图;
图4为本发明实施例提供的一种旋转不变性局部二值模式的36种模式的示意图;
图5为本发明实施例提供的一种LBP特征图的示意图;
图6为本发明实施例提供的一种OOLBP特征图的示意图;
图7为本发明实例提供的一种建筑物提取结果;
图8为本发明实施例提供的一种高分辨率遥感影像建筑物提取***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有设定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
在本发明实施例中提供了一种高分辨率遥感影像建筑物提取方法,参见图1,该方法可以包括以下步骤:
S101、对高分辨率遥感影像进行图像预处理,获得处理后的遥感影像。
在本发明实施例中的高分辨率遥感影像是指1m及更高分辨率可见光波段的遥感影像,如图2所示。其中预处理是指对图像的初步处理,主要包括直方图均衡化、双边滤波等处理。
S102、对所述处理后的遥感影像进行局部二值模式特征计算,获得局部二值模式特征图。
对处理后的遥感影像进行LBP(Local Binary Pattern,局部二值模式)特征运算,提取LBP特征图。
S103、对所述局部二值模式特征图进行分割得到对象分布。
S104、对所述局部二值模式特征图进行特征提取,得到目标特征。
所述目标特征表征面向对象的局部二值模式的特征,即旋转不变局部二值模式的特征,所述旋转不变局部二值模式为描述局部纹理的模型,具有灰度不变性和旋转不变性的属性。
在得到局部二值模式特征图后,将每个地物对象的LBP特征的二维分布作为特征提取得到面向对象的局部二值模式(Object-Oriented Local Binary Pattern,OOLBP)特征图。结合面向对象的阴影指数、对象矩形度特征和图像亮度,形成特征集。
S105、基于对象对所述处理后的遥感影像进行特征提取,获得对象属性。
所述对象属性包括对象的亮度、矩形度和阴影指数,其中,阴影指数是指面向对象的阴影指数。即本发明可以结合亮度值、矩形度、阴影指数等多种特征,构建图像中不同对象的属性。
S106、将所述目标特征和所述对象属性输入至目标分类器,分类得到所述遥感影像中的建筑物。
采用支持向量机(SVM)分类器来进行二分类。该SVM分类器对应的特征向量是一个12维的向量,包含9个OOLBP特征值、面向对象阴影指数、对象矩形度特征、图像亮度。最后将建筑对象的最小外接矩形作为建筑物的提取结果。
下面对本发明实施例中针对高分辨率遥感影像建筑物提取方法的各个步骤的可能的实现方式进行说明。
在本发明实施例中对高分辨率遥感影像进行图像预处理,获得处理后的遥感影像,包括对遥感影像进行直方图均衡化,然后在进行双边滤波预处理,增强图像中建筑物的辨析度。
直方图均衡化是一种简单有效的图像增强算法,该方法直接操作图像的灰度级,改变图像的灰度分布,使灰度分布较集中的图像变换为灰度分布均匀的图像。它可以在保持局部细节的同时增强图像对比度,使图像更清晰,建筑物特征更明显。以下公式描述图像灰度级的改变规则:
其中,L表示最大灰度级,通常图像的灰度级在0到255之间,则L为255;k表示当前正在被转换的灰度级;Sk表示由灰度级k转换后的灰度级;i为灰度级,取值为(0,1,2....L),ni为图像中灰度级为i的像素个数,n是图像中像元总数。
双边滤波(Bilateral filter)是一种可以保边去噪的滤波器。它考虑了邻域内像素的相似度和几何距离来确定一个像素滤波后的值,在滤除噪声的同时保留了边界纹理。双边滤波对像素值的重构方法描述如下:
在该公式中,(i,j)表示当前像素坐标;g(i,j)表示坐标为(i,j)的像素转换后的值;(k,l)为邻域窗口内坐标,f(k,l)表示邻域窗口内坐标为(k,l)的像素值,邻域窗口是以坐标(i,j)为中心,边长为奇数的正方形区域;w(i,j,k,l)表示计算g(i,j)时邻域窗口坐标为(k,l)处的滤波权重,输出像素的值g(i,j)依赖于邻域窗口内的滤波权重w(i,j,k,l)和对应像素的值。滤波权重的计算方法描述如下:
其中,d(i,j,k,)l表示距离权重;r(i,j,k,l)表示相似性权重;(i,j)为邻域窗口中心坐标,也是当前要计算的像素坐标;(k,l)为邻域窗口内的坐标;f(k,l)为邻域窗口内坐标为(k,l)的像素值;f(i,j)为邻域窗口中心点的像素值;σd为空间域高斯函数标准差;σr为值域高斯函数标准差。
在获得了预处理后的遥感影像,计算其旋转不变性局部二值模式特征图像,提取出图像的纹理特征。具体的,可以通过设置滑动窗口,通过所述滑动窗口内预设数量的***像素值与中心像素值的大小关系确定中心点的局部二值模式;获得所述处理后的遥感影像的所有像素的局部二值模式,生成局部二值模式特征图。
其中,旋转不变性局部二值模式是一种描述局部纹理的模型,有灰度不变性和旋转不变性的特点。局部二值模式通过设置滑动窗口计算邻域内的纹理模式,通过窗口内8个***像素值与中心像素值的大小关系确定中心点的局部二值模式。将大于等于中心点的像素设为1,小于则设为0,得到8个由0和1组成的二进制数,再将二进制数字转换为0~255之间的十进制数,该数值表示当前窗口中心点的局部二值模式。本发明中设置3×3大小的滑动窗口,滑动步长为1,得到所有像素的局部二值模式。旋转不变性局部二值模式在局部二值模式的基础上,将8个邻域看成是一个圆形(如图3所示,在图3中P为采样点个数,R为采样半径),按照指定的规则旋转,得到唯一的二进制数字,去除其方向性。本发明中指定值最小的旋转规则,示意图4中穷举了当窗口大小为3×3时的36种旋转不变性局部二值模式。
可以采用均值漂移算法分割得到的局部二值模式特征图,如图5所示,得到对象分布,同时对该局部二值模式特征图进行特征提取,提取得到OOLBP特征图像,如图6所示。以对象为单位统计OOLBP特征,计算对象的亮度、矩形度和面向对象的阴影指数,作为对象的属性,用于下一步分类。
均值漂移算法是一种基于密度梯度上升的非参数图像分割算法,它经常被应用在目标跟踪、数据聚类、分类等场景。其核心思想是:首先在图像中随机分配中心点,然后在欧式空间中计算中心点一定范围内所有点到中心点距离向量的平均值,得到一个偏移均值,然后将中心点向量加上偏移均值得到偏移后的中心点。通过这种不断重复的移动,可以使中心点逐步逼近到最佳位置。本发明使用得到的旋转不变性局部二值特征图像进行均值漂移分割,得到的分割结果中纹理相近的像素将被分到同一区域,有利于屋顶对象的获取。分割结果中每一个区域都可以看成一个对象,每个对象都有形状特征、面向对象阴影指数、OOLBP特征等属性,本发明将在目标分类器(如SVM分类)中利用对象的属性将每个对象分类为屋顶对象和非屋顶对象,实现建筑物提取如图7所示。
下面介绍对象属性的计算方法。
OOLBP特征:OOLBP是基于旋转不变性局部二值模式特征图的统计特征。首先设置半径为R像素个数为P的正方形滑动窗口,通过滑动窗口统计窗口内像素与中心像素特征值相等的个数,公式描述如下:
其中,表示旋转不变性局部二值模式特征值;表示(x,y)处像元的 为滑动窗口内(x+p,y+q)处对应的p、q都是满足条件-w/2≤p≤w/2,-w/2≤q≤w/2,p≠0,q≠0的整数;w表示描述建筑物轮廓信息的滑动窗口大小;lc表示滑动窗口中心像素,lg表示滑动窗口邻域内的像素;OOLBPP,R(lc,lg)代表模式对(lc,lg)在当前对象中的统计。函数定义描述如下:
在该式中,以步长为1让每个像素都作为中心点统计一次,并在对象内统计模式对相等个数的概率。例如,本发明设置3×3的滑动窗口,则OOLBPP,R(lc,lg)的统计结果为0到8之间的整数,得到的OOLBP特征是一个9维的数组,分别对应0、1、2、3...8在统计中出现的概率。
面向对象阴影指数:面向对象阴影指数使用基于对象的形态学操作,高亮显示周围有阴影的地物对象,如建筑物。首先基于本步骤中得到的均值漂移分割结果计算每个对象的像素值平均值,本发明中使用的是三通道的彩色图像,像素值平均值为三个通道灰度值的平均值;进行基于对象的膨胀操作,获取与对象相邻的所有对象的像素均值,将其中最大的值赋值给当前对象;进行基于对象的腐蚀操作,与膨胀操作相反,将相邻对象中平均值最小的值赋值给当前对象;最后用膨胀操作结果减去腐蚀操作结果得到面向对象的阴影指数。计算过程的公式描述如为:OSI(Ai)=max{Si}-min{Si},Ai表示当前对象的阴影指数,{Si}表示与当前对象相邻的对象像素均值的集合。
矩形度:矩形度描述一个对象与矩形的相似程度,公式描述为:其中S0为对象的面积大小,SMER为对象的最小外接矩形面积大小。R值越大则对象的形状越倾向于矩形。在处理高分影像编程计算中,相对于其形状特征的计算较简单,一个对象面积就是对象所覆盖像元点的个数。计算形状面积的时候不涉及分辨率的数值,所以对象和外接矩形的面积就是它们的像素个数。
图像亮度:图象亮度即画面的明亮程度,本发明使用的亮度特征为彩色图像三个通道的最大值,取对象包含的像素亮度均值为对象的亮度属性。
在本发明实施例中结合多重对象特征,包括提取的OOLBP特征、面向对象阴影指数、矩形度特征和图像亮度,通过SVM分类,得到建筑物对象。SVM是一种监督分类方法,基本思想是将输入特征看做是一个高维空间中的点,在高维度特征空间来找到一个最优的高维面将所有特征点分成两类。
本发明中的特征向量是一个12维的向量,包含9个OOLBP特征值、面向对象阴影指数、对象矩形度特征、图像亮度。最后将建筑对象的最小外接矩形作为建筑物的提取结果。
本发明实施例提供的高分辨率遥感影像建筑物提取方法,是基于面向对象的旋转不变性局部二值模式的算法。该算法的关键是用LBP特征的多尺度应用,先是用LBP低密度特征图进行图像分割得到各对象,然后在用基于LBP的面向对象旋转不变性特征对对象进行纹理分析,最后完成精确提取。实验表明,算法能高精度、高效地完成在高分辨率遥感影像下的建筑物提取,且提取结果的查全率、精确率以及完整性均高于现阶段主流算法。其可以实现:对遥感影像进行预处理,直方图均衡化提升图像对比对和清晰度;双边滤波去除建筑物内部噪声的同时保留住建筑物边缘,在很大程度上防止了虚假特征点的产生,使建筑物的特征更加明显。以地物对象以基本分析单位,融入面向对象思想的同时,基于其纹理特征分析提取建筑物,最后以最小外接矩形的形式表达出来。该方法提取的边界信息更加准确且符合人类感知审美特性。采用旋转不变性的OOLBP特征对地物对象进行分析,该算法充分考虑到了建筑物纹理的多尺度以及多方向性的特性。可采用自设邻域大小的窗口以及方向不变的思想来增强算法的鲁棒性,且算法高效,参数设置便捷。选取的建筑物样本量小,高效快捷地实现半自动化提取。
参见图8,其示出了本发明实施例提供的一种高分辨率遥感影像建筑物提取***,包括:
预处理单元10,用于对高分辨率遥感影像进行图像预处理,获得处理后的遥感影像;
计算单元20,用于对所述处理后的遥感影像进行局部二值模式特征计算,获得局部二值模式特征图;
分割单元30,用于对所述局部二值模式特征图进行分割得到对象分布;
特征提取单元40,用于对所述局部二值模式特征图进行特征提取,得到目标特征,所述目标特征表征面向对象的局部二值模式特征;
属性提取单元50,用于基于对象对所述处理后遥感影像进行特征提取,获得对象属性,所述对象属性包括对象的亮度、矩形度和阴影特征;
分类单元60,用于将所述目标特征和所述对象属性输入至目标分类器,分类得到所述遥感影像中的建筑物。
可选地,所述预处理单元包括:
第一处理子单元,用于对高分辨率遥感影像进行直方图均衡化处理,得到第一图像;
第二处理子单元,用于对所述第一图像进行双边滤波处理,得到处理后的遥感影像。
可选地,所述计算单元包括:
第一设置子单元,用于设置滑动窗口,通过所述滑动窗口内预设数量的***像素值与中心像素值的大小关系确定中心点的局部二值模式;
生成子单元,用于获得所述处理后的遥感影像的所有像素的局部二值模式,生成局部二值模式特征图。
可选地,所述特征提取单元包括:
第二设置子单元,用于设置所述局部二值模式特征图对应的滑动窗口;
获取子单元,用于通过所述滑动窗口统计窗口内像素与中心像素特征值相等的个数,获得统计结果;
第一计算子单元,用于计算各个统计结果在所属对象中出现的概率,将所述概率确定为目标特征。
可选地,所述属性提取单元包括:
第一操作子单元,用于对所述对象进行膨胀操作,基于所述处理后的遥感影像获取与所述对象相邻的所有对象的像素均值,并将其中最大的赋值给当前对象,获得膨胀操作结果;
第二操作子单元,用于对所述对象进行腐蚀操作,将相邻对象中平均值最小的值赋值给当前对象,获得腐蚀操作结果;
第二计算子单元,用于基于所述膨胀结果减去腐蚀操作结果,得到面向对象的阴影指数;
第三计算子单元,基于所述对象分布,计算每个对象的矩形度;
第四计算子单元,根据所述对象分布和所述处理后遥感影像,获取对象的亮度。
本发明提供了一种高分辨率遥感影像建筑物提取***,预处理单元对高分辨率遥感影像进行图像预处理,获得处理后的遥感影像;计算单元对处理后的遥感影像进行局部二值模式特征计算,获得局部二值模式特征图;分割单元对局部二值模式特征图进行分割得到对象分布;特征提取单元对局部二值模式特征图进行特征提取,得到目标特征;属性提取单元基于对象对处理后的遥感影像进行特征提取,获得对象属性,对象属性包括对象的亮度、矩形度和阴影指数;分类单元将目标特征和对象属性输入至目标分类器,分类得到遥感影像中的建筑物。本发明结合面向对象的局部二值模式特征、亮度值、矩形度、阴影指数等多种特征使得提取结果更加完整和准确。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种高分辨率遥感影像建筑物提取方法,其特征在于,包括:
对高分辨率遥感影像进行图像预处理,获得处理后的遥感影像;
对所述处理后的遥感影像进行局部二值模式特征计算,获得局部二值模式特征图;
对所述局部二值模式特征图进行分割得到对象分布;
对所述局部二值模式特征图进行特征提取,得到目标特征,所述目标特征表征面向对象的局部二值模式特征;
基于对象对所述处理后遥感影像进行特征提取,获得对象属性,所述对象属性包括对象的亮度、矩形度和阴影指数;
将所述目标特征和所述对象属性输入至目标分类器,分类得到所述遥感影像中的建筑物。
2.根据权利要求1所述的方法,其特征在于,所述对高分辨率遥感影像进行图像预处理,获得处理后的遥感影像,包括:
对高分辨率遥感影像进行直方图均衡化处理,得到第一图像;
对所述第一图像进行双边滤波处理,得到处理后的遥感影像。
3.根据权利要求1所述的方法,其特征在于,所述对所述处理后的遥感影像进行局部二值模式特征计算,获得局部二值模式特征图,包括:
设置滑动窗口,通过所述滑动窗口内预设数量的***像素值与中心像素值的大小关系确定中心点的局部二值模式;
获得所述处理后的遥感影像的所有像素的局部二值模式,生成局部二值模式特征图。
4.根据权利要求1所述的方法,其特征在于,所述对所述局部二值模式特征图进行特征提取,得到目标特征,包括:
设置所述局部二值模式特征图对应的滑动窗口;
通过所述滑动窗口统计窗口内像素与中心像素特征值相等的个数,获得统计结果;
计算各个统计结果在所属对象中出现的概率,将所述概率确定为目标特征。
5.根据权利要求1所述的方法,其特征在于,所述基于对象对所述处理后遥感影像进行特征提取,获得对象属性,包括:
对所述对象进行膨胀操作,基于所述处理后遥感影像获取与所述对象相邻的所有对象的像素均值,并将其中最大的赋值给当前对象,获得膨胀操作结果;
对所述对象进行腐蚀操作,将相邻对象中平均值最小的值赋值给当前对象,获得腐蚀操作结果;
基于所述膨胀结果减去腐蚀操作结果,得到面向对象的阴影指数;
基于所述对象分布,计算每个对象的矩形度;
根据所述对象分布和所述处理后的遥感影像,获取对象的亮度。
6.一种高分辨率遥感影像建筑物提取***,其特征在于,包括:
预处理单元,用于对高分辨率遥感影像进行图像预处理,获得处理后的遥感影像;
计算单元,用于对所述处理后的遥感影像进行局部二值模式特征计算,获得局部二值模式特征图;
分割单元,用于对所述局部二值模式特征图进行分割得到对象分布;
特征提取单元,用于对所述局部二值模式特征图进行特征提取,得到目标特征,所述目标特征表征面向对象的局部二值模式特征;
属性提取单元,基于对象对所述处理后遥感影像进行特征提取,获得对象属性,所述对象属性包括对象的亮度、矩形度和阴影指数;
分类单元,用于将所述目标特征和所述对象属性输入至目标分类器,分类得到所述遥感影像中的建筑物。
7.根据权利要求6所述的***,其特征在于,所述预处理单元包括:
第一处理子单元,用于对高分辨率遥感影像进行直方图均衡化处理,得到第一图像;
第二处理子单元,用于对所述第一图像进行双边滤波处理,得到处理后的遥感影像。
8.根据权利要求6所述的***,其特征在于,所述计算单元包括:
第一设置子单元,用于设置滑动窗口,通过所述滑动窗口内预设数量的***像素值与中心像素值的大小关系确定中心点的局部二值模式;
生成子单元,用于获得所述处理后的遥感影像的所有像素的局部二值模式,生成局部二值模式特征图。
9.根据权利要求6所述的***,其特征在于,所述特征提取单元包括:
第二设置子单元,用于设置所述局部二值模式特征图对应的滑动窗口;
获取子单元,用于通过所述滑动窗口统计窗口内像素与中心像素特征值相等的个数,获得统计结果;
第一计算子单元,用于计算各个统计结果在所属对象中出现的概率,将所述概率确定为目标特征。
10.根据权利要求6所述的***,其特征在于,所述属性提取单元包括:
第一操作子单元,用于对所述对象进行膨胀操作,基于所述处理后的遥感影像获取与所述对象相邻的所有对象的像素均值,并将其中最大的赋值给当前对象,获得膨胀操作结果;
第二操作子单元,用于对所述对象进行腐蚀操作,将相邻对象中平均值最小的值赋值给当前对象,获得腐蚀操作结果;
第二计算子单元,基于所述膨胀结果减去腐蚀操作结果,得到面向对象的阴影指数;
第三计算子单元,基于所述对象分布,计算每个对象的矩形度;
第四计算子单元,根据所述对象分布和所述处理后遥感影像,获取对象的亮度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011364761.7A CN112633070A (zh) | 2020-11-27 | 2020-11-27 | 高分辨率遥感影像建筑物提取方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011364761.7A CN112633070A (zh) | 2020-11-27 | 2020-11-27 | 高分辨率遥感影像建筑物提取方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112633070A true CN112633070A (zh) | 2021-04-09 |
Family
ID=75306474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011364761.7A Pending CN112633070A (zh) | 2020-11-27 | 2020-11-27 | 高分辨率遥感影像建筑物提取方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633070A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114373009A (zh) * | 2022-01-13 | 2022-04-19 | 中国科学院空天信息创新研究院 | 基于高分辨率遥感影像的建筑物阴影测高智能化计算方法 |
TWI789158B (zh) * | 2021-12-10 | 2023-01-01 | 瑞昱半導體股份有限公司 | 影像處理方法、系統以及非暫態電腦可讀取記錄媒體 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710862A (zh) * | 2018-05-24 | 2018-10-26 | 河海大学 | 一种高分辨率遥感影像水体提取方法 |
CN110889840A (zh) * | 2019-11-28 | 2020-03-17 | 航天恒星科技有限公司 | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 |
CN111311596A (zh) * | 2020-03-23 | 2020-06-19 | 南京市测绘勘察研究院股份有限公司 | 一种基于改进lbp特征的遥感影像变化检测方法 |
-
2020
- 2020-11-27 CN CN202011364761.7A patent/CN112633070A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710862A (zh) * | 2018-05-24 | 2018-10-26 | 河海大学 | 一种高分辨率遥感影像水体提取方法 |
CN110889840A (zh) * | 2019-11-28 | 2020-03-17 | 航天恒星科技有限公司 | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 |
CN111311596A (zh) * | 2020-03-23 | 2020-06-19 | 南京市测绘勘察研究院股份有限公司 | 一种基于改进lbp特征的遥感影像变化检测方法 |
Non-Patent Citations (2)
Title |
---|
LAN ZHANG 等: "Building Change Detection Using Object-Oriented LBP Feature Map In Very High Spatial Resolution Imagery", 《2019 10TH INTERNATIONAL WORKSHOP ON THE ANALYSIS OF MULTITEMPORAL REMOTE SENSING IMAGES(MULTITEMP)》 * |
周建伟 等: "MRELBP特征、Franklin矩和SVM相结合的遥感图像建筑物识别方法", 《测绘学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI789158B (zh) * | 2021-12-10 | 2023-01-01 | 瑞昱半導體股份有限公司 | 影像處理方法、系統以及非暫態電腦可讀取記錄媒體 |
CN114373009A (zh) * | 2022-01-13 | 2022-04-19 | 中国科学院空天信息创新研究院 | 基于高分辨率遥感影像的建筑物阴影测高智能化计算方法 |
CN114373009B (zh) * | 2022-01-13 | 2023-02-03 | 中国科学院空天信息创新研究院 | 基于高分辨率遥感影像的建筑物阴影测高智能化计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115861135B (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
Lu et al. | Salient object detection using concavity context | |
CN110021024B (zh) | 一种基于lbp和链码技术的图像分割方法 | |
CN107358258B (zh) | 基于nsct双cnn通道和选择性注意机制的sar图像目标分类 | |
CN106981077B (zh) | 基于dce和lss的红外图像和可见光图像配准方法 | |
CN107967482A (zh) | 图标识别方法及装置 | |
WO2018145470A1 (zh) | 一种图像检测方法和装置 | |
CN109299720A (zh) | 一种基于轮廓片段空间关系的目标识别方法 | |
CN109902585B (zh) | 一种基于图模型的手指三模态融合识别方法 | |
CN109919960B (zh) | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 | |
CN110458192B (zh) | 基于视觉显著性的高光谱遥感图像分类方法及*** | |
CN109871884B (zh) | 一种融合多特征的支持向量机面向对象遥感影像分类方法 | |
CN111027497B (zh) | 基于高分辨率光学遥感影像的弱小目标快速检测方法 | |
CN110570440A (zh) | 一种基于深度学习边缘检测的图像自动分割方法及装置 | |
CN111079596A (zh) | 高分辨率遥感影像的海上典型人造目标识别***及方法 | |
WO2015092904A1 (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
CN105405138B (zh) | 基于显著性检测的水面目标跟踪方法 | |
CN113392856B (zh) | 图像伪造检测装置和方法 | |
CN108710862B (zh) | 一种高分辨率遥感影像水体提取方法 | |
CN111382658B (zh) | 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN108550165A (zh) | 一种基于局部不变特征的图像匹配方法 | |
CN112633070A (zh) | 高分辨率遥感影像建筑物提取方法及*** | |
CN115797813B (zh) | 基于航拍图像的水环境污染检测方法 | |
CN112435272A (zh) | 一种基于图像轮廓分析的高压输电线连通域去除方法 |
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: 20210409 |
|
RJ01 | Rejection of invention patent application after publication |