CN115620169B - 基于区域一致性的建筑物主角度修正方法 - Google Patents
基于区域一致性的建筑物主角度修正方法 Download PDFInfo
- Publication number
- CN115620169B CN115620169B CN202211609894.5A CN202211609894A CN115620169B CN 115620169 B CN115620169 B CN 115620169B CN 202211609894 A CN202211609894 A CN 202211609894A CN 115620169 B CN115620169 B CN 115620169B
- Authority
- CN
- China
- Prior art keywords
- angle
- main
- building
- building structure
- vector
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 claims abstract description 70
- 238000000605 extraction Methods 0.000 claims abstract description 39
- 238000012805 post-processing Methods 0.000 claims abstract description 19
- 238000012937 correction Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000005192 partition Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 10
- 230000001788 irregular Effects 0.000 abstract description 10
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 abstract description 5
- 238000009435 building construction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification 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
- G06V20/13—Satellite images
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于区域一致性的建筑物主角度修正方法,涉及遥感影像处理领域,该方法通过获取建构筑物的区域主角度和两个候选主角度,并通过区域主角度与候选主角度之间的关系,从候选主角度中筛选出真实主角度,对建筑物主角度进行修正。该方法作为建筑物提取的后处理方法,根据不规则房屋建构筑物所在区域范围内房屋建构筑物的走向一致性对该不规则房屋建构筑物的主角度进行修正,提高后处理中主角度计算的准确率,从而能够大大提升房屋建构筑物提取的后处理优化效果。
Description
技术领域
本发明涉及遥感影像处理领域,具体涉及一种基于区域一致性的建筑物主角度修正方法。
背景技术
目前,随着智慧城市大数据时代的到来、以及卫星遥感技术的不断发展,对地观测、卫星遥感、生态评估、国土监管逐渐向宏观、动态、精细化方向发展,因而,大范围高效率的卫星遥感影像解译具有现实需求。高分辨率遥感影像中的建筑物提取对违建监测、城区自动提取、地图更新、城市变化监测、城市规划、三维建模、数字化城市建立等应用具有重要意义。高分辨率遥感影像在提高地物光谱特征,突出地物结构、纹理和细节等信息的同时,也因为卫星观测角度问题造成地物遮挡,尺度的增大带来了严重的异物同谱问题,同时增加了影像的噪声,因而限制了建筑物提取的精度,使得目视解译方法仍然是最普遍使用的判读方法,目视解译方法虽然精度相对有保证,但是其效率低、费时费力的缺点严重制约了高分辨率遥感影像的大规模应用,造成影像数据的极大浪费。
深度学习是人工智能中机器学习发展的新阶段,有效的解决了对复杂对象特征的刻画和复杂场景的关联分析等问题。面向高分辨率遥感影像建筑物提取的深度学习方法,可以自动提取建筑物的特征信息,实现高精度高效率的建筑物提取。然而,由于遥感影像的复杂性,建筑物受噪声、遮挡、阴影、低对比度的影响,目前的建筑物自动提取方法结果可靠性不高,存在明显的缺陷,如建筑物与道路的光谱特征相似因而无法被有效区分开来,无法通过全自动的方法直接获取精度较高的提取结果。现有的另一种方式是将计算机自动提取技术与人工交互相结合,即交互式地物提取,提取精度有了一定的保障。但是,这种方法需要人工给定建筑物的初始位置,依赖边缘信息提取建筑物,交互复杂,对人工给定位置的精度要求高,实施困难。
为进一步提高建筑物自动化提取的精度,并将提取结果应用于工程实践中,研究人员在建筑物提取的后处理方向展开了各种研究。基于建筑物的几何形状、空间分布等规则特征,对建筑物提取结果进行图形化的修正处理,优化后的成果可以直接用于具体工程项目。
在后处理方法中,通过计算获得的房屋建构筑物的主角度能够帮助提升深度学习方法提取建筑物的精度。然而现有的主角度计算方法仍然存在两个难以克服的问题,其一是由于建筑物本身形态多样,再加上自动化提取时带来的误差,给建筑物主角度的求取带来一定难度;其二是不同的主角度求取方法都有一定的适用范围和局限性,特别是对于提取效果不好建筑物,不同求取方法求取结果差异较大,因而难以取得较好的后处理效果。
发明内容
本发明提出一种基于区域一致性的建筑物主角度修正方法。该方法根据不规则房屋建构筑物所在区域范围内房屋建构筑物的走向一致性对该不规则房屋建构筑物的主角度进行修正,提高后处理中主角度计算的准确率,从而能够大大提升房屋建构筑物提取的后处理优化效果。
为实现上述技术目的,本发明的技术方案如下:
一种基于区域一致性的建筑物主角度修正方法,该方法包括以下步骤:
S1获取目标遥感影像,通过预设方法获取目标遥感影像的房屋建构筑物的候选主角度,所述候选主角度包括第一候选值和第二候选值;
S2计算第一候选值与第二候选值的差值,根据该差值和第一预设阈值的关系,将房屋建构筑物分为标准房屋建构筑物和待修正房屋建构筑物,同时获取标准房屋建构筑物的真实主角度;
S3通过区域统计策略得到待修正房屋建构筑物的区域主角度,区域统计策略包括外扩主角度统计和线段直方图统计;
S4计算候选主角度与区域主角度的差值,根据该差值与第二预设阈值的关系,从候选主角度中筛选出待修正房屋建构筑物的真实主角度。
进一步地,步骤S1包括:
S11获取房屋建构筑物的最小面积的外接矩形的两长轴中心线的角度,作为房屋建构筑物的第一候选值;
S12通过矢量轮廓提取法获取房屋建构筑物的矢量轮廓线段,并获取矢量轮廓线段的角度;
S13将相似角度的矢量轮廓线段归为一组,筛选出总长度最长的一组矢量轮廓线段作为参考矢量轮廓线段组,基于参考矢量轮廓线段的角度,通过垂直等效法得到房屋建构筑物的第二候选值;
所述相似角度的矢量轮廓线段包括角度差在[0°,2°]∪[88°,90°]的矢量轮廓线段。
进一步地,所述矢量轮廓提取法包括:
通过对遥感图像进行语义分割、二值化处理和数学形态学处理,得到后处理图像;
通过对后处理图像进行边界追踪和矢量提取,得到房屋建构筑物的矢量轮廓线段。
进一步地,所述垂直等效法包括:
基于参考矢量轮廓线段的角度对参考矢量轮廓线段组进行聚类,得到主矢量轮廓线段组和辅矢量轮廓线段组,所述主矢量轮廓线段组的线段总长度大于所述辅矢量轮廓线段组的线段总长度,分别对主矢量轮廓线段组的角度和辅矢量轮廓线段组的角度求均值,得到主矢量角度和辅矢量角度;
将辅矢量角度向主矢量角度的方向进行垂直变换,得到垂直辅矢量角度,将主矢量角度和垂直辅矢量角度的均值作为第二候选值。
进一步地,步骤S2包括:
若第一候选值和第二候选值的差值小于第一预设阈值,将该房屋建构筑物作为标准房屋建构筑物,并将第二候选值作为标准房屋建构筑物的真实主角度;
若第一候选值和第二候选值的差值大于第一预设阈值,将该房屋建构筑物作为待修正房屋建构筑物。
进一步地,所述区域统计策略为外扩主角度统计,步骤S3包括:
对待修正房屋建构筑物的最小外接矩形外扩预设距离,得到外扩矩形;
将外扩矩形内以及与外扩矩形相交的标准房屋建构筑物作为参考房屋建构筑物;
将参考房屋建构筑物的真实主角度的均值,作为待修正房屋建构筑物的区域主角度。
进一步地,所述区域统计策略为线段直方图统计,步骤S3包括:
通过基于距离矩阵的层次聚类方法对目标遥感影像中房屋建构筑物进行分区;
获取各分区中房屋建构筑物的矢量轮廓线段的角度,所述房屋建构筑物由多条矢量轮廓线段组成;
利用各分区中房屋建构筑物的矢量轮廓线段的角度分别构造各分区的角度直方图;
将待修正房屋建构筑物所在分区的角度直方图中最高频率对应的角度作为待修正房屋建构筑物的区域主角度。
进一步地,步骤S4包括:
分别计算第一候选值与区域主角度的差值,以及第二候选值与区域主角度的差值,选择较小的差值作为目标差值;
若目标差值小于第二预设阈值,选择与区域主角度接近的候选主角度作为待修正房屋建构筑物的真实主角度;
若目标差值大于第二预设阈值,选择第二候选值作为待修正房屋建构筑物的真实主角度。
本发明的有益效果为:本发明提出了一种全新的基于区域一致性的建筑物主角度修正方法。通过区域统计策略计算得到待修正房屋建构筑物的区域主角度,以区域主角度作为基准,选取候选主角度的最优值,得到真实主角度。本发明作为建筑物提取的后处理方法,解决了不规则建筑物主角度计算困难的问题,从而能够大大提升遥感影像中建筑物提取的后处理优化效果。
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一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明的一种基于区域一致性的建筑物主角度修正方法的流程图;
图2为本发明的实施例一提供的建筑物原始分布示意图;
图3为本发明的实施例一中建筑物主角度修正结果示意图;
图4为本发明的实施例三提供的建筑物原始分布示意图。
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所获得的所有其他实施例,都属于本发明保护的范围。
请参照图1,图1是本发明所述的一种基于区域一致性的建筑物主角度修正方法实施例的流程示意图,该方法包括以下步骤:
S1通过预设方法获取房屋建构筑物的候选主角度,所述候选主角度包括第一候选值和第二候选值;
S2根据第一候选值与第二候选值的差值,将房屋建构筑物分为标准房屋建构筑物和待修正房屋建构筑物;
S3获取预设范围的标准房屋建构筑物的真实主角度,并根据预设范围的标准房屋建构筑物的真实主角度计算得到待修正房屋建构筑物的区域主角度;
S4在待修正房屋建构筑物的候选主角度中选取最接近待修正房屋建构筑物的区域主角度的数值,得到待修正房屋建构筑物的真实主角度。
本发明的技术思路为:1. 目前的基于遥感影像的建筑物提取方法仅能提取较为规则且特征明显的建筑物,通用性较差,当建筑物较为密集或是遇到不规则建筑物的情况下,提取效果往往不理想,需要合适的后处理步骤来优化提取的建筑物的精度。其中,获取建筑物的主角度对后处理优化有较大帮助。通常获取建筑物主角度的方法包括:1)获取建构筑物的最小外接矩形,最小外接矩形两长轴中心线的方向作为建构筑物主角度的第一候选值;2) 获取建构筑物的轮廓线段,计算所有相似角度轮廓线段的总长度,总长度最长的方向作为建构筑物主角度的第二候选值。对于不规则建筑物,不同的计算主角度的方法获得的结果也可能不同,如何进一步确定最真实的主角度是本发明后续步骤所着重介绍的;2.本发明引入区域主角度的概念来帮助确定建筑物的真实主角度。区域主角度为建筑物所在一定区域范围内拥有相似主角度的一组房屋建构筑物的主角度的平均值。区域主角度可以反映建筑区的区域一致性,并对与区域一致性保持一致的待修正建筑物的主角度提供指导作用;3.选取最接近区域主角度的待修正建筑物的候选主角度,作为真实主角度。该方法以建筑区的区域一致性为指导,能够确定待修正不规则建筑物的真实主角度,并进一步提高建筑物提取后处理的效果,从而实现高精度的建筑物提取。
实施例一
本实施例提供一种基于外扩主角度统计获取待修正房屋建构筑物的区域主角度的方法,同时,本实施例提供在目标差值小于第二预设阈值的情况下,得到待修正房屋建构筑物的真实主角度的方法:
S1获取目标遥感影像,通过预设方法获取目标遥感影像的房屋建构筑物的候选主角度,所述候选主角度包括第一候选值和第二候选值;
S11获取房屋建构筑物的最小面积的外接矩形的两长轴中心线的角度,作为房屋建构筑物的第一候选值;
S12通过矢量轮廓提取法获取房屋建构筑物的矢量轮廓线段,并获取矢量轮廓线段的角度;
S13将相似角度的矢量轮廓线段归为一组,筛选出总长度最长的一组矢量轮廓线段作为参考矢量轮廓线段组,基于参考矢量轮廓线段的角度,通过垂直等效法得到房屋建构筑物的第二候选值;
所述相似角度的矢量轮廓线段为角度差在[0°,2°]∪[88°,90°]的矢量轮廓线段。
对步骤S12进行补充解释,矢量轮廓提取法包括:
通过深度学习方法对目标遥感图像进行语义分割,得到分割数据;
本实施例使用mask-RCNN对目标遥感图像进行语义分割。mask-RCNN沿用了FasterRCNN的思想,特征提取采用ResNet-FPN的架构,另外多加了一个Mask预测分支,能够完成较高质量的语义分割任务,对于普通建筑物的提取效果较好,仅在面对复杂的不规则建筑物时效果明显下降。本实施例使用ArcGIS通过手动样本勾画的方式进行样本制作。训练过程中使用裁剪为512×512的像素块作为样本,使用了约7000个实例作为训练数据集,约3000个实例作为验证数据集。计算机配置:CPU: Intel® Xeon(R) CPU E5-2620 v4 @ 2.10GHz×32;显卡:Quadro M4000;内存:128G;操作***:Ubuntu 16.04。训练的过程总花费40多个小时,迭代9万次;
对分割数据进行二值化处理,以0.5作为建筑物目标概率图的二值化阈值,得到分割二值化图像;
房屋建构筑物的分割二值化图像用来凸显目标建筑物的轮廓并压缩整体图像数据量;
通过数学形态学方法对分割二值化图像进行后处理,得到后处理图像:
其中,数学形态学方法由一组形态学的代数运算子组成,基本运算包括:膨胀、腐蚀、开启和闭合;
通过数学形态学方法对分割二值化图像进行去噪处理,去除分类噪声和小型非建筑结构等无用的信息,基于数学形态学方法可以进行图像形状和结构的分析及处理,包括图像分割、特征抽取、边缘检测、图像滤波、图像增强和恢复。
通过摩尔领域边界追踪法对后处理图像追踪边界生成房屋建构筑物的轮廓线段;
基于房屋建构筑物的轮廓线段对后处理图像进行矢量提取,得到房屋建构筑物的矢量轮廓线段。
对步骤S12进行补充解释,垂直等效法包括:
基于参考矢量轮廓线段的角度对参考矢量轮廓线段组进行聚类,得到主矢量轮廓线段组和辅矢量轮廓线段组;
所述主矢量轮廓线段组的线段总长度大于所述辅矢量轮廓线段组的线段总长度;
分别对主矢量轮廓线段组和辅矢量轮廓线段组求角度均值,得到主矢量角度和辅矢量角度;
所述主矢量轮廓线段组和辅矢量轮廓线段组的组内线段角度差在[0°,2°],组间线段角度差在[88°,90°],故主矢量角度和辅矢量角度接近于垂直的关系;
将辅矢量角度向主矢量角度的方向进行垂直变换,得到垂直辅矢量角度;
垂直变换表示如下:
其中,xi为主矢量角度,yi为辅矢量角度,f(xi)为垂直辅矢量角度;
经过垂直变化操作后,得到的垂直辅矢量角度与主矢量角度的角度差在[0°,2°];
将主矢量角度和垂直辅矢量角度的均值作为第二候选值b2。
S2计算第一候选值与第二候选值的差值,根据该差值和第一预设阈值的关系,将房屋建构筑物分为标准房屋建构筑物和待修正房屋建构筑物。
若第一候选值和第二候选值的差值小于第一预设阈值,将该房屋建构筑物作为标准房屋建构筑物,并将第二候选值作为标准房屋建构筑物的真实主角度;
若第一候选值和第二候选值的差值大于第一预设阈值,将该房屋建构筑物作为待修正房屋建构筑物。
对步骤S2进行补充解释,本具体实施例中,预设阈值设置为3°,若第一候选值和第二候选值的差值小于3°,则认为该房屋建构筑物的主方向不需要进行修正,将该房屋建构筑物作为标准房屋建构筑物,将其第二候选值作为标准房屋建构筑物的真实主角度。
S3获取预设范围的标准房屋建构筑物的真实主角度,并根据预设范围的标准房屋建构筑物的形状信息得到待修正房屋建构筑物的区域主角度。
在实施例一中,所述区域统计策略为外扩主角度统计,步骤S3包括:
获取参考房屋建构筑物的真实主角度a2、a3、a4、a5、a6、a7;
请参阅图2,A为待修正房屋建构筑物,周边一定距离d范围内其他房屋为参考房屋建构筑物,参与区域主角度计算的房屋包括A距离d范围内以及与范围线相交的所有房屋。
基于真实主角度通过近邻聚类法对参考房屋建构筑物的真实主角度进行聚类:
(1)从以上6个参考房屋建构筑物的真实主角度中任取一个真实主角度作为第一个聚类中心,如令z1=a2,其中z1为参考组A1的聚类中心;
(2)当前聚类中心为z1,计算a3到聚类中心z1的Euclidean距离dist(a3,z1);
若dist(a3,z1)∈[0,3]或∪[87,93],则a2∈A1;
(3)当前聚类中心为z1,计算a5到聚类中心z1的Euclidean距离dist(a4,z1);
若dist(a4,z1)∈(3,87),则将a4定义为第二个聚类中心z2,z2=a4,其中z2为参考组A2的聚类中心;
(1)以此类推,直至完成以上8个参考房屋建构筑物的真实主角度的聚类,聚类结果为A1={a2、a3、a5、a6、a7}},A2={a4}。
其中近邻聚类法根据真实主角度的Euclidean距离进行分类,Euclidean距离表示为:
其中,dist(ai,aj)为真实主角度ai到真实主角度aj的Euclidean距离;
选取组内参考房屋建构筑物的数量最多的一组参考组,计算该组内参考房屋建构筑物的真实主角度的均值,得到待修正房屋建构筑物的区域主角度;
其中组内参考房屋建构筑物的数量最多的一组参考组即为A1,计算该组房屋建构筑物主角度的均值,得到待修正房屋建构筑物的区域主角度。
S4在待修正房屋建构筑物的候选主角度中选取最接近待修正房屋建构筑物的区域主角度的数值,得到待修正房屋建构筑物的真实主角度。
在实施例一中,目标差值小于第二预设阈值,步骤S4包括:
分别计算第一候选值与区域主角度的差值,以及第二候选值与区域主角度的差值,选择较小的差值作为目标差值;
目标差值小于第二预设阈值,选择目标差值对应的候选主角度作为待修正房屋建构筑物的真实主角度。
本实施例中区域主角度的获取情况如图2所示。该实施例中目标差值小于第二预设阈值,在视觉上表现为待修正房屋建构筑物的候选主角度与其区域主角度保持一致,即因而能够通过本发明的方法借助区域主角度获得较好的主角度修正结果。
接着在待修正房屋建构筑物主角度的2个候选主角度中选取最接近待修正房屋建构筑物的区域主角度的数值,得到待修正房屋建构筑物的真实主角度。
在实施例中主角度修正的结果如图3所示。
实施例二
本实施例提供一种基于线段直方图统计的获取待修正房屋建构筑物的区域主角度
的方法。
在实施例二中,所述区域统计策略为线段直方图统计,步骤S3包括:
通过基于距离矩阵的层次聚类方法对预设范围的标准房屋建构筑物进行分区:
所述距离矩阵中元素的值由建筑物之间的空间距离矩阵、角距离矩阵进行加权获得,公式如下:
其中,
d i,j 为在距离矩阵中与第i个建筑物和第j个建筑物对应的元素值,为第i个建筑物与第j个建筑物之间的空间距离,为第i个建筑物与第j个建筑物之间的角距离,为空间距离的权重值,为角距离的权重值,。
其中,将两建筑物边界轮廓之间角点的最短距离作为两建筑物之间的空间距离,公式如下:
其中,
x p,i 、
y p,i 代表第i个建筑物轮廓曲线中第p个角点的X、Y坐标;
x q,j 、
y q,j 代表着第j个建筑物轮廓曲线中第q个角点的X、Y坐标,
N i 代表第i个建筑物轮廓曲线的线段数量,
N j 代表第j个建筑物轮廓曲线的线段数量;
其中,将两建筑物边界轮廓之间的角度均值之差作为两建筑物的角距离,公式如下:
式中,
θ k,i 表示第i个建筑的外轮廓曲线中第k条线段的角度;
θ l,j 表示第j个建筑的外轮廓曲线中第
l条线段的角度;
S i 表示第
i个建筑物的线段数量,
S j 表示第
j个建筑物轮廓曲线的线段数量。
获取参考房屋建构筑物的矢量轮廓线段的角度,所述标准房屋建构筑物由多条矢量轮廓线段组成;
利用各分区中参考房屋建构筑物的矢量轮廓线段的角度分别构造各分区的角度直方图,各分区直方图中最高频率对应的角度作为相应建筑物的区域主角度。
实施例三:
本实施例提供在目标差值大于第二预设阈值的情况下,得到待修正房屋建构筑物的真实主角度的方法:
请参阅图4,在实施例三中,目标差值大于第二预设阈值:
S3通过外扩主角度统计得到待修正房屋建构筑物的区域主角度。
A为待修正房屋,周边一定距离d范围内其他房屋的真实主角度为a1、a2、…、a8。参与区域主角度计算的房屋包括A距离d范围内以及与范围线相交的所有房屋。统计待修正房屋建构筑物所在范围内的房屋建构筑物的主角度,将拥有相似主角度的房屋建构筑物归为一组,得到4组结果:A1={a1、a2、a3、a4、a7},A2={a5},A3={a6},A4={a8},选取数量最多的一组房屋建构筑物即为A1。
计算该组房屋建构筑物主角度的平均值,得到待修正房屋建构筑物的区域主角度。
S4计算候选主角度与区域主角度的差值,根据该差值与第二预设阈值的关系,从候选主角度中筛选出待修正房屋建构筑物的真实主角度。
分别计算第一候选值与区域主角度的差值,以及第二候选值与区域主角度的差值,选择较小的差值作为目标差值;
目标差值大于第二预设阈值,选择第二候选值作为待修正房屋建构筑物的真实主角度。
从图4中可以看出,房屋A的主角度候选值b1和b2都与区域主角度a相差较大,因此该待修正房屋建构筑物的区域主角度无法作为待修正房屋建构筑物的主角度修正的指导参数。故最终使用待修正房屋建构筑物主角度的第二候选值b2作为最终的真实主角度。
本发明的有益效果为:本发明提出了一种全新的基于区域一致性的建筑物主角度修正方法。通过待修正房屋建构筑物周围一定范围内的标准房屋建构筑物的主角度,计算得到待修正房屋建构筑物所处区域的区域主角度,以区域主角度作为基准,选取候选主角度中的最优值,得到真实主角度。本发明作为建筑物提取的后处理方法,解决了不规则建筑物主角度计算困难的问题,从而能够大大提升遥感影像中建筑物提取的后处理优化效果。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.基于区域一致性的建筑物主角度修正方法,其特征在于,包括以下步骤:
S1获取目标遥感影像,通过预设方法获取目标遥感影像的房屋建构筑物的候选主角度,所述候选主角度包括第一候选值和第二候选值;
步骤S1包括:
S11获取房屋建构筑物的最小面积的外接矩形的两长轴中心线的角度,作为房屋建构筑物的第一候选值;
S12通过矢量轮廓提取法获取房屋建构筑物的矢量轮廓线段,并获取矢量轮廓线段的角度;
S13将相似角度的矢量轮廓线段归为一组,筛选出总长度最长的一组矢量轮廓线段作为参考矢量轮廓线段组,基于参考矢量轮廓线段的角度,通过垂直等效法得到房屋建构筑物的第二候选值;
所述相似角度的矢量轮廓线段包括角度差在[0°,2°]∪[88°,90°]的矢量轮廓线段;
S2计算第一候选值与第二候选值的差值,根据该差值和第一预设阈值的关系,将房屋建构筑物分为标准房屋建构筑物和待修正房屋建构筑物,同时获取标准房屋建构筑物的真实主角度;
S3通过区域统计策略得到待修正房屋建构筑物的区域主角度,区域统计策略包括外扩主角度统计或线段直方图统计;
所述区域统计策略为外扩主角度统计,步骤S3包括:
对待修正房屋建构筑物的最小外接矩形外扩预设距离,得到外扩矩形;
将外扩矩形内以及与外扩矩形相交的标准房屋建构筑物作为参考房屋建构筑物;
将参考房屋建构筑物的真实主角度的均值,作为待修正房屋建构筑物的区域主角度;
所述区域统计策略为线段直方图统计,步骤S3包括:
通过基于距离矩阵的层次聚类方法对目标遥感影像中房屋建构筑物进行分区;
获取各分区中房屋建构筑物的矢量轮廓线段的角度,所述房屋建构筑物由多条矢量轮廓线段组成;
利用各分区中房屋建构筑物的矢量轮廓线段的角度分别构造各分区的角度直方图;
将待修正房屋建构筑物所在分区的角度直方图中最高频率对应的角度作为待修正房屋建构筑物的区域主角度;
S4计算候选主角度与区域主角度的差值,根据该差值与第二预设阈值的关系,从候选主角度中筛选出待修正房屋建构筑物的真实主角度。
2.根据权利要求1所述的基于区域一致性的建筑物主角度修正方法,其特征在于,所述矢量轮廓提取法包括:
通过对遥感图像进行语义分割、二值化处理和数学形态学处理,得到后处理图像;
通过对后处理图像进行边界追踪和矢量提取,得到房屋建构筑物的矢量轮廓线段。
3.根据权利要求1所述的基于区域一致性的建筑物主角度修正方法,其特征在于,所述垂直等效法包括:
基于参考矢量轮廓线段的角度对参考矢量轮廓线段组进行聚类,得到主矢量轮廓线段组和辅矢量轮廓线段组,所述主矢量轮廓线段组的线段总长度大于所述辅矢量轮廓线段组的线段总长度,分别对主矢量轮廓线段组的角度和辅矢量轮廓线段组的角度求均值,得到主矢量角度和辅矢量角度;
将辅矢量角度向主矢量角度的方向进行垂直变换,得到垂直辅矢量角度,将主矢量角度和垂直辅矢量角度的均值作为第二候选值。
4.根据权利要求1所述的基于区域一致性的建筑物主角度修正方法,其特征在于,步骤S2包括:
若第一候选值和第二候选值的差值小于第一预设阈值,将该房屋建构筑物作为标准房屋建构筑物,并将第二候选值作为标准房屋建构筑物的真实主角度;
若第一候选值和第二候选值的差值大于第一预设阈值,将该房屋建构筑物作为待修正房屋建构筑物。
5.根据权利要求1所述的基于区域一致性的建筑物主角度修正方法,其特征在于,步骤S4包括:
分别计算第一候选值与区域主角度的差值,以及第二候选值与区域主角度的差值,选择较小的差值作为目标差值;
若目标差值小于第二预设阈值,选择与区域主角度接近的候选主角度作为待修正房屋建构筑物的真实主角度;
若目标差值大于第二预设阈值,选择第二候选值作为待修正房屋建构筑物的真实主角度。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211609894.5A CN115620169B (zh) | 2022-12-15 | 2022-12-15 | 基于区域一致性的建筑物主角度修正方法 |
PCT/CN2023/137754 WO2024125434A1 (zh) | 2022-12-15 | 2023-12-11 | 基于区域一致性的建筑物主角度修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211609894.5A CN115620169B (zh) | 2022-12-15 | 2022-12-15 | 基于区域一致性的建筑物主角度修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115620169A CN115620169A (zh) | 2023-01-17 |
CN115620169B true CN115620169B (zh) | 2023-04-07 |
Family
ID=84879859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211609894.5A Active CN115620169B (zh) | 2022-12-15 | 2022-12-15 | 基于区域一致性的建筑物主角度修正方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115620169B (zh) |
WO (1) | WO2024125434A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115620169B (zh) * | 2022-12-15 | 2023-04-07 | 北京数慧时空信息技术有限公司 | 基于区域一致性的建筑物主角度修正方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938066A (zh) * | 2012-12-07 | 2013-02-20 | 南京大学 | 一种基于多元数据重建建筑物外轮廓多边形的方法 |
CN109583284A (zh) * | 2017-09-29 | 2019-04-05 | 中国科学院遥感与数字地球研究所 | 基于高分辨率sar图像的城市高层建筑物高度提取方法及装置 |
CN111652892A (zh) * | 2020-05-02 | 2020-09-11 | 王磊 | 一种基于深度学习的遥感影像建筑物矢量提取及优化方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2016204648A1 (en) * | 2009-05-15 | 2016-07-21 | Eagle View Technologies, Inc. | Pitch determination systems and methods for aerial roof estimation |
WO2012037576A2 (en) * | 2010-09-17 | 2012-03-22 | Seer Technology, Inc. | Building perpendicularity testing and adjustment |
JP6233869B2 (ja) * | 2012-06-07 | 2017-11-22 | 日本電気株式会社 | 画像処理装置、画像処理装置の制御方法およびプログラム |
CN103065295B (zh) * | 2012-12-04 | 2016-01-20 | 南京大学 | 一种基于建筑物角点自修正的航空与地面LiDAR数据高精度自动配准方法 |
CN108106594B (zh) * | 2017-12-06 | 2020-05-15 | 上海建工五建集团有限公司 | 建筑物变形实时测量方法 |
CN113139453B (zh) * | 2021-04-19 | 2023-04-07 | 中国地质大学(武汉) | 一种基于深度学习的正射影像高层建筑基底矢量提取方法 |
CN114494905A (zh) * | 2022-01-26 | 2022-05-13 | 中科星图股份有限公司 | 基于卫星遥感图像的建筑物的识别和建模方法和装置 |
CN114241338A (zh) * | 2022-02-15 | 2022-03-25 | 中航建筑工程有限公司 | 基于影像识别的建筑物测量方法、装置、设备及存储介质 |
CN114898119B (zh) * | 2022-07-08 | 2022-11-01 | 浙江大华技术股份有限公司 | 一种建筑物轮廓绘制方法、装置、设备及介质 |
CN115272882A (zh) * | 2022-08-03 | 2022-11-01 | 山东省国土测绘院 | 一种基于遥感影像的离散建筑物检测方法及*** |
CN115620169B (zh) * | 2022-12-15 | 2023-04-07 | 北京数慧时空信息技术有限公司 | 基于区域一致性的建筑物主角度修正方法 |
-
2022
- 2022-12-15 CN CN202211609894.5A patent/CN115620169B/zh active Active
-
2023
- 2023-12-11 WO PCT/CN2023/137754 patent/WO2024125434A1/zh unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938066A (zh) * | 2012-12-07 | 2013-02-20 | 南京大学 | 一种基于多元数据重建建筑物外轮廓多边形的方法 |
CN109583284A (zh) * | 2017-09-29 | 2019-04-05 | 中国科学院遥感与数字地球研究所 | 基于高分辨率sar图像的城市高层建筑物高度提取方法及装置 |
CN111652892A (zh) * | 2020-05-02 | 2020-09-11 | 王磊 | 一种基于深度学习的遥感影像建筑物矢量提取及优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115620169A (zh) | 2023-01-17 |
WO2024125434A1 (zh) | 2024-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Tender tea shoots recognition and positioning for picking robot using improved YOLO-V3 model | |
WO2024077812A1 (zh) | 基于点云语义分割与结构拟合的单体建筑三维重建方法 | |
CN112070769B (zh) | 一种基于dbscan的分层点云分割方法 | |
US9036915B2 (en) | Architectural pattern detection and modeling in images | |
CN103034863B (zh) | 一种结合核Fisher与多尺度提取的遥感影像道路获取方法 | |
CN110472676A (zh) | 基于深度神经网络的胃早癌组织学图像分类*** | |
CN105740798B (zh) | 一种基于结构分析的点云场景物体识别方法 | |
CN111652892A (zh) | 一种基于深度学习的遥感影像建筑物矢量提取及优化方法 | |
JP2017521779A (ja) | 画像解析を用いた核のエッジの検出 | |
CN113223042B (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
CN112084871B (zh) | 一种基于弱监督学习的高分遥感目标边界提取方法 | |
CN112163622A (zh) | 全局与局部融合约束的航空宽基线立体像对线段特征匹配方法 | |
CN113409332B (zh) | 一种基于三维点云的建筑物平面分割方法 | |
WO2024125434A1 (zh) | 基于区域一致性的建筑物主角度修正方法 | |
CN110175574A (zh) | 一种道路网提取方法及装置 | |
Zheng et al. | Building recognition of UAV remote sensing images by deep learning | |
CN116152494A (zh) | 基于两阶段3d点云语义分割的建筑物脚点识别分割方法 | |
CN109598261B (zh) | 一种基于区域分割的三维人脸识别方法 | |
CN112241676A (zh) | 一种地形杂物自动识别的方法 | |
CN117670895A (zh) | 基于切片重染色技术的免疫组化病理图像细胞分割方法 | |
CN113435479A (zh) | 基于区域特征表达约束的特征点匹配方法与*** | |
CN116052110B (zh) | 一种路面标线缺损智能定位方法及*** | |
CN116452604A (zh) | 一种复杂变电站场景分割方法、设备及存储介质 | |
CN109117841B (zh) | 基于笔画宽度变换与卷积神经网络的场景文本检测方法 | |
CN116778164A (zh) | 一种基于多尺度结构改进DeeplabV3+网络的语义分割方法 |
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 |