一种基于形态学建筑物指数的建筑物提取方法技术

本发明专利技术公开了一种基于形态学建筑物指数的建筑物提取方法，包括步骤：一、影像预处理；二、不透水层组分图像的提取；三、形态学建筑物指数特征图像的获取：301、结构元素的选取，302、CFO算子的建立，303、基于CFO算子的白帽变换的建立，304、采用差分多尺度形态学原理建立差分白帽形态学开闭混合重建序列，并求取出差分白帽形态学开闭混合重建序列的平均值，建立起形态学建筑物指数EMBI(x)，并得到了形态学建筑物指数特征图像，完成了建筑物的初步提取；四、采用决策树分析方法完成建筑物的最终提取。本发明专利技术实现便捷，建筑物提取精度、可靠性、精度和效率高，自动化程度高，实用性和可行性好。

【技术实现步骤摘要】
一种基于形态学建筑物指数的建筑物提取方法
本专利技术属于遥感影像信息提取
，具体是涉及一种基于形态学建筑物指数的建筑物提取方法。
技术介绍
建筑物的判别和精确定位是城市规划，人口估计，景观分析，和环境监测的主要的信息来源之一。商业的高分辨率卫星影像的应用，为建筑物自动准确的探测提供了巨大的潜力。虽然高分辨率遥感数据为建筑物识别提供了一个新的数据源，并且在空间域中包含有丰富的信息，但是空间分辨率的增加并不意味解译精度的增加。作为地形图中重要的成图元素，建筑物的识别与提取，直接影响到地物测绘的自动化水平，对它的识别和定位可以为特征提取，特征匹配，图像理解，制图提供帮助。因此，近年来，如何快速精确地获取建筑物信息一直是地物目标识别研究中的难点和热点。在建筑物的提取方面，国内外学者已经提出了大量模型和策略，主要分为三个方面：（1）利用影像的空间特征，辅助建筑物的提取。近些年来，在高分辨率影像中经常建立一些空间特征，例如像元形状指数（PSI），黄昕和张良培在2007年发表了论文《城市区域高分辨率多光谱图像空间特征的提取和分类》，[HuangX，ZhangL，LiP，2007.ClassificationandExtractionofSpatialFeaturesinUrbanAreasUsingHighResolutionMultispectralImagery，IEEEGeosciRemoteSensLett，260264.]；形态学序列，FauvelM和BenediktssonJA在2008年发表了论文《利用支持向量机分类器和形态学序列的高光谱数据的光谱空间特征分类》，[FauvelM，BenediktssonJA，ChanussotJ，2008.SpectralandSpatialClassificationofHyperspectralDataUsingSVMsandMorphologicalProfiles，IEEETransGeosciRemoteSens，38043814.]；城市多尺度复杂指数（MUCI），OumaYO，NgigiTG和TateishiR在2006年发表了论文《利用小波纹理的优化选择从高分辨率影像中提取特征实现城市树种的划分》，[OumaYO，NgigiTG，TateishiR，2006.OntheOptimizationandSelectionofWaveletextureforFeatureExtractionfromHigh-resolutionSatelliteImagerywithApplicationtowardsUrban-treeDelineation，IntJRemoteSens，73104.]；空间特征可以用来补充光谱空间信息和增强光谱相似的地物之间的可分离性，提高分类的精度。然而，以上的大多数的算法涉及监督机器学习的方法，这要求大量的训练样本并且需要精确模拟类别感兴趣区域的特征分布，因此很大程度上受主观因素的影响。例如:Gamba利用神经网络和马尔科夫随机场对边缘和非边缘像元进行分类，然后基于决策融合的方法完成建筑物的提取，Gamba,P.,F.Dell’Acqua,G.Lisini和G.Trianni在2007年发表了论文《利用高分辨率城区图提取目标边界》，[Gamba,P.,F.Dell’Acqua,G.Lisini,andG.Trianni，2007.ImprovedVHRurbanmappingexploitingobjectboundaries，IEEETransactionsonGeoscienceandRemoteSensing，26762682.]。（2）利用面向对象的方法完成对建筑物的提取。这类方法首先将影像分割成对象，在此基础上利用对象的光谱，几何，纹理和上下文信息对影像进行分类，完成建筑物的提取，该方法的识别精度高，但是一些研究显示利用面向对象的分析方法最大的限制是对象和分割结果之间的不准确的空间关系，分割结果不能准确描述对象的位置，大小和上下文信息。例如Huang和Zhang提出了自适应的均值漂移分割算法，判别具有相似的光谱特征的城市地物（例如，道路，建筑物等），黄昕和张良培在2008年发表了论文《从城市高光谱图像中利用自适应的均值漂移算法对目标的提取和分类》，[HuangX，ZhangL，2008.AnAdaptiveMean-shiftAnalysisApproachforObjectExtractionandClassificationfromUrbanHyperspectralImagery，IEEETransactionsonGeoscienceandRemoteSensing，41734185.]。（3）利用建筑物指数完成对建筑物的提取。由于在建筑物的边缘和内部分别存在或高或低的方差，在此基础上，Lhomme利用“方差的比值差异（DRV）”提出了建筑物半自动识别的方法，LhommeS，HeDC和WeberC在2009年发表了论文《从高空间分辨率影像中对建筑物进行定位的新方法》，[LhommeS，HeDC，WeberC，2009.ANewApproachtoBuildingIdentificationfromVery-high-spatialResolutionImages，InternationalJournalofRemoteSensing，13411354.]，Pesaresi基于建筑物具有高的局部对比度提出了建筑物存在指数的纹理计算方法，称之为“PanTex”，PesaresiM，GerhardingerA和KayitakireF在2008年发表了论文《利用各向异性的旋转不变的纹理特征建立一个鲁棒性的建筑面积存在指数》，[PesaresiM，GerhardingerA，KayitakireF，2008.ARobustBuilt-upAreaPresenceIndexbyAnisotropicRotation-invariantTexturalMeasure，IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing，180192.]，最近，Huang和Zhang（2011）提出了形态学建筑物指数（morphologybuildingindex-MBI），黄昕和张良培在2011年发表了论文《从多光谱GeoEye-1影像中利用多方向和多尺度的形态学序列完成建筑物的自动提取》，[HuangX，ZhangL，2011.AMultidirectionalandMultiscaleMorphologicalIndexforAutomaticBuildingExtractionfromMultispectralGeoEye-1imagery，PhotogrammEngRemoteSens，721732.]，该算法在提高精度的同时，存在着三个问题：①MBI算法将波段最大值定义的亮度图像作为基础特征构建建筑物指数会造成部分建筑物遗漏；②MBI算法的后处理需要结合NDVI的处理，增加了算法的复杂度；③MBI算法建筑物提取结果中的同质区域内本文档来自技高网...

【技术保护点】
一种基于形态学建筑物指数的建筑物提取方法，其特征在于该方法包括以下步骤：步骤一、影像预处理：对需要进行建筑物提取的影像进行辐射校正、去噪和几何纠正，纠正影像中的几何与辐射变形并提高影像的清晰度；步骤二、不透水层组分图像的提取：采用凸几何端元提取方法和线性混合光谱分解理论提取影像中的不透水层组分图像；步骤三、形态学建筑物指数特征图像的获取：采用建筑物属性与形态学运算之间的关系建立形态学建筑物指数，得到形态学建筑物指数特征图像，其具体过程如下：步骤301、结构元素的选取：选取线性结构的元素作为结构元素，定义为SE=strel(‘line’,d,s)，其中，‘line’为结构元素的类型且类型为线性，d为结构元素的方向，s为结构元素的大小；步骤302、CFO算子的建立：首先对不透水层组分图像进行闭重建，形成闭重建图像，然后再对闭重建图像进行开重建，建立起CFO算子，并得到了CFO图像；步骤303、基于CFO算子的白帽变换的建立：将闭重建图像与CFO图像作减法，完成基于CFO算子的白帽变换；步骤304、采用差分多尺度形态学原理建立差分白帽形态学开闭混合重建序列，并求取出差分白帽形态学开闭混合重建序列的平均值，建立起形态学建筑物指数EMBI(x)，并得到了形态学建筑物指数特征图像，完成了建筑物的初步提取；其中，x为测试像元；步骤四、采用决策树分析方法完成建筑物的最终提取，其具体过程为：步骤401、首先对形态学建筑物指数EMBI(x)特征设置阈值t1，然后对形态学建筑物指数特征图像进行阈值分割，当EMBI(x)≥t1时，剔除土壤、植被和阴影的干扰，得到了一次阈值分割后图像；步骤402、首先对连通区域长宽比Ratio(x)特征设置阈值t2，然后对一次阈值分割后图像进行阈值分割，当Ratio(x)≤t2时，剔除明亮和狭长道路对象的干扰，得到了二次阈值分割后图像；步骤403、首先对连通区域面积Area(x)特征设置阈值t3，然后对二次阈值分割后图像进行阈值分割，当Area(x)≥t3时，剔除噪声的干扰，得到了三次阈值分割后图像，即为最终提取得到的建筑物图像。...

【技术特征摘要】
1.一种基于形态学建筑物指数的建筑物提取方法，其特征在于该方法包括以下步骤：步骤一、影像预处理：对需要进行建筑物提取的影像进行辐射校正、去噪和几何纠正，纠正影像中的几何与辐射变形并提高影像的清晰度；步骤二、不透水层组分图像的提取：采用凸几何端元提取方法和线性混合光谱分解理论提取影像中的不透水层组分图像；步骤三、形态学建筑物指数特征图像的获取：采用建筑物属性与形态学运算之间的关系建立形态学建筑物指数，得到形态学建筑物指数特征图像，其具体过程如下：步骤301、结构元素的选取：选取线性结构的元素作为结构元素，定义为SE＝strel(‘line’,d,s)，其中，‘line’为结构元素的类型且类型为线性，d为结构元素的方向，s为结构元素的大小；步骤302、CFO算子的建立：首先对不透水层组分图像进行闭重建，形成闭重建图像，然后再对闭重建图像进行开重建，建立起CFO算子，并得到了CFO图像；步骤303、基于CFO算子的白帽变换的建立：将闭重建图像与CFO图像作减法，完成基于CFO算子的白帽变换；步骤304、采用差分多尺度形态学原理建立差分白帽形态学开闭混合重建序列，并求取出差分白帽形态学开闭混合重建序列的平均值，建立起形态学建筑物指数EMBI(x)，并得到了形态学建筑物指数特征图像，完成了建筑物的初步提取；其中，x为测试像元；步骤四、采用决策树分析方法完成建筑物的最终提取，其具体过程为：步骤401、首先对形态学建筑物指数EMBI(x)特征设置阈值t1，然后对形态学建筑物指数特征图像进行阈值分割，当EMBI(x)≥t1时，剔...

【专利技术属性】
技术研发人员：黄远程，黄小兵，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：陕西;61