本发明专利技术涉及一种用于遥感影像中具有均匀光谱特性的建筑物提取方法。包括如下步骤：步骤1，利用邻域总变分的似然函数计算输入遥感影像中每个像元的取值LS；步骤2，进行二值化处理；步骤3，进行标注；步骤4，计算标注区域的质心；步骤5，进行区域生长分割；步骤6，进行建筑物初提取；步骤7，获取分割对象序列S；步骤8，选取训练样本；步骤9，提取纹理特征信息；步骤10，进行分类。解决了高空间分辨率遥感影像中建筑物提取准确率低的问题，达到完全自动化的效果，可以用于遥感影像制图、地理信息系统的数据获取和自动更新。
【技术实现步骤摘要】
本专利技术涉及一种遥感影像处理领域，具体说是一种用于遥感影像中具有均匀光谱 特性的建筑物提取方法。
技术介绍
建筑物是城市主要地理要素之一，是各种城市专题图的重要内容，研宄建筑物的 提取对综合考察城市地理信息环境具有重要意义。随着高分辨率遥感影像获取技术的快速 发展，遥感影像的处理、分析和应用有了更好的数据源，其数字产品则有了更广泛、更深入 的应用。计算机图像处理技术、模式识别、人工智能等方面的都取得不同程度的进展，为高 效地提取海量影像中的有效信息提供了可能。但建筑物信息的提取要比其他信息如道路、 水体的获取难得多，主要原因如下： (1)数据源主要是二维的遥感影像，大多数情况下缺少直接的三维数据； (2)不同的遥感影像常因为光谱范围、分辨率、传感器的几何图像以及成像条件等 因素的不同而有较大的差异； (3)不同种类的建筑物其所表现出来的外观和纹理细节等千变万化，表现在遥感 图像上差异很大，统一的建筑物模型库难以建立，这使得信息的自动提取变得相当困难； (4)建筑物所处场景的复杂性，如对比度较低时、房屋相互遮挡、建筑物自身的阴 影以及处在其它地物的阴影等，所以想自动地从背景中提取出边界清晰的建筑物较为困 难。
技术实现思路
本专利技术提供了，可克服 目前高空间分辨率遥感影像中建筑物提取困难的问题，可以检测遥感影像中具有较为规则 形状的建筑物目标，无需人工干预，自动化程度高。 为实现本专利技术的目标所采用的技术方案是：方法包括以下步骤： 步骤1 :利用邻域总变分的似然函数计算输入遥感影像imagel中每个像元的取值 LS，并将每个取值LS规格化至区间，得到影像image2 ; 步骤2 :选取阈值T对对影像image2进行二值化处理，得到二值影像image3 ; 步骤3 :对二值影像image3进行标注，删除面积小于Mins的区域，得到影像 image4 ； 步骤4 :计算影像image4中的每个标注区域的质心，得到由质心组成的影像 image5 ； 步骤5 :以影像image5中的每个质心作为种子点进行区域生长分割，得到相应数 量的分割对象，得到由分割对象组成的影像image6 ; 步骤6 :计算影像image6中各个分割对象的最小外接矩形，并以矩形度R和长宽 比P作为约束条件进行建筑物初提取； 步骤7 :将分割对象按对应的建筑物系数大小进行降序排序，得到分割对象序列 S； 步骤8 :将分割对象序列S的前30 %作为建筑物训练样本对象B，将分割对象序列 S的后30%作为非建筑物训练样本对象NB，将分割对象序列S的中间40%作为待分类对象 C； 步骤9 :利用Gabor滤波器对建筑物训练样本对象B、非建筑物训练样本对象NB和 待分类对象C提取纹理特征信息，分别得到特征信息fB、fN0Pf。； 步骤10 :以fB、fNB作为训练集，对fC进行分类。 所述的邻域总变分的似然函数为：【主权项】1. ，其特征在于包括w下步 骤： 步骤1 ;利用邻域总变分的似然函数计算输入遥感影像imagel中每个像元的取值LS， 并将每个取值LS规格化至区间，得到影像image2 ; 步骤2 ;选取阔值T对对影像image2进行二值化处理，得到二值影像images ; 步骤3 ;对二值影像image3进行标注，删除面积小于Min,的区域，得到影像image4 ; 步骤4 ;计算影像image4中的每个标注区域的质屯、，得到由质屯、组成的影像images ; 步骤5 影像images中的每个质屯、作为种子点进行区域生长分割，得到相应数量的 分割对象，得到由分割对象组成的影像image6 ; 步骤6 ;计算影像images中各个分割对象的最小外接矩形，并W矩形度R和长宽比P作 为约束条件进行建筑物初提取； 步骤7 ;将分割对象按对应的建筑物系数大小进行降序排序，得到分割对象序列S; 步骤8 ;将分割对象序列S的前30%作为建筑物训练样本对象B，将分割对象序列S的 后30%作为非建筑物训练样本对象NB，将分割对象序列S的中间40%作为待分类对象C ; 步骤9 ;利用Gabor滤波器对建筑物训练样本对象B、非建筑物训练样本对象NB和待分 类对象C提取纹理特征信息，分别得到特征信息fB、fwB和fe; 步骤10 ;Wfe、fwB作为训练集，对f进行分类。2. 根据权利要求1所述的， 其特征在于邻域总变分的似然函数为：LS(u(Xc，y。)）越大，表明u(Xc，y。）属于建筑物区域可能性越大。3. 根据权利要求1所述的， 其特征在于选取的阔值T通过0STU算法自动确定。4. 根据权利要求1所述的， 其特征在于Min,取影像中建筑物平均面积的1/10。5. 根据权利要求1所述的， 其特征在于矩形度R和长宽比P分别通过W下公式计算：其中，S。为分割对象的面积；SC为分割对象的最小外接矩形的面积；1 1和12分别表示 分割对象的最小外接矩形的长和宽，并将矩形度R的下限设置为0.75,长宽比P的上限设置 为4。6. 根据权利要求1所述的， 其特征在于分割对象的建筑物系数cofk根据矩形度R和长宽比p计算，且矩形度R和长宽 比P的权重各占50%，具体计算公式为：其中，MAXc为矩形度的最大取值，MINc为矩形度的最小取值，MAXp为长宽比的最大取 值，MINp为长宽比的最小取值，KC为分割对象的矩形度，KP为分割对象的长宽比。7. 根据权利要求1所述的， 其特征在于Gabor滤波器对分割对象进行3个尺度，8个方向的Gabor变换，并对同一尺度 不同方向的特征取平均得到3个纹理特征子带，对该3个子带特征进行进一步提取，计算 各个分割对象区域的均值和方差，构成一个6维的特征矢量，作为它们的纹理特征信息。8. 根据权利要求1所述的， 其特征在于分类方法采用朴素贝叶斯分类法。【专利摘要】本专利技术涉及。包括如下步骤：步骤1，利用邻域总变分的似然函数计算输入遥感影像中每个像元的取值LS；步骤2，进行二值化处理；步骤3，进行标注；步骤4，计算标注区域的质心；步骤5，进行区域生长分割；步骤6，进行建筑物初提取；步骤7，获取分割对象序列S；步骤8，选取训练样本；步骤9，提取纹理特征信息；步骤10，进行分类。解决了高空间分辨率遥感影像中建筑物提取准确率低的问题，达到完全自动化的效果，可以用于遥感影像制图、地理信息系统的数据获取和自动更新。【IPC分类】G06K9-62, G06K9-46【公开号】CN104794478【申请号】CN201510220949【专利技术人】施文灶 【申请人】福建师范大学【公开日】2015年7月22日【申请日】2015年5月4日本文档来自技高网...
【技术保护点】
一种用于遥感影像中具有均匀光谱特性的建筑物提取方法，其特征在于包括以下步骤：步骤1：利用邻域总变分的似然函数计算输入遥感影像image1中每个像元的取值LS，并将每个取值LS规格化至区间[0,255]，得到影像image2；步骤2：选取阈值T对对影像image2进行二值化处理，得到二值影像image3；步骤3：对二值影像image3进行标注，删除面积小于Mins的区域，得到影像image4；步骤4：计算影像image4中的每个标注区域的质心，得到由质心组成的影像image5；步骤5：以影像image5中的每个质心作为种子点进行区域生长分割，得到相应数量的分割对象，得到由分割对象组成的影像image6；步骤6：计算影像image6中各个分割对象的最小外接矩形，并以矩形度R和长宽比P作为约束条件进行建筑物初提取；步骤7：将分割对象按对应的建筑物系数大小进行降序排序，得到分割对象序列S；步骤8：将分割对象序列S的前30％作为建筑物训练样本对象B，将分割对象序列S的后30％作为非建筑物训练样本对象NB，将分割对象序列S的中间40％作为待分类对象C；步骤9：利用Gabor滤波器对建筑物训练样本对象B、非建筑物训练样本对象NB和待分类对象C提取纹理特征信息，分别得到特征信息fB、fNB和fC；步骤10：以fB、fNB作为训练集，对fC进行分类。...
【技术特征摘要】
【专利技术属性】
技术研发人员：施文灶，
申请(专利权)人：福建师范大学，
类型：发明
国别省市：福建;35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。