基于多尺度多特征融合的遥感影像建筑物检测方法技术

本发明专利技术公开了一种基于多尺度多特征融合的遥感影像建筑物检测方法，包括对高分辨率遥感影像降采样，获得由不同尺度的影像构成的影像金字塔；计算影像金字塔的边缘影像；对不同尺度的边缘影像进行多组特征计算并进行融合建立特征模型；根据特征模型与邻域局部非极大值抑制进行窗口选取获得目标窗口；对目标窗口进行小范围内的膨胀/收缩计算获得矩形窗口；根据目标窗口的主方向旋转所述矩形窗口得到最优目标窗口，并根据最优目标窗口提取出建筑物。其显著效果是：在高斯金字塔影像上进行多尺度的建筑物检测，对大小、形状、朝向各异的建筑物的检测具有普适性；且有效地提高了建筑物自动检测的精度和效率。

【技术实现步骤摘要】
基于多尺度多特征融合的遥感影像建筑物检测方法
本专利技术涉及到遥感影像处理
，具体地说，是一种基于多尺度多特征融合的遥感影像建筑物检测方法。
技术介绍
建筑物作为城市主要的地物类型之一，是城市大比例尺基础地理图中必须重点表现的专题要素，准确的建筑物信息可以为土地管理、城市规划等政府部门开展土地利用现状调查和宏观规划等工作提供重要决策支持，其在数字化城市建设，违章建筑物查处以及军事侦察等多个领域都有着重要的应用。在高分辨率影像中，建筑物形状多样、大小不一，甚至有些被邻近树木所遮挡造成形状缺失，难以用统一的形状模型进行描述，使得遥感影像建筑物自动检测成为了一项具有挑战性的课题。目前国内外学者针对这一课题已经提出了许多较为成熟的描述特征和方案，如SIFT特征、HoG特征等，并采用面向对象分类、机器学习等方式来提取建筑物。但现有的特征大多只顾及到建筑物的纹理信息，而忽略了建筑物的特殊结构等，难以解决在高分辨率遥感影像中存在的建筑物被阴影遮挡以及大小、形状、朝向各异等问题。同时目前提取效果较好的大多数方法都依赖于LiDAR、DSM、GIS矢量数据等其他辅助数据的支持，使得检测流程和数据变的复杂化，降低了提取效率。
技术实现思路
针对现有技术的不足，本专利技术的目的是提供一种基于多尺度多特征融合的遥感影像建筑物检测方法，该方法对高分辨率影像降采样构建影像金字塔，在每一个尺度空间中提取用于描述建筑物特性的多种特征，通过不同尺度下多种特征融合，计算影像各区域显著性，从而达到建筑物的自动检测。为达到上述目的，本专利技术采用的技术方案如下：一种基于多尺度多特征融合的遥感影像建筑物检测方法，其关键在于包括以下步骤：S1：对高分辨率遥感影像降采样，获得由不同尺度的影像构成的影像金字塔；S2：计算影像金字塔每一层影像对应的边缘影像；S3：对不同尺度的边缘影像进行多组特征计算，并对获得的多组特征进行融合建立特征模型；S4：根据特征模型与邻域局部非极大值抑制进行窗口选取，获得最可能含有建筑物的目标窗口；S5：对目标窗口进行小范围内的膨胀/收缩计算，获得贴合目标建筑物的矩形窗口；S6：根据目标窗口的主方向旋转所述矩形窗口，得到与建筑物朝向一致的最优目标窗口，并根据最优目标窗口提取出建筑物。进一步的，步骤S1中所述降采样采用的公式为：其中，W(p,q)＝W(p)*W(q)表示长度为5的高斯卷积核，(p,q)为高斯卷积核中点的坐标，(i,j)为影像中点的坐标。进一步的，步骤S2中所述边缘影像的计算步骤为：S2.1：对影像金字塔每层影像进行高斯平滑滤波；S2.2：计算平滑滤波后影像中每个像素点的梯度值；S2.3：根据梯度值判定各像素点是否为边缘点，若是则保存，否则设置为0，获得影像对应的二进制边缘影像；S2.4：阈值计算，并根据阈值对二进制边缘影像进行边缘强化，获得所述边缘影像。更进一步的，步骤S2.4中所述阈值采用Otsu算法计算最大化非边缘点和边缘点的类间差异而获得。再进一步的，所述Otsu算法通过最小化边缘点与非边缘点两类的错分概率，使得边缘点和非边缘点的类间方差最大，获得阈值。进一步的，步骤S3中所述多组特征包括边缘分布特征、主方向显著性与正交性特征、Blob相似度特征和超像素跨越特征。再进一步的，所述边缘分布特征、主方向显著性与正交性特征、Blob相似度特征和超像素跨越特征的计算公式如下：边缘分布特征LED：LED＝de×ds，其中，de＝ne/nw为边缘密度，ds＝min(nt)/Mean(nt)为边缘分布均匀性，ne和nw分别表示以R为半径的圆形窗口内的边缘点数和总像素数，nt表示第t象限所包含的边缘点数，t＝1,2,3,4；主方向显著性与正交性特征OOS：OOS＝r×Max{N(k)+N(k+6)}，其中，r为正交指数，N(k)、N(k+6)分别表示第k、k+6个方向级所包含的边缘点的个数，且N(k)与N(k+6)为正交关系，所述方向级的定义为：以垂直向上为起始方向，顺时针为正方向，每15°为一个方向级，从0°到180°共分为12个方向级；Blob相似度特征M：其中，W表示滑动窗口，T表示设置的模板，(M0,N0)表示模板T的大小，(m,n)为模板T内的坐标，(i,j)为滑动窗口W内影像的坐标；超像素跨越特征SS：其中，|S\W|表示超像素块S在窗口W外的面积，|S∩W|表示超像素块S在窗口内的面积。进一步的，步骤S3中特征模型为：其中，saliency表示特征模型，LED为边缘分布特征，OOS为主方向显著性与正交性特征，M为Blob相似度特征，SS为超像素跨越特征。进一步的，步骤S4中所述目标窗口的获取步骤为：S4.1：根据特征模型计算得到影像金字塔每一层的显著图；S4.2：根据滑动窗口内所有像素显著值的和与滑动窗口的面积计算窗口的显著性得分；S4.3：采用局部非极大值抑制算法选取邻域里显著性得分最高的窗口，并抑制得分低的窗口、消除交叉重复的冗余窗口，获得目标窗口。更进一步的，步骤S4.2中所述窗口的显著性得分的计算公式为：其中，score表示窗口的显著性得分，saliency(i)表示该窗口内第i个点的显著值，|win|表示该窗口的面积。本专利技术基于高分辨率遥感影像降采样获得的影像金字塔，在多尺度影响下计算边缘密度、分布均匀性、方向显著性与正交性、和背景的反差程度以及包含超像素块的完整性等多个特征，并通过特征模型来寻找建筑物所在的目标窗口，实现了高效准确地自动检测建筑物。本专利技术的显著效果是：(1)将高分辨率遥感影像中建筑物的亮度、方向等光谱以及结构等特性，结合边缘分布、区域显著信息以及超像素水平上的完整性等构建多特征模型，在高斯金字塔影像上进行多尺度的建筑物检测，对大小、形状、朝向各异的建筑物的检测具有普适性；(2)本专利技术更深层次地挖掘了影像的空间特征和语义信息，仅利用高分辨率遥感影像就可以实现高分辨率影像上建筑物目标窗口的快速、准确、自动提取，同时设计了新的边缘影像计算方法，有效地提高了建筑物自动检测的精度和效率。附图说明图1是本专利技术的方法流程图；图2是影像金字塔模型下同一尺度的窗口分别对应不同面积地物的示意图；图3是所述边缘影像的计算方法流程图；图4是局部边缘分布示意图；图5是建筑物边缘的方向正交性示意图；图6是边缘方向梯度直方图；图7是所述正方形模板的示意图。具体实施方式下面结合附图对本专利技术的具体实施方式以及工作原理作进一步详细说明。如图1所示，一种基于多尺度多特征融合的遥感影像建筑物检测方法，按照以下步骤进行：S1：建筑物在高分辨率遥感影像中的大小、位置、朝向都有着很大的变化，单从一个尺度，很难将不同大小的建筑物检测出来，因此首先对高分辨率影像做降采样得到影像金字塔；采用上述高斯函数来平滑图像，其中，W(p,q)＝W(p)*W(q)表示长度为5的高斯卷积核，(p,q)为高斯卷积核中点的坐标，(i,j)为影像中点的坐标。由此得到一个分辨率逐级递减的图像序列{ML，ML-1，……，M0}。由于金字塔底层高分辨率影像细节保存完好，而顶层低分辨率影像则更注重全局特征，基于影像金字塔进行多尺度检测建筑物能兼顾细节和整体，达到更高的检测精度。同一大小的窗口在不同分辨率的影像中对应着不同面积，如图2所示，假如原影像为1m的本文档来自技高网...

【技术保护点】
一种基于多尺度多特征融合的遥感影像建筑物检测方法，其特征在于包括以下步骤：S1：对高分辨率遥感影像降采样，获得由不同尺度的影像构成的影像金字塔；S2：计算影像金字塔每一层影像对应的边缘影像；S3：对不同尺度的边缘影像进行多组特征计算，并对获得的多组特征进行融合建立特征模型；S4：根据特征模型与邻域局部非极大值抑制进行窗口选取，获得最可能含有建筑物的目标窗口；S5：对目标窗口进行小范围内的膨胀/收缩计算，获得贴合目标建筑物的矩形窗口；S6：根据目标窗口的主方向旋转所述矩形窗口，得到与建筑物朝向一致的最优目标窗口，并根据最优目标窗口提取出建筑物。

【技术特征摘要】
1.一种基于多尺度多特征融合的遥感影像建筑物检测方法，其特征在于包括以下步骤：S1：对高分辨率遥感影像降采样，获得由不同尺度的影像构成的影像金字塔；S2：计算影像金字塔每一层影像对应的边缘影像；S3：对不同尺度的边缘影像进行多组特征计算，并对获得的多组特征进行融合建立特征模型；S4：根据特征模型与邻域局部非极大值抑制进行窗口选取，获得最可能含有建筑物的目标窗口；S5：对目标窗口进行小范围内的膨胀/收缩计算，获得贴合目标建筑物的矩形窗口；S6：根据目标窗口的主方向旋转所述矩形窗口，得到与建筑物朝向一致的最优目标窗口，并根据最优目标窗口提取出建筑物。2.根据权利要求1所述的基于多尺度多特征融合的遥感影像建筑物检测方法，其特征在于：步骤S1中所述降采样采用的公式为：其中，W(p,q)＝W(p)*W(q)表示长度为5的高斯卷积核，(p,q)为高斯卷积核中点的坐标，(i,j)为影像中点的坐标。3.根据权利要求1所述的基于多尺度多特征融合的遥感影像建筑物检测方法，其特征在于：步骤S2中所述边缘影像的计算步骤为：S2.1：对影像金字塔每层影像进行高斯平滑滤波；S2.2：计算平滑滤波后影像中每个像素点的梯度值；S2.3：根据梯度值判定各像素点是否为边缘点，若是则保存，否则设置为0，获得影像对应的二进制边缘影像；S2.4：阈值计算，并根据阈值对二进制边缘影像进行边缘强化，获得所述边缘影像。4.根据权利要求3所述的基于多尺度多特征融合的遥感影像建筑物检测方法，其特征在于：步骤S2.4中所述阈值采用Otsu算法计算最大化非边缘点和边缘点的类间差异而获得。5.根据权利要求4所述的基于多尺度多特征融合的遥感影像建筑物检测方法，其特征在于：所述Otsu算法通过最小化边缘点与非边缘点两类的错分概率，使得边缘点和非边缘点的类间方差最大，获得阈值。6.根据权利要求1所述的基于多尺度多特征融合的遥感影像建筑物检测方法，其特征在于：步骤S3中所述多组特征包括边缘分布特征、主方向显著性与正交性特征、Blob相似度特征和超像素跨越特征。7.根据权利要求6所述的基于多尺度多特征融合的遥感影像建筑物检测方法，其特征在于：所述边缘分布特征、主方向显著性与正交性特征、Blob相似度特征和超像素跨越特征的计算公式如下：边缘分布特征LED：LED＝de×ds，其中，de＝ne/nw为边缘密度，ds＝min(nt)...

【专利技术属性】
技术研发人员：胡艳，胡翔云，丁忆，李朋龙，徐永书，李静，吴柳青，罗鼎，陈静，宫金杞，王小攀，段松江，陈雪洋，
申请(专利权)人：重庆市地理信息中心，武汉大学，
类型：发明
国别省市：重庆,50