專利名稱：一種從衛(wèi)星遙感影像中提取建筑物輪廓的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及測繪制圖、數(shù)字遙感圖像處理、攝影測量與遙感技術(shù)地物目標(biāo)信息提 取技術(shù)領(lǐng)域，特別是涉及一種從衛(wèi)星遙感影像中提取城區(qū)建筑物輪廓的方法。
背景技術(shù)：
現(xiàn)有技術(shù)中，詳細(xì)的城區(qū)建筑物分布圖主要通過航空攝影測量或人工地面測量獲 得，這種常規(guī)獲取方法需要較高的數(shù)據(jù)成本。近年來，相對(duì)低廉的米級(jí)及優(yōu)于米級(jí)的商業(yè)高 分辨率多光譜衛(wèi)星(如伊科諾斯IKONOS和快鳥QuickBird)影像的出現(xiàn)，有望改變必須借 助航空遙感影像進(jìn)行城區(qū)制圖的局面。在高分辨率衛(wèi)星遙感影像上，建筑物屋頂是城區(qū)建 筑物制圖的主要特征，地面建筑物的輪廓形狀可通過衛(wèi)星遙感影像上顯示的屋頂?shù)男螤罴?其分布來表征。由于城區(qū)環(huán)境空間格局復(fù)雜，城區(qū)屋頂材料組分、顏色、形狀、大小以及建筑 物的朝向在城區(qū)環(huán)境下變化多樣，城區(qū)各類地物在上述高分辨率多光譜影像上光譜變異度 高，同物異譜和異物同譜現(xiàn)象遠(yuǎn)比自然環(huán)境下普遍，給應(yīng)用傳統(tǒng)的基于像元光譜特征進(jìn)行 自動(dòng)或半自動(dòng)地物分類帶來了困難。已有研究表明，高分辨率多光譜遙感影像4個(gè)多光譜波段雖然光譜范圍覆蓋較 寬，但區(qū)分城區(qū)水體，裸土，植被，陰影和不透水性地面等土地覆蓋類是有效的。進(jìn)一步，現(xiàn) 有的把光譜混淆嚴(yán)重的不透水性地面區(qū)分為道路、停車場和建筑物則存在困難。面向?qū)ο?影像分析是不同于逐像元光譜特征分析的一種可以表達(dá)和應(yīng)用語義信息特征的方法。這種 方法把影像分割成有意義的影像區(qū)域(對(duì)象)，不僅能夠表達(dá)影像區(qū)域的光譜特征，還能表 達(dá)豐富的空間、紋理和上下文特征等語義信息，從而使區(qū)分光譜相似的地類成為可能。利用面向?qū)ο笥跋穹治龇椒▉磉M(jìn)行高分辨率遙感影像城區(qū)建筑物制圖是一種新 的解決途徑，但當(dāng)前已發(fā)展的方法主要是針對(duì)排列較為規(guī)則或建筑物屋頂材料較為單一的 簡單城區(qū)場景，或者是借助外部數(shù)據(jù)，如數(shù)字高程模型(DEM，Digital Elevation Model)或 地籍圖，利用面向?qū)ο蟮姆治龇椒▉硖崛〕菂^(qū)建筑物。如Hofmarm等利用IKONOS高分辨率遙感影像數(shù)據(jù)，結(jié)合機(jī)載激光掃描儀獲得 的高分辨率數(shù)字高程模型和數(shù)字地籍圖，采用基于對(duì)象分類的方法進(jìn)行城區(qū)建筑物制圖 [Hofmann, P.，2001. Detecting urban features from Ikonosdata using additional elevation information，GIS Geo-Information System,6/2001 :28_33. ]。Shackelford 等在較為規(guī)則的網(wǎng)格狀城區(qū)，把像元分類圖作為基于知識(shí)規(guī)則的面向?qū)ο竽：诸?輸入，利用簡單的空間和上下文語義特征參數(shù)對(duì)建筑物進(jìn)行分類制圖[Shackelford， A. and C. Davis,2003. Acombined fuzzy pixel-based and object-based approach for classification ofhigh一resoIution multispectral data over urban areas, IEEE Transactions onGeoscience and Remote Sensing，41(10) :2354_2363. ] 0對(duì)于不規(guī)整或復(fù)雜的城區(qū)場景，當(dāng)缺乏先驗(yàn)知識(shí)或其他的外部數(shù)據(jù)時(shí)，如何利用 面向?qū)ο笥跋穹治黾胺诸惙椒ㄟM(jìn)行高分辨率遙感城區(qū)建筑物輪廓提取，成為本領(lǐng)域技術(shù)人 員迫切解決的一個(gè)技術(shù)問題。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題是提供一種從衛(wèi)星遙感影像中提取建筑物輪廓的方法，在沒有先驗(yàn)知識(shí)或其他的外部數(shù)據(jù)時(shí)，能夠針對(duì)不規(guī)整或復(fù)雜的城區(qū)場景，實(shí)現(xiàn)城區(qū)建 筑物輪廓的提取。為了解決上述問題，本發(fā)明公開了一種從衛(wèi)星遙感影像中提取建筑物輪廓的方 法，包括步驟Al，對(duì)同一區(qū)域的全色波段影像和多光譜波段影像進(jìn)行融合處理，生成多光 譜融合影像；步驟A2，對(duì)所述融合影像進(jìn)行對(duì)比度增強(qiáng)處理；步驟A3，通過對(duì)所述融合影像進(jìn)行影像分割，創(chuàng)建影像對(duì)象；步驟A4，通過對(duì)所述影像對(duì)象進(jìn)行基于對(duì)象光譜特征的監(jiān)督分類，獲得不透水性 地類分布圖；步驟A5，針對(duì)不透水性地類分布圖，利用模糊邏輯分類器，結(jié)合光譜屬性、空間屬 性、紋理屬性和上下文屬性的特征構(gòu)建知識(shí)規(guī)則，并按照所述知識(shí)規(guī)則進(jìn)行分類，提取出建 筑物屋頂類。優(yōu)選的，所述影像為像元空間地面分辨率小于等于5米的高分辨衛(wèi)星光學(xué)遙感影 像；其中，全色波段影像具有小于等于1米的像元空間地面分辨率；多光譜波段影像具有小 于等于5米的像元空間地面分辨率，所述多光譜波段至少包括藍(lán)色、綠色、紅色和近紅外 四個(gè)波段。優(yōu)選的，所述步驟Al中，采用基于平滑濾波的亮度調(diào)制算法進(jìn)行融合處理；所述 步驟A2中，采用直方圖均衡化方法進(jìn)行對(duì)比度增強(qiáng)處理；所述步驟A3中，采用多分辨率分 割算法進(jìn)行影像分割。優(yōu)選的，所述步驟A4中，通過監(jiān)督分類得到的地類包括不透水性地類、植被類、 陰影類、水體類和裸地類；其中，所述監(jiān)督分類的結(jié)果通過混淆矩陣進(jìn)行評(píng)估，滿足不透水 性地類的生產(chǎn)者精度為100%。進(jìn)一步，所述模糊邏輯分類器通過Sigmoid型隸屬度函數(shù)計(jì)算所述對(duì)象特征的屋 頂類和非屋頂類的類別隸屬度，將其中高隸屬度所對(duì)應(yīng)類別作為對(duì)象分類結(jié)果類別，并進(jìn) 而提取出建筑物屋頂類對(duì)象；其中，通過對(duì)不透水性地類分布圖中樣本影像對(duì)象的特征分 布的概要統(tǒng)計(jì)，確定隸屬度函數(shù)的方向、控制點(diǎn)a和c的值，所述概要統(tǒng)計(jì)包括平均值、最 小值、最大值和標(biāo)準(zhǔn)差。優(yōu)選的，所述光譜屬性的特征包括全色波段標(biāo)準(zhǔn)差、多光譜標(biāo)準(zhǔn)差、影像層與場 景的比率、和/或影像層比率；紋理屬性的特征包括全方向紋理對(duì)比度；空間屬性的特征包括長度和/或緊密度；上下文屬性的特征包括與相鄰對(duì)象的相對(duì)邊界、與相鄰對(duì)象的距離、和/或相鄰 對(duì)象的數(shù)量；所述相鄰對(duì)象包括相鄰屋頂類對(duì)象，以及相鄰非屋頂類對(duì)象。優(yōu)選的，所述知識(shí)規(guī)則包括第一知識(shí)規(guī)則、第二知識(shí)規(guī)則和/或第三知識(shí)規(guī)則；
其中，第一知識(shí)規(guī)則為對(duì)于每一個(gè)影像對(duì)象，如果各個(gè)第一類特征的隸屬度函數(shù) 值高滿足邏輯與，則屋頂類的類別隸屬度高，否則非屋頂類的類別隸屬度高；所述第一類特 征包括全色波段標(biāo)準(zhǔn)差、多波段標(biāo)準(zhǔn)差、長度、緊密度、和/或全方向紋理對(duì)比度；第二知識(shí)規(guī)則為對(duì)于每一個(gè)影像對(duì)象，如果各個(gè)第二類特征的隸屬度函數(shù)值高 滿足邏輯或，則建筑物屋頂類的類別隸屬度高，否則非屋頂類的類別隸屬度高；所述第二類 特征包括與相鄰屋頂類對(duì)象的距離、與相鄰屋頂類對(duì)象的相對(duì)邊界、與相鄰非屋頂類對(duì)象 的相對(duì)邊界、和/或相鄰屋頂類對(duì)象的數(shù)量；第三知識(shí)規(guī)則為對(duì)于每一個(gè)影像對(duì)象，如果各個(gè)第三類特征的隸屬度函數(shù)值高 滿足邏輯與，則建筑物屋頂類的類別隸屬度高，否則非屋頂類的類別隸屬度高；所述第三類 特征包括近紅外波段影像層與場景比率、藍(lán)色波段影像層比率、和/或紅色波段影像層比 率；則模糊邏輯分類器依次按照第一知識(shí)規(guī)則、第二知識(shí)規(guī)則和/或第三知識(shí)規(guī)則進(jìn) 行分類。進(jìn)一步，針對(duì)第一知識(shí)規(guī)則，屋頂類的各個(gè)第一類特征所對(duì)應(yīng)的隸屬度函數(shù)的控 制點(diǎn)值為a等于非屋頂類樣本對(duì)象特征值的平均值減去標(biāo)準(zhǔn)差；c等于非屋頂類樣本對(duì)象特征值的平均值加上標(biāo)準(zhǔn)差。進(jìn)一步，針對(duì)第二知識(shí)規(guī)則，屋頂類的各個(gè)第二類特征中，與相鄰非屋頂類對(duì)象的 相對(duì)邊界、以及與相鄰屋頂類對(duì)象的距離所對(duì)應(yīng)的隸屬度函數(shù)的控制點(diǎn)值為a等于屋頂類樣本對(duì)象特征值的平均值加上標(biāo)準(zhǔn)差，c等于非屋頂類樣本對(duì)象特征值的平均值加上標(biāo)準(zhǔn)差；與相鄰屋頂類對(duì)象的相對(duì)邊界、以及與相鄰屋頂類對(duì)象的數(shù)量所對(duì)應(yīng)的隸屬度函 數(shù)的控制點(diǎn)值為a等于非屋頂類樣本對(duì)象特征值的平均值加上標(biāo)準(zhǔn)差，c等于屋頂類樣本對(duì)象特征值的平均值減去標(biāo)準(zhǔn)差。進(jìn)一步，針對(duì)第三知識(shí)規(guī)則，屋頂類的各個(gè)第三類特征中，近紅外波段與場景比率 所對(duì)應(yīng)的隸屬度函數(shù)的控制點(diǎn)值為a等于屋頂類樣本對(duì)象特征值的平均值加上標(biāo)準(zhǔn)差，c等于非屋頂類樣本對(duì)象特征值的平均值減去標(biāo)準(zhǔn)差。藍(lán)波段比率、以及紅波段比率所對(duì)應(yīng)的隸屬度函數(shù)的控制點(diǎn)值為a等于非屋頂類樣本對(duì)象的平均特征值加上標(biāo)準(zhǔn)差，c等于屋頂類樣本對(duì)象的平均特征值減去標(biāo)準(zhǔn)差。與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)(1)、本發(fā)明通過對(duì)分割的影像對(duì)象層執(zhí)行基于對(duì)象光譜的監(jiān)督分類，區(qū)分出不透 水性地類；然后根據(jù)光譜屬性、空間屬性、紋理屬性和上下文屬性的特征構(gòu)建知識(shí)規(guī)則，應(yīng) 用于模糊邏輯分類器中，從不透水性地類中逐級(jí)優(yōu)化分類提取出城區(qū)建筑物屋頂類。該方 法能夠針對(duì)各種分布的城區(qū)場景，特別是不規(guī)整或復(fù)雜的城區(qū)場景，實(shí)用性強(qiáng)。(2)、本方法流程具有靈活性，可以根據(jù)影像場景的具體情況，靈活的選取光譜屬 性、空間屬性、紋理屬性和上下文屬性的特征，通過靈活的組合構(gòu)建相應(yīng)的知識(shí)規(guī)則，并獲得較高精度的建筑物提取結(jié)果。(3)、借助監(jiān)督樣本對(duì)象的概要統(tǒng)計(jì)獲得光譜屬性、空間屬性、紋理屬性和上下文 屬性的特征、以及隸屬度函數(shù)控制點(diǎn)值，不需要輔助數(shù)據(jù)，并且在分類中不必再對(duì)建筑物屋 頂類之外的其他不透水地面類再細(xì)分，節(jié)省了分類步驟。(4)、自動(dòng)化程度高，通過建立的知識(shí)規(guī)則，利用模糊邏輯分類器即可自動(dòng)進(jìn)行分 類，減少了人機(jī)交互的工作量，處理效率高。


圖1是本發(fā)明一種從衛(wèi)星遙感影像中提取建筑物輪廓的方法實(shí)施例的流程圖；圖2(a)是本發(fā)明實(shí)施例中某局部城區(qū)全色波段影像示意圖；圖2 (b)是本發(fā)明實(shí)施例中對(duì)融合影像進(jìn)行影像分割后的影像對(duì)象示意圖；圖3(a)是本發(fā)明實(shí)施例中基于影像對(duì)象光譜特征的監(jiān)督分類結(jié)果的示意圖；圖3(b)是本發(fā)明實(shí)施例中監(jiān)督分類結(jié)果進(jìn)行類合并的分類示意圖；圖4是Sigmoid型隸屬度函數(shù)曲線示意圖，其中圖4(a)是上升型函數(shù)曲線示意 圖，圖4(a)是下降型函數(shù)曲線示意圖；圖5 (a)是本發(fā)明實(shí)施例中按照知識(shí)規(guī)則分類后的建筑物屋頂類和非屋頂類分布 示意圖；圖5(b)是圖5(a)分類合并后提取的建筑物輪廓的分布示意圖。
具體實(shí)施例方式為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能夠更加明顯易懂，下面結(jié)合附圖和具體實(shí) 施方式對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說明。本發(fā)明方法屬于測繪制圖、數(shù)字遙感圖像處理、攝影測量與遙感技術(shù)地物目標(biāo)信 息提取與應(yīng)用領(lǐng)域，因此，在示例具體實(shí)施方式
之前，認(rèn)為實(shí)施者已具有理解本發(fā)明方法所 應(yīng)具備的本領(lǐng)域技術(shù)理論基礎(chǔ)及相關(guān)處理程序算法的相關(guān)基本知識(shí)和技能，如遙感技術(shù)與 應(yīng)用、測繪學(xué)、數(shù)字圖像處理、模糊數(shù)學(xué)等基礎(chǔ)，特別是，應(yīng)具備面向?qū)ο笥跋穹治龌局?識(shí)。基于上述背景知識(shí)和技術(shù)基礎(chǔ)，本發(fā)明方法實(shí)施例涉及其中的相關(guān)基本技術(shù)手段與功 能不作詳細(xì)解釋說明，實(shí)施者需要時(shí)可以參見相關(guān)教材、專著或期刊文章等文獻(xiàn)。參照?qǐng)D1，示出了本發(fā)明一種從衛(wèi)星遙感影像中提取建筑物輪廓的方法實(shí)施例的流程圖，包括步驟101，對(duì)同一區(qū)域的全色波段影像和多光譜波段影像進(jìn)行融合處理，生成多光 譜融合影像；本發(fā)明優(yōu)選實(shí)施例所處理的影像，是指像元空間地面分辨率小于等于5米的高分 辨多光譜衛(wèi)星光學(xué)遙感影像，該影像已經(jīng)過輻射和幾何校正，并帶有地理參考系統(tǒng)。其中， 全色波段影像具有小于等于1米的像元空間地面分辨率；多光譜波段具有小于等于5米的 像元空間地面分辨率，所述多光譜波段至少包括藍(lán)色、綠色、紅色和近紅外四個(gè)波段。在本 發(fā)明具體實(shí)施例中，為四個(gè)波段。利用獲取的某城區(qū)經(jīng)過輻射和幾何校正的IKONOS地學(xué)參考影像進(jìn)行提取，影像 參數(shù)列于表1，其局部城區(qū)全色波段影像如圖2(a)所示。該區(qū)域內(nèi)建筑物的形狀、大小、密度、方向、用途和屋頂材料具有復(fù)雜、多樣性。表1某城區(qū)IKONOS影像參數(shù) 具體的，通過融合1米全色和4米多光譜波段影像，生成1米分辨率的多光譜融 合影像。1米全色和4米多光譜波段的IKONOS影像非常適合于圖像融合增強(qiáng)。為了盡量 減少光譜信息損失，本發(fā)明優(yōu)選實(shí)施例采用基于平滑濾波的亮度調(diào)制(SFIM，Smoothing Filter-based Intensity Modulation)算法進(jìn)行融合。由于影像融合算法仍在不斷發(fā)展， 而影像融合處理步驟的目的是生成高質(zhì)量地結(jié)合全色波段地面細(xì)節(jié)特征和多光譜波段光 譜(顏色)特征的合成影像，因此，該步驟可以采用不降低融合影像質(zhì)量的其他替代算法， 例如HIS變換融合算法等。步驟102，對(duì)所述融合影像進(jìn)行對(duì)比度增強(qiáng)處理；影像對(duì)比度的增強(qiáng)有利于感興趣地物的分割提取，其目的在于提高后續(xù)分割步驟 的影像分割質(zhì)量，以及改善分類結(jié)果。本發(fā)明優(yōu)選實(shí)施例中，對(duì)融合后的影像進(jìn)行直方圖均 衡化處理以增強(qiáng)對(duì)比度，同樣，由于影像增強(qiáng)算法很多且仍在不斷發(fā)展，所述步驟也可視具 體處理影像數(shù)據(jù)質(zhì)量，采用除直方圖均衡化以外的其他增強(qiáng)算法，如平方根增強(qiáng)算法、對(duì)數(shù) 反轉(zhuǎn)增強(qiáng)算法等。步驟103，通過對(duì)所述融合影像進(jìn)行影像分割，創(chuàng)建影像對(duì)象；本實(shí)施例的影像分割采用多分辨率分割算法(MRS， Multi-resolutionSegmentation)，該算法本質(zhì)上是一種基于局部異質(zhì)性最小的區(qū)域增長 算法。多分辨率分割步驟執(zhí)行時(shí)，首先需要確定待分割影像各個(gè)影像層的權(quán)重，然后設(shè)置尺 度參數(shù)，光譜和形狀計(jì)算的權(quán)比值，緊密度和平滑度的權(quán)比值。這些設(shè)置參數(shù)都與分割生成 的影像區(qū)域大小范圍緊密相關(guān)。其中，尺度參數(shù)對(duì)分割生成的影像區(qū)域大小直接正相關(guān)，影 響最明顯。在其它參數(shù)設(shè)置相同的情況下，尺度參數(shù)越大，生成的影像分割區(qū)域越大。為了在后續(xù)分類處理中有效地分離植被類，在此步驟中，特別結(jié)合使用了歸一化 差值植被指數(shù)(NDVI，Normal Differential Vegetation Index) 二值掩膜影像限制分割 過程中的區(qū)域增長。所述NDVI掩膜通過對(duì)雙峰式分布的直方圖進(jìn)行閾值操作，然后通過濾 除小于10個(gè)像元的小區(qū)域獲得。本實(shí)施例中的影像分割，采用如表2所示影像分割參數(shù)設(shè) 置，影像分割后的影像對(duì)象如圖2(b)所示。表2影像分割參數(shù)設(shè)置 步驟104，通過對(duì)所述影像對(duì)象進(jìn)行基于對(duì)象光譜特征的監(jiān)督分類，獲得不透水性 地類分布圖；經(jīng)過步驟103的分割后，已獲得分類提取的基本影像對(duì)象層。此時(shí)，建立如下光譜 特征分布具有明顯差異的粗分類系統(tǒng)不透水性地類、植被、陰影、水體、裸地等。此步驟分 類的主要目的是獲得準(zhǔn)確的不透水性地面分類圖，因?yàn)榻ㄖ镂蓓敯ㄔ诓煌杆缘孛娣?類中，而后續(xù)處理步驟105將只關(guān)注從不透水地面分類中再分類，逐步優(yōu)化提取出建筑物 屋頂。由于上述粗分類系統(tǒng)中各類別光譜特征具有明顯差異，很適合并容易實(shí)施遙感圖像 監(jiān)督分類，本發(fā)明實(shí)施例中采用基于影像對(duì)象光譜特征的分類算法進(jìn)行最近鄰監(jiān)督分類。最近鄰監(jiān)督分類基于影像對(duì)象與代表性樣本對(duì)象在多維特征空間的特征距離確 定地物所屬類別。本實(shí)施例中，需要說明的是，每一類的代表性樣本對(duì)象采用分層隨機(jī)取樣 方法來選擇。對(duì)分割后的影像對(duì)象執(zhí)行基于光譜特征的最近鄰監(jiān)督分類見圖3(a)，通過監(jiān) 督分類得到的地類包括不透水性地類(橙色標(biāo)注)、植被類(淺綠色標(biāo)注)、陰影類(灰黑 色標(biāo)注)、水體類(藍(lán)色標(biāo)注)和裸地類(暗綠色標(biāo)注)。由于本步驟分類的主要目的是獲得準(zhǔn)確的不透水性地面分類圖，因此，對(duì)分類結(jié) 果進(jìn)行精度評(píng)價(jià)是必要的?？梢圆捎眠b感分類精度評(píng)價(jià)常用的混淆矩陣或誤差矩陣來進(jìn) 行，從中可以計(jì)算精度指標(biāo)，如總精度、生產(chǎn)者精度和用戶精度等。本實(shí)施例中，基于光譜特征的最近鄰監(jiān)督分類總精度(0A% )為98. 7%，其中，不 透水性地類生產(chǎn)者精度(PA%)達(dá)100%，用戶精度(UA%)達(dá)98.6%。本發(fā)明方法的最終 目的是提取建筑物，由于地面建筑物屬于不透水性地面，因此，該步驟作為整個(gè)處理流程的 中間處理步驟，盡管執(zhí)行基于對(duì)象光譜特征的監(jiān)督分類可以有很多分類替代算法，但最關(guān) 鍵的是，必須要獲得100%的不透水性地類生產(chǎn)者精度。由于后續(xù)處理只須關(guān)注不透水性地類，即從不透水性地類中不斷優(yōu)化提取建筑物 屋頂類，因此，把基于光譜特征的最近鄰監(jiān)督分類結(jié)果圖進(jìn)行制圖綜合，合并陰影，植被，裸 地和水體類為其它類，最后獲得不透水性地類分布圖。如圖3(b)所示為監(jiān)督分類結(jié)果進(jìn)行 類合并的分類示意圖，其中，橙色代表不透水性地類，白色代表其它類。步驟105，針對(duì)不透水性地類分布圖，利用模糊邏輯分類器，結(jié)合光譜屬性、空間屬 性、紋理屬性和上下文屬性的特征構(gòu)建知識(shí)規(guī)則，并按照所述知識(shí)規(guī)則進(jìn)行分類，提取出建筑物屋頂類。隸屬度函數(shù)值可以表達(dá)影像對(duì)象的類別隸屬度，隸屬度函數(shù)是表達(dá)影像對(duì)象特征值與類別隸屬度之間關(guān)系的數(shù)學(xué)模型，是構(gòu)建的知識(shí)規(guī)則具體表達(dá)。當(dāng)對(duì)象特征值增大，類 別隸屬度也增大時(shí)，利用上升型函數(shù)來表達(dá)。相反，當(dāng)對(duì)象特征值增大，類別隸屬度降低時(shí)， 利用下降型函數(shù)來表達(dá)。本實(shí)施例中，地類x(包括屋頂類和非屋頂類)的類別隸屬度μ x 采用了 Sigmoid型隸屬度函數(shù)來表示，其曲線如圖4所示，其中，圖4(a)是上升型函數(shù)曲線 示意圖，圖4(a)是下降型函數(shù)曲線示意圖；上升S 型函數(shù)μ x = S (i ;a，b，C)，下降S 型函數(shù)μχ = l_S(i ;a，b，C)。其中，a是當(dāng)類別隸屬度為0(上升S型函數(shù))或1(下降S型函數(shù))時(shí)對(duì)象屬性 的特征i的特征值，b是當(dāng)隸屬度為0. 5時(shí)對(duì)象屬性的特征i的特征值，b = (a+c)/2, c是 當(dāng)隸屬度為1 (上升S型函數(shù))或0 (上升S型函數(shù))時(shí)對(duì)象屬性的特征i的特征值。模糊 邏輯分類器在隸屬度函數(shù)表達(dá)的知識(shí)規(guī)則之間利用布爾邏輯操作符邏輯與(AND)、邏輯或 (OR)、或者它們的組合來表達(dá)分類知識(shí)規(guī)則。在此步驟中，核心是如何構(gòu)建知識(shí)規(guī)則，從而 結(jié)合人工智能分類知識(shí)來用計(jì)算機(jī)自動(dòng)分類對(duì)象，這也是本發(fā)明的主要?jiǎng)?chuàng)新點(diǎn)。優(yōu)選的，所述模糊邏輯分類器通過Sigmoid型隸屬度函數(shù)計(jì)算所述對(duì)象特征的屋 頂類和非屋頂類的類別隸屬度，將其中高隸屬度所對(duì)應(yīng)類別作為對(duì)象分類結(jié)果類別，并進(jìn) 而提取出建筑物屋頂類對(duì)象；其中，通過對(duì)不透水性地類分布圖中樣本影像對(duì)象的特征分 布的概要統(tǒng)計(jì)，確定隸屬度函數(shù)的方向、控制點(diǎn)a和c的值，所述概要統(tǒng)計(jì)包括平均值、最 小值、最大值和標(biāo)準(zhǔn)差。S卩，在不透水性地面分類圖中，選擇代表性的建筑物屋頂和非屋頂樣本影像對(duì)象， 統(tǒng)計(jì)分析樣本對(duì)象的特征值頻率分布，選擇樣本影像對(duì)象的光譜屬性、空間屬性、紋理屬性 和上下文屬性的代表性特征，然后用Sigmoid隸屬度函數(shù)來計(jì)算這些代表特征指示的類別 隸屬度，如果屋頂類的類別隸屬度高，則非屋頂類的類別隸屬度低；如果非屋頂類的類別隸 屬度高，則屋頂類的類別隸屬度高，按照高隸屬度對(duì)應(yīng)的屋頂類和非屋頂類進(jìn)行分類。模糊 邏輯分類中隸屬度函數(shù)的方向、控制點(diǎn)a和c的值(其中，b通過3和c的平均值得到)利 用樣本影像對(duì)象特征值分布的概要統(tǒng)計(jì)值(如平均值、最小值或最大值加上或減去標(biāo)準(zhǔn)差 等)和這些特征值類間分離性來確定。這是本發(fā)明方法最核心的部分。因?yàn)榻Y(jié)合知識(shí)規(guī)則 的模糊邏輯分類只有明確了具體的模糊隸屬度函數(shù)及其確定的控制點(diǎn)值才能真正實(shí)現(xiàn)。尤 其是控制點(diǎn)值的確定，在現(xiàn)有的一些技術(shù)中，一般通過對(duì)具體特定應(yīng)用區(qū)域的高分辨率遙 感影像進(jìn)行大量的特征分析或特征值選擇試驗(yàn)來確定，沒有什么規(guī)律或可明確參考使用的 確定原則，難以把握和推廣，這也是現(xiàn)有這類處理技術(shù)自動(dòng)化程度仍不高的一個(gè)主要原因。 而本發(fā)明方法中，明確具體的給出了特征控制點(diǎn)值借助樣本對(duì)象特征值分布的概要統(tǒng)計(jì)值 和這些特征值類間分離性來確定。優(yōu)選的，所述光譜屬性的特征包括全色波段標(biāo)準(zhǔn)差、多光譜標(biāo)準(zhǔn)差、影像層與場 景的比率、和/或影像層比率；紋理屬性的特征包括全方向紋理對(duì)比度；空間屬性的特征 包括長度和/或緊密度；上下文屬性的特征包括與相鄰對(duì)象的相對(duì)邊界、與相鄰對(duì)象的 距離、和/或相鄰對(duì)象的數(shù)量；所述與相鄰對(duì)象包括與相鄰屋頂類對(duì)象，以及與相鄰非屋 頂類對(duì)象。
所述知識(shí)規(guī)則包括第一知識(shí)規(guī)則、第二知識(shí)規(guī)則和/或第三知識(shí)規(guī)則；其中，第 一知識(shí)規(guī)則為對(duì)于每一個(gè)影像對(duì)象，如果各個(gè)第一類特征的隸屬度函數(shù)值高滿足邏輯與， 則屋頂類的類別隸屬度高，否則非屋頂類的類別隸屬度高；所述第一類特征包括全色波 段標(biāo)準(zhǔn)差、多波段標(biāo)準(zhǔn)差、長度、緊密度、和/或全方向紋理對(duì)比度；第二知識(shí)規(guī)則為對(duì)于每一個(gè)影像對(duì)象，如果各個(gè)第二類特征的隸屬度函數(shù)值高 滿足邏輯或，則屋頂類的類別隸屬度高，否則非屋頂類的類別隸屬度高；所述第二類特征包 括與相鄰屋頂類對(duì)象的距離、與相鄰屋頂類對(duì)象的相對(duì)邊界、與相鄰非屋頂類對(duì)象的相對(duì) 邊界、和/或相鄰屋頂類對(duì)象的數(shù)量；第三知識(shí)規(guī)則為對(duì)于每一個(gè)影像對(duì)象，如果各個(gè)第三類特征的隸屬度函數(shù)值高 滿足邏輯與，則屋頂類的類別隸屬度高，否則非屋頂類的類別隸屬度高；所述第三類特征包 括近紅外波段影像層與場景比率、藍(lán)色波段影像層比率、和/或紅色波段影像層比率；則，利用模糊邏輯分類器依次按照第一知識(shí)規(guī)則、第二知識(shí)規(guī)則和/或第三知識(shí) 規(guī)則進(jìn)行分類。本發(fā)明實(shí)施例中，選擇的代表性特征及所應(yīng)用的知識(shí)規(guī)則列于表3，針對(duì)不透水性 地類，依次按照第一知識(shí)規(guī)則、第二知識(shí)規(guī)則、以及第三知識(shí)規(guī)則進(jìn)行逐步分類。關(guān)于對(duì)象 特征的概念和具體詳細(xì)計(jì)算過程可參見相關(guān)文獻(xiàn)。下面，結(jié)合本發(fā)明實(shí)施例所處理的影像 數(shù)據(jù)，所構(gòu)建的知識(shí)規(guī)則如下表3知識(shí)規(guī)則 下面對(duì)知識(shí)規(guī)則進(jìn)行具體說明第一知識(shí)規(guī)則盡管屋頂材料組分多樣，光譜響應(yīng)離散，但“非屋頂類”卻表現(xiàn)出幾乎連續(xù)的光譜 響應(yīng)，這種光譜變化差異可以通過光譜標(biāo)準(zhǔn)差來反映。此外，屋頂對(duì)象呈現(xiàn)出一定程度的局 部色調(diào)變化，而這可以通過紋理特征參數(shù)來表征。再有，空間上，屋頂類對(duì)象在長度和緊密 度特征上比其他的不透水性地類更統(tǒng)一些。因此，結(jié)合對(duì)“屋頂類”和“非屋頂類”樣本影 像對(duì)象特征值的統(tǒng)計(jì)分析比較，針對(duì)光譜屬性、紋理屬性和空間屬性，通過如下5個(gè)第一類 特征構(gòu)建第一知識(shí)規(guī)則，來進(jìn)一步區(qū)分建筑物“屋頂類”(1)、全色波段標(biāo)準(zhǔn)差(ο p)是指影像對(duì)象所有像元在全色波段的灰度值的標(biāo)準(zhǔn) 差。對(duì)于每個(gè)影像對(duì)象，σρ采用如下公式計(jì)算 其中，Ci是由η個(gè)像元組成的對(duì)象內(nèi)部像元i的灰度值， 是所有像元的平均灰度值。(2)、多光譜標(biāo)準(zhǔn)差(ο J 是指每個(gè)多光譜通道影像對(duì)象所有像元灰度值的標(biāo)準(zhǔn) 差的平均值。對(duì)于每個(gè)影像對(duì)象，σω采用如下公式計(jì)算
其中，σ ^是指影像對(duì)象L波段所有像元的標(biāo)準(zhǔn)差，nL是波段數(shù)。(3)、全方向紋理對(duì)比度特征(Pcqn)是由Haralik發(fā)展的通過灰度共現(xiàn)矩陣 (GLCM,Grey-Level Co-occurrence Matrix)計(jì)算的影像對(duì)象局部變化的一種紋理特征。當(dāng) 影像對(duì)象在空間尺度上具有較高的對(duì)比度時(shí)，可以通過GLCM把紋理對(duì)比度特征計(jì)算出來。 對(duì)于第L波段光譜通道的紋理對(duì)比度特征，其計(jì)算式為 Piij是歸一化后的GLCM矩陣中元素(i，j)處的值。本實(shí)施例中計(jì)算了藍(lán)、綠、紅 和近紅外四個(gè)通道的紋理對(duì)比度特征。(4)、長度(1)是指包圍影像對(duì)象的與影像的縱橫軸平行的矩形計(jì)算而來的，以 像元為單位表示 其中，a是矩形的長邊，b是最短邊，f是填充度(指影像對(duì)象的像元所占面積除以 矩形的總面積aXb)。(5)、緊密度(κ)通過影像對(duì)象的近似橢圓計(jì)算。對(duì)于每個(gè)影像對(duì)象，κ采用如 下公式計(jì)算 其中，ν和w表示橢圓的長軸和短軸的長度，α是包含在近似橢圓內(nèi)的像元數(shù)。本發(fā)明實(shí)施例中，統(tǒng)計(jì)分析表明屋頂類的類別隸屬度隨著上述5個(gè)第一類特征 值的增大而降低，因此，這5個(gè)特征的每個(gè)隸屬度函數(shù)都用下降的S型隸屬度函數(shù)曲線來 表示。此外，針對(duì)各個(gè)特征全色波段標(biāo)準(zhǔn)差(σ ρ)、多光譜標(biāo)準(zhǔn)差(σ m)、長度(1)、緊密度 (κ )、全方向紋理對(duì)比度特征(藍(lán)、綠、紅和近紅外)，屋頂類特征值的最大值小于非屋頂類 特征值的平均值減去標(biāo)準(zhǔn)差，因此，確定各個(gè)第一類特征所對(duì)應(yīng)的隸屬度函數(shù)的控制點(diǎn)值 為a =非屋頂類樣本對(duì)象特征值的平均值_標(biāo)準(zhǔn)差，b =非屋頂類樣本對(duì)象特征值的平均值，c =非屋頂類樣本對(duì)象特征值的平均值+標(biāo)準(zhǔn)差。例如在本發(fā)明實(shí)施例中，針對(duì)全色波段標(biāo)準(zhǔn)差(，其隸屬度函數(shù)的控制點(diǎn)值 為a = 310. 77，b = 337. 18，c = 363. 59。第二知識(shí)規(guī)則由于材料組分、坡度或坡向不同，分割后的影像中屋頂和非屋頂區(qū)域通常由多個(gè) 影像對(duì)象組成。因此，屋頂類對(duì)象更有可能與屋頂類對(duì)象相鄰，同樣，非屋頂類對(duì)象更有可 能與非屋頂類對(duì)象相鄰。再者，在城區(qū)環(huán)境下，屋頂類對(duì)象一般更接近其它的屋頂對(duì)象。因 此，結(jié)合描述屋頂和非屋頂類對(duì)象相鄰關(guān)系的上下文特征屬性，通過如下第二類特征構(gòu)建 第二知識(shí)規(guī)則，用來再對(duì)分類結(jié)果進(jìn)行優(yōu)化。代表性特征描述如下(1)、與相鄰對(duì)象的相對(duì)邊界(B)影像對(duì)象和某確定類對(duì)象的共同邊界長度(以 像元計(jì))與影像對(duì)象邊界總長度之比。本發(fā)明實(shí)施例中，計(jì)算了與相鄰屋頂類的相對(duì)邊界、 以及與相鄰非屋頂類的相對(duì)邊界。(2)、與相鄰對(duì)象的距離(D)是指從影像對(duì)象的中心至最近的確定類(物屋頂類) 影像對(duì)象中心的像元距離。本發(fā)明實(shí)施例中具體為與相鄰屋頂類對(duì)象的距離。(3)、相鄰對(duì)象的數(shù)量(N)距影像對(duì)象中心一定距離范圍內(nèi)某一特定類影像對(duì)象 (屋頂類)的數(shù)量。本發(fā)明實(shí)施例中為相鄰屋頂類對(duì)象的數(shù)量，具體確定了 10個(gè)像元的距離值。在本發(fā)明實(shí)施例中，統(tǒng)計(jì)分析表明屋頂類的類別隸屬度隨著與相鄰非屋頂類對(duì) 象的相對(duì)邊界、以及與相鄰對(duì)象屋頂類的距離這兩種特征值的增大而降低，因此，這兩個(gè)特 征的隸屬度函數(shù)都表達(dá)為下降S型Sigmoid曲線。此外，針對(duì)特征與相鄰非屋頂類對(duì)象的 相對(duì)邊界、以及與相鄰對(duì)象屋頂類的距離，屋頂類的平均對(duì)象特征值加上標(biāo)準(zhǔn)差小于非屋 頂類的平均對(duì)象特征值加上標(biāo)準(zhǔn)差，因此，確定這兩個(gè)特征所對(duì)應(yīng)的隸屬度函數(shù)的控制點(diǎn) 值為a =屋頂類樣本對(duì)象特征值的平均值+標(biāo)準(zhǔn)差，
c =非屋頂類樣本對(duì)象特征值的平均值+標(biāo)準(zhǔn)差。此外，統(tǒng)計(jì)分析表明屋頂類的類別隸屬度隨著與相鄰屋頂類對(duì)象的相對(duì)邊界、以 及與相鄰屋頂類對(duì)象的數(shù)量這兩種特征值的增大而增大，因此，這兩個(gè)特征的隸屬度函數(shù) 都表達(dá)為上升S型Sigmoid曲線。此外，針對(duì)特征與相鄰屋頂類對(duì)象的相對(duì)邊界、以及相 鄰屋頂類對(duì)象的數(shù)量，屋頂類的平均對(duì)象特征值減去標(biāo)準(zhǔn)差大于非屋頂類的平均對(duì)象特征 值加上標(biāo)準(zhǔn)差，因此，確定這兩個(gè)特征所對(duì)應(yīng)的隸屬度函數(shù)的控制點(diǎn)值為a =非屋頂類樣本對(duì)象特征值的平均值+標(biāo)準(zhǔn)差，c =屋頂類樣本對(duì)象特征值的平均值_標(biāo)準(zhǔn)差。知識(shí)規(guī)則3盡管許多屋頂對(duì)象和非屋頂不透水性對(duì)象光譜上相似，非屋 頂不透水性對(duì)象相對(duì) 于整個(gè)城區(qū)場景在多光譜通道上還是表現(xiàn)出一些不同的光譜響應(yīng)。通過對(duì)屋頂和非屋頂樣 本對(duì)象一些光譜比值特征的統(tǒng)計(jì)比較，兩個(gè)獨(dú)立的代表性的描述非屋頂類對(duì)象的有效的光 譜屬性特征被確定，用來進(jìn)一步優(yōu)化過度分類的屋頂類對(duì)象(1)、影像層與場景的比率(RJ 第L層影像相對(duì)于場景的比率就是L層影像對(duì)象 所有像元的平均值與L層整個(gè)場景所有像元的平均值之比。 其中，CLobJect是L層影像對(duì)象所有像元的平均值；&s。_是L層整個(gè)場景所有像元 的平均值。本實(shí)施例中，計(jì)算了近紅外波段影像層的RL。(2)、影像層比率(rj 第L層影像的比率是影像對(duì)象所有像元的平均值與該對(duì)象
所有光譜層平均值總和之比。
其中，Cl是第L層影像對(duì)象所有像元平均值A(chǔ)是影像對(duì)象第i層所有像元的平 均值。本實(shí)施例中，計(jì)算了藍(lán)色和紅色波段影像層的！Y。本發(fā)明實(shí)施例中，統(tǒng)計(jì)分析表明屋頂類的類別隸屬度隨著近紅外波段影像層與 場景比率特征值的增大而增大，因此，該特征的隸屬度函數(shù)表達(dá)為上升S型Sigmoid曲線。 此外，非屋頂類的近紅外波段影像層與場景比率特征的平均對(duì)象特征值減去標(biāo)準(zhǔn)差大于屋 頂類的近紅外波段影像層與場景比率特征的平均對(duì)象特征值加上標(biāo)準(zhǔn)差，因此，確定該特 征所對(duì)應(yīng)的隸屬度函數(shù)的控制點(diǎn)值為a =屋頂類樣本對(duì)象特征值的平均值+標(biāo)準(zhǔn)差，c =非屋頂類樣本對(duì)象特征值的平均值_標(biāo)準(zhǔn)差。此外，統(tǒng)計(jì)分析表明屋頂類的類別隸屬度隨著藍(lán)色波段比率特征、紅色波段比率 特征這兩種對(duì)象特征值的增大而降低，因此，這兩個(gè)特征的隸屬度函數(shù)表達(dá)均為下降S型 Sigmoid曲線。此外，非屋頂類的藍(lán)色和紅色波段影像層比率的平均對(duì)象特征值加上標(biāo)準(zhǔn)差 小于屋頂類的平均對(duì)象特征值減去標(biāo)準(zhǔn)差，因此，確定這兩個(gè)特征所對(duì)應(yīng)的隸屬度函數(shù)的 控制點(diǎn)值為a =非屋頂類樣本對(duì)象的平均特征值+標(biāo)準(zhǔn)差，
c =屋頂類樣本對(duì)象的平均特征值_標(biāo)準(zhǔn)差。進(jìn)一步，由于目標(biāo)地物(提取的類別)是建筑物屋頂類，因此，分類過程結(jié)束后，融 合鄰近的分類對(duì)象屋頂類，融合所有的其他非屋頂類對(duì)象并進(jìn)行過濾，從而生成可表示建 筑物屋頂邊界和位置的城區(qū)建筑物輪廓分布圖。如圖5(a)所示，為本發(fā)明實(shí)施例中按照知 識(shí)規(guī)則分類后的建筑物屋頂類和非屋頂類分布示意圖，圖5(b)為圖5(a)分類合并后提取 的建筑物輪廓的分布示意圖。進(jìn)一步，為了評(píng)估本發(fā)明方法的提取結(jié)果質(zhì)量，可對(duì)最終獲得的建筑物分類提取 分布圖進(jìn)行精度評(píng)估，本發(fā)明實(shí)施例精度評(píng)估混淆矩陣如表4所示。可見，經(jīng)上述3個(gè)知識(shí) 規(guī)則分類后本實(shí)施例城區(qū)建筑物制圖取得了 93. 5%的生產(chǎn)者精度和93. 3的分類總精度。表4模糊邏輯分類混淆矩陣 上述從高分辨率多光譜IKONOS衛(wèi)星融合影像上基于知識(shí)規(guī)則的面向?qū)ο筇崛〕?區(qū)建筑物的發(fā)明方法實(shí)施中，總的從本質(zhì)來看，核心處理過程可分為兩大部分第一步，對(duì) 分割的影像對(duì)象層執(zhí)行基于對(duì)象光譜的監(jiān)督最近鄰分類，區(qū)分出不透水地面類；第二步，采 用監(jiān)督方法構(gòu)建知識(shí)規(guī)則應(yīng)用于模糊邏輯分類器中，從不透水地類中逐知識(shí)規(guī)則優(yōu)化分類 提取出城區(qū)建筑物屋頂類。這種方法利用模糊邏輯分類器，知識(shí)規(guī)則的構(gòu)建借助監(jiān)督樣本 對(duì)象的概要統(tǒng)計(jì)獲得光譜、空間、紋理和上下文屬性的特征及隸屬度函數(shù)控制點(diǎn)值，不需要 輔助數(shù)據(jù)，并且在分類中不必再對(duì)建筑物屋頂類之外的其他不透水性地類再細(xì)分。因此，本 方法流程具有實(shí)用性和靈活性，可以應(yīng)用于各種城區(qū)環(huán)境，并可以取得很高的精度。需要說明的是，本實(shí)施例中所用的對(duì)象分類特征及構(gòu)建的具體知識(shí)規(guī)則與數(shù)量雖 然具有代表性，即應(yīng)用者實(shí)施本發(fā)明方法時(shí)，完全可以參考其中的分類特征和知識(shí)規(guī)則的 構(gòu)建，但不是生搬硬套，固定不變的。例如，有的城區(qū)環(huán)境比較簡單規(guī)則，從影像中提取建筑 物不必完全選用本實(shí)施例中所采用的多個(gè)對(duì)象特征，也不局限于所示三條知識(shí)規(guī)則，可以 根據(jù)具體情況利用少數(shù)的特征或構(gòu)建其中的1、2條知識(shí)規(guī)則，只要滿足能夠達(dá)到較高的提 取精度即可。此外，如果城區(qū)環(huán)境非常復(fù)雜，則可以采用更多的對(duì)象特征，構(gòu)建更多的知識(shí) 規(guī)來達(dá)到較高的精度。在具體實(shí)施時(shí)，這些應(yīng)根據(jù)具體特定的應(yīng)用環(huán)境和影像數(shù)據(jù)來確定。 重要的是，本發(fā)明方法提供了明確、可行和具體的知識(shí)規(guī)則構(gòu)建方法，實(shí)施者實(shí)施時(shí)可以據(jù) 實(shí)際需要靈活構(gòu)建。以上對(duì)本發(fā)明所提供的一種從衛(wèi)星遙感影像中提取建筑物輪廓的方法，進(jìn)行了詳 細(xì)介紹，本文中應(yīng)用了具體個(gè)例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說 明只是用于幫助理解本發(fā)明的方法及其核心思想，但不以任何方式限制本發(fā)明。同時(shí)，對(duì)于 本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實(shí)施方式
及應(yīng)用范圍上均會(huì)有修改或者等同替換之處，而一切不脫離本發(fā)明的精神和技術(shù)實(shí)質(zhì)的技術(shù)方案及其改進(jìn)，其均應(yīng)涵蓋在本發(fā)明專利的保護(hù)范圍當(dāng)中。綜上所述，本說明書內(nèi)容不應(yīng)理解為對(duì)本發(fā)明的限制。
權(quán)利要求
一種從衛(wèi)星遙感影像中提取建筑物輪廓的方法，其特征在于，包括步驟A1，對(duì)同一區(qū)域的全色波段影像和多光譜波段影像進(jìn)行融合處理，生成多光譜融合影像；步驟A2，對(duì)所述融合影像進(jìn)行對(duì)比度增強(qiáng)處理；步驟A3，通過對(duì)所述融合影像進(jìn)行影像分割，創(chuàng)建影像對(duì)象；步驟A4，通過對(duì)所述影像對(duì)象進(jìn)行基于對(duì)象光譜特征的監(jiān)督分類，獲得不透水性地類分布圖；步驟A5，針對(duì)不透水性地類分布圖，利用模糊邏輯分類器，結(jié)合光譜屬性、空間屬性、紋理屬性和上下文屬性的特征構(gòu)建知識(shí)規(guī)則，并按照所述知識(shí)規(guī)則進(jìn)行分類，提取出建筑物屋頂類。
2.如權(quán)利要求1所述的方法，其特征在于，所述影像為像元空間地面分辨率小于等于5米的高分辨衛(wèi)星光學(xué)遙感影像；其中，全色波段影像具有小于等于1米的像元空間地面分辨率；多光譜波段影像具有 小于等于5米的像元空間地面分辨率，所述多光譜波段至少包括藍(lán)色、綠色、紅色和近紅 外四個(gè)波段。
3.如權(quán)利要求1所述的方法，其特征在于，所述步驟Al中，采用基于平滑濾波的亮度調(diào)制算法進(jìn)行融合處理；所述步驟A2中，采用直方圖均衡化方法進(jìn)行對(duì)比度增強(qiáng)處理；所述步驟A3中，采用多分辨率分割算法進(jìn)行影像分割。
4.如權(quán)利要求2所述的方法，其特征在于，所述步驟A4中，通過監(jiān)督分類得到的地類包括不透水性地類、植被類、陰影類、水體 類和裸地類；其中，所述監(jiān)督分類的結(jié)果通過混淆矩陣進(jìn)行評(píng)估，滿足不透水性地類的生產(chǎn)者精度 為 100%。
5.如權(quán)利要求4所述的方法，其特征在于，所述模糊邏輯分類器通過Sigmoid型隸屬度函數(shù)計(jì)算所述對(duì)象特征的屋頂類和非屋 頂類的類別隸屬度，將其中高隸屬度所對(duì)應(yīng)類別作為對(duì)象分類結(jié)果類別，并進(jìn)而提取出建 筑物屋頂類對(duì)象；其中，通過對(duì)不透水性地類分布圖中樣本影像對(duì)象的特征分布的概要統(tǒng)計(jì)，確定隸屬 度函數(shù)的方向、控制點(diǎn)a和c的值，所述概要統(tǒng)計(jì)包括平均值、最小值、最大值和標(biāo)準(zhǔn)差。
6.如權(quán)利要求5所述的方法，其特征在于，所述光譜屬性的特征包括全色波段標(biāo)準(zhǔn)差、多光譜標(biāo)準(zhǔn)差、影像層與場景的比率、和 /或影像層比率；紋理屬性的特征包括全方向紋理對(duì)比度；空間屬性的特征包括長度和/或緊密度；上下文屬性的特征包括與相鄰對(duì)象的相對(duì)邊界、與相鄰對(duì)象的距離、和/或相鄰對(duì)象 的數(shù)量；所述相鄰對(duì)象包括相鄰屋頂類對(duì)象，以及相鄰非屋頂類對(duì)象。
7.如權(quán)利要求6所述的方法，其特征在于，所述知識(shí)規(guī)則包括第一知識(shí)規(guī)則、第二知識(shí)規(guī)則和/或第三知識(shí)規(guī)則；其中，第一知識(shí)規(guī)則為對(duì)于每一個(gè)影像對(duì)象，如果各個(gè)第一類特征的隸屬度函數(shù)值高 滿足邏輯與，則屋頂類的類別隸屬度高，否則非屋頂類的類別隸屬度高；所述第一類特征包 括全色波段標(biāo)準(zhǔn)差、多波段標(biāo)準(zhǔn)差、長度、緊密度、和/或全方向紋理對(duì)比度； 第二知識(shí)規(guī)則為對(duì)于每一個(gè)影像對(duì)象，如果各個(gè)第二類特征的隸屬度函數(shù)值高滿足 邏輯或，則建筑物屋頂類的類別隸屬度高，否則非屋頂類的類別隸屬度高；所述第二類特征 包括與相鄰屋頂類對(duì)象的距離、與相鄰屋頂類對(duì)象的相對(duì)邊界、與相鄰非屋頂類對(duì)象的相 對(duì)邊界、和/或相鄰屋頂類對(duì)象的數(shù)量；第三知識(shí)規(guī)則為對(duì)于每一個(gè)影像對(duì)象，如果各個(gè)第三類特征的隸屬度函數(shù)值高滿足 邏輯與，則建筑物屋頂類的類別隸屬度高，否則非屋頂類的類別隸屬度高；所述第三類特征 包括近紅外波段影像層與場景比率、藍(lán)色波段影像層比率、和/或紅色波段影像層比率； 則模糊邏輯分類器依次按照第一知識(shí)規(guī)則、第二知識(shí)規(guī)則和/或第三知識(shí)規(guī)則進(jìn)行分類。
8.如權(quán)利要求7所述的方法，其特征在于，針對(duì)第一知識(shí)規(guī)則，屋頂類的各個(gè)第一類特 征所對(duì)應(yīng)的隸屬度函數(shù)的控制點(diǎn)值為a等于非屋頂類樣本對(duì)象特征值的平均值減去標(biāo)準(zhǔn)差； c等于非屋頂類樣本對(duì)象特征值的平均值加上標(biāo)準(zhǔn)差。
9.如權(quán)利要求7所述的方法，其特征在于，針對(duì)第二知識(shí)規(guī)則，屋頂類的各個(gè)第二類特 征中，與相鄰非屋頂類對(duì)象的相對(duì)邊界、以及與相鄰屋頂類對(duì)象的距離所對(duì)應(yīng)的隸屬度函數(shù) 的控制點(diǎn)值為a等于屋頂類樣本對(duì)象特征值的平均值加上標(biāo)準(zhǔn)差， c等于非屋頂類樣本對(duì)象特征值的平均值加上標(biāo)準(zhǔn)差；與相鄰屋頂類對(duì)象的相對(duì)邊界、以及與相鄰屋頂類對(duì)象的數(shù)量所對(duì)應(yīng)的隸屬度函數(shù)的 控制點(diǎn)值為a等于非屋頂類樣本對(duì)象特征值的平均值加上標(biāo)準(zhǔn)差， c等于屋頂類樣本對(duì)象特征值的平均值減去標(biāo)準(zhǔn)差。
10.如權(quán)利要求7所述的方法，其特征在于，針對(duì)第三知識(shí)規(guī)則，屋頂類的各個(gè)第三類 特征中，近紅外波段與場景比率所對(duì)應(yīng)的隸屬度函數(shù)的控制點(diǎn)值為 a等于屋頂類樣本對(duì)象特征值的平均值加上標(biāo)準(zhǔn)差， c等于非屋頂類樣本對(duì)象特征值的平均值減去標(biāo)準(zhǔn)差。 藍(lán)波段比率、以及紅波段比率所對(duì)應(yīng)的隸屬度函數(shù)的控制點(diǎn)值為 a等于非屋頂類樣本對(duì)象的平均特征值加上標(biāo)準(zhǔn)差， c等于屋頂類樣本對(duì)象的平均特征值減去標(biāo)準(zhǔn)差。
全文摘要
本發(fā)明提供了一種從衛(wèi)星遙感影像中提取建筑物輪廓的方法，包括對(duì)同一區(qū)域的全色波段和多光譜波段影像進(jìn)行融合，生成多光譜融合影像；對(duì)融合影像進(jìn)行對(duì)比度增強(qiáng)處理；對(duì)融合影像進(jìn)行影像分割，創(chuàng)建影像對(duì)象；對(duì)影像對(duì)象進(jìn)行基于光譜特征的監(jiān)督分類，獲得不透水性地類分布圖；針對(duì)不透水性地類分布圖，利用模糊邏輯分類器，結(jié)合光譜屬性、空間屬性、紋理屬性和上下文屬性的特征構(gòu)建知識(shí)規(guī)則，并按知識(shí)規(guī)則進(jìn)行分類，提取出建筑物屋頂類。本發(fā)明能夠針對(duì)不規(guī)整或復(fù)雜的城區(qū)場景實(shí)現(xiàn)建筑物輪廓提取，無需輔助數(shù)據(jù)，在分類中不必對(duì)屋頂類之外的其他不透水性地類再細(xì)分，處理流程具有實(shí)用性和靈活性，并且提取精度高。
文檔編號(hào)G06T7/60GK101840581SQ201010108319
公開日2010年9月22日 申請(qǐng)日期2010年2月5日 優(yōu)先權(quán)日2010年2月5日
發(fā)明者楊松林, 胡吉平, 譚衢霖, 魏慶朝 申請(qǐng)人:北京交通大學(xué)