本發(fā)明涉及遙感影像應(yīng)用
技術(shù)領(lǐng)域：
，尤其是涉及一種航空遙感影像建筑物輪廓線提取方法。
背景技術(shù)：
：建筑物是城市中一種重要的地理空間要素，它在城市規(guī)劃與管理、城市發(fā)展與變化以及災(zāi)害檢測與評估等領(lǐng)域具有重要的意義。建筑物輪廓線提取是城市基礎(chǔ)地理信息系統(tǒng)建立和更新的一個(gè)重要步驟。航空影像是飛機(jī)按預(yù)定航線飛行、攝像，實(shí)時(shí)提供遙感監(jiān)測數(shù)據(jù)，具有機(jī)動(dòng)性強(qiáng)、便捷、成本低等特點(diǎn)，其所獲取的高分辨率的遙感數(shù)據(jù)具有抗干擾能力強(qiáng)，成像范圍大等特點(diǎn)，使之成為建筑物輪廓線提取有效的數(shù)據(jù)來源之一。高分辨率遙感影像中包含了大量豐富的信息，建筑物輪廓提取往往受到各種其它地物的干擾，比如建筑物和非建筑物區(qū)分，建筑物周圍樹木的遮擋，道路邊線的影響等等。因此，對航空影像進(jìn)行建筑物輪廓提取，技術(shù)難度很大。建筑物輪廓線提取不僅需要二維信息的分割提取，而且建筑物在影像中的上下文信息檢測也至關(guān)重要。目前利用高分辨率遙感影像進(jìn)行建筑物輪廓線提取的典型方法包括以下幾種：1)基于單一的高分辨率遙感影像建筑物輪廓線提取。雖然高分辨率的遙感影像具有清晰的建筑物輪廓信息，但是人造的建筑物和非建筑物難以區(qū)分開來，另外建筑物周圍的樹木遮擋也對建筑物的輪廓產(chǎn)生一定的干擾，因此這類方法具有一定的局限性。2)基于陰影輔助下的建筑物輪廓線提取。雖然在陰影輔助下進(jìn)行建筑物輪廓提取間接利用了建筑物的高度信息，但是陰影的提取不具有一定的普適性，而且利用陰影求得建筑物高度的需要相關(guān)的參數(shù)較多，因此此類方法很難滿足實(shí)際的需要。3)基于Lidar和遙感影像的建筑物輪廓線提取。雖然這類方法既利用了Lidar的三維信息，又利用了影像的高精度幾何輪廓信息，通過兩種數(shù)據(jù)優(yōu)劣的互為補(bǔ)充來提取建筑物輪廓信息。但是這類方法難點(diǎn)是Lidar和遙感影像的高精度配準(zhǔn)，而且Lidar數(shù)據(jù)獲取的成本也較為昂貴。4)基于立體航空影像的建筑物輪廓線提取。雖然這類方法利用立體匹配獲得了三維信息，同時(shí)利用了影像高精度的二維信息，通過兩類信息的互補(bǔ)進(jìn)行建筑物輪廓信息提取。但是這類方法的問題是立體相對幅面較小，對于提取大范圍的城區(qū)建筑物輪廓有一定的影響。因此需要迫切尋找一種數(shù)據(jù)易獲取、提取自動(dòng)化程度高、提取結(jié)果相對精確高且符合實(shí)際生產(chǎn)需要的方法。技術(shù)實(shí)現(xiàn)要素：本發(fā)明充分利用了超像素分割的面向?qū)ο筇攸c(diǎn)，同時(shí)結(jié)合航空遙感影像中上下文信息，顯著提高了建筑物輪廓提取的精度。本發(fā)明的技術(shù)方案提供一種航空遙感影像的建筑物輪廓線提取方法，包括以下步驟：步驟1，利用顏色不變量算法檢測出航空遙感影像中建筑物的陰影區(qū)域，并對陰影區(qū)域進(jìn)行圖像細(xì)化，將細(xì)化的結(jié)果作為建筑物的背景區(qū)域；步驟2，以陰影區(qū)域的質(zhì)心為起點(diǎn)向太陽高度角反方向搜索，獲得建筑物部分的區(qū)域，將這個(gè)區(qū)域作為建筑物的目標(biāo)區(qū)域；步驟3，利用線性迭代聚類法對航空影像進(jìn)行超像素分割；步驟4，基于步驟1和步驟2分別獲得的背景區(qū)域和目標(biāo)區(qū)域，利用最大相似度進(jìn)行超像素劃分塊的合并，提取建筑物的輪廓線：設(shè)Mb和Mo為步驟1和步驟2標(biāo)記過的超像素分割區(qū)域，Mb代表標(biāo)記的背景區(qū)域，Mo代表標(biāo)記的目標(biāo)區(qū)域，Nm表示未標(biāo)記的區(qū)域，某一劃分區(qū)域B∈Mb，B的鄰域區(qū)域集合為對于任何Ai且Ai鄰域集合為如果B和Ai的相似度ρ(B,Ai)等于Ai與各鄰域的相似度最大值，則B和Ai進(jìn)行合并；繼續(xù)找下一劃分區(qū)域B∈Mb，進(jìn)行同樣操作，直到在Mb沒有新的合并區(qū)域出現(xiàn)，停止合并；根據(jù)以上合并結(jié)果，設(shè)未標(biāo)記的劃分塊P∈Nm，P的鄰域集合為對于和條件下，Hi的鄰域集合為如果P和Hi的相似度ρ(P,Hi)等于Hi與各鄰域的相似度最大值，則P和Hi進(jìn)行合并；找下一未標(biāo)記的劃分塊P∈Nm，進(jìn)行同樣操作，直到在Nm中沒有新的合并區(qū)域出現(xiàn)，停止合并；最終得到的區(qū)域邊界為建筑物輪廓線；而且，步驟3利用線性迭代聚類法對航空影像進(jìn)行超像素分割，包括初始化聚類中心，根據(jù)區(qū)域內(nèi)梯度值移動(dòng)聚類中心，進(jìn)行相似度度量；按最小相似度對圖像的像素點(diǎn)進(jìn)行聚類，不斷迭代直到新種子點(diǎn)和原來的種子點(diǎn)之間的相似度誤差收斂時(shí)迭代終止；把面積較小的區(qū)域與其距離最近的區(qū)域合并，增強(qiáng)區(qū)域的連通性。而且，所述根據(jù)區(qū)域內(nèi)梯度值移動(dòng)聚類中心，是將種子點(diǎn)移動(dòng)到以種子點(diǎn)為中心的3×3區(qū)域內(nèi)梯度值最小的位置。與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：(1)本發(fā)明無需人工干預(yù)且均在彩色空間進(jìn)行處理，計(jì)算量和復(fù)雜度明顯降低，符合實(shí)際生產(chǎn)的需要。(2)本發(fā)明基于面對對象的分割思想并結(jié)合了建筑物在影像中的上下文信息，提高了建筑物輪廓線提取的自動(dòng)化程度和精度。附圖說明圖1為本發(fā)明實(shí)施例的流程圖；圖2為本發(fā)明實(shí)施例的步驟2中建筑物目標(biāo)區(qū)域選取示意圖。具體實(shí)施方式本發(fā)明提出了一種航空遙感影像的建筑物輪廓線提取方法，該方法先利用顏色不變量檢測出航空遙感影像中建筑物的陰影區(qū)域，并對陰影區(qū)域進(jìn)行圖像細(xì)化，細(xì)化的結(jié)果作為建筑物的背景區(qū)域；再以陰影區(qū)域的質(zhì)心為起點(diǎn)向太陽高度角反方向搜索，獲得建筑物部分的區(qū)域，將這個(gè)區(qū)域作為建筑物的目標(biāo)區(qū)域；利用SLIC算法對航空影像進(jìn)行超像素分割；基于上述獲得的背景區(qū)域和目標(biāo)區(qū)域，利用最大相似度進(jìn)行超像素劃分塊的合并，提取建筑物的輪廓線。以下結(jié)合附圖和實(shí)施例詳細(xì)說明本發(fā)明技術(shù)方案，流程圖如圖1所示，實(shí)施例的技術(shù)方案流程包括以下步驟：步驟1，利用顏色不變量算法檢測出航空遙感影像中建筑物陰影區(qū)域，并對陰影區(qū)域進(jìn)行圖像細(xì)化，細(xì)化的結(jié)果作為背景區(qū)域。具體實(shí)施如下：顏色不變量是一種顏色集合模型，不受視角、物體表面光滑程度、光照方向、光照密度和亮度的影響。目前許多研究者利用顏色不變量替代植被覆蓋指數(shù)(NormalizedDifferenceVegetationIndex,NDVI)進(jìn)行植被的檢測和提取，同時(shí)也把它用于陰影檢測。本實(shí)施例利用顏色不變量算法對建筑物陰影進(jìn)行檢測，見公式(1)，其中約束條件的主要目的是為了在陰影檢測時(shí)剔除綠色植被的錯(cuò)誤檢測。SC(i,j)=4π×arctan(R(i,j)-R(i,j)2+G(i,j)2+B(i,j)2R(i,j)+R(i,j)2+G(i,j)2+B(i,j)2)G(i,j)<max(R(i,j),B(i,j))---(1)]]>其中，i,j是影像中某個(gè)像素點(diǎn)的坐標(biāo)值，SC表示檢測的陰影區(qū)域，R(i.j)、G(i,j)和B(i,j)分別代表像素點(diǎn)(i,j)在RGB彩色空間中三個(gè)顏色通道的數(shù)值。對獲取的陰影區(qū)域進(jìn)行圖像細(xì)化，將細(xì)化的結(jié)果作為背景區(qū)域。由于圖像細(xì)化已經(jīng)為成熟算法，本發(fā)明不再詳述。具體實(shí)施時(shí)，可參考文獻(xiàn)：王朋,張有光,張爍.指紋圖像細(xì)化的綜合化算法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2009,21(2):179-182,189.步驟2，以步驟1所得陰影區(qū)域的質(zhì)心為起點(diǎn)向太陽高度角反方向搜索，獲得建筑物的部分區(qū)域，將這個(gè)部分區(qū)域作為建筑物的目標(biāo)區(qū)域(即前景區(qū)域)。具體流程如下：圖2為建筑物目標(biāo)區(qū)域選取示意圖，設(shè)陰影區(qū)域Ω的質(zhì)心點(diǎn)P0為(x，y)，太陽的方位角為A，以P0為起點(diǎn)，沿著方位角A的反方向搜索，進(jìn)入非陰影區(qū)域的位置為起點(diǎn)P1，選取長度為L1的線條作為建筑物區(qū)域，同時(shí)選取垂直L1且長度為L2的線條作為建筑物區(qū)域，這兩條線條作為前景的標(biāo)記區(qū)域，是初始的目標(biāo)區(qū)域，具體實(shí)施時(shí)線條長度可以采用本領(lǐng)域技術(shù)人員預(yù)先設(shè)定的取值。由于建筑物長寬不小于5米，如果航空影像分辨率為R，那么L1和L2取5/R。步驟3，基于簡單的線性迭代聚類(simplelineariterativeclustering，SLIC)算法對航空影像進(jìn)行超像素分割。SLIC是一種基于K均值(k-means)思想的超像素分割算法，具有使用簡單、處理速度快和產(chǎn)生的超像素最規(guī)整的特點(diǎn)，由于當(dāng)前建筑物頂面多為彩色，因此本發(fā)明采用的SLIC利用像素的顏色相似度和圖像的平面空間信息對像素進(jìn)行聚類。實(shí)施例的具體實(shí)施描述如下：a)初始化聚類中心：對于有N個(gè)像素的圖像，如需要產(chǎn)生的超像素區(qū)域的數(shù)目為K，則每個(gè)超像素的面積為N/K，每個(gè)種子點(diǎn)的距離近似為在圖像內(nèi)以該距離均勻分配聚類中心。b)移動(dòng)聚類中心：為了避免種子點(diǎn)處于圖像邊緣位置而對聚類造成干擾，種子點(diǎn)被移動(dòng)到以種子點(diǎn)為中心的num×nun區(qū)域內(nèi)梯度值最小的位置，num為預(yù)設(shè)的數(shù)值，由于3×3是可以做梯度運(yùn)算的最小區(qū)域，實(shí)施例取num＝3。c)計(jì)算像素點(diǎn)(xi,yi)和(xj,yj)的相似度：dc=(l(x1,yi)-l(xj,yj))2+(a(xi,yi)-a(xj,yj))2+(b(xi,yi)-b(xi,yi))2---(2)]]>ds=(xi-xj)2+(yi-yj)2---(3)]]>d((xi,yi),(xj,yj))=dc2((xi,yi),(xj,yj))+m2(ds2((xi,yi),(xj,yj))S)---(4)]]>其中，l(xi,yi)、a(xi,yi)、b(xi,yi)和l(xj,yj)、a(xj,yj)、b(xj,yj)分別為像素點(diǎn)(xi,yi)和(xj,yj)在CIELab空間中L、a、b通道的數(shù)值，dc是像素點(diǎn)(xi,yi)和(xj,yj)的顏色距離，ds是像素點(diǎn)(xi,yi)和(xj,yj)的空間距離，d((xi,yi),(xj,yj))是像素點(diǎn)(xi,yi)和(xj,yj)的相似度，m為平衡參數(shù)，用來平衡顏色信息和空間信息在相似度衡量中的比重，具體實(shí)施時(shí)一般取值為1～20，本領(lǐng)域技術(shù)人員可自行取值，實(shí)施例中設(shè)置為10。d)迭代優(yōu)化：按最小相似度對圖像的像素點(diǎn)進(jìn)行聚類，不斷迭代直到新種子點(diǎn)和原來的種子點(diǎn)之間的相似度誤差收斂時(shí)迭代終止，即每個(gè)像素點(diǎn)聚類中心不再發(fā)生變化。為了提高算法的運(yùn)行速度，對每個(gè)種子點(diǎn)聚類時(shí)，實(shí)施例只在種子點(diǎn)為中心的2S×2S區(qū)域內(nèi)搜索像素點(diǎn)。具體實(shí)施時(shí)，可以首先生成K個(gè)種子點(diǎn)，然后在每個(gè)種子點(diǎn)的周圍空間里搜索距離該種子點(diǎn)最近的若干像素，將他們歸為與該種子點(diǎn)一類，直到所有像素點(diǎn)都?xì)w類完畢。然后計(jì)算這K個(gè)超像素里所有像素點(diǎn)的平均向量值，重新得到K個(gè)聚類中心，然后再以這K個(gè)中心去搜索其周圍與其最為相似的若干像素，所有像素都?xì)w類完后重新得到K個(gè)超像素，更新聚類中心，再次迭代，如此反復(fù)直到收斂。e)把面積較小的區(qū)域與其距離最近的區(qū)域合并，以保證區(qū)域的連通性。實(shí)施例中，設(shè)置為將面積小于N/K的區(qū)域合并。步驟4，基于步驟1和步驟2中分別得到的背景區(qū)域和目標(biāo)區(qū)域，利用最大相似度進(jìn)行超像素劃分塊的合并，提取建筑物的輪廓。超像素劃分塊相似度定義分為兩部分：劃分塊的特征提取和相似度度量。根據(jù)建筑物頂面特征，利用顏色特征和方向梯度直方圖(HistogramofOrientedGradient,HOG)紋理特征對分割區(qū)域進(jìn)行特征描述。由于HSV顏色空間較RGB顏色空間更加符合人眼視覺，對亮度更加敏感，有利于顏色特征的區(qū)分，所以本發(fā)明利用H、S和V對分割區(qū)域進(jìn)行非均勻量化，根據(jù)HSV空間定義將色調(diào)H分為7個(gè)級別，飽和度S和亮度V各分為3個(gè)級別，然后將三個(gè)顏色分量合成一個(gè)一維矢量：L＝9H+3S+V(L∈[0,71])；由于超像素劃分區(qū)域在形態(tài)上有一定的差異，根據(jù)超像素區(qū)域的長軸長度以及質(zhì)心位置來確定一個(gè)矩形區(qū)域，用于計(jì)算HOG的特征。根據(jù)實(shí)驗(yàn)統(tǒng)計(jì)，超像素區(qū)域長軸為30個(gè)像素，所以提取質(zhì)心為中心30×30的區(qū)域用于計(jì)算HOG特征，HOG的細(xì)胞大小為6×6，梯度方向抽取9個(gè)方向塊，所以可以產(chǎn)生225個(gè)HOG的特征。為了防止較小的特征分量在計(jì)算中容易被忽略，對兩類不同的特征量進(jìn)行歸一化處理，使得所有分量在特征描述時(shí)具有相同的權(quán)重。特征描述對每個(gè)超像素劃分區(qū)域的特征直方圖向量為F＝[f1,f2,...,fN]∈RD×N，其中N表示每個(gè)區(qū)域的特征數(shù)量，每個(gè)特征包含D維向量。本發(fā)明通過巴氏系數(shù)(Bhattacharyyacoefficient)定義超像素劃分塊相似度：其中，分別表示超像素劃分塊R和Q的特征直方圖向量，超像素劃分塊合并的條件定義為：設(shè)某一超像素劃分塊為R，Q為R的某一鄰域塊，設(shè)與Q所有相鄰的劃分塊有q個(gè)，劃分塊記為構(gòu)成的集合為Q與它所有相鄰劃分塊的相似度為那么R與Q合并的條件為：當(dāng)ρ(R,Q)為最大值，即時(shí)，那么劃分塊R和Q就可以合并。實(shí)施例中超像素劃分塊的合并流程如下：1)設(shè)Mb和Mo為步驟1和步驟2標(biāo)記過的超像素分割區(qū)域，Mb代表標(biāo)記的背景區(qū)域，Mo代表標(biāo)記的目標(biāo)區(qū)域，Nm表示未標(biāo)記的區(qū)域，某一劃分區(qū)域B∈Mb，B的鄰域區(qū)域集合為表示B鄰域區(qū)域總數(shù)，對于任何區(qū)域Ai且Ai鄰域集合為k表示Ai鄰域區(qū)域總數(shù)，因此如果B和Ai滿足條件，ρ(B,Ai)=maxj=1,2,3,...,k(ρ(Ai,SjAi))---(5)]]>即B和Ai的相似度ρ(B,Ai)等于Ai與各鄰域的相似度最大值，B和Ai進(jìn)行合并，即B＝B∪Ai，繼續(xù)找下一劃分區(qū)域B∈Mb，進(jìn)行同樣操作，直到在Mb沒有新的合并區(qū)域出現(xiàn)，就停止合并。2)對于上一步的合并結(jié)果，設(shè)未標(biāo)記的劃分塊P∈Nm，P的鄰域集合為Hi是P的鄰域集合中的元素，p是P的鄰域集合中的元素總數(shù)，對于區(qū)域和條件下，Hi的鄰域集合為k表示Hi鄰域區(qū)域總數(shù)，因此如果P和Hi滿足條件，ρ(P,Hi)=maxj=1,2,3,...,k(ρ(Hi,SjHi))---(6)]]>P和Hi進(jìn)行合并，即P＝P∪Hi，找下一未標(biāo)記的劃分塊P∈Nm，進(jìn)行同樣操作，直到在Nm中沒有新的合并區(qū)域出現(xiàn)，就停止合并。3)最終得到的區(qū)域邊界為建筑物輪廓線。本文中所描述的具體實(shí)施例僅僅是對本發(fā)明精神作舉例說明，本發(fā)明所屬
技術(shù)領(lǐng)域：
的技術(shù)人員可對所描述的具體實(shí)施例做各種各樣的修改或補(bǔ)充或采用類似的方式替代，但不會(huì)偏離本發(fā)明的精神或超越所附權(quán)利要求書所定義的范圍。當(dāng)前第1頁1 2 3