1.本發(fā)明涉及建筑物輪廓規(guī)則化算法領(lǐng)域，具體涉及一種基于高分遙感影像的建筑物輪廓遞進(jìn)式規(guī)則化方法。


背景技術(shù)：

2.基于高分辨率遙感影像的建筑物輪廓規(guī)則化方法是目前的熱點研究方向之一，主要解決建筑物輪廓提取過程中存在的形狀不規(guī)則、邊緣鋸齒狀、不能準(zhǔn)確的體現(xiàn)出建筑物輪廓形狀和大小，無法保證提取的建筑物輪廓與原建筑物輪廓一致性等問題。所以，進(jìn)一步將提取的建筑物輪廓整體規(guī)則化，使其與真實建筑物輪廓保持一致性，對地區(qū)的發(fā)展和規(guī)劃有著重要意義。
3.當(dāng)前輪廓規(guī)則化方法主要有以下三類：第一類是針對建筑物輪廓存在的紋理信息和空間形狀特征的差異性，對圖像形態(tài)特征的修復(fù)來實現(xiàn)建筑物輪廓進(jìn)行規(guī)則化，如王偉璽提出一種基于柵格填充的規(guī)則化方法，利用輪廓的整體信息進(jìn)行規(guī)則化，并用圖像處理中的腐蝕、膨脹算法進(jìn)行優(yōu)化，使用圖像像素二值化提取優(yōu)化后的建筑物輪廓。黃金庫針對建筑物的不同形態(tài)，分別采用手扶、自動跟蹤數(shù)字化方法來規(guī)則化建筑物輪廓。此類方法以輪廓個體為單位進(jìn)行整體運算，容易造成細(xì)節(jié)損失，同時會引起錯誤規(guī)則化的問題。第二類是針對建筑物輪廓邊緣轉(zhuǎn)折點的提取，擬合連接得到規(guī)則化的建筑物輪廓。郭珍珍
[i]
采用改進(jìn)的管子算法確定輪廓線的關(guān)鍵點，擬合直線的交點作為新的關(guān)鍵點，連接各個關(guān)鍵點后構(gòu)成的輪廓線能粗略呈現(xiàn)建筑物的形狀，再用自適應(yīng)的強(qiáng)制正交規(guī)則化算法得到規(guī)則化的輪廓線。該類方法得到的建筑物輪廓規(guī)則化效果較好，但是在一些局部區(qū)域仍然存在鋸齒狀情況，不適用于密集建筑物輪廓規(guī)則化。第三類方法是基于深度學(xué)習(xí)進(jìn)行建筑物輪廓規(guī)則化。丁亞洲提出了一種基于多星形約束的圖割和輪廓規(guī)則化的交互式半自動提取高分影像上直角建筑物的方法。shiqing wei提出了一個自動建筑足跡提取框架，該框架由基于卷積神經(jīng)網(wǎng)絡(luò)(cnn)的分割和經(jīng)驗多邊形正則化組成，該正則化將分割地圖轉(zhuǎn)換為結(jié)構(gòu)化的單個建筑多邊形，試圖用算法取代測繪領(lǐng)域中涉及的建筑足跡的部分手動描繪。黃小賽提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的集成方法，包括建筑物定位、形狀判斷、形狀匹配等過程。但該類方法實現(xiàn)復(fù)雜、步驟繁多，且得到的建筑物輪廓存在較嚴(yán)重的鋸齒狀情況，不能取得理想的規(guī)則化效果。


技術(shù)實現(xiàn)要素：

[0004]
為解決上述問題，本發(fā)明提供了一種基于高分遙感影像的建筑物輪廓遞進(jìn)式規(guī)則化方法。
[0005]
為實現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案為：
[0006]
基于高分遙感影像的建筑物輪廓遞進(jìn)式規(guī)則化方法，包括如下步驟：
[0007]
s1、在提取的原始建筑物輪廓基礎(chǔ)上，利用改進(jìn)的harris角點檢測算法對輪廓進(jìn)行角點提取，再通過角點篩選機(jī)制剔除無用角點，順序擬合保留的角點集，實現(xiàn)輪廓初步規(guī)
整優(yōu)化；
[0008]
s2、利用基于frechet距離的最小面積外接矩形對擬合連接后的建筑物輪廓進(jìn)行邊緣線段優(yōu)化，將建筑物輪廓線段與最小面積外接矩形線段進(jìn)行離散等分，計算得出各個等分點對應(yīng)的最短距離d
min
，設(shè)置距離閾值δ，判斷建筑物輪廓線段等分點坐標(biāo)是否替換為最小面積外接矩形邊界等分點坐標(biāo)，再順序擬合保留下來的離散等分點，得到初步規(guī)則化的建筑物輪廓；
[0009]
s3、利用shi-tomasi算法對不規(guī)則的局部區(qū)域依次進(jìn)行角點檢測、篩選、擬合，進(jìn)行深度規(guī)則化。
[0010]
進(jìn)一步地，所述步驟s1包括如下步驟：
[0011]
s11、在提取的原始建筑物輪廓基礎(chǔ)上，利用改進(jìn)的harris角點檢測算法對輪廓進(jìn)行角點提取；具體的：
[0012]
首先計算出圖像中的灰度變化e(u，v)：
[0013]
e(u，v)＝∑w(x，y)[i(x+u，y+v)-i(x，y)]2??
(1)
[0014]
式中，(u，v)表示的是窗口偏移量，w(x，y)是移動的窗口函數(shù)，i(x+u，y+v)是平移后的圖像灰度，i(x，y)是圖像灰度；
[0015]
i(x+u，y+v)＝i(x，y)+i
x
u+iyv+o(u2，v2)
??
(2)
[0016]
轉(zhuǎn)化得到：
[0017][0018][0019]
對于局部微小的窗口移動量[u，v]，可以近似得到：
[0020][0021]
其中，m是為梯度的協(xié)方差矩陣，由圖像導(dǎo)數(shù)可得：
[0022][0023]
協(xié)方差矩陣m的特征值分析：
[0024][0025]
其中，λ1，λ2是m的兩個特征值，由此得到定義角點響應(yīng)函數(shù)crf：
[0026]
r＝detm-k[trace(m)]2??
(8)
[0027]
式中，detm＝λ1λ2，trace(m)＝λ1+λ2，k為經(jīng)驗常數(shù)，取值范圍為[0.04，0.06]；
[0028]
基于協(xié)方差矩陣m矩陣保存候選角點位置，初值設(shè)置為0，角點值設(shè)置為1，當(dāng)角點(i，j)八鄰域的“相似度”參數(shù)在中心點與領(lǐng)域其他八個點的像素值之差在(-t，+t)之間，確認(rèn)它們?yōu)橄嗨泣c，且相似點不在候選角點中；
[0029]
s12、將檢測得到的角點集合排序，利用角點篩選機(jī)制決定當(dāng)前角點是否保留；
[0030]
s13、剔除無關(guān)角點后，順序擬合各個角點得到初始規(guī)則化后的建筑物輪廓。
[0031]
本發(fā)明的規(guī)則化總體精度達(dá)到了85.36％，相較于初始輪廓提高了13.17％。表明本方法適用于建筑物的輪廓規(guī)則化，有效提高了建筑物輪廓邊緣的表達(dá)精度，能夠準(zhǔn)確地適應(yīng)建筑物輪廓的細(xì)節(jié)變化。
附圖說明
[0032]
圖1(a)harris角點檢測算法；(b)改進(jìn)的harris角點檢測算法
[0033]
圖2為角點間夾角示意圖。
[0034]
圖3為初始輪廓邊緣規(guī)則化；
[0035]
圖中：(a)初始建筑物輪廓提取結(jié)果；(b)初始輪廓的角點檢測；(c)角點篩選擬合后的建筑物輪廓；(d)擬合后的輪廓外接矩形
[0036]
圖4為凸包坐標(biāo)旋轉(zhuǎn)示意圖。
[0037]
圖5為使用不同外接矩形的多邊形擬合輪廓結(jié)果；
[0038]
圖中：(a)多邊形擬合效果；(b)最小邊長外接矩形結(jié)果；(c)最小面積外接矩形結(jié)果；(d)最小外包矩形結(jié)果。
[0039]
圖6為frechet距離規(guī)整輪廓流程示意圖；
[0040]
圖中：(a)初始建筑物輪廓提取結(jié)果；(b)計算邊界上各個等分離散點的歐氏距離；(c)離散等分點的最短距離集合；(d)初步規(guī)則化后效果。
[0041]
圖7為初步規(guī)則化過程；
[0042]
圖中：(a)初始矩形建筑物輪廓提取結(jié)果；(b)角點篩選擬合后結(jié)果；(c)矩形輪廓邊界規(guī)則化；(d)矩形建筑物輪廓初步規(guī)則化結(jié)果。
[0043]
圖8：(a)初始非矩形建筑物輪廓提取結(jié)果；(b)非矩形輪廓初始規(guī)則化結(jié)果。
[0044]
圖9為深度規(guī)則化過程；
[0045]
圖中：(a)初始矩形建筑物輪廓提取結(jié)果；(b)初始規(guī)則化結(jié)果；(c)深度局部區(qū)域角點檢測；(d)深度局部區(qū)域角點擬合效果。
[0046]
圖10為本發(fā)明提出的規(guī)則化方法實現(xiàn)過程；
[0047]
圖中：(a)建筑物輪廓真值；(b)提取的建筑物輪廓初始值；(c)角點檢測；(d)角點擬合結(jié)果；(e)輪廓邊界優(yōu)化；(f)規(guī)則化結(jié)果。
[0048]
圖11為本發(fā)明實施例基于高分遙感影像的建筑物輪廓遞進(jìn)式規(guī)則化方法的流程圖。
[0049]
圖12為規(guī)則化算法結(jié)果比較；
[0050]
圖中：(a)建筑物輪廓真值；(b)初始輪廓提取結(jié)果；(c)文獻(xiàn)[2]方法的建筑物輪廓優(yōu)化結(jié)果；(d)文獻(xiàn)[1]方法的建筑物輪廓優(yōu)化結(jié)果；(e)手動規(guī)則化建筑物輪廓結(jié)果；(f)本文算法規(guī)則化結(jié)果。
[0051]
圖13為規(guī)則化算法結(jié)果比較；
[0052]
圖中：(a)建筑物輪廓真值；(b)初始輪廓提取結(jié)果；(c)文獻(xiàn)[18]方法的建筑物輪廓優(yōu)化結(jié)果；(d)文獻(xiàn)[17]方法的建筑物輪廓優(yōu)化結(jié)果；(e)手動規(guī)則化建筑物輪廓結(jié)果；(f)本文方法的建筑物輪廓規(guī)則化結(jié)果。
具體實施方式
[0053]
為了使本發(fā)明的目的及優(yōu)點更加清楚明白，以下結(jié)合實施例對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。
[0054]
本發(fā)明是實施例提供了一種基于高分遙感影像的建筑物輪廓遞進(jìn)式規(guī)則化方法，包括如下步驟：
[0055]
s1、在提取的原始建筑物輪廓基礎(chǔ)上，利用改進(jìn)的harris角點檢測算法對輪廓進(jìn)行角點提取，再通過角點篩選機(jī)制剔除無用角點，順序擬合保留的角點集，實現(xiàn)輪廓初步規(guī)整優(yōu)化；
[0056]
s2、利用基于frechet距離的最小面積外接矩形對擬合連接后的建筑物輪廓進(jìn)行邊緣線段優(yōu)化，將建筑物輪廓線段與最小面積外接矩形線段進(jìn)行離散等分，計算得出各個等分點對應(yīng)的最短距離d
min
，設(shè)置距離閾值δ，判斷建筑物輪廓線段等分點坐標(biāo)是否替換為最小面積外接矩形邊界等分點坐標(biāo)，再順序擬合保留下來的離散等分點，得到初步規(guī)則化的建筑物輪廓；
[0057]
s3、利用shi-tomasi算法對不規(guī)則的局部區(qū)域依次進(jìn)行角點檢測、篩選、擬合，進(jìn)行深度規(guī)則化。
[0058]
輪廓初步規(guī)則化
[0059]
本實施例中，采用改進(jìn)的的harris算法對建筑物輪廓依次進(jìn)行角點提取、剔除、擬合，使得建筑物輪廓邊界清晰。改進(jìn)的的harris算法原理是尋找圖像邊緣曲線中曲率極大值的點，對于一個灰度圖像i，將窗口w在i中移動，同時設(shè)置參數(shù)t為八鄰域的“相似度”參數(shù)，當(dāng)中心點與鄰域其他八個點的像素值只差在(-t，+t)之間確認(rèn)它們?yōu)橄嗨平屈c，因為感興趣的角點只出現(xiàn)在邊界上，所以不用全部檢測圖像每個點，這提高了算法的時間復(fù)雜度，具體的，包括如下步驟：
[0060]
計算出圖像中的灰度變化e(u，v)：
[0061]
e(u，v)＝∑w(x，y)[i(x+u，y+v)-i(x，y)]2??
(1)
[0062]
式中，(u，v)表示的是窗口偏移量，w(x，y)是移動的窗口函數(shù)，i(x+u，y+v)是平移后的圖像灰度，i(x，y)是圖像灰度；
[0063]
i(x+u，y+v)＝i(x，y)+i
x
u+iyv+o(u2，v2)
??
(2)
[0064]
轉(zhuǎn)化得到：
[0065][0066][0067]
對于局部微小的窗口移動量[u，v]，可以近似得到：
[0068][0069]
其中，m是為梯度的協(xié)方差矩陣，由圖像導(dǎo)數(shù)可得：
[0070][0071]
協(xié)方差矩陣m的特征值分析：
[0072][0073]
其中，λ1，λ2是m的兩個特征值，由此得到定義角點響應(yīng)函數(shù)crf：
[0074]
r＝detm-k[trace(m)]2??
(8)
[0075]
式中，detm＝λ1λ2，trace(m)＝λ1+λ2，k為經(jīng)驗常數(shù)，取值范圍為[0.04，0.06]；
[0076]
協(xié)方差矩陣m矩陣用來保存候選角點位置，初值設(shè)置為0，角點值設(shè)置為1，當(dāng)角點(i，j)八鄰域的“相似度”參數(shù)在中心點與領(lǐng)域其他八個點的像素值之差在(-t，+t)之間，確認(rèn)它們?yōu)橄嗨泣c，且相似點不在候選角點中。
[0077]
而改進(jìn)的harris算法并沒有全部檢測圖像的每個點，而是除去了邊界上boundary個像素(最佳取值為4)，提高了輪廓的角點檢測效率，角點檢測結(jié)果如圖1所示，通過對比可知，改進(jìn)的harris角點檢測算法在檢測角點個數(shù)和檢測準(zhǔn)確率上都要明顯優(yōu)于harris算法，其中在檢測輪廓效果大致相同的情況下，改進(jìn)的harris角點檢測算法檢測的無用角點和錯誤角點個數(shù)更少，算法耗時更少，且檢測準(zhǔn)確度提高了11.09％，如表1所示。
[0078]
表1 harris角點檢測算法精度對比
[0079][0080]
本實施例中，將檢測得到的角點集合排序，利用角點篩選機(jī)制決定當(dāng)前角點是否保留。如圖2所示，以pi為起始點，計算p
i-1
、pi、p
i+1
三點連接形成的夾角α，設(shè)置夾角角度閾值β(-75
°
，75
°
)決定角點是否保留。設(shè)p
i-1
pi線段斜率為k1，pip
i+1
線段斜率為k2，則可以得出p
i-1
pip
i+1
三點之間的夾角α。若三點兩線段的角度α絕對值小于β，則默認(rèn)該p
i-1
、pi、p
i+1
點在同一直線上，剔除pi點；否則，該點為邊緣轉(zhuǎn)折點，保留pi點。依次迭代各個建筑物輪廓提取的邊緣點，剔除無關(guān)角點，保留剩下的角點集合。夾角計算公式為：
[0081]
α＝arctan[(k
1-k2)/(1+k1k2)]
??
(9)
[0082]
剔除無關(guān)角點后，順序擬合各個角點得到初始規(guī)則化后的建筑物輪廓，如圖3(c)，相較于初始建筑物輪廓，進(jìn)行角點篩選擬合后的輪廓邊緣更加清晰、規(guī)則，有利于接下來建筑物輪廓的邊界優(yōu)化以及深度規(guī)則化。
[0083]
輪廓邊緣優(yōu)化
[0084]
如圖3(d)所示，建筑物輪廓邊緣初步規(guī)則化后，輪廓邊界和轉(zhuǎn)角會存在一些缺失和不規(guī)整，而利用基于frechet距離的最小面積外接矩形算法優(yōu)化后，解決了建筑物輪廓邊緣存在部分角落缺失和邊界不規(guī)整等細(xì)節(jié)問題。frechet距離能夠準(zhǔn)確地衡量建筑物擬合輪廓與最小面積外接矩形存在的邊界距離差異，以最小面積外接矩形邊界為參考邊界，q1為起始點，順序計算外接矩形邊界與建筑物輪廓邊緣的離散等分點的歐式距離，設(shè)定距離閾值δ來決定外接矩形邊界離散等分點的取舍，最后得到初步規(guī)則化的建筑物輪廓。
[0085]
(1)最小面積外接矩形
[0086]
1)選取所得凸包中一條邊作為起始邊，以該邊左端點為中心旋轉(zhuǎn)凸包，使得該邊平行于x軸，如圖4所示，計算其最小外接矩形，記錄最小外接矩形的坐標(biāo)和旋轉(zhuǎn)角度。
[0087]
2)依次選取其他邊，按照步驟1)記錄最小外接矩形的坐標(biāo)和旋轉(zhuǎn)角度。
[0088]
3)比較所有最小外接矩形的面積，找出其中最小的外接矩形，按照其所對應(yīng)的旋轉(zhuǎn)角度，以該邊的左端點為圓心順時針旋轉(zhuǎn)即為所求的最小面積外接矩形。
[0089]
(2)離散frechet距離算法
[0090]
建筑物輪廓經(jīng)常存在轉(zhuǎn)折彎曲等局部變化特征，經(jīng)多邊形擬合出來的輪廓可以減少輪廓點的同時保留細(xì)節(jié)特征。為了更準(zhǔn)確地保留和完善建筑物的輪廓特征，引入了離散frechet距離算法，以準(zhǔn)確地衡量建筑物的擬合輪廓與最小面積外接矩形存在的距離差異，作為評判擬合邊界是否合適的標(biāo)準(zhǔn)。離散frechet距離算法原理是基于最小面積外接矩形的輪廓為p且長度為n，初步規(guī)則化建筑物輪廓為q且長度為m，如圖所示，將p和q的各個線段邊界集合等分為n、m個等分離散點，兩個軌跡各個等分點所對應(yīng)的歐式距離即為邊界等分點的相似度，通過對相似度與距離閾值δ的比較，決定建筑物邊界上等分點是否保留。兩者位置的描述可以用一個t變量的連續(xù)遞增函數(shù)來刻畫，用α(t)來表示最小面積外接矩形起始點位置描述函數(shù)，用β(t)表示初步規(guī)則化建筑物輪廓起始點位置描述函數(shù)。將變量t約束到區(qū)間[0，1]內(nèi)，那么有α(0)＝0，α(1)＝n，β(0)＝0，β(1)＝m。p(α(t))和q(β(t))分別表示t時刻兩點在各自輪廓軌跡上的位置，兩點之間的距離會隨著α(t)和β(t)函數(shù)本身的不同和變量t的變化而不同。frechet距離數(shù)學(xué)表達(dá)式如下：
[0091]
δf(p，q)＝minα[0，1]
→
[0，n]，β[0，1]
→
[0，m]{max∈[0，1]d(p(α(t))，q(β(t)))}
??
(10)
[0092]
其中，d(α(t)，β(t))為整個過程中pi點到qi點在t時刻的歐氏距離，即輪廓邊界點相似度。首先對建筑物邊緣輪廓點和最小面積外接矩形輪廓點構(gòu)成的線段集合依次順時針排序，如圖6(a)所示，建筑物輪廓線段集合為{p1p2，p2p3，
…
，pn-1pn}，最小面積外接矩形線段集合為{q1q2，q2q3，q3q4，q4q1}，依次判斷建筑物輪廓各個線段集合與對應(yīng)的矩形邊緣的線段關(guān)系。例如，在q1q2段內(nèi)，對應(yīng)p1p2，p2p3，p3p4，p4p5，p5p6，p6p7六個線段，其中線段p2p3、p5p6垂直于線段q1q2，則線段p2p3、p5p6上的等分離散點不與矩形邊緣等分離散點做距離計算，保留p2p3和p5p6線段位置；若線段不與q1q2呈垂直關(guān)系，則計算其等分離散點間的歐氏距離。如圖6(b)所示，將p3p4、q1q2分別被劃分為n、m個等分離散點，線段q1q2長度通常遠(yuǎn)大于對應(yīng)的建筑物輪廓線段長度，所以n取值區(qū)間[25，30]，m取值區(qū)間[40，45]。如圖6(b)所示，以建筑物輪廓線段p3p4上的等分離散點wi為例，分別擬合連接q1q2線段上的y1，y2，
…
，yj，得到最短距離h(wi，yj)作為該離散點與最小面積外接矩形邊緣點的最短距離hij，進(jìn)而依次計算p3p4線段上所有離散等分點集合{w1，w2，
…
，wi}與與最小面積外接矩形邊緣所有離散等分點集合{y1，y2，
…
，yj}的最短距離集合{d1，d2，
…
，dn}。距離閾值δ決定建筑物輪廓上的各個離散等分點是否保留，如圖6(c)。距離閾值δ公式為：
[0093]
δ＝(s
build
/s
rect
)
×
(l
min
/2)
??
(11)
[0094]
式中：s
build
為當(dāng)前建筑物輪廓的面積；s
rect
為基于最小面積外接矩形的面積；l
min
為基于最小面積外接矩形的最短邊長度。當(dāng)建筑物存在內(nèi)凹或者復(fù)雜拐角時，如果直接使用l
min
的值，δ的值就會偏大，無法保留拐角細(xì)節(jié)，甚至?xí)茐慕ㄖ镙喞螤?，因此使用l
min
/2更符合優(yōu)化要求，不至于破壞建筑物輪廓形狀，而s
build
與s
rect
的比值越大則說明建筑物真實輪廓越接近矩形。若兩點距離di＜δ，則視為該輪廓線段與建筑物基于最小面積外接
矩形的輪廓相似度較高，此時將建筑物輪廓等分離散點wi的坐標(biāo)替換為其最小面積外接矩形上最短距離對應(yīng)等分離散點yi的坐標(biāo)。若歐氏距離di＞δ，則將歐氏距離大于δ的建筑物輪廓等分點wi的坐標(biāo)保留。依次完成距離閾值δ控制下的各項等分離散點的規(guī)整，進(jìn)一步規(guī)則化建筑物輪廓。
[0095]
如圖7所示，初始輪廓優(yōu)化方法直接適用于規(guī)則化邊緣輪廓為矩形的所有輪廓建筑物，且整體性與建筑物真值基本保持一致。但是大多數(shù)建筑物輪廓為不規(guī)則的、非矩形的，如圖8所示，若存在非矩形建筑物輪廓，則初始規(guī)則化方法無法完整的優(yōu)化局部鋸齒狀邊緣，需要進(jìn)一步深度規(guī)則化其局部輪廓。
[0096]
局部輪廓深度規(guī)則化
[0097]
(1)局部鋸齒狀區(qū)域的角點檢測：
[0098]
如圖9(b)，在對其他復(fù)雜多邊形形狀的建筑物輪廓提取中，初步規(guī)則化后的建筑物輪廓邊界仍然會出現(xiàn)鋸齒狀或者區(qū)域性不規(guī)則，需要對殘存的多齒狀邊緣深度規(guī)則化，要求局部小范圍角點檢測且時間復(fù)雜度要求不高，用shi-tomasi算法對區(qū)域性的多齒狀邊緣進(jìn)行角點檢測、剔除以及擬合，得到完整規(guī)則化的建筑物輪廓。
[0099]
(2)鋸齒狀區(qū)域角點的篩選、擬合：
[0100]
將角點進(jìn)行排序，利用角度閾值β對角點篩選，刪除無用的角點，最后順序擬合保留的角點，得到完整規(guī)則化的建筑物輪廓。為驗證該方法的有效性，選取烏魯木齊天山區(qū)建筑物輪廓進(jìn)行檢驗，步驟實現(xiàn)如圖11所示。
[0101]
驗證與分析
[0102]
實用性驗證
[0103]
本發(fā)明采用改進(jìn)的harris算法對初始建筑物輪廓進(jìn)行角點檢測、篩選、擬合；然后利用基于frechet距離的最小面積外接矩形算法對建筑物輪廓邊界進(jìn)行優(yōu)化；得到整體規(guī)則、局部不規(guī)則的建筑物輪廓；最后再通過shi-tomasi算法對局部不規(guī)整且呈鋸齒狀的建筑物輪廓邊緣進(jìn)行深度規(guī)則化，結(jié)果與建筑物原始輪廓基本一致。為了更清晰地表示本發(fā)明方法與其他方法的對比結(jié)果，選取新疆烏魯木齊市天山區(qū)為數(shù)據(jù)原始影像以及初始輪廓提取結(jié)果，以文獻(xiàn)[1](fischler m a，bolles r c.random sample consensus：a paradigm for model fitting with applications to image analysis and automated cartography[j].communications of the acm，1981，24(6)：381-395.)、文獻(xiàn)[2](王杰茜，馮德俊，陳建飛.對比harris算子和susan算子的建筑物邊界規(guī)則化方法[j].測繪通報，2020(04)：11-15.[19]sampath a，shan j.building boundary tracing and regularization from airborne lidar point clouds[j].photogrammetric engineering&remote sensing，2007，73(7)：805-812.)的方法和手動規(guī)則化為參照方法，文獻(xiàn)[1]是通過引入卷積層特征金字塔的多尺度聚合，建立了一種尺度魯棒的全卷積網(wǎng)絡(luò)(fcn)。采用兩種后處理策略對fcn分割圖進(jìn)行細(xì)化，對細(xì)化后的分割圖進(jìn)行矢量化和多邊形化。且提出一種由粗調(diào)整和細(xì)調(diào)整組成的多邊形正則化算法
[19]
，將初始多邊形轉(zhuǎn)換為結(jié)構(gòu)化足跡。該多邊形正則化算法在不同建筑風(fēng)格、圖像分辨率甚至低質(zhì)量分割的挑戰(zhàn)性情況下具有魯棒性。文獻(xiàn)[2]對粗提取并預(yù)處理后的建筑物邊界采用harris算子進(jìn)行角點檢測、排序，然后通過算法對其進(jìn)行規(guī)則化邊界擬合處理得到接近建筑物實際邊界的規(guī)則化邊界。該方法的邊界擬合效果較為依賴建筑物邊界角點檢測結(jié)果，且規(guī)則化后的結(jié)果會出
現(xiàn)較多的邊緣毛刺突起。手動繪制建筑輪廓方法是使用arcgis對導(dǎo)入的建筑物輪廓提取的初始影像進(jìn)行描點連線繪制，以起點為繪制點，直線連接輪廓形狀的各個轉(zhuǎn)折點，最后得到趨近于建筑物輪廓真值的結(jié)果，雖然該方法規(guī)則化的建筑物輪廓結(jié)果趨近于建筑物輪廓真實值，但由于手動繪制的限制性因素，該方法僅局限于對局部建筑物輪廓的規(guī)則化，不能應(yīng)用于大范圍的輪廓規(guī)則化，沒有實際應(yīng)用性。本發(fā)明方法利用基于frechet距離的最小面積外接矩形和對遺漏和缺失的建筑物局部輪廓信息就行了較好的還原和補(bǔ)充，該方法規(guī)則化結(jié)果趨近于手動繪制的結(jié)果，優(yōu)于文獻(xiàn)[1]方法以及文獻(xiàn)[2]方法結(jié)果，體現(xiàn)出了本發(fā)明方法的有效性和高效性，如圖12和圖13所示。
[0104]
2.2對比分析
[0105]
為了準(zhǔn)確的闡述本發(fā)明算法的精確性和高效性，利用二分類評價體系中的完整度(cm)、正確率(cr)、綜合值(f1)以及總體精度(0a)，從像素的角度對提取結(jié)果進(jìn)行精度評定。選取圖13中建筑物輪廓規(guī)則化結(jié)果進(jìn)行論證比較，表2給出三種建筑物輪廓規(guī)則化的精度結(jié)果，以看到本發(fā)明方法相較于其他兩類方法，輪廓規(guī)則化后精度均有較大提升。本發(fā)明方法相較于初始輪廓，綜合值和總體精度分別提高了8.18％和13.17％，相較于文獻(xiàn)[1]和文獻(xiàn)[2]兩種優(yōu)化方法，綜合值分別提高了1.43％和3.14％，總體精度分別提高了5.65％和7.77％。
[0106]
表2.不同建筑物輪廓規(guī)則化方法精度對比
[0107][0108]
本發(fā)明方法利用基于最小面積外接矩形的規(guī)整操作有效地還原了缺失的部分，使得輪廓優(yōu)化結(jié)果更接近原始建筑物形狀。此外，針對復(fù)雜輪廓的局部細(xì)節(jié)優(yōu)化問題，本發(fā)明方法提取角點后依據(jù)角度閾值選取角點，保留了建筑物輪廓的細(xì)節(jié)部分，使復(fù)雜建筑物整體形狀更加規(guī)整，能有效應(yīng)用于影像建筑物形狀排列復(fù)雜、周圍地物干擾多的場景?？傊?，本發(fā)明方法深度改善了建筑物結(jié)果的規(guī)整性，綜合值和總體精度均優(yōu)于初始提取結(jié)果，通過與兩種輪廓優(yōu)化參照方法的對比，說明本發(fā)明通過遞進(jìn)式規(guī)則化，取得了明顯的效果，進(jìn)一步提高了建筑物輪廓的表達(dá)精度。
[0109]
以上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以作出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也應(yīng)
視為本發(fā)明的保護(hù)范圍。