基于偏移阴影样本形态变换的高分遥感影像建筑物提取方法与流程

本发明属于遥感影像应用领域，涉及一种高分遥感影像建筑物提取方法，特别是涉及一种基于偏移阴影样本形态变换的高分遥感影像建筑物提取方法。

背景技术：

伴随着人们生活水平的提高，遥感技术的飞速发展与进步，人们通过遥感数据获取建筑物信息的需求愈发迫切，因此建筑物的自动提取技术研究也逐渐成为遥感解译研究领域的新热点，新浪潮。诸如城区自动提取、地图更新、城市变化监测、城市规划、三维建模、数字化城市建立等都需要快速提取建筑物信息，但目前的建筑物提取过于依赖人工，自动化程度偏低。现阶段建筑物提取所依靠的数据源主要有激光雷达(lightdetectionandranging，lidar)、合成孔径雷达(syntheticapertureradar，sar)、光学影像等数据源。其中激光、合成孔径雷达等获取数据成本高，而高分光学遥感影像数据拥有丰富的地物光谱信息，大量的地物结构、形状和纹理信息，以易获取、覆盖范围广、可解除数据源限制等优势[1-3]常用于建筑物提取。

自1988年以来，国内外研究人员提出了一系列从高分遥感影像中提取建筑物的方式方法，并取得了长足的进步。目前，高分辨率遥感影像的建筑物提取方法主要包括动态轮廓法、区域分割法和分类法。动态轮廓法主要利用直线和角点检测与匹配的原理，首先基于线性特征的边缘检测得到符合建筑物空间结构和轮廓的矩形，再根据遥感影像上建筑物较明显的角点信息进行角点匹配，并利用高度、阴影、墙面等特征验证建筑物[4-6]，以达到提取建筑物的目的。此类方法对于影像上存在遮挡的建筑物能够进行一定补偿，使得提取的建筑物完整性较好，但是形态结构复杂的建筑物对于提取结果影响较大，不易实现自动提取。

区域分割法是利用图像分割原理对影像进行分割后提取同类目标。可以使用尺度不变特征变换(sift)算法获取测试图像与模板之间的多个子图匹配的关键点，以提取城市区域，再采用图切割法提取出独立的建筑物[7-8]。同时，使用归一化植被指数(ndvi)与yiq颜色空间中的色度与强度来检测遥感影像中的植被与阴影，剩余的人造地物通过meanshift目标跟踪算法进行分割，最后通过形态学操作提取建筑物与道路，也是一种较为常见的区域分割提取建筑物的方法[9]。区域分割法能够较好的识别同质区域，但是由于采用了面向对象的思想，影像分割的尺度对于建筑物提取结果影响较大，并且对于不同影像间相同的地物难以做到尺度的统一。

分类法是通过光谱、纹理、结构等特征结合支持向量机(svm)、神经网络等方法提取建筑物初始结果[10-11]，然后再采取区域增长、数学形态学处理、遗传算法等方法[12-14]进行优化，得到最终建筑物提取结果。此类方法无需先验知识，但常采用的监督分类必须依赖样本训练，样本选取往往离不开人工辅助，导致自动化程度降低。基于偏移阴影分析的建筑物自动提取方法[15]，以分割-分类-优化为主线，通过逆向偏移阴影自动提取建筑物样本用于svm分类提取初始建筑物结果，再通过阴影验证等方法优化建筑物提取结果，此方法能自动捕捉到建筑物样本，减少了人工辅助提取样本的工作量，大幅度提高了建筑物提取的精度和自动化程度。但是对于因构造或材质等原因存在明显光谱差异的建筑物，该方法并未能有效、全面地选取样本，可能出现样本遗漏现象，使得建筑物自动提取精度达不到预期效果。

针对目前建筑物提取方法普适性较差、自动化程度偏低、对先验知识要求严苛、样本选取不全面的问题，可设计一种以高分辨率可见光遥感影像为基础，充分利用建筑物阴影及相关形态变换原理，同时结合相应的后处理优化策略，实现人工参与度底，自动化程度高，结果准确的建筑物提取。

[1]ferroa,brunnerd,bruzzonel.automaticdetectionandreconstructionofbuildingradarfootprintsfromsinglevhrsarimages[j].ieeetransactionsongeoscienceandremotesensing,2013,51(2):935-952.

[2]yanjh,zhangkq,zhangcc,etal.automaticconstructionof3-dbuildingmodelfromairbornelidardatathrough2-dsnakealgorithm[j].ieeetransactionsongeoscienceandremotesensing,2015,53(1):3-14.

[3]张志超.融合机载与地面lidar数据的建筑物三维重建研究[d].武汉：武汉大学,2010.zhangzhi-chao.airborneandterrestriallidardatafusionfor3dbuildingreconstruction[d].wuhan:wuhauniversity,2010.

[4]rutherh,martinehm,mtaloeg.applicationofsnakesanddynamicprogrammingoptimisationtechniqueinmodelingofbuildingsininformalsettlementareas[j].isprsjournalofphotogrammetryandremotesensing,2002,56(4):269-282.

[5]唐亮,谢维信,黄建军,等.直线snakes及其在建筑物提取中的应用[j].西安电子科技大学学报,2005,(01):60-65.tangliang,xiewei-xin,huangjian-jun,etal.linesnakeanditsapplicationinbuildingextraction[j].journalofxidianuniversity,2005,32(1):60-65.

[6]杨淼,龚成龙,魏志强.形态学尺度空间城市建筑物自动分类算法[j].中国图象图形学报,2011,16(4):579-585.yangmiao,gongcheng-long,weizhi-qiang.theautomaticclassificationalgorithmforurbanbuildingsbasedonmorphologicalscale-space[j].journalofimageandgraphics,2011,16(4):579-585.

[7]rotherc,kolmogorovv,blakea."grabcut"-interactiveforegroundextractionusingiteratedgraphcuts[j].acmtransactionsongraphics,2004,23(3):309-314.

[8]sirmacekb,uensalanc.urban-areaandbuildingdetectionusingsiftkeypointsandgraphtheory[j].ieeetransactionsongeoscienceandremotesensing,2009,47(4):1156-1167.

[9]erenera,ulusoyulusoy,düzgün.unsupervisedbuildingdetectionincomplexurbanenvironmentsfrommultispectralsatelliteimagery[j].internationaljournalofremotesensing,2012,33(7):2152～2177.

[10]林雨准,张保明,徐俊峰,侯凯,周迅.多特征多尺度相结合的高分辨率遥感影像建筑物提取[j].测绘通报,2017,(12):53～57.

[11]turkerm,koc～sand.buildingextractionfromhigh～resolutionopticalspaceborneimagesusingtheintegrationofsupportvectormachine(svm)classification,houghtransformationandperceptualgrouping[j].internationaljournalofappliedearthobservationandgeoinformation,2015,34:58～69.

[12]sumere,turkerm.anadaptivefuzzy～geneticalgorithmapproachforbuildingdetectionusinghigh～resolutionsatelliteimages[j].computers,environmentandurbansystems,2013,39:48～62.

[13]niveethama,vidhyar.automaticbuildingextractionusingadvancedmorphologicaloperationsandtextureenhancing[j].procediaengineering,2012,38:3573～3578.

[14]ghaffarians,ghaffarians.automaticbuildingdetectionbasedonpurposivefastica(pfica)algorithmusingmonocularhighresolutiongoogleearthimages[j].isprsjournalofphotogrammetry&remotesensing,2014,97:152～159.

[15]高贤君,郑学东,刘子潇,杨元维.基于偏移阴影分析的高分辨率可见光影像建筑物自动提取[j].光学学报,2017,37(04):315～324.

技术实现要素：

发明的目的在于提高建筑物提取方法的自动化程度、普适程度以及提取精度，降低人工参与工作量，增强通用性，提高建筑物提取的完整度及精确度；提出了一种利用偏移阴影分析结合相关形态变换原理，同时以相应的后处理优化策略进行辅佐的建筑物自动提取方法。

本发明提供的技术方案是一种基于偏移阴影样本形态变换的建筑物精确自动提取方法：首先利用偏移阴影分析法自动提取初始建筑物样本，然后根据建筑物屋顶形态特征构建自适应样本精细提取变换组合，以更完整、全面地提取建筑物样本；进一步结合svm分类器进行影像分类，得到建筑物初始提取结果；然后提出了基于形态特征的格网占比法对初始提取结果进行验证，剔除不规则非建筑物，实现建筑物的准确提取。

由于以往的建筑物提取方法中，基于偏移阴影分析的建筑物提取方法中存在着样本选取不全面，导致分类提取不充分和不完整，而引起精度降低。本发明的优点在于：

1、适用范围广，自动化程度高。目前建筑物的提取方法种类多，数据类型丰富，但常需多种数据源共同参与提取，以此提高提取的精度。这就对数据的获取，数据的种类等提出了较高的要求，使得方法本身缺乏较好的适应能力。而随着遥感技术的飞速发展与进步，高分遥感影像的获取变得简单易行。本发明仅以单幅高分辨率可见光影像为基本数据源，无需其他任何辅助数据与先验知识，多方面制定策略，实现阴影、植被、裸地、建筑物养的自动提取，并结合基于形态特征的格网占比法，对建筑物进行验证，自动剔除不规则的非建筑物，实现建筑物的自动化精确提取。

2、样本选取全面，提取精度有保障。以监督分类为核心的影像分类法是目前较为可靠，较为常用的建筑物提取方法，目前已有较成熟的分类算法用于分类器的训练与输出，但由于需要大量人工辅助参与样本选取，并且缺乏相应的建筑物验证措施，导致自动化程度较低，提取精度不足。基于偏移阴影分析的建筑物提取方法，采用多种举措，提高了自动化程度。但对于因构造或材质等原因存在明显光谱差异的建筑物，该方法并未能有效、全面地选取样本，可能出现样本遗漏现象，使得建筑物自动提取精度达不到预期效果。针对此症结，本发明从提出如下策略，完善建筑物样本选取，提高建筑物提取精度：

(1)通过对建筑物初始样本集中最大及最小长度的提取，确定建筑物类型划分阈值，将影像中的建筑物划分为狭长型及非狭长型两类。根据建筑物的类型，自动利用样本旋转、偏移、缩放变换方法，构建自适应样本精细提取变换组合，更完整、全面地提取建筑物样本。

(2)采用合理的建筑物验证措施，提高建筑物提取精度。对建筑物处理提取结果进行格网划分，确定满足面积占比η＞0.9的格网单元个数，通过合理确定格网比例阈值，即可区分出形态杂乱的非建筑物并予以剔除，提高建筑物提取精度。

附图说明

图1是本发明实施例的基于偏移阴影样本形态变换的建筑物提取流程图；

图2是本发明实施例的非狭长型建筑物样的“工”字型本精细提取过程图，其中，(a)建筑物初始样本区域旋转(b)建筑物初始样本区域缩放(c)建筑物初始样本区域偏移(d)“工”字型建筑物样本区域；

图3是本发明实施例的狭长型建筑物的“二”字型样本提取结果图；

图4是本发明实施例的基于形态特征的格网占比法建筑物确认示意图，其中，(a)规则建筑物(b)不规则非建筑物。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

请见图1，本发明提供的一种基于偏移阴影样本形态变换的高分遥感影像建筑物提取方法，包括以下步骤：

步骤1：利用偏移阴影分析法自动提取建筑物初始样本；

本实施例中，步骤1的具体实现包括以下子步骤：

步骤1.1：输入高分辨率可见光遥感影像p，将影像分为{csd,cve,cbl,cb}四大类，依次分别代表分为阴影、植被、裸地、建筑物；

步骤1.2：利用多种阴影光谱特征构建阴影检测条件，并结合一维otsu自动阈值法和带限定条件的自动阈值方案，对影像进行阴影自动检测，提取阴影区域rsd；

步骤1.3：通过归一化绿色分量g'构建检测条件，结合一维otsu阈值获取合适的自动阈值，得到植被区域rve；

步骤1.4：定义影像p中顺光照方向的偏移单位向量为vi_s，逆光照方向的偏移单位向量vi_n，结合偏移阴影分析，提取建筑物阴影区域rsb、裸地区域rbl与建筑物初始样本集sob。

步骤2：根据建筑物屋顶形态特征构建自适应建筑物样本精细提取变换组合，提取样本；

本实施例中，根据建筑物屋顶形态特征，合理利用样本旋转、偏移、缩放变换方法，构建自适应样本精细提取变换组合，以更完整、全面地提取建筑物样本sb，具体实现方式如下：

步骤2.1：取建筑物初始样本集sob中长度的最大最小值lmax、lmin，以两者的平均值kb为建筑物类型划分阈值，并以此对建筑物进行类型划分；

步骤2.2：设li表示第i个建筑物初始样本sob_i的长度，与建筑物类型划分阈值进行比较，若li＜kb，则此类建筑物为非狭长型，转至步骤2.3，构建“工”字型建筑物样本区域；若li≥kb，则此类建筑物为狭长型，转至步骤2.7，构建“二”字型建筑物样本区域；

步骤2.3：对建筑物初始样本集sob进行旋转处理；

选取建筑物初始样本sob_i，绘制其最小面积外接矩形，以最小面积外接矩形中心点为旋转中心将建筑物样本逆时针旋转90°，得到旋转后的样本。对建筑物初始样本进行旋转处理前，需将建筑物初始样本sob_i的屏幕坐标(x,y)转换到以最小面积外接矩形中心(x0,y0)为坐标原点的旋转坐标系中，变换后的坐标为(x',y')，用齐次坐标表示则有：

将样本点(x',y')在旋转坐标系中逆时针旋转θ度，旋转变换后的坐标为(x”,y”)：

最后再将样本点(x”,y”)还原变换至计算机屏幕坐标系中坐标为(x1,y1)，则有：

以此获取样本旋转变换矩阵：

(x1,y1,1)＝(x,y,1)r；

其中：

步骤2.4：对建筑物初始样本集sob进行缩放处理；

为达到建筑物样本准确、全面选取的目的，需对初始建筑物样本最小面积外接矩形进行适当缩放处理。缩放的核心在于缩放比例的确定，同时由于建筑物的形态大小各异，个性化定制的缩放系数λ是确定合理缩放比例γ的关键。利用前期所获取的建筑物初始样本sob_i与阴影相接边的长度li，建筑物初始样本sob_i的周长si，结合比例系数λ，完成各建筑物初始样本缩放比例γi的确定：

其中，m代表所获取的建筑物初始样本的总个数；比例系数λ的建议取值范围为[1.5,2]。若建筑物初始样本点为(x,y)，缩放后样本点为(x2,y2)，则有：

(x2,y2,1)＝(x,y,1)z；

其中缩放变换矩阵：

步骤2.5：对建筑物初始样本集sob进行偏移变换；

建筑物初始样本区域的偏移关键在于偏移向量的确定。在建筑物初始样本sob_i的最小面积外接矩形中，取矩形任一角点p1”，获取以此角点为起点的两个矩形边向量p1”p2”和p1”p0”。按照下式，选取与光照逆方向单位向量vi_n夹角较小边作为偏移单位向量vp＝(xip,yip)，其中xip、yip分别代表x轴和y轴上的单位向量：

由于建筑物长宽各异，故对偏移距离进行合理的定制有着充分的必要性。利用偏移方向所对应的外接矩形边长b和比例系数个性化定制偏移距离偏移后的建筑物样本为p0”'p1”'p2”’p3。若建筑物样本点为(x,y)，偏移后样本点为(x3,y3)：

(x3,y3,1)＝(x,y,1)τ；

其中偏移变换矩阵：

步骤2.6：对建筑物初始样本集sob经过旋转、缩放与偏移变换操作，得到样本集srzt：

srzt＝sob*r*z*t；

缩放、偏移变换后的样本集szt:

szt＝sob*z*t；

取srzt、szt与建筑物初始样本集sob的并集，构建“工”字型建筑物样本区域sbg：

sbg＝srzt∪szt∪sob；

完成非狭长型建筑物样本选取，即sb＝sbg，如图2所示；

步骤2.7：采用步骤2.4及步骤2.5缩放、偏移变换后得到样本集szt：

szt＝sob*z*t；

取szt与建筑物初始样本集sob两者的并集，构建“二”字型样本区域sbe：

sbe＝szt∪sob；

完成狭长型建筑物样本选取，即sb＝sbe，如图3所示；

步骤3：结合svm分类原理得到建筑物初始提取结果；

本实施例中，步骤3的具体实现包括以下子步骤：

步骤3.1：为提高分类效率，采用随机函数随机选取阴影区域rsd、植被区域rve、裸地区域rbl中的部分像素，得到阴影样本ssd、植被样本sve、裸地样本sbl；

步骤3.2：选用基于径向基核函数和一对一多类方法的svm模型，并提取四类样本区域{ssd,sve,sbl,sb}的r、g、b、i四维光谱特征构建样本特征向量，用于训练svm分类器，实现对影像p其他未识别像素的分类，从中提取建筑物类，获取建筑物的初始提取结果。

步骤4：采用形态学预处理、区域增长以及基于形态特征的格网占比法等对初始提取结果进行优化处理，输出建筑物最终提取结果；

本实施例中，步骤4的具体实现包括以下子步骤：

步骤4.1：首先对步骤3.2所得到的建筑物初始提取结果进行腐蚀、膨胀、开闭运算、阈值确定，去除部分非建筑物像素点的干扰，以提高建筑物提取的完整性以及准确性。然后以内轮廓填充法对部分存在“空洞”的建筑物提取结果进行补充。最后采用区域增长补充部分被漏检的建筑物区域。经过合理的形态学预处理以及区域增长，可以使得初始结果的区域完整性更强；

步骤4.2：在步骤4.1的结果基础上，误检的非建筑物中主要是错分的裸地以及部分不完整的道路，其与建筑物的规则形态存在较大差异，因此，本发明设计了基于形态特征的格网占比法，首先获取步骤4.1结果中每个待检建筑物目标的最小外接矩形，并将其进行格网划分，逐个判断格网单元的建筑物覆盖面积sb占单元格面积s0的比例η＝sb/s0，若η＞0.9即可视作占满，统计满足占满单元的格网数n与格网总数n的比值k＝n/n，依此评判是否为建筑物，比值k高于等于阈值kg的为建筑物，低于阈值kg的则可能为非建筑物。如图4所示，将两个待检目标的外接矩形划分为10×10的方形单元格，图中规则建筑物与不规则的非建筑物，满足η＞0.9的格网数比例分别为58/100和19/100。因此，通过合理确定格网比例阈值kg，即可区分出形态杂乱的非建筑物并予以剔除，最终实现建筑物的准确提取。

本发明提供的方法可以采用计算机软件实现自动运行，也可以采用模块化技术设计为四个模块。

偏移阴影分析模块：利用阴影光谱特征提取阴影区域rsd，通过归一化绿色分量g'提取植被区域rve，然后确定顺、逆光照偏移向量vi_s，vi_n，并结合偏移阴影分析实现裸地区域rbl以及建筑物初始样本sob的提取。

建筑物样本精细提取模块：提取建筑物初始样本集sob中长度的最大最小值lmax、lmin，以两者的平均值k为建筑物类型划分阈值，并以此对建筑物进行类型划分，而后根据建筑物类型,合理利用样本旋转、偏移、缩放变换方法，构建自适应样本精细提取变换组合，完整、全面地提取建筑物样本sb。

svm分类器训练与输出模块：采用随机函数选取阴影区域rsd、植被区域rve、裸地区域rbl中的部分像素，得到阴影样本ssd、植被样本sve、裸地样本sbl，并提取四类样本区域的特征向量，训练svm分类器，实现对影像p其他未识别像素的分类，输出建筑物的初始提取结果。

后处理优化模块：通过形态学预处理以及区域增长，提高建筑物区域的完整性，然后利用基于形态特征的格网占比法进行建筑物验证，对无规则形态的错分建筑物予以剔除，自动输出建筑物最终提取结果。

应当理解的是，本说明书未详细阐述的部分均属于现有技术；上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。