008,46(1):259-271.
[0019] [文南犬 13]M.Ghanea,P.Moallem,M.Momeni.Automatic building extraction in dense urban areas through GeoEye multispectral imagery[J]. International Journal of Remote Sensing,2014,35(13):5094-5119.
[0020] [文献 14]S.Muller,D.W.Zaum.Robust building detection in aerial images [J]. International Archives of Photogrammetry and Remote Sensing,2005:143-148.
[0021] [文南犬 15]M.A.Niveetha,R.Vidhya.Automatic Building Extraction Using Advanced Morphological Operations and Texture Enhancing[A]. in:R.Rajesh,et al. International Conference on Modelling Optimization and Computing[M].2012: 3573-3578.
[0022] [文南犬 16]E.Sumer,M.Turker.An adaptive fuzzy-邑enetic al邑orithm approach for building detection using high-resolution satellite images[J].Computers Environment and Urban Systems,2013,39:48-62.
【发明内容】
[0023] 为了解决上述技术问题，本发明提出了一种利用阴影的建筑物自动提取方法，提 高了建筑物提取方法的自动化程度和普适程度，减少了人工辅助工作量，增强了通用性，能 广泛地用到各类需要从遥感影像中提取建筑物的应用需求中。
[0024] 本发明的方法所采用的技术方案是:一种利用阴影的高分辨率遥感影像建筑物自 动提取方法，其特征在于，包括W下步骤：
[0025] 步骤1:对影像进行阴影、植被、裸地、建筑物的样本自动提取，并结合SVM分类原理 实现自动分类，提取建筑物初始结果；
[00%]步骤2:对初始结果后处理优化，包括形态学预处理、漏检补充及建筑物验证，输出 建筑物最终结果。
[0027] 作为优选，步骤1的具体实现包括W下子步骤：
[0028] 步骤1.1:设输入影像大小为MXN，M、N分别代表影像的长和宽，新建一个与影像大 小一致的M X N预分类影像CMap，初始类别全部设置为未识别像素 Cu，欲将CMap影像中的所 有未识别像素通过后续步骤细分为促0,〇￡而1向}四大类，其中〔50代表的地物类型为阴 影、Cve代表的地物类型为植被、Cbl代表的地物类型为裸地、Cb代表的地物类型为建筑物；
[0029] 步骤1.2:利用阴影具有的低亮度、高色调、高的归一化蓝色分量B'和高的C3分量 特征，构建如式壹所示的阴影检测条件，结合一维化SU自动阔值法和带限定条件的自动阔 值法获取四项特征的自动阔值，按照此条件实现对影像中阴影的自动检测;根据阴影检测 结果生成二值化阴影影像IMGsd，并在CMap中将IMGsd中的阴影像素标记为Csd，实现对CMap的 更新；
[0030] SetsD={(i，j)|(B'（i，j)〉T_B' MH(i，j)〉T_HMC3(i，j)〉T_C3)&&I(i，j)<T_I}(式 壹)；
[0031 ]步骤1.3:利用归一化绿色分量G'结合自动阔值方案，对影像进行植被检测，根据 植被检测结果生成二值化植被影像IMGve，在CMap中将IMGve中的植被像素标记为Cve，实现对 CMap的更新；
[0032] 步骤1.4:对阴影进行逆向偏移获取偏移阴影区域，对区域内的CMap进行地物成分 分析W提取出建筑物阴影；
[0033] 步骤1.5:对建筑物阴影区域采用=种逆向偏移向量综合法实现建筑物的样本自 动提取；
[0034] 步骤1.6:对建筑物阴影区域采用=种顺向偏移向量综合法实现裸地的样本区域 的初步提取;然后再采用形态学方法去除部分小区域，保留可靠的裸地区域，并进行区域增 长，实现裸地样本区域自动提取；
[0035] 步骤1.7:根据步骤1.2、步骤1.3、步骤1.5、步骤1.6中取得的四类地物区域，采用 Random随机函数从样本区域所有像素中随机筛选一部分像素作为最终样本用于对样本的 进一步筛选，符合条件的像素才参与样本训练，W提高分类效率；
[0036] 步骤1.8:统计样本像素的R、G、B、I四种特征，构成四维特征向量，输入到SVM分类 器中对分类器进行训练，W构建适合于该影像分类的最优分类模型，利用训练后的分类器 对CMap中未标记类Cu的像素，根据其对应四维特征进行分析并预测其类别，再同时将预测 结果用于更新CMap中的标记信息，最终实现影像的全体分类，从中提取建筑物类可获取建 筑物的初始结果。
[0037] 作为优选，步骤1.4的具体实现方式如下：
[0038] 步骤1.4.1:对步骤1.2所获取的阴影影像IMGsd,利用形态学原理对阴影面积进行 降序排序，并统计序列中相邻阴影的面积差和比的绝对值，寻找最大绝对值的对应的阴影 面积，W此面积为剔除阔值，对面积小于此面积的阴影区域进行去除；
[0039] 步骤1.4.2:根据影像中的光照方向，W光照方向的反方向为逆向偏移阴影单位向 量Vi，W光照方向的正方向为顺向偏移阴影单位向量-Vi，
[0040] 步骤1.4.3:对步骤1.4.1对各个阴影区域统计其周长，利用周长1和比例系数入定 制各个阴影区域相应的偏移阴影向量Vk,
[00…Vk 二獨.V'，ke[\.2，..'，K}
[0042] 其中，K代表影像中的阴影个数，k代表阴影区域的序号，Ik代表第k个阴影区域的 周长，Vk代表此阴影区域对应的偏移向量；
[0043] 步骤1.4.4:对各个阴影区域进行按照Vk向量进行逆向偏移，统计分析偏移阴影区 域中的地物成分，植被比例高于50%的视作植被阴影并采用形态学方法去除，即可初步筛 选出建筑物阴影。
[0044] 作为优选，步骤1.5的具体实现方式如下：
[0045] 步骤1.5.1:通过将Vi分别按顺时针旋转和逆时针旋转统一的角度0即可获取左偏 移向量Viieft和右偏移向量Viright，在已知Vi的情况下，Vileft和Viright的计算方式如下：
[0046] Vi=(dx，dy) = (cos0，sing)
[0047] Vi ieft二（cos(目+目），sin(目+目））
[004引 Vi right二（cos化-目），sin(目-目））；
[0049] 其中，（dx，dy)为估计的光照方向对应的单位向量，（cos目，sin目)为(dx，dy)的极坐 标表不，已知（dx，dy )和目即可算出Vi left和Vi right;
[0050] 步骤1.5.2:对步骤1.4.3获取的每个建筑物阴影区域，分别按照Vi、Vi_ieft和Vi_right =个向量进行逆光照方向的偏移，获取每个阴影区域对应的=种阴影偏移区域，结合CMap 通过将=种偏移阴影区域中的Cu区域取交集，最终的共同相交区域中，不再包含两侧的裸 地区域，可视作初始建筑物样本。
[0051] 作为优选，步骤1.6的具体实现方式如下：
[0052] 步骤1.6.1:对步骤1.4.3获取的每个建筑物阴影区域，分别按照-Vl、-Vl_left和-Vl_rlghtS个向量进行顺光照方向的偏移，获取每个阴影区域对应的S种阴影偏移区域，结 合CMap通过将=种偏移阴影区域中的Cu区域取交集，最终的共同相交区域中，基本为邻接 建筑物的裸地;此结果作为裸地样本初始结果；
[0053] 步骤1.6.2:统计裸地样本初始结果中各区域的面积，根据面积对区域进行降序排 序，统计相邻面积差和比绝对值最大值对应的区域面积作为阔值T对区域进行筛选，对于面 积小于T的区域采用形态学去除法进行剔除，保留剩下的裸地样本区域，可靠性更高；
[0054] 步骤1.6.3:进一步对保留的裸地样本区域进行区域增长，获取范围更广的裸地样 本区域。
[0055] 作为优选，步骤1.7的具体实现方式为:对每一类别的每一个样本区域中，通过随 机函数随机选定其中一部分像素作为样本像素，而不是全部样本区域中的全部像素均参与 到样本训练中去。
[0056] 作为优选，步骤2的具体实现包括W下子步骤：
[0057] 步骤2.1:根据步骤1.8得到的初步结果进行形态学预处理，提高区域完整性;具体 实现方式为:通过形态学的腐蚀、膨胀、开闭运算，消除部分非建筑物像素点的干扰;对于空 桐现象，则采用内轮廓填充法对满足条件要求区域内轮廓进行填充，补充部分漏检建筑物； 经过合理的形态学预处理，可W使得初始结果的区域完整性更强。
[0058] 步骤2.2:在步骤2.1得到的结果基础上，进行区域增长，W补充部分被漏检的建筑 物区域;具体实现方式是，