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{(^，(^，(^，&}四大类，其中(^代表的地物类型为阴影、(：? 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； 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Otsu自动阈值法和带限定条件的自动阈值法获 取四项特征的自动阈值，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 成二值化阴影影像頂Gsd，并在CMap中将頂Gsd中的阴影像素标记为Csd，实现对CMap的更新； SetSD={(i，j)|(B，（i，j)>T_B，I |H(i，j)>T_H| |。3(1，」）>1'_(：3)&&1(1，」）〈1'_1}(式壹）； 步骤1.3 :利用归一化绿色分量G'结合自动阈值方案，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MGve，在CMap中将頂Gve中的植被像素标记为Cve，实现对CMap 的更新； 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 以提取出建筑物阴影； 步骤1.5:对建筑物阴影区域采用三种逆向偏移向量综合法实现建筑物的样本自动提 取； 步骤1.6:对建筑物阴影区域采用三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； 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，以提高分类效率； 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，以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。3. 根据权利要求2所述的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，步骤1.4的具体实现方式如下： 步骤1.4.1:对步骤1.2所获取的阴影影像MGsd，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， 以此面积为剔除阈值，对面积小于此面积的阴影区域进行去除； 步骤1.4.2:根据影像中的光照方向，以光照方向的反方向为逆向偏移阴影单位向量V1, 以光照方向的正方向为顺向偏移阴影单位向量-V1, 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λ定制各 个阴影区域相应的偏移阴影向量Vk，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； 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。4. 根据权利要求3所述的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，步骤1.5的具体实现方式如下： 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Θ即可获取左偏移向 量Vi_lrft和右偏移向量Vi_right，在已知Vi的情况下，Vi_lrft和Vi_right的计算方式如下： Vi=(dx,dy)=(cosP,β?ηβ) Vi ieft= (cos(P+0) ,sin(P+0)) Vi right= (cos(^-0), sin(^-0))； 其中，（dx,dy)为估计的光照方向对应的单位向量，（cosP,sinP)为(dx,dy)的极坐标表 示，已知(dx , dy )和Θ即可算出Vi_lef t和Vi_right; 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ViJijeft和Vi_ right三个 向量进行逆光照方向的偏移，获取每个阴影区域对应的三种阴影偏移区域，结合CMap通过 将三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。5. 根据权利要求4所述的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，步骤1.6的具体实现方式如下： 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，、^_1&和，^咖 三个向量进行顺光照方向的偏移，获取每个阴影区域对应的三种阴影偏移区域，结合CMap 通过将三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； 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阈值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； 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。6. 根据权利要求1所述的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，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。7. 根据权利要求2所述的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，步骤2的具体实现包括以下子步骤： 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;对于空洞现 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； 步骤2.2:在步骤2.1得到的结果基础上，进行区域增长，以补充部分被漏检的建筑物区 域;具体实现方式是，通过设定8邻域像素光谱相似度条件作为区域增长条件，以建筑物边 界上的像素点作为起始种子点，逐个判断各个种子点的8邻域上的非建筑物的Cu类像素是 否满足增长条件，若满足条件则将其在CMap中的标记值改为Cb ;等此轮循环完毕，则重新获 取建筑物区域的新轮廓，以新增的像素点为种子点进行下一轮的区域增长，以此类推，最终 无新增边界点时，此建筑物区域增长完毕;对每一个建筑物区域逐个进行区域增长，最终完 成对不完整的建筑物进行补充； 步骤2.3:在步骤2.2的结果基础上，利用τι区分有阴影和无阴影的地物，其中τι表示阴影 特征建筑物确认指标一一相交边界阴影比率，地物具有阴影，则η较高，若不存在阴影，则η 比较低；区分出没有阴影的裸地并予以剔除，最终实现建筑物的准确提取。8. 根据权利要求7所述的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，步骤2.3中所述利用τι区分有阴影和无阴影的地物，具体实现方式如下:首先逐个对步 骤2.2的结果中待验证区域进行膨胀一次，获取对应的膨胀后边界Edge B;然后再根据待验 证区域的周长1和回移比例λ计算回移向量VB，按照Vb对待验证区域进行回移获得偏移建筑.通过对偏移建筑物区域与膨胀后边界EdgeB取交集，获取区域膨胀 后的边界上落在偏移建筑区域中的部分边界即作为相交边界EdgeBSD;统计此边界上所有像 素中阴影所占比例即可获取n，并设置?η，对于小于Tn的区域将进行形态学去除，保留最终结 果即为建筑物提取的最终结果；其中，Nesd和Nsd分别为EdgeBSD上的全部像素个数和阴影像素个数。9. 一种利用阴影的高分辨率遥感影像建筑物自动提取系统，其特征在于:包括样本区 域自动提取模块、SVM分类器训练与输出模块和后处理优化模块； 样本区域自动提取模块：用于对高分辨率遥感影像中的阴影、植被、裸地、建筑物样本 的自动提取。根据阴影和植被自动检测方法进行两者的自动检测，并利用本发明提出的偏 移阴影分析方法对建筑物阴影进行提取，进一步在采用本发明提出的顺向和逆向偏移阴影 分析方法，提取建筑物和裸地样本区域，实现四类样本的自动提取。 SVM分类器训练与输出模块：用于结合SVM分类原理实现自动分类，提取并自动输出建 筑物初始结果； 后处理优化模块：用于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。
【专利摘要】本发明公开了一种利用阴影的高分辨率遥感影像建筑物自动提取方法及系统，方法首先对影像进行阴影、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；然后，再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等，输出建筑物最终结果。系统包括样本区域自动提取模块、SVM分类器训练与输出模块和后处理优化模块；本发明通过设计样本自动提取方法和有效的后处理优化措施，能有效提高建筑物提取的自动化程度，并能保证精度。
【IPC分类】G06K9/62, G06K9/00
【公开号】CN105528596
【申请号】CN201610077910
【发明人】高贤君, 杨元维
【申请人】长江大学
【公开日】2016年4月27日
【申请日】2016年2月3日