[发明专利]一种基于梯度特征的遥感影像建筑物区域检测方法

说明书

技术领域

本发明涉及一种遥感影像处理领域，具体说是一种基于梯度特征的遥感影像建筑物区域检测方法。

背景技术

人工地物主要包括建筑物、桥梁、道路和大型工程建筑物等，而且在城市区域的高分辨率遥感影像中80％的人工目标是建筑物和道路，由此可见，城区的识别与提取在遥感图像识别过程中是占有很大的比例的；其次城区作为地物类别中的主要内容，它具有明显的定位特征，作为地形图中重要的成图元素，建筑物的识别与提取，直接影响到地物测绘的自动化水平，对它的识别和定位可以为特征提取、特征匹配、图像理解、制图和作为其他目标的参照体有重要的意义；另外随着城市建设的快速发展，城区也是地理数据库中最容易增加和发生变化、最需要更新的部分，且更新工作量常常是巨大的。从实际应用的角度来说，实现城区的提取能够满足遥感影像制图、地理信息系统的数据获取和自动更新的需要；从研究的角度出发，由于遥感影像城区中目标的高度多样性和复杂性，成功地实现城区自动提取方法将为其它类型的影像理解问题提供具有普遍指导意义的理论和方法。

发明内容

本发明提供了一种基于梯度特征的遥感影像建筑物区域检测方法，充分利用建筑物具有明显的呈相互垂直边界的特性，只需要全色遥感影像作为处理对象，算法无需人工干预，自动化程度高。

为实现本发明的目标所采用的技术方案是：方法包括以下步骤：

步骤1：计算输入遥感影像image1中各个像素点的梯度幅值和梯度方向；

步骤2：以滑动窗口对输入遥感影像image1进行扫描，得到滑动窗口集合WinSet；

步骤3：基于步骤1计算的梯度幅值和梯度方向，计算滑动窗口集合WinSet中每个滑动窗口的局部梯度方向密度函数；

步骤4：将滑动窗口集合WinSet中每个滑动窗口的局部梯度方向密度函数分别和移动双峰高斯混合函数进行相乘，得到双峰值密度函数集合F；

步骤5：搜索双峰值密度函数集合F的每个元素f，若存在相差90度的两个峰值，则将元素f对应的滑动窗口的中心点s判断为建筑物像元，取值1，否则将中心点s判断为背景，取值0，得到二值图像BW；

步骤6：对二值图像BW进行标注，并删除小面积区域。

所述的滑动窗口的大小根据输入遥感影像image1中建筑物的平均尺寸设定。

所述的局部梯度方向密度函数由以下公式计算：

其中，N_s为窗口内各个像素点的梯度模值之和，h为局部梯度方向密度函数的带宽，为像素点r的梯度幅值，k为核密度函数。

所述的核密度函数通过以下公式计算：

所述的移动双峰高斯混合函数通过以下公式计算：

其中，m为均值，λ为方差。

所述的双峰值密度函数通过以下公式计算：

α(s,m)＝∫λ_s(θ)η(θ)dθ

所述的搜索双峰值密度函数集合F的每个元素f的方法为:对公式α(s,m)＝∫λ_s(θ)η(θ)dθ中的θ的取值从-π/2搜索到π/2，步长为0.01弧度，计算每个θ值得到的α(s,m)的两个峰值之间的角度偏差。

本发明的有益效果是：解决了高空间分辨率遥感影像中建筑物提取运算量大的问题，通过建筑物区域的粗提取，很大程度上排除了植被等非人工地物的区域，有利于缩小建筑物提取的作用范围，提高了建筑物提取的效率和准确性。

附图说明

图1是本发明的总体处理流程图。

具体实施方式

下面结合附图详细描述本发明的具体实施方式。

在步骤101，输入的待处理遥感影像image1为Quick bird的全色影像，且已经进行辐射校正和几何校正等预处理。

在步骤102，计算输入遥感影像image1中各个像素点的梯度幅值和梯度方向。

在步骤103，以150×150的滑动窗口对输入遥感影像image1进行扫描，得到滑动窗口集合WinSet。

在步骤104，由公式：

计算局部梯度方向密度函数。N_s为150×150的滑动窗口内各个像素点的梯度模值之和，h为局部梯度方向密度函数的带宽，取值为1.2，为像素点r的梯度幅值，k为核密度函数，通过以下公式计算：

在步骤105，由公式：

构造移动双峰高斯混合函数，其中，m为均值，λ为方差。