[发明专利]基于多尺度多特征融合的遥感影像建筑物检测方法

说明书

技术领域

本发明涉及到遥感影像处理技术领域，具体地说，是一种基于多尺度多特征融合的遥感影像建筑物检测方法。

背景技术

建筑物作为城市主要的地物类型之一，是城市大比例尺基础地理图中必须重点表现的专题要素，准确的建筑物信息可以为土地管理、城市规划等政府部门开展土地利用现状调查和宏观规划等工作提供重要决策支持，其在数字化城市建设，违章建筑物查处以及军事侦察等多个领域都有着重要的应用。

在高分辨率影像中，建筑物形状多样、大小不一，甚至有些被邻近树木所遮挡造成形状缺失，难以用统一的形状模型进行描述，使得遥感影像建筑物自动检测成为了一项具有挑战性的课题。

目前国内外学者针对这一课题已经提出了许多较为成熟的描述特征和方案，如SIFT特征、HoG特征等，并采用面向对象分类、机器学习等方式来提取建筑物。但现有的特征大多只顾及到建筑物的纹理信息，而忽略了建筑物的特殊结构等，难以解决在高分辨率遥感影像中存在的建筑物被阴影遮挡以及大小、形状、朝向各异等问题。同时目前提取效果较好的大多数方法都依赖于LiDAR、DSM、GIS矢量数据等其他辅助数据的支持，使得检测流程和数据变的复杂化，降低了提取效率。

发明内容

针对现有技术的不足，本发明的目的是提供一种基于多尺度多特征融合的遥感影像建筑物检测方法，该方法对高分辨率影像降采样构建影像金字塔，在每一个尺度空间中提取用于描述建筑物特性的多种特征，通过不同尺度下多种特征融合，计算影像各区域显著性，从而达到建筑物的自动检测。

为达到上述目的，本发明采用的技术方案如下：

一种基于多尺度多特征融合的遥感影像建筑物检测方法，其关键在于包括以下步骤：

S1：对高分辨率遥感影像降采样，获得由不同尺度的影像构成的影像金字塔；

S2：计算影像金字塔每一层影像对应的边缘影像；

S3：对不同尺度的边缘影像进行多组特征计算，并对获得的多组特征进行融合建立特征模型；

S4：根据特征模型与邻域局部非极大值抑制进行窗口选取，获得最可能含有建筑物的目标窗口；

S5：对目标窗口进行小范围内的膨胀/收缩计算，获得贴合目标建筑物的矩形窗口；

S6：根据目标窗口的主方向旋转所述矩形窗口，得到与建筑物朝向一致的最优目标窗口，并根据最优目标窗口提取出建筑物。

进一步的，步骤S1中所述降采样采用的公式为：

其中，W(p,q)＝W(p)*W(q)表示长度为5的高斯卷积核，(p,q)为高斯卷积核中点的坐标，(i,j)为影像中点的坐标。

进一步的，步骤S2中所述边缘影像的计算步骤为：

S2.1：对影像金字塔每层影像进行高斯平滑滤波；

S2.2：计算平滑滤波后影像中每个像素点的梯度值；

S2.3：根据梯度值判定各像素点是否为边缘点，若是则保存，否则设置为0，获得影像对应的二进制边缘影像；

S2.4：阈值计算，并根据阈值对二进制边缘影像进行边缘强化，获得所述边缘影像。

更进一步的，步骤S2.4中所述阈值采用Otsu算法计算最大化非边缘点和边缘点的类间差异而获得。

再进一步的，所述Otsu算法通过最小化边缘点与非边缘点两类的错分概率，使得边缘点和非边缘点的类间方差最大，获得阈值。

进一步的，步骤S3中所述多组特征包括边缘分布特征、主方向显著性与正交性特征、Blob相似度特征和超像素跨越特征。

再进一步的，所述边缘分布特征、主方向显著性与正交性特征、Blob相似度特征和超像素跨越特征的计算公式如下：

边缘分布特征LED：

LED＝d_e×d_s，

其中，d_e＝n_e/n_w为边缘密度，d_s＝min(n_t)/Mean(n_t)为边缘分布均匀性，n_e和n_w分别表示以R为半径的圆形窗口内的边缘点数和总像素数，n_t表示第t象限所包含的边缘点数，t＝1,2,3,4；

主方向显著性与正交性特征OOS：

OOS＝r×Max{N(k)+N(k+6)}，