[发明专利]一种基于高程形态学建筑物指数的影像建筑物提取方法

说明书

技术领域

本发明属于遥感影像信息提取技术，具体涉及一种基于高程形态学建筑物指数的影像建筑物提取方法。

背景技术

在高分影像中地物的空间、纹理等信息得到增强，但光谱信息减弱。高分影像建筑物自动提取面临着较大的困难。首先，在于遥感影像是二维的而现实中建筑物是三维的；其次，建筑物这一类别特征复杂。不同年代、不同材质的建筑物在影像中表现出不同的颜色纹理，很难找到统一的模型进行建筑物提取；再者建筑物材料的不同、传感器的不同、阳光的强弱等因素都会造成光谱的差异，即出现“同物异谱”和“同谱异物”现象；最后，建筑本身或其他地物都会形成阴影，与部分建筑光谱特征相似，造成干扰。总之，以上因素决定了建筑物提取特征要比水体、道路等地物更困难。高分影像的建筑物提取技术还在不断的探索提升中。主要方法可以分为以下两类。

第一类是基于像元分类的方法。基于像元的信息提取方法通常分为非监督分类和监督分类，根据事先是否已知道类别的先验知识来划分的。非监督分类在分类前没有任何先验知识，仅依据地物在影像中的光谱特征进行分类，包括K-MEANS算法、ISODATE算法、K-MEANS改进算法等。而监督分类在分类前需要提取各种已知分类类别的训练样本，然后再选择判别函数或判别规则进行分类，主要包括最小距离法、最大似然法、BP神经网络、决策树、规则集等。这些基于像素的信息提取方法自提出来，便经过了许多研究学者的进一步研究和改进，促进了建筑物提取技术的发展进步。然而，自从ICONOS、QUICKBIRD等高分辨率影像广泛应用，传统基于像素的方法就面临了一些挑战，针对情况，一些学者考虑结合地物的空间特征来实现建筑物的提取。XIA L提出了一种利用形状信息用于监督分类的改进方法，提高了提取结果的精度。Sanghamitra在图像分类中提出一种全局优化算法(遗传算法)。SALIE和KARATHAN ASSI基于像素的信息提取方法的基础上，结合上下文和纹理信息来进行分类，得到较好的分类结果，提高了分类的精度。

由于基于像素的提取方法没有考虑象元之间的相关性，没有充分利用空间信息。很难解决“同物异谱”和“同谱异物”问题，可以通过光谱信息结合形状纹理等辅助能够提高精度，然而，在很多情况下，只有图像被分割为同质对象时，图像分析的结果才有意义。所以就出现了第二类基于对象的提取方法。面向对象的方法的主体思想是对图像分割得到的小区域进行处理。Atz M与于2000年提出区域合并分割技术并被引入eCognition，这一研究在图像处理进程中有重要的意义。自此面向对象图像分析方法开始受到人们的关注和欢迎。王贺等人对SEaTH分割阈值算法进行了优化并应用于研究区，实验证明改进后的方法筛选出的特征在提取地物上更为有效。2001年Hofmallne对高分辨率影像中的非正式居民地进行面向对象的分类识别，综合利用了对象的光谱、纹理、形状信息。得到的分类结果有较高的精度。JIN X提出了一种利用结构信息、上下文信息和光谱信息3种信息整合自动提取建筑物的方法。谭衢霖应用模糊逻辑分类器结合光谱、空间、纹理和上下文特征等知识规则进行建筑物分类。Hackelford和Davis对面向像元与像素的两种类型的分类方法进行了对比。黄昕等提出了一个基于SVM的集成方法，该方法将面向对象和基于像素的方法结合起来实现建筑物和其它地物的分类。李刚等利用改进的像素级和对象级遥感影像的分类方法来区分不同的地物。

随着研究的进展，一些学者提出了建筑物指数提取方法，它能反映符合建筑物的特征的程度，然后可以基于像素或对象进行阈值提取就可以了。提高了建筑物提取的自动化程度。2003年Zhaetal.提出了通过利用3个相关波段：红波段、近红外波段、中红外波段之间的运算得到了一种识别建筑物区域的建筑物指数NDBI，在后续的研究中，很多学者对其表达式进行了改进，从而出现了Bc、IBI、NBI等新的建筑物指数。然而无人机影像波段单一，没有近红外、中红外波段，所以不能实现以上指数。2008年Martino Pesaresi通过各向异性的旋转不变量的纹理特征得到的一个强大的建成区的存在指数PanTex；2009年S.LHOMME所提出的DRV方法已经被应用于IKONOS和QUICKBIRD影像的城区，结果表明，尽管有一些局限性，但我们建筑物提取方法的精度还是较高的；2011年黄昕等人将形态学运用到图像提取中，提出了形态学建筑物指数(MBI)，以GeoEye影像为例做了提取实验；2014年胡荣明等人认为MBI存在一定的不足，比如同质区域内部存在很多噪声，会影像提取精度。所以胡荣明等在MBI的基础上提出了增强形态学建筑物指数(EMBI)。