[发明专利]基于面线基元关联模型的光伏面板模板自动生成方法

说明书

本发明公开了一种基于面线基元关联模型的光伏面板模板自动生成方法，其主要步骤为：首先进行遥感图像分割与直线检测，获得面、线基元；而后分析光伏面板的光谱特征、形状特征,设置光伏面板提取的规则集进行光伏面板的初步提取；在此基础上，结合面、线基元的特征，进行疑似光伏面板基元位置的面线关联关系建模，然后采用面线基元最佳适配度指标，对光伏面板模板进行提取，生成初步的面板模板集合，最后对初步生成的模板集的面积进行高斯分布建模，剔除面积离群的模板，得到标准模板集。本发明基于RLPAF模型，提出了面线基元最佳适配度的概念，能够自动生成模板，并且可以避免分割后分类的常规OBIA提取光伏面板目标在形态上存在的精度缺陷。

技术领域

本发明涉及一种服务于遥感图像目标识别的方法，具体说是一种基于面线基元关联模型的光伏面板模板自动生成方法，应用于基于模板匹配的高分辨率遥感影像上的光伏面板的自动精确提取，属于遥感图像处理与目标识别领域。

背景技术

面向对象图像分析(Object-based image analysis,OBIA)，即一般采用先分割后分类的遥感图像分析技术框架，已被认为是实现中高分辨率遥感图像信息提取的“范式技术”，相较传统的面向像素图像分析(Pixel-based image analysis,PBIA)技术，OBIA由于特征极大丰富，为此理论上相较PBIA具有更强的技术性能。现有OBIA一般采用显式的特征集，构建规则分析或通过监督分类的方式实现。近年来，随着深度学习等新型机器学习技术的飞速发展，基于图斑自动提取深度特征和分类的深度学习监督分类方法得到了成功应用并显著提高了分类精度，但深度学习和传统监督分类相比一般需要大样本训练，对样本量有较高的要求。

总体上看，各种OBIA方法在特征提取和分类环节上存在不同，但相同点是都要进行图像分割，然后基于分割得到的图斑(称为对象基元，或特征基元)进行后续分析。然而，作为至关重要的技术环节的图像分割却是一个病态技术，具有模糊性。而图像分割的过、欠分割、边缘定位误差会对后续信息提取技术环节有不利影响。特别地，在具有明确形态结构的人工地物提取上，往往存在由于分割精度不足带来的目标对象的丢失、混分和形态缺陷，这为后续分析和制图等带来困难。

此外，完全在图斑的基础上进行后续特征提取和分析也存在技术局限性。在主流的OBIA技术和软件系统如eCognition和ENVI中，一些PBIA中常见的图像处理技术，如直线检测、形态学、图像变换与频率域分析等等没有(或难以)得到深入融合与应用，这在一定程度上限制了OBIA技术应用的灵活性和方法性能。

为了提高OBIA的方法性能，我们在“A Region–Line Primitive AssociationFramework for Object-Based Remote Sensing Image Analysis”(见Photogrammetricengineering&Remote sensing,2016,82(2):149-159)和“Technical design and systemimplementation of region-line primitive association framework”(见ISPRSJournal of Photogrammetry and Remote Sensing,2017,130:202-216)2篇论文中提出了面线基元关联模型(Region-line primitive association framework,RLPAF)。RLPAF除了面基元之外，还利用了线基元(即图像中提取的直线)作为后续特征提取和分析的基础基元。其优点在于：直线具有自己的特征，如线密度、主方向信息等。RLPAF结合了面、线基元各自的优势，实现了信息互补，这扩充了OBIA的特征库，使得OBIA在实现上更为灵活，性能得以增强。