[发明专利]一种高分遥感影像建筑物提取方法

说明书

本发明公开了一种高分遥感影像建筑物提取方法。首先，结合影像分割和阴影检测等技术提取候选对象集合；其次，基于尺度参数自适应提取策略，在对象边界约束下构建差分属性剖面，获得初始建筑物集合；最后，依据类间可分性自动提取该集合中的不确定对象，并进行二次判别，获得最终建筑物提取结果。本发明改善了在地物种类众多的城市场景下的遥感影像建筑物提取的性能。

技术领域

本发明属于遥感影像领域，特别涉及了一种遥感影像建筑物提取方法。

背景技术

随着各种高分遥感平台的成功运行和不断完善，高分辨率遥感影像已经广泛应用于包括地理数据更新、城市专题图制作、多角度城市分类分析等诸多领域。其中，基于高分辨率遥感影像的城市区域语义标记，特别是自动地对建筑物进行识别和提取通常在这些实际应用中扮演着重要角色，同时也一直是遥感领域中的研究热点之一。

相较于传统中、低分辨率遥感影像，高分辨率遥感影像中的建筑物细节信息更加丰富，轮廓及结构更加清晰，有利于建筑物的目视解译。从这个意义上说，在高分辨率影像中提取建筑物具有极大的潜力。与此同时，城市复杂背景下更加突出的“同物异谱”和“同谱异物”现象，以及更加显著的阴影及噪声等干扰因素的影响又为建筑物提取提出了新的挑战。

目前，高分辨率遥感影像建筑物提取方法主要分为基于几何边界和基于局部区域的方法。其中，几何边界方法通过给定的结构元素来描述建筑物，并与目标模型进行匹配以实现建筑物的提取。例如，Cui等人首先根据Hough变换获得与建筑物边缘相关的平行线组，然后定义建筑物轮廓为周期相关的平行线，基于此得到建筑物边缘信息，同时利用建筑物的面积条件进行掩膜约束，进而提取建筑物的几何、灰度特征；huang等人以白顶帽重建为基础，利用线性结构元素来描述建筑物的局部亮度以及对比度特征，提出了基于形态学的建筑物指数MBI(Morphological Building Index)，并进一步结合光谱、阴影等特征实现了建筑物的自动提取。Gavankar N L则首先通过线性结构元素来增强建筑物边缘，继而通过K均值聚类算法来提取建筑物。尽管如此，此类方法所采用的与建筑物尺寸相近的结构元素，虽然会使建筑物与相邻地物之间的像素产生强边缘响应，但是却忽略了高分辨遥感图像中相邻像素间所具有的较强相关性。同时，由于不同种类、形状、尺寸的地物混杂分布，建筑物之间的形态学特征也可能存在较大差异。因此，采用指定的结构元素并不合理。相较于几何边界法，基于局部区域的方法突破了以像素或固定尺寸结构元素为基本处理单元的局限，而扩展为具有相似属性的所有连通像素。在此基础上，从OBIA(object based imageanalysis)的角度出发，通过引入与建筑物特征相关的属性信息进行分析和处理。因此，基于局部区域的方法不仅有助于对建筑物的多角度刻画，同时也契合了相邻像素间强相关性的本质。其中，形态学属性剖面MAPs(Morphological Attribute Profiles)是目前一种非常流行的局部区域形态学属性特征集合。在MAPs构成的特征空间中，研究者通过进一步构建差分属性剖面DAPs来检测建筑物在不同尺度参数、不同形态学属性中的差分特征，从而使建筑物与其他地物具有良好的可分性。

尽管如此，利用MAPs进行建筑物提取时依然存在如下的局限和难点：

(1)连通区域的提取仅依赖于相邻像素间特定属性(面积、形状等)的相似程度，由于不受建筑物固有边界的制约，因此连通区域可能包含属于相邻地物且具有相似属性的像素，从而降低了所提取MAPs的准确性；

(2)MAPs尺度参数的设定应当与影像中典型建筑的属性特征相匹配，而按照经验进行人工设定，不仅降低了方法的自动化程度，同时还可能陷入局部最优；

(3)结合DAPs与对象固有边界，还需要有效的分类方法以获得准确的建筑物提取结果。

发明内容

为了解决上述背景技术提到的技术问题，本发明提出了一种高分遥感影像建筑物提取方法，改善了在地物种类众多的城市场景下的遥感影像建筑物提取的性能。

为了实现上述技术目的，本发明的技术方案为：