[发明专利]基于偏移阴影样本形态变换的高分遥感影像建筑物提取方法

说明书

本发明公开了一种基于偏移阴影样本形态变换的高分遥感影像建筑物提取方法，首先，利用偏移阴影分析法自动提取建筑物初始样本，然后根据建筑物屋顶形态特征构建自适应建筑物样本精细提取变换组合提取样本；进一步结合SVM分类原理得到建筑物初始提取结果；最后采用形态学预处理以及基于形态特征的格网占比法等对初始结果进行优化处理，输出建筑物最终提取结果。本发明基于建筑物屋顶形态特征特的样本自适应精细选取法则，以及有效的后处理优化措施，能有效提高建筑物提取的精度及自动化程度。

技术领域

本发明属于遥感影像应用领域，涉及一种高分遥感影像建筑物提取方法，特别是涉及一种基于偏移阴影样本形态变换的高分遥感影像建筑物提取方法。

背景技术

伴随着人们生活水平的提高，遥感技术的飞速发展与进步，人们通过遥感数据获取建筑物信息的需求愈发迫切，因此建筑物的自动提取技术研究也逐渐成为遥感解译研究领域的新热点，新浪潮。诸如城区自动提取、地图更新、城市变化监测、城市规划、三维建模、数字化城市建立等都需要快速提取建筑物信息，但目前的建筑物提取过于依赖人工，自动化程度偏低。现阶段建筑物提取所依靠的数据源主要有激光雷达(light detection andranging，LIDAR)、合成孔径雷达(synthetic aperture radar，SAR)、光学影像等数据源。其中激光、合成孔径雷达等获取数据成本高，而高分光学遥感影像数据拥有丰富的地物光谱信息，大量的地物结构、形状和纹理信息，以易获取、覆盖范围广、可解除数据源限制等优势[1-3]常用于建筑物提取。

自1988年以来，国内外研究人员提出了一系列从高分遥感影像中提取建筑物的方式方法，并取得了长足的进步。目前，高分辨率遥感影像的建筑物提取方法主要包括动态轮廓法、区域分割法和分类法。动态轮廓法主要利用直线和角点检测与匹配的原理，首先基于线性特征的边缘检测得到符合建筑物空间结构和轮廓的矩形，再根据遥感影像上建筑物较明显的角点信息进行角点匹配，并利用高度、阴影、墙面等特征验证建筑物[4-6]，以达到提取建筑物的目的。此类方法对于影像上存在遮挡的建筑物能够进行一定补偿，使得提取的建筑物完整性较好，但是形态结构复杂的建筑物对于提取结果影响较大，不易实现自动提取。

区域分割法是利用图像分割原理对影像进行分割后提取同类目标。可以使用尺度不变特征变换(SIFT)算法获取测试图像与模板之间的多个子图匹配的关键点，以提取城市区域，再采用图切割法提取出独立的建筑物[7-8]。同时，使用归一化植被指数(NDVI)与YIQ颜色空间中的色度与强度来检测遥感影像中的植被与阴影，剩余的人造地物通过MeanShift目标跟踪算法进行分割，最后通过形态学操作提取建筑物与道路，也是一种较为常见的区域分割提取建筑物的方法[9]。区域分割法能够较好的识别同质区域，但是由于采用了面向对象的思想，影像分割的尺度对于建筑物提取结果影响较大，并且对于不同影像间相同的地物难以做到尺度的统一。

分类法是通过光谱、纹理、结构等特征结合支持向量机(SVM)、神经网络等方法提取建筑物初始结果[10-11]，然后再采取区域增长、数学形态学处理、遗传算法等方法[12-14]进行优化，得到最终建筑物提取结果。此类方法无需先验知识，但常采用的监督分类必须依赖样本训练，样本选取往往离不开人工辅助，导致自动化程度降低。基于偏移阴影分析的建筑物自动提取方法[15]，以分割-分类-优化为主线，通过逆向偏移阴影自动提取建筑物样本用于SVM分类提取初始建筑物结果，再通过阴影验证等方法优化建筑物提取结果，此方法能自动捕捉到建筑物样本，减少了人工辅助提取样本的工作量，大幅度提高了建筑物提取的精度和自动化程度。但是对于因构造或材质等原因存在明显光谱差异的建筑物，该方法并未能有效、全面地选取样本，可能出现样本遗漏现象，使得建筑物自动提取精度达不到预期效果。

针对目前建筑物提取方法普适性较差、自动化程度偏低、对先验知识要求严苛、样本选取不全面的问题，可设计一种以高分辨率可见光遥感影像为基础，充分利用建筑物阴影及相关形态变换原理，同时结合相应的后处理优化策略，实现人工参与度底，自动化程度高，结果准确的建筑物提取。