[发明专利]一种基于虚拟遥感影像的建筑高度智能识别方法

说明书

本发明公开了一种基于虚拟遥感影像的建筑高度智能识别方法，包括推算遥感图像的方位角和高度角、生成随机参数的建筑轮廓、生成虚拟卫星遥感影像、训练卷积神经网络、自动化提取建筑高度信息等五个交替运行的步骤。本发明的识别方法可以生成大量的参数随机的虚拟遥感图像，训练得到的卷积神经网络具有良好的泛化性能和自动化能力，能够综合利用建筑阴影、建筑边缘等信息进行建筑高度信息提取，提高了识别精度；采用一边生成训练集虚拟图像、一边训练卷积神经网络的策略进一步提高了卷积神经网络的训练效率。

技术领域

本发明涉及遥感影像应用技术领域，更具体地，涉及一种基于虚拟遥感影像的建筑高度智能识别方法。

背景技术

建筑物高度信息提取是遥感技术的一个重要应用，根据遥感数据的来源可以划分为光学遥感影像、激光探测及测距系统、合成孔径雷达等方法，其中光学遥感影像具有成本低、操作简便的优点。利用单张光学遥感影像测量建筑高度的主要几何原理是如图1所示，用建筑的影子长度乘以太阳高度角(h_so)的正切值；或者用能反映高度的建筑边缘在影像中的长度乘以卫星高度角(h_sa)的正切值。这种利用建筑阴影测量建筑高度的方法，一般流程是首先从图像中分离出建筑阴影，然后推算太阳高度角、方位角，最后根据阴影长度计算出建筑高度。现有利用建筑阴影提取建筑高度的方法，其识别的精度依赖于图像的分辨率、高度角、阴影和建筑是否重叠等因素。如果太阳高度角太大以至于阴影长度不可测量，那么将无法利用阴影长度测量建筑高度，同理，如果卫星高度角太大也会导致无法利用建筑的边缘长度信息。另外，在提取阴影的过程中需要调试各类参数以达到最好的提取效果，这些参数有可能依赖于调试所采用的图像而不具有好的泛化性。并且这类方法较为依赖人工，难以实现大面积的自动化提取信息。

近些年被广泛应用于图像识别领域的深层卷积神经网络(CNN)技术，为自动化地从单张遥感图像中提取建筑高度信息提供了可能性，但是训练CNN需要大量的训练集数据，这些训练集图像的建筑高度必须已知，而且如果希望训练得到的CNN能够应用于各种不同太阳和卫星的高度角和方位角的情况的话，训练集图像中的高度角和方位角参数也需要随机变化。虽然一张大面积的光学遥感图像能够包含大量不同高度的建筑图像，但是其高度角和方位角一般是相同的，因此想要根据实际遥感图像数据训练出泛化性能良好、适用于不同角度参数的CNN是很困难的。

因此，开发一种建筑高度智能识别的方法以克服CNN从单张光学遥感图像提取建筑高度信息时缺乏高度角和方位角变化的建筑图像训练集的困难是一个亟待解决的技术问题。

发明内容

由于现有技术存在上述缺陷，本发明提供了一种基于虚拟遥感影像的建筑高度智能识别方法，以克服CNN从单张光学遥感图像提取建筑高度信息时缺乏高度角和方位角变化的建筑图像训练集的困难。

为实现上述目的，一方面，本发明提供一种基于虚拟遥感影像的建筑高度智能识别方法，其特征在于，包括以下步骤：

S1、当遥感影像中的方位角和高度角未知时，推算遥感图像的方位角和高度角；包括以下具体流程：

S11、估计太阳和卫星方位角：找出合适的阴影线段和建筑边缘线段分别反推太阳和卫星方位角；

S12、估计太阳高度角h_so：当影像拍摄日期和建筑经纬度确定时，当天的任意时刻的太阳高度角和方位角是已知的，由于一天之内太阳方位角是惟一的，根据步骤S11已经得到的太阳方位角可以查出对应的太阳高度角h_so；

S13、估计卫星高度角h_sa：建筑高度H＝L_ob tan(h_sa)，其中L_ob为建筑阴影长度，然后卫星高度角的正切值即为tan(h_sa)＝H/L_ob，从而得到了卫星高度角；