[发明专利]一种针对多元遥感数据的房屋矢量化方法

摘要

本发明公开了一种针对多元遥感数据的房屋矢量化方法，包括以下步骤：获取需要处理的可以代表房屋位置、形状的信息；采用八邻域边缘追踪得到有序的边缘点，同时生成房屋边缘二值图像，边缘点为“1”，非边缘点为“0”；利用Radon变换结合主轴分析得到房屋的两个相互正交的主要方向；将房屋的边缘线分割成三类边缘线段：第一主方向类、第二主方向类、不定向类；对第一主方向类和第二主方向类的边缘线段的精确定位；计算相邻边缘线段的拐角点；生成矢量化的房屋边界线。本发明可避免房屋规则化过程中选择初始点和处理顺序的麻烦和不利影响，还可减弱房屋提取结果误差的影响，可获取与房屋外形较为吻合、有效、规则化的房屋轮廓信息。

主权项

1.一种针对多元遥感数据的房屋矢量化方法，其特征是，包括以下步骤：步骤1，获取需要处理的可以代表房屋位置、形状的信息；步骤2，获取房屋边缘：采用八邻域边缘追踪得到有序的边缘点，同时生成房屋边缘二值图像，边缘点为“1”，非边缘点为“0”；步骤3，利用Radon变换结合主轴分析得到房屋的两个相互正交的主要方向；步骤4，将房屋的边缘线分割成三类边缘线段：第一主方向类、第二主方向类、不定向类；步骤5，对第一主方向类和第二主方向类上的所有边缘点在其法方向上进行模板匹配，寻找最佳匹配点来完成对第一主方向类和第二主方向类的边缘线段的精确定位；步骤6，在准确获取第一主方向类和第二主方向类的边缘线段上边缘点的基础上，计算相邻边缘线段的拐角点；步骤7，生成矢量化的房屋边界线；且步骤3包括以下步骤：31）对初始轮廓线图像进行Radon变换得到一个累加数列，投影角度θ为0°～179°；累加数列中，行表示投影角度θ，列表示投影累计值；32）去除每一列中小于2的包含最大值的累计值，以减少计算量；33）将每一列的最大值和次大值相加作为这一列的的最终值，生成一个1x180的数组；34）将数组分成两组：一组角度范围是0°～89°，另一组角度范围是90°～179°；接着将第二部分的投影累计值与对应的第一部分投影累计值相加，即0°+90°，1°+91°，……，89°+179°，从而得到第一部分0°～89°新的角度累计值；35）最后依据角度累加值对角度θ进行重新排序，θ范围为0°～89°，取最大值θ_max作为第一主方向，此时第二主方向为θ_max+90° ；且步骤4包括以下步骤：41）计算每个边缘点的局部方向：采用以当前点p为中心，取依次取与其相邻的半径R范围内的轮廓点，即2R+1个点进行主成分分析，以第一主成分作为当前点p的法向量(a，b)，计算当前点的局部方向：；42）计算连接每一个边缘点分别与两个顶点（θ，θ+90°）的T链的权重：，，其中，D_p(θ)和D_p(θ+90°)分别为点p属于第一主方向θ类和第二主方向θ+90°类需要付出的代价，系数λ₁为断开T链的一个惩罚系数，参数ksif为常数；43）计算连接点p与不确定类的T链的权重为：，其中，由于方向不确定因而以固定值λ₂作为断开点p与不确定类连接需要付出的代价；44）计算相连边缘点之间N链的权重：根据相邻边缘点趋于同一类的这一先验知识，如果相邻边缘点被分为同一类，这两点之间的N链并没有被破坏，那么N链的权重为0；如果相邻边缘点未被分为同一类，则必须进行惩罚，惩罚值与这两个点的局部方向密切相关，相应的计算公式如下：，其中，系数为相邻边缘点没有被分为同一类的惩罚系数，也是引入辅助节点的惩罚系数，q为与断开点p未被分为同一类的相邻边缘点，V(L_p,L_q)即为将相邻边缘点分成不同类别需要付出的代价；45）边缘线段分割的能量函数形式为：，式中，表示一栋房屋所有边缘点的集合，N为边缘点的邻域系统，本文均采用八邻域，f是边缘线的一种分割结果，f_p为分割结果中边缘点p所属类别，有三个标记值：“1”、“2”、“3”，分别表示第一主方向类、第二主方向类、不定方向类；在构建好能量函数的基础上，利用α‑扩展算法对能量函数进行解算以将房屋边缘线分割为三类边缘线段。