The invention provides a high resolution remote sensing image building rapid extraction method of image gray-scale extraction, and then through the Gauss filter denoising, then use the Otsu method of the Canny adaptive processing method to extract the actual edge two value image based on reuse method based on Freeman chain code extraction two the value of the line in the image, finally get the corner connection form building outline, fast automatic extraction of completed buildings in high resolution remote sensing image; rapid extraction method of high resolution remote sensing images provided by the invention of the building, can realize the fast extraction of remote sensing images in buildings without human intervention in the process. Fast extraction speed, high accuracy.
【技术实现步骤摘要】
本专利技术属于高分辨率遥感影像信息提取领域，涉及对高分辨遥感影像的中人造地物的识别和提取，特别是涉及对那些边缘由直线、弧线组成的建筑物提取的
技术介绍
随着遥感影像的分辨率不断提高，影像中的信息更加复杂，地物的纹理形状信息更加多样化，而建筑物在大小形状上各有区别，再加上周边其他地物的混淆、阴影的干扰等原因容易造成在影像上建筑物形状的变化，因此要对建筑物的形状做精确的描述是件非常困难的事情。近年来，许多研究人员在利用遥感影像进行建筑物提取方面作了大量研究工作，各种新方法、新理论层出不穷，其中基于建筑物轮廓大多是由矩形或是弧线构成的特点，通过特定处理方法，寻找图像中的边缘、线条、角点等特征来识别建筑物是主流研究方向之一。
技术实现思路
本专利技术提供了一种高分辨率遥感影像中的建筑物快速提取方法，可快速寻找图像中的边缘、线条、角点等特征来识别建筑物；一种高分辨率遥感影像中的建筑物快速提取方法，其中，包括如下步骤：步骤1)、读取遥感影像，提取灰度...
【技术保护点】
一种高分辨率遥感影像中的建筑物快速提取方法，其特征在于，包括如下步骤：步骤1)、读取遥感影像，提取灰度图像：遥感图像中每个像素点的色彩具有R、G、B三个分量,P(r,g,b)代表一像素点,其中r代表该像素点的R分量的值，g代表该像素点的G分量的值，b代表该像素点的B分量的值；灰度函数H(P)的值表示像素点P(r,g,b)的灰度值：H(P)＝0.3r+0.59g+0.11b 式(1)用式(1)按照从左到右、从上到下的顺序依次扫描遥感图像中的每个像素点，得到每个像素点的灰度值，按照式(1)扫描时同样的顺序组成第一灰度图像；步骤2)、使用高斯滤波对第一灰度图像进行降噪处理：2...
【技术特征摘要】
1.一种高分辨率遥感影像中的建筑物快速提取方法，其特征在于，包括如下步骤：
步骤1)、读取遥感影像，提取灰度图像：
遥感图像中每个像素点的色彩具有R、G、B三个分量,P(r,g,b)代表一像素点,其中r代
表该像素点的R分量的值，g代表该像素点的G分量的值，b代表该像素点的B分量的值；
灰度函数H(P)的值表示像素点P(r,g,b)的灰度值：
H(P)＝0.3r+0.59g+0.11b式(1)
用式(1)按照从左到右、从上到下的顺序依次扫描遥感图像中的每个像素点，得到每个
像素点的灰度值，按照式(1)扫描时同样的顺序组成第一灰度图像；
步骤2)、使用高斯滤波对第一灰度图像进行降噪处理：
2a)、计算大小为(2k+1)×(2k+1)的高斯模板U(x，y)：
U(x,y)=12πσ2exp(-(x-k-1)2+(y-k-1)22σ2)]]>式(2)
其中，k为正整数且k≥1，x，y分别代表高斯模板中元素的横坐标和纵坐标；σ＞0，为第
一灰度图像的平滑程度参数；
2b)、取k＝1，大小为3×3的高斯模板U(x，y)中9个元素的模板值分别为m1、m2、m3、m4、m5、
m6、m7、m8、m9；
第一灰度图像中，除左、上、右、下四条宽度为一像素的边缘外任一像素点P点的8邻像
素，即紧邻像素点P的左上、上、右上、左、右、左下、下、右下8个方向上的像素；像素点P与8邻
像素的灰度值按照第一灰度图像中从左至右、从上到下的顺序依次为g1、g2、g3、g4、g5、g6、
g7、g8、g9；
用该高斯模板U(x，y)按照从左到右、从上到下的顺序依次扫描第一灰度图像中除左、
上、右、下四条宽度为一像素的边缘外的每一个像素P，各像素点P由高斯模板U(x，y)做高斯
滤波的方法见式(3)；
S=Σj=19mj,U0=1S×Σi=19(gi×mi)]]>式(3)
所述的U0表示以高斯模板U(m，n)做高斯滤波后所到的像素点P的灰度值；S为中间变量，
表示像素点P和其8邻像素的灰度值的总和；
按照式(3)依从左到右、从上到下的顺序对第一灰度图像中像素点P进行依次扫描时，
对当前所扫描的像素点P由高斯模板U(x，y)所确定的邻域内所有像素的加权平均灰度值替
代当前像素点P的灰度值，扫描结束后得到第二灰度图像；
步骤3)、使用基于Otsu方法的自适应Canny算法提取图像中的边缘；
31)：用一阶偏导的有限差分来计算梯度的幅值和方向；
采用Canny算法,其中所采用的卷积模板为式(4)；
M1=-11-11M2=11-1-1]]>式(4)
其中M1、M2分别为第二灰度图像x、y轴方向上的一阶偏导数矩阵,依照所述一阶偏导数
矩阵M1、M2按照从左到右、从上到下的顺序依次扫描第二灰度图像中的每一个像素点，得到
每个像素点x、y方向上的梯度幅值Gx、Gy：
Gx＝[f(x+1,y)-f(x,y)+f(x+1,y+1)-f(x,y+1)]/2式(5)
Gy＝[f(x,y)-f(x,y+1)+f(x+1,y)-f(x+1,y+1)]/2式(6)
x、y表示所处理像素点的横坐标、纵坐标值，f(x,y)表示第二灰度图像中坐标为(x,y)
的像素点的灰度值，该像素点的梯度幅值G(x,y)和方向角θ(x,y)由式(7)和式(8)处理得
到；
G(x,y)=Gx2+Gy2]]>式(7)
θ(x,y)=arctan(GyGx)]]>式(8)
由式(7)和式(8)对第二灰度图像中每一个像素点按照从左到右、从上到下的顺序依次
扫描，得到第二灰度图像中每一个像素点梯度幅值和方向角；
32)：非极大值抑制；
经过上述步骤31)的处理，得到了每个像素的梯度幅值G(x,y)和方向角θ(x,y)，为了得
到最真实的边缘，须保留每个像素点在其梯度方向上的极大值，而删掉当前像素点梯度方
向上的其他值，即非极大值抑制；对第二灰度图像中每个像素点按照从左到右、从上到下的
顺序进行非极大值抑制，即处理得到第三灰度图像，第三灰度图像显示了遥感影像中建筑
物影像的边缘；
非极大值抑制的具体处理方法如下；
判断是否是极大值，需要根据当前扫描像素点梯度方向所在的区间，在x轴和y轴方向
分别进行插值计算，然后再进行比较,以找到最大值，梯度方向所在的区间指的是梯度方向
α所在的角度范围，插值是为了更合理地判断当前像素点的梯度方向：
①当0<α<π4]]>以及π<α<5π4]]>时，令Gp＝g3w+g2(1-
w),Gn＝g7w+g8(1-w)；所述的w为中间变量；
②当π4<α<π2]]>以及5π4<α<3π2]]>时，令Gp＝g7w+g4(1-
w),Gn＝g3w+g6(1-w)；
③当π2<α<3π4]]>以及3π2<α<7π4]]>时，令Gp＝g6w+g5(1-
w),Gn＝g4w+g1(1-w)；
④当3π4<α<π]]>以及7π4<α<2π]]>时，令Gp＝g2w+g1(1-
w),Gn＝g8w+g9(1-w)；
其中，g5为当前处理像素的梯度幅值，gn(1≤n≤4,6≤n≤9)表示8邻像素的梯度幅值，
Gp表示梯度方向上前一个像素的梯度幅值，Gn表示梯度方向上后一个像素的梯度幅值；
当梯度方向α的值在上述相应的区间内时，当且仅当目前所处理像素的梯度幅值g5大于
前述①～④中各插值方法计算出的Gp和Gn时，g5为极大值，也就是边缘点；
33)、计算最优高低阈值
读取第三灰度图像的宽度为W像素、高度为H像素，则第三灰度图像中的像素总数N为：
N＝W×H式(9)
设第三灰度图像中每一像素的梯度幅值G(x,y)的范围为[0,G]，读
取每一像素的梯度幅值G(x,y)，找梯度幅值等于确定值为i的像素，得到梯度幅值等于i的
像素个数为Ni个，i∈[0,G]；设T1为最优低阈值，T2为最优高阈值；
非边缘点总个数N1(T1,T2)为：
N1(T1,T2)=Σi=0T1Ni]]>式(10)
其中，Ni是梯度幅值等于i的像素的个数；
非边缘点所占比例值ω1(T1,T2)为：
ω1(T1,T2)=(N1(T1,T2)N)]]>式(11)
潜在边缘点总个数N2(T1,T2)为：
N2(T1,T2)=Σi=T1+1T2Ni]]>式(12)
潜在边缘点所占比例值ω2(T1,T2)为：
ω2(T1,T2)=(N2(T1,T2)N)]]>式(13)
真边缘点总个数N3(T1,T2)为：
N3(T1,T2)=Σi=T2+1GNi]]>式(14)
真边缘点所占比例值ω3(T1,T2)为：
ω3(T1,T2)=(N3(T1,T2)N)]]>式(15)
非边缘点的平均梯度μ1(T1,T2)、潜在边缘点的平均梯度μ2(T1,T2)和真边缘点的平均梯
度μ3(T1,T2)如下：
μ1(T1,T2)=Σi=0T1iNiN1(T1,T2):μ2(T1,T2)=Σi=T1+1T2iNiN2(T1,T2):μ3(T1,T2)=Σi=T2+1GiNiN3(T1,T2)]]>式(16)
第三灰度图像总的梯度均值μs为：
μs＝μ1(T1,T2)ω1(T1,T2)+μ2(T1,T2)ω2(T1,T2)+μ3(T1,T2)ω3(T1,T2)式(17)
非边缘点、潜在边缘点和真边缘点这三类像素的类间方差σ2(T1,T2)为：
σ2(T1,T2)＝ω1(T1,T2)(μ1(T1,T2)-μS)2+ω2(T1,T2)(μ2(T1,T2)-μS)2+ω3(T1,T2)(μ3(T1,
T2)-μS)2式(18)
使类间方差σ2(T1,T2)在[1,G-1]范围内依次取值，当类间方差σ2(T1,T2)为最大值时，此
时的T1、T2的值即为最优低阈值T1和最优高阈值T2；
34)：用双阈值算法检测和边缘连接；
根据上一步33)中得到的最优低阈值T1和最优高阈值T2对第三灰度图像进行过滤，像素
点的梯度幅值如果大于高阈值则认为当前像素点必然是边缘点，即真边缘点，如果当前处
理像素点的梯度幅值小于低阈值，则认为当前像素点必然不是边缘点；处于低阈值和高阈
值之间的像素点是潜在的边缘点，即假边缘；将第三灰度图像根据高阈值过滤得到的边缘
点链接成轮廓，当到达轮廓的端点时，在端点的8邻点...
【专利技术属性】
技术研发人员：班瑞，郑延召，
申请(专利权)人：郑州恒正电子科技有限公司，
类型：发明
国别省市：河南;41
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。