高分遥感图像平顶建筑快速精准识别方法技术

针对目前遥感图像精确建筑识别主要通过手工方式完成,且数据量巨大，本申请提出一种自动化程度高的平顶建筑精准识别方法,采用人机交互设置种子点、区域生长、LSD直线检测和剔除、矩形主方向确定、最小外接矩形优化拟合操作识别出单个平顶建筑屋顶的面矢量,基于平顶建筑单点识别和图像逐步分割方法,采用去除绿植、多层级尺度分割、均量聚类分割、特征矩形识别、结构圆形态开处理识别出图像中疑似建筑的中心点，最终获得识别建筑的面矢量图,实现人机交互的影像平顶建筑识别，减轻人力成本，提高平顶建筑识别效率和质量，为建筑物矢量化在灾害精确评估提供定量灾情信息、建筑物损毁识别方面发挥重要应用。别方面发挥重要应用。别方面发挥重要应用。

【技术实现步骤摘要】
高分遥感图像平顶建筑快速精准识别方法


[0001]本申请涉及一种高分遥感图像平顶建筑识别方法，特别涉及一种高分遥感图像平顶建筑快速精准识别方法，属于遥感图像建筑识别


技术介绍

[0002]在遥感图像中,城市80％以上的人工目标物为建筑物和道路,建成区作为人类活动的主要场所,建筑物的识别具有极其重要的作用，在导航、城市规划、灾情分析和判定、灾害管理、不动产估计、公共服务、人口密度估计以及其他领域都有相关应用。另一方面,建筑物作为地物类别中的主要内容，建筑物的识别直接影响到地物识别的自动化水平。由于建筑物具有明显的定位特征，所以识别和精确定位建筑物为特征识别，特征匹配，图像理解，制图和作为其他目标的参照体有重要的意义。
[0003]建筑物也是GIS数据库中增加和更新速度较快的地物，而更新的工作量巨大，基本上都依赖于手工识别。遥感图像中建筑物的识别准确率的高低对于图像制图,地理信息系统的数据获取和更新需求，同时考虑到遥感图像中地物的多样复杂，识别高分辨率遥感图像中的建筑物是遥感图像目标识别中的重要的工作之一。
[0004]一般里氏五级以上的强级地震会引起抗震强度不高的建筑部分倒塌和损毁,频繁的强级地震给减灾和灾后应急、救援等带来了很大挑战,针对地震灾害频发、幅员辽阔、农村建筑分布广泛、人口居住分散，建筑识别和建筑损毁识别都是灾后应急处理、灾情评估的重要事项，因此遥感图像建筑识别具有重大研发意义和巨大的实用价值。
[0005]地震后建筑的倒塌和地震烈度直接相关，对于建筑抗震强度不高、简易建筑居多的农村和山区来讲，更容易引起建筑彻底倒塌和损毁，而完成建筑信息的精确快速识别，是一项繁重的任务，实际应用中对于大量的线状目标(如道路)或者面状目标(如建筑)的识别，基本仍然依靠手工矢量化方法的来完成，对于建筑这类面状目标而言,经常基于Arcgis等数字化软件进行完全纯手工数字化,满足不了灾后应急的需求,基于传统的纯手工式建筑数字化工作重复性强、速度缓慢且工作量繁重，因此迫切需要提高自动化水平，减轻人工工作量势在必行。
[0006]考虑到建筑目标类的特征,充分利用高分遥感数据的高空间分辨率特征和不同传感器的成像特征，完成对城镇建筑、农村建筑、道路、电力线塔、移动基站等灾害目标及其损毁信息的精确识别，为灾害目标精确评估提供灾情的定量信息,实现高分遥感从图像数据转换为有用信息进而为灾情评估和服务。考虑到建筑目标类的特征，识别建筑矢量图，为建筑面积计算、分布以及灾后建筑损毁等提供直接依据，基于卫星数据和航拍数据，结合GIS、CAD、OpenStreetmap、行政区划图等多种先验数据，可实现灾后城乡建筑的定量化精确识别。
[0007]目前遥感图像信息识别的发展从单一数据源、简单的分类处理向多源数据的综合集成处理以及智能化的信息识别,由于自动目标识别仍是一个困难的问题，遥感图像上灾害目标语义信息的识别一直是一个费时费力的难题。随着图像空间分辨率的提高，考虑图
像空间上下文的基于对象或者面向对象的图像分析方法比起单纯基于像元的传统信息识别已呈现出明显的优势。而建筑在图像中属于一类聚类目标,形状复杂多变,以矩形和圆形建筑居多,其中最广泛的是矩形建筑结构或是矩形叠加组合屋,作为典型的地物,分布广、识别工作量大，所以建筑自动化识别和半自动化识别一直是研发的热点和难点,对建筑的目标识别研究主要集中在精准识别和半精准识别两个方面,而面向对象的建筑识别，如LiDAR数据与高分辨遥感图像结合的建筑识别方法，利用阴影信息辅助的建筑检测方法等成为主流。
[0008]对于建筑物识别可以利用的主要数据源有：遥感多光谱图像、航拍图像、Lidar点云数据、SAR图像，辅助数据包括DSM、DEM、OpenStreetmap、建筑物高度信息；而识别方法主要有基于模板匹配的、基于建筑分类的、基于建筑目标几何信息的三大类。建筑物的自动识别过程复杂而比较难以实现，尤其在在复杂场景中，全自动识别由于受到场景限制适用性更差。
[0009]综合来看，现有技术的高分遥感图像平顶建筑识别存在诸多不足，当前的主要缺陷和难点包括：
[0010]第一，建筑物是GIS数据库中增加和更新速度较快的地物，而更新工作量巨大，现有技术基本上都依赖于手工识别，识别效率低和准确度都比较低，遥感图像中建筑物的识别准确率的高低直接影响图像制图质量,由于自动目标识别仍是一个困难的问题，遥感图像上灾害目标语义信息的识别是一个费时费力的难题，实际应用中对于大量的线状目标(如道路)或者面状目标(如建筑)的识别，基本仍然依靠手工矢量化方法的来完成，对于建筑这类面状目标而言,经常基于Arcgis等数字化软件进行完全纯手工数字化,满足不了灾后应急等工作的需求,基于传统的纯手工式建筑数字化工作重复性强、速度缓慢且工作量繁重，因此迫切需要提高自动化水平，减轻人工工作量势在必行；
[0011]第二，高分辨率图像的目标地物信息表现丰富多样，数据量巨大，背景信息复杂，噪声信息干扰严重，“同物异谱”和“异物同谱"现象突出，即使在同一场景中，建筑因材质不同、建造的年代不同，建筑物顶面的灰度、色彩、纹理差异较大，种种建筑物自身的复杂特征,参数值随着不同建筑对象而发生变化，建筑识别才能得到满意的结果，这就使得建筑的精准识别成为极大的技术难点，由于建筑的多样性和复杂性，现有技术在建筑识别中建筑的立面和顶面易混淆，建筑的侧立面和屋顶面都为矩形，且纹理特征和光谱信息都有一定的近似度,当遥感图像上建筑目标有一定程度的倾斜时,建筑阴影的出现和相互间的遮挡对于建筑识别的带来很大影响，而且经过分割后建筑顶面和立面容易混淆，为建筑识别的正确性带来了很大的挑战；
[0012]第三，由于建筑房屋具有尺度依赖性，需要根据不同地区的建筑,选择具有合适空间分辨率的遥感图像，尺度选择应该适当，但现有技术没有针对不同建筑合适空间分辨率设置的理论和实践支撑，无法满足实际遥感图像平顶建筑识别应用需求；现有技术缺少建筑识别图像分割参数设置的有效方法，采用分割方法分割时，由于建筑的大小和图像分辨率有直接的联系，建筑因图像分辨率不同而大小不一致，即使同一幅图像中建筑的大小也会呈现不同,因此面对建筑目标,图像分割中参数如何设置为一个难点，现有技术没有合理的解决方案，导致平顶建筑识别准确度很差，可用性和可靠性都比较差，无法推广至救灾等很多重要领域，应用受到极大受限，准确度差导致在实际运用中几乎没有实用价值；
[0013]第四，由于高分辨遥感图像信息高度细节化，同时使得同谱异物和同物异谱现象出现更加频繁，成为制约房屋信息识别的重要因素，加之地物阴影、建筑相互遮盖、云层遮盖等因素，均为建筑信息的识别工作带来了更大困难，同时图像数据量的增加也为遥感图像的存储、显示、检索、信息取等各方面都出了更高要求，现有技术在提取房屋的过程中，面对同谱异物和同物异谱现象更加困难，同时也不能很好的处理地物阴影、建筑相互遮盖、云层遮盖等因素，最终导致高分辨率遥感图像平顶建筑识别的效率和可靠性存在严重问题，建筑物的自动识别过程复杂而比较难以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.高分遥感图像平顶建筑快速精准识别方法，其特征在于，基于平顶建筑单点识别和图像逐步分割方法,利用高分辨率遥感图像进行平顶建筑的自动识别方法,采用去除绿植、多层级尺度分割、均量聚类分割、特征矩形识别、结构圆形态开处理识别出图像中疑似建筑的中心点，再利用平顶建筑单点识别，完成平顶建筑的识别，最终获得识别建筑的面矢量图，实现平顶建筑自动化识别；平顶建筑精准识别框架：首先对经过去除绿植或未经过去除绿植的输入图像进行多层级尺度分割,设置分割尺度、光谱异质度赋分和形状异质度赋分,将图像中多层级尺度分割后的分割对象根据色彩特征求取均量,并采用色彩距离近似度标准对分割后不同的区域进行合并,得到原始图像分割后的各目标的色彩均量图像，以多层级尺度分割后求取的色彩均量图像为输入图像,进行基于欧氏距离的均量色彩聚类分割,将均量聚类分割后的五个聚类簇的图像分别二值化，对每个聚类簇内的二值化图像分别利用矩形度、长宽比、面积进行矩形区域过滤和识别,对经过特征矩形识别后的二值图进行结构圆形态开处理剔除碎小的疑似建筑目标物，对每一幅二值图像中的疑似建筑目标的连通区域进行标注，按照标注求取疑似建筑目标的中心点，将这些中心点作为建筑单点识别的种子点,对识别出的疑似建筑目标进行识别，最终得到平顶建筑精准识别到的建筑面矢量，完成平顶建筑精准识别的整个过程。2.根据权利要求1所述高分遥感图像平顶建筑快速精准识别方法，其特征在于，平顶建筑单点识别：针对平顶房屋的矩形建筑以及矩形组合建筑进行人机交互的自动识别，采用人机交互设置种子点、区域生长、LSD直线检测和剔除、矩形主方向确定、最小外接矩形拟合优化操作来识别出单个平顶建筑屋顶的面矢量,识别出图像中的建筑矢量图。3.根据权利要求1所述高分遥感图像平顶建筑快速精准识别方法，其特征在于，去除绿植：提出多光谱和可见光图像平顶识别去除绿植法，具体包括：第一步：求出输入图像的NDVJ绿植指数图像；第二步：设置临界域对绿植指数图像进行二值化处理；第三步：对二值化后的绿植指数图像取反，得到非绿植区域标注图像；第四步：将得到的非绿植区域标注图像和原图做点乘运算得到原始图像中的非绿植区域，图像点乘按式1运算：A和B都为m
×
n的矩阵，分别代表非绿植区域标注图像和原图。4.根据权利要求1所述高分遥感图像平顶建筑快速精准识别方法，其特征在于，多层级尺度分割：从图像逐步分割开始只利用红、绿、蓝三个可见光波段信息，采用多层级尺度分割作为逐步分割进行建筑提取的第一步分割，光谱的异质性L通过四个变量计算获得，分别为光谱要素因子h
color
,形状要素因子h
shope
，光谱异质性b
color
，形状异质性b
shape
,其中的关系如式2所示：
其中形状异质性b
shape
由紧密度因子h
compact
和平滑度因子h
smooth
两个因子组成；b
shape
＝h
compact
×
d
compact
+h
smooth
×
(1
‑
d
compact
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式3d
compact
是用户白定义的光谱权重值，取值范围0≤d
compact
≤1；光谱异质性b
color
取决于影像中对象的数量大小：m
merge
代表结合对象的像素值，w指的是影像层，d
w
指的是影像在k层的权值，结合光谱的标准差，m
ob1
指图像1在合并前的像素数量，是图像1在合并之前的光谱标准差，m
ob2
指图像2在合并前的像素数量，是图像2在合并之前的光谱标准差；对任何给定的尺度进行与先验知识无关的初始图像分割并进行对象识别，将光谱因子与形状因子相结合，分割尺度、光谱异质度和形状异质度三个参数直接影响分割结果，分割尺度数值越小，出现过分割现象，分割尺度数值越大，存在欠分割现象，同时形状因子和紧密度因子的取值都不宜过大，对于建筑房屋这类目标物尺度参数在65至95之间,形状因子和紧密度因子参数取值在0.45至0.55之间分割效果好，分割过程中的第一步就要识别图像对象原型，同时生成的图像对象也是图像对象原型,所以多尺度的图像对象分割结果作为信息载体和原料用于进一步的分类和其他分割过程,将图像中分割后的目标根据色彩特征求取均量，并采用色彩距离近似标准对分割后不同的区域进行合并，得到原始图像分割后的各目标的色彩均量图像，作为下一步进行均量聚类分割的初始图像。5.根据权利要求1所述高分遥感图像平顶建...

【专利技术属性】
技术研发人员：卫忠，
申请(专利权)人：卫忠，
类型：发明
国别省市：