一种高分辨率遥感影像轮廓多级正则化方法、系统及应用技术方案

本发明专利技术属于建筑物遥感影像识别技术领域，公开了一种高分辨率遥感影像轮廓多级正则化方法、系统及应用。该方法包括根据分割结果获得近似建筑区域，基于主方向构建符合建筑物形状的最优外接矩形，联合Hausdorff距离算法对轮廓进行初次正则化处理；然后利用关键点信息进行分组最小二乘直线拟合，在建筑物主方向约束下利用感知编组算法进行各个线段的连接与重构；利用图搜索算法实现高分影像中所有建筑物轮廓的正则化。通过对多幅遥感影像进行实验对比分析，本方法建筑物边缘的准确性、规整程度得到有效改善，即使是复杂的建筑轮廓依然可以保留更多的细节特征，验证了本发明专利技术方法的适用性和鲁棒性。用性和鲁棒性。用性和鲁棒性。

【技术实现步骤摘要】
一种高分辨率遥感影像轮廓多级正则化方法、系统及应用


[0001]本专利技术属于建筑物遥感影像识别
，尤其涉及一种高分辨率遥感影像轮廓多级正则化方法、系统及应用。

技术介绍

[0002]随着航空航天的快速发展，高分辨率遥感图像变得越来越容易获取和使用。建筑作为城市结构的重要组成部分，在人类社会中发挥着重要作用。建筑物轮廓被认为是非常重要的几何数据，这些信息使本专利技术能够量化建筑物的空间分布特征，对于城市规划、土地调查、变化检测和军事侦察等领域有着不可估量的价值，在越来越多的研究中，如智慧城市、高精度矢量地图、3D城市地图和重建、城市土地动态监测、城市环境质量评估、城市蔓延监测和城市空气污染建模等，需要更精细尺度的建筑轮廓信息(尤其是在城市地区)。因此，如何准确、快速地提取建筑轮廓信息已经变得越来越重要。
[0003]由于不同的成像环境，不同的颜色、对比度和阴影条件，导致成像结果存在很大的差异。建筑物分布不均、复杂的背景和建筑风格的多样性，使遥感图像通常具有复杂数据的特征，这些数据常以异构区域的形式存在，具有较大的类内变化和极小的类间变化，这在建筑物和道路等城市物体中更为突出，遥感图像中的这种异质性限制了大多数现有方法。
[0004]在过去的几十年里，人们提出了许多算法，这些方法通过各种类型的数据集(如图像或点云)、尺度(如城市或国家)、分辨率(如分米或米)或光谱(如可见光或多光谱)进行验证，建筑物提取的技术日渐成熟。Rottensteiner和Briese指出，在一些高精度的应用中，建筑物边界的确定是一个关键但困难的步骤。
[0005]过去，一些有前途的解决方案使用了交互式初始化设置，然后是自动提取程序。然而，只有在训练有素的操作员进行初始化并监督提取过程的情况下，这种方法才可行。为了适应各种应用的高需求，精确的提取建筑物轮廓也应当考虑自动化的过程。近年来，建筑物轮廓的自动提取方法仍在深入研究中，由于场景复杂、不完整的线索提取和传感器依赖性，自动检测建筑物的成功率较低。此外，不同类型的建筑特征(尺寸、形状、颜色等)和周围环境增加了设计自动化方法的难度。
[0006]基于规则的程序已经成功地实现了一定程度的自动化，这些规则基于先验知识，描述不同特征的外观、尺寸和约束，以区分城市对象。此外，还有利用数据各自的优势，采用数据融合的方法开展建筑物提取的工作(如激光雷达点云结合高分影像)。然而多源数据的获取和融合代价往往是高昂的，因为建筑物表示可能会在图像场景中遭受起伏位移或建筑物变形，容易引进额外的噪声，在许多情况下，不同数据源得到的建筑几何位置很难完全匹配。
[0007]从单一的数据类型开始，自动建筑物提取已被证明是一项非常重要的任，它可以被视为两个相互依赖的任务——建筑物检测和轮廓正则化，后者的准确性取决于可靠的检测。然而，这两项任务都具有挑战性，尤其是在复杂的场景中。
[0008]根据处理策略，传统的建筑物检测方法大致有三类：基于数据驱动、基于模型驱动
和混合类方法。数据驱动的方法通常涉及对图像基本特征进行自下而上的处理，该方法使用包含几何、结构和形状等特征结构，采用一定的规则将这些特征结构合并成为目标整体以获得建筑物边界；而自上而下的模型驱动方法则将建筑目标抽象成一个整体的模型，通过将输入数据拟合到预定义目录(如平面、鞍形等)中采用的模型来估计建筑边界，虽然最终边界在拓扑上总是正确的，但是如果目录中没有相应的模型，则无法确定复杂建筑的边界。相比之下，数据驱动的方法对建筑外观没有约束，可以近似任何形状的建筑。这些方法的一个缺点是，它们容易受到输入数据不完整和不准确的影响，例如Awrangjeb和Fraser，这些数据使用非地面激光雷达点，基于共面特征对相似表面进行聚类，并提取建筑物。然而，由于三维点云的不完整性，它存在欠分割问题；(加文献)混合类方法提供了更好的解决方案，因为互补方法的集成有助于克服个别方法的缺点。如LiDAR点云结合纹理特征、马尔可夫随机场等可在多种复杂环境下有效提取建筑物信息，取得了广泛的应用。
[0009]不可否认，支持向量机(SVM)、随机森林(RF)、深度学习(DL)等机器学习方法为高分影像处理领域提供了突破。深度学习已被广泛用于改进对象提取(如建筑物、道路、树木等)、分类和分割。基于深度学习的建筑物分割方法主要受CNN理论的启发，允许从训练数据中进行自适应特征学习。一般来说，这些方法不需要显式特征设计，可以从大量标记的训练数据中学习高度区分的特征。早期的研究通常通过面片分类框架进行像素分割，其中每个像素的标签与其所属的面片相关联。面片间重叠严重，计算量大，效率低；由于完全卷积网络(FCN)能够高效地执行像素到像素的分类，在语义分割方面表现出了良好的性能,因此它在建筑物分割中变得更加流行，然而建筑物的细节和边界仍然不准确，因为在重复的下采样操作中，细节空间信息丢失，很难恢复。之后，人们提出了几种改进的类FCN模型，并将其应用于建筑物分割。主要改进方向之一是利用对称架构，如SegNe、U
‑
net和特征金字塔网络(FPN)，以增强用于类别预测的最终特征地图的空间信息。此外，还提出了多尺度特征融合
[40]、特征选择、决策森林和模型集成等技术，以进一步提高分割精度。
[0010]然而，许多地理应用(高精度矢量地图制作、地籍等)需要精确的对象边界，才能生成最终产品的地理信息系统(GIS)矢量数据。自动生成高质量的建筑物轮廓依然不是很现实，基于深度学习的建筑物提取方法存在以下技术缺陷：(1)被树木或阴影遮挡的部分建筑识别率较低；(2)不同区域之间的泛化能力较差(3)极小的类内差异导致小部分漏检和误检也可能沿着建筑物边界持续存在；(4)建筑轮廓提取结果锯齿化严重；(5)对于小型建筑物提取效果较差。造成这些问题的原因主要是机器学习方法使用手工制作的特征或邻域信息来获得学习的，而这些特征又是使用可调参数提取的。比如在建筑边界处的线段，这些特征是模糊的，机器学习方法很难提取锐边，结果通常不符合高精度建筑应用的要求，对这些边界应用多边形简化技术很容易生成不准确和不规则的形状，因此后处理工作是不可或缺的一部分。
[0011]目前，建筑物轮廓正则化方法主要有三类：一是利用图像形态学处理的方法；二是利用点云数据辅助的正则化方法；三是利用图像特征信息的方法。利用图像形态学处理的方法主要基于高分影像建筑物轮廓图像进行形态学处理(腐蚀、膨胀等)，对轮廓进行形态学修正；借助激光点云数据的轮廓正则化方法主要利用点云提供的轮廓高度进行轮廓的正则化，是轮廓正则化的主要研究内容。这类研究方法依赖点云数据，所需的数据覆盖面有限，易使正则化方法受限；利用图像特征信息的轮廓正则化方法，主要是利用建筑物轮廓直
线的走向、拐角点、外接矩形等特征将建筑物轮廓进行重构。此类方法容易造成线段丢失，细节方面没有办法保证。如hough变换容易漏检短边缘、角点被遮蔽或模糊等原因引起的角点匹配和提取错误。
[0012]通过上述分析，现有技术存在的问题及缺陷为：...

【技术保护点】

【技术特征摘要】
1.一种主方向约束下高分辨率遥感影像轮廓多级正则化方法，其特征在于，该方法包括：S1，对建筑物影像进行分割，获得建筑轮廓，并对获得的建筑轮廓要素进行简化，再利用周长和面积约束去除小部分误检结果；S2，基于主方向构建符合建筑物形状的最优外接矩形，联合Hausdorff距离算法对轮廓进行初次正则化处理；S3，利用关键点信息进行分组最小二乘直线拟合，在建筑物主方向约束下利用感知编组算法进行各个线段的连接与重构；S4，利用图搜索算法进行高分影像中所有建筑物轮廓的正则化。2.根据权利要求1所述的主方向约束下高分辨率遥感影像轮廓多级正则化方法，其特征在于，在步骤S1中，对获得的建筑轮廓要素进行简化中采用道格拉斯
‑
普克算法进行建筑轮廓要素简化压缩，首先按顶点的顺序将相邻的三个固定顶点组成一系列三元组，然后顺次取一个三元组进行处理；依次按顺序取建筑轮廓上连续的三个点，计算顶点到其余两点连线的垂直距离D，并将距离D与设置的阈值d
δ
比较；若垂直距离D小于给定的阈值d
δ
时，则去掉顶点；反之，则保留；直至所有的三元组处理完毕为止。3.根据权利要求1所述的主方向约束下高分辨率遥感影像轮廓多级正则化方法，其特征在于，在步骤S2中，基于主方向构建符合建筑物形状的最优外接矩形，联合Hausdorff距离算法对轮廓进行初次正则化处理，具体包括以下步骤：结合形状特征和边缘特征用以确定建筑物主方向和外接矩形，利用轮廓边界的方向直方图求出建筑物的主方向，在主方向约束下利用投票
‑
旋转卡尺算法求出主方向的具体值和对应的局部最优外接矩形，用最优外接矩形代替小型建筑的轮廓，对大型建筑采用最优外接矩形联合Hausdorff距离算法进行部分轮廓正则化处理。4.根据权利要求3所述的主方向约束下高分辨率遥感影像轮廓多级正则化方法，其特征在于，所述投票
‑
旋转卡尺算法包括：先使用投票方案确定建筑物主方向的信息，对检索到的方向进行聚类过滤出其他方向的线段，最后通过旋转卡尺算法确定最终的建筑物主方向，具体包括以下步骤：(1)基于线段特征的初步方位估计：对投票方案创建二维累加器阵列：行数Nm等于每条线段在轮廓中所占长度的权重|W|；列数Nangle对应于角度值空间离散化的步长da；该累加器阵列表示轮廓中各个线段对应角度的离散空间；在处理所有线段后，累加器阵列中的峰值对应于主方向的大致角度值a
m
；设建筑物轮廓的拟合多边形所组成的直线段集合为L＝{l1，l2，...，l
n
}，计算每条直线段与水平方向的夹角，记为A＝{a1，a2，...，a
n
}，n为单个建筑物轮廓的拟合多边形的边数，则a
i
∈[0，180)；以每条线段的长度为权重、间隔10
°
对角度值空间进行离散化，阵列中的峰值为角度值a
m
为建筑物方向；(2)角度约束剔除无关线段：对检索到的线段进行方向聚类使得一个簇中的所有角值差不超过预定义阈值，通过对聚类中包含的角值求平均来计算得到的主方向角度a
main
；设角度阈值tha为5
°
，则主轴向线段为PL＝{pl
i
||a
i
‑
a
m
|＜tha}，i为a
m
±
tha(a
m
±5°
)的线段集，去除无关线段，以每条线段的长度为权重，计算PL角度的加权平均值，即：
(3)通过旋转卡尺算法确定最优外接矩形及主方向：在角度为[a
main
‑
da，a
main
+da]内以1
°
为旋转步长，求出各旋转角度下建筑物轮廓的外接矩形，以面积最小的外接矩形作为最优外接矩形，建筑物主方向为该矩形长边对应的角度值，其中，角度值空间离散化的步长为da。5.根据权利要求3所述的主方向约束下高分辨率遥感影像轮廓多级正则化方法，其特征在于，对大型建筑采用最优外接矩形联合Hausdorff距离算法进行部分轮廓正则化处理，具体包括以下步骤：(i)对建筑物轮廓拟合多边形构成的线段集合分别进行等分：设建筑物轮廓拟合多边形的线段集合为L＝{l1,l2，...，l
t
}，其各线段等分后的点集为A
i
＝{a1,a2,...，a
m
}，其中i＝1，2，...，t；最优拟合外接矩形的四条边作为线段集为B＝{b1,b2,b3,b4}；(ii)设阈值为H：首先计算l
i
第一个点a1到最优拟合外接矩形四条边的欧式距离，保留满足...

【专利技术属性】
技术研发人员：解斐斐，顾宇超，孙林，霍志玲，张志鹏，陈锦鹏，葛帅，易明哲，张金瑞，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：