一种航空遥感影像的建筑物轮廓线提取方法

摘要

本发明提出一种航空遥感影像的建筑物轮廓线提取方法，利用颜色不变量算法检测出航空遥感影像中建筑物的阴影区域，并对阴影区域进行图像细化，将细化的结果作为建筑物的背景区域；以阴影区域的质心为起点向太阳高度角反方向搜索，获得建筑物部分的区域，将这个区域作为建筑物的目标区域；利用线性迭代聚类法对航空影像进行超像素分割；基于分别获得的背景区域和目标区域，利用最大相似度进行超像素划分块的合并，提取建筑物的轮廓线。本发明利用面向对象分割思想和影像中目标的上下文信息进行建筑物轮廓线的提取，不但显著提高了建筑物轮廓提取的精度，而且降低了方法的复杂度。

权利要求

1.一种航空遥感影像的建筑物轮廓线提取方法，其特征在于，包括以下步骤：步骤1，利用颜色不变量算法检测出航空遥感影像中建筑物的阴影区域，并对阴影区域进行图像细化，将细化的结果作为建筑物的背景区域；

步骤2，以阴影区域的质心为起点向太阳高度角反方向搜索，获得建筑物的部分区域，将这个部分区域作为建筑物的目标区域；

步骤3，利用线性迭代聚类法对航空影像进行超像素分割；

步骤4，基于步骤1和步骤2分别获得的背景区域和目标区域，利用最大相似度进行超像素划分块的合并，提取建筑物的轮廓线：设Mb和Mo为步骤1和步骤2标记过的超像素分割区域，Mb代表标记的背景区域，Mo代表标记的目标区域，Nm表示未标记的区域，某一划分区域B∈Mb，B的邻域区域集合为 对于任何Ai且 Ai邻域集合为 如果B和Ai的相似度ρ(B,Ai)等于Ai与各邻域 的相似度 最大值，则B和Ai进行合并；继续找下一划分区域B∈Mb，进行同样操作，直到在Mb没有新的合并区域出现，停止合并；

根据以上合并结果，设未标记的划分块P∈Nm，P的邻域集合为 对于 和条件下，Hi的邻域集合为 如果P和Hi的相似度ρ(P,Hi)等于Hi与各邻域 的相似度 最大值，则P和Hi进行合并；找下一未标记的划分块P∈Nm，进行同样操作，直到在Nm中没有新的合并区域出现，停止合并；

最终得到的区域边界为建筑物轮廓线。

2.如权利要求1所述航空遥感影像的建筑物轮廓线提取方法，其特征在于：步骤3利用线性迭代聚类法对航空影像进行超像素分割，包括初始化聚类中心，根据区域内梯度值移动聚类中心，进行相似度度量；按最小相似度对图像的像素点进行聚类，不断迭代直到新种子点和原来的种子点之间的相似度误差收敛时迭代终止；把面积小于超像素的区域与其距离最近的区域合并，增强区域的连通性。

3.如权利要求2所述航空遥感影像的建筑物轮廓线提取方法，其特征在于：所述根据区域内梯度值移动聚类中心，是将种子点移动到以种子点为中心的3×3区域内梯度值最小的位置。

说明书

一种航空遥感影像的建筑物轮廓线提取方法

技术领域

[0001] 本发明涉及遥感影像应用技术领域，尤其是涉及一种航空遥感影像建筑物轮廓线提取方法。

背景技术

[0002] 建筑物是城市中一种重要的地理空间要素，它在城市规划与管理、城市发展与变化以及灾害检测与评估等领域具有重要的意义。建筑物轮廓线提取是城市基础地理信息系统建立和更新的一个重要步骤。航空影像是飞机按预定航线飞行、摄像，实时提供遥感监测数据，具有机动性强、便捷、成本低等特点，其所获取的高分辨率的遥感数据具有抗干扰能力强，成像范围大等特点，使之成为建筑物轮廓线提取有效的数据来源之一。

[0003] 高分辨率遥感影像中包含了大量丰富的信息，建筑物轮廓提取往往受到各种其它地物的干扰，比如建筑物和非建筑物区分，建筑物周围树木的遮挡，道路边线的影响等等。因此，对航空影像进行建筑物轮廓提取，技术难度很大。建筑物轮廓线提取不仅需要二维信息的分割提取，而且建筑物在影像中的上下文信息检测也至关重要。目前利用高分辨率遥感影像进行建筑物轮廓线提取的典型方法包括以下几种：1)基于单一的高分辨率遥感影像建筑物轮廓线提取。虽然高分辨率的遥感影像具有清晰的建筑物轮廓信息，但是人造的建筑物和非建筑物难以区分开来，另外建筑物周围的树木遮挡也对建筑物的轮廓产生一定的干扰，因此这类方法具有一定的局限性。2)基于阴影辅助下的建筑物轮廓线提取。虽然在阴影辅助下进行建筑物轮廓提取间接利用了建筑物的高度信息，但是阴影的提取不具有一定的普适性，而且利用阴影求得建筑物高度的需要相关的参数较多，因此此类方法很难满足实际的需要。3)基于Lidar和遥感影像的建筑物轮廓线提取。虽然这类方法既利用了Lidar的三维信息，又利用了影像的高精度几何轮廓信息，通过两种数据优劣的互为补充来提取建筑物轮廓信息。但是这类方法难点是Lidar和遥感影像的高精度配准，而且Lidar数据获取的成本也较为昂贵。4)基于立体航空影像的建筑物轮廓线提取。虽然这类方法利用立体匹配获得了三维信息，同时利用了影像高精度的二维信息，通过两类信息的互补进行建筑物轮廓信息提取。但是这类方法的问题是立体相对幅面较小，对于提取大范围的城区建筑物轮廓有一定的影响。因此需要迫切寻找一种数据易获取、提取自动化程度高、提取结果相对精确高且符合实际生产需要的方法。

发明内容

[0004] 本发明充分利用了超像素分割的面向对象特点，同时结合航空遥感影像中上下文信息，显著提高了建筑物轮廓提取的精度。

[0005] 本发明的技术方案提供一种航空遥感影像的建筑物轮廓线提取方法，包括以下步骤：

[0006] 步骤1，利用颜色不变量算法检测出航空遥感影像中建筑物的阴影区域，并对阴影区域进行图像细化，将细化的结果作为建筑物的背景区域；

[0007] 步骤2，以阴影区域的质心为起点向太阳高度角反方向搜索，获得建筑物部分的区域，将这个区域作为建筑物的目标区域；

[0008] 步骤3，利用线性迭代聚类法对航空影像进行超像素分割；

[0009] 步骤4，基于步骤1和步骤2分别获得的背景区域和目标区域，利用最大相似度进行超像素划分块的合并，提取建筑物的轮廓线：

[0010] 设Mb和Mo为步骤1和步骤2标记过的超像素分割区域，Mb代表标记的背景区域，Mo代表标记的目标区域，Nm表示未标记的区域，某一划分区域B∈Mb，B的邻域区域集合为对于任何Ai且 Ai邻域集合为 如果B和Ai的相似度ρ(B,Ai)等于Ai与各邻域 的相似度 最大值，则B和Ai进行合并；继续找下一划分区域B∈Mb，进行同样操作，直到在Mb没有新的合并区域出现，停止合并；

[0011] 根据以上合并结果，设未标记的划分块P∈Nm，P的邻域集合为 对于和 条件下，Hi的邻域集合为 如果P和Hi的相似度ρ(P,Hi)等于Hi与各邻域 的相似度 最大值，则P和Hi进行合并；找下一未标记的划分块P∈Nm，进行同样操作，直到在Nm中没有新的合并区域出现，停止合并；

[0012] 最终得到的区域边界为建筑物轮廓线；

[0013] 而且，步骤3利用线性迭代聚类法对航空影像进行超像素分割，包括初始化聚类中心，根据区域内梯度值移动聚类中心，进行相似度度量；按最小相似度对图像的像素点进行聚类，不断迭代直到新种子点和原来的种子点之间的相似度误差收敛时迭代终止；把面积较小的区域与其距离最近的区域合并，增强区域的连通性。

[0014] 而且，所述根据区域内梯度值移动聚类中心，是将种子点移动到以种子点为中心的3×3区域内梯度值最小的位置。

[0015] 与现有技术相比，本发明的有益效果是：

[0016] (1)本发明无需人工干预且均在彩色空间进行处理，计算量和复杂度明显降低，符合实际生产的需要。

[0017] (2)本发明基于面对对象的分割思想并结合了建筑物在影像中的上下文信息，提高了建筑物轮廓线提取的自动化程度和精度。

附图说明

[0018] 图1为本发明实施例的流程图；

[0019] 图2为本发明实施例的步骤2中建筑物目标区域选取示意图。

具体实施方式

[0020] 本发明提出了一种航空遥感影像的建筑物轮廓线提取方法，该方法先利用颜色不变量检测出航空遥感影像中建筑物的阴影区域，并对阴影区域进行图像细化，细化的结果作为建筑物的背景区域；再以阴影区域的质心为起点向太阳高度角反方向搜索，获得建筑物部分的区域，将这个区域作为建筑物的目标区域；利用SLIC算法对航空影像进行超像素分割；基于上述获得的背景区域和目标区域，利用最大相似度进行超像素划分块的合并，提取建筑物的轮廓线。以下结合附图和实施例详细说明本发明技术方案，流程图如图1所示，实施例的技术方案流程包括以下步骤：

[0021] 步骤1，利用颜色不变量算法检测出航空遥感影像中建筑物阴影区域，并对阴影区域进行图像细化，细化的结果作为背景区域。具体实施如下：

[0022] 颜色不变量是一种颜色集合模型，不受视角、物体表面光滑程度、光照方向、光照密度和亮度的影响。目前许多研究者利用颜色不变量替代植被覆盖指数(Normalized Difference Vegetation Index,NDVI)进行植被的检测和提取，同时也把它用于阴影检测。本实施例利用颜色不变量算法对建筑物阴影进行检测，见公式(1)，其中约束条件的主要目的是为了在阴影检测时剔除绿色植被的错误检测。

[0023]

[0024] 其中，i,j是影像中某个像素点的坐标值，SC表示检测的阴影区域，R(i.j)、G(i,j)和B(i,j)分别代表像素点(i,j)在RGB彩色空间中三个颜色通道的数值。

[0025] 对获取的阴影区域进行图像细化，将细化的结果作为背景区域。由于图像细化已经为成熟算法，本发明不再详述。具体实施时，可参考文献：王朋,张有光,张烁.指纹图像细化的综合化算法[J].计算机辅助设计与图形学学报,2009,21(2):179-182,189.[0026] 步骤2，以步骤1所得阴影区域的质心为起点向太阳高度角反方向搜索，获得建筑物的部分区域，将这个部分区域作为建筑物的目标区域(即前景区域)。具体流程如下：

[0027] 图2为建筑物目标区域选取示意图，设阴影区域Ω的质心点P0为(x，y)，太阳的方位角为A，以P0为起点，沿着方位角A的反方向搜索，进入非阴影区域的位置为起点P1，选取长度为L1的线条作为建筑物区域，同时选取垂直L1且长度为L2的线条作为建筑物区域，这两条线条作为前景的标记区域，是初始的目标区域，具体实施时线条长度可以采用本领域技术人员预先设定的取值。由于建筑物长宽不小于5米，如果航空影像分辨率为R，那么L1和L2取5/R。

[0028] 步骤3，基于简单的线性迭代聚类(simple linear iterative clustering，SLIC)算法对航空影像进行超像素分割。

[0029] SLIC是一种基于K均值(k-means)思想的超像素分割算法，具有使用简单、处理速度快和产生的超像素最规整的特点，由于当前建筑物顶面多为彩色，因此本发明采用的SLIC利用像素的颜色相似度和图像的平面空间信息对像素进行聚类。实施例的具体实施描述如下：

[0030] a)初始化聚类中心：对于有N个像素的图像，如需要产生的超像素区域的数目为K，则每个超像素的面积为N/K，每个种子点的距离近似为 在图像内以该距离均匀分配聚类中心。

[0031] b)移动聚类中心：为了避免种子点处于图像边缘位置而对聚类造成干扰，种子点被移动到以种子点为中心的num×nun区域内梯度值最小的位置，num为预设的数值，由于3×3是可以做梯度运算的最小区域，实施例取num＝3。

[0032] c)计算像素点(xi,yi)和(xj,yj)的相似度：

[0033]

[0034]

[0035]

[0036] 其中，l(xi,yi)、a(xi,yi)、b(xi,yi)和l(xj,yj)、a(xj,yj)、b(xj,yj)分别为像素点(xi,yi)和(xj,yj)在CIE Lab空间中L、a、b通道的数值，dc是像素点(xi,yi)和(xj,yj)的颜色距离，ds是像素点(xi,yi)和(xj,yj)的空间距离，d((xi,yi),(xj,yj))是像素点(xi,yi)和(xj,yj)的相似度，m为平衡参数，用来平衡颜色信息和空间信息在相似度衡量中的比重，具体实施时一般取值为1～20，本领域技术人员可自行取值，实施例中设置为10。

[0037] d)迭代优化：按最小相似度对图像的像素点进行聚类，不断迭代直到新种子点和原来的种子点之间的相似度误差收敛时迭代终止，即每个像素点聚类中心不再发生变化。为了提高算法的运行速度，对每个种子点聚类时，实施例只在种子点为中心的2S×2S区域内搜索像素点。

[0038] 具体实施时，可以首先生成K个种子点，然后在每个种子点的周围空间里搜索距离该种子点最近的若干像素，将他们归为与该种子点一类，直到所有像素点都归类完毕。然后计算这K个超像素里所有像素点的平均向量值，重新得到K个聚类中心，然后再以这K个中心去搜索其周围与其最为相似的若干像素，所有像素都归类完后重新得到K个超像素，更新聚类中心，再次迭代，如此反复直到收敛。

[0039] e)把面积较小的区域与其距离最近的区域合并，以保证区域的连通性。实施例中，设置为将面积小于N/K的区域合并。

[0040] 步骤4，基于步骤1和步骤2中分别得到的背景区域和目标区域，利用最大相似度进行超像素划分块的合并，提取建筑物的轮廓。

[0041] 超像素划分块相似度定义分为两部分：划分块的特征提取和相似度度量。根据建筑物顶面特征，利用颜色特征和方向梯度直方图(Histogram of Oriented Gradient,HOG)纹理特征对分割区域进行特征描述。由于HSV颜色空间较RGB颜色空间更加符合人眼视觉，对亮度更加敏感，有利于颜色特征的区分，所以本发明利用H、S和V对分割区域进行非均匀量化，根据HSV空间定义将色调H分为7个级别，饱和度S和亮度V各分为3个级别，然后将三个颜色分量合成一个一维矢量：L＝9H+3S+V(L∈[0,71])；由于超像素划分区域在形态上有一定的差异，根据超像素区域的长轴长度以及质心位置来确定一个矩形区域，用于计算HOG的特征。根据实验统计，超像素区域长轴为30个像素，所以提取质心为中心30×30的区域用于计算HOG特征，HOG的细胞大小为6×6，梯度方向抽取9个方向块，所以可以产生225个HOG的特征。为了防止较小的特征分量在计算中容易被忽略，对两类不同的特征量进行归一化处理，使得所有分量在特征描述时具有相同的权重。特征描述对每个超像素划分区域的特征直方图向量为F＝[f1,f2,...,fN]∈RD×N，其中N表示每个区域的特征数量，每个特征包含D维向量。本发明通过巴氏系数(Bhattacharyya coefficient)定义超像素划分块相似度：其中， 分别表示超像素划分块R和Q的特征直方图向量，超
像素划分块合并的条件定义为：设某一超像素划分块为R，Q为R的某一邻域块，设与Q所有相邻的划分块有q个，划分块记为 构成的集合为 Q与它所有相邻划分块的
相似度为 那么R与Q合并的条件为：当ρ(R,Q)为 最大值，即
时，那么划分块R和Q就可以合并。

[0042] 实施例中超像素划分块的合并流程如下：

[0043] 1)设Mb和Mo为步骤1和步骤2标记过的超像素分割区域，Mb代表标记的背景区域，Mo代表标记的目标区域，Nm表示未标记的区域，某一划分区域B∈Mb，B的邻域区域集合为表示B邻域区域总数，对于任何区域Ai且 Ai邻域集合为k表示Ai邻域区域总数，因此 如果B和Ai满足条件，

[0044]

[0045] 即B和Ai的相似度ρ(B,Ai)等于Ai与各邻域 的相似度 最大值，B和Ai进行合并，即B＝B∪Ai，继续找下一划分区域B∈Mb，进行同样操作，直到在Mb没有新的合并区域出现，就停止合并。

[0046] 2)对于上一步的合并结果，设未标记的划分块P∈Nm，P的邻域集合为Hi是P的邻域集合中的元素，p是P的邻域集合中的元素总数，对于区域和 条件下，Hi的邻域集合为 k表示Hi邻域区域总数，因此
如果P和Hi满足条件，

[0047]

[0048] P和Hi进行合并，即P＝P∪Hi，找下一未标记的划分块P∈Nm，进行同样操作，直到在Nm中没有新的合并区域出现，就停止合并。

[0049] 3)最终得到的区域边界为建筑物轮廓线。

[0050] 本文中所描述的具体实施例仅仅是对本发明精神作举例说明，本发明所属技术领域的技术人员可对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但不会偏离本发明的精神或超越所附权利要求书所定义的范围。