利用高分辨率遥感影像提取建筑物方法研究

随着航空航天技术的发展,人们获取的遥感影像数据的空间分辨率不断提高,同时获取难度大幅降低。在遥感数据日益普及的今天,利用影像处理与分析技术对高空间分辨率遥感影像中的感兴趣目标进行自动提取已经成为目前遥感领域研究的热点之一。建筑物作为与人类生活密切相关的主要人工地物,是城市发展的重要标志。目前,通过对高分辨率遥感影像进行建筑物自动提取已经成为建筑物信息获取的重要手段,而建筑物信息可用于进一步研究城市的扩张与发展、城市土地利用现状与变化、城市规划、城市热岛效应、人口估计与预测、灾害监测预警与评估等。     

高分辨率遥感影像建筑容积率提取方法研究

提出了一种基于建筑物阴影的高分辨率卫星遥感影像建筑物容积率提取方法。首先利用高分辨率遥感影像提取城市大范围建成区建筑物阴影,再通过阴影矢量化、阴影坐标转换,将大比例尺的卫星分幅图进行自动拼接,最终根据阴影与建筑物面积关系回归分析、建筑物朝向分析等进行建筑容积率的计算和半自动提取。对上海中心城区的建筑容积率的提取实验验证了所提方法的有效性。     

基于角点的高分辨率遥感影像建筑物提取

几何结构是高分辨率遥感影像中人工地物区别于其他地物目标的突出特征。针对高分辨率遥感影像中建筑物提取的问题,提出一种基于角点这一几何结构特征的建筑物自动提取方法。该方法无需事先标记训练数据,而是通过计算影像的建筑物指数来直接获取建筑物位置。首先利用基于模板的角点检测算子提取影像中的角点;其次综合角点的位置、角度和显著性等信息,利用空间投票的统计方法计算影像中每个像素属于建筑物的概率;最后经过阈值分割得到建筑物提取结果。实验采用了自主收集的影像分辨率为0.5 m的Spacenet65数据集进行测试。结果表明,提出的方法能够准确提取出高分辨率遥感影像中的不同类型的建筑物。     

高分辨率遥感影像的建筑物自动提取

文章结合结构图分析方法,提出一种针对高分辨率遥感影像中建筑物自动提取方法.该方法利用几何限制对线基元进行初连接,解决由于边缘检测无法完整提取建筑外边缘问题;通过构造结构图确立线基元之间连接关系,搜索结构图中闭合路径,建立高级别特征,对过于散列的线基元进行整合;在此基础上,综合考虑建筑物的几何结构、光谱特征等图像信息筛选闭合路径,实现对建筑物的提取.最后通过对天绘一号高分辨率遥感影像进行建筑物自动提取验证了该方法的有效性.     

面向对象的多源数据建筑物提取

建筑物是城市的重要标志之一,综合利用LiDAR数据和高分辨率遥感影像可以充分发挥不同数据源中提取建筑物的优势。本文基于面向对象分类理论,利用机载LiDAR数据和GeoEye高空间分辨率遥感影像,在多尺度分割的基础上对实验区分类并提取建筑物,进而对提取结果进行精度评价。实验表明,将LiDAR数据与高分辨率影像数据结合能够很好地提取建筑物,建筑物提取精度达89.28%。     

基于注意力增强全卷积神经网络的高分卫星影像建筑物提取

从卫星遥感影像中自动提取建筑物在国民经济社会发展中具有广泛的应用价值,由于卫星遥感影像存在地物遮挡、光照、背景环境等因素的影响,传统方法难以实现高精度建筑物提取。采用一种基于注意力增强的特征金字塔神经网络方法(FPN-SENet),利用多源高分辨率卫星影像和矢量成果数据快速构建大规模的像素级建筑物数据集(SCRS数据集),实现多源卫星影像的建筑物自动提取,并与常用的全卷积神经网络进行对比。研究结果表明:SCRS数据集的提取精度接近国际领先的卫星影像开源数据集,且假彩色数据精度高于真彩色数据; FPN-SENet的建筑物提取精度优于其他常用的全卷积神经网络;采用交叉熵和dice系数之和为损失函数能够提升建筑物提取精度,最好的分类模型在测试数据上的分类总体精度为95.2%,Kappa系数为79.0%,F1分值和IoU分别达到了81.7%和69.1%。该研究可为高分辨率卫星影像建筑物自动提取提供参考。     

影像与LiDAR数据信息融合复杂场景下的道路自动提取

城区的道路自动提取受场景复杂度的影响一直是极具挑战的任务,尤其是阴影和遮挡较严重地区的道路提取难度较大。结合LiDAR数据和高分辨率遥感影像,提出一种自动道路提取方法。该方法首先对滤波后的点云强度信息获取初始道路中线及道路关键点;将地面点云强度,离散度及高分辨率遥感影像光谱数据多重信息融合建立道路模型,并以优化后的道路关键点作为种子点利用动态规划计算模型最优解,进一步提取道路网。试验表明,该方法在城市复杂场景下的自动提取主要道路是有效的。     

高分辨率遥感影像建筑物提取的注意力胶囊网络算法

高分辨率遥感影像建筑物自动提取在防灾减灾、灾害估损、城市规划和地形图制作等方面具有重要意义。但是,目前常用的传统卷积神经网络模型存在异变性强而同变性弱缺陷。针对该问题,本文提出一种基于通道和空间双注意力胶囊编码—解码网络DA-CapsNet（dual-attention capsule encoder-decoder network）的建筑物提取通用模型。该模型通过胶囊卷积和空间—通道双注意力模块增强高分辨率遥感影像中建筑物高阶特征表达能力,实现建筑物遮挡部分以及对非建筑不透水层的准确提取与区分。模型首先利用胶囊编码—解码结构提取并融合多尺度建筑物胶囊特征,获得高质量建筑物特征表达。之后,设计通道和空间注意力特征模块进一步增强建筑物上下文语义信息,提高模型性能。本文选取3种高分辨率建筑物数据集进行试验,最终的平均精度、召回率和F1-score分别为92.15%、92.07%和92.18%。结果表明,本文提出的DA-CapsNet能有效克服高分辨率遥感影像中的空间异质性、同物异谱、异物同谱以及阴影遮挡等影响,实现复杂环境下的高精度建筑物自动提取。     

基于AlexNet网络的高分辨率遥感影像建筑物提取方法研究

高分辨率遥感影像的数据源日益增长使得其成为主要的遥感数据源之一。本文研究了一种基于AlexNet网络的高分辨率遥感影像建筑物提取方法,该方法是在卷积神经网络的基础上,建立一种端到端自动提取影像中建筑等物体位置的方法:首先使用图像增广技术增加数据集的丰富性和多样性;再通过超参数搜索选择网络使用的较优参数,最终实现了遥感影像中建筑物的自动提取。实验结果表明,该方法可达到75%的提取精度;与传统方法进行定性和定量对比,该方法具有耗时少、精度高的特性,对后续城市规划、三维建模等应用有着重要意义。     

数位绘图技术在高分辨率遥感影像精确镶嵌中的应用

近年来,高分辨率遥感影像应用日趋广泛。针对高分辨率遥感影像生产过程中,影像镶嵌环节使用鼠标绘制镶嵌线效率低、精度差的问题,本文提出使用数位绘图技术替代鼠标,以手工描绘的方式绘制镶嵌线,通过栅格-矢量转换,生成高精度矢量镶嵌线,实现高分辨率遥感影像的高精度无缝镶嵌。经实际生产项目应用,证明该方法切实可行,镶嵌线节点数量、镶嵌精度及生产效率显著提高,成果质量良好。     

复杂环境下高分二号遥感影像的城市地表水体提取

水体指数可以抑制背景噪声和提高地表水体的可分性,已经广泛用于地表水体提取。传统FCM聚类算法考虑了地物的不确定性,但没有顾及地物的邻域空间信息,对背景异质性比较敏感。针对传统FCM聚类算法的不足,提出一种可变邻域的区域FCM聚类算法。由于复杂环境下高分二号(GF-2)遥感影像的城市地表水体具有复杂异质背景和不确定性的特点,本文利用水体指数和区域FCM聚类算法的优点,提出一种整合水体指数和区域FCM的城市地表水体自动提取算法,该算法主要步骤包括:(1)去除影像阴影后计算归一化差分水体指数NDWI(Normalized Difference Water Index);(2)区域FCM聚类算法;(3)整合水体指数和区域FCM聚类的城市地表水体自动提取算法。最后采用两景GF-2高分辨率遥感影像(广州和武汉)进行实验,验证了该算法的有效性,并与经典地表水体提取算法进行对比分析。实验结果表明:该算法具有较高的水体提取精度,城市地表水体边界既具有较好的区域完整性又保持了局部细节,同时对城市地表水体复杂背景噪声具有较好的抑制作用,有效减少传统FCM聚类算法的"胡椒盐"现象。     

结合像元级和目标级的高分辨率遥感影像建筑物变化检测

快速、精准的建筑物变化检测对城市规划建设等业务管理具有重要意义。随着卫星遥感技术的快速发展,基于高分辨率遥感影像的建筑物变化检测得到了广泛关注。针对像元级建筑物变化检测方法往往精度不足而目标级建筑物变化检测方法过程烦琐等问题,本文提出结合像元级和目标级的高分辨率遥感影像建筑物变化检测方法。首先综合高分辨率遥感影像的多维特征,利用随机森林分类器进行影像集分类,以获取像元级建筑物变化检测结果;然后对后时相遥感影像进行图像分割,获得影像对象;最后融合像元级建筑物变化检测结果和影像对象,识别变化的建筑物目标。利用双时相QuickBird高分辨率遥感影像进行建筑物变化检测试验,结果表明：本文提出的方法能够削弱光照、观测角度等环境差异对建筑物变化检测的影响,显著改善建筑物变化的检测精度。     

关键点检测的复杂建筑物模型自动重建

利用机载LiDAR点云数据进行建筑物重建是当今摄影测量与遥感领域的一个热点问题,特别是复杂形状建筑物模型的精确自动构建一直是一个难题。本文提出一种基于关键点检测的复杂建筑物模型自动重建方法,采用RANSAC法与距离法相结合的分割方法自动提取建筑物屋顶各个平面的点云,并利用Alpha Shape算法提取出各个平面的精确轮廓,根据屋顶平面之间的空间拓扑关系分析建筑物的公共交线特征,在此特征约束下对提取的初始关键点进行修正,最终重建出精确的建筑物3维模型。选取不同类型复杂建筑物与包含复杂建筑物的城市区域点云进行实验,结果表明该算法具有较强实用价值。     

多尺度SLIC-GMRF与FCNSVM联合的高分影像建筑物提取

遥感影像建筑物提取具有重要的应用价值。然而,高分辨率遥感影像中细节信息繁多、特征复杂,增加了建筑物提取难度。针对这一问题,本文提出一种基于多尺度SLIC-GMRF和FCNSVM的建筑物提取方法,一定程度上提高了高分辨率遥感影像建筑物提取能力。首先,利用多尺度SLIC-GMRF分割算法确定初始建筑物区域,然后,充分利用FCN神经网络在语义分割中的优势抽取建筑物特征,最后,结合提取出的建筑物特征训练SVM分类器细化建筑物提取结果,通过3种控制实验,两种对比方法得出以下结论:SLIC分割算法影响初始分割结果;SVM分类器影响建筑物细部提取;FCN特征影响SVM分类器性能。对于特征清晰、遮挡干扰较少的研究区,本文方法能够较好提取影像中的建筑物,查准率、查全率、质量指标均优于对比方法,对建筑物复杂分布的研究区同样能够取得较好的提取效果。     

亚米级遥感影像的建筑物高度反演方法及其验证北大核心CSCD

建筑物高度是现代化都市监测、规划、管理及各城市经济活动中的基础性数据,为实现建筑物高度信息的提取,本文提出了一种基于玻尔兹曼曲线的建筑物高度反演方法。首先,利用建筑物影像的光谱特性,采用多尺度分割和遥感指数分类的办法获取建筑物阴影感兴趣区域,根据玻尔兹曼曲线函数拟合获取阴影的亚像素位置,线性拟合得到阴影边界;然后,根据太阳、卫星、建筑物和其阴影的几何关系,构建高度反演模型,估算建筑物高度;最后,选择宁海为研究区,选取在轨的主流亚米级高分二号、高景一号、北京二号、WorldView-2卫星遥感数据进行精度验证。试验结果表明,计算的建筑物高度中误差优于2.5 m,可用于一般的城市卫星遥感监测。     

GF-2影像面向对象典型城区地物提取方法

国产高分遥感影像信息丰富,提供了精准的地物空间细节,深入研究高分数据处理及其提取城区地类目标信息的方法具有重要意义。本文以国产高分二号（GF-2）遥感影像为数据源,利用规则集的面向对象分类方法,通过ESP尺度分析工具选取得出最优分割尺度,建立各类地物的特征体系及分类规则,最终提取出研究区典型城区地物信息,并将之与传统基于像元的SVM监督分类结果作比较。结果表明：规则集的面向对象分类总体精度为92.23%,Kappa系数为0.9,比SVM监督分类有大幅度提高。对高分二号等高分辨率影像,面向对象的分类方法精度更高,图示效果更好,是城区地物提取的有效方法。     

基于双张影像的城市建筑物高度提取方法

针对现有城市建筑物高度提取方法存在的问题,提出一种基于双张影像的城市建筑物高度简易提取方法。利用高分辨率遥感影像和建筑物立面影像,分别提取样本建筑物的阴影长度和高度,采用最小二乘法解算出影像阴影和建筑物高度的相关公式,通过阴影长度反算出建筑物的高度,从而实现大批量建筑物高度数据的获取。通过建模实例和测量对比实验表明,方法具有操作简单、快速的特点,能满足较高的精度要求,具有一定的应用价值。     

利用QuickBird影像的阴影提取建筑物高度

高度信息作为建筑物的重要属性信息,在军事和民用上都具有很高的利用价值。本文中提出了一种新的建筑物高度信息提取方法——基于分类的建筑物高度信息提取。此方法可以分为三个步骤:第一,利用面向对象分类方法进行建筑物屋顶和阴影的信息提取;第二,屋顶和阴影的优化;第三,建筑物高度信息提取。通过实验证明了这种方法在建筑物高度信息提取中的潜力。     

基于深度学习的高分辨率遥感影像建筑物提取方法

针对传统的建筑物提取方法精度较低和边界不完整等问题,本文提出基于深度学习的高分辨率遥感影像建筑物提取方法。首先,采用主成分变换非监督预训练网络结构,获得待提取遥感影像特征。其次,为减少在池化过程中影像特征信息的丢失,提出自适应池化模型,通过非下采样轮廓波变换来获取影像纹理特征,并将纹理特征输入网络中参与建筑物提取。最后,将影像特征输入softmax分类器进行分类,获得建筑物提取结果。选取典型区域进行建筑物提取试验,并与典型建筑物提取方法进行对比分析,结果表明,本文提取方法精度高,并且提取建筑物的边界清晰、完整。     

结合边界约束网络和分水岭分割算法的建筑物提取

城市作为高密度建筑区域,在较小范围内有大量结构相似的建筑紧密分布。当前从高分辨率图像中准确检测建筑仍然是一个挑战,本文受边缘检测网络启发,提出一种强化边界精度的建筑物提取新方案,根据建筑物及边界特点改进深度网络,结合自下而上分组的分水岭分割提高分类精度和建筑边界的准确度。首先对数据预处理,生成建筑边界和建筑分割线两类辅助标签;改进性能较优的建筑检测框架ICT-Net网络,修改网络结构和损失函数,针对两类辅助标签,强化边界影响,提高网络性能;最后对网络预测结果应用结合分水岭分割和梯度提升回归树的后处理,实现高精度的建筑提取。结果表明,数据预处理、改进深度学习算法可提高建筑检测像素精度IOU（Intersection over Union）约1%。后处理能充分利用网络输出的概率信息,有效优化建筑边界,在网络预测结果的基础上提高建筑实例召回率10.5%。本文方案与原始的ICT-Net网络相比,提高建筑实例召回率22.9%。