一种具有抗弱边缘能力的航空影像房屋自动提取方法

在充分利用房屋影像特征和目标领域知识的基础上,构造了基于方向信息的弱边缘检测、大跨度直线桥线段提取、角点分析与检测、房屋轮廓推理与证实、房屋轮廓修整与表达等关键算法,以控制注意力焦点处理机制和影像级、符号级结合的运算方式,对大比例尺航空影像中的房屋目标进行提取。本文详细地描述了此方法,并给出了在提取被树荫等环境因素干扰的规整平顶、坡顶房屋方面所取得的效果。     

基于深度学习的遥感影像地物目标检测和轮廓提取一体化模型

随着遥感影像的分辨率不断提升,基于可见光遥感影像地物目标检测和轮廓提取的研究越来越受到关注。基于深度学习的方法提出一个利用遥感影像进行地物目标检测和轮廓提取的一体化模型,旨在解决遥感影像地物目标检测和轮廓提取中繁复的手工标注和传统算法效果不佳的难题。以船舶为研究对象,在HRSC2016遥感数据集上进行验证,单类目标检测精度可以达到79.50%,4类目标检测精度为63.45%,轮廓提取精度可以达到97.40%。结果证明,提出的模型可以实现基于遥感影像的自动化、智能化的船舶目标轮廓提取。     

航空影像直角房屋轮廓半自动提取

以精确提取房屋轮廓为目的,提出了一种航空影像中直角房屋轮廓半自动提取算法。该方法首先通过人工使用鼠标依次在房屋边缘线的大致位置画直线,再利用影像分割分别得到所对应的窗口影像;进而利用LSD算法对窗口影像提取直线;然后以其为初值,在保证其整体位移和数值偏差最小的情况下利用最小二乘算法在原始影像图上进行线拟合和直角化;最后连接角点,完成房屋轮廓信息的提取。试验结果表明,该方法不仅有效地减轻了工作人员的劳动强度,而且定位精度高于人工切准。     

基于视觉显著性和图分割的高分辨率遥感影像中人工目标区域提取

目标检测与提取是遥感影像处理与解译的重要研究内容。提出一种基于显著性检测和图像分割的面向对象高精度目标提取方法。首先,给出一种融合"基于图论的视觉显著性"和"基于边线密度的视觉显著性"的显著性计算模型。通过引入线密度,可以在复杂背景图像下有效提取目标区域,用于高分辨率遥感图像无监督的快速场景分析。然后,利用图论分割方法获取特征相似的图像区域。同一区域中的像素具有相似的显著度值和特征。以图块为对象分析其显著性大小,可以提取精细的目标轮廓。相对于基于像素点的显著性目标提取方法,本文所用面向对象的分析方法能够在保证较高检测精度的同时有效降低冗余检测率。在高分辨率遥感影像上的试验证实对人工目标(如建筑物)的检测更准确并且所得轮廓更精确。     

基于分类与形态综合的高分辨率影像建筑物提取方法研究

本文提出了一种基于分类和形态综合的高分辨率影像建筑物提取方法。主要研究的是基于高分辨率影像多尺度分割的面向对象人工地物分类方法,并以此为基础提取房屋,实现房屋位置、范围的初步自动化提取。最后,对提取的地物图斑的精确边界利用Hough变换提取直线边缘轮廓线,并以此为基础进行轮廓拟合和制图综合,从而得到规则的、方形组合的建筑物形状信息。     

LiDAR辅助下利用超高分辨率影像提取建筑物轮廓方法

以精确自动提取建筑物轮廓为目标,提出一种LiDAR辅助下利用超高分辨率影像进行轮廓提取的新方法.其要点分为4步:① 预处理,检测LiDAR中建筑物点并分割成每栋建筑物的点集;② 建立轮廓提取区,针对每栋建筑物做缓冲区和外接矩形,通过缓冲区过滤和外接矩形切割,建立轮廓提取感兴趣区域;③ 线段提取,借助LiDAR估算出建筑物概略主方向,并在该方向的约束下,自动、鲁棒地检测出建筑物的主方向和建筑物的线段;④ 轮廓筛选,基于LiDAR密度分析与Kmeans聚类动态筛选出精确轮廓.本方法所提取的建筑物轮廓定位精确、细节完好,轮廓提取准确率91%.     

基于高分辨率遥感影像的农村聚落信息的提取

传统的房屋提取方法一般基于像素的提取，无法利用影像的空间信息。本文提出了一种面向对象的卫星影像房屋提取方法。利用影像对象的光谱特征、几何特征和空间关系建立知识库，利用知识库中的规则来提取影像中的房屋。     

基于线扩散函数的高精度轮廓特征提取算法

提出了一种基于线扩散函数的运动目标高精度轮廓特征提取算法（LDFM）。对该算法提取轮廓边缘的精度和抑噪去伪方法进行了分析，并将其应用于飞机序列影像的轮廓提取中，取得了预期的实验结果。     

密集城区高分辨率遥感影像建筑物提取

建筑物在地理国情监测中是一个重要目标，快速、准确地提取城市建筑物可以带来巨大的经济价值。本文在前人针对城市区域的建筑物提取研究基础上，对现有提取方法存在的问题，提出了一种针对密集城区的面向对象自动化建筑物提取流程。首先利用高分辨率遥感影像得到阴影和建筑物初提取结果；然后利用阴影和建筑物的空间位置关系，建立筛选条件，对疑似建筑物区域过滤；最后通过图割算法来精确建筑物轮廓。通过使用武汉地区的两幅QuickBird影像进行算法验证试验，可得到准确的检测结果。本算法可应用于密集城区的建筑物检测，能够有效减少人工判图的工作量。     

基于高精度DSM的建筑物三维几何模型构建

随着测绘技术的不断进步,高精度DSM已经成为重要的测绘成果,DSM影像上建筑物区域与其周围背景有着显著差异,并且有着相对规则的建筑物边缘。根据边缘NSCT系数特点,提出一种有效的DSM影像建筑物边缘检测算法,在高、低频系数上采用不同方法对建筑物边缘进行检测,利用两类边缘互相补偿校正,能有效提取图像的轮廓特征信息。在获得房屋轮廓线的基础上,对轮廓线围成的房屋区域各点的表面法向量进行统计分析,重构坡面屋顶三维几何模型,实现建筑物的三维模型快速重构。     

复杂水体边界提取的改进正交T-Snake模型

引入拓扑自适应动态轮廓(T-Snake)模型并进行了改进,设计了合适的能量函数,提出了目标内部岛状空洞引起的拓扑冲突的检测与处理机制,实现了包含河中岛的复杂河流边界的精确提取。针对模型初始轮廓需手动构造的缺点,利用影像分形维数最小值获取水体内部区域并实现轮廓自动初始化。试验表明,该方法可有效提取水体深凹边界和含河中岛的河流边界,在精度和效率上优于传统Snake和GVF Snake模型。     

基于改进Hough变换的电力线提取

根据电力线在无人机航拍影像数据中的成像特征,提出了一种在复杂的地理环境背景下电力线自动提取的方法。首先利用Canny算法检测提取整张影像图中的边缘轮廓信息,然后利用改进的Hough变换从边缘轮廓信息中提取直线段,对检测出现断裂与欠链接的直线进行链接与拟合;利用K-mean聚类算法根据线段的长度进行分类。最后根据电力线的特性,检测提取完整的电力线。经过多次试验证明该方法可以有效的在复杂的地理环境中提取电力线。     

假高帽变换的高分影像居民地信息提取

针对高分辨率遥感影像暗背景下亮居民地的提取问题,该文提出了一种基于形态学多轮廓结构元素假高帽变换的提取方法。该方法首先采用腐蚀型边缘检测算子对影像进行预处理,接着利用多轮廓结构元素分别对影像进行假高帽变换,然后对各个处理结果进行加权融合,最后对加权融合后图像区域生长完成轮廓跟踪。实验结果表明,该方法能够提取居民地,特别适合于暗背景下较亮区域居民地的提取,并且提取效率较高,对于遥感影像居民地提取的研究与应用具有一定的参考价值。     

融合多时相高分影像的建筑物轮廓优化方法

针对高分影像建筑物提取存在错分和漏分等问题，常见的单幅影像矩形轮廓优化由于投影差、树木和阴影遮挡等问题边缘准确度不够，本文提出了一种融合多时相建筑物轮廓优化方法。首先，将两期高分影像进行匹配等预处理，利用基于偏移阴影分类验证提取建筑物初始结果。然后，分别获得两期影像中各建筑物轮廓的最小面积外接矩形，并对同名建筑物的最小面积外接矩形的各对应角点进行匹配。最后，通过对比两期影像的对应最小面积外接矩形的对应边上建筑物像素点的数量，选择像素点数量多的边作为适宜边进行平移以获得最优边，四条边都是最优边后进行直线正交得到最终符合建筑物原始形态的轮廓。试验结果表明，本文方法相比传统方法和其他轮廓优化方法在精确度和完整度上均有提高。     

改进Balloon Snake算法提取遥感影像水体边界

相比于正交T-Snake算法,传统Balloon Snake算法不受格网约束,能够更加精确提取高分辨率遥感影像上水体,然而尚不能解决河中岛引起的拓扑冲突问题。由此,本文提出了一种改进Balloon Snake算法(T-Balloon Snake),设计了目标内部由于空洞引起的拓扑冲突检测与处理机制。算法首先在目标水体内部手动设置一个初始轮廓,在曲线每次膨胀前对曲线进行自相交检测,若存在拓扑冲突则对曲线进行分裂与合并处理,最终直至迭代停止。实验选取了三类湖泊与河流高分影像,实现了复杂遥感影像水体矢量边界的一次性精确提取。实验结果表明,该方法可直接有效提取水体中深凹以及岛状边界,在提取结果正确性和完整性上都优于传统Balloon Snake算法。     

IEU-Net高分辨率遥感影像房屋建筑物提取

房屋建筑物作为人类活动的主要场所,快速准确地将其从高分辨率遥感影像中提取出来,对促进遥感信息在防灾减灾、城镇管理等方面的应用具有重要意义。本文基于深度学习,提出了高分辨率遥感影像房屋建筑物像素级精确提取方法。首先,针对样本图像边缘像素特征不足现象,以U-Net模型为基础提出IEU-Net模型,设计了全新的忽略边缘交叉熵函数IELoss并将其作为损失函数,另外添加Dropout和BN层在避免过拟合的同时提高模型训练速度和鲁棒性。其次,为解决模型特征丰富度有限的问题,引入形态学建筑物指数MBI,与遥感影像RGB波段一同参与到模型的分类过程。最后,在模型预测时与IELoss相对应采用忽略边缘预测策略从而获得最佳建筑物提取结果。实验对比分析表明：本文方法能有效克服样本边缘像素特征不足问题并抑制道路、建筑物阴影对结果的影响,提升高分辨率遥感影像中房屋建筑物的提取精度。     

基于高分辨率遥感影像的建筑物轮廓信息提取

针对许多领域对建筑物信息更新的迫切要求,提出并发展了一套完整的基于高分辨率遥感影像的建筑物二维轮廓快速提取流程。首先介绍一种利用数学形态学理论进行边缘检测和边缘连接的新方法,然后利用了模式识别和图像分析领域的相关技术(区域标识和特征量测等)进行建筑物二维信息的提取。最后通过Quickbird影像进行了方法验证,试验证明该流程可以快速有效的提取建筑物轮廓信息。     

一种适用于空间非合作目标的角点检测算法

随着在轨失效航天器数量不断增加,针对这类空间非合作目标的在轨服务需求日益迫切。由于在轨的非合作目标飞行器上无法布置合作标志器,通过提取非合作目标上的关键轮廓角点对其进行跟踪。本文针对空间非合作目标所具有的特性,传统Harris算子对运动非合作目标角点的检测中存在大量的伪角点,提出一种基于Canny边缘检测的Shi-Tomasi角点检测方法,即对影像先进行滤波、二值化及形态学处理,其次利用Canny边缘检测获得其轮廓后再进行Shi-Tomasi角点检测。实验结果表明,该算法能有效地解决深空中光照条件等因素造成的角点难以检测问题以及减少伪角点,对空间非合作目标的关键角点提取有较好地检测精度和准确性。     

基于单阶段神经网络的房屋屋顶检测方法

针对现有方法利用无人机影像对房屋目标进行检测的过程中存在错检、漏检率高等问题,构建了单阶段卷积神经网络来实施无人机影像房屋检测,并在德国宇航中心开源数据集(Deutsches Zentrum für Luft-und Raum fahrt,DLR)3KVehicle的基础上,采用多种数字图像增强手段对原始图像进行数据增强处理,提高训练后模型的泛化能力.在测试数据集上对训练后的网络进行测试,采用精度均值(Average Precision,AP)和每秒传输帧数(Frames Per Second,FPS)指标进行评价.并将检测结果与经典的目标检测模型单激发多盒探测器(Single Shot Multi-Box Detector,SSD)以及YOLOv3的检测结果进行对比.结果表明,所构建的卷积神经网络对于无人机影像中的房屋目标尤其是小目标有着较高的检测精度,检测精度可以达到91.3％AP,相比SSD和YOLOv3在精度方面提高了11.5％和8.3％.同时网络的检测速度可以达到每秒传输帧数21m·s-1,能够快速精确地检测出无人机影像中的房屋目标.     

多星形约束图割与轮廓规则化的高分遥感影像直角建筑物提取

提出了一种基于多星形约束的图割和轮廓规则化的交互式半自动提取高分影像上直角建筑物的方法。首先,通过人工在建筑物上画一条线的交互方式自动得到包含目标建筑物的影像图块;其次,利用双边滤波对该影像块进行保边去噪预处理并进行超像素分割;再次,以交互线所在的超像素为前景,以交互线所得的建筑物范围与影像块边界之间的超像素为背景,进行基于多星形约束图割方法得到建筑物图斑;最后,利用Harris算子检测图斑上的角点,并对角点分组拟合得到规则的建筑物轮廓。为验证本文方法的有效性,分别对两幅不同地区和不同空间分辨率的高分航空影像进行建筑物提取试验,结果表明,该方法不仅交互简单而且具有高效性、准确性和稳定性。