结合深度学习和图割法的遥感影像建筑物检测

提出一种基于卷积神经网络和图割法的自动提取高分影像建筑物的方法。首先，通过卷积神经网络定位与检测建筑物的位置，逐一提取单个建筑物轮廓，利用检测结果分别建立建筑物和非建筑物的高斯混合模型（GMM），然后结合最大流最小割的图像分割方式实现全局优化，完成建筑物初步提取，最后用形态学进行优化。通过试验证明了该方法的可行性。     

基于多尺度多特征的高空间分辨率遥感影像建筑物自动化检测

建筑物检测在城市规划、变化检测、地表覆盖等方面均起到重要作用。然而高空间分辨率遥感影像(简称"高分影像")中建筑物朝向不一,形态颜色各异,大小尺寸也有着较大差别,使得建筑物检测成为一道难题。为此,提出一种基于多尺度多特征来自动化检测高分影像中建筑物的方法:首先,对影像降采样构建高斯金字塔模型,固定尺度的滑动窗口在不同层影像中对应着不同的实际地面面积;然后,对影像进行超像素分割并计算滑动窗口中多种描述建筑物特性的特征值,通过多特征融合来衡量建筑物目标在不同尺度影像中的显著性;最后,计算超像素块的显著性均值,结合Otsu算法自动求取阈值,进一步设置长宽比等约束条件,从而准确、自动地提取建筑物目标。分别采用空间分辨率为0. 5 m和0. 2 m的影像进行实验,并和基于颜色和纹理建模的马尔科夫随机场模型算法进行定性和定量的比较。实验结果表明,该方法对高分影像中建筑物的提取有更好的实际效果和检测精度。     

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%.     

一种MBR约束下的高分光学影像直角建筑物提取与标绘方法

针对高空间分辨率遥感影像中建筑物信息提取与标绘问题,提出了一种MBR约束下的高分光学影像中直角建筑物信息提取与标绘方法。首先采用多尺度影像对象分割与CART决策树分类技术,提取影像中的建筑物区域;其次用Candy算子提取出建筑物的粗轮廓,并将其转化为点集形式表示;然后通过轮廓点集计算建筑物最小外包矩形（MBR）,对建筑物的轮廓进行分段拟合与优化;最后通过交点方向决策器确定建筑物的角点,依次连接各角点实现建筑物的标绘。通过计算建筑物的面积与周长,确定周长相对精度为93.3%,面积相对精度为96.1%,本文方法可以有效提高建筑物的标绘精度。     

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。     

一种MBR约束下的高分光学影像直角建筑物提取与标绘方法

针对高空间分辨率遥感影像中建筑物信息提取与标绘问题,提出了一种MBR约束下的高分光学影像中直角建筑物信息提取与标绘方法。首先采用多尺度影像对象分割与CART决策树分类技术,提取影像中的建筑物区域;其次用Candy算子提取出建筑物的粗轮廓,并将其转化为点集形式表示;然后通过轮廓点集计算建筑物最小外包矩形(MBR),对建筑物的轮廓进行分段拟合与优化;最后通过交点方向决策器确定建筑物的角点,依次连接各角点实现建筑物的标绘。通过计算建筑物的面积与周长,确定周长相对精度为93.3%,面积相对精度为96.1%,本文方法可以有效提高建筑物的标绘精度。     

LiDAR点云与影像相结合的建筑物轮廓信息提取

分析机载LiDAR点云与影像数据特点,提出了一种建筑物点云与配准后影像相结合的建筑物轮廓信息提取方法。首先,采用α-shapes算法从点云中提取粗糙的建筑物轮廓多边形;然后,采用基于线支撑区域的直线段提取算法从影像中提取边缘信息,并利用投票机制,以点到直线的距离为因子,从中过滤出真实的建筑物边界;最后,提出一种建筑物轮廓精化的新方法,利用从影像中提取的边缘信息修正从点云中提取的粗糙轮廓,并对修正后的轮廓采用道格拉斯-普克算法去除冗余节点,采用强制相交方法恢复建筑物转角,最终得到了准确的建筑物外轮廓多边形,并通过实验验证了该方法的有效性。     

基于SLICO的无人机影像建筑物对象提取

提出一种基于超像素分割算法与随机森林算法的无人机影像建筑物提取,利用INPHO软件生成正射影像和点云数据,并用点云数据进行反距离插值运算和波段运算生成归一化数字模型(nDSM)影像。将正射影像与nDSM影像进行波段合成并仅对正射影像采用基于SLICO算法分割生成超像素,选择相应的特征利用随机森林分类器进行分类,从而得到建筑物的提取结果。研究结果表明密集的影像匹配点云生成的nDSM影像进行建筑物提取时,可有效地对农村区域和城市区域的建筑物进行提取,同时避免了面向对象方法中最佳分割尺度难以选择的问题,取得了较好的建筑物提取效果,降低了建筑物提取的成本。     

图割能量驱动的高分辨率遥感影像震害损毁建筑物检测

为充分利用高分辨率遥感影像提供的细节信息,提高震害损毁建筑物检测精度,提出了一种图割框架下融合形状、边缘、角点等多种类型特征的损毁建筑物检测方法。该方法首先利用震前建筑物线划图提取包含单个建筑物的局部影像,用于图割能量函数建模,并分别根据建筑物的位置、形状、边缘以及角点构造能量函数的各约束项。在此基础上,通过最大流/最小割算法求解能量函数最小值,依据最小割能量进行地震前后局部影像中建筑物的相似性度量。最后利用最大期望算法(expectation maximization,EM)求得最小割能量的分类阈值,并根据错分率估值执行后处理以获得最终变化检测结果。采用2011年3月11日东日本大地震前后石卷港的高分辨率遥感影像进行试验,结果表明本文提出的方法能有效检测出损毁建筑物。     

多尺度对象高空间分辨率遥感影像谱聚类分割

针对基于像素模型的单尺度或多尺度谱聚类影像分割方法在相似矩阵存储、特征分解效率及分割精度方面存在的不足。该文首先通过给定多组空间及光谱带宽参数,利用mean-shift初分割生成不同尺度的超像素对象层;然后联合像素与超像素对高空间分辨率影像中的不同类别地物进行的多尺度建模表达其空间拓扑关系,即在图割理论框架下建立"像素-超像素"联合的多尺度无向权图模型G(V,E,W),同时根据遥感影像纹理特征丰富的特点,在顶点相似性计算过程中融合纹理特征;最后使用基于normalized cut准则的谱聚类算法,对图模型划分得到最终分割结果。该方法较好地降低了基于像素的谱聚类分割方法的计算复杂度,同时提高分割结果准确率。标准测试数据集和"高分2号"遥感影像分割结果表明了该方法的有效性。     

高分辨率航空影像建筑物垂直边缘线提取技术研究

高分辨率航空影像建筑物垂直边缘线的提取在获取建筑物高度信息和检测建筑物过程中可以发挥重要的作用。分析建筑物垂直边缘线在遥感影像上的特性,在遥感影像边缘检测和细化基础上,利用带约束条件的Hough变换实现建筑物垂直边缘线的提取,通过实验验证该方法的可行性。     

融合LiDAR点云与正射影像的建筑物图割优化提取方法

提出一种基于图割算法的建筑物LiDAR点云与正射影像融合提取方法。首先,利用LiDAR点云计算3个几何特征：平整度、法向量分布和高程纹理一致性。同时利用航空正射影像计算颜色特征——归一化植被指数（NDVI）。然后将两类特征联合构建能量函数数据项,综合数字表面模型（DSM）和NDVI构建平滑项,采用图割算法优化得到初始的建筑物区域。最后利用初始建筑物边缘一定范围内的正射影像颜色信息,采用前后景分割的思想进一步优化建筑物边缘。应用ISPRS Vaihingen测试数据进行试验,结果表明本文方法具有较高的建筑物提取精度。     

MRELBP特征、Franklin矩和SVM相结合的遥感图像建筑物识别方法

为了进一步提高遥感图像建筑物区域的识别精度,提出了一种基于中值稳健扩展局部二值模式(median robust extended local binary pattern,MRELBP)、Franklin矩和布谷鸟优化支持向量机(support vector machine,SVM)的分类方法。首先,通过MRELBP特征算子计算图像块的纹理特征向量,并根据Franklin矩得到形状特征向量,组合图像块的纹理特征向量和形状特征向量得到综合特征向量;然后,利用训练样本对SVM进行训练,同时由布谷鸟搜索算法对SVM的核函数参数和惩罚因子进行优化;最后,通过训练好的SVM得到建筑物区域识别结果。通过30组试验的结果表明,与基于三原色(red green blue,RGB)和SVM的分类方法、基于LBP和SVM的分类方法、基于Zernike矩和SVM的分类方法相比,本文提出的方法所识别的遥感图像建筑物区域准确度更高。     

光谱和形状特征相结合的高分辨率遥感图像的建筑物提取方法

针对高分辨率遥感影像具有较为丰富的地物属性"谱相"信息和空间分布及其组合"图式"信息的特点,提出了一种光谱和形状特征相结合的建筑物自动提取方法。在多尺度分割和矢量化基础上,根据建筑物的形状、光谱特征,从特征基元中自动选取样本,并计算其特征;通过根据建筑物形状、光谱、纹理构造的模板,在整景影像上进行建筑区域识别,并在建筑区域内提取建筑物外部轮廓。实验表明,本算法具有较高的识别率和较低的误识别率。     

利用网络图进行高分辨率航空多视影像密集匹配

提出了一种基于网络图的高分辨率航空多视影像密集匹配算法。首先利用影像间的重叠关系和方向确定候选立体像对并构建网络图;在立体像对密集匹配阶段,引入导向中值滤波采用由粗到精的改进半全局匹配(SGM)算法进行双向视差图生成;最后基于所有立体像对构建的网络图完成多视影像间的密集点云生成及融合。试验选取了ISPRS的Vaihingen航空影像和ISPRS/EuroSDR项目的苏黎世倾斜下视影像进行试验,结果表明:本文算法对高分辨率多视影像密集匹配是有效可行的,无论在匹配完整性、效率、精度上都能获取较好的结果,重建的密集点云平均反投影误差的中误差可以达到亚像素级精度,实际精度可以达到1.5倍GSD,并且在建筑物、植被、水体等视差不连续、弱纹理或重复纹理区域也取得了较好的匹配结果。     

轨道约束的资源三号标准景影像区域网平差

考虑到同轨道拍摄的长条带卫星影像具有相同的误差分布特性,针对资源三号的标准景影像产品,提出了基于轨道约束的卫星影像区域网平差方法。首先,根据同轨相邻影像的偏移量计算轨道影像坐标系下的像点坐标;其次,通过同轨每景影像的RFM重新生成轨道影像的RFM,同时生成补偿格网;然后,根据基于像方仿射变换的RFM对轨道影像进行区域网平差;最后,利用求得的轨道影像的仿射变换参数重新计算原始单景影像的仿射变换参数。利用不同地区资源三号测绘卫星影像数据的试验表明,基于轨道约束的卫星影像区域网平差（以下简称轨道平差）在稀疏控制条件下,其精度明显好于单景影像平差的精度。在6控情况下,太行山试验区达到平面2.504m高程3.117m,在渭南试验区达到了平面4.061m高程2.895m。试验结果证明了轨道平差的有效性和可行性。     

面向对象的高分辨率遥感影像建筑物震害信息提取

建筑物的倒损信息是震后灾害评估的一项重要指标。文中应用震后高分辨率遥感影像数据,采用面向对象分类方法,以最优分割参数对影像进行分割,构建多尺度影像对象层次结构。通过影像对象的光谱、形状、纹理等特征及空间拓扑关系建立分类规则库,提取基本完好、受损和完全倒塌三类破坏等级的建筑物震害信息。结果表明,面向对象分类方法能够实现提取三类等级的建筑物震害信息,从而满足地震灾害快速评估要求。     

结合对象关系特征的高分辨率卫星影像建筑物识别方法

基于面向对象特征影像分析的思想,提出了一种结合建筑物和阴影对象邻近关系特征的建筑物识别提取方法。在多尺度影像 分割的基础上,利用对象的光谱和形状等特征,建立简单的分类决策树,提取粗略的建筑物候选区和相对准确的阴影区。计算相邻 近阴影对象和建筑物对象的关系特征,建立简单的知识规则,即可从建筑物候选区中消除广场等噪音,获得准确有效的建筑物目标 信息。通过QuickBird卫星影像的实验,证明了该方法在高分辨率卫星影像建筑物目标识别中具有相当的适用性和准确性。     

多特征多尺度相结合的高分辨率遥感影像建筑物提取

在高分辨率遥感影像中,建筑物通常表现为多尺度形态,且存在同谱异物和同物异谱现象。因此,本文提出了一种综合利用光谱特征、形状特征和纹理特征,并结合多尺度分割的建筑物分级提取方法。该方法首先对遥感影像进行形态学建筑物指数（MBI）计算,而后对其特征影像进行阈值分割,并借助形状特征参数实现建筑物初提取;然后引入面向对象思想完成遥感影像多尺度分割,并利用纹理特征实现单一尺度的建筑物对象识别;最后借助多尺度融合思想完成建筑物后提取。利用本文方法对冲绳某地区影像进行了建筑物提取试验。试验结果表明,该方法的识别查准率和查全率在对象级和像素级两方面均取得较高精度。