基于可变模板的航空影像中建筑物提取

针对航空影像中目标提取的困难，提出了一种基于可变模板的航空影像中建筑物提取方法，并针对几种比较典型的建筑物，详细讨论了模板的设计、目标初始参数的获取及模板最优参数求解等几个关键性的问题。采用这种方法进行航空影像中目标的提取时，可以将影像中的多种信息和人的识别能力进行有效的融合，因而能够达到可靠地提取影像中目标的目的。作为一种有效的优化求解方法，模拟退火被用于目标提取的优化过程。为了验证这种方法提取航空影像中目标的能力，给出了利用可变模板提取航空影像中几种不同类型的建筑物的例子     

利用像素高度图的三维建筑物屋顶和立面提取方法

针对三维建筑物屋顶和立面目标的自动提取难题,提出了一种利用倾斜影像生成的像素高度图来识别和提取三维建筑物目标的方法,根据高度图的梯度特征提取垂直立面目标,根据高度图的最大熵阈值特征提取屋顶目标。采用多角度面阵数字航空相机获取的倾斜影像数据进行实验,验证了本文方法的正确性与有效性。     

利用影像辅助LiDAR点云数据的建筑物提取方法研究

机载LiDAR作为一种新兴的对地观测技术,能够快速地获取地表三维信息。如何从海量LiDAR点云数据中提取建筑物是数据处理中的一项关键工作。本文结合LiDAR数据和航空影像的数据特点,提出了一种航空影像辅助的LiDAR点云建筑物提取方法,首先,采用面向对象方法从航空影像中提取建筑物的轮廓;然后,以建筑轮廓信息为参考,从LiDAR点云中提取建筑物的点云数据;最后,通过实验证明该方法的有效性与可行性。     

可变形部件模型在高分辨率遥感影像建筑物检测中的应用

高分辨率遥感影像具有场景复杂、目标种类多样、同一目标呈现多种形态等特点,给建筑物检测带来困难。近年来,可变形部件模型（deformable part model,DPM）被广泛应用到模式识别领域,并且在自然场景的目标识别方面取得很好的效果。结合可变形部件模型,提出一种针对高分辨率遥感影像中建筑物的检测方法,将建筑物看作可变形部件的组合,通过训练得到其对应的参数模板,并采用滑动窗口的方式遍历待检测的影像,判断其中是否存在建筑物目标。通过对分辨率为0.5 m的高分辨率遥感影像的实验证明了方法的有效性。     

基于约束满足网络的建筑物阴影结构提取

在分析了现有建筑物阴影识别提取方法不足的基础上，介绍了利用约束满足网络提取黑白城区航空影像中建筑物阴影结构的原理及方法，实验表明，中所述的方法是稳健的。     

高分辨率遥感影像的建筑物轮廓信息提取方法

针对高分辨率遥感影像分割方法提取的建筑物边缘不准确和不规则等问题,提出了一种新的边缘轮廓信息提取方法:首先,通过一维Gabor滤波器获取建筑物的角度纹理特征,并结合光谱特征构造待分割的特征矢量,在运用高斯混合模型(Gaussian mixture model,GMM)构造图的基础上,利用图割法(graph cuts)获取建筑物候选点,经数学形态学处理得到建筑物斑块;然后,根据Radon变换检测建筑物主方向,构建最小二乘匹配模板,并利用该模板在建立的轮廓缓冲区内精确地提取建筑物拐角点;最后,连接拐角点,完成了轮廓信息的提取。采用合成图像和高分辨率遥感影像提取建筑物轮廓信息的实验证明了该方法的可行性。     

基于基尼系数的倾斜航空影像中建筑物立面损毁检测

针对已分割出的建筑物立面,提出了以基尼系数作为损毁指数对倾斜航空影像中建筑物立面损毁检测的方法。该方法首先通过改进的k-means算法分割出建筑物立面的门窗和墙面,然后利用Canny算法对分割影像进行边缘检测提取统计特征,最后利用经济学中的基尼系数来判断建筑物立面是否损毁。实验结果表明,本文方法在没有先验信息的情况下仅利用单时相倾斜航空影像就能简单高效地判定建筑物立面损毁。     

航空遥感影像中道路的半自动提取

为了达到各种信息融合的目标，针对不同的情况，提出了多种信息约束下的道路提取方法。为了对提出的方法进行检验，给出了航空影像中不同类型的道路提取的例子。     

LiDAR数据与航空影像结合的建筑物重建

探讨了结合航空影像的LiDAR数据简单建筑物重建算法,以建筑物边界、屋顶面片的自动提取及面片邻域关系的建立,重建了简单直角建筑物模型,并利用航空影像进行了精确定位。     

结合LiDAR点云和航空影像的建筑物三维变化检测

目的 针对传统建筑物变化检测方法没有考虑高程信息的缺点,提出了一种结合LiDAR点云数据和航空影像的建筑物三维变化检测方法,可同时提取建筑物高程变化信息和面积变化信息。首先将不同时期LiDAR点云分别生成数字表面模型(DSM);然后对不同时期的DSM进行差值、滤波和形态学操作得到DSM变化区,并根据共线方程将其反投影到航空影像中,再使用航空影像的光谱、纹理等信息排除树木等伪变化区的干扰;最后计算高程变化值和面积变化值。试验结果表明该方法能定量地提取高程和面积变化信息,提供更加全面准确的建筑物变化信息。     

利用LiDAR和航空影像的屋顶边缘提取及优化

提出以LiDAR为辅助数据对航空影像的规则建筑物进行边缘提取和优化的方法。首先采用Alpha Shapes算法对点云数据进行初始边缘提取,同时规则化初始边缘;再利用屋顶点云辅助航空影像的建筑物分离,采用Canny算子和Hough变换对建筑物分离后影像进行边缘提取,并用LiDAR规则边缘对Hough变换结果进行边缘优化。对比单独运用航空影像进行边缘提取的结果表明,采用优化方法后,提高了屋顶边缘提取的准确性,得到了较完整的建筑物边缘。     

基于约束满足网络的建筑物阴影结构提取

在分析了现有建筑物阴影识别提取方法不足的基础上，介绍了利用约束满足网络提取黑白城区航空影像中建筑物阴影结构的原理及方法。实验表明，文中所述的方法是稳健的     

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。     

一种自适应Retinex的航空影像阴影消除方法

航空影像中,由于高大建筑物的遮挡,常有阴影区域存在,这不仅会影响视觉效果,而且对建筑物的识别和提取带来困难,必须对其进行消除或者补偿。针对传统单尺度Retinex图像增强算法的不足,提出一种自适应单尺度Retinex算法。自适应单尺度Retinex算法首先对影像中阴影区域与非阴影区域作出概略区分,而后根据影像的灰度信息自适应计算Retinex算法的参数。实验证明,所提出的算法同经典的Retinex算法相比,无论是在增强效果还是处理时间上都具有一定的优越性。     

一种改进顶帽变换与LBP高程纹理的城区建筑物提取算法

利用LiDAR数据的建筑物提取存在植被点与建筑物点难以区分的问题,利用航空影像进行城区建筑物提取则无法有效剔除阴影区域植被。本文融合LiDAR和航空影像两种数据源,提出了改进顶帽变换及局部二进制模式(LBP)高程纹理分析的建筑物提取算法。首先将LiDAR数据进行规则格网化,通过改进顶帽变换提取地面数据点,然后根据航空影像计算归一化差值植被指数(NDVI)值进行植被粗提取,计算LBP高程纹理,精细区分植被点与建筑物点,最后利用形态学操作填充建筑物孔洞,以检测出的建筑物点为种子点进行区域生长,得到完整的建筑物点集合。试验基于ISPRS提供的Vaihingen数据集中复杂多植被城区场景,试验结果表明,本文算法能够有效区分植被与建筑物,实现建筑物准确提取。     

一种利用影像匹配的城区三维景观图生成途径

提出了一种基于影像匹配的城区三维景观图生成方法,它首先利用神经网络影像匹配得出城区的密集视差表面,再利用基于模板匹配的半自动建筑物提取方法获得建筑物的关量数据和高程,进而得出城区三维数字模型,从而获得真实的城区三维透视景观图。     

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。     

基于CSG构件分析的建筑物模型提取方法

在Ｄｅｂｅｖｅｃ算法的基础上,给出了一种基于地面摄影影像的建筑物模型提取方案,即ＣＳＧ构件分析模型提取方案。与传统基于航空影像的建筑物模型提取方法不同,利用ＣＳＧ构件分析可直接对房屋采用半自动量测,从而兼顾人的智能和计算机效率,提高了模型提取的可靠性和实用性。     

基于CSG构件分析的建筑物模型提取方法

在Debevec算法的基础上 ,给出了一种基于地面摄影影像的建筑物模型提取方案 ,即CSG构件分析模型提取方案。与传统基于航空影像的建筑物模型提取方法不同 ,利用CSG构件分析可直接对房屋采用半自动量测 ,从而兼顾人的智能和计算机效率 ,提高了模型提取的可靠性和实用性。     

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。