基于形态学房屋指数的高分辨率遥感影像房屋提取方法
【专利摘要】本发明公开了一种基于形态学房屋指数的高分辨率遥感影像房屋提取方法，本发明针对高分辨率遥感影像上房屋的亮度大、各向同性、类矩度的特点，基于形态学运算构建形态学房屋指数，采用形态学房屋指数自动提取遥感影像房屋。在此基础上，本发明还利用阴影和房屋相似的空间特性和相反的光学特性，从形态学房屋指数衍生出形态学阴影指数，并采用形态学阴影指数对房屋提取进行约束，从而进一步优化房屋提取精度。本发明无需手动分割、无需人工训练，可实现遥感影像房屋的全自动化提取；加入形态学阴影指数进行约束，可显著提高房屋提取精度。
【专利说明】基于形态学房屋指数的高分辨率遥感影像房屋提取方法
【技术领域】
[0001]本发明属于遥感影像处理【技术领域】，尤其涉及一种基于形态学房屋指数的高分辨率遥感影像房屋提取方法。
【背景技术】
[0002]建筑物的自动提取主要是基于影像的基本特征及先验知识，然而，由于二维影像表达三维场景时信息的缺失，使得全自动提取技术并不成熟，仍处在研究探索阶段。
[0003]目前，房屋建筑提取方法主要包括:(1)基于区域分割的提取方法、(2)基于多源数据融合的提取方法和(3)基于面向对象的提取方法。
[0004](I)基于区域分割的提取方法[1]
[0005]该方法就是把空间上有联系的像元聚集成均质的对象，并保证对象在光谱和空间上是均质的。首先将一幅图像分成许多小区域，这些初始区域可能是很小的连通区域或者是单个像素；在每个区域中，用一个能反映某对象的性质来区分不同物体内像素；然后对相邻边界的所有区域进行计算，决定所属区域并进行合并，这样一个迭代过程将具有相似性的像素集合并构成一个区域，这种相似性质的像素区域不断地增大。区域生长是一种典型的串行区域分割方法，其后续步骤的处理要根据对前面步骤的结果进行判断后确定。Liu等[2]对影像进行多尺度分割，综合考虑了纹理、上下文等信息，分割后利用模糊决策树分类器进行分类，再通过随机Hough变换实现房屋边缘的提取。Fua和Hansot3]将图像分割成一系列区域，根据区域求出封闭边缘，最后利用几何规则把边缘连接为复杂的结构。
[0006](2)基于多源数据融合的提取方法[4?7]
[0007]数据融合旨在充分利用不同时间与空间的信息资源，采用计算机技术对按时序获得的多传感器观测信息在一定准则下进行分析和综合，获得对被测对象的一致性解释与描述，以完成所需的决策和估计任务，使系统获得比它的各组成部分更优越的性能。多源数据融合则是将多个传感器得到的不同信息进行融合。最常见的多源数据融合是融合具有高程信息的数据，其中以LIDAR数据为代表。程亮、龚健雅M提出一种LIDAR辅助下利用超高分辨率影像进行轮廓提取方法。Zhang keqi, Yan jianhua等[9]借助LIDAR数据提供的信息，通过一系列算法实现了房屋点集的自动提取。该方法首先通过一个形态学滤波将地面与非地面分离开，接着通过基于平面拟合技术的区域增长算法将非地面上的房屋识别出来，最后再连接边界点对房屋的点集进行分割得到房屋提取结果。
[0008](3)基于面向对象的提取方法[1°?11]
[0009]面向对象的基本思想是将影像对象作为影像分析的基本单元，根据空间或光谱特征将遥感影像分割成离散的区域或集合，影像对象就是指这些分割后产生的若干“同质”像素集合。面向对象的方法是通过对影像进行分割，提取同质区域，然后对各个区域进行特征分析从而提取出房屋建筑。与基于像元的方法相比，面向对象的方法通常能产生较高的信息提取精度。Baatz和Schpe[12]提出将多尺度分割和决策树分类结合，将光谱、纹理、上下文信息结合用于目标的识别。[0010]传统的房屋提取方法在实际分类中并不能取得较高精度，而且还需要加入许多人工干预，如样本训练或者尺度分割等，自动化程度不高。
[0011]随着数学形态学的发展，其在图像处理方面有越来越明显的优势。Maurya，1?等[13]提出了使用基于分割的植被指数NDVI和形态学算子对高分辨率遥感影像进行房屋提取。该方法考虑了遥感影像中房屋的光谱特征和空间特征。光谱特征即是基于分割的NDVI，空间特征即是与形态学算子相关的。通过NDVI，将区域分割为两部分，其中一部分为包含了房屋和道路等光谱特征相似的对象，再用形态学算子以空间特征将房屋与道路分离。这种方法取得了非常好的效果。相关文献:
[0012]房屋阴影M作为一种光谱性上的约束，被用来提高房屋提取的精度。从差分形态学中提取出来的阴影能够为确定房屋的位置和形状提供可靠的上下文信息。阴影与太阳方位角、太阳高度角、传感器方位角有关。
[0013]文中涉及的参考文献:
[0014][I]宋晓宇，单新建.高分辨率卫星影像在城市建筑物识别中的初步应用[J].遥感信息，2000，(I):26-30.[0015][2]Liu, Z.J., Wang, J., Liu, ff.P., 2005.Building extraction from highresolution imagery based on mult1-scale object oriented classification andprobabilistic Hough transform.1n:Proc.1GARSS2005Symposium, Seoul, Korea,25 -29July2005.pp.2250 - 2253.[0016][3]P.Fua and A.J.Hanson.Resegmentation Using generic shape: locatinggeneral cultural object, Technical Report,Artificial Intelligence Center, SRIinternational.Mayl986.[0017][4] Cartographica Sinicaj 2008, 37 (3):391-393.[0018][5]T.Schenk,B.Csath0.Fusion of LiDAR data and aerial imagery for a morecomplete surface des cription International Archives of Photogrammetry，RemoteSensing and Spatial Information Sciences, 34(Part3)(2002), pp.310 - 317 ；
[0019][6]Wang, Z.and Schenk, T.2000.Building extraction and reconstructionfrom lidar data.1n:1nternational Archives of Photogrammetry and Remote Sensing，33 (B3):958-964.[0020][7]CHENG Liang, GONG Jianya.Building Boundary Extraction Using Very HighResolution Images and LiDAR.[J].Acta Geodaetica et
[0021][8]程亮，龚健雅.LiDAR辅助下利用超高分辨率影像提取建筑物轮廓方法[J].测绘学报，2008，37 (3): 391-393.[0022][9]Zhang K., Yan J., Chen S.Automatic Construction of Building FootprintsFrom Airborne LIDAR Data.1EEE Transactions on Geoscience and Remote Sensing, Vo1.44，pp.2523-2533，2006 ；
[0023][10]乔程，骆剑承，吴泉源等.面向对象的高分辨率影像城市建筑物提取[J].地理与地理信息科学，2008，24 (5):36-39 ；
[0024][11]刘正军，张继贤，孟亚宾等.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[J].测绘科学，2007，32 (3):38-46[0025][12]Baatz M，Schpe A.0bject-Oriented Mult1-Scale Image Analysis inSemantic Networks[C].1n: Proceeding of the2nd International Symposium onperationalization of Remote Sensing.Enschede, IT (C).1999.16-20 ；
[0026][13]D.Singh, R.Mauryaj A.S.Shuklaj M.K.Sharma and P.R Gupta, "BuildingExtraction from Very High Resolution Multispectral Images using NDVI basedSegmentation and Morphological Operators，"Engineering and Systems (SCES), 2012.[0027][14]X.Jin and C.H.Davis, “Automated building extraction from highresolution satellite imagery in urban areas using structural, contextual,andspectral information,，’ EURASIP J.App1.Signal Process., vol.14, pp.2196 -2206，Jan.2005.
【发明内容】
[0028]针对现有技术存在的不足，本发明考虑高分辨率遥感影像上房屋特点，提供了一种基于形态学房屋指数的高分辨率遥感影像房屋提取方法。
[0029]为解决上述技术问题，本发明采用如下的技术方案:
[0030]一种基于形态学房屋指数的高分辨率遥感影像房屋提取方法，包括步骤:
[0031]步骤1，获取遥感影像的亮度影像，；
[0032]步骤2，根据遥感影像中房屋尺寸和遥感影像分辨率设置一系列线性结构元素尺度； [0033]步骤3，在各线性结构元素尺度下分别执行如下操作:
[0034]用线性结构元素对亮度影像进行不同方向白顶帽变换，得到各方向的白顶帽值，对所有方向的白顶帽值求平均，得到多方向白顶帽均值；
[0035]步骤4，求所有相邻线性结构元素尺度下的多方向白顶帽均值之差的绝对值，获得基于差分形态学属性的白顶帽值，基于差分形态学属性的白顶帽值的平均值即形态学房屋指数；
[0036]步骤5，基于形态学房屋指数提取遥感影像房屋，即，将遥感影像中形态学房屋指数大于预设房屋指数阈值的像元判定为房屋像元。
[0037]步骤I中所述的获取遥感影像的亮度影像具体为:
[0038]获取遥感影像上各像元在可见光波段中光谱值的最大值作为该像元的亮度值，从而获得亮度影像。
[0039]作为优选，步骤3中所述的白顶帽变换为基于重建的白顶帽变换。
[0040]步骤3中所述的不同方向可表示为d = kx — , d表示方向，η表示方向数，k =
I y 2 y 3 y...j 1 O
[0041]作为优选，本发明还包括以房屋几何指数为约束对步骤5获得的房屋对象进行后处理，具体为:
[0042]将房屋几何指数大于房屋几何指数阈值的房屋对象保留为房屋，将房屋几何指数不大于房屋几何指数阈值的房屋对象判定为非房屋对象；
[0043]所述的房屋几何指数=调节系数X矩形度/长宽比，矩形度为一个与房屋对象面积相等的矩形，长宽比指与房屋对象面积相等的矩形的长宽比；调节系数用来调节房屋几何指数大小。
[0044]作为优选，本发明还包括以面积为约束对步骤5获得的房屋对象进行后处理，具体为:
[0045]将面积大于预设面积阈值的房屋对象保留为房屋,将面积不大于预设面积阈值的房屋对象判定为噪点。
[0046]作为优选，本发明还包括步骤:
[0047]步骤6，在各线性结构元素尺度下分别执行如下操作:
[0048]用线性结构元素对亮度影像进行不同方向黑顶帽变换，得到各方向的黑顶帽值，对所有方向的黑顶帽值求平均，得到多方向黑顶帽均值；
[0049]步骤7，求所有相邻线性结构元素尺度下的多方向黑顶帽均值之差的绝对值，获得基于差分形态学属性的黑顶帽值，基于差分形态学属性的黑顶帽值的平均值即形态学阴影指数；
[0050]步骤8，以形态学阴影指数为约束对步骤5获得的房屋对象中像元进行进一步判定:
[0051]8.1根据经验设定阴影指数阈值，将形态学阴影指数大于阴影指数阈值的像元判定为阴影像元，形态学阴影指数不大于阴影指数阈值的像元判定为非阴影像元，阴影像元构成阴影对象；
[0052]8.2根据实际情况预设第一形态学房屋指数阈值T_high、第二形态学房屋指数阈值 T_low、第一距离阈值 D_high 和第二距离阈值 D_low, T_high>T_low, T_high>T_low ；
[0053]若像元的形态学房屋指数大于1'_1^811、且像元所在房屋对象与相邻阴影对象间的距离小于预设第一距离阈值D_high，则该像元判定为房屋像元；若像元的形态学房屋指数在第二形态学房屋指数阈值T_low和第一形态学房屋指数阈值T_high间、且像元所在房屋对象与相邻阴影像元间的距离小于预设第二距离阈值D_low，则该像元也判定为房屋像元；其他像元判定为非房屋像元。
[0054]作为优选，步骤6中所述的黑顶帽变换为基于重建的黑顶帽变换。
[0055]本发明针对高分辨率遥感影像上房屋的亮度大、各向同性、类矩度的特点，基于形态学运算构建形态学房屋指数，采用形态学房屋指数自动提取遥感影像房屋。在此基础上，本发明还利用阴影和房屋相似的空间特性和相反的光学特性，从形态学房屋指数衍生出形态学阴影指数，并采用形态学阴影指数对房屋提取进行约束，从而进一步优化房屋提取精度。
[0056]和现有技术相比，本发明具有如下有益效果:
[0057]1、无需手动分割，无需人工训练，可实现遥感影像房屋的全自动化提取；
[0058]2、加入形态学阴影指数进行约束，可显著提高房屋提取精度。
【专利附图】
【附图说明】
[0059]图1为形态学房屋指数构建流程图；
[0060]图2为形态学阴影指数构建流程图。【具体实施方式】
[0061]高分辨率遥感影像上房屋特具有如下基本特点:
[0062](I)对比度与亮度:
[0063]屋顶直接接收太阳光照射，一般具有较高亮度；同时，考虑到阳光投射造成的房屋阴影，因此屋顶与周围的对比度也较高。
[0064](2)形状:
[0065]遥感影像上，房屋通常表现为有一定空间范围、类似矩形的结构体。
[0066](3)尺寸:
[0067]房屋具有多个尺度，但大小一般在某一尺度范围内。
[0068](4)方向:
[0069]相对于道路，房屋具有各向同性特征，因此可用方向性来区分房屋和道路。
[0070]本发明根据以上房屋基本特点构建形态学房屋指数，从而实现遥感影像中房屋的提取，具体过程如下:
[0071]步骤1，获取遥感影像的亮度影像。
[0072]获取遥感影像上各像元在可见光波段中光谱值的最大值，作为该像元的亮度值，从而获得売度影像:
[0073]Λ(α-) = max (M4 (.v))(I)
[0074]式⑴中，Mk(X)为像元X在波段k中的光谱值，b(x)则代表像元X的亮度值，K为总波段数。
[0075]步骤2，亮度影像的白顶帽变换。
[0076]本步骤进一步包括子步骤:
[0077]2.1采用线性结构元素s对亮度影像b进行开运算，即先腐蚀再膨胀:
[0078]ys(b) = δ3( ε s (b))(2)
[0079]式(2)中，ε代表腐蚀运算，δ代表膨胀运算，s代表线性结构元素。
[0080]2.2对亮度影像进行白顶帽运算。
[0081]将步骤I获得的亮度影像b减去经开运算后的亮度影像Ys(b)，即获得亮度影像的白顶帽值。
[0082]为了更好的保持遥感影像中各地物形状，本步骤对亮度影像进行基于重建的白顶帽运算，即采用线性结构元素s对亮度影像b进行基于重建的开运算，将亮度影像b减去经基于重建的开运算后的亮度影像:么(句，获得亮度影像的基于重建的白顶帽值THR、(/，) = /卜;/;.(/小
[0083]白顶帽变换能检测到小于或等于线性结构元素长度的明亮对象，并同时去除其他较暗像元，白顶帽值可反映线性结构元素区域内像元和其邻近像元的亮度差异。
[0084]步骤3，多方向性的白顶帽变换。
[0085]传统形态学房屋提取方法中一般采用圆盘形结构元素，圆盘形结构元素未考虑方向性，其对各方向都是相同的。房屋相对于道路具有各向同性特征，凭此特征能将道路与房屋区分开来。线性结构元素能有效考虑多方向，所以为描述影像结构的方向性，本发明采用线性结构元素代替圆盘形结构元素。[0086]线性结构元素的方向集D可表示为:
[0087]
【权利要求】
1.基于形态学房屋指数的高分辨率遥感影像房屋提取方法，其特征在于: 步骤1，获取遥感影像的亮度影像，； 步骤2，根据遥感影像中房屋尺寸和遥感影像分辨率设置一系列线性结构元素尺度； 步骤3，在各线性结构元素尺度下分别执行如下操作: 用线性结构元素对亮度影像进行不同方向白顶帽变换，得到各方向的白顶帽值，对所有方向的白顶帽值求平均，得到多方向白顶帽均值； 步骤4，求所有相邻线性结构元素尺度下的多方向白顶帽均值之差的绝对值，获得基于差分形态学属性的白顶帽值，基于差分形态学属性的白顶帽值的平均值即形态学房屋指数； 步骤5，基于形态学房屋指数提取遥感影像房屋，即，将遥感影像中形态学房屋指数大于预设房屋指数阈值的像元判定为房屋像元。
2.如权利要求1所述的基于形态学房屋指数的高分辨率遥感影像房屋提取方法，其特征在于: 步骤I中所述的获取遥感影像的亮度影像具体为: 获取遥感影像上各像元在可见光波段中光谱值的最大值作为该像元的亮度值，从而获得売度影像。
3.如权利要求1所述的基于形态学房屋指数的高分辨率遥感影像房屋提取方法，其特征在于: 步骤3中所述的白顶帽变换为基于重建的白顶帽变换。
4.如权利要求1所述的基于形态学房屋指数的高分辨率遥感影像房屋提取方法，其特征在于: 步骤3中所述的不同方向可表示为d表示为d=kxπ/n，η表示方向数，k =I、 2 、 3 、...n。
5.如权利要求1所述的基于形态学房屋指数的高分辨率遥感影像房屋提取方法，其特征在于: 还包括以房屋几何指数为约束对步骤5获得的房屋对象进行后处理，具体为: 将房屋几何指数大于房屋几何指数阈值的房屋对象保留为房屋，将房屋几何指数不大于房屋几何指数阈值的房屋对象判定为非房屋对象； 所述的房屋几何指数=调节系数X矩形度/长宽比，矩形度为一个与房屋对象面积相等的矩形，长宽比指与房屋对象面积相等的矩形的长宽比；调节系数用来调节房屋几何指数大小。
6.如权利要求1所述的基于形态学房屋指数的高分辨率遥感影像房屋提取方法，其特征在于: 还包括以面积为约束对步骤5获得的房屋对象进行后处理，具体为: 将面积大于预设面积阈值的房屋对象保留为房屋，将面积不大于预设面积阈值的房屋对象判定为噪点。
7.如权利要求1所述的基于形态学房屋指数的高分辨率遥感影像房屋提取方法，其特征在于:还包括步骤: 步骤6， 在各线性结构元素尺度下分别执行如下操作: 用线性结构元素对亮度影像进行不同方向黑顶帽变换，得到各方向的黑顶帽值，对所有方向的黑顶帽值求平均，得到多方向黑顶帽均值； 步骤7，求所有相邻线性结构元素尺度下的多方向黑顶帽均值之差的绝对值，获得基于差分形态学属性的黑顶帽值，基于差分形态学属性的黑顶帽值的平均值即形态学阴影指数； 步骤8，以形态学阴影指数为约束对步骤5获得的房屋对象中像元进行进一步判定: 8.1根据经验设定阴影指数阈值，将形态学阴影指数大于阴影指数阈值的像元判定为阴影像元，形态学阴影指数不大于阴影指数阈值的像元判定为非阴影像元，阴影像元构成阴影对象； 8.2根据实际情况预设第一形态学房屋指数阈值T_high、第二形态学房屋指数阈值T_low、第一距离阈值 D_high 和第二距离阈值 D_low, T_high>T_low, T_high>T_low ； 若像元的形态学房屋指数大于1'_1^811、且像元所在房屋对象与相邻阴影对象间的距离小于预设第一距离阈则该像元判定为房屋像元；若像元的形态学房屋指数在第二形态学房屋指数阈值乙10?和第一形态学房屋指数阈值T_high间、且像元所在房屋对象与相邻阴影像元间的距离小于预设第二距离阈值D_low，则该像元也判定为房屋像元；其他像元判定为非房屋像元。
8.如权利要求7所述的基于形态学房屋指数的高分辨率遥感影像房屋提取方法，其特征在于: 步骤6中所述的黑顶帽变换为基于重建的黑顶帽变换。
【文档编号】G06K9/46GK103984947SQ201410238937
【公开日】2014年8月13日 申请日期:2014年5月30日 优先权日:2014年5月30日
【发明者】黄昕 申请人:武汉大学