基于多边形超像素的候选建筑物检测方法

摘要

基于遥感影像的建筑物提取是摄影测量与遥感领域的重要研究课题，但传统的提取算法在人力和时间上耗费巨大，该课题研究成果能够高效地排除影像中的冗余信息，使后期提取算法大幅减少计算空间和时间开销，为及时提取和更新地理信患数据提供了新的思路。本文借鉴计算机视觉领域中多边形超像素、候选目标检测等最新研究成果，提出一种基于多边形超像素的候选建筑物检测方法。本文研究工作可以归纳为如下几点:
　　首先，与以往建筑物检测方法不同，本文引入了计算机视觉领域的候选目标检测概念应用于遥感影像的建筑物检测。该方法旨在高效地筛选出一些候选建筑物目标，这些目标中包含建筑物的可能性很高，进而缩小了建筑物存在区域的范围，为后续的复杂的建筑物提取或分类算法提供很好的基础数据。
　　其次，与现有基于超像素合并策略的候选目标检测方法不同，结合建筑物的几何特征，本文首先将图像区域分割为大量小凸多边形，然后将小多边形合并得到少数大多边形，每个大多边形作为一个候选建筑物区域，由此筛选出候选建筑物。
　　然后，构建图表示多边形及其邻接关系，依据颜色、纹理等特征描述相邻多边形的相似性并设置相应边的权重，采用最小生成树算法合并相似结点，将几何特征引入生长终止条件。
　　最后，本文实现了上述方法，并对算法中的各项权值变量进行了实验与评估，同时与候选目标检测的主流算法进行比较。实验表明，本文提出的算法在针对建筑物的目标检测中有较好的表现，单幅1000×750大小的影像的平均处理速度为0.987秒，所得的最好候选目标和真实目标能够基本贴合。

目录

声明

致谢

摘要

图目录

表目录

1 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．2．1 遥感影像建筑物提取方法概述

1．2．2 超像素分割算法

1．2．3 目标检测算法

1．3 研究内容与章节安排

2 候选目标检测方法概述

2．1 遥感图像中楚筑物类别定义

2．2 算法流程概述

2．3 本文涉及的基本概念介绍

2．3．1 候选目标

2．3．2 Voronoi diagram构建

2．3．3 加权连通图

2．3．4 道格拉斯-普克算法

3 基于超像素分割的区域合并与候选目标描述

3．1 超像素预分割

3．1．1 线特征检测与均匀采样

3．1．2 基于空间均匀化的点过程

3．1．3 控制参数的选取

3．2 基于超像素的区域合并算法

3．2．1 基于图论的超像素连通图构建

3．2．2 构建超像素之间的空间拓扑关系

3．2．3 基于最小生成树的超像素合并生长算法

3．2．4 种子点选取

3．2．5 权值函数构建

3．2．6 超像素生长的终止条件

3．3 建筑物候选目标的筛选与描述

3．3．1 候选目标结果筛选

3．3．2 合并结果的外围点跟踪

3．3．3 基于道格拉斯-普克算法的多边形拟合

4 实验与评估

4．1 实验数据与评估指标

4．2 本文算法的变量控制

4．2．1 权值函数特征项的权重参数及终止条件

4．2．2 基于GLCM的纹理特征量

4．2．3 不同权值因子对检测结果的影响

4．3 与主流算法的对比实验

5 总结与展望

5．1 总结

5．2 不足与展望

参考文献

作者简历