基于数字高程模型的建筑物自动提取的方法

摘要

本发明涉及基于数字高程模型的建筑物自动提取的方法，该方法包括以下步骤：(1)预处理；(2)矢量化；(3)噪音去除；(4)边缘简化；(5)自动建筑物提取处理。与现有技术相比，本发明建立的完善的供电系统仿真体系，可以为以后的突发事件应急预案设计、物流系统仿真、自然灾难模拟与仿真等提供前提条件。

说明书

技术领域

本发明涉及遥感影像中自动提取建筑物边缘并识别出建筑物的方法，尤其涉及基于数字高程模型(Digital Elevation Model，DEM)的建筑物自动提取的方法。

背景技术

有效地从城市航空遥感影像中提取建筑物信息对城市仿真和城市规划有着举足轻重的作用。然而由于建筑物的形状、大小和周边环境等的多样性，从遥感影像中自动提取建筑物边缘并识别出建筑物是十分困难。所以，找到一个切实有效的从遥感影像中自动提取建筑物的方法成为当前的研究热点。

不同的学者提出了许多不同的方法。Sohn等人提出的基于窗口傅立叶变换和二分树技术并结合建筑物单元形状的知识推理形成建筑物多变形。Stassopoulou等人通过使用一个基于Canny算子的多尺度区域分割与边缘分割相结合的方法对影像进行分割和区域特征提取，并结合其他成像条件在Bayesian网络支持下识别并提取房屋特征。Lin等人建立了一般光照模型下，房屋边缘线与阴影间的解析几何关系，可以用于影像目标地物相关关系的分析。Kirsch等人二维边缘检测算子进行推广也提出了一种三角形网格数据的边缘提取方法。

上述几种方法或是基于边缘提取，或是结合区域分割，其缺点是无法有效地将线、面信息及其上下文相关关系综合起来进行提取。这些没有被综合起来的信息使得最终提取的轮廓信息量过于冗余，为建筑物的提取后进行的重建工作带了非常大的工作量。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷，提供一种高效实用的基于数字高程模型的建筑物自动提取的方法。

本发明的目的可以通过以下技术方案来实现：基于数字高程模型的建筑物自动提取的方法，其特征在于，该方法包括以下步骤：

(1)预处理；

(2)矢量化；

(3)噪音去除；

(4)边缘简化；

(5)自动建筑物提取(Automatic Building Extraction，ABE)处理。

所述的步骤(1)中预处理包括：

a.进行最小值滤波；

b.使用最大值滤波；

c.通过设置高度值可以得到一个空缺部分；

d.结合面向对象分类技术所提供的对图像中分割区域的光谱、纹理和形态特征参数及上下文相关关系的丰富表达方式，得到比较可靠的分割图像。

所述的步骤(2)中矢量化为将经过预处理后得到的分割图像进行矢量化处理，包括以下步骤：

a.去除分割部分内部的像素点；

b.对每个分割部分中相关联的组成部分的多边形轮廓数量进行计算；

c.通过每个分割部分和多边形的轮廓上各点的x，y的坐标值来顺时针确定轮廓线上各点的顺序；

d.为了减少这个矢量图上点的个数，将相邻两点连成的直线上的点省略掉。

与现有技术相比，本发明建立的完善的供电系统仿真体系，可以为以后的突发事件应急预案设计、物流系统仿真、自然灾难模拟与仿真等提供前提条件。

具体实施方式

实施例1

本发明采用如下技术方案：

一、预处理

由于数学形态对图像信号的处理具有直观上的简单性和数学上的严谨性，所以在描述图像信号形态特征上具有独特的优势。而本文预处理中使用最小滤波对图像进行腐蚀可以消除物体边界点，将具有细小连通的两个建筑物分开。而在腐蚀之后进行的膨胀处理则是为了将与物体接触的所有背景点合并到该建筑物中，达到填补图像分割后建筑物中的空洞的最终效果。

因为一般建筑物都是高出它周围的地形平面的其他物体的，所以基于这个事实，我们可以通过处理后的DEM进行预处理。由于建筑物的信息大量的被包含在原始高程图与近似地形表面高程图的差值图像中，因此，我们可以利用灰度数学形态学^[5]的方法来对原始高程图进行背景估计和消除。第一步是进行最小值滤波，

Z′＝min{Z(x，y)|x，y∈W}

W是结构元素，在这种情况下取的是正方形窗口。对于数学形态学来说，最小值滤波是一种非常特别的腐蚀方法，因为在w(x，y)这个结构元素中z的值始终不变。

$Z^{\prime }=Z_{\theta }W$

接下来使用最大值滤波，

Z″＝max{Z′(x，y)|x，y∈W}

最大值滤波是一种非常特别的膨胀方法，

Z″＝Z′⊕W

而经过这两步处理步骤以后，通过设置高度值可以得到一个空缺部分，

$Z^{\prime \prime }=\mathrm{ZOW}$

即为近似的地形表面。

为了能够去除空缺部分中的所有建筑物信息，窗口大小可以根据前面建筑物的最大期望尺寸进行调整，使得结构元素w不完全包含在建筑物的轮廓里。如果近似地形表面正好汇集在建筑物群中的无房区域，我们设置数据，

$d=Z-\mathrm{ZOW}$

即原始数字高程模型的高度值减去近似地形表面。

通过上述的预处理，再结合面向对象分类技术所提供的对图像中分割区域的光谱、纹理和形态特征参数及上下文相关关系的丰富表达方式，就能够得到比较可靠的分割图像。

二、矢量化

这一步要将经过预处理后得到的分割图像进行矢量化处理。由于分割部分内部的像素点会在网格中呈现轮廓，所以首先要去除。接着，我们要对每个分割部分中相关联的组成部分的多边形轮廓数量进行计算。然后通过每个分割部分和多边形的轮廓上各点的x，y的坐标值来顺时针确定轮廓线上各点的顺序。为了减少这个矢量图上点的个数，我们将相邻两点连成的直线上的点省略掉。经过上述追踪法，大体能把建筑物的外轮廓勾勒出来。但是不得不指出的是：这样生成的图形虽然基本恢复了建筑物的形状信息，但是由于受到噪声影响，建筑物的角点等位置会出现变形。基于这个事实，我们在矢量化处理之后将对这些噪音进行去除。

三、噪音去除

矢量化的最后一步是去除直线上各点，下面我们采用一种合并算法来消除离散化噪音。当在多边形迭代过程中三角形的最小高度值比预先设定的域值大，或者当已经达到了预先设定的点数最小值时，这个由多边形中i-1，i，i+1三点组成的相应三角形的高度值d_i即为多边形的最小高度值。利用这种合并算法可以成功去除多余点。在这种合并算法中，三角形的最小高度值将被看作为域值T。而这个最小高度与输入的数据的Δx，Δy密切相关。如果最小高度值$d_{\min }<k^{\sqrt{{\mathrm{\Delta x}}^2+{\mathrm{\Delta y}}^2}},$就将这条近似直线上的点全部去除。根据经验数据，这里设定K＝2/3。

四、边缘简化

以上这些步骤提取的建筑物边缘一般比较复杂，不仅包含大量的无用信息，同时与真实边缘也有一定差距。为此，本文提出了将多边形的相邻边缘看作是直角用来进一步实现多边形的重建的边缘简化算法。这样的优化处理可以大大降低最后提取的数据量，并且减少了后续重建过程的工作量。

对于第二阶段的合并过程，我们一般采取将矩形覆盖一个角度的原则。当出现相邻两个拐角点时，我们也首选将矩形直接覆盖在相邻点上。描述长度的取值取决于数据和模型的相互适宜度以及模型的复杂度。但是当出现描述长度还能再缩短的情况时，我们会直接用一个点来代替这两个相邻点。

$\mathrm{DL}=\frac{\Omega }{2\mathrm{In}2}+\frac{u-h}{2}\mathrm{lan}$

$\Omega =[1-g\left(\alpha \right)]T{\Sigma }_u^{-1}[1-g\left(\alpha \right)]$

经过上面两个公式对描述长度DL以及残差平方和Ω进行计算，结果可以非常明显的说明这种边缘简化的优势。

五、ABE处理

综合以上各节，我们这里给出建筑物边缘自动提取的算法ABE。通过对数字高程模型DEM进行预处理，然后对所得图像进行矢量化和噪音去除两步骤的操作，最后对提取到的建筑物轮廓进行边缘简化。这一系列过程处理组成了本文提出的ABE(Automatic Building Extraction)算法，如下所示：

算法：ABE(Image)

对Image进行最小值滤波；

对处理后的图象进行最大值滤波；

newImage←矢量化(newImage)；

while(i＜n)//噪音去除{

d_i←由点i-1，i，i+1组成的三角形中的高度值；

if(d_min＜2/3*sqrt(Δx²+Δy²))

去除这条近似直线上的点；

}

for(所有点in newImage)//边缘简化{

//p1和p2是相邻两个拐角点

将矩形直接覆盖在相邻点上；

if(描述长度DL还能再缩短)

用一个点来代替这两个相邻点；

}。