一种基于多尺度滤波建筑指数的遥感影像建筑物检测方法

摘要

本发明公开了一种基于多尺度滤波建筑指数的遥感影像建筑物检测方法。本发明基于数字形态学和多尺度滤波和实现高分辨率遥感影像的建筑物快速自动检测。首先，基于多波段高分辨率遥感影像各波段最大值以生成亮度图像；接下来，对亮度图像做基于重构的开运算以生成增强图像；然后，对增强图像使用一系列窗口大小的中值滤波，获取多尺度滤波的差分图像序列；再对该序列取平均以获取多尺度滤波建筑指数、输出对应的特征图像。该指数的大小可有效表征建筑物在遥感影像上的概率，可基于该指数有效提取高分辨率遥感影像上的建筑物。

说明书

技术领域

本发明属于图像处理技术领域，涉及一种遥感影像建筑物检测方法，具体涉及一种基于多尺度滤波建筑指数(Multiscale Filtering Building Index)的遥感影像建筑物检测方法。

背景技术

遥感是对地观测的重要手段之一。建筑物是遥感影像中的重要地物之一，遥感影像的建筑物提取在城市规划、地理国情普查、GIS数据库更新等方面有着重要作用。然而，面对高分辨率遥感海量数据，智能解译技术并没有提高到令人满意的程度。高分辨率遥感影像的建筑物自动提取主要包括以下难题：

(1)传统的基于光谱信息的方法难以取得良好检测结果；

传统的遥感影像信息提取大多基于光谱信息，而高分辨率遥感影像通常只有近红外、红、绿和蓝四个波段，波段数相比于Landsat等常见的中低分辨率遥感影像显著减少，建筑物与其他地物的光谱区分信息显著减少；此外，高空间分辨率提供了大量地物细节信息，建筑物等同种地物类内光谱差异增大，不同地物类间光谱差异减小，导致传统的基于光谱的遥感影像信息提取方法难以在高分辨率遥感影像中取得良好的检测结果。事实上，建筑物与道路、裸地和水泥地等地物很容易发生严重混淆。

(2)建筑物种类复杂差异悬殊，给高精度识别造成了严重困难；

建筑物在高分影像有限的波段上容易与道路、裸地和水泥地等地物造成严重混淆；建筑物结构和尺寸差别较大，农村和郊区的建筑物往往占地面积小、形状不规则，而城市建筑物往往占地面积大、高度不一，且体育馆、商业区等建筑形态与居民楼差异过大。以上现象直接导致了使用监督学习方法虽然精度高，但往往需要大量人力和时间用以收集不同类型建筑物的训练样本，分类模型泛化能力差异大、精度受训练集影响大；非监督方法算法效率和适应能力差异较大，很难找到同时适用于农村、城市和郊区的建筑物提取方法，且精度常低于监督学习。

(3)从数据量、算法效率和精度来说，距离智能提取还较远；

目前测绘局、城市规划局、地理信息中心等主要地理信息生产单位仍然主要使用目视解译手段人工勾画建筑物等地物的方法，耗费大量人力和时间，效率较低。其主要原因还是现有的智能遥感解译技术难以在数据量、时间、精度等方面满足应用需求。21世纪以来，国内外大量商业高分辨率遥感卫星的升空，使得每天获取TB量级的高分影像不再困难。然而，如(2)中所概括，目前的算法或耗时久、需要人工采集大量样本，或适应性弱，难以有效提取各种类型的建筑物；目前的存储空间和计算机硬件也很难做到同步、快速从海量遥感数据中提取建筑物，已有的一些高性能设备短期内很难在基层生产单位普及；此外，已有的研究和参考文献表明，很多建筑物检测方法尽管在论文的实验区中表现优良，但很难在其他环境下取得高精度。因此，距离自动化智能提取遥感影像中的地物，还有很远的距离。

综上，高分辨率遥感影像建筑物的自动提取，是目标识别中的一个难题，同时具有丰富的应用价值，至今仍被广泛研究。

发明内容

为了解决上述技术问题，本发明提供了一种基于多尺度滤波建筑指数的遥感影像建筑物检测方法。多尺度滤波建筑指数用以表征各像素属于建筑物的概率，指数值越大，属于建筑物的概率越大。

本发明所采用的技术方案是：一种基于多尺度滤波建筑指数的遥感影像建筑物检测方法，其特征在于，包括以下步骤：

步骤1：构建多尺度滤波建筑指数，具体实现包括以下子步骤；

步骤1.1：针对获取的多光谱高分辨率遥感影像，生成亮度图像；

步骤1.2：对亮度图像做增强处理，得到增强图像；

步骤1.3：获取多尺度中值滤波的差分图像序列；

步骤1.4：生成多尺度滤波建筑指数；

步骤2：基于多尺度滤波建筑指数对遥感影像建筑物进行自动检测，具体实现包括以下子步骤；

步骤2.1：针对获取的多光谱高分辨率遥感影像，计算各像素的多尺度滤波建筑指数；

步骤2.2：根据各像素对应的多尺度滤波建筑指数，设置阈值T，大于阈值T的像素被判断为建筑物；

步骤2.3：对步骤2.2中获得的建筑物图像进行后处理，获得最终检测结果。

相对于现有技术，本发明具有如下有益效果为：

(1)提供了一种表征高分辨率遥感影像的建筑物的指数和对应的高精度、全自动建筑物检测方法。

(2)可有效应用于测绘遥感和地理信息产业中的建筑物自动、快速提取和专题信息生产。

(3)为今后遥感影像专题信息快速、高精度、全自动的智能提取提供了参考和借鉴。

附图说明

图1为本发明实施例的构建多尺度滤波建筑指数流程图；

图2为本发明实施例的遥感影像建筑物进行自动检测流程图；

图3为本发明实施例的常见建筑物检测方法实验结果与地面实况图(样区一)，其中，(a)K均值，(b)灰度共生矩阵，(c)MBI，d)MFBI，(e)地面实况图；

图4为本发明实施例的常见建筑物检测方法实验结果与地面实况图(样区二)，其中，(a)K均值，(b)灰度共生矩阵，(c)MBI，d)MFBI，(e)地面实况图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

本发明提供的一种基于多尺度滤波建筑指数的遥感影像建筑物检测方法，包括以下步骤：

步骤1：构建多尺度滤波建筑指数；

请见图1，具体实现包括以下子步骤；

步骤1.1：针对获取的多光谱高分辨率遥感影像，生成亮度图像；

针对获取的多光谱高分辨率遥感影像，获取每个像素各波段最大值，生成亮度图像。

步骤1.2：对亮度图像做基于重构的顶帽运算，得到增强图像；

步骤1.3：获取多尺度中值滤波的差分图像序列；

对步骤1.2中得到的增强图像使用边长从S_min至S_max、间距为△S的矩形窗口分别做中值滤波，对得到的若干图像分别相邻两者作差，得到多尺度中值滤波的差分图像序列。

步骤1.4：生成多尺度滤波建筑指数；

将差分图像序列上各相同位置的像素对应的所有灰度值取平均值，归一化到0-1之间，得到多尺度滤波建筑指数(MFBI)。各像素经过该运算后的值越大，属于建筑物的概率越大。

步骤2：基于多尺度滤波建筑指数对遥感影像建筑物进行自动检测；

请见图2，具体实现包括以下子步骤；

步骤2.1：针对获取的多光谱高分辨率遥感影像，计算各像素的多尺度滤波建筑指数；

本实施例要求获取该影像尽量多的波段。至少需要近红外、红、绿这三个波段。

步骤2.2：根据各像素对应的多尺度滤波建筑指数，设置阈值T，大于阈值T的像素被判断为建筑物；

步骤2.3：对步骤2.2中获得的建筑物图像进行后处理，获得最终检测结果；

对步骤2.2中获得的建筑物图像，在光谱信息部分，基于各像素NDVI和NDWI光谱信息剔除掉由植被水体造成的虚警；在形状特征部分，遍历获得二值图像的各连通区域，基于各连通区域面积、长宽比等几何特征进行后处理，排除虚警、填充孔洞，得到最后的检测结果。

本发明的主要创新在于：

(1)使用各窗口中值差分序列的平均值来描述像素属于建筑物的概率大小，由此提出了一种多尺度滤波建筑指数。

(2)基于该多尺度滤波建筑指数，研究了一种建筑物自动检测方法。

为验证本方法的有效性，本实施例选择两块有代表性、建筑类型丰富的遥感影像样区开展实验。使用仅依靠光谱信息进行分类的K均值算法、仅考虑空间结构信息的灰度共生矩阵算法、同时考虑空间信息和光谱信息的形态学建筑指数(MBI)进行对比实验。

样区一和样区二的K均值、灰度共生矩阵、形态学建筑指数(MBI)、多尺度滤波建筑指数(FMBI)的检测结果和地面实况图分别如图3、图4中的(a)到(e)子图所示。值得说明的是，基于光谱信息分类提取建筑物的K均值方法对应的实验结果，建筑物与植被、道路等混淆严重；仅考虑影像空间信息的灰度共生矩阵的特征影像同样难以区分建筑物、道路和部分植被。因此这两种方法不参与建筑物检测的精度评价，定量精度评价与分析仅在本方法和形态学建筑指数(MBI)间展开。定量精度评价选用查全率(Recall)、查准率(Precision)和总精度(Overall Accuracy)三个指标；定量分析主要考虑这两种方法(包含后处理)完成相同样区目标提取所需要的时间。

以上实验均在基于OpenCV 3.1.0的Visual Studio 2015环境下编程测试。

表1和表2说明了形态学建筑指数和本文提出的多尺度滤波建筑指数的检测精度；表3说明了这两种方法在两块实验区检测所需要的时间。

表1样区一中MBI与MFBI的检测精度

表2样区二中MBI与MFBI的检测精度

表3样区一和样区二MBI与MFBI的计算时间(单位：秒)

MBIMFBI样区一21.81.97样区二23.52.49

由以上概括的本方法的创新点和实验结果，可知本方法的主要优点有：

(1)本多尺度滤波建筑指数和对应的建筑物提取方法充分结合了影像的光谱信息和空间结构信息。在计算本指数的过程中，通过亮度图像和开重构的顶帽变换，突出了建筑物的光谱信息，拉大了与周边地物的反差；通过差分序列图像突出了建筑物的边缘形状信息；该方法的后处理过程则进一步顾及到了面积、长宽比等几何形状特性。从而充分克服了传统的基于光谱的遥感影像目标提取的一系列问题。

(2)本多尺度滤波建筑指数和对应的建筑物提取方法对城市不同形态的建筑物具有较高的检测精度。由(1)中的分析可知，本方法充分考虑到了建筑物的边缘形状信息和面积、长宽比等几何形状特征。此外，通过一系列不同尺度的检测窗口，这一思路不同于传统的模板匹配的思想，能够有效检测不同形态和大小的建筑物。这一思想有效解决了建筑物种类复杂差异悬殊影响检测精度的问题。

(3)本多尺度滤波建筑指数和对应的建筑物提取方法算法开销小，计算时间短。由表2统计的程序运算时间可知，对于方圆约一公里的区域，完成基于该指数的建筑物检测流程只需要2秒左右。同时，本方法自动化程度高，只需人工输入参数，不需要任何交互式处理，最大程度上降低了人力。因此，该方法可有效用于大面积遥感影像上的建筑物快速、自动化提取。

以上优点能够有效解决技术背景部分提出的高分影像建筑物自动检测的三个难点。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。