一种基于非线性尺度滤波的遥感影像建筑物提取方法.pdf

本发明涉及一种基于非线性尺度滤波的遥感影像建筑物提取方法。包括如下步骤：步骤1，分离影像波段；步骤2，非线性尺度滤波；步骤3，判断迭代停止条件；步骤4，二值化处理；步骤5，波段叠加。可克服目前高空间分辨率遥感影像中建筑物提取困难的问题，充分利用遥感影像的光谱特征，可以检测遥感影像中的建筑物目标，且准确地保留其边缘，无需人工干预，自动化程度高。

1.  一种基于非线性尺度滤波的遥感影像建筑物提取方法，其特征在于包括以下步骤：
步骤1：分离输入遥感影像image1的各个波段，分别记为:band₁,band₂,…,band_n,其中n为image1中的波段总数；
步骤2：利用各向异性的热传递方程迭代计算每个波段band₁,band₂,…,band_n中每个像元的取值，得到每个波段的滤波结果，分别记为:F_band₁,F_band₂,…,F_band_n；
步骤3：对F_band₁,F_band₂,…,F_band_n进行二值化处理,分别得到：BW_F_band₁,BW_F_band₂,…,BW_F_band_n；
步骤4：叠加BW_F_band₁,BW_F_band₂,…,BW_F_band_n。

2.  根据权利要求1所述的一种基于非线性尺度滤波的遥感影像建筑物提取方法，其特征在于各向异性的热传递方程为：
I_t+1＝I_t+λ(cN_x,y▽_N(I_t)+cS_x,y▽_S(I_t)+cE_x,y▽_E(I_t)+cW_x,y▽_W(I_t))
k和λ均为平滑控制系数，控制平滑程度越大,越平滑,越不易保留边缘。
▽_k(I_x,y)表示在四个方向上对当前像素求偏导：
▽_N(I_x,y)＝I_x,y-1-I_x,y
▽_S(I_x,y)＝I_x,y+1-I_x,y
▽_E(I_x,y)＝I_x-1,y-I_x,y
▽_W(I_x,y)＝I_x+1,y-I_x,y
若▽_k(I_x,y)越大，则变化较大，就表示边界。
cK_x,y表示四个方向上的导热系数：
cNx,y=e-(||▿N(I)||2/k2)]]>
cSx,y=e-(||▿S(I)||2/k2)]]>
cEx,y=e-(||▿E(I)||2/k2)]]>
cWx,y=e-(||▿W(I)||2/k2)]]>
方向变化越大，求得的cK_x,y的取值越小，从而达到保留边界的目的。

3.  根据权利要求1所述的一种基于非线性尺度滤波的遥感影像建筑物提取方法，其特征在于各向异性的热传递方程迭代的停止条件为对应图像的标准差曲线出现第一个谷点。

4.  根据权利要求1所述的一种基于非线性尺度滤波的遥感影像建筑物提取方法，其特征在于二值化处理使用的阈值由OSTU方法自动确定。

一种基于非线性尺度滤波的遥感影像建筑物提取方法
技术领域
本发明涉及一种遥感影像处理领域，具体说是一种基于非线性尺度滤波的遥感影像建筑物提取方法。
背景技术
建筑物是城市主要地理要素之一，是各种城市专题图的重要内容，研究建筑物的提取对综合考察城市地理信息环境具有重要意义。随着高分辨率遥感影像获取技术的快速发展，遥感影像的处理、分析和应用有了更好的数据源，其数字产品则有了更广泛、更深入的应用。计算机图像处理技术、模式识别、人工智能等方面的都取得不同程度的进展，为高效地提取海量影像中的有效信息提供了可能。但建筑物信息的提取要比其他信息如道路、水体的获取难得多，主要原因如下：
(1)数据源主要是二维的遥感影像，大多数情况下缺少直接的三维数据；
(2)不同的遥感影像常因为光谱范围、分辨率、传感器的几何图像以及成像条件等因素的不同而有较大的差异；
(3)不同种类的建筑物其所表现出来的外观和纹理细节等千变万化，表现在遥感图像上差异很大，统一的建筑物模型库难以建立，这使得信息的自动提取变得相当困难；
(4)建筑物所处场景的复杂性，如对比度较低时、房屋相互遮挡、建筑物自身的阴影以及处在其它地物的阴影等，所以想自动地从背景中提取出边界清晰的建筑物较为困难。
发明内容
本发明提供了一种基于非线性尺度滤波的遥感影像建筑物提取方法，可克服目前高空间分辨率遥感影像中建筑物提取困难的问题，充分利用遥感影像的光谱特征，可以检测遥感影像中的建筑物目标，且准确地保留其边缘，无需人工干预，自动化程度高。
为实现本发明的目标所采用的技术方案是：方法包括以下步骤：
步骤1：分离输入遥感影像image1的各个波段，分别记为:band₁,band₂,…,band_n,其中n为image1中的波段总数；
步骤2：利用各向异性的热传递方程迭代计算每个波段band₁,band₂,…,band_n中每个像元的取值，得到每个波段的滤波结果，分别记为:F_band₁,F_band₂,…,F_band_n；
步骤3：对F_band₁,F_band₂,…,F_band_n进行二值化处理,分别得到：BW_F_band₁, BW_F_band₂,…,BW_F_band_n；
步骤4：叠加BW_F_band₁,BW_F_band₂,…,BW_F_band_n。
所述的各向异性的热传递方程为：
I_t+1＝I_t+λ(cN_x,y▽_N(I_t)+cS_x,y▽_S(I_t)+cE_x,y▽_E(I_t)+cW_x,y▽_W(I_t))
k和λ均为平滑控制系数，控制平滑程度越大,越平滑,越不易保留边缘。
▽_k(I_x,y)表示在四个方向上对当前像素求偏导：
▽_N(I_x,y)＝I_x,y-1-I_x,y
▽_S(I_x,y)＝I_x,y+1-I_x,y
▽_E(I_x,y)＝I_x-1,y-I_x,y
▽_W(I_x,y)＝I_x+1,y-I_x,y
若▽_k(I_x,y)越大，则变化较大，就表示边界。
cK_x,y表示四个方向上的导热系数：
cN_x,y＝e^{-(||▽N(I)||2/k2)}
cS_x,y＝e^{-(||▽S(I)||2/k2)}
cE_x,y＝e^{-(||▽E(I)||2/k2)}
cW_x,y＝e^{-(||▽W(I)||2/k2)}
方向变化越大，求得的cK_x,y的取值越小，从而达到保留边界的目的。
所述的各向异性的热传递方程迭代的停止条件为对应图像的标准差曲线出现第一个谷点。
所述的二值化处理使用的阈值由OSTU方法自动确定。
本发明的有益效果是：解决了高空间分辨率遥感影像中建筑物边缘检测困难的问题，达到完全自动化的效果。可以用于遥感影像制图、地理信息系统的数据获取和自动更新。
附图说明
图1是本发明的总体处理流程图。
具体实施方式
下面结合附图详细描述本发明的具体实施方式。
在步骤101，输入的待处理遥感影像image1为包含3个波段的高空间分辨率遥感影像，传感器为Quick bird，且已经进行辐射校正和几何校正等预处理。
在步骤102，分离输入遥感影像image1的各个波段，分别得到:band₁,band₂和band₃。
在步骤103，利用各向异性的热传递方程分别对band₁,band₂和band₃进行非线性尺度滤波，迭代计算每个波段band₁,band₂和band₃中每个像元的取值，得到每个波段的滤波结果，分别记为:F_band₁,F_band₂和F_band₃。
在步骤104，分别计算F_band₁,F_band₂和F_band₃中全部像素取值的标准差，如果某一波段的标准差取值从小变大，则其满足迭代停止条件，进入步骤105；否则进入步骤103。
在步骤105，通过OSTU方法自动确定阈值，对F_band₁,F_band₂和F_band₃进行二值化处理，得到BW_F_band₁,BW_F_band₂和BW_F_band₃。
在步骤106，叠加BW_F_band₁,BW_F_band₂和BW_F_band₃。
在步骤107，得到边界准确的建筑物对象。