[发明专利]一种基于改进的BL模型建成区提取方法

说明书

本发明提供了一种基于改进的BL模型建成区提取方法，包括如下步骤：对图像进行预处理；基于多线索融合和测地加权贝叶斯模型构建弱显著图，并基于弱显著性图选取强化分类模型的训练样本；训练得到强显著性图，并基于加权方法整合弱显著性图和强显著性图；使用分数阶达尔文粒子群优化算法分割最终的显著图，以准确捕捉建成区的信息。本发明可以准确的从遥感图像中提取建成区。

技术领域

本发明涉及建成区自动提取技术，特别涉及一种基于改进的BL模型建成区提取方法。

背景技术

人口密度和资源利用强度在已建成的城市地区往往很高。快速城市化带来了一些问题，包括城市热岛效应、空气污染和不合理的土地使用。因此，建成区是众多领域中的一个重要话题，包括可持续性、遥感和社会科学等领域。为了有效地向各种研究学科分发有关建成区的信息，遥感技术被广泛用于提取和监测建成区。

在过去的几十年里，人们提出了几种提取城市建成区的方法。这些方法可以大致分为四类:基于分类的方法、基于索引的方法、基于纹理的方法和基于多传感器的方法。基于分类的方法主要考虑如何使用合适的分类器提取建成区。然而，这些方法在大区域及全球范围内应用时充满挑战。基于索引的方法是基于光谱波段设计的，在光谱波段内，累积区域在多光谱数据集中表现出最高和最低的反射率值。通常，这些方法无法解决区分城市和其他土地覆盖类型的困难。基于纹理的方法可以基于高纹理粒度和纹理特征提取建成区，这些特征将它们从背景中抵消，但当遇到具有与建筑区域相似纹理特征的地面物体时，这种方法特别容易出错。基于多传感器的方法结合了多传感器的各种特性来提取建成区。然而，由于合成不同数据类型困难，这种方法没有被广泛应用。

显著性检测为地物提取提供了一个独特的视角，因为它只选择与要处理的当前行为或任务相关的信息，忽略了不相关的信息。近年来，显著性检测模型逐渐被引入遥感领域，以检测高分辨率图像中感兴趣的特定物体或区域，包括船、住宅区、水和楼房。Sentinel-2卫星提供13个波段，其更丰富的光谱信息确保了对建成区的深度探测和提取。由于建成区的独特光谱特征，它可能会成Sentinel-2的一些波段组合中的突出地物，因此建成区可以很容易地通过显著性检测模型来识别。显著性方法主要可分为自下而上刺激驱动方法和自上而下任务驱动方法。目前已经提出了许多自下而上的显著性检测方法，这些方法可以大致分为四类:基于对比、图论和信息论、先验知识和低秩矩阵恢复理论的方法。

与自下而上的方法相比，迄今为止关于自上而下的显著性模型的研究很少。JiangHuaizu(2013)提出了一种基于学习的方法，作为回归问题，该模型是基于将从训练样本中提取的大量描述符与基本真实标签相结合而构建的。Zhang Lingyun(2008)开发了一种基于贝叶斯模型的自上而下的方法，该方法通过结合自上而下和自下而上的信息来计算局部显著性。Yang Jimei(2017)提出了一种结合条件随机场和稀疏编码理论的方法。Cholakkal(2015)将自上而下的显著性检测视为图像分类问题，并提出了一种基于图像分类框架的显著性检测方法。

由于每一个类别都有不同的优势，Na Tong(2015)提出了一种BL(bootstraplearning)学习方法来提高性能；它利用了基于自下而上对比的显著性模型和自上而下学习方法的优势。然而，BL对从遥感图像中提取建成区的方法的适应性需要进一步研究。首先，BL在粗略显著性检测模型中引入暗通道先验来生成粗略显著性图，但是这种先验并不适用于所有图像。在背景较暗或前景较亮的图像中，它可能会产生相反的效果。尽管前人使用自适应权重来减弱暗通道先验的反效果，但是遥感图像非常复杂，特别是在水体作为暗背景出现的情况下；在这种情况下，BL算法可能会失败。第二，BL没有考虑遥感图像中地面物体的空间信息，这可能会导致大量背景信息的检测。此外，它简单地叠加多尺度显著图，而没有完全整合它们提供的信息。

在这种背景下，提出了一种基于改进的boosting learning模型建成区提取方法，用于从遥感图像中提取建成区。

发明内容