[发明专利]一种基于先验矢量引导的高分影像建筑物提取精处理方法

权利要求书

1.一种基于先验矢量引导的高分影像建筑物提取精处理方法，其特征在于，包括以下步骤：

步骤一，基于栅矢一致性分析对先验矢量与高分辨率遥感影像数据进行数据预处理工作，得到几何配准及校正后的数据集；

步骤二，基于FNEA影像分割算法充分考虑地物的光谱和空间特征，通过设置尺度参数在先验矢量边界的约束内对高分辨率遥感影像进行影像细分割获取一系列不同大小的地物类别像斑，得到栅矢套合下地物类别分割像斑；

步骤三，采取多数投票法的策略得到建筑物目标提取最终结果，在先验GIS土地利用矢量边界的约束内增强建筑物对象屋顶提取结果的同质性与完整性，得到先验GIS土地利用矢量约束下的深度网络模型建筑物提取精处理结果。

2.根据权利要求1所述的一种基于先验矢量引导的高分影像建筑物提取精处理方法，其特征在于：所述步骤一中，基于栅矢一致性分析对先验矢量与高分辨率遥感影像数据进行数据预处理工作，得到几何精细配准及校正后的数据集，实现方式如下，

(1)栅矢套合不一致性分析，包括将高分辨率遥感影像数据源与先验土地利用GIS矢量数据源进行套合，确认土地利用图斑边界与影像中的实际地物边界之间的偏移；

(2)栅矢配准，实现如下，

(a)栅矢数据源地理空间坐标系转换；

(b)计算矢量节点在栅格数据中的位置，得到栅矢坐标，

其中，遥感影像左上角像素的横、纵坐标分别为x_left、y_top，d_x和d_y分别为遥感影像东西向、南北向的空间分辨率，矢量数据节点在同一坐标系下的坐标为(x,y)，则该矢量节点在遥感影像上的行列号为(h,l)；

(c)计算矢量多边形内所有节点的位置。

3.根据权利要求2所述的一种基于先验矢量引导的高分影像建筑物提取精处理方法，其特征在于：所述步骤二中，基于FNEA影像分割算法充分考虑地物的光谱和空间特征，通过设置尺度参数在先验矢量边界的约束内对高分辨率遥感影像进行影像细分割获取一系列不同大小的地物类别像斑，得到栅矢套合下地物类别分割像斑，实现方式如下，

(1)基于分形网络演化算法的多尺度分割，以分割对象的平均异质度最小化作为分割根本原则，在分割前确定异质度的分割参数，包括光谱因子和形状因子，通过从下而上的对象信息来进行合并，最后获取对象层次结构的结果，在迭代过程中分割超像素合并前后光谱特征异质度计算如下所示：

Δh_color＝∑w_c(n_merge·σ_c，merge-(n_{obj_1}·σ_{c，obj_1}+n_{obj_2}·σ_{c，obj_2}))

其中，Δh_cotor为分割合并前后光谱异质度增量，w_c表示参与分割合并的波段权重，n_merge、σ_c，merge分别表示合并后超像素对象的像元个数和光谱方差，n_{obj_1}、n_{obj_2}、σ_{c，obj_1}、σ_{c，obj_2}分别表示合并前两个对象的像元个数和光谱方差；

(2)迭代过程中分割超像素合并前后形状特征异质度由紧凑度和光滑度因子组成，计算如下所示，

其中，Δh_shape为分割合并前后形状异质度增量，Δh_compt、Δh_smooth分别表示分割合并前后紧凑度增量和光滑度增量，w_compt、w_smooth分别为紧凑度和光滑度因子的权重，l_merge、b_merge分别表示合并后对象的周长和最小外接矩形边界周长，l_{obj_1}、l_{obj_2}、b_{obj_1}、b_{obj_2}分别表示合并前两个对象的周长和最小外接矩形边界周长；

(3)分割合并对象的整体异质性计算如下所示，

其中，f表示分割合并前后对象单元异质度的变化，w_color、w_shape分别表示光谱特征异质度和形状特征异质度的权重。

4.根据权利要求3所述的一种基于先验矢量引导的高分影像 建筑物提取精处理方法，其特征在于：所述步骤三中，采取多数投票法的策略得到建筑物目标提取最终结果，在先验GIS土地利用矢量边界的约束内增强建筑物对象屋顶提取结果的同质性与完整性，得到先验GIS土地利用矢量约束下的深度网络模型建筑物提取精处理结果，实现方式如下，

(1)统计栅矢套合下的多尺度细分割结果逐个超像素对象的标签；

(2)结合基于深度模型得到的建筑物对象二值预测图判断超像素与建筑物对象的区域重叠度；

(3)根据多数投票法确定逐个超像素内的建筑物预测结果的像素值，确定逐个超像素的地物类别，增强建筑物预测对象的均质性，得到高分辨率建筑物提取精处理结果。