[发明专利]结合植被剔除和图像特征一致性约束的建筑物自动提取方法及系统

说明书

本发明提供了结合植被剔除和图像特征一致性约束的建筑物自动提取方法及系统，其中的方法包括归一化数字表面模型(nDSM)提取、基于直方图削减变换的植被剔除以及基于图像特征一致性约束的建筑物区域优化。本发明的方法通过提高植被提取的精度来提高建筑物提取的精度，并基于图像特征一致性约束对提取到的建筑物区域进行优化。本发明能够从已经精确配准的遥感图像和LiDAR点云中自动提取建筑物区域，避免了半自动方法和监督方法中的人工交互，并能够以非监督的方式达到和监督深度学习算法相当的建筑物提取精度。

技术领域

本发明涉及计算机视觉与遥感领域，尤其涉及结合植被剔除和图像特征一致性约束的建筑物自动提取方法及系统。

背景技术

从遥感图像和LiDAR点云中提取建筑物区域是计算机视觉和模式识别在图像处理方面重要的研究课题之一。建筑物提取是很多建筑物三维重建算法的必要步骤，也是城市规划、数字地图更新、土地利用类型调查和灾害评估等应用的重要基础。因此，研究基于遥感图像和LiDAR点云的建筑物提取算法具有重要意义。

根据是否需要训练样本，建筑物提取算法可以分为监督算法和非监督算法。监督算法又可以分为基于深度学习的提取算法和基于传统机器学习方法的提取算法。传统机器学习方法往往需要人们设计一些针对建筑物的特征，而这些特征往往是在一小部分数据上总结得到的浅层特征，泛化能力不强。深度学习算法却可以自动从遥感数据中提取关键的多尺度特征，尤其是卷积神经网络的快速发展已经使得深度学习算法逐渐取代其他算法成为建筑物提取的主流算法。深度学习算法往往需要大量的训练样本才能取得较好的效果，而训练样本的获取需要花费大量人力物力。此外，由于泛化能力有限，遇到与训练数据集差异较大的新数据时，人们往往需要标注新的训练样本。因此，虽然目前基于深度学习的建筑物提取算法已经取得了很大的突破，监督算法并没有在真正意义上实现建筑物的自动提取。

根据所用数据，现有的建筑物提取算法可以分为三大类：(1)基于图像的建筑物提取、(2)基于LiDAR三维点云的建筑物提取以及(3)融合图像和三维数据的建筑物提取。

与从LiDAR三维点云中提取到的建筑物相比，从遥感图像中提取到的建筑物往往在水平面方向的精度较高、边界更为精确。但是现有的算法往往只能够较好地利用光谱特征而不能有效利用图像中隐含的几何特征(比如建筑物的形状)。

LiDAR三维点云具有提取建筑物的必要的高度信息和纹理信息。利用高度信息将很多非建筑物地物与建筑物和植被进行区分，然后再基于其他信息对建筑物与植被进行分离，便有望得到较高精度的建筑物区域。但是有些植被的平面特征和法向量特征与建筑物非常相似，导致难以对它们进行精确区分。

发明内容

针对现有非监督建筑物提取算法精度较低以及边界不精确的问题，本发明提供了一种结合植被剔除和图像特征一致性约束的建筑物自动提取方法及系统，通过提高植被提取的精度来提高建筑物提取的精度，并基于图像特征一致性约束对提取到的建筑物区域进行优化，适用于已经精确配准的遥感图像和LiDAR点云中的建筑物提取。

为了解决上述技术问题，本发明第一方面提供了结合植被剔除和图像特征一致性约束的建筑物自动提取方法，包括：

S1：基于数字高程模型DEM与数字表面模型DSM得到归一化数字表面模型nDSM，对nDSM进行二值化处理，二值化处理后的nDSM包括建筑物和植被；

S2：基于归一化植被指数NDVI和归一化绿度指数NDGI的联合特征分布，采用直方图削减变换法从采用的正射图像中提取非阴影区域的植被；基于亮度值特征和可见光波段对近红外波段的比值特征的联合特征分布，采用直方图削减变换法从正射遥感图像中提取阴影区域，进而提取阴影区域的植被；从二值化处理后的nDSM中剔除提取到的植被区域，得到初始建筑物区域，其中，剔除的植被区域是从正射遥感图像中提取到的阴影区域的植被和非阴影区域的植被的并集；

S3：基于图像特征一致性约束对得到的初始建筑物区域进行优化，得到最终建筑物区域。