1、高空間分辨率遙感應(yīng)用模型及案例,高分辨率影像地物提取,實(shí)現(xiàn)空間信息采集的自動(dòng)化和處理的智能化 二維圖像和三維高度信息相結(jié)合的規(guī)則建筑物快速提取 動(dòng)態(tài)規(guī)劃法和Snake模型提取線狀地物,建筑物提取,數(shù)據(jù)源和線索 支持的目標(biāo)模型 提取策略 目標(biāo)檢測與特征提取 特征編組和建模 自動(dòng)化程度,數(shù)據(jù)源和線索,用于建筑物目標(biāo)提取與重建的數(shù)據(jù)資源非常廣泛 1）圖像特征提取、墻面和屋頂面檢測、建筑物特征組合、建筑物頂部假設(shè)的產(chǎn)生以及假設(shè)驗(yàn)證單個(gè)平行六面體房屋及其組合房屋的提取。 2）采用單個(gè)DSM為線索直接在三維空間提取建筑物；a.利用高度信息借助數(shù)學(xué)形態(tài)學(xué)方法完成建筑物檢測；b.提取重建過程，重建后的模型與相

2、應(yīng)的DSM吻合；DSM分辨率太低。 3）借助DSM的高度信息和數(shù)字地籍圖的平面信息完成房屋的自動(dòng)提取和重建。,數(shù)據(jù)源和線索,4）將二維圖像中基于特征的匹配結(jié)果融合到三維空間中完成了建筑物的提取，該方法利用二維邊界作為匹配基元，運(yùn)用邊界的幾何特性作為相似度量尋找同名像點(diǎn) 5）采用等高線跟蹤代替灰度分割獲得局部高出區(qū)域，保留可能包含建筑物的區(qū)域，在立體像對中用高度信息進(jìn)行立體匹配，最后將匹配的三維邊界重組為建筑物模型。 總結(jié)：首先從二維GIS（矢量、柵格）數(shù)據(jù)中獲取建筑物的邊界信息，然后將這些邊界信息按照坐標(biāo)投影到DSM或者航空影像中，這樣被投影的建筑物邊界可作為三維提取與重建的基礎(chǔ)。,支持的目標(biāo)

3、模型,參數(shù)模型：模型單元的類型和關(guān)系是固定的，但是其幾何尺寸是未知的，需要建筑物模型庫；可以在提取幾何模型的同時(shí)完成部分語義信息的提取，實(shí)際應(yīng)用依賴于模型庫的容量 一般模型：可以重建任意形狀的建筑物，可靠性和成功率完全依賴于特征提取的結(jié)果，沒有考慮先驗(yàn)知識，無法預(yù)測遮擋部分或者丟失部分，解決這種問題需要多視點(diǎn)影像。 一般模型代表方法有兩種：實(shí)體幾何模型、邊界表示方法；方法一，每一個(gè)模型可以被精確建模，外觀可以預(yù)先得到，其次遮擋部分可以重建，缺點(diǎn)不適合不規(guī)則建筑。 邊界表示方法對建筑物的形式?jīng)]有限制，不能表示曲面特征的建筑物模型。,提取策略,自下而上：數(shù)據(jù)驅(qū)動(dòng)，先提取圖像的基元（點(diǎn)、邊界、灰度均

4、勻區(qū)），然后編組成實(shí)體，最后通過產(chǎn)生建筑物存在的假設(shè)，重建整個(gè)建筑物，問題次像素級分割處理不穩(wěn)定。 自上而下：模型驅(qū)動(dòng)，特征提取，接著通過與目標(biāo)模型庫進(jìn)行匹配，然后對場景中存在的建筑物產(chǎn)生假設(shè)，最后是假設(shè)驗(yàn)證。,目標(biāo)檢測與特征提取,采用一個(gè)粗糙分割或者分類方法實(shí)現(xiàn)可能含有興趣目標(biāo)的區(qū)域與其背景區(qū)域的分割。 有的是提取圖像的角點(diǎn)；有的直接提取邊界線然后編組成建筑物頂部假設(shè)；有的首先提取圖像中的三維邊界然后將其編組成建筑物頂部的若干塊狀平面；有的采用提取點(diǎn)、邊界和區(qū)域相結(jié)合的方法。,特征編組和建模,二維信息提前轉(zhuǎn)化為三維信息，然后進(jìn)行立體匹配把二維特征轉(zhuǎn)換為三維特征。,自動(dòng)化程度,計(jì)算機(jī)輔助的地物

5、自動(dòng)測圖 地物全自動(dòng)測繪,提取復(fù)雜性原因,建筑物結(jié)構(gòu)和形狀的多樣性不允許采用一種通用的目標(biāo)模型來描述場景中各種類型的建筑物。 建筑物之間的遮擋以及內(nèi)部的遮擋，還有其它地物目標(biāo) 陰影、噪聲、低對比度、建筑物頂部的細(xì)碎結(jié)構(gòu)以及其它目標(biāo)的介入 恢復(fù)建筑物形狀的幾何信息是困難的 城區(qū)獨(dú)立建筑物是建筑物自動(dòng)重建的主要對象。,建筑物提取,建筑物模型的建立 建筑物識別與檢測 基于SUSAN算子的角點(diǎn)提取 基于HOUGH變換的直線段提取 自適應(yīng)多窗口的角點(diǎn)匹配,建筑物模型的建立,物體的三維模型應(yīng)包含物體的完整信息。 模型應(yīng)有從具體到抽象的各種不同層次的表達(dá)方式（坐標(biāo)系、基元、組織結(jié)構(gòu)、原型與樣例）。 利用結(jié)構(gòu)

6、剛體幾何方法，首先按照屋頂形狀建立幾種常見的房屋二維基元及它們各自的數(shù)學(xué)模型，針對每一個(gè)房屋按其屋頂形狀對其進(jìn)行分類，然后按照所屬類別房屋對應(yīng)的三維數(shù)學(xué)基本模型來對每一個(gè)房屋描述。,建筑物識別與檢測,首先必須識別與檢測出各個(gè)目標(biāo)建筑物 DSM，激光雷達(dá)，4M點(diǎn)間距，垂直方向精度達(dá)到15CM,建筑物提取案例,建筑物提取案例,建筑物提取案例預(yù)處理,在圖像分割前，有必要對原始圖像進(jìn)行適當(dāng)?shù)念A(yù)處理以提高圖像質(zhì)量。預(yù)處理主要包括：直方圖均衡化和濾波處理等。其中濾波處理采用均值濾波器或者中值濾波器對原圖像進(jìn)行平滑處理，以去除圖像噪聲和個(gè)別孤立點(diǎn)，改善圖像質(zhì)量。同時(shí)為了盡可能的去除無用背景對分割結(jié)果的影響，

7、在分割之前，先設(shè)定一個(gè)灰度門限（這個(gè)值要取的相對低一些），把低于該門限的像素灰度值設(shè)為0，初步濾除部分干擾因素。經(jīng)過預(yù)處理后得到的圖像作為要進(jìn)行目標(biāo)分割的圖像。,建筑物提取案例邊緣檢測,邊緣的類型多樣，在本研究的試驗(yàn)圖像上主要是階躍型邊緣。階躍型邊緣定位于其一階導(dǎo)數(shù)的局部極值點(diǎn)，因此可以采用圖像的一階導(dǎo)數(shù)（即梯度）進(jìn)行邊緣檢測。常用的梯度算子有Roberts算子、Prewitt算子、Sobel算子等。通?？梢愿鶕?jù)圖像特征選擇合適的梯度算子進(jìn)行檢測。本研究基于數(shù)學(xué)形態(tài)學(xué)的相關(guān)理論提出了一種新的針對灰度圖像的形態(tài)算子邊緣檢測方法。首先設(shè)計(jì)一個(gè)結(jié)構(gòu)體算子，通過反復(fù)試驗(yàn)得知算子大小為33，循環(huán)次數(shù)為1

8、的時(shí)候效果最佳。,建筑物提取案例邊緣連接,前面的邊緣檢測處理僅得到處在邊緣的像素點(diǎn)。實(shí)際上，由于噪聲、不均勻照明而產(chǎn)生的邊緣間斷以及其他由于引入虛假的亮度間斷所帶來的影響，使得到的一組像素很少能完整的描繪出一條邊緣。因此，在進(jìn)行邊緣檢測算法后緊跟著要使用邊緣連接過程將邊緣像素組合成有意義的邊緣。連接邊緣點(diǎn)的具體方法是分析圖像中的每一個(gè)點(diǎn)（x，y）的一個(gè)小鄰域 （33）內(nèi)像素的特點(diǎn)，該點(diǎn)是用上面邊緣檢測方法得到了標(biāo)記了的邊緣點(diǎn)。將所有依據(jù)事先預(yù)定的準(zhǔn)則而被認(rèn)為是相似的點(diǎn)連接起來，形成由共同滿足這些準(zhǔn)則的像素組成的一條邊緣。,建筑物提取案例陰影與植被去除,通過密度分割法和監(jiān)督分類法基本可以獲得原始

9、圖像的陰影信息，而利用歸一化植被指數(shù)（NDVI）可以有效地將試驗(yàn)數(shù)據(jù)上的植被信息提取出來，其計(jì)算公式為：NDVI=(NIRR)/(NIR+R）。對這兩幅圖像進(jìn)行直方圖分析，確定合適的閾值，得到兩幅二值圖像。將這兩幅二值圖像取“并”然后與上面邊緣檢測和邊緣連接處理后的圖像進(jìn)行“與”操作，可以很好的去除圖像上的建筑物陰影和植被等干擾因素的影響。,建筑物提取案例圖像二值化,得到經(jīng)過去除干擾因素（陰影、植被）的邊緣檢測圖像后，就要進(jìn)行梯度圖像的閾值化處理。借助直方圖分析和人機(jī)交互的方式確定合適的閾值，可以發(fā)現(xiàn)目標(biāo)物體（即前景）和背景內(nèi)部的點(diǎn)低于閾值，而大多數(shù)邊緣點(diǎn)高于閾值。然后我們將低于該閾值的像元賦

10、值為1，而高于該l閾值的像元（即邊緣像元）賦值為0，這樣可以得到黑白翻轉(zhuǎn)后的結(jié)果圖像。,建筑物提取案例區(qū)域標(biāo)識,區(qū)域標(biāo)識是進(jìn)行獨(dú)立區(qū)域的特征量測和統(tǒng)計(jì)處理的關(guān)鍵步驟。經(jīng)過初步分割，二值圖像被分為一系列區(qū)域，為了進(jìn)一步區(qū)分建筑物目標(biāo)區(qū)域與噪聲區(qū)域，需要對圖像中所有獨(dú)立區(qū)域進(jìn)行標(biāo)識，然后才能夠進(jìn)行區(qū)域的特征測量，提取建筑物目標(biāo)。區(qū)域標(biāo)識的基本思想是：第一從圖像的某一位置出發(fā)，逐一像素進(jìn)行掃描，對于同一行中不連通的行程（灰度相同）標(biāo)上不同的號，不同的列也標(biāo)上不同的號；第二是逐次掃描全圖，如果兩個(gè)相鄰的行（列）中有相連通的形成則下行（列）的號改為上行（列）的號；第三是對標(biāo)記的號進(jìn)行排列，則可得到圖像中

11、不連通區(qū)域的標(biāo)識序列。得到了圖像中目標(biāo)區(qū)域的標(biāo)識序列，就可以對每一個(gè)感興趣目標(biāo)進(jìn)行特征量測。,建筑物提取案例特征量測與區(qū)域分割,圖像的形狀量測是基本的圖像測量方式。通常，圖像上目標(biāo)區(qū)域的幾何形狀參數(shù)主要包括周長、面積、最長軸、方位角、邊界矩陣和形狀系數(shù)等。由于進(jìn)行建筑物目標(biāo)分割，此處選定面積特征進(jìn)行目標(biāo)的特征量測。根據(jù)區(qū)域標(biāo)識結(jié)果，對圖像中的目標(biāo)區(qū)域進(jìn)行面積特征量測，即計(jì)算出各個(gè)區(qū)域所包含的像素個(gè)數(shù)。 經(jīng)過初步的區(qū)域分割基本可以得到較為明顯的目標(biāo)分割結(jié)果，但是仍然存在較大面積的陰影、道路等目標(biāo)的干擾，因此需要進(jìn)行進(jìn)一步的統(tǒng)計(jì)區(qū)域分割。由于建筑物形狀多樣、大小不一，應(yīng)該根據(jù)特定的研究需要確定適合

12、于該類目標(biāo)提取的特征。本研究利用區(qū)域凸面積與區(qū)域面積的比值判斷該區(qū)域是建筑物還是非建筑物。,建筑物提取案例圖像后處理,經(jīng)過上述處理后得到的建筑物目標(biāo)區(qū)域總包含黑區(qū)域，形成黑洞。黑洞的存在一方面可能是噪聲的影響，比如衛(wèi)星圖像拍攝時(shí)或者圖像數(shù)字化過程中引入的系統(tǒng)噪聲，另一方面是客觀世界的真實(shí)反映，這是由于建筑物屋頂?shù)膶傩圆豢赡芡耆恢?，其材料、花紋等都有變化。為了獲取目標(biāo)的整體外觀，本研究對處理獲得的建筑物前景目標(biāo)采用形態(tài)學(xué)中的洞填充操作，即綜合運(yùn)用腐蝕、膨脹、開、閉操作等處理，達(dá)到消除黑洞的效果。,建筑物提取案例試驗(yàn)結(jié)果,選取覆蓋北京師范大學(xué)校園的Quickbird圖像對以上技術(shù)流程進(jìn)行了試驗(yàn)，

13、結(jié)果表明基于該方法進(jìn)行建筑物邊緣檢測是非常有效的。,全色影像上居民地提取,高分辨率SAR影像居民地提取進(jìn)行了研究。利用灰度共生矩陣計(jì)算高分辨率SAR圖像的紋理特征，通過統(tǒng)計(jì)分析選取合適的特征矢量，并基于非監(jiān)督聚類分析提取居民地。提取的居民地區(qū)以一定的面積閾值剔除噪聲（細(xì)小區(qū)域），并利用形態(tài)學(xué)算子提取邊界進(jìn)行適當(dāng)?shù)囊?guī)整，得到最終結(jié)果。在對應(yīng)的光學(xué)圖像上人工提取居民地范圍，以此作為實(shí)驗(yàn)結(jié)果的評價(jià)標(biāo)準(zhǔn)，實(shí)驗(yàn)結(jié)果表明此方法可以得到較好的效果。,全色影像上居民地提取,設(shè)計(jì)了一種基于33區(qū)域灰度方差紋理特征的高分辨率遙感影像居民地特征提取分析算法，通過高斯模糊處理提高影像上居民地紋理特征一致性的同時(shí)，加大

14、了其同背景地物紋理特征值的差異，并設(shè)計(jì)了相應(yīng)的居民地自適應(yīng)分割閾值求取算法，提出了針對居民地與道路提取分離的骨架化分析算法。,全色影像上居民地提取,提出了一種從衛(wèi)星遙感全色圖像中自動(dòng)提取城市目標(biāo)的方法。在總結(jié)城市衛(wèi)星遙感全色圖像特征的基礎(chǔ)上，設(shè)計(jì)了一種層次提取的方法。首先在低分辨率圖像中提取城市目標(biāo)的候選區(qū)域；接著在候選區(qū)域內(nèi)利用城市目標(biāo)一些更復(fù)雜的特性在高分辨率圖像中證實(shí)城市目標(biāo)。為了獲得城市目標(biāo)的邊界，提出了一種基于邊緣點(diǎn)密度的算法，并將算法應(yīng)用去提取SPOT圖像中的城市目標(biāo)，取得了較好的實(shí)驗(yàn)結(jié)果。,全色影像上居民地提取,利用灰度共生矩陣四個(gè)紋理特征量，選擇建筑用地與其他地類的紋理特征統(tǒng)計(jì)

15、量差別較大的特征，用于提取建筑用地信息。通過計(jì)算選擇了對比度紋理特征，對該特征圖像進(jìn)行分類、密度分割及后處理，得到城市用地信息。通過精度評定證明了紋理特征用于分類可以提高分類的精度，并能提高土地利用動(dòng)態(tài)檢測的自動(dòng)化程度。,全色影像上居民地提取,在圍繞團(tuán)狀地物居民地的采集，利用高斯模糊處理提高影像上居民地紋理特征一致性的同時(shí)，通過灰度共生矩陣提取了紋理。用區(qū)域生長和形態(tài)學(xué)的方法全方位腐蝕與膨脹，完成了面狀地物居民地的提取，并進(jìn)行了矢量跟蹤，通過對矢量結(jié)果分析，準(zhǔn)確率達(dá)到90%以上，可以直接應(yīng)用到GIS中去。,全色影像上居民地提取,總結(jié)為以下幾個(gè)重要步驟： （1）影像的預(yù)處理：這包括對質(zhì)量不好的影

16、像進(jìn)行增強(qiáng)、高斯模糊提高紋理一致性等處理。 （2）目標(biāo)特征的確定：例如通過獲得種子點(diǎn)紋理特征的方法來獲取初始居民地的紋理特征。 （3）確定合理的區(qū)域搜索方式：要保證不漏提或不多提目標(biāo)區(qū)域，必須要有合理的搜索方式，這對于面狀區(qū)域邊界的確定是十分重要的。我們比較常用的有區(qū)域增長、動(dòng)態(tài)規(guī)劃等方法。 （4）特征匹配：特征匹配的原則決定了將什么樣的目標(biāo)確定為我們的興趣目標(biāo)，這是目標(biāo)提取中的重要環(huán)節(jié)，如歐氏距離、模糊聚類等方法。,全色影像上居民地提取,全色影像上居民地提取,線狀地物提取,影像道路的基本特征 影像道路提取的基本過程 影像道路提取的研究現(xiàn)狀 影像道路提取研究應(yīng)用展望,影像道路的基本特征,幾何特

17、性 輻射特性 拓?fù)涮匦?上下文特性 功能特性,道路提取基本過程,半自動(dòng)道路特征提取,利用人機(jī)交互的形式進(jìn)行特征提取和識別 道路影像增強(qiáng)、確定道路、形成道路段、連接與顯示道路,自動(dòng)道路特征提取,道路特征增強(qiáng)（圖像濾波） 道路種子點(diǎn)確定（像素分類、邊緣檢測、模板匹配） 將種子點(diǎn)擴(kuò)展成段（自動(dòng)連接、動(dòng)態(tài)規(guī)劃、卡爾曼濾波） 道路段的確認(rèn)，自動(dòng)連接（形成道路網(wǎng)）,道路提取研究現(xiàn)狀,利用計(jì)算機(jī)從遙感影像中自動(dòng)提取道路之類的線性地物信息，是人們多年的愿望。國內(nèi)外在這方面的研究大概有20多年的歷史。Tupin等(1998)從SAR影像上利用隨機(jī)場模型等方法研究了道路特征提??；Tupin等(1998)研究了SA

18、R影像的道路網(wǎng)絡(luò)提??；Mckeown和Denlinger (1988)研究了采用道路紋理關(guān)系與道路邊緣跟蹤交替進(jìn)行的方法提取道路；,道路提取研究現(xiàn)狀,Kestner等(1978)，Quam (1978)利用邊緣通過“道路”與“背景”關(guān)系研究了道路特征的提取，Strat和Fischler(1995)也研究了類似的問題；Geman和Jedynak (1991)研究了利用不同分辨率影像提取道路的方法，首先在高分辨率下求出經(jīng)過濾波的邊緣，然后在低分辨率下求出邊界彎曲的道路，最后在高分辨率下利用動(dòng)態(tài)搜索的方法得到所需的道路；,道路提取研究現(xiàn)狀,Donald和Bruno (1996)在眾多研究的基礎(chǔ)上，深

19、入探討了10米分辨率的衛(wèi)星影像道路識別方法；Gruen和Li（1997)研究了利用GIS數(shù)據(jù)從數(shù)字圖像中提取線性特征的方法；Gruen和Li（1997 )利用種子點(diǎn)和動(dòng)態(tài)規(guī)劃研究了航空影像線性目標(biāo)提?。籗teger，Mayer和Radig (1997)研究了利用類及模糊集提取道路網(wǎng)絡(luò)；,道路提取研究現(xiàn)狀,Chanussot(1999)利用模糊融合技術(shù)研究了SAR影像的線性目標(biāo)檢測；Yuille和Coughlan (2000)利用貝葉斯估計(jì)、最大最小估計(jì)、條件分布等概率方法，通過建立結(jié)構(gòu)樹的判別方法，對自動(dòng)提取道路特征的方法進(jìn)行了分析研究；Laptev等(2000)基于多尺度檢測與幾何約束邊緣檢

20、測相結(jié)合的方法，研究了航空影像上道路的自動(dòng)提??；Hu等(2000)研究了基于模板匹配與神經(jīng)網(wǎng)絡(luò)的航空影像道路提取方法；Neil等(2001)利用邊緣研究了影像線性目標(biāo)的變化檢測等等。,道路提取研究現(xiàn)狀,道路的自動(dòng)提取所用的方法大致可以分為三類：一類是基于道路本身特性的方法，另一類是基于上下文信息的方法，第三類是前二者的混合。 基于道路本身特性的方法是從道路本身的幾何和輻射特性出發(fā)，建立合適的數(shù)學(xué)模型來描述理想道路，然后運(yùn)用一定的數(shù)學(xué)方法來求解，這類方法的典型實(shí)現(xiàn)算法包括模板匹配法、平行邊跟蹤連接方法、動(dòng)態(tài)規(guī)劃的方法、多級分辨率的方法、模板匹配跟蹤法并使用一定的數(shù)學(xué)理論來對道路定位及跟蹤如最小二乘和線性卡爾曼濾波等等,道路提取研究現(xiàn)狀,實(shí)際道路成像的復(fù)雜性，使得道路的特性會(huì)發(fā)生很大變化，在這些情況下，使用第一類方法常常不能得到可靠結(jié)果，而必須分析道路與其他目標(biāo)之間的關(guān)系才能得到較好的結(jié)果?；谏舷挛男畔⒌姆椒ň褪欠治龅缆放c其它目標(biāo)的相互關(guān)系，來補(bǔ)償一些不能從道路本身提取出的信息。這一類方法涉及的內(nèi)容較多，目前很少有比較