文/侯培文

1 引言

關(guān)于建筑物正面相同建筑識(shí)別的現(xiàn)有相關(guān)研究相當(dāng)多，大多數(shù)算法通過已校正圖像中的特征點(diǎn)和對(duì)稱信息來進(jìn)行識(shí)別相同建筑物。我們的算法的最大特點(diǎn)是可以自動(dòng)識(shí)別建筑物圖像的準(zhǔn)確位置和具體形狀，而這點(diǎn)上述其他算法無法實(shí)現(xiàn)。我們算法的關(guān)鍵在于可以利用repetitive characteristic curve特征曲線，穩(wěn)健而有效地識(shí)別與不同模板匹配的相同建筑物。

2 相同建筑物識(shí)別模式

本部分將概述提出新的算法。主要功能是根據(jù)建筑物正面圖像相同部分的識(shí)別推斷被遮蔽建筑物的圖像。該算法主要包括三步，第一步是圖像預(yù)處理（包括圖像校正和干擾過濾），第二步是墻體和非墻體識(shí)別，第三步是相同建筑物識(shí)別。

2.1 圖像預(yù)處理

輸入圖像必須在圖像預(yù)處理階段進(jìn)行過濾干擾。

2.1.1 建筑物正面圖像的干擾過濾，算法首先區(qū)分墻體和非墻體區(qū)域

起始垂直墻體通過合并每一行和它相鄰的墻體得出。起始水平墻體通過合并每一列和它的相鄰的墻體得出。起始?jí)νㄟ^合并起始垂直和水平的墻體獲得。

墻的模板通過迭代計(jì)算獲得

有了墻體模板，我們可以通過遍歷法，在整個(gè)建筑物正面圖像中獲得墻體和非墻體的區(qū)分。

2.1.2 起始?jí)w區(qū)域

我們函數(shù)計(jì)算獲得difference map, sub的長度就是圖像的寬度。我們認(rèn)為垂直方向的墻Wv是sub的一部分，其值小于。 而橫向?yàn)?/p>

同樣地，我們可以通過列的subtractionfun ction2計(jì)算出h和水平墻Wh.

公式中的W代表建筑物圖像的寬度。

接著，可以合并垂直墻區(qū)域Wv和水平墻區(qū)域Wh.得到起始?jí)w區(qū)域圖像。

然后，通過迭代計(jì)算可以清除起始?jí)w區(qū)域圖像Wallinit中的所有非墻體像素。 算法1總結(jié)了算法的過程。首先獲得均值m1, Wallinit的像素灰值 pixel gray values的方差，如果像素灰值 pixel gray values小于m1-s1或大于m1+s1，那么從Wallinitd中除去這些像素，由此得到一個(gè)新的起始?jí)wWallinit2。然后繼續(xù)計(jì)算m2, s2,如果則終止迭代計(jì)算程序，則最后final initial wall所得的Wallinit;如果，則繼續(xù)計(jì)算m3, s3, 如果像素灰值 pixel gray values小于m3-s3或大于m3+s3，從Wallinitd2中除去這些像素。如果，則最后final initial wall所得的Wallinit2,接著繼續(xù)迭代程序直到

盡管WallinitN不完整，但能夠確證在WallinitN中，沒有非墻體建筑。

算法1 起始?jí)w區(qū)域的識(shí)別

輸入：起始?jí)?W1

輸出：起始?jí)?WN

2.1.3 墻體識(shí)別采集器

因?yàn)橹鶢顖D的統(tǒng)計(jì)信息計(jì)算少，而且是穩(wěn)定的，具有很好的平移、旋轉(zhuǎn)、比例大小變化適應(yīng)性。分別將其顏色信息量化、飽和度和色值quantify the hue, saturation, value三種信息要素以64點(diǎn)統(tǒng)計(jì)到柱狀圖中，并且將三個(gè)柱狀圖合并形成一個(gè)64 x3 vector 作為圖像采集器的定義。LBP的量化信息形成一個(gè)64點(diǎn)的柱狀圖a histogram with 64 bins，以此定義結(jié)構(gòu)采集器。

2.2 相同建筑物的模板識(shí)別

本部分，我們使用迭代法和diffusionbased process已找到與目標(biāo)模板相同的所有建筑物部分。首先采用區(qū)域擴(kuò)增方法來識(shí)別那些非墻體區(qū)域。然后，使用格柵化的LBP+HSV采集器來識(shí)別與模板相匹配的、位于同排的的建筑物部分。最后，將同排識(shí)別出的所有與模板相匹配的的圖像集合形成一個(gè)大大模板，再以此來識(shí)別豎列的與模板相匹配的建筑物的圖像。

2.2.1 模板

我們使用區(qū)域擴(kuò)增的辦法region growing method來識(shí)別墻體和非墻體。首先在所有bounding boxes的范圍內(nèi)找到頻率最高的高度H和寬度W。然后再確定一個(gè)類似于長方形的bounding box 作為識(shí)別模板，長方形的高為H，寬為W。 我們使用函數(shù)5來計(jì)算這個(gè)長方形和每個(gè)bounding box的S值（即similarity值）。

2.2.2 同一行的圖像匹配

圖1：比較結(jié)果

圖2：被遮蔽建筑物圖像的識(shí)別

使用基于距離的歐幾里得相似性算法來識(shí)別相同建筑物。模板和建筑物正面圖像的相似性如下：

公式中的Simi可由函數(shù)4求得，并且它代表相對(duì)應(yīng)的兩個(gè)區(qū)域的相似性，即模板和建筑物的圖像的相似度。

2.2.3 實(shí)驗(yàn)結(jié)果優(yōu)化

我們利用水平對(duì)稱軸和對(duì)稱區(qū)域來優(yōu)化同行中的被識(shí)別的與模板匹配的建筑物圖像。

首先根據(jù)相似值確定優(yōu)化順序。例如，首先選擇一個(gè)相匹配的的建筑物，位于對(duì)稱區(qū)域范圍內(nèi)，并且與模板最相似；然后我們?cè)谄鋵?duì)稱軸上確定其對(duì)稱點(diǎn)。 如果該位置有相同建筑物，則調(diào)整到對(duì)稱位置，否則我們?cè)谶@個(gè)新的位置增加一個(gè)相同建筑物。

3 實(shí)驗(yàn)結(jié)果

我們實(shí)驗(yàn)的結(jié)果和吳等人、帕克等人算法的結(jié)果比較見圖1（a），實(shí)驗(yàn)結(jié)果在三個(gè)指標(biāo)方面進(jìn)行比較，即準(zhǔn)確率，Recall率和F1值。顯而易見，我們的實(shí)驗(yàn)結(jié)果在三個(gè)指標(biāo)值方面優(yōu)于其他兩種算法。

4 結(jié)論和未來研究

本論文中，我們提出了一個(gè)新的基于diffusion的算法，這個(gè)算法根據(jù)建筑物正面圖像可以自動(dòng)識(shí)別建筑物相同部分的準(zhǔn)確位置和大小。我們的方法不僅可以識(shí)別相同建筑物的數(shù)量，而且可以識(shí)別每個(gè)具體相同建筑物的確切位置和大小。