国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于視差影像的規(guī)則建筑物自動檢測方法

2022-04-02 08:06:50宮一鳴曹
測繪地理信息 2022年2期
關(guān)鍵詞:視差輪廓線體素

宮一鳴曹 輝

1武漢大學(xué)遙感信息工程學(xué)院,湖北武漢,430079

基于遙感影像提取建筑物的理論研究最早開始于20世紀(jì)80年代,經(jīng)過多年的不斷發(fā)展,學(xué)者們相繼提出了許多有關(guān)建筑物提取的方法[1-6]。根據(jù)數(shù)據(jù)的選用可分為兩類:基于遙感影像的建筑物提取和基于點(diǎn)云的建筑物提取。基于遙感影像的建筑物提取例如王子明[7]結(jié)合數(shù)字表面模型(digital surface model,DSM)提出了一種基于對象和基于知識的建筑物提取方法,李百壽等[8]采用多尺度影像分割、CART決策樹分類和Canny算子進(jìn)行建筑物輪廓的標(biāo)繪?;邳c(diǎn)云的建筑物提取例如朱依民等[9]利用區(qū)域增長改進(jìn)算法、三維Hough變換算法和α-shape算法在機(jī)載LiDAR點(diǎn)云數(shù)據(jù)中提取建筑物輪廓,郝明等[10]利用ISDATA算法對LiDAR數(shù)據(jù)聚類后結(jié)合高度信息、坡度信息和地物的空間關(guān)系,由粗略到精細(xì)地進(jìn)行建筑物的提取。

1 視差影像自動檢測建筑物方法

由于視差圖包含了場景的三維信息,而場景中建筑物具有較為獨(dú)特的三維突變的特點(diǎn),因此研究利用視差影像進(jìn)行建筑物檢測和提取的基本思路是:首先將遙感影像對進(jìn)行自動影像匹配處理,獲取視差影像數(shù)據(jù),然后基于視差影像數(shù)據(jù)中所能獲取的場景三維信息檢測建筑物的位置信息,在此基礎(chǔ)上在原始影像中提取建筑物的輪廓信息,獲得如圖1的技術(shù)路線。

圖1 技術(shù)流程Fig.1 Flow Chart of Technical Process

1.1 視差影像生成

首先,根據(jù)空中三角測量結(jié)果,對逐個(gè)立體像對進(jìn)行核線影像糾正;并通過逐像素密集匹配,獲取立體像對的視差圖[11];然后對視差影像產(chǎn)生過程中出現(xiàn)的匹配誤差進(jìn)行修復(fù),采用種子生長法對視差值黑色的空洞部分進(jìn)行修補(bǔ),得到完整的視差影像。最后通過所獲取的視差影像進(jìn)行實(shí)驗(yàn)區(qū)深度信息和視差點(diǎn)云數(shù)據(jù)的恢復(fù),獲取實(shí)驗(yàn)區(qū)三維信息。

1.2 基于視差點(diǎn)云的規(guī)則建筑物分類與自動檢測

1.2.1體素分割

八叉樹數(shù)據(jù)結(jié)構(gòu)是一種廣泛應(yīng)用于描述三維空間結(jié)構(gòu)中的一種樹狀數(shù)據(jù)結(jié)構(gòu)[12]。對于視差影像恢復(fù)出的實(shí)驗(yàn)區(qū)視差點(diǎn)云信息,為了提高分割算法的效率和精確度,本文采用基于八叉樹的區(qū)域增長算法[13],對由視差影像恢復(fù)出的實(shí)驗(yàn)區(qū)視差點(diǎn)云數(shù)據(jù)進(jìn)行分割。

1.2.2體素聚類

不同的地物對光譜的反射特性不同,例如植被等地物的NDVI(normalized difference vegetation index)等植被指數(shù)可作為很好的度量,結(jié)合到本文中:體素是各階層地物的表達(dá)對象,各體素中包含一些點(diǎn)云數(shù)據(jù),其中規(guī)則建筑物的屬性特征隱含在體素中包含的這些點(diǎn)云數(shù)據(jù)中,所以本文選取的屬性特征包括3個(gè)方面,即體素中點(diǎn)的3種顏色的平均值(red-green-blue,RGB),以此為屬性特征可以將植被等地物與建筑物很好的區(qū)分開來。由于本文實(shí)驗(yàn)數(shù)據(jù)的選取,每個(gè)點(diǎn)的RGB屬性值是已經(jīng)可用的。因此每個(gè)規(guī)則建筑物的RGB值可以分別用體素中所有點(diǎn)的平均值來表示。所以屬性相似性推理的建立的綜合表達(dá)式如下:

體素中點(diǎn)云數(shù)據(jù)的三維信息的平均值h為重要的空間特征,每個(gè)規(guī)則建筑物的深度信息可以分別用體素中所有點(diǎn)的平均值來表示。此外,本文在空間特征的建立中增加采用了地物的表面平滑度θ。地物的表面平滑度定義為視差點(diǎn)云數(shù)據(jù)中點(diǎn)距與這些點(diǎn)相適應(yīng)的平面之間距離的標(biāo)準(zhǔn)差。正交距離回歸(orthogonal distance regression,ODR)技術(shù),又稱為全最小二乘(total least squares,TLS),用于確定地物表面粗糙度或平滑度的誤差較小,適用于各地物的表面平滑度的估算。以深度信息和地物表面平滑度為空間特征可以將圍墻、汽車等地物與建筑物很好的區(qū)分開來所以空間相似性推理的建立的綜合表達(dá)式為:

采用屬性特征和空間特征的綜合相似性推理,基于案例的推理分析法進(jìn)行體素分類[14]步驟如下:

1)建立案例庫:根據(jù)先驗(yàn)知識人工選取樣本案例來建立案例庫,每個(gè)案例由屬性特征、空間特征和所屬類別3個(gè)部分組成,,表達(dá)式為:

2)案例的推理:對于一個(gè)新的案例,給出了它的特征就可以推斷其所屬的地物類別,這里通過具有更高分類精度的模糊方法來進(jìn)行分類,即采用隸屬度F(x∈C)來表示推理的相似度,通過k最近鄰算法(k-NN)來計(jì)算隸屬度。

3)分類的結(jié)果:對于不同的地物類別,一個(gè)新案例可有不同的隸屬度函數(shù),由最大值來推理出其最后所屬的地物類別。

基于案例的推理分析法進(jìn)行體素分類,可以有效地將植被、圍墻、汽車等地物與建筑物區(qū)分開來,對建筑物的分類提取精度均達(dá)到90%以上,效果與精度較為穩(wěn)健。

1.2.3建筑物個(gè)體化

由于規(guī)則建筑物的視差點(diǎn)云數(shù)據(jù)在體素化后具有體素與體素之間的閉合性和連通性,基于屬性特征和空間特征綜合相似性推理后所獲得的體素分類數(shù)據(jù),在每一片規(guī)則建筑物的體素單元中隨機(jī)設(shè)置一處體素單元為種子點(diǎn),基于種子生長算法對體素單元的4領(lǐng)域中每一個(gè)體素單元進(jìn)行是否屬于規(guī)則建筑物的判別,并不斷迭代計(jì)算聚類,直至遍歷完一片規(guī)則建筑物中所有體素單元為止。在獲得所有體素的聚類連接后,聚類存儲這一片區(qū)域中所有連接體素,并對所有體素單元進(jìn)行編號,獲取各個(gè)規(guī)則建筑物的位置信息。

1.3 規(guī)則建筑物輪廓確定方法

基于所獲取的建筑物的大概位置信息,返回到原始遙感影像數(shù)據(jù)中,在原始遙感影像數(shù)據(jù)的基礎(chǔ)上,根據(jù)所得到的建筑物位置信息,采用區(qū)域增長算法提取規(guī)則建筑物的輪廓單元。

本文采用了一種中點(diǎn)計(jì)算方式來計(jì)算一個(gè)輪廓線和單元網(wǎng)格的相交點(diǎn),線性插值采用與一個(gè)輪廓線相交的單元網(wǎng)格邊的一個(gè)中點(diǎn)進(jìn)行代替,所以該計(jì)算方法中間誤差的最高值為0.5個(gè)單元邊的長度,省去了插值計(jì)算的步驟。如果一個(gè)網(wǎng)格單元某一個(gè)網(wǎng)格頂點(diǎn)函數(shù)的估計(jì)值與閾值相等,那么這就說明輪廓線通過了這個(gè)網(wǎng)格頂點(diǎn),需要在與此個(gè)網(wǎng)格頂點(diǎn)相連的3個(gè)單元網(wǎng)格頂點(diǎn)單元中重新搜尋并找到下一個(gè)輪廓線的網(wǎng)格單元,這樣會明顯降低整個(gè)算法的效率。所以本文采用中點(diǎn)算法避免這種情況的發(fā)生,該算法將函數(shù)值等于閾值的頂點(diǎn)歸類到小于閾值的情況之中,如此0.5個(gè)單元邊長就成了網(wǎng)格單元與輪廓線的實(shí)際交點(diǎn)與中點(diǎn)之間的最大誤差。因?yàn)槊恳粋€(gè)中點(diǎn)有且僅有一條對應(yīng)邊,這樣搜索下個(gè)網(wǎng)格單元時(shí)即可僅用在上、下、左、右4個(gè)方向上搜索,這樣就避免了由于輪廓線通過網(wǎng)格單元頂點(diǎn)時(shí)造成錯(cuò)誤的搜索路徑。圖2(a)給出了輪廓線通過網(wǎng)格單元頂點(diǎn)時(shí)的情況,下一個(gè)搜索單元就會有3種選擇,而圖2(b)用中點(diǎn)代替頂點(diǎn),就能由中點(diǎn)唯一確定下一個(gè)搜索單元[15]。這樣就避免了需要對原始遙感影像數(shù)據(jù)中所有單元進(jìn)行處理的冗余工作,實(shí)現(xiàn)對建筑物的輪廓提取。

圖2 中點(diǎn)算法Fig.2 Midpoint Algorithm

2 結(jié)果與分析

2.1 試驗(yàn)數(shù)據(jù)

選用的試驗(yàn)區(qū)域的數(shù)據(jù)為高分辨率航空影像對及其核線影像,如圖3(a)所示,實(shí)驗(yàn)地區(qū)有以下兩個(gè)特點(diǎn):

1)平緩的地形。實(shí)驗(yàn)地區(qū)選用的是大片平坦地形,絕大部分區(qū)域地形起伏變化較為平緩,基本沒有高程起伏的變化,這為利用三維信息進(jìn)行地物分析提供了可行性。

2)建筑物分布較多且較為規(guī)則。試驗(yàn)地區(qū)中占地面積較大的是規(guī)則建筑物。建筑物形狀規(guī)則,絕大部分為矩形組合的房頂規(guī)則建筑物。但房屋的附屬結(jié)構(gòu)比較多,且實(shí)驗(yàn)地區(qū)規(guī)則建筑物的周圍常有樹木環(huán)繞以及人工圍墻的包圍,會干擾規(guī)則建筑物的檢測,需要結(jié)合其他地物干擾項(xiàng)和規(guī)則建筑物的三維信息或者光譜特征進(jìn)行區(qū)分。

2.2 試驗(yàn)流程及結(jié)果

采用多測度半全局匹配算法可高效獲取細(xì)節(jié)豐富、質(zhì)量可靠的視差結(jié)果,結(jié)果如圖3(b)所示。

圖3 實(shí)驗(yàn)數(shù)據(jù)及視差影像Fig.3 Experimental Data and Parallax Images

根據(jù)視差影像信息恢復(fù)出該區(qū)域三維信息和視差點(diǎn)云數(shù)據(jù)如圖4所示。

圖4 視差點(diǎn)云恢復(fù)結(jié)果Fig.4 Result of Cloud Recovery

將所得到的實(shí)驗(yàn)區(qū)數(shù)據(jù)視差點(diǎn)云信息基于八叉樹原理進(jìn)行體素化處理,經(jīng)過反復(fù)實(shí)驗(yàn)確定選擇最小體素單元閾值為9,使得邊界盡量清晰,結(jié)果如圖5所示。

圖5 體素分割結(jié)果Fig.5 The Results of Voxel Segmentation

采用傳統(tǒng)的基于案例的推理分析法進(jìn)行實(shí)驗(yàn)區(qū)規(guī)則建筑物的分類提取,在3 774 969個(gè)案例中,人工隨機(jī)選取21 534個(gè)已知案例作為案例庫,如圖6所示。

圖6 人工隨機(jī)選取案例庫Fig.6 Manual Random Selection of Case Base

基于屬性特征和空間特征進(jìn)行綜合相似性推理,得到體素化后分類結(jié)果如圖7所示。

根據(jù)混淆矩陣進(jìn)行評價(jià),綜合相似性推理結(jié)果的混淆矩陣如表1所示。

表1 綜合相似性推理混淆矩陣Tab.1 Synthetic Similarity Inference Confusion Matrix

由綜合相似性推理后分類結(jié)果圖7和混淆矩陣表1計(jì)算可得分類準(zhǔn)確度為0.92,規(guī)則建筑物的提取精度為0.96。采用的體素化后進(jìn)行基于案例的推理分析法對規(guī)則建筑物進(jìn)行分類提取的實(shí)驗(yàn)中表現(xiàn)較好,該算法對規(guī)則建筑物的提取精度較高,實(shí)驗(yàn)樣區(qū)中的規(guī)則建筑物均能較完整地分類出來實(shí)現(xiàn)了規(guī)則建筑物的位置信息提取,雖然由于圍墻的光譜特征與三維信息均與建筑物存在較大的相似性,存在少許規(guī)則建筑物與圍墻的誤分情況,但本文中所采用的算法的提取精度大于90%,效果和精度仍然穩(wěn)健,能夠獲取建筑物視差點(diǎn)云位置信息。

圖7 綜合相似性推理后分類結(jié)果Fig.7 Result of Classification After Synthetic Similarity Reasoning

分別選取個(gè)體建筑物的種子點(diǎn),基于區(qū)域增長的算法對每個(gè)建筑物進(jìn)行獨(dú)立存儲,如圖8所示,不同顏色表達(dá)不同的規(guī)則建筑物個(gè)體。

圖8 個(gè)體建筑物獨(dú)立存儲Fig.8 Individual Building Independent Storage

對所獲取的所有規(guī)則建筑物的像素位置信息構(gòu)成單元網(wǎng)格,根據(jù)基于區(qū)域增長的輪廓線提取算法,對基于視差點(diǎn)云數(shù)據(jù)體素化后經(jīng)過綜合相似性推理分類后的規(guī)則建筑物位置信息進(jìn)行規(guī)則建筑物的輪廓線提取,以及進(jìn)行規(guī)則建筑物提取,實(shí)驗(yàn)結(jié)果如圖9、圖10所示。

圖9 規(guī)則建筑物提取結(jié)果Fig.9 Regular Building Extraction Results

圖10 規(guī)則建筑物輪廓線提取結(jié)果Fig.10 Extraction Results of Regular Building Contour Lines

圖9中不同顏色表達(dá)不同的規(guī)則建筑物個(gè)體,與圖8中規(guī)則建筑物個(gè)體的獨(dú)立存儲相對應(yīng)。

采用均誤差、均方根誤差、最大偏移3個(gè)參數(shù)指標(biāo)來對規(guī)則建筑物的輪廓線提取進(jìn)行精度評定。從原始影像上挑選出17個(gè)規(guī)則建筑物角點(diǎn)為檢查點(diǎn),計(jì)算輪廓精度如表2所示。

2.3 討論

總體上來說,通過基于區(qū)域增長的規(guī)則建筑物輪廓提取方法對樣區(qū)進(jìn)行實(shí)驗(yàn),從實(shí)驗(yàn)結(jié)果圖9、圖10中分析得出,基于區(qū)域增長法所得到的試驗(yàn)結(jié)果中輪廓線完整度較高和細(xì)節(jié)的描述較好,而且由于中點(diǎn)算法的原則,運(yùn)行所用時(shí)間較少,效率有了明顯的提高;從輪廓線誤差評定表2中分析得出檢測出的規(guī)則建筑物準(zhǔn)確率較高,規(guī)則建筑物輪廓線提取的誤差主要來自以下幾個(gè)方面:

表2 輪廓線誤差評定表/像素Tab.2 Profile Error Evaluation Table/pixel

1)視差點(diǎn)云精度的影響,視差影像的精度直接影響到基于視差影像的地物分類精度,這直接決定了基于視差點(diǎn)云提取出的規(guī)則建筑物初始位置并不能作為最終結(jié)果。

2)輪廓線段提取的影響,從影像上提取線段的精度影響著最終結(jié)果的精度。

3)圍墻、規(guī)則建筑物的陰影等與規(guī)則建筑物相鄰的物質(zhì)的灰度值相近,會使得該算法得到的輪廓線出現(xiàn)誤差,如圖11所示。

圖11 規(guī)則建筑物提取漏檢結(jié)果Fig.11 Regular Building Extraction Miss Detection Results

此時(shí)該小型規(guī)則建筑物由于其屬性特征與空間特征均與圍墻類別地物相似,造成了該小型規(guī)則建筑物的漏檢情況,導(dǎo)致后續(xù)規(guī)則建筑物輪廓提取中無法提取該小型建筑物的輪廓??梢钥紤]添加更加詳細(xì)的形態(tài)學(xué)空間特征規(guī)則,構(gòu)建相應(yīng)的參數(shù),來解決類似的漏檢誤檢情況,這些問題將在后期的研究中加以討論與處理。

3 結(jié)束語

為充分利用遙感影像對數(shù)據(jù)實(shí)現(xiàn)規(guī)則建筑物的自動檢測,本文研究了在視差影像中獨(dú)立分割規(guī)則建筑物,并基于此返回原始影像中對規(guī)則建筑物進(jìn)行檢測的方法。通過試驗(yàn),驗(yàn)證了本文提出的基于視差影像的規(guī)則建筑物自動檢測方法的有效性。試驗(yàn)表面,本文方法通過所獲取的規(guī)則建筑物點(diǎn)云位置信息對規(guī)則建筑物進(jìn)行輪廓提取,大大減少了其他地物對提取結(jié)果的干擾,建筑物輪廓的完整性和準(zhǔn)確性有明顯加強(qiáng);采用區(qū)域增長法進(jìn)行建筑物輪廓提取,選取起始種子點(diǎn),通過中點(diǎn)算法,明顯提高了計(jì)算效率;對建筑物提取結(jié)果的效果分析驗(yàn)證了本文算法的可行性、可靠性,同時(shí)表明了在提取較大片面積規(guī)則建筑物時(shí),本文算法具有高質(zhì)量、完整性和準(zhǔn)確性。

猜你喜歡
視差輪廓線體素
基于超體素聚合的流式細(xì)胞術(shù)自動門控方法
基于多級細(xì)分的彩色模型表面體素化算法
基于自適應(yīng)窗的立體相機(jī)視差圖優(yōu)化方法研究
運(yùn)用邊界狀態(tài)約束的表面體素加密細(xì)分算法
基于HTML5的凸輪廓線圖解法App教學(xué)軟件研究
基于體素格尺度不變特征變換的快速點(diǎn)云配準(zhǔn)方法
基于梯度域引導(dǎo)濾波的視差精煉迭代算法
節(jié)日帽
基于分割樹的視差圖修復(fù)算法研究
立體視差對瞳孔直徑影響的研究
404 Not Found

404 Not Found


nginx
北海市| 皋兰县| 巢湖市| 阳原县| 都江堰市| 孝义市| 吴堡县| 象山县| 小金县| 余姚市| 文水县| 枝江市| 轮台县| 达尔| 仙桃市| 隆德县| 金坛市| 济宁市| 安阳县| 灵山县| 龙门县| 望谟县| 平乡县| 新源县| 宾川县| 清镇市| 仙桃市| 上饶市| 滁州市| 额尔古纳市| 丽水市| 莫力| 宜城市| 邢台县| 东明县| 镶黄旗| 建始县| 四会市| 宁陕县| 合川市| 合山市|