共查询到19条相似文献，搜索用时 125 毫秒
1.
灾后建筑物损毁检测有助于灾后的迅速救助,因此,开展对高分辨率遥感影像灾后建筑物损毁检测的研究具有重要意义。本文提出了一种基于局部拉普拉斯算子的高分辨率遥感影像灾后建筑物损毁检测的方法。首先,利用局部拉普拉斯算子将灾后高分辨率遥感影像分为平滑表面类和粗糙表面类,然后,根据灾害前建筑物数字线划图提取灾害后未损毁建筑物得到检测结果。为验证本文方法的有效性,采用两组纽约市2012年飓风后的高分辨率遥感影像进行实验。结果表明,本文提出的方法能取得超过92%的总体精度。 相似文献
2.
基于形状先验和图割的高分辨率遥感影像道路提取 总被引：2，自引：1，他引：1
给出一种从高分辨率遥感影像中提取道路的方法。先对遥感影像进行滤波预处理获取纹理特征;再以图割解算经典能量函数获取道路图斑,其中利用高斯混合模型构建T链;接着利用直线匹配法获得初始道路段;最后用图割解算融合了两种形状先验的能量函数,结合动态外推的思路连接道路段。对不同遥感影像的实验证明了算法的有效性。 相似文献
3.
针对高分辨率遥感影像分割方法提取的建筑物边缘不准确和不规则等问题,提出了一种新的边缘轮廓信息提取方法:首先,通过一维Gabor滤波器获取建筑物的角度纹理特征,并结合光谱特征构造待分割的特征矢量,在运用高斯混合模型(Gaussian mixture model,GMM)构造图的基础上,利用图割法(graph cuts)获取建筑物候选点,经数学形态学处理得到建筑物斑块;然后,根据Radon变换检测建筑物主方向,构建最小二乘匹配模板,并利用该模板在建立的轮廓缓冲区内精确地提取建筑物拐角点;最后,连接拐角点,完成了轮廓信息的提取。采用合成图像和高分辨率遥感影像提取建筑物轮廓信息的实验证明了该方法的可行性。 相似文献
4.
高分辨率影像具有空间分辨率高、光谱分辨率相对不足的特点,在多领域中具有广阔的应用前景。利用Google Earth高分辨率遥感影像作为数据源,对其红、绿、蓝通道图像,以及三通道取平均的全色通道图像进行建筑物角点检测,并根据建筑物在影像上具有几何角点的特点,对Harris算法的一阶梯度算子进行4种方向上的改进。对Google Earth的红、绿、蓝、全色4种图像进行试验,从4个检测方向上检测并累加,结果表明红色通道的图像检测效果较好。利用4种改进梯度算子进行累加的建筑物角点识别,识别正确率可到74.75%,识别效果较好。结果表明,该方法可以很好地实现高分辨率影像建筑物的角点检测,具有一定的理
论研究和实际应用价值,可为建筑物自动识别提供技术参考。 相似文献
5.
针对经典的建筑物边界正则化方法(如最小外接矩形法和角点拟合法)无法适用于高分辨率遥感影像中形状复杂的建筑区域,该文提出了一种基于感知编组的建筑物轮廓正则化处理方法。基于道格拉斯-普克算法对粗提取的建筑物进行多边形简化,利用关键点信息进行分组最小二乘直线拟合,在建筑物主导方向约束下利用感知编组算法进行各个线段的连接与重构。实验结果表明,该文正则化处理方法在建筑物轮廓的准确性、规整程度及最终精度均得到提高,能真实、准确地反映建筑物的真实形状。 相似文献
6.
几何结构是高分辨率遥感影像中人工地物区别于其他地物目标的突出特征。针对高分辨率遥感影像中建筑物提取的问题,提出一种基于角点这一几何结构特征的建筑物自动提取方法。该方法无需事先标记训练数据,而是通过计算影像的建筑物指数来直接获取建筑物位置。首先利用基于模板的角点检测算子提取影像中的角点;其次综合角点的位置、角度和显著性等信息,利用空间投票的统计方法计算影像中每个像素属于建筑物的概率;最后经过阈值分割得到建筑物提取结果。实验采用了自主收集的影像分辨率为0.5 m的Spacenet65数据集进行测试。结果表明,提出的方法能够准确提取出高分辨率遥感影像中的不同类型的建筑物。 相似文献
7.
利用角点进行高分辨率遥感影像居民地检测方法 总被引：1，自引：0，他引：1
传统的城区检测方法大多是基于影像的全局特征,如纹理、光谱、形状等。当影像出现尺度、光照等条件变化时,将导致这些特征出现变化,造成算法的稳健性下降。而局部不变特征（例如,角点）却不易受到这些因素的影响。为此,本文提出一种无监督的基于角点特征的高分辨率遥感影像城区检测方法。该方法首先在传统的Harris算子的基础上,加入局部和全局约束准则检测影像中的角点,然后根据影像中角点的分布情况,自适应地构建似然函数来度量影像中每一个像素点属于城区的概率,最后采用二值分割的方法提取影像中的城市区域。实验结果表明：该方法可以快速、可靠地检测到影像中的城市区域,具有较高的实际应用价值。 相似文献
8.
针对高分辨率遥感影像的特点,提出了基于多类分割与模板匹配的建筑物轮廓矢量化方法:首先对影像进行多尺度SVM分割获取建筑物候选点;然后在Radon变换结合主轴分析获取建筑物主方向的基础上,引入多类分割思想,构建用于分割的能量函数,基于α-扩展算法解算能量函数,将轮廓线分割为3类边缘线段;接着构建形状先验的边缘模板,进行精确定位以获取边缘线的实际位置,去除锯齿状变形,降低提取结果的影响;最后相邻边缘线相正交得到拐角点,依次连接每一个拐角点,得到规则化的建筑物轮廓。相比于同类其他方法,此方法考虑了边缘点的方向信息和相邻边缘点趋于同一类的先验知识,可得到近似全局最优的边缘线段分割结果,避免了规则化过程中选择初始点和处理顺序的麻烦和不利影响,同时充分利用了影像特征,对边缘线段进行精确定位,减弱建筑物提取结果误差的影响。对不同影像的实验结果证明此方法可得到规则化的建筑物外轮廓线,不考虑提取过程中遗漏的建筑物,矢量化结果平均准确度为89%、完整度98%、几何形状相似性87%、整体质量85%。 相似文献
9.
10.
11.
针对高分影像建筑物提取存在错分和漏分等问题，常见的单幅影像矩形轮廓优化由于投影差、树木和阴影遮挡等问题边缘准确度不够，本文提出了一种融合多时相建筑物轮廓优化方法。首先，将两期高分影像进行匹配等预处理，利用基于偏移阴影分类验证提取建筑物初始结果。然后，分别获得两期影像中各建筑物轮廓的最小面积外接矩形，并对同名建筑物的最小面积外接矩形的各对应角点进行匹配。最后，通过对比两期影像的对应最小面积外接矩形的对应边上建筑物像素点的数量，选择像素点数量多的边作为适宜边进行平移以获得最优边，四条边都是最优边后进行直线正交得到最终符合建筑物原始形态的轮廓。试验结果表明，本文方法相比传统方法和其他轮廓优化方法在精确度和完整度上均有提高。 相似文献
12.
深度学习提取高分辨率遥感影像中的建筑物信息容易受到物体周围的阴影、植被等噪声干扰而使结果存在边界锯齿化、建筑物整体不规整等问题。本文提出了利用符合建筑物边界轮廓的最小外接矩形最大限度地拟合建筑物轮廓的思路。首先利用深度学习和建筑物验证处理得到的建筑物信息,对建筑物边界利用垂距法进行多边形的拟合;然后对多边形的最小外接矩形进行筛选,选取最合适的最小外接矩形边线段作为新的边界轮廓,以提高提取的精度。对多幅遥感影像进行了实验,结果表明,本文所提出的方法提高了深度学习提取的建筑物边界轮廓准确性,能更逼近真实建筑物的边界轮廓。 相似文献
13.
提出一种基于卷积神经网络和图割法的自动提取高分影像建筑物的方法。首先，通过卷积神经网络定位与检测建筑物的位置，逐一提取单个建筑物轮廓，利用检测结果分别建立建筑物和非建筑物的高斯混合模型（GMM），然后结合最大流最小割的图像分割方式实现全局优化，完成建筑物初步提取，最后用形态学进行优化。通过试验证明了该方法的可行性。 相似文献
14.
针对已分割出的建筑物立面,提出了以基尼系数作为损毁指数对倾斜航空影像中建筑物立面损毁检测的方法。该方法首先通过改进的k-means算法分割出建筑物立面的门窗和墙面,然后利用Canny算法对分割影像进行边缘检测提取统计特征,最后利用经济学中的基尼系数来判断建筑物立面是否损毁。实验结果表明,本文方法在没有先验信息的情况下仅利用单时相倾斜航空影像就能简单高效地判定建筑物立面损毁。 相似文献
15.
建筑物作为自然灾害中最受影响的承灾体之一,其损毁信息的准确提取对灾后应急救援具有十分重要的意义。本文借鉴多模态的思想,提出了一种自动检测损毁建筑物的recursive-generative adversarial networks(RS-GAN)方法,将损毁建筑物检测分为灾前建筑物识别和灾后损毁建筑物检测两个任务,且分别在两个GAN分支中完成。RS-GAN加入联合损失函数将两个GAN分支进行连接,充分利用两个任务之间的潜在互利性提升检测效果。RS-GAN利用第1条GAN分支识别建筑物灾前形状与位置,并将识别结果作为第2条GAN分支的输入进行损毁建筑物检测任务,从而使检测结果具有更清晰的轮廓。该方法为端到端模型,在不需要过多的人工干预情形下,实现了损毁建筑物的自动检测。为了验证RS-GAN模型的效果,在圣罗莎和密苏里两个数据集上进行了测试。试验结果表明,RS-GAN方法拥有更好的检测性能,在圣罗莎数据集上的总体精度和平均精度分别达到了0.90和0.86。 相似文献
16.
高分辨率遥感影像建筑区域局部几何特征提取 总被引：1，自引：0，他引：1
及时准确地获取城市建筑区域的空间分布及其变化信息对于城市规划、空间地理数据库建设及区域社会经济分析具有重要意义。本文提出一种基于多尺度Gabor变换和感知聚类方法即张量投票TV (Tensor Voting)相结合的自适应局部几何不变特征检测方法,并将其应用于高空间分辨率遥感影像建筑区域提取。首先,考虑到高分辨率遥感影像复杂的几何结构特征,使用Gabor滤波器组对影像进行多尺度多方向变换检测奇异性特征。然后,在感知聚类框架下,根据张量投票理论将不同方向子带系数位置编码为相应的二阶对称方向张量,为了突出影像几何特征,对不同尺度、不同方向子带中任意像素位置方向张量使用滤波器响应系数加权并求和完成多尺度特征融合。再次,对张量特征分解得到点结构与线结构显著性图并使用非极大抑制提取相应角点和曲线等局部几何特征,同时生成约束准则筛选角点以确定建筑物坐标。最后,利用概率密度估计结合局部角点特征生成全局概率密度场描述影像中像素从属于建筑目标的概率,并使用最大类间方差法(Otsu)阈值分割自动提取居民地多边形区域。使用分辨率分别为0.49 m、0.98 m的Google Earth及0.8 m的高分二号等影像数据集进行实验,实验结果表明本文方法相对于已有的Harris和HSCD点检测算法,在建筑区域提取质量上(Quality)上分别提高了4.79%,5.96%;1.47%,3.76%和1.91%,4.08%。 相似文献
17.
针对目前无人机影像中单个建筑物角点的检测现状,提出了一种基于支持向量机(SVM)的无人机影像中建筑物的角点检测方法。首先对4个波段的无人机影像进行多尺度分割,计算影像的NDVI,通过植被与非植被区域的波谱差异剔除植被的影响。其次,用面向对象分类法将"建筑物块"从影像中提取出来,对"建筑物块"区域用Harris算子进行边缘检测,形成建筑物边缘点集数据。随后通过设计高斯径向基将边缘样本点映射到高维特征空间,构建特征向量,采用边缘点集训练SVM分类模型,最终通过SVM分类模型从粗提取的边缘点集中检测出正确的建筑物角点,实现了单个建筑物的角点提取。 相似文献
18.
Automatic Registration Between Low-Altitude LiDAR Point Clouds and Aerial Images Using Road Features
Peipei He Xinjing Wang Youchuan Wan Jingzhong Xu Wei Yang 《Journal of the Indian Society of Remote Sensing》2018,46(12):1963-1973
Among the many means of acquiring surface information, low-altitude light detection and ranging (LiDAR) systems (e.g., unmanned aerial vehicle LiDAR, UAV-LiDAR) have become an important approach to accessing geospatial information. Considering the lower level of hardware technology in low-altitude LiDAR systems compared to that in airborne LiDAR, and the greater flexibility in-flight, registration procedures must be first performed to facilitate the fusion of laser point data and aerial images. The corner points and edges of buildings are frequently used for the automatic registration of aerial imagery with LiDAR data. Although aerial images and LiDAR data provide powerful support for building detection, adaptive edge detection for all types of building shapes is difficult. To deal with the weakness of building edge detection and reduce matching-related computation, the study presents a novel automatic registration method for aerial images, with LiDAR data, on the basis of main-road information in urban areas. Firstly, vector road centerlines are extracted from raw LiDAR data and then projected onto related aerial images with the use of coarse exterior orientation parameters (EOPs). Secondly, the corresponding image road features of each LiDAR vector road are determined using an improved total rectangle-matching approach. Finally, the endpoints of the conjugate road features obtained from the LiDAR data and aerial images are used as ground control points in space resection adjustment to refine the EOPs; an iterative strategy is used to obtain optimal matching results. Experimental results using road features verify the feasibility, robustness and accuracy of the proposed approach. 相似文献
19.
从灾后机载激光点云自动检测损毁房屋的等高线簇分析方法 总被引：1，自引：0，他引：1
利用灾后机载激光扫描点云的地震损毁房屋检测方法主要针对平面屋顶房屋,从局部分析屋顶的平面特征,导致只能有效检测屋顶严重破碎的损毁房屋。为此本文提出了一种等高线簇相似分析的地震损毁房屋检测方法,充分挖掘房屋等高线簇蕴含的房屋表面形状丰富的二维和三维信息,利用等高线簇形状相似度的归一化信息熵从整体上综合描述损毁房屋的损毁特征,并利用最大熵模型自动检测损毁房屋。采用2010年4月El Mayor-Cucapah地震断裂带激光点云数据进行了试验,证明本文提出的方法能快速、准确、可靠地检测损毁房屋。 相似文献