结合方向梯度和支持向量机的立面窗户提取方法
发布时间：2021-10-29 04:25
针对建筑物立面的窗户提取问题,该文采用结合方向梯度特征、机器学习以及窗户规则性排列特征的方法:首先利用一个窗户模板的HOG特征,将模板与图像中的矩阵进行相关系数匹配,提取出正负样本;通过使用基于HSI色彩模型的颜色分布直方图和梯度方向直方图的方法对窗户特征进行提取,得到样本训练的SVM分类器,通过SVM识别所有窗户矩阵,根据矩阵灰度的相关条件对图像窗户目标筛选;再使用聚类求平均的方法获得精确的位置;最后根据建筑物立面窗户之间的规则排列特性作进一步筛选和补充。结果表明,该方法可以在极少人工处理的基础上有效识别大部分窗户结构,为建筑物精细化建模提供基础。
【文章来源】：测绘科学. 2020,45(09)北大核心CSCD
【文章页数】：6 页
【部分图文】：
相关系数阈值0.6的正样本
从图像中快速识别窗户首先需要找到特征。针对建筑物窗户的特点,选择颜色和形状特征进行识别。为了充分利用窗户颜色信息,将图像从RGB颜色空间变换到适合做图像分析的色饱和强度 (hue saturation intensity,HSI)颜色空间[11],但由于颜色特征是图像的低级特征,易受光照、阴影等因素影响。为提高可靠性和识别率,又考虑到窗户具有丰富的边缘信息这一特性,将 HOG算子运用到识别的过程中,通过模板匹配选择少量正负样本,再使用SVM分类器训练进行提取聚类与剔除,最后根据窗户规则性排列得到最终结果,流程如图1所示。1.1 HOG算子的样本提取
窗框具有明显的方向特征,统计窗户的HOG特征,在两个方向有明显的峰值,并且两个方向近似相差90°,因此HOG算子可以较好地区分窗户与非窗户。图2(a)是窗户模板,图2(b)～图2(d)是图像上的非窗户区域,若将HOG特征看作一维离散信号,可以计算相关性来评判其相似程度。表1是图2中(b)～图2(d)和(a)的HOG特征的相关系数,可以看出图2(a)和图2(b)的相似度明显高于图2(c)、图2(d)。
本文编号：3463957
【文章来源】：测绘科学. 2020,45(09)北大核心CSCD
【文章页数】：6 页
【部分图文】：
相关系数阈值0.6的正样本
从图像中快速识别窗户首先需要找到特征。针对建筑物窗户的特点,选择颜色和形状特征进行识别。为了充分利用窗户颜色信息,将图像从RGB颜色空间变换到适合做图像分析的色饱和强度 (hue saturation intensity,HSI)颜色空间[11],但由于颜色特征是图像的低级特征,易受光照、阴影等因素影响。为提高可靠性和识别率,又考虑到窗户具有丰富的边缘信息这一特性,将 HOG算子运用到识别的过程中,通过模板匹配选择少量正负样本,再使用SVM分类器训练进行提取聚类与剔除,最后根据窗户规则性排列得到最终结果,流程如图1所示。1.1 HOG算子的样本提取
窗框具有明显的方向特征,统计窗户的HOG特征,在两个方向有明显的峰值,并且两个方向近似相差90°,因此HOG算子可以较好地区分窗户与非窗户。图2(a)是窗户模板,图2(b)～图2(d)是图像上的非窗户区域,若将HOG特征看作一维离散信号,可以计算相关性来评判其相似程度。表1是图2中(b)～图2(d)和(a)的HOG特征的相关系数,可以看出图2(a)和图2(b)的相似度明显高于图2(c)、图2(d)。
本文编号：3463957
本文链接：https://www.wllwen.com/guanlilunwen/chengjian/3463957.html
