基于超像素的高分辨率影像建筑物提取

发布时间：2021-01-22 01:14

　　建筑物提取对于基础地理数据获取与更新具有重要意义。针对传统的基于像元方法难以利用影像空间、上下文信息以及面向对象方法最优分割尺度难以确定等问题,该文提出一种基于超像素的高分辨率影像建筑物提取方法。首先利用LiDAR点云数据生成归一化高程模型以获取地物的高度特征,并通过Layerstacking方式与高分辨率影像融合;随后基于Simple Linear Iterative Clustering（SLIC）算法分割高分辨率影像的RGB彩色图像生成超像素;继而基于分割所得的超像素中的每个像元对超像素进行特征计算;最后使用基于RBF核的支持向量机方法进行超像素级别分类,得到建筑物提取结果。实验结果表明,该方法能够有效识别出简单场景和复杂场景下的建筑物,显著消除了传统基于像元方法出现的"椒盐效应",同时避免了面向对象方法中最佳分割尺度选择的难题,取得了较好的建筑物提取效果。 

【文章来源】：地理与地理信息科学. 2017,33(06)北大核心

【文章页数】：8 页

【部分图文】：

图１基于超像素的建筑物提取方法流程Ｆｉｇ．１Ｆｌｏｗｃｈａｒｔｏｆｂｕｉｌｄｉｎｇｅｘｔｒａｃｔｉｏｎｂａｓｅｄｏｎｓｕｐｅｒｐｉｘｅｌｓ１．１ＬｉＤＡＲ点云数据与影像融合

线性可分的情况，对于非线性问题，支持向量机引入了核函数，将非线性映射到高维特征空间，在高维特征空间中构建线性判别函数以实现非线性分类。常用的核函数有线性函数、多项式函数、径向基函数（ＲＢＦ）及Ｓｉｇｍｏｉｄ函数，通常ＲＢＦ核函数适应性较强，应用效果优于其他核函数。因此，本文以超像素为基本单元，采用非线性径向基函数（ＲＢＦ核）的支持向量机（ＳＶＭ）进行建筑物提龋２实验与分析２．１实验数据为验证本文方法的有效性，从美国印第安纳州选取了２个研究区域（图３，彩图见封３），区域大小分别为１３８７＊１７３６、１０５４＊９１１。区域１的建筑物分布较稀疏，且无高大树木遮挡；区域２的建筑物较密集，颜色斑杂，有高大树木遮挡，提取难度相对较大。两个区域均使用ＮＡＩＰ高空间分辨率影像和相应的ＬｉＤＡＲ点云数据。其中，高空间分辨率影像获取时间为２０１３年，分辨率为０．５Ｆｅｅｔ（约为０．２ｍ），包括Ｒ、Ｇ、Ｂ和ＩＲ４个波段；同期的ＬｉＤＡＲ点云数据平均点云密度约为１个／ｍ２，包含Ｘ、Ｙ、Ｚ坐标及多次回波强度信息。对实验结果的精度评价所用的地面参考数据是人工解译的建筑物矢量结果图（图４）。图３研究区高分辨率影像Ｆｉｇ．３Ｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｓｏｆｔｈｅｓｔｕｄｙａｒｅａ图４研究区地面参考图像Ｆｉｇ．４Ｇｒｏｕｎｄｒｅｆｅｒｅｎｃｅｉｍａｇｅｓｏｆｔｈｅｓｔｕｄｙａｒｅａ２．２实验结果２．２．１分割结果本文方法首先基于ＳＬＩＣ超像素分割算法对研究区域融合图像中的ＲＧＢ彩色图像进

空间分辨率影像和相应的ＬｉＤＡＲ点云数据。其中，高空间分辨率影像获取时间为２０１３年，分辨率为０．５Ｆｅｅｔ（约为０．２ｍ），包括Ｒ、Ｇ、Ｂ和ＩＲ４个波段；同期的ＬｉＤＡＲ点云数据平均点云密度约为１个／ｍ２，包含Ｘ、Ｙ、Ｚ坐标及多次回波强度信息。对实验结果的精度评价所用的地面参考数据是人工解译的建筑物矢量结果图（图４）。图３研究区高分辨率影像Ｆｉｇ．３Ｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｓｏｆｔｈｅｓｔｕｄｙａｒｅａ图４研究区地面参考图像Ｆｉｇ．４Ｇｒｏｕｎｄｒｅｆｅｒｅｎｃｅｉｍａｇｅｓｏｆｔｈｅｓｔｕｄｙａｒｅａ２．２实验结果２．２．１分割结果本文方法首先基于ＳＬＩＣ超像素分割算法对研究区域融合图像中的ＲＧＢ彩色图像进行分割，生成超像素。研究表明，当超像素的尺寸为像元大小的１０倍时，ＳＬＩＣ超像素分割算法的效率及分割效果均较佳［１１］。为此，实验中将每个超像素的大小预设为１０＊１０像元，则分别设定区域１和区域２生成的超像素个数为２４０７８和９６００。为同面向对象的方法进行对比，采用面向对象方法中常用的多尺度分割算法（ＭｕｌｔｉＲｅｓｏｌｕｔｉｏｎＳｅｇｍｅｎｔ，ＭＲＳ）分别对两个研究区域进行分割处理。根据实验结果，区域１、区域２在分割尺度分别为１００和５０时分割结果最佳。两种分割方法的分割效果如图５所示。页５２第地理与地理信息科学第３３卷


本文编号：2992249