基于多边形超像素的候选建筑物检测方法

发布时间：2020-03-26 20:30

【摘要】：基于遥感影像的建筑物提取是摄影测量与遥感领域的重要研究课题,但传统的提取算法在人力和时间上耗费巨大,该课题研究成果能够高效地排除影像中的冗余信息,使后期提取算法大幅减少计算空间和时间开销,为及时提取和更新地理信息数据提供了新的思路。本文借鉴计算机视觉领域中多边形超像素、候选目标检测等最新研究成果,提出一种基于多边形超像素的候选建筑物检测方法。本文研究工作可以归纳为如下几点:首先,与以往建筑物检测方法不同,本文引入了计算机视觉领域的候选目标检测概念应用于遥感影像的建筑物检测。该方法旨在高效地筛选出一些候选建筑物目标,这些目标中包含建筑物的可能性很高,进而缩小了建筑物存在区域的范围,为后续的复杂的建筑物提取或分类算法提供很好的基础数据。其次,与现有基于超像素合并策略的候选目标检测方法不同,结合建筑物的几何特征,本文首先将图像区域分割为大量小凸多边形,然后将小多边形合并得到少数大多边形,每个大多边形作为一个候选建筑物区域,由此筛选出候选建筑物。然后,构建图表示多边形及其邻接关系,依据颜色、纹理等特征描述相邻多边形的相似性并设置相应边的权重,采用最小生成树算法合并相似结点,将几何特征引入生长终止条件。最后,本文实现了上述方法,并对算法中的各项权值变量进行了实验与评估,同时与候选目标检测的主流算法进行比较。实验表明,本文提出的算法在针对建筑物的目标检测中有较好的表现,单幅1000×750大小的影像的平均处理速度为0.987秒,所得的最好候选目标和真实目标能够基本贴合。
【图文】：

生成过程,剖分,三角,标号

逡逑过过程如示意图２．２，，现简要描述定义如下：逡逑任意的Ｖｏｒｏｎｏｉ邋Ｄｉａｇｒａｍ由一系列中心点生成。其中，每一个中心点ｐ／邋Ｅ户可逡逑对应唯一的Ｖｏｒｏｎｏｉｃｅｌｌ邋（组成Ｖｏｒｏｎｏｉ邋ｄｉａｇｒａｍ的单元或区域），设为Ｋ（ｐＪ，其区域逡逑内所有的点ｘ距离自身的中心点Ｐｌ？比其它任意中心点？都要近，ｇｐ逡逑Ｖ（Ｐｉ）邋＝邋｛ｘＥ邋Ｋ邋＼邋＼＼ｘ－邋Ｐｉｌｌ邋＜邋＼＼ｘ邋－邋Ｐｊ＼＼ｙｐｊ邋￡邋ｐ，ｉ邋＾邋ｊ）逦（２．１）逡逑从上面的定义中看出，Ｖｏｒｏｎｏｉｃｅｌｌ可以保证是凸多边形，并且是Ｄｅｌａｕｎａｙ三逡逑角剖分的对偶图，运用这些性质将有利于后续算法的拓扑关系构建。逡逑？逦．逦Ｉ邋Ｖ＂逦逡逑（ａ）逦（ｂ）逡逑Ｈ嫌逡逑⑷逦（ｃ）逡逑图２．２邋Ｖｏｒｏｎｏｉ图生成过程示意图：（ａ）表示懫祥得到的点分布，（ｂ）表示Ｄｅｌａｕｎａｙ三角逡逑剖分

示意图,抽稀,道格拉斯,示意图

道格拉斯一普克抽稀算法示意图
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP751;TU198

【参考文献】