遥感影像论文关于多尺度显著性引导的高分辨率遥感影像建筑物提取论文范文参考资料

遥感影像关于论文多尺度显着性诱导的高分辨率遥感影像建筑物提取论文示范资料(中南大学地球科学与信息物理学院，湖南长沙410083 )摘要：建筑物的提取是理解和应用高分辨率遥感图像的重要研究内容之一。 针对高分辨率遥感图像的建筑物光谱、形状异质性比较严重，容易与道路等周边地物特征混淆等问题，从视觉显着性的角度出发，诱导了超高分辨率遥感图像的建筑物提取。 该方法利用随机森林回归机器的学习算法测定了影像中建筑物的显着性，实现了从高分辨率遥感影像中提取建筑物的目的。 Vaihingen地区影像数据的测试结果表明，该方法能获得较高的建筑物提取精度。关键词：遥感影像建筑物的提取显着性检查多尺度随机森林: P237； TP751文献标志代码： adoi:10.3969/j.ISSN.1674-9146.xx.05.106随着遥感技术的迅速发展，遥感影像的空间分辨率越来越高1。 与中低分辨率的遥感图像相比，高分辨率遥感图像中的几何结构、空间特征、形状及纹理特征等信息更清晰，可以精细地表现地表目标，有助于更准确地判断解释2。 在高分辨率图像上进行地物的识别和检查是遥感科学领域研究的一大热点，建筑物作为城市地区地物种类的主要内容和地形图的重要构图要素，正确地获取其空间位置、形状等信息具有极为重要的意义3。 正确提取建筑物在城市规划、城市动态检测、城市三维建模、地形图更新等方面有着重要的实用意义。国内外学者对建筑物的提取提出了多种方法，主要分为三种：一种是融合多源数据的方法，如RUTHER等4利用数字表面模型(D* )的高程信息和视频数据的边缘信息得到近似的建筑轮廓，Snakes算法和动态规划优化第二种是基于几何模型的方法，MAYUNGA等5使用放射状投影算法初始化Snakes的轮廓，在该Snakes模型中正确提取建筑物的轮廓。 三是将面向对象的方法、陶超等6面向对象的影像分析思想集成到基于邻近全变量的建筑物分割中，分析分割结果中不同类型建筑物提取的难易度，提出了特征融合的建筑物对象的分层提取策略。利用多源数据的方法需要在研究区域同时具有影像数据和标高数据，该方法的应用有限，基于几何模型的建筑物的提取方法，强调依赖于建筑物自身的几何特征的面向对象的建筑物的提取方法的结果很大程度上依赖于分割结果的有效性，背景特征与对象特征类似的情况下取决于提取效果因此，在进行建筑物的正确提取时，一定要进行事前学习，利用有标记的训练数据来学习建筑物的性质。与具有单一特征的其他地上物(道路和植被等)相比，建筑物具有独特的形状和质感等特性，在视觉上表现出与周边地上物不同的特征，因此从显着性检查的角度切入建筑物的检查问题。 传统的有效检测方法采用bottom-up机制7-8，多通过数据驱动方式获得有效区域。 但是，在高分辨率遥感图像中，地物类型多，关系复杂，因此仅利用图像基底的特征提取显着性受到噪声的影响，检测效果差。 因此，本文在进行建筑物的精密提取时，使用带标签的训练数据学习建筑物的特性，通过监督学习的方法来进行有意义的提取。1原理和方法1.1算法的基本原理本文用对比度矢量来表示区域的显着特征9 . 首先，用基于图解的方法将遥感图像分割成多尺度，得到不同尺度上的超像素块区域，计算各区域的特征向量，用随机森林学习区域的多种特征构建随机森林回归器， 用监督学习的方法对每个区域进行显着代入，得到各尺度的显着图后，用最小二乘法融合多个尺度的显着图，最后用适应阈值分割最终的显着图，得到最终的分割掩蔽图。1.2多尺度分割本文生成的超像素采用简单的线性迭代聚类(simplelineariterativeclustering，SLIC )分割算法10，是年提出的思想简单方便的算法，首先把彩色*像作为CIELAB颜色空间和XY座SLIC算法可以生成紧凑且接近均匀的超像素，对运算速度、物体的轮廓保持、超像素形状具有高综合评价，符合预期的分割效果。 本论文通过设置不同数量的超像素来实现影像的多尺度分割。1.3区域特征提取用SLIC分割法得到图像的超像素区域后，提取各超像素区域的特征。 在下文中，将介绍超像素区域的特征提取方法。1.3.1区域对比度的描述1.3.2地区属性的说明不仅要考虑区域的对比度，还必须考虑区域的固有属性，包括形状和几何特征。 形状特征包含描述醒目目标和背景的一般属性的区域的颜色和纹理分布。 几何特征包含描述显着目标和背景空间分布的区域的大小和位置。 区域属性描述算子如表2所示。1.4显着的学习1.4.1地区显着回归器的学习公式中： sx、y是像素点x、y的有效值，w、h是图像的宽度和高度。2实验结果和分析2.1实验数据实验使用的数据是ISPRS提供的高分辨率遥感图像数据集。 数据为德国Vaihingen地区的正射投影影像，空间分辨率为0.8 cm。 实验将Vaihingen地区的原始图像切成512像素512像素大小的100个子块图像。 每个子块图像注释像素级实际标记，其中实际标记是包含建筑物和非建筑物两种的二值掩码图。2.2实验参数的设定实验涉及的主要参数是随机森林回归过程中决策树的数量t，在随机森林显着性回归过程中，树木越多决策树间的差异越小，能够实现更好的性能。 但是，虽然性能随着采用更多的树而增加，但效率却大幅下降。 因此，为了平衡效率和效果，要训练回归器，请选择T=200棵树。2.3结果和分析利用Vaihingen地区的60张图像训练有意义的模型，其他40张利用有意义的模型检测有意义的地区，利用适应阈值提取建筑物，部分实验结果如图1所示。 由图1可以看出，该方法对各种类型的建筑物的提取很有效，区域完整，杂质少。为了定量评价算法的性能，该算法自动提取建筑物的结果，并进行实际标记和基于像素的比较。 TP是通过算法自动提取结果正确分类为建筑物的像素数TN是建筑物错误分类为其他地上物的像素数FP是错误分类为建筑物的其他地上物的像素数FN是没有正确分类为建筑物的像素数。 建筑物提取的定量评价指标：一个是精度，Auracy=(TP TN)/(TP FP FN TN) 2 )第二个是精度，Precision=TP/(TP FP) 3 )第三个是召回率，Recall=TP/(TP FN )。 使用30张图像提取结果和实际的标记数据算出的平均精度为93.42%，平均精度为91.28%，平均再现率为88.75%。 从3个评价指标来看，本方法在提取Vaihingen地区影像时效果很好。3结论本文提出了一种基于视觉显着性的高分辨率遥感影像建筑物的提取方法。 该方法考虑了遥感图像中建筑物的特征，把建筑物的检验问题视为视觉上的显着性检验问题。 该方法利用随机森林