您现在的位置: 首页 > 网站导航收录 > 百科知识百科知识
(林祥国)-百度一下,你就知道)-赣榆籍最大的官
建筑物,形态学,方法(林祥国)-百度一下,你就知道)-赣榆籍最大的官
发布时间：2019-02-08加入收藏来源：互联网点击：
2.2 构建面向对象的形态学建筑物指数
该阶段的基本原理是：提取对象的明度作为对象的特征，并基于对象与图节点的映射关系建立图的特征函数；进行“基于图的白top-hat重建”运算，按照图节点-对象-像素的映射关系将图节点的重建特征值赋值给像素，最终可以生成“面向对象的形态学建筑物指数”图像。具体包括下述两个步骤：
(1) 构建图的特征函数。如果输入为3波段的影像，利用对象的明度特征构建图G的特征函数f。如果输入为单波段的影像，利用对象的灰度值作为明度特征构建图G的特征函数f。暂且不考虑其他波段数的影像。
(2) 进行“基于图的白top-hat重建”运算。这里，图G上有两个特征函数f、g，且f=g。基于上述构建的图G及其特征函数f、g，进行“基于图的白top-hat重建”。重建过程中，鉴于影像分割的结果一般为过分割，重建过程中设定尺度s=2。按照图节点-对象-像素的映射关系将图节点的重建特征值赋值给像素得到最终的“面向对象的形态学建筑物指数”图像。图 2(c)展示了图 2(a)的面向对象的形态学建筑物指数图像。可见，在图 2(c)中，多数的建筑物具有较大的指数特征值，且建筑物的特征值显著的大于非建筑物的指数特征值，如图 2(d)所示。
综上，“面向对象的形态学建筑物指数”的含义表现为：①“面向对象”体现在影像分割获取了对象、建立了对象之间的拓扑关系图、创建了图的特征函数，并建立了像素-对象-图节点的双向映射关系；②“形态学”体现在进行“基于图的白top-hat重建”运算，且图重建的结果可以映射到像素形成了一个专题图像；“建筑物指数”体现在，在上述专题图像上，建筑物的特征值显著的大于背景的特征值，即，专题图像上的像素值表明了该像素属于建筑物、或背景的概率。
2.3 获取建筑物多边形
该阶段包括下述两个步骤：
(1) 指数图像二值化。观察指数图像的直方图，通过试错法确定一个最优的阈值ϕ1，利用该阈值对指数图像进行二值化处理，且“1”代表建筑物、“0”代表背景(非建筑物)。图 2(e)为图 2(c)的二值化结果(其中ϕ1=64.00)。
(2) 栅格转矢量。矢量化后，删除类别为“0”的矢量多边形。
2.4 后处理
该阶段包括下述两个步骤：
(1) 剔除小图斑。确定建筑物最小面积阈值为ϕ2，删除面积小于ϕ2的矢量图斑。
(2) 剔除狭长度过大的图斑。狭长度定义为图斑最小外接矩形的长、宽比。确定建筑物的最大狭长度阈值为ϕ3，删除狭长度大于ϕ3的矢量图斑。
图 2(f)展示了利用本文方法从图 2(a)影像中提取建筑物的结果。可知，大部分建筑物得到了提取，但是提取的结果中也存在少量的错误，尤其容易把亮度较大的道路、广场和裸地误认为建筑物。
3 试验与分析
基于Visual Studio 2012 C++集成开发环境实现了本文提出的建筑物提取方法，其中MS影像分割代码使用了文献[23]开发的Edison；影像和矢量的操作使用了GDAL(geospatial data abstraction library)库[24]。同时，实现了PanTex[5]方法的代码，且对PanTex指数进行了第2.3、2.4节一致的处理，以进行两种方法的建筑物提取结果比较。试验平台的配置：ThinkPad W520笔记本，CPU为Intel酷睿i7-2760QM 2.4 GHz，内存2.98 GB，装配Windows XP系统。
3.1 试验数据
使用了2景影像进行性能测试。试验影像1为0.30 m空间分辨率的真彩色航空影像，其长宽分别为3215像素、2180像素, 相应的区域位于黑龙江省伊春市主城区，如图 3(a)所示。影像中，不透水层区域被河流环绕；建筑物的高度较低、但阴影明显，多数建筑物的屋顶为红色、且形状相对规则，不存在过大或过小的建筑物；但是局部区域存在建筑物与道路、操场的光谱可区分性较差的现象。
图 3 试验影像1及其建筑物提取结果Fig. 3 The first testing image and the extracted buildings
图选项
试验影像2为0.5 m空间分辨率的WorldView-2全色影像，其长宽分别为3913像素、2533像素, 相应的区域位于美国纽约市市区，如图 4(a)所示。影像中，主要分布有建筑物、阴影、道路和植被等，建筑物的高度、尺寸、形状各异，建筑物的灰度值较大，且建筑物的排列相对规整；阴影区域比较显著、灰度值较小。
图 4 试验影像2及其建筑物提取结果Fig. 4 The four testing datasets
图选项
3.2 试验结果
试验中，本文方法与PanTex方法的相关参数的取值分别见表 1、表 2。其中，本文的方法需要6个参数，包括：hs、hr、n、ϕ1、ϕ2、ϕ3；PanTex需要4个参数，包括窗口尺寸ϕ0、ϕ1、ϕ2、ϕ3。
表 1 本文方法的相关参数在两个试验影像中的取值Tab. 1 The values of the input parameters of proposed method for the two testing images
表选项
表 2 PanTex方法的相关参数在两个实验影像中的取值Tab. 2 The values of the input parameters of PanTex method for the two testing images
表选项
图 3(b)、图 4(b)分别展示了对2景影像采用本文方法提取的结果。目视效果表明，尽管存在少量的提取错误，但整体的建筑物提取效果较好。图 5展示了局部区域的建筑物提取结果，相关的建筑物的形状。尽管图 5(a)中建筑物的光谱同质性较强且形状简单、而图 5(b)-图 5(d)建筑物的光谱异质性较强且形状复杂，但是4个局部提取结果均取得了较好的结果，提取的多边形与建筑物的外轮廓基本一致。另外，的确也存在提取错误，主要表现在，试验影像1中容易将明亮的水泥硬化地面(如图 6(a)所示)、裸露地表(如图 6(b)所示)和建筑工地误认为建筑物；且水泥硬化地面与建筑物连为一体，很难通过后处理消除这种误提取。试验影像2中容易将明亮的道路误认为建筑物；同时，容易遗漏屋顶亮度值较低的建筑物(如图 6(c)所示)，尤其是亮度值较低的、低矮的、尺寸较小的城中村建筑物(如图 6(d)所示)。
图 5 本文方法提取的局部区域的建筑物叠加到影像上Fig. 5 The extracted buildings imposed on the images within local areas using proposed method
图选项
图 6 本文方法的常见提取错误Fig. 6 The common errors of proposed method
图选项
同时，图 3(c)、图 4(c)分别展示了对2景影像采用PanTex方法提取的结果。试验结果表明，PanTex方法具有建筑物的识别能力；但与本文方法的提取结果相比，存在更多的错误。主要的弱点表现在：① 提取的建筑物的轮廓一般显著的大于建筑物的真实轮廓；② 容易误将树木区域判别为建筑物，如图 3(c)中河边的树林被误判为建筑物。
另外，采用人工勾绘的方式提取了相应的建筑物作为参考数据，两个试验影像的建筑物参考数据分别如图 3(d)、图 4(d)所示。
3.3 精度评价
本文最终只提取了建筑物这一个类别的多边形，因此无法按照经典的基于混淆矩阵的评价指标来进行性能评价。借鉴建成区提取的相关研究成果[25], 本文采用正确率Pc、完整率Pe及质量Pq3个指标对上述两种方法提取的精度进行定量分析。3个指标的定义为
(13)
式中，Sauto & manual是相关方法的建筑物提取结果与人工勾选结果的交集的面积；Sauto为相关方法提取建筑物的面积；Smanual为人工勾选的建筑物面积；Sauto||manual为相关方法的建筑物提取结果与人工勾选结果的并集的面积。
下一篇：返回列表
相关链接 |
||
| 网友回复（共有 0 条回复） |