基于高分辨率遥感影像的建筑物提取

合集下载

基于遥感影像的建筑物变化检测与更新研究

基于遥感影像的建筑物变化检测与更新研究近年来，随着遥感技术的不断发展和普及，基于遥感影像的建筑物变化检测与更新成为了一个备受关注的研究领域。

建筑物的变化检测在城市规划、环境监测以及灾害评估等方面具有重要的应用意义。

通过对建筑物的变化进行监测和更新，可以及时发现城市发展的变化趋势，为城市的发展规划提供科学依据。

在遥感影像中，建筑物的变化检测通常包括建筑物的新增、减少以及形态发生变化等内容。

基于遥感影像进行建筑物变化检测的关键在于利用影像信息进行建筑物的提取和识别。

传统的建筑物监测方法主要依靠人工目视解译，效率低下且容易受主观因素影响。

而基于遥感影像的建筑物变化检测则可以利用计算机视觉和遥感影像处理技术，实现对建筑物的自动化识别和变化检测。

在建筑物变化检测的研究中，影像的预处理是非常重要的一步。

预处理包括影像的几何校正、辐射校正以及影像配准等工作。

通过影像的预处理，可以提高建筑物的提取精度和变化检测的准确性。

在建筑物的提取中，可以利用边缘检测、区域生长等算法对建筑物进行分割和识别。

同时，建筑物的特征提取也是建筑物变化检测中的一个关键环节，可以通过建筑物的形状、纹理、颜色等特征进行建筑物的识别和分类。

除了建筑物的提取和识别，建筑物变化检测还需要对建筑物的变化进行比对和分析。

通过建筑物的多时相影像进行变化检测，可以实现对建筑物的新增、拆除以及形态的变化等信息的提取。

在建筑物变化检测中，还可以利用时序遥感影像进行建筑物的历史变化分析，探究建筑物的发展规律和城市演变过程。

在建筑物变化检测研究中，遥感影像的时空分辨率是一个关键的因素。

不同的遥感传感器拥有不同的时空分辨率，影响着建筑物变化检测的精度和效率。

高分辨率的遥感影像可以提高建筑物的提取精度，但也增加了数据量和算法的复杂度。

因此，在建筑物变化检测研究中，需要综合考虑遥感影像的时空分辨率，选择合适的遥感数据进行建筑物变化检测。

随着深度学习技术的不断发展，基于深度学习的建筑物变化检测方法逐渐成为研究热点。

高分辨率遥感影像建筑物提取多路径RSU网络法

㊀㊀第５１卷㊀第１期测㊀绘㊀学㊀报V o l．５１,N o．１㊀２０２２年１月A c t aG e o d a e t i c ae tC a r t o g r a p h i c aS i n i c a J a n u a r y,２０２２引文格式:张玉鑫,颜青松,邓非．高分辨率遥感影像建筑物提取多路径R S U网络法[J]．测绘学报,２０２２,５１(１):１３５Ｇ１４４．D O I:１０．１１９４７/ j．A G C S．２０２１．２０２００５０８．Z H A N G Y u x i n,Y A N Q i n g s o n g,D E N G F e i．M u l t iＧp a t h R S U n e t w o r k m e t h o df o rh i g hＧr e s o l u t i o nr e m o t es e n s i n g i m a g eb u i l d i n g e x t r ac t i o n[J]．A c t aG e od ae t i c a e tC a r t o g r a p h i c aS i n i c a,２０２２,５１(１):１３５Ｇ１４４．D O I:１０．１１９４７/j．A G C S．２０２１．２０２００５０８．高分辨率遥感影像建筑物提取多路径R S U网络法张玉鑫,颜青松,邓㊀非武汉大学测绘学院,湖北武汉４３００７９M u l t iＧp a t hR S U n e t w o r k m e t h o df o rh i g hＧr e s o l u t i o nr e m o t e s e n s i n g i m a g e b u i l d i n g e x t r a c t i o nZ H A N GY u x i n,Y A NQ i n g s o n g,D E N GF e iS c h o o l o fG e o d e s y a n dG e o m a t i c s,W u h a nU n i v e r s i t y,W u h a n４３００７９,C h i n aA b s t r a c t:I n a c c u r a t eb o u n d a r i e s a n dh o l e sa r e t w om a j o r p r o b l e m sw h e ne x t r a c t i n g b u i l d i n g s f r o mh i g hＧr e s o l u t i o n r e m o t es e n s i n g i m a g e sb y ac o n v o l u t i o nn e t w o r k．T os o l v et h e s e p r o b l e m s,w e p r o p o s e dt h e M P R S UＧN e t(m u l t iＧp a t h r e s i d u a l UＧb l o c k n e t w o r k),w h i c h i s b a s e d o n t h eR S U(r e s i d u a l UＧb l o c k)．T h eR S U i s a b l e t o f u s e l o c a l f e a t u r e s a n dm u l t iＧs c a l e f e a t u r e s,w i t h t h eh e l p o f t h ee n c o d e rＧd e c o d e r s t r u c t u r ea n d t h e r e s i d u a l c o n n e c t i o n．H o w e v e r,as i n g l eR S U i sn o te n o u g h t o g a t h e r e n o u g h i n f o r m a t i o n,M P R S UＧN e t p a r a l l e l sR S Ub l o c k s o f d i f f e r e n t s c a l e s b y t h em u l t iＧp a t h s t r u c t u r ea n d e x c h a n g e s i n f o r m a t i o n a m o n g t h e s e b l o c k s t o f u r t h e r e n h a n c e t h e f e a t u r ea g g r e g a t i o n e f f i c i e n c y．E x p e r i m e n t a l r e s u l t s s h o w e d t h a t t h eM P R S UＧN e t a c h i e v e d９５．６５％,８８．６３％p r e c i s i o n,a n d９１．１７％,７９．３１％I o Uo n０．３m r e s o l u t i o nW H Ua n d I n r i ab u i l d i n g d a t a s e t s,w h i c h s h o w e d t h e e f f e c t i v e n e s s o f t h e p r o p o s e dm e t h o d．I na d d i t i o n,c o m p a r e dw i t h t h eU２N e t, M P R S UＧN e t i s m u c hl i g h t e r i nc o m p u t a t i o na n dr e d u c e st h ea m o u n to fm o d e l p a r a m e t e r sb y６８．６３％, d e m o n s t r a t i n g t h a t t h em e t h o d h a s s o m ea p p l i c a t i o n v a l u e．K e y w o r d s:h i g hＧr e s o l u t i o nr e m o t es e n s i n g i m a g e;b u i l d i n g e x t r a c t i o n;m u l t iＧs c a l e;c o n v o l u t i o n a l n e u r a l n e t w o r k s;m u l t iＧp a t hF o u n d a t i o n s u p p o r t:S i c h u a nS c i e n c ea n dT e c h n o l o g y P r o g r a m(N o．２０１９Y F G０４６０)摘㊀要:针对卷积神经网络在提取建筑物的过程中,存在建筑物边界不准确和建筑物内部空洞等问题,提出以R S U模块(r e s i d u a l UＧb l o c k)为核心的M P R S UＧN e t(m u l t iＧp a t h r e s i d u a l UＧb l o c k n e t w o r k).该模块利用编码器Ｇ解码器结构和残差连接,实现了局部特征和多尺度特征的融合.由于一个R S U模块提取的信息有限,M P R S UＧN e t进一步通过多路径结构并行了不同尺度的R S U模块,并在这些模块之间进行信息交换,提高了特征聚集效率.在分辨率为０．３m的W H U和I n r i a建筑物数据集上进行试验,精度分别达９５．６５％和８８．６３％,I o U分别达９１．１７％和７９．３１％,验证了本文方法的有效性.此外,本文方法相较于U２N e t,计算量明显降低,模型参数量减少６８．６３％,表明本文方法具有一定的应用价值.关键词:高分辨率遥感影像;建筑物提取;多尺度;卷积神经网络;多路径中图分类号:P２３７㊀㊀㊀㊀文献标识码:A㊀㊀㊀㊀文章编号:１００１Ｇ１５９５(２０２２)０１Ｇ０１３５Ｇ１０基金项目:四川省科技计划(２０１９Y F G０４６０)㊀㊀高分辨率遥感影像建筑物提取在数字城市建设㊁地表动态变化监测及土地利用变更调查等应用中都具有重要的意义.但是高分辨率遥感影像细节丰富的特点也使得建筑物的尺度多变㊁结构复杂㊁外观各异,如何准确地从高分辨率遥感影像中提取建筑物目前仍是遥感影像处理与应用领域研究的热点和难点.传统建筑物提取的方法主要根据建筑物特有的光谱㊁纹理㊁几何和阴影等特性,人工设计合适的特征去区分建筑物和非建筑物区域[１Ｇ３].文献J a n u a r y２０２２V o l．５１N o．１A G C S h t t p:ʊx b．s i n o m a p s．c o m[４]通过窗口H o u g h变换提取矩形建筑物的角点特征,实现矩形屋顶的提取,但当建筑物角点被遮挡时,无法精确地提取建筑物.文献[５]利用了遥感影像中建筑物受光照影响产生的阴影信息对建筑物自动定位,然而排列整齐的树木阴影可能会对其造成干扰.此外,D S M数据㊁L i D A R和S A R 数据等多源数据可以提供建筑物的高程信息,融合多源数据可以有效提高建筑物提取的精度[６],但获得满足精度条件的多源数据需要较高的成本,具有一定的局限性.总体而言,这些人工设计的特征会随着传感器质量㊁光照条件㊁建筑物风格产生较为明显的变化,只能处理特定的数据[７].近年来,卷积神经网络良好的特征表示能力,使其受到了广泛的关注,在自然语言处理㊁图像分割㊁目标检测等领域都有广泛应用[８Ｇ１１].建筑物提取方法也由人工设计特征的传统方法转向学习特征的卷积神经网络方法.文献[１２]提出的全卷积神经网络(f u l l y c o n v o l u t i o n a l n e t w o r k,F C N)将传统卷积神经网络中的全连接层转化为卷积层,首次实现端到端训练的语义分割网络.文献[１３]以F C N为基础,提出U N e t,利用跳跃连接来融合深层特征和浅层特征,使得分割边缘得到提升.F C N是许多语义分割方法的基本框架,基于F C N的方法主要分为两种改进方向:①从特征图出发,扩大卷积神经网络的感受野,获取多尺度特征.文献[１４]提出金字塔空间池化模块,融合不同尺度的池化后的特征图以获取全局依赖.文献[１５]从原始影像中提取不同尺度的特征,之后在恢复尺度的阶段逐步融合粗糙的浅层特征及细粒度的深层特征,从而使得分割精度提升.②从原始影像出发,利用多尺度的原始影像作为输入,获取全局信息.文献[１６]提出一种基于多尺度影像的全卷积神经网络,将原始影像进行不同尺度的下采样,之后分层地对其进行特征提取和融合.注意力机制[１７Ｇ１８]是近几年来提出的一种在空间或通道上捕获远程依赖的方法,能够有效地提高分割性能.文献[１９]提出位置注意力模块和通道注意力模块去学习特征之间的空间依赖性以及通道间的相关性.位置注意力模块是对所有位置的特征加权求和,选择性地聚合各个位置的特征,使得远距离特征也可以得到关联.通道注意力模块整合所有通道之间的相关特征图,选择性地强调存在相互依赖的通道图.将两个注意力模块的结果融合可以获得更精确的分割结果.文献[２０]通过输入不同尺度的影像,利用分层多尺度注意力机制,学习不同尺寸的物体在相应尺度上的权重,让网络自适应地选择最合适的分辨率来预测物体,但该方法网络结构较为复杂对硬件要求较高.与基于F C N的主流语义分割框架不同,文献[２１]提出了一种高分辨率神经网络(h i g hＧr e s o l u t i o nn e t w o r k,H R N e t),该方法可使特征图保持高分辨率,在高分辨率特征图中融入低分辨率特征图使其包含多尺度信息,为网络结构设计提供了新的思路.文献[２２]设计了一种双层嵌套U N e t的网络结构U２N e t,能够捕获更多的上下文信息,在显著性检测任务中表现突出,但其参数量较多,训练效率较低.以往研究中,基于全卷积神经网络的建筑物提取方法基本框架以编码器Ｇ解码器结构为主[２３Ｇ２４].但是该框架在编码器阶段的多次池化易丢失空间信息,使得小型建筑物难以检测;同时在解码器阶段,通过跳跃连接融合浅层特征恢复细节的效果有限,还会从浅层引入一些粗糙特征,最终进一步加剧建筑物边界的不准确[２５].除此之外,卷积神经网络提取的特征往往是局部的,基于F C N的方法缺乏对全局特征的有效利用,导致提取大型建筑物时存在不连续和空洞等情况,如图１所示.而过于关注全局特征,忽略局部特征,会导致边缘信息的缺失.如何高效利用全局特征和局部特征,是优化建筑物提取结果的关键.因此,受H R N e t和U２N e t启发,本文提出一种基于R S U模块的高分辨率遥感影像建筑物提取方法:M P R S UＧN e t,能够在保持高分辨率语义信息的同时,融入全局特征,从而改善大型建筑物存在空洞㊁边缘分割不完整的问题.M P R S UＧN e t 通过并行和级联R S U模块融合多尺度特征,之后将多个尺度的预测结果融合得到最终提取结果.在WHU和I n r i a建筑物数据集上的试验结果表明,本文方法提取建筑物精度高㊁边缘清晰㊁结构完整,相较其他主流方法泛化能力更强,参数较少.１㊀方法与原理本节首先介绍R S U模块的结构,然后对本文提出的M P R S UＧN e t进行详细说明,最后阐述了本文方法训练过程中使用的损失函数.６３１第１期张玉鑫,等:高分辨率遥感影像建筑物提取多路径R S U网络法图１㊀建筑物提取结果示例F i g ．１㊀T h e e x a m p l e r e s u l t s o f b u i l d i n g ex t r a c t i o n １．１㊀R S U 模块R S U 模块是本文网络的主要构成部分,由简化的U N e t 结构和R e s N e t 的残差结构[２６]组成,能够捕捉输入特征图的多尺度特征和局部特征.R S U 模块的超参数有L ㊁C i n ㊁C o u t 和C m i d ,分别代表编码器阶段的卷积层数㊁输入特征图的通道数㊁输出特征图的通道数和中间层的通道数.本文使用R S U ＧL (C i n ,C m i d ,C o u t )表示单个R S U 模块,结构如图２所示.R S U 模块的输入为通道数C i n 的特征图,首先通过一个３ˑ３的卷积,将输入映射为通道数为C o u t 的特征图,并同时从输入特征图中提取局部特征;然后通道数为C o u t 的特征图经过一个简化的编码器Ｇ解码器结构,其中编码器提取出多尺度特征,编码器阶段的池化次数为L Ｇ２,L 越大池化次数越多,感受野范围越大,多尺度特征便越丰富,解码器将多尺度特征编码成高分辨率的多尺度特征图;最后将第一步获得的通道数为C o u t 的特征图和高分辨率的多尺度特征图相加得到输出,使得局部特征和多尺度特征融合,保证特征图中的细节信息不被丢失.图２㊀R S U 结构F i g．２㊀R S Ua r c h i t e c t u r e １．２㊀M P R S U ＧN e tM P R S U ＧN e t 的网络结构如图３所示,主要包括两个部分:多路径特征提取模块和多尺度特征融合模块.１．２．１㊀多路径特征提取基于编码器Ｇ解码器结构的卷积神经网络一般过程为:由高分辨率到低分辨率获取深层特征,再从低到高恢复分辨率得到输出结果,此过程中极易丢失细节信息.而H R N e t 的多路径结构能够有效地解决此问题,较好地保持特征图中的细节信息;其使用多个并行的子网络提取不同尺度的特征,然后将多尺度特征在子网络之间反复交换以充分融合多尺度特征.基于多路径结构与R S U 模块,本文提出多路径特征提取模块,详细架构如图３所示,不仅能提取多尺度特征,还能减少细节丢失.R S U 模块７３１J a n u a r y ２０２２V o l ．５１N o ．１A G C S h t t p :ʊx b ．s i n o m a ps ．c o m 是多路径特征提取模块的主要组成部分,其利用编码器Ｇ解码器结构从特征图中提取多尺度特征,再将多尺度特征编码成高分辨率的特征图.多路径结构通过串联R S U 模块,能够保持高分辨率的特征表示,减少编码器下采样带来的细节丢失,保持高层语义信息和精确的空间定位信息,改善建筑物边界提取模糊及空洞现象.图３㊀M P R S U ＧN e t 结构F i g．３㊀M P R S U ＧN e t a r c h i t e c t u r e ㊀㊀M P R S U ＧN e t 的多路径特征提取模块由３条并行路径组成,特征图的空间分辨率分别为原始影像的１㊁１/４㊁和１/１６.对于相邻路径之间的上㊁下采样,本文使用图４(c )㊁(f )所示的方法:上采样先对影像进行双线性上采样,再将低分辨率的特征图的通道压缩,去除冗余信息;下采样时首先扩大一倍通道数,以保存高分辨率的信息,再进行池化.除此之外,常用的上㊁下采样还有图４(a)㊁(d)对应的直接采样方法,但是这种方式很容易造成信息冗余和细节信息丢失.图４(b )㊁(e )对应的是没进行通道压缩和扩增的上㊁下采样,但存在一定程度的信息冗余和丢失.１．２．２㊀多尺度特征融合多尺度特征融合模块如图３所示,首先,利用１ˑ１卷积和s i gm o i d 函数对多路径特征提取模块输出的多尺度特征进行预测,得到每个尺度的分类结果;然后,将各个尺度上的分类结果上采样到输入尺寸后进行拼接;最后,将不同尺度的预测结果融合得到建筑物的最终预测结果.最终的预测结果汇聚了多个尺度的信息,使得反向传播和权重更新能够利用多尺度信息.１．３㊀损失函数本文使用二分类交叉熵损失函数[２７]来指导网络学习,如式(１)所示㊀㊀L o s s ＝－ð(H ,W )(i ,j )[y i jˑl n p i j ＋(１－y i j )l n (１－p i j )](１)式中,(x ,y )为样本点坐标;(H ,W )为影像尺寸;y i j 表示样本点的真值;建筑物像素为１;非建筑物像素为０;p i j 表示模型预测样本点是建筑物像素的概率.２㊀试验与分析本节首先介绍试验所采用的数据集㊁结果评价指标及试验相关设置,之后阐述试验设计目的㊁结果及分析.２．１㊀数据集介绍为证明本文方法的有效性,选取WHU 建筑物数据集[７]和I n r i a 建筑物数据集[２８]两个数据集进行综合性的试验,数据集的相关描述如下:(１)WHU 建筑物数据集包括航空和卫星影像数据集,以及相应的矢量文件和栅格影像,本文选取航空影像数据集进行试验.航空影像数据集中包含不同尺度㊁不同风格和颜色的建筑物,如图５所示,影像空间分辨率为０．３m ,每幅影像的大小为５１２ˑ５１２像素,共计８１８８张,其中训练集㊁验证集㊁测试集分别为４７３６㊁１０３６和２４１６张.(２)I n r i a 建筑物数据集包含５个地区(奥斯汀㊁芝加哥㊁基特萨普㊁蒂罗尔西部㊁维也纳)的航空正射彩色影像,每个地区分别有３６张尺寸为５０００ˑ５０００像素的影像,空间分辨率为０．３m ,数据集示例如图６所示.数据集中５个地区的影像季节不同,照明条件不同,有建筑物密集的城市中心,也有建筑物稀疏的山区,可用于评估模型的泛８３１第１期张玉鑫,等:高分辨率遥感影像建筑物提取多路径R S U 网络法化能力.试验前,将每幅影像裁剪为５００ˑ５００像素的大小,最终获取１８０００张影像,其中随机抽取１０８３２张作为训练集,１８０５张作为验证集,５３６３张作为测试集.图４㊀下采样和上采样方法F i g ．４㊀T h em e t h o d s o f d o w n s a m p l e a n du p s a m ple 图５㊀WHU 数据集样例F i g ．５㊀WHUd a t a s e t e x a m pl e s ９３１J a n u a r y ２０２２V o l ．５１N o ．１A G C S h t t p :ʊx b ．s i n o m a ps ．c om 图６㊀I n r i a 数据集样例F i g ．６㊀I n r i ad a t a s e t e x a m pl e s ２．２㊀评价指标本文采用精度(P r e c i s i o n )㊁召回率(R e c a l l )㊁F １分数㊁交并比(I o U )４个指标来评价建筑物提取的准确性.精度指预测正确的建筑物像素数量占预测的建筑物像素数量的比例.召回率指预测正确的建筑物像素数量占真实的建筑物像素数量的比例.F １分数综合考虑了精度和召回率的结果.I o U 是目标检测和语义分割中的常用指标,指预测的建筑物像素数量与真实的建筑物像素的交集和并集的比值.４种指标的计算公式如下P r e c i s i o n ＝T PT P ＋F P (２)R e c a l l ＝T PT P ＋F N(３)F １＝２ˑP r e c i s i o n ˑR e c a l lP r e c i s i o n ＋R e c a l l(４)I o U＝T PF P ＋T P ＋F N(５)式中,T P 指真实建筑物像素的预测为建筑物像素的数量;T N 指背景像素预测为背景像素的数量;F P 指背景像素预测为建筑物像素的数量;F N 指真实建筑物像素预测为背景像素的数量.２．３㊀试验设置本文试验的硬件环境为I n t e l (R )C o r e (T M )i ７Ｇ７７００C P U ,６４G BR AM ,G P U N v i d i aT i t a nX p(显存１２G B ),操作系统为W i n d o w s １０,编程环境为P y t h o n ３．６,P yt o r c h １．２．０.为保证试验结果的客观性,所有试验网络均采用小批量梯度下降算法训练,使用A d a m 算法进行优化,初始学习率设置为０．００１,批处理数量为４.训练过程中,所有试验网络从零开始对数据集迭代１００次,并对影像进行随机水平翻转.２．４㊀试验及结果分析本节首先分析不同上㊁下采样方法对本文方法在WHU 数据集上性能的影响;使用WHU 和I n r i a 数据集进行对比试验,比较本文方法和U N e t [１３]㊁D A N e t [１９]㊁H R N e t v ２[２１]㊁U ２N e t [２２]４种方法提取建筑物的性能,对比方法中,D A N e t 基本框架设置为１０１层的R e s N e t ,H R N e t 多路径通道数设置为４８㊁９６㊁１９２㊁３８４.最后,为验证本文方法在性能和复杂度上面的平衡,对不同方法的复杂度进行分析.２．４．１㊀上下采样方法对比试验为探讨不同上㊁下采样方法对本文方法在WH U 数据集上性能的影响,在M P R S U ＧN e t 结构基础上使用１．２．１节中３种上㊁下采样方法进行试验,结果见表１.表１中结果显示,间接上㊁下采样方法与直接采样方法相比,精度和I o U 有一定提升,说明连续采样之间添加卷积层可以减少信息损失.本文的上㊁下采样方法较间接上㊁下采样方法各项指标均有提升,表明了上采样缩减通道数可以去除冗余信息,下采样扩大通道数可以保存一定的细节信息,验证了本文上㊁下采样方法的有效性.表１㊀不同采样方法对本文方法的影响T a b ．１㊀I n f l u e n c e o f d i f f e r e n t s a m p l i n g me t h o d s (％)方法I o U精度召回率F １分数直接上㊁下采样９０．３６９４．９６９４．９１９４．９４间接上㊁下采样９０．６７９５．３６９４．８５９５．１１本文上㊁下采样９１．１７９５．６５９５．１１９５．３８０４１第１期张玉鑫,等:高分辨率遥感影像建筑物提取多路径R S U网络法２．４．２㊀WH U数据集试验结果分析选取U N e t㊁D A N e t㊁H R N e t㊁U２N e t４种方法与本文方法进行对比,在WHU建筑物数据集上的可视化试验结果如图７所示.卷积神经网络依靠卷积核提取特征,获取感受野范围有限,故提取大型建筑物时,易产生空洞现象.针对该现象,本文方法使用R S U模块融合局部特征和全局特征,扩大感受野,并在不同尺度的R S U模块之间增加信息交互,进一步提升特征聚集率.由图７中可以看出,第１㊁第５个样例的影像中,存在颜色相似的地面和建筑物,一些对比方法不能正确地区分两者,导致出现将地面错误识别成建筑物的现象,而本文方法能够较为精确地区分颜色相近的地面及建筑物.此外,对于第１㊁第４个样例影像中颜色不一致的建筑物,本文方法可以准确提取,而对比方法错误地将其识别为背景,表明本文方法相较于其他方法能够更加充分地获取上下文信息.综上,根据目视评价,可以看出本文方法能够良好地适应不同场景的建筑物提取,在一定程度上可以改善建筑物边界不清晰㊁出现空洞的现象,且对于同物异谱,异物同谱现象可以进行较为正确地识别,结果优于其他几种对比方法.图７㊀WHU数据集上各种方法的建筑物提取结果F i g．７㊀B u i l d i n g e x t r a c t i o n r e s u l t s o f v a r i o u sm e t h o d s o n WHUd a t a s e t㊀㊀对WHU建筑物数据集的提取结果进行定量评价见表２.由表２可以看出,在WHU建筑物数据集上,与其他方法相比较,本文方法在各项指标上均达到最优,I o U达９１．１７％,精度达９５．６５％,F１分数达到了９５．３８％,与U N e t㊁D A N e t㊁H R N e t㊁U２N e t相比I o U分别提高了２．３０％㊁１．９６％㊁１．４０％㊁０．８３％,精度分别提高了２．１８％㊁１．４４％㊁０．７３％㊁０．６２％.表２㊀WH U数据集上各种方法的比较T a b．２㊀C o m p a r i s o no f v a r i o u sm e t h o d s o n WH Ud a t a s e t(％)方法I o U精度召回率F１分数U N e t８８．８７９３．４７９４．７５９４．１０D A N e t８９．２１９４．２１９４．４０９４．３０H R N e t８９．７７９４．９２９４．３０９４．６１U２N e t９０．３４９５．０３９４．８２９４．９３M P R S UＧN e t９１．１７９５．６５９５．１１９５．３８１４１J a n u a r y ２０２２V o l ．５１N o ．１A G C S h t t p :ʊx b ．s i n o m a ps ．c o m WHU 数据集上的试验结果从目视和定量评价上均验证了本文方法的优越性,表明了多路径结构结合编码器Ｇ解码器结构使得建筑物的局部特征和全局特征更好地聚合,能够更好地提取建筑物细节信息和全局特征.２．４．３㊀I n r i a 数据集试验结果分析I n r i a 数据集包含５个地区的建筑物影像,分别取其典型区域,提取结果可视化如图８所示,从上到下依次是奥斯汀㊁芝加哥㊁基特萨普㊁蒂罗尔西部和维也纳典型建筑物的提取结果.５个地区的建筑物风格不同,且由于成像时间不同,不同地区的建筑物光谱㊁阴影特征并不一致.由于树木遮挡㊁建筑物结构复杂等情况,I n r i a 数据集的建筑物边界不易提取.本文方法通过串联R S U 模块,保持高分辨率的语义表示,减少R S U 模块中编码器下采样带来的细节丢失,增加高层语义信息和精确的空间定位信息,改善建筑物边界提取模糊及空洞现象.由图８可以看出,本文方法对不同场景下的大型建筑物的空洞现象都有所改进,提取的建筑物边缘较其他方法更为清晰,且能够更加准确地识别细长型建筑物.对于环绕型㊁内部存在不规则背景的建筑物,本文方法能够较好地识别被建筑物环绕的背景.综合不同地区的建筑物提取的目视效果上看,本文方法能够较为良好地适应不同场景的大型建筑物提取,边缘较为完整,能够减少建筑物漏检结果,综合表现较优,表明使用多路径结构保持高分辨率的语义信息的可行性.图８㊀I n r i a 数据集上各种方法的建筑物提取结果F i g ．８㊀B u i l d i n g ex t r a c t i o n r e s u l t s o f v a r i o u sm e t h o d s o n I n r i ad a t a s e t ㊀㊀对I n r i a 建筑物数据集的提取结果进行定量评价见表３.虽然该数据集较多建筑物被植被遮挡不易识别,但本文方法仍在各项指标上表现较好,I o U 达７９．３１％,召回率达８８．２９％,F １分数达８８．４６％,与U N e t ㊁D A N e t ㊁H R N e t ㊁U ２N e t 相比I o U 分别提高了１．３４％㊁０．９３％㊁０．５３％㊁２．９５％,召回率分别提高了１．８５％㊁２．２０％㊁１．０６％㊁１．５９％,证明了本文方法的稳定性和优越性.在该数据集上,本文方法的提取精度稍低,本文分析是由于该数据集小型建筑物较密集,影像尺寸裁剪为５００ˑ５００像素,本文方法中存在较多的下采样操作,不能整除,导致部分细节信息丢失,精度２４１第１期张玉鑫,等:高分辨率遥感影像建筑物提取多路径R S U网络法较低,然而本文方法的精度较同样有多次下采样操作的U２N e t方法提升了２．１３％,说明了多路径特征提取的有效性.可以进一步探索R S U模块合适的下采样次数,以使提取结果进一步提升.表３㊀I n r i a数据集上各种方法的比较T a b．３㊀C o m p a r i s o no f v a r i o u sm e t h o d s o n I n r i ad a t a s e t(％)方法I o U精度召回率F１分数U N e t７７．９７８８．８３８６．４４８７．６２D A N e t７８．３８８９．７５８６．０９８７．８９H R N e t７８．７８８９．０４８７．２３８８．１３U２N e t７６．３６８６．５０８６．７０８６．６０M P R S UＧN e t７９．３１８８．６３８８．２９８８．４６２．４．４㊀网络复杂度分析本文对５种方法的模型复杂度及效率进行了比较,结果见表４.模型的计算量和参数量使用t h o p工具包进行统计,模型计算量与输入尺寸有关,此处输入尺寸均设置为１ˑ５１２ˑ５１２ˑ３.训练时间为迭代一次WHU训练数据集所需要的时间,推理时间为在WHU测试数据集上推理所需要的总时间.由表４可以看出,本文方法计算量较少,仅是U２N e t的１/３,同时本文方法训练效率较高,仅需要U２N e t的一半训练时间.综合不同方法在WHU数据集和I n r i a数据集上的试验结果来看,本文方法在精度和效率方面取得了较好的平衡,有较高的应用价值.表４㊀各种方法复杂性及效率的比较T a b．４㊀C o m p l e x i t y a n d e f f i c i e n c y c o m p a r i s o n a m o n gv a r i o u sm e t h o d s方法计算量(G F L O P s)参数/M训练时间/(m i n/e p o c h)推理时间/sU N e t１６０．６１７．３１０９４D A N e t２８２．８６６．６１０７１４２０H R N e t４０．７２２．４６１１３U２N e t１５０．５４４．０２４２６６M P R S UＧN e t８１．６１３．８１２１１６３㊀结㊀论本文提出了M P R S UＧN e t用于改善高分辨率遥感影像建筑物提取中边界不准确㊁大型建筑物提取结果存在空洞等问题.本文方法通过并行和级联R S U模块,能够从浅层和深层交叉学习到更丰富的全局特征和局部特征.在WHU和I n r i a数据集上的试验结果表明,本文方法相对其他方法具有更高的I o U和召回率,并在性能和效率上取得了良好的平衡,能够更好地提取边界信息,且对于不同场景的建筑物都能得到良好的分割结果,有较强的泛化能力.本文方法是基于像素级别的建筑物提取,结果会存在一些非建筑物斑块,如何将建筑物实体作为提取对象将是下一步研究方向.参考文献:[１]㊀P E S A R E S IM,G E R HA R D I N G E R A,K A Y I T A K I R EF．Ar o b u s t b u i l tＧu p a r e a p r e s e n c e i n d e xb y a n i s o t r o p i c r o t aＧt i o nＧi n v a r i a n tt e x t u r a l m e a s u r e[J]．I E E E J o u r n a l o fS e l e c t e d T o p i c s i n A p p l i e d E a r t h O b s e r v a t i o n s a n dR e m o t eS e n s i n g,２００８,１(３):１８０Ｇ１９２．[２]㊀J I N X i a o y i n g,D A V I S C H．A u t o m a t e db u i l d i n g e x t r a c t i o nf r o mh ig hＧr e s o l u t i o n s a t e l l i t e i m a g e r y i nu r b a n a r e a s u s i n gs t r u c t u r a l,c o n t e x t u a l,a n d s p e c t r a l i n f o r m a t i o n[J]．E U RＧA S I PJ o u r n a lo n A d v a n c e si n S i g n a lP r o c e s s i n g,２００５,２００５(１４):２１９６Ｇ２２０６．[３]㊀HU A N GX i n,Z H A N GL i a n g p e i．M o r p h o l o g i c a l b u i l d i n g/ s h a d o wi n d e x f o rb u i l d i n g e x t r a c t i o nf r o m h i g hＧr e s o l u t i o ni m a g e r y o v e ru r b a na r e a s[J]．I E E EJ o u r n a lo fS e l e c t e dT o p i c s i n A p p l i e d E a r t h O b s e r v a t i o n s a n d R e m o t eS e n s i n g,２０１２,５(１):１６１Ｇ１７２．[４]㊀J U N GC,S C H R AMM R．R e c t a n g l ed e t e c t i o nb a s e do na w i n d o w e dh o u g ht r a n s f o r m[J]．B r a z i l i a nS y m p o s i u m o fC o m p u t e rG r a p h i c a n d I m a g eP r o c e s s i n g．２００４,２００４(４):１１３Ｇ１２０．[５]㊀O KAO,S E N A R A SC,Y U K S E LB．A u t o m a t e d d e t e c t i o n o fa rb i t r a r i l y s h a p e d b u i l d i n g s i nc o m p l e x e n v i r o n m e n t s f r o mm o n o c u l a rV H Ro p t i c a l s a t e l l i t e i m a g e r y[J]．I E E ET r a n sＧa c t i o n s o nG e o s c i e n c e a n dR e m o t eS e n s i n g,２０１３,５１(３):１７０１Ｇ１７１７．[６]㊀张亚一,费鲜芸,王健,等．基于高分辨率遥感影像的建筑物提取方法综述[J]．测绘与空间地理信息,２０２０,４３(４):７６Ｇ７９．Z HA N G Y a y i,F E IX i a n y u n,WA N GJ i a n,e t a l．S u r v e yo f b u i l d i n g e x t r a c t i o nm e t h o d s b a s e d o nh i g h r e s o l u t i o n r eＧm o t e s e n s i n g i m a g e s[J]．G e o m a t i c s&S p a t i a l I n f o r m a t i o nT e c h n o l o g y,２０２０,４３(４):７６Ｇ７９．[７]㊀季顺平,魏世清．遥感影像建筑物提取的卷积神经元网络与开源数据集方法[J]．测绘学报,２０１９,４８(４):４４８Ｇ４５９．D O I:１０．１１９４７/j．A G C S．２０１９．２０１８０２０６．J I S h u n p i n g,W E IS h i q i n g．B u i l d i n g e x t r a c t i o nv i ac o n v oＧl u t i o n a l n e u r a l n e t w o r k f r o ma n o p e n r e m o t e s e n s i n g b u i l dＧi n g d a t a s e t[J]．A c t aG e o d a e t i c a e tC a r t o g r a p h i c aS i n i c a,２０１９,４８(４):４４８Ｇ４５９．D O I:１０．１１９４７/j．A G C S．２０１９．２０１８０２０６．[８]㊀G ON GJ i a n y a,J I S h u n p i n g．P h o t o g r a mm e t r y a n d d e e p l e a r n i n g[J]．J o u r n a l o fG e o d e s y a n dG e o i n f o r m a t i o nS c iＧe n c e．２０１８,１(１):１Ｇ１５．３４１J a n u a r y２０２２V o l．５１N o．１A G C S h t t p:ʊx b．s i n o m a p s．c o m[９]㊀D A IY u c h a o,Z H A N GJ i n g,H E M i n g y i,e t a l．S a l i e n t o b j e c td e t e c t i o n f r o m m u l t iＧs p e c t r a l r e m o t es e n s i n g i m a g e sw i t hd e e p r e s i d u a l n e t w o r k[J]．J o u r n a l o fG e o d e s y a n dG e o i nＧf o r m a t i o nS c i e n c e,２０１９,２(２):１０１Ｇ１１０．[１０]㊀S U NL o n g,WUT a o,S U NG u a n g c a i,e t a l．O b j e c t d e t e cＧt i o n r e s e a r c ho f S A Ri m a g eu s i n g i m p r o v e d f a s t e r r e g i o nＧb a s e dc o n v o l u t i o n a l n e u r a l n e t w o r k[J]．J o u r n a l o fG e o d e s y a n dG e o i n f o r m a t i o nS c i e n c e,２０２０,３(３):１８Ｇ２８．[１１]㊀H E H a o,WA N GS h u y a n g,WA N GS h i c h e n g,e t a l．A r o a d e x t r a c t i o nm e t h o d f o r r e m o t e s e n s i n g i m a g e b a s e d o ne n c o d e rＧd e c o d e r n e t w o r k[J]．J o u r n a l of G e o d e s y a n dG e o i n f o r m a t i o nS c i e n c e,２０２０,３(２):１６Ｇ２５．[１２]㊀L O N GJ,S H E L H AM E RE,D A R R E L L T．F u l l y c o n v oＧl u t i o n a ln e t w o r k sf o rs e m a n t i cs e g m e n t a t i o n[J]．I E E ET r a n s a c t i o n s o n P a t t e r n A n a l y s i s a n d M a c h i n eI n t e l l i g e n c e,２０１５,３９(４):６４０Ｇ６５１．[１３]㊀R O N N E B E R G E R O,F I S C H E R P,B R O X T．UＧN e t:C o n v o l u t i o n a l n e t w o r k s f o r b i o m e d i c a l i m a g e s e g m e n t a t i o n[C]ʊP r o c e e d i n g s o f t h e１８t h I n t e r n a t i o n a l C o n f e r e n c e o nM e d i c a l I m a g eC o m p u t i n g a n dC o m p u t e rＧA s s i s t e dI n t e rＧv e n t i o n．M u n i c h,G e r m a n y:S p r i n g e r,２０１５:２３４Ｇ２４１．[１４]㊀Z H A O H e n g s h u a n g,S H IJ i a n p i n g,Q IX i a o j u a n,e ta l．P y r a m i ds c e n e p a r s i n g n e t w o r k[C]ʊP r o c e e d i n g so f２０１７I E E EC o n f e r e n c e o nC o m p u t e rV i s i o n a n d P a t t e r nR e c o g n i t i o n(C V P R)．H o n o l u l u,H I,U S A:I E E E,２０１７:６２３０Ｇ６２３９．[１５]㊀L I N G u o s h e n g,M I L A N A,S H E N C h u n h u a,e t a l．R eＧf i n e N e t:m u l t iＧp a t hr e f i n e m e n tn e t w o r k s f o rh ig hＧr e s o l uＧt i o ns e m a n t i cs e g m e n t a t i o n[C]ʊP r o c e e d i n g s o f２０１７I E E EC o n f e r e n c e o nC o m p u t e rV i s i o n a n dP a t t e r nR e c o gＧn i t i o n(C V P R)．H o n o l u l u,H I,U S A:I E E E,２０１７:５１６８Ｇ５１７７．[１６]㊀崔卫红,熊宝玉,张丽瑶．多尺度全卷积神经网络建筑物提取[J]．测绘学报,２０１９,４８(５):５９７Ｇ６０８．D O I:１０．１１９４７/j．A G C S．２０１９．２０１８００６２．C U I W e i h o n g,X I O N G B a o y u,Z H A N G L i y a o．M u l t iＧs c a l ef u l l y c o n v o l u t i o n a l n e u r a l n e t w o r k f o rb u i l d i ng e x t r a c t i o n[J]．A c t aG e o d a e t i c a e tC a r t o g r a p h i c aS i n i c a,２０１９,４８(５):５９７Ｇ６０８．D O I:１０．１１９４７/j．A G C S．２０１９．２０１８００６２．[１７]㊀V A S WA N IA,S HA Z E E RN,P A RMA RN,e t a l．A t t e nＧt i o n i s a l l y o un e e d[C]ʊP r o c e e d i n g so f２０１７I E E E C o nＧf e r e n c e o nN e u r a l I n f o r m a t i o nP r o c e s s i ng S y s t e m s．[S．l．]:I E E E,２０１７．[１８]㊀WA N G X i a o l o n g,G I R S H I C KR,G U P T A A,e t a l．N o nＧl o c a l n e u r a l n e t w o r k s[C]ʊP r o c e e d i n g so f２０１８I E E E/C V FC o n f e r e n c e o nC o m p u t e rV i s i o na n dP a t t e r nR e c o g n i t i o n．S a l tL a k eC i t y,U T,U S A:I E E E,２０１８:７７９４Ｇ７８０３．[１９]㊀F UJ u n,L I UJ i n g,T I A N H a i j i e,e t a l．D u a l a t t e n t i o nn e tＧw o r k f o r s c e n e s e g m e n t a t i o n[C]ʊP r o c e e d i n g s o f２０１９I E E E/C V FC o n f e r e n c e o nC o m p u t e rV i s i o n a n dP a t t e r nR e c o g n i t i o n(C V P R)．L o n g B e a c h,C A,U S A:I E E E,２０１９:３１４１Ｇ３１４９．[２０]㊀T A O A,S A P R A K,C A T A N Z A R O B．H i e r a r c h i c a lm u l t iＧs c a l e a t t e n t i o n f o r s e m a n t i c s e g m e n t a t i o n[C]ʊP r o c e e d i n g so f２０２０I E E EC o n f e r e n c e o nC o m p u t e rV i s i o na n dP a t t e r nR e c o g n i t i o n．[S．l．]:I E E E,２０２０．[２１]㊀S U N K e,X I A OB i n,L I U D o n g,e t a l．D e e p h i g hＧr e s o l uＧt i o n r e p r e s e n t a t i o n l e a r n i n g f o rh u m a n p o s e e s t i m a t i o n[C]ʊP r o c e e d i n g s o f２０１９I E E E/C V FC o n f e r e n c eo nC o m p u t e rV i s i o na n d P a t t e r n R e c o g n i t i o n(C V P R)．L o n g B e a c h,C A,U S A:I E E E,２０１９:５６８６Ｇ５６９６．[２２]㊀Q I NX u e b i n,Z HA N GZ i c h e n,HU A N GC h e n y a n g,e t a l．U２ＧN e t:G o i n g d e e p e rw i t hn e s t e dUＧs t r u c t u r e f o r s a l i e n to b j e c t d e t e c t i o n[J]．P a t t e r nR e c o g n i t i o n,２０２０,１０６:１０７４０４．[２３]㊀L I U P e n g h u a,L I U X i a o p i n g,L I U M e n g x i,e t a l．B u i l d i n gf o o t p r i n t e x t r a c t i o n f r o m h ig hＧr e s o l u t i o n i m a g e s v i as p a t i a l r e s i d u a l i n c e p t i o n c o n v o l u t i o n a l n e u r a l n e t w o r k[J]．R e m o t eS e n s i n g,２０１９,１１(７):８３０．[２４]㊀F E N G W e n q i n g,S U IH a i g a n g,HU A L i,e t a l．B u i l d i n ge x t r a c t i o nf r o m V H R r e m o t e s e n s i ng i m a g e r y b yc o m b i n i n g a n i m p r o v ed de e p c o n v o l u t i o n a l e n c o d e rＧd e c o d e ra r c h i t e c t u r e a n dh i s t o r i c a l l a n du s ev e c t o rm a p[J]．I n t e rＧn a t i o n a lJ o u r n a l o f R e m o t e S e n s i n g,２０２０,４１(１７):６５９５Ｇ６６１７．[２５]㊀Z H U Q i n g,L I A OC h e n g,H U H a n,e t a l．M A PＧn e t:m u l t i p l ea t t e n d i n g p a t h n e u r a l n e t w o r k f o rb u i l d i n g f o o t p r i n te x t r a c t i o nf r o mr e m o t e s e n s e d i m ag e r y[J]．I E E ET r a n s a cＧt i o n s o nG e o s c i e n c ea n d R e m o t eS e n s i n g,２０２１,５９(７):６１６９Ｇ６１８１．[２６]㊀H E K a i m i n g,Z HA N G X i a n g y u,R E NS h a o q i n g,e t a l．D e e p r e s i d u a l l e a r n i n g f o r i m a g e r e c o g n i t i o n[C]ʊP r o c e e dＧi n g so f２０１６I E E E C o n f e r e n c eo n C o m p u t e r V i s i o na n dP a t t e r n R e c o g n i t i o n(C V P R)．L a s V e g a s,N V,U S A:I E E E,２０１６:７７０Ｇ７７８．[２７]㊀B I S H O PC M,H I N T O N G．N e u r a l n e t w o r k s f o r p a t t e r n r e c o g n i t i o n[M]．O x f o r d:O x f o r dU n i v e r s i t y P r e s s,１９９５．[２８]㊀MA G G I O R IE,T A R A B A L K A Y,C HA R P I A TG,e t a l．C a ns e m a n t i c l a b e l i n g m e t h o d s g e n e r a l i z e t oa n y c i t y t h ei n r i a a e r i a l i m a g e l a b e l i n g b e n c h m a r k[C]ʊP r o c e e d i n g so f２０１７I E E EI n t e r n a t i o n a lG e o s c i e n c ea n d R e m o t eS e n s i n gS y m p o s i u m(I G A R S S)．F o r t W o r t h,T X,U S A:I E E E,２０１７:３２２６Ｇ３２２９．(责任编辑:张艳玲)收稿日期:２０２０Ｇ１０Ｇ１４修回日期:２０２１Ｇ０７Ｇ２１第一作者简介:张玉鑫(１９９７ ),女,硕士,主要研究方向为语义分割和建筑物提取.F i r s t a u t h o r:Z H A N GY u x i n(１９９７ ),f e m a l e,p o s t g r a d uＧa t e,m a j o r si ns e m a n t i cs e g m e n t a t i o na n d b u i l d i n g e xＧt r a c t i o n．EＧm a i l:z h a n g y u x i n_w h u＠w h u．e d u．c n通信作者:邓非C o r r e s p o n d i n g a u t h o r:DE N GF e iEＧm a i l:f d e n g＠s g g．w h u．e d u．c n４４１。

基于高分辨率遥感影像的地物提取方法

基于高分辨率遥感影像的地物提取方法地物提取是遥感技术在GIS领域中非常重要的应用之一。

基于高分辨率遥感影像的地物提取方法，通过对地物特征进行分析和分类，可以准确地提取出影像中的不同地物类型，为城市规划、环境监测、资源管理等提供有力的支持和指导。

本文将探讨几种常见的基于高分辨率遥感影像的地物提取方法，分别是数学形态学方法、目标检测方法和深度学习方法。

1. 数学形态学方法数学形态学是一种基于形状和结构的图像处理方法。

在地物提取中，数学形态学方法可以通过对图像进行形态学滤波、重建和形态学变换来实现地物的提取。

其中，形态学滤波可以去除噪声和平滑图像，形态学重建可以将图像中的目标进行填充和重建，形态学变换则可以将地物与背景进行分离。

数学形态学方法在处理遥感影像时，能够有效地提取出不同颜色、形状和大小的地物，具有较好的鲁棒性和稳定性。

2. 目标检测方法目标检测是一种通过分析图像中的目标特征，将其与背景区分开的方法。

在地物提取中，目标检测方法可以根据地物的纹理、形状、颜色等特征，通过采用阈值分割、边缘检测等算法来提取地物。

常见的目标检测方法包括K-means聚类算法、SVM分类器、随机森林等。

这些方法能够对遥感影像中的不同地物类型进行分类和提取，但对于复杂的地物类型和背景干扰较多的情况，提取效果有一定的限制。

3. 深度学习方法深度学习是一种基于神经网络的机器学习方法，近年来在遥感影像处理中得到广泛应用。

深度学习方法可以通过构建卷积神经网络（CNN）来实现地物的提取。

通过训练大量的遥感影像数据，使得神经网络能够自动学习地物的特征和规律，从而实现地物的准确提取。

相比于传统的方法，深度学习方法具有更高的准确率和鲁棒性，可以提取出更复杂、细节更丰富的地物。

综上所述，基于高分辨率遥感影像的地物提取方法包括数学形态学方法、目标检测方法和深度学习方法。

在实际应用中，可以根据具体的需求和数据特点选择适合的方法进行地物提取。

数学形态学方法具有较好的鲁棒性和稳定性，在处理简单地物时效果较好。

高分辨率遥感影像的地物提取

高分辨率遥感影像的地物提取随着现代科技的发展，高分辨率遥感影像的应用越来越广泛，除了科研和监测用途，它还广泛应用于城市规划、自然资源管理、气候变化监测、国土安全等领域。

在遥感影像中，地物提取是一项重要的任务，该任务旨在从遥感影像中自动或半自动地提取感兴趣的地物，如建筑物、道路网络、森林等。

本文将探讨高分辨率遥感影像的地物提取技术。

一、遥感影像与地物提取遥感影像是指使用高分辨率卫星、航空器或无人机拍摄的图像，可以提供广阔的范围和多光谱相交的信息。

遥感影像可以捕捉地表的不同特征，如植被、土壤、建筑物等。

然而，遥感影像并不直接提供地物信息，因此需要对遥感影像进行地物提取。

地物提取是从遥感影像中自动或半自动地识别和提取地物的过程。

它是实现遥感应用的重要基础，如土地利用、资源管理、环境研究等。

在过去，地物提取主要基于人工解释和数字化，随着计算机技术的进步和遥感数据量的增加，由算法自动或半自动地提取地物的方法得到广泛应用。

二、高分辨率遥感影像的地物提取方法高分辨率遥感影像相对于低分辨率遥感影像存在较大差异，因此其地物提取方法也有所不同。

通常，高分辨率遥感影像的地物提取方法主要分为基于像素和基于对象两种。

1. 基于像素的地物提取基于像素的地物提取方法通常将像素分类为地物和非地物，其步骤包括：1）特征提取：通常采用灰度、纹理、形状、方向、局部二值模式等特征提取方法。

2）分类方法：包括二元分类和多元分类。

二元分类通常采用最大似然估计、支持向量机等方法。

多元分类可以使用决策树、随机森林等方法。

基于像素的地物提取方法的优点是运算速度快，可以提防噪声和光照等干扰因素，缺点是无法对地物形状和空间分布进行准确的提取。

2. 基于对象的地物提取基于对象的地物提取方法通常将遥感影像分割成不同的对象，再将对象分类为地物和非地物，其步骤包括：1）图像分割：通常采用区域生长、标度空间分割等方法将遥感影像分割成不同的对象。

2）特征提取：通常采用形状、纹理、对称性、光谱等特征提取方法。

关于城市建筑物提取方法的研究

关于城市建筑物提取方法的研究摘要：建筑物是城市的主要组成部分，是城市化建设的主要地物特征, 也是地理库中最容易发生变化和更新的部分, 更是城市化建设不断发展的重要体现。

虽然城市的占地面积仅占地球总面积的极少数，但是随着人口的增长，城市化的进程越来越快，城市建筑物的数量也在急剧上升，因此对建筑物的分析也占据了越来越重要的地位。

关键字：城市建筑物提取方法优化随着时间的变迁，科技的发展，遥感技术已经运用到了生活中的各个领域，遥感技术有很多优点，包括获取的数据量大，获取数据的范围大，获取数据的便利等等。

城市遥感技术主要涵盖了四个方面，有植被、水体、建筑物、道路。

而城市建筑物是城市的重要组成部分，是人类生产、生活最重要的场所, 也是城市布局、管理的重要组成部分，建筑物信息又与人类的生存息息相关，所以对建筑物信息的提取就显得尤为重要了，因为提取的建筑物信息可以在很多领域都发挥重要的意义。

一、城市建筑物的提取方法第一种分类方法：针对高分辨率城市建筑物提取，可以根据原理的不同分为以下三类：面向对象、基于特征和结合辅助信息。

（一）面向对象的方法。

面向对象分类方法是一种影像自动分析方法,是由多个像元组成的像元群,目标对象比单个像元分析更具有意义。

面向对象的方法主要包括分割影像、设计特征、提取建筑这三个步骤。

分割影像就是按照特定的算法对影像进行分割，得到对象后，将其是作为后续过程中的最小分析单元。

设计特征和提取建筑物是分割后的提取步骤。

（二）基于特征的方法基于特征的方法即利用建筑物本身的几何、纹理、光谱等特征进行城市建筑物提取。

基于边缘特征的主要原理是:在高分辨率遥感影像上，地物的边缘特征比较明显，通过边界灰度值的跳变检测出边缘后，进行建筑物的提取。

基于角点方法的主要原理是:矩形建筑物通常具有明显的的角点信息，因此很多研究者利用建筑物的角点特征对其进行初步的定位。

基于特征的方法主要依靠建筑物的一个或多个特征进行城市建筑物提取，该方法的鲁棒性较差。

遥感卫星影像-建筑物提取方案

8.1建筑物提取意义高分辨率遥感影像中的建筑物提取对违建监测、城区自动提取、地图更新、城市变化监测、城市规划、三维建模、数字化城市建立等应用具有重要意义。

高分辨率遥感影像在提高地物光谱特征，突出地物结构、纹理和细节等信息的同时，也因为卫星观测角度问题造成地物遮挡，尺度的增大带来了严重的异物同谱问题，同时增加了影像的噪声，因而限制了建筑物提取的精度，使得目视解译方法仍然是最普遍使用的判读方法，它费时费力、精度难以保证的缺点严重制约了高分辨率遥感影像的大规模应用，造成影像数据的极大浪费。

深度学习是人工智能中机器学习发展的新阶段，有效的解决了对复杂对象特征的刻画和复杂场景的关联分析等问题。

面向高分辨率遥感影像建筑物提取的深度学习方法，可以自动提取建筑物的特征信息，实现高精度高效率的建筑物提取。

8.2建筑物提取数据需求为保证建筑物提取的精度，遥感影像的空间分辨率要求做0.5米以上，至少包括R、G、B 三个波段，包括但不限于WorldView-2遥感卫星数据、中国高景一号遥感卫星数据。

8.3建筑物提取方骤1.标记样本需求分析标记数据的数量和质量是决定最终提取的建筑物产品精度的关键因素。

深度学习算法是一种以数据为驱动的算法，在遥感大数据的环境下，利用深度学习算法实现建筑物高精度提取，首先要保证标记样本数据的数量、质量以及在空间上分布的合理性和对目标地物的代表性。

此外，深度学习算法能够根据训练样本自主学习目标地物的光谱和结构特征，无需对影像进行定量化处理，有效地保留了影像细节信息。

与传统样本库不同，深度学习算法要求样本库中样本的每个像素均具有一个独立的标号，且样本库的精度直接影响深度学习算法的精度。

因此，需设计准确、完善的标记数据样本库。

样本库的设计主要考虑标记样本的空间分布、时间分布、数据源、样本数量等影响因素。

2.基于目视解译的样本标记规范与流程设计深度学习模型的本质上是通过对先验知识的学习来实现对未知信息进行判定的算法。

高分辨率影像建筑物提取方法对比

2020年10期方法创新科技创新与应用Technology Innovation and Application高分辨率影像建筑物提取方法对比秦梦宇1，赵赫2（1.兰州大学资源环境学院，甘肃兰州730000；2.东北大学资源与土木工程学院，辽宁沈阳110819）随着技术的发展，遥感影像空间分辨率不断提高，高分辨率影像的细节信息越来越显著。

传统的基于像元的信息提取方法，偏重于地物的光谱特征，而忽略了例如几何、纹理、上下文等特征，已经不能满足信息提取的精度要求。

近年来，不少学者对基于对象[1-2]的方法进行了广泛研究，证明了该方法从高分辨率影像中提取地物信息的有效性。

与此同时，机器学习和数据挖掘广泛地应用到了影像信息提取中，其中J48算法[3]与随机森林算法[4]最为普遍，本文以瑞典斯德哥尔摩为例，对比这两种算法在World -View-2影像建筑物提取中的效果。

1数据准备研究区地处瑞典的东海岸斯德哥尔摩，斯德哥尔摩所在纬度：59°18'00.00"N ，所在经度：18°10'00.00"E 。

本实验数据采用Wordview-2影像，数据获取日期为2016年8月27日，多光谱波段空间分辨率为2米，研究区大小为1024×1024个像元。

实验首先在ENVI5.3中对数据进行了预处理，获得了地表反射率。

2研究方法2.1决策树J48算法J.Ross Quinlan 对ID3算法进行了改进，提出了C4.5算法。

除了继承了ID3算法的所有功能以外，决策树C4.5算法还可以利用信息增益率来选择属性，合并具有连续属性值、处理含有未知属性值的训练样本等。

C4.5算法是对ID3算法的最大改进之处是对信息增益率的引入。

属性选择时利用信息增益率，对连续属性实现离散化处理，将知识表示为决策树的形式，并最终生成规则。

信息增益率[5]的计算公式如下：GainRatio=I （C ，V ）/H （V ）计算出信息增益率后，将最高信息增益率所对应的属性作为根节点，然后向下递归建树最终形成产生式规则。

高空间分辨率遥感影像建筑物提取方法综述

高空间分辨率遥感影像建筑物提取方法综述张庆云;赵冬【期刊名称】《测绘与空间地理信息》【年(卷),期】2015(38)4【摘要】Building extraction from high resolution remote sensing images was very important for the cities spatial database updates, urban dynamic monitoring and building“smart city”.This paper describes the characteristics of the buildings in high resolution remote sensing images, and then introduces the four main building extraction methods, such as multi-scale segmentation extraction method, based on the edge and corner detecting and matching extraction method;based on region segmentations extraction method, and the ex-traction method that combination mathematical tools or new theories, discussed the research progress and the advantages and disadvan-tages of each method, summarized the problem should be solved and research trends on the building extraction.Have an outlook for the research prospects of the building extraction from high resolution remote sensing images, think that we can extract building from multiple sources or multi-temporal data and boundary edge detection and the supporting role of the shadow to improve the accuracy of building extraction, to improve the accuracy of building extraction and the utilization of high resolution of remote sensing images.%高空间分辨率光学遥感影像中建筑物的提取对城市空间数据库的更新、城市动态监测以及建设“智慧城市”等方面具有极其重要的意义。

结合高分辨率DOM和DSM数据的建筑物提取方法

结合高分辨率DOM和DSM数据的建筑物提取方法
葛荣存;赵强;汪李娜;佘江峰
【期刊名称】《信息技术与信息化》
【年(卷),期】2023()1
【摘要】建筑物是城市的重要组成部分,从遥感影像中提取建筑物信息在众多领域具有重要意义。

采用基于对象思想,综合利用数字正射影像(digital orthophoto map,DOM)和数字表面模型(digital surface model,DSM)数据的各自优势,通过对比不同植被指数的提取效果,选择绿叶指数提取和剔除植被干扰信息。

利用多尺度
分割和区域合并算法将影像分割成同质性较高的影像对象,依据地面对象面积较大、矩形度较低的特征,提取地面区域。

以2 m为高度阈值,剔除绝大多数非建筑物,并
采用最邻近分类方法进一步剔除非建筑物,优化建筑物提取结果。

以江苏镇江典型
区域为试验区进行了验证,结果表明该方法能够有效区分浅蓝色屋顶与绿色植被,实
现了较高精度的建筑物提取。

【总页数】4页(P62-65)
【作者】葛荣存;赵强;汪李娜;佘江峰
【作者单位】南京大学地理与海洋科学学院
【正文语种】中文
【中图分类】TP3
【相关文献】
1.从DSM数据中自动提取建筑物的方法研究
2.基于高分辨率DSM和遥感影像的建筑物提取
3.基于DSM的城市建筑物高度提取方法的研究
4.融合无人机高分辨率DOM和DSM数据语义的崩岗识别
5.利用机载三维成像仪的DSM数据自动提取建筑物
因版权原因，仅展示原文概要，查看原文内容请购买。

基于Landsat8 OLI数据提取石河子市建筑用地的一个新方法

基于Landsat8 OLI数据提取石河子市建筑用地的一个新方法随着经济的发展和人口的增加，城市建设用地的需求越来越大。

建筑用地的合理规划和管理对城市的可持续发展至关重要。

而高分辨率的遥感影像数据能够提供城市建设用地信息的快速获取和更新，因此成为研究城市建设用地的重要途径之一。

一、数据获取和预处理我们需要获取石河子市的Landsat8 OLI影像数据。

Landsat8 OLI卫星数据具有30米的空间分辨率和11个波段的遥感信息，覆盖了从可见光到红外波段的大量数据。

在获取影像数据后，需要进行预处理，包括影像镶嵌、辐射定标、大气校正和几何定位等，确保数据的质量和一致性。

二、建筑用地提取方法1. 影像分类基于Landsat8 OLI数据进行影像分类是提取建筑用地的关键步骤。

传统的分类方法包括最大似然法、支持向量机和随机森林等。

这些方法都可以通过对遥感影像数据进行训练和分类来提取建筑用地信息。

最近兴起的深度学习方法，如卷积神经网络（CNN）、循环神经网络（RNN）等，也被证明在遥感影像分类中具有很高的效果。

2. 特征提取和融合在进行影像分类的需要对建筑用地的特征进行提取和融合。

建筑用地在Landsat8 OLI 影像中通常表现为高度亮度和纹理细密的区域。

利用光谱特征、空间结构特征和纹理特征等，可以更加准确地提取建筑用地信息。

3. 高精度验证完成建筑用地的提取后，需要进行高精度验证和精度评价。

传统的验证方法包括人工验证和实地调查，然而这些方法费时费力，而且难以覆盖整个研究区域。

近年来，利用高分辨率遥感影像数据和地理信息系统（GIS）技术，结合空间统计分析和精度评价方法，可以更加全面地评估建筑用地提取的准确性和可信度。

三、结果分析和应用通过以上方法，我们可以提取出石河子市的建筑用地信息。

进一步对建筑用地信息进行空间分布和变化分析，可以为城市规划和管理提供重要的决策支持。

通过对建筑用地的分布、密度和规模进行分析，可以了解城市建设用地的发展趋势和需求状况，为城市规划和土地利用优化提供科学依据。

基于高分辨率遥感影像的城市建筑目标提取研究

西城市建筑目标提取研究
韩权卫 ①，越 ②，孙龚威平②
（国家测绘局地图技术审查中心，京１０４；住房和城乡建设部城乡规划管理中心，京１０３） ① 北００８② 北０８５
Ｋｅｒｓｕｂｎｃｎｔｕｔｎｏｊｃｓｈｇｅｏｕｉｎｒｍｏｅｓｎｉｇｉｇ；ｂｅｔｄｏｉｎｅｔｏ；ｈｍａｉｉｆｒｔｎｄｔｙｗｏｄ：ｒａｏｓｒｃｉｂｅｔ；ｉｈｒｓｌｔｅｔｅｓｏｏｎｍａｅｏｊｃｅ－ｒｔｄｍｅｈｄｔｅｔｏｍａｉａａｅｃｎｏ
ｕｂｎｃｎｔｕｔｏｓａｄｏｊｃ－ｒｅｔｄｍｅｈｄｃｍｂｎｄｔｅｔｃｉｆｒｔｎｏｒａｌｎｉｇｗｅｅｕｅ．ｔｐｏｅｈｔｔｅｒａｏｓｒｃｉｎｎｂｅｔｏｉｎｅｔｏ，ｏｉｅｈｍａｉｎｏｍａｉｆｕｂｎｐａｎｎｒｓｄＩｒｖｄｔａｈｏ
ＡｂｔａｔＴｈｓｐｐｒｉｔｏｕｅｎｅｐｒｅｔｉ．ｉｈｔｅａｒｏｔｂｇｐｂｉｏｓｒｃｉｎｎｅｇａｍｓａｅｅｔａｔｄｓｒｃ：ｉａｅｎｒｄｃｓａｘｅｉｎｗｈｃｈｉｐｒ，ｉｕｌｃｎｔｕｔｏｓａｄｓｗａｅｆｒｒｘｒｃｅｍｎｃｂｓｄｏｈｉｈｓａｉｌｅｏｕｉｎｒｍｏｅｓｎｉｇｉｇｏｅ１Ｉｒｃｓｉｇ，ｈｐｃｒｌｎｈｐｅｔｒｓｏｈｈｅａｅｎｔｅｈｇｐｔａｓｌｔｅｔｅｓｎｍａｅＧｅＥｙ－．ｎｐｏｅｓｎｔｅｓｅｔａｄｓａｅｆａｕｅｆｔｅｔｒｅｒｏａ

遥感卫星影像-建筑物提取方案

深度学习是人工智能中机器学习发展的新阶段，有效的解决了对复杂对象特征的刻画和复杂场景的关联分析等问题。

面向高分辨率遥感影像建筑物提取的深度学习方法，可以自动提取建筑物的特征信息，实现高精度高效率的建筑物提取。

8.3建筑物提取方骤1.标记样本需求分析标记数据的数量和质量是决定最终提取的建筑物产品精度的关键因素。

此外，深度学习算法能够根据训练样本自主学习目标地物的光谱和结构特征，无需对影像进行定量化处理，有效地保留了影像细节信息。

与传统样本库不同，深度学习算法要求样本库中样本的每个像素均具有一个独立的标号，且样本库的精度直接影响深度学习算法的精度。

因此，需设计准确、完善的标记数据样本库。

样本库的设计主要考虑标记样本的空间分布、时间分布、数据源、样本数量等影响因素。

2.基于目视解译的样本标记规范与流程设计深度学习模型的本质上是通过对先验知识的学习来实现对未知信息进行判定的算法。

高频遥感影像的建筑物提取算法研究

高频遥感影像的建筑物提取算法研究摘要：高频遥感影像的建筑物提取是遥感图像处理领域的重要研究方向之一。

本文对高频遥感影像的建筑物提取算法进行了深入研究和探讨。

主要关注基于像素级和基于特征的建筑物提取方法，通过对不同算法的实验比较，分析了其优缺点，对未来的研究方向进行了展望。

一、引言高频遥感影像的建筑物提取是解决城市规划、环境监测和灾害预警等重大问题的基础。

传统的人工提取方法耗时且精度有限，因此，研究开发一套自动化高效的算法来提取建筑物成为迫切需求。

二、建筑物提取算法比较基于像素级的建筑物提取算法主要将遥感图像转化为二值图像，通过像素级的处理方法来区分建筑物和非建筑物。

常用的算法包括阈值分割、形态学操作、颜色和纹理特征分析等。

不同算法在不同场景和数据集上表现出不同的优势和局限性。

基于特征的建筑物提取算法则关注分析遥感影像中与建筑物相关的特征，通过机器学习、图像处理和模式识别等技术实现建筑物的自动提取。

这些特征包括纹理、边缘、角点、匹配特征、红外辐射等。

这些算法大大提高了建筑物提取的准确性和效率。

三、高频遥感影像的建筑物提取算法研究进展1. 基于像素级的建筑物提取算法研究(1) 阈值分割算法：通过设定合适的阈值将图像转化为二值图像，然后利用形态学操作进行形状分析和区域连接，最终得到建筑物位置。

(2) 形态学操作算法：通过膨胀、腐蚀、开操作和闭操作等形态学操作，提取目标建筑物的形状信息。

(3) 颜色和纹理特征分析算法：利用建筑物在遥感影像中的颜色和纹理特征，通过图像分割和分类算法来识别建筑物。

2. 基于特征的建筑物提取算法研究(1) 基于机器学习的建筑物提取算法：使用监督学习或无监督学习方法，通过训练建立建筑物识别模型，实现自动提取。

(2) 基于图像处理的建筑物提取算法：利用边缘检测、角点检测、匹配特征提取等图像处理技术，提取建筑物的边界和线条特征。

(3) 基于模式识别的建筑物提取算法：通过对遥感影像进行特征提取和模式匹配，实现建筑物的快速准确提取。

卫星遥感影像建筑物信息提取新方法

卫星遥感影像建筑物信息提取新方法近年来，随着卫星遥感技术的不断发展，利用卫星遥感影像进行建筑物信息提取已成为地理信息科学领域的研究热点之一。

传统的建筑物信息提取方法往往依赖于人工解译和手工标注，工作量大，效率低，并且易受主观因素影响。

因此，研究新的方法来自动化提取建筑物信息对于提高效率、降低成本具有重要意义。

一种新的方法是利用深度学习技术进行建筑物信息提取。

深度学习是一种模仿人脑的神经网络算法，通过训练数据自动学习特征和规律。

深度学习在计算机视觉领域取得了巨大的成功，并被广泛应用于目标检测和图像分类等任务中。

在建筑物信息提取中，深度学习可以通过训练大量的遥感影像样本，自动提取建筑物的特征，并完成建筑物的边界提取、分类和定位等任务。

相比传统方法，利用深度学习进行建筑物信息提取可以减少人工干预，提高准确性和效率。

另一种新的方法是基于卫星遥感影像的多源数据融合。

卫星遥感影像的分辨率有限，难以直接提取细小或隐藏在高层建筑中的建筑物信息。

为了解决这一问题，研究人员将卫星遥感影像与其他数据源，如激光雷达数据或地面摄影数据进行融合。

多源数据融合可以提供更多维度的信息，丰富建筑物信息的特征。

例如，激光雷达数据可以提供建筑物的高度信息，地面摄影数据可以提供建筑物的外观信息。

通过将这些数据融合起来，可以更准确地提取建筑物的边界、高度和类型等信息。

此外，基于卫星遥感影像的深度学习方法与多源数据融合方法可以相互配合，形成一种新的综合方法。

例如，可以在深度学习的基础上进一步引入激光雷达数据或地面摄影数据，通过多源数据的融合提取建筑物的更详细信息。

这种综合方法可以充分利用不同数据源的优势，提高建筑物信息提取的准确性和效率。

此外，随着卫星遥感技术的进一步发展，高分辨率遥感影像的获取将变得更加容易。

高分辨率遥感影像可以提供更清晰、更详细的建筑物信息，为建筑物信息提取新方法的研究提供了更好的数据基础。

同时，随着云计算和大数据技术的发展，处理大规模遥感影像数据的能力也得到了显著提升。

基于高分辨率遥感影像的建筑物轮廓信息提取

当前您的位置：首页 >> 国土信息资源 >> 国土资源信息化>> 正文
关键词：
范围：
标题内容高级搜索
基于高分辨率遥感影像的建筑物轮廓信息提取
发布日期：2009-07-03 09:27:08 浏览数：字号:〖大中小〗
推荐新闻
·金坛“金土地”联动窗口.. ·常州坚持“四个确保”，.. ·新北国土系统对不良作风.. ·全国矿业权实地核查技术.. ·找准突破口抓好着力点 ·省国土资源厅领导首次出.. ·全省耕地保护暨基本农田.. ·全省土地登记人员上岗资.. ·全省国土资源执法监察管.. ·常州市龙汤温泉地热探采..
现有的一些研究大多集中在比较规则和特征明显的建筑物，通用性较差，而且当建筑物比较密集时提取的效果一般。鉴于这些原因，本文选用人工建筑物密集的大学校园为本次研究的典型试验区，以Quickbird（快鸟）为基础数据源，运用图像图形处理和分析、模式识别技术、现代计算机技术，设计了一套从单时相高分辨率遥感影像上快速提取建筑物二维轮廓信息的技术方案。
/html/gtxxzy_gtzyxxh/2009-7-3/0973927849643182.html
2011/7/5
基于高分辨率遥感影像的建筑物轮廓信息提取 __常州市国土资源局
页码，3/4
3.6区域标识
区域标识是进行独立区域的特征量测和统计处理的关键步骤。经过初步分割，二值图像被分为一系列区域，为了进一步区分建筑物目标区域与噪声区域，需要对图像中所有独立区域进行标识，然后才能够进行区域的特征测量，提取建筑物目标。区域标识的基本思想是：第一从图像的某一位置出发，逐一像素进行扫描，对于同一行中不连通的行程（灰度相同）标上不同的号，不同的列也标上不同的号；第二是逐次扫描全图，如果两个相邻的行（列）中有相连通的形成则下行（列）的号改为上行（列）的号；第三是对标记的号进行排列，则可得到图像中不连通区域的标识序列。得到了图像中目标区域的标识序列，就可以对每一个感兴趣目标进行特征量测。

建筑物提取流程

建筑物提取流程下载温馨提示：该文档是我店铺精心编制而成，希望大家下载以后，能够帮助大家解决实际的问题。

文档下载后可定制随意修改，请根据实际需要进行相应的调整和使用，谢谢!并且，本店铺为大家提供各种各样类型的实用资料，如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等，如想了解不同资料格式和写法，敬请关注!Download tips: This document is carefully compiled by the editor. I hope that after you download them, they can help yousolve practical problems. The document can be customized and modified after downloading, please adjust and use it according to actual needs, thank you!In addition, our shop provides you with various types of practical materials, such as educational essays, diary appreciation, sentence excerpts, ancient poems, classic articles, topic composition, work summary, word parsing, copy excerpts,other materials and so on, want to know different data formats and writing methods, please pay attention!建筑物在城市规划和土地利用中扮演着重要的角色，因此建筑物提取流程成为了许多领域研究的焦点之一。

使用遥感影像进行建筑物提取的技术指南

使用遥感影像进行建筑物提取的技术指南引言：建筑物提取是遥感影像处理中的重要任务之一。

准确地提取建筑物信息可以帮助城市规划、环境监测以及灾害评估等方面的工作。

本文将为读者介绍使用遥感影像进行建筑物提取的技术指南，包括数据采集、数据预处理、影像分类等方面的内容。

一、数据采集数据采集是建筑物提取的基础步骤。

应选择具有高空间分辨率和多光谱信息的遥感影像。

目前，常用的遥感影像数据包括航空影像和卫星影像。

航空影像拍摄于飞机上，通常具有较高的空间分辨率，适用于小区域的建筑物提取；卫星影像拍摄于卫星上，覆盖范围广，适用于大范围的建筑物提取。

合理选择数据采集时间也是至关重要的，光照条件良好的天气可以提供更清晰的影像，有利于建筑物提取的准确性。

二、数据预处理数据预处理是建筑物提取的关键步骤之一。

在进行影像分类之前，需要对原始影像进行一系列的预处理操作，以提高建筑物提取的准确性。

首先，进行大气校正以消除大气光遮蔽，常用的方法有Dark Object Subtraction (DOS)和QUick Atmospheric Correction (QUAC)。

其次，进行影像增强操作，如直方图均衡化和运动模糊去除等。

最后，进行影像配准和投影转换，以确保不同遥感影像的一致性。

三、影像分类影像分类是建筑物提取的核心步骤。

根据建筑物的特征，常用的分类方法有基于阈值的分类和基于机器学习的分类。

基于阈值的分类方法根据像素的灰度值进行分类，适用于具有明显灰度差异的建筑物提取。

基于机器学习的分类方法采用统计学和模式识别的方法，通过训练样本对影像进行分类，适用于复杂场景下的建筑物提取。

常用的机器学习算法包括支持向量机(SVM)、随机森林(Random Forest)等。

根据实际情况选择适当的分类方法，并进行参数调优，以提高建筑物提取的准确性。

四、后处理后处理是建筑物提取的最后一步。

在影像分类之后，建筑物提取结果可能存在误差和噪声。

因此，需要进行一些后处理操作，如形态学处理、边缘滤波等。

基于卫星遥感影像的城市建筑物分类提取研究

基于卫星遥感影像的城市建筑物分类提取研究摘要遥感技术是根据电磁波的理论，应用各种传感仪器对远距离目标所辐射和反射的电磁波信息，进行收集、处理，并最后成像，从而对地面各种景物进行探测和识别的一种综合技术。

作为空间地理信息系统建设的一种有效方法，在智慧城市建设中发挥着重要作用。

文章通过应用遥感影像进行城市建筑物自动化分类提取方法的研究，为相关技术应用于智慧城市建设提供参考。

关键词：智慧城市；遥感影像；建筑物；自动化提取1.研究背景随着经济社会的高速发展，城市面貌也在发生着巨大的变化，为了更科学有效的进行城市规划、建设和管理，城市建设管理部门需要及时掌握城市建设变化情况。

在远程遥感观测技术出现之前，人们主要通过工程测量等方法来收集城市信息，进行城市规划与管理。

卫星遥感技术以其大范围、快速准确获取地面信息的优越性，越来越广泛应用于土地利用、城市规划与管理等领域。

在智慧城市建设中，对于建筑物的识别提取是极其重要的，如何识别建筑物从而更好的分类和提取也直接关系到建筑物提取的自动化程度。

此外，由于城市建设的不断发展，城市建筑物不断更新变化，因此，对建筑物进行有效的识别与提取是一个非常关键的问题，找到一种准确高效且自动化的高分遥感建筑物提取方法来替代人工方式具有重要意义。

2.研究现状目前的建筑物提取主要是通过利用图像特征信息来进行图像建筑物的识别以及提取。

这些年来，国内外的很多学者都专注于对遥感影像建筑物进行精确识别，以及在影像上提取出建筑物等信息的研究，并且提出了很多的方法和理论，也取得了一定的成果。

比如利用建筑物的位置关系对相似的建筑物进行过滤，最后通过图割算法实现对建筑物的精确提取；过Mask R-CNN算法来实现对建筑物的矢量提取；通过人工提取的方法对房屋进行提取，从而实现对建筑物房屋位置、范围等的初步自动化提取等。

在国外，Janja Avbelj and Rupert Muller提出了一种新的彩色高分辨率遥感图像建筑物提取方法。

遥感影像提取建筑物高度的方法

经查询遥感影像头文件ＰＲＢ可得太阳高度角以及卫星高度角，图中建筑物阴影在直线方向的长度可通过Ａｒｃｇｉｓ中的计算得到，带人公式（１）计算可得，此建筑物高度约为４９米，经实地测量，该处建筑物实际高
度约为４８米。
使用该方法，经过多处建筑物高度的计算，与实际值对比后误差基本控制在ｌｍ以内，基本符合城市防
础。
（２）本文在阴影的提取方法上运用了基于样本的计算机分类法。该法的特点在于过程简易明了，可以对不同区域的阴影特征进行区分处理，并适当结合人工识别，保证了识别的精度和灵活性。（３）在阴影长度的计算方法上，提出运用阴影矢量本身来分割阴影投射方向直线的方法。该法避免了大量参数的运用，在缺乏相关遥感图像参数的情况下可以快速确定阴影的长度。参考文献：
收稿日期：２０１２－０９．１０基金项目：国家“ 十二五” 科技支撑计划资助项目（２０１１ＢＡＫ０７Ｂ０１ — ０４）
第２期
李嘉良，等：遥感影像提取建筑物高度的方法
１２５
图８用矢量图分割直线
图９分割后的结果
和可见阴影长度之间的公式为：
日＝Ｌ２ ×ｔａｎａ×ｔａｎｌｆ／（ｔａｎ —ｔａｒ）（１）
如图ｌｂ，当太阳和卫星的方位相反，即太阳和卫星位于建筑物的两侧时，建筑物阴影的实际长度｜ｓ和遥

《基于高分遥感影像和DSM数据的建筑物提取方法研究》范文

《基于高分遥感影像和DSM数据的建筑物提取方法研究》篇一一、引言随着遥感技术的快速发展，高分遥感影像和数字表面模型（DSM）数据在地理信息科学、城市规划、建筑测量等领域得到了广泛应用。

这些数据能够提供高精度的地理信息，对建筑物进行提取与分析具有重大意义。

本文旨在研究基于高分遥感影像和DSM数据的建筑物提取方法，为相关领域的研究与应用提供理论支持。

二、高分遥感影像的获取与处理高分遥感影像具有高分辨率、多光谱等特点，能够为建筑物提取提供丰富的信息。

首先，我们需要通过遥感平台获取高分辨率的遥感影像。

然后，对影像进行预处理，包括辐射定标、大气校正等步骤，以提高影像的质量。

接着，利用图像分割技术将影像分割成若干个区域，以便于后续的建筑物提取。

三、DSM数据的获取与处理DSM数据是通过激光雷达、立体像对等技术获取的地表高程数据。

在建筑物提取过程中，DSM数据能够提供地物的三维信息，有助于区分建筑物与周围环境。

首先，我们需要获取包含研究区域的DSM数据。

然后，对DSM数据进行滤波、分类等处理，以提取出建筑物的三维形态。

四、建筑物提取方法研究基于高分遥感影像和DSM数据的建筑物提取方法主要包括以下步骤：1. 特征提取：利用图像处理技术从高分遥感影像中提取建筑物的颜色、纹理、形状等特征。

同时，结合DSM数据提取建筑物的三维特征。

2. 分类与识别：采用机器学习、深度学习等方法对提取的特征进行分类与识别，以区分建筑物与周围环境。

其中，可以结合遥感影像的光谱信息、DSM数据的高程信息等多元数据进行分类。

3. 建筑物三维模型构建：根据分类与识别的结果，结合DSM 数据，构建建筑物的三维模型。

这一步骤可以利用三维建模技术，如表面重建、纹理映射等，使建筑物模型更加真实、精细。

4. 建筑物提取结果优化：对提取的建筑物结果进行后处理，包括去除噪声、填补空洞、平滑表面等操作，以提高建筑物的提取精度。

五、实验与分析为了验证基于高分遥感影像和DSM数据的建筑物提取方法的有效性，我们进行了实验。