基于多尺度多特征的高空间分辨率遥感影像建筑物自动化检测

图1 本文算法流程图

Fig.1 Flow chart of proposed algorithm

本文算法主要由3部分组成:

1)对高分影像进行高斯降采样构建影像金字塔。

2)超像素分割及多尺度窗口下的多种特征值提取,包括边缘密度和边缘分布、主方向正交性、亮度和色彩反差,以及基于超像素分割结果的目标完整性等; 通过多尺度多特征融合计算目标显著性得分,并进行局部非极大值抑制得到显著图。

3)计算超像素的显著性均值,并通过Otsu算法^[11]求取自适应阈值,进一步设置长宽比等约束条件,自动检测建筑物。

1.1 构建影像金字塔

建筑物在高分影像中的大小、位置和朝向等都有很大的区别,仅用一个尺度,很难将不同大小的建筑物检测出来。因此本文算法首先通过高斯卷积核对高分影像做降采样,得到一个空间分辨率逐级递减的图像序列 ${M_{L}, M_{L - 1}, \dots \dots, M_{0}}$ 组成的影像金字塔,即

(1)

G_{(n + 1)} (i, j) = \overset{2}{\sum_{m = - 2}} \overset{2}{\sum_{n = - 2}} G_{n} (2 i - m, 2 j - n) W (m, n)

式中: $W (m, n)$ 为5像素×5像素的高斯卷积核,其中m,n=-2,-1,0,1,2; $G_{k} (i, j)$ 表示第k层金字塔影像 $(i, j)$ 像素处的灰度值。

金字塔底层高分影像细节保存完好,而顶层低空间分辨率影像则更注重全局特征,因此通过金字塔影像进行建筑物检测能兼顾细节和整体,达到更高的检测精度。且固定尺度的窗口在不同空间分辨率的影像中对应着不同的实际地面面积,如图2所示,假设原影像空间分辨率为1 m,则10像素×10像素大小的窗口在第一层原始影像中对应的实际地面面积为10 m×10 m,在经过一次降采样的第2层影像中对应的实际地面面积为20 m×20 m,而在第3层影像中对应的实际地面面积为40 m×40 m。根据不同大小的建筑物在不同尺度的窗口中反应的显著性强度不同,通过计算多个尺度窗口下的建筑物显著性,实现对不同大小建筑物的准确定位。

图2

图2 高斯金字塔影像实现多尺度检测建筑物示意图

Fig.2 Sketch map of multi-scale building detection by Gauss pyramid images

设检测的最小建筑物尺寸 $S_{\min}$ 为10 m×10 m,根据影像空间分辨率 $RP$ 即可计算预设滑动窗口尺寸 $l$ ,即

(2) $l = \frac{S_{\min}}{RP}$ 。

1.2 多特征计算显著性

建筑物作为独特的一类地物,在颜色、边缘、结构等特征上都和背景有着明显的反差。本文算法通过计算滑动窗口中的多种特征值来衡量建筑物的显著性,将建筑物同背景区分出来。

1.2.1 边缘密度与边缘分布

边缘是描述目标的一种重要特征,边缘信息可以反映出目标的光谱不连续性、反差、方向信息以及结构类型。尤其对于建筑物这样有着特殊结构和纹理的目标,边缘信息对于目标提取可以起到很好的指示作用。

本文采用Hu等^[12]提出的算法来更为简单有效地计算影像边缘: 首先,对影像进行高斯平滑抑制影像噪声点; 然后,计算平滑后的影像中每个像素点的梯度值,并将在梯度主方向上比相邻2个像素点梯度大的像素作为边缘点保存起来,其他非边缘点设置为0; 最后,通过Otsu算法^[11]最小化非边缘点和边缘点的类内差异来自动求取阈值,有效地提取出更强的边缘,得到边缘影像 $f (x, y)$ 。

定义边缘密度 $d_{e}$ 和边缘分布 $d_{s}$ 为

(3)

d_{e} = n_{e} / n_{w}

(4)

d_{s} = \frac{\min (n_{i})}{mean (n_{i})}, i = 1,2, 3,4

式中: $n_{e}$ 和 $n_{w}$ 分别为以 $l$ 为边长的正方形滑动窗口内的边缘点数和总像素数,如图3所示; $n_{i}$ 表示第 $i$ 象限所包含的边缘点数。取4个象限所包含的最少的边缘点数 $\min (n_{i})$ 除以平均每个象限包含的边缘点数 $mean (n_{i})$ 得到 $d_{s}$ ,用来衡量边缘点在4个象限内分布的均匀性。

图3

图3 边缘点在4个象限的分布

Fig.3 Distribution of edge points in four quadrants

定义边缘特征 $LED = d_{e} \times d_{s}$ ,考虑到建筑物一般具有完整且较强的边缘,且在以建筑物中心为原点的4个象限内分布均匀, $d_{e}$ 和 $d_{s}$ 都较背景更大,因此边缘特征 $LED$ 值越大的窗口包含建筑物的可能性越大。

1.2.2 主方向正交性

相比起其他的目标而言,建筑物的结构信息明显,大多是由较为规则的矩形结构或者多边形结构组成,具有明显的主方向并显现出一定的正交性,即具有2个相互垂直的主方向 $θ_{M} 和 θ_{M} + 90 °$ ( $θ_{M} \in [0,90 °]$ ),如图4(a)所示。

图4

图4 建筑物主方向正交性及边缘点在12个方向级的分布直方图

Fig.4 Orthogonality of main direction of building and histogram of distribution of edge points at 12 direction bins

因此在边缘影像 $f (x, y)$ 的基础上,计算窗口内每个边缘点的梯度方向 $θ$ ,即

(5) $θ = \arctan \frac{f (x, y + 1) - f (x, y)}{f (x + 1, y) - f (x, y)}$ 。

以15°为一个方向级将梯度方向划分为12个区间 $k (k = 1,2, \dots \dots 12)$ ,并统计每个方向区间包含的边缘点数 $N (k)$ ,如图4(b)所示。如果窗口内包含有垂直结构的目标,则会在某2个特定的相互垂直的方向上具有较密集的边缘,该特定的方向即目标主方向。通过计算相互垂直的2个方向级的边缘点数的和,将取到最大值的2个垂直方向级作为该窗口的主方向,即 $\max [N (k) + N (k + 6)], (k < 6)$ ,其中 $N (k)$ 表示第 $k$ 个方向级所包含的边缘点个数, $N (k)$ 和 $N (k + 6)$ 相差90°,是正交关系。

将这2个相互垂直的方向级的比值作为该区域的正交指数r,即

(6) $r = \{\begin{array}{l} \frac{N (k)}{N (k + 6)} N (k) < N (k + 6) \\ \frac{N (k + 6)}{N (k)} N (k) \geq N (k + 6) \end{array}$ 。

相互垂直的边缘结构会在2个垂直主方向级上同时包含更密集的边缘点,因此具有更大的正交指数 $r$ 。

1.2.3 亮度反差

在高分影像中,建筑物大多和周围的树、道路等背景形成较为明显的亮度反差,因此设计了一个和窗口大小相等的中间亮、周围暗的正方形模板 $T$ (图5)来衡量窗口中心和周围的亮度反差程度。

图5

图5 中间亮周围暗的正方形模板

Fig.5 Square template with dark light around

用模板 $T$ 覆盖住滑动窗口 $w$ ,利用窗口和模板的匹配测度TMatch来反映该滑动窗口 $w$ 与模板 $T$ 的相似程度,计算公式为

(7)

TMatch (i, j) = \frac{\overset{l}{\sum_{m = 1}} \overset{l}{\sum_{n = 1}} w^{i, j} (m, n) \times T (m, n)}{\overset{l}{\sum_{m = 1}} \overset{l}{\sum_{n = 1}} {[w}^{i, j} {(m, n)]}^{2}}

式中: $l$ 为和滑动窗口等大的模板 $T$ 的长度; $T (m, n) (m, n = 1,2, \dots, l)$ 为 $l \times l$ 的模板内所有的像素点; $w^{i, j} (m, n)$ 为中心点为 $(i, j)$ 的滑动窗口 $w$ 与模板 $T (m, n)$ 相对应的像素点的灰度值。匹配测度TMatch越大,表示窗口和模板越相似,即窗口中心与周围的亮度反差越强烈,说明该滑动窗口内包含建筑物的可能性就越大。

1.2.4 色彩反差

建筑物在色彩上通常与周围的道路、阴影和草地等背景表现出不一样的颜色分布,因此采用色彩反差 $CC$ 衡量滑动窗口与其周围背景的反差程度。定义邻近窗口 $Surr (w)$ 为窗口 $w$ 周围一定范围内能够取到的所有窗口,则CC的计算公式为

(8)

CC (w) = \max {χ^{2} [h (w)], h [Surr (w)]}

式中: $h (w)$ 为滑动窗口 $w$ 在LAB色彩空间的色彩梯度; $h [Surr (w)]$ 为窗口 $w$ 周围一定范围内能够取到的所有窗口的LAB空间色彩梯度。通过计算二者的卡方距离 $χ^{2}$ ,并保留取到的最大值来衡量窗口 $w$ 和周围背景的色彩差异性。CC越大表示窗口与背景的色彩反差越大,说明该滑动窗口内包含建筑物的可能性也越大。

1.2.5 目标完整性

建筑物作为一个目标整体,具有一定的完整性。而超像素分割算法根据颜色和纹理的相似度将影像分割成超像素,一个超像素中的所有像素应当属于同一个目标,因此,一个建筑物目标应当由一个或多个完整的超像素组成,而不应该跨越超像素的边界^[13]。本算法采用超像素的这一特性来衡量窗口内目标的完整性: 采用Mean Shift算法^[14]将高分影像划分成若干个超像素,通过计算滑动窗口内不完整的超像素的面积占整个窗口面积的比重 $SS$ 来衡量该滑动窗口内是否包含目标,SS的计算公式为

(9)

SS = 1 - \sum_{} \frac{\min (| s \ w |, | s ⋂ w |)}{|w|}

式中 $| s \ w |$ 和 $| s ⋂ w |$ 分别为超像素 $s$ 在窗口 $w$ 外和窗口内的面积。完全在窗口内或完全在窗口外的超像素对于求和的贡献值为0,因此 $SS$ 值越高的窗口包含目标的可能性越大。

1.3 基于超像素显著性的建筑物自动检测

相较于固定尺寸的矩形窗口,超像素能够更好地描述目标的形状和统计目标的显著性,因此对影像进行超像素分割,计算每一块超像素的显著性均值来代表该超像素的目标显著性,并通过阈值去掉一些响应的虚警。建筑物表现出强烈的显著性,但是有些田地和道路段也因为和背景存在较为明显的反差或具有结构规则性而计算出一定的显著性,因此需要通过设置约束条件来进一步精确提取建筑物。

基于超像素显著性的建筑物自动检测步骤描述如下:

1)如图6所示,将影像金字塔每一层计算的多

图6

图6 多尺度多特征融合计算显著图

Fig.6 Multi-scale and multi-feature fusion computing saliency map

特征进行线性组合计算每一层的显著性,并使用双线性内插将多个尺度的显著性图像内插为和原始影像空间分辨率相同的大小,进行局部非极大值抑制得到最终的显著图。

2)在之前计算目标显著性的超像素分割结果的基础上,计算每个超像素所包含的所有像素的显著性得分和与该超像素面积的比值代表该超像素的显著性,即

(10)

saliency (k) = \frac{\sum_{(i, j) \in s (k)} saliency (i, j)}{| s (k) |}

式中: $| s (k) |$ 为第k个超像素的面积; $saliency (k)$ 为第k个超像素的显著性; $saliency (i, j)$ 为像素点 $(i, j)$ 的目标显著性得分。

然后,采用Otsu算法根据超像素的显著性大小通过最大化背景和目标之间的类间方差,将超像素分成背景和目标2类。

3)进一步设置约束条件筛选检测结果,设置原则包括: ①目标长宽比不能过大,主要除去误判为建筑物的城市道路段; ②目标面积应该在一定范围内,图斑面积大于阈值的将被剔除,主要除去误检的大面积田地和池塘、湖泊; ③对于面积过小的碎图斑则计算其邻接超像素的灰度均值,将其与灰度均值最接近的邻接超像素合并。

4)输出最终得到的结果。

2 实例验证

本文选用2种不同空间分辨率的高分影像来评估算法性能。

实验1影像为重庆市主城区2015年0.5 m空间分辨率航片影像上截取的3幅具有不同特色建筑物的局部影像。其中S1影像包含整齐规则的建筑物群,中间一些朝向各异的高密度住宅,以及右边排列较为不规则的建筑物; S2影像主要为城郊区域,包含规则的建筑物群以及一些蓝顶的厂房; S3影像环绕大量独栋住宅,以及右下角在影像中表现为破碎的建筑物屋顶的长条形建筑。为了比较提取精度,选取了基于颜色和纹理特征建模的马尔科夫随机场模型^[15]的建筑物检测算法同本文算法进行对比(图7),并采用人工矢量化结果作为参考,定性和定量评价2种算法的检测结果。

图7

图7 实验1影像建筑物检测结果及参考结果

Fig.7 Detection results and reference results of experiment 1 images

由图7可以看出本文算法通过多尺度多特征计算建筑物显著性,可以很好地提取出绝大部分建筑物。尤其是S1右上角的不规则建筑物,由于结构特性明显,也经由本文算法得以检测出来,而马尔科夫随机场算法对于色彩和周围背景差异不太明显或者被树木遮挡的建筑物则难以达到很好的实验效果,漏检建筑物个数较多。

为了定量评价本文算法和马尔科夫随机场算法的检测精度,将2种算法的检测结果和参考结果进行对比,定义当一个建筑物80%以上的面积被检测出来的时候,算作正确检测出该建筑物,否则认为该建筑物没有被检测出来(影像边界上不完整的建筑物不算在内)。并计算查准率(Precision)、准确率(Accuracy)和召回率(Recall)3个指标作为衡量标准,即

(11)

Precision = TP / (TP + FP)

(12)

Accuracy = TP / (TP + FN + FP)

(13)

Recall = TP / (TP + FN)

式中: $TP$ 为被正确检测出的建筑物个数; $FN$ 为漏检建筑物个数; $FP$ 为误检建筑物个数。

表1示出各影像2种算法的检测精度。从表1中可以看出本文算法能够正确检测出90%以上的建筑物,具有令人满意的检测精度,且查准率、准确率、召回率均比马尔科夫随机场算法要高。马尔科夫随机场算法虽然也可以达到较好的查准精度,但是漏检现象较为严重,召回率较低。说明本文算法具有一定的优越性。

表1 实验1中2种算法的检测精度比较

Tab.1 Comparison of detection accuracy between two algorithms of experiment 1 (%)

影像	算法	查准率	准确率	召回率
S1	本文算法	92.4	84.6	90.9
S1	马尔科夫随机场	88.5	70.0	78.6
S2	本文算法	92.6	78.8	83.3
S2	马尔科夫随机场	92.4	70.1	74.4
S3	本文算法	95.8	88.5	92.0
S3	马尔科夫随机场	87.7	78.0	87.7

新窗口打开| 下载CSV

实验2选取了巫山市0.2 m空间分辨率遥感影像上的局部影像,相较于实验1的3幅影像,实验2影像地物类型复杂,建筑物更加破碎和不规则,且存在密集的建筑物群,大大增大了建筑物的检测难度。实验2影像和2种方法的建筑物检测结果如图8所示。

图8

图8 实验2影像建筑物检测结果

Fig.8 Detection result of experiment 2 image

从图8可以看出,马尔科夫随机场算法对于颜色反差较大、纹理丰富而有规则的建筑物可以达到很好的检测效果,但是当建筑物屋顶纹路零乱,形状多变,色彩和背景反差不大时,马尔科夫随机场算法会造成大量的漏检现象。而本文算法则因兼顾了建筑物的结构、多尺度变化、颜色以及亮度反差等特征,对于复杂建筑物的检测也可以达到较好的实验效果,能够基本将建筑物和其他地物分离开来,对于精细化的建筑物信息提取具有实用意义。

3 结论

本文提出了一种基于多尺度多特征的高分影像建筑物的自动化检测算法。经实验得到如下结论:

1)基于高斯金字塔选取滑动窗口进行建筑物特征计算,可实现不同尺寸建筑物的同步检测。

2)考虑边缘密度和分布、主方向正交性、亮度反差、色彩反差、目标完整性等多种用于计算建筑物显著性的有效特征,并进行融合,从而提高建筑物检测精度。

3)结合超像素分割算法,以超像素为单位计算建筑物显著性并提取建筑物,保留了建筑物的轮廓特征。

通过选取不同空间分辨率的2组实验数据,并与基于颜色和纹理特征的马尔科夫随机场算法的实验结果进行定性和定量比较,证明本方法对于高分影像中建筑物的检测具有令人满意的实验效果和检测精度。

本文算法还存在一些不足,主要表现在: ①对于一些边缘较为模糊的建筑物仍会存在漏检现象; ②一些和建筑物一样具有明显结构性的操场等目标有时会被当作建筑物误检出来; ③对于破碎而且密集的建筑物群的检测效果尚存在较大的进步空间。在今后的研究中,将考虑机器学习的方法,通过样本训练确定更优的特征模型,以解决上述不足,实现复杂建筑物检测的精确性和完整性。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

孟瑜

基于3S技术的违章建筑物检测关键技术研究

[D]. 北京:中国科学院遥感应用研究所, 2009.

Meng

Key Technologies Research of Illegal Building Detection Based on 3S Technology

[D]. Beijing:Institute of Remote Sensing Applications of Chinese Academy of Sciences, 2009.

DOI:10.3969/j.issn.2079-3111.2014.08.252 URL [本文引用: 1]

[2]

徐海涛

遥感技术在军事地理测绘中的应用

[J]. 东方教育, 2014,( 8):260.

遥感技术具有宏观性强、信息丰富、客观真实、动态监测及跨国界性等特点，在地质、资源和环境等领域得到了广泛应用。遥感技术在军事领域应用主要集中在军事目标探测、侦察、制导和监视等方面。海湾战争后，有学者指出武器“高技术”主要体现在遥感技术和计算机技术等方面。本文将主要探讨遥感技术在军事地理测绘中的应用。

Xu H

Application of remote sensing technology in military geographical mapping

[J]. Oriental Education, 2014,( 8):260.

[3]

吕凤华, 舒宁, 龚龑 , 等.

利用多特征进行航空影像建筑物提取

[J]. 武汉大学学报(信息科学版), 2017,42(5):656-660.

DOI:10.13203/j.whugis20140781 URL [本文引用: 1]

高分辨率遥感影像在不同的尺度下表现出不同的特征,根据这一特性,提出了一种基于多层次特征的航空影像规则建筑物提取方法。该方法先利用大尺度特征——方向梯度直方图（histograms of oriented gradient,HOG）特征对建筑物进行识别,然后提出了一种小尺度特征——纹理和光谱融合特征,该特征能够有效地将HOG特征识别结果中的道路、草地等非建筑物剔除,最终获取建筑物边缘信息。实验结果表明,该方法不仅对矩形建筑物有较好的提取效果,对结构复杂的规则建筑物也有较好的提取效果。

Lyu F

, Shu

, Gong

, et al.

Regular building extraction from high resolution image based on multilevel-features

[J]. Geomatics and Information Science of Wuhan University, 2017,42(5):656-660.

[4]

谭衢霖

高分辨率多光谱影像城区建筑物提取研究

[J]. 测绘学报, 2010,39(6):618-623.

URL Magsci [本文引用: 1]

城区高空间分辨率遥感数据由于存在大量同物异谱和异物同谱现象，应用传统的基于像元光谱分类的方法进行建筑物分类提取难以取得满意的效果。本文发展了一种从高分辨率Ikonos卫星影像上基于知识规则的面向对象分类提取城区建筑物方法，包括如下步骤：(1)融合1m全色和4m多光谱波段影像，生成1m分辨率的多光谱融合影像；（2）分割融合影像；（3）执行基于对象光谱的最近邻监督分类；（4）应用模糊逻辑分类器结合光谱、空间、纹理和上下文特征等知识规则进行建筑物分类。精度统计结果表明，本文提出的分类方法提取城区建筑物取得了93%的精度。

Tan Q

Urban building extraction from VHR multi-spectral images using object-based classification

[J]. Acta Geodaetica et Cartographica Sinica, 2010,39(6):618-623.

[5]

徐宏根, 宋妍 .

顾及阴影信息的高分辨率遥感图像变化检测方法

[J]. 国土资源遥感, 2013,25(4):16-21.doi: 10.6046/gtzyyg.2013.04.03.

URL Magsci [本文引用: 1]

<p>阴影是遥感图像的解译标志之一,然而在利用高分辨率遥感图像对城市建筑物进行变化检测时,阴影的存在会对变化检测结果造成不利的影响。为此,提出一种顾及阴影信息的遥感图像变化检测方法。首先对遥感图像中的阴影进行提取,然后用提取的阴影补偿初始的变化检测结果以提高变化检测精度。该方法的关键在于阴影提取的准确性。在面向对象分类方法的框架下,从阴影的光谱信息和几何信息2个方面对阴影进行约束,从而较好地提取出阴影。实验证明,上述方法能够较好地解决阴影所引起的变化检测中的错判问题,有效地提高遥感图像变化检测的精度。</p>

Xu H

, Song

Change detection method taking into account shadow information for high resolution remote sensing image

[J]. Remote Sensing for Land and Resources, 2013,25(4):16-21.doi: 10.6046/gtzyyg.2013.04.03.

[6]

庞池海, 李光耀, 赵洁 , 等.

基于直线检测算法的卫星图片中建筑物轮廓提取

[J]. 计算机应用, 2008,28(s1):190-192.

URL [本文引用: 1]

提出一种方法,可以从卫星图像中自动检测建筑物。介绍了直线提取和直线合并的算法,分别讨论算法的实现结果和对结果的评价。建筑物检测的结果为矢量的二维候选数据,缩短了原始图像数据和最后对图像理解之间的差距。

Pang C

, Li G

, Zhao

, et al.

Building figure extraction in satellite images based on line detection algorithm

[J]. Computer Applications, 2008,28(s1):190-192.

[7]

赵传, 张保明, 陈小卫 , 等.

一种基于LiDAR点云的建筑物提取方法

[J]. 测绘通报, 2017,( 2):35-39.

DOI:10.13474/j.cnki.11-2246.2017.0044 URL [本文引用: 1]

从机载雷达点云数据中快速准确提取建筑物是当前研究的难点和热点.在对现有建筑物点云提取方法充分研究和分析的基础上,本文提出了一种基于LiDAR点云的建筑物提取方法.首先根据建筑物的几何特性提取初始建筑物轮廓点;然后构建局部协方差矩阵计算点云分布特征,剔除非建筑物轮廓点;最后利用DBSCAN聚类算法对建筑物轮廓点聚类,以聚类结果为基础构建缓冲区,以缓冲区内所有建筑物轮廓点为初始种子点,采用圆柱体邻域进行多种子点区域增长,实现建筑物点云的提取.通过两组试验,共5组数据验证本文算法的性能.试验结果表明,该方法能够准确、有效地提取多层复杂的建筑物点云,效率高,且具有一定的适用性.

Zhao

, Zhang B

, Chen X

, et al.

A method of extracting building based on LiDAR point clouds

[J]. Bulletin of Surveying and Mapping, 2017,( 2):35-39.

[8]

王雪, 李培军, 姜莎莎 , 等.

利用机载LiDAR数据和高分辨率图像提取复杂城区建筑物

[J]. 国土资源遥感, 2016,28(2):106-111.doi: 10.6046/gtzyyg.2016.02.17.

<p>在复杂城区内部通常存在大量的阴影,建筑物的屋顶也有多种类型,这使得利用高分辨率遥感图像自动提取建筑物变得困难。针对上述2个问题,提出了一种综合利用高分辨率图像与机载LiDAR数据的城市建筑物提取新方法。首先,对归一化植被指数(normalized difference vegetation index,NDVI)和LiDAR高度数据设定阈值得到初步的建筑物提取结果; 然后,分别利用阴影区NDVI、图像纹理和形态学滤波来改进结果; 最后,采用局部的机载LiDAR数据和QuickBird图像,对提出的方法进行验证,并与现有方法进行比较。研究结果表明,该方法可有效减少由阴影和不同屋顶特征所造成的错误识别,显著提高了建筑物提取精度。</p>

Wang

, Li P

, Jiang S

, et al.

Building extraction using airborne LiDAR data and very high resolution imagery over a complex urban area

[J]. Remote Sensing for Land and Resources, 2016,28(2):106-111.doi: 10.6046/gtzyyg.2016.02.17.

[9]

Vakalopoulou

, Karantzalos

, Komodakis

, et al.

Building detection in very high resolution multispectral data with deep learning features [C]//Geoscience and Remote Sensing Symposium

,IEEE, 2015: 1873-1876.

DOI:10.3969/j.issn.1674-5019.2016.05.010 URL [本文引用: 1]

[10]

陈文康

基于深度学习的农村建筑物遥感影像检测

[J]. 测绘, 2016,39(5):227-230.

如何快速高效地从遥感影像中检测农村建筑物对农村地区发展研究有着重要意义。传统的目标检测依赖人工提取特征并不能充分挖掘数据之间的关联,以至于检测精度不高。本文利用建筑物和非建筑物影像在Caffe深度学习框架下对几种卷积神经网络进行训练和测试,改进后的Caffe Net网络结构提高了建筑物训练和测试速度。通过对比两个结构相似的神经网络,发现将池化层置于归一层前能显著提升卷积神经网络在遥感影像检测中的精度。实验结果表明,改进后的Caffe Net性能得到了提升,检测精度达到了95.00%,更适合大量数据的训练和测试。

Chen W

Remote sensing image detection of rural buildings based on deep learning algorithm

[J]. Surveying and Mapping, 2016,39(5):227-230.

[11]

Wang H

, Pan D

, Xia D

Fast algorithm for two-dimensional Otsu adaptive threshold algorithm

[J]. Journal of Image and Graphics, 2005,33(9):968-971.

DOI:10.1360/aas-007-0968 URL [本文引用: 2]

As a classical image segmentation method, Otsu adaptive threshold algorithm has applied widely in image processing. The application of the two-dimensional Otsu threshold algorithm based on the Otsu threshold algorithm has been restricted for the long-paying computation. This paper gives a fast algorithm for two-dimensional Otsu adaptive threshold algorithm that overcomes the disadvantage of high computational complexity. The fast algorithm changes the two-dimensional threshold to one-dimensional threshold by using new area partition method, and enhances the computational speed of the two-dimensional Otsu algorithm. The experimental result has demonstrated that the computational time of the fast method is far less than that of the source two-dimensional one.

[12]

Hu X

, Shen J

, Shan

, et al.

Local edge distributions for detection of salient structure textures and objects

[J]. IEEE Geoscience and Remote Sensing Letters, 2013,10(3):466-470.

DOI:10.1109/LGRS.2012.2210188 URL [本文引用: 1]

Automatic detection of regions of salient texture and objects is useful for analysis of remotely sensed imagery, such as for land cover classification, object detection, and change detection. Intuitively, the local edges on an image indicate spectral discontinuity and the existence of structure texture or objects. This letter explores a simple method for measuring the saliency of texture and objects based on the edge density and spatial evenness of the edge distribution in the local window of each pixel. This method generates a saliency map by computing the saliency index of each pixel. By segmenting the saliency map, the salient structure texture regions and the locations of objects can be extracted. The algorithm requires only the window size as the input parameter and is relatively simple to implement. Experiments using high-resolution images show its effectiveness and accuracy in the detection of salient structure texture regions, such as crops and residential areas, and man-made objects, such as airplanes, cars, etc.

[13]

Alexe

, Deselaers

, Ferrari

Measuring the objectness of image windows

[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012,34(11):2189-2202.

DOI:10.1109/TPAMI.2012.28 URL PMID:22248633 [本文引用: 1]

We present a generic objectness measure, quantifying how likely it is for an image window to contain an object of any class. We explicitly train it to distinguish objects with a well-defined boundary in space, such as cows and telephones, from amorphous background elements, such as grass and road. The measure combines in a Bayesian framework several image cues measuring characteristics of objects, such as appearing different from their surroundings and having a closed boundary. These include an innovative cue to measure the closed boundary characteristic. In experiments on the challenging PASCAL VOC 07 dataset, we show this new cue to outperform a state-of-the-art saliency measure, and the combined objectness measure to perform better than any cue alone. We also compare to interest point operators, a HOG detector, and three recent works aiming at automatic object segmentation. Finally, we present two applications of objectness. In the first, we sample a small numberof windows according to their objectness probability and give an algorithm to employ them as location priors for modern class-specific object detectors. As we show experimentally, this greatly reduces the number of windows evaluated by the expensive class-specific model. In the second application, we use objectness as a complementary score in addition to the class-specific model, which leads to fewer false positives. As shown in several recent papers, objectness can act as a valuable focus of attention mechanism in many other applications operating on image windows, including weakly supervised learning of object categories, unsupervised pixelwise segmentation, and object tracking in video. Computing objectness is very efficient and takes only about 4 sec. per image.

[14]

Cheng Y

Mean Shift,mode seeking,and clustering

[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1995,17(8):790-799.

DOI:10.1109/34.400568 URL [本文引用: 1]

Mean shift, a simple interactive procedure that shifts each data point to the average of data points in its neighborhood is generalized and analyzed in the paper. This generalization makes some k-means like clustering algorithms its special cases. It is shown that mean shift is a mode-seeking process on the surface constructed with a "shadow" kernal. For Gaussian kernels, mean shift is a gradient mapping. Convergence is studied for mean shift iterations. Cluster analysis if treated as a deterministic problem of finding a fixed point of mean shift that characterizes the data. Applications in clustering and Hough transform are demonstrated. Mean shift is also considered as an evolutionary strategy that performs multistart global optimization.

[15]

, Lyu Z

, Hao

Change Detection Method for Remote Sensing Images Based on An Improved Markov Random Field

[M]. The Netherlands:Kluwer Academic Publishers, 2017.