高分辨率遙感影像的建筑物輪廓信息提取方法

周紹光, 孫金彥, 凡莉, 向晶, 陳超

(1．河海大學(xué)地球科學(xué)與工程學(xué)院測繪科學(xué)與工程系，南京 210098；2.江蘇省基礎(chǔ)地理信息中心，南京 210013)

高分辨率遙感影像的建筑物輪廓信息提取方法

周紹光1, 孫金彥1, 凡莉1, 向晶1, 陳超2

(1．河海大學(xué)地球科學(xué)與工程學(xué)院測繪科學(xué)與工程系，南京 210098；2.江蘇省基礎(chǔ)地理信息中心，南京 210013)

針對高分辨率遙感影像分割方法提取的建筑物邊緣不準(zhǔn)確和不規(guī)則等問題,提出了一種新的邊緣輪廓信息提取方法：首先，通過一維Gabor濾波器獲取建筑物的角度紋理特征，并結(jié)合光譜特征構(gòu)造待分割的特征矢量，在運用高斯混合模型(Gaussian mixture model,GMM)構(gòu)造圖的基礎(chǔ)上，利用圖割法(graph cuts)獲取建筑物候選點，經(jīng)數(shù)學(xué)形態(tài)學(xué)處理得到建筑物斑塊；然后，根據(jù)Radon變換檢測建筑物主方向，構(gòu)建最小二乘匹配模板，并利用該模板在建立的輪廓緩沖區(qū)內(nèi)精確地提取建筑物拐角點；最后，連接拐角點，完成了輪廓信息的提取。采用合成圖像和高分辨率遙感影像提取建筑物輪廓信息的實驗證明了該方法的可行性。

最小二乘模板匹配；高分辨率影像；建筑物輪廓；圖割；影像分割

0 引言

隨著經(jīng)濟的高速發(fā)展，社會對地理空間信息的需求越來越大。建筑物作為主要的地理空間研究對象之一，其輪廓信息在人類的生產(chǎn)與生活中發(fā)揮著重要的作用。目前，從高分辨率遙感影像中提取建筑物輪廓的方法根據(jù)所采用的特征及手段大致可以分為4種：基于分割技術(shù)、基于直線邊緣檢測、基于活動輪廓和基于角點檢測與匹配。其中，基于高分辨率影像的分割技術(shù)一直是獲取建筑物輪廓的重要手段[1-4]；然而，由于噪聲、光照及反射率等因素的影響，導(dǎo)致通過該方法獲取的建筑物輪廓邊緣與轉(zhuǎn)角往往不清楚或不準(zhǔn)確?；谥本€邊緣檢測方法[5]在利用邊緣檢測算法得到邊緣點后，利用Hough變換和Radon變換等方法獲取直線邊緣，再通過連接及其他手段得到建筑物輪廓；但此方法只有在地物之間遮蔽少、房屋獨立和形體較為簡單的情況下效果較好?；诨顒虞喞姆椒▌t利用Snake或水平集等方法，先劃定或獲取初始輪廓，然后在全圖范圍內(nèi)利用原始影像等數(shù)據(jù)獲取建筑物輪廓[6-8]；但該方法易受噪聲和陰影等因素的干擾，

從而導(dǎo)致提取的邊緣輪廓不準(zhǔn)確。基于角點檢測和匹配的方法是依據(jù)影像上建筑物具有的較為明顯的角點特征進(jìn)行的檢測和匹配[9]；其缺點在于房屋的整體幾何約束信息及直線邊緣沒有充分利用，相關(guān)約束條件不易引入，因某些角點被遮蔽或模糊等原因引起的角點匹配和提取的錯誤可能導(dǎo)致整個提取的失敗。文獻(xiàn)[10]將直線邊緣檢測方法及角點特征相結(jié)合，實現(xiàn)了航空影像立體像對中多直角平頂房屋的半自動提??；文獻(xiàn)[11]將邊緣線特征及角點特征相結(jié)合，實現(xiàn)了航空影像直角型房屋的半自動提取。盡管文獻(xiàn)[10-11]介紹的2種方法提取效果均很好，但是應(yīng)用起來都有限制，一是需要先檢測出邊緣點，二是Hough變換容易漏檢短邊緣，且文獻(xiàn)[10]主要針對航空立體像對，而文獻(xiàn)[11]有限的建筑物模型無法表達(dá)當(dāng)今各種形狀的建筑物。

鑒于此，本文提出了一種新方法，希望將影像分割技術(shù)與角點特征相結(jié)合，充分利用二者的優(yōu)點，以實現(xiàn)建筑物輪廓信息的準(zhǔn)確提取。

1 算法步驟

本文建筑物輪廓信息提取方法流程如圖1所示。

圖1 算法流程Fig.1 Flowchart of the proposed methodology

1.1 建筑物斑塊的獲取

由于高分辨率遙感影像中的建筑物細(xì)節(jié)信息豐富，且其光譜特征與周圍環(huán)境尤其是道路的差異不大，而噪聲(例如樹木和建筑物本身的陰影及其他人造物)的大量存在，也加大了對建筑物信息的提取難度，因而僅依靠光譜特征難以有效地區(qū)分建筑物與其他地物，必須結(jié)合影像的其他特征才能取得令人滿意的結(jié)果。

鑒于Gabor濾波器無論在分析數(shù)字圖像局部區(qū)域的頻率特征還是方向特征方面都具有非常優(yōu)異的性能，所以本文采用一維Gabor濾波器獲取高分辨遙感影像的角度紋理特征[12]，同時結(jié)合光譜特征構(gòu)造待分割的特征矢量。

利用高斯混合模型(Gaussian mixture model, GMM)和圖割(graph cuts)相結(jié)合的方法[13]，對上述獲得的待分割特征矢量進(jìn)行分割，得到建筑物候選點。本文采用的能量函數(shù)為

(1)

式中：等號右邊第一項Dp(fp)為數(shù)據(jù)項(T鏈)；第2項為邊緣項(N鏈)。

利用GMM構(gòu)造T鏈，Boykov[14]的方法構(gòu)造N鏈，然后用圖割解算出滿足式(1)的圖，此時圖像被分為建筑物點和非建筑物點。最后利用數(shù)學(xué)形態(tài)學(xué)方法處理得到完整的建筑物斑塊。

1.2 角點的檢測及獲取

1.2.1角點的檢測

角點通常是指圖像亮度變化劇烈的點或圖像邊緣曲線上曲率極大值的點。拐角點是建筑物存在的最直接證據(jù)之一，拐角點及其連線可以充分有效地表達(dá)建筑物。利用Harris算子檢測所得的角點包含建筑物的拐角點，但也包含有大量的非拐角點，如圖2所示。

圖2 Harris 角點(藍(lán)色點)Fig.2 Harris corner points(blue points)

1.2.2角點的獲取

由于噪聲等因素的影響，檢測出的角點絕大部分都不是建筑物拐角點，同時真實拐角點的位置也可能不準(zhǔn)確。為了從這些候選拐角點中識別出真正的拐角點，找到其真實位置，同時剔除非拐角點，本文引入了最小二乘模板匹配法。

1.2.2.1最小二乘模板匹配

最小二乘模板匹配(least square template matching，LSTM)最早是由Armin Gruen和Peggy Agouris提出的，用以實現(xiàn)半監(jiān)督的邊緣點追蹤與獲取[15]。此后，一些研究者利用最小二乘模板匹配與其他方法相結(jié)合實現(xiàn)道路中心線的亞像素級自動或半自動提取[16-18]。本文引入改進(jìn)的最小二乘模板匹配，即

(2)

式中：△x和△y分別為模板上點(x,y)在X方向和Y方向移動的距離；φ為坐標(biāo)系統(tǒng)中圖像和模板之間的旋轉(zhuǎn)角度；(X，Y)為對應(yīng)的圖像窗口的點。

設(shè)g(x,y)為圖像窗口，f(x,y)為模板(大小為r像元×r像元)，e(x,y)為噪聲等因素影響產(chǎn)生的誤差，將式(2)線性化，得到

f(x,y)-e(x,y)=g0(x,y)+gx△x+gy△y+[gy(xcosφ-ysinφ)-gx(xcosφ+ysinφ)]dφ。

(3)

式中：g0(x,y)，gx，gy分別為模板所對應(yīng)的圖像窗口中像素(x,y)的光譜值和沿X，Y方向的梯度值。用矩陣形式表示則為

(4)

A=[gx,gy,gy(xcosφ-ysinφ)-gx(xcosφ+ysinφ)](r×r)×3；

(5)

(6)

解得改正值矩陣為

(7)

為了降低模板和噪聲對實驗結(jié)果的影響，本文首先利用Radon變換獲取建筑物的2個主方向(α,α+90)，在進(jìn)行最小二乘模板匹配時，只進(jìn)行平移，不進(jìn)行旋轉(zhuǎn)，即在實驗過程中φ為固定值。本文變量的初始值設(shè)置為

(8)

模板g與局部圖像f之間的相關(guān)系數(shù)ρ為

(9)

此外，為識別出真正的拐角點，在進(jìn)行最小二乘模板匹配的過程中，還引入了一個新的判定條件——多方向差分法，即利用模板將局部圖像劃分為4個區(qū)域(B1，B2，B3，B4)，如圖3所示。

圖3 多方向差分法Fig.3 Multi-direction difference method

多方向差分法的計算公式為

(10)

(11)

本文采用的最小二乘模板匹配算法步驟如下：

1)首先依照式(2)對初始值或改正值進(jìn)行幾何畸變改正;

2)重采樣得到下一次圖像匹配窗口g(△x+xcosφ-ysinφ,△y+xsinφ+ycosφ)；

3)依據(jù)式(9)計算相關(guān)系數(shù)ρ，并根據(jù)其大小判斷是否需要迭代，本文實驗設(shè)定的相關(guān)系數(shù)為0.7；

4)若ρ<0.7，根據(jù)式(5)—(7)計算參數(shù)改正值△x,△y，返回步驟1)；

5)直到相關(guān)系數(shù)大于指定的閾值，且圖像窗口滿足條件(多方向差分公式(10)(11))或者后一個相關(guān)系數(shù)小于前一個相關(guān)系數(shù)為止，記錄滿足條件的角點位置，轉(zhuǎn)到下一個角點。

1.2.2.2模板的構(gòu)建

模板合適與否對實驗結(jié)果影響程度較大。首先,利用Radon變換獲取建筑物的主方向(α，α+90)；然后,依據(jù)建筑物的主方向α，對于一棟建筑物自適應(yīng)地構(gòu)建8個方向的模板：左上角、左下角、右上角、右下角(圖4(左)為右下角方向模板)及上、下、左、右(圖4(中)即為右方向模板)。模板的結(jié)構(gòu)類似圖4所示。

圖4 模板情況

圖4中黑色區(qū)域?qū)?yīng)于局部圖像的背景，其像素值為最佳匹配窗口中的小于所有像素平均值的低像素值的平均值；白色區(qū)域?qū)?yīng)于圖像的前景，其像素值為最佳匹配窗口中的大于所有像素平均值的高像素值的平均值；灰色區(qū)域為對應(yīng)的邊緣，取中間值)。根據(jù)具體情況，模板取值分布可以調(diào)整。

需要說明的是，模板大小要適中，模板太大，容易漏檢拐角點；模板太小，則會造成大量的誤檢點。本文模板的大小分別為9像素×9像素，11像素×11像素，13像素×13像素，15像素×15像素。

根據(jù)建筑物拐角點的特征，初始模板的建立是由人工目視，取建筑物拐角點處的像素值，然后初始模板與候選角點逐點進(jìn)行最小二乘模板匹配，其中相關(guān)系數(shù)最大的角點即為最佳匹配點。

此外，如圖5所示，本文后面設(shè)計的實驗1—實驗3的初值是根據(jù)初始輪廓線(紅色)建立的緩沖區(qū)取值。緩沖區(qū)外邊緣上點的均值為背景像素值；緩沖區(qū)內(nèi)邊緣上的點的均值為前景像素值；初始輪廓線上的點的均值為邊緣像素值。在實際應(yīng)用中，應(yīng)根據(jù)建筑物實際情況，建立與拐角類似的模板。

圖5 輪廓緩沖區(qū)

1.2.2.3誤檢點的去除

采用最小二乘模板匹配出現(xiàn)的誤檢點包括：①建筑物拐角點(達(dá)到了相關(guān)系數(shù)閾值，且滿足式(10)(11)，與實際拐角點的位置可能相距1或0.5 個像素的點)；②非建筑物拐角點(因建筑物周圍情況較為復(fù)雜，存在建筑物一邊與其他地物構(gòu)成轉(zhuǎn)角)；③偶然的、純粹的噪聲點(模板與圖像誤匹配，在實驗1合成的圖像上就存在這種情況)。

針對①的情況，去除的方法是采取局部歸一化原則，在一定的范圍內(nèi)，取相關(guān)系數(shù)最大的點；若相關(guān)系數(shù)相同，則取中間點，也就是一定范圍內(nèi)只允許存在一個拐角點；

針對②的情況，在最小二乘模板匹配時，需要利用多方向差分法判斷真假拐角點。一般情況下，拐角點處的建筑物與周圍地物光譜值有明顯的差異，判斷圖像窗口內(nèi)的像素分布是否滿足式(10)(11)，只記錄滿足條件的匹配點。

經(jīng)過上述處理，仍可能存在一些誤檢點，可通過角度閾值予以去除。

如圖6所示，以P2點為例，計算P2點與相鄰兩點(P1，P3)的夾角θ，若不滿足|90-θ|<ε3，(ε3=10)，則說明P2點與P1，P3在一條直線上，然后計算P3與其相鄰兩點(P1，P4)的夾角，重復(fù)此過程，直到所有的點都處理完為止。

圖6 角度閾值

夾角θ的計算式為

(12)

式中d為兩點間的歐式距離。

1.3 建筑物外輪廓的獲取

由于獲取的拐角點并不是有序的，因此需要對角點進(jìn)行排序。本文采用每個角點與其距離最近的初始輪廓點的次序，對角點排序；在去除誤檢點的基礎(chǔ)上，以直線的形式依次連接每個角點，從而得到完整的建筑物外輪廓。具體步驟如下：

1)針對每一個建筑物斑塊，按順時針獲取建筑物的初始輪廓點(Ni)，每個點的順序號為i。

2)利用最小二乘模板匹配獲取建筑物拐角點，計算角點(P1，P2，……)到每個建筑物初始輪廓點(Ni)的歐式距離di，假設(shè)dmin對應(yīng)的點為Nj，則這個角點的順序號即為“j”。

3)按照順序號“j”對所有角點從小到大排序，這樣就得到了一組有序的角點。

4)首先在一定范圍內(nèi)(如5像元×4像元)去除第一類誤檢點，然后根據(jù)式(12)獲取位于第一條直線上的拐角點，計算這些點的重心，根據(jù)建筑物的2個主方向(α,α+90)獲取這條直線起點與終點；接著,以前一條直線的終點為起點，獲取位于下一條直線上的拐角點，計算這些點的重心，獲取這條直線起點與終點，直到所有直線的起點與終點計算完畢為止。

5)在獲得真實拐角點的基礎(chǔ)上，依次計算相鄰點之間的直線參數(shù)，從而得到2點之間其他輪廓點。如圖7，首先計算點T1(x1，y1)和T2(x2，y2)之間的直線參數(shù)，即

(13)

(14)

式中點(x,y)是點T1和T2之間的建筑物輪廓點。然后依次計算“T2與T3”，“T3與T4”，“T4與T1”之間的建筑物輪廓點，從而得到了完整的建筑物輪廓。

圖7 連接相鄰拐角點Fig.7 Connect the adjacent corner point

1.4 結(jié)果評價方法

本文采用2種方式評價上述提取結(jié)果的質(zhì)量。一是定性比較，即將結(jié)果展到原圖上與分割結(jié)果或其他方法及人工識別結(jié)果比較；二是定量比較，即采用完整性Rcom和正確性Rcor進(jìn)行評價[8],公式為

Rcom=A0/Ar,

(15)

Rcor=A0/Ae,

(16)

式中：A0指與人工識別結(jié)果匹配的區(qū)域總面積；Ar指人工識別的總面積；Ae指提取結(jié)果總面積。

2 實驗及分析

2.1 實驗1

為了說明上述方法的可行性，本實驗以人工合成圖像為例，進(jìn)行輪廓信息提取實驗(人工合成圖像中加入了50%的高斯噪聲),如圖8所示。

(a) 原圖 (b) LSTM結(jié)果(c) 提取結(jié)果

圖8 含噪聲50%的合成圖像

Fig.8 Synthetic images with 50% NR Gaussian Noise added

從圖8可以看出，最小二乘模板匹配檢測到的眾多角點(圖b)，通過去除誤檢點后，提取的輪廓完整(圖c)，與實際情況(原圖)極為符合。

2.2 實驗2

本實驗選擇的建筑物為矩形，且建筑物與周圍地物的光譜值差別明顯。下面就實驗2對本文算法步驟及結(jié)果進(jìn)行詳細(xì)描述：

1)獲取原圖(圖9(a))上的建筑物斑塊如圖9(b)，分割獲取的結(jié)果較為完整，但是拐角點處模糊不清。

2)根據(jù)建筑物2個主方向(α,α+90)建立模板。圖9(c)表示半徑為6的輪廓緩沖區(qū)內(nèi)的Harris角點；圖9(d)紅色點為最佳匹配窗口中心點。

3)用改進(jìn)的最小二乘模板匹配，其結(jié)果如圖9(e)所示。

4)去除誤檢點，依次連接每個真實的拐角點，得到提取結(jié)果如圖9(f)所示。

(a) 原圖(b) 分割結(jié)果

(c) Harris角點(藍(lán)色)(d) 最佳匹配點

(e) LSTM結(jié)果(f) 提取結(jié)果

圖9 實驗2

Fig.9 Experiment 2

從圖9及表1可以看出，對于光譜值差別明顯、簡單的矩形建筑物，分割結(jié)果較為完整，但是存在部分邊緣模糊，拐角點不清的情況。經(jīng)過本文方法處理后輪廓規(guī)則，角點位置準(zhǔn)確。

表1 實驗結(jié)果精度Tab.1 Quantitation evaluation of results

圖10(a)中黃色角點是運用文獻(xiàn)[20]中方法(在邊緣檢測算法檢測的邊緣基礎(chǔ)上進(jìn)行角點的檢測與識別)提取的角點；紅色角點為本文方法檢測到的角點。針對實驗2，2種方法的角點檢測結(jié)果精度差別不大。圖10(b)是對文獻(xiàn)[20]所提角點處理后，將位于緩沖區(qū)內(nèi)的角點連線而得到的建筑物輪廓線。該輪廓線的Rcom=0.976 0，Rcor=0.999 1。對比圖10(b, c, d)可知，2種方法的實驗結(jié)果均較好，但文獻(xiàn)[20]方法是在邊緣檢測算法檢測邊緣的基礎(chǔ)上，且是在全圖范圍內(nèi)提取角點，對于復(fù)雜建筑物如2.3節(jié)實驗3及2.4節(jié)實驗4，文獻(xiàn)[20]所提取的角點無法直接連接。

(a) 拐角點檢測結(jié)果比較(b) 連接(a)中黃色拐角點

(c) 本文方法的提取結(jié)果 (d) 參考數(shù)據(jù)

圖10 與文獻(xiàn)[20]的比較

Fig.10 Compared with reference[20]

2.3 實驗3

本實驗的特點是所選的建筑物不規(guī)則，建筑物與周圍地物的光譜值差別不明顯，且部分邊緣不清楚(圖11(a))。實驗結(jié)果如圖11及表1所示。

(a) 原圖 (b) 初始輪廓線

(c) 本文方法的提取結(jié)果(d) 參考數(shù)據(jù)

圖11 實驗3

Fig.11 Experiment 3

圖11(b)中藍(lán)色線為本文分割所得的建筑物斑塊外邊緣線，即初始輪廓線，但與實際地物不太吻合，且不規(guī)則。圖11(c)是采用本文方法提取的規(guī)則化的建筑物輪廓線，與參考數(shù)據(jù)較為符合。

2.4 實驗4

本實驗的特點是所選建筑物不規(guī)則,且其光譜值與周圍地物的差別不明顯，但是，邊緣較為明顯(圖12(a))。實驗結(jié)果如圖12及表1所示。數(shù)據(jù)來源于國際攝影測量與遙感協(xié)會(ISPRS)。

(a) 原圖(b) 文獻(xiàn)[2]方法的提取結(jié)果

(c) 本文方法的提取結(jié)果(d) 參考數(shù)據(jù)

圖12 實驗4

Fig.12 Experiment 4

圖12(b)是文獻(xiàn)[2]中方法(LiDAR point cloud 3.9點/m2)提取的建筑物外輪廓。從圖12(b,c,d)可以看出，2種方法得出的建筑物輪廓均符合建筑物的實際特征，說明本方法并不比文獻(xiàn)[2]中的方法結(jié)果差，而且本方法提取的建筑物更規(guī)則，更為完整。

從上述4個實驗結(jié)果可以看出，采用本文方法可以獲得較為符合實際特征的建筑物輪廓，無論是簡單矩形建筑物，還是復(fù)雜建筑物，其提取的精度都在0.9以上。相對于分割得到的結(jié)果，提取的建筑物輪廓較為規(guī)則，更為合理，且提取過程只采用了高分辨率影像數(shù)據(jù)，不需要使用高程及回波強度等信息。

3 結(jié)論

本文對基于影像所提取的建筑物斑塊進(jìn)行規(guī)則化，對分割所得建筑物輪廓線利用Radon變換以確定建筑物主方向，在輪廓線引導(dǎo)下，設(shè)計角點匹配模板以確定建筑物拐角點，通過連接和結(jié)合角點，得到規(guī)則化建筑物輪廓線。方法的優(yōu)點在于：

1) 將分割方法與角點特征相結(jié)合，充分利用兩者的優(yōu)點，實現(xiàn)了建筑物輪廓的可靠提?。?/p>

2) 可以減弱噪聲的影響，尋找到較為準(zhǔn)確的建筑物拐角點，所提取的建筑物較好地反映了建筑物的外形;

3) 只采用了高分辨率影像數(shù)據(jù)，不需要使用高程及回波強度等信息；

4)本方法也可用于對其他方法(如level set formulation，graph cut)的建筑物提取結(jié)果進(jìn)行邊緣規(guī)則化。

需要說明的是，此方法的提取結(jié)果受建筑物本身及其周圍地物的影響較大。原因是利用最小二乘模板匹配檢測到的誤匹配點較多，經(jīng)過去除操作，仍有可能有少量誤匹配點無法刪除，導(dǎo)致建筑物輪廓存在局部不規(guī)則現(xiàn)象。今后將重點研究如何解決這些問題，以實現(xiàn)建筑物輪廓的大范圍的精確提取及規(guī)則化。

[1] Sumer E,Turker M.An adaptive fuzzy-genetic algorithm approach for building detection using high-resolution satellite images[J].Computers Environment and Urban Systems,2013,39(5):48-62.[2] Awrangjeb M,Fraser C S.Rule-based segmentation of LiDAR point cloud for automatic extraction of building roof planes[C]//ISPRS Annals of Photogrammetry,Remote Sensing and Spatial Information Sciences,Volume II-3/W3.Antalya,Turkey,2013:1-6.[3] 陶超,譚毅華,蔡華杰,等.面向?qū)ο蟮母叻直媛蔬b感影像城區(qū)建筑物分級提取方法[J].測繪學(xué)報,2010,39(1):39-45. Tao C,Tan Y H,Cai H J,et al.Object-oriented method of hierarchical urban building extraction from high-resolution remote-sensing imagery[J].Acta Geodaetica et Cartographica Sinica,2010,39(1):39-45.

[4] 譚衢霖.高分辨率多光譜影像城區(qū)建筑物提取研究[J].測繪學(xué)報,2010,39(6):618-623. Tan Q L.Urban building extraction from VHR multi-spectral image using object-based classification[J].Acta Geodaetica et Cartographica Sinica,2010,39(6):618-623.

[5] 楊化超,鄧喀中,張書畢.基于Hough變換的航空影像建筑物半自動提取[J].測繪科學(xué),2006,31(6):93-94. Yang H C,Deng K Z,Zhang S B.Semi-automated extraction from aerial image using improved Hough transformation[J].Science of Surveying and Mapping,2006,31(6):93-94.

[6] 田昊.面向遙感影像的建筑物區(qū)域理解方法研究[D].長沙:國防科學(xué)技術(shù)大學(xué),2012. Tian H.Research on Image Understanding of Building Regions in Remote Sensing Images[D].Changsha:National University of Defense Technology,2012.

[7] Cote M,Saeedi P.Automatic rooftop extraction in nadir aerial imagery of suburban regions using corners and variational level set evolution[J].IEEE Transactions on Geoscience and Remote Sensing,2013,51(1):313-328.

[8] Li Z B,Liu Z Z,Shi W Z.A fast level set algorithm for building roof recognition from high spatial resolution panchromatic images[J].IEEE Geoscience and Remote Sensing Letters,2014,11(4):743-747.

[9] Jung C R,Schramm R.Rectangle detection based on a windowed Hough transform[C]//Proceedings of 17th Brazilian Symposium on Computer Graphics and Image Processing.Curitiba:IEEE,2004:113-120.

[10]程曦冉,張劍清,張祖勛.航空影像多直角平頂房屋的半自動提取[J].武漢大學(xué)學(xué)報:信息科學(xué)版,2005,29(12):1097-1100. Cheng X R,Zhang J Q,Zhang Z X.Semi-automatic extraction of houses with multi right angles from aerial images[J].Geomatics and Information Science of Wuhan University,2005,29(12):1097-1100.

[11]秦永,宋偉東.基于Freeman編碼的遙感影像直角型房屋半自動提取方法研究[J].測繪科學(xué),2009,34(6):203-205. Qin Y,Song W D.Semi-automatic extraction of right-angle houses from remote sensing imagery based on Freeman code chain[J].Science of Surveying and Mapping,2009,34(6):203-205.

[12]黎瑾慧.基于Gabor濾波器和MRF的道路影像分割方法研究[D].南京:河海大學(xué),2009. Li J H.Segmentation Algorithm for Road Images Using Gabor Filter and Markov Random Field[D].Nanjing:Hohai University,2009.

[13]周紹光,陳超,岳建平.形狀先驗和圖割的高分辨率遙感影像道路段提取[J].測繪學(xué)報,2014,43(1):60-65. Zhou S G,Chen C,Yue J P.Extracting roads from high-resolution RS images based on shape priors and graph cuts[J].Acta Geodaetica et Cartographica Sinica,2014,43(1):60-65.

[14]Boykov Y,Kolmogorov V.An experimental comparison of Min-Cut/Max-Flow algorithms for energy minimization in vision[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2004,26(9):1124-1137.

[15]Gruen A,Agouris P.Linear feature extraction by least squares template matching constrained by internal shape forces[C]//Proc.SPIE 2357,ISPRS Commission III Symposium:Spatial Information from Digital Photogrammetry and Computer Vision.Munich,Federal Republic of Germany:SPIE,1994:316-333.

[16]Hu X Y,Zhang Z X,Tao C V.A robust method for semi-automatic extraction of road centerlines using a piecewise parabolic model and least square template matching[J].Photogrammetric Engineering and Remote Sensing,2004,70(12):1393-1398.

[17]Kim T,Park S R,Kim M G,et al.Tracking road centerlines from high resolution remote sensing images by least squares correlation matching[J].Photogrammetric Engineering and Remote Sensing,2004,70(12):1417-1422.

[18]Hu X Y,Zhang Z X,Li J.Linear feature extraction using adaptive least-squares template matching and a scalable slope edge model[J].International Journal of Remote Sensing,2009,30(13):3393-3407.

[19]Awrangjeb M,Lu G J.Robust image corner detection based on the chord-to-point distance accumulation technique[J].IEEE Transactions on Multimedia,2008,10(6):1059-1072.

[20]Awrangjeb M,Lu G J,Fraser C S,et al.A fast corner detector based on the chord-to-point distance accumulation technique[C]//Proceedings of Digital Image Computing:Techniques and Applications.Melbourne:IEEE,2009:519-525.

[21]Awrangjeb M,Lu G J,Fraser C S.Performance comparisons of contour-based corner detectors[J].IEEE Transactions on Image Processing,2012,21(9):4167-4179.

(責(zé)任編輯：刁淑娟)

Extraction of building contour from high resolution images

ZHOU Shaoguang1， SUN Jinyan1， FAN Li1， XIANG Jing1， CHEN Chao2

(1．SchoolofEarthScienceandEngineering,HohaiUniversity，Nanjing210098，China；2.ProvincialGeomaticsCenterofJiangsu，Nanjing210013，China)

Since the building profile obtained by segmentation or other methods has the disadvantages of inaccuracy or irregularity, this paper presents a new approach to extract the outlines of buildings: Firstly, images are preprocessed by combining spectral characteristics and multi-angle texture characteristics obtained by one dimensional Gabor filter of images to form characteristics to be segmented. On the basis of the construction of graph by Gaussian mixture model, the candidate points of the building can be determined by graph cuts, and the building blob can be obtained by mathematical morphology. Then according to segmentation objects, the main direction of the building is detected by the Radon transform, the least square matching templates are created, and the corner points are extracted precisely in the outline buffer zone. Finally, the accurate corner points are connected to constitute the outlines of the building. This method was tested by using synthetic image and high resolution images. The experimental result proves that this method is feasible.

least square template matching；high resolution image；building contour；graph cuts；image segmentation

2014-05-15；

2014-08-15

國家自然科學(xué)基金項目“高分辨率遙感影像中城市道路網(wǎng)的提取方法研究”(編號：41271420/D010702)資助。

10.6046/gtzyyg.2015.03.10

周紹光,孫金彥,凡莉,等.高分辨率遙感影像的建筑物輪廓信息提取方法[J].國土資源遙感，2015，27(3)：52-58.(Zhou S G,Sun J Y,Fan L,et al.Extraction of building contour from high resolution images[J].Remote Sensing for Land and Resources,2015，27(3)：52-58.)

TP 79

A

1001-070X(2015)03-0052-07

周紹光(1966-)，男，副教授，主要從事攝影測量與遙感和數(shù)字圖像分析研究。Email：zhousg1966@126.com。

孫金彥(1989-)，女，碩士研究生，主要從事遙感和數(shù)字圖像分析研究。Email：sun_jin_yan@126.com。