建筑物真?zhèn)巫兓呐卸ǚ椒昂朔椒ǖ膫巫兓コ椒ㄅc流程

本發(fā)明屬于遙感影像處理
技術(shù)領(lǐng)域：
，具體涉及一種建筑物真?zhèn)巫兓呐卸ǚ椒昂朔椒ǖ膫巫兓コ椒ā?br>背景技術(shù)：
：地球表面的地物(比如土地、建筑物、道路等)，由于自然原因或人為因素，隨著時間的推移每天都發(fā)生著不同程度的變化。由于遙感手段本身所具備的遠(yuǎn)距離感知能力，利用搭載在不同平臺上(如衛(wèi)星、飛機(jī)、飛艇等)的各類傳感器，對全球、國家、地區(qū)等不同尺度范圍內(nèi)的地物進(jìn)行持續(xù)的監(jiān)測，已成為各國行業(yè)部門的經(jīng)常采用的非常有效的技術(shù)手段。隨著發(fā)展中國家的城市化進(jìn)程的推進(jìn)，尤其是我國新型城鎮(zhèn)化政策的加深落實，城市區(qū)域內(nèi)將面臨著房屋、道路、橋梁等諸多人工地物的變遷。隨著傳感器技術(shù)的發(fā)展，遙感影像的空間分辨率能力已經(jīng)得到跨越式提高，目前我們可以很方便地通過專門途徑獲取到1米以下甚至厘米級的高分辨率遙感影像，這為各國開展地表變化監(jiān)測提供了非常有用的數(shù)據(jù)源。但是，由于地物光譜特征的多樣性、地物空間關(guān)系的復(fù)雜性、地物形狀姿態(tài)的不確定性等現(xiàn)象普遍存在于遙感影像中，這嚴(yán)重影響到利用高分辨率遙感影像進(jìn)行城市地物變化檢測的精度。為此，相關(guān)領(lǐng)域的專家不斷提出新的變化檢測方法，來提高利用不同時相(大多是兩個時相)的高分辨率遙感影像進(jìn)行變化檢測的精度。但有些因素的客觀存在，會一直影響到變化檢測精度的提高，其中影響最為嚴(yán)重的就是所謂“偽變化”的存在。“偽變化”指本身未發(fā)生變化而檢測出的虛假變化。導(dǎo)致這種偽變化的一個主要原因是因傳感器的觀測角不同而導(dǎo)致相同建筑物在不同時相遙感影像中表現(xiàn)出不同的姿態(tài)。這是一般針對地物光譜特征多樣性問題的變化檢測方法所不能解決的。為了實現(xiàn)偽變化的消除，相關(guān)技術(shù)人員做了研究，詳情如下：Wang等人提出的波段融合法，即兩時相交叉融合圖像中錯位區(qū)會產(chǎn)生“虛影”，因此，將原圖像以及波段融合圖像疊加統(tǒng)一分割得到對象后，處于錯位區(qū)的對象可通過設(shè)計的截距、斜率及相關(guān)系數(shù)三個特征指數(shù)分類判別得出。此種方法中的波段融合法需要事先獲取實驗區(qū)域的不同時相的全色影像和多波段影像，對數(shù)據(jù)要求較高，而且將原圖與波段融合圖像疊加分割獲取統(tǒng)一對象時，有可能因幾何配準(zhǔn)精度不高以及陰影影響，得到一些“偽變化對象”，這些對象無法通過該文章設(shè)計的指數(shù)消除；此外，這個方法用來判別變化對象的三個指數(shù)是由影像的灰度值計算得到的，若不同時相影像內(nèi)同一建筑物顏色有差異，該方法也可能將其判斷為變化建筑物，出現(xiàn)在最終的變化檢測結(jié)果中。Tang等人提出了一種將MBI與Harris角點結(jié)合構(gòu)造建筑物感興趣點，即通過建筑物感興趣點的匹配，辨別出在不同傳感器拍攝角度得到的不同時相影像中的同一建筑物，從而達(dá)到減輕誤檢現(xiàn)象的目的。此種方法由于使用疊加判斷來構(gòu)造建筑物感興趣點，易受MBI提取得到的建筑物區(qū)域以及Harris角點提取結(jié)果精度的影響，可能會出現(xiàn)同一建筑物因某時相影像內(nèi)部建筑物感興趣點缺失而無法正確匹配上的問題。綜上所述，急需一種步驟精簡、操作方便且偽變化消除效果好的方法以解決現(xiàn)有技術(shù)中存在的問題。技術(shù)實現(xiàn)要素：本發(fā)明目的在于提供一種步驟精簡、操作方便且針對不同時相建筑物偽變化信息的判定方法，具體技術(shù)方案如下：一種建筑物真?zhèn)巫兓呐卸ǚ椒?，包括以下步驟：第一步、提取不同時相高分辨率遙感影像中的建筑物陰影信息；第二步、根據(jù)第一步所得建筑物陰影信息獲取陰影形心點集，建立不同時相影像內(nèi)建筑物陰影的空間拓?fù)淦ヅ潢P(guān)系，確定不同時相影像內(nèi)具有相似拓?fù)浣Y(jié)構(gòu)的建筑物陰影；第三步、對于不同時相內(nèi)相似拓?fù)浣Y(jié)構(gòu)的每個節(jié)點上的建筑物陰影通過其主方向信息提取出包含部分陰影與部分建筑物邊緣的區(qū)域，獲得一系列局部建筑區(qū)域?qū)?；第四步、?gòu)建判別指數(shù)，通過參數(shù)判斷不同時相對應(yīng)局部建筑區(qū)域內(nèi)是否包含相同建筑物邊緣：若不同時相對應(yīng)局部建筑區(qū)域內(nèi)不包含相同建筑物邊緣，則判定該局部建筑區(qū)域?qū)?yīng)的建筑物真實發(fā)生變化；若不同時相對應(yīng)局部建筑區(qū)域內(nèi)包含相同建筑物邊緣，則判斷該局部建筑區(qū)域?qū)?yīng)的建筑物真實未發(fā)生變化。以上技術(shù)方案中優(yōu)選的，所述第一步中提取不同時相高分辨率遙感影像中的建筑物陰影信息包括以下步驟：步驟1.1、提取建筑物的高分辨率遙感影像中每個像元的光譜特征和紋理特征，所述光譜特征包括影像像元各波段上的亮度值以及和兩個參數(shù)，其中：和的計算表達(dá)式詳見表達(dá)式1)和表達(dá)式2)：其中：H、I為將原紅、綠、藍(lán)三波段影像轉(zhuǎn)換到HIS顏色空間后的H分量和I分量，MSIIndex為形態(tài)學(xué)陰影指數(shù)；所述紋理特征采用Gabor算子提取，每個像元可獲得一個24維Gabor紋理特征向量；步驟1.2、采集影像中的部分陰影像元作為訓(xùn)練樣本，利用步驟1.1提取得到的光譜特征和紋理特征，對影像進(jìn)行像元級別的分類，獲得陰影淹膜圖；步驟1.3、提取陰影塊，具體是：先對步驟1.2得到的陰影淹膜圖進(jìn)行形態(tài)學(xué)處理；再依據(jù)四鄰域鄰接關(guān)系，提取陰影掩模圖中的聯(lián)通分量，視其為一塊陰影對象；步驟1.4、篩選出建筑物產(chǎn)生的陰影，具體是：結(jié)合面積和形狀指數(shù)對步驟1.3所判斷得到的陰影對象進(jìn)行篩選，其中：面積A為每塊陰影所占像元個數(shù)；形狀指數(shù)SI通過表達(dá)式3)獲得，表達(dá)式3)如下：其中：SI為形狀指數(shù)，A為陰影塊面積，L為區(qū)域的最小外接矩形的較長邊。以上技術(shù)方案中優(yōu)選的，所述步驟1.4中結(jié)合面積和形狀指數(shù)對步驟1.3所判斷出的陰影對象進(jìn)行篩選詳細(xì)過程是：當(dāng)某塊陰影的面積A和形狀指數(shù)SI滿足A∈[A1，A2]且SI∈[SI1，SI2]時，判定某塊陰影為建筑物陰影；當(dāng)某塊陰影的面積A和形狀指數(shù)SI不同時滿足A∈[A1，A2]且SI∈[SI1，SI2]時，判定某塊陰影不屬于建筑物陰影；其中：A1、A2、SI1和SI2均為人工設(shè)定的閾值，A1的取值范圍為[50，200]，A2的取值>1000，SI1的取值范圍為[0.05,0.1]，SI2的取值>0.25。以上技術(shù)方案中優(yōu)選的，所述第二步中建立不同時相影像內(nèi)建筑物陰影的匹配關(guān)系采用點集匹配算法；所述第二步中提取兩時相影像內(nèi)具有相似拓?fù)浣Y(jié)構(gòu)的建筑物陰影的詳細(xì)過程包括以下步驟：步驟2.1、獲取陰影形心點集，具體是：將每一塊陰影塊的影像行列號視為橫縱坐標(biāo)，求取該陰影塊內(nèi)部像元的行列號均值，獲取該陰影塊的形心點；集合所有陰影塊的形心點，即得該影像的陰影形心點集；步驟2.2、從兩時相影像陰影形心點集P、Q中各自找到一個含有K個點的子點集P0和Q0，其中：K≤min(N，M)，N和M分別為P和Q中的點的個數(shù)；對于P中的某一點pi，對Q中所有點都通過算法計算相似性指標(biāo)；步驟2.3、進(jìn)行判斷，具體是：設(shè)Q中擁有相似性指標(biāo)值最大的點位為qj，則qj為pi在點集Q中的最優(yōu)匹配點；如果pi亦為qj在點集P中的最優(yōu)匹配點，則此時pi與qj匹配成功，組成匹配對；每組匹配對中點的序號即為算法找到的點集序號匹配對{i，j}，這些匹配對指示出了同一建筑物在兩時相影像中的陰影塊。以上技術(shù)方案中優(yōu)選的，所述第三步具體包括以下步驟：步驟3.1、陰影主方向提取，具體是：首先，采用最小周長多邊形簡化陰影輪廓；其次，計算該最小周長多邊形的主方向；最后，以陰影的主方向角度的正切值為斜率，過陰影質(zhì)心畫出線段，得到該陰影的主方向；步驟3.2、提取局部建筑區(qū)域，具體是：將掃描線段朝建筑物側(cè)平移固定距離，以包含建筑物與陰影交界邊緣部分，即可得到矩形的局部建筑區(qū)域。以上技術(shù)方案中優(yōu)選的，所述步驟3.2中掃描線段的獲取方法是：a、先獲取陰影塊的原始陰影輪廓線，后獲取其最小周長多邊形及其質(zhì)心；b、通過原始陰影輪廓線求得陰影區(qū)的最小外接矩形；c、通過最小周長多邊形質(zhì)心，以主方向角度的正切值為斜率畫直線；d、截取矩形內(nèi)的直線部分作為最終掃描線段。以上技術(shù)方案中優(yōu)選的，當(dāng)陽光照射角度發(fā)生變化時，所述步驟3.2中掃描線的移動方向通過以下方法獲得：首先、獲得陽光照射方向的反方向α；其次、以反方向α為角平分線，得到搜索范圍[α-90°，α+90°)；最后、在搜索范圍找到與主方向垂直的唯一角度θ，作為平移方向。以上技術(shù)方案中優(yōu)選的，所述第四步中利用方向紋理曲線和方向梯度直方圖特征算子構(gòu)建判別指數(shù)；所述第四步的具體過程是：步驟4.1、取沿-90°帶狀區(qū)域劃分的方向紋理曲線；步驟4.2、依據(jù)-90°帶狀區(qū)域劃分方式，以每一行為帶狀區(qū)域，獲取局部建筑區(qū)域的方向紋理曲線；步驟4.3、尋找到梯度曲線的最大值點Gramax，并定義梯度變化截斷閾值Gracut；步驟4.4、在坐標(biāo)軸內(nèi)畫出Gra＝Gracut的橫線，獲取得到截斷最大值點所在波峰部分所覆蓋的帶狀區(qū)域編號，并提取出其中的區(qū)域作為Cell；步驟4.5、提取出兩時相對應(yīng)的局部建筑區(qū)域中Cell后，比較判定該局部建筑區(qū)域?qū)?yīng)的不同時相建筑物真實是否未發(fā)生變化。以上技術(shù)方案中優(yōu)選的，所述步驟4.5中比較和判定過程如下：首先，求取Cell的Hog特征向量；其次，比較兩個Cell的Hellinger距離；最后，判定：若兩個Cell的Hog特征向量的Hellinger距離不超過人工設(shè)定閾值G，則判定為包含相同的建筑物邊緣，繼而判斷該局部建筑區(qū)域?qū)?yīng)的建筑物真實未發(fā)生變化；若兩個Cell的Hog特征向量的Hellinger距離超過閾值G，則判定不包含相同的建筑物邊緣，繼而判定該局部建筑區(qū)域?qū)?yīng)不同時相建筑物真實發(fā)生變化。本發(fā)明所公開的一種建筑物(尤其是高分辨率遙感影像建筑物)真?zhèn)巫兓呐卸ǚ椒ǎ唧w是：首先，從陰影信息入手基于空間拓?fù)湟恢滦苑治龃_定某城區(qū)的不同時相高分辨率遙感影像中對應(yīng)建筑物及陰影的位置關(guān)系；然后，為具有對應(yīng)關(guān)系的建筑物構(gòu)造其局部建筑區(qū)域?qū)?，這些區(qū)域?qū)瑢?yīng)的建筑頂部邊緣；最后，基于局部建筑區(qū)域內(nèi)建筑頂部邊緣結(jié)構(gòu)的特征描述建立真?zhèn)巫兓卸ㄖ笖?shù)，比較對應(yīng)建筑物的局部建筑區(qū)域是否含有相似建筑頂部邊緣結(jié)構(gòu)信息，進(jìn)而判定建筑物是否發(fā)生偽變化。應(yīng)用本發(fā)明方法，效果是：(1)對數(shù)據(jù)要求不高，無需獲取不同時相的全色影像和多波段影像，即使是普通的RGB波段高分辨率遙感影像也能達(dá)到一定效果。(2)本發(fā)明基于陰影的建筑物空間拓?fù)潢P(guān)系，能夠很好地體現(xiàn)出某城市建成區(qū)內(nèi)的建筑物空間關(guān)系。(3)本發(fā)明局部建筑區(qū)域?qū)Π鄳?yīng)的建筑物局部邊緣，能夠通過判斷建筑物邊緣結(jié)構(gòu)的變化來反映出建筑物變化檢測中出現(xiàn)的偽變化。(4)本發(fā)明方法中提出的偽變化判別指標(biāo)，不易受少量的雜物、噪聲影響，對顏色變化也有一定的容忍能力。(5)可以作為任意高分辨率遙感影像面向?qū)ο笞兓瘷z測方法的后處理方法，去除其中的偽變化成分，從而提高結(jié)果精度。本發(fā)明還公開一種偽變化的去除方法，包括以下步驟：步驟一、通過常規(guī)變化檢測，得到變化區(qū)域二值圖；通過上述的建筑物真?zhèn)巫兓呐卸ǚ椒▽ㄖ锏恼鎮(zhèn)巫兓M(jìn)行判定；步驟二、將步驟一種所得的變化區(qū)域二值圖和對建筑物的真?zhèn)巫兓M(jìn)行判定的結(jié)果進(jìn)行二值圖求交，消除變化區(qū)域二值圖中的偽變化。采用本發(fā)明的偽變化去除方法，步驟精簡，操作方便，去除的偽變化像元超過90％，并且沒有去除掉真變化像元，偽變化去除效果好。除了上面所描述的目的、特征和優(yōu)點之外，本發(fā)明還有其它的目的、特征和優(yōu)點。下面將參照圖，對本發(fā)明作進(jìn)一步詳細(xì)的說明。附圖說明構(gòu)成本申請的一部分的附圖用來提供對本發(fā)明的進(jìn)一步理解，本發(fā)明的示意性實施例及其說明用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的不當(dāng)限定。在附圖中：圖1是實施例1中形態(tài)學(xué)陰影指數(shù)MSIIndex的提取流程示意圖；圖2是實施例1中點集匹配算法效果示意圖；圖3是實施例1中利用主方向信息尋找建筑物邊緣區(qū)域的示意圖；圖4是實施例1中主方向不為0°的陰影構(gòu)建得到的矩形區(qū)域提取方法示意圖；圖5是實施例1中參數(shù)構(gòu)建結(jié)構(gòu)示意圖；圖6是實施例2影像信息示意圖；圖6(a)為1999、2010年兩時相影像示意圖；圖6(b)為人工標(biāo)注的兩時相影像中的建筑物掩膜示意圖；圖6(c)為邊緣結(jié)構(gòu)發(fā)生變化的1、2號建筑物示意圖；圖7是實施例2陰影提取效果以及匹配結(jié)果示意圖；圖7(a)為1999、2010年影像中提取并經(jīng)處理過后的陰影示意圖；圖7(b)為經(jīng)匹配流程后剩下的具有對應(yīng)關(guān)系的陰影塊示意圖；圖8是實施例2中矩形區(qū)構(gòu)建以及局部建筑區(qū)域提取效果示意圖；圖8(a)為所有匹配對陰影構(gòu)造得到的矩形區(qū)示意圖；圖8(b)為圖8(a)中的1、2和3號建筑物示意圖；圖8(c)為1、2和3號建筑物獲取得到的局部建筑區(qū)域示意圖；圖9是實施例2中參數(shù)判別結(jié)果示意圖；圖9(a)為經(jīng)參數(shù)判別后保留的局部建筑區(qū)域匹配對示意圖；圖9(b)為圖9(a)中對應(yīng)的一些建筑物示意圖；圖10是實施例2中疊加判斷示意圖；圖11是實施例2中偽變化去除流程示意圖；圖11(a)為圖6(a)中兩時相影像通過MBI算法檢測得到的建筑物變化區(qū)域示意圖；圖11(b)為“偽變化”區(qū)域與變化區(qū)域的疊加圖；圖11(c)中為實際上沒有發(fā)生變化的建筑物產(chǎn)生的偽變化示意圖。具體實施方式以下結(jié)合附圖對本發(fā)明的實施例進(jìn)行詳細(xì)說明，但是本發(fā)明可以根據(jù)權(quán)利要求限定和覆蓋的多種不同方式實施。實施例1：一種建筑物真?zhèn)巫兓娜コ椒?，包括以下步驟：步驟一、通過常規(guī)變化檢測，得到變化區(qū)域二值圖；對建筑物的真?zhèn)巫兓M(jìn)行判定；步驟二、將步驟一種所得的變化區(qū)域二值圖和對建筑物的真?zhèn)巫兓M(jìn)行判定的結(jié)果進(jìn)行二值圖求交，去除變化區(qū)域二值圖中的偽變化對象。上述步驟一中對建筑物的真?zhèn)巫兓M(jìn)行判定，包括四大步驟，詳細(xì)過程如下：第一步、提取不同時相高分辨率遙感影像中的建筑物陰影信息，以兩時相為例，具體包括以下步驟：步驟1.1、提取建筑物的高分辨率遙感影像中每個像元的光譜特征和紋理特征，所述光譜特征包括影像像元各波段上的亮度值以及和兩個參數(shù)，其中：和的計算表達(dá)式詳見表達(dá)式1)和表達(dá)式2)：其中：H、I為將原紅、綠、藍(lán)三波段影像轉(zhuǎn)換到HIS顏色空間后的H分量和I分量，MSIIndex為形態(tài)學(xué)陰影指數(shù)(其提取流程詳見圖1)。紋理特征采用Gabor算子提取，每個像元可獲得一個24維的Gabor紋理特征向量。步驟1.2、采集影像中的部分陰影像元作為訓(xùn)練樣本，利用步驟1.1提取得到的光譜、紋理特征，對影像進(jìn)行像元級別的分類，獲得陰影淹膜圖，此處采用的監(jiān)督分類器為ELM(極限學(xué)習(xí)機(jī))。步驟1.3、提取陰影塊，先對步驟1.2得到的陰影淹膜圖進(jìn)行形態(tài)學(xué)處理；再依據(jù)四鄰域鄰接關(guān)系，提取陰影掩模圖中的聯(lián)通分量，視其為一塊陰影對象。步驟1.4、篩選出建筑物產(chǎn)生的陰影，具體是：結(jié)合面積和形狀指數(shù)對步驟1.3所判斷得到的陰影對象進(jìn)行篩選，其中：面積A為每塊陰影所占像元個數(shù)；形狀指數(shù)SI通過表達(dá)式3)獲得，表達(dá)式3)如下：其中：A為陰影塊面積，L為區(qū)域的最小外接矩形的較長邊。所述步驟1.4中結(jié)合面積和形狀指數(shù)對步驟1.3所判斷出陰影對象進(jìn)行篩選詳細(xì)過程是：當(dāng)某塊陰影的面積A和形狀指數(shù)SI滿足A∈[A1，A2]且SI∈[SI1，SI2]時，判定某塊陰影為建筑物陰影；當(dāng)某塊陰影的面積A和形狀指數(shù)SI不同時滿足A∈[A1，A2]且SI∈[SI1，SI2]時，判定某塊陰影不屬于建筑物陰影；其中：A1、A2、SI1和SI2均為人工設(shè)定的閾值，A1一般取[50，200]，A2的取值>1000；而SI1的取值范圍為[0.05,0.1]，SI2的取值>0.25。第二步、根據(jù)第一步所得建筑物陰影信息獲取陰影形心點集，利用點集匹配算法建立不同時相影像內(nèi)建筑物陰影的空間拓?fù)淦ヅ潢P(guān)系，確定不同時相影像內(nèi)具有相似拓?fù)浣Y(jié)構(gòu)的建筑物陰影，詳細(xì)過程包括以下步驟：步驟2.1、獲取陰影形心點集，具體是：將每一塊陰影塊的影像行列號視為橫縱坐標(biāo)，求取該陰影塊內(nèi)部像元的行列號均值，獲取該陰影塊的形心點；集合所有陰影塊的形心點，即得該影像的陰影形心點集；步驟2.2、從兩時相影像陰影形心點集P、Q中各自找到一個含有K個點的子點集P0和Q0，其中：K≤min(N，M)，N和M分別為P和Q中的點的個數(shù)；對于P中的某一點pi，對Q中所有點都通過算法計算相似性指標(biāo)；步驟2.3、進(jìn)行判斷，具體是：設(shè)Q中擁有相似性指標(biāo)值最大的點位為qj，則qj為pi在點集Q中的最優(yōu)匹配點；如果pi亦為qj在點集P中的最優(yōu)匹配點，則此時pi與qj匹配成功，組成匹配對；每組匹配對中點的序號即為算法找到的點集序號匹配對{i，j}，這些匹配對指示出了同一建筑物在兩時相影像中的陰影塊。P0和Q0組成的網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)非常相似，如圖2所示，若將其中一點集(P0)整體做簡單的平移、旋轉(zhuǎn)操作后，P0和Q0的相應(yīng)節(jié)點都處在一個恰好包含來自兩個形心點集的各一個點的圓內(nèi)，圓的半徑即由參數(shù)δ決定。因此參數(shù)δ也控制了匹配對的數(shù)目(即節(jié)點數(shù)目)。δ一般從給定初始值(如取1)，以給定步長(如取0.5)直至某個終止值(如取10)取離散值，記錄下尋找得到的匹配對數(shù)n，當(dāng)n獲得最大的值時則為δ的最終取值，圖2中：小圓圈和紅叉分別代表兩個不同點集P與Q，大圓圈中圈出的為成功匹配結(jié)果。第三步、對于不同時相內(nèi)相似拓?fù)浣Y(jié)構(gòu)的每個節(jié)點上的建筑物陰影通過其主方向信息提取出包含部分陰影與部分建筑物邊緣的區(qū)域，獲得一系列局部建筑區(qū)域?qū)?，具體如下；步驟3.1、陰影主方向提取，具體是：首先，采用最小周長多邊形簡化陰影輪廓；其次，計算該最小周長多邊形的主方向；最后，以陰影的主方向角度的正切值為斜率，過陰影質(zhì)心畫出線段，得到該陰影的主方向；步驟3.2、提取局部建筑區(qū)域，具體是：將掃描線段朝建筑物側(cè)平移固定距離，以包含建筑物與陰影交界邊緣部分，即可得到矩形的局部建筑區(qū)域。所述掃描線段的獲取方法是：a、先獲取陰影塊的原始陰影輪廓線，后獲取其最小周長多邊形及其質(zhì)心；b、通過原始陰影輪廓線求得陰影區(qū)的最小外接矩形；c、通過最小周長多邊形的質(zhì)心，以主方向角度的正切值為斜率畫出直線；d、截取矩形內(nèi)的直線部分作為最終掃描線段。當(dāng)陽光照射角度發(fā)生變化時，掃描線的移動方向通過以下方法獲得：首先、獲得計算陽光照射方向的反方向α；其次、以反方向α為角平分線，得到搜索范圍[α-90°，α+90°)；最后、在搜索范圍找到與主方向垂直的唯一角度θ，作為平移方向，詳見圖3，圖3中處于水平方向的實線為通過陰影主方向?qū)ふ业玫降膾呙杈€，θ為掃描線平移方向，實線外框為將掃描線平移一定距離d后得到保護(hù)部分建筑物邊緣的矩形區(qū)域。旋轉(zhuǎn)提取區(qū)域示意圖如圖4所述，圖4中：a圖為建筑物示意圖，b圖為陰影輪廓及生產(chǎn)掃描線，c圖為生成矩形區(qū)域，d圖和e圖分別為將原圖及矩形區(qū)域旋轉(zhuǎn)置主方向為0的情況，f圖為區(qū)域提取效果。第四步、利用方向紋理曲線和方向梯度直方圖特征算子構(gòu)建判別指數(shù)，通過參數(shù)判斷不同時相對應(yīng)局部建筑區(qū)域內(nèi)是否包含相同建筑物邊緣進(jìn)行判別：若不同時相對應(yīng)局部建筑區(qū)域內(nèi)不包含相同建筑物邊緣，則判定該局部建筑區(qū)域?qū)?yīng)的建筑物真實發(fā)生變化；若不同時相對應(yīng)局部建筑區(qū)域內(nèi)包含相同建筑物邊緣，則判斷該局部建筑區(qū)域?qū)?yīng)的筑物真實未發(fā)生變化，詳見圖5，具體過程如下：步驟4.1、取沿-90°帶狀區(qū)域劃分的方向紋理曲線；步驟4.2、依據(jù)-90°帶狀區(qū)域劃分方式，以每一行為帶狀區(qū)域，獲取局部建筑區(qū)域的方向紋理曲線；步驟4.3、尋找到梯度曲線的最大值點Gramax，并定義梯度變化截斷閾值Gracut；步驟4.4、在坐標(biāo)軸內(nèi)畫出Gra＝Gracut的橫線，獲取得到截斷最大值點所在波峰部分所覆蓋的帶狀區(qū)域編號(圖5中的St1和St2)，并提取出其中的區(qū)域作為Cell；步驟4.5、提取出兩時相對應(yīng)的局部建筑區(qū)域中Cell后，進(jìn)行比較，判定該局部建筑區(qū)域?qū)?yīng)的不同時相建筑物真實是否未發(fā)生變化，所述比較和判定過程如下：首先，求取Cell的Hog特征向量；其次，比較兩個Cell的Hellinger距離；最后，判定：若兩個Cell的Hog特征向量的Hellinger距離不超過人工設(shè)定閾值G，則判定為包含相同的建筑物邊緣，繼而判斷該局部建筑區(qū)域?qū)?yīng)的建筑物真實未發(fā)生變化；若兩個Cell的Hog特征向量的Hellinger距離超過閾值G，則判定不包含相同的建筑物邊緣，繼而判定該局部建筑區(qū)域?qū)?yīng)不同時相建筑物真實發(fā)生變化。其中：人工設(shè)定閾值G視HOG的bin數(shù)而定，此處：當(dāng)HOG的bin數(shù)取5時，G的合適取值范圍為0.1-0.2。實施例2本發(fā)明建筑物真?zhèn)巫兓呐卸ê蛡巫兓娜コ椒ǖ膶嶋H應(yīng)用。所采用的影像為GoogleEarth影像，分辨率為0.12米，拍攝區(qū)域為美國華盛頓市區(qū)一塊區(qū)域，影像行列數(shù)為1098×2476，攝取時間為1999年4月30日以及2010年4月3日。圖6為影像信息，圖6中：(a)為1999、2010年兩時相影像，(b)為人工標(biāo)注的兩時相影像中的建筑物掩膜，深灰色(如標(biāo)號為s1處)為1999年建筑物，灰色(如標(biāo)號為s3處)為2010年建筑物，淺灰色(如標(biāo)號為s2處)為重疊部分，灰色框(如標(biāo)號為s4處)中的建筑物為實際發(fā)生了變化的建筑物，(c)為邊緣結(jié)構(gòu)發(fā)生變化的1、2號建筑物。通過目視解譯，1999年共有43棟建筑物，陽光入射角為92.5°；2010年共有42棟建筑物，陽光入射角為97.5°。相對于1999年的建筑物，2010年左上角的1、2號兩棟建筑物頂部都進(jìn)行了增建，并且邊緣結(jié)構(gòu)有所改變，如圖6(c)所示；此外，上方靠左3號建筑物被拆除掉了，其余的建筑物都沒有發(fā)生變化，但由于拍攝角度的不同，其建筑物掩膜部分都不完全重疊。通過原圖，便可通過前文提到的方法獲取陰影，并提取陰影形心點集以建立起匹配關(guān)系。圖7為陰影提取效果以及匹配結(jié)果，圖7中：(a)為1999、2010年影像中提取并經(jīng)處理過后的陰影；(b)為經(jīng)匹配流程后剩下的具有對應(yīng)關(guān)系的陰影塊。本實施例在分類得到陰影像元后，用于進(jìn)行形態(tài)學(xué)處理的形態(tài)學(xué)開閉運(yùn)算算子為半徑為3的圓形。通過聯(lián)通分量得到陰影塊后，用于去除碎部、樹木陰影的面積閾值A(chǔ)>＝TA＝200，形狀系數(shù)SI>TSI＝0.1。流程提取得到的陰影如圖7中(a)所示；匹配過程中形心點集運(yùn)算設(shè)置的噪聲參數(shù)δ＝10；圖7中(b)為尋找到的匹配對陰影，匹配對數(shù)n＝41?；谟跋耜幱胺诸惤Y(jié)果，匹配結(jié)果能將所有位置不變的建筑物都匹配上了。沒匹配上的兩隊在圖中已用標(biāo)號為1和2的框框出。其中1號框中的陰影沒匹配上，一方面是因為框中得到的陰影塊數(shù)目不同，其中1999年1號框中得到2塊陰影，2010年框中得到了3塊陰影，形心點數(shù)目不一致；且2010年框中左下角的陰影塊由于樹木遮擋的原因，缺失了一部分陰影，進(jìn)一步造成了形心點的偏移；因此兩時相1號框內(nèi)的陰影形心點全都沒有匹配上；而2號框中的陰影變化屬于建筑物拆遷引起的，理應(yīng)予以排除。在得到匹配陰影對之后，下一步即為通過陰影構(gòu)造矩形區(qū)，圖8為矩形區(qū)構(gòu)造效果，圖8中：(a)為所有的陰影塊構(gòu)造得到的矩形區(qū)基本上很好的覆蓋了建筑物與陰影的交界地帶，得到的局部建筑區(qū)域塊基本都形成了上文提到的上部為陰影，下部為建筑物，邊緣基本成水平走勢的情況；(b)和(c)為圖中框出的一些建筑物提取得到的局部建筑區(qū)域塊效果。上述在構(gòu)造矩形區(qū)時，掃描線平移距離DM＝60。得到局部建筑區(qū)域塊之后，便可通過參數(shù)計算來篩選掉一部分建筑物。圖9為參數(shù)判別結(jié)果，圖9中：(a)兩時相參數(shù)判別而被認(rèn)為存在有偽變化的矩形區(qū)域，剩下的匹配對p＝35，(b)為相對應(yīng)的實際建筑物。計算判別參數(shù)的過程中，采用的梯度截斷閾值Gracut＝5，獲取Cell后，提取Cell的Hog向量的直方圖bin數(shù)目Hbin＝5，計算得到相應(yīng)Cell對的HDist之后，用于判別的閾值T0＝0.15。在參數(shù)判別過程中，丟失了部分實際上沒有發(fā)生變化的建筑物，一方面是由于部分局部建筑區(qū)域中的陰影內(nèi)存在樹枝，另一方面是由于傳感器拍攝角度的原因，2010年的建筑物側(cè)面露出部分更多一些，而且建筑物的頂部存在一些存在顏色差異的斑點。在樹枝、側(cè)面雜物和頂部斑點的共同作用下，使得一部分匹配對的HDist取得了較大的值，沒有通過判定。得到圖7中(a)中的矩形區(qū)域后，由于這些區(qū)域包含一部分建筑物邊緣，而且經(jīng)過了所設(shè)計的參數(shù)進(jìn)行了相似性判定，因此，如果建筑物沒有經(jīng)過部分?jǐn)U建的情況下，可以認(rèn)為這些邊緣所屬的建筑物在兩時相內(nèi)沒有發(fā)生變化。由于在變化檢測中，檢測出來的因拍攝角度引起的“偽變化”同樣會是不變建筑物的一部分?？紤]到之前的流程已經(jīng)通過點集匹配來證明這兩個建筑物出現(xiàn)在同一拓?fù)渚W(wǎng)絡(luò)的相同節(jié)點上，又通過參數(shù)判斷出這兩棟建筑物具有相似性質(zhì)，從而可以認(rèn)定這兩個建筑物是不變建筑物。因此，這些建筑物產(chǎn)生的“偽變化”對象會有一部分出現(xiàn)在結(jié)果矩形區(qū)域中，可以將建筑物變化檢測結(jié)果與上述過程得到的結(jié)果矩形區(qū)相疊加(見圖10)，從而進(jìn)行變化性質(zhì)的判斷以及去除。這種疊加判斷方法適合于面向?qū)ο蟮淖兓瘷z測結(jié)果。為了直觀表述本發(fā)明方法得到的結(jié)果如何作用于常規(guī)變化檢測結(jié)果變化區(qū)域二值圖，利用MBI指數(shù)分別獲取兩時相建筑物對象再進(jìn)行比較獲取建筑物變化區(qū)域。MBI指數(shù)的構(gòu)建充分考慮到建筑物的亮度等光譜結(jié)構(gòu)特征，以及局部對比度、形狀、大小和方向性等特征，通過一系列形態(tài)學(xué)操作提取得到。其提取步驟大致分為以下四步：步驟1：計算亮度值其中，bandk(x)為第k光譜波段在像素x處的亮度值，K為可見光光譜波段數(shù)。將可見光波段的像素最大值作為該像素亮度值。步驟2：形態(tài)學(xué)白帽重構(gòu)其中，為對亮度圖像b的形態(tài)學(xué)開運(yùn)算，而d和s分別代表線性結(jié)構(gòu)元素的方向和尺度。由于建筑物與道路光譜類似，該指數(shù)建立的一個重點就是如何自動濾除道路，因為道路總是沿一個或者兩個方向延伸，而建筑物則是多個方向。因此采用多個方向和尺度的線性結(jié)構(gòu)元素能將二者很好地區(qū)分開來。步驟3：計算微分形態(tài)學(xué)剖面DMP(DifferentialMorphologicalProfiles)DMPWTH(d,s)＝|WTH(d,(s+Δs))-WTH(d,s)|其中，Δs為人工預(yù)設(shè)的線性結(jié)構(gòu)元素尺度間隔。步驟4：計算MBI指數(shù)其中，S＝((smax-smin)/Δs)+1，smin和smax分別為通過量取遙感影像中房屋尺度所確定的最小、最大線性結(jié)構(gòu)元素，D為計算建筑物剖面時的方向數(shù)。由于建筑物周圍是亮度值較低的陰影,建筑物具有較大的局部對比度，又由于建筑物結(jié)構(gòu)在微分形態(tài)學(xué)剖面DMPW-TH大部分方向上具有較大的值，因此MBI值較大的區(qū)域是建筑物。本實施例中參數(shù)：D＝6，smin＝6，smax＝42，ΔS＝4，由此得到的方向參數(shù)向量為d＝[0，30°，60°，90°，120°，150°]，尺度參數(shù)向量為s＝[6，10，14，18，22，26，30，34，38，42]。得到影像MBI值之后，通過MBI(x)>0.4獲取兩時相建筑物像元，經(jīng)過形態(tài)學(xué)開閉運(yùn)算處理后，在兩時相影像中會得到一些圖斑，再通過外接矩形長寬比<4，面積≥200提取建筑物對象。最后，通過兩時相影像對比獲取變化區(qū)域。圖11即為通過MBI得到的兩時相建筑物變化區(qū)域，以及本發(fā)明方法得到的偽變化區(qū)域處理對其處理的效果圖。圖11中(a)為圖6(a)中兩時相影像通過MBI算法檢測得到的建筑物變化區(qū)域，(b)為本發(fā)明方法得到的“偽變化”區(qū)域與變化區(qū)域的疊加圖，(c)為實際上沒有發(fā)生變化的建筑物產(chǎn)生的偽變化。其中，淺灰色部分為成功檢測出來部分，深灰色為未成功檢測出來部分。矩形區(qū)中包含部分建筑物邊緣，我們將出現(xiàn)在“偽變化”區(qū)域中的建筑物視為未變化建筑物，因此，通過疊加運(yùn)算后，可以去除掉一部分“偽變化”建筑物對象。圖11中(c)中淺灰色對象為本發(fā)明方法能夠去除的對象。去除效果如表1所示。表1“偽變化”去除統(tǒng)計變化檢測方法：MBI變化對象數(shù)變化像元數(shù)去除前84376027去除量57314783實際未發(fā)生變化量75341274正確去除率76％92.24％注：變化像元、對象包括所有真變化和未變化的像元對象，本發(fā)明方法去除的像元及對象都屬于“偽變化”，并不包含真實發(fā)生的變化。從表1可知，本發(fā)明方法去除的偽變化像元超過了90％，并且沒有誤去除掉真變化像元，取得了較好的效果。以上所述僅為本發(fā)明的優(yōu)選實施例而已，并不用于限制本發(fā)明，對于本領(lǐng)域的技術(shù)人員來說，本發(fā)明可以有各種更改和變化。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。當(dāng)前第1頁1 2 3