建筑物提取對(duì)于基礎(chǔ)地理數(shù)據(jù)獲取與更新具有重要意義。針對(duì)傳統(tǒng)的基于像元方法難以利用影像空間、上下文信息以及面向?qū)ο蠓椒ㄗ顑?yōu)分割尺度難以確定等問(wèn)題,該文提出一種基于超像素的高分辨率影像建筑物提取方法。首先利用LiDAR點(diǎn)云數(shù)據(jù)生成歸一化高程模型以獲取地物的高度特征,并通過(guò)Layerstacking方式與高分辨率影像融合;隨后基于Simple Linear Iterative Clustering（SLIC）算法分割高分辨率影像的RGB彩色圖像生成超像素;繼而基于分割所得的超像素中的每個(gè)像元對(duì)超像素進(jìn)行特征計(jì)算;最后使用基于RBF核的支持向量機(jī)方法進(jìn)行超像素級(jí)別分類,得到建筑物提取結(jié)果。實(shí)驗(yàn)結(jié)果表明,該方法能夠有效識(shí)別出簡(jiǎn)單場(chǎng)景和復(fù)雜場(chǎng)景下的建筑物,顯著消除了傳統(tǒng)基于像元方法出現(xiàn)的"椒鹽效應(yīng)",同時(shí)避免了面向?qū)ο蠓椒ㄖ凶罴逊指畛叨冗x擇的難題,取得了較好的建筑物提取效果。 

【文章來(lái)源】：地理與地理信息科學(xué). 2017,33(06)北大核心

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

圖１基于超像素的建筑物提取方法流程Ｆｉｇ．１Ｆｌｏｗｃｈａｒｔｏｆｂｕｉｌｄｉｎｇｅｘｔｒａｃｔｉｏｎｂａｓｅｄｏｎｓｕｐｅｒｐｉｘｅｌｓ１．１ＬｉＤＡＲ點(diǎn)云數(shù)據(jù)與影像融合

線性可分的情況，對(duì)于非線性問(wèn)題，支持向量機(jī)引入了核函數(shù)，將非線性映射到高維特征空間，在高維特征空間中構(gòu)建線性判別函數(shù)以實(shí)現(xiàn)非線性分類。常用的核函數(shù)有線性函數(shù)、多項(xiàng)式函數(shù)、徑向基函數(shù)（ＲＢＦ）及Ｓｉｇｍｏｉｄ函數(shù)，通常ＲＢＦ核函數(shù)適應(yīng)性較強(qiáng)，應(yīng)用效果優(yōu)于其他核函數(shù)。因此，本文以超像素為基本單元，采用非線性徑向基函數(shù)（ＲＢＦ核）的支持向量機(jī)（ＳＶＭ）進(jìn)行建筑物提齲２實(shí)驗(yàn)與分析２．１實(shí)驗(yàn)數(shù)據(jù)為驗(yàn)證本文方法的有效性，從美國(guó)印第安納州選取了２個(gè)研究區(qū)域（圖３，彩圖見封３），區(qū)域大小分別為１３８７＊１７３６、１０５４＊９１１。區(qū)域１的建筑物分布較稀疏，且無(wú)高大樹木遮擋；區(qū)域２的建筑物較密集，顏色斑雜，有高大樹木遮擋，提取難度相對(duì)較大。兩個(gè)區(qū)域均使用ＮＡＩＰ高空間分辨率影像和相應(yīng)的ＬｉＤＡＲ點(diǎn)云數(shù)據(jù)。其中，高空間分辨率影像獲取時(shí)間為２０１３年，分辨率為０．５Ｆｅｅｔ（約為０．２ｍ），包括Ｒ、Ｇ、Ｂ和ＩＲ４個(gè)波段；同期的ＬｉＤＡＲ點(diǎn)云數(shù)據(jù)平均點(diǎn)云密度約為１個(gè)／ｍ２，包含Ｘ、Ｙ、Ｚ坐標(biāo)及多次回波強(qiáng)度信息。對(duì)實(shí)驗(yàn)結(jié)果的精度評(píng)價(jià)所用的地面參考數(shù)據(jù)是人工解譯的建筑物矢量結(jié)果圖（圖４）。圖３研究區(qū)高分辨率影像Ｆｉｇ．３Ｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｓｏｆｔｈｅｓｔｕｄｙａｒｅａ圖４研究區(qū)地面參考圖像Ｆｉｇ．４Ｇｒｏｕｎｄｒｅｆｅｒｅｎｃｅｉｍａｇｅｓｏｆｔｈｅｓｔｕｄｙａｒｅａ２．２實(shí)驗(yàn)結(jié)果２．２．１分割結(jié)果本文方法首先基于ＳＬＩＣ超像素分割算法對(duì)研究區(qū)域融合圖像中的ＲＧＢ彩色圖像進(jìn)

空間分辨率影像和相應(yīng)的ＬｉＤＡＲ點(diǎn)云數(shù)據(jù)。其中，高空間分辨率影像獲取時(shí)間為２０１３年，分辨率為０．５Ｆｅｅｔ（約為０．２ｍ），包括Ｒ、Ｇ、Ｂ和ＩＲ４個(gè)波段；同期的ＬｉＤＡＲ點(diǎn)云數(shù)據(jù)平均點(diǎn)云密度約為１個(gè)／ｍ２，包含Ｘ、Ｙ、Ｚ坐標(biāo)及多次回波強(qiáng)度信息。對(duì)實(shí)驗(yàn)結(jié)果的精度評(píng)價(jià)所用的地面參考數(shù)據(jù)是人工解譯的建筑物矢量結(jié)果圖（圖４）。圖３研究區(qū)高分辨率影像Ｆｉｇ．３Ｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｓｏｆｔｈｅｓｔｕｄｙａｒｅａ圖４研究區(qū)地面參考圖像Ｆｉｇ．４Ｇｒｏｕｎｄｒｅｆｅｒｅｎｃｅｉｍａｇｅｓｏｆｔｈｅｓｔｕｄｙａｒｅａ２．２實(shí)驗(yàn)結(jié)果２．２．１分割結(jié)果本文方法首先基于ＳＬＩＣ超像素分割算法對(duì)研究區(qū)域融合圖像中的ＲＧＢ彩色圖像進(jìn)行分割，生成超像素。研究表明，當(dāng)超像素的尺寸為像元大小的１０倍時(shí)，ＳＬＩＣ超像素分割算法的效率及分割效果均較佳［１１］。為此，實(shí)驗(yàn)中將每個(gè)超像素的大小預(yù)設(shè)為１０＊１０像元，則分別設(shè)定區(qū)域１和區(qū)域２生成的超像素個(gè)數(shù)為２４０７８和９６００。為同面向?qū)ο蟮姆椒ㄟM(jìn)行對(duì)比，采用面向?qū)ο蠓椒ㄖ谐Ｓ玫亩喑叨确指钏惴ǎǎ停酰欤簦椋遥澹螅铮欤酰簦椋铮睿樱澹纾恚澹睿簦停遥樱┓謩e對(duì)兩個(gè)研究區(qū)域進(jìn)行分割處理。根據(jù)實(shí)驗(yàn)結(jié)果，區(qū)域１、區(qū)域２在分割尺度分別為１００和５０時(shí)分割結(jié)果最佳。兩種分割方法的分割效果如圖５所示。頁(yè)５２第地理與地理信息科學(xué)第３３卷


本文編號(hào)：2992249