及時(shí)準(zhǔn)確地獲取城市建筑區(qū)域的空間分布及其變化信息對(duì)于城市規(guī)劃、空間地理數(shù)據(jù)庫(kù)建設(shè)及區(qū)域社會(huì)經(jīng)濟(jì)分析具有重要意義。本文提出一種基于多尺度Gabor變換和感知聚類方法即張量投票TV (Tensor Voting)相結(jié)合的自適應(yīng)局部幾何不變特征檢測(cè)方法,并將其應(yīng)用于高空間分辨率遙感影像建筑區(qū)域提取。首先,考慮到高分辨率遙感影像復(fù)雜的幾何結(jié)構(gòu)特征,使用Gabor濾波器組對(duì)影像進(jìn)行多尺度多方向變換檢測(cè)奇異性特征。然后,在感知聚類框架下,根據(jù)張量投票理論將不同方向子帶系數(shù)位置編碼為相應(yīng)的二階對(duì)稱方向張量,為了突出影像幾何特征,對(duì)不同尺度、不同方向子帶中任意像素位置方向張量使用濾波器響應(yīng)系數(shù)加權(quán)并求和完成多尺度特征融合。再次,對(duì)張量特征分解得到點(diǎn)結(jié)構(gòu)與線結(jié)構(gòu)顯著性圖并使用非極大抑制提取相應(yīng)角點(diǎn)和曲線等局部幾何特征,同時(shí)生成約束準(zhǔn)則篩選角點(diǎn)以確定建筑物坐標(biāo)。最后,利用概率密度估計(jì)結(jié)合局部角點(diǎn)特征生成全局概率密度場(chǎng)描述影像中像素從屬于建筑目標(biāo)的概率,并使用最大類間方差法(Otsu)閾值分割自動(dòng)提取居民地多邊形區(qū)域。使用分辨率分別為0.49 m、0.98 m的Google Earth及0.8 m的高分二號(hào)...

【文章頁數(shù)】：12 頁

【部分圖文】：

圖1二階對(duì)稱張量的橢圓表示

式中，棒張量（sticktensor)e1e1T用以描述線性特征，λ1-λ2,e1分別表示像p(x,y)線特征的顯著性及其切向量，如圖1橢圓形結(jié)構(gòu)所示。球張量（balltensor)e1e1T+e2e2T用以描述節(jié)點(diǎn)特征，如圖1圓形結(jié)構(gòu)所示，λ2表示其顯著性，此時(shí)λ1≈λ2，....

圖2基于Tensorvoting的二進(jìn)制影像幾何結(jié)構(gòu)顯著性提取

圖2為二進(jìn)制影像經(jīng)TV后自適應(yīng)提取線特征顯著圖與點(diǎn)特征顯著圖。對(duì)于二進(jìn)制影像，僅使用位置信息編碼二階張量，。經(jīng)過一次球張量投票及一次棒張量投票后根據(jù)像素的幾何結(jié)構(gòu)顯著性自動(dòng)分類，分別得到線特征顯著部分及點(diǎn)特征顯著部分，如圖2(b）和圖2(c）所示，暖色部分表示顯著值較大，線、點(diǎn)幾....

圖3基于Gabor變換和Tensorvoting的高分影像建筑區(qū)域角點(diǎn)檢測(cè)結(jié)果

使用式（9）—式（11)3個(gè)約束準(zhǔn)則對(duì)圖3(b）的角點(diǎn)檢測(cè)結(jié)果重新篩選，結(jié)果如圖4(a）及局部影像圖4(b）所示。以圖3(c）、圖4(b）等局部影像為例，圖3(c）中存在的部分由陰影和小目標(biāo)造成的偽角點(diǎn)在圖4(b）中被有效的去除。同時(shí)，圖3(b）右上角中道路上存在的誤檢角點(diǎn)也在圖....

圖4使用不同方法的建筑區(qū)域角點(diǎn)檢測(cè)結(jié)果

圖3基于Gabor變換和Tensorvoting的高分影像建筑區(qū)域角點(diǎn)檢測(cè)結(jié)果3基于聯(lián)合概率密度場(chǎng)的建筑區(qū)提取

本文編號(hào)：3961398