[发明专利]城市场景下的高分遥感建筑物阴影检测方法

说明书

本发明公开了一种城市场景下的高分遥感建筑物阴影检测方法。首先，对建筑物遥感影像进行基于WJSEG算法的多尺度区域分割，获得基本分析单元；其次，提取每个基本分析单元的建筑物阴影辐射特征；然后，提取每个基本分析单元建筑物阴影分形属性，将辐射特征和分形属性组成该基本分析单元的特征向量；最后，基于主动学习的SVM分类器得到建筑物阴影检测结果。本发明在辐射特征的基础上引入对建筑物敏感的分形属性，提高了建筑物阴影的识别精度。

技术领域

本发明属于图像处理技术领域，特别涉及一种城市场景下的高分遥感建筑物阴影检测方法。

背景技术

高分辨率遥感影像的阴影检测已经成为遥感与摄影测量领域的研究热点之一，其可能的原因在于：一方面，尽管分辨率的不断提高带来了更加丰富的地物(阴影)空间细节信息，但同时也使阴影对变化检测及目标识别等图像处理过程的影响变得更加显著；另一方面，阴影又是一个重要的信息来源，特别是在摄影测量领域中，建筑物阴影可为建筑物的定位、高度估计、损毁检测以及变化检测领域提供大量的关键信息。因此，研究高分辨率遥感影像的建筑物阴影检测具有重要的理论意义和实际应用价值。

目前，针对建筑物的阴影检测，学者们已经提出了一些有效的方法，主要可以分为两类：基于模型的方法和基于特征的方法。第一类首先需要假设背景或建筑物阴影的统计模型，再根据此模型来判别某个像素是否属于阴影区域。如季顺平等提出将自然地物和建筑物均视为符合高斯分布的图像背景，而将阴影视为出界点，再利用卡方检验提取建筑物阴影。这种方法的局限在于对先验知识的依赖，而当先验知识匮乏时又通常难以选择合适的假设模型，因此算法的鲁棒性较差。而基于特征方法则通过选择有效的特征来识别建筑物阴影，具有不局限于特定假设模型的优点。其中，由于建筑物阴影与其他地物间通常存在显著的辐射差异，因而基于辐射特征的检测方法得到了广泛的研究，如Liasis等就针对不同类型建筑物阴影的辐射特征进行了统计分析。然而，仅依赖辐射特征又存在一些局限性，体现在：一方面，高分辨率遥感影像中纹理等细节特征更加丰富，增加了不同建筑物阴影间辐射特征的异质性；另一方面，普遍存在的具有相似辐射特征的非建筑物阴影区域(如树木遮挡、地形起伏等)，也是导致错检发生的主要来源。因此，如何进一步构建更加完备的特征空间来描述复杂多样的城市建筑物阴影，是提高检测精度关键。

发明内容

为了解决上述背景技术提出的技术问题，本发明旨在提供城市场景下的高分遥感建筑物阴影检测方法，在辐射特征的基础上引入对建筑物敏感的分形属性，提高建筑物阴影的识别精度。

为了实现上述技术目的，本发明的技术方案为：

城市场景下的高分遥感建筑物阴影检测方法，包括以下步骤：

(1)对建筑物遥感影像进行基于WJSEG算法的多尺度区域分割，获得基本分析单元；

(2)提取每个基本分析单元的建筑物阴影辐射特征；

(3)提取每个基本分析单元建筑物阴影分形属性，将步骤(2)提取的辐射特征和步骤(3)提取的分形属性组成该基本分析单元的特征向量；

(4)基于主动学习的SVM分类器得到建筑物阴影检测结果。

进一步地，在步骤(2)中，所述建筑物阴影辐射特征包括RF1、RF2和RF3；提取每个基本分析单元的灰度直方图，计算该灰度直方图与训练样本集中所有已标记样本的灰度直方图的欧式距离均值作为RF1；将原始影像的红、绿、蓝波段转换至HSV空间，在色调H影像中提取每个基本分析单元的灰度直方图，在色调H影像中结合已标记样本计算欧式距离均值最为RF2；计算绿色波段与蓝色波段的差值影像，在该差值影像中获得每个基元与已标记样本的欧式距离均值作为RF3。

进一步地，在步骤(3)中，所述建筑物阴影分形属性包括分形计盒维数、空间几何变化率和分形拟合误差；

在单波段影响中设定尺度参数r，N(r)为尺度r下覆盖整幅影像所需要的几何图形个数，则基本分析单元中某像素的分形计盒维数D：