[发明专利]一种在高分辨率遥感影像中识别建筑物的方法

说明书

本发明公开一种在高分辨率遥感影像中识别建筑物的方法，通过建立位置异质性处理器，可以分析影像中一个位置与另外一个位置在一定邻域范围内的异质性，进而通过建立像元规律性过滤器实现像元关键特征的提取，并基于训练数据对影像中的每一个像元是否隶属于建筑物进行判断，实现高精确度的高分辨率遥感影像中提取建筑物的提取。本发明可以遥感影像分辨率较高的情况下，输入一个包含建筑物和非建筑物样本集，就可以实现高精度的建筑物提取。

技术领域：

本发明公开一种在高分辨率遥感影像中识别建筑物的方法，实现了高精确度的高分辨率遥感影像中提取建筑物的提取，属于遥感影像处理领域。

背景技术：

高分辨率遥感影像可以提供清晰的地物细节信息，为大范围的制图、土地利用变化监测提供有力的数据保障。通过在高分辨率遥感影像中识别建筑物有效监控城市的建筑发展趋势、进行精确的地籍调查、发现违建和违法问题，具有重要的实际应用价值。

当前的技术在遥感影像中识别建筑物的方法主要包括以下几类：一、引入训练数据集，利用传统的支持向量机、神经网技术对影像中的像元进行逐个的分类，由于高分辨率遥感影像具有较高的类内异质性，单一的像元在波段值上较难与其他地物区分，所以此类方法分类精度较低，获得的结果影像通常较为混乱。二、基于视觉特征的词袋模型（BovW）的场景分类方法，此类方法虽然可以获得较高分类精度，但是由于BovW方法属于场景分类，不能逐个像元的对影像进行提取，所以无法精确的定位影像中的建筑。三、是基于深度学习卷积神经网的方法，此类方法虽然效果较好，但是需要远远超过输入遥感影像本身量级的样本来训练深度网络，单纯的对一景影像分类代价十分巨大，而且当新的影像中包含神经网未知的（如屋顶颜色、方向）的建筑时，还需要补充大量样本进行计算。

因此需要引入一种方法，可以基于像元及其领域的异质以及少量训练样本性找到建筑物像元与非建筑物像元的差别，精确的在高分辨率遥感影像中确定建筑物的位置。

发明内容：

针对现有技术提出的问题，本发明提出了一种在高分辨率遥感影像中提取建筑物的方法。通过建立位置异质性处理器，可以分析影像中一个位置与另外一个位置在一定邻域范围内的异质性，进而通过建立像元规律性过滤器实现像元关键特征的提取，并基于训练数据对影像中的每一个像元是否隶属于建筑物进行判断，实现高精确度的高分辨率遥感影像中提取建筑物的提取。

本发明所述的一种在高分辨率遥感影像中识别建筑物的方法，包括以下步骤：

S1. 输入遥感影像Image，该影像包含BandNum个波段，该影像的大小为RowNum行，ColNum列，指定跨度阈值SpanNum；输入由SampleNum个样本点构成样本集TestSet；

S101，输入遥感影像Image，该影像包含BandNum个波段，该影像的大小为RowNum行，ColNum列；

S102，指定跨度阈值SpanNum；跨度阈值的取值区间为[5,10]，默认值为5；

S103，在影像上选取SampleNum个样本点构成样本集TestSet；

TestSet为一个SampleNum个样本集合{p1,p2,p3,..p_SampleNum}，对于其中任意一个样本p_i其内容为p_i={hs,ls,lable,character}，其中hs表示p_i在影像中所处行，ls表示p_i在影像上所在处列，label的值为1或者-1，其中1表示p_i所在位置为建筑物，-1表示pi所在位置为非建筑物,样本规律性特征character为4个元素的数组；

S2. 建立影像位置异质性处理器HeteroOperator；HeteroOperator需要输入两个位置点px1和px2，输出为异质性差值HeteroDifference；