论文部分内容阅读
在城市遥感影像中,建筑物自动解译在土地利用监测、城市规划与人口估计、灾害预警与评估等多个领域的研究中都有着重要的作用。传统的人工实地测量方法虽然投入大了量的人力、物力,但是实际效果并不理想、数据更新速度较慢。近几十年来,随着高分辨率遥感影像应用的快速普及,遥感影像建筑物提取已经发展成为科研工作者的关注热点,并产生了大量的研究算法,它们主要是通过高维度数据(如纹理信息、上下文信息、形态信息)进行建筑物信息提取。这些算法存在明显的缺点:(1)算法复杂度高,(2)忽略光谱信息,(3)严格依赖于建筑物的矩形轮廓,(4)高分辨率影像的数据量较大,数据处理困难,(5)难以解决算法复杂度和算法性能之间的平衡问题。为了解决这些问题,本文在遥感影像建筑物提取方面进行了深入的研究,主要的研究内容及创新点如下:1、基于改进的形态学建筑物指数研究传统的形态学建筑物指数(Morphological Building Index,MBI)算法主要是基于白顶帽变换来描述建筑物的亮度对比度特征。然而,影像中建筑物如果被阴影覆盖或者建筑物与周围环境的亮度值相似,这种亮度差异特征将会变小,进而产生一定的漏分误差。因此,本文提出了改进的MBI算法,该方法主要是引入了建筑物的光谱信息和图像的局部增强算法,减少干扰影响,并且通过后处理来消除噪声干扰,改善建筑物提取精度。实验结果表明,与传统MBI算法相比,改进的MBI算法能够获得更高的准确率,为86.06%,且大幅度降低建筑物提取的漏分误差。2、基于最佳光谱指数选择的建筑物提取研究由于现有的建筑物提取算法忽略遥感影像上固有的地物光谱信息,且算法的时间成本较高,所以本文提出了基于最佳光谱指数选择的建筑物提取算法,根据不同的遥感影像分别提出了两种光谱的建筑物指数,包括基于归一化的光谱建筑物指数(Normalized Spectral Building Index,NSBI)和基于差分的光谱建筑物指数(Difference Spectral Building Index,DSBI)。本文首先研究了常见地物的光谱指数模型,分析统计了建筑物的光谱指数,再根据不同的高分辨率影像选择最佳的建筑物指数,然后通过后处理减少明显的非建筑物噪声干扰,提高建筑物的提取精度。实验数据表明:基于光谱指数建筑物提取算法能够在较短的时间内、有效提取建筑物信息,平均准确率为86%,且时间消耗是传统MBI算法的五分之一。