基于形態(tài)學(xué)房屋指數(shù)的高分辨率遙感影像房屋提取方法
【專利摘要】本發(fā)明公開了一種基于形態(tài)學(xué)房屋指數(shù)的高分辨率遙感影像房屋提取方法，本發(fā)明針對高分辨率遙感影像上房屋的亮度大、各向同性、類矩度的特點(diǎn)，基于形態(tài)學(xué)運(yùn)算構(gòu)建形態(tài)學(xué)房屋指數(shù)，采用形態(tài)學(xué)房屋指數(shù)自動提取遙感影像房屋。在此基礎(chǔ)上，本發(fā)明還利用陰影和房屋相似的空間特性和相反的光學(xué)特性，從形態(tài)學(xué)房屋指數(shù)衍生出形態(tài)學(xué)陰影指數(shù)，并采用形態(tài)學(xué)陰影指數(shù)對房屋提取進(jìn)行約束，從而進(jìn)一步優(yōu)化房屋提取精度。本發(fā)明無需手動分割、無需人工訓(xùn)練，可實現(xiàn)遙感影像房屋的全自動化提??；加入形態(tài)學(xué)陰影指數(shù)進(jìn)行約束，可顯著提高房屋提取精度。
【專利說明】基于形態(tài)學(xué)房屋指數(shù)的高分辨率遙感影像房屋提取方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于遙感影像處理【技術(shù)領(lǐng)域】，尤其涉及一種基于形態(tài)學(xué)房屋指數(shù)的高分辨率遙感影像房屋提取方法。
【背景技術(shù)】
[0002]建筑物的自動提取主要是基于影像的基本特征及先驗知識，然而，由于二維影像表達(dá)三維場景時信息的缺失，使得全自動提取技術(shù)并不成熟，仍處在研究探索階段。
[0003]目前，房屋建筑提取方法主要包括:(1)基于區(qū)域分割的提取方法、(2)基于多源數(shù)據(jù)融合的提取方法和(3)基于面向?qū)ο蟮奶崛》椒ā?br> [0004](I)基于區(qū)域分割的提取方法[1]
[0005]該方法就是把空間上有聯(lián)系的像元聚集成均質(zhì)的對象，并保證對象在光譜和空間上是均質(zhì)的。首先將一幅圖像分成許多小區(qū)域，這些初始區(qū)域可能是很小的連通區(qū)域或者是單個像素；在每個區(qū)域中，用一個能反映某對象的性質(zhì)來區(qū)分不同物體內(nèi)像素；然后對相鄰邊界的所有區(qū)域進(jìn)行計算，決定所屬區(qū)域并進(jìn)行合并，這樣一個迭代過程將具有相似性的像素集合并構(gòu)成一個區(qū)域，這種相似性質(zhì)的像素區(qū)域不斷地增大。區(qū)域生長是一種典型的串行區(qū)域分割方法，其后續(xù)步驟的處理要根據(jù)對前面步驟的結(jié)果進(jìn)行判斷后確定。Liu等[2]對影像進(jìn)行多尺度分割，綜合考慮了紋理、上下文等信息，分割后利用模糊決策樹分類器進(jìn)行分類，再通過隨機(jī)Hough變換實現(xiàn)房屋邊緣的提取。Fua和Hansot3]將圖像分割成一系列區(qū)域，根據(jù)區(qū)域求出封閉邊緣，最后利用幾何規(guī)則把邊緣連接為復(fù)雜的結(jié)構(gòu)。
[0006](2)基于多源數(shù)據(jù)融合的提取方法[4?7]
[0007]數(shù)據(jù)融合旨在充分利用不同時間與空間的信息資源，采用計算機(jī)技術(shù)對按時序獲得的多傳感器觀測信息在一定準(zhǔn)則下進(jìn)行分析和綜合，獲得對被測對象的一致性解釋與描述，以完成所需的決策和估計任務(wù)，使系統(tǒng)獲得比它的各組成部分更優(yōu)越的性能。多源數(shù)據(jù)融合則是將多個傳感器得到的不同信息進(jìn)行融合。最常見的多源數(shù)據(jù)融合是融合具有高程信息的數(shù)據(jù)，其中以LIDAR數(shù)據(jù)為代表。程亮、龔健雅M提出一種LIDAR輔助下利用超高分辨率影像進(jìn)行輪廓提取方法。Zhang keqi, Yan jianhua等[9]借助LIDAR數(shù)據(jù)提供的信息，通過一系列算法實現(xiàn)了房屋點(diǎn)集的自動提取。該方法首先通過一個形態(tài)學(xué)濾波將地面與非地面分離開，接著通過基于平面擬合技術(shù)的區(qū)域增長算法將非地面上的房屋識別出來，最后再連接邊界點(diǎn)對房屋的點(diǎn)集進(jìn)行分割得到房屋提取結(jié)果。
[0008](3)基于面向?qū)ο蟮奶崛》椒╗1°?11]
[0009]面向?qū)ο蟮幕舅枷胧菍⒂跋駥ο笞鳛橛跋穹治龅幕締卧?，根?jù)空間或光譜特征將遙感影像分割成離散的區(qū)域或集合，影像對象就是指這些分割后產(chǎn)生的若干“同質(zhì)”像素集合。面向?qū)ο蟮姆椒ㄊ峭ㄟ^對影像進(jìn)行分割，提取同質(zhì)區(qū)域，然后對各個區(qū)域進(jìn)行特征分析從而提取出房屋建筑。與基于像元的方法相比，面向?qū)ο蟮姆椒ㄍǔＤ墚a(chǎn)生較高的信息提取精度。Baatz和Schpe[12]提出將多尺度分割和決策樹分類結(jié)合，將光譜、紋理、上下文信息結(jié)合用于目標(biāo)的識別。[0010]傳統(tǒng)的房屋提取方法在實際分類中并不能取得較高精度，而且還需要加入許多人工干預(yù)，如樣本訓(xùn)練或者尺度分割等，自動化程度不高。
[0011]隨著數(shù)學(xué)形態(tài)學(xué)的發(fā)展，其在圖像處理方面有越來越明顯的優(yōu)勢。Maurya，1?等[13]提出了使用基于分割的植被指數(shù)NDVI和形態(tài)學(xué)算子對高分辨率遙感影像進(jìn)行房屋提取。該方法考慮了遙感影像中房屋的光譜特征和空間特征。光譜特征即是基于分割的NDVI，空間特征即是與形態(tài)學(xué)算子相關(guān)的。通過NDVI，將區(qū)域分割為兩部分，其中一部分為包含了房屋和道路等光譜特征相似的對象，再用形態(tài)學(xué)算子以空間特征將房屋與道路分離。這種方法取得了非常好的效果。相關(guān)文獻(xiàn):
[0012]房屋陰影M作為一種光譜性上的約束，被用來提高房屋提取的精度。從差分形態(tài)學(xué)中提取出來的陰影能夠為確定房屋的位置和形狀提供可靠的上下文信息。陰影與太陽方位角、太陽高度角、傳感器方位角有關(guān)。
[0013]文中涉及的參考文獻(xiàn):
[0014][I]宋曉宇，單新建.高分辨率衛(wèi)星影像在城市建筑物識別中的初步應(yīng)用[J].遙感信息，2000，(I):26-30.[0015][2]Liu, Z.J., Wang, J., Liu, ff.P., 2005.Building extraction from highresolution imagery based on mult1-scale object oriented classification andprobabilistic Hough transform.1n:Proc.1GARSS2005Symposium, Seoul, Korea,25 -29July2005.pp.2250 - 2253.[0016][3]P.Fua and A.J.Hanson.Resegmentation Using generic shape: locatinggeneral cultural object, Technical Report,Artificial Intelligence Center, SRIinternational.Mayl986.[0017][4] Cartographica Sinicaj 2008, 37 (3):391-393.[0018][5]T.Schenk,B.Csath0.Fusion of LiDAR data and aerial imagery for a morecomplete surface des cription International Archives of Photogrammetry，RemoteSensing and Spatial Information Sciences, 34(Part3)(2002), pp.310 - 317 ；
[0019][6]Wang, Z.and Schenk, T.2000.Building extraction and reconstructionfrom lidar data.1n:1nternational Archives of Photogrammetry and Remote Sensing，33 (B3):958-964.[0020][7]CHENG Liang, GONG Jianya.Building Boundary Extraction Using Very HighResolution Images and LiDAR.[J].Acta Geodaetica et
[0021][8]程亮，龔健雅.LiDAR輔助下利用超高分辨率影像提取建筑物輪廓方法[J].測繪學(xué)報，2008，37 (3): 391-393.[0022][9]Zhang K., Yan J., Chen S.Automatic Construction of Building FootprintsFrom Airborne LIDAR Data.1EEE Transactions on Geoscience and Remote Sensing, Vo1.44，pp.2523-2533，2006 ；
[0023][10]喬程，駱劍承，吳泉源等.面向?qū)ο蟮母叻直媛视跋癯鞘薪ㄖ锾崛J].地理與地理信息科學(xué)，2008，24 (5):36-39 ；
[0024][11]劉正軍，張繼賢，孟亞賓等.基于分類與形態(tài)綜合的高分辨率影像建筑物提取方法研究[J].測繪科學(xué)，2007，32 (3):38-46[0025][12]Baatz M，Schpe A.0bject-Oriented Mult1-Scale Image Analysis inSemantic Networks[C].1n: Proceeding of the2nd International Symposium onperationalization of Remote Sensing.Enschede, IT (C).1999.16-20 ；
[0026][13]D.Singh, R.Mauryaj A.S.Shuklaj M.K.Sharma and P.R Gupta, "BuildingExtraction from Very High Resolution Multispectral Images using NDVI basedSegmentation and Morphological Operators，"Engineering and Systems (SCES), 2012.[0027][14]X.Jin and C.H.Davis, “Automated building extraction from highresolution satellite imagery in urban areas using structural, contextual,andspectral information,，’ EURASIP J.App1.Signal Process., vol.14, pp.2196 -2206，Jan.2005.
【發(fā)明內(nèi)容】

[0028]針對現(xiàn)有技術(shù)存在的不足，本發(fā)明考慮高分辨率遙感影像上房屋特點(diǎn)，提供了一種基于形態(tài)學(xué)房屋指數(shù)的高分辨率遙感影像房屋提取方法。
[0029]為解決上述技術(shù)問題，本發(fā)明采用如下的技術(shù)方案:
[0030]一種基于形態(tài)學(xué)房屋指數(shù)的高分辨率遙感影像房屋提取方法，包括步驟:
[0031]步驟1，獲取遙感影像的亮度影像，；
[0032]步驟2，根據(jù)遙感影像中房屋尺寸和遙感影像分辨率設(shè)置一系列線性結(jié)構(gòu)元素尺度； [0033]步驟3，在各線性結(jié)構(gòu)元素尺度下分別執(zhí)行如下操作:
[0034]用線性結(jié)構(gòu)元素對亮度影像進(jìn)行不同方向白頂帽變換，得到各方向的白頂帽值，對所有方向的白頂帽值求平均，得到多方向白頂帽均值；
[0035]步驟4，求所有相鄰線性結(jié)構(gòu)元素尺度下的多方向白頂帽均值之差的絕對值，獲得基于差分形態(tài)學(xué)屬性的白頂帽值，基于差分形態(tài)學(xué)屬性的白頂帽值的平均值即形態(tài)學(xué)房屋指數(shù)；
[0036]步驟5，基于形態(tài)學(xué)房屋指數(shù)提取遙感影像房屋，即，將遙感影像中形態(tài)學(xué)房屋指數(shù)大于預(yù)設(shè)房屋指數(shù)閾值的像元判定為房屋像元。
[0037]步驟I中所述的獲取遙感影像的亮度影像具體為:
[0038]獲取遙感影像上各像元在可見光波段中光譜值的最大值作為該像元的亮度值，從而獲得亮度影像。
[0039]作為優(yōu)選，步驟3中所述的白頂帽變換為基于重建的白頂帽變換。
[0040]步驟3中所述的不同方向可表示為d = kx — , d表示方向，η表示方向數(shù)，k =
I y 2 y 3 y...j 1 O
[0041]作為優(yōu)選，本發(fā)明還包括以房屋幾何指數(shù)為約束對步驟5獲得的房屋對象進(jìn)行后處理，具體為:
[0042]將房屋幾何指數(shù)大于房屋幾何指數(shù)閾值的房屋對象保留為房屋，將房屋幾何指數(shù)不大于房屋幾何指數(shù)閾值的房屋對象判定為非房屋對象；
[0043]所述的房屋幾何指數(shù)=調(diào)節(jié)系數(shù)X矩形度/長寬比，矩形度為一個與房屋對象面積相等的矩形，長寬比指與房屋對象面積相等的矩形的長寬比；調(diào)節(jié)系數(shù)用來調(diào)節(jié)房屋幾何指數(shù)大小。
[0044]作為優(yōu)選，本發(fā)明還包括以面積為約束對步驟5獲得的房屋對象進(jìn)行后處理，具體為:
[0045]將面積大于預(yù)設(shè)面積閾值的房屋對象保留為房屋,將面積不大于預(yù)設(shè)面積閾值的房屋對象判定為噪點(diǎn)。
[0046]作為優(yōu)選，本發(fā)明還包括步驟:
[0047]步驟6，在各線性結(jié)構(gòu)元素尺度下分別執(zhí)行如下操作:
[0048]用線性結(jié)構(gòu)元素對亮度影像進(jìn)行不同方向黑頂帽變換，得到各方向的黑頂帽值，對所有方向的黑頂帽值求平均，得到多方向黑頂帽均值；
[0049]步驟7，求所有相鄰線性結(jié)構(gòu)元素尺度下的多方向黑頂帽均值之差的絕對值，獲得基于差分形態(tài)學(xué)屬性的黑頂帽值，基于差分形態(tài)學(xué)屬性的黑頂帽值的平均值即形態(tài)學(xué)陰影指數(shù)；
[0050]步驟8，以形態(tài)學(xué)陰影指數(shù)為約束對步驟5獲得的房屋對象中像元進(jìn)行進(jìn)一步判定:
[0051]8.1根據(jù)經(jīng)驗設(shè)定陰影指數(shù)閾值，將形態(tài)學(xué)陰影指數(shù)大于陰影指數(shù)閾值的像元判定為陰影像元，形態(tài)學(xué)陰影指數(shù)不大于陰影指數(shù)閾值的像元判定為非陰影像元，陰影像元構(gòu)成陰影對象；
[0052]8.2根據(jù)實際情況預(yù)設(shè)第一形態(tài)學(xué)房屋指數(shù)閾值T_high、第二形態(tài)學(xué)房屋指數(shù)閾值 T_low、第一距離閾值 D_high 和第二距離閾值 D_low, T_high>T_low, T_high>T_low ；
[0053]若像元的形態(tài)學(xué)房屋指數(shù)大于1'_1^811、且像元所在房屋對象與相鄰陰影對象間的距離小于預(yù)設(shè)第一距離閾值D_high，則該像元判定為房屋像元；若像元的形態(tài)學(xué)房屋指數(shù)在第二形態(tài)學(xué)房屋指數(shù)閾值T_low和第一形態(tài)學(xué)房屋指數(shù)閾值T_high間、且像元所在房屋對象與相鄰陰影像元間的距離小于預(yù)設(shè)第二距離閾值D_low，則該像元也判定為房屋像元；其他像元判定為非房屋像元。
[0054]作為優(yōu)選，步驟6中所述的黑頂帽變換為基于重建的黑頂帽變換。
[0055]本發(fā)明針對高分辨率遙感影像上房屋的亮度大、各向同性、類矩度的特點(diǎn)，基于形態(tài)學(xué)運(yùn)算構(gòu)建形態(tài)學(xué)房屋指數(shù)，采用形態(tài)學(xué)房屋指數(shù)自動提取遙感影像房屋。在此基礎(chǔ)上，本發(fā)明還利用陰影和房屋相似的空間特性和相反的光學(xué)特性，從形態(tài)學(xué)房屋指數(shù)衍生出形態(tài)學(xué)陰影指數(shù)，并采用形態(tài)學(xué)陰影指數(shù)對房屋提取進(jìn)行約束，從而進(jìn)一步優(yōu)化房屋提取精度。
[0056]和現(xiàn)有技術(shù)相比，本發(fā)明具有如下有益效果:
[0057]1、無需手動分割，無需人工訓(xùn)練，可實現(xiàn)遙感影像房屋的全自動化提??；
[0058]2、加入形態(tài)學(xué)陰影指數(shù)進(jìn)行約束，可顯著提高房屋提取精度。
【專利附圖】

【附圖說明】
[0059]圖1為形態(tài)學(xué)房屋指數(shù)構(gòu)建流程圖；
[0060]圖2為形態(tài)學(xué)陰影指數(shù)構(gòu)建流程圖?！揪唧w實施方式】
[0061]高分辨率遙感影像上房屋特具有如下基本特點(diǎn):
[0062](I)對比度與亮度:
[0063]屋頂直接接收太陽光照射，一般具有較高亮度；同時，考慮到陽光投射造成的房屋陰影，因此屋頂與周圍的對比度也較高。
[0064](2)形狀:
[0065]遙感影像上，房屋通常表現(xiàn)為有一定空間范圍、類似矩形的結(jié)構(gòu)體。
[0066](3)尺寸:
[0067]房屋具有多個尺度，但大小一般在某一尺度范圍內(nèi)。
[0068](4)方向:
[0069]相對于道路，房屋具有各向同性特征，因此可用方向性來區(qū)分房屋和道路。
[0070]本發(fā)明根據(jù)以上房屋基本特點(diǎn)構(gòu)建形態(tài)學(xué)房屋指數(shù)，從而實現(xiàn)遙感影像中房屋的提取，具體過程如下:
[0071]步驟1，獲取遙感影像的亮度影像。
[0072]獲取遙感影像上各像元在可見光波段中光譜值的最大值，作為該像元的亮度值，從而獲得売度影像:
[0073]Λ(α-) = max (M4 (.v))(I)
[0074]式⑴中，Mk(X)為像元X在波段k中的光譜值，b(x)則代表像元X的亮度值，K為總波段數(shù)。
[0075]步驟2，亮度影像的白頂帽變換。
[0076]本步驟進(jìn)一步包括子步驟:
[0077]2.1采用線性結(jié)構(gòu)元素s對亮度影像b進(jìn)行開運(yùn)算，即先腐蝕再膨脹:
[0078]ys(b) = δ3( ε s (b))(2)
[0079]式(2)中，ε代表腐蝕運(yùn)算，δ代表膨脹運(yùn)算，s代表線性結(jié)構(gòu)元素。
[0080]2.2對亮度影像進(jìn)行白頂帽運(yùn)算。
[0081]將步驟I獲得的亮度影像b減去經(jīng)開運(yùn)算后的亮度影像Ys(b)，即獲得亮度影像的白頂帽值。
[0082]為了更好的保持遙感影像中各地物形狀，本步驟對亮度影像進(jìn)行基于重建的白頂帽運(yùn)算，即采用線性結(jié)構(gòu)元素s對亮度影像b進(jìn)行基于重建的開運(yùn)算，將亮度影像b減去經(jīng)基于重建的開運(yùn)算后的亮度影像:么(句，獲得亮度影像的基于重建的白頂帽值THR、(/，) = /卜;/;.(/小
[0083]白頂帽變換能檢測到小于或等于線性結(jié)構(gòu)元素長度的明亮對象，并同時去除其他較暗像元，白頂帽值可反映線性結(jié)構(gòu)元素區(qū)域內(nèi)像元和其鄰近像元的亮度差異。
[0084]步驟3，多方向性的白頂帽變換。
[0085]傳統(tǒng)形態(tài)學(xué)房屋提取方法中一般采用圓盤形結(jié)構(gòu)元素，圓盤形結(jié)構(gòu)元素未考慮方向性，其對各方向都是相同的。房屋相對于道路具有各向同性特征，憑此特征能將道路與房屋區(qū)分開來。線性結(jié)構(gòu)元素能有效考慮多方向，所以為描述影像結(jié)構(gòu)的方向性，本發(fā)明采用線性結(jié)構(gòu)元素代替圓盤形結(jié)構(gòu)元素。[0086]線性結(jié)構(gòu)元素的方向集D可表示為:
[0087]
【權(quán)利要求】
1.基于形態(tài)學(xué)房屋指數(shù)的高分辨率遙感影像房屋提取方法，其特征在于: 步驟1，獲取遙感影像的亮度影像，； 步驟2，根據(jù)遙感影像中房屋尺寸和遙感影像分辨率設(shè)置一系列線性結(jié)構(gòu)元素尺度； 步驟3，在各線性結(jié)構(gòu)元素尺度下分別執(zhí)行如下操作: 用線性結(jié)構(gòu)元素對亮度影像進(jìn)行不同方向白頂帽變換，得到各方向的白頂帽值，對所有方向的白頂帽值求平均，得到多方向白頂帽均值； 步驟4，求所有相鄰線性結(jié)構(gòu)元素尺度下的多方向白頂帽均值之差的絕對值，獲得基于差分形態(tài)學(xué)屬性的白頂帽值，基于差分形態(tài)學(xué)屬性的白頂帽值的平均值即形態(tài)學(xué)房屋指數(shù)； 步驟5，基于形態(tài)學(xué)房屋指數(shù)提取遙感影像房屋，即，將遙感影像中形態(tài)學(xué)房屋指數(shù)大于預(yù)設(shè)房屋指數(shù)閾值的像元判定為房屋像元。
2.如權(quán)利要求1所述的基于形態(tài)學(xué)房屋指數(shù)的高分辨率遙感影像房屋提取方法，其特征在于: 步驟I中所述的獲取遙感影像的亮度影像具體為: 獲取遙感影像上各像元在可見光波段中光譜值的最大值作為該像元的亮度值，從而獲得売度影像。
3.如權(quán)利要求1所述的基于形態(tài)學(xué)房屋指數(shù)的高分辨率遙感影像房屋提取方法，其特征在于: 步驟3中所述的白頂帽變換為基于重建的白頂帽變換。
4.如權(quán)利要求1所述的基于形態(tài)學(xué)房屋指數(shù)的高分辨率遙感影像房屋提取方法，其特征在于: 步驟3中所述的不同方向可表示為d表示為d=kxπ/n，η表示方向數(shù)，k =I、 2 、 3 、...n。
5.如權(quán)利要求1所述的基于形態(tài)學(xué)房屋指數(shù)的高分辨率遙感影像房屋提取方法，其特征在于: 還包括以房屋幾何指數(shù)為約束對步驟5獲得的房屋對象進(jìn)行后處理，具體為: 將房屋幾何指數(shù)大于房屋幾何指數(shù)閾值的房屋對象保留為房屋，將房屋幾何指數(shù)不大于房屋幾何指數(shù)閾值的房屋對象判定為非房屋對象； 所述的房屋幾何指數(shù)=調(diào)節(jié)系數(shù)X矩形度/長寬比，矩形度為一個與房屋對象面積相等的矩形，長寬比指與房屋對象面積相等的矩形的長寬比；調(diào)節(jié)系數(shù)用來調(diào)節(jié)房屋幾何指數(shù)大小。
6.如權(quán)利要求1所述的基于形態(tài)學(xué)房屋指數(shù)的高分辨率遙感影像房屋提取方法，其特征在于: 還包括以面積為約束對步驟5獲得的房屋對象進(jìn)行后處理，具體為: 將面積大于預(yù)設(shè)面積閾值的房屋對象保留為房屋，將面積不大于預(yù)設(shè)面積閾值的房屋對象判定為噪點(diǎn)。
7.如權(quán)利要求1所述的基于形態(tài)學(xué)房屋指數(shù)的高分辨率遙感影像房屋提取方法，其特征在于:還包括步驟: 步驟6， 在各線性結(jié)構(gòu)元素尺度下分別執(zhí)行如下操作: 用線性結(jié)構(gòu)元素對亮度影像進(jìn)行不同方向黑頂帽變換，得到各方向的黑頂帽值，對所有方向的黑頂帽值求平均，得到多方向黑頂帽均值； 步驟7，求所有相鄰線性結(jié)構(gòu)元素尺度下的多方向黑頂帽均值之差的絕對值，獲得基于差分形態(tài)學(xué)屬性的黑頂帽值，基于差分形態(tài)學(xué)屬性的黑頂帽值的平均值即形態(tài)學(xué)陰影指數(shù)； 步驟8，以形態(tài)學(xué)陰影指數(shù)為約束對步驟5獲得的房屋對象中像元進(jìn)行進(jìn)一步判定: 8.1根據(jù)經(jīng)驗設(shè)定陰影指數(shù)閾值，將形態(tài)學(xué)陰影指數(shù)大于陰影指數(shù)閾值的像元判定為陰影像元，形態(tài)學(xué)陰影指數(shù)不大于陰影指數(shù)閾值的像元判定為非陰影像元，陰影像元構(gòu)成陰影對象； 8.2根據(jù)實際情況預(yù)設(shè)第一形態(tài)學(xué)房屋指數(shù)閾值T_high、第二形態(tài)學(xué)房屋指數(shù)閾值T_low、第一距離閾值 D_high 和第二距離閾值 D_low, T_high>T_low, T_high>T_low ； 若像元的形態(tài)學(xué)房屋指數(shù)大于1'_1^811、且像元所在房屋對象與相鄰陰影對象間的距離小于預(yù)設(shè)第一距離閾則該像元判定為房屋像元；若像元的形態(tài)學(xué)房屋指數(shù)在第二形態(tài)學(xué)房屋指數(shù)閾值乙10?和第一形態(tài)學(xué)房屋指數(shù)閾值T_high間、且像元所在房屋對象與相鄰陰影像元間的距離小于預(yù)設(shè)第二距離閾值D_low，則該像元也判定為房屋像元；其他像元判定為非房屋像元。
8.如權(quán)利要求7所述的基于形態(tài)學(xué)房屋指數(shù)的高分辨率遙感影像房屋提取方法，其特征在于: 步驟6中所述的黑頂帽變換為基于重建的黑頂帽變換。
【文檔編號】G06K9/46GK103984947SQ201410238937
【公開日】2014年8月13日 申請日期:2014年5月30日 優(yōu)先權(quán)日:2014年5月30日
【發(fā)明者】黃昕 申請人:武漢大學(xué)