1、 实现空间信息采集的自动化和处理的智能化 二维图像和三维高度信息相结合的规则建筑物快速提取 动态规划法和Snake模型提取线状地物 数据源和线索 支持的目标模型 提取策略 目标检测与特征提取 特征编组和建模 自动化程度 用于建筑物目标提取与重建的数据资源非常广泛 1）图像特征提取、墙面和屋顶面检测、建筑物特征组合、建筑物顶部假设的产生以及假设验证单个平行六面体房屋及其组合房屋的提取。 2）采用单个DSM为线索直接在三维空间提取建筑物；a.利用高度信息借助数学形态学方法完成建筑物检测；b.提取重建过程，重建后的模型与相应的DSM吻合；DSM分辨率太低。 3）借助DSM的高度信息和数字地籍图的平面
2、信息完成房屋的自动提取和重建。 4）将二维图像中基于特征的匹配结果融合到三维空间中完成了建筑物的提取，该方法利用二维边界作为匹配基元，运用边界的几何特性作为相似度量寻找同名像点 5）采用等高线跟踪代替灰度分割获得局部高出区域，保留可能包含建筑物的区域，在立体像对中用高度信息进行立体匹配，最后将匹配的三维边界重组为建筑物模型。 总结：首先从二维GIS（矢量、栅格）数据中获取建筑物的边界信息，然后将这些边界信息按照坐标投影到DSM或者航空影像中，这样被投影的建筑物边界可作为三维提取与重建的基础。参数模型：模型单元的类型和关系是固定的，但是其几何尺寸是未知的，需要建筑物模型库；可以在提取几何模型的同
3、时完成部分语义信息的提取，实际应用依赖于模型库的容量一般模型：可以重建任意形状的建筑物，可靠性和成功率完全依赖于特征提取的结果，没有考虑先验知识，无法预测遮挡部分或者丢失部分，解决这种问题需要多视点影像。一般模型代表方法有两种：实体几何模型、边界表示方法；方法一，每一个模型可以被精确建模，外观可以预先得到，其次遮挡部分可以重建，缺点不适合不规则建筑。边界表示方法对建筑物的形式没有限制，不能表示曲面特征的建筑物模型。 自下而上：数据驱动，先提取图像的基元（点、边界、灰度均匀区），然后编组成实体，最后通过产生建筑物存在的假设，重建整个建筑物，问题次像素级分割处理不稳定。 自上而下：模型驱动，特征提
4、取，接着通过与目标模型库进行匹配，然后对场景中存在的建筑物产生假设，最后是假设验证。 采用一个粗糙分割或者分类方法实现可能含有兴趣目标的区域与其背景区域的分割。 有的是提取图像的角点；有的直接提取边界线然后编组成建筑物顶部假设；有的首先提取图像中的三维边界然后将其编组成建筑物顶部的若干块状平面；有的采用提取点、边界和区域相结合的方法。 二维信息提前转化为三维信息，然后进行立体匹配把二维特征转换为三维特征。 计算机辅助的地物自动测图 地物全自动测绘 建筑物结构和形状的多样性不允许采用一种通用的目标模型来描述场景中各种类型的建筑物。 建筑物之间的遮挡以及内部的遮挡，还有其它地物目标 阴影、噪声、低
5、对比度、建筑物顶部的细碎结构以及其它目标的介入 恢复建筑物形状的几何信息是困难的 城区独立建筑物是建筑物自动重建的主要对象。 建筑物模型的建立 建筑物识别与检测 基于SUSAN算子的角点提取 基于HOUGH变换的直线段提取 自适应多窗口的角点匹配 物体的三维模型应包含物体的完整信息。 模型应有从具体到抽象的各种不同层次的表达方式（坐标系、基元、组织结构、原型与样例）。 利用结构刚体几何方法，首先按照屋顶形状建立几种常见的房屋二维基元及它们各自的数学模型，针对每一个房屋按其屋顶形状对其进行分类，然后按照所属类别房屋对应的三维数学基本模型来对每一个房屋描述。 首先必须识别与检测出各个目标建筑物 D
6、SM，激光雷达，4M点间距，垂直方向精度达到15CM 在图像分割前，有必要对原始图像进行适当的预处理以提高图像质量。预处理主要包括：直方图均衡化和滤波处理等。其中滤波处理采用均值滤波器或者中值滤波器对原图像进行平滑处理，以去除图像噪声和个别孤立点，改善图像质量。同时为了尽可能的去除无用背景对分割结果的影响，在分割之前，先设定一个灰度门限（这个值要取的相对低一些），把低于该门限的像素灰度值设为0，初步滤除部分干扰因素。经过预处理后得到的图像作为要进行目标分割的图像。 边缘的类型多样，在本研究的试验图像上主要是阶跃型边缘。阶跃型边缘定位于其一阶导数的局部极值点，因此可以采用图像的一阶导数（即梯度）
7、进行边缘检测。常用的梯度算子有Roberts算子、Prewitt算子、Sobel算子等。通常可以根据图像特征选择合适的梯度算子进行检测。本研究基于数学形态学的相关理论提出了一种新的针对灰度图像的形态算子边缘检测方法。首先设计一个结构体算子，通过反复试验得知算子大小为33，循环次数为1的时候效果最佳。 前面的边缘检测处理仅得到处在边缘的像素点。实际上，由于噪声、不均匀照明而产生的边缘间断以及其他由于引入虚假的亮度间断所带来的影响，使得到的一组像素很少能完整的描绘出一条边缘。因此，在进行边缘检测算法后紧跟着要使用边缘连接过程将边缘像素组合成有意义的边缘。连接边缘点的具体方法是分析图像中的每一个点（
8、x，y）的一个小邻域 （33）内像素的特点，该点是用上面边缘检测方法得到了标记了的边缘点。将所有依据事先预定的准则而被认为是相似的点连接起来，形成由共同满足这些准则的像素组成的一条边缘。 通过密度分割法和监督分类法基本可以获得原始图像的阴影信息，而利用归一化植被指数（NDVI）可以有效地将试验数据上的植被信息提取出来，其计算公式为：NDVI=(NIRR)/(NIR+R）。对这两幅图像进行直方图分析，确定合适的阈值，得到两幅二值图像。将这两幅二值图像取“并”然后与上面边缘检测和边缘连接处理后的图像进行“与”操作，可以很好的去除图像上的建筑物阴影和植被等干扰因素的影响。 得到经过去除干扰因素（阴影
9、、植被）的边缘检测图像后，就要进行梯度图像的阈值化处理。借助直方图分析和人机交互的方式确定合适的阈值，可以发现目标物体（即前景）和背景内部的点低于阈值，而大多数边缘点高于阈值。然后我们将低于该阈值的像元赋值为1，而高于该l阈值的像元（即边缘像元）赋值为0，这样可以得到黑白翻转后的结果图像。 区域标识是进行独立区域的特征量测和统计处理的关键步骤。经过初步分割，二值图像被分为一系列区域，为了进一步区分建筑物目标区域与噪声区域，需要对图像中所有独立区域进行标识，然后才能够进行区域的特征测量，提取建筑物目标。区域标识的基本思想是：第一从图像的某一位置出发，逐一像素进行扫描，对于同一行中不连通的行程（灰
10、度相同）标上不同的号，不同的列也标上不同的号；第二是逐次扫描全图，如果两个相邻的行（列）中有相连通的形成则下行（列）的号改为上行（列）的号；第三是对标记的号进行排列，则可得到图像中不连通区域的标识序列。得到了图像中目标区域的标识序列，就可以对每一个感兴趣目标进行特征量测。 图像的形状量测是基本的图像测量方式。通常，图像上目标区域的几何形状参数主要包括周长、面积、最长轴、方位角、边界矩阵和形状系数等。由于进行建筑物目标分割，此处选定面积特征进行目标的特征量测。根据区域标识结果，对图像中的目标区域进行面积特征量测，即计算出各个区域所包含的像素个数。 经过初步的区域分割基本可以得到较为明显的目标分割
11、结果，但是仍然存在较大面积的阴影、道路等目标的干扰，因此需要进行进一步的统计区域分割。由于建筑物形状多样、大小不一，应该根据特定的研究需要确定适合于该类目标提取的特征。本研究利用区域凸面积与区域面积的比值判断该区域是建筑物还是非建筑物。 经过上述处理后得到的建筑物目标区域总包含黑区域，形成黑洞。黑洞的存在一方面可能是噪声的影响，比如卫星图像拍摄时或者图像数字化过程中引入的系统噪声，另一方面是客观世界的真实反映，这是由于建筑物屋顶的属性不可能完全一致，其材料、花纹等都有变化。为了获取目标的整体外观，本研究对处理获得的建筑物前景目标采用形态学中的洞填充操作，即综合运用腐蚀、膨胀、开、闭操作等处理，
12、达到消除黑洞的效果。 选取覆盖北京师范大学校园的Quickbird图像对以上技术流程进行了试验，结果表明基于该方法进行建筑物边缘检测是非常有效的。 高分辨率SAR影像居民地提取进行了研究。利用灰度共生矩阵计算高分辨率SAR图像的纹理特征，通过统计分析选取合适的特征矢量，并基于非监督聚类分析提取居民地。提取的居民地区以一定的面积阈值剔除噪声（细小区域），并利用形态学算子提取边界进行适当的规整，得到最终结果。在对应的光学图像上人工提取居民地范围，以此作为实验结果的评价标准，实验结果表明此方法可以得到较好的效果。 设计了一种基于33区域灰度方差纹理特征的高分辨率遥感影像居民地特征提取分析算法，通过高
13、斯模糊处理提高影像上居民地纹理特征一致性的同时，加大了其同背景地物纹理特征值的差异，并设计了相应的居民地自适应分割阈值求取算法，提出了针对居民地与道路提取分离的骨架化分析算法。 提出了一种从卫星遥感全色图像中自动提取城市目标的方法。在总结城市卫星遥感全色图像特征的基础上，设计了一种层次提取的方法。首先在低分辨率图像中提取城市目标的候选区域；接着在候选区域内利用城市目标一些更复杂的特性在高分辨率图像中证实城市目标。为了获得城市目标的边界，提出了一种基于边缘点密度的算法，并将算法应用去提取SPOT图像中的城市目标，取得了较好的实验结果。 利用灰度共生矩阵四个纹理特征量，选择建筑用地与其他地类的纹理
14、特征统计量差别较大的特征，用于提取建筑用地信息。通过计算选择了对比度纹理特征，对该特征图像进行分类、密度分割及后处理，得到城市用地信息。通过精度评定证明了纹理特征用于分类可以提高分类的精度，并能提高土地利用动态检测的自动化程度。 在围绕团状地物居民地的采集，利用高斯模糊处理提高影像上居民地纹理特征一致性的同时，通过灰度共生矩阵提取了纹理。用区域生长和形态学的方法全方位腐蚀与膨胀，完成了面状地物居民地的提取，并进行了矢量跟踪，通过对矢量结果分析，准确率达到90%以上，可以直接应用到GIS中去。 总结为以下几个重要步骤： （1）影像的预处理：这包括对质量不好的影像进行增强、高斯模糊提高纹理一致性等
15、处理。 （2）目标特征的确定：例如通过获得种子点纹理特征的方法来获取初始居民地的纹理特征。 （3）确定合理的区域搜索方式：要保证不漏提或不多提目标区域，必须要有合理的搜索方式，这对于面状区域边界的确定是十分重要的。我们比较常用的有区域增长、动态规划等方法。 （4）特征匹配：特征匹配的原则决定了将什么样的目标确定为我们的兴趣目标，这是目标提取中的重要环节，如欧氏距离、模糊聚类等方法。 影像道路的基本特征 影像道路提取的基本过程 影像道路提取的研究现状 影像道路提取研究应用展望 几何特性 辐射特性 拓扑特性 上下文特性 功能特性 利用人机交互的形式进行特征提取和识别 道路影像增强、确定道路、形成道
16、路段、连接与显示道路 道路特征增强（图像滤波） 道路种子点确定（像素分类、边缘检测、模板匹配） 将种子点扩展成段（自动连接、动态规划、卡尔曼滤波） 道路段的确认，自动连接（形成道路网） 利用计算机从遥感影像中自动提取道路之类的线性地物信息，是人们多年的愿望。国内外在这方面的研究大概有20多年的历史。Tupin等(1998)从SAR影像上利用随机场模型等方法研究了道路特征提取；Tupin等(1998)研究了SAR影像的道路网络提取；Mckeown和Denlinger (1988)研究了采用道路纹理关系与道路边缘跟踪交替进行的方法提取道路； Kestner等(1978)，Quam (1978)利用
17、边缘通过“道路”与“背景”关系研究了道路特征的提取，Strat和Fischler(1995)也研究了类似的问题；Geman和Jedynak (1991)研究了利用不同分辨率影像提取道路的方法，首先在高分辨率下求出经过滤波的边缘，然后在低分辨率下求出边界弯曲的道路，最后在高分辨率下利用动态搜索的方法得到所需的道路； Donald和Bruno (1996)在众多研究的基础上，深入探讨了10米分辨率的卫星影像道路识别方法；Gruen和Li（1997)研究了利用GIS数据从数字图像中提取线性特征的方法；Gruen和Li（1997 )利用种子点和动态规划研究了航空影像线性目标提取；Steger，Maye
18、r和Radig (1997)研究了利用类及模糊集提取道路网络； Chanussot(1999)利用模糊融合技术研究了SAR影像的线性目标检测；Yuille和Coughlan (2000)利用贝叶斯估计、最大最小估计、条件分布等概率方法，通过建立结构树的判别方法，对自动提取道路特征的方法进行了分析研究；Laptev等(2000)基于多尺度检测与几何约束边缘检测相结合的方法，研究了航空影像上道路的自动提取；Hu等(2000)研究了基于模板匹配与神经网络的航空影像道路提取方法；Neil等(2001)利用边缘研究了影像线性目标的变化检测等等。 道路的自动提取所用的方法大致可以分为三类：一类是基于道路本
19、身特性的方法，另一类是基于上下文信息的方法，第三类是前二者的混合。 基于道路本身特性的方法是从道路本身的几何和辐射特性出发，建立合适的数学模型来描述理想道路，然后运用一定的数学方法来求解，这类方法的典型实现算法包括模板匹配法、平行边跟踪连接方法、动态规划的方法、多级分辨率的方法、模板匹配跟踪法并使用一定的数学理论来对道路定位及跟踪如最小二乘和线性卡尔曼滤波等等 实际道路成像的复杂性，使得道路的特性会发生很大变化，在这些情况下，使用第一类方法常常不能得到可靠结果，而必须分析道路与其他目标之间的关系才能得到较好的结果。基于上下文信息的方法就是分析道路与其它目标的相互关系，来补偿一些不能从道路本身提
20、取出的信息。这一类方法涉及的内容较多，目前很少有比较成熟和全面的方法。Gamessno等人列出道路与大量其他目标之间的相互关系，如当车辆被检测出来，道路的置信度将会显著提高11；Trnider提出的使用知识库的方法来提取道路，同时使用机器学习的方式来进行参数的自动调整。实际上，在具体的道路提取过程中，前二类方法并不是完全独立进行的，较好的方法是二类方法的混合，在这方面，Baumgartner、Mayer的研究比较有代表性。 主要研究的是半自动线性特征提取方法及一些特征较为简单的自动提取方法，提取出来的结果主要是一些线性特征，而较完整的道路目标如道路网络还很难提取，至今还没有一套功能完善的系统能
21、实现此愿望。目前的研究趋势是不仅重视道路自身的特性，而且综合利用各种上下文信息如关联信息、拓扑特性等进行道路的自动连接和提取。低水平层次上的更为稳健的边缘检测和图像分割、中水平层次上的自动特征编组及高水平层次上的道路识别模型特别是高水平知识对中、低水 平的提取引导是需要关注的内容，道路识别知识的表达与应用特别是道路知识的获取值得重视，对于图像中的不确定信息，考虑采用一定的不确定理论去解决是很好的思路。多尺度分析和各种优化算法(如模拟退火、Snkae模型等)在解决道路自动连接难题中的关键作用也是重要的研究方向 现有研究成果推广（虽不实用但已可以部分应用） 多层次的有机融合（低层次提取点线面、中层次确定结构特征、高层次知识识别处理） 道路特征提取与区域特征提取结合 与测绘领域相关研究结合 数学方法的应用（数学形态学） 计算机视觉的发展 高分辨率卫星遥感影像的道路特征提取
