李靈芝，李百壽，2，沈宇臻，許 銳

(1. 桂林理工大學(xué)測(cè)繪地理信息學(xué)院，廣西 桂林 541004; 2. 廣西空間信息與測(cè)繪重點(diǎn)實(shí)驗(yàn)室,廣西 桂林 541004； 3. 南寧市勘察測(cè)繪地理信息院，廣西 南寧 530022)

一種基于SVM的無(wú)人機(jī)影像中單個(gè)建筑物的角點(diǎn)檢測(cè)方法

李靈芝1，李百壽1，2，沈宇臻1，許 銳3

(1. 桂林理工大學(xué)測(cè)繪地理信息學(xué)院，廣西 桂林 541004; 2. 廣西空間信息與測(cè)繪重點(diǎn)實(shí)驗(yàn)室,廣西 桂林 541004； 3. 南寧市勘察測(cè)繪地理信息院，廣西 南寧 530022)

針對(duì)目前無(wú)人機(jī)影像中單個(gè)建筑物角點(diǎn)的檢測(cè)現(xiàn)狀，提出了一種基于支持向量機(jī)(SVM)的無(wú)人機(jī)影像中建筑物的角點(diǎn)檢測(cè)方法。首先對(duì)4個(gè)波段的無(wú)人機(jī)影像進(jìn)行多尺度分割，計(jì)算影像的NDVI，通過(guò)植被與非植被區(qū)域的波譜差異剔除植被的影響。其次，用面向?qū)ο蠓诸?lèi)法將“建筑物塊”從影像中提取出來(lái)，對(duì)“建筑物塊”區(qū)域用Harris算子進(jìn)行邊緣檢測(cè)，形成建筑物邊緣點(diǎn)集數(shù)據(jù)。隨后通過(guò)設(shè)計(jì)高斯徑向基將邊緣樣本點(diǎn)映射到高維特征空間，構(gòu)建特征向量，采用邊緣點(diǎn)集訓(xùn)練SVM分類(lèi)模型，最終通過(guò)SVM分類(lèi)模型從粗提取的邊緣點(diǎn)集中檢測(cè)出正確的建筑物角點(diǎn)，實(shí)現(xiàn)了單個(gè)建筑物的角點(diǎn)提取。

支持向量機(jī)；Harris算子；建筑物；角點(diǎn)檢測(cè)

由于無(wú)人機(jī)影像具有較高的空間定位精度與地面分辨率，近年來(lái)在我國(guó)城市基礎(chǔ)地理信息管理、城市規(guī)劃等社會(huì)生產(chǎn)生活領(lǐng)域有廣泛的應(yīng)用[1-2]。

無(wú)人機(jī)影像的地面分辨率已經(jīng)達(dá)到了毫米級(jí)，甚至更高，建筑物在該影像上的尺度、波譜、紋理特征與常規(guī)星載、機(jī)載遙感影像上的特征有一定區(qū)別，幾何形狀特征與普通高分影像相比更加顯著。建筑物的角點(diǎn)決定了其輪廓的基本特征[3]。因此，對(duì)無(wú)人機(jī)影像建筑物角點(diǎn)的精確提取有著十分重要的理論和現(xiàn)實(shí)意義。

目前進(jìn)行建筑物角點(diǎn)的檢測(cè)與提取主要有以下兩種方法：一種是從機(jī)載激光雷達(dá)數(shù)據(jù)中提取建筑物的激光角點(diǎn)，如羅伊萍通過(guò)支持向量機(jī)對(duì)單個(gè)激光點(diǎn)進(jìn)行特征分類(lèi)，從而有效地提取建筑物角點(diǎn)[4]。另一種是從光學(xué)影像中提取建筑物的角點(diǎn)。如Cui Shiyong等2008年用圖搜索算法提取直角建筑物的角點(diǎn)，通過(guò)派生序列重建建筑物的形狀[5]，并在2012年根據(jù)Hough變換和循環(huán)檢測(cè)的方法提取了復(fù)雜建筑物，并提高了提取精度[6]。Mustafa Turker和Dilek Koc-San通過(guò)集成的方法綜合運(yùn)用Hough變換和感知分組等方法標(biāo)繪出建筑物屋頂形狀，建筑物的提取精度為93.45%[7]。杜藝通過(guò)改進(jìn)SUSAN算子提取航空影像中的特征點(diǎn)，從而成功提取出建筑物[8]。馬瀟瀟通過(guò)改進(jìn)的SVM算法對(duì)無(wú)人機(jī)影像中建筑物進(jìn)行分類(lèi)，分類(lèi)精度為94.74%[9]。吳秀蕓利用高斯函數(shù)計(jì)算建筑物邊界曲線的曲率提取候選角點(diǎn)集，并通過(guò)動(dòng)態(tài)曲率閾值代替固定的閾值篩選出正確的建筑物角點(diǎn)[10]。崔有禎通過(guò)改進(jìn)的Harris算法提取建筑物的角點(diǎn)，并利用4種改進(jìn)梯度算子提高了建筑物角點(diǎn)檢測(cè)的成功率，建筑物角點(diǎn)檢測(cè)正確率為89%[11]。

綜上所述，建筑物角點(diǎn)檢測(cè)和提取都是先依據(jù)灰度信息獨(dú)立提取房屋角點(diǎn)，再依據(jù)屋頂?shù)膸缀渭s束信息構(gòu)建角點(diǎn)匹配規(guī)則提取建筑物[12]，以上方法雖然能提取出建筑物的角點(diǎn)，但是部分建筑物角點(diǎn)被遮擋增加了提取難度。本文基于建筑物邊緣角點(diǎn)檢測(cè)和角點(diǎn)分類(lèi)的綜合方法提取建筑物，首先使用Harris算法提取邊緣點(diǎn)集，然后基于SVM分類(lèi)法對(duì)邊緣點(diǎn)集進(jìn)行匹配分類(lèi)。

1 基于SVM的高分辨率影像建筑物角點(diǎn)提取方法

1.1 方法步驟

基于SVM的無(wú)人機(jī)影像建筑物角點(diǎn)提取步驟(如圖1所示)如下：

(1) 對(duì)影像進(jìn)行圖像預(yù)處理。根據(jù)植物和水體的特性，通過(guò)ENVI等影像處理軟件得到影像的歸一化植被指數(shù)，這樣可以減少植被等對(duì)建筑物角點(diǎn)提取產(chǎn)生的干擾，從而提高建筑物角點(diǎn)的提取精度。

圖1 基于SVM的建筑物角點(diǎn)提取方法流程

(2) 選取適當(dāng)分割尺度參數(shù)，通過(guò)面向?qū)ο蠓椒▽?duì)建筑物進(jìn)行區(qū)域分割。

(3) 通過(guò)Harris算法對(duì)分割后的影像進(jìn)行建筑物邊緣點(diǎn)粗提取，得到建筑物邊緣點(diǎn)集。

(4) 選擇訓(xùn)練樣本。從邊緣點(diǎn)集中隨機(jī)選取部分點(diǎn)作為樣本點(diǎn)，樣本點(diǎn)分為建筑物角點(diǎn)和非建筑物角點(diǎn)。

(5) 特征提取。根據(jù)影像的特征提取部分屬性值作特征向量，以此作為分類(lèi)依據(jù)。

(6) 構(gòu)建訓(xùn)練模型。為了獲得高精度的檢測(cè)結(jié)果，將樣本映射到高維的特征空間，選擇高斯徑向基函數(shù)為核函數(shù)[13]，進(jìn)行SVM訓(xùn)練，得到模型分類(lèi)器參數(shù)。

(7) SVM分類(lèi)運(yùn)算。對(duì)建筑物邊緣點(diǎn)集進(jìn)行分類(lèi)提取，對(duì)建筑物角點(diǎn)提取結(jié)果進(jìn)行精度評(píng)價(jià)。

1.2 Harris算子計(jì)算

在影像中設(shè)置一個(gè)局部小區(qū)域窗口，并讓其按照一定規(guī)則移動(dòng)，遍歷影像中每一個(gè)像素點(diǎn)，考察窗口的平均灰度變化，計(jì)算圖像中的每個(gè)像素點(diǎn)在水平方向和垂直方向上的梯度，以及兩者的乘積，構(gòu)建自相關(guān)矩陣M

(1)

(2)

式中，ω(u,v)為離散二維零均值高斯函數(shù)。對(duì)圖像進(jìn)行高斯濾波，離中心點(diǎn)越近的像素賦予越大的權(quán)重，以減少噪聲影響。

M的特征值δ1、δ2能夠反映像素點(diǎn)周?chē)慕Y(jié)構(gòu)特征，因此可以根據(jù)δ1、δ2來(lái)提取影像的角點(diǎn)和邊緣，但是Harris算子不需要計(jì)算具體的特征值，而是定義角點(diǎn)響應(yīng)值R來(lái)判斷角點(diǎn)，特征值是隱含在detM和traceM中

(3)

式中，detM為矩陣M的行列式；traceM為矩陣M的直跡；α為經(jīng)驗(yàn)常數(shù)。

計(jì)算每一個(gè)像素的角點(diǎn)響應(yīng)值R，對(duì)小于某一閾值的R設(shè)置為零，大于閾值的R保留，在一個(gè)n×n的鄰域內(nèi)進(jìn)行非極大值抑制，即某一像素的角點(diǎn)響應(yīng)值R為鄰域極大值，則判別該像素為建筑物邊緣點(diǎn)。

1.3 特征向量構(gòu)建

支持向量機(jī)分類(lèi)技術(shù)中，特征向量的選擇和提取是重要環(huán)節(jié)。在輸入訓(xùn)練點(diǎn)集后，需要提取影像的屬性特征，構(gòu)建特征向量，以作為SVM分類(lèi)器的輸入訓(xùn)練數(shù)據(jù)。根據(jù)不同類(lèi)型的無(wú)人機(jī)影像，選取不同的屬性特征。一般情況下，多列舉與分類(lèi)有關(guān)的特征，可以充分利用各種有用的信息，改善分類(lèi)精度。

本文特征向量選擇方案如下：根據(jù)影像中建筑物邊緣互相垂直的特性，可以分離建筑物的角點(diǎn)和邊緣線上的點(diǎn)。觀察建筑物邊緣點(diǎn)集圖可知：對(duì)任意一點(diǎn)A，找到與之距離最近的兩個(gè)點(diǎn)B和C，擬合成角∠BAC，計(jì)算角度ρ=∠BAC。以坐標(biāo)原點(diǎn)為基準(zhǔn)，建筑物角點(diǎn)大致分為4個(gè)方向上的點(diǎn)，計(jì)算每一個(gè)點(diǎn)到原點(diǎn)的距離d，設(shè)置一定的取值范圍，在范圍以?xún)?nèi)的點(diǎn)為建筑物角點(diǎn)。通過(guò)Harris算子的二階梯度,計(jì)算邊緣點(diǎn)集的響應(yīng)值R，對(duì)小于某一閾值的R設(shè)置為零，大于閾值的R保留，在一個(gè)n×n的鄰域內(nèi)進(jìn)行非極大的鄰域內(nèi)進(jìn)行非極大值抑制，最終保留的像素點(diǎn)為建筑物角點(diǎn)。綜上可以構(gòu)建特征向量

1.4 角點(diǎn)SVM構(gòu)建

通過(guò)Harris算子獲得建筑物的邊緣點(diǎn)集，從建筑物邊緣點(diǎn)集中隨機(jī)選取部分點(diǎn)作為樣本集(xi,yi)，其中i=1,2,…,n,n為樣本數(shù)，xi∈Rd為建筑物角點(diǎn)樣本的特征向量，yi∈(0,1)為特征向量的分類(lèi)標(biāo)識(shí)，其中0表示非建筑物角點(diǎn)，1表示建筑物角點(diǎn)。通過(guò)構(gòu)建角點(diǎn)SVM對(duì)建筑物邊緣點(diǎn)集進(jìn)行分類(lèi)：首先通過(guò)高斯徑向基函數(shù)將建筑物邊緣樣本點(diǎn)映射到高維特征空間，如下

K(xi,y)=exp(-‖x-xi‖2/σ2)

(4)

在這個(gè)高維線性空間中構(gòu)造最優(yōu)分類(lèi)超平面，最大間隔將建筑物角點(diǎn)和非建筑物角點(diǎn)分隔開(kāi)，如下

ω·φ(x)+b=0

(5)

式中，ω∈R(d),b∈R(d)的都進(jìn)行了規(guī)范化。引入一個(gè)非負(fù)松弛變量ξi放寬約束條件，能夠在最大限度上滿足大部分?jǐn)?shù)據(jù)的分類(lèi)正確，最優(yōu)分類(lèi)超平面問(wèn)題可以描述為

(6)

式中，C為懲罰參數(shù)，C越大表示對(duì)錯(cuò)誤分類(lèi)的懲罰越大。

采用拉格朗日乘子法求解建筑物角點(diǎn)二分類(lèi)問(wèn)題，即

(7)

式中，αi、βi為拉格朗日乘子，0≤αi,0≤βi。由此得到

(8)

(9)

(10)

將式(8)、式(9)、式(10)代入式(7)得到對(duì)偶最優(yōu)化問(wèn)題

0≤αi≤C

(11)

由式(11)得到?jīng)Q策函數(shù)和參數(shù)b分別為

(12)

(13)

式中，sign(·)為符號(hào)函數(shù)；αi為拉格朗日乘子，0≤αi；NNSV為標(biāo)準(zhǔn)支持向量數(shù)；JN為標(biāo)準(zhǔn)支持向量的集合；J為支持向量的集合；b是分類(lèi)閾值。

選擇適當(dāng)?shù)膽土P系數(shù)C與核函數(shù)寬度g，通過(guò)以上步驟，構(gòu)建角點(diǎn)SVM分類(lèi)模型。

2 試 驗(yàn)

2.1 試驗(yàn)數(shù)據(jù)及預(yù)處理

為了驗(yàn)證本文前面提出的方法，選擇輸入數(shù)據(jù)為廣西某地?zé)o人機(jī)航拍影像，影像大小為764×375像素,含可見(jiàn)光及近紅外4個(gè)波段，該區(qū)域原始影像如圖2所示?？紤]到影像中植被的葉綠素在波長(zhǎng)0.65～0.7 μm的譜段形成強(qiáng)吸收帶，通過(guò)近紅外與紅光波段反射率的歸一化比值提取植被信息，歸一化植被指數(shù)(NDVI)可以使植被區(qū)域和非植被區(qū)域分離開(kāi),使用ENVI軟件對(duì)影像進(jìn)行NDVI植被指數(shù)計(jì)算，計(jì)算結(jié)果如圖3(a)所示。通過(guò)Matlab 2013a編程平臺(tái)對(duì)去除植被干擾的影像進(jìn)行面向?qū)ο蠓指睿纸ㄖ镙喞崛∪鐖D3(b)所示。

圖2 研究區(qū)無(wú)人機(jī)影像

圖3 試驗(yàn)數(shù)據(jù)預(yù)處理結(jié)果

2.2 建筑物邊緣點(diǎn)集計(jì)算

對(duì)預(yù)處理的影像進(jìn)行建筑物邊緣點(diǎn)集計(jì)算。通過(guò)Harris算子從水平和垂直方向上對(duì)影像進(jìn)行梯度計(jì)算，獲得圖像Ix與Iy，同時(shí)x,y方向進(jìn)行協(xié)方差相乘獲得圖像Ixy。采用高斯函數(shù)對(duì)圖像進(jìn)行邊緣增強(qiáng)，設(shè)置高斯窗函數(shù)為[7×7]，sigma值設(shè)置為2，計(jì)算每一個(gè)像元點(diǎn)響應(yīng)值R，設(shè)置閾值T為R中最大值的0.01倍，并對(duì)小于閾值T的R置為零。在[7×7]的鄰域內(nèi)進(jìn)行非極大值抑制，局部極大值點(diǎn)即為建筑物邊緣點(diǎn)。

試驗(yàn)首先選取經(jīng)驗(yàn)常數(shù)α=0.04，計(jì)算所得邊緣點(diǎn)為251個(gè)，如圖4(a)所示，發(fā)現(xiàn)建筑物邊緣點(diǎn)有聚簇現(xiàn)象，后來(lái)選取經(jīng)驗(yàn)常數(shù)α=0.2，計(jì)算所得邊緣點(diǎn)為116個(gè)，如圖4(d)所示，發(fā)現(xiàn)部分角點(diǎn)有缺失現(xiàn)象；選擇經(jīng)驗(yàn)常數(shù)α=0.06，計(jì)算所得邊緣點(diǎn)為255個(gè)，如圖4(c)所示；選擇經(jīng)驗(yàn)常數(shù)α=0.08，計(jì)算所得角點(diǎn)為231個(gè)，如圖4(b)所示。

分析圖4發(fā)現(xiàn),α值較大時(shí)，邊緣點(diǎn)與角點(diǎn)的數(shù)量減少，增大角點(diǎn)檢測(cè)誤差；α值較小時(shí)，邊緣點(diǎn)與角點(diǎn)的數(shù)量增加，產(chǎn)生點(diǎn)聚簇現(xiàn)象，增大分類(lèi)計(jì)算復(fù)雜度。因此，本文選擇經(jīng)驗(yàn)常數(shù)α=0.1，這樣可以保證在不缺失建筑物角點(diǎn)的前提下，降低檢測(cè)候選點(diǎn)的數(shù)量，提高檢測(cè)效率。計(jì)算結(jié)果見(jiàn)表1。

表1 Harris算子計(jì)算結(jié)果

圖4 不同經(jīng)驗(yàn)值α計(jì)算的邊緣點(diǎn)集圖

表1是Harris算子對(duì)影像進(jìn)行梯度計(jì)算的結(jié)果：在x方向與y方向的一階梯度的最大值與最小值相同，根據(jù)梯度的計(jì)算值Ix與Iy與x、y方向協(xié)方差相乘值Ixy構(gòu)建自相關(guān)矩陣M

由矩陣M計(jì)算角點(diǎn)響應(yīng)值R，其中Rmax=1.863×108,選擇閾值T=0.01×Rmax=1.863×106對(duì)R進(jìn)行非極大值抑制后，計(jì)算所得邊緣點(diǎn)為202個(gè)，邊緣點(diǎn)集如圖5所示。

圖5 由Harris計(jì)算的建筑物邊緣點(diǎn)集圖

2.3 特征向量構(gòu)建

對(duì)邊緣點(diǎn)集中任意一點(diǎn)A，尋找與之距離最近的兩個(gè)點(diǎn)B和C，擬合成角∠BAC，計(jì)算角度ρ=∠BAC。若ρ≈90°，則i為建筑物角點(diǎn)；若ρ≈180°，則A為建筑物邊緣線上的點(diǎn)，否則A為干擾噪聲點(diǎn)。根據(jù)這個(gè)特點(diǎn)計(jì)算每一個(gè)點(diǎn)的角度ρ，ρ的取值范圍見(jiàn)表2。

表2 ρ的取值范圍

以坐標(biāo)原點(diǎn)(圖像左上角)為基準(zhǔn)，建筑物角點(diǎn)大致分為4個(gè)方向上的點(diǎn)，計(jì)算每一個(gè)點(diǎn)到原點(diǎn)的距離d，設(shè)置一定的取值范圍，在范圍以?xún)?nèi)的點(diǎn)為建筑物角點(diǎn)。距離d的范圍見(jiàn)表3。

表3 距離d的取值范圍

通過(guò)Harris算子的二階梯度計(jì)算邊緣點(diǎn)集的響應(yīng)值R，對(duì)小于某一閾值的R設(shè)置為零，大于閾值的R保留，在一個(gè)n×n的鄰域內(nèi)進(jìn)行非極大值抑制，最終保留的像素點(diǎn)為建筑物角點(diǎn)，見(jiàn)表4。

表4 Harris算子二階梯度計(jì)算角點(diǎn)響應(yīng)值

2.4 建筑物角點(diǎn)提取

2.4.1 模型構(gòu)建

試驗(yàn)在Matlab 2013a編程環(huán)境中完成，通過(guò)libsvm3.21工具箱構(gòu)建角點(diǎn)SVM模型，從前文計(jì)算的邊緣點(diǎn)集202個(gè)點(diǎn)中隨機(jī)選取部分點(diǎn)作為樣本點(diǎn)。本試驗(yàn)中隨機(jī)選取了179個(gè)樣本點(diǎn)，含角點(diǎn)與非角點(diǎn)兩種類(lèi)型，手動(dòng)將樣本點(diǎn)中的建筑物角點(diǎn)標(biāo)記為1，非建筑物角點(diǎn)標(biāo)記為0，構(gòu)建模型時(shí)缺省核函數(shù)為高斯徑向基函數(shù)，參數(shù)C和g采用基于交叉驗(yàn)證的網(wǎng)格搜尋方法來(lái)取值，最終選擇懲罰參數(shù)C=2，核函數(shù)寬度g=0.01，采用最佳參數(shù)C與g對(duì)整個(gè)訓(xùn)練集進(jìn)行訓(xùn)練獲取支持向量機(jī)模型，訓(xùn)練結(jié)果信息見(jiàn)表5。

表5 SVM模型參數(shù)

表5中,#iter為迭代次數(shù)，Nu為設(shè)置nu-SVC中參數(shù)nu值，Obj為求解二次規(guī)劃問(wèn)題的最小值，rho為記錄的決策函數(shù)中常數(shù)項(xiàng)b，nsv是指支持向量個(gè)數(shù)為179個(gè)，nbsv是指位于邊界的支持向量個(gè)數(shù)。訓(xùn)練模型構(gòu)建完成后，文件顯示為一個(gè)結(jié)構(gòu)體變量，記錄了得到的分類(lèi)模型中的各種參數(shù)構(gòu)成的結(jié)構(gòu)體量(見(jiàn)表6)。

表6 角點(diǎn)SVM模型參數(shù)取

表6中SVM模型中記錄了libsvm_options的參數(shù)選項(xiàng)[-s-t-d-g-r],其中s=0指本模型中選擇的libsvm類(lèi)型為分類(lèi)問(wèn)題專(zhuān)用的C-SVC，t=2指構(gòu)建模型時(shí)選擇的核函數(shù)類(lèi)型為徑向基RBF函數(shù)，d=3指核函數(shù)多項(xiàng)式中的degree設(shè)置為3次，g=0.01指該核函數(shù)寬度為0.01，r=0指核函數(shù)中的coef0項(xiàng)，是針對(duì)多項(xiàng)式和sigmoid核函數(shù)的，缺省值為0。nr_class為2指待分類(lèi)的點(diǎn)一共被分成了兩類(lèi)；TotalSV=179記錄了總的支持向量的個(gè)數(shù)；rho=-0.915 5為決策函數(shù)中常數(shù)項(xiàng)b的相反數(shù):Lable中記錄了所分類(lèi)別的標(biāo)簽，因?yàn)槭嵌诸?lèi)問(wèn)題，所以只有0和1兩個(gè)值，表示將建筑物的邊緣點(diǎn)集分成了兩類(lèi)。除了上述信息，該模型文件中還詳細(xì)記錄了支持向量的索引目錄sv_indices、具體支持向量值SVs、決策函數(shù)中支持向量的系數(shù)sv_coef。

2.4.2 建筑物角點(diǎn)提取

使用SVM分類(lèi)模型，對(duì)202個(gè)建筑物邊緣點(diǎn)集進(jìn)行分類(lèi)，分類(lèi)結(jié)果如圖6所示，其中建筑物角點(diǎn)10個(gè)，錯(cuò)分角點(diǎn)有2個(gè)，非建筑物角點(diǎn)192個(gè)，整體分類(lèi)精度較高，將所提取的角點(diǎn)連接到一起，可以成功提取出建筑物。在最后通過(guò)SVM模型對(duì)角點(diǎn)分類(lèi)提取時(shí)運(yùn)行時(shí)間為2.014 s，效率較高。

圖6 SVM法識(shí)別與提取的建筑物角點(diǎn)

2.5 結(jié)果分析

分類(lèi)前后結(jié)果對(duì)比如圖7所示，成功從圖7(a)中的202個(gè)點(diǎn)中提取出建筑物角點(diǎn)，其中圖7(b)中灰色的點(diǎn)表示提取的建筑物角點(diǎn)。根據(jù)提取的結(jié)果，成功標(biāo)繪出建筑物的位置和大小。

圖7 建筑物邊緣點(diǎn)集分類(lèi)前后對(duì)比

為驗(yàn)證分類(lèi)效果,分別從角點(diǎn)分類(lèi)精度和提取的建筑物面積兩方面對(duì)分類(lèi)結(jié)果進(jìn)行對(duì)比分析。首先,從表7可以看出,在通過(guò)SVM分類(lèi)方法進(jìn)行建筑物角點(diǎn)提取時(shí)，漏檢角點(diǎn)數(shù)為0，錯(cuò)檢角點(diǎn)數(shù)為2，這是因?yàn)榻ㄖ镂蓓敳糠旨y理和亮度值變化較大，相對(duì)比較難區(qū)分建筑物角點(diǎn)和邊緣點(diǎn)，因此將2個(gè)邊緣點(diǎn)錯(cuò)分為建筑物角點(diǎn)。

表7 建筑物角點(diǎn)提取結(jié)果

3 結(jié) 語(yǔ)

本文針對(duì)無(wú)人機(jī)影像中單個(gè)建筑物角點(diǎn)的快速識(shí)別，通過(guò)原理分析與試驗(yàn)研究提出了一種基于支持向量機(jī)的角點(diǎn)分類(lèi)檢測(cè)方法。在研究中使用了廣西某地?zé)o人機(jī)的4波段光學(xué)、紅外影像。為了保證算法的泛化能力，隨機(jī)選取了179個(gè)樣本點(diǎn)對(duì)建筑物邊緣點(diǎn)集進(jìn)行訓(xùn)練獲取本文的SVM模型，成功提取建筑物角點(diǎn)。

與目前角點(diǎn)提取方法相比，本文提出的方法可以在保證分類(lèi)精度的同時(shí)降低運(yùn)算的復(fù)雜度，提高建筑物角點(diǎn)檢測(cè)的精度，可進(jìn)一步提取出輪廓清晰，形狀完整的建筑物。

[1] 史先琳，楊武年. 城市基礎(chǔ)地理信息與公共平臺(tái)數(shù)據(jù)差異與轉(zhuǎn)換[J]. 測(cè)繪通報(bào), 2014(6): 89-91.

[2] 雷添杰,李長(zhǎng)春,何孝瑩. 無(wú)人機(jī)航空遙感系統(tǒng)在災(zāi)害應(yīng)急救援中的應(yīng)用[J]. 自然災(zāi)害學(xué)報(bào),2011,20(1):178-183.

[3] 賴(lài)祖龍,申邵洪,程新文,等. 基于圖斑的高分辨率遙感影像變化檢測(cè)[J]. 測(cè)繪通報(bào),2009(8):17-20.

[4] 羅伊萍,姜挺,王鑫,等. 支持向量機(jī)的建筑物激光腳點(diǎn)提取方法[J]. 測(cè)繪科學(xué),2011,36(4):173-175.

[5] CUI Shiyong,YAN Qin,LIU Z J.Right-angle Building Extraction Based on Graphsearch Algorithm[C]∥2008 International Workshop on Earth Observation and Remote Sensing Applications.[S.l.]:[s.n.],2008.

[6] CUI Shiyong, YAN Qin, REINARTZ P. Complex Building Description and Extraction Based on Hough Transformation and Cycle detection[J]. Remote Sensing Letters, 2012,3(2): 151-159.

[7] TURKER M,KOC-SAN D.Building Extraction from High-resolution Optical Spaceborne Images Using the Integration of Support Vector Machine (SVM) Classification, Hough Transformation and Perceptual Grouping[J]. Inteniational Journal Applied Earth Observation and Geoinformation, 2015, 35(5): 58-69.

[8] 杜藝,龔循平. 利用改進(jìn)的SUSAN算法提取航空影像中孤立的特征點(diǎn)[J]. 測(cè)繪科學(xué),2011,36(6):131-132,94.

[9] 馬瀟瀟,張光勝,李長(zhǎng)春,等. 改進(jìn)支持向量機(jī)算法無(wú)人機(jī)影像信息精確提取[J]. 測(cè)繪科學(xué),2015,40(3):47-51.

[10] 吳秀蕓,李艷,周華. 基于角點(diǎn)檢測(cè)的建筑物輪廓矢量化方法[J]. 遙感信息,2011(5):95-99.

[11] 崔有禎,吳露露,辛星,等. 基于改進(jìn)Harris算法的高分辨率遙感影像建筑物角點(diǎn)檢測(cè)研究[J]. 測(cè)繪通報(bào),2013(9):24-26.

[12] 嚴(yán)巖. 高空間分辨率遙感影像建筑物提取研究綜述[J]. 數(shù)字技術(shù)與應(yīng)用,2012(7):75-76,78.

[13] 閆麗麗. 基于散射特征的極化SAR影像建筑物提取研究[D].徐州：中國(guó)礦業(yè)大學(xué),2013.

UAVImageDetectingofSingleBuilding’sAngularPointsMethodBasedonSVM

LI Lingzhi1,LI Baishou1,2,SHEN Yuzhen1,XU Rui3
(1. Guilin University of Technology, Guilin 541004, China; 2. Guangxi Key Laboratory of Spatial Information, Guilin 541004, China; 3. Nanning Exploration & Survey Geoinformation Institute, Nanning 530022, China)

In view of the present situation of single building’s angular points detection in UAV images, this paper proposes a method that based on support vector machine (SVM) to detect the corner of the building.Firstly,the UAV image with four bands to complete multi-scale segmentation,calculates the NDVI of this image,to eliminate the effect of vegetation by the spectral differences between vegetation and non-vegetation areas;Secondly, using object-oriented classification to extract “building block” from the image,and the edge detection for the “building block” completed by Harris,then it comes into being edge point set of building and extracts some points as samples randomly. The edge sample points are mapped to high-dimensional feature spaces by Gauss RBF and construct the feature vector,the SVM classification model is trained by edge point set.Finally,the correct building corner is detected by the SVM classification model from the rough edge points, and the corner of the single building is extracted.

support vector machine; Harris algorithm; building; corner detection

李靈芝，李百壽，沈宇臻,等.一種基于SVM的無(wú)人機(jī)影像中單個(gè)建筑物的角點(diǎn)檢測(cè)方法[J].測(cè)繪通報(bào)，2017(10)：52-57.

10.13474/j.cnki.11-2246.2017.0502.

2017-02-08；

2017-03-22

國(guó)家自然科學(xué)基金(41161073)；廣西自然科學(xué)基金(2016GXNSFAA380013；2014GXNSFDA118038)；桂林市科學(xué)研究與技術(shù)開(kāi)發(fā)計(jì)劃(2016012601)；重慶基礎(chǔ)科學(xué)與前沿技術(shù)研究項(xiàng)目(cstc2015jcyjB028)

李靈芝(1990—)，女，碩士，主要研究方向?yàn)檫b感圖像處理。E-mail: lzdmyyww@sina.com

李百壽。E-mail: lbszhb@163. com

P237

A

0494-0911(2017)10-0052-06