融合随机森林和超像素分割的建筑物自动提取

doi:10.13474/j.cnki.11-2246.2021.0042

测绘通报 ›› 2021, Vol. 0 ›› Issue (2): 49-53.doi: 10.13474/j.cnki.11-2246.2021.0042

融合随机森林和超像素分割的建筑物自动提取

陈利燕, 林鸿, 吴健华

广州市城市规划勘测设计研究院, 广东广州 510060

收稿日期:2020-03-04 出版日期:2021-02-25 发布日期:2021-03-09
通讯作者: 林鸿。E-mail:linhong83762173@163.com
作者简介:陈利燕(1981-),女,博士,高级工程师,研究方向为空间数据更新与融合。E-mail:546535531@qq.com
基金资助:
广州市博士后启动基金（201517040001）；住建部科技计划（2017-KB-016）；广州市科技计划（201702020201）；广州市工信委信息化项目（GZIT2016-A5-147）

Building extraction based on random forest and superpixel segmentation

CHEN Liyan, LIN Hong, WU Jianhua

Guangzhou Urban Planning & Design Survey Research Institute, Guangzhou 510060, China

Received:2020-03-04 Online:2021-02-25 Published:2021-03-09

摘要/Abstract

摘要： 建筑物是城市空间的重要部分，建筑物信息的提取对基础地理空间数据库更新、城市规划、城市动态监测等具有重要意义。基于遥感影像数据提取建筑物信息具有非常广泛的应用，本文提出了一种基于随机森林和超像素分割算法，并从机载激光点云和数字航空影像数据中自动提取建筑物的方法。试验选取广州市海珠区某处为研究区域，结果表明：在一般的城市区，90%以上建筑物可以准确快速提取，平均准确性和完整性均为90%左右，本文提出的方法具有良好的应用前景。

关键词: 建筑物提取, 高分辨率遥感影像, 激光雷达点云, 随机森林, 超像素分割

Abstract: Buildings are an important part of urban space. The extraction of building information is of great significance for basic geospatial database updates, urban planning, urban dynamic monitoring. Building information extraction based on remote sensing images data has a very wide range of applications. This study proposes a method based on random forest and super pixel segmentation algorithm, and automatically extracting buildings from airborne laser point cloud and digital aerial image data. The experiment selects a certain area in Haizhu district, Guangzhou as the research area. The results show that:In a general urban area, more than 90% of buildings can be extracted accurately and quickly, with an average accuracy and completeness of about 90%. The method proposed in this paper has a good application prospect.

Key words: building boundary extraction, high-resolution optical images, LiDAR, random forest, superpixel segmentation

中图分类号:

P237

陈利燕, 林鸿, 吴健华. 融合随机森林和超像素分割的建筑物自动提取[J]. 测绘通报, 2021, 0(2): 49-53.

CHEN Liyan, LIN Hong, WU Jianhua. Building extraction based on random forest and superpixel segmentation[J]. Bulletin of Surveying and Mapping, 2021, 0(2): 49-53.

参考文献

[1] 张红,王旻烨,李庆,等.基于阈值分割的LiDAR数据建筑物提取研究[C]//地理信息与人工智能论坛暨江苏省测绘地理信息学会2017年学术年会论文集.南京:现代测绘, 2017:105-108.
[2] 方圣辉,佃袁勇,李微.基于边缘特征的变化检测方法研究[J].武汉大学学报(信息科学版),2005,30(2):135-138.
[3] KASS M, WITKIN A, TERZOPOULOS D. Snakes:active contour models[J]. International Journal of Computer Vision, 1988, 1(4):321-331.
[4] AHMADI S, ZOEJ M V, EBADI H, et al. Automatic urban building boundary extraction from high resolution aerial images using an innovative model of active contours[J]. International Journal of Applied Earth Observation and Geoinformation, 2010, 12(3):150-157.
[5] 杜守基,邹峥嵘,张云生,等.融合LiDAR点云与正射影像的建筑物图割优化提取方法[J].测绘学报, 2018,47(4):519-527.
[6] AWRANGJEB M, FRASER C S. Automatic segmentation of raw LiDAR data for extraction of building roofs[J]. Remote Sensing, 2014, 6(5):3716-3751.
[7] MILIARESIS G, KOKKAS N. Segmentation and object-based classification for the extraction of the building class from LiDAR DEMs[J]. Computers & Geosciences, 2007, 33(8):1076-1087.
[8] SHEN W, ZHANG J, YUAN F. A new algorithm of building boundary extraction based on LiDAR data[C]//Proceedings of the 19th International Conference on Geoinformatics. Piscataway:IEEE, 2011:1-4.
[9] SAMPATH A, SHAN J. Urban modeling based on segmen-tation and regularization of airborne LiDAR point clouds[C]//Proceedings of the 20th International Society for Photogrammetry and Remote Sensing Congress. Hannover:ISPRS, 2004:937-942.
[10] LIU C, SHI B, YANG X, et al. Automatic buildings extraction from LiDAR data in urban area by neural oscillator network of visual cortex[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2013, 6(4):2008-2019.
[11] SAMPATLT A, SHAN J. Building boundary tracing and regularization from airborne LiDAR point clouds[J]. Photogrammetric Engineering and Remote Sensing, 2007, 73(7):805-812.
[12] ZHANG K, YAN J, CHEN S C. Automatic construction of building footprints from airborne LiDAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(9):2523-2533.
[13] 张继贤,林祥国,梁欣.点云信息提取研究进展和展望[J].测绘学报,2017,46(10):1460-1469.
[14] 孙颖,张新长,罗国玮.从机载激光雷达点云提取建筑物屋顶边界的活动轮廓模型改进方法[J].测绘学报,2014,43(6):620-626.
[15] 程效军,程小龙,胡敏捷,等.融合航空影像和LIDAR点云的建筑物探测及轮廓提取[J].中国激光,2016,43(5):247-255.
[16] 王春林,孙金彦,周绍光,等.影像辅助下LiDAR数据建筑物轮廓信息提取[J].国土资源遥感,2017,29(1):78-85.

融合随机森林和超像素分割的建筑物自动提取

Building extraction based on random forest and superpixel segmentation

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	吕峥, 孙群, 温伯威, 马京振. 一种自身全局最优的道路网Stroke生成方法[J]. 测绘通报, 2022, 0(7): 93-99.
[2]	郁宗桥, 王育红, 刘文宋, 左雨芳, 冯锋. 顾及GF-3影像纹理特征的洪涝范围提取方法[J]. 测绘通报, 2022, 0(5): 26-31.
[3]	潘建平, 付占宝, 程卫华, 陆世安, 李鑫, 孙博文, 黄桂萍. 基于地表类型的山地海绵城市生态建设评估[J]. 测绘通报, 2022, 0(5): 84-88.
[4]	陈智朗, 付振华, 朱紫阳, 王慧慧, 刘沁雯, 杨钰灵, 许耿然. 基于HRNet的高分辨率遥感影像建筑物变化信息提取[J]. 测绘通报, 2022, 0(5): 126-132.
[5]	窦世卿, 陈治宇, 徐勇, 郑贺刚, 苗林林, 宋莹莹. 基于多特征融合与典型降维方法的高光谱影像分类[J]. 测绘通报, 2022, 0(4): 32-36,50.
[6]	王雪, 梁珂, 隋立春, 钟棉卿, 朱剑锋. 膨胀卷积与金字塔表达的深度学习模型用于农村建筑物提取[J]. 测绘通报, 2022, 0(4): 61-65.
[7]	冯志立, 肖锋, 卢小平, 郝波, 王如意, 朱睿. 基于随机森林特征优选的冬小麦分类方法[J]. 测绘通报, 2022, 0(3): 70-75.
[8]	王晓晓, 韩留生, 杨骥, 李勇, 张大富, 孙广伟, 范俊甫. Sentinel-2与Landsat 8数据组合下的多特征冬小麦面积提取[J]. 测绘通报, 2022, 0(3): 111-115.
[9]	李少先. 利用双向布料模拟的机载建筑物点云提取[J]. 测绘通报, 2022, 0(3): 148-151.
[10]	王珍, 张涛, 丁乐乐, 潘宇明, 史芙蓉. 融合高度和光谱信息的倾斜摄影数据建筑物自动提取[J]. 测绘通报, 2022, 0(2): 10-15.
[11]	杨景玉, 贾多科, 王阳萍. 基于超像素分割与CRF的高分辨率遥感影像变化检测[J]. 测绘通报, 2022, 0(2): 25-30,49.
[12]	崔青林, 汪鸣泉, 黄永健. 融合随机森林模型和6种水体指数的上海市水体信息提取[J]. 测绘通报, 2022, 0(2): 106-109.
[13]	高雨, 胡召玲, 樊茹. 高分辨率影像融合算法对滨海湿地土地利用分类精度的影响[J]. 测绘通报, 2022, 0(1): 116-120.
[14]	杨素妨, 杜林. 多特征流形鉴别嵌入的高分辨率遥感影像分类[J]. 测绘通报, 2021, 0(9): 37-42.
[15]	耿万轩, 周维勋, 金双根. 基于LDCNN特征提取的多核SVM高分辨率遥感影像场景分类[J]. 测绘通报, 2021, 0(8): 14-21.