基于北京二号影像辅助nDSM的建筑物自动提取

doi:10.13474/j.cnki.11-2246.2022.0091

测绘通报 ›› 2022, Vol. 0 ›› Issue (3): 132-137.doi: 10.13474/j.cnki.11-2246.2022.0091

基于北京二号影像辅助nDSM的建筑物自动提取

毛斌^1,2, 韩文泉^1,3, 谢宏全², 吕海扬^1,2

1. 南京市测绘勘察研究院股份有限公司, 江苏南京 210004;
2. 江苏海洋大学海洋技术与测绘学院, 江苏连云港 222005;
3. 江苏师范大学地理测绘与城乡规划学院, 江苏徐州 221116

收稿日期:2021-05-08 出版日期:2022-03-25 发布日期:2022-04-01
通讯作者: 韩文泉。E-mail:466679657@qq.com
作者简介:毛斌(1996-),男,硕士生,研究方向为城市空间信息采集与处理。E-mail:2497807979@qq.com
基金资助:
南京市测绘勘察研究院股份有限公司科研项目(2021RD05)

Construction of building automatic extraction process based on image-aided nDSM of BJ-2

MAO Bin^1,2, HAN Wenquan^1,3, XIE Hongquan², LÜ Haiyang^1,2

1. Nanjing Institute of Surveying, Mapping & Geotechnical Investigation Co., Ltd., Nanjing 210004, China;
2. School of Marine Technology and Geomatics, Jiangsu Ocean University, Lianyungang 222005, China;
3. School of Geography and Urban-Rural Planning, Jiangsu Normal University, Xuzhou 221116, China

Received:2021-05-08 Online:2022-03-25 Published:2022-04-01

摘要/Abstract

摘要： 针对建筑物提取方法缺乏泛化性的问题,本文提出了将nDSM、北京二号影像、NDVI、BAI的七通道图像相结合作为数据源的提取方法。采用随机森林、梯度提升机、支持向量机、BP神经网络分类器对建筑物进行提取获取最佳分类器模型,并运用二值化与开闭运算,以建筑物面积与最小外接矩形面积的比值为阈值,对建筑物分别进行最小外接矩形、DP算法拟合,优化建筑物提取结果。试验结果表明,梯度提升机(GBDT)较其他分类模型在不同场景下综合效果较好,F-score精度更高。

关键词: nDSM;梯度提升机;BP神经网络;DP算法

Abstract: Aiming at the problem of lack of generalization of the building method of extraction,seven-channel images of nDSM,BJ-2 image,NDVI,and BAI are combined as the data source extraction method in this paper.Random forest,gradient boosting machine,support vector machine,BP neural network classifiers are applied to extract buildings to obtain the best classifier model;Binarization,opening and closing operations are applied,using the ratio of the area of the building to the area of the smallest enclosing rectangle is used as the threshold,and the smallest enclosing rectangle and DP algorithm are used to fit the buildings respectively to optimize the building extraction results.The experimental results show that the gradient booster (GBDT) has higher F-score accuracy when extracting buildings in different scenarios.

Key words: nDSM;gradient booster;BP neural network;DP algorithm

中图分类号:

P237

毛斌, 韩文泉, 谢宏全, 吕海扬. 基于北京二号影像辅助nDSM的建筑物自动提取[J]. 测绘通报, 2022, 0(3): 132-137.

MAO Bin, HAN Wenquan, XIE Hongquan, LÜ Haiyang. Construction of building automatic extraction process based on image-aided nDSM of BJ-2[J]. Bulletin of Surveying and Mapping, 2022, 0(3): 132-137.

参考文献

[1] 叶敏,王斌,王思远,等.多特征分量结合的WorldView-3影像建筑容积率分类提取[J].武汉大学学报(信息科学版), 2019, 44(11):1674-1684.
[2] ALSHEHHI R, MARPU P R, WOON W L, et al. Simultaneous extraction of roads and buildings in remote sensing imagery with convolutional neural networks[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 130:139-149.
[3] 董保根.机载LiDAR点云与遥感影像融合的地物分类技术研究[D].郑州:信息工程大学, 2013.
[4] NOTARANGELO N M, MAZZARIELLO A, ALBANO R, et al. Comparing three machine learning techniques for building extraction from a digital surface model[J]. Applied Sciences, 2021, 11(13):6072.
[5] ZAREA A, MOHAMMADZADEH A. A novel building and tree detection method from LiDAR data and aerial images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(5):1864-1875.
[6] 李亮,王成,李世华,等.基于机载LiDAR数据的建筑屋顶点云提取方法[J].中国科学院大学学报, 2016, 33(4):537-541.
[7] 许慧敏,齐华,南轲,等.结合nDSM的高分辨率遥感影像深度学习分类方法[J].测绘通报, 2019(8):63-67.
[8] HUANG J F, ZHANG X C, XIN Q C, et al. Automatic building extraction from high-resolution aerial images and LiDAR data using gated residual refinement network[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 151:91-105.
[9] 吴秀芸.基于高分辨率遥感影像的建筑物提取及轮廓矢量化研究[D].南京:南京大学, 2011.
[10] 肖湘文,沈校熠,柯长青,等.基于Sentinel-1A数据的多种机器学习算法识别冰山的比较[J].测绘学报, 2020, 49(4):509-521.
[11] 周志华.机器学习[M].北京:清华大学出版社, 2016.
[12] 朱江洪,李江风,叶菁.利用决策树工具的土地利用类型遥感识别方法研究[J].武汉大学学报(信息科学版), 2011, 36(3):301-305.
[13] 吕飞.遥感图像分类问题的集成学习方法与优化[D].大连:大连理工大学, 2020.
[14] 周建伟,吴一全. MRELBP特征、Franklin矩和SVM相结合的遥感图像建筑物识别方法[J].测绘学报, 2020, 49(3):355-364.
[15] 黄万里,戴文远,余珊.基于面积保持的DouglasPeucker改进算法的多边形化简[J].科学技术与工程, 2009, 9(24):7325-7328.

基于北京二号影像辅助nDSM的建筑物自动提取

Construction of building automatic extraction process based on image-aided nDSM of BJ-2

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]	王艳军, 林云浩, 王书涵, 李少春, 王孟杰. OSM辅助车载LiDAR点云三维道路边界精细提取[J]. 测绘通报, 2022, 0(7): 18-25.
[2]	柳林, 孙毅, 李万武. 基于CNN海上钻井平台检测模型的构建及训练算法分析[J]. 测绘通报, 2022, 0(7): 26-32,99.
[3]	孔瑞瑶, 谢涛, 马明, 孔瑞林. CatBoost模型在水深反演中的应用[J]. 测绘通报, 2022, 0(7): 33-37.
[4]	温雨笑, 吕杰, 马庆勋, 张鹏, 徐汝岭. 高光谱和LiDAR联合反演森林生物量研究[J]. 测绘通报, 2022, 0(7): 38-42.
[5]	江泽霖, 邓健, 栾海军, 李兰晖. 基于逐日夜间灯光遥感的新冠肺炎疫情变化信息快速提取——以北京市为例[J]. 测绘通报, 2022, 0(7): 43-48.
[6]	郑艳, 何欢, 卜丽静, 金鑫. 自相似性和边缘保持分解的超分辨率重建算法[J]. 测绘通报, 2022, 0(7): 54-59.
[7]	冉崇宪, 李森磊. 利用无人机多光谱影像提取树冠信息[J]. 测绘通报, 2022, 0(7): 112-117.
[8]	刘立, 董先敏, 刘娟, 文学虎. 人机融合智能的遥感解译生产新方法[J]. 测绘通报, 2022, 0(7): 118-123,137.
[9]	艾敏, 景慧, 田禹东, 郭兰勤, 裴渊杰. 近20年哈尔滨市呼兰区土地利用覆盖变化及驱动分析[J]. 测绘通报, 2022, 0(7): 124-128.
[10]	刘玉贤, 阮明浩, 闫臻. 一种基于机载激光点云的门型电塔精确提取方法[J]. 测绘通报, 2022, 0(7): 129-133.
[11]	刘国超, 彭卫平, 杨水华, 胡周文. 地质雷达+三维测量内窥镜的城市道路病害检测与应用[J]. 测绘通报, 2022, 0(7): 134-137.
[12]	刘小玉, 刘扬, 杜明义, 张敏, 贾竞珏, 杨恒. 基于DeeplabV3+的建筑垃圾堆放点识别[J]. 测绘通报, 2022, 0(4): 16-19,43.
[13]	李佳豪, 周吕, 马俊, 杨飞, 咸凌霄. 利用PS-InSAR技术进行城市地铁沿线形变监测与机理分析[J]. 测绘通报, 2022, 0(4): 20-25.
[14]	师芸, 石龙龙, 牛敏杰, 赵侃. 基于单阶段实例分割网络的黄土滑坡多任务自动识别[J]. 测绘通报, 2022, 0(4): 26-31.
[15]	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.