[發明專利]一種基于改進的BL模型建成區提取方法

在審

• 申請號: 201811348631.7
• 申請日: 2018-11-13
• 公開（公告）號: CN109614872A
• 公開（公告）日: 2019-04-12
• 發明（設計）人: 王璐;孟慶巖;孫震輝;趙茂帆;胡蝶;劉振華;胡月明
• 申請（專利權）人: 中國科學院遙感與數字地球研究所;華南農業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62
• 代理公司: 北京億騰知識產權代理事務所(普通合伙) 11309
• 代理人: 陳霽

本發明提供了一種基于改進的BL模型建成區提取方法，包括如下步驟：對圖像進行預處理；基于多線索融合和測地加權貝葉斯模型構建弱顯著圖，并基于弱顯著性圖選取強化分類模型的訓練樣本；訓練得到強顯著性圖，并基于加權方法整合弱顯著性圖和強顯著性圖；使用分數階達爾文粒子群優化算法分割最終的顯著圖，以準確捕捉建成區的信息。本發明可以準確的從遙感圖像中提取建成區。

技術領域

本發明涉及建成區自動提取技術，特別涉及一種基于改進的BL模型建成區提取方法。

背景技術

人口密度和資源利用強度在已建成的城市地區往往很高。快速城市化帶來了一些問題，包括城市熱島效應、空氣污染和不合理的土地使用。因此，建成區是眾多領域中的一個重要話題，包括可持續性、遙感和社會科學等領域。為了有效地向各種研究學科分發有關建成區的信息，遙感技術被廣泛用于提取和監測建成區。

在過去的幾十年里，人們提出了幾種提取城市建成區的方法。這些方法可以大致分為四類:基于分類的方法、基于索引的方法、基于紋理的方法和基于多傳感器的方法。基于分類的方法主要考慮如何使用合適的分類器提取建成區。然而，這些方法在大區域及全球范圍內應用時充滿挑戰。基于索引的方法是基于光譜波段設計的，在光譜波段內，累積區域在多光譜數據集中表現出最高和最低的反射率值。通常，這些方法無法解決區分城市和其他土地覆蓋類型的困難。基于紋理的方法可以基于高紋理粒度和紋理特征提取建成區，這些特征將它們從背景中抵消，但當遇到具有與建筑區域相似紋理特征的地面物體時，這種方法特別容易出錯。基于多傳感器的方法結合了多傳感器的各種特性來提取建成區。然而，由于合成不同數據類型困難，這種方法沒有被廣泛應用。

顯著性檢測為地物提取提供了一個獨特的視角，因為它只選擇與要處理的當前行為或任務相關的信息，忽略了不相關的信息。近年來，顯著性檢測模型逐漸被引入遙感領域，以檢測高分辨率圖像中感興趣的特定物體或區域，包括船、住宅區、水和樓房。Sentinel-2衛星提供13個波段，其更豐富的光譜信息確保了對建成區的深度探測和提取。由于建成區的獨特光譜特征，它可能會成Sentinel-2的一些波段組合中的突出地物，因此建成區可以很容易地通過顯著性檢測模型來識別。顯著性方法主要可分為自下而上刺激驅動方法和自上而下任務驅動方法。目前已經提出了許多自下而上的顯著性檢測方法，這些方法可以大致分為四類:基于對比、圖論和信息論、先驗知識和低秩矩陣恢復理論的方法。

與自下而上的方法相比，迄今為止關于自上而下的顯著性模型的研究很少。JiangHuaizu(2013)提出了一種基于學習的方法，作為回歸問題，該模型是基于將從訓練樣本中提取的大量描述符與基本真實標簽相結合而構建的。Zhang Lingyun(2008)開發了一種基于貝葉斯模型的自上而下的方法，該方法通過結合自上而下和自下而上的信息來計算局部顯著性。Yang Jimei(2017)提出了一種結合條件隨機場和稀疏編碼理論的方法。Cholakkal(2015)將自上而下的顯著性檢測視為圖像分類問題，并提出了一種基于圖像分類框架的顯著性檢測方法。

由于每一個類別都有不同的優勢，Na Tong(2015)提出了一種BL(bootstraplearning)學習方法來提高性能；它利用了基于自下而上對比的顯著性模型和自上而下學習方法的優勢。然而，BL對從遙感圖像中提取建成區的方法的適應性需要進一步研究。首先，BL在粗略顯著性檢測模型中引入暗通道先驗來生成粗略顯著性圖，但是這種先驗并不適用于所有圖像。在背景較暗或前景較亮的圖像中，它可能會產生相反的效果。盡管前人使用自適應權重來減弱暗通道先驗的反效果，但是遙感圖像非常復雜，特別是在水體作為暗背景出現的情況下；在這種情況下，BL算法可能會失敗。第二，BL沒有考慮遙感圖像中地面物體的空間信息，這可能會導致大量背景信息的檢測。此外，它簡單地疊加多尺度顯著圖，而沒有完全整合它們提供的信息。

在這種背景下，提出了一種基于改進的boosting learning模型建成區提取方法，用于從遙感圖像中提取建成區。

發明內容