-
建筑物作为重要地物目标,研究建筑物的自动提取将进一步提升城市规划和地图制图的持续更新、快速应急响应、灾难规划与管理等应用中的智能化程度。建筑物提取常用数据源中,基于激光雷达(light detection and ranging, LiDAR)、合成孔径雷达(synthetic aperture radar, SAR)、立体像对数据可方便提取高程信息,在建筑物三维重建中得到广泛应用[1-3],但因数据获取成本较高,限制了该方法的应用范围;光学影像以其易获取、覆盖面广的特点,可解除数据源限制,探索仅依据单幅影像的建筑物提取方法,更利于实现依据建筑物的拓展应用,具有重要的研究意义和应用价值。
目前,基于单幅影像的建筑物提取主要有面向对象的图切法、动态轮廓法、分类法。图切法主要是通过图论原理对影像进行分割获取同质子对象,然后再利用特征约束条件进行筛选提取建筑物目标[4, 5],此类方法能有效利用建筑物的光谱和形状特征,对先验知识的依赖较低,但易受树木遮挡、阴影、道路等噪声及建筑物复杂构造特性影响导致分割不准确,自动化程度偏低;动态轮廓法常通过检测直线和角点等底层特征生成矩形来假设屋顶轮廓,并用高度、阴影和墙来验证,再应用Snake模型来优化建筑物轮廓[6],这类方法对扁平屋顶和人字形屋顶的建筑物提取具有一定的效果;分类法主要是先根据光谱、纹理、结构、差分形态轮廓[7]等特征用于地物分类获取建筑物初始结果[8],再采取区域增长[9]、数学形态学[10]、遗传算法[11]等方法进行后处理,获取更完整的建筑物结果,此类方法无需先验知识,但所需的样本选取需要人工辅助导致自动化程度降低,且提取结果的完整度偏低,影响整体精度。
针对目前方法的自动化程度偏低,对数据源、先验知识、人工辅助等方面过于依赖引起的普适性降低的问题,本文设计了一种基于高分影像充分利用建筑物及其阴影的关联性设计自动分类及后处理优化策略,更准确快速地提取城郊区域建筑物。
-
建筑物初提取是采用支持向量机(support vector machines, SVM)分类法将影像分为阴影、植被、裸地、建筑物4类实现。为提高自动化程度,采用了3种策略:(1) 自动检测阴影和植被;(2) 采用区域增长方法获取裸地样本;(3) 设计了基于偏移阴影区域的成分分析法自动筛选建筑物样本。
-
阴影可以反映建筑物的位置与形状信息。本文采用文献[12]提出的利用多条件综合自动提取方法,预先实现阴影的自动检测。该方法不仅能降低分类难度,并可用于提取建筑物阴影,进而充分利用建筑物的阴影特性设计建筑物样本自动提取及建筑物自动确认方法,提高自动化程度。
-
植被在城郊区域影像中会占据一定幅面。事先识别植被将有助于筛选建筑物阴影以更精确的提取建筑物样本,且在分类中可缩小建筑物的搜寻范围,提高效率。在可见光波段中,植被强烈反射绿光,使得其G分量普遍比非植被大。如式(1) 所示的归一化RGB的绿色分量G′中,植被占据了高数值端,可构建式(2) 所示的植被检测条件,并采用一维Otsu自动阈值T_G′o,实现植被的自动检测。
$${G}'=\frac{G}{R+G+B}$$ (1) $${{C}_{\text{VE}}}=\left\{ \left( i,\text{ }j \right)|{G}'\left( i,\text{ }j \right)>T\_{G}'o \right\}$$ (2) -
除阴影和植被外,本文将没有阴影的非建筑物统称为裸地,包含了如道路、停车场、水体等无植被和阴影覆盖的区域。尽管种类复杂多样,利用阴影证据可在后处理优化时实现裸地和建筑物的有效区分。裸地样本的选取主要通过选取种子点结合区域增长实现,尤其是建筑物与其邻近裸地特性相近时易造成干扰,不易分割,应充分利用人工辅助选择代表性裸地样本,有效避开干扰裸地的影响。
通过对阴影、植被、裸地样本进行标记,可构建一幅预分类标记图CMap={CSD,CVE,CBL,CU},其中CSD代表阴影,CVE代表植被,CBL代表裸地,CU代表未标记类。此图将进一步用于建筑物的样本提取及自动分类中。
-
由于影像中地物及其阴影紧密相连,若对阴影区域按光照反方向进行偏移,获取的偏移阴影区域中会包含物体本身及其阴影和周边地物。当偏移合理时,阴影所属物体将成为此区域中占据最大面积比例的非阴影地物。因此,本文设计了基于CMap的偏移阴影区域的地物成分分析方法,通过分析此区域中的地物类别来辨识建筑物阴影,对建筑物偏移阴影区域分析实现建筑物样本的自动提取。
-
偏移阴影区域获取核心在于偏移向量的确定,可分解为偏移单位向量的估计和偏移距离的确定。
1) 偏移单位向量Vi的估计
Vi本质上为光照方向的反向单位向量,与太阳高度角相关。太阳高度角已知时可直接获取,否则,需要人工估计。一般情况下,整幅影像可视作具有统一的光照方向,仅需估计一个即可。如图 1(a)所示,目视估计原理为:在影像中选定一组阴影点及其地物源点,如建筑物屋顶边缘角点及其阴影点,估计两点连接的偏移单位向量,即可代表整幅影像的阴影偏移方向。以图 1(b)为例,AS、BS、CS分别为建筑物屋顶角点A、B、C的阴影点,角点及其阴影点构建的偏移向量ASA、BSB、CSC几乎完全平行。从中选取任一向量如BSB并估计其大小BSB=(dx, dy)≈(5, 20),根据式(3) 可认为该阴影的偏移向量V=(5, 20),根据式(4) 计算单位向量 ${{\mathit{\boldsymbol{V}}}_{i}}=\left( 1/\sqrt{17},\rm{ }16/\sqrt{17} \right)$ 可代表整幅影像的阴影偏移方向。因此,对任何待处理影像,仅需从中选取类似的任意一组地物源点及其阴影点,估计其对应的偏移向量V=(x, y),并计算相应的单位向量Vi,即代表了整幅影像阴影偏移方向。
$$\mathit{\boldsymbol{V}}\approx {{\mathit{\boldsymbol{A}}}_{S}}\mathit{\boldsymbol{A}}\approx {{\mathit{\boldsymbol{B}}}_{S}}\mathit{\boldsymbol{B}}\approx {{\mathit{\boldsymbol{C}}}_{S}}\mathit{\boldsymbol{C}}=\left( x,\rm{ }y \right)$$ (3) $${{\mathit{\boldsymbol{V}}}_{i}}=\frac{\mathit{\boldsymbol{V}}}{\left| \mathit{\boldsymbol{V}} \right|}=\frac{\left( x,\rm{ }y \right)}{\left| \sqrt{{{x}^{2}}+{{y}^{2}}} \right|}$$ (4) 2) 各阴影区域的偏移向量及偏移区域获取
为了使每个偏移区域中阴影所属物体成为最大比例的非阴影地物,个性化定制的偏移距离是获取合理偏移区域的关键。本文利用阴影区域的周长l和比例系数λ计算合理的偏移距离,结合阴影偏移方向Vi,完成偏移向量定制,见式(5):
$${{\mathit{\boldsymbol{V}}}_{k}}=\sqrt{\lambda {{l}_{k}}}\cdot {{\mathit{\boldsymbol{V}}}_{i}},k\in \left\{ 1,2,\cdot \cdot \cdot ,K \right\}$$ (5) 式中,K代表影像中的阴影个数;k代表阴影区域的序号;lk代表第k个阴影区域的周长;Vk代表此阴影区域对应的偏移向量。比例系数λ的建议取值范围为[0.5, 2]。
对图 1(b)中的建筑物阴影进行偏移,获取的偏移阴影区域如图 1(c)所示。明显可见,偏移阴影区域内阴影占据了较大的面积,在红色部分的非阴影区域内,阴影所属物体本身即建筑物占据了最高的比例。同理,在植被阴影中同样会存在此现象。基于这一规律,且在CMap中植被已被标识,因此可以有效利用偏移区域中非阴影地物类别分布情况进行建筑物阴影及建筑物样本的自动提取。
-
提取建筑物阴影时最常见的干扰对象是植被、行人、车辆等地物阴影,通过逐步排除原理,可间接提取建筑物阴影。小阴影可用形态学方法对阴影面积不满足限定条件去除。植被阴影可通过统计偏移阴影区域中CMap标记类别比例分布,利用高植被覆盖比率特性,识别并剔除。
假设偏移阴影区域(SSR)内的像素集合可表示为z=(z1, z2, …, zN),且在CMap中这些像素对应的标记值集合记为v=(v1, v2, …, vN),vn∈{LSD=1, LVE=2, LBL=3, LU=-1}。此区域内各个类别的像素数目Nc可通过式(6) 计算:
$${{N}_{c}}=\sum\limits_{{{z}_{i}}\in \text{SSR}}^{{{v}_{i}}=c}{{{v}_{i}},\text{ }c}\in \left\{ 1,\text{ }2,\text{ }3,\text{ }-1 \right\}$$ (6) 通过对比植被像素数目(NVE)和未标记类像素数目(NU)的大小,可判断出此阴影区域是否属于植被阴影。当NVE较大时,很可能属于植被阴影,去除;反之,可能为建筑阴影,保留。
-
在建筑物阴影基础上,进一步利用偏移阴影区域的成分分析法,可自动提取建筑物样本。在建筑物阴影的偏移阴影区域中,建筑物屋顶是此区域中未标记像素类CU中最大比例的非阴影地物类,但建筑物周边仍存在少量的小面积裸地(图 3(a))。为了排除此类干扰,本文提出了一种3方向偏移阴影区域综合法:将Vi分别按顺时针旋转和逆时针旋转统一的角度θ可获取左偏移向量Vi_left和右偏移向量Vi_right(见图 2),即可获取每个阴影区域对应的3种阴影偏移区域,结合CMap通过将3种偏移阴影区域中的CU区域取交集,最终的共同相交区域中,不再包含两侧的裸地区域,可视作初始建筑物样本。其中θ的建议取值范围为[5°, 10°]。确定最终建筑物样本后,确定其类别为CB,代表建筑物将在CMap将其标记值改为LB=4。
$${{\mathit{\boldsymbol{V}}}_{i}}=\frac{\left( x,\rm{ }y \right)}{\sqrt{{{x}^{2}}+{{y}^{2}}}}=(\rm{d}x,~\rm{d}y)=(\rm{cos}\beta ,~\rm{sin}\beta )$$ (7) $${\mathit{\boldsymbol{V}}_{{\rm{i}}\_{\rm{left}}}} = \left( {{\rm{cos}}\left( {\beta {\rm{ + }}\theta } \right),{\rm{sin}}\left( {\beta {\rm{ + }}\theta } \right)} \right)$$ (8) $${\mathit{\boldsymbol{V}}_{{\rm{i}}\_{\rm{right}}}}=\left( \rm{cos}\left( \beta -\theta \right),\rm{sin}\left( \beta -\theta \right) \right)$$ (9) 如图 3(b)所示,列举了按照以上策略对图 3(a)中按Vi_right和Vi_left提取的偏移阴影区域中的CU区域。将这两种CU区域及Vi对应的CU区域取交集,获取的建筑物样本区域如图 3(c)所示。明显可见,按照此方法获取的建筑物样本基本全部位于建筑物区域,基本不存在其他非建筑物的干扰,十分可靠。
-
SVM是一种基于统计学习理论的机器学习算法,采用结构风险最小化原理,在最小化样本误差的同时缩小模型的泛化误差,具有较优的分类能力[13]。本文利用SVM分类器,选用径向基函数(radial basis function, RBF)为核函数来解决将未识别像素分为4类的问题。为提高分类效率,采用随机提取策略对样本进一步筛选:即对每一类别的每一个样本区域,通过随机函数选定部分像素作为样本像素,而不是全部样本区域的像素均参与样本训练。大量实验综合比较分析最终选择R、G、B、I构成四维特征向量用于训练和分类。通过SVM分类器对多维样本特征数据进行训练,利用训练后的分类器对CMap中CU像素进行类别预测,再根据预测结果更新CMap,最终实现影像的全体分类,从中提取建筑物类可获取建筑物的初始结果。
-
本文设计了一套后处理策略,包括形态学处理、区域增长、建筑物确认3个步聚,以提升完整性、补充漏检、剔除误检,提高提取精度。
-
初始结果具有以下特点:(1) 存在少量散乱分布的、面积小、连接性差的非建筑物点;(2) 少量漏检使得建筑物区域存在“空洞”。通过形态学的腐蚀、膨胀、开闭运算,可消除部分此类非建筑物点的干扰。再采用内轮廓填充法对满足条件要求的“空洞”区域进行填充,补充部分漏检建筑物。经过这类合理预处理,使得初始结果的区域完整性更强。
-
当同一建筑物不同区域存在明显差异时,且所有样本区域中缺少相似的光谱数据时,会导致建筑物被误识别为其他类,使得部分建筑物存在不完整的现象。本文采用区域增长原理对不完整的区域进行进一步补充。具体方法是:以建筑物边界作为起始种子点,逐个判断各种子点8邻域上的CU像素是否满足增长条件,若满足条件则将其在CMap中的标记值改为LB。等此轮循环完毕,则重新获取新轮廓,以新增点为种子点进行下一轮的区域增长,以此类推,当无新增边界点时,区域增长结束。对每个建筑物区域逐个进行区域增长,最终完成对不完整的建筑物进行补充。
-
初始结果中绝大部分误检的非建筑物主要属于裸地。鉴于两者之间最直接区别在于是否存在阴影,因此,本文设计了利用阴影特征建筑物确认指标——相交边界阴影比率η,可区分出裸地,最终实现建筑物的准确提取。
由于地物及其阴影一定存在共同的边界,对地物区域进行膨胀后的区域边界一定存在大量且连续的阴影。因此,本文设计了一种利用回移建筑物区域的方法来获取相交边界EdgeBSD。结合图 4所示,阐述具体方法:首先对待判区域(蓝色)膨胀一次,获取膨胀后的边界;然后再根据式(10) 确定待判区域的回移向量VB,并获得相应的偏移建筑区域(紫色);提取区域膨胀后边界上的落在偏移建筑区域中的部分边界,即可作为EdgeBSD(红色边界)。通过统计此边界上所有像素中阴影所占比例即可获取η。
图 4 相交边界阴影比率获取原理
Figure 4. Schematic Diagram of Acquiring the Shadow Rate on the Intersection Boundary
$${{\mathit{\boldsymbol{V}}}_{B}}=\sqrt{\lambda l}\cdot \left( -{{\mathit{\boldsymbol{V}}}_{i}} \right)$$ (10) $$\eta =\frac{{{N}_{\text{SD}}}}{{{N}_{\text{ESD}}}}$$ (11) 其中,NESD和NSD分别为EdgeBSD上的全部像素和阴影像素个数。地物具有阴影,则η较高,反之;则η会比较低。因此,利用η即可有效的区分建筑物与裸地。
通过对η设定合理的限定值,即可实现绝大多数裸地的辨别与去除。保留所有具有建筑物样本的区域,以减少部分建筑物阴影被其他地物遮挡而导致的η较小引起的误去除问题。
-
为评价提取精度,选用了分类结果评价体系最常用的3项评价指标[14, 15]:正确率(correctness,CR)、完整度(completeness,CM)以及综合分数(F1)。这3项指标越高,表明分类结果越好。
$$\text{CR}=\frac{\left| \text{TP} \right|}{\left| \text{TP} \right|+\left| \text{FP} \right|}$$ (12) $$\text{CM}=\frac{\left| \text{TP} \right|}{\left| \text{TP} \right|+\left| \text{FN} \right|}$$ (13) $${{F}_{1}}=\frac{2\text{CR}\cdot \text{CM}}{\text{CR}+\text{CM}}$$ (14) 其中,|TP|、|FP|和|FN|分别代表真正(true positive)、伪正(false positive)、伪负(false negative)的个数。
为了更好地评定结果,由专业人员人工提取建筑作为真实参考数据,并选取面向对象的分割分类法[16]以及文献[17]提出的基于阴影的建筑物提取方法为参照方法,与本文方法进行对比。分别从基于像素和基于对象两方面进行精度评定。其中基于对象的精度评定是以区域为单元分析:若提取区域与真实参考数据相比,两者相交区域占真实参考区域的面积比例达到60%以上将被记为TP;若大于零而小于60%,此区域被记为FN;若为零,则区域被记为FP。对提取结果与真实参考数据进行叠置显示,其中TP、FN、FP分别标识为绿色、蓝色、红色。
-
图 5~7列举了对3幅高分遥感影像(见图 5(a)、6(a)、7(a))采用本文方法自动获取的CMap(见图 5(b)、6(b)、7(b))、建筑物提取初始结果(见图 5(c)、6(c)、7(c))及最终结果(见图 5(d)、6(d)、7(d)),以及两种参照方法提取结果(见图 5(e)、6(e)、7(e),图 5(f)、6(f)、7(f))。其中面向对象法原理是通过多级分割合并进行图像分割,通过人工选取阴影、植被、建筑物、裸地样本采用SVM分类法对分割结果进行分类,最终提取建筑物;基于阴影的建筑物提取法是通过提取阴影的阳光侧边界获取候选建筑物区,并假定建筑物为矩形,进行规则提取。为了更全面地定量分析建筑物提取精度,本文从基于像素和基于对象的角度对3种方法提取结果进行精度评定,结果如表 1所示。
影像名称 提取方法 基于像素的精度结果/% 基于对象的精度结果/% 完整度 正确率 综合值 完整度 正确率 综合值 #1 本文方法初始结果 83.37 83.58 83.48 - - - 本文方法最终结果 84.40 93.91 88.90 88.76 96.34 92.39 面向对象方法 87.07 82.74 84.85 97.75 28.80 44.50 基于阴影的参照方法 53.56 96.15 68.80 37.07 97.05 53.65 #2 本文方法初始结果 93.09 70.02 79.92 - - - 本文方法最终结果 93.32 97.11 95.18 96.42 100.0 98.18 面向对象方法 90.64 89.61 90.12 96.42 24.77 39.41 基于阴影的参照方法 74.75 85.81 79.91 57.14 84.21 68.08 #3 本文方法初始结果 76.63 81.72 79.10 - - - 本文方法最终结果 90.97 98.49 94.58 100.0 100.0 100.0 面向对象方法 90.68 83.45 86.91 95.45 11.29 20.19 基于阴影的参照方法 78.01 89.36 83.30 72.72 53.33 61.53 从CMap图可看出,阴影和植被能被较为完整地提取,自动提取的建筑物样本覆盖全面。对比本文方法的初始结果和最终结果可看出,后处理策略优化初始结果后使得最终结果精度得到大幅度提升,且两种评价规则下的正确率均高于完整度,原因如下。
1) 本文提出的利用阴影的建筑物样本自动提取可准确、全面地采集建筑物样本信息用于分类,保证了初始分类结果的正确率,而且在后处理中利用阴影的建筑物验证剔除了大量的干扰裸地,进一步提高了最终结果的正确率。
2) 完整度偏低的主要原因在于基于像素分类提取初始结果时不能使建筑物被完整地提取。而面向对象法提取结果中,由于采用的分割算法能较好地提取同质区域,使得识别出的各建筑物均能被较完整地提取出来,完整度比较好。但由于缺少建筑物验证措施,使得最终结果中却均存在较多的误检对象(红色),部分裸地被误识别为建筑物,导致正确率大大降低,综合值整体明显低于本文方法。
3) 基于阴影提取的方法提取建筑物的完整度偏低,由于过于依赖建筑物阴影边界提取直角矩形来确定建筑物初始位置,当阴影提取不完整或缺失时,会导致建筑物整体漏检,且同一建筑物屋顶差异大时,初始结果中包含信息不全面时同样导致建筑物部分漏检。
总之,本文方法充分利用阴影特征从多方面优化了提取算法,大大降低了人工辅助的作用,提高了自动化程度,使得采用基于像素的分类原理也能获取较高的精度,与两种参照算法相比,整体精度均较优。
-
1) 分类样本自动获取方法是提高解译自动化程度的一种有效手段。本文通过自动检测阴影和植被,并设计充分利用阴影的建筑物样本自动获取方法及建筑物准确验证方法,减少了人工辅助工作量,大幅度提高建筑物提取的精度和自动化程度。
2) 仅需要可见光3个波段影像数据,无需其他先验知识。由于复杂城区建筑物阴影相互遮挡问题会造成提取精度降低,本方法更适用于高分辨率遥感影像中城郊区域的建筑物提取。
3) 裸地样本的自动提取是实现全自动提取的最后一关,利用建筑物其他特征共同用于提取建筑物以提高精度是未来的研究重点。
Automatic Building Extraction Based on Shadow Analysis from High Resolution Images in Suburb Areas
-
摘要: 提出了一种充分利用阴影实现自动分类与后处理相结合的建筑物自动提取方法:首先根据阴影和植被自动检测结果并选定裸地样本确定预分类CMap图,并设计了基于偏移阴影分析的建筑物样本自动提取方法,结合支持向量机(support vector machines,SVM)分类模型将影像分为阴影、植被、建筑物、裸地4大类以提取建筑物初始结果;通过形态学处理提升区域完整性,区域增长补充漏检区域,利用设计的相交边界阴影比率筛除无阴影的非建筑物等措施,进行后处理优化获取最终结果。实验表明,充分利用阴影信息,不仅能准确、全面地获取各类样本,保证分类精度,与后处理优化策略紧密结合,大幅度提高了正确率和完整度;并且自动化程度得到有效提高,更适用于城郊区域建筑物的提取。
-
关键词:
- 高分辨率遥感影像 /
- 建筑物提取 /
- 偏移阴影分析 /
- SVM分类 /
- 利用阴影的建筑物验证
Abstract: This paper describes an automatic method for building extraction from high resolution images. It consists of automatic classification and automatic post-processing using shadow information. Shadow and vegetation are automatically detected; bare land samples are selected manually. In addition, by analyzing the distribution categories in the shifted shadow regions, building sample regions are acquired automatically. Based on these four categories of samples, the classification can be implemented using a SVM classifier, from which the initial building results are extracted. The results are optimized in post-processing, including mathematical morphology processing to enhance the completeness of detected regions, region growth to supplement undetected building regions, as well as non-building removal using shadow rates on the intersection boundaries. Optimization yields the final results. Experimental results indicate thatan approach using shadow analysis can extract building sample regions accurately, completely, and automatically, guaranteeing classification precision. The post-processing strategy effectively improves the completeness of building region detection and removes most non-buildings without shadows. Therefore, the accuracy of the final result increases greatly. In all, the automation of this method is high, and applies to buildings in suburb areas. -
影像名称 提取方法 基于像素的精度结果/% 基于对象的精度结果/% 完整度 正确率 综合值 完整度 正确率 综合值 #1 本文方法初始结果 83.37 83.58 83.48 - - - 本文方法最终结果 84.40 93.91 88.90 88.76 96.34 92.39 面向对象方法 87.07 82.74 84.85 97.75 28.80 44.50 基于阴影的参照方法 53.56 96.15 68.80 37.07 97.05 53.65 #2 本文方法初始结果 93.09 70.02 79.92 - - - 本文方法最终结果 93.32 97.11 95.18 96.42 100.0 98.18 面向对象方法 90.64 89.61 90.12 96.42 24.77 39.41 基于阴影的参照方法 74.75 85.81 79.91 57.14 84.21 68.08 #3 本文方法初始结果 76.63 81.72 79.10 - - - 本文方法最终结果 90.97 98.49 94.58 100.0 100.0 100.0 面向对象方法 90.68 83.45 86.91 95.45 11.29 20.19 基于阴影的参照方法 78.01 89.36 83.30 72.72 53.33 61.53 -
[1] Vanegas C A, Aliaga D G, Benes B. Automatic Extraction of Manhattan-World Building Masses from 3D Laser Range Scans[J]. IEEE Transactions on Visualization and Computer Graphics, 2012, 18(10): 1627-1637 doi: 10.1109/TVCG.2012.30 [2] Barthelet E, Mercier G, Denise L, Reynaud S. Feature Based Maximum Likelihood Model Inversion for Three-dimensional Building Extraction from Single High Resolution SAR Images[C]. Proceedings of IEEE International Geoscience and Remote Sensing Symposium, Munich, Germany, 2012 [3] Ferro A, Brunner D, Bruzzone L. Automatic Detection and Reconstruction of Building Radar Footprints From Single VHR SAR Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(2): 935-952 doi: 10.1109/TGRS.2012.2205156 [4] Izadi M, Saeedi P. Three-Dimensional Polygonal Building Model Estimation From Single Satellite Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(6): 2254-2272 doi: 10.1109/TGRS.2011.2172995 [5] Sirmacek B, Uensalan C. Urban-Area and Building Detection Using SIFT Keypoints and Graph Theory[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(4): 1156-1167 doi: 10.1109/TGRS.2008.2008440 [6] Ruther H, Martine H M, Mtalo E G. Application of Snakes and Dynamic Programming Optimisation Technique in Modeling of Buildings in Informal Settlement areas[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2002, 56(4): 269-282 doi: 10.1016/S0924-2716(02)00062-X [7] Shackelford A K, Davis C H, Wang X. Automated 2-D Building Footprint Extraction from High-resolution Satellite Multispectral Imagery[C]. Proceedings of IEEE International Geoscience and Remote Sensing Symposium, Anchorage, USA, 2004 [8] Ghanea M, Moallem P, Momeni M. Automatic Building Extraction in Dense Urban Areas Through GeoEye Multispectral Imagery[J]. International Journal of Remote Sensing, 2014, 35(13): 5094-5119 doi: 10.1080/01431161.2014.933278 [9] Müller S, Zaum D W. Robust Building Detection in Aerial Images[J]. International Archives of Photogrammetry and Remote Sensing, 2005: 143-148 [10] Niveetha M A, Vidhya R. Automatic Building Extraction Using Advanced Morphological Operations and Texture Enhancing[C]. International Conference on Modelling Optimization and Computing, Elsevier Ltd. Selection, 2012 [11] Sumer E, Turker M. An Adaptive Fuzzy-genetic Algorithm Approach for Building Detection Using High-resolution Satellite Images[J]. Computers Environment and Urban Systems, 2013, 39: 48-62 doi: 10.1016/j.compenvurbsys.2013.01.004 [12] 高贤君, 万幼川, 杨元维, 等.高分辨率遥感影像阴影的自动检测与自动补偿[J].自动化学报, 2014, 40(8): 1709-1720 http://www.cnki.com.cn/Article/CJFDTOTAL-MOTO201408014.htm Gao Xianjun, Wan Youchuan, Yang Yuanwei, et al. Automatic Shadow Detection and Automatic Compensation in High Resolution Remote Sensing Images[J]. Acta Automatica Sinica, 2014, 40(8), 1709-1720 http://www.cnki.com.cn/Article/CJFDTOTAL-MOTO201408014.htm [13] 黄昕. 高分辨率遥感影像多尺度纹理、形状特征提取与面向对象分类研究[D]. 武汉: 武汉大学, 2009 http://cdmd.cnki.com.cn/Article/CDMD-10486-1011071326.htm Huang Xin. Multiscale Texture and Shape Feature Extraction and Object-oriented Classification for Very High Resolution Remotely Sensed Imagery[D]. Wuhan: Wuhan University, 2009 http://cdmd.cnki.com.cn/Article/CDMD-10486-1011071326.htm [14] Ok A O. Automated Detection of Buildings from Single VHR Multispectral Images Using Shadow Information and Graph Cuts[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 86: 21-40 doi: 10.1016/j.isprsjprs.2013.09.004 [15] Khoshelham K, Nardinocchi C, Frontoni E, et al. Performance Evaluation of Automated Approaches to Building Detection in Multi-source Aerial Data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65(1): 123-133 doi: 10.1016/j.isprsjprs.2009.09.005 [16] Dahiya S, Garg P, Jat M K. Object Oriented Approach for Building Extraction from High Resolution Satellite Images[C]. IEEE International Advance Computing Conference, Ghaziabad, India, 2013 [17] 于东方. 基于阴影的遥感图像中建筑物自动提取方法研究[D]. 长沙: 国防科学技术大学, 2008 http://cdmd.cnki.com.cn/Article/CDMD-90002-2009214215.htm Yu Dongfang. Research on Shadow-based Automatic Extractions of Buildings from Remote Sensing Images[D]. Changsha: National University of Defense Technology, 2008 http://cdmd.cnki.com.cn/Article/CDMD-90002-2009214215.htm -