1、计算机科学与技术专业毕业论文 精品论文 基于阴影的遥感图像中建筑物自动提取方法研究关键词：遥感图像 信息提取 阴影检测 阴影去除 灰度直方图 建筑物提取 数据压缩 区域生长摘要：近年来，随着卫星传感器空间分辨率的不断提高，高分辨率遥感图像成为城市信息提取的重要数据源之一，在地形地图绘制、地理信息系统、环境建模与监测、城市和区域规划等方面都有着极其广泛的应用。从遥感图像中提取人工地物，尤其是建筑物的研究工作已有多年历史，目前仍是一个热点课题。本文从建筑物的阴影出发，对遥感图像中建筑物的自动提取方法进行了深入研究，主要包括阴影检测，树木阴影去除，边界跟踪，区域生长等内容。本文工作的主要贡献和创新总
2、结如下： 1.提出了一种基于阴影的城市建筑自动提取方法，该方法充分利用了高分辨率遥感图像中建筑物受太阳光照影响产生的阴影信息，完成了阴影检测、树木阴影去除、建筑物阴影边界跟踪、建筑物候选区域选取、直至提取建筑物的整个过程。 2.提出了一种基于灰度直方图的遥感图像阴影自动检测方法，该方法运用灰度统计直方图的势函数对全色遥感图像的灰度统计直方图函数进行拟合，使用一阶差分找到直方图势函数的第一个谷点，以该谷点对应的灰度值对原始图像做阈值分割完成阴影检测。实验表明在各种复杂地物环境下，该方法都能完成灰度分割阈值的自动选取，快速有效地进行阴影检测。 3.提出了一种基于统计的树木检测方法，其主要步骤是颜色
3、空间变换和树木颜色建模。首先选择可分离亮度的 HSI，Lab 颜色空间分别建立树木的颜色模型，然后选取适当的概率阈值，使用查表法就可以完成树木的检测。最后结合遥感图像的树木检测实验分析了 RGB 边界盒法、树木的 HSI 颜色模型和 Lab 颜色模型的检测结果。实验表明树木的 Lab 颜色模型能够准确地检测出高分辨率多光谱遥感图像中的树木区域。 4.提出了一种新的去除建筑物阴影中树木阴影的方法。在高分辨率多光谱遥感图像中，检测到的建筑物阴影经常受到高大树木阴影的影响。基于检测到的树木区域，提出了根据树木区域和太阳光照方向去除建筑物阴影中树木阴影的方法，提高了建筑物阴影检测的准确性，实验证明该方
4、法是行之有效的。 5.在得到准确的建筑物阴影的基础上，基于建筑物的矩形轮廓模型，提出了一种提取和描述建筑物区域的方法。该方法首先对建筑物阴影进行边界跟踪、矢量数据压缩，利用得到的阴影区边界线段序列选择建筑物的候选区域(Region ofInterest)，然后选取其中心点作为种子点，使用区域生长方法扩张 ROI 区域得到建筑物区域的矩形描述。 论文中遥感图像数据来自 Google Earth，在 Matlab R2007a 环境下对提取算法进行了实验，并对实验结果进行了详细分析。正文内容近年来，随着卫星传感器空间分辨率的不断提高，高分辨率遥感图像成为城市信息提取的重要数据源之一，在地形地图绘制
5、、地理信息系统、环境建模与监测、城市和区域规划等方面都有着极其广泛的应用。从遥感图像中提取人工地物，尤其是建筑物的研究工作已有多年历史，目前仍是一个热点课题。本文从建筑物的阴影出发，对遥感图像中建筑物的自动提取方法进行了深入研究，主要包括阴影检测，树木阴影去除，边界跟踪，区域生长等内容。本文工作的主要贡献和创新总结如下： 1.提出了一种基于阴影的城市建筑自动提取方法，该方法充分利用了高分辨率遥感图像中建筑物受太阳光照影响产生的阴影信息，完成了阴影检测、树木阴影去除、建筑物阴影边界跟踪、建筑物候选区域选取、直至提取建筑物的整个过程。 2.提出了一种基于灰度直方图的遥感图像阴影自动检测方法，该方法
6、运用灰度统计直方图的势函数对全色遥感图像的灰度统计直方图函数进行拟合，使用一阶差分找到直方图势函数的第一个谷点，以该谷点对应的灰度值对原始图像做阈值分割完成阴影检测。实验表明在各种复杂地物环境下，该方法都能完成灰度分割阈值的自动选取，快速有效地进行阴影检测。 3.提出了一种基于统计的树木检测方法，其主要步骤是颜色空间变换和树木颜色建模。首先选择可分离亮度的 HSI，Lab 颜色空间分别建立树木的颜色模型，然后选取适当的概率阈值，使用查表法就可以完成树木的检测。最后结合遥感图像的树木检测实验分析了 RGB 边界盒法、树木的 HSI 颜色模型和Lab 颜色模型的检测结果。实验表明树木的 Lab 颜
7、色模型能够准确地检测出高分辨率多光谱遥感图像中的树木区域。 4.提出了一种新的去除建筑物阴影中树木阴影的方法。在高分辨率多光谱遥感图像中，检测到的建筑物阴影经常受到高大树木阴影的影响。基于检测到的树木区域，提出了根据树木区域和太阳光照方向去除建筑物阴影中树木阴影的方法，提高了建筑物阴影检测的准确性，实验证明该方法是行之有效的。 5.在得到准确的建筑物阴影的基础上，基于建筑物的矩形轮廓模型，提出了一种提取和描述建筑物区域的方法。该方法首先对建筑物阴影进行边界跟踪、矢量数据压缩，利用得到的阴影区边界线段序列选择建筑物的候选区域(Region ofInterest)，然后选取其中心点作为种子点，使用
8、区域生长方法扩张 ROI 区域得到建筑物区域的矩形描述。 论文中遥感图像数据来自 Google Earth，在 Matlab R2007a 环境下对提取算法进行了实验，并对实验结果进行了详细分析。近年来，随着卫星传感器空间分辨率的不断提高，高分辨率遥感图像成为城市信息提取的重要数据源之一，在地形地图绘制、地理信息系统、环境建模与监测、城市和区域规划等方面都有着极其广泛的应用。从遥感图像中提取人工地物，尤其是建筑物的研究工作已有多年历史，目前仍是一个热点课题。本文从建筑物的阴影出发，对遥感图像中建筑物的自动提取方法进行了深入研究，主要包括阴影检测，树木阴影去除，边界跟踪，区域生长等内容。本文工作
9、的主要贡献和创新总结如下： 1.提出了一种基于阴影的城市建筑自动提取方法，该方法充分利用了高分辨率遥感图像中建筑物受太阳光照影响产生的阴影信息，完成了阴影检测、树木阴影去除、建筑物阴影边界跟踪、建筑物候选区域选取、直至提取建筑物的整个过程。 2.提出了一种基于灰度直方图的遥感图像阴影自动检测方法，该方法运用灰度统计直方图的势函数对全色遥感图像的灰度统计直方图函数进行拟合，使用一阶差分找到直方图势函数的第一个谷点，以该谷点对应的灰度值对原始图像做阈值分割完成阴影检测。实验表明在各种复杂地物环境下，该方法都能完成灰度分割阈值的自动选取，快速有效地进行阴影检测。 3.提出了一种基于统计的树木检测方法
10、，其主要步骤是颜色空间变换和树木颜色建模。首先选择可分离亮度的 HSI，Lab 颜色空间分别建立树木的颜色模型，然后选取适当的概率阈值，使用查表法就可以完成树木的检测。最后结合遥感图像的树木检测实验分析了 RGB 边界盒法、树木的 HSI 颜色模型和Lab 颜色模型的检测结果。实验表明树木的 Lab 颜色模型能够准确地检测出高分辨率多光谱遥感图像中的树木区域。 4.提出了一种新的去除建筑物阴影中树木阴影的方法。在高分辨率多光谱遥感图像中，检测到的建筑物阴影经常受到高大树木阴影的影响。基于检测到的树木区域，提出了根据树木区域和太阳光照方向去除建筑物阴影中树木阴影的方法，提高了建筑物阴影检测的准确
11、性，实验证明该方法是行之有效的。 5.在得到准确的建筑物阴影的基础上，基于建筑物的矩形轮廓模型，提出了一种提取和描述建筑物区域的方法。该方法首先对建筑物阴影进行边界跟踪、矢量数据压缩，利用得到的阴影区边界线段序列选择建筑物的候选区域(Region ofInterest)，然后选取其中心点作为种子点，使用区域生长方法扩张 ROI 区域得到建筑物区域的矩形描述。 论文中遥感图像数据来自 Google Earth，在 Matlab R2007a 环境下对提取算法进行了实验，并对实验结果进行了详细分析。近年来，随着卫星传感器空间分辨率的不断提高，高分辨率遥感图像成为城市信息提取的重要数据源之一，在地形
12、地图绘制、地理信息系统、环境建模与监测、城市和区域规划等方面都有着极其广泛的应用。从遥感图像中提取人工地物，尤其是建筑物的研究工作已有多年历史，目前仍是一个热点课题。本文从建筑物的阴影出发，对遥感图像中建筑物的自动提取方法进行了深入研究，主要包括阴影检测，树木阴影去除，边界跟踪，区域生长等内容。本文工作的主要贡献和创新总结如下： 1.提出了一种基于阴影的城市建筑自动提取方法，该方法充分利用了高分辨率遥感图像中建筑物受太阳光照影响产生的阴影信息，完成了阴影检测、树木阴影去除、建筑物阴影边界跟踪、建筑物候选区域选取、直至提取建筑物的整个过程。 2.提出了一种基于灰度直方图的遥感图像阴影自动检测方法
13、，该方法运用灰度统计直方图的势函数对全色遥感图像的灰度统计直方图函数进行拟合，使用一阶差分找到直方图势函数的第一个谷点，以该谷点对应的灰度值对原始图像做阈值分割完成阴影检测。实验表明在各种复杂地物环境下，该方法都能完成灰度分割阈值的自动选取，快速有效地进行阴影检测。 3.提出了一种基于统计的树木检测方法，其主要步骤是颜色空间变换和树木颜色建模。首先选择可分离亮度的 HSI，Lab 颜色空间分别建立树木的颜色模型，然后选取适当的概率阈值，使用查表法就可以完成树木的检测。最后结合遥感图像的树木检测实验分析了 RGB 边界盒法、树木的 HSI 颜色模型和Lab 颜色模型的检测结果。实验表明树木的 L
14、ab 颜色模型能够准确地检测出高分辨率多光谱遥感图像中的树木区域。 4.提出了一种新的去除建筑物阴影中树木阴影的方法。在高分辨率多光谱遥感图像中，检测到的建筑物阴影经常受到高大树木阴影的影响。基于检测到的树木区域，提出了根据树木区域和太阳光照方向去除建筑物阴影中树木阴影的方法，提高了建筑物阴影检测的准确性，实验证明该方法是行之有效的。 5.在得到准确的建筑物阴影的基础上，基于建筑物的矩形轮廓模型，提出了一种提取和描述建筑物区域的方法。该方法首先对建筑物阴影进行边界跟踪、矢量数据压缩，利用得到的阴影区边界线段序列选择建筑物的候选区域(Region ofInterest)，然后选取其中心点作为种子
15、点，使用区域生长方法扩张 ROI 区域得到建筑物区域的矩形描述。 论文中遥感图像数据来自 Google Earth，在 Matlab R2007a 环境下对提取算法进行了实验，并对实验结果进行了详细分析。近年来，随着卫星传感器空间分辨率的不断提高，高分辨率遥感图像成为城市信息提取的重要数据源之一，在地形地图绘制、地理信息系统、环境建模与监测、城市和区域规划等方面都有着极其广泛的应用。从遥感图像中提取人工地物，尤其是建筑物的研究工作已有多年历史，目前仍是一个热点课题。本文从建筑物的阴影出发，对遥感图像中建筑物的自动提取方法进行了深入研究，主要包括阴影检测，树木阴影去除，边界跟踪，区域生长等内容。
16、本文工作的主要贡献和创新总结如下： 1.提出了一种基于阴影的城市建筑自动提取方法，该方法充分利用了高分辨率遥感图像中建筑物受太阳光照影响产生的阴影信息，完成了阴影检测、树木阴影去除、建筑物阴影边界跟踪、建筑物候选区域选取、直至提取建筑物的整个过程。 2.提出了一种基于灰度直方图的遥感图像阴影自动检测方法，该方法运用灰度统计直方图的势函数对全色遥感图像的灰度统计直方图函数进行拟合，使用一阶差分找到直方图势函数的第一个谷点，以该谷点对应的灰度值对原始图像做阈值分割完成阴影检测。实验表明在各种复杂地物环境下，该方法都能完成灰度分割阈值的自动选取，快速有效地进行阴影检测。 3.提出了一种基于统计的树木
17、检测方法，其主要步骤是颜色空间变换和树木颜色建模。首先选择可分离亮度的 HSI，Lab 颜色空间分别建立树木的颜色模型，然后选取适当的概率阈值，使用查表法就可以完成树木的检测。最后结合遥感图像的树木检测实验分析了 RGB 边界盒法、树木的 HSI 颜色模型和Lab 颜色模型的检测结果。实验表明树木的 Lab 颜色模型能够准确地检测出高分辨率多光谱遥感图像中的树木区域。 4.提出了一种新的去除建筑物阴影中树木阴影的方法。在高分辨率多光谱遥感图像中，检测到的建筑物阴影经常受到高大树木阴影的影响。基于检测到的树木区域，提出了根据树木区域和太阳光照方向去除建筑物阴影中树木阴影的方法，提高了建筑物阴影检
18、测的准确性，实验证明该方法是行之有效的。 5.在得到准确的建筑物阴影的基础上，基于建筑物的矩形轮廓模型，提出了一种提取和描述建筑物区域的方法。该方法首先对建筑物阴影进行边界跟踪、矢量数据压缩，利用得到的阴影区边界线段序列选择建筑物的候选区域(Region ofInterest)，然后选取其中心点作为种子点，使用区域生长方法扩张 ROI 区域得到建筑物区域的矩形描述。 论文中遥感图像数据来自 Google Earth，在 Matlab R2007a 环境下对提取算法进行了实验，并对实验结果进行了详细分析。近年来，随着卫星传感器空间分辨率的不断提高，高分辨率遥感图像成为城市信息提取的重要数据源之一
19、，在地形地图绘制、地理信息系统、环境建模与监测、城市和区域规划等方面都有着极其广泛的应用。从遥感图像中提取人工地物，尤其是建筑物的研究工作已有多年历史，目前仍是一个热点课题。本文从建筑物的阴影出发，对遥感图像中建筑物的自动提取方法进行了深入研究，主要包括阴影检测，树木阴影去除，边界跟踪，区域生长等内容。本文工作的主要贡献和创新总结如下： 1.提出了一种基于阴影的城市建筑自动提取方法，该方法充分利用了高分辨率遥感图像中建筑物受太阳光照影响产生的阴影信息，完成了阴影检测、树木阴影去除、建筑物阴影边界跟踪、建筑物候选区域选取、直至提取建筑物的整个过程。 2.提出了一种基于灰度直方图的遥感图像阴影自动
20、检测方法，该方法运用灰度统计直方图的势函数对全色遥感图像的灰度统计直方图函数进行拟合，使用一阶差分找到直方图势函数的第一个谷点，以该谷点对应的灰度值对原始图像做阈值分割完成阴影检测。实验表明在各种复杂地物环境下，该方法都能完成灰度分割阈值的自动选取，快速有效地进行阴影检测。 3.提出了一种基于统计的树木检测方法，其主要步骤是颜色空间变换和树木颜色建模。首先选择可分离亮度的 HSI，Lab 颜色空间分别建立树木的颜色模型，然后选取适当的概率阈值，使用查表法就可以完成树木的检测。最后结合遥感图像的树木检测实验分析了 RGB 边界盒法、树木的 HSI 颜色模型和Lab 颜色模型的检测结果。实验表明树
21、木的 Lab 颜色模型能够准确地检测出高分辨率多光谱遥感图像中的树木区域。 4.提出了一种新的去除建筑物阴影中树木阴影的方法。在高分辨率多光谱遥感图像中，检测到的建筑物阴影经常受到高大树木阴影的影响。基于检测到的树木区域，提出了根据树木区域和太阳光照方向去除建筑物阴影中树木阴影的方法，提高了建筑物阴影检测的准确性，实验证明该方法是行之有效的。 5.在得到准确的建筑物阴影的基础上，基于建筑物的矩形轮廓模型，提出了一种提取和描述建筑物区域的方法。该方法首先对建筑物阴影进行边界跟踪、矢量数据压缩，利用得到的阴影区边界线段序列选择建筑物的候选区域(Region ofInterest)，然后选取其中心点
22、作为种子点，使用区域生长方法扩张 ROI 区域得到建筑物区域的矩形描述。 论文中遥感图像数据来自 Google Earth，在 Matlab R2007a 环境下对提取算法进行了实验，并对实验结果进行了详细分析。近年来，随着卫星传感器空间分辨率的不断提高，高分辨率遥感图像成为城市信息提取的重要数据源之一，在地形地图绘制、地理信息系统、环境建模与监测、城市和区域规划等方面都有着极其广泛的应用。从遥感图像中提取人工地物，尤其是建筑物的研究工作已有多年历史，目前仍是一个热点课题。本文从建筑物的阴影出发，对遥感图像中建筑物的自动提取方法进行了深入研究，主要包括阴影检测，树木阴影去除，边界跟踪，区域生长
23、等内容。本文工作的主要贡献和创新总结如下： 1.提出了一种基于阴影的城市建筑自动提取方法，该方法充分利用了高分辨率遥感图像中建筑物受太阳光照影响产生的阴影信息，完成了阴影检测、树木阴影去除、建筑物阴影边界跟踪、建筑物候选区域选取、直至提取建筑物的整个过程。 2.提出了一种基于灰度直方图的遥感图像阴影自动检测方法，该方法运用灰度统计直方图的势函数对全色遥感图像的灰度统计直方图函数进行拟合，使用一阶差分找到直方图势函数的第一个谷点，以该谷点对应的灰度值对原始图像做阈值分割完成阴影检测。实验表明在各种复杂地物环境下，该方法都能完成灰度分割阈值的自动选取，快速有效地进行阴影检测。 3.提出了一种基于统
24、计的树木检测方法，其主要步骤是颜色空间变换和树木颜色建模。首先选择可分离亮度的 HSI，Lab 颜色空间分别建立树木的颜色模型，然后选取适当的概率阈值，使用查表法就可以完成树木的检测。最后结合遥感图像的树木检测实验分析了 RGB 边界盒法、树木的 HSI 颜色模型和Lab 颜色模型的检测结果。实验表明树木的 Lab 颜色模型能够准确地检测出高分辨率多光谱遥感图像中的树木区域。 4.提出了一种新的去除建筑物阴影中树木阴影的方法。在高分辨率多光谱遥感图像中，检测到的建筑物阴影经常受到高大树木阴影的影响。基于检测到的树木区域，提出了根据树木区域和太阳光照方向去除建筑物阴影中树木阴影的方法，提高了建筑
25、物阴影检测的准确性，实验证明该方法是行之有效的。 5.在得到准确的建筑物阴影的基础上，基于建筑物的矩形轮廓模型，提出了一种提取和描述建筑物区域的方法。该方法首先对建筑物阴影进行边界跟踪、矢量数据压缩，利用得到的阴影区边界线段序列选择建筑物的候选区域(Region ofInterest)，然后选取其中心点作为种子点，使用区域生长方法扩张 ROI 区域得到建筑物区域的矩形描述。 论文中遥感图像数据来自 Google Earth，在 Matlab R2007a 环境下对提取算法进行了实验，并对实验结果进行了详细分析。近年来，随着卫星传感器空间分辨率的不断提高，高分辨率遥感图像成为城市信息提取的重要数
26、据源之一，在地形地图绘制、地理信息系统、环境建模与监测、城市和区域规划等方面都有着极其广泛的应用。从遥感图像中提取人工地物，尤其是建筑物的研究工作已有多年历史，目前仍是一个热点课题。本文从建筑物的阴影出发，对遥感图像中建筑物的自动提取方法进行了深入研究，主要包括阴影检测，树木阴影去除，边界跟踪，区域生长等内容。本文工作的主要贡献和创新总结如下： 1.提出了一种基于阴影的城市建筑自动提取方法，该方法充分利用了高分辨率遥感图像中建筑物受太阳光照影响产生的阴影信息，完成了阴影检测、树木阴影去除、建筑物阴影边界跟踪、建筑物候选区域选取、直至提取建筑物的整个过程。 2.提出了一种基于灰度直方图的遥感图像
27、阴影自动检测方法，该方法运用灰度统计直方图的势函数对全色遥感图像的灰度统计直方图函数进行拟合，使用一阶差分找到直方图势函数的第一个谷点，以该谷点对应的灰度值对原始图像做阈值分割完成阴影检测。实验表明在各种复杂地物环境下，该方法都能完成灰度分割阈值的自动选取，快速有效地进行阴影检测。 3.提出了一种基于统计的树木检测方法，其主要步骤是颜色空间变换和树木颜色建模。首先选择可分离亮度的 HSI，Lab 颜色空间分别建立树木的颜色模型，然后选取适当的概率阈值，使用查表法就可以完成树木的检测。最后结合遥感图像的树木检测实验分析了 RGB 边界盒法、树木的 HSI 颜色模型和Lab 颜色模型的检测结果。实
28、验表明树木的 Lab 颜色模型能够准确地检测出高分辨率多光谱遥感图像中的树木区域。 4.提出了一种新的去除建筑物阴影中树木阴影的方法。在高分辨率多光谱遥感图像中，检测到的建筑物阴影经常受到高大树木阴影的影响。基于检测到的树木区域，提出了根据树木区域和太阳光照方向去除建筑物阴影中树木阴影的方法，提高了建筑物阴影检测的准确性，实验证明该方法是行之有效的。 5.在得到准确的建筑物阴影的基础上，基于建筑物的矩形轮廓模型，提出了一种提取和描述建筑物区域的方法。该方法首先对建筑物阴影进行边界跟踪、矢量数据压缩，利用得到的阴影区边界线段序列选择建筑物的候选区域(Region ofInterest)，然后选取
29、其中心点作为种子点，使用区域生长方法扩张 ROI 区域得到建筑物区域的矩形描述。 论文中遥感图像数据来自 Google Earth，在 Matlab R2007a 环境下对提取算法进行了实验，并对实验结果进行了详细分析。近年来，随着卫星传感器空间分辨率的不断提高，高分辨率遥感图像成为城市信息提取的重要数据源之一，在地形地图绘制、地理信息系统、环境建模与监测、城市和区域规划等方面都有着极其广泛的应用。从遥感图像中提取人工地物，尤其是建筑物的研究工作已有多年历史，目前仍是一个热点课题。本文从建筑物的阴影出发，对遥感图像中建筑物的自动提取方法进行了深入研究，主要包括阴影检测，树木阴影去除，边界跟踪，
30、区域生长等内容。本文工作的主要贡献和创新总结如下： 1.提出了一种基于阴影的城市建筑自动提取方法，该方法充分利用了高分辨率遥感图像中建筑物受太阳光照影响产生的阴影信息，完成了阴影检测、树木阴影去除、建筑物阴影边界跟踪、建筑物候选区域选取、直至提取建筑物的整个过程。 2.提出了一种基于灰度直方图的遥感图像阴影自动检测方法，该方法运用灰度统计直方图的势函数对全色遥感图像的灰度统计直方图函数进行拟合，使用一阶差分找到直方图势函数的第一个谷点，以该谷点对应的灰度值对原始图像做阈值分割完成阴影检测。实验表明在各种复杂地物环境下，该方法都能完成灰度分割阈值的自动选取，快速有效地进行阴影检测。 3.提出了一
31、种基于统计的树木检测方法，其主要步骤是颜色空间变换和树木颜色建模。首先选择可分离亮度的 HSI，Lab 颜色空间分别建立树木的颜色模型，然后选取适当的概率阈值，使用查表法就可以完成树木的检测。最后结合遥感图像的树木检测实验分析了 RGB 边界盒法、树木的 HSI 颜色模型和Lab 颜色模型的检测结果。实验表明树木的 Lab 颜色模型能够准确地检测出高分辨率多光谱遥感图像中的树木区域。 4.提出了一种新的去除建筑物阴影中树木阴影的方法。在高分辨率多光谱遥感图像中，检测到的建筑物阴影经常受到高大树木阴影的影响。基于检测到的树木区域，提出了根据树木区域和太阳光照方向去除建筑物阴影中树木阴影的方法，提
32、高了建筑物阴影检测的准确性，实验证明该方法是行之有效的。 5.在得到准确的建筑物阴影的基础上，基于建筑物的矩形轮廓模型，提出了一种提取和描述建筑物区域的方法。该方法首先对建筑物阴影进行边界跟踪、矢量数据压缩，利用得到的阴影区边界线段序列选择建筑物的候选区域(Region ofInterest)，然后选取其中心点作为种子点，使用区域生长方法扩张 ROI 区域得到建筑物区域的矩形描述。 论文中遥感图像数据来自 Google Earth，在 Matlab R2007a 环境下对提取算法进行了实验，并对实验结果进行了详细分析。近年来，随着卫星传感器空间分辨率的不断提高，高分辨率遥感图像成为城市信息提取
33、的重要数据源之一，在地形地图绘制、地理信息系统、环境建模与监测、城市和区域规划等方面都有着极其广泛的应用。从遥感图像中提取人工地物，尤其是建筑物的研究工作已有多年历史，目前仍是一个热点课题。本文从建筑物的阴影出发，对遥感图像中建筑物的自动提取方法进行了深入研究，主要包括阴影检测，树木阴影去除，边界跟踪，区域生长等内容。本文工作的主要贡献和创新总结如下： 1.提出了一种基于阴影的城市建筑自动提取方法，该方法充分利用了高分辨率遥感图像中建筑物受太阳光照影响产生的阴影信息，完成了阴影检测、树木阴影去除、建筑物阴影边界跟踪、建筑物候选区域选取、直至提取建筑物的整个过程。 2.提出了一种基于灰度直方图的
34、遥感图像阴影自动检测方法，该方法运用灰度统计直方图的势函数对全色遥感图像的灰度统计直方图函数进行拟合，使用一阶差分找到直方图势函数的第一个谷点，以该谷点对应的灰度值对原始图像做阈值分割完成阴影检测。实验表明在各种复杂地物环境下，该方法都能完成灰度分割阈值的自动选取，快速有效地进行阴影检测。 3.提出了一种基于统计的树木检测方法，其主要步骤是颜色空间变换和树木颜色建模。首先选择可分离亮度的 HSI，Lab 颜色空间分别建立树木的颜色模型，然后选取适当的概率阈值，使用查表法就可以完成树木的检测。最后结合遥感图像的树木检测实验分析了 RGB 边界盒法、树木的 HSI 颜色模型和Lab 颜色模型的检测
35、结果。实验表明树木的 Lab 颜色模型能够准确地检测出高分辨率多光谱遥感图像中的树木区域。 4.提出了一种新的去除建筑物阴影中树木阴影的方法。在高分辨率多光谱遥感图像中，检测到的建筑物阴影经常受到高大树木阴影的影响。基于检测到的树木区域，提出了根据树木区域和太阳光照方向去除建筑物阴影中树木阴影的方法，提高了建筑物阴影检测的准确性，实验证明该方法是行之有效的。 5.在得到准确的建筑物阴影的基础上，基于建筑物的矩形轮廓模型，提出了一种提取和描述建筑物区域的方法。该方法首先对建筑物阴影进行边界跟踪、矢量数据压缩，利用得到的阴影区边界线段序列选择建筑物的候选区域(Region ofInterest)，
36、然后选取其中心点作为种子点，使用区域生长方法扩张 ROI 区域得到建筑物区域的矩形描述。 论文中遥感图像数据来自 Google Earth，在 Matlab R2007a 环境下对提取算法进行了实验，并对实验结果进行了详细分析。近年来，随着卫星传感器空间分辨率的不断提高，高分辨率遥感图像成为城市信息提取的重要数据源之一，在地形地图绘制、地理信息系统、环境建模与监测、城市和区域规划等方面都有着极其广泛的应用。从遥感图像中提取人工地物，尤其是建筑物的研究工作已有多年历史，目前仍是一个热点课题。本文从建筑物的阴影出发，对遥感图像中建筑物的自动提取方法进行了深入研究，主要包括阴影检测，树木阴影去除，边
37、界跟踪，区域生长等内容。本文工作的主要贡献和创新总结如下： 1.提出了一种基于阴影的城市建筑自动提取方法，该方法充分利用了高分辨率遥感图像中建筑物受太阳光照影响产生的阴影信息，完成了阴影检测、树木阴影去除、建筑物阴影边界跟踪、建筑物候选区域选取、直至提取建筑物的整个过程。 2.提出了一种基于灰度直方图的遥感图像阴影自动检测方法，该方法运用灰度统计直方图的势函数对全色遥感图像的灰度统计直方图函数进行拟合，使用一阶差分找到直方图势函数的第一个谷点，以该谷点对应的灰度值对原始图像做阈值分割完成阴影检测。实验表明在各种复杂地物环境下，该方法都能完成灰度分割阈值的自动选取，快速有效地进行阴影检测。 3.
38、提出了一种基于统计的树木检测方法，其主要步骤是颜色空间变换和树木颜色建模。首先选择可分离亮度的 HSI，Lab 颜色空间分别建立树木的颜色模型，然后选取适当的概率阈值，使用查表法就可以完成树木的检测。最后结合遥感图像的树木检测实验分析了 RGB 边界盒法、树木的 HSI 颜色模型和Lab 颜色模型的检测结果。实验表明树木的 Lab 颜色模型能够准确地检测出高分辨率多光谱遥感图像中的树木区域。 4.提出了一种新的去除建筑物阴影中树木阴影的方法。在高分辨率多光谱遥感图像中，检测到的建筑物阴影经常受到高大树木阴影的影响。基于检测到的树木区域，提出了根据树木区域和太阳光照方向去除建筑物阴影中树木阴影的
39、方法，提高了建筑物阴影检测的准确性，实验证明该方法是行之有效的。 5.在得到准确的建筑物阴影的基础上，基于建筑物的矩形轮廓模型，提出了一种提取和描述建筑物区域的方法。该方法首先对建筑物阴影进行边界跟踪、矢量数据压缩，利用得到的阴影区边界线段序列选择建筑物的候选区域(Region ofInterest)，然后选取其中心点作为种子点，使用区域生长方法扩张 ROI 区域得到建筑物区域的矩形描述。 论文中遥感图像数据来自 Google Earth，在 Matlab R2007a 环境下对提取算法进行了实验，并对实验结果进行了详细分析。特别提醒 ：正文内容由 PDF 文件转码生成，如您电脑未有相应转换码
40、，则无法显示正文内容，请您下载相应软件，下载地址为 http:/ 。如还不能显示，可以联系我 q q 1627550258 ，提供原格式文档。“垐垯櫃 换烫梯葺铑?endstreamendobj2x 滌?U 閩 AZ箾 FTP 鈦X 飼?狛P? 燚?琯嫼 b?袍*甒?颙嫯?4)=r 宵?i?j 彺帖 B3 锝檡骹笪 yLrQ#?0 鯖 l 壛枒l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛渓?擗#?“?# 綫 G 刿#K 芿$?7. 耟?Wa 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 皗 E|?pDb 癳$Fb 癳$Fb癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$F?責鯻 0 橔 C,f 薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵秾腵薍秾腵%?秾腵薍秾腵薍
