高分辨率遥感影像中建筑物自动检测的区域分割方法

"这篇论文是2010年由徐胜华、刘纪平和胡明远发表在《辽宁工程技术大学学报（自然科学版）》上的，属于自然科学领域，由多个基金项目支持。研究主要探讨了如何从高分辨率的彩色航空影像中自动检测建筑物，采用区域分割技术和信息融合策略，以提高识别率和准确性。" 本文提出了一种基于区域分割的建筑物自动检测方法，主要针对高分辨率遥感图像中的建筑物提取问题。在遥感图像处理中，建筑物的自动检测是一项重要的任务，对于城市规划、灾害监测和地理信息系统(GIS)的应用具有重要意义。 首先，该方法运用K-Mean聚类算法对图像进行初步分类，将图像中的地物分为人工地物和非人工地物两大类。K-Mean是一种常见的无监督学习算法，通过计算像素间的欧氏距离，将像素分到最近的簇中，以此实现对地物的初步划分。 接着，为了进一步去除人工地物类别中的干扰因素，如阴影和非建筑物物体，研究者引入了Mean Shift分割技术。Mean Shift是一种基于密度的聚类方法，它能够寻找数据分布的局部峰点，从而有效地区分出建筑物可能存在的区域。同时，结合阴影信息，可以减少因光照变化造成的误判。 最后，通过对形状特征的分析，如边缘、轮廓和几何特性，可以精确定位并确认真实的建筑物区域。形状分析是遥感图像识别中的关键步骤，因为它可以帮助区分建筑物与其他类似形状的物体。 实验结果表明，该方法在高分辨率航空影像上实现了较高的识别率，具有良好的准确性和鲁棒性，这表明这种方法对于实际应用是可行且有价值的。实验可能包括了多种类型的航空影像，并对不同条件下的检测效果进行了评估，以验证其在不同场景下的适应性。 这篇论文介绍的建筑物自动检测方法结合了K-Mean聚类、Mean Shift分割和形状分析等技术，有效地解决了高分辨率遥感图像中建筑物的自动识别问题，为遥感图像处理提供了一种有效的解决方案。该研究对后续的遥感图像分析和信息提取研究具有重要参考价值。