城市建筑物正面图像相同建筑物的识别

2019-11-15侯培文

电子技术与软件工程 2019年19期

文/侯培文

1 引言

关于建筑物正面相同建筑识别的现有相关研究相当多，大多数算法通过已校正图像中的特征点和对称信息来进行识别相同建筑物。我们的算法的最大特点是可以自动识别建筑物图像的准确位置和具体形状，而这点上述其他算法无法实现。我们算法的关键在于可以利用repetitive characteristic curve特征曲线，稳健而有效地识别与不同模板匹配的相同建筑物。

2 相同建筑物识别模式

本部分将概述提出新的算法。主要功能是根据建筑物正面图像相同部分的识别推断被遮蔽建筑物的图像。该算法主要包括三步，第一步是图像预处理（包括图像校正和干扰过滤），第二步是墙体和非墙体识别，第三步是相同建筑物识别。

2.1 图像预处理

输入图像必须在图像预处理阶段进行过滤干扰。

2.1.1 建筑物正面图像的干扰过滤，算法首先区分墙体和非墙体区域

起始垂直墙体通过合并每一行和它相邻的墙体得出。起始水平墙体通过合并每一列和它的相邻的墙体得出。起始墙通过合并起始垂直和水平的墙体获得。

墙的模板通过迭代计算获得

有了墙体模板，我们可以通过遍历法，在整个建筑物正面图像中获得墙体和非墙体的区分。

2.1.2 起始墙体区域

我们函数计算获得difference map, sub的长度就是图像的宽度。我们认为垂直方向的墙Wv是sub的一部分，其值小于。而横向为

同样地，我们可以通过列的subtractionfun ction2计算出h和水平墙Wh.

公式中的W代表建筑物图像的宽度。

接着，可以合并垂直墙区域Wv和水平墙区域Wh.得到起始墙体区域图像。

然后，通过迭代计算可以清除起始墙体区域图像Wallinit中的所有非墙体像素。算法1总结了算法的过程。首先获得均值m1, Wallinit的像素灰值 pixel gray values的方差，如果像素灰值 pixel gray values小于m1-s1或大于m1+s1，那么从Wallinitd中除去这些像素，由此得到一个新的起始墙体Wallinit2。然后继续计算m2, s2,如果则终止迭代计算程序，则最后final initial wall所得的Wallinit;如果，则继续计算m3, s3, 如果像素灰值 pixel gray values小于m3-s3或大于m3+s3，从Wallinitd2中除去这些像素。如果，则最后final initial wall所得的Wallinit2,接着继续迭代程序直到

尽管WallinitN不完整，但能够确证在WallinitN中，没有非墙体建筑。

算法1 起始墙体区域的识别

输入：起始墙 W1

输出：起始墙 WN

2.1.3 墙体识别采集器

因为柱状图的统计信息计算少，而且是稳定的，具有很好的平移、旋转、比例大小变化适应性。分别将其颜色信息量化、饱和度和色值quantify the hue, saturation, value三种信息要素以64点统计到柱状图中，并且将三个柱状图合并形成一个64 x3 vector 作为图像采集器的定义。LBP的量化信息形成一个64点的柱状图a histogram with 64 bins，以此定义结构采集器。

2.2 相同建筑物的模板识别

本部分，我们使用迭代法和diffusionbased process已找到与目标模板相同的所有建筑物部分。首先采用区域扩增方法来识别那些非墙体区域。然后，使用格栅化的LBP+HSV采集器来识别与模板相匹配的、位于同排的的建筑物部分。最后，将同排识别出的所有与模板相匹配的的图像集合形成一个大大模板，再以此来识别竖列的与模板相匹配的建筑物的图像。

2.2.1 模板

我们使用区域扩增的办法region growing method来识别墙体和非墙体。首先在所有bounding boxes的范围内找到频率最高的高度H和宽度W。然后再确定一个类似于长方形的bounding box 作为识别模板，长方形的高为H，宽为W。我们使用函数5来计算这个长方形和每个bounding box的S值（即similarity值）。