一种基于高分辨率影像的光伏可开发屋顶提取方法与流程

1.本发明涉及遥感数据处理技术领域，特别涉及一种基于高分辨率影像的光伏可开发屋 顶提取方法。


背景技术：

2.随着遥感技术的快速发展，由于高分辨率的遥感影像拥有信息量大、较容易获取、实 时性好、精确性高等特点，在多种领域中都得到了较广泛的使用。太阳能光伏技术 (photovoltaic，pv)是太阳能有效利用的方式之一，也是目前发展速度快的高新技术产业之 一。分布式光伏主要安装在建筑屋顶、直接接入低压配电网，提高了土地资源利用率。
3.目前分布式光伏屋顶发展速度远不如预期，面临着许多问题，尤其是缺乏城市屋顶资 源评估的方法及相关技术。现阶段规模化建筑屋顶获取方法有限，主要采用土地利用资料和 监控区域周期性人工巡视。利用人工实地巡检获取建筑屋顶信息精度高，但该方法需要消耗 大量人力物力和时间，效率低下，已不适用于当下光伏产业的发展需求。随着遥感技术的快 速发展，遥感获取的数据不但覆盖范围广、周期短，而且分辨率非常高，为建筑物识别提供 了丰富可靠的数据源。然而，遥感地物提取也存在着许多不确定性问题，例如地物光谱存在
ꢀ“
同物异谱”或“异物同谱”等问题，导致地物难以区分或提取精度不高。国内外许多学者 对遥感影像中建筑物的识别以及光伏阵列的提取已开展相关的研究，但与高精度、高效率的 建筑屋顶自动识别提取仍存在一定的差距，且应用到实际工程中仍然需要进一步的摸索和探 究。


技术实现要素：

4.针对现有技术地物难以区分、提取精度不高的问题，本发明提供了一种基于高分辨率 影像的光伏可开发屋顶提取方法，通过主成分分析算法、otsu阈值分割、决策树分类、监督 分类、canny算子边缘检测、数学形态学算法等步骤，对高分辨率影像的光伏可开发屋顶进 行提取，能够去除绝大部分干扰因素，具有较高的准确性。
5.以下是本发明的技术方案。
6.一种基于高分辨率影像的光伏可开发屋顶提取方法，包括以下步骤：s1：对高分辨率影像进行预处理，裁剪得到建筑物密集区域；s2：利用主成分分析算法对建筑物密集区域进行降维处理，得到若干主成分数据；s3：对主成分数据进行otsu阈值分割，生成影像二值化结果图；s4：利用决策树分类和监督分类对影像二值化结果图进行分类，得到疑似屋顶类；s5：根据疑似屋顶类对阈值分割结果进行掩膜，掩膜结果为屋顶的离散对象；s6：对掩膜结果进行canny算子边缘检测，提取建筑物外形轮廓；s7：对建筑物外形轮廓的不规则线段以及小闭环进行编辑和修复处理；s8：用数学形态学算法对处理结果进行优化，得到最终提取结果，并计算其中光伏可开发屋 顶面积。
7.本发明能够将高分辨率光学影像中目标的特征信息与多种不同数字图像处理技术新 方法有效结合，去除干扰信息，提高屋顶提取精度；利用屋顶提取结果和影像的分辨率，计 算出光伏可开发屋顶面积，为准确地获取光伏可开发屋顶信息提供技术支持。
8.作为优选，所述s1的过程包括：选取高分辨率影像中，矩形出现密度大于预设值的 部分，裁剪得到建筑物密集区域。由于大部分的屋顶为矩形，因此矩形的出现密度较高时， 大概率是建筑物密集区域。
9.作为优选，所述s2的过程包括：计算建筑物密集区域的协方差矩阵；求出协方差矩阵的特征值λi以及其相应正交化单位特征向量ai；协方差矩阵前m个较大的特征值就是前m个主成分所对应的方差；第i个主成分fi为：fi＝aix；其中x为建筑物密集区域的原始影像，x＝xi，i＝1，2，
…
，k，k为波段数。
10.作为优选，所述s4的过程包括：选择感兴趣区，分别为裸土、植被、道路、屋顶和阴影，通过各感兴趣区的统计数据，为决 策树中的各个结点设置判断条件，得到最终结果后利用混淆矩阵进行结果分析；再利用感兴趣区，使用监督分类中的最大似然分类法进行分类；最大似然分类法假设每一类 别的特征服从正态分布，构建概率分布函数；在概率分布函数的基础上，对每个像素求出其 属于不同类别的概率，比较得到的多个概率结果，属于某一类的概率最大则该类为像素的分 类结果；设像素x在类别k的条件概率为p(x|k)，像素x在类别i的条件概率为p(x|i)，那么 归属概率lk表示为以下形式的判别函数：lk＝p(k|x)＝p(k)
×
p(x|k)/∑p(i)
×
p(x|i)；p(k)是类别k的先验概率，p(i)是类别i的先验概率，由训练区确定；利用上述步骤中的感兴趣区进行初步最大似然分类，利用混淆矩阵进行结果分析，对于出现 错分、混分的区域调整感兴趣区，重新分类以改进分类结果，得到疑似屋顶类。
11.作为优选，所述s7的过程包括：将canny算子边缘检测得到的建筑物外形轮廓转换为线要素；处理不规则线段和小闭环，将小闭环删除，与原影像进行对比后，调整建筑物外形轮廓中不 规则线段位置，连接断裂线段。
12.本发明的实质性效果包括：能够将屋顶区域与背景区域粗略分割；进行主成分分析、 决策树分类和监督分类，将决策树分类与监督分类进行精度对比得到疑似屋顶类；接着用分 类获得的疑似屋顶类对otsu阈值分割结果进行掩膜处理，对掩膜结果进行canny算子边缘检 测得到屋顶轮廓；对轮廓结果中的干扰因素进行编辑处理；最后用数学形态学方法对屋顶轮 廓结果进行处理，得到最终光伏可开发屋顶提取结果，并利用分辨率计算其面积。其中，主 成分分析去除了一些干扰信息，突出了屋顶信息，可应用于后续决策树分类；利用分类算法 和阈值分割相结合，有效去除大部分干扰信息，得到屋顶对象；使用去除干扰目标后的影像 进行canny算子边缘检测，能够快速提取建筑物外形轮廓；利用提取结果中的像素数目和分 辨率能够计算出光伏可开发屋顶的面积。
附图说明
13.图1为本发明实施例的流程图；图2为本发明实施例的主成分分析结果图；图3为本发明实施例的otsu阈值分割结果；图4为本发明实施例的疑似屋顶类对阈值分割掩膜结果；图5为本发明实施例的边缘检测及arcgis编辑处理结果；图6为本发明实施例的数学形态学处理结果；图7为本发明实施例的提取结果与真实情况对比图。
具体实施方式
14.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合实施例，对本技术 方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全 部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所 获得的所有其他实施例，都属于本发明保护的范围。
15.应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先 后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成 任何限定。
16.应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不 排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清 楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或 设备固有的其它步骤或单元。
17.应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联 对象的关联关系，表示可以存在三种关系，例如，和/或b，可以表示：单独存在a，同时存 在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
ꢀ“
包含a、b和c”、“包含a、b、c”是指a、b、c三者都包含，“包含a、b或c”是指 包含a、b、c三者之一，“包含a、b和/或c”是指包含a、b、c三者中任1个或任2个 或3个。
18.下面以具体的实施例对本发明的技术方案进行详细说明。实施例可以相互结合，对于 相同或相似的概念或过程可能在某些实施例不再赘述。
19.实施例：一种基于高分辨率影像的光伏可开发屋顶提取方法，如图1所示，包括以下步骤：s1：对高分辨率影像进行预处理，裁剪得到建筑物密集区域。
20.具体过程包括：选取高分辨率影像中，矩形出现密度大于预设值的部分，裁剪得到建 筑物密集区域。由于大部分的屋顶为矩形，因此矩形的出现密度较高时，大概率是建筑物密 集区域。
21.实际建筑物屋顶有许多种不同类型，部分房屋屋顶与影像中其它地物差异较大，部分 屋顶与其它地物颜色相近，难以区分。首先裁切图像，判别选择遥感影像中建筑物较为密集 的区域，作为屋顶提取的实验区。建筑物密集的区域通常为城市区域，在高分辨率遥感影像 中该区域包含的地物中大部分为排列较为整齐的建筑物，其余为绿地，道路等地物。因此选 择了影像中两个区域的建筑物：区域a中的建筑物与背景差距较大，易于分割；
区域b中的 建筑物与背景相似，分割难度较大。
22.s2：利用主成分分析算法对建筑物密集区域进行降维处理，得到若干主成分数据。
23.高分辨率影像包含的信息量大，干扰信息多，可能影响分类结果和建筑物屋顶信息的 提取。在遥感图像分类中，利用主成分分析算法对影像进行降维处理，可以最大限度保留原 始影像信息，去除多余噪声，实现信息增强。主成分分析算法把原始影像中的信息的多个指 标利用正交旋转的方法，生成新的综合指标，即主成分。具体过程包括：计算建筑物密集区域的协方差矩阵；求出协方差矩阵的特征值λi以及其相应正交化单位特征向量ai；协方差矩阵前m个较大的特征值就是前m个主成分所对应的方差；第i个主成分fi为：fi＝aix；其中x为建筑物密集区域的原始影像，x＝xi，i＝1，2，
…
，k，k为波段数。
24.如图2所示，(a)为第一主成分(b)为第二主成分(c)为第三主成分，可看出在不 同的主成分上，各个地物的亮度有一定的差别，因此可利用三个主成分影像的像素值作为区 分不同地物的依据之一。第一主成分图像上植被区域高亮显示，屋顶区域亮度较低；第二主 成分图像上部分屋顶区域高亮显示；第三主成分包含的信息较少，只有部分屋顶区域高亮显 示。在影像上建筑物和其余背景信息具有一定的可区分度。首先查看各个主成分影像中不同 地物的像素值统计数据，得到各类别最大最小值。若屋顶的像素最小值大于其余地物的像素 最大值，或屋顶的像素最大值小于其余地物的像素最小值，即可将屋顶区域完全区分开。但 绝大多数情况下，屋顶区域像素值跨度较大，无法直接区分。接着用上述判断方法查看是否 有其他地物可以直接与其他地物区分。区分开部分干扰地物后，依靠主成分影像中不同地物 的频率分布直方图信息，将屋顶类别中大部分的像素与背景地物区分。
25.s3：对主成分数据进行otsu阈值分割，生成影像二值化结果图。
26.结果如图3所示，与原影像进行对比，区域a中屋顶区域与背景差异较大，分割效果 较好；区域b屋顶与背景差异较小，因此分割效果较差。
27.s4：利用决策树分类和监督分类对影像二值化结果图进行分类，得到疑似屋顶类。
28.具体过程包括：选择感兴趣区，分别为裸土、植被、道路、屋顶和阴影，通过各感兴趣区的统计数据，为决 策树中的各个结点设置判断条件，得到最终结果后利用混淆矩阵进行结果分析；再利用感兴趣区，使用监督分类中的最大似然分类法进行分类；最大似然分类法假设每一类 别的特征服从正态分布，构建概率分布函数；在概率分布函数的基础上，对每个像素求出其 属于不同类别的概率，比较得到的多个概率结果，属于某一类的概率最大则该类为像素的分 类结果；设像素x在类别k的条件概率为p(x|k)，像素x在类别i的条件概率为p(x|i)，那么 归属概率lk表示为以下形式的判别函数：lk＝p(k|x)＝p(k)
×
p(x|k)/∑p(i)
×
p(x|i)；p(k)是类别k的先验概率，p(i)是类别i的先验概率，由训练区确定；利用上述步骤中的感兴趣区进行初步最大似然分类，利用混淆矩阵进行结果分析，对于出现 错分、混分的区域调整感兴趣区，重新分类以改进分类结果，得到疑似屋顶类。
29.下表中生产精度＝正确分类数/某类别总数。
30.表1决策树分类精度 实验区生产精度(percent)a99.76b86.35表2监督分类精度 实验区生产精度(percent)a98.68b97.12从表1和表2中可以看到，区域a中屋顶区域与背景差异较大，分类精度较高，屋顶提取效 果较好，决策树分类生产精度达到99.76％。区域b屋顶区域与背景差异较小，分类精度不高， 监督分类结果精度远高于决策树分类精度。在实际应用中需要考虑到区域b中屋顶区域与背 景差异较小的情况，从结果来看，区域b分类不够精确，漏分错分现象较多，需要进一步提 高。
31.s5：根据疑似屋顶类对阈值分割结果进行掩膜，掩膜结果为屋顶的离散对象。
32.区域b分类后得到的疑似屋顶类对阈值分割结果进行掩膜，掩膜结果为屋顶的离散对 象。图4为掩膜结果，结果去除了otsu阈值分割结果中许多干扰信息。
33.s6：对掩膜结果进行canny算子边缘检测，提取建筑物外形轮廓。
34.使用去除较多干扰目标后的影像进行canny算子边缘检测，能够快速提取建筑物外形 轮廓。
35.s7：对建筑物外形轮廓的不规则线段以及小闭环进行编辑和修复处理。
36.具体过程包括：将canny算子边缘检测得到的建筑物外形轮廓转换为线要素；处理不规则线段和小闭环，将小闭环删除，与原影像进行对比后，调整建筑物外形轮廓中不 规则线段位置，连接断裂线段。结果如图5所示。
37.s8：用数学形态学算法对处理结果进行优化，得到最终提取结果，并计算其中光伏可 开发屋顶面积。
38.大部分屋顶区域已经被提取出来，大多数的小孔洞已经被处理，但还有一些弯曲的边 缘以及剩余的孔洞。采用闭运算对屋顶轮廓进行数学形态学处理，实现屋顶内部细小孔洞的 填充并平滑边缘。首先为闭运算操作设置结构元素。由于大部分屋顶在影像中为矩形区域， 屋顶提取影像内部的噪声较小，设置结构元素为1
×
1的规则正方形元素。结果如图6所示。 通过手动提取得到屋顶轮廓与最终屋顶提取结果进行对比，如图7所示，(a)为手动提取的 屋顶轮廓，(b)为最终提取结果。真实屋顶区域像素为58017，提取的屋顶轮廓区域的像素 为52924。计算出最终精度为91.22％，高于决策树分类的屋顶类提取精度，相较于监督分类 的结果减少了很多破碎的区域。其单位像素的分辨率为1m，即单个像素的面积为12＝1m2。 据此我们可以得到研究区域建筑屋顶的面积为52924m2。结果图上虽仍存在部分极少屋顶未 被提取以及边缘弯曲，但相较于otsu阈值分割和遥感影像分类后的结果，屋顶提取效果大大 提高。也就是说本发明提出的基于高分辨率影像的光伏可开发屋顶提取方法行之有效。
39.本发明能够将高分辨率光学影像中目标的特征信息与多种不同数字图像处理技术新 方法有效结合，去除干扰信息，提高屋顶提取精度；利用屋顶提取结果和影像的分辨率，计 算出光伏可开发屋顶面积，为准确地获取光伏可开发屋顶信息提供技术支持。
40.通过以上实施方式的描述，所属领域的技术人员可以了解到，为描述的方便和简洁， 仅以上述各功能模块的划分进行举例说明，实际应用中可以根据需要而将上述功能分配由不 同的功能模块完成，即将具体装置的内部结构划分成不同的功能模块，以完成以上描述的全 部或者部分功能。
41.在本技术所提供的实施例中，应该理解到，所揭露的结构和方法，可以通过其它的方 式实现。例如，以上所描述的关于结构的实施例仅仅是示意性的，例如，模块或单元的划分， 仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结 合或者可以集成到另一个结构，或一些特征可以忽略，或不执行。另一点，所显示或讨论的 相互之间的耦合或直接耦合或通信连接可以是通过一些接口，结构或单元的间接耦合或通信 连接，可以是电性，机械或其它的形式。
42.作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件 可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地 方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
43.另外，在本技术实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单 元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采 用硬件的形式实现，也可以采用软件功能单元的形式实现。
44.集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存 储在一个可读取存储介质中。基于这样的理解，本技术实施例的技术方案本质上或者说对现 有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该软 件产品存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或 处理器(processor)执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u 盘、移动硬盘、只读存储器(read only memory，rom)、随机存取存储器(random access memory， ram)、磁碟或者光盘等各种可以存储程序代码的介质。
45.以上内容，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟 悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在 本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。