针对从高分遥感影像中提取建筑物易受阴影和植被等遮挡而导致错误检测的问题，提出一种建筑物轮廓双向驱动自适应分割重构的规则化方法。首先采用基于最小外接矩形（MBR）的平直旋转变换算法，旋转建筑物轮廓至水平或竖直状态，减少轮廓图形学显示上的锯齿表征；然后设计MBR和Shi-Tomasi联合双向驱动建筑物轮廓自适应分割算法，将轮廓化整为零精准分割形成局部片段；最后提出基于局部最优权拟合的轮廓重构算法，依次对局部片段进行属性分配、约束重组、最优权拟合与坐标重组，实现建筑物轮廓的规则化。实验结果表明，与初始提取结果相比，经所提方法规则化的轮廓视觉效果更好。与同类基于栅格填充、角点校正、最优外接矩形拟合和主方向的4种轮廓规则化方法相比，所提方法在保证规则化效率的同时，精度也更高，具有更广泛的适用性，对常见包含不同角度变化的复杂建筑物均能得到更加规整的轮廓，可作为建筑物提取后处理规则化的参考手段。

现有常规分类识别建筑物的提取方法容易受到周围复杂环境的干扰而导致错误检测，造成建筑物的边界存在不规则、与真实形状不符等问题。针对此问题，提出一种基于主方向的建筑物轮廓优化方法。首先，依据影像和建筑物特征对建筑物初始提取结果进行预处理，剔除非建筑物图斑和散乱线段。然后，结合建筑物正外接矩形判定建筑物主方向，并利用主方向对建筑物对象进行轮廓重构，得到初步规则化结果。最后，结合初始建筑物提取结果，计算边界特征强度，进一步降低规则化后的偏差，实现建筑物轮廓的深度优化。此外，通过与其他方法进行对比，对相关参数进行讨论分析。结果表明：相较于对比方法，所提方法能够有效提高建筑物初始提取结果的完整性和规则化程度，并且能够对不同大小与复杂度的建筑物进行细节优化，从而获得更高的优化精度；所提方法可作为建筑物提取后优化的参考方法。

遥感影像中云阴影的遮挡严重影响着影像解译与应用，寻找一种高效的阴影补偿方法恢复被遮挡信息显得尤为重要。针对现有常规Gamma变换补偿模型中γ系数计算方法依赖阴影区域统计特征，无法体现阴影区域内部差异的问题，提出一种利用不同层级的影像特征信息构建自适应Gamma变换的云阴影补偿算法。首先对遥感影像进行云阴影检测，获取云阴影区域并统计区域级的特征均值与方差；然后设计了改进对数变换γ因子计算方法，通过综合阴影区域内像素局部窗口与阴影区域和非阴影区域的多层级均值方差信息，加权求解能反映阴影区域总体特征和内部差异的最佳值，实现像素级的自适应补偿，使得云阴影区域内部所有像素均能得到合理补偿，达到与非阴影区域相一致的效果。实验结果表明，所提方法可有效实现不同形状、厚度云层下的云阴影补偿，云阴影亮度和对比度提升明显，较好地再现云阴影下的区域地物细节。

针对遥感影像中的阴影会导致地物信息受损、影像质量下降的问题,提出了联合对数变换与局部增强的高分遥感影像阴影补偿方法。在阴影检测结果的基础上,首先设计了改进的对数变换图像增强方法,构建了对数变换模型,实现了阴影区域亮度的有效提升。然后,联合局部补偿模型,进行了加权处理,提升了阴影区域的对比度。最后,基于阴影边界同类特征点匹配的思想,自动解算了补偿模型的参数,实现了自动补偿。实验结果表明,所提方法可有效地实现阴影补偿,提升阴影区域的亮度与对比度,较准确地再现阴影区域地物的真实信息。

针对高分辨率遥感影像中分类法提取的建筑物轮廓不规则问题,设计了一种逐级优化规整建筑物轮廓的方法。根据分类验证思想提取的建筑物的初始结果,首先提取建筑物初始轮廓进行多边形拟合,获取与建筑物轴线倾斜程度相一致的最佳拟合外接矩形,然后将建筑物轮廓线段与最佳拟合外接矩形边界进行等分并比较两者之间的单向Hausdorff距离,对距离较小且满足替换条件的轮廓线段等分点利用对应的最佳拟合外接矩形边界等分点进行替换,实现轮廓初步的规整优化;接着利用Shi--Tomasi算法对建筑物局部无法规整的复杂轮廓区域进行特征角点提取、匹配、排序与剔除,进一步对边缘特征点进行有序连接与重构,实现轮廓深度的优化,最终提高边缘表达准确度和提取精度。通过对多幅遥感影像进行实验对比分析,结果表明本文方法不仅适用于不同分类方法提取的建筑物结果的轮廓优化,有效提高建筑物轮廓的边缘表达精度,而且相比于轮廓优化参照方法,逐级优化能更准确地适应复杂建筑物轮廓的细节变化,优化的精度整体较优,使建筑物边缘的准确性、规整程度得到有效改善,能更真实准确地反映建筑物的真实形状。

分类法提取建筑物因易受到错误检测的影响而存在边缘锯齿、形状不规则等问题。提出了一种利用符合建筑物轮廓及轴向的最佳外接矩形和Hausdorff距离综合优化建筑物轮廓的方法。首先利用偏移阴影分割分类方法提取建筑物,对建筑物边界进行多边形拟合;然后用获取拟合结果的最小外接矩形判断建筑物轴向,以选择最佳的外接矩形,并将最佳外接矩形和建筑物轮廓进行逐段等分,计算线段之间的Hausdorff距离,并根据替换规则选择性地用外接矩形边线段进行边界替代,以进一步进行规整优化,最终提高了边缘表达的准确度和提取精度。对多幅遥感影像进行实验,并与其他提取方法进行对比,结果表明:所提方法的总体精度均不同程度地优于参照方法,建筑物边缘的准确性、规整程度及最终精度均得到了有效改善,更真实、准确地反映了建筑物的真实形状。

为了提高建筑物提取的自动化程度和精度，提出了一种以分割-分类-优化为主线、利用偏移阴影分析的建筑物全自动提取方法。首先，采用面向对象的多尺度分割方法进行影像初分割；然后，结合支持向量机(SVM)分类，将分割结果分为阴影、植被、建筑物、裸地四大类并提取初始结果；最后，利用相交边界阴影比率准确地验证了建筑物的存在，剔除了无阴影的非建筑物干扰，获取了最终结果。大量的实验结果验证了该方法的有效性，自动化程度得到明显提高。该方法完整度达到85%以上，正确率和综合分数F1均达到90%以上，且仅需要可见光波段影像数据，适用范围广。

航空影像房屋提取方法的研究中大多基于灰度影像的区域生长算法, 此类算法不仅忽略了不同材质的房屋所呈现的光谱特征对提取结果的影响, 而且过于依赖种子像素的选取, 处理效率不高。 为了从高分辨率航空影像中实现房屋的自动检测, 综合利用彩色信息与屋顶材料的光谱特征, 采用影像分割原理, 研究了房屋自动检测的方法。 首先对RGB与HIS彩色空间进行转换, 利用HIS空间各分量间不相关的特点和屋顶材料光谱特征进行影像分割, 分离出红色瓦片屋顶与灰色水泥屋顶区域, 并利用标记分水岭算法实现房屋区域的初始分割; 然后计算各标记区域内的色调均值选取种子像斑样本, 进而以像斑为单元在色调分量中进行区域生长, 最后经过消除小斑和矩形拟合优化处理, 得到轮廓清晰的房屋区域。 与传统的基于像素区域分割算法相比, 该方法整个过程无需人工干预且均在一维彩色空间进行处理, 计算量明显降低, 同时采用改进的基于像斑区域生长算法能够兼顾邻近区域内像素的几何结构信息, 使算法精度得到显著提高, 采用上述方法对高分辨率航空影像进行了实验, 结果证明该方法有着较高的处理效率和准确性, 具有实用价值。

云的存在严重影响遥感影像质量。 在航空影像的获取过程中, 实时的云检测能够及时提供准确的云遮挡比例以评价影像质量, 进而指导飞行方案以获取满足质量要求的影像。 采用光谱特征阈值的方法, 通过分析云光谱的特性, 选取能够有效检测云的亮度特征I和归一化差值特征P进行组合。 为实现自动检测, 在一维Otsu自动阈值和带限定条件Otsu阈值的基础上, 设计了阈值的分级配置策略为云特征配置合适的自动阈值, 策略的主要思想是: 首先采用多级分类标准对影像进行无云、 薄云、 厚云的类别判定, 再对不同类别的影像采取不同的特征阈值配置方案, 其中厚云影像的检测需要进一步分类配置阈值。 该策略实现了有云情况下能准确检测云、 无云情况下检测不到云的应用目标。 再结合选择性自动后处理方案, 真正做到云的自动、 高效、 准确的检测。 通过与不同方法的检测结果对比分析, 表明该方法的检测效率高, 精度满足实时质量评定的要求, 通用性强。