遥感影像中建筑物提取研究综述
高分辨率遥感影像的建筑物提取与分类算法研究
高分辨率遥感影像的建筑物提取与分类算法研究高分辨率遥感影像的建筑物提取与分类算法研究摘要：随着遥感技术的不断发展，高分辨率遥感影像在城市规划、土地利用、环境监测等领域起到了重要的作用。
建筑物是城市地理环境的重要组成部分，因此建筑物的提取和分类成为了遥感影像处理的重要任务之一。
本文通过研究高分辨率遥感影像的建筑物提取与分类算法，目的是提高建筑物提取与分类的精度和效率，为城市规划和土地利用决策提供重要的参考依据。
关键词：高分辨率遥感影像；建筑物提取；分类算法；精度；效率一、引言高分辨率遥感影像是指分辨率较高的遥感卫星或航空摄影所拍摄的影像，通常拥有较高的空间分辨率。
它可以提供更详细的地物信息，因此在城市规划、土地利用、环境监测等领域有广泛的应用。
建筑物是城市地理环境的重要组成部分，因此建筑物的提取和分类是高分辨率遥感影像处理的重要任务之一。
准确提取和分类建筑物对于城市规划和土地利用决策具有重要的参考价值。
二、研究现状建筑物提取与分类技术的发展经历了多个阶段。
早期的研究主要基于人工解译和图像处理方法，虽然取得了一定的成果，但受限于数据量和专业知识，提取和分类的精度和效率都较低。
随着计算机技术的发展，机器学习和深度学习算法引入到建筑物提取和分类中，取得了较好的效果。
但是，由于高分辨率遥感影像的特点，仍然存在一些挑战，如：建筑物的遮挡、复杂的背景干扰、阴影等。
三、建筑物提取算法建筑物提取算法的目标是从高分辨率遥感影像中准确地提取出建筑物的位置和轮廓。
常见的建筑物提取算法包括阈值分割算法、区域生长算法、边缘检测算法等。
阈值分割算法基于像素的灰度值进行分割，适用于背景与建筑物灰度值分明的情况。
但是对于灰度值相似的背景和建筑物，阈值分割算法会出现过分割或欠分割的问题。
区域生长算法基于相邻像素的相似性进行生长，通过设置生长条件和种子点来提取建筑物。
区域生长算法的优点是可以克服阈值分割算法的不足，但是对于复杂的背景和遮挡情况，区域生长算法容易出现断裂或连接错误的情况。
使用遥感影像进行建筑物提取的方法
使用遥感影像进行建筑物提取的方法引言：随着遥感技术的不断发展和进步，遥感影像已经成为获取地理信息的重要手段之一。
在城市规划、土地利用、自然资源管理等领域，使用遥感影像进行建筑物提取成为了必不可少的工作。
本文将探讨几种常见的建筑物提取方法，并对其特点和应用进行分析。
一、基于目标检测的建筑物提取方法基于目标检测的建筑物提取方法是最常见和常用的一种方法。
它通过分析遥感影像中的特定纹理、颜色或形状等特征来检测建筑物目标。
常见的目标检测算法包括基于像素的方法、基于对象的方法和基于机器学习的方法。
1. 基于像素的方法基于像素的建筑物提取方法是最简单和直接的方法之一。
它通过设定某些特定的像素值或像素组合来检测建筑物。
例如，可以利用建筑物通常使用的红色或灰色来提取建筑物。
这种方法的主要优点是简单快速，但也存在着较大的误差率，容易受到光照、阴影等因素的干扰。
2. 基于对象的方法基于对象的建筑物提取方法是在像素级别的基础上进行的更高层次的目标检测。
它对遥感影像中的建筑物目标进行分割和识别，将像素组合成为连续的建筑物区域。
常见的方法包括基于阈值分割、基于边缘检测、基于形态学等方法。
这种方法在提取建筑物形状和边界方面效果较好，但也容易受到遮挡和复杂背景的影响。
3. 基于机器学习的方法基于机器学习的建筑物提取方法是近年来非常流行的方法之一。
它通过训练一定数量的有标注的样本数据，利用机器学习算法对影像进行分类和预测，实现自动化的建筑物提取。
常见的机器学习方法包括支持向量机（SVM）、随机森林（RF）和深度学习等。
这种方法准确性较高，但对于样本数据的选取和处理要求较高，而且计算量也较大。
二、基于特征提取的建筑物提取方法基于特征提取的建筑物提取方法是指通过提取遥感影像中的特征信息来检测建筑物。
常见的特征包括纹理特征、颜色特征和形状特征等。
1. 纹理特征提取纹理特征提取是基于遥感影像中建筑物纹理的变化来进行建筑物提取的一种方法。
遥感卫星影像-建筑物提取方案
8.1建筑物提取意义高分辨率遥感影像中的建筑物提取对违建监测、城区自动提取、地图更新、城市变化监测、城市规划、三维建模、数字化城市建立等应用具有重要意义。
高分辨率遥感影像在提高地物光谱特征，突出地物结构、纹理和细节等信息的同时，也因为卫星观测角度问题造成地物遮挡，尺度的增大带来了严重的异物同谱问题，同时增加了影像的噪声，因而限制了建筑物提取的精度，使得目视解译方法仍然是最普遍使用的判读方法，它费时费力、精度难以保证的缺点严重制约了高分辨率遥感影像的大规模应用，造成影像数据的极大浪费。
深度学习是人工智能中机器学习发展的新阶段，有效的解决了对复杂对象特征的刻画和复杂场景的关联分析等问题。
面向高分辨率遥感影像建筑物提取的深度学习方法，可以自动提取建筑物的特征信息，实现高精度高效率的建筑物提取。
8.2建筑物提取数据需求为保证建筑物提取的精度，遥感影像的空间分辨率要求做0.5米以上，至少包括R、G、B 三个波段，包括但不限于WorldView-2遥感卫星数据、中国高景一号遥感卫星数据。
8.3建筑物提取方骤1.标记样本需求分析标记数据的数量和质量是决定最终提取的建筑物产品精度的关键因素。
深度学习算法是一种以数据为驱动的算法，在遥感大数据的环境下，利用深度学习算法实现建筑物高精度提取，首先要保证标记样本数据的数量、质量以及在空间上分布的合理性和对目标地物的代表性。
此外，深度学习算法能够根据训练样本自主学习目标地物的光谱和结构特征，无需对影像进行定量化处理，有效地保留了影像细节信息。
与传统样本库不同，深度学习算法要求样本库中样本的每个像素均具有一个独立的标号，且样本库的精度直接影响深度学习算法的精度。
因此，需设计准确、完善的标记数据样本库。
样本库的设计主要考虑标记样本的空间分布、时间分布、数据源、样本数量等影响因素。
2.基于目视解译的样本标记规范与流程设计深度学习模型的本质上是通过对先验知识的学习来实现对未知信息进行判定的算法。
如何利用遥感影像和深度学习进行城市建筑物提取和变化检测
如何利用遥感影像和深度学习进行城市建筑物提取和变化检测城市建筑物的提取和变化检测在城市规划和土地利用方面具有重要的意义。
随着遥感技术和深度学习的发展，利用遥感影像和深度学习进行城市建筑物提取和变化检测已逐渐成为研究的热点。
一、遥感影像在城市建筑物提取和变化检测中的应用遥感影像是获取城市信息的重要途径之一。
通过对高分辨率遥感影像进行处理和分析，可以得到城市建筑物的空间分布和变化情况。
在城市建筑物的提取方面，遥感影像可以提供丰富的地物信息和特征，如纹理、形状和光谱等。
通过分析这些信息和特征，可以准确地提取城市建筑物的边界和轮廓。
在城市建筑物变化的检测方面，遥感影像可以提供多时相的数据，从而揭示城市建筑物的发展变化。
通过对同一地区，不同时间段的遥感影像进行对比分析，可以检测城市建筑物的新增、拆除和改建等变化情况。
这对于城市规划、土地利用和环境保护都具有重要的参考价值。
二、深度学习在城市建筑物提取和变化检测中的应用深度学习是一种基于人工神经网络的机器学习方法。
它具有强大的数据处理和特征提取能力，能够从大量的遥感影像数据中学习到建筑物的特征和规律。
利用深度学习进行城市建筑物提取和变化检测已经取得了显著的成果。
首先，深度学习可以通过卷积神经网络（CNN）对遥感影像进行特征提取。
CNN是一种可以自动学习和提取图像特征的神经网络模型。
通过多层卷积和池化操作，CNN可以捕捉到影像中的纹理、形状和光谱等特征，从而实现城市建筑物的精确提取。
其次，深度学习可以通过循环神经网络（RNN）对遥感影像序列进行建筑物变化检测。
RNN是一种可以对序列数据进行建模和预测的神经网络模型。
通过对多时相遥感影像进行时间序列的输入和输出，RNN可以分析和预测城市建筑物的变化情况，提供了新的思路和方法。
三、遥感影像和深度学习的结合在城市建筑物提取和变化检测中的挑战和前景利用遥感影像和深度学习进行城市建筑物提取和变化检测面临一些挑战。
首先，遥感影像存在多样性和复杂性，不同遥感传感器拍摄的影像质量各异，纹理和光谱的变化也非常复杂，因此需要适应不同影像特性的深度学习模型。
测绘技术中的遥感图像分类与建筑物提取方法探讨与实践
测绘技术中的遥感图像分类与建筑物提取方法探讨与实践测绘技术是现代科技的重要组成部分，遥感图像分类和建筑物提取是其中的一项关键技术。
遥感图像分类是通过获取的遥感数据，将图像中的物体按照一定的规则和要求进行分类识别的过程。
建筑物提取是在遥感图像中将建筑物目标识别出来并进行精确的提取的过程。
本文将探讨遥感图像分类与建筑物提取的方法，并结合相关实践案例进行深入分析。
首先，遥感图像分类是基于遥感数据的分类技术，通过识别遥感图像中的特征、结构和色彩等信息，将图像中的各类目标进行聚类和分类，从而实现对图像的全面理解和分析。
遥感图像分类一般包括两个主要步骤：特征提取和分类器设计。
特征提取是将图像中的各类目标所具有的特征信息提取出来，常用的特征包括纹理特征、形状特征和光谱特征等。
而分类器设计是在特征提取的基础上，利用各种分类算法对提取到的特征进行分类和识别。
其次，建筑物提取是在遥感图像中将建筑物目标识别出来并进行精确的提取。
建筑物提取的流程一般包括预处理、特征提取和精确提取三个步骤。
预处理主要是对原始遥感图像进行去噪、边缘增强以及尺度变换等操作，以提高图像的质量和清晰度。
特征提取是通过分析建筑物目标在遥感图像中所具有的独特特征，并利用这些特征对建筑物进行识别和提取。
常用的特征提取方法包括基于光谱特征的主成分分析（PCA）和基于纹理特征的灰度共生矩阵（GLCM）等。
最后，精确提取是通过对特征提取结果的进一步处理和优化，实现对建筑物目标的准确提取和定位。
在实践中，遥感图像分类与建筑物提取方法的选择和应用取决于具体的应用场景和需求。
例如，在城市规划和土地利用方面，可以利用遥感图像分类技术对不同类型的土地进行分类和分析，以便进行城市规划和资源管理。
在防灾减灾方面，可以利用建筑物提取技术对灾区进行快速的建筑物损毁评估和重建规划。
在农业和林业领域，可以利用遥感图像分类和建筑物提取技术对农田和森林进行监测和管理。
在环境监测和生态保护方面，可以利用遥感图像分类技术对湿地、水体和林火等进行监测和预警。
高空间分辨率遥感影像建筑物提取方法综述
高空间分辨率遥感影像建筑物提取方法综述张庆云;赵冬【期刊名称】《测绘与空间地理信息》【年(卷),期】2015(38)4【摘要】Building extraction from high resolution remote sensing images was very important for the cities spatial database updates, urban dynamic monitoring and building“smart city”.This paper describes the characteristics of the buildings in high resolution remote sensing images, and then introduces the four main building extraction methods, such as multi-scale segmentation extraction method, based on the edge and corner detecting and matching extraction method;based on region segmentations extraction method, and the ex-traction method that combination mathematical tools or new theories, discussed the research progress and the advantages and disadvan-tages of each method, summarized the problem should be solved and research trends on the building extraction.Have an outlook for the research prospects of the building extraction from high resolution remote sensing images, think that we can extract building from multiple sources or multi-temporal data and boundary edge detection and the supporting role of the shadow to improve the accuracy of building extraction, to improve the accuracy of building extraction and the utilization of high resolution of remote sensing images.%高空间分辨率光学遥感影像中建筑物的提取对城市空间数据库的更新、城市动态监测以及建设“智慧城市”等方面具有极其重要的意义。
基于高分辨率遥感影像城市建筑物提取方法研究
基于高分辨率遥感影像城市建筑物提取方法研究摘要：高分辨率遥感影像中建筑物信息丰富，对于城市地理数据库更新具有重要意义，本文介绍了目前国内外对建筑物提取的研究现状，研究了信阳市高分辨率遥感影像的光谱特征。
针对建筑物提取实验原理，对该影像采用非监督分类和形态学方法进行了建筑物提取研究，以便为高分辨率遥感影像城市建筑物信息提取提供一种思路。
关键词：高分辨率遥感影像；城市建筑物；非监督分类；形态学引言自20世纪90年代以来高分辨率卫星遥感影像已在商业及城市建设方面普遍应用，高分辨率卫星遥感以非常精细的方法观察地面，所获取的高分辨率遥感影像可以更清楚地表达地物目标空间结构特征与表层纹理信息，为人工地物信息提取提供了一种有效的途径。
在城市高分辨率遥感影像中城市建筑物信息占所有地物信息的70％左右，因此建筑物识别与提取在遥感图像识别中占据很大的比重，另外建筑物作为地物类别中的主要内容，作为地形图中的重要成图元素，它的识别与提取，直接影响到地图测绘的自动化水平，对它的识别与提取对图像理解、制图都具有重要的意义。
城市发展越来越快，在城市地理数据中建筑物作为更新最快的一种地物目标，实现高分辨率遥感影像上城市建筑物提取可以为地理数据库更新提供一种快速有效的方法。
本文利用ERDAS Imagine 9.3对信阳市高分辨率卫星影像采用非监督分类法进行了城市建筑物信息提取，另外在matlab7.0软件环境下又采用了形态学图像处理法提取城市建筑物。
1国内外研究现状建筑物作为一种具有显著特征和代表意义的人工地物，因其表现形式的多样性，在遥感应用中的意义不言而喻，建筑物信息的识别和提取是当前高分辨率遥感影像应用的热点和难点。
对遥感影像建筑物提取的研究与应用，国内外许多学者已投入了大量研究。
1.1国外研究现状R.Nevatia.C和C.A.Line[1]采用了直接从单幅影像提取建筑物的方法，利用矩形轮廓生成模拟厚重的实际轮廓，通过阴影、高度和墙体来对比验证了屋顶的实际轮廓，该方法主要针对人字形屋顶、扁平屋顶的建筑物进行提取较为有效。
基于深度学习的高分辨率遥感影像建筑区提取方法
近年来，深度学习技术的发展为高分辨率遥感影像建筑物提取和变化检测提供 了新的解决方案。深度学习技术可以通过学习大量的数据来提取特征，从而实 现更加精准的建筑物提取和变化检测。本次演示将介绍卷积神经网络（CNN） 和递归神经网络（RNN）等深度学习算法在建筑物提取和变化检测方NN）在高分辨率遥感影像建筑物提取方面 的应用。CNN可以通过学习大量的图像数据来提取特征，并利用这些特征进行 建筑物提取。本次演示将详细介绍CNN模型的搭建步骤、训练数据的选择和实 验评估等。
六、结论
本次演示研究了基于深度学习的高分辨率遥感影像建筑区提取方法，通过实验 验证了其有效性和优越性。
参考内容
随着科技的快速发展，遥感技术已经成为地球信息获取的重要手段。其中，高 分辨率遥感影像在提取建设用地信息方面具有重要作用。近年来，深度学习技 术的兴起为高分辨率遥感影像建设用地信息提取提供了新的解决方案。
随着遥感技术的不断发展，高分辨率遥感影像在城市规划、土地资源利用、建 筑物提取和变化检测等方面具有广泛的应用前景。本次演示将探讨基于深度学 习的高分辨率遥感影像建筑物提取和变化检测方法，旨在提高遥感影像处理的 精度和效率。
建筑物提取和变化检测是城市遥感领域的重要研究方向。传统的建筑物提取方 法主要基于图像处理和计算机视觉技术，而变化检测则多采用像素级比较和分 类方法。然而，这些方法在处理高分辨率遥感影像时存在一定的局限性，难以 准确提取建筑物信息并实现精细化的变化检测。
尽管本次演示所提出的基于深度学习的高分辨率遥感影像建筑物提取和变化检 测方法取得了较好的效果，但也存在一定的限制。例如，深度学习算法的训练 需要大量的数据，且对数据的质量和标注精度要求较高。此外，深度学习模型 的鲁棒性和泛化能力还有待进一步提高。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于遥感影像的建筑物提取研究方法综述摘要：遥感影像上建筑物提取的基础理论研究始于20世纪80年代，随着遥感技术的不断进步，遥感影像的分辨率及精确度越来越高以及快速发展的城市在城市空间数据库方面的巨大要求。
现在城市空间数据库需要对数据快速获取更新，又因为遥感影像本身具有的现时性，更新速度快的特点。
在城市空间数据库的更新、城市动态监测、城市变化监测以及“智慧城市”建设等方面有着重要的使用价值。
本文介绍基于不同遥感影像提取建筑物的基本方法和几个发展趋势。
主要包括SAR图像，LIDAR点云数据，高光谱影像，航空影像等多种源数据不同的提取方法，以及不同数据来源的优缺点。
同时对建筑物提取研究中需要解决的问题和研究趋势进行了总结。
1.引言城市地区的遥感影像中，超过8成的目标是建筑物和道路，所以对建筑物和道路的识别和提取式遥感影像地物提取的主要研究方向，除道路和建筑物以外，剩下的大部分都是植被，在城市中绿地的面积占了一定的比例，在建筑物的提取中，建筑物在遥感影像中容易受到植被的干扰，如何高效率、高质量的剔除植被对建筑物的影响成了建筑物提取的关键。
进行建筑物提取的主要应用有城区自动提取、地图更新、城市变化监测、城市规划、三维建模、数字化城市建立等诸多方面，如何实现建筑物的快速、高精度、自动化提取成为目前的研究热点。
目前对绿地和水体的自动提取已经比较成熟，而道路和建筑物由于其自身的复杂性导致自动提取困难，本文主要提出了目前遥感影像建筑物提取研究的热点及其发展趋势。
2.建筑物提取的历史发展快速准确地获取不同类型城市建筑的空间位置、形状等信息具有极其重要的意义，在城市规划、城市动态监测、城市三维建模、地形图更新、地籍调查等方面有广泛的应用。
目前，对自动建立城市三维模型和实现城市虚拟现实的需求越来越多，利用大比例尺航空影像获取城市建筑物的三维几何信息和表面纹理，是实现“三维城市”建模的有效途径之一。
到目前为止，利用高分辨率航空相片或卫星影像提取建筑物等人工地物信息的方法大体分为两类：其一，利用图像信息结合高程信息进行建筑物信息提取，因为城市里的建筑物有一定的高度信息，通过建筑物与周围环境（地面）之间的高差进行屋顶边界的提取，这种方法大多需要一定的辅助数据如DEM、DSM等一类具有地物高程数据的影像。
其二，利用高空间分辨率遥感影像数据结合计算机视觉、图像处理与分析、人工智能等学科领域的新方法实现对建筑物顶部信息的半自动甚至全自动识别与提取。
后一种方法只利用到了图像的光谱信息，灰度信息以及建筑物的形态信息和一部分先验知识，难度更大。
建筑物提取中易受到周围环境的影响，主要有下面三个方面：(1)房屋边缘与道平行且相邻，边缘检测后的影像中道路和房屋边缘相互混淆；(2)因为拍摄角度导致建筑物彼此的遮蔽，影像上丢失了被遮蔽建筑物的信息；(3)建筑物阴影的灰度接近建筑物的灰度，很难区分二者的边界，对提取产生干扰。
3.遥感影像的分类及特点遥感影像来提取建筑物，常见的影像数据：SAR数据，LIDAR点云数据，航空影像等。
SAR 图像的几何变形较严重，可解译性较差，并且受雷达波的入射角和波长等参数的影响较大，因此直接利用SAR 图像进行建筑物轮廓的精确提取比较困难但是，建筑物在SAR 图像中所存在的高亮线条、阴影区域、叠掩区域和亮斑区域等能为定位建筑物的感兴趣区域提供可能。
基于LIDAR点云数据的建筑物提取，LIDAR数据对高程的表达较好，建筑物屋顶与地面有一定的高程差，可以利用这个把地面点滤去。
但是这种提取方法受到地面起伏的影响较大，在地势较为平缓的时候，精度较高，在地势起伏较大的时候，精确度就会受到很大的影响。
机载激光提取建筑物：仍然是一种快速生成DSM数据，然后进行建筑物的提取。
但是建筑物以外的物体对建筑物的提取产生很大的干扰。
航空影像因为传感器的快速发展，使得航空影像呈现出向高光谱，高分辨率的方向发展，因为不同地物对不同波段的光的反射不同，因此高光谱在地物分类中得到了较多应用，高分辨率影像分为高时间分辨率影像和高空间分辨率影像，高时间分辨率影像在变化检测和动态监测等应用中，主要是将不同时相的影像来进行对比分析，高空间分辨率提高了地物的信息量，但是同时也出现了同物异谱，异物同谱的干扰，一方面对提取地物起到了促进作用，但同时也增加了对目标提取物的噪声影响。
到目前为止，高空间分辨率遥感影像中地物信息量丰富、噪声信息明显等特点，增加了“同谱异物”和“同物异谱”现象，使得高精度建筑物提取变得困难。
由于高分辨率卫星的不断发射，高空间分辨率遥感影像数据是当前对地观测数据的主要数据源，因此对高空间分辨率影像的地物提取的研究仍然是主要的研究方向。
4.地物提取的主要方法遥感影像进行建筑物提取的基础理论研究始于20世纪80年代，在数十年的发展历程中，各种有关建筑物提取的方法相继提出。
按照其自动化程度，分为人工（目视判读）提取、半自动提取、自动提取三个层次。
其中人工提取方法主要依据专家经验，应用历史最长，已经比较成熟；部分半自动提取方法的精度也能满足工程实践的要求，目前研究的重点是如何在保证精度的前提下提高自动化程度，即如何实现全自动提取。
在现阶段，从遥感影像中自动提取建筑物主要是基于影像的基本特征以及一部分先验知识，而对识别建筑物最有帮助的表面高度信息，因其信息获取的技术难度大，成本高而缺失，影响了从遥感影像获取建筑物信息的精度。
4.1 多尺度分割提取方法在基于分割方法进行建筑物提取时，首先使用一定的分割方法对遥感影像进行分割，再根据建筑物自身的几何形状、空间位置、走向等特征提取出特定的建筑物目标。
基于区域分割的面向对象分类是其中最常用的信息提取方法。
该方法提取建筑物大致流程是先通过区域分割将房屋信息从背景中分离出来，再议基于影像对象的分析处理提取所需要的信息。
这过程中最关键的是分割尺度的选取，分割尺度会影响到后面的建筑物提取的精度。
图4.1.1因为建筑物的屋顶形状常常以矩形、三角形为主，因此提取算法主要是从建筑物边缘线特征出发，对图像的边缘线特征进行一系列的分析处理。
例如候蕾使用Hough变换，综合建筑物几何特征和灰度特征，提取建筑物；Andrea提出一种基于对图像边缘线段的分析、合并的建筑物提取算法；Chungan提给出了一种应用先验知识，提取遥感影像中几何形状规则的矩形基元，对矩形基元进行筛选与合并提取出遥感影像中的建筑物；文献提出了一种基于Canny算子的多尺度分割与边缘分割相结合对遥感影像进行分割与区域提取；巩丹超针对高分辨率遥感影像中建筑物边缘特征清晰的特点，提出了基于边界线检测的建筑物提取方法；安文提出了Randon变换线基元提取建筑物。
4.2 利用辅助知识的提取方法由于建筑物本身结构和周围环境的复杂性，为了提高建筑物提取精度，很多学者提出了通过挖掘图像中的阴影、纹理、几何结构特征，结合语义网、上下文等相关信息辅助提取建筑的方法。
利用直方图分割法可以提取影像中的阴影作为带提取建筑候选区的辅助依据，因为传感器自身的缺陷和拍摄的角度，导致影像中的阴影区域并不一定就是建筑物形成的阴影，因此这只能辅助选取提取建筑物区域，此外，在城市三维建模研究过程中，已经发展了以立体航空影像或DEM作为辅助信息结合遥感影响提取三维建筑物的方法。
辅助知识只是建筑物的辅助提取方法。
4.3 基于直线和角点检测与匹配的提取方法基于线状特征的边缘提取方法是利用边缘检测算法得到图像中的边缘，根据空间关系对图像中已经提取的边缘线段进行分组，搜索平行线，进而搜索符合建筑物空间结构和轮廓的矩形，得到建筑物。
由于建筑物本身与地面之间存在的高差，因此在影像上建筑物的边缘具有较明显的特点，然后建筑物本身具有一定的规则性，Taejung Kim（1999）等将边缘线段组成线段空间关系图，按照图的搜索方法，找寻可能的建筑物结构，即可以构成建筑物轮廓的线段集合。
其主要优点在于基于空间几何关系搜索可能的目标，大大弥补了基于灰度方法的漏检、误检等常见的缺陷，充分利用了图像中目标边缘著特征，通过多种理论方法解决搜索问题，增大了精确度。
这类方法的劣势表现两个方面：其一，此方法很难排除一些干扰信息；其二，线段搜索耗时长，算法时间效率差。
基于角点检测和匹配的方法是依据遥感影像上建筑物一般具有较为明显的角点信息而提出的建筑物提取方法，该方法先独立提取房屋角点，再根据一定的规则进行角点匹配，达到提取房屋信息的目的。
5.现存的问题5.1建筑物本身的特点房屋建设多与道路相邻，对于房屋边缘与道路平行且相邻的情况，在分割后影像中道路与房屋边缘信息容易混淆有些建筑物灰度值与建筑物阴影灰度值接近，很难区分两者边界；对建筑物提取产生干扰；影像中建筑物屋顶亮度值一般较均匀，但是由于屋顶材质的多样性( 如石棉瓦顶、水泥屋顶、铁皮屋顶、塑料顶棚、沥青粘沙屋顶等) ，以及建筑物屋顶上太阳能电热板和天窗的存在，导致屋顶的光谱特征和纹理特征有很大差异，使得在利用建筑物特征进行建筑物提取时受到很大限制。
5.2数据源的问题因为遥感技术的快速发展，数据的获取变得十分简单和快捷，数据量越来越大，此外航空影像中高空间分辨率和高时间分辨率的影像，不同分辨率下的影像会出现不同的特点，这样就会降低建筑物提取的精度。
5.3提取方法的问题基于多尺度分割的提取方法，分割尺度没有标准，因人而异，不同的分割尺度必然会产生不同的提取结果，因此，分割尺度的选取也十分关键。
很多提取方法，都是在影像经过预处理后，也就是分割成小幅影像后进行的研究，算法在数据量不大的时候的一个提取结果。
但是遥感技术的发展，导致影像的数据量向越来越大的发展，在一个提取方法是否有效的时候，还应该考虑到该方法到整幅影像上的提取精度和提取速度。
6.遥感影像提取建筑物的发展和趋势由于遥感影像的类别很多，每一类都有着自己的优缺点，将不同类别的影像进行融合然后提取建筑物是发展的一种趋势，例如，SAR影像存在高亮线条，阴影区域、叠掩区域和亮斑区域，这些都是高分辨率影像里面存在较少或者没有的特点，因此在地物提取的时候可以将SAR图像和可见光图像融合，先利用SAR图像的特点定位建筑物的大致区域，然后和可见光图像进行边缘匹配，规定一定的阈值，满足条件的就能确定为建筑物的边界。
图6.1LIDAR点云数据和航空影像的融合，因为LIDAR点云数据对高程的表达较好，建筑物屋顶和地面有一定的高差，可以利用这个把地面点滤去，利用LIDAR数据生成DTM和DSM数据，然后这两幅影像做差，就能去除地面点。
机载激光提取建筑物的原理也是如此，机载激光只是一种快速获取DSM数据的方法。
但是LIDAR点云数据的密度会决定最后结果的精度。
因此在利用LIDAR点云数据的时候要对待提取区域有个先验的了解，在地势比较平坦的地方，数据密度可以小一些，地势起伏较大的区域，要选择一个合适的数据密度，既要保证精度又要减小数据量方便后期的数据处理。