QGIS建筑物提取全流程详解（2025年最新版）

最新推荐文章于 2025-04-22 16:56:15 发布

网优随笔

最新推荐文章于 2025-04-22 16:56:15 发布

阅读量1.2k

点赞数 14

文章标签： QGIS 开源软件

本文链接：https://blog.youkuaiyun.com/qq_27987847/article/details/146235885

版权

一、QGIS基础架构与安装配置

QGIS（Quantum GIS）作为开源地理信息系统领域的标杆工具，其核心架构基于C++语言与Qt框架构建，支持跨平台运行并兼容超过94种空间数据格式。截至2025年，软件已迭代至3.34版本，新增了深度学习扩展模块与实时三维渲染引擎，显著提升了建筑物自动化处理能力。

安装注意事项：

多平台兼容性：Windows用户推荐使用MSI安装包（默认路径避免中文），Linux用户需通过APT仓库集成SAGA插件。以Ubuntu为例，安装命令如下：

sudo apt install qgis qgis-plugin-grass saga

运行

中文界面配置：通过Settings→Options→Locale设置中勾选"Override System Locale"并选择简体中文。
插件管理：在"Processing"工具箱中安装"Processing Saga NextGen Provider"插件以实现SAGA算法调用。

二、建筑物提取数据源选择与预处理

2.1 主要数据源类型对比

数据类型	分辨率范围	优势	局限性	典型应用场景
光学卫星影像	0.3-10m	成本低、覆盖广	受天气影响大	城市规划普查
LiDAR点云	5-50点/㎡	三维结构精确	数据获取成本高	建筑物高度建模
倾斜摄影模型	1-5cm	立面细节丰富	数据处理复杂度高	历史建筑保护
无人机影像	1-20cm	灵活性强	飞行空域限制	局部区域精细化提取

2.2 预处理关键技术

几何校正：使用地面控制点（GCP）进行多项式变换，RMS误差需控制在0.5像素内。QGIS中通过Georeferencer工具实现。
辐射校正：对Sentinel-2等影像进行大气校正（适用插件：Sen2Cor），公式：
Lλ=π⋅d2⋅DNESUNλ⋅cos⁡θLλ=ESUNλ⋅cosθπ⋅d2⋅DN
其中dd为日地距离，θθ为太阳天顶角。
影像融合：采用Gram-Schmidt方法融合全色与多光谱数据，提升空间分辨率的同时保持光谱信息。

三、QGIS核心工具链解析

3.1 传统GIS工具

SAGA集成：通过"Processing Toolbox"调用Morphological Building Index（MBI）算法，参数设置示例：
```
saga_cmd imagery_segmentation 3 -INPUT "input.tif" -MBI "output.tif" -NDIRS 4 -SCALE_MIN 10 -SCALE_MAX 50
```
运行

该算法通过多方向梯度检测建筑物边缘。
GRASS模块：r.li.edgedensity用于计算纹理特征，辅助区分建筑物与裸地。

3.2 机器学习扩展

监督分类：使用SCP插件训练随机森林模型，特征向量包括：
- 光谱均值（Band1-4）
- GLCM纹理（对比度、熵）
- NDVI植被指数
  分类精度可达85%以上。
深度学习：通过TorchGIS插件加载预训练UNet模型，支持迁移学习定制化训练。

四、基于对象的分层提取方法

4.1 技术路线

多尺度分割

初级分类

形状优化

拓扑校验

三维重建

多尺度分割：采用FNEA算法，参数经验值：
- 尺度参数：20-50（城市区域）
- 形状权重：0.7
- 紧凑度：0.6
规则库构建：
- 面积阈值：>50㎡
- 矩形度：>0.6
- 长宽比：1:3\sim3:1
- 阴影关联性：与建筑主体距离<高度×cot(太阳高度角)

五、精度验证体系

混淆矩阵指标：
- 总体精度（OA） = (TP+TN)/(TP+FP+FN+TN)
- F1分数 = 2×Precision×Recall/(Precision+Recall)
- IoU = TP/(TP+FP+FN)
几何精度评估：
- 位置误差：<0.5×GSD
- 轮廓完整性：缺失边数<总边数×10%
- 拓扑正确性：无悬挂点或面裂隙

六、自动化脚本开发

6.1 PyQGIS脚本示例

from qgis.core import *
import processing

# 初始化项目
project = QgsProject.instance()
canvas = iface.mapCanvas()

# 建筑物提取流程
def extract_buildings(input_raster):
    # 执行MBI计算
    processing.run("saga:mbicalculation", {
        'INPUT': input_raster,
        'SCALE_MIN': 10,
        'SCALE_MAX': 50,
        'OUTPUT': 'memory:MBI'
    })
    
    # 阈值分割
    processing.run("gdal:rastercalculator", {
        'INPUT_A': 'MBI',
        'FORMULA': '(A > 0.3) * 1',
        'OUTPUT': 'memory:Binary'
    })
    
    # 矢量化
    processing.run("gdal:polygonize", {
        'INPUT': 'Binary',
        'OUTPUT': 'buildings.shp'
    })
    
    return 'buildings.shp'

# 主程序
input_path = '/data/satellite.tif'
output_layer = extract_buildings(input_path)
vlayer = QgsVectorLayer(output_layer, "Buildings", "ogr")
project.addMapLayer(vlayer)

运行

该脚本实现了从影像到矢量建筑物的全流程自动化。