CN101770581B - 高分辨率城区遥感图像中道路中心线的半自动检测方法 - Google Patents

Abstract

本发明公开了一种高分辨率遥感图像中道路中心线的半自动检测方法，它涉及遥感图像处理技术领域，主要解决现有技术对背景复杂、道路不明确的遥感图像检测精度不高、适用范围窄的问题。其实现步骤为：采用人机交互方式选取初始种子点和方向点后，在初始种子点建立模板窗，按设定步长沿道路前进方向寻找与模板窗最相似匹配的目标窗，将其中心确定为下一种子点；循环迭代得到一系列道路中心点，并将其连接成线，得到最终的道路中心线检测结果。本发明能够处理道路背景复杂、存在中心线的遥感图像，当道路中心线两边路况复杂、直接检测道路变得困难时，通过检测中心线，可对道路进行准确定位，用于对有中心线的道路的半自动检测。

Description

高分辨率城区遥感图像中道路中心线的半自动检测方法

技术领域

本发明属于图像处理技术领域，涉及遥感图像的目标检测方法，该方法可用于高分辨率城区遥感图像中道路中心线的半自动提取。

背景技术

基于高分辨率遥感影像的地物几何特征的提取以及相应方法的研究一直以来受到许多研究者的关注。从遥感影像中提取道路是其中一个研究热点，因为道路与人们日常生活密切相关，现有的道路半自动提取算法大都针对不同的影像类型如航空或航天影像，不同的比例尺即影像分辨率，不同区域的影像如城区、乡村或郊区，以及不同的道路类型采取不同的提取方法。

生产实践中利用遥感影像更新道路数据时，城区图像中道路的提取对城市规划、交通和测绘都具有重要的价值。道路网的识别和精确定位对于GIS数据获取、影像理解、制图以及作为其他目标的参照都有深远意义。

过去的二十多年中，人们提出了许多利用遥感影像提取道路特征信息的方法，根据自动化程度，可以分为全自动提取与半自动提取两种方式。全自动道路提取涉及人工智能、模式识别等多领域，往往是多种方法的综合运用，主要有多尺度分析法(Heipke1996，Mayer1998)、根据上下文信息或已有地图对道路做出判断和补充的方法(Stilla1995，Baumartner1999)、统计学习(Mayer2005)等。半自动道路提取需要人机交互，按交互方式不同，又可分为两类。一类是给出初始点和初始方向，利用某种跟踪算法来提取道路，如模板匹配法(Mckeown1988，Vosselman1995)；另一类则需要给出一系列分散的种子点，利用Active Contour模型、模拟退火、动态规划等方法曲线拟合道路中心线，如动态规划法(Gruen1995)、LSB Snakes(Gruen1997)。

以上半自动道路提取方法，比较集中于中低分辨率下的道路提取。基本的模板匹配法适用于路况较好的道路，对影像质量较差的道路段提取不尽如意；而动态规划法和Snakes模型在种子点选取时较繁琐，而且存储量大，耗时较长。

近年来，随着遥感技术的发展，图像的空间分辨率不断提高，体现了更多的道路细节，使得高分辨率下和中低分辨率下的道路呈现出较大差异的影像特征。在中低分辨率下，道路表现为具有灰度一致性的线状特征，其与周围景物的灰度对比度差异显著，道路网常表现为关系较明确的线形网络结构，如亮色或暗色道路线网络。但在高分辨率下，道路表现为局部灰度近似、宽度变化缓慢的狭长区域。随着高分辨率遥感影像的研究细节逐渐丰富，道路特征也逐渐复杂，而且路面噪声，如建筑物或树木的阴影、路面上的车辆等变得不可忽略，这使得高分辨率下的道路提取更具有复杂性和挑战性。

综上所述，目前还没有一种适用范围广的方法来半自动提取道路网络，且大量应用都集中于中低分辨率下道路或道路网的提取。已有的半自动道路提取方法，在质量较差的高分辨率城区遥感影像的道路提取中并不能很好地应用，且提取效果较差，过程比较繁琐。

发明内容

本发明的目的在于克服上述现有技术的不足，提出了一种改进的高分辨率城区遥感图像中道路中心线的半自动检测方法，以实现对道路中心线的准确检测，适用于提取高分辨率下的道路，提高了道路的提取效果，且提取过程简便易行。

本发明的技术方案是：采用人机交互方式，首先选择初始种子点和初始方向点，然后利用跟踪算法来提取道路中心线上的各个种子点，最后利用搜索到的种子点标记中心线，并连接成道路网络。该方法是对现有模板匹配法的改进，其提取的具体步骤包括以下：

1)在待检测图像上选择初始种子点和初始方向点，该初始种子点与方向点形成的角度即为道路前进方向；

2)以初始种子点为中心建立7×7的校正窗口，在该窗口范围内沿垂直道路前进方向搜索中心线像素，对初始种子点进行位置微调校正，确保初始种子点的选择准确落在道路中心线上，若窗口内搜索不到中心线像素，则不再校正初始种子点；

3)在平面坐标系的原点建立基准窗，并将该基准窗旋转平移到初始种子点处形成初始模板窗，如果平移后初始种子点处的模板窗超越了原图像边界，要对超出边界部分进行窗口的对称延拓；

4)建立与初始模板窗同样大小和方向的权值矩阵W，并对其进行初始化；

5)对模板窗内图像块进行灰度值调整，增强图像的灰度对比度，使道路特征更显著；

6)利用迭代阈值方法对增强后的图像块求解分割阈值T，并利用该阈值对图像进行二值化分割，得到初始道路中心线分割结果图；

7)沿道路前进方向按设定步长step平移模板窗，形成N个待定目标窗，并判断每一目标窗内图像是否存在灰度值大于250的像素，若存在则判定为车辆，并将车辆像素处的8邻域或4邻域像素的灰度值设置为分割阈值T；

8)采用模板匹配准则寻找与模板窗匹配的目标窗，对道路中心线进行跟踪，并按以下步骤搜索计算道路的中心点位置：

(8a)对目标窗内图像块的灰度值进行调整，增强输出图像的灰度对比度，利用迭代阈值方法对增强后的图像进行二值化分割，得到初始道路中心线分割结果图；

(8b)将各目标窗、模板窗乘以权值矩阵W，分别计算加权后的各目标窗与模板窗像素的绝对差值和，得到差值序列Absdev；

(8c)设定两个比较阈值T1、T2，对差值序列Absdev由小到大排序，判断最小差值是否小于T1，如果满足条件，计算该最小差值所对应的目标窗中心点及8邻域灰度均值与模板窗中心点及8邻域灰度均值的差，判断该均值差是否小于T2，若是，则该目标窗与模板窗匹配，所对应目标窗的中心为下一个道路中心点，返回步骤3)；若否，则对次小差值重复前述判断过程，对满足阈值条件的，将该差值所对应目标窗的中心作为下一个道路中心点，返回步骤3)；

(8d)当排序后的差值序列的前三个差值均不满足阈值条件时，则利用已搜索得到的道路中心点信息修正道路角度方向，返回步骤3)继续搜索下一个匹配目标窗位置；如果修正道路方向后仍搜索不到匹配目标窗，则临时增加搜索的步长，设置为新变量tempry，返回到步骤7)搜索下一个匹配目标窗位置；如果经过步长增加仍然找不到匹配目标窗时，则终止循环，结束本次搜索过程；

9)搜索结束后，将搜索到的每一个中心点的行坐标和列坐标存储，并根据存储的坐标位置在原图像上对中心线进行标识，得到本次中心线检测结果。

本发明与现有技术相比具有如下优点：

1)本发明由于对初始种子点进行校正处理，能使种子点较精确的位于待检测的中心线上；

2)本发明由于采用细化模板窗向目标窗平移的准则，可使搜索方向更准确，更好的获得匹配目标窗的准确位置；

3)本发明由于采用对中心线附近是否存在车辆的判断和处理策略，可有效减少车辆噪声对寻找道路中心点的干扰；

4)本发明由于采用两次阈值判断条件，可尽量避免单次判断对种子点的误判，最大程度地减少对中心线的搜索误差；

5)本发明由于采用在道路间断处临时增加搜索步长，可越过道路中心线上因建筑物阴影等因素造成的短间断处，向前继续跟踪搜索种子点。

附图说明

图1是本发明的实现流程示意图；

图2是本发明输入的一副待检测遥感道路图像；

图3是本发明的模板窗和目标窗建立的示意图；

图4是本发明对模板窗增强后的二值化分割结果图；

图5是本发明对目标窗增强后的二值化分割结果图；

图6是本发明是在某间断点实现步长跳跃的示意图；

图7是本发明对输入图像的道路中心线检测结果图；

图8是本发明对检测结果图进行人工补充后的最后结果图。

具体实施方式

参照图1，本发明的实施步骤如下：

步骤1，选择初始种子点和初始方向点，获得道路初始信息。

在输入的待检测图2上，采用人机交互方式，在中心线上选择初始种子点和初始方向点，其中初始种子点是算法搜索的起始点，初始方向点与种子点的夹角为道路前进的角度方向。

步骤2，对初始种子点位置进行校正。

由于交互式操作中人工选点的不稳定性，导致初始种子点并不一定准确位于道路中心线上，故需要对其进行位置校正。其校正是以初始种子点为中心建立一个7×7的校正窗口，在该窗口内沿垂直道路前进方向搜索中心线，搜索到中心线后，将初始种子点校正到该中心线上，校正公式如下：

X₀＝X-ΔX；Y₀＝Y-ΔY；                        (1)

其中，X是初始种子点的行坐标值，ΔX是行坐标的校正误差，X₀是校正后的行坐标值；Y是初始种子点的列坐标值，ΔY是列坐标的校正误差，Y₀是校正后的行坐标值。

若窗口内搜索不到中心线，则不再校正初始种子点。

步骤3，在初始种子点处建立模板窗。

首先在平面坐标系的原点建立大小为length*width的水平基准窗，length和width为设定值，然后将该基准窗旋转至与道路角度平行方向，并平移到初始种子点处形成初始模板窗，旋转平移公式按以下计算：

其中，x_mid是校正后初始种子点的行坐标，y_mid是校正后初始种子点的列坐标，x_orig是原点处基准窗的行坐标，y_orig是原点处基准窗的列坐标，x_temp平移后模板窗的行坐标，y_temp是平移后模板窗的列坐标，θ是道路的角度方向。

如果平移后初始模板窗超越了原图像边界，要对超出边界部分进行对称延拓，也就是以窗口边界为对称轴，将模板窗内对应像素映射到超出边界部分。

步骤4，建立权值矩阵W并初始化。

权值矩阵的设置是为了在匹配计算时，能够更加突出道路的线性特征。该矩阵与初始模板窗大小相同，方向一致，权值设置与窗口内道路线性特征相对应，中心行元素值为1，并向两边逐渐减小至0，例如7*5的水平权值矩阵初始化形式如下：

步骤5，对模板窗内图像进行预处理。

为了将模板窗内图像的线性道路特征加强，便于匹配时获得更多的有效信息，需要对图像进行预处理，包括灰度对比度增强和使用迭代阈值法进行二值化分割，其中，二值化分割的分割阈值T通过数字图像处理中常用的迭代阈值方法求得，预处理后，得到初始的道路中心线分割结果，如图4所示，其中图4(a)是模板窗内原图像，图4(b)是预处理后的分割结果。

步骤6，建立目标窗，并判断目标窗内是否存在车辆。

如图3所示，沿道路前进方向按设定步长step平移模板窗，形成N个待定目标窗，N与设定的步长step有关，若step为偶数，则N＝step+1；若step为奇数，则N＝step+2。模板窗平移时，分以下三种情况：

情况1：当道路角度方向的正弦值sinθ＜0.5，沿x方向进行模板窗的水平左右平移；

情况2：当道路角度方向的正弦值0.5≤sinθ≤0.866，沿x方向和y方向分别同时平移模板窗，平移距离值大小相同，符号相反；

情况3：当道路角度方向的正弦值sinθ＞0.866，沿y方向进行模板窗的上下垂直平移。

根据待检测图像特征可知，判断每一目标窗内图像是否存在车辆，即判断是否有灰度值大于250的像素，若存在，则判定为车辆，并将车辆像素处的8邻域或4邻域像素的灰度值设置为分割阈值T，若不存在，则不作处理。

步骤7，寻找与模板窗匹配的目标窗。

(7a)对目标窗内图像按步骤5所述方法进行预处理，得到图5，其中图5(a)是目标窗内原图像，图5(a)是目标窗预处理后的分割结果；

(7b)计算差值序列Absdev：

将各目标窗、模板窗乘以权值矩阵W，计算加权后的各目标窗与模板窗的绝对差值，得到差值序列Absdev；对于大小为length*width的第n个目标窗，计算其与模板窗绝对差值的公式，如下所示：

$\mathrm{Absdev}\left(n\right)=\underset{i=1}{\overset{\mathrm{width}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{length}}{\mathrm{\Σ}}}(\mathrm{hb}(i,j)-\mathrm{gb}(i,j,n))*W(i,j)---\left(3\right)$

其中，hb(i，j)表示模板窗二值化后的第i行，第j列元素，gb(i，j，n)表示第n个目标窗二值化后的第i行、第j列元素，W(i，j)表示与窗内第i行、第j列元素对应的权值大小；

(7c)寻找与模板窗最匹配的目标窗，并将该目标窗中心作为下一道路中心点：

设定两个比较阈值T1、T2，对序列Absdev由小到大排序，判断最小差值是否小于T1；若满足条件，计算该最小差值所对应的目标窗中心点及8邻域灰度均值与模板窗中心点及8邻域灰度均值的差，判断该均值差是否小于T2，若是，则该目标窗与模板窗匹配，所对应目标窗的中心为下一个道路中心点，返回步骤3)；若否，则对次小差值重复前述判断过程，对满足阈值条件的，将该差值所对应目标窗中心作为下一个道路中心点，返回步骤3)，计算该最小差值所对应的目标窗中心点及8邻域灰度均值与模板窗中心点及8邻域灰度均值的差时，计算公式如下：

$I_{\mathrm{mean}}\left(n\right)=\frac{1}{3*3}|\underset{j=1}{\overset{3}{\mathrm{\Σ}}}\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{I}_{t\arg \mathrm{et}}(i,j,n)-\underset{j=1}{\overset{3}{\mathrm{\Σ}}}\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{I}_{\mathrm{temp}}(i,j)|---\left(4\right)$

其中，I_mean(n)表示第n个目标窗中心点及8邻域灰度均值与模板窗中心点及8邻域灰度均值的差，I_target(i，j，n)表示第n个目标窗的第i行、第j列元素，I_temp(i，j)表示模板窗的第i行、第j列元素。

步骤8，修正模板窗角度，或增加搜索步长，继续寻找匹配目标窗。

若排序后的序列Absdev的前三个差值均不满足设定的两个阈值条件，也就是找不到匹配目标窗，则需要及时更新模板窗的角度信息，其更新方法是计算已搜索到的前5个中心点连线形成的角度，作为修正后的模板窗角度，再返回步骤3)继续搜索下一个匹配目标窗；

如果修正模板窗的角度后仍搜索不到匹配目标窗，可能是由于道路中心线上有树木、建筑物等形成的阴影遮盖道路，造成中心线的小距离间断，在此情况下，需要临时增加搜索步长，如图6所示，按以下两种规则之一将该步长设置为新变量tempry：

规则1：搜索开始时，将tempry设为固定值，该固定值选择范围在8～20之间；

规则2：搜索开始时，将tempry设为步长step的固定倍，即

tempry＝(3～6)×step，

设置好tempry后，返回步骤6)继续搜索下一个匹配目标窗，如果经过步长增加仍然找不到匹配目标窗，则终止循环，结束本次搜索过程。

步骤9，将搜索到的种子点行、列坐标保存在矩阵中，并根据存储的坐标位置在原图像上对中心线进行标识，得到本次中心线检测结果图7。

本发明的效果可以通过仿真实验具体说明：

1.实验条件

实验所用微机CPU为Intel(R)Core(TM)2Duo 2.33GHz内存1.99G，编程平台matlab7.0.4，实验中采用数据是空间分辨率为0.61米-10米的全色波段光学遥感影像。

2.实验内容

本实验分为交互式操作和模板匹配搜索两步：

首先采用交互式操作，在待检测图像上选取初始种子点和初始方向点，根据获得的初始道路信息，对初始种子点进行位置校正。

然后，在初始种子点处建立模板窗，并沿道路前进方向建立多个目标窗，寻找与模板窗最匹配的目标窗的中心，确定为下一种子点，然后循环迭代搜索中心线上的所有种子点，得到较完整的道路中心线。由于采用半自动检测方式，在某些道路中心线处，可能由于阴影遮盖的道路区域较大等原因使算法中断，此时可加入人工干预，在中断处人工连接两端点。

由于道路的半自动检测算法的评价标准尚未统一完善，因此将检测出来的道路中心线与原图像叠加，通过视觉效果和时间代价来评价效果优劣。

3.实验结果

图2是输入的原始待检测图像，图4和图5分别是模板窗和目标窗预处理后的结果图，图7是最终的道路中心线提取结果，其中检测到的道路中心线标记为符号“+”；图8是将检测出的中心线在道路交叉口人工连接成道路网络的示意图，其中人工连接部分标记为虚线。

从图1可以看出，图像中的道路背景较复杂，道路的宽窄不同，道路中心线特征虽明显同时也较复杂多变。通过比较图7和图2可以看出，图7中标记为1和2的道路间断处，通过搜索步长的增加，可以越过并继续搜索；标记为3和4的道路段，虽然有较多车辆噪声对提取过程干扰，通过车辆判断的处理策略，也能将车辆噪声的影响减小至忽略不计，最后成功检测出中心线。图8中将道路中心线与无中心线的交叉口路段，经最后的人工断点补充连接，形成完整的道路网络。本实验中，各道路段的提取时间从0.2秒到7秒，经不同操作者测验，检测出整幅图道路中心线的总时间均在22秒内，速度快，可满足应用时的实时性要求。观察实验结果可知，本发明检测道路中心线定位准确，检测结果较完整。

Claims (6)

1.高分辨率城区遥感图像道路中心线半自动检测方法，包括如下步骤：

1)在待检测图像上选择初始种子点和初始方向点，该初始种子点与初始方向点形成的角度即为道路前进方向；

2)以初始种子点为中心建立7×7的校正窗口，在该窗口范围内沿垂直道路前进方向搜索中心线像素，对初始种子点进行位置微调校正，确保初始种子点的选择准确落在道路中心线上，若窗口内搜索不到中心线像素，则不再校正初始种子点；

3)在平面坐标系的原点建立水平基准窗，然后将该基准窗旋转至与道路角度平行方向，并将该基准窗旋转平移到初始种子点处形成模板窗，如果平移后初始种子点处的模板窗超越了原图像边界，要对超出边界部分进行窗口的对称延拓，该对称延拓，也就是以窗口边界为对称轴，将模板窗内对应像素映射到超出边界部分；

4)建立权值矩阵W，该权值矩阵W与模板窗大小相同，方向一致，权值设置与窗口内线性特征相对应，中心行元素值为1，并向两边逐渐减小至0，对其进行初始化；

5)对模板窗内图像块进行灰度值调整，增强图像的灰度对比度，使道路特征更显著；

6)利用迭代阈值方法对增强后的图像块求解分割阈值T，并利用该阈值对图像进行二值化分割，得到初始道路中心线分割结果图；

7)沿道路前进方向按设定步长step平移模板窗，形成N个待定目标窗，并判断每一待定目标窗内图像是否存在灰度值大于250的像素，若存在则判定为车辆，并将车辆像素处的8邻域或4邻域像素的灰度值设置为分割阈值T；

8)采用模板匹配准则寻找与模板窗匹配的待定目标窗，对道路中心线进行跟踪，并按以下步骤搜索计算道路的中心点位置：

(8a)对待定目标窗内图像块的灰度值进行调整，增强输出图像的灰度对比度，利用迭代阈值方法对增强后的图像进行二值化分割，得到初始道路中心线分割结果图；

(8b)将各待定目标窗、模板窗乘以权值矩阵W，分别计算加权后的各待定目标窗与模板窗像素的绝对差值和，得到差值序列Absdev；

(8c)设定两个比较阈值T1、T2，对差值序列Absdev由小到大排序，判断最小差值是否小于T1，如果满足条件，计算该最小差值所对应的待定目标窗中心点及其8邻域的灰度均值与模板窗中心点及其8邻域的灰度均值差，判断该均值差是否小于T2，若是，则该待定目标窗与模板窗匹配，所对应待定目标窗的中心为下一个道路中心点，返回步骤3)；若否，则对次小差值重复前述判断过程，对满足阈值条件的，将该差值所对应待定目标窗的中心作为下一个道路中心点，返回步骤3)；

(8d)当排序后的差值序列的前三个差值均不满足阈值条件时，则利用已搜索得到的道路中心点信息修正道路角度方向，返回步骤3)继续搜索下一个匹配目标窗位置；如果修正道路方向后仍搜索不到匹配目标窗，则临时增加搜索的步长，设置为新变量tempry，返回到步骤7)搜索下一个匹配目标窗位置；如果经过步长增加仍然找不到匹配目标窗时，则终止循环，结束本次搜索过程；

9)搜索结束后，将搜索到的每一个中心点的行坐标和列坐标存储，并根据存储的坐标位置在原图像上对中心线进行标识，得到本次中心线检测结果。

2.根据权利要求1所述的高分辨率城区遥感图像道路中心线半自动检测方法，其中步骤3)所述将基准标准窗旋转平移到初始种子点处，按如下公式旋转平移：

$\left(\begin{array}{c}{x}_{\mathrm{temp}}\\ y_{\mathrm{temp}}\end{array}\right)=\left(\begin{array}{c}{x}_{\mathrm{mid}}\\ y_{\mathrm{mid}}\end{array}\right)+\left(\begin{array}{c}{x}_{\mathrm{orig}}\\ y_{\mathrm{orig}}\end{array}\right)\left(\begin{array}{cc}\cos \mathrm{\θ}& \sin \mathrm{\θ}\\ -\sin \mathrm{\θ}& \cos \mathrm{\θ}\end{array}\right)$

其中，x_mid是初始种子点的行坐标，y_mid是初始种子点的列坐标，x_orig是基准窗的行坐标，y_orig是基准窗的列坐标，x_temp平移后模板窗的行坐标，y_temp是平移后模板窗的列坐标，θ是道路的角度方向。

3.根据权利要求1所述的高分辨率城区遥感图像道路中心线半自动检测方法，其中步骤7)所述沿道路前进方向按设定步长step平移模板窗，分以下三种情况平移：

情况1：当道路角度方向的正弦值sinθ＜0.5，沿x方向进行模板窗的水平左右平移；

情况2：当道路角度方向的正弦值0.5≤sinθ≤0.866，沿x方向和y方向分别同时平移模板窗，平移距离值大小相同，符号相反；

情况3：当道路角度方向的正弦值sinθ＞0.866，沿y方向进行模板窗的上下垂直平移。

4.根据权利要求1所述的高分辨率城区遥感图像道路中心线半自动检测方法，其中步骤(8b)所述将各待定目标窗、模板窗乘以权值矩阵W，计算出加权后的各待定目标窗与模板窗像素的绝对差值和，按如下公式计算：

$\mathrm{Absdev}\left(n\right)=\underset{i=1}{\overset{\mathrm{width}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{length}}{\mathrm{\Σ}}}(\mathrm{hb}(i,j)-\mathrm{gb}(i,j,n))\×W(i,j)$

其中，Absdev(n)表示第n个待定目标窗与模板窗像素的绝对差值和，hb(i，j)表示模板窗二值化分割后的第i行和第j列元素，gb(i，j，n)表示第n个待定目标窗二值化分割后的第i行和第j列元素，W(i，j)表示与模板窗的第i行和第j列元素对应的权值大小，width表示模板窗的宽度，length表示模板窗的长度。

5.根据权利要求1所述的高分辨率城区遥感图像道路中心线半自动检测方法，其中步骤8c)所述计算最小差值所对应的待定目标窗中心点及8邻域灰度均值与模板窗中心点及8邻域灰度均值的差，通过如下公式计算：

$I_{\mathrm{mean}}\left(n\right)=\frac{1}{3\×3}|\underset{j=1}{\overset{3}{\mathrm{\Σ}}}\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{I}_{t\arg \mathrm{et}}(i,j,n)-\underset{j=1}{\overset{3}{\mathrm{\Σ}}}\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{I}_{\mathrm{temp}}(i,j)|$

其中，I_target(i，j，n)表示第n个待定目标窗的第i行和第j列元素，I_temp(i，j)表示模板窗的第i行和第j列元素。

6.根据权利要求1所述的高分辨率城区遥感图像道路中心线半自动检测方法，其中步骤8d)所述的临时增加搜索的步长，设置为新变量tempry，是按以下两种规则之一设置：

规则1：搜索开始时，tempry设为固定值，该固定值选择范围在8～20之间；

规则2：搜索开始时，将tempry设为步长step的固定倍，即

tempry＝(3～6)×step。

Images