CN101887522A - 基于多点同时快速行进的遥感影像道路提取方法 - Google Patents

基于多点同时快速行进的遥感影像道路提取方法 Download PDF

Info

Publication number
CN101887522A
CN101887522A CN201010224760.2A CN201010224760A CN101887522A CN 101887522 A CN101887522 A CN 101887522A CN 201010224760 A CN201010224760 A CN 201010224760A CN 101887522 A CN101887522 A CN 101887522A
Authority
CN
China
Prior art keywords
point
road
alive
image
remote sensing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201010224760.2A
Other languages
English (en)
Inventor
刘永学
李飞雪
程亮
李满春
杨康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University
Original Assignee
Nanjing University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University filed Critical Nanjing University
Priority to CN201010224760.2A priority Critical patent/CN101887522A/zh
Publication of CN101887522A publication Critical patent/CN101887522A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Processing (AREA)

Abstract

本发明公开了基于多点同时快速行进的遥感影像道路提取方法，属于半自动遥感影像道路提取领域。其步骤为：构建快速行进速度项；选择多个道路特征点，进行初始行进状态的设定；按照多点同时快速行进方法遍历影像，按照设定的有效鞍点判定准则提取有效鞍点；从有效鞍点出发逆向搜索，提取最短路径；利用最短路径点位信息构建连续矢量线状道路。本发明提高了现有快速行进方法的提取效率，通过有效鞍点判定准则的设定剔除错误捷径，提高了道路提取的正确率，降低了道路提取后续处理的复杂度，通过最短路径点位信息构建连续矢量线状要素，避免了数据格式的转换，能够直接应用于国家各级基础地理信息数据库道路信息的维护与更新。

Description

基于多点同时快速行进的遥感影像道路提取方法
技术领域
本发明涉及一种遥感影像道路提取方法，特别是涉及一种半自动遥感影像道路提取方法。
背景技术
道路是重要的基础地理信息，道路信息的提取对于国家各级基础地理信息数据库的维护与更新意义重大，可直接服务于城市规划、国土资源、交通、测绘等相关部门。道路是遥感影像中重要的人工目标，从遥感影像中提取道路是获取道路信息的重要手段。通过人工数字化方式提取道路效率低，成本高，已很难满足基础地理信息数据库的数据更新要求，伴随着数字图像处理、计算机图形学、模式识别、人工智能等学科的发展，各类遥感影像道路提取方法不断涌现，这些方法能够根据道路在遥感影像中呈现的特征，自动或半自动的提取道路信息，相比于人工数字化方式，提取效率大大提高。现已提出了基于平行线对、基于二值化和知识、基于窗口模型特征等算法为代表的自动提取方法以及基于像素与背景的算子模型、基于树结构的特征判别模型、基于最小二乘B样条曲线等为代表的半自动提取方法。其中，自动提取方法大多运用人工智能、计算机视觉、模式识别、数学模型等对某一类型道路实现自动提取，完全自动识别各类道路还不现实。半自动提取方法通过人机交互获取遥感影像中道路的先验知识，在边缘检测、区域生长等影像处理方法的基础上，由计算机依据遥感影像中道路的形状、拓扑、功能以及上下文等特征进行提取与识别，其算法适用性较好，应用较为广泛。但目前提出的半自动道路提取方法，通常需要较多的道路先验知识或事先定义好的道路匹配模板，并且提取的线状道路并不连续，需要进行断线连接等后续处理，方法较为繁琐，提取效率较低。例如，胡翔云等在2002年第2期《中国图象图形学报(A版)》撰文“航空影象上线状地物的半自动提取”，提出使用抛物线作为道路的匹配模板，用二值模板相关法在两个道路特征种子点之间提取候选道路点，再使用整体最小二乘模板匹配得到道路抛物线参数的精确解，最后用所得抛物线参数进行道路拟合，该方法以抛物线作为道路的几何特征约束，但影像中道路并不一定呈现抛物线几何特征，用抛物线作为道路先验知识与匹配模板不能概括各类道路的特征，同时，该方法每次只能提取给定两点间的道路，提取效率较低。再如，C.Heipke等在1994年第4期《International Archives ofPhotogrammetry and Remote Sensing》撰文“Semi-Automatic Extraction ofRoads from Aerial Images”，文中提出的半自动道路提取方法需要操作者给出一个道路特征起始点和初始方向，方法首先计算窗口中的梯度，根据阈值提取单个像素宽的边缘，用预定义的边缘方向矩阵跟踪提取道路，该方法提取的道路不连续，存在断裂，作者提出在断裂处使用更大的搜索矩阵进行处理，断线连接等后续处理较为繁琐，同时，该方法每次只能提取从一个给定特征点出发的道路，提取效率较低。综上，如何依据更少的道路先验知识，通过更为简单的后处理，高效便捷地提取出遥感影像中连续的道路信息，生成连续矢量线状道路，直接应用于基础地理信息数据库的道路更新，是半自动道路提取方法的研究热点。
快速行进(Fast Marching)方法由Cohen与Kimmel提出，能够实现图像分割及特征提取，被广泛应用于图像分割、路径规划、计算机视觉等领域。该方法应用于线状特征提取的基本原理是利用线状特征与图像背景具有的差异构建速度项图像，使得待提取特征处具有较大的速度项，给定待提取特征上的一个图像单元点作为起始种子点，通过在速度项图像上利用快速行进方法求解Eikonal方程获取该点对应的最小能量图(Minimum Energy Image)，再以位于待提取特征上的另一单元点作为终止种子点，从该点出发，逆向搜索至起始点获取最小能量图上两种子点间的最短路径，该路径即是两点间待提取的线状特征。目前，利用快速行进方法进行线状特征提取主要出现在医学数字图像处理领域。应用快速行进方法提取两点间最短路径存在的主要问题是效率较低，提取每条路径均要给出路径的起始点和终止点。对于遥感影像中道路数量多、分布密集的情况，利用快速行进方法提取道路效率较低，难以满足大量数据的更新要求。杨康等在2009年中国测绘学会第九次全国会员代表大会暨学会成立50周年纪念大会上撰文“基于多点快速行进与最短路径的遥感影像道路提取方法”，将快速行进方法引入到遥感影像道路提取研究中，利用多点行进提高道路提取效率，但文中并未给出逆向搜索提取多个点对间最短路径的实现方法，未给出通过最短路径提取结果生成连续矢量线状道路的实现方法，提取结果很难直接应用于基础地理信息数据库的道路更新。
发明内容
1.发明要解决的技术问题
本发明的目的是提供半自动遥感影像道路提取方法，生成可直接应用于基础地理信息数据库道路更新的连续矢量线状道路，针对解决半自动道路提取方法需要较多道路先验知识与复杂后续处理的问题，提高遥感影像道路提取的效率，通过引入有效鞍点判定准则进行提取结果的判定，提高遥感影像道路提取的正确率，通过最短路径点位信息，构建满足基础地理数据更新要求的连续矢量线状道路。
2.本发明的技术方案如下：
原理：根据道路在遥感影像表现为显著区分于影像背景的线状特征，借助多个道路特征种子点作为先验知识，设定多点同时快速行进规则，利用多个特征种子点同时快速行进遍历影像，设定有效鞍点判定准则提取有效鞍点，通过有效鞍点逆向搜索连接最短路径，实现提取多条道路的同时提取。获取最短路径点位信息，构建Shapefile格式矢量线状要素集作为最终提取结果。
基于多点同时快速行进的遥感影像道路提取方法技术方案中变量定义如下：Alive点为已到达点，Active点为活动点(当前即将到达的点)，Faraway点为远离点，Nnon-alive(x)为点x的非已到达四邻点，Nalive(x)为点x的已到达四邻点，Q为Active点的集合，U(x)为点x的最小能量，V(x)为点x的影像划分区域索引，S(m，n)为起始点pm，pn之间的鞍点，S为有效鞍点的集合。
一种基于多点同时快速行进的遥感影像道路提取方法，包括以下步骤：
步骤1：以影像归一化灰度、梯度和边缘增强影像数据作为快速行进速度项1/P(x)；
步骤2：对影像每个单元点x，设定U(x)＝+∞，V(x)＝0；
步骤3：对每一个起始点pm，设定U(pm)＝0，V(pm)＝m，标记为Active点，以红黑树数据结构作为Active点集合，将起始点pm加入Active点集合中，Q←Q∪pm；
步骤4：当Q不为空集时，重复进行如下操作：
(1)找到U值最小的Active点xmin，将其标记为Alive点，将其从Active点集合中移除；
(2)对于任意xn∈Nnon-alive(xmin)，如果xn是Active点，并且存在xalive∈Nalive(xn)，使得V(xalive)≠V(xn)，则xn是边界点，若
Figure BDA0000023239420000041
并且xn满足有效鞍点判定条件IsValidSaddlePoint(xn)，则xn是有效鞍点，将xn加入有效鞍点集合，S←S∪V(xn)；判断边界点xn是否为有效鞍点的方法IsValidSaddlePoint(xn)的具体实现过程为：根据判定条件，从求得的鞍点中再次筛选，选择位于道路上的有效鞍点；作为有效鞍点判定准则的有：①准则1：仅将起始点pm和最先与其相遇的起始点pn(m≠n)之间的psaddlepoint作为有效鞍点；②准则2：仅将U(psaddlepoint)＜U0的psaddlepoint作为有效鞍点，U0为给定的最小能量阈值；
(3)对于任意xn∈Nnon-alive(xmin)，如果xn是Active点，更新xn的U值，U(xn)＝Update(xn，Nalive(xn)；
(4)对于任意xn∈Nnon-alive(xmin)，如果xn是Faraway点，V(xn)＝V(xmin)，将其改标记为Active点；
步骤5：对任意s(m，n)∈s，分别按照逆向搜索求取s(m，n)与pm，pn之间的最短路径Pathm与Pathn，连接两条路径，得到pm，pn之间的最短路径Pathmn；具体实现过程为：定义p1为起始点，U1为p1的最小能量图，p2为终点，psearch为当前搜索点，sign为循环标记，Nalive(x)为点x的已到达四邻点，为位于p1，p2最短路径上的单元点的集合；初始化：psearch＝p2，sign为true；当sign为true时重复如下操作：如果p1∈Nalive(psearch)，sign为false；对xn∈Nalive(psearch)，找出U1(xn)最小的点xmin，令psearch＝xmin，将xmin加入
Figure BDA0000023239420000043
步骤6：用提取的多条最短路径的点位信息构建Shapefile格式矢量线状要素集，作为最终的道路提取结果。
上述步骤1中获取影像归一化灰度图方法如下：读取影像数据数组，将数据归一化至0到1之间；获取影像归一化梯度图方法如下：读取影像数据数组，利用中值差分方法求取影像梯度，将数据归一化至0到1之间；获取影像归一化边缘增强图方法如下：读取影像数据，利用拉普拉斯算子进行边缘增强计算，将数据归一化至0到1之间。
步骤4中(3)更新xn最小能量值的方法Update(xn，Nalive(xn))的具体实现过程为：若xn在影像中的位置为i行j列，令U1为xn上、下两个四邻点最小能量值中较小的值，即U1＝min{Ui-1，j，Ui+1，j}，令U2为左、右两个四邻点最小能量值中较小的值，即U2＝min{Ui，j-1，Ui，j+1}，如果|U1-U2|＜P(xn)，
Figure BDA0000023239420000051
否则U(xn)＝min{U1，U2}+P(xn)。
步骤6中具体实现过程为：对于步骤5提取的每条最短路径Pathmn，依次读取其包含的点xn的行列信息作为其点位信息，以行数i作为点的Y坐标，以列数j作为点的X坐标，读取完毕后利用点位信息构造矢量线状对象；完成步骤5提取的所有最短路径Pathmn对应的矢量线状对象的构建后，可获取多条连续的矢量线状道路。
3.有益效果
相比现有技术，本发明实现了逆向搜索提取多个点对间最短路径的实现方法，提高了通过最短路径提取结果生成连续矢量线状道路的实现方法。具体有益效果如下：
第一，本发明提高了现有快速行进方法的提取效率。现有快速行进方法提取每条道路都需进行最小能量图的计算，提取道路的计算复杂度为MO(NlogN)，N为影像单元点的数目，M为提取道路的数目。本发明采用多点同时快速行进提取道路的方法，给定多个道路特征点作为行进起点同时开始行进，只需进行一次最小能量图的求算，提取M条道路时算法的计算复杂度仍为O(NlogN)。
第二，本发明提高了提取道路的正确率。影像单元点最小能量值是由它的行进速度和到起始点的距离共同决定的，如果给定的起始点和终点间的道路长度较长，即使沿道路有较快的行进速度，最终提取的道路也有可能是终点到起始点的另外一条长度较短、其上行进速度相对较慢的错误捷径。现有的快速行进方法解决这个问题是提供距离较近的起始点和终点，但这样又会带来过多的人工交互并需要提取更多道路。本发明提出设定有效鞍点判定条件，从多点同时快速行进求得的鞍点中再次筛选，剔除错误捷径，提高了提取结果的正确率。
第三，本发明降低了道路提取后续处理的复杂度。现有的道路提取算法提取的线状道路并不连续，需要进行提取结果细化、断线连接等后续处理。本发明通过逆向搜索存储连续的最短路径点位信息，以其构建多条连续的矢量线状道路，无需复杂的后续处理。
第四，本发明解决了道路提取结果直接应用于基础地理数据库道路更新时的数据格式转换问题。现有的道路提取算法提取的道路通常是道路-背景二值影像，需要进行栅格向矢量的转换。本发明通过最短路径点位信息构建连续矢量线状道路，提取结果无需进行数据格式的转换，可直接用于基础地理数据库的道路更新。
综上，本发明提高了现有半自动遥感影像道路提取方法的提取效率与正确率，降低了道路提取后续处理的复杂度，提取结果无需数据格式转换即可直接使用。实际应用表明，通过本发明能够快速、准确的提取遥感影像中的道路信息，降低人工数字化方式采集道路信息的成本，提取的结果为多条连续的矢量线状道路，满足基础地理信息数据采集的格式要求，无需后续处理与数据格式转换，能够直接应用于国家各级基础地理信息数据库道路信息的维护与更新，降低基础地理信息数据库的更新成本，提高数据更新的效率。
附图说明
图1为待提取道路遥感影像图；
图2为通过所有鞍点连接最短路径提取道路结果图；
图3为通过有效鞍点连接最短路径提取道路结果图。
具体实施方式
采用附图1所示遥感影像作为待提取道路影像，影像大小为562行，575列。采用C#编程语言在Visual Studio 2005平台下实现本方法的6个步骤，遥感影像数据的读写操作通过开源地理数据格式转换类库GDAL 1.60实现。
步骤1：以GDAL为影像数据读写工具，利用利用GDAL.Open方法读取影像灰度值至大小为562行，575列的整型数组，遍历数组，获取数组的最大值max，最小值min，按照公式(x-min)/(max-min)将影像灰度值归一化至0-1之间，以归一化影像灰度值数组作为快速行进速度项1/P(x)。
步骤2：遍历影像灰度数组，进行所有影像单元点x的初始化，构建大小为562行，575列的最小能量值数组U，影像划分区域索引数组V，设定单元点最小能量值U(x)＝999999，影像划分区域索引V(x)＝0。
步骤3：选取4个道路特征种子点作为行进起始点，其编号与行列位置分别为P1(462，85)，P2(485，452)，P3(114，519)，P4(89，136)。对4个起始点pm，设定U(pm)＝0，V(pm)＝m，m＝1，2，3，4，标记为Active点，构建红黑树RedBlackTree作为Active点集合，将4个起始点加入Active点集合中。
步骤4：在Visual Studio 2005平台下，利用C#实现了FMPixelNode类用于设置影像单元点的属性，实现了SpeedFunction类用于构造快速行进速度项，利用PerformFastMarching类用于进行多点同时快速行进，编写了RunMultiPixelNodes方法作为PerformFastMarching的公共方法，通过该方法的调用实现了多点同时快速行进，实现方法的核心代码为：
    //构建单元点对象
    ConstructPixelNodesArray()；
    //构建起始单元点数组、鞍点数组
    ConstructStartPixelNodesArray()；
    //根据起始单元点列的数目构建一个足够大的数组用于放置可能的鞍点
    int possiablesaddlepointsnum＝pixelNodes.Length＊(pixelNodes.Length-
1)/2；
    fmSaddlePixelNodeArray＝new
    FMPixelNode[possiablesaddlepointsnum]；
    //设置初始的鞍点数为0
    int saddlenum＝0；
    //构建红黑树(Active点集合)，将各起始点放入红黑树中
    RedBlack activeNodesTree＝new RedBlack()；
    for(int m＝0；m＜pixelPoints.Length；m++)
    {
          activeNodesTree.Add(pixelNodes[m])；
    }
    //开始多点同时快速行进
    while(activeNodesTree.Size()！＝
0&&saddlenum＜＝possiablesaddlepointsnum)
   {
       //得到树中到达时间最小的单元点
       FMPixelNode Pmin＝activeNodesTree.GetMinKey()as
FMPixelNode；
       //将其状态改为已到达的alive
       Pmin.status＝-1；
       //将其从树中删除
       activeNodesTree.RemoveMin()；
       //得到Pmin的非已到达四邻点
       FMPixelNode[]Pmin_NonAliveNeighborhood＝
FindNonAliveFourNeighbourNodes(Pmin)；
       //遍历Pmin的非已到达四邻点
       for(int i＝0；i＜Pmin_NonAliveNeighborhood.Length；i++)
       {
            //一个单元点最多更新两次值，即其到达时间由其周围前三个已到
达点决定
            if(Pmin_NonAliveNeighborhood[i].calculatedtimes＜3)
            {
                //返回每个Pmin非已到达四邻点的已到达四邻点用于计算到
达时间
               FMPixelNode[]Pmin_NAN_AliveNeighborhood＝
    FindAliveFourNeighbourNodes(Pmin_NonAliveNeighborhood[i])；
               //如果是活动点，因为要更新其到达时间，所以先将其删除
               if(Pmin_NonAliveNeighborhood[i].status＝＝0)
               {
activeNodesTree.Remove(Pmin_NonAliveNeighborhood[i])；
               }
                 //计算到达时间
                 Pmin_NonAliveNeighborhood[i].arrivingTime＝
CalculateArrivingTime(Pmin_NonAliveNeighborhood[i]，
Pmin_NAN_AliveNeighborhood)；
                 //修改Pmin的非已到达四邻点的状态
                 //如果Pmin的非已到达四邻点状态为活动点，即已在树中，则
应将其从树中删除
                 //更新到达时间、计算次数等后重新插入树中(树不会识别出对
树中元素值的修改)
                 if(Pmin_NonAliveNeighborhood[i].status＝＝0)
                 {
                     //判断该点是否是需要加入鞍点数组中的鞍点
                     //加入鞍点数组中的鞍点应该满足如下条件：
                     //1.必须是Pi，Pj第一次接触时的鞍点2.如果Pi，Pj两点间的
鞍点已经求得，则不加入
                     //如果用来求算该点的到达时间的已到达点的索引不同，则
说明已找到鞍点
                     if(Pmin.pixelIndex！＝
Pmin_NonAliveNeighborhood[i].pixelIndex)
                     {
                      //只要是鞍点，都为其赋予第二索引
                      Pmin_NonAliveNeighborhood[i].secondpixelIndex＝
Pmin.pixelIndex；
                      //但仅将最小鞍点(即Pi，Pj第一次接触时的鞍点加入
鞍点数组)
                      if
    (SaddlePixelNodeNonExisted(Pmin_NonAliveNeighborhood[i]，
    fmSaddlePixelNodeArray，saddleexistcondition))
                      {
                              fmSaddlePixelNodeArray[saddlenum]＝
Pmin_NonAliveNeighborhood[i]；
                                  saddlenum++；
                               }
                         }
                         //更新计算次数
                         Pmin_NonAliveNeighborhood[i].calculatedtimes++；
                         //插入红黑树中
    activeNodesTree.Add(Pmin_NonAliveNeighborhood[i])；
                    }
                    //处理远离点，将远离点Faraway点的状态改为活动点，并更
新其索引，加入树中
                    if(Pmin_NonAliveNeighborhood[i].status＝＝1)
                    {
                        //更新状态
                        Pmin_NonAliveNeighborhood[i].status＝0；
                        //更新索引
                       //赋给远离点的索引即是该点已到达邻点中具有最小到达
时间的点
                       Pmin_NonAliveNeighborhood[i].pixelIndex＝
Pmin.pixelIndex；
                       //更新计算次数
                       Pmin_NonAliveNeighborhood[i].caiculatedtimes++；
                       //加入红黑树中
                       activeNodesTree.Add(Pmin_NonAliveNeighborhood[i])；
                    }
              }
          }
     }
在本实施例中，从4个起始点出发同时快速行进，从红黑树中找到最小能量值最小的Active点P2，将其状态标定为Alive已到达点，从红黑树中移除，找到P2点的非已到达四邻点P21(485，451)，P22(485，453)，P23(484，452)，P24(484，454)，更新四邻点的最小能量值，将四邻点加入红黑树中，将四个点的状态从Faraway点变为Active点。重复以上更新过程，进行已到达点、活动点、远离点的判断，更新各单元点到达时间，行进结束后共获取5个鞍点，分别为P1与P2之间的鞍点Psaddlepoint12(492，272)，P1与P4之间的鞍点Psaddlepoint14(274，134)，P2与P3之间的鞍点Psaddlepoint23(262，359)，P2与P4之间的鞍点Psaddlepoint24(275，309)，P3与P4之间的鞍点Psaddlepoint34(67，321)。应用有效鞍点判定准则1“仅将起始点pm和最先与其相遇的起始点pn(m≠n)之间的psaddlepoint作为有效鞍点”提取有效鞍点，由于P2在行进过程中最先与P1相遇，由判定准则1可得Psaddlepoint23与Psaddlepoint24对应的最短路径为错误的捷径，因此，有效鞍点集合S＝{Psaddlepoint12，Psaddlepoint14，Psaddlepoint34}。
步骤5：在Visual Studio 2005平台下，利用C#实现了Perform FastMarching类的ComputeMultiPixelNodesGeoDesic方法，用于生成最短路径，获取最短路径数组。方法的核心代码如下：
    //构建最短路径集合
    List<double[，]>paths＝new ArrayList()；
    //遍历有效鞍点，通过有效鞍点逆向搜索连接最短路径
    for(int i＝0；i＜fmSaddlePixelNodes.Length；i++)
    {
        if(fmSaddlePixelNodes[i]！＝null)
        {
             //返回有效鞍点
             FMPixelNode searchPixelNode＝fmSaddlePixelNodes[i]；
             //得到有效鞍点对应的两个起始点
             FMPixelNode startPixelNode1＝
pixelNodes[searchPixelNode.pixelIndex]；
             FMPixelNode startPixelNode2＝
pixelNodes[searchPixelNode.secondpixelIndex]；
          //从鞍点分别向两个起始点搜索路径
          double[，]path1＝
ComputeTwoPixelNodesGeoDesic(startPixelNode1，searchPixelNode)；
          double[，]path2＝
ComputeTwoPixelNodesGeoDesic(startPixelNode2，searchPixelNode)；
          //连接路径
          double[，]path＝LinkPath(path1，path2)；
          paths.Add(path)；
        }
     }
在本实施例中，若不采用有效鞍点判定准则，从所有鞍点出发，沿最小能量图梯度变化最快方向逆向搜索连接最短路径，得到的道路提取结果如附图2所示，其中包含了两条错误的提取结果。若仅遍历有效鞍点集合，从3个有效鞍点出发，沿最小能量图梯度变化最快方向逆向搜索，从有效鞍点Psaddlepoint12逆向搜索至P1，P2，分别连接Psaddlepoint12与P1，P2，获取最短路径Path12，从有效鞍点Psaddlepoint14逆向搜索至P1，P4，获取最短路径Path14，从有效鞍点Psaddlepoint34逆向搜索至P3，P4，获取最短路径Path34，最终得到Path12，Path14，Path34三条最短路径，如附图3所示。
步骤6：获取3条最短路径的点列长度L，利用开源软件GDAL 1.60依次读取点位信息，保存在List<double[2，L]>数组中，double[0，i](i＝1，2...L)存储路径点X坐标，double[1，i](i＝1，2...L)存储路径Y坐标，构造3个Polyline折线对象(利用几何对象Geometry.AddPoint2D方法将点位信息赋予折线对象)，利用GDAL构建Shapefile矢量线状文件(利用Driver.CreateDataSource方法构建矢量线状数据集，利用Datasource.CreateLayer方法构建矢量线状数据图层)，新建3个要素(利用Layer.CreateFeature方法新建要素Feature)，设置要素几何对象(Geometry)属性为之前生成的3个Polyline对象(利用Feature.Geometry设置属性)。至此，完成了6个处理步骤，生成了3条连续矢量线状道路。

Claims (4)

1.一种基于多点同时快速行进的遥感影像道路提取方法，包括以下步骤：
步骤1：以影像归一化灰度、梯度和边缘增强影像数据作为快速行进速度项1/P(x)；
步骤2：对影像每个单元点x，设定U(x)＝+∞，V(x)＝0；
步骤3：对每一个起始点pm，设定U(pm)＝0，V(pm)＝m，标记为Active点，以红黑树数据结构作为Active点集合，将起始点pm加入Active点集合中，Q←Q∪pm；
步骤4：当Q不为空集时，重复进行如下操作：
(1)找到U值最小的Active点xmin，将其标记为Alive点，将其从Active点集合中移除；
(2)对于任意xn∈Nnon-alive(xmin)，如果xn是Active点，并且存在xalive∈Nalive(xn)，使得V(xalive)≠V(xn)，则xn是边界点，若S(V(xalive)，
Figure FDA0000023239410000011
并且xn满足有效鞍点判定条件IsValidSaddlePoint(xn)，则xn是有效鞍点，将xn加入有效鞍点集合，S←S∪V(xn)；判断边界点xn是否为有效鞍点的方法IsValidSaddlePoint(xn)的具体实现过程为：根据判定条件，从求得的鞍点中再次筛选，选择位于道路上的有效鞍点；作为有效鞍点判定准则的有：①准则1：仅将起始点pm和最先与其相遇的起始点pn(m≠n)之间的psaddlepoint作为有效鞍点；②准则2：仅将U(psaddlepoint)＜U0的psaddlepoint作为有效鞍点，U0为给定的最小能量阈值；
(3)对于任意xn∈Nnon-alive(xmin)，如果xn是Active点，更新xn的U值，U(xn)＝Update(xn，Nalive(xn)；
(4)对于任意xn∈Nnon-alive(xmin)，如果xn是Faraway点，V(xn)＝V(xmin)，将其改标记为Active点；
步骤5：对任意s(m，n)∈s，分别按照逆向搜索求取s(m，n)与pm，pn之间的最短路径Pathm与Pathn，连接两条路径，得到pm，pn之间的最短路径Pathmn；具体实现过程为：定义p1为起始点，U1为p1的最小能量图，p2为终点，psearch为当前搜索点，sign为循环标记，Nalive(x)为点x的已到达四邻点，
Figure FDA0000023239410000012
为位于p1，p2最短路径上的单元点的集合；初始化：psearch＝p2，sign为true；当sign为true时重复如下操作：如果p1∈Nalive(psearch)，sign为false；对xn∈Nalive(psearch)，找出U1(xn)最小的点xmin，令psearch＝xmin，将xmin加入
Figure FDA0000023239410000021
步骤6：用提取的多条最短路径的点位信息构建Shapefile格式矢量线状要素集，作为最终的道路提取结果。
2.根据权利要求1所述的基于多点同时快速行进的遥感影像道路提取方法，其特征在于步骤1中获取影像归一化灰度图方法如下：读取影像数据数组，将数据归一化至0到1之间；获取影像归一化梯度图方法如下：读取影像数据数组，利用中值差分方法求取影像梯度，将数据归一化至0到1之间；获取影像归一化边缘增强图方法如下：读取影像数据，利用拉普拉斯算子进行边缘增强计算，将数据归一化至0到1之间。
3.根据权利要求2所述的基于多点同时快速行进的遥感影像道路提取方法，其特征在于步骤4中(3)更新xn最小能量值的方法Update(xn，Nalive(xn))的具体实现过程为：若xn在影像中的位置为i行j列，令U1为xn上、下两个四邻点最小能量值中较小的值，即U1＝min{Ui-1，j，Ui+1，j}，令U2为左、右两个四邻点最小能量值中较小的值，即U2＝min{Ui， j-1，Ui，j+1}，如果|U1-U2|＜P(xn)，
Figure FDA0000023239410000022
否则U(xn)＝min{U1，U2}+P(xn)。
4.根据权利要求1～3中任一项所述的基于多点同时快速行进的遥感影像道路提取方法，其特征在于步骤6中具体实现过程为：对于步骤5提取的每条最短路径Pathmn，依次读取其包含的点xn的行列信息作为其点位信息，以行数i作为点的Y坐标，以列数j作为点的X坐标，读取完毕后利用点位信息构造矢量线状对象；完成步骤5提取的所有最短路径Pathmn对应的矢量线状对象的构建后，可获取多条连续的矢量线状道路。
CN201010224760.2A 2010-07-13 2010-07-13 基于多点同时快速行进的遥感影像道路提取方法 Pending CN101887522A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201010224760.2A CN101887522A (zh) 2010-07-13 2010-07-13 基于多点同时快速行进的遥感影像道路提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201010224760.2A CN101887522A (zh) 2010-07-13 2010-07-13 基于多点同时快速行进的遥感影像道路提取方法

Publications (1)

Publication Number Publication Date
CN101887522A true CN101887522A (zh) 2010-11-17

Family

ID=43073437

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201010224760.2A Pending CN101887522A (zh) 2010-07-13 2010-07-13 基于多点同时快速行进的遥感影像道路提取方法

Country Status (1)

Country Link
CN (1) CN101887522A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218618A (zh) * 2013-01-09 2013-07-24 重庆交通大学 一种基于遥感数字图像的公路路线自动提取方法
CN103647611A (zh) * 2013-11-27 2014-03-19 重庆邮电大学 基于快速行进方法的空间特性估计方法
CN103884342A (zh) * 2012-12-19 2014-06-25 奥迪股份公司 用于提供前方道路走向的方法和控制装置
CN104154911A (zh) * 2014-08-12 2014-11-19 东南大学 一种具有旋转不变性的海底地形二维匹配辅助导航方法
CN109493320A (zh) * 2018-10-11 2019-03-19 苏州中科天启遥感科技有限公司 基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备
CN109522787A (zh) * 2018-09-30 2019-03-26 广州地理研究所 一种基于遥感数据的细小道路识别方法
CN114565857A (zh) * 2022-02-25 2022-05-31 福建江夏学院 基于测地距离场与多折线拟合的道路提取方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020126896A1 (en) * 2001-03-07 2002-09-12 Schlumberger Technology Corporation Image feature extraction
CN101364259A (zh) * 2008-04-09 2009-02-11 武汉大学 多层次知识驱动的全色遥感影像的道路变化信息提取方法
CN101714211A (zh) * 2009-12-04 2010-05-26 西安电子科技大学 高分辨率遥感影像道路中心线的检测的方法
US20100131195A1 (en) * 2008-11-27 2010-05-27 Samsung Electronics Co., Ltd. Method for feature recognition in mobile communication terminal
CN101770581A (zh) * 2010-01-08 2010-07-07 西安电子科技大学 高分辨率城区遥感图像中道路中心线的半自动检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020126896A1 (en) * 2001-03-07 2002-09-12 Schlumberger Technology Corporation Image feature extraction
CN101364259A (zh) * 2008-04-09 2009-02-11 武汉大学 多层次知识驱动的全色遥感影像的道路变化信息提取方法
US20100131195A1 (en) * 2008-11-27 2010-05-27 Samsung Electronics Co., Ltd. Method for feature recognition in mobile communication terminal
CN101714211A (zh) * 2009-12-04 2010-05-26 西安电子科技大学 高分辨率遥感影像道路中心线的检测的方法
CN101770581A (zh) * 2010-01-08 2010-07-07 西安电子科技大学 高分辨率城区遥感图像中道路中心线的半自动检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《中国测绘学会第九次全国会员代表大会暨学会成立50周年纪念大会论文集》 20091204 杨康 等 基于多点快速行进与最短路径的遥感影像道路提取方法 , 2 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103884342A (zh) * 2012-12-19 2014-06-25 奥迪股份公司 用于提供前方道路走向的方法和控制装置
CN103218618A (zh) * 2013-01-09 2013-07-24 重庆交通大学 一种基于遥感数字图像的公路路线自动提取方法
CN103218618B (zh) * 2013-01-09 2017-05-10 重庆交通大学 一种基于遥感数字图像的公路路线自动提取方法
CN103647611A (zh) * 2013-11-27 2014-03-19 重庆邮电大学 基于快速行进方法的空间特性估计方法
CN103647611B (zh) * 2013-11-27 2015-08-19 重庆邮电大学 基于快速行进方法的空间特性估计方法
CN104154911A (zh) * 2014-08-12 2014-11-19 东南大学 一种具有旋转不变性的海底地形二维匹配辅助导航方法
CN104154911B (zh) * 2014-08-12 2017-08-25 东南大学 一种具有旋转不变性的海底地形二维匹配辅助导航方法
CN109522787A (zh) * 2018-09-30 2019-03-26 广州地理研究所 一种基于遥感数据的细小道路识别方法
CN109493320A (zh) * 2018-10-11 2019-03-19 苏州中科天启遥感科技有限公司 基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备
CN109493320B (zh) * 2018-10-11 2022-06-17 苏州中科天启遥感科技有限公司 基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备
CN114565857A (zh) * 2022-02-25 2022-05-31 福建江夏学院 基于测地距离场与多折线拟合的道路提取方法及系统
CN114565857B (zh) * 2022-02-25 2024-09-20 福建江夏学院 基于测地距离场与多折线拟合的道路提取方法

Similar Documents

Publication Publication Date Title
Song et al. Automated pavement crack damage detection using deep multiscale convolutional features
Zheng et al. Parsing very high resolution urban scene images by learning deep ConvNets with edge-aware loss
Kong et al. A federated learning-based license plate recognition scheme for 5G-enabled internet of vehicles
CN108875595A (zh) 一种基于深度学习和多层特征融合的驾驶场景目标检测方法
Chen et al. Multi-modal fusion of satellite and street-view images for urban village classification based on a dual-branch deep neural network
Zang et al. Land-use mapping for high-spatial resolution remote sensing image via deep learning: A review
CN110264468A (zh) 点云数据标注、分割模型确定、目标检测方法及相关设备
CN101887522A (zh) 基于多点同时快速行进的遥感影像道路提取方法
Montoya-Zegarra et al. Semantic segmentation of aerial images in urban areas with class-specific higher-order cliques
CN112598796A (zh) 基于广义点云的三维建筑物信息模型构建与自动更新的方法
Cheng et al. Three-dimensional reconstruction of large multilayer interchange bridge using airborne LiDAR data
Lee et al. Land cover classification using SegNet with slope, aspect, and multidirectional shaded relief images derived from digital surface model
Xu et al. HiSup: Accurate polygonal mapping of buildings in satellite imagery with hierarchical supervision
CN113505670A (zh) 基于多尺度cam和超像素的遥感图像弱监督建筑提取方法
Chen et al. Urban vegetation segmentation using terrestrial LiDAR point clouds based on point non-local means network
Li et al. Exploring multiple crowdsourced data to learn deep convolutional neural networks for road extraction
Yang et al. UrbanBIS: a large-scale benchmark for fine-grained urban building instance segmentation
CN113724279A (zh) 路网自动划分交通小区的系统、方法、设备及存储介质
Liu et al. A new multi-channel deep convolutional neural network for semantic segmentation of remote sensing image
Ng et al. Scalable Feature Extraction with Aerial and Satellite Imagery.
Liao et al. BCE-Net: Reliable building footprints change extraction based on historical map and up-to-date images using contrastive learning
Zhang et al. Automated detecting and placing road objects from street-level images
Wang et al. Improving facade parsing with vision transformers and line integration
Zheng et al. Category-wise fusion and enhancement learning for multimodal remote sensing image semantic segmentation
Schuegraf et al. Deep learning for the automatic division of building constructions into sections on remote sensing images

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20101117