CN101916373A - 基于小波检测和脊线跟踪的道路半自动提取方法 - Google Patents

Abstract

本发明公开了一种基于小波检测和脊线跟踪的道路半自动提取方法，主要解决现有道路提取方法不能快速准确的提取出曲线状道路的缺点。其过程：首先对高亮干扰区域进行区域生长并进行平滑；然后对待提取区域进行小波边缘检测，得到边缘检测图；再在提取过程中加入中心点校正法；再在边缘检测图中，通过脊线跟踪算法，依据最小方差估计和梯度计算法，计算出道路方向角；最后沿道路方向角逐步提取出道路。本发明具有快速、准确和鲁棒性强的优点，尤其针对曲率变化剧烈的道路，能取得良好的提取效果，可用于地图更新、影像匹配、目标检测、数字测图自动化。

Description

基于小波检测和脊线跟踪的道路半自动提取方法

技术领域

本发明属于图像处理技术领域，涉及线性目标的半自动提取，具体地说是一种基于小波检测和脊线跟踪的道路半自动提取方法，可用于地图更新、影像匹配、目标检测、数字测图自动化等。

背景技术

随着科技的进步，空间高分辨率卫星及航拍影像得到了广泛应用，同时针对高分辨率遥感影像获取信息的各项技术也随之迅速的发展起来，如地图更新、影像匹配、目标检测、数字测图自动化等。而遥感图像中道路网络的提取已成为遥感技术应用研究中的热点之一，其目的就是利用自动或半自动提取技术为道路中心线的描述和GTS空间数据库的更新提供一种行之有效的方法。

国内外对道路提取问题已经进行了20多年的研究，1978年Kestner和Quam利用边缘通过“道路”与“背景”关系研究道路特征提取开始，不断地探索出了各种道路提取方法。Gruen和Li利用种子点和动态规划研究了航空影像线性目标提取；Steger，Maye和Radig研究了利用类及模糊集提取道路网络；Tupin等从SAR影像上利用随机场模型等方法研究了道路特征提取；Laptev等基十多尺度检测与几何约束边缘检测相结合的方法，研究了航空影像上道路的自动提取；Hu研究了基十模板匹配与神经网络的航空影像道路提取方法；Neil利用边缘研究了影像线性目标的变化检测，这一系列的工作都取得了较为满意的效果。从当前的研究现状可以看出有关道路网络提取的研究正呈现出以下趋势：(1)从高分辨率遥感图像中提取道路网络；(2)多种传感器数据融合提取道路网络；(3)道路网络提取算法的自动性和适应性；(4)利用遥感图像对空间数据库中道路网络数据的自动更新。

根据道路特征提取的自动化程度，一般地道路特征提取分为自动特征提取和半自动特征提取。半自动线性特征提取方法及一些特征较为简单的自动提取方法，提取出来的结果主要是一些线性特征，较完整的道路目标如道路网络还很难提取，至今还没有一套功能完善的系统能实现此愿望。粗看起来，影像上的道路比其它地物更突出，道路成网，关系明晰，但实现起来却很困难但是从目前的研究进展来看，自动特征提取仍旧存在很大困难，在技术的完整性和结果的精确性上尚未取得满意的结果，通常需要进行一定的人机交互才能取得令人满意的结果。目前道路提取工作常用方法：1模板匹配方法2动态规划法3基于类与模糊集的道路网络提取4基于树结构的特征判别模型的道路提取等。

上述道路半自动提取方法都是通过对道路的轮廓特征、灰度特征及梯度特征等特征信息的计算来实现提取，对于常规路况可以实现较好的提取效果，但同时具有一定缺陷：实时性差，鲁棒性低，尤其针对弯曲度强烈的路况，常常无法实现有效提取。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于小波检测和脊线跟踪的道路半自动提取方法，将指纹识别技术中成熟的脊线跟踪技术引入道路半自动提取中，直接对道路方向进行计算，以实现对曲线状道路进行快速准确的提取，同时有效的避免图像干扰对道路提取造成的影响。

实现本发明的技术思路是将多尺度小波模极大值边缘检测算法与脊线跟踪技术相融合构建出一个新的针对道路中心线的道路提取算法，通过直接对道路方向进行计算，实现提取结果，并在提取过程中加入区域生长滤波处理和中心点校正法来避免搜索过程中误差和干扰对提取结果造成的影响。具体实现步骤包括如下：

(1)输入遥感图像X，在道路中心线上输入搜索点point_s和搜索方向点point_d；

(2)以搜索点point_s为中心，生成搜索窗win1，并对搜索窗win1进行区域生长滤波处理；

(3)在区域生长滤波处理后的搜索窗win1内，进行基于多尺度融合的小波模极大值边缘检测，得出边缘检测图V；

(4)在边缘检测图V中，对搜索点point_s实现中心点校正，以搜索点point_s为中心，生成矩形窗口win_d，对win_d的中点分别取水平、垂直和2条对角线，记录每条线与道路边缘的一对交点，计算每对交点之间的距离，将距离最短的一对交点中心作为校正后的道路搜索点point_e，如果某条线在窗口内与道路中心线只有一个交点或无交点，则排除在外；

(5)在边缘检测图V中，以校正后的搜索点point_e为中心生成目标窗win2，在目标窗win2中，采用最小方差估计和梯度计算出脊线角θ`：

${\mathrm{\θ}}^{`}=\frac{1}{2}\arctan \left(\frac{2C}{B-A}\right)$

其中， $A=\underset{(i,j)\∈\mathrm{win}2}{\mathrm{\Σ}}{G}_y{(i,j)}^2,$ $B=\underset{(i,j)\∈\mathrm{win}2}{\mathrm{\Σ}}{G}_x{(i,j)}^2,$ $C=\underset{(i,j)\∈\mathrm{win}2}{\mathrm{\Σ}}{G}_x(i,j)G_y(i,j),$

G_x、G_y是以sobel算子计算窗口中各点在X方向和Y方向上的梯度，win2是以搜索点point_e为中心的搜索窗，边长为6；

θ`的角度范围为-1/4π～1/4π，依据反正切函数arctan(2C/(B-A))中分子分母的正负性，对θ`的范围扩充至-1/4π～3/4π，并且借助方向点point_d对θ`进行判定：以搜索点point<sub>e</sub>为坐标中心点，若方向点point<sub>d</sub>属于-1/4π～3/4π象限，则道路方向角θ＝θ`，否则θ＝θ`+π；

(6)以搜索点point_e为中心，沿道路方向角θ以步长n＝4前进，得到新的道路搜索点point_next，然后返回步骤(2)，以搜索点point_next替代point_s，方向点point_d不变，循环计算，直至符合终止条件；

(7)搜索终止后，通过人工进行障碍跨越，搜索引导，误判校正处理后，返回步骤(1)，直至获得完整的道路信息后，采用腐蚀膨胀的形态学方法进行道路域连通，输出提取效果图Z

本发明与现有技术相比具有如下优点：

1)本发明由于设计出了区域生长滤波法，并采用了多尺度小波边缘检测法，其本身具有良好的抑噪性，使得边缘提取能够具有更好的鲁棒性。

2)本发明由于设计出了中心点校正法，具有较好的适应性，针对道路提取过程能够较好的克服干扰对道路提取造成的误差，使得本发明与传统方法相比道路定位的准确性有所提高。

3)本发明由于引入了指纹识别技术中的脊线跟踪技术，与传统方法的提取方法理念不同，以新的角度，直接计算出道路方向角，从而进行道路提取工作，能够更好的适应道路的方向变化。

附图说明

图1是本发明的流程框图；

图2是本发明中基于多尺度小波模极大值边缘检测方法的子流程框图；

图3是本发明中基于多尺度小波模极大值边缘检测方法的仿真检测图；

图4是本发明针对实景路段图像的仿真道路提取图；

图5是本发明针对城市部分路网图的仿真路网提取图。

具体实施方式

参照图1，本发明的具体实现步骤如下：

步骤1，输入遥感道路图像X，在该图像的道路中心线上输入搜索点point_s，以及方向点point_d。

步骤2，去除输入遥感道路图像X上的高亮干扰。

遥感道路图像X中存在车辆等高亮干扰，需进行区域生长滤波处理后执行道路提取，在遥感道路图像X中，以搜索点point_s为中心生成搜索窗win1，其尺寸设定为12*12，针对搜索窗win1行区域生长滤波处理，以平滑提取目标附近存在的高亮干扰：

首先，在搜索窗中，提取出灰度值高于阈值T的高亮点，T＝165，将提取出的高亮点作为种子点，进行区域生长，提取出高亮干扰区域；

然后，以尺度为r＝15的均值滤波器，对干扰区域进行平滑。

步骤3，对经过区域生长滤波处理的搜索窗win1，进行基于多尺度结合的小波模极大值边缘检测，得到边缘检测图V。

如图2所示，本步骤的具体实现如下：

(3.1)在搜索窗win1中，在尺度s＝2^j下，计算在水平方向的二维小波变换系数和垂直方向上的二维小波变换系数

，j表示小波变换层数取值为3，变换系数的计算通过以下二维卷积进行：

${w^1}_{2^j}f(x,y)=f(x,y)*{{\mathrm{\&Psi;}}^1}_{2^j}(x,y),$

${w^2}_{2^j}f(x,y)=f(x,y)*{{\mathrm{\&Psi;}}^2}_{2^j}(x,y),$

其中，f(x，y)为图像函数，

是高斯核函数对x的偏导数，

是高斯核函数对y的偏导数；

(3.2)在搜索窗win1中，遍历各点，利用下式计算各点的幅值和幅角

${\mathrm{Mod}}_{2^j}f(x,y)={({\left|W_{2^j}^{1}f(x,y)\right|}^2+{\left|W_{2^j}^{2}f(x,y)\right|}^2)}^{\frac{1}{2}},$

${\mathrm{Arg}}_{2^j}f(x,y)={\tan }^{-1}\left[\right|W_{2^j}^{2}f(x,y)|/|W_{2^j}^{1}f(x,y)\left|\right];$

根据二维小波变换系数的符号判断幅角所在的象限，并将幅角范围限制在0～π之间；

(3.3)按照计算出的搜索窗win1中每一点的幅角

方向，比较该点邻近点的幅值

，并取幅值模

最大的点作为候选边缘点；

(3.4)采用双阈值法对候选边缘点进行判定，根据灰度直方图获取高阈值T_high，T_low＝0.4×T_high，若候选边缘点的幅值

，则判定为边缘点；若幅值

，则判定为非边缘点；若

，再判断其周围8邻域点的幅值

是否高于高阈值T_high，若

则判定为边缘，否则判定为非边缘点，得到尺度j下的边缘检测图edge(j)，j∈(1，2，3)；

(3.5)采用多尺度边缘加权平均法对各尺度下的边缘检测图edge(j)进行融合，得到边缘检测效果图：V＝edge(j)×d(j)+edge(j+1)×d(j+1)，其中edge(j)表示第j层下的边缘边缘检测图，d为融合权值，d(j)＝0.8，d(j+1)＝0.2。

步骤4，对搜索点point_s进行中心点校正。

在搜索计算过程中，由于图像X中存在各类干扰，为避免各类干扰对道路提取造成的误差逐步累计，本发明在边缘检测图v中，对搜索点point_s实现中心点校正：以搜索点point_s为中心，在边缘检测图edge中生成矩形窗口win_d，对win_d的中点分别取水平、垂直和2条对角线，记录每条线与道路边缘的一对交点，计算每对交点之间的距离，将距离最短的一对交点中心作为校正后的道路搜索点point_e，如果某条线在窗口内与道路中心线只有一个交点或无交点，则排除在外。

步骤5，在边缘检测图V中，以校正后的搜索点point_e为中心生成目标窗win2，为防止其他干扰进入窗口影响计算结果，其尺寸设定为6*6，略大于道路中心线宽度，采用最小方差估计和梯度计算出目标窗win2中脊线角θ`：

${\mathrm{\&theta;}}^{`}=\frac{1}{2}\arctan \left(\frac{2C}{B-A}\right)$

其中， $A=\underset{(i,j)\&Element;\mathrm{win}2}{\mathrm{\&Sigma;}}{G}_y{(i,j)}^2,$

$B=\underset{(i,j)\&Element;\mathrm{win}2}{\mathrm{\&Sigma;}}{G}_x{(i,j)}^2,$

$C=\underset{(i,j)\&Element;\mathrm{win}2}{\mathrm{\&Sigma;}}{G}_x(i,j)G_y(i,j),$

G_x、G_y是以sobel算子计算窗口中各点的在X方向和Y方向上的梯度，win2是以搜索点point_e为中心的搜索窗口，边长为6；

θ`的角度范围为-1/4π～1/4π，依据反正切函数arctan(2C/(B-A))中分子分母的正负性，对θ`的范围扩充至-1/4π～3/4π，并且借助方向点point_d对θ`进行判定：以搜索点point<sub>e</sub>为坐标中心点，若方向点point<sub>d</sub>属于-1/4π～3/4π象限，则道路方向角θ＝θ`，否则θ＝θ`+π。

步骤6，以搜索点point_e为中心，沿道路方向角θ以步长n＝4前进，得到新的道路搜索点point_next，然后返回步骤(2)，以搜索点point_next替代point_s，方向点point_d不变，循环计算，直至符合终止条件，终止条件如下：

当检测出的搜索角度与方向角垂直时，搜索终止；

当搜索点与上次检测的道路点连续重合时，搜索终止；

当检测出的方向角与前次循环计算出的方向角差值大于15°时，搜索终止；

当搜索点到达图像边界以及方向点附近时，搜索终止。

步骤7，搜索终止后，通过人工进行障碍跨越，搜索引导，误判校正处理后，返回步骤(1)，直至获得完整的道路信息后，采用腐蚀膨胀的形态学方法进行道路域连通，输出提取效果图Z。

本发明的效果可以通过以下仿真结果进一步说明。

1.仿真内容

应用本发明基于小波检测与脊线跟踪的道路半自动提取方法，依次对环形立交路段，车辆干扰路段以及城市路网进行提取，给出实验效果图以证明本发明在应用于道路提取工作中所具有的良好性能。并且对于提取过程中的预处理部分对于后期计算的帮助以实验效果对比的形式给出，对小波边缘检测的优越性能也以实验的形式进行证明。仿真实验在人工介入下，快速准确的提取出了较为完整道路网络，并且具有较好的鲁棒性，尤其是在提取环形路况时具有一定优越性。

仿真内容1，将本发明的基于多尺度小波模极大值边缘检测法应用于城市道路图进行边缘检测，并对比在干扰路段，区域生长滤波处理对于边缘检测效果的影响；

仿真内容2，将本发明的道路半自动提取法应用于环形立交路段和干扰路段，进行道路半自动提取；

仿真内容3，将本发明的道路半自动提取法应用于城市路网图像，在一定的人工干预下，对路网进行提取。

2.仿真结果

图3是仿真内容1的仿真结果。其中图3(a)为正常情况下城市道路图，图3(b)为本发明所用基于多尺度小波模极大值边缘检测的边缘检测图，图3(c)为存在高亮干扰的道路图，3(d)为直接对存在高亮干扰的道路图，进行基于多尺度小波模极大值边缘检测的边缘检测图，图3(e)为对高亮干扰进行区域生长滤波处理后的道路图，图3(f)为针对经过区域生长滤波处理的道路图，得到的边缘检测图。

从图3(b)可以看出，本发明检测得到的边缘检测图，其道路的边界清晰可见，能够为后续提取计算提供良好的基础。

从图3(d)可以看出，对存在高亮干扰路况，直接使用本发明检测得到的边缘检测图，道路中心线异化严重，只检测出高亮干扰区域边缘。

从图3(f)可以看出，对干扰路况进行区域生长滤波处理后，平滑了道路中心线附近的高亮干扰后的边缘检测图。

从图3(d)与图3(f)的对比可以明显的看出，未经过区域生长滤波处理的图3(d)在高亮干扰的影响下，大部分道路中心线的边缘被异化，无法得到完整的道路边缘检测图，而图3(f)可以清楚的比较出再加入了区域生长滤波处理后，对存在高亮干扰区域路段的进行边缘检测，基本可以满足道路提取计算的后续需求。在不引入复杂算法的前提下，能够保持提取实时性与鲁棒性，达到了所需效果。

图4是仿真内容2的仿真结果。图4(a)和图4(b)为环形立交区域的半自动提取效果图，图4(c)为道路中心线两侧存在大量干扰的半自动提取效果图。

从图4(a)和图4(b)图中可以看出，在环形立交路段，道路的弯曲程度加剧，传统算法面对此类情况，往往无法进行匹配，而本发明可以直接对弯曲程度不超过180°的路段进行提取，整体上提高了道路识别率，能够大量减少人工工作量；

从图4(c)图中可以看出，本发明具有的优越鲁棒性，对于城市道路中经常出现的车辆以及斑马线干扰，可以取得良好的提取效果。

图5是仿真内容(3)的仿真结果。图5(a)为城市路网图像，图5(b)为在人工干预下，通过腐蚀膨胀形态学连接并且细化后所得到的路网提取图。

图5(b)中提取道路中心线长度120km，鉴于图5(b)中存在大量道路隔离带，本发明是基于细网的道路提取，故无法进行识别，因此人工介入率为16％，和目前常用的半自动提取方法的人工介入率相当，并且本发明能够快速准确的提取出完整的道路网，尤其针对弯曲程度剧烈和干扰严重的路况，具有良好的提取效果，与传统方法相比，具有道路适应性强且人工介入率稳定的优点，适于推广至各类城市细网道路。

Claims (4)

1.一种基于小波检测和脊线跟踪的道路半自动提取方法，包括如下步骤：

(1)输入遥感图像X，在道路中心线上输入搜索点point_s和搜索方向点point_d；

(2)以搜索点point_s为中心，生成搜索窗win1，并对搜索窗win1进行区域生长滤波处理；

(3)在区域生长滤波处理后的搜索窗win1内，进行基于多尺度融合的小波模极大值边缘检测，得出边缘检测图V；

(4)在边缘检测图V中，对搜索点point_s实现中心点校正，以搜索点point_s为中心，生成矩形窗口win_d，对win_d的中点分别取水平、垂直和2条对角线，记录每条线与道路边缘的一对交点，计算每对交点之间的距离，将距离最短的一对交点中心作为校正后的道路搜索点point_e，如果某条线在窗口内与道路中心线只有一个交点或无交点，则排除在外；

(5)在边缘检测图V中，以校正后的搜索点point_e为中心生成目标窗win2，在目标窗win2中，采用最小方差估计和梯度计算出脊线角θ`：

${\mathrm{\&theta;}}^{`}=\frac{1}{2}\arctan \left(\frac{2C}{B-A}\right)$

其中， $A=\underset{(i,j)\&Element;\mathrm{win}2}{\mathrm{\&Sigma;}}{G}_y{(i,j)}^2,$ $B=\underset{(i,j)\&Element;\mathrm{win}2}{\mathrm{\&Sigma;}}{G}_x{(i,j)}^2,$ $C=\underset{(i,j)\&Element;\mathrm{win}2}{\mathrm{\&Sigma;}}{G}_x(i,j)G_y(i,j),$

G_x、G_y是以sobel算子计算窗口中各点在X方向和Y方向上的梯度，win2是以搜索点point_e为中心的搜索窗，边长为6；

θ`的角度范围为-1/4π～1/4π，依据反正切函数arctan(2C/(B-A))中分子分母的正负性，对θ`的范围扩充至-1/4π～3/4π，并且借助方向点point_d对θ`进行判定：以搜索点point<sub>e</sub>为坐标中心点，若方向点point<sub>d</sub>属于-1/4π～3/4π象限，则道路方向角θ＝θ`，否则θ＝θ`+π；

(6)以搜索点point_e为中心，沿道路方向角θ以步长n＝4前进，得到新的道路搜索点point_next，然后返回步骤(2)，以搜索点point_next替代point_s，方向点point_d不变，循环计算，直至符合终止条件；

(7)搜索终止后，通过人工进行障碍跨越，搜索引导，误判校正处理后，返回步骤(1)，直至获得完整的道路信息后，采用腐蚀膨胀的形态学方法进行道路域连通，输出提取效果图Z

2.根据权利要求1所述的道路半自动提取法，其中步骤(2)所述的对搜索窗win1进行区域生长滤波处理，是首先在搜索窗win1中，提取灰度值高于阈值T＝165的高亮点，将提取出的高亮点作为种子点，进行区域生长，提取出高亮干扰区域；然后用以尺度r＝15的均值滤波器，对干扰区域进行平滑。

3.根据权利要求1所述的道路半自动提取法，其中步骤(3)所述的进行基于多尺度融合的小波模极大值边缘检测，按如下步骤进行：

(3a)在搜索窗win1中，在尺度s＝2^j下，计算在水平方向的二维小波变换系数

和垂直方向上的二维小波变换系数

，j表示小波变换层数取值为3，变换系数的计算通过以下二维卷积进行：

其中，f(x，y)为图像函数，是高斯核函数对x的偏导数，

是高斯核函数对y的偏导数；

(3b)在搜索窗win1中，遍历各点，利用下式计算各点的幅值

和幅角

${\mathrm{Mod}}_{2^j}f(x,y)={({\left|W_{2^j}^{1}f(x,y)\right|}^2+{\left|W_{2^j}^{2}f(x,y)\right|}^2)}^{\frac{1}{2}},$

${\mathrm{Arg}}_{2^j}f(x,y)={\tan }^{-1}\left[\right|W_{2^j}^{2}f(x,y)|/|W_{2^j}^{1}f(x,y)\left|\right];$

根据二维小波变换系数的符号判断幅角所在的象限，并将幅角范围限制在0～π之间；

(3c)按照计算出的搜索窗win1中每一点的幅角

方向，比较该点邻近点的幅值

，并取幅值模

最大的点作为候选边缘点；

(3d)采用双阈值法对候选边缘点进行判定，根据灰度直方图获取高阈值T_high，T_low＝0.4×T_high，若候选边缘点的幅值

，则判定为边缘点；若幅值，则判定为非边缘点；若

，再判断其周围8邻域点的幅值是否高于高阈值T_high，若

则判定为边缘，否则判定为非边缘点，得到尺度j下的边缘检测图edge(j)，j∈(1，2，3)；(3e)采用多尺度边缘加权平均法对各尺度下的边缘检测图edge(j)进行融合，得到边缘检测效果图：V＝edge(j)×d(j)+edge(j+1)×d(j+1)，其中edge(j)表示第j层下的边缘边缘检测图，d为融合权值，d(j)＝0.8，d(j+1)＝0.2。

4.根据权利要求1所述的道路半自动提取法，其中步骤(6)所述的终止条件，包括如下：

当检测出的搜索角度与方向角垂直时，搜索终止；

当搜索点与上次检测的道路点连续重合时，搜索终止；

当检测出的方向角与前次循环计算出的方向角差值大于15°时，搜索终止；

当搜索点到达图像边界以及方向点附近时，搜索终止。

Images