CN101976443B - 利用非下采样轮廓波方向场的道路提取方法 - Google Patents
利用非下采样轮廓波方向场的道路提取方法 Download PDFInfo
- Publication number
- CN101976443B CN101976443B CN2010105387436A CN201010538743A CN101976443B CN 101976443 B CN101976443 B CN 101976443B CN 2010105387436 A CN2010105387436 A CN 2010105387436A CN 201010538743 A CN201010538743 A CN 201010538743A CN 101976443 B CN101976443 B CN 101976443B
- Authority
- CN
- China
- Prior art keywords
- road
- seg
- fragment
- subband
- extraction
- 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.)
- Expired - Fee Related
Links
Images
Abstract
本发明公开了一种利用非下采样轮廓波方向场的道路提取方法,主要克服遥感图像原始道路提取方法中道路提取不完整以及道路错误链接或链接不完全的缺点,其实现过程是:(1)对输入的遥感图像进行NSCT变换,得到需处理的方向子带;(2)估计方向子带的方向场,做方向性子带修正;(3)对处理后方向子带进行尺度相关处理;(4)道路初步提取;(5)根据道路长度、方向、形状特性对道路初步提取结果进行后处理;(5)根据道路片段方向场特性及道路相互特点,进行道路片段链接。本发明能很好的提取遥感图像较模糊的道路特征,并去除了非道路信息的干扰,且提取结果较为准确,可用于遥感图像的道路提取应用中。
Description
技术领域
本发明属于图像处理技术领域,具体地说是一种遥感图像道路提取方法,可用于对遥感图像提取道路时应用。
背景技术
空间技术和信息技术的飞速发展为我们提供了大量的遥感数据,而且从遥感影像中提取目标信息已成为现阶段空间信息更新的重要手段。因此,如何智能解译海量的遥感数据也相应地成为了信息化建设过程中面临的重要问题。在遥感影像处理中,特征提取具有重要的地位。特征提取一般可分为三个部分:点特征提取、线特征提取和面状特征提取,其中线状特征的提取具有承上启下的作用。在一幅遥感图像中,道路是一种重要的线型地物,因此道路提取具有重要的意义。如何提取道路特征现在已经有很多这方面的研究,但都有一定的不足。作为其中的研究热点,道路提取研究更是得到了广泛关注,在国民经济生产和军事目标侦察领域具有十分重要的理论和现实意义。
从遥感图像上提取道路信息的研究,主要经历了如下的发展历程:从半自动道路信息提取到自动道路信息提取;从低分辨率遥感图像到中、高分辨率遥感图像道路信息提取;从乡村或森林地区的道路信息提取,到郊区和城市地区道路信息的提取;从简单的提取方法到复杂的方法;从单一的提取战略到混合的提取战略;从单一数据提取到多源数据融合提取;从单一方法的提取到多种方法提取结果的融合提取;从单一尺度的提取到多尺度或多分辨分析的提取;从基于像元的提取方法到基于特征或面向对象的提取方法。从遥感图像提取道路信息研究的分类方法较多:根据自动化程度分为半自动提取和全自动提取方法;根据遥感图像分辨率分为低、中、高分辨率遥感图像的道路信息提取方法;根据研究的区域分为乡村、林区、郊区、城市地区的道路信息提取方法等等。道路信息提取的方法多种多样,主要包括模板匹配法,基于知识的方法,Snakes模型方法,动态规划法,脊谷线提取方法,数学形态学法,霍夫变换法,基于分割的方法,多尺度方法。
但目前常见的遥感图像的道路提取方法提取后的道路失真会比较大,致使道路的定位不准确或道路目标识别不够准确。例如:用一个分层的语义网络表达道路特征。语义网络用来从各传感器数据中选择提取出最突出的道路,并给各种传感器的特征提取加权。它还使用了在人工智能中相对成熟的技术,处理不确定性和不精确的传感器数据。但从实验结果看最终也只是确认了图像上的主干道路,细小道路信息缺失。又如:利用形态学提取方法会使原有的道路宽度变宽,致使道路中心线的定位会发生偏移;而仅利用频域,例如小波域、轮廓波域则会丢失掉道路的一些细节信息,致使道路断裂较多,道路提取结果不够完整。
多尺度几何理论的发展为图像处理特别是道路提取提供了新的思路。多尺度几何变换能够从多方向、多分辨等角度对图像中的轮廓和纹理等方向信息进行稀疏表示,并且对图像中的线状奇异性具有很强的表征能力。非下采样轮廓波以其良好的性能,获得了较为广泛的应用。在非下采样轮廓波变换的基础上进行图像去噪、融合、增强、编码等方法均取得了较好的效果。将这种思想的多方向,多尺度融合特性于道路的特种征提取中,成为一种很好的拓展思路。
发明内容
本发明的目的在于克服上述已有技术的缺陷,提出了一种道路中心线定位准确、道路连续性较好,且无明显裂痕的利用非下采样轮廓波方向场的道路提取方法,以实现对道路的完整提取。
为实现上述目的,本发明包括如下步骤:
(2)对方向子带的方向性进行如下修正:
2.1)叠加三层子带中同一方向的方向子带,得到方向增强矩阵fk,即
(6)对道路提取的初步结果M进行如下后处理,得到更新后的道路提取结果M′:
6a)根据道路长度特性,去掉道路提取初步结果M中长度小于8的片段;
6b)由方向特性和道路灰度特征去除初步结果M中的伪道路片段;
6c)计算初步结果M中剩余的道路片段的曲率Sj:
其中qxr为剩余的道路片段曲率Sj的横坐标曲率估计值,qyr为剩余的道路片段的曲率Sj的纵坐标曲率估计值;
6d)将初步结果M中剩余的道路片段的曲率Sj的均值记为mSj,方差记为dSj,若mSj>0.3且dSj>1.15,则将该曲率Sj所对应的片段置零;未置零片段记为segj,j=1...J′,J′为未被置零的片段个数,得到更新后的道路提取结果M′;
(7)估计更新后道路提取结果M′的方向场M′d,根据方向场M′d求出每个未置零片段segj的方向sdj,并按照sdj方向进行道路链接,得到最终的道路提取结果。
本发明与现有的技术相比具有以下优点:
1.本发明由于利用方向性模板对方向子带进行修正,增强了具备方向性的道路与不具备方向性的背景之间的差异,提高了提取道路片段的准确度;
2.本发明由于利用尺度相关性修正方向子带,较好的抑制了噪点和背景,更好的突出了道路信息,提高了提取道路片段的准确度;
3.本发明由于计算了道路方向模板,并根据道路方向模板进行道路链接,大大提高了道路链接的准确性,使得道路连续性良好,道路提取结果完整。
附图说明
图1是本发明的流程图;
图2是一个像素处的8个脊线方向图;
图3是本发明使用的输入图像;
图4是用本发明分解的某一方向子带图;
图5是对图4经过方向性修正后的图;
图6是对图5经过尺度相关修正后的图;
图7是用本发明在方向特性链接之前的提取结果图;
图8是用本发明得到的图7的方向特性图。
图9是用本发明提取的结果仿真图;
图10是本发明中未加入方向修正时的道路提取的提取结果仿真图;
图11是本发明中未加入尺度相关的的道路提取的提取结果仿真图;
图12是本发明中未使用方向特性进行道路链接的提取结果仿真图。
具体实施方式
参照附图1,本发明利用非下采样轮廓波方向场的道路提取方法,包括如下步骤:
步骤1,对输入图像c进行非下采样轮廓波变换。
将如图3所示的图像c作为输入,对该输入图像做非下采样轮廓波变换,变换分解为三层,其中每层的方向分解个数均为4,并设变换后的第d层第k个方向子带为:
步骤2,对子带进行方向性修正。
2.2)估计方向增强矩阵fk的方向场:
根据图2,将方向模板分为8个方向,若矩阵的系数具有方向性,则方向值为0-7,否则为8;按此方法估计fk,得到其方向场矩阵dfk;将dfk中值为8即矩阵无方向系数的坐标保留,返回到中,分别将该坐标处的方向子带系数置零,得到修正后方向子带k=1,2,3,4,d=1,2,3;当k=1,d=2时,修正后方向子带的特征图如图5所示。
步骤3,尺度相关处理。
步骤4,道路初步提取。
4.1)选取每层修正后的方向子带的最大系数作为像素点在该层的特征,则第d层的特征值为:其中是第d层第k方向的特征,于是得到要提取道路的特征:v={vd|d=1,2,3},特征vd按照以下方式归一化,得到归一化道路提取特征:vd是第d层的特征,ud是vd的均值,σd是vd的标准差;
4.2)叠加三层道路提取的特征即V=v1+v2+v3,然后对V进行非极大抑制,得到道路提取初步结果M,同时用道路片段储存每一条道路,道路片段记为Segj,j=1...J,J是道路片段的个数。
步骤5,道路后处理。
5.1)根据道路长度特征,去掉长度小于8的道路片段;
5.2)计算道路提取初步结果M的方向场矩阵,记为Md,从Md提取每个片段Segj所对应的方向场系数值,取该方向场系数值的和记为Aj;从原始图像c上提取每个片段Segj所对应的灰度系数值,取该灰度系数值的和记为Cj,根据道路方向和道路灰度特征,若:
5.3)记算未被置零的片段Segj的曲率Sj:
其中:qxr=(x(r-3)-2x(r)+x(r+3))2,qyr=(y(r-3)-2y(r)+y(r+3))2,x(r)和y(r)分别表示Segj上第r点的横坐标和纵坐标;
曲率Sj的均值记为mSj,方差记为dSj,若:
mSj>0.3且dSj>1.15,
则将该曲率所对应的片段置零,否则保留。未置零片段记为segj,j=1...J′,J′为未被置零的片段个数,得到更新后的道路提取结果M′,更新的道路提取结果M′仿真图如图7所示。
步骤6,方向性道路链接。
6.1)根据道路特性,计算更新的道路提取结果M′的方向场矩阵,记为M′d,从M′d中提取与每个片段segj相对应位置的方向场矩阵系数值,取系数均值称为道路片段segj的方向,记为sdj,j=1...J′,J′为未被置零的片段个数;
xw和yw分别代表segq上第w点的横坐标和纵坐标,w=1...lq,lq为道路片段segq的长度,xp和yp代表segp的横坐标和纵坐标;
6.3)若0<Dw<10,且道路片段segq和segp的方向差的绝对值|sdp-sdq|>2,则链接最小Dw对应的点w与segp的端点;若0<Dw<7,且道路片段segq和segp的方向差的绝对值|sdp-sdq|<0.8,则链接最小Dw对应的点w与segp的端点,得到最终的道路提取结果如图9所示。
本发明效果可以通过以下实验进一步证实:
一.实验条件和内容
实验条件:实验所使用的输入图像如图3所示,图3是大小为256×256的遥感道路图像,对图3进行NSCT变换,变换过程共分解为3层,各层分解方向均为4,4,4;
实验内容:在上述实验条件下,选用和本文方法相对应的算法和本发明方法进行实验,它们是:1)利用非下采样轮廓波方向场的道路提取方法;2)本发明中未加入方向修正时的道路提取方法;3)本发明中未加入尺度相关的的道路提取方法;4)本发明中未使用方向特性进行道路链接的道路提取方法。
二.实验结果分析
利用非下采样轮廓波方向场的道路提取方法的结果如图9所示,从图9可以看出:道路中心线定位准确、道路连续性较好,且无明显裂痕,同时,噪声和背景抑制效果良好;
试验中,本发明方法中,遥感图像c经过NSCT变换后的某一方向子带如图4所示,图4经过方向修正的结果如图5所示,从图5可以看到,噪点和背景得到了有效抑制;图5经过尺度相关处理的结果如图6所示,从图6可以看出,道路信息增强;利用本发明进行道路初步提取的结果如图7所示,从图7可以看出,道路提取结果准确,噪点和背景抑制良好;本发明的道路初步提取结果的方向特性图如图8所示,从图8可以看出,道路片段方向清晰而非道路区域无任何干扰。
本发明中未加入方向修正时的道路提取方法的结果如图10所示,从图10可以看出,由于没有增强道路信息与背景信息直接的差异,使道路片段出现错检,影响了道路提取的结果。
本发明中未加入尺度相关的的道路提取方法结果如图11所示,从图11可以看出,背景抑制较差,影响了道路提取的结果;
本发明中未使用方向特性进行道路链接的提取结果结果如图12所示,从图12可以看出,只根据道路片段之间的距离进行链接,一些本来近乎平行的两条道路被链接起来,不符合道路方向特征,而本来需要链接的一条道路却仍然断裂;
综上,本发明能很好的提取遥感图像较模糊的道路特征,道路中心线定位准确、道路链接较好无明显裂痕,同时该方法能够去除非道路信息的干扰,有效的抑制了背景和噪点,提取结果完整,可用于遥感图像的道路提取应用中。
Claims (1)
1.一种利用非下采样轮廓波的道路提取方法,包括如下步骤:
2a)叠加三层子带中同一方向的方向子带,得到方向增强矩阵fk,即
(6)对道路提取的初步结果M进行如下后处理,得到更新后的道路提取结果M′:
6a)根据道路长度特性,去掉道路提取初步结果M中长度小于8的片段;
6b)由方向特性和道路灰度特征去除初步结果M中的伪道路片段;
6c)计算初步结果M中剩余的道路片段的曲率Sj:
其中qxr为剩余的道路片段曲率Sj的横坐标曲率估计值,qyr为剩余的道路片段的曲率Sj的纵坐标曲率估计值;
6d)将初步结果M中剩余的道路片段的曲率Sj的均值记为mSj,方差记为dSj,若mSj>0.3且dSj>1.15,则将该曲率Sj所对应的片段置零;未置零片段记为segj,j=1...J′,J′为未被置零的片段个数,得到更新后的道路提取结果M′;
(7)估计更新后道路提取结果M′的方向场M′d,根据方向场M′d求出每个未置零片段segj的方向sdj,并按照sdj方向进行道路链接,得到最终的道路提取结果:
7a)计算处理后的道路提取结果M′的方向场矩阵,记为M′d,从M′d提取与每个片段segj相对应位置的方向场矩阵系数值,取其均值记为sdj,称sdj为道路片段segj的方向,j=1...J′,J′为未被置零的片段个数;
7c)若0<Dw<10,且道路片段segq和segp的方向差的绝对值:|sdp-sdq|>2,则链接最小的Dw所对应的点w与segp的端点;若0<Dw<7,且道路片段segq和segp的方向差的绝对值:|sdp-sdq|<0.8,则链接最小的Dw所对应的点w与segp的端点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105387436A CN101976443B (zh) | 2010-11-09 | 2010-11-09 | 利用非下采样轮廓波方向场的道路提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105387436A CN101976443B (zh) | 2010-11-09 | 2010-11-09 | 利用非下采样轮廓波方向场的道路提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101976443A CN101976443A (zh) | 2011-02-16 |
CN101976443B true CN101976443B (zh) | 2012-05-09 |
Family
ID=43576325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010105387436A Expired - Fee Related CN101976443B (zh) | 2010-11-09 | 2010-11-09 | 利用非下采样轮廓波方向场的道路提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101976443B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254323B (zh) * | 2011-06-10 | 2013-02-27 | 西安电子科技大学 | 基于treelet融合和水平集分割的遥感图像变化检测 |
CN112215126B (zh) * | 2020-10-09 | 2022-10-25 | 西安交通大学 | 一种基于非下采样Contourlet变换的直线目标检测方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101126813B (zh) * | 2007-09-29 | 2010-11-24 | 北京交通大学 | 一种高分辨率卫星遥感影像中构筑物轮廓提取方法 |
CN101430763B (zh) * | 2008-11-10 | 2011-02-09 | 西安电子科技大学 | 遥感图像中水上桥梁目标检测方法 |
CN101551863B (zh) * | 2009-05-22 | 2011-09-21 | 西安电子科技大学 | 基于非下采样轮廓波变换的遥感图像道路提取方法 |
CN101763512B (zh) * | 2009-12-11 | 2012-03-28 | 西安电子科技大学 | 高分辨率遥感图像中道路目标的半自动检测方法 |
-
2010
- 2010-11-09 CN CN2010105387436A patent/CN101976443B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN101976443A (zh) | 2011-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Prathap et al. | Deep learning approach for building detection in satellite multispectral imagery | |
CN101510309B (zh) | 基于复小波纹理区域合并的改进分水岭sar图像分割方法 | |
CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
CN101901343B (zh) | 基于立体约束的遥感影像道路提取方法 | |
CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
CN101551863B (zh) | 基于非下采样轮廓波变换的遥感图像道路提取方法 | |
CN105975913B (zh) | 一种基于自适应聚类学习的道路网提取的方法 | |
CN104036479B (zh) | 一种基于非负矩阵分解的多聚焦图像融合方法 | |
CN102063708B (zh) | 基于Treelet和非局部均值的图像去噪 | |
WO2019153746A1 (zh) | 基于张量投票耦合霍夫变换的地质线性体提取方法 | |
CN108898101B (zh) | 基于素描图和先验约束的高分辨sar图像路网检测方法 | |
CN106446936A (zh) | 基于卷积神经网络的空谱联合数据转波形图的高光谱数据分类方法 | |
CN103544488B (zh) | 一种人脸识别方法及装置 | |
CN105046694A (zh) | 一种基于曲面拟合系数特征的点云快速配准方法 | |
CN102176014B (zh) | 一种多时相sar图像城市区域变迁变化检测方法 | |
CN103116881A (zh) | 基于PCA与Shearlet变换的遥感图像融合方法 | |
CN104050666A (zh) | 基于分割的脑部mr图像配准方法 | |
CN102314610B (zh) | 一种基于概率潜语义分析模型的面向对象影像聚类方法 | |
CN111932591B (zh) | 典型地质灾害遥感智能提取的方法与系统 | |
CN105513060A (zh) | 一种视觉感知启发的高分辨率遥感图像分割方法 | |
CN114398948A (zh) | 一种基于空-谱联合注意力网络的多光谱影像变化检测方法 | |
CN101976443B (zh) | 利用非下采样轮廓波方向场的道路提取方法 | |
CN103903228A (zh) | 一种基于hwd变换的非局部图像去噪方法 | |
Bagan et al. | Improved subspace classification method for multispectral remote sensing image classification | |
Burigana et al. | Image processing and analysis of radar and lidar data: new discoveries in Verona southern lowland (Italy) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120509 Termination date: 20171109 |