CN102663761A - 用于影像地图的线状矢量与遥感影像自动配准方法 - Google Patents

Abstract

用于影像地图的线状矢量与遥感影像自动配准方法，其特征在于它包括以下步骤：线状矢量拓扑关系建立步骤；遥感影像区域分割步骤；线状矢量骨架提取步骤；基于网络蛇模型变换的配准步骤。本发明利用动态阈值分割和形态学变换从遥感影像获取线状矢量的骨架，利用网络蛇模型变换进行线状矢量与遥感影像骨架的配准，最终达到影像地图生产中线状矢量向遥感影像的精确配准的目的。

Description

用于影像地图的线状矢量与遥感影像自动配准方法

技术领域

本发明涉及电子地图制作技术领域，尤其涉及一种用于影像地图的线状矢量与遥感影像自动配准方法。

背景技术

互联网地图服务在人们的生活中已经引起了广泛的关注，影像地图作为新型地图的一种表现形式，将矢量和遥感影像有机结合并在线动态浏览，科学、直观的反映地理环境和地理现象，已经成为地理信息可视化的主要趋势。与传统地图相比，影像地图表现的地理要素更加真实、纹理更加丰富，然而，由于采集和处理方式的不同，线状矢量与遥感影像在直接套合时多存在空间位置不一致的情况，套合精度较低，需要对线状矢量进行调整以与遥感影像相配准。现有的配准方法基于人工操作，用于线状矢量空间位置调整的时间占据了影像地图生产处理时间中相当大的比例。因此，需要设计自动、可靠的线状矢量与遥感影像配准方法。

现有研究表明，由于缺乏线状地物足够的几何先验信息，采用局部模版匹配的方法进行线状矢量与遥感影像的自动配准具有很大的局限性，难以同时将线状矢量拓扑关系和空间位置与遥感影像协调一致，不能满足实际影像地图生产中配准的需求。

发明内容

本发明的目的在于克服上述现有背景技术的不足之处，而提供一种用于影像地图的线状矢量与遥感影像配准方法，利用动态阈值分割和形态学变换从遥感影像获取线状矢量的骨架，利用网络蛇模型变换进行线状矢量与遥感影像骨架的配准，最终达到影像地图生产中线状矢量向遥感影像的精确配准的目的。

为达到上述目的，本发明采用如下的技术方案：

用于影像地图的线状矢量与遥感影像自动配准方法，其特征在于它包括如下步骤：

①线状矢量拓扑关系建立步骤，该步骤采用关系数据模型，建立现有线状矢量边与结点的矢量邻接关系，并记录每一个结点的结点度；

②遥感影像区域分割步骤，该步骤采用动态阈值分割方法，将遥感影像自动分割为不同的区域，并对每一块影像分割区域进行标记；

③线状矢量骨架提取步骤，该步骤先计算每一块影像分割区域的形状特征参数，然后选取出与线状矢量特征相一致的影像分割区域，并对其进行形态学骨架变换，得到与线状矢量相对应的线状矢量骨架图像；

④基于网络蛇模型变换的配准步骤，该步骤利用网络蛇模型保持了线状矢量拓扑关系不变，在能量最小化的计算过程中进行网络蛇模型变换，最后得到与遥感影像精确配准的线状与影像配准结果。

在上述技术方案中，所述线状矢量骨架提取步骤中的形状特征参数为面积参数、椭圆长轴参数和最大内切圆半径参数。

在上述技术方案中，所述基于网络蛇模型变换的配准步骤进一步包括以下子步骤：

①网络蛇初始化，将线状矢量相邻两个结点之间的边内插为分段曲线，得到每条边的初始离散坐标串集合；

②计算骨架图像的梯度矢量流能量，作为网络蛇模型变换中的图像能；

③根据结点度的不同，对线状矢量每条边的初始离散坐标串以及每个结点分别构建能量方程；

④通过拓扑关系不变的网络蛇模型变换，迭代计算得到离散坐标串和结点的新位置坐标，当新位置坐标与上一位置坐标的差值小于预先设定的阈值条件，则将新位置坐标记为最终结果，得到与遥感影像精确配准的矢量与影像配准结果。

本发明具有以下优点和积极效果：①本发明在配准中保持了线状矢量拓扑关系不变；②本发明在缺少线状矢量几何先验信息的前提下，达到线状矢量与遥感影像的自动精确配准。③利用动态阈值分割和形态学变换从遥感影像获取线状矢量的骨架，利用网络蛇模型变换进行线状矢量与遥感影像骨架的配准，最终达到影像地图生产中线状矢量向遥感影像的精确配准的目的。

附图说明

图1是本发明中网络蛇模型变换示意图；

图2是本发明中提供的基于网络蛇模型变换的线状矢量与遥感影像配准流程图。

图中箭头方向为内移方向，黑点与空心点为内插点。

具体实施方式

下面结合附图详细说明本发明的的实施情况，但它们并不构成对本发明的限定，仅作举例而已。同时通过说明本发明的优点将变得更加清楚和容易理解。

本发明提供的一种用于影像地图的线状矢量与遥感影像自动配准方法，包括以下步骤：

1)线状矢量拓扑关系建立步骤：

该步骤采用关系数据模型，建立现有线状矢量边与结点的矢量邻接关系，并记录每一个结点的结点度；结点度定义为每个结点邻接边的数量。

2)遥感影像区域分割步骤：

该步骤采用动态阈值分割方法，将遥感影像自动分割为不同的区域，并对每一块影像分割区域进行标记。

3)线状矢量骨架提取步骤：

该步骤先计算步骤2)中标记的每一块影像分割区域的形状特征参数。包括面积参数、椭圆长轴参数和最大内切圆半径参数。

用区域R内的点数表示面积a，(r，c)表示区域内的图像像素，则面积参数为

$a=\left|R\right|=\underset{(r,c)\∈R}{\mathrm{\Σ}}1$

定义区域R的归一化矩为n，则归一化矩n_p，q

$n_{p,q}=\frac{1}{a}\underset{(r,c\∈R)}{\mathrm{\Σ}}{r}^p{c}^q$

相对于区域中心(n_1，0，n_0，1)的中心矩μ_p，q

${\mathrm{\μ}}_{p,q}=\frac{1}{a}\underset{(r,c\∈R)}{\mathrm{\Σ}}{(r-n_{\mathrm{1,0}})}^p{(c-n_{\mathrm{0,1}})}^q$

若利用一个椭圆分别获取区域的一阶中心矩(p+q＝1)和二阶中心矩(p+q＝2)，则椭圆中心与区域重心重合，椭圆的长轴参数r₁可通过下式计算得到：

$r_1=\sqrt{2({\mathrm{\μ}}_{\mathrm{2,0}}+{\mathrm{\μ}}_{\mathrm{0,2}}+\sqrt{{({\mathrm{\μ}}_{\mathrm{2,0}}-{\mathrm{\μ}}_{\mathrm{0,2}})}^2+4{{\mathrm{\μ}}^2}_{\mathrm{1,1}}})}$

然后根据线状地物的形状特征，通过面积参数选取具有一定大小的影像分割区域，通过椭圆长轴选取具有一定长度的影像分割区域，通过最大内切圆半径选取具有一定宽度的影像分割区域，通过三种形状特征将线状地物与非线状地物分隔开来，选取出与线状矢量特征相一致的影像分割区域。

定义骨架子集为S_k(A)，则

$(S_k\left(A\right)\⊕\mathrm{kB})=((L(S_k\left(A\right)\⊕B)\⊕B)\⊕L)\⊕B$

形态学骨架A可以通过使用下列公式由这些子集重构：

$A=\underset{k=0}{\overset{K}{U}}(S_k\left(A\right)\⊕\mathrm{kB})$

通过对影像分割区域的形态学骨架变换，得到与线状矢量相对应的骨架图像。

4)基于网络蛇模型变换的配准步骤：

该步骤利用网络蛇模型保持了线状矢量拓扑关系不变，在能量最小化的计算过程中对线状矢量向线状矢量的骨架图像进行局部几何变换，最后得到与遥感影像精确配准的线状矢量。

所述步骤4)通过以下步骤对线状矢量进行网络蛇模型变换：

a)初始化网络蛇，如图1(a)，将线状矢量相邻两个结点之间的边内插为分段曲线，得到每条边的初始离散坐标串集合；计算每个结点邻接边的数量，定义每个结点的结点度。

b)计算骨架图像的梯度矢量流能量，作为网络蛇模型变换中的图像能；

定义f(x，y)为灰度图像的边缘图像，则f(x，y)的梯度场为

把梯度场向图像边沿迭代扩散，形成扩散的梯度矢量流场v(x，y)＝(u(x，y)，v(x，y))，梯度矢量流能量定义为：

$\mathrm{\ϵ}=\∫\∫(\mathrm{\μ}(u_x^2+u_y^2+v_x^2+v_y^2)+{|\▿f|}^2{|v-\▿f|}^2)\mathrm{dxdy}$

c)根据结点度的不同，对线状矢量每条边的初始离散坐标串以及每个结点分别构建能量方程；如图

定义曲线v(s)＝(x(s)，y(s))，结点度为2处的能量方程为：

α(v_i-v_i-1)-α(v_i+1-v_i)

+β(v_i-2-2v_i-1+v_i)-2β(v_i-1-2v_i+v_i+1)+β(v_i-2v_i+1+v_i+2)

+f_v(v)＝0

结点度为3处

能量方程为：

$\mathrm{\β}(v_{A_n}-v_{A_{n-1}})-\mathrm{\β}(v_{A_{n-1}}-v_{A_{n-2}})+f_{v_A}\left(v_A\right)=0$

$\mathrm{\β}(v_{B_n}-v_{B_{n-1}})-\mathrm{\β}(v_{B_{n-1}}-v_{B_{n-2}})+f_{v_B}\left(v_B\right)=0$

$\mathrm{\β}(v_{C_n}-v_{C_{n-1}})-\mathrm{\β}(v_{C_{n-1}}-v_{C_{n-2}})+f_{v_C}\left(v_C\right)=0$

d)由各离散坐标串和结点处的能量方程构建能量方程组

AV+f_v(v)＝0

迭代求解能量方程组，如图1(b)，计算得到离散坐标串和结点的新位置坐标，当新位置坐标与上一位置坐标的差值小于预先设定的阈值条件，则将新位置坐标记为最终结果，通过拓扑关系不变的网络蛇模型变换，得到图1(c)与遥感影像精确配准的线状矢量。

以上实施例仅供说明本发明之用，而非对本发明的限制，有关技术领域的技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变换或变型，因此所有等同的技术方案，都落入本发明的保护范围。

Claims (3)

1.用于影像地图的线状矢量与遥感影像自动配准方法，其特征在于它包括以下步骤：

①线状矢量拓扑关系建立步骤：该步骤采用关系数据模型，建立现有线状矢量边与结点的矢量邻接关系，并记录每一个结点的结点度；结点度定义为每个结点邻接边的数量；

②遥感影像区域分割步骤：该步骤采用动态阈值分割方法，将遥感影像自动分割为不同的区域，并对每一块影像分割区域进行标记；

③线状矢量骨架提取步骤：该步骤先计算步骤②中标记的每一块影像分割区域的形状特征参数，选取出与线状矢量特征相一致的影像分割区域，通过对影像分割区域的形态学骨架变换，得到与线状矢量相对应的线状矢量骨架图像；

④基于网络蛇模型变换的配准步骤：该步骤利用网络蛇模型保持了线状矢量拓扑关系不变，在能量最小化的计算过程中对线状矢量向线状矢量的骨架图像进行网络蛇模型变换，最后得到与遥感影像精确配准的线状矢量。

2.根据权利要求1所述的用于影像地图的线状矢量与遥感影像自动配准方法，其特征在于所述线状矢量骨架提取步骤中的形状特征参数为面积参数、椭圆长轴参数和最大内切圆半径参数。

3.根据权利要求1或2所述的用于影像地图的线状矢量与遥感影像自动配准方法，其特征在于所述基于网络蛇模型变换的配准步骤进一步包括以下子步骤：

①网络蛇初始化，将线状矢量相邻两个结点之间的边内插为分段曲线，得到每条边的初始离散坐标串集合；

②计算骨架图像的梯度矢量流能量，作为网络蛇模型变换中的图像能；

③根据结点度的不同，对线状矢量每条边的初始离散坐标串以及每个结点分别构建能量方程；

④通过拓扑关系不变的网络蛇模型变换，迭代计算得到离散坐标串和结点的新位置坐标，当新位置坐标与上一位置坐标的差值小于预先设定的阈值条件，则将新位置坐标记为最终结果，得到与遥感影像精确配准的线状矢量。

Images