CN103984946B - 一种基于K‑means的高分辨率遥感地图道路提取方法 - Google Patents

Abstract

本发明公开了一种基于K‑means的高分辨率遥感地图道路提取方法，属于图像处理领域，可应用于遥感图像中的道路提取。针对目前高分辨率遥感地图图像道路提取技术所存在的问题和缺点，本发明提出了一种针对不同的道路类型基于K‑means的道路提取方法，基于数学形态学方法并结合图像分割方法，得到一种道路分割、提取的方法，来达到提取高分辨率遥感图像中完整道路信息的目的，可以使得高分辨率地图中的道路分割结果连续性好，而且道路无明显的裂痕。

Description

一种基于K-means的高分辨率遥感地图道路提取方法

技术领域

本发明属于图像处理领域，具体涉及一种高分辨率遥感图像道路提取方法，可应用于遥感图像中的道路提取。

背景技术

近年来随着高清摄像机遥感图像空间分辨率的不断提升，促进了高分辨率遥感图像处理技术的不断发展，对于使用计算机研究道路的自动化、智能提取有很大的推进，也使这类研究受到了国内外研究学者的诸多关注和重视。随着遥感地图中道路目标提取方法的不断深入研究，遥感信息提取技术已从基于像元分类逐步过渡到面向对象的识别。在高分辨率遥感图像中，通常选取城市人工地物作为提取目标，其中包括道路、机场跑道、建筑物、海岸线等，这其中道路和建筑物占大多数，因此针对于道路的提取对遥感地图中城市地理信息库的更新十分重要。

道路提取可以为城市地形图的快速更新、交通管理、汽车导航、城市规划，基础地理信息数据库的更新提供方便快捷的方式，同时带来巨大的经济和社会效益。

Ross提出了一种遥感图像中的高速公路道路提取的方法，该方法首先使用聚类的方法对图像做二值分割，然后，对结果图像进行道路段跟踪连接，最后，利用人工智能技术对道路连接结果进行分析，从而获得最终图像。

J.B.Mena等对自动提取道路的方法做了深入研究，提出了自己的方法。该方法首先对输入包含RGB信息的彩色图像进行预处理，然后采用TPA(Texture ProgressiveAnalysis)技术，做目标分割并输出二值结果图像。接下来使用形态学细化、骨骼提取等运算提取道路网骨架，最后进行矢量化骨架，同时利用相应的客观评价体系对提取的精度进行评价，该方法主要应用于非城区图像中的道路提取。

Baumgartner A等人在形态学运算的研究基础上，尝试使用分水岭方法对图像目标分割，使用分水线建立了邻接关系图。然后，根据马尔可夫场原理(MRF)，计算得到图像中能量最小的点，这些点的组合就构成了最终的道路网络信息，实验表明，该方法能取得较好的道路提取效果。

李德仁、梅天灿等人结合区域和直线特征提取一种识别线状目标的方法，主要针对高分辨率遥感图像中的线型目标。以标记点分水岭变换进行初始分割作为基础，结合目标识别和区域邻接图(RAG)相关知识合并感兴趣区域，最终得到道路检测结果。实验表明，该方法能够有效地提取出遥感图像中的线型目标。

鲍光淑，肖志强介绍了一种基于遗传算法的方法提取高分辨率SAR图像中的道路网络。该方法首先利用模糊C均值对滤波后的图像进行聚类操作，从而将道路像素与其他像素分割开来。分割结果可用于建立道路的模型，利用遗传算法搜索最优道路。实验表明，该方法可很好的用于SAR影像中的道路提取。

汪闽，骆剑承等人提出了一种有效分割并提取道路的方法。该方法首先计算高斯-马尔可夫随机场纹理特征，然后结合支持向量机方法进行图像分割，得到初始道路斑块，利用细化方法得到道路骨架，基于道路骨架搜索最终得到完整的道路网络。

K-means是一种非监督聚类分割方法，广泛应用在遥感图像的目标分割中。K-means聚类方法以k为参数，将遥感图像分为k个不同的类别，并比较分割的各类别内具有的相似度，由于不同的分割类别间具有较大的差异，因此最终可以分割出目标。

近年来，研究人员经过不断创新，改进了许多基于遥感图像的道路提取方法。由于在低分辨率图像的信息量较少，因此采用高分辨率遥感影像可以提高道路信息提取的精度。相比于中低分辨率遥感图像，在高分辨率影像中更多的道路细节被清晰地展现出来。由于目前的道路提取方法尚不完善，而且高分辨率遥感图像也有一定的复杂性，单一的方法不能有效地对道路进行提取，本发明提出了一种针对不同的道路类型，基于K-means聚类和数学形态学理论，再结合图像分割方法，得到一种道路分割、提取的方法，来达到提取高分辨率遥感图像中完整道路信息的目的。

发明内容

本发明目的在于，提出一种利用K-means的道路提取方法，可以使得高分辨率地图中的道路分割结果连续性好，而且道路无明显的裂痕，可以实现对高分辨率道路的比较完整提取。

本发明是采用以下技术手段实现的：

1、一种基于K-means的高分辨率遥感地图道路提取方法，其特征在于包括如下步骤：

步骤1：输入图像，读入1024x1024高分辨率(10米以内)遥感地图图像；

步骤2：依据高分辨率遥感图像颜色特征，将输入彩色图像转化成灰度图像(0-255级)，将步骤1得到的多通道高分辨率颜色的图像进行灰度化处理，得到灰度图像；

步骤3：对所述步骤2的灰度图像进行K-means聚类处理，方法如下：

步骤3.1：选取初始类别中心，设置初始类别c的值，在影像中选择c个不同的地物对象，其中每个地物对象表示为一个类别的中心；设定有c个类别，c的类别范围为[2,5]，设置其中心分别为Z1，Z2，…，Zc；

步骤3.2：依据不同地物类别中心与剩余的对象之间的距离，将每个对象根据类别与对象的距离判定赋予到最邻近的分割类别，然后重新统计所有分割类别的均值，此聚类过程不断迭代，直至准则函数收敛为止，方法如下：

输入一个像素x，把该像素归入c个类别中的道路类别中，方法如下：

其中j＝1,2,....c且j≠i则

其中是以为中心的类，d(x,y)为向量x，y之间的距离；

步骤3.3：由步骤3.2得到类,计算得到新的聚类中心方法如下：

其中Ni是类中的像元数目；

步骤3.4：对所有的i＝1，2，…，c，如果是按照准则函数

收敛，方法如下：

则迭代结束，否则返回步骤3.2继续迭代；

步骤3.5：依据步骤3.4得到聚类后的c种类别的图像，选取道路类图像；

步骤4：提高道路网与其它地面物的对比度，把道路图像进行二值化处理，得到路网图像的二值图，方法如下：

二值图I_bw＝0.5*E+0.3*P+0.2*Q

其中E是平均值，P是像素之间的差平方，Q是像素之间的均方根值；

步骤5：去掉步骤4中道网图像中非道路像素的噪声，将连通域面积小于阈值N的去掉，得到去噪后道路图像，N的取值范围[1,2000]；

步骤6：使用形态学的方法中的骨架提取对图像进行处理，得到道路骨架图像；方法如下：计算步骤5所得图像中每个像素的最大邻域值，即计算该像素邻域内所包括的最多像素值的个数，并用该值覆盖原像素值。在图像范围内，计算k次后，当最多只有一个像素大于中心点像素是，该像素点即为骨架点，即骨架子集S_k(A)，将这些所有的骨架子集进行并集得到骨架集即为最后的骨架图像，方法如下：

步骤7：得到道路分割图，将道路骨架图像和原输入图像进行道路叠加，得到道路提取图像，方法如下：

其中L表示道路提取图像，Ig表示道路骨架图像，I表示原图。

本发明与现有技术相比，具有以下明显的优势和有益效果：

针对现在的高分辨率地图目标提取技术所存在的问题和缺陷，本发明提出一种利用K-means的道路提取方法，可以提取分割高分辨率地图中的道路，所得道路连续性好，无明显的裂痕，可以实现对高分辨率道路的较完整提取。

附图说明

图1本发明的流程图；

图2 K-means聚类流程；

图3高分辨率地图道路粗提取；

图4本发明的道路提取结果。

具体实施方式

以下结合附图对本发明作进一步说明。如附图1所示，其中步骤1到步骤7为完整高分辨率遥感图像中道路提取过程。

步骤1：输入待处理图像(QuickBird影像全色分辨率0.61，多光谱2.44m)实施例中使用尺寸为1024*1024，将高分辨率遥感地图I读入。

步骤2：将步骤1得到的I多通道颜色的图像进行灰度化处理，得到灰度图像Ig。图像I中的每个像素的颜色有三个分量R、G、B，利用加权平均法灰度化求出每个像素点的R、G、B三个分量的平均值，将三个分量以不同的权值进行加权平均。基于人眼对颜色的敏感度绿色最高，蓝色最低。因此，对RGB三分量进行加权平均后能得到较合理的灰度图像，即Ig。

Ig(a,b)＝0.3R(a,b)+0.59G(a,b)+0.11B(a,b)

其中a,b为每帧图像中每个像素的位置。R、G、B为每个像素点的灰度分量值。

步骤3：对步骤二的灰度图像Ig进行K-means聚类处理。如附图2所示为K-means聚类流程。

1)选取初始类别中心，设定有3个类别，设置其中心分别为Z1，Z2，Z3。利用总体直方图均匀定心法，即进行类别中心的选定是以影像的灰度直方图为基础的，设影像的总体直方图的均值和方差分别为M和δ，其中：

其中x_i表示第i个像元，N为像元总个数，需要3个类别，则每个类别的初始中心为：

其中(i＝1,2,…,k)，本实施例中k＝3。选定的初始类别中心基本上包括在集群的范围之内,而且它是沿着通过集群中心的一条直线均匀分布的。

2)在第k步迭代中，对于任意一个像素x，利用欧几里得距离作为距离函数将其调整到3个类别中的道路类别中，使用d维特征向量来描述数据对象，把每个对象看成空间中的一个点集，进而使用欧几里得距离来表示每个对象之间的相似性，即对于距离较近(d值小)的数据对象，在聚类的时候各个性质比较相似；反之距离较远(d值大)的数据对象，聚类时各个性质差异较大。令

d(x，y)为向量x，y之间的距离，若：

其中j＝1,2，3且j≠i则

其中是以为中心的类。

3)由2)得到类求得新的聚类中心

其中Ni是类中的像元数目。

4)对所有的i＝1，2，3，如果是按照准则函数J收敛，J表达为

即则迭代结束，否则返回2)继续迭代。

5)根据4)得到聚类后的不同类别的图像，选择道路类图像Ir。

步骤4：提高道路网与其它地面物的对比度，把5)得到的道路类图像Ir进行二值化处理，得到Ibw。利用局部自适应二值化法，结合每帧像素的各种局部特征设定一个参数方程进行阈值的计算，方法如下：

I_bw＝0.5*E+0.3*P+0.2*Q

其中E是平均值，P是像素之间的差平方，Q是像素之间的均方根值。

步骤5：去掉步骤四中Ibw面积小于S的噪声，得到图像Ir。

其中i表示连通域的面积，S表示面积阈值，本实施例中S为1000。

步骤6：图像骨架提取，如附图3所示，高分辨率地图道路粗提取，利用边缘提取方法对Ir处理，然后取反到的道路骨架Ig。使用canny算子对边缘进行提取后，再经过高斯滤波器对图像进行平滑滤波，并对结果计算一阶偏导的有限差分，从而得出梯度的幅值和方向，由此对梯度幅值进行非极大值抑制，用双阈值方法检测和连接边缘，设置阈值参数为0.3和0.5。

步骤7：得到道路分割图，将道路骨架Ig和原图I进行道路叠加，得到图像L。如附图4所示，为提取效果图。

综上，结合道路特征中的几何长度特征,使用了准确度、冗余误差两总评价准则。其中，在冗余误差中多余的线性目标长度是指人们将背景中的地物目标看成了前景中的道路目标。实施例中的线性目标长度都是通过人工手段从原始影像中测量得出的。准确度为91.15％，冗余误差为0.63％。

最后要说明的是：以上示例仅用更好的说明本发明，而并非限制本发明所描述的技术方案；因此，尽管本说明书参照上述的示例对本发明已进行了详细的叙述，但是本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换；而一切不脱离发明的精神和范围的技术方案及其改进，其均应涵盖在本发明的权利要求范围当中。

Claims (1)

1.一种基于K-means的高分辨率遥感地图道路提取方法，其特征在于包括如下步骤：

步骤1：输入图像，将高分辨率1024x1024，10米以内，遥感地图图像输入；

步骤2：依据高分辨率遥感图像颜色特征，将输入彩色图像转化成灰度图像[0,255]级，将步骤1得到的多通道高分辨率颜色的图像进行灰度化处理，得到灰度图像；

步骤3：所述步骤2的灰度图像进行K-means聚类处理，方法如下：

步骤3.1：选取初始类别中心，设置初始类别c的值，在影像中选择c个不同的地物对象，其中每个地物对象表示为一个类别的中心；设定有c个类别，c的类别范围为[2,5]，设置其中心分别为Z1，Z2，…，Zc；

步骤3.2：依据不同地物类别中心与剩余的对象之间的距离，将每个对象根据类别与对象的距离判定赋予到最邻近的分割类别，然后重新统计所有分割类别的均值，此聚类过程不断迭代，直至准则函数收敛为止，方法如下：

输入一个像素x，把该像素归入c个类别中的道路类别中，方法如下：

其中j＝1,2,...,c且j≠i则

其中是以为中心的类，d(x,y)为向量x，y之间的距离；

步骤3.3：由步骤3.2得到类,计算得到新的聚类中心方法如下：

其中N_i是类中的像元数目；

步骤3.4：对所有的i＝1，2，…，c，如果是按照准则函数收敛，方法如下：

则迭代结束，否则返回步骤3.2继续迭代；

步骤3.5：依据步骤3.4得到聚类后的c种类别的图像，选取道路类图像；

步骤4：提高道路网与其它地面物的对比度，把道路图像进行二值化处理，得到道路图像的二值图，方法如下：

二值图I_bw＝0.5*E+0.3*P+0.2*Q

其中E是平均值，P是像素之间的差平方，Q是像素之间的均方根值；

步骤5：去掉步骤4中道路图像中非道路像素的噪声，将连通域面积小于阈值N的去掉，得到去噪后道路图像，N的取值范围[1,2000]；

步骤6：使用形态学的方法中的骨架提取对图像进行处理，得到道路骨架图像；方法如下：计算步骤5所得图像中每个像素的最大邻域值，即计算该像素邻域内所包括的最多像素值的个数，并用该值覆盖原像素值，在图像范围内，计算k次后，当最多只有一个像素大于中心点像素时，该像素点即为骨架点，即骨架子集S_k(A)，将这些所有的骨架子集进行并集得到骨架集即为最后的骨架图像，方法如下：

步骤7：得到道路分割图，将道路骨架图像和原输入图像进行道路叠加，得到道路提取图像，方法如下：

其中L表示道路提取图像，Ig表示道路骨架图像，I表示原图。