CN103996042A - 一种面向对象分割结合灰度形态学的道路提取方法 - Google Patents
一种面向对象分割结合灰度形态学的道路提取方法 Download PDFInfo
- Publication number
- CN103996042A CN103996042A CN201410214588.0A CN201410214588A CN103996042A CN 103996042 A CN103996042 A CN 103996042A CN 201410214588 A CN201410214588 A CN 201410214588A CN 103996042 A CN103996042 A CN 103996042A
- Authority
- CN
- China
- Prior art keywords
- road
- result
- operator
- way
- narrow
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 98
- 230000011218 segmentation Effects 0.000 title claims abstract description 15
- 238000010276 construction Methods 0.000 claims abstract description 32
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims description 39
- 239000000284 extract Substances 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 230000000007 visual effect Effects 0.000 claims description 10
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000010339 dilation Effects 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000011049 filling Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 230000008676 import Effects 0.000 claims description 2
- 230000003313 weakening effect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000002386 leaching Methods 0.000 description 3
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种面向对象分割结合灰度形态学道路提取方法,步骤如下:对原始数据进行影像融合;对融合结果进行面向对象分割;基于分割得到的对象进行全局分类,类别为各级宽路、城建区和其他;采用水平算子对原始全色影像进行分割,基于灰度形态学相关技术进行窄路提取、降噪;采用基于灰度形态学的脊线法对各级宽路进行矫正,得到宽路路网;用城建区掩膜去除窄路提取结果中的非窄路纹理,得到窄路路网;合并多级路网,得到最终的分级路网提取结果。本发明结合了面向对象、线段匹配和脊线提取三种道路提取思想,通过减弱或消除四种道路提取中可能遇到的噪声,实现了一种可以兼顾宽路和窄路、具有较高精度和极强实用性的多级道路提取方法。
Description
技术领域
本发明涉及遥感影像信息提取领域,更具体地,涉及一种面向对象分割结合灰度形态学的道路提取方法,是一种多级道路提取的半自动化道路提取方法。
背景技术
道路作为重要的人造的物是现代交通体系的主体,具有重要的政治、经济和军事意义,因此道路也成为地图和地理信息系统中重要的信息载体和处理对象。20世纪70年代中期,由于数字化地理交通信息的需要,加之传统手工道路数字化成本高、效率低等弊端日益显现,图像自动、半自动道路提取技术随之出现并逐步发展。如今,多光谱高分辨率的卫星、成像雷达、无人驾驶飞机的出现,使得对地观测手段更加完备,地理影像数据日益丰富,可用于道路提取的基础影像越来越多,为自动、半自动道路提取技术提供了大量的实验素材和基础数据。
另一方面,地图绘制、地理信息系统更新、城市观测和规划等诸多应用需求的出现和不断增长,促使自动、半自动道路提取相关技术不断发展。利用计算机从遥感影像中提取道路引起包括测绘、图像处理、计算机视觉等领域学者的广泛关注,在过去十几年里发表了大量的论文,相应的理论和技术都取得了长足的发展。就目前基于遥感影像进行道路提取的自动、半自动算法中的典型代表有自适应聚类法、模板匹配法、微分几何法、Snack法及其改进算法、形态学方法、启发式搜索法、基于机器学习的智能算法和面向对象法等等。
在遥感领域内,目前主流的方式是基于高分辨率、超高分辨率遥感影像,采用自动、半自动的面向像元或面向对象的分割、聚类或分类技术得到道路提取结果。然而目前这个领域内还没有公认的典型、普适的某一类算法可以值得称道。一方面是由于道路本身光谱特征极为复杂和难于概括,另一方面也是由于道路周边环境的复杂特征,如高楼遮盖、异物同谱、路上车辆等等噪声产生的严重影响。就目前遥感领域内基于高分辨率卫星影像的各种自动、半自动道路提取方法而言,普遍存在三个问题:一是难于兼顾宽窄,由于算法思想的单一,往往适用于提取宽路斑块的算法无法提取窄路,同时适用于提取宽度处于像元、亚像元级别窄路的算法在宽路上会发生极为强烈的扭曲;二是提取结果单一,普遍的提取结果为一单纯的掩膜,可以区分道路和非道路,但道路内部不分级,使用价值存在局限;三是算法的研究区域过小,或较大研究区域内道路过于简单,由此得到的算法一般不具有普适性,如若扩大研究范围或增加道路路网的复杂程度则很难避免噪声的严重影响。
发明内容
为了克服现有技术的不足,本发明提出面向对象分割结合灰度形态学的道路提取方法,这是一种基于高分辨率遥感影像,可以兼顾宽路与窄路,实现多级道路提取,具有较高精度和极强去噪性能的道路提取方法。
了实现上述目的,本发明的技术方案为:
一种面向对象分割结合灰度形态学的道路提取方法,所述方法的基本步骤为:
1.1、对原始全色影像和多光谱影像进行影像融合得到融合结果;
1.2、基于eCognition软件,对融合结果进行面向对象分割得到若干对象;
1.3、面向对象进行全局分类,类别为各级宽路、城建区和其他;
1.4、采用水平算子对原始全色影像进行分割,并采用灰度形态学的相关技术进行窄路的提取和降噪;
1.5、采用灰度形态学相关技术实现的脊线法对各级宽路进行校正,得到宽路路网;
1.6、用城建区掩膜去除窄道提取结果中的非窄路纹理,得到最终窄路路网;
1.7、对多级路网进行合并,得到最终的分级路网提取结果。
优选地,所述的采用水平算子对原始全色影像进行分割,并采用灰度形态学的相关技术进行窄路的提取和降噪的子步骤包括:
2.1、选取适当结构算子对全色影像进行水平算子分割,并对分割结果进行二值化处理,其中水平算子结构如下:
式中:X为待处理集,B为结构算子;为膨胀运算,Θ为腐蚀运算,ο为开运算,·为闭运算;为凸函数,为凹函数,G为水平算子,F为标记函数;为凸类,为扁平类,为凹类。
2.2、采用一定长度、呈若干角度的线段状结构算子对二值化的分割结果进行线段匹配(即所有角度结构算子对分割结果开运算的并),并在匹配的结果上进行同伦细化和去除毛刺,公式如下:
Rthin=Thin(R,{LN})
Rspur=Spur(Rthin)
式中:XF为待处理二值化影像,R为线段匹配结果,Rthin为细化结果,Rspur为剔除毛刺结果;Lθi为某一长度以水平方向逆时针旋转θi得到的线状结构算子,{θN}为约束θi的角度集合,{LN}为细化专用的L算子集;Thin()为细化函数,Spur()为剔除毛刺函数。
2.3、对上一步的结果采用窗口法进行去噪,消除去除毛刺过程中产生的残渣;
2.4、对上一步的结果采用适当大小的结构算子进行膨胀,消去由于噪声影响在窄路路网上产生的孔穴;
2.5、对上一步的结果,选择适当结构算子和窗口大小,重复一次步骤2.2至步骤2.3,得到初步的窄道提取结果。
优选地,在2.3中所述去除残渣的窗口法定义如下:
3.1按一定尺度设置窗口大小,令该窗口遍历待处理影像中的全部位置;
3.2在遍历的过程中,如若有标记与窗口边框并的结果不为零,则窗口内不清空;
3.3在遍历的过程中,如若没有标记与窗口边框并的结果不为零,则窗口内清空。
优选地,所述的采用灰度形态学相关技术实现的脊线法对各级宽路进行校正,得到宽路路网的方法为:
4.1、导入各级宽路的栅格掩膜构成宽路粗提的路网,并选取适当结构算子进行闭运算填充由车辆造成的路面孔穴、削弱由行树引起的道路毛边;
4.2、对宽路粗提路网,采用一定长度、呈若干角度的线段状结构算子对分割结果进行线段匹配,并在匹配的结果上进行同伦细化和去除毛刺,提取宽路路网的中脊线;
4.3、利用各级宽路的独立掩膜对中脊线进行分割,得到各级宽路的中脊线;
4.4、对于不同级别的宽路中脊线,选取适当、对应的结构算子进行膨胀,得到不同级别道路间宽度不等、同一级别道路内宽度均衡、无孔穴且边缘平滑的各级宽路提取结果。
优选地,所述的对多级路网进行合并,得到最终的分级路网提取结果的方法为:
5.1、将步骤1.1-1.6中所有道路提取的结果按道路宽度排序,从第一级干道、第二级干道一直到窄路路网;
5.2、对某一级待处理的道路,先求其之前各级道路的并,再求本级道路与并结果的交,最终求本级道路减去交的结果,得到最终本级道路的掩膜,公式如下:
式中:为第i级道路更新结果,Roadi为原始待处理的第i级道路,i为道路级别,从2开始,直至道路级别总数N。
5.3、从第二级道路开始,对其和之后各级道路重复步骤5.2,直至所有道路处理完毕,得到最终的各级道路衔接良好但互不冗余的道路集;
5.4、按一定方法合并道路集,得到最终道路分类结果。
上述的面向对象分割结合灰度形态学道路提取方法,基于面向对象和形态学的技术手段,结合了面向对象法、线段匹配法和脊线法三种道路提取思想,通过减弱或消除残渣、孔穴、非窄路纹理和宽路毛边这四种道路提取中可能遇到的噪声,实现了一种可以兼顾宽路和窄路、具有较高精度和极强实用性的多级道路提取方法。
与现有的方法相比,本发明的有益效果是:1)本发明兼顾了在提取方法上难以兼容的若干像元宽的宽路和宽度处于像元、亚像元级别的窄路;2)本发明通过对大范围研究区域中复杂路网的提取,提出了四种用于减弱、消除道路提取中可能遇到的噪声的技术手段,使本发明公布的方法具有了较强的普适性;3)在提取过程中实现了道路的多级提取与矫正,最终结果具有多级别、多属性的特征。
基于以上特点,本发明公布的道路提取方法在大范围道路提取、多级别道路数据入库、降低道路提取成本,缩短道路更新周期等方面可以发挥巨大的作用,亦可为数字城市和智慧城市的发展增加助力。
附图说明
图1为本发明公开方法的流程图。
图2为实验区资源三号融合结果全景图(真彩色合成)。
图3为窗口法消除残渣噪声的原理示意图。
图4为窗口法消除残渣噪声的局部结果示意图。
图5为膨胀法削弱孔穴噪声的局部结果示意图。
图6为掩膜消除非窄路纹理的局部结果示意图。
图7为脊线法削弱毛边噪声的局部结果示意图。
图8为本发明公开方法提取道路结果的全景图。
图9为本发明公开方法提取道路结果的局部窄路示意图。
具体实施方式
图1给出了一个实施例中本发明公布方法的流程图,包括以下步骤:
在步骤“影像融合”中,采用一定的融合方法,将配准好的原始全色影像和原始多光谱影像进行影像融合,以得到兼具较高空间分辨率和多光谱特性的实验材料,用于地物的判别和面向对象分类。具体地,为了增加融合结果的清晰程度和地物解译的准确性,本实施例中采用主成分替换法进行影像融合得到融合结果。
在步骤“影像分割”中,选取适当的分割尺度、形状参数和紧凑程度参数对融合结果进行面向对象分割,最终得到若干对象,对象内部地物尽可能地单一。
在步骤“分类”中,采用一定方法对分割得到的对象进行分类,分类结果为若干像元宽的各级宽路、城建区和其他。具体地,本实施例中采用目视解译的方式定义对象的分类从属,宽路分为两级,分类结果为主干道、副干道、城建区和其他。最后将分类结果中城建区、主干道、副干道输出为栅格掩膜。
在步骤“水平分割”中,选取适当形状和大小的结构算子对全色影像进行灰度形态学的水平算子分割并对分割结果进行二值化。分割的具体公式如下:
式中:X为待处理集,B为结构算子;为膨胀运算,Θ为腐蚀运算,ο为开运算,·为闭运算;为凸函数,为凹函数,G为水平算子,F为标记函数;为凸类,为扁平类,为凹类。
具体地,在城建区中,水平算子分割的对象主要是房屋与窄路,因此本实施例中采用与房屋形状近似的八边形结构算子,具体尺度大小依据遥感影像空间分辨率而定;在二值化过程中,依据窄路的光谱特征,将分割结果中的凸类和扁平类标记为非道路,将凹类标记为道路。由此得到窄路的粗提结果。
在步骤“线段匹配”中,选取适当长度、若干角度的线状结构算子对“水平分割”的二值化结果进行若干次开运算,并求所有开运算结果的并;然后对并的结果进行同伦细化和去除毛刺。具体公式如下:
Rthin=Thin(R,{LN})
Rspur=Spur(Rthin)
式中:XF为待处理二值化影像,R为线段匹配结果,Rthin为细化结果,Rspur为剔除毛刺结果;Lθi为某一长度以水平方向逆时针旋转θi得到的线状结构算子,{θN}为约束θi的角度集合,{LN}为细化专用的L算子集;Thin()为细化函数,Spur()为剔除毛刺函数。
具体地,为了兼顾不同方向的道路并保证运算速度,本实例采用顺时针倾斜角度在0-180°内以15°为间隔的12个方向上的线状结构算子进行匹配,即使用起始为0°,等差间隔为15°,内含12个元素的角度集合{θ12}对θi进行约束。
在步骤“两次消噪”中,采用窗口法过滤掉“线段匹配”结果中由于消除毛刺产生的残渣,其原理示意图如图3。
本发明如下定义窗口去噪法:按一定尺度设置窗口大小,令该窗口遍历待处理影像中的全部位置;在遍历的过程中,如若有标记与窗口边框并的结果不为零,则窗口内不清空;在遍历的过程中,如若没有标记与窗口边框并的结果不为零,则窗口内清空。依据窗口去噪的原理,连通性极好的道路与窗口边界并的结果一定不为零,因此不会被清除;而孤立的、形态各异的残渣,一定会在窗口处于适当位置时处于窗口内部,而窗口边框不与任何标记并的结果不为零,因此残渣得以清除。其原理示意图如图3。
具体地,为了达到更好的清除结果,可以依次设置从大到小的两个窗口,进行两次消噪,噪声可以消除得更干净。其结果示意图如图4。
在步骤“膨胀消穴”中,选取适当形状的、较小的结构算子对“两次消噪”的结果进行膨胀,膨胀结果去除了由于车辆噪声、行树噪声引起的窄路路网上的孔穴;
在步骤“二次匹配”中,对“膨胀消穴”的结果重复“线段匹配”的运算,使窄路路网重新被抽象为像元级别的线状道路;
在步骤“最终消噪”中,选取适当窗口尺寸,对“二次匹配”的结果进行一次窗口法去除残渣,得到最终的窄路路网粗提结果。
以上三个步骤综合起来后,采用膨胀的方式消去了窄路路网中的不规则孔穴,并较好地保持了窄路路网的形态特征和连通特征。其结果示意如图5。
在步骤“窄道提取”中,使用“分类”得到的城建区掩膜对“最终消噪”结果进行掩膜处理,过滤掉灰度形态学提取窄路过程中无意被提取的非窄路纹理,消除了非城建区中非窄路纹理这一噪声的影响,其结果示意图如图6。
在步骤“宽路矫正”中,采用中脊线法的思想,削弱面向对象宽路提取产生的孔穴噪声、毛边噪声和路宽不等的问题。具体地,求各级道路的并,得到宽路路网;选取车辆大小两倍的圆形结构算子对宽路路网进行闭运算,消除车辆造成的孔穴,同时削弱毛边对中脊线的影响;设置长度为30的线状结构算子,对宽路路网进行一次“线段匹配”,抽象得到宽路路网的中脊线;采用各级宽路的掩膜对整个宽路路网的中脊线进行掩膜分割,得到各级宽路的中脊线;对各级别的中脊线,分别选取适当大小的圆形结构算子进行膨胀,得到同一级别内道路宽度相等、不同级别道路之间宽度不等的分级的宽路提取集合。其结果示意图如图7。
在步骤“道路合并”中,将“窄道提取”中得到的窄路路网和“道路矫正”中得到的所有宽路提取的结果按道路宽度排序,从第一级干道、第二级干道一直到窄路路网;对某一级待处理的道路,先求其之前各级道路的并,再求本级道路与并结果的交,最终求本级道路减去交的结果,得到最终本级道路的掩膜,公式如下:
式中:为第i级道路更新结果,Roadi为原始待处理的第i级道路,i为道路级别,从2开始,直至道路级别总数N。
从第二级道路开始,对其和之后各级道路重复上述步骤,直至所有道路处理完毕,得到最终的各级道路衔接良好但互不冗余的道路集;按一定方法合并道路集,得到最终道路分类结果。具体地,本实施例采用分级设色的方式合并道路分类结果。
下面结合一个实施例来具体阐述本发明公布的道路提取方法:该实施例中,原始数据为国产资源三号卫星的全色数据(空间分辨率2.1m)和多光谱数据(空间分辨率6.0m),研究区域大小为5.2km*5.6km。全景图如图2所示。
“影像融合”采用主成分替换法,基于eCognition软件进行面向对象分割,分割尺度采用50和100两级分割,形状指数0.1,紧凑程度0.5;在50尺度上分两级宽路进行手动提取,得到主干道和副干道的分类结果,导出为栅格掩膜;在100尺度上手动提取城建区,得到城建区栅格掩膜。
在窄道提取过程中,“水平分割”采用尺度为6的八边形结构算子进行分割;“线段匹配”采用长度为5,角度θi由起始为0°、等差间隔为15°、内含12个元素的角度集合{θ12}进行约束的结构算子集进行匹配;“两次消噪”先后使用尺度为9和3的窗口进行窗口法消除残渣;“膨胀消穴”采用尺度为2的圆形结构算子进行膨胀,“二次匹配”采用长度为10,角度θi由{θ12}进行约束的结构算子集进行匹配,“最终消噪”采用尺度为9的窗口进行窗口法消除残渣。由此得到窄路的粗提结果。
用城建区掩膜过滤掉窄路粗提结果的非窄路纹理,对主干道和副干道掩膜进行“宽路矫正”;对得到的窄路路网、主干道路网、副干道路网进行道路合并,采用分级设色的方式进行道路分级,其中主干道为蓝色、副干道为绿色、窄路为红色。最终道路提取结果的全景图如图8所示,局部窄路的提取结果如图9所示。
对于最终的道路提取结果,采用完整性和冗余度进行定量评价,公式如下:
其中,参考道路由目视解译得到,通过采用同一地区接近时段QuickBird的0.5m分辨率真彩色影像的对比,可以判定在资源三号融合影像上目视解译得到的道路没有任何错漏和冗余,目视解译得到的参考道路没有任何问题。
定量评价结果中,本发明公布的方法所提取的道路,完整性为94.99%,冗余度为2.68%,可见其具有比较高的精度和实用性。
上述的面向对象分割结合灰度形态学道路提取方法,基于面向对象和形态学的技术手段,结合了面向对象法、线段匹配法和脊线法三种道路提取思想,通过减弱或消除残渣、孔穴、非窄路纹理和宽路毛边这四种道路提取中可能遇到的噪声,实现了一种可以兼顾宽路和窄路、具有较高精度和极强实用性的多级道路提取方法。
与以往的方法相比,本发明的有益效果是:一、本发明兼顾了在提取方法上难以兼容的若干像元宽的宽路和宽度处于像元、亚像元级别的窄路;二、本发明通过对大范围研究区域中复杂路网的提取,提出了四种用于减弱、消除道路提取中可能遇到的噪声的技术手段,使本发明公布的方法具有了较强的普适性;三、在提取过程中实现了道路的多级提取与矫正,最终结果具有多级别、多属性的特征。
基于以上特点,本发明公布的道路提取方法在大范围道路提取、多级别道路数据入库、降低道路提取成本,缩短道路更新周期等方面可以发挥巨大的作用,亦可为数字城市和智慧城市的发展增加助力。
以上所述实施例仅表达了本发明可能的实施方式,其描述较为具体和详尽,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种面向对象分割结合灰度形态学的道路提取方法,其特征在于,包括以下步骤:
1.1.对原始全色影像和多光谱影像进行影像融合得到融合结果;
1.2.对融合结果进行面向对象分割得到若干对象;
1.3.基于对象进行全局分类,类别为各级宽路、城建区和其他;
1.4.采用水平算子对原始全色影像进行分割,并进行窄路的提取和降噪;
1.5.对各级宽路进行校正,得到宽路路网;
1.6.用城建区的掩膜去除窄道提取结果中的非窄路纹理,得到最终窄路路网;
1.7.对多级路网进行合并,得到最终的分级路网提取结果。
2.根据权利要求1所述的道路提取方法,其特征在于,步骤1.1中采用水平算子对原始全色影像进行分割,并采用基于灰度形态学的方法进行窄路的提取和降噪的子步骤包括:
2.1、选取适当结构算子对全色影像进行水平算子分割,并对分割结果进行二值化处理,其中水平算子结构如下:
式中:X为待处理集,B为结构算子;为膨胀运算,Θ为腐蚀运算,ο为开运算,·为闭运算;为凸函数,为凹函数,G为水平算子,F为标记函数;为凸类,为扁平类,为凹类;
2.2、采用一定长度、呈若干角度的线段状结构算子对二值化的分割结果进行线段匹配,即所有角度结构算子对分割结果开运算的并,并在匹配的结果上进行同伦细化和去除毛刺,公式如下:
Rthin=Thin(R,{LN})
Rspur=Spur(Rthin)
式中:XF为待处理二值化影像,R为线段匹配结果,Rthin为细化结果,Rspur为剔除毛刺结果;Lθi为某一长度以水平方向逆时针旋转θi得到的线状结构算子,{θN}为约束θi的角度集合,{LN}为细化专用的L算子集;Thin()为细化函数,Spur()为剔除毛刺函数;
2.3、对上一步的结果采用窗口法进行去噪,消除毛刺过程中产生的残渣;
2.4、对上一步的结果采用适当大小的结构算子进行膨胀,消去由于噪声影响在窄路路网上产生的孔穴;
2.5、对上一步的结果,选择适当结构算子和窗口大小,重复一次步骤2.2至步骤2.3,得到初步的窄道提取结果。
3.根据权利要求2所述的道路提取方法,其特征在于,在步骤2.3中所述去除残渣的窗口法定义如下:
3.1、按一定尺度设置窗口大小,令该窗口遍历待处理影像中的全部位置;
3.2、在遍历的过程中,如若有标记与窗口边框并的结果不为零,则窗口内不清空;在遍历的过程中,如若没有标记与窗口边框并的结果不为零,则窗口内清空。
4.根据权利要求1所述的道路提取方法,其特征在于,步骤1.5采用基于灰度形态学的方法和脊线法对多级宽路进行校正得到宽路路网的方法为:
4.1、导入各级宽路的栅格掩膜构成宽路粗提的路网,并选取适当结构算子进行闭运算填充由车辆造成的路面孔穴、削弱由行树引起的道路毛边;
4.2、对宽路粗提路网,采用一定长度、呈若干角度的线段状结构算子对分割结果进行线段匹配,并在匹配的结果上进行同伦细化和去除毛刺,提取宽路路网的中脊线;
4.3、利用各级宽路的独立掩膜对中脊线进行分割,得到各级宽路的中脊线;
4.4、对于不同级别的宽路中脊线,选取适当、对应的结构算子进行膨胀,得到不同级别道路间宽度不等、同一级别道路内宽度均衡、无孔穴且边缘平滑的各级宽路提取结果。
5.根据权利要求1所述的道路提取方法,其特征在于,步骤1.7中对多级路网进行合并,得到最终的分级路网提取结果的方法为:
5.1、将步骤1.1至1.6中所有道路提取的结果按道路宽度排序,从第一级道路、第二级道路一直到窄路路网;
5.2、对某一级待处理的道路,先求其之前各级道路的并,再求本级道路与并结果的交,最终求本级道路减去交的结果,得到最终本级道路的掩膜,公式如下:
式中:为第i级道路更新结果,Roadi为原始待处理的第i级道路,i为道路级别,从2开始,直至道路级别总数N;
5.3、从第二级道路开始,对其和之后各级道路重复步骤5.2,直至所有道路处理完毕,得到最终的各级道路衔接良好但互不冗余的道路集;
5.4、按一定方法合并道路集,得到最终道路分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410214588.0A CN103996042B (zh) | 2014-05-20 | 2014-05-20 | 一种面向对象分割结合灰度形态学的道路提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410214588.0A CN103996042B (zh) | 2014-05-20 | 2014-05-20 | 一种面向对象分割结合灰度形态学的道路提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103996042A true CN103996042A (zh) | 2014-08-20 |
CN103996042B CN103996042B (zh) | 2017-05-10 |
Family
ID=51310203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410214588.0A Active CN103996042B (zh) | 2014-05-20 | 2014-05-20 | 一种面向对象分割结合灰度形态学的道路提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103996042B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504718A (zh) * | 2015-01-06 | 2015-04-08 | 南京大学 | 高分辨率航空遥感数据自动道路提取方法 |
CN108229273A (zh) * | 2017-02-27 | 2018-06-29 | 北京市商汤科技开发有限公司 | 多层神经网络模型训练、道路特征识别的方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN101916373A (zh) * | 2010-08-11 | 2010-12-15 | 西安电子科技大学 | 基于小波检测和脊线跟踪的道路半自动提取方法 |
US20140050368A1 (en) * | 2006-05-02 | 2014-02-20 | Geoeye Solutions, Inc. | Semi-automatic extraction of linear features from image data including path width attribution |
-
2014
- 2014-05-20 CN CN201410214588.0A patent/CN103996042B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140050368A1 (en) * | 2006-05-02 | 2014-02-20 | Geoeye Solutions, Inc. | Semi-automatic extraction of linear features from image data including path width attribution |
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 |
CN101916373A (zh) * | 2010-08-11 | 2010-12-15 | 西安电子科技大学 | 基于小波检测和脊线跟踪的道路半自动提取方法 |
Non-Patent Citations (2)
Title |
---|
唐剑波: ""遥感影像中的道路半自动提取技术研究"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
申真: ""基于面向对象的高分辨率遥感影像道路提取研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504718A (zh) * | 2015-01-06 | 2015-04-08 | 南京大学 | 高分辨率航空遥感数据自动道路提取方法 |
CN104504718B (zh) * | 2015-01-06 | 2017-03-29 | 南京大学 | 高分辨率航空遥感数据自动道路提取方法 |
CN108229273A (zh) * | 2017-02-27 | 2018-06-29 | 北京市商汤科技开发有限公司 | 多层神经网络模型训练、道路特征识别的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103996042B (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105931295B (zh) | 一种地质图专题信息提取方法 | |
CN102013015B (zh) | 一种面向对象的遥感影像海岸线提取方法 | |
CN102609726B (zh) | 利用面向对象技术融合高空间和高时间分辨率数据的遥感图像分类方法 | |
Matkan et al. | Road extraction from lidar data using support vector machine classification | |
CN103020605A (zh) | 基于决策层融合的桥梁识别方法 | |
CN107679498A (zh) | 一种机载激光点云城区道路识别方法 | |
CN103984946A (zh) | 一种基于K-means的高分辨率遥感地图道路提取方法 | |
Zhang et al. | Learning from GPS trajectories of floating car for CNN-based urban road extraction with high-resolution satellite imagery | |
Ghorai et al. | Extracting shoreline from satellite imagery for GIS analysis | |
CN107330422A (zh) | 一种基于高精度数字高程模型对半干旱地区进行微地形分类的方法 | |
CN114359722A (zh) | 特殊地貌分布范围识别方法、装置及设备 | |
Raziq et al. | Automatic extraction of urban road centerlines from high-resolution satellite imagery using automatic thresholding and morphological operation method | |
Quackenbush et al. | Road extraction: A review of LiDAR-focused studies | |
CN103996042A (zh) | 一种面向对象分割结合灰度形态学的道路提取方法 | |
CN104008374B (zh) | 一种矿井图像中基于条件随机场的矿工检测方法 | |
Manandhar et al. | Segmentation based building detection in high resolution satellite images | |
Taubenbock et al. | A transferable and stable object oriented classification approach in various urban areas and various high resolution sensors | |
CN110853058B (zh) | 基于视觉显著性检测的高分辨率遥感影像道路提取方法 | |
Lei et al. | Automatic identification of street trees with improved RandLA-Net and accurate calculation of shading area with density-based iterative α-shape | |
Grigillo et al. | Classification based building detection from GeoEye-1 images | |
Zhang et al. | A wavelet approach to road extraction from high spatial resolution remotely-sensed imagery | |
CN114387501A (zh) | 冲洪积扇沉积遥感智能识别方法及装置 | |
Forghani et al. | Object-based classification of multi-sensor optical imagery to generate terrain surface roughness information for input to wind risk simulation | |
Widyaningrum et al. | Skeleton-based automatic road network extraction from an orthophoto colored point cloud | |
Zhu et al. | Road Extraction and Vectorization from Aerial Image Data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |