CN104657978A - 一种基于遥感图像道路形状特征的道路提取方法 - Google Patents

Abstract

本发明公开了一种基于遥感图像道路形状特征的道路提取方法。方法首先利用道路表面局部灰度一致性和目标区域与背景灰度相差很大的特性，对预处理后遥感图像局部区域分割。然后对分割后结果结合面积和Ferret Box 最小外接矩形形状特征进行融合获取直线和曲线道路段，并对确定的道路进行区域种子增长，连接大部分路段，从而实现道路信息提取。与现有技术相比，本发明的方法不仅可以实现获取直线和曲线道路段，还可以自动提取种子点及自动获取道路网，并且不受图像转动的影响，克服了许多方法只能提取直线道路段缺点，而且更加的智能化。

Description

一种基于遥感图像道路形状特征的道路提取方法

技术领域

本发明涉及道路提取领域，特别是一种基于遥感图像道路形状特征的道路提取方法。

背景技术

尽管中国的智能交通已经经过了很多年的研究，但是和外国还是有很大的差距，仍处于初级阶段。特别是交通预警，而交通预警首先要获取道路信息。利用遥感图像获取地球表面信息是一种重要的收集地理信息方式，高分辨率图像提供更准确的信息，它对城市规划、测绘、军事检查、变化检测和GIS数据更新应用等都具有重要的价值和意义。高分辨率遥感图像包含无数的数据信息，如何快速、准确地获取特殊的信息变得越来越重要，因此从高分辨率遥感图像道路提取是一个热门的研究课题。

在全球范围内,近几年道路提取有许多新的理论和技术创新。在此领域，一些机构或学术部门做了大量的研究。道路提取可分为半自动和全自动方法，虽然全自动方法已经有了些进步, 但是在“可预见的将来”完全自动地提取道路是不太现实的。到目前为止,也出现了一些初步的道路特征提取系统,如北京大学的道路提取系统。但为了准确、自动的提取它同时还需要提供道路的某些功能信息。

发明内容

有鉴于此，本发明的目的是提出一种基于遥感图像道路形状特征的道路提取方法，不仅实现获取直线和曲线道路段，还可以自动提取种子点及自动获取道路网，克服了许多方法只能提取直线道路段缺点，并且更加的智能化。

本发明采用以下方案实现：一种基于遥感图像道路形状特征的道路提取方法，包括以下步骤：

步骤S1：获取高分辨率遥感影像的某一帧图像，并对图像进行平滑去噪预处理；所述的平滑去噪预处理为图像灰度化处理和图像平滑滤波处理；

步骤S2：利用待检测道路表面局部灰度一致性以及待检测道路与背景灰度相差大的特性，对步骤S1预处理后的遥感图像进行区域分割；

步骤S3: 根据面积和Ferret Box最小外接矩形的形状特征，对步骤S2分割后的图像结果进行道路段提取；

步骤S4：在步骤S3中已提取的道路段上任意选取一点作为初始种子点像素，并进行区域增长，最大限度地将道路区域进行连接；

步骤S5：结合图像的边缘信息对步骤S4的结果进行规整化处理；利用图像的边缘检测结果，通过边缘梯度信息对步骤S4中区域增长的结果进行边缘信息的校验和修整，将过增长的区域断开，从而规整了道路边缘信息。较佳地，可以利用Sobel算子对区域增长后图像进行边缘检测，处理方法为： ，其中，Td表示梯度阈值，表示边缘梯度图像在(x, y)像素点的梯度值；

步骤S6：对步骤S5的结果进行形态学细化，提取道路中心骨架。

进一步地，所述步骤S2具体包括以下步骤：

步骤S21：将步骤S1预处理后的遥感图像分成若干个子图像块；

步骤S22：对步骤S21得到的每个子图像块采用大津阈值分割方法进行分割；

步骤S23：将步骤S22中各个分割后的子图像块合并，得到分割结果。

进一步地，步骤S21具体为：

步骤 S211：把步骤S1预处理后的遥感图像平均分为四个子图像块；

步骤S212：逐个计算每个子图像块的最大灰度值和最小灰度值，计算每个子图像块的最大灰度值和最小灰度值的差值；若则判定此子图像块满足划分条件，停止划分；否则进入步骤S213；其中为预设灰度差值，所述的依据目标图像的最大灰度值与最小灰度之差来设定；

步骤S213：将步骤S212中不满足划分条件的子图像块平均分成四个新的子图像块，进入步骤S212。

进一步地，所述步骤S3具体包括以下步骤：

步骤S31：依据转动惯量原理，计算每个区域0阶转动惯量，所述的0阶转动惯量为区域面积s；定义面积阈值为Ts,依据图像分辨率的高低和需要提取对象的大小设置所述Ts；

步骤S32：对于每个区域用Ferret Box 得到最小外接矩形，计算最小外接矩形的长L、宽W、面积S、以及长宽比R；定义长度阈值和长宽比阈值分别为Tl和Tr；计算填充度F，其中，s为区域面积，S为最小Ferret Box最小外接矩形的面积；定义填充度阈值为Tf；

步骤S33：提取出面积S>Ts、长度L>Tl、长宽比R>Tr的区域，提取出填充度F>Tf的区域；

步骤S34：将步骤S33中提取出的区域合并，得到最终的道路提取图像。

进一步地，所述步骤S4具体包括以下步骤：

步骤S41：对所选种子，选取它的4邻域像素并且分别计算所述4邻域像素与种子点像素灰度值的差值的绝对值；若所述绝对值有小于TR的值，就选取对应该绝对值的相邻像素作为新的种子点，其中TR为预设的差值绝对值；

步骤S42：重复步骤S41搜寻下一个新的像素直到不再发现新的种子；

步骤S43：步骤S3中选取的道路段与新的种子合成为道路网络。

进一步地，所述步骤S6具体包括以下步骤：

步骤S61：利用形态学闭合和膨胀运算，填充经过步骤S5得到的道路表面的孔洞；

步骤S62：对经过步骤S61得到的道路信息进行形态学细化，以获取道路中心线；

步骤S63：消除骨架提取后存在的部分短线；消除线条长度小于TL的短线条，其中TL为预设线条长度值，所述TL的大小结合实际情况来确定。

与现有技术相比，本发明不仅可以实现获取直线和曲线道路段，还可以自动提取种子点及自动获取道路网，克服了许多方法只能提取直线道路段缺点，而且更加的智能化。

附图说明

图1为本发明的算法工作流程图。

图2为本发明的不同形状的道路图：(a)为直线带状模型；(b)为曲线带状模型。

图3 为本发明的主轴线求解图 （Ferret Box原理图）。

图4为处理后的灰度遥感图像。

图5为局部分割结果。                                   

图6为基于形状特征提取并区域增长结果。

图7 为细化结果。

图8 为最终结果图（消除短线结果）。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

首先，发明人对道路信息提取改进理论依据如下：

实验研究理论如图2所示，道路分为直线道路和曲线道路。以下是道路提取的关键因素。

（1）面积（S）：

因为道路区域的面积不会太小,所以可以使用面积阈值过滤掉某些小区域对象。依据转动惯量原理，0阶转动惯量代表面积，定义Ts为面积阈值,依据图像分辨率的高低和需要提取对象的大小设置Ts（这里Ts=25）。

（2）Ferret Box最小外接矩形的确定：

首先计算提取区域的一阶转动惯量和二阶转动惯量，并通过一阶转动惯量和二阶转动惯量确定区域的质心、主轴方向和次轴方向。原理图如图3所示。

二值图中，虚线为通过质心的任意直线，R为图像中心点到虚线的距离，设为主轴与虚线的夹角，则二阶转动惯量方程为：

由图3得E的大小取决于()的取值，在离散形式下，当满足以下条件时，E值最小。

其中，，，

 表示一个二值图；i，j 代表二值图中各点的坐标值；

计算出()的值就确定了主轴方向，次轴方向为过质心垂直于主轴方向的直线。然后用两条平行于主轴方向的直线分别按垂直与主轴方向的相反反向平移，直到两条直线与目标区域相交于一点时，停止平移，这样就确定了两条平行于主轴方向的边，同理得到两条平行于次轴方向的边。从而确定了最小外接矩形。

（3）计算Ferret Box最小外接矩形的形状特征：

A．Ferret Box最小外接矩形的长度L和宽度W，将长度作为标识道路的一个重要特征，因为道路比建筑物或其他物体要长。

B． Ferret Box最小外接矩形长宽比R

L和W分别为最小外接矩形的长和宽，R>1,R越大则为直线道路的可能性越大，Tr为长宽比的阈值。

(4) 目标区域填充度F

其中，s为区域面积，S为最小Ferret Box最小外接矩形的面积。F的值用来判断曲线道路，Tf为填充度阈值。

道路的两种形状如图2（a）和图2（b）所示，对于直线和曲线或网状道路特征值R是不同的，然而特征值F是相同的。对于图2（a）中直线型道路利用特征值R可以获得比较好的结果，但是对于图2（b）曲线道路提取结果并不理想。所以要用特征值R提取直线道路，特征值F提取曲线或网状道路，然后结合两个结果提取出完整的道路信息。该方法在局部道路提取效果很好，并让道路提取更加精确、全面。

通过以上特征，能从图像中提取出道路，为了使结果更精确，必须选择基于图像分辨率和对象大小的适当的阈值。为了提高获取道路段的精度，有时需要手工去掉非道路对象。

如图1、图2、图3、图4、图5、图6、图7以及图8所示，本实施例提供了一种基于遥感图像道路形状特征的道路提取方法，包括以下步骤：

步骤S1：获取高分辨率遥感影像的某一帧图像，并对图像进行平滑去噪预处理；所述的平滑去噪预处理为图像灰度化处理和图像平滑滤波处理；

步骤S2：利用待检测道路表面局部灰度一致性以及待检测道路与背景灰度相差大的特性，对步骤S1预处理后的遥感图像进行区域分割；

步骤S3: 根据面积和Ferret Box最小外接矩形的形状特征，对步骤S2分割后的图像结果进行道路段提取；

步骤S4：在步骤S3中已提取的道路段上任意选取一点作为初始种子点像素，并进行区域增长，最大限度地将道路区域进行连接；

步骤S5：结合图像的边缘信息对步骤S4的结果进行规整化处理；利用图像的边缘检测结果，通过边缘梯度信息对步骤S4中区域增长的结果进行边缘信息的校验和修整，将过增长的区域断开，从而规整了道路边缘信息。较佳地，可以利用Sobel算子对区域增长后图像进行边缘检测，处理方法为：，其中，Td表示梯度阈值，表示边缘梯度图像在(x, y)像素点的梯度值；

步骤S6：对步骤S5的结果进行形态学细化，提取道路中心骨架。

在本实施例中，所述步骤S2具体包括以下步骤：

步骤S21：将步骤S1预处理后的遥感图像分成若干个子图像块；

步骤S22：对步骤S21得到的每个子图像块采用大津阈值分割方法进行分割；

步骤S23：将步骤S22中各个分割后的子图像块合并，得到分割结果。

在本实施例中，步骤S21具体为：

步骤 S211：把步骤S1预处理后的遥感图像平均分为四个子图像块；

步骤S212：逐个计算每个子图像块的最大灰度值和最小灰度值，计算每个子图像块的最大灰度值和最小灰度值的差值；若则判定此子图像块满足划分条件，停止划分；否则进入步骤S213；其中为预设灰度差值，所述的依据目标图像的最大灰度值与最小灰度之差来设定；

步骤S213：将步骤S212中不满足划分条件的子图像块平均分成四个新的子图像块，进入步骤S212。

进一步地，在本实施例中，所述步骤S3具体包括以下步骤：

步骤S31：依据转动惯量原理，计算每个区域0阶转动惯量，所述的0阶转动惯量为区域面积s；定义面积阈值为Ts,依据图像分辨率的高低和需要提取对象的大小设置所述Ts；

步骤S32：对于每个区域用Ferret Box 得到最小外接矩形，计算最小外接矩形的长L、宽W、面积S、以及长宽比R；定义长度阈值和长宽比阈值分别为Tl和Tr；计算填充度F，其中，s为区域面积，S为最小Ferret Box最小外接矩形的面积；定义填充度阈值为Tf；

步骤S33：提取出面积S>Ts、长度L>Tl、长宽比R>Tr的区域，提取出填充度F>Tf的区域；其中面积阈值Ts=60，长度阈值Tl=30,填充度阈值Tf=0.3,长宽比阈值Tr=4；

步骤S34：将步骤S33中提取出的区域合并，得到最终的道路提取图像。

在本实施例中，所述步骤S4具体包括以下步骤：

步骤S41：对所选种子，选取它的4邻域像素并且分别计算所述4邻域像素与种子点像素灰度值的差值的绝对值；若所述绝对值有小于TR的值，就选取对应该绝对值的相邻像素作为新的种子点，其中TR为预设的差值绝对值，此处TR为12；

步骤S42：重复步骤S41搜寻下一个新的像素直到不再发现新的种子；

步骤S43：步骤S3中选取的道路段与新的种子合成为道路网络。

在本实施例中，所述步骤S6具体包括以下步骤：

步骤S61：利用形态学闭合和膨胀运算，填充经过步骤S5中的道路表面的孔洞；

步骤S62：对经过步骤S61的道路信息进行形态学细化，以获取道路中心线；

步骤S63：消除骨架提取后存在的部分短线；消除线条长度小于TL的短线条，其中TL为预设线条长度值，所述TL的大小结合实际情况来确定，这里TL=15。

具体如图所示，图2为本发明的不同形状的道路图，其中图2(a)为直线带状模型，图2(b)为曲线带状模型；图3为本发明的主轴线求解图 （Ferret Box原理图）；图4为灰度遥感图像；图5局部分割结果；图6为基于形状特征提取并区域增长结果；图7为细化结果；图8 为最终结果图（消除短线结果）。

综上所述，本发明不仅可以实现获取直线和曲线道路段，还可以自动提取种子点及自动获取道路网，克服了许多方法只能提取直线道路段缺点，而且更加的智能化。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (6)

1.一种基于遥感图像道路形状特征的道路提取方法，其特征在于包括以下步骤：

步骤S1：获取高分辨率遥感影像的某一帧图像，并对图像进行平滑去噪预处理；所述的平滑去噪预处理为图像灰度化处理和图像平滑滤波处理；

步骤S2：利用待检测道路表面局部灰度一致性以及待检测道路与背景灰度相差大的特性，对步骤S1预处理后的遥感图像进行区域分割；

步骤S3: 根据面积和Ferret Box最小外接矩形的形状特征，对步骤S2分割后的图像结果进行道路段提取；

步骤S4：在步骤S3中已提取的道路段上任意选取一点作为初始种子点像素，并进行区域增长，最大限度地将道路区域进行连接；

步骤S5：结合图像的边缘信息对步骤S4的结果进行规整化处理；利用图像的边缘检测结果，通过边缘梯度信息对步骤S4中区域增长的结果进行边缘信息的校验和修整，将过增长的区域断开，从而规整了道路边缘信息；

步骤S6：对步骤S5的结果进行形态学细化，提取道路中心骨架。

2.根据权利要求1所述的一种基于遥感图像道路形状特征的道路提取方法，其特征在于：所述步骤S2具体包括以下步骤：

步骤S21：将步骤S1预处理后的遥感图像分成若干个子图像块；

步骤S22：对步骤S21得到的每个子图像块采用大津阈值分割方法进行分割；

步骤S23：将步骤S22中各个分割后的子图像块合并，得到分割结果。

3.根据权利要求2所述的一种基于遥感图像道路形状特征的道路提取方法，其特征在于：步骤S21具体为：

步骤 S211：把步骤S1预处理后的遥感图像平均分为四个子图像块；

步骤S212：逐个计算每个子图像块的最大灰度值                                               和最小灰度值，计算每个子图像块的最大灰度值和最小灰度值的差值；若则判定此子图像块满足划分条件，停止划分；否则进入步骤S213；其中为预设灰度差值，所述的依据目标图像的最大灰度值与最小灰度之差来设定；

步骤S213：将步骤S212中不满足划分条件的子图像块平均分成四个新的子图像块，进入步骤S212。

4.根据权利要求1所述的一种基于遥感图像道路形状特征的道路提取方法，其特征在于：所述步骤S3具体包括以下步骤：

步骤S31：依据转动惯量原理，计算每个区域0阶转动惯量，所述的0阶转动惯量为区域面积s；定义面积阈值为Ts,依据图像分辨率的高低和需要提取对象的大小设置所述Ts；

步骤S32：对于每个区域用Ferret Box 得到最小外接矩形，计算最小外接矩形的长L、宽W、面积S、以及长宽比R；定义长度阈值和长宽比阈值分别为Tl和Tr；计算填充度F，其中，s为区域面积，S为最小Ferret Box最小外接矩形的面积；定义填充度阈值为Tf；

步骤S33：提取出面积S>Ts、长度L>Tl、长宽比R>Tr的区域，提取出填充度F>Tf的区域；

步骤S34：将步骤S33中提取出的区域合并，得到最终的道路提取图像。

5.根据权利要求1所述的一种基于遥感图像道路形状特征的道路提取方法，其特征在于：所述步骤S4具体包括以下步骤：

步骤S41：对所选种子，选取它的4邻域像素并且分别计算所述4邻域像素与种子点像素灰度值的差值的绝对值；若所述差值的绝对值有小于TR的值，就选取对应该绝对值的相邻像素作为新的种子点，其中TR为预设的差值绝对值；

步骤S42：重复步骤S41搜寻下一个新的像素直到不再发现新的种子；

步骤S43：步骤S3中选取的道路段与新的种子合成为道路网络。

6.根据权利要求1所述的一种基于遥感图像道路形状特征的道路提取方法，其特征在于：所述步骤S6具体包括以下步骤：

步骤S61：利用形态学闭合和膨胀运算，填充经过步骤S5得到的道路表面的孔洞；

步骤S62：对经过步骤S61得到的的道路信息进行形态学细化，以获取道路中心线；

步骤S63：消除骨架提取后存在的部分短线；消除线条长度小于TL的短线条，其中TL为预设线条长度值，所述TL的大小结合实际情况来确定。