CN104899592A - 一种基于圆形模板的道路半自动提取方法及系统 - Google Patents
一种基于圆形模板的道路半自动提取方法及系统 Download PDFInfo
- Publication number
- CN104899592A CN104899592A CN201510353828.XA CN201510353828A CN104899592A CN 104899592 A CN104899592 A CN 104899592A CN 201510353828 A CN201510353828 A CN 201510353828A CN 104899592 A CN104899592 A CN 104899592A
- Authority
- CN
- China
- Prior art keywords
- road
- template
- image
- circular shuttering
- point
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于圆形模板的道路半自动提取方法,方法包括对包含道路的影像进行滤波预处理、形态学梯度影像的获取、最佳圆形模板的生成、参考模板灰度值的获取、待匹配模板的搜索、道路中心点的加密、道路中心线的生成等7步骤;系统包括影像预处理模块、形态学梯度影像获取模块、圆形模板生成模块、参考模板灰度值获取模块、匹配模板搜索模块和中心线生成模块;本发明结合道路的几何特征,采用了多方向形态学滤波方法对影像进行预处理,平滑道路段的噪声,利于后续提取,同时选取圆形模板,能更好的贴合道路,待匹配模板搜索速度快,多段线拟合平滑中心线效果好。
Description
技术领域
本发明属于摄影测量与遥感影像应用技术领域,涉及一种对不同影像的道路提取方法及系统,尤其涉及一种对不同影像的道路进行半自动特征提取、多源遥感影像数据匹配以及影像拼接方法及系统。
背景技术
遥感卫星观测技术的发展带来了分辨率更高、实时性更强的数据,同时给数据处理的技术方面也带来了更多的挑战。道路作为基础地理信息的重要成员之一,是一种重要的人工地物,在遥感影像解译、空间数据库更新、国防安全、国家抗灾减灾、城乡规划管理和发展等方面有着重要的价值。在高分辨率遥感影像中道路的表现形式比较复杂,在同一幅影像中,可能存在有多条道路段,不同道路段的材质也可能不尽相同,由于分辨率的提高,路面上存在的噪声以及干扰都得以清晰的显现,包括建筑物和树木对道路的遮挡、树木的阴影遮挡、路面中的绿化带、中心轨道线以及汽车等等,这些在传统的中低分辨率影像上没有明显呈现的干扰此时给道路的提取造成了困难,因而探索针对高分辨率遥感影像中道路的提取方法仍然具有重大的意义。
数十年来,国内外诸多领域的专家学者对遥感影像中的道路提取进行了探索尝试,在各种提取方法上相继出现了一些不同的理论和技术创新。根据提取过程中人工干预情况的不同粗略分为全自动提取和半自动提取。全自动提取不太依赖人工干预,通过设计算法提取特征让计算机理解并自动识别道路,由于高分辨率影像上地物类别多信息量大,完全让计算机自动识别道路十分困难。因此目前更为现实可行的方法是结合人的识别能力和计算机的快速计算能力进行道路提取,中途实施适当的人工干预,取得了一些成果。
常用的半自动提取方法包括有模板匹配法、动态规划法、活动窗口模型法、区域生长法、先分类后用形态学处理等方法。由于噪声干扰严重,高分辨率影像中容易出现同物异谱和异物同谱的现象,以单个像素为单位进行处理的方法容易受到影响,使得提取结果不佳,因此常用的方法是定义各种形状的模板,如方形模板以及T型模板等等,以模板为单位,沿着预先指定的道路方向搜索匹配模板进行道路提取,这种提取方法抗噪能力相比单个像素更强,提取结果更稳定。只是在确定最佳道路前进方向时需要按照所划分的旋转角对模板进行旋转计算,角度划分粗细的不同会对提取结果造成影响,同时在弯曲度较大的道路部分上述模板旋转时容易将非道路类地物纳入模板中,对计算造成干扰。
发明内容
为了解决上述的技术问题,本发明提供了一种基于圆形模板的道路半自动提取方法及系统。
方法所采用的技术方案是:一种基于圆形模板的道路半自动提取方法,其特征在于,包括以下步骤:
步骤1:对包含道路的影像进行滤波预处理;结合道路在影像中呈现的几何特征,所述的几何特征包括光谱特征、形状特征、纹理特征,采用具有多方向的形态学滤波方法对影像进行预处理,以达到突出道路特征,平滑道路内部噪声的目的;
步骤2:形态学梯度影像的获取;对步骤1中预处理后得到的影像进行灰值形态学膨胀和腐蚀运算,得到形态学梯度影像,作为衡量灰度变化情况的指标;
步骤3:最佳圆形模板的生成;人工在道路段选择一个种子点,以一个像素为半径在种子点以及其邻域内各点处生成等大圆形模板,获取圆形模板;并不断生长圆形模板半径,直至圆形模板内形态学梯度值刚好不超过所设置阈值时,对应的圆形模板为最佳圆形模板;最佳圆形模板作为后续处理的参考模板,最佳圆形模板中心点作为参考道路中心点;
步骤4:参考模板灰度值的获取;在具有代表性的道路各处选取若干种子点,并按道路走向顺序排列组成种子点序列,以最佳圆形模板半径各自搜索并生成道路模板;所述的各自搜索并生成道路模板的方法采用的是步骤3中所述的生成最佳圆形模板的方法;统计所有模板灰度信息Gi,以其均值Gave作为参考模板的灰度值;
步骤5:待匹配模板的搜索;在两个相邻模板中心连线的中垂线上搜索待匹配模板;在中垂线上各处分别按照参考模板大小生成等大待匹配模板,获取最佳匹配模板和最佳道路中心点;
步骤6:道路中心点的加密;人工在首尾道路段选取道路种子点,搜索并生成各自参考模板,在两种子点间搜索最佳待匹配模板,将其对应中心点插入种子点序列中,对序列重新排序,将种子点两两分组,在每组之间继续搜索并插入新的道路中心点,直至满足初始设置的迭代次数,达到次数时停止迭代,停止搜索过程,以此方式实现道路中心点的加密;
步骤7:道路中心线的生成;获取所有道路中心点后将其三个分为一组,采用二次拉格朗日插值法构造抛物线按顺序连接各个中心点得到平滑的道路中心线。
作为优选,步骤1中所述的采用多方向的形态学滤波方法对影像进行预处理,首先用f表示影像,人工在影像中道路灰度均一、且没有地物遮挡的路段选取5×5道路模板,选择水平、竖直以及两条对角线共4个方向,用fd(x,y)表示图像中点(x,y)处在方向d上对应的5像素5×5道路模板,d取1、2、3、4中的一个;用Sd代表选取的5×5道路模板方向d上对应的5像素方向模板;则采用多方向的形态学滤波方法对影像进行预处理的具体流程包括以下子步骤:
步骤1.1:计算对应点和模板各方向差值的均值
步骤1.2:计算对应的标准差σd(x,y);
步骤1.3:比较寻找四个方向中极小值σd所对应的方向d;
步骤1.4:沿着方向d在点(x,y)处进行灰度腐蚀,然后将影像拉伸到[0,255]范围得到影像g;
步骤1.5:拉伸后重新计算影像在四个方向的灰度均值
步骤1.6:计算标准差σd(x,y);
步骤1.7:比较寻找四个方向中极小值σd所对应的方向d;
步骤1.8:沿着方向d在点(x,y)处进行灰度膨胀,然后将影像拉伸到[0,255]范围得到影像h;
步骤1.9:将以上步骤以相反方式重复一遍,即先膨胀后腐蚀,得到的影像即为结果影像。
作为优选,步骤3中所述的圆形模板的生成,其具体实现过程是:人工在道路段选择一个种子点,设置形态学梯度阈值δ,以一个像素为半径在种子点以及其邻域内各点处生成等大圆形模板,统计各模板内形态学梯度值之和,取最小者作为此半径下最佳圆形模板;分析最佳圆形模板形态学梯度值之和是否超过阈值,如未超过则以单个像素为单位逐渐增大半径;重复上述搜索过程,直至最佳圆形模板形态学梯度值之和超过阈值时停止迭代过程,将此时的最佳圆形模板作为后续处理的参考模板,最佳圆形模板中心点作为参考道路中心点。
作为优选,步骤5中所述的待匹配模板的搜索,其具体实现过程是:采用在两个相邻模板中心连线的中垂线上搜索待匹配模板;在中垂线上各处分别按照参考模板大小生成等大待匹配模板,利用各待匹配模板对应的灰度均值G、形态学梯度信息V以及由首点、待匹配模板中心点和尾点三点形成的夹角信息θ生成匹配函数,以匹配函数f代替传统的模板之间的最小二乘计算,匹配函数取极大值者即为最佳匹配模板,对应中心点为最佳道路中心点;匹配函数f为:
fi=(Gmax-|Gi-Gave|)/Gmax×α+Vmin/Vi×β+θi×γ;
其中,Gi为各待匹配模板对应的灰度均值,Vi为各待匹配模板所包含像素的形态学梯度和,Gave表示道路的灰度标准值;找出同灰度标准值相差最大的待匹配模板,二者的灰度差值用Gmax表示,同时统计其中形态学梯度和最小的模板,其值表示为Vmin,将灰度差值和形态学梯度和最小值二者的取值约束在0到1范围内;α、β和γ分别表示灰度、梯度以及角度三个因素所对应的权重系数,求取各待匹配模板的匹配函数值,并找出极大值者,默认匹配函数最大的模板所对应的中心点为正确道路中心点,将其加入道路点队列中。
本发明的系统所采用的技术方案是:一种基于圆形模板的道路半自动提取系统,其特征在于:包括影像预处理模块、形态学梯度影像获取模块、圆形模板生成模块、参考模板灰度值获取模块、匹配模板搜索模块和中心线生成模块;
所述的影像预处理模块用于对包含道路的影像进行滤波预处理,结合道路在影像中呈现的几何特征,所述的包括光谱特征、形状特征、纹理特征,结合道路呈现的几何特征,采用具有多方向的形态学滤波方法对影像进行预处理,从整幅影像中突出道路部分以及平滑道路内部的噪声;
所述的形态学梯度影像获取模块用户对预处理后得到的影像进行灰值形态学膨胀和腐蚀运算,得到形态学梯度影像;
所述的圆形模板生成模块用于接收用户输入的初始种子点和形态学梯度阈值,根据条件在影像上搜索并生成符合条件的最优圆形模板,作为后续搜索匹配模板的参考模板;
所述的参考模板灰度值获取模块用于获取参考模板的灰度值;
所述的匹配模板搜索模块用于在用户输入的起止道路种子点之间搜索最佳匹配模板,并进行迭代计算,实现道路中心点的加密操作,以完成整条道路的中心点检测;
所述的中心线生成模块:按顺序排列所存储的已检测道路中心点,对其分组,用二次拉格朗日插值法构造抛物线依次连接各个道路中心点,以获取平滑准确的道路中心线,完成整个提取过程。
相比于传统的模板匹配道路提取算法,本发明的优点在于:
1、多方向形态学滤波突出道路,平滑了噪声。由于道路在影像中一般呈长条状,具有特定的方向,同时不同的道路方向不确定,结合此特征,本发明采用多个方向对影像做形态学处理,为了平衡运算效果和运算时间,选择合适大小的道路模板,挑选合适数量的方向进行处理。处理过后的道路段相比处理前噪声明显得到抑制,而且由于周围地物造成的遮挡干扰也得到了弱化,有利于后续的提取操作;
2、圆形模板能更好的贴合道路。传统的方形模板和T型模板为了确定最佳的道路前进方向需要进行旋转,比较每次旋转后模板与参考模板的匹配值,挑选匹配值最大的方向为前进方向,为此需要对旋转角度进行划分,角度划分过粗容易得不到最佳的前进方向,划分过细会造成相应的计算量增加,同时在存在较大弯曲路段传统模板在旋转时容易将相邻的非道路地物也纳入到模板中,对匹配结果造成干扰。理想的道路边缘可以看成是两条平行线,本发明采用的圆形模板能够更好的贴合于道路任何路段,不需要旋转计算来确定道路前进方向,避免了复杂的计算,同时也不会纳入非道路地物,减少了误差的产生;
3、待匹配模板搜索速度快,多段线拟合平滑中心线效果好。本发明采用在首尾道路点连线的中垂线上搜索待匹配道路点,为了节省运算,采用模板的灰度信息、形态学梯度信息以及首尾道路点和待匹配点三点构成的夹角信息作为参数构建匹配函数,通过比较该中垂线上各点形成的待匹配模板之间的匹配函数大小,取匹配函数极大值者作为最佳匹配模板,其中心点作为道路点插入到已检测的道路中心点序列中,这种计算方式取代了传统的最小二乘计算,因此运算速度更快。完成所有道路点的搜索后,将道路点继续分组,每组之间采用二次拉格朗日插值法构建抛物线,以此方式按顺序连接所有道路点,从而获取平滑准确的道路中心线。
附图说明
图1:本发明实施例的方法流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
请见图1,本发明提供的一种基于圆形模板的道路半自动提取方法,包括以下步骤:
步骤1:对包含道路的影像进行滤波预处理;结合道路在影像中呈现的几何特征(光谱特征、形状特征、纹理特征),采用具有多方向的形态学滤波方法对影像进行预处理,以达到突出道路特征,平滑道路内部噪声的目的;
采用多方向的形态学滤波方法对影像进行预处理,首先用f表示影像,人工在影像中道路灰度均一、且没有地物遮挡的路段选取5×5道路模板,选择水平、竖直以及两条对角线共4个方向,用fd(x,y)表示图像中点(x,y)处在方向d上对应的5像素5×5道路模板,d取1、2、3、4中的一个;用Sd代表选取的5×5道路模板方向d上对应的5像素方向模板;则采用多方向的形态学滤波方法对影像进行预处理的具体流程包括以下子步骤:
步骤1.1:计算对应点和模板各方向差值的均值
步骤1.2:计算对应的标准差σd(x,y);
步骤1.3:比较寻找四个方向中极小值σd所对应的方向d;
步骤1.4:沿着方向d在点(x,y)处进行灰度腐蚀,然后将影像拉伸到[0,255]范围得到影像g;
步骤1.5:拉伸后重新计算影像在四个方向的灰度均值
步骤1.6:计算标准差σd(x,y);
步骤1.7:比较寻找四个方向中极小值σd所对应的方向d;
步骤1.8:沿着方向d在点(x,y)处进行灰度膨胀,然后将影像拉伸到[0,255]范围得到影像h;
步骤1.9:将以上步骤以相反方式重复一遍,即先膨胀后腐蚀,得到的影像即为结果影像。
步骤2:形态学梯度影像的获取;对步骤1中预处理后得到的影像进行灰值形态学膨胀和腐蚀运算,得到形态学梯度影像,作为衡量灰度变化情况的指标;
为了避免出现常用梯度检测算子在特定方向的漏检情况,采用各向同性的形态学梯度衡量灰度变化情况,选用3×3大小的结构元素N,分别对滤波后影像f(p)做形态学膨胀和腐蚀处理,将两影像相减即得到形态学梯度影像,对应结果分别如式(1)、(2)、(3)所示。
G(p)=δNf(p)-εNf(p)(3);
步骤3:最佳圆形模板的生成。常用方形模板和T型模板在检测最佳匹配模板时需要不断旋转计算,旋转角度划分的粗细不同会对检测结果造成影响,同时在弯曲道路段上述模板旋转容易纳入非道路类地物,对检测过程带来干扰,因此本发明选用无需旋转且更易贴合道路的圆形模板来解决上述问题。人工在道路段选择一个种子点,设置形态学梯度阈值δ,以一个像素为半径在种子点以及其邻域内各点处生成等大圆形模板,统计各模板内形态学梯度值之和,取最小者作为此半径下圆形模板。分析圆形模板形态学梯度值之和是否超过阈值,如未超过则以单个像素为单位逐渐增大半径,重复上述搜索过程,直至圆形模板形态学梯度值之和超过阈值时停止迭代过程,将此时的圆形模板作为最佳圆形模板,最佳圆形模板作为后续处理的参考模板,最佳圆形模板中心点作为参考道路中心点。
步骤4:参考模板灰度值的获取。不同道路段的光谱特征可能存在一些差异,为了不失一般性,在具有代表性的道路各处选取若干种子点,并按道路走向顺序排列组成种子点序列;以最佳模板半径各自搜索并生成道路模板,各自搜索并生成道路模板的方法采用的是步骤3中所述的生成最佳圆形模板的方法;统计所有模板灰度信息Gi,以其均值Gave作为参考模板的灰度值。
步骤5:待匹配模板的搜索。理想道路边缘是两条平行线,圆形模板可以在任意处内切于平行线之间,利用这个特点,本发明采用在两个相邻模板中心连线的中垂线上搜索待匹配模板。在中垂线上各处分别按照参考模板大小生成等大待匹配模板,利用各待匹配模板对应的灰度均值G、形态学梯度信息V以及由首点、待匹配模板中心点和尾点三点形成的夹角信息θ生成匹配函数,以匹配函数f代替传统的模板之间的最小二乘计算,匹配函数取极大值者即为最佳匹配模板,对应中心点为最佳道路中心点。
fi=(Gmax-|Gi-Gave|)/Gmax×α+Vmin/Vi×β+θi×γ(5);
其中,Gi为各待匹配模板对应的灰度均值,Vi为各待匹配模板所包含像素的形态学梯度和,Gave表示道路的灰度标准值;找出同灰度标准值相差最大的待匹配模板,二者的灰度差值用Gmax表示,同时统计其中形态学梯度和最小的模板,其值表示为Vmin,将灰度差值和形态学梯度和最小值二者的取值约束在0到1范围内;α、β和γ分别表示灰度、梯度以及角度三个因素所对应的权重系数,求取各待匹配模板的匹配函数值,并找出极大值者,默认匹配函数最大的模板所对应的中心点为正确道路中心点,将其加入道路点队列中。
步骤6:道路中心点的加密。人工在首尾道路段选取道路种子点,搜索并生成各自参考模板,在两种子点间搜索最佳待匹配模板,将其对应中心点插入种子点序列中,对序列重新排序,将种子点两两分组,在每组之间继续搜索并插入新的道路中心点,直至满足初始设置的迭代次数,达到次数时停止迭代,停止搜索过程,以此方式实现道路中心点的加密;
步骤7:道路中心线的生成。获得所有道路中心点后,对中心点按顺序存放,为了得到平滑连续的道路中心线,将中心点三个分为一组,采用二次拉格朗日插值法构建抛物线,假设(x0,y0),(x1,y1)和(x2,y2)为抛物线上相邻三点,则二次抛物线的插值形式为:
按照上式依次获得每条道路中心线,处理整幅影像获取互通的道路网。
本发明提供的一种基于圆形模板的道路半自动提取系统,其特征在于:包括影像预处理模块、形态学梯度影像获取模块、圆形模板生成模块、参考模板灰度值获取模块、匹配模板搜索模块和中心线生成模块;
所述的影像预处理模块用于对包含道路的影像进行滤波预处理,结合道路在影像中呈现的几何特征(光谱特征、形状特征、纹理特征),结合道路呈现的几何特征,采用具有多方向的形态学滤波方法对影像进行预处理,从整幅影像中突出道路部分以及平滑道路内部的噪声;
所述的形态学梯度影像获取模块用户对预处理后得到的影像进行灰值形态学膨胀和腐蚀运算,得到形态学梯度影像;
所述的圆形模板生成模块用于接收用户输入的初始种子点和形态学梯度阈值,根据条件在影像上搜索并生成符合条件的最优圆形模板,作为后续搜索匹配模板的参考模板;
所述的参考模板灰度值获取模块用于获取参考模板的灰度值;
所述的匹配模板搜索模块用于在用户输入的起止道路种子点之间搜索最佳匹配模板,并进行迭代计算,实现道路中心点的加密操作,以完成整条道路的中心点检测;
所述的中心线生成模块:按顺序排列所存储的已检测道路中心点,对其分组,用二次拉格朗日插值法构造抛物线依次连接各个道路中心点,以获取平滑准确的道路中心线,完成整个提取过程。
本发明采用完整率、正确率以及提取质量三个常用指标评定道路中心线的提取质量。人工获取理想道路中心线作为参考值,设置宽度阈值,分别对参考道路中心线以及提取道路中心线设置具有设定宽度的缓冲区,统计参考中心线以及提取中心线分别落入各自缓冲区部分内长度以及各自道路中心线的总长度,根据所获参数求取三种评价指标,评价道路中心线提取质量。
本发明结合道路的几何特征,采用了多方向形态学滤波方法对影像进行预处理,平滑道路段的噪声,利于后续提取,同时针对传统模板的不足,选取了更合适的圆形模板,能够较好的内切于道路的两条平行边缘中,同时不需要旋转,省去了旋转角度的划分以及模板的旋转计算,用模板灰度、形态学梯度以及模板中心之间的夹角信息构建匹配函数,代替最小二乘计算搜索最佳匹配模板,获取道路点。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (5)
1.一种基于圆形模板的道路半自动提取方法,其特征在于,包括以下步骤:
步骤1:对包含道路的影像进行滤波预处理;结合道路在影像中呈现的几何特征,所述的几何特征包括光谱特征、形状特征、纹理特征,采用具有多方向的形态学滤波方法对影像进行预处理,以达到突出道路特征,平滑道路内部噪声的目的;
步骤2:形态学梯度影像的获取;对步骤1中预处理后得到的影像进行灰值形态学膨胀和腐蚀运算,得到形态学梯度影像,作为衡量灰度变化情况的指标;
步骤3:最佳圆形模板的生成;人工在道路段选择一个种子点,以一个像素为半径在种子点以及其邻域内各点处生成等大圆形模板,获取圆形模板;并不断生长圆形模板半径,直至圆形模板内形态学梯度值刚好不超过所设置阈值时,对应的圆形模板为最佳圆形模板;最佳圆形模板作为后续处理的参考模板,最佳圆形模板中心点作为参考道路中心点;
步骤4:参考模板灰度值的获取;在具有代表性的道路各处选取若干种子点,并按道路走向顺序排列组成种子点序列,以最佳圆形模板半径各自搜索并生成道路模板;所述的各自搜索并生成道路模板的方法采用的是步骤3中所述的生成最佳圆形模板的方法;统计所有模板灰度信息Gi,以其均值Gave作为参考模板的灰度值;
步骤5:待匹配模板的搜索;在两个相邻模板中心连线的中垂线上搜索待匹配模板;在中垂线上各处分别按照参考模板大小生成等大待匹配模板,获取最佳匹配模板和最佳道路中心点;
步骤6:道路中心点的加密;人工在首尾道路段选取道路种子点,搜索并生成各自参考模板,在两种子点间搜索最佳待匹配模板,将其对应中心点插入种子点序列中,对序列重新排序,将种子点两两分组,在每组之间继续搜索并插入新的道路中心点,直至满足初始设置的迭代次数,达到次数时停止迭代,停止搜索过程,以此方式实现道路中心点的加密;
步骤7:道路中心线的生成;获取所有道路中心点后将其三个分为一组,采用二次拉格朗日插值法构造抛物线按顺序连接各个中心点得到平滑的道路中心线。
2.根据权利要求1所述的基于圆形模板的道路半自动提取方法,其特征在于,步骤1中所述的采用多方向的形态学滤波方法对影像进行预处理,首先用f表示影像,人工在影像中道路灰度均一、且没有地物遮挡的路段选取5×5道路模板,选择水平、竖直以及两条对角线共4个方向,用fd(x,y)表示图像中点(x,y)处在方向d上对应的5像素5×5道路模板,d取1、2、3、4中的一个;用Sd代表选取的5×5道路模板方向d上对应的5像素方向模板;则采用多方向的形态学滤波方法对影像进行预处理的具体流程包括以下子步骤:
步骤1.1:计算对应点和模板各方向差值的均值
步骤1.2:计算对应的标准差σd(x,y);
步骤1.3:比较寻找四个方向中极小值σd所对应的方向d;
步骤1.4:沿着方向d在点(x,y)处进行灰度腐蚀,然后将影像拉伸到[0,255]范围得到影像g;
步骤1.5:拉伸后重新计算影像在四个方向的灰度均值
步骤1.6:计算标准差σd(x,y);
步骤1.7:比较寻找四个方向中极小值σd所对应的方向d;
步骤1.8:沿着方向d在点(x,y)处进行灰度膨胀,然后将影像拉伸到[0,255]范围得到影像h;
步骤1.9:将以上步骤以相反方式重复一遍,即先膨胀后腐蚀,得到的影像即为结果影像。
3.根据权利要求1所述的基于圆形模板的道路半自动提取方法,其特征在于,步骤3中所述的圆形模板的生成,其具体实现过程是:人工在道路段选择一个种子点,设置形态学梯度阈值δ,以一个像素为半径在种子点以及其邻域内各点处生成等大圆形模板,统计各模板内形态学梯度值之和,取最小者作为此半径下最佳圆形模板;分析最佳圆形模板形态学梯度值之和是否超过阈值,如未超过则以单个像素为单位逐渐增大半径;重复上述搜索过程,直至最佳圆形模板形态学梯度值之和超过阈值时停止迭代过程,将此时的最佳圆形模板作为后续处理的参考模板,最佳圆形模板中心点作为参考道路中心点。
4.根据权利要求1所述的基于圆形模板的道路半自动提取方法,其特征在于,步骤5中所述的待匹配模板的搜索,其具体实现过程是:采用在两个相邻模板中心连线的中垂线上搜索待匹配模板;在中垂线上各处分别按照参考模板大小生成等大待匹配模板,利用各待匹配模板对应的灰度均值G、形态学梯度信息V以及由首点、待匹配模板中心点和尾点三点形成的夹角信息θ生成匹配函数,以匹配函数f代替传统的模板之间的最小二乘计算,匹配函数取极大值者即为最佳匹配模板,对应中心点为最佳道路中心点;匹配函数f为:
fi=(Gmax-|Gi-Gave|)/Gmax×α+Vmin/Vi×β+θi×γ;
其中,Gi为各待匹配模板对应的灰度均值,Vi为各待匹配模板所包含像素的形态学梯度和,Gave表示道路的灰度标准值;找出同灰度标准值相差最大的待匹配模板,二者的灰度差值用Gmax表示,同时统计其中形态学梯度和最小的模板,其值表示为Vmin,将灰度差值和形态学梯度和最小值二者的取值约束在0到1范围内;α、β和γ分别表示灰度、梯度以及角度三个因素所对应的权重系数,求取各待匹配模板的匹配函数值,并找出极大值者,默认匹配函数最大的模板所对应的中心点为正确道路中心点,将其加入道路点队列中。
5.一种利用权利要求1所述的基于圆形模板的道路半自动提取方法进行道路半自动提取的系统,其特征在于:包括影像预处理模块、形态学梯度影像获取模块、圆形模板生成模块、参考模板灰度值获取模块、匹配模板搜索模块和中心线生成模块;
所述的影像预处理模块用于对包含道路的影像进行滤波预处理,结合道路在影像中呈现的几何特征,所述的包括光谱特征、形状特征、纹理特征,结合道路呈现的几何特征,采用具有多方向的形态学滤波方法对影像进行预处理,从整幅影像中突出道路部分以及平滑道路内部的噪声;
所述的形态学梯度影像获取模块用户对预处理后得到的影像进行灰值形态学膨胀和腐蚀运算,得到形态学梯度影像;
所述的圆形模板生成模块用于接收用户输入的初始种子点和形态学梯度阈值,根据条件在影像上搜索并生成符合条件的最优圆形模板,作为后续搜索匹配模板的参考模板;
所述的参考模板灰度值获取模块用于获取参考模板的灰度值;
所述的匹配模板搜索模块用于在用户输入的起止道路种子点之间搜索最佳匹配模板,并进行迭代计算,实现道路中心点的加密操作,以完成整条道路的中心点检测;
所述的中心线生成模块:按顺序排列所存储的已检测道路中心点,对其分组,用二次拉格朗日插值法构造抛物线依次连接各个道路中心点,以获取平滑准确的道路中心线,完成整个提取过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510353828.XA CN104899592B (zh) | 2015-06-24 | 2015-06-24 | 一种基于圆形模板的道路半自动提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510353828.XA CN104899592B (zh) | 2015-06-24 | 2015-06-24 | 一种基于圆形模板的道路半自动提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104899592A true CN104899592A (zh) | 2015-09-09 |
CN104899592B CN104899592B (zh) | 2018-11-13 |
Family
ID=54032246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510353828.XA Expired - Fee Related CN104899592B (zh) | 2015-06-24 | 2015-06-24 | 一种基于圆形模板的道路半自动提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104899592B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106157219A (zh) * | 2016-06-30 | 2016-11-23 | 北京工业大学 | 基于车载扫描系统的道路中心线提取方法和装置 |
CN106909903A (zh) * | 2017-03-01 | 2017-06-30 | 河海大学常州校区 | 一种基于图像的路径识别方法及系统 |
CN109448046A (zh) * | 2018-10-15 | 2019-03-08 | 辽宁工程技术大学 | 一种基于多描述子的半自动道路中心线快速提取方法 |
CN111914817A (zh) * | 2020-09-21 | 2020-11-10 | 南京航空航天大学 | 一种基于种子点的道路识别方法及系统 |
CN114565857A (zh) * | 2022-02-25 | 2022-05-31 | 福建江夏学院 | 基于测地距离场与多折线拟合的道路提取方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070014488A1 (en) * | 2004-07-09 | 2007-01-18 | Ching-Chien Chen | Automatically and accurately conflating road vector data, street maps, and orthoimagery |
CN101763512A (zh) * | 2009-12-11 | 2010-06-30 | 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 |
CN101770581A (zh) * | 2010-01-08 | 2010-07-07 | 西安电子科技大学 | 高分辨率城区遥感图像中道路中心线的半自动检测方法 |
CN104657978A (zh) * | 2014-12-24 | 2015-05-27 | 福州大学 | 一种基于遥感图像道路形状特征的道路提取方法 |
-
2015
- 2015-06-24 CN CN201510353828.XA patent/CN104899592B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070014488A1 (en) * | 2004-07-09 | 2007-01-18 | Ching-Chien Chen | Automatically and accurately conflating road vector data, street maps, and orthoimagery |
CN101763512A (zh) * | 2009-12-11 | 2010-06-30 | 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 |
CN101770581A (zh) * | 2010-01-08 | 2010-07-07 | 西安电子科技大学 | 高分辨率城区遥感图像中道路中心线的半自动检测方法 |
CN104657978A (zh) * | 2014-12-24 | 2015-05-27 | 福州大学 | 一种基于遥感图像道路形状特征的道路提取方法 |
Non-Patent Citations (2)
Title |
---|
王昆等: "融合纹理和形状特征的高分辨率遥感影像道路提取", 《遥感信息》 * |
谭仁龙等: "基于圆形模板的高分辨率遥感影像道路半自动提取", 《测绘通报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106157219A (zh) * | 2016-06-30 | 2016-11-23 | 北京工业大学 | 基于车载扫描系统的道路中心线提取方法和装置 |
CN106909903A (zh) * | 2017-03-01 | 2017-06-30 | 河海大学常州校区 | 一种基于图像的路径识别方法及系统 |
CN106909903B (zh) * | 2017-03-01 | 2020-01-10 | 河海大学常州校区 | 一种基于图像的路径识别方法及系统 |
CN109448046A (zh) * | 2018-10-15 | 2019-03-08 | 辽宁工程技术大学 | 一种基于多描述子的半自动道路中心线快速提取方法 |
CN109448046B (zh) * | 2018-10-15 | 2021-08-17 | 辽宁工程技术大学 | 一种基于多描述子的半自动道路中心线快速提取方法 |
CN111914817A (zh) * | 2020-09-21 | 2020-11-10 | 南京航空航天大学 | 一种基于种子点的道路识别方法及系统 |
CN111914817B (zh) * | 2020-09-21 | 2024-04-02 | 南京航空航天大学 | 一种基于种子点的道路识别方法及系统 |
CN114565857A (zh) * | 2022-02-25 | 2022-05-31 | 福建江夏学院 | 基于测地距离场与多折线拟合的道路提取方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104899592B (zh) | 2018-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN104008553B (zh) | 融合影像梯度信息和分水岭方法的裂缝检测方法 | |
CN108197583B (zh) | 基于图割优化和影像结构特征的建筑物变化检测方法 | |
CN103886344B (zh) | 一种图像型火灾火焰识别方法 | |
CN103077529B (zh) | 基于图像扫描的植物叶片特征分析系统 | |
CN103886589B (zh) | 面向目标的自动化高精度边缘提取方法 | |
CN102938071B (zh) | 基于非局部均值的sar图像变化检测模糊聚类分析方法 | |
CN107564002A (zh) | 塑料管表面缺陷检测方法、系统及计算机可读存储介质 | |
CN104899592A (zh) | 一种基于圆形模板的道路半自动提取方法及系统 | |
CN106709450A (zh) | 一种指纹图像识别方法及系统 | |
CN107025687B (zh) | 一种基于视觉依赖曲率估算的文物线图绘制方法 | |
CN103048329A (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
CN109389062B (zh) | 利用高分辨率星载sar图像提取湖泊水陆分割线的方法 | |
CN109146948A (zh) | 基于视觉的作物长势表型参数量化与产量相关性分析方法 | |
CN107392885A (zh) | 一种基于视觉对比机制的红外弱小目标检测方法 | |
CN108921076B (zh) | 基于图像的道面裂缝病害自适应恒虚警检测方法 | |
CN104700398A (zh) | 一种点云场景物体提取方法 | |
CN103473557A (zh) | 一种空谱一体化的高光谱遥感图像分类方法 | |
CN107038416A (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN107392929A (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
CN105741276A (zh) | 一种船舶水线提取方法 | |
CN104899892A (zh) | 一种快速的星图图像星点提取方法 | |
CN105956544A (zh) | 一种基于结构指数特征的遥感影像道路交叉口提取的方法 | |
CN112085675A (zh) | 深度图像去噪方法、前景分割方法及人体运动监测方法 | |
CN104680151A (zh) | 一种顾及雪覆盖影响的高分辨全色遥感影像变化检测方法 |
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 | ||
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: 20181113 Termination date: 20190624 |