CN105740807A - 一种基于数学形态学的遥感图像提取连续河流骨架线方法 - Google Patents
一种基于数学形态学的遥感图像提取连续河流骨架线方法 Download PDFInfo
- Publication number
- CN105740807A CN105740807A CN201610058396.4A CN201610058396A CN105740807A CN 105740807 A CN105740807 A CN 105740807A CN 201610058396 A CN201610058396 A CN 201610058396A CN 105740807 A CN105740807 A CN 105740807A
- Authority
- CN
- China
- Prior art keywords
- skeleton
- pixel
- river
- connecting line
- value
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于数学形态学的遥感图像提取连续河流骨架线方法,本发明采用水体提取后对河流进行细化的方法提取初始河流骨架线,并针对骨架线断裂的情况进行自适应连接,针对断裂距离较长、断裂形式单一的类型采用端点局部膨胀细化的方法进行连接,针对河流骨架有分支时的多端点聚集情况采用膨胀方法限定端点聚集范围,集合河流一头入、一头出的特点,将与该范围相连的两端进行连接。通过河流特征对连接线去伪,最终获得连续的河流骨架线。
Description
技术领域
本发明属于遥感图像处理领域,特别涉及一种基于数学形态学的遥感图像提取连续河流骨架线方法。
背景技术
目前,水利行业对河流骨架线的提取主要依靠实地测绘,人工勾画,工作量大,工作周期长。特别是随着影像分辨率的提高,用户对河流骨架线的精度提出了更高的需求。从遥感影像中提取河流骨架线,能有效的降低人工勾画的工作量,且更能保证骨架线位于河流中心,这也成为遥感技术与水利业务结合的必然结果。但此方法提取出的骨架线受水体提取漏提影响,会发生断裂,从而严重与自然语义不符,也对骨架线的分析、应用造成了阻碍。
发生断裂是线提取面临的重大问题,目前连接断裂线的主流方法有:1)最小点对法,根据断线的形态特点,连接距离最短,或方向差异性最小的点,该方法的缺点是发生错误的概率较高;2)膨胀细化法,通过膨胀将断裂部分连接,再进行细化,该方法的缺点是对断裂较大的图像会造成骨架线严重变形。针对上述方法的不足,学者针对等高线、道路、边界等不同对象继续进行了探索,并取得了一定成果。但由于河流所在图像通常范围较大,干扰性断点很多,且断裂长短不一,河流走向复杂,目前相关研究较少,上述的断线连接方法也难以适用。
发明内容
针对现有技术中河流骨架线提取断裂的问题,本发明提供了一种基于数学形态学的遥感图像提取连续河流骨架线方法,该在获取初始断裂骨架线基础上,对断裂处进行自适应连接,并对连接线进行去伪,从而获取连续的河流骨架线。
为解决上述技术问题,本发明采用如下的技术方案:
一种基于数学形态学的遥感图像提取连续河流骨架线方法,其特征包括以下步骤:
步骤1,基础河流骨架线提取,包括:
步骤1.1,对影像进行水体提取:计算影像的NDWI指数, 其中,Rgreen为影像绿波段,RNIR为影像的近红外波段;然后对影像的NDWI指数进行直方图统计,采用谷值法计算分割阈值,提取水体;
步骤1.2,对提取出的水体进行细化,提取初始骨架线:基于Rosenfeld细化算法提
取水体骨架线,骨架像元值为1,背景像元值为0;
步骤2,断裂骨架线自适应连接,包括:
步骤2.1,统计骨架像元八邻域情况,骨架像元的值DNi=∑j∈IDNj,I为像元i八邻域集合,从而将骨架像元分为值为端点、普通点、节点三类点,所述三类点包括端点(DNi=1)、普通点(DNi=2)、节点(DNi=3);
步骤2.2,根据图像断裂情况确定膨胀尺度,具体是:对所有端点计算与其距离最短的端点之间的距离的1/2,并进行统计端点在各距离值的聚集情况,形成曲线,由于河流骨架线的端点主要由断裂造成,用曲线表征骨架线断裂情况,曲线陡降结束点的距离值为膨胀尺度Scale;
步骤2.3,对图像端点进行局部膨胀,膨胀尺度为Scale;
步骤2.4,对图像端点类型进行分类,对膨胀后影像进行腐蚀-膨胀操作,腐蚀尺度为Scale+k,再次膨胀尺度为Scale+m,根据再次膨胀情况选择执行:
选择步骤一:若端点的膨胀区域消失,则为断裂形式单一情况,直接对首次膨胀所得区域进行Rosenfeld细化获取连接线;
选择步骤二:若膨胀区域未消失,则所膨胀区域包含的端点为河流骨架有分支时的多断点聚集情况,提取膨胀区域边界上的骨架像元,河流对于该区域而言,为一头进、一头出的形态,以膨胀区域边界上骨架点作为起始骨架像元,向膨胀区域内进行跟踪,寻找并连接断点或节点,获得连接线;
步骤3,连接线去伪:
步骤3.1,利用初始骨架将穿过河流内部的连接线切断,条件如下:
式中,DNi为骨架像元i的值,I’为i的八邻域余i本身的集合,j为I’中的像元,如果为连接线像元,则值xj=1,J’为j的八邻域和j本身集合,即骨架像元i的八邻域中,如果有连接线像元j,则将该连接线像元删除,但由于有的连接线的一端距离端点附近的骨架线过近,因此还需加最后一个限定条件,J’中的所有像元k都不为骨架线端点;
步骤3.2,删除伪连接线,首先对连接线像元进行骨架像元八邻域情况的统计,再进行删除,具体是从连接线切断点开始,跟踪连接线,并将其值赋为背景像元值,其中,
像元为连接线切断点的判断条件如下:
跟踪结束的判断条件为:
在上述的一种基于数学形态学的遥感图像提取连续河流骨架线方法,所述的背景像元值为0;初始骨架点值为1,骨架点经统计过后,端点值为1,普通点值为2,节点值为3。
在上述的一种基于数学形态学的遥感图像提取连续河流骨架线方法,所述的膨胀尺度统计以整十数为分界,求出的所有端点的最小距离的1/2用进一法化为整十数,从而体现统计特性;膨胀尺度通常不超过50,尺度为统计数陡降的结束点。
在上述的一种基于数学形态学的遥感图像提取连续河流骨架线方法,所述的腐蚀尺度为Scale+k,再次膨胀尺度为Scale+m,k∈(0,5),m∈(k,10),以保证腐蚀时能将断裂形式单一的端点全部去除,膨胀时能将所有河流骨架有分支时的多端点聚集断点包含。
本发明具有如下特点和有益效果:1、本发明采用了自适应的断线连接方式连接骨架,利用最小点对法思想获取膨胀尺度,从端点聚集情况入手,自适应连接不同情况断点,断裂形式单一时,用端点局部膨胀细化法获取的连接线,河流骨架有分支造成多端点聚集时,通过分析河流一头入、一头出的形态,连接断裂骨架。2、本发明引入了连接线去伪的机制,以往的断线连接技术中,人们都着重考虑如何将断线连接起来,但是连接过程中,往往会出现错连现象,特别是对于河流而言,不确定因素大,干扰众多,必须引入去伪的机制,以保证连接的正确性,通过分析河流不能流入其本身的特点,利用初始骨架线切断所有与其内部相交的连接线,并对被切断的连接线进行消除,从而去除伪连接线。
附图说明
图1为膨胀尺度统计选择示例图。
图2a为断裂形式单一断点情况膨胀示意图。
图2b为断裂形式单一断点情况膨胀区域腐蚀示意图。
图2c为断裂形式单一断点情况膨胀区域细化示意图。
图3a为河流骨架有分支时的多端点聚集情况膨胀示意图。
图3b为河流骨架有分支时的多端点聚集情况膨胀区域腐蚀示意图。
图3c为河流骨架有分支时的多端点聚集情况再次膨胀示意图。
图3d为河流骨架有分支时的多端点聚集情况断裂骨架线跟踪连接示意图。
图4a为普通端点膨胀示意图。
图4b为普通端点错误连接示意图。
图4c为错误连接线打断并跟踪删除示意图。
图4d为错误连接线去除结果示意图。
图5为本发明的方法流程示意图。
具体实施方式
下面将详细描述本发明的具体实施例。应当注意,这里描述的实施例只用于举例说明,并不用于限制本发明。
1、提取初始河流骨架线。
计算影像的NDWI指数,其中,Rgreen为影像绿波段,RNIR为影像的近红外波段;
对影像的NDWI指数进行直方图统计,采用估值法计算分割阈值,提取水体;
利用Rosenfeld细化算法提取水体骨架线,骨架像元值为1,背景像元值为0;
2、自适应连接断裂骨架线。
统计骨架像元八邻域情况,骨架像元的值DNi=∑j∈IDNj,I为像元i八邻域集合,从而将骨架像元分为值为端点(DNi=1)、普通点(DNi=2)、节点(DNi=3)三类点;
根据图像断裂情况确定膨胀尺度,对所有端点计算与其距离最短的端点之间的欧式距离,将该值的1/2用进一法保留为整十数,并进行统计,形成曲线,如图1所示,数量陡降处结束点的距离值为膨胀尺度Scale,即图一中的红点处,此图应取30;
对图像端点进行膨胀,膨胀尺度为30;
对图像端点类型进行分类,对膨胀后影像进行腐蚀后膨胀,腐蚀尺度为30+3,再次膨胀尺度为30+5,以保证腐蚀时能将断裂形式单一的端点全部去除,膨胀时能将所有河流骨架有分支时的多端点聚集断点包含。膨胀区域消失的端点为断裂形式单一情况,直接对膨胀后区域进行细化,膨胀区域相交的端点将被相连,获得连接线如图2所示;膨胀区域未消失的端点为河流骨架有分支时的多端点聚集情况膨胀区域内的端点,提取膨胀区域边界上的骨架像元,河流对于该区域而言,为一头进、一头出的形态,通常,相对边界上的骨架像元所在的骨架线方向差异性更小,通过膨胀区域边界位置关系,确定目标骨架像元,从骨架像元开始向膨胀区域内进行跟踪,寻找并连接断点,获得连接线如图3所示;
3、去除伪连接线。
利用初始骨架将穿过河流内部的连接线切断,条件如下:
式中,DNi为骨架像元i的值,I’为i的八邻域余i本身的集合,j为I’中的像元,如果为连接线像元,则值xj=1,J’为j的八邻域和j本身集合,即骨架像元i的八邻域中,如果有连接线像元j,则将该连接线像元删除,但由于有的连接线的一端距离端点附近的骨架线过近,因此还需加最后一个限定条件,J’中的所有像元k都不为骨架线端点。
删除伪连接线,即从连接线切断点开始,扫描当前点的8领域,如果存在连接线像元,将当前点赋值为背景像元,并将下一个连接线像元作为当前像元继续扫描,像元为连接线切断点的判断条件如下:
跟踪结束的判断条件为:
伪连接线的形成与去除如图4所示。
Claims (4)
1.一种基于数学形态学的遥感图像提取连续河流骨架线方法,其特征包括以下步骤:
步骤1,基础河流骨架线提取,包括:
步骤1.1,对影像进行水体提取:计算影像的NDWI指数, 其中,Rgreen为影像绿波段,RNIR为影像的近红外波段;然后对影像的NDWI指数进行直方图统计,采用谷值法计算分割阈值,提取水体;
步骤1.2,对提取出的水体进行细化,提取初始骨架线:基于Rosenfeld细化算法提取水体骨架线,骨架像元值为1,背景像元值为0;
步骤2,断裂骨架线自适应连接,包括:
步骤2.1,统计骨架像元八邻域情况,骨架像元的值DNi=∑j∈IDNj,I为像元i八邻域集合,从而将骨架像元分为值为端点、普通点、节点三类点,所述三类点包括端点(DNi=1)、普通点(DNi=2)、节点(DNi=3);
步骤2.2,根据图像断裂情况确定膨胀尺度,具体是:对所有端点计算与其距离最短的端点之间的距离的1/2,并进行统计端点在各距离值的聚集情况,形成曲线,由于河流骨架线的端点主要由断裂造成,用曲线表征骨架线断裂情况,曲线陡降结束点的距离值为膨胀尺度Scale;
步骤2.3,对图像端点进行局部膨胀,膨胀尺度为Scale;
步骤2.4,对图像端点类型进行分类,对膨胀后影像进行腐蚀-膨胀操作,腐蚀尺度为Scale+k,再次膨胀尺度为Scale+m,根据再次膨胀情况选择执行:
选择步骤一:若端点的膨胀区域消失,则为断裂形式单一情况,直接对首次膨胀所得区域进行Rosenfeld细化获取连接线;
选择步骤二:若膨胀区域未消失,则所膨胀区域包含的端点为河流骨架有分支时的多断点聚集情况,提取膨胀区域边界上的骨架像元,河流对于该区域而言,为一头进、一头出的形态,以膨胀区域边界上骨架点作为起始骨架像元,向膨胀区域内进行跟踪,寻找并连接断点或节点,获得连接线;
步骤3,连接线去伪:
步骤3.1,利用初始骨架将穿过河流内部的连接线切断,条件如下:
式中,DNi为骨架像元i的值,I’为i的八邻域余i本身的集合,j为I’中的像元,如果为连接线像元,则值xj=1,J’为j的八邻域和j本身集合,即骨架像元i的八邻域中,如果有连接线像元j,则将该连接线像元删除,但由于有的连接线的一端距离端点附近的骨架线过近,因此还需加最后一个限定条件,J’中的所有像元k都不为骨架线端点;
步骤3.2,删除伪连接线,首先对连接线像元进行骨架像元八邻域情况的统计,再进行删除,具体是从连接线切断点开始,跟踪连接线,并将其值赋为背景像元值,其中,
像元为连接线切断点的判断条件如下:
跟踪结束的判断条件为:
2.根据权利要求1所述的一种基于数学形态学的遥感图像提取连续河流骨架线方法,其特征在于:所述的背景像元值为0;初始骨架点值为1,骨架点经统计过后,端点值为1,普通点值为2,节点值为3。
3.根据权利要求1所述的一种基于数学形态学的遥感图像提取连续河流骨架线方法,其特征在于:所述的膨胀尺度统计以整十数为分界,求出的所有端点的最小距离的1/2用进一法化为整十数,从而体现统计特性;膨胀尺度通常不超过50,尺度为统计数陡降的结束点。
4.根据权利要求1所述的一种基于数学形态学的遥感图像提取连续河流骨架线方法,其特征在于:所述的腐蚀尺度为Scale+k,再次膨胀尺度为Scale+m,k∈(0,5),m∈(k,10),以保证腐蚀时能将断裂形式单一的端点全部去除,膨胀时能将所有河流骨架有分支时的多端点聚集断点包含。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610058396.4A CN105740807B (zh) | 2016-01-28 | 2016-01-28 | 一种基于数学形态学的遥感图像提取连续河流骨架线方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610058396.4A CN105740807B (zh) | 2016-01-28 | 2016-01-28 | 一种基于数学形态学的遥感图像提取连续河流骨架线方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105740807A true CN105740807A (zh) | 2016-07-06 |
CN105740807B CN105740807B (zh) | 2019-04-09 |
Family
ID=56246804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610058396.4A Active CN105740807B (zh) | 2016-01-28 | 2016-01-28 | 一种基于数学形态学的遥感图像提取连续河流骨架线方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105740807B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108319902A (zh) * | 2018-01-19 | 2018-07-24 | 中国科学院南京土壤研究所 | 一种河曲自动提取方法 |
CN110688961A (zh) * | 2019-09-30 | 2020-01-14 | 北京大学 | 一种河网拓扑信息提取方法及系统 |
CN111354191A (zh) * | 2020-03-09 | 2020-06-30 | 深圳大学 | 车道行车状况确定方法、装置、设备及存储介质 |
CN114037682A (zh) * | 2021-11-08 | 2022-02-11 | 中国科学院光电技术研究所 | 一种光学元件表面疵病二维自动检测方法 |
CN114078140A (zh) * | 2020-08-19 | 2022-02-22 | 香港理工大学深圳研究院 | 一种基于滑坡边界多边形和坡向图的滑坡轨迹提取方法 |
CN114155253A (zh) * | 2021-12-09 | 2022-03-08 | 电子科技大学 | 一种基于遥感影像分割的狭长条带状要素断裂的连接方法 |
CN118038084A (zh) * | 2024-04-15 | 2024-05-14 | 江西核工业测绘院集团有限公司 | 一种用于地理数据测绘的多元化骨架线提取处理系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101576957A (zh) * | 2009-06-19 | 2009-11-11 | 西安电子科技大学 | 遥感图像快速河流提取方法 |
CN101976347A (zh) * | 2010-10-21 | 2011-02-16 | 西北工业大学 | 基于Mean Shift分割的遥感图像中水上桥梁识别方法 |
CN103473548A (zh) * | 2013-09-22 | 2013-12-25 | 铁道第三勘察设计院集团有限公司 | 一种利用图像处理和先验知识提取断裂构造信息方法 |
CN103793907A (zh) * | 2013-12-12 | 2014-05-14 | 中国科学院深圳先进技术研究院 | 一种水体信息的提取方法及装置 |
US20150206025A1 (en) * | 2014-01-17 | 2015-07-23 | University Of Electronic Science And Technology Of China | Method for identifying and extracting a linear object from an image |
-
2016
- 2016-01-28 CN CN201610058396.4A patent/CN105740807B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101576957A (zh) * | 2009-06-19 | 2009-11-11 | 西安电子科技大学 | 遥感图像快速河流提取方法 |
CN101976347A (zh) * | 2010-10-21 | 2011-02-16 | 西北工业大学 | 基于Mean Shift分割的遥感图像中水上桥梁识别方法 |
CN103473548A (zh) * | 2013-09-22 | 2013-12-25 | 铁道第三勘察设计院集团有限公司 | 一种利用图像处理和先验知识提取断裂构造信息方法 |
CN103793907A (zh) * | 2013-12-12 | 2014-05-14 | 中国科学院深圳先进技术研究院 | 一种水体信息的提取方法及装置 |
US20150206025A1 (en) * | 2014-01-17 | 2015-07-23 | University Of Electronic Science And Technology Of China | Method for identifying and extracting a linear object from an image |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108319902A (zh) * | 2018-01-19 | 2018-07-24 | 中国科学院南京土壤研究所 | 一种河曲自动提取方法 |
CN108319902B (zh) * | 2018-01-19 | 2019-02-22 | 中国科学院南京土壤研究所 | 一种河曲自动提取方法 |
CN110688961A (zh) * | 2019-09-30 | 2020-01-14 | 北京大学 | 一种河网拓扑信息提取方法及系统 |
CN110688961B (zh) * | 2019-09-30 | 2021-06-25 | 北京大学 | 一种河网拓扑信息提取方法及系统 |
CN111354191A (zh) * | 2020-03-09 | 2020-06-30 | 深圳大学 | 车道行车状况确定方法、装置、设备及存储介质 |
CN111354191B (zh) * | 2020-03-09 | 2022-05-20 | 深圳大学 | 车道行车状况确定方法、装置、设备及存储介质 |
CN114078140A (zh) * | 2020-08-19 | 2022-02-22 | 香港理工大学深圳研究院 | 一种基于滑坡边界多边形和坡向图的滑坡轨迹提取方法 |
CN114078140B (zh) * | 2020-08-19 | 2022-08-26 | 香港理工大学深圳研究院 | 一种基于滑坡边界多边形和坡向图的滑坡轨迹提取方法 |
CN114037682A (zh) * | 2021-11-08 | 2022-02-11 | 中国科学院光电技术研究所 | 一种光学元件表面疵病二维自动检测方法 |
CN114155253A (zh) * | 2021-12-09 | 2022-03-08 | 电子科技大学 | 一种基于遥感影像分割的狭长条带状要素断裂的连接方法 |
CN114155253B (zh) * | 2021-12-09 | 2023-04-07 | 电子科技大学 | 一种基于遥感影像分割的狭长条带状要素断裂的连接方法 |
CN118038084A (zh) * | 2024-04-15 | 2024-05-14 | 江西核工业测绘院集团有限公司 | 一种用于地理数据测绘的多元化骨架线提取处理系统 |
CN118038084B (zh) * | 2024-04-15 | 2024-06-18 | 江西核工业测绘院集团有限公司 | 一种用于地理数据测绘的多元化骨架线提取处理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105740807B (zh) | 2019-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105740807A (zh) | 一种基于数学形态学的遥感图像提取连续河流骨架线方法 | |
CN110909690B (zh) | 一种基于区域生成的遮挡人脸图像检测方法 | |
CN105931295B (zh) | 一种地质图专题信息提取方法 | |
CN105678777B (zh) | 一种多特征联合的光学卫星影像云与云阴影检测方法 | |
CN111797712B (zh) | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 | |
CN102663382B (zh) | 基于子网格特征自适应加权的视频图像文字识别方法 | |
CN111274865A (zh) | 一种基于全卷积神经网络的遥感图像云检测方法及装置 | |
CN1332348C (zh) | 印刷体阿拉伯字符集文本切分方法 | |
CN104050471A (zh) | 一种自然场景文字检测方法及系统 | |
CN104899862A (zh) | 基于全局与局部阈值的视网膜血管分割算法 | |
CN105701490B (zh) | 一种基于图像熵的集装箱箱号自适应定位方法 | |
CN105427323A (zh) | 一种基于相位一致性的激光熔覆熔池边缘提取方法 | |
CN109697717A (zh) | 一种基于图像自动搜索的衬砌裂缝识别方法 | |
CN102184534A (zh) | 一种利用多尺度高帽选择变换的图像融合方法 | |
CN110310238A (zh) | 一种基于重用原始信息的压缩奖惩神经网络的单幅图像去雨方法 | |
CN104809736A (zh) | 基于先验知识的医学断层图像闭合骨骼轮廓计算方法 | |
CN103247049A (zh) | 一种smt焊点图像分割方法 | |
CN108053412A (zh) | 融合多定量评价指标的遥感影像最优分割结果确定方法 | |
CN110276279A (zh) | 一种基于图像分割的任意形状场景文本探测方法 | |
CN101976347A (zh) | 基于Mean Shift分割的遥感图像中水上桥梁识别方法 | |
CN113408547B (zh) | 一种多时相多极化sar滑坡提取方法 | |
CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
CN104778678B (zh) | 一种考虑孔喉末端的孔隙喉道识别方法 | |
CN111476723A (zh) | 一种Landsat-7扫描线纠正器失效的遥感图像丢失像素恢复方法 | |
CN103778423A (zh) | 基于灰度近邻和方差约束的手指静脉纹路修复方法 |
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 |