CN105956544A - 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 - Google Patents

Abstract

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，该方法首先根据路网矢量中的线条交叉信息获取待检测交叉口位置集合；根据交叉口位置和缓冲半径获取交叉口影像切片，并通过多方向形态学滤波增强处理剔除路面显著的小尺寸干扰地物。交叉口结构检测主要分两个层次来执行：平面交叉口结构检测和道路立体交叉结构检测。当平面交叉口结构检测结果与导航路网中的交叉口结构不一致时，认为可能是由于分离式立体交叉造成的伪检测结果，进一步采用道路立体交叉结构检测方法做进一步的检测和验证。考虑到复合道路交叉结构的广泛存在，利用先验道路交叉模型作为约束，对已提取的邻近道路交叉进行结构化组织。

Description

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

技术领域

本发明涉及遥感影像应用技术领域，尤其是涉及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。

背景技术

道路网拓扑结构是基础地理信息道路网更新所关注的内容之一，是构建完整道路不可或缺的重要信息。而道路交叉口是路段之间拓扑结构的集中呈现形式。通过检测已有道路矢量交叉口的结构信息，能够确定道路间的连接关系，进而将道路连接为道路网；并且道路交叉信息也为新增道路检测验证提供了有力线索。道路交叉要素主要以点状对象表示，其隶属于道路要素，并表达了道路之间的连接关系。

现有的道路交叉口的检测和提取方法可以分为间接检测方法和直接检测方法。间接检测方法将交叉口作为道路提取的附属产物，其提取结果受道路提取结果的影响；直接检测方法则是基于道路交叉口附近的边缘、拐角及像元梯度统计特征来检测和提取道路交叉口。基于边缘检测的方法仅适用于支路具有显著边缘特征的交叉口检测任务，即使对于支路边缘特征显著的道路交叉提取任务，背景地物边缘特征的干扰也会造成交叉提取方法的稳定性降低，因而其应用具有很大的局限性。随着影像分辨率的提高，混合像元逐渐被相对更为纯净的像元所代替，同类地物内部的像元光谱特征分布也更为复杂，这使得传统的基于拐角检测和梯度统计特征的道路交叉提取方法失效。

基于导航路网数据的交叉口提取方法具有很大的优势，矢量数据提供了交叉口的拓扑和几何信息(包括交叉口位置、分支路段数量等)，在已知信息的辅助下将有利于检测符合特征约束的交叉口对象。高分遥感影像中，道路交叉口呈现为不同方向分支路段交会构成的面特征对象，根据道路光谱特征的连续性，沿分支路段方向上的像素具有强相关性，而非分支路段方向上的像素则相关性较弱，相关像元的结构特征反映了道路交叉的结构特征。本发明以高分影像的结构特征作为道路交叉口检测提取的基础，根据平面交叉口和道路立体交叉的差异分别提出两种不同的道路交叉提取方法，最后利用先验模型对提取的道路交叉进行结构化组织。

发明内容

本发明的技术方案为：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，包括以下步骤：

步骤一，利用导航路网矢量中的线条交叉信息获取待检测交叉口位置集合。

步骤二，利用交叉口位置和缓冲半径获取交叉口影像切片，并通过多方向形态学滤波增强处理剔除路面显著的小尺寸干扰地物。

步骤三，平面交叉口结构检测和道路立体交叉结构检测；

当平面交叉口结构检测结果与导航路网中的交叉口结构不一致时，认为可能是由于分离式立体交叉造成的伪检测结果，进一步采用道路立体交叉结构检测方法做进一步的检测和验证。

步骤四，基于先验模型的复合道路交叉结构检测；

考虑到复合道路交叉结构的广泛存在，利用先验道路交叉模型作为约束，对已提取的邻近道路交叉进行结构化组织。

所述步骤二中，根据待剔除对象的特征，干扰地物剔除处理过程为：首先通过阈值分割，获取交叉口影像中灰度值较高的区域作为待处理的区域；然后，选择水平和垂直两个方向上的线状结构元素对影像分别进行形态学开重构运算，结构元素的长度要求大于斑马线的宽度。所述步骤三中，平面交叉口结构检测的具体实施步骤如下：

(1)像元形状指数PSI的定义；根据不同方向邻近像素的光谱相似性度量高分遥感影像中像元的空间上下文特征，使得处于相同形状区域内的像元具有相同或相近的特征值；

定义围绕中心像素的方向线，方向线是一系列相隔一定角度的，由中心像元朝不同方向发散的线段，根据相邻像元间的光谱异质性测度和阈值确定线段的长度，生成由方向线长度构成的直方图，取直方图均值作为PSI特征值，如式(1)所示：

$PSI\left(x\right)=\frac{1}{D}\underset{d=1}{\overset{D}{\Σ}}{L}_d\left(x\right)---\left(1\right)$

其中，D为方向线条数，L_d(x)为中心像元x在第d个方向上的方向线的长度，L_d(x)的确定是基于方向线上光谱特征的异质性，异质性测度定义如式(2)所示：

${\mathrm{PH}}_d(k,x)=\underset{s=1}{\overset{n}{\Σ}}|p_s\left(k\right)-p_s\left(x\right)|---\left(2\right)$

其中，PH_d(k,x)表示当前中心像元x的邻域像元x在第d条方向线上的异质性测度，p_s(x)表示中心像元在波段s上的光谱值，p_s(k)为邻域像元k在波段s上的光谱值，n为输入影像的波段数；

每条方向线都是从中心像元出发，向定义方向扩展，当待扩展像元不符合扩展约束条件时，则停止方向线扩展，并记录当前方向线的长度，方向线扩展条件如下：

$\left\{\begin{array}{c}{\mathrm{PH}}_d(k,x)<T_1\\ L_d\left(x\right)<T_2\end{array}\right.---\left(3\right)$

其中，T₁为像元异质性阈值，T₂为方向线长度阈值，方向线扩展条件的解释为：当前像元K与中心像元X的异质性小于T₁，并且方向线长度小于T₂时，则可以将方向线扩展至该像元；否则，停止扩展，记录当前方向线长度；

(2)方向线距离直方图峰值检测；

利用自适应异质性阈值设定方法，如式(4)所示：

T₀＝μ(PH)+λ·σ(PH) (4)

其中，T₀为动态异质性阈值；PH是由距离阈值T₂范围内各个方向上的像元异质性值构成的实数集合；μ和σ分别为求集合PH均值和标准差的函数，λ为权重；

为了准确检测峰值，首先需要对直方图进行平滑处理，抑制非峰值方向线长度值，平滑处理如式(5)所示：

$L_d^{*}\left(x\right)=\frac{1}{2r+1}\underset{i=-r}{\overset{r}{\&Sigma;}}{L}_{(d+r)\mathrm{mod}\left(D\right)}\left(x\right)---\left(5\right)$

其中，r为平滑处理的邻域范围半径，d和D的定义与上文定义相同，分别标识当前的方向线对应的方向序数和方向总数；L为原始方向线长度，为平滑后第d个方向线的长度；

(3)交叉口像元结构指数；具体定义如下：

(a)根据构成交叉口支路的方向角度，将圆周分为8个区间，每个区间对应一个可能的交叉口支路方向，给每个区间分配固定的权值；

(b)将上一步从方向线直方图中检测到的峰值对应的方向角度向上述角度分区中做映射投票，若某分区获得多于1的投票，则将当前分区标记为1，否则标记为0，然后将标记值与分区权重相乘并求和，得到IPSI；

IPSI＝w₁l₁+w₂l₂+w₃l₃+w₄l₄+w₅l₅+w₆l₆+w₇l₇+w₈l₈ (6)

其中，l₁,l₂,l₃,…,l₈表示各个角度分区的标记值；w₁,w₂,w₃,…,w₈为对应分区的权重，分别为1,2,4,8,16,32,64,128；

(4)指数像元聚合度；

定义IPSI指数像元聚合度指标，具体定义如式7所示：

$AG\left(IPSI\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}{\&lsqb;{(x_i-x_{cen})}^2+{(y_i-y_{cen})}^2\&rsqb;}^{\frac{1}{2}}---\left(7\right)$

其中，N为IPSI值等于指定值的像素数，(x_i,y_i)为其中第i个像元的行列坐标，(x_cen,y_cen)为N个像元位置的均值，AG取值越大，则像元点分布越离散，AG取值越小，则像元点越集中；

取阈值T_AG，当AG>T_AG时，认为当前IPSI对应的结构特征为候选交叉口结构特征，而(x_cen,y_cen)为候选交叉口中心位置，分别获取所有IPSI同值点数N超过阈值T_N的像元集合，并计算对应的聚合度AG，选取其中AG最小值对应的IPSI值，并将其对应的方向角度结构作为检测到的当前交叉口的结构。

所述步骤三中，道路立体交叉结构检测的具体实施步骤如下：

(1)灰度共生线；

灰度共生线GLCL特征以边缘检测结果作为共生像元检测基础，统计图像中每个边缘像元在边缘法向方向的两侧的像元共生特征，构成灰度共生矩阵，以反映当前影像范围内边缘对象光谱特征的分布情况；具体方法如下：

(a)对待处理交叉口影像切片进行边缘检测，选用LSD边缘检测算法；

(b)将原始影像的灰度级进行重新分级量化，影像灰度级重新量化的过程见公式(8)；

$I_{level}=ROUND\&lsqb;\frac{I\&CenterDot;(level-1)}{255}\&rsqb;---\left(8\right)$

其中，I_level为将原影像I从255灰度级量化为level级的新影像，ROUND为四舍五入函数；

(c)获取每条边缘线的共生灰度特征，设定灰度共生半径，以边缘位置为中心，以边缘的法向方向为扩展方向，获取边缘两侧共生线位置；其计算过程如式(9)所示。

$\left\{\begin{array}{c}{X}_{left}=X-r\&CenterDot;sin\left(\mathrm{\&theta;}\right)\\ Y_{left}=Y+r\&CenterDot;\cos \left(\mathrm{\&theta;}\right)\\ X_{right}=X+r\&CenterDot;\sin \left(\mathrm{\&theta;}\right)\\ Y_{right}=Y-r\&CenterDot;\cos \left(\mathrm{\&theta;}\right)\end{array}\right.---\left(9\right)$

其中，(X,Y)＝{(x₁,y₁)；(x₂,y₂)；…；(x_n,y_n)}为边缘像元点位集合；(X_left,Y_left)和(X_right,Y_right)为原始边缘两侧的共生边缘像元点集；r为共生边缘半径，θ为当前边缘相对于水平方向的方向角度；

(d)根据共生边缘位置集合从I_level中获取对应的灰度值，分别统计左右共生线像元灰度值的均值，计算过程如式(10)所示，(DN_left,DN_right)则为当前边缘的共生灰度特征，并以边缘的像素长度作为当前灰度共生值在共生矩阵中的权值；

$\left\{\begin{array}{cc}{\mathrm{DN}}_{left}=\frac{1}{n}\underset{i=1}{\overset{n}{\&Sigma;}}{I}_{level}(x_i,y_i)& (x_i,y_i)\&Element;(X_{left},Y_{left})\\ {\mathrm{DN}}_{right}=\frac{1}{n}\underset{j=1}{\overset{n}{\&Sigma;}}{I}_{level}(x_j,y_j)& (x_j,y_j)\&Element;(X_{right},Y_{right})\end{array}\right.---\left(10\right)$

(e)依次对影像域内所有边缘执行上述操作，得到GLCL特征矩阵；

(2)道路立体交叉方向检测；

在确定道路立体交叉支路方向之前，首先根据GLCL特征矩阵选择有效的边缘检测结果；

定义方向熵作为度量参数选择优劣的指标；

$ENT=\underset{i=0}{\overset{D}{\&Sigma;}}p\left(i\right)\&CenterDot;log\&lsqb;p\left(i\right)\&rsqb;---\left(11\right)$

式中p(i)为边缘方向直方图概率密度函数，定义如(12)所示：

$\begin{array}{cc}p\left(i\right)=\frac{l_i}{L}& i=1,2,...,D\end{array}---\left(12\right)$

其中，D为方向数，L为所有边缘长度累加和，l_i为第i个方向的边缘累加长度；

ENT表征影像域内边缘方向的无序程度，通过设置多个参数r分别进行实验，选择对应最小ENT的r作为最终的参数值；

按照平面交叉口提取的峰值检测方法获取道路立体交叉的方向峰值，以此作为当前立体交叉的支路方向；由确定的立体交叉支路方向从边缘集合中选择与选定方向一致的边缘，并求边缘交点集合的中心位置作为当前交叉口的位置，并根据支路方向进行交叉结构标识。

所述步骤四具体过程如下；

(a)遍历所有已检测到的交叉口对象，在每个交叉口的邻域半径T_R内寻找与当前交叉口相连的交叉口对象，并加入当前交叉口集合，然后以新加入的交叉口为中心，检测邻域相连交叉口对象，直到没有符合条件的交叉口加入，得到当前复合交叉口集合，并根据连接关系生成其对应的稀疏矩阵gⁱ；

(b)遍历已知先验道路交叉模型，将当前道路交叉简单图模型gⁱ与先验交叉模型做子图同构匹配处理；

(c)每对简单图模型与先验模型的匹配结果对应匹配点数为n_ij，取与gⁱ匹配得到最大匹配点数的先验模型作为当前道路交叉口对应的先验交叉模型，如式(13)所示；

$g_{tmp}^k|k=\mathrm{argmax}\left(n_{ik}\right)---\left(13\right).$

本发明根据平面交叉口和道路立体交叉的特征差异，分别研究两种道路交叉的结构检测方法，特点是：

(1)考虑到高分影像中像元光谱特征高度细节化的特点，研究基于结构特征的平面交叉口提取方法，通过构建结构特征指数，建立影像特征与平面交叉口结构的映射关系，并根据像元结构特征的聚集特性来提取道路交叉口；

(2)考虑到道路立体交叉路段具有丰富的线特征，研究基于线特征方向统计信息的立体交叉结构检测方法；

(3)由于背景地物边缘特征的干扰，统计结果常常不具有显著的方向性，进一步研究基于边缘光谱特征的非道路边缘的抑制方法。

(4)综合导航路网矢量数据和高分影像数据的交叉口结构检测方法能够有效地检测出道路交叉结构，对不同类型的交叉口具有较强的适应性；同时，检测结果也能够反映出部分道路段的变化。

附图说明

图1是基于结构指数特征的遥感影像道路交叉口提取的流程处理图。

图2是支路方向分区示意图。

具体实施方式

本发明提出了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，该方法首先根据路网矢量中的线条交叉信息获取待检测交叉口位置集合；根据交叉口位置和缓冲半径获取交叉口影像切片，并通过多方向形态学滤波增强处理剔除路面显著的小尺寸干扰地物。交叉口结构检测主要分两个层次来执行：平面交叉口结构检测和道路立体交叉结构检测。当平面交叉口结构检测结果与导航路网中的交叉口结构不一致时，认为可能是由于分离式立体交叉造成的伪检测结果，进一步采用道路立体交叉结构检测方法做进一步的检测和验证。考虑到复合道路交叉结构的广泛存在，利用先验道路交叉模型作为约束，对已提取的邻近道路交叉进行结构化组织

以下结合附图和实施例详细说明本发明技术方案，流程图如图1所示，实施例的技术方案流程包括以下步骤：

步骤一，利用导航路网矢量中的线条交叉信息获取待检测交叉口位置集合。导航路网是由矢量线条和节点构成，根据道路对象的交叉情况，可以确定已知的交叉口位置。

步骤二，利用交叉口位置和缓冲半径获取交叉口影像切片，并通过多方向形态学滤波增强处理剔除路面显著的小尺寸干扰地物。根据待剔除对象的特征，设计干扰地物剔除处理如下：首先通过阈值分割，获取交叉口影像中灰度值较高的区域作为待处理的区域；然后，选择水平和垂直两个方向上的线状结构元素对影像分别进行形态学开重构运算，结构元素的长度要求大于斑马线的宽度。

步骤三，平面交叉口结构检测和道路立体交叉结构检测。平面交叉口结构检测的具体实施步骤如下：

(1)像元形状指数(Pixel Shape Index,PSI)的定义。根据不同方向邻近像素的光谱相似性度量高分遥感影像中像元的空间上下文特征，使得处于相同形状区域内的像元具有相同或相近的特征值，而不同形状对象的特征值则具有较大差异。该特征在充分利用高分辨率影像的细节特性同时，抑制了对象内部噪声和光谱渐变的干扰。

定义围绕中心像素的一系列方向线，方向线是一系列相隔一定角度的，由中心像元朝不同方向发散的线段，根据相邻像元间的光谱异质性测度和阈值确定线段的长度，生成由方向线长度构成的直方图，取直方图均值作为PSI特征值，如式(1)所示：

$PSI\left(x\right)=\frac{1}{D}\underset{d=1}{\overset{D}{\&Sigma;}}{L}_d\left(x\right)---\left(1\right)$

其中，D为方向线条数，L_d(x)为中心像元x在第d个方向上的方向线的长度。L_d(x)的确定是基于方向线上光谱特征的异质性，异质性测度定义如式(2)所示：

${\mathrm{PH}}_d(k,x)=\underset{s=1}{\overset{n}{\&Sigma;}}|p_s\left(k\right)-p_s\left(x\right)|---\left(2\right)$

其中，PH_d(k,x)表示当前中心像元x的邻域像元x在第d条方向线上的异质性测度，p_s(x)表示中心像元在波段s上的光谱值,p_s(k)为邻域像元k在波段s上的光谱值，n为输入影像的波段数。

每条方向线都是从中心像元出发，向定义方向扩展，当待扩展像元不符合扩展约束条件时，则停止方向线扩展，并记录当前方向线的长度。方向线扩展条件如下：

$\left\{\begin{array}{c}{\mathrm{PH}}_d(k,x)<T_1\\ L_d\left(x\right)<T_2\end{array}\right.---\left(3\right)$

其中，T₁为像元异质性阈值，T₂为方向线长度阈值，方向线扩展条件的解释为：当前像元K与中心像元X的异质性小于T₁，并且方向线长度小于T₂时，则可以将方向线扩展至该像元；否则，停止扩展，记录当前方向线长度。

(2)方向线距离直方图峰值检测。从上步中对PSI特征检测方法的描述可以看出，方向线的扩展长度与异质性阈值T₁的设定有关，而场景的差异使得固定的阈值难以应对各种可能的光谱变异情况。因此提出自适应异质性阈值设定方法，如式(4)所示：

T₀＝μ(PH)+λ·σ(PH) (4)

其中，T₀为动态异质性阈值；PH是由距离阈值T₂范围内各个方向上的像元异质性值构成的实数集合；μ和σ分别为求集合PH均值和标准差的函数，λ为权重。

为了准确检测峰值，首先需要对直方图进行平滑处理，抑制非峰值方向线长度值，平滑处理如式(5)所示：

$L_d^{*}\left(x\right)=\frac{1}{2r+1}\underset{i=-r}{\overset{r}{\&Sigma;}}{L}_{(d+r)\mathrm{mod}\left(D\right)}\left(x\right)---\left(5\right)$

其中，r为平滑处理的邻域范围半径，d和D的定义与上文定义相同，分别标识当前的方向线对应的方向序数和方向总数；L为原始方向线长度，为平滑后第d个方向线的长度。

(3)交叉口像元结构指数。为了检测交叉口的结构特征，提出交叉口像元结构指数(Intersection Pixel Structure Index,IPSI)。与PSI相同的是，IPSI的定义也是基于方向线长度直方图；不同的是，IPSI的定义与交叉口结构密切相关，可以看作是方向线长度直方图到交叉口结构的映射特征。具体定义如下：

(a)根据构成交叉口支路的方向角度，将圆周分为8个区间(如附图2)，每个区间对应一个可能的交叉口支路方向，给每个区间分配固定的权值，权值分配情况如图中红框内黑体数字所示。

(b)将上一步从方向线直方图中检测到的峰值对应的方向角度向上述角度分区中做映射投票，若某分区获得多于1的投票，则将当前分区标记为1，否则标记为0，然后将标记值与分区权重相乘并求和，得到IPSI。

IPSI＝w₁l₁+w₂l₂+w₃l₃+w₄l₄+w₅l₅+w₆l₆+w₇l₇+w₈l₈ (6)

其中，l₁,l₂,l₃,…,l₈表示各个角度分区的标记值；w₁,w₂,w₃,…,w₈为对应分区的权重，分别为1,2,4,8,16,32,64,128。

(4)指数像元聚合度。IPSI指数影像揭示了影像内每个像元的结构特征，以及每类结构特征对应的像素数和像素位置。要从中提取交叉口的中心位置和交叉口的结构特征，需要引入交叉口的先验知识作为辅助。由交叉口的定义可知，交叉口是由不少于三条分支路段交会而成，因此IPSI至少由对应3个方向角度分区的方向线长度峰值生成，另外，交叉口中心区域对应各个支路方向都会形成方向线的长度峰值，因此具有与交叉口结构特征一致的IPSI值会在交叉口中心位置呈聚集分布态势，据此，定义IPSI指数像元聚合度指标，它表征了具有相同IPSI值的像元分布的离散程度，具体定义如式式7所示：

$AG\left(IPSI\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}{\&lsqb;{(x_i-x_{cen})}^2+{(y_i-y_{cen})}^2\&rsqb;}^{\frac{1}{2}}---\left(7\right)$

其中，N为IPSI值等于指定值的像素数，(x_i,y_i)为其中第i个像元的行列坐标，(x_cen,y_cen)为N个像元位置的均值。AG取值越大，则像元点分布越离散，AG取值越小，则像元点越集中。

取阈值T_AG，当AG>T_AG时，认为当前IPSI对应的结构特征为候选交叉口结构特征，而(x_cen,y_cen)为候选交叉口中心位置。分别获取所有IPSI同值点数N超过阈值T_N的像元集合，并计算对应的聚合度AG，选取其中AG最小值对应的IPSI值，并将其对应的方向角度结构作为检测到的当前交叉口的结构。

立体交叉口的提取，提出一种基于灰度共生线(Gray-Level Co-occurrenceLine,GLCL)的道路立体交叉检测方法，步骤如下：

(1)灰度共生线。提出的灰度共生线(GLCL)特征以边缘检测结果作为共生像元检测基础，统计图像中每个边缘像元在边缘法向方向的两侧的像元共生特征，构成灰度共生矩阵，以反映当前影像范围内边缘对象光谱特征的分布情况。具体方法如下：

(a)对待处理交叉口影像切片进行边缘检测，选用LSD(Grompone Von Gioi etal.,2012)边缘检测算法。LSD方法检测结果为直线段对象，具有唯一的方向特征，便于执行线段两侧共生灰度特征计算和方向统计。

(b)将原始影像的灰度级进行重新分级量化。影像灰度级重新量化的过程见公式(8)。

$I_{level}=ROUND\&lsqb;\frac{I\&CenterDot;(level-1)}{255}\&rsqb;---\left(8\right)$

其中，I_level为将原影像I从255灰度级量化为level级的新影像，ROUND为四舍五入函数。

(c)获取每条边缘线的共生灰度特征，设定灰度共生半径，以边缘位置为中心，以边缘的法向方向为扩展方向，获取边缘两侧共生线位置。其计算过程如式(9)所示。

$\left\{\begin{array}{c}{X}_{left}=X-r\&CenterDot;sin\left(\mathrm{\&theta;}\right)\\ Y_{left}=Y+r\&CenterDot;\cos \left(\mathrm{\&theta;}\right)\\ X_{right}=X+r\&CenterDot;\sin \left(\mathrm{\&theta;}\right)\\ Y_{right}=Y-r\&CenterDot;\cos \left(\mathrm{\&theta;}\right)\end{array}\right.---\left(9\right)$

其中，(X,Y)＝{(x₁,y₁)；(x₂,y₂)；…；(x_n,y_n)}为边缘像元点位集合；(X_left,Y_left)和(X_right,Y_right)为原始边缘两侧的共生边缘像元点集；r为共生边缘半径，θ为当前边缘相对于水平方向的方向角度。

(d)根据共生边缘位置集合从I_level中获取对应的灰度值，分别统计左右共生线像元灰度值的均值，计算过程如式(10)所示，(DN_left,DN_right)则为当前边缘的共生灰度特征，并以边缘的像素长度作为当前灰度共生值在共生矩阵中的权值。

$\left\{\begin{array}{cc}{\mathrm{DN}}_{left}=\frac{1}{n}\underset{i=1}{\overset{n}{\&Sigma;}}{I}_{level}(x_i,y_i)& (x_i,y_i)\&Element;(X_{left},Y_{left})\\ {\mathrm{DN}}_{right}=\frac{1}{n}\underset{j=1}{\overset{n}{\&Sigma;}}{I}_{level}(x_j,y_j)& (x_j,y_j)\&Element;(X_{right},Y_{right})\end{array}\right.---\left(10\right)$

(e)依次对影像域内所有边缘执行上述操作，得到GLCL特征矩阵。

(2)道路立体交叉方向检测。在确定道路立体交叉支路方向之前，首先根据GLCL特征矩阵选择有效的边缘检测结果。

参数r的设置与边缘选择结果密切相关，选择合适的参数是必要的。场景内检测到的边缘方向特征通常是离散的，而边缘选择的目的是选择方向具有显著指示性的边缘，即所有的边缘方向聚集于某两个或若干个中心方向角度附近，由此定义方向熵作为度量参数选择优劣的指标。

$ENT=\underset{i=0}{\overset{D}{\&Sigma;}}p\left(i\right)\&CenterDot;log\&lsqb;p\left(i\right)\&rsqb;---\left(11\right)$

式中p(i)为边缘方向直方图概率密度函数，定义如(12)所示：

$\begin{array}{cc}p\left(i\right)=\frac{l_i}{L}& i=1,2,...,D\end{array}---\left(12\right)$

其中，D为方向数，L为所有边缘长度累加和，l_i为第i个方向的边缘累加长度。

ENT表征影像域内边缘方向的无序程度，边缘方向分布越随机，ENT越大，而参数r的选择目标是使ENT尽可能的小，从而边缘方向分布具有一定的聚集趋势。通过设置多个参数r分别进行实验，选择对应最小ENT的r作为最终的参数值。

按照平面交叉口提取的峰值检测方法获取道路立体交叉的方向峰值，以此作为当前立体交叉的支路方向。由确定的立体交叉支路方向从边缘集合中选择与选定方向一致的边缘，并求边缘交点集合的中心位置作为当前交叉口的位置，并根据支路方向进行交叉结构标识。

步骤四，基于先验模型的复合道路交叉结构检测。具体步骤如下：

(a)遍历所有已检测到的交叉口对象，在每个交叉口的邻域半径T_R内寻找与当前交叉口相连的交叉口对象，并加入当前交叉口集合，然后以新加入的交叉口为中心，检测邻域相连交叉口对象，直到没有符合条件的交叉口加入，得到当前复合交叉口集合，并根据连接关系生成其对应的稀疏矩阵gⁱ；

(b)遍历已知先验道路交叉模型，将当前道路交叉简单图模型gⁱ与先验交叉模型做子图同构匹配处理；

(c)每对简单图模型与先验模型的匹配结果对应匹配点数为n_ij，取与gⁱ匹配得到最大匹配点数的先验模型作为当前道路交叉口对应的先验交叉模型。如式(13)所示，

$g_{tmp}^k|k=\mathrm{argmax}\left(n_{ik}\right)---\left(13\right)$

其中，n_ik是简单图模型gⁱ与先验交叉模型的匹配点数中的最大匹配点数，邻接交叉对象连接结果的复合交叉结构随邻域距离的不同而不同，初始连接得到的复合交叉结构可能并不完整，从而与先验模型集合的匹配效果并不理想。在扩大交叉对象连接邻域范围的过程中，将最优的图匹配结果作为对应的先验交叉模型。另外，由于现实中道路交叉结构的复杂性，先验交叉模型无法覆盖所有情况，从而导致部分交叉结构图无法无完全匹配，实际处理过程中，取相互的子图同构匹配结果。

Claims (5)

1.一种基于结构指数特征的遥感影像道路交叉口提取的方法，其特征在于：包括以下步骤；

步骤一，利用导航路网矢量中的线条交叉信息获取待检测交叉口位置集合；

步骤二，利用交叉口位置和缓冲半径获取交叉口影像切片，并通过多方向形态学滤波增强处理剔除路面显著的小尺寸干扰地物；

步骤三，平面交叉口结构检测和道路立体交叉结构检测；

当平面交叉口结构检测结果与导航路网中的交叉口结构不一致时，进一步采用道路立体交叉结构检测方法做进一步的检测和验证；

步骤四，基于先验模型的复合道路交叉结构检测；

利用先验道路交叉模型作为约束，对已提取的邻近道路交叉进行结构化组织。

2.根据权利要求1所述的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，其特征在于：所述步骤二中，根据待剔除对象的特征，干扰地物剔除处理过程为：首先通过阈值分割，获取交叉口影像中灰度值较高的区域作为待处理的区域；然后，选择水平和垂直两个方向上的线状结构元素对影像分别进行形态学开重构运算，结构元素的长度要求大于斑马线的宽度。

3.根据权利要求2所述的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，其特征在于：所述步骤三中，平面交叉口结构检测的具体实施步骤如下：

(1)像元形状指数PSI的定义；根据不同方向邻近像素的光谱相似性度量高分遥感影像中像元的空间上下文特征，使得处于相同形状区域内的像元具有相同或相近的特征值；

定义围绕中心像素的方向线，方向线是一系列相隔一定角度的，由中心像元朝不同方向发散的线段，根据相邻像元间的光谱异质性测度和阈值确定线段的长度，生成由方向线长度构成的直方图，取直方图均值作为PSI特征值，如式(1)所示：

$PSI\left(x\right)=\frac{1}{D}\underset{d=1}{\overset{D}{\&Sigma;}}{L}_d\left(x\right)---\left(1\right)$

其中，D为方向线条数，L_d(x)为中心像元x在第d个方向上的方向线的长度，L_d(x)的确定是基于方向线上光谱特征的异质性，异质性测度定义如式(2)所示：

${\mathrm{PH}}_d(k,x)=\underset{s=1}{\overset{n}{\&Sigma;}}|p_s\left(k\right)-p_s\left(x\right)|---\left(2\right)$

其中，PH_d(k,x)表示当前中心像元x的邻域像元x在第d条方向线上的异质性测度，p_s(x)表示中心像元在波段s上的光谱值，p_s(k)为邻域像元k在波段s上的光谱值，n为输入影像的波段数；

每条方向线都是从中心像元出发，向定义方向扩展，当待扩展像元不符合扩展约束条件时，则停止方向线扩展，并记录当前方向线的长度，方向线扩展条件如下：

$\left\{\begin{array}{c}{\mathrm{PH}}_d(k,x)<T_1\\ L_d\left(x\right)<T_2\end{array}\right.---\left(3\right)$

其中，T₁为像元异质性阈值，T₂为方向线长度阈值，方向线扩展条件的解释为：当前像元K与中心像元X的异质性小于T₁，并且方向线长度小于T₂时，则可以将方向线扩展至该像元；否则，停止扩展，记录当前方向线长度；

(2)方向线距离直方图峰值检测；

利用自适应异质性阈值设定方法，如式(4)所示：

T₀＝μ(PH)+λ·σ(PH) (4)

其中，T₀为动态异质性阈值；PH是由距离阈值T₂范围内各个方向上的像元异质性值构成的实数集合；μ和σ分别为求集合PH均值和标准差的函数，λ为权重；

为了准确检测峰值，首先需要对直方图进行平滑处理，抑制非峰值方向线长度值，平滑处理如式(5)所示：

$L_d^{*}\left(x\right)=\frac{1}{2r+1}\underset{i=-r}{\overset{r}{\&Sigma;}}{L}_{(d+r)\mathrm{mod}\left(D\right)}\left(x\right)---\left(5\right)$

其中，r为平滑处理的邻域范围半径，d和D的定义与上文定义相同，分别标识当前的方向线对应的方向序数和方向总数；L为原始方向线长度，为平滑后第d个方向线的长度；

(3)交叉口像元结构指数；具体定义如下：

(a)根据构成交叉口支路的方向角度，将圆周分为8个区间，每个区间对应一个可能的交叉口支路方向，给每个区间分配固定的权值；

(b)将上一步从方向线直方图中检测到的峰值对应的方向角度向上述角度分区中做映射投票，若某分区获得多于1的投票，则将当前分区标记为1，否则标记为0，然后将标记值与分区权重相乘并求和，得到IPSI；

IPSI＝w₁l₁+w₂l₂+w₃l₃+w₄l₄+w₅l₅+w₆l₆+w₇l₇+w₈l₈ (6)

其中，l₁,l₂,l₃,…,l₈表示各个角度分区的标记值；w₁,w₂,w₃,…,w₈为对应分区的权重，分别为1,2,4,8,16,32,64,128；

(4)指数像元聚合度；

定义IPSI指数像元聚合度指标，具体定义如式7所示：

$AG\left(IPSI\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}{\&lsqb;{(x_i-x_{cen})}^2+{(y_i-y_{cen})}^2\&rsqb;}^{\frac{1}{2}}---\left(7\right)$

其中，N为IPSI值等于指定值的像素数，(x_i,y_i)为其中第i个像元的行列坐标，(x_cen,y_cen)为N个像元位置的均值，AG取值越大，则像元点分布越离散，AG取值越小，则像元点越集中；

取阈值T_AG，当AG>T_AG时，认为当前IPSI对应的结构特征为候选交叉口结构特征，而(x_cen,y_cen)为候选交叉口中心位置，分别获取所有IPSI同值点数N超过阈值T_N的像元集合，并计算对应的聚合度AG，选取其中AG最小值对应的IPSI值，并将其对应的方向角度结构作为检测到的当前交叉口的结构。

4.根据权利要求3所述的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，其特征在于：所述步骤三中，道路立体交叉结构检测的具体实施步骤如下：

(1)灰度共生线；

灰度共生线GLCL特征以边缘检测结果作为共生像元检测基础，统计图像中每个边缘像元在边缘法向方向的两侧的像元共生特征，构成灰度共生矩阵，以反映当前影像范围内边缘对象光谱特征的分布情况；具体方法如下：

(a)对待处理交叉口影像切片进行边缘检测，选用LSD边缘检测算法；

(b)将原始影像的灰度级进行重新分级量化，影像灰度级重新量化的过程见公式(8)；

$I_{level}=ROUND\&lsqb;\frac{I\&CenterDot;(level-1)}{255}\&rsqb;---\left(8\right)$

其中，I_level为将原影像I从255灰度级量化为level级的新影像，ROUND为四舍五入函数；

(c)获取每条边缘线的共生灰度特征，设定灰度共生半径，以边缘位置为中心，以边缘的法向方向为扩展方向，获取边缘两侧共生线位置；其计算过程如式(9)所示；

$\left\{\begin{array}{c}{X}_{left}=X-r\&CenterDot;sin\left(\mathrm{\&theta;}\right)\\ Y_{left}=Y+r\&CenterDot;\cos \left(\mathrm{\&theta;}\right)\\ X_{right}=X+r\&CenterDot;\sin \left(\mathrm{\&theta;}\right)\\ Y_{right}=Y-r\&CenterDot;\cos \left(\mathrm{\&theta;}\right)\end{array}\right.---\left(9\right)$

其中，(X,Y)＝{(x₁,y₁)；(x₂,y₂)；…；(x_n,y_n)}为边缘像元点位集合；(X_left,Y_left)和(X_right,Y_right)为原始边缘两侧的共生边缘像元点集；r为共生边缘半径，θ为当前边缘相对于水平方向的方向角度；

(d)根据共生边缘位置集合从I_level中获取对应的灰度值，分别统计左右共生线像元灰度值的均值，计算过程如式(10)所示，(DN_left,DN_right)则为当前边缘的共生灰度特征，并以边缘的像素长度作为当前灰度共生值在共生矩阵中的权值；

$\left\{\begin{array}{cc}{\mathrm{DN}}_{left}=\frac{1}{n}\underset{i=1}{\overset{n}{\&Sigma;}}{I}_{level}(x_i,y_i)& (x_i,y_i)\&Element;(X_{left},Y_{left})\\ {\mathrm{DN}}_{right}=\frac{1}{n}\underset{j=1}{\overset{n}{\&Sigma;}}{I}_{level}(x_j,y_j)& (x_j,y_j)\&Element;(X_{right},Y_{right})\end{array}\right.---\left(10\right)$

(e)依次对影像域内所有边缘执行上述操作，得到GLCL特征矩阵；

(2)道路立体交叉方向检测；

在确定道路立体交叉支路方向之前，首先根据GLCL特征矩阵选择有效的边缘检测结果；

定义方向熵作为度量参数选择优劣的指标；

$ENT=\underset{i=0}{\overset{D}{\&Sigma;}}p\left(i\right)\&CenterDot;log\&lsqb;p\left(i\right)\&rsqb;---\left(11\right)$

式中p(i)为边缘方向直方图概率密度函数，定义如(12)所示：

$p\left(i\right)=\frac{l_i}{L},i=1,2,...,D---\left(12\right)$

其中，D为方向数，L为所有边缘长度累加和，l_i为第i个方向的边缘累加长度；

ENT表征影像域内边缘方向的无序程度，通过设置多个参数r分别进行实验，选择对应最小ENT的r作为最终的参数值；

按照平面交叉口提取的峰值检测方法获取道路立体交叉的方向峰值，以此作为当前立体交叉的支路方向；由确定的立体交叉支路方向从边缘集合中选择与选定方向一致的边缘，并求边缘交点集合的中心位置作为当前交叉口的位置，并根据支路方向进行交叉结构标识。

5.根据权利要求4所述的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，其特征在于：所述步骤四具体过程如下；

(a)遍历所有已检测到的交叉口对象，在每个交叉口的邻域半径T_R内寻找与当前交叉口相连的交叉口对象，并加入当前交叉口集合，然后以新加入的交叉口为中心，检测邻域相连交叉口对象，直到没有符合条件的交叉口加入，得到当前复合交叉口集合，并根据连接关系生成其对应的稀疏矩阵gⁱ；

(b)遍历已知先验道路交叉模型，将当前道路交叉简单图模型gⁱ与先验交叉模型做子图同构匹配处理；

(c)每对简单图模型与先验模型的匹配结果对应匹配点数为n_ij，取与gⁱ匹配得到最大匹配点数的先验模型作为当前道路交叉口对应的先验交叉模型，如式(13)所示；

$g_{tmp}^k|k=\mathrm{argmax}\left(n_{ik}\right)---\left(13\right).$