CN106295604B - 基于联合滤波的遥感影像路网提取技术 - Google Patents
基于联合滤波的遥感影像路网提取技术 Download PDFInfo
- Publication number
- CN106295604B CN106295604B CN201610693722.9A CN201610693722A CN106295604B CN 106295604 B CN106295604 B CN 106295604B CN 201610693722 A CN201610693722 A CN 201610693722A CN 106295604 B CN106295604 B CN 106295604B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- pixel point
- road
- sigma
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 45
- 238000005259 measurement Methods 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 230000003044 adaptive effect Effects 0.000 claims abstract description 13
- 230000000007 visual effect Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 49
- 230000000694 effects Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 6
- 230000035939 shock Effects 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 241000282414 Homo sapiens Species 0.000 abstract description 4
- 230000001149 cognitive effect Effects 0.000 abstract description 3
- 230000002708 enhancing effect Effects 0.000 abstract 2
- 240000007594 Oryza sativa Species 0.000 abstract 1
- 235000007164 Oryza sativa Nutrition 0.000 abstract 1
- 235000013339 cereals Nutrition 0.000 abstract 1
- 235000009566 rice Nutrition 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 10
- 238000009499 grossing Methods 0.000 description 9
- 238000013459 approach Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于联合滤波的遥感影像的路网提取技术，结合人类视觉系统认知规律，根据显著图像结构在人类认知中所形成的非周期性、各向异性以及局部方向性，建立了一个完整的对道路显著结构的数学度量模型；在道路显著结构度量模型的指导下，结合流线方向性，建立了一个自适应平滑滤波函数，结合像素点空间距离高斯函数，实现对道路遥感影像的自适应平滑；在道路显著结构度量模型的指导下，结合极大极小值滤波，定义了一个自适应冲击滤波函数，该函数在不同区域产生的冲击增强强度不同，从而实现自适应的冲击滤波增强，从而在平滑非道路结构区域的同时保留显著道路结构，实现道路提取过程中遥感影像的预处理。
Description
技术领域
本发明涉及遥感应用领域，特别涉及一种基于联合滤波的遥感影像路网提取技术。
背景技术
遥感技术具有高效性、实时性以及信息多元化等特点,其作为一种先进的对地观测方法在城市交通领域中发挥了重要的作用。
在基于遥感技术的道路提取中，传统道路提取算法主要依赖于道路的几何地理特征，利用道路区域的识别规则对道路进行提取。近年来，道路提取相关领域倾向于建立复杂的系统用以提取道路信息，其中多类方法采用了相关滤波技术。传统道路提取滤波方法如高斯滤波，中值滤波等，均对整幅卫星遥感图像进行程度一致的滤波。此类方法对于复杂的遥感影像，难以在平滑非道路信息的同时保留道路特征。
发明内容
本发明的目的在于克服上述现有技术的不足，提供一种基于联合滤波的遥感影像路网提取技术。
为实现上述目的，本发明采用以下技术方案：
基于联合滤波的遥感影像路网提取技术，包括以下步骤：
S1、输入源图像，计算源图像的道路显著结构度量模型Mp，所述显著结构度量模型Mp具有如下形式，
Mp＝Ap·Dp·Lp
式中，函数Ap、Dp以及Lp是中心像素点p显著结构的各向异性、局部方向性以及非周期性的度量；
S2、基于道路显著结构度量模型引导，结合线积分卷积相关原理，建立新的自适应平滑积分模型，对非道路结构的特征和潜在道路结构特征进行自适应的平滑滤波；
S3、根据所得平滑后图像，结合极大值极小值滤波方法，以道路结构模型为导向，建立一种改进的冲击滤波模型，实现对显著道路结构的增强。
进一步地，步骤S1的计算具体如下：
S11、各向异性度量Ap通过下式计算
式中λ1，p以及λ2，p分别为中心像素点p处结构张量矩阵Sp的特征值，以较大的特征值λ1，p为主特征值，较小的特征值λ2，p为副特征值；
中心像素点p处的结构张量通过下式计算
式中q为流线上像素点，其为p的一个邻域N(p)内的一个像素，〈·，·〉表示内积运算；Iq为流线上像素点q的强度值，及为流线上像素点q在x和y方向的偏导数；
S12、局部方向性的度量Dp通过下式计算
式中分别为中心像素点p和流线上像素点q的结构张量矩阵对应的副特征向量，N(p)为中心像素点p所在的邻域，Aq为流线上像素点q点的显著性度量值；
S13、非周期性度量Lp通过下式计算
式中wp，q为权值，通过下式计算
式中(xp，yp)为中心像素点p的坐标；(xq，yq)为流线上像素点q的坐标；σ为高斯函数中的标准差。
更进一步地，所述邻域N(p)为边长为5像素的正方形区域。
进一步地，步骤S2具体包括以下步骤：
S21、计算平滑程度控制函数g(σd，M)，
g(σd，M)为高斯核函数，式中，σd为g(σd，M)的宽度参数，M为源图像的道路显著结构度量模型的值，Mp和Mq代表中心像素点p和流线上像素点q处的道路显著结构度量模型的值；
S22、结合导向滤波概念与线积分卷积思想，定义了一个自适应平滑滤波函数I′p，
其中，为I′p的归一化参数，I为源图像像素点的像素值，Iq为流线上像素点q的像素值，为传统线积分卷积过程中采用的一维低通滤波器的高斯核函数，通过下式计算，
其中，xp和xq代表着中心像素点p与流线上像素点q的x坐标值；σg是的宽度参数，控制的径向作用范围。
进一步地，所述步骤S3具体包括以下步骤：
S31、计算控制冲击滤波增强函数T(x)，
其中x为制冲击滤波增强函数输入值，tanh(λ(x-0.5))为双曲正切函数；λ为控制增强程度的因子，越大的值对应越锐利的边缘；
S32、建立各向异性冲击滤波增强函数Ip，
其中，D(I)p，E(I)p为中心像素点p对应膨胀、腐蚀的值，函数由步骤S31的公式计算，sign(vηη)为边缘检测算子的符号函数，边缘检测算子vηη通过下式计算，
vηη＝c2Ixx+2csIxy+s2Iyy
这里c和s为图像中结构张量场对应主特征向量的两个分量；Ixx为图像沿x方向的二阶偏导数；Iyy为图像在y方向上的二阶偏导数；Ixy为图像在x方向和y方向上各计算一次一阶偏导数的结果。
更进一步地，步骤S32建立各向异性冲击滤波增强函数Ip的主要目的使得视觉显著的结构得到更强程度的增强，而对其它区域按照传统方式计算，具体来说，对位于高显著性区域的像素，Mp→1，此时各向异性冲击滤波增强函数Ip变为：
相反的，对位于低显著性区域的像素，Mp→0，此时各向异性冲击滤波增强函数Ip变为Ip＝(D(I)p+E(I)p)/2，增强效果减弱。
采用上述技术方案后，本发明与背景技术相比，具有如下优点：以显著道路结构度量模型为指导，提出了一种自适应的结构导向平滑滤波算法；进而以结构度量模型为指导，结合极大值与极小值滤波，定义了一个控制冲击滤波增强程度的函数，该函数在不同区域产生的冲击增强强度不同，从而实现自适应的冲击滤波增强，在平滑非道路结构区域的同时保留显著道路结构，实现道路提取过程中遥感影像的预处理。
附图说明
图1为本发明流程图；
图2为本发明的结构模型度量效果图，其中图2a是输入源图像，图2b是结构模型度量结果；
图3为本发明的自适应平滑效果图，其中图3a是输入源图像，图3b是自适应平滑结果；
图4为本发明所得联合滤波结果与采用协方差矩阵度量方法结果在效果上的对比，其中图(a)是输入源图像，图(b)是karacan算法的滤波效果，图(c)是本发明方法所得滤波结果；
图5为本发明所得联合滤波结果应用在相关道路提取算法中的检测效果对比图，其中图5(a)，(c)，(e)是未应用本发明滤波方法的检测结果，图5(b)，(d)，(f)是在相同基础上应用本发明进行滤波后的检测结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例
在认知心理学中人类视觉认知规律可以从以下几个信息中来判断和支持：
各向异性，视觉显著的结构在图像中的强度变化会形成主要的方向，并不是在每个方向上均等变化的；
非周期性，局部区域的纹理细节会周期性地出现不同，人类对周期性纹理细节认知容易被抑制而更关注非周期性出现的细节特征；
局部方向性，在局部区域内，显著的视觉结构所具有的强度变化通常有一致的方向性，而一些纹理细节信息却不具备这样的性质。
如图1所示的是本发明的流程图，主要包括以下三个步骤：
S1、输入源图像，计算源图像的道路显著结构度量模型Mp，所述显著结构度量模型Mp具有如下形式，
Mp＝Ap·Dp·Lp
式中，函数Ap、Dp以及Lp是像素点p显著结构的各向异性、局部方向性以及非周期性的度量；
S2、基于道路显著结构度量模型引导，结合线积分卷积相关原理，建立新的自适应平滑积分模型，对非道路结构的特征和潜在道路结构特征进行自适应的平滑滤波；
S3、根据所得平滑后图像，结合极大值极小值滤波方法，以道路结构模型为导向，建立一种改进的冲击滤波模型，实现对显著道路结构的增强。
其中，步骤S1具体包括以下步骤：
S11、各向异性度量Ap通过下式计算
式中λ1，p以及λ2，p分别为中心像素点p处结构张量矩阵Sp的两个特征值，结构张量矩阵Sp为半正定矩阵，这里记较大的特征值λ1，p为主特征值，较小的特征值λ2，p为副特征值；可以看出Ap的值域为[0,1]，其值越大意味着该像素点处的各向异性程度越高。
中心像素点p处的结构张量通过下式计算
式中q为p的一个邻域N(p)内的一个像素，本实施例中N(p)为边长为5像素的正方形区域；以·表示〈〉中的元素，则〈·，·〉表示内积运算；Iq为流线上像素点q的强度值；及为流线上像素点q在x和y方向的偏导数。
S12、局部方向性的度量Dp通过下式计算
式中分别为中心像素点p和流线上像素点q的结构张量矩阵对应的副特征向量，N(p)为中心像素点p所在的邻域，Aq为流线上像素点q点的显著性度量值；向量内积的取值范围为[0,1]，它的值会随着两个向量方向的逐渐靠拢而增加。也就是说，如果两个向量的夹角趋近于0或π，那么它们的内积趋近于1，反之，如果两个向量的夹角趋近于π/2，那么内积结果将趋近于0。
S13、非周期性度量Lp通过下式计算
式中wp，q为权值，通过下式计算
式中(xp，yp)为中心像素点p的坐标；(xq，yq)为流线上像素点q的坐标；σ为高斯函数中的标准差。
图2是一个效果图。呈现了显著道路结构模型度量结果，其中图2(a)是输入源图像，图2(b)是结构模型度量结果。
在步骤S1获得图像显著结构度量的基础上，进行步骤S2，以实现对遥感图像的自适应平滑，具体包括：
S21、计算平滑程度控制函数g(σd，M)，g(σd，M)为步骤S1获得的道路显著结构度量模型Mp的相关函数，用以控制平滑的程度，
g(σd，M)为高斯核函数，式中，分别为中心像素点p和流线上像素点的结构张量矩阵对应的副特征向量，σd为g(σd，M)的宽度参数，M为源图像的道路显著结构度量模型的值，Mp和Mq代表中心像素点p和流线上像素点q处的道路显著结构度量模型的值，代表像素点p，q属于道路显著结构的置信度，即像素点属于道路结构区域的概率值。
S22、结合导向滤波概念与线积分卷积思想，定义了一个自适应平滑滤波函数I′p，
其中，为I′p的归一化参数，I为源图像的像素值，Iq为流线上像素点q的像素值，为传统线积分卷积过程中采用的一维低通滤波器的高斯核函数，通过下式计算，
其中，高斯核函数以像素点间的空间距离作为加权，即在N(p)邻域中，离中心像素点p越近的像素点权值越大，用于保留类路网结构的流线区域。xp和xq代表着中心像素点p与流线上像素点q的x坐标值，σg是的宽度参数，控制该函数的径向作用范围。
图3是一个效果图，呈现了本发明所得自适应平滑结果。其中图3(a)是输入源图像，图3(b)是自适应平滑结果。
在步骤S2获得自适应平滑滤波的基础上，对平滑后的遥感影像进行各向异性冲击滤波增强，具体包括以下步骤：
S31、计算控制冲击滤波增强函数T(x)，
其中x为制冲击滤波增强函数输入值，tanh(λ(x-0.5))为双曲正切函数；λ为控制增强程度的因子，越大的值对应越锐利的边缘；
S32、建立各向异性冲击滤波增强函数Ip，
其中，Mp和Mq代表中心像素点p和流线上像素点q处的道路显著结构度量模型，D(I)p，E(I)p为像素点p对应膨胀、腐蚀的值，函数由步骤S31的公式计算，sign(vηη)为边缘检测算子的符号函数，边缘检测算子vηη通过下式计算，
vηη＝c2Ixx+2csIxy+s2Iyy
这里c和s为图像中结构张量场对应主特征向量的两个分量；Ixx为图像沿x方向的二阶偏导数；Iyy为图像在y方向上的二阶偏导数；Ixy为图像在x方向和y方向上各计算一次一阶偏导数的结果。
采用各向异性冲击滤波增强函数Ip进行冲击滤波增强的主要目的在于使视觉显著的结构得到更强程度的增强，而对其它区域按照传统方式计算，具体来说，对位于高显著性区域的像素，Mp→1，此时各向异性冲击滤波增强函数Ip变为：
相反的，对位于低显著性区域的像素，Mp→0，此时各向异性冲击滤波增强函数Ip变为Ip＝(D(I)p+E(I)p)/2，增强效果减弱。
图4是一个效果图，呈现了本发明所得联合滤波结果与采用协方差矩阵度量方法([1]L.Karacan,E.Erdem,A.Erdem.Structure-preserving image smoothing via regioncovariances[J].ACM Transactions on Graphics (TOG),2013,32(6):176.)的结果在效果上的对比，其中图(a)是输入源图像，图(b)是采用协方差矩阵度量方法的滤波效果，图(c)是本发明方法所得滤波结果。
图5是一个效果图，呈现了本发明所得联合滤波结果应用在相关道路提取算法中的检测效果。相关道路提取算法的文献如下：
[1]C.B.Sirmacek.Road network detection using probabilisticand graph theoretical methods[J].IEEE Transactions on Geoscience and RemoteSensing,2012,50(11):4441–4453.
[2]W.Shi,Z.Miao,J.Debayle.An integrated method for urban main-roadcenterline extraction from optical remotely sensed imagery[J].IEEETransactions on Geoscience and Remote Sensing,2014,52(6):3359–3372.
[3]Y.Zang,C.Wang,L.Cao,Y.Yu,J.Li.Road Network Extraction viaAperiodic Directional Structure Measurement[J].IEEE Transactions onGeoscience and Remote Sensing,2016:1-14.
其中图5(a)，(c)，(e)是分别为文献[1]，[2]，[3]所述方法的检测结果，图5(b)，(d)，(f)是结合本发明滤波方法后文献[1]，[2]，[3]的检测结果，其中黑色粗实线是表示正确检测出的道路；灰色粗实线表示未能检测出的道路；细实线表示错误检测到的道路。相应定量结果如下表所示：
如表中所示，“N”表示不使用本发明的滤波方法，“Y”表示使用本发明的滤波方法，“Completeness”,“Correctness”和“Quality”分别表示检测率、正确率和检测质量。从表中可以看出，使用本发明提出的滤波方法后，三种路网检测算法的性能表现得到了显著的提升。
以上，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (3)
1.基于联合滤波的遥感影像路网提取方法，其特征在于，包括以下步骤：
S1、输入源图像，计算源图像的道路显著结构度量模型Mp，所述显著结构度量模型Mp具有如下形式，
Mp＝Ap·Dp·Lp
式中，函数Ap、Dp以及Lp是中心像素点p显著结构的各向异性、局部方向性以及非周期性的度量，具体计算步骤如下：
S11、各向异性度量Ap通过下式计算
<mrow>
<msub>
<mi>A</mi>
<mi>p</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&lambda;</mi>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mi>p</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&lambda;</mi>
<mrow>
<mn>2</mn>
<mo>,</mo>
<mi>p</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>&lambda;</mi>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mi>p</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mrow>
<mn>2</mn>
<mo>,</mo>
<mi>p</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
式中λ1，p以及λ2，p分别为中心像素点p处结构张量矩阵Sp的特征值，以较大的特征值λ1，p为主特征值，较小的特征值λ2，p为副特征值；
中心像素点p处的结构张量Sp通过下式计算
<mrow>
<msub>
<mi>S</mi>
<mi>p</mi>
</msub>
<mo>=</mo>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>q</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mo><</mo>
<msub>
<mo>&dtri;</mo>
<mi>x</mi>
</msub>
<msub>
<mi>I</mi>
<mi>q</mi>
</msub>
<mo>,</mo>
<msub>
<mo>&dtri;</mo>
<mi>x</mi>
</msub>
<msub>
<mi>I</mi>
<mi>q</mi>
</msub>
<mo>></mo>
</mrow>
</mtd>
<mtd>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>q</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mo><</mo>
<msub>
<mo>&dtri;</mo>
<mi>x</mi>
</msub>
<msub>
<mi>I</mi>
<mi>q</mi>
</msub>
<mo>,</mo>
<msub>
<mo>&dtri;</mo>
<mi>y</mi>
</msub>
<msub>
<mi>I</mi>
<mi>q</mi>
</msub>
<mo>></mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>q</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mo><</mo>
<msub>
<mo>&dtri;</mo>
<mi>x</mi>
</msub>
<msub>
<mi>I</mi>
<mi>q</mi>
</msub>
<mo>,</mo>
<msub>
<mo>&dtri;</mo>
<mi>y</mi>
</msub>
<msub>
<mi>I</mi>
<mi>q</mi>
</msub>
<mo>></mo>
</mrow>
</mtd>
<mtd>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>q</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mo><</mo>
<msub>
<mo>&dtri;</mo>
<mi>y</mi>
</msub>
<msub>
<mi>I</mi>
<mi>q</mi>
</msub>
<mo>,</mo>
<msub>
<mo>&dtri;</mo>
<mi>y</mi>
</msub>
<msub>
<mi>I</mi>
<mi>q</mi>
</msub>
<mo>></mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
式中q为流线上像素点，其为中心像素点p的一个邻域N(p)内的一个像素点，〈·，·〉表示内积运算；Iq为流线上像素点q的像素值，及为流线上像素点q在x和y方向的偏导数；
S12、局部方向性的度量Dp通过下式计算
<mrow>
<msub>
<mi>D</mi>
<mi>p</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>q</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<msub>
<mi>A</mi>
<mi>q</mi>
</msub>
<mo>&CenterDot;</mo>
<mo><</mo>
<msub>
<mover>
<mi>&epsiv;</mi>
<mo>&RightArrow;</mo>
</mover>
<mi>p</mi>
</msub>
<mo>,</mo>
<msub>
<mover>
<mi>&epsiv;</mi>
<mo>&RightArrow;</mo>
</mover>
<mi>q</mi>
</msub>
<mo>></mo>
</mrow>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>q</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<msub>
<mi>A</mi>
<mi>q</mi>
</msub>
</mrow>
</mfrac>
</mrow>
式中分别为中心像素点p和流线上像素点q的结构张量矩阵对应的副特征向量，N(p)为中心像素点p所在的邻域，Aq为流线上像素点q点的显著性度量值；
S13、非周期性度量Lp通过下式计算
<mrow>
<msub>
<mi>L</mi>
<mi>p</mi>
</msub>
<mo>=</mo>
<mo>|</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>q</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<msub>
<mi>w</mi>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mo>&dtri;</mo>
<mi>x</mi>
</msub>
<msub>
<mi>I</mi>
<mi>q</mi>
</msub>
<mo>|</mo>
<mo>+</mo>
<mo>|</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>q</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<msub>
<mi>w</mi>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mo>&dtri;</mo>
<mi>y</mi>
</msub>
<msub>
<mi>I</mi>
<mi>q</mi>
</msub>
<mo>|</mo>
</mrow>
式中wp，q为权值，通过下式计算
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>p</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>q</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
<mo>+</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>p</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>q</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
式中(xp，yp)为中心像素点p的坐标；(xq，yq)为流线上像素点q的坐标；σ为高斯函数中的标准差；
S2、基于道路显著结构度量模型引导，结合线积分卷积相关原理，建立新的自适应平滑积分模型，对非道路结构的特征和潜在道路结构特征进行自适应的平滑滤波，具体计算步骤如下：
S21、计算平滑程度控制函数g(σd，M)，
g(σd，M)为高斯核函数，式中，σd为g(σd，M)的宽度参数，M为源图像的道路显著结构度量模型的值，Mp和Mq为中心像素点p和流线上像素点q处的道路显著结构度量模型的值；
S22、结合导向滤波概念与线积分卷积思想，定义了一个自适应平滑滤波函数I′p，
<mrow>
<msubsup>
<mi>I</mi>
<mi>p</mi>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>K</mi>
</mfrac>
<munder>
<mo>&Integral;</mo>
<mrow>
<mi>q</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<msubsup>
<mi>w</mi>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
<mi>g</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>&sigma;</mi>
<mi>g</mi>
</msub>
<mo>,</mo>
<mi>I</mi>
<mo>)</mo>
</mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&sigma;</mi>
<mi>d</mi>
</msub>
<mo>,</mo>
<mi>M</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msub>
<mi>I</mi>
<mi>q</mi>
</msub>
<mi>d</mi>
<mi>q</mi>
</mrow>
其中，为I′p的归一化参数，为传统线积分卷积过程中采用的一维低通滤波器的高斯核函数，通过下式计算，
<mrow>
<msubsup>
<mi>w</mi>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
<mi>g</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>&sigma;</mi>
<mi>g</mi>
</msub>
<mo>,</mo>
<mi>I</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>p</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>q</mi>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mi>g</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中，xp和xq分别为中心像素点p与流线上像素点q的x坐标值；I为源图像像素点的像素值；σg是的宽度参数，控制的径向作用范围；
S3、根据所得平滑后图像，结合极大值极小值滤波方法，以道路结构模型为导向，建立一种改进的冲击滤波模型，实现对显著道路结构的增强，具体计算步骤如下：
S31、计算控制冲击滤波增强函数T(x)，
<mrow>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mi>tanh</mi>
<mo>(</mo>
<mrow>
<mi>&lambda;</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>-</mo>
<mn>0.5</mn>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</mfrac>
</mrow>
其中x为制冲击滤波增强函数输入值，tanh(λ(x-0.5))为双曲正切函数；λ为控制增强程度的因子，越大的值对应越锐利的边缘；
S32、建立各向异性冲击滤波增强函数Ip，
<mrow>
<msub>
<mi>I</mi>
<mi>p</mi>
</msub>
<mo>=</mo>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>M</mi>
<mi>p</mi>
</msub>
<mo>&CenterDot;</mo>
<mi>s</mi>
<mi>i</mi>
<mi>g</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>&eta;</mi>
<mi>&eta;</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</mfrac>
<mo>)</mo>
</mrow>
<mi>D</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>)</mo>
</mrow>
<mi>p</mi>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>T</mi>
<mo>(</mo>
<mfrac>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>M</mi>
<mi>p</mi>
</msub>
<mo>&CenterDot;</mo>
<mi>s</mi>
<mi>i</mi>
<mi>g</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>&eta;</mi>
<mi>&eta;</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</mfrac>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>E</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>)</mo>
</mrow>
<mi>p</mi>
</msub>
</mrow>
其中，D(I)p，E(I)p为中心像素点p对应膨胀、腐蚀的值，函数由步骤S31的公式计算，sign(vηη)为边缘检测算子的符号函数，边缘检测算子vηη通过下式计算，
vηη＝c2Ixx+2csIxy+s2Iyy
这里c和s为图像中结构张量场对应主特征向量的两个分量；Ixx为图像沿x方向的二阶偏导数；Iyy为图像在y方向上的二阶偏导数；Ixy为图像在x方向和y方向上各计算一次一阶偏导数的结果。
2.根据权利要求1所述的基于联合滤波的遥感影像路网提取方法，其特征在于：所述邻域N(p)为边长为5像素的正方形区域。
3.根据权利要求1所述的基于联合滤波的遥感影像路网提取方法，其特征在于：步骤S32建立各向异性冲击滤波增强函数Ip的主要目的在于，使得视觉显著的结构得到更强程度的增强，而对其它区域按照传统方式计算，具体来说，对位于高显著性区域的像素，Mp→1，此时各向异性冲击滤波增强函数Ip变为，
相反的，对位于低显著性区域的像素，Mp→0，此时各向异性冲击滤波增强函数Ip变为Ip＝(D(I)p+E(I)p)/2，增强效果减弱。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610693722.9A CN106295604B (zh) | 2016-08-19 | 2016-08-19 | 基于联合滤波的遥感影像路网提取技术 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610693722.9A CN106295604B (zh) | 2016-08-19 | 2016-08-19 | 基于联合滤波的遥感影像路网提取技术 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106295604A CN106295604A (zh) | 2017-01-04 |
| CN106295604B true CN106295604B (zh) | 2017-11-03 |
Family
ID=57660657
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610693722.9A Active CN106295604B (zh) | 2016-08-19 | 2016-08-19 | 基于联合滤波的遥感影像路网提取技术 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106295604B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108492260B (zh) * | 2018-02-07 | 2019-01-08 | 长安大学 | 基于张量投票耦合霍夫变换的地质线性体提取方法 |
| CN109583626B (zh) * | 2018-10-30 | 2020-12-01 | 厦门大学 | 路网拓扑重建方法、介质及系统 |
| CN109508489B (zh) * | 2018-11-07 | 2020-11-10 | 山东大学 | 一种各向异性多孔结构的建模方法及系统 |
| CN113360850B (zh) * | 2021-06-17 | 2023-01-24 | 东莞市环境监测中心站 | 一种大气污染物线源溯源分析方法 |
| CN115841492B (zh) * | 2023-02-24 | 2023-05-12 | 合肥恒宝天择智能科技有限公司 | 基于云边协同的松材线虫病变色立木遥感智能识别方法 |
| CN116525073B (zh) * | 2023-07-03 | 2023-09-15 | 山东第一医科大学第一附属医院(山东省千佛山医院) | 一种基于健康体检大数据的数据库智能管理系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101551863A (zh) * | 2009-05-22 | 2009-10-07 | 西安电子科技大学 | 基于非下采样轮廓波变换的遥感图像道路提取方法 |
| CN105005761A (zh) * | 2015-06-16 | 2015-10-28 | 北京师范大学 | 一种结合显著性分析的全色高分辨率遥感图像道路检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8831316B2 (en) * | 2008-07-31 | 2014-09-09 | Anastasia Tyurina | Point source detection |
-
2016
- 2016-08-19 CN CN201610693722.9A patent/CN106295604B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101551863A (zh) * | 2009-05-22 | 2009-10-07 | 西安电子科技大学 | 基于非下采样轮廓波变换的遥感图像道路提取方法 |
| CN105005761A (zh) * | 2015-06-16 | 2015-10-28 | 北京师范大学 | 一种结合显著性分析的全色高分辨率遥感图像道路检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 一种改进的基于结构张量的高分辨率遥感图像道路提取算法;滕鑫鹏;《科技通报》;20130228;第29卷(第2期);175-177 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106295604A (zh) | 2017-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106295604B (zh) | 基于联合滤波的遥感影像路网提取技术 | |
| Shim et al. | Road damage detection using super-resolution and semi-supervised learning with generative adversarial network | |
| US20200226413A1 (en) | Fast and robust multimodal remote sensing images matching method and system | |
| CN102298779B (zh) | 全景辅助泊车系统的图像配准方法 | |
| CN103310453B (zh) | 一种基于子图像角点特征的快速图像配准方法 | |
| CN103914847A (zh) | 基于相位一致性和sift的sar图像配准方法 | |
| CN109919960B (zh) | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 | |
| CN102682428B (zh) | 一种基于方向场的指纹图像计算机自动化修补方法 | |
| CN105678722A (zh) | 一种全景拼接图像弯曲矫正方法及装置 | |
| CN104463814B (zh) | 基于局部纹理方向性的图像增强方法 | |
| CN103198455B (zh) | 一种利用全变差最小化和灰度共生矩阵的图像去噪方法 | |
| CN105761236A (zh) | 一种用于图像配准的图像预处理方法及装置 | |
| CN102629380A (zh) | 基于多组滤波和降维的遥感图像变化检测方法 | |
| CN105631872A (zh) | 基于多特征点的遥感图像配准方法 | |
| CN110660089A (zh) | 一种卫星图像的配准方法及装置 | |
| CN103824302A (zh) | 基于方向波域图像融合的sar图像变化检测方法 | |
| Pirzada et al. | Analysis of edge detection algorithms for feature extraction in satellite images | |
| CN105809649A (zh) | 基于变分多尺度分解的sar图像与可见光图像融合方法 | |
| CN111696072A (zh) | 彩色图像的直线检测方法、装置、电子设备及存储介质 | |
| CN105513060A (zh) | 一种视觉感知启发的高分辨率遥感图像分割方法 | |
| CN104778662A (zh) | 一种毫米波图像增强方法及系统 | |
| CN103745220A (zh) | 一种图像仿射局部不变特征的获取方法及装置 | |
| CN106355576A (zh) | 基于mrf图像分割算法的sar图像配准方法 | |
| CN103886291B (zh) | 基于动态模板的掌纹图像褶皱检测方法 | |
| CN110335287A (zh) | 建筑图像数据的提取方法及装置 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20180810 Address after: 100016 2 floor, 6 Building 6, Fang Yuan Nan Li 9, Chaoyang District, Beijing. Patentee after: Guo Jiao space information technology (Beijing) Co., Ltd. Address before: 361000 Siming South Road, Xiamen, Fujian Province, No. 422 Patentee before: Xiamen University |