CN107203761A - 基于高分辨率卫星影像的道路宽度估计方法 - Google Patents

Abstract

本发明公开了一种基于高分辨率卫星影像的道路宽度估计方法，根据高分辨率卫星影像中道路的特征，定义了一种新颖的道路宽度描述符，通过统计固定大小的道路块内的像素分布并用直方图的形式表示，可以描述道路的宽度特征；在道路宽度描述符的基础上，结合卷积神经网络，提出了基于卷积神经网络的道路宽度估计方法；针对道路宽度估计结果中存在的宽度不连续问题，根据道路宽度的连续性，定义了一种基于空间一致性的道路宽度估计能量函数，通过最小化该能量函数可以实现卫星影像中道路宽度类别的合理估计。

Description

基于高分辨率卫星影像的道路宽度估计方法

技术领域

本发明涉及遥感应用领域，特别涉及一种基于高分辨率卫星影像的道路宽度估计方法。

背景技术

卫星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。而且随着遥感技术的发展，分辨率的极大提高，让卫星图像能够更清楚的表达地物目标的特征，为计算机从卫星图像中提取道路信息提供了必要的条件，使得基于高分辨率卫星影像的道路宽度估计成为可能。

从上个世纪七十年代开始，众多学者在道路信息提取领域进行了大量的研究工作并取得了丰硕的成果，特别是对道路的现状特征提取更是提出了很多具有实用价值的方法。但是对于道路宽度估计，相关的研究成果却并不多见。

发明内容

本发明的目的在于提供一种基于高分辨率卫星影像的道路宽度估计方法。

为实现上述目的，本发明采用以下技术方案：

基于高分辨率卫星影像的道路宽度估计方法，包括以下步骤：

S1、截取不同宽度等级的道路块样本，将道路块样本转换为道路宽度描述符，利用不同宽度等级道路块样本转换得到的宽度描述符训练卷积神经网络以得到道路宽度类别预测模型；

S2、提取待进行宽度估计的卫星图像的道路中心线，沿道路中心线进行滑窗，以道路中心线上每个像素点为中心截取固定大小的道路块并转换为道路宽度描述符，利用S1所获得的道路宽度类别预测模型对该步骤所获得的道路宽度描述符进行预测，得到道路块属于每个宽度类别的概率；

S3、根据道路宽度的连续性及空间一致性定义道路宽度估计能量函数，对道路中心线上的每个像素点寻求一个最优的宽度类别使其对应的道路宽度估计能量函数取值最小，则各像素点所对应的最优的宽度类别的宽度范围即以各像素点为中心的道路块的宽度范围；

其中，道路宽度估计能量函数记为式中，L＝{l₁…l_n}，其表示以像素p为中心的道路块的宽度类别集合,像素p为位于道路中心线上的像素点；D(P)＝1-P(p，l_i)，P(p，l_i)为以像素p为中心的道路块属于宽度类别l_i的概率，P(p，l_i)由训练好的道路宽度类别预测模型给出；S(L)为平滑项，表示对以像素p为中心的道路块宽度进行估计时，来自相邻道路宽度类别的影响；参数ε为平衡因子，调整平滑项对宽度估计结果的影响程度。

进一步地，步骤S1具体如下：

S11、将卫星图像中的道路宽度分为若干个等级，针对每种道路宽度图像等级，截取大量属于其宽度范围的道路块样本，所截取的道路块样本大小相同；

S12、将所截取的道路块样本转换为道路宽度描述符；

S121、以截取的道路块样本的中心为圆心，构建a个同心圆，a个同心圆的半径分别为道路块内切圆半径的1/a、2/a……7/a及1倍，将a个同心圆标记为C_n(n＝1,2……a)；

S122、根据道路块中的像素值分布，将道路块中的像素值分为b个等长的像素值区间，记为I_m(m＝1,2……b)，令max和min分别为道路块中最大像素值和最小像素值，则每个像素值区间的长度为(max-min)/b；统计每个圆范围内落在各像素值区间里的像素个数，将第n个圆内属于第m个区间范围内的像素个数记为N_n，m，并将每个圆范围内落在各像素值区间内的像素个数归一化到0-255范围内；

S123、将第n个圆内的像素值分布作为描述符的第n行，获得道路宽度描述符；

S13、将道路宽度描述符制作为训练样本，所述训练样本包括训练集和验证集，利用卷积神经网络对训练样本进行学习，获得道路宽度类别预测模型。

进一步地，步骤S2采用与步骤S12相同的方式将其截取的道路块转化为道路宽度描述符。

进一步地，步骤S1与S2中，还包括采用图像放大算法将所获得的道路宽度描述符放大若干倍的步骤。

进一步地，所述图像放大算法为最近邻插值算法。

进一步地，步骤S3中S(L)的计算具体为：

其中，N_p表示道路中心线上与像素p相邻的若干个像素的集合；l_i和l_q分别表示以像素p和q为中心的道路块的宽度类别；||p-q||为像素p与像素q之间的距离；当l_i＝l_q时，符号函数sign(l_i，l_q)取值为0，否则sign(l_i，l_q)取值为1。

采用上述技术方案后，本发明能够通过道路宽度描述对道路的宽度特征进行很好描述并对不同宽度等级的道路进行区分，在此基础之上引入卷积神经网络得到道路宽度类别预测模型，该模型可以给出道路块属于每种宽度类别的概率，最后结合空间一致性可以对道路的宽度进行合理的估计，为基于高分辨率卫星影像的道路宽度估计提供了一种新颖的解决方案。

附图说明

图1为本发明流程图；

图2为本发明的道路宽度描述符转换结果示例图，图(a)-图(c)为原道路块，图(d)-图(f)分别为图(a)-图(c)转换得到的道路宽度描述符；

图3为本发明在不同图像上进行道路宽度估计的效果图，图3(a)，(c)，(e)是Pleiades-1A测试图像、Gaofen2测试图像和航拍测试图像的道路宽度估计结果的局部图，其中局部放大图为宽度估计错误区域，图3(b)，(d)，(f)分别为对应的道路宽度类别真值图。

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。

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、截取不同宽度等级的道路块样本，将道路块样本转换为道路宽度描述符，利用不同宽度等级道路块样本转换得到的宽度描述符训练卷积神经网络以得到道路宽度类别预测模型。

具体为：

S11、将卫星图像中的道路宽度分为若干个等级，针对每种道路宽度图像等级，截取大量属于其宽度范围的道路块样本，所截取的道路块样本大小相同；

S12、将所截取的道路块样本转换为道路宽度描述符；

S121、以截取的道路块样本的中心为圆心，建立一个a*a大小的二维直方图来统计道路块中像素的分布。具体为构建a个同心圆(本实施例中a＝8)，a个同心圆的半径分别为道路块内切圆半径的1/a、2/a……7/a及1倍，将a个同心圆标记为C_n(n＝1,2……a)；

S122、根据道路块中的像素值分布，将道路块中的像素值分为b个等长的像素值区间，记为I_m(m＝1,2……b)，令max和min分别为道路块中最大像素值和最小像素值，则每个像素值区间的长度为(max-min)/b,本实施例中b＝8；统计每个圆范围内落在各像素值区间里的像素个数，将第n个圆内属于第m个区间范围内的像素个数记为N_n，m，并将每个圆范围内落在各像素值区间内的像素个数归一化到0-255范围内；

S123、将第n个圆内的像素值分布作为描述符的第n行(即将各个圆范围内归一化后的像素值分布作为描述符的一行，第一个圆内的像素值分布作为描述符的第一行，第二个圆内的像素值分布作为描述符的第二行，依此类推)，获得道路宽度描述符；

则道路宽度描述符中第n行、第m列的像素值为

其中，N_n，m为圆C_n内属于区间I_m的像素个数，K为圆C_n内的总像素个数。

S124、图像放大算法将所获得的道路宽度描述符放大若干倍。

为了便于利用卷积神经网络对这些道路宽度描述符进行训练，需要将这些道路宽度描述符从8×8放大为32×32，为了不改变道宽度描述符对道路块宽度信息的描述，所使用的图像放大算法为最近邻插值算法。

图2是道路宽度描述符转换实例。其中图(a)与图(b)为相同宽度等级的道路块，图(c)为较窄的道路块，图(d)-图(f)分别为图(a)-图(c)转换得到的道路宽度描述符。从图中可以看出，相同宽度等级的道路块转换得到的宽度描述符非常相似，而不同宽度等级的道路块的宽度描述符之间具有明显差异。

S13、将道路宽度描述符制作为训练样本，所述训练样本包括训练集和验证集，利用Cifar-10卷积神经网络对训练样本进行学习，获得道路宽度类别预测模型。

S2、提取待进行宽度估计的卫星图像的道路中心线，沿道路中心线进行滑窗，以道路中心线上每个像素点为中心截取固定大小的道路块并转换为道路宽度描述符，利用S1所获得的道路宽度类别预测模型对该步骤所获得的道路宽度描述符进行预测，得到道路块属于每个宽度类别的概率；

S3、根据道路宽度的连续性，结合空间一致性定义了一种道路宽度估计能量函数，通过最小化该能量函数可以实现对道路宽度的合理估计。

对于一个位于道路中心线C上的像素p，用L＝{l₁…l_n}表示以p像素为中心的道路块的宽度类别集合，则宽度估计能量函数可以记为：

其中，D(P)为数据项，由概率图P决定；S(L)为平滑项，由类别集合L决定。参数ε为平衡因子，该参数可以决定平滑项对整个宽度估计结果的影响程度，ε为经验值，其取值范围为[0.1,1]。

数据项中D(P)的定义如下所示：

D(P)＝1-P(p，l_i)

其中，P(p，l_i)为以像素p为中心的道路块属于宽度类别l_i的概率，表示道路自身的宽度信息，该概率值由训练好的卷积神经网络模型给出。

平滑项S(l_i，l_q)表示在对以像素p为中心的道路块宽度进行估计时，来自相邻道路块宽度类别的影响，定义如下：

其中，N_p表示道路中心线上与像素p相邻的像素集合，是一个一维的范围，通常取为与像素p最近的12个像素。l_i和l_q分别表示以像素p和q为中心的道路块的宽度类别。||p-q||为像素p与像素q之间的距离。当l_i＝l_q时，符号函数sign(l_i，l_q)取值为0，否则sign(l_i，l_q)取值为1。

目标是，对于每一个位于道路中心线C上的像素p，找到一个最优的宽度类别l_p使得能量函数取值最小，这是一个经典的马尔科夫随机场(MRF)问题，可以使用图割(GraphCuts)算法解决该问题,最后道路中心线上的每个像素都获得一个道路宽度类别，表示以该像素为中心的道路块的宽度类别，该宽度类别的宽度范围即为道路块的宽度范围。

图3是在不同图像上进行宽度估计的效果图，呈现了本发明应用于高分辨率卫星影像上的道路宽度估计效果。本发明在Pleiades-1A、Gaofen2的卫星图像以及航拍图像上进行了测试，这些测试图像的分辨率均为0.5m，Pleiades-1A测试图像大小为3200×3200，Gaofen2测试图像和航拍测试图像的大小均为6400×4800。其中图3(a)，(c)，(e)是分别本发明对Pleiades-1A测试图像、Gaofen2测试图像和航拍测试图像的道路宽度估计结果的局部图，其中局部放大图为宽度估计错误区域，图3(b)，(d)，(f)分别为对应的道路宽度类别真值图。根据测试图像中所存在道路的宽度信息，将Pleiades-1A测试图像、Gaofen2测试图像和航拍测试图像中的道路分别分为3个、4个和3个宽度类别，并用不同颜色来对不同宽度类别(A、B、C及D)进行标记，则三幅测试图像中的宽度范围如下表所示：

将算法估计结果与真值图相比较可以发现，对于三种不同传感器记录的数据，算法都能够正确的估计大部分道路的宽度。经统计，算法对Pleiades-1A测试图像、Gaofen2测试图像和航拍测试图像的道路宽度估计准确率分别为85.2％、90.8％、92.1％。

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 (6)

1.基于高分辨率卫星影像的道路宽度估计方法，其特征在于，包括以下步骤：

S1、截取不同宽度等级的道路块样本，将道路块样本转换为道路宽度描述符，利用不同宽度等级道路块样本转换得到的宽度描述符训练卷积神经网络以得到道路宽度类别预测模型；

S2、提取待进行宽度估计的卫星图像的道路中心线，沿道路中心线进行滑窗，以道路中心线上每个像素点为中心截取固定大小的道路块并转换为道路宽度描述符，利用S1所获得的道路宽度类别预测模型对该步骤所获得的道路宽度描述符进行预测，得到道路块属于每个宽度类别的概率；

S3、根据道路宽度的连续性及空间一致性定义道路宽度估计能量函数，对道路中心线上的每个像素点寻求一个最优的宽度类别使其对应的道路宽度估计能量函数取值最小，则各像素点所对应的最优的宽度类别的宽度范围即以各像素点为中心的道路块的宽度范围；

其中，道路宽度估计能量函数记为L＝{l₁…l_n}，其表示以像素p为中心的道路块的宽度类别集合,像素p为位于道路中心线上的像素点；D(P)＝1-P(p，l_i)，P(p，l_i)为以像素p为中心的道路块属于某一宽度类别l_i的概率，P(p，l_i)由训练好的道路宽度类别预测模型给出；S(L)为平滑项，表示对以像素p为中心的道路块宽度进行估计时，来自相邻道路宽度类别的影响；参数ε为平衡因子，调整平滑项对宽度估计结果的影响程度。

2.根据权利要求1所述的基于高分辨率卫星影像的道路宽度估计方法，其特征在于，步骤S1具体如下：

S11、将卫星图像中的道路宽度分为若干个等级，针对每种道路宽度图像等级，截取大量属于其宽度范围的道路块样本，所截取的道路块样本大小相同；

S12、将所截取的道路块样本转换为道路宽度描述符；

S121、以截取的道路块样本的中心为圆心，构建a个同心圆，a个同心圆的半径分别为道路块内切圆半径的1/a、2/a……7/a及1倍，将a个同心圆标记为C_n(n＝1,2……a)；

S122、根据道路块中的像素值分布，将道路块中的像素值分为b个等长的像素值区间，记为I_m(m＝1,2……b)，令max和min分别为道路块中最大像素值和最小像素值，则每个像素值区间的长度为(max-min)/b；统计每个圆范围内落在各像素值区间里的像素个数，将第n个圆内属于第m个区间范围内的像素个数记为N_n，m，并将每个圆范围内落在各像素值区间内的像素个数归一化到0-255范围内；

S123、将第n个圆内的像素值分布作为描述符的第n行，获得道路宽度描述符；

S13、将道路宽度描述符制作为训练样本，所述训练样本包括训练集和验证集，利用卷积神经网络对训练样本进行学习，获得道路宽度类别预测模型。

3.根据权利要求2所述的基于高分辨率卫星影像的道路宽度估计方法，其特征在于：步骤S2采用与步骤S12相同的方式将其截取的道路块转化为道路宽度描述符。

4.根据权利要求3所述的基于高分辨率卫星影像的道路宽度估计方法，其特征在于：步骤S1与S2中，还包括采用图像放大算法将所获得的道路宽度描述符放大若干倍的步骤。

5.根据权利要求4所述的基于高分辨率卫星影像的道路宽度估计方法，其特征在于：所述图像放大算法为最近邻插值算法。

6.根据权利要求1所述的基于高分辨率卫星影像的道路宽度估计方法，其特征在于，步骤S3中S(L)的计算具体为：

<mrow> <mi>S</mi> <mrow> <mo>(</mo> <mi>L</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>S</mi> <mrow> <mo>(</mo> <msub> <mi>l</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>l</mi> <mi>q</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>q</mi> <mo>&amp;Element;</mo> <msub> <mi>N</mi> <mi>p</mi> </msub> </mrow> </munder> <mfrac> <mrow> <mi>s</mi> <mi>i</mi> <mi>g</mi> <mi>n</mi> <mrow> <mo>(</mo> <msub> <mi>l</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>l</mi> <mi>q</mi> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <mo>|</mo> <mo>|</mo> <mi>p</mi> <mo>-</mo> <mi>q</mi> <mo>|</mo> <mo>|</mo> </mrow> </mfrac> </mrow>

其中，N_p表示道路中心线上与像素p相邻的若干个像素的集合；l_i和l_q分别表示以像素p和q为中心的道路块的宽度类别；||p-q||为像素p与像素q之间的距离；当l_i＝l_q时，符号函数sign(l_i，l_q)取值为0，否则sign(l_i，l_q)取值为1。