CN107958183A - 一种高分辨率遥感图像的城市路网信息自动提取方法 - Google Patents
一种高分辨率遥感图像的城市路网信息自动提取方法 Download PDFInfo
- Publication number
- CN107958183A CN107958183A CN201710664849.2A CN201710664849A CN107958183A CN 107958183 A CN107958183 A CN 107958183A CN 201710664849 A CN201710664849 A CN 201710664849A CN 107958183 A CN107958183 A CN 107958183A
- Authority
- CN
- China
- Prior art keywords
- road
- area
- intersection
- extraction
- region
- 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.)
- Pending
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种高分辨率遥感图像的城市路网信息自动提取方法,其特征在于,包括以下步骤:步骤1、基于改进的分水岭分割算法,选择适当的局域同质性阈值、剔除局部极小值小面积区域、去除小斑块和区域合并来解决过分割问题;步骤2、面向对象方法中采用的几何特征和上下文特征,利用城市路网特征对道路影像对象进行提取并对影像中的遮挡问题进行处理;步骤3、高分辨率影像中道路交叉口自动提取的方法快速、准确地提取出道路交叉口的位置,为道路的拓扑连接提供依据;步骤4、针对面状道路中的孔洞、路段间的断裂、“同谱异物”的噪声问题对道路进行进一步修正,并为道路提取的拓扑连接打下基础,对道路提取结果中较大的道路中断,采用两种拓扑连接方法有效地连接了道路条带间以及道路交叉口位置处的道路中断,进一步完善了路网信息。
Description
技术领域
本发明涉及一种高分辨率遥感图像的城市路网信息自动提取方法,属于遥感图像处理和智能识别技术技术领域。
背景技术
虽然从遥感图像中自动提取道路的相关研究已经进行了几十年,取得了不少研究成果,但是目前还处于实验阶段,距离实际应用还有很大差距。综合已有的研究结果可以发现,道路自动提取的难点主要有以下几个方面:首先,道路的自动提取主要取决于道路与周围物体或环境的反差大小,而影像中的建筑物、停车场等与道路具有相似的特征的地物以及树木、阴影遮挡等噪声构成了道路提取的干扰因素。同时,由于道路本身修建年代的不同和路面材料的不同,采用统一的道路模型必然会得到断裂的道路提取结果。此外,高分辨率影像中复杂的地物信息给多学科间的交叉结合以及人工智能技术提出了更高的要求。
道路是城市的骨架,是重要的人工地物。作为地理信息系统中的基础数据,道路信息能否及时更新直接影响到在地图绘制、路径分析和应急处理等方面的应用。
如今从海量影像数据中获取有意义信息的自动提取技术还相对滞后,从遥感影像中提取道路的自动化程度不高,主要是靠目视识别。现有的技术已经不能满足遥感图像处理方面的所面临的挑战。
随着分辨率的提高,影像中道路的特征也更加复杂。过多的纹理和细节信息对道路信息的提取产生干扰,加大了道路信息自动提取的难度。近几年来,虽然在遥感图像道路自动提取的研究领域提出了很多方法,但目前还没有成熟可靠的方法。
发明内容
本发明的目的为提供一种高分辨率遥感图像的城市路网信息自动提取方法,采用的技术方案为:一种高分辨率遥感图像的城市路网信息自动提取方法,其特征在于,包括以下步骤:
步骤1、基于改进的分水岭分割算法,选择适当的局域同质性阈值、剔除局部极小值小面积区域、去除小斑块和区域合并来解决过分割问题;
步骤2、面向对象方法中采用的几何特征和上下文特征,利用城市路网特征对道路影像对象进行提取并对影像中的遮挡问题进行处理;
步骤3、高分辨率影像中道路交叉口自动提取的方法快速、准确地提取出道路交叉口的位置,为道路的拓扑连接提供依据;
步骤4、针对面状道路中的孔洞、路段间的断裂、“同谱异物”的噪声问题对道路进行进一步修正,并为道路提取的拓扑连接打下基础,对道路提取结果中较大的道路中断,采用两种拓扑连接方法有效地连接了道路条带间以及道路交叉口位置处的道路中断,进一步完善了路网信息。
所述改进的分水岭算法中局域同质性阈值略大于使分割数目达到峰值的阈值,所述去除小斑块方法为针对小斑块设置面积阈值,如果某个像元对应的影像对象区域的面积小于设定的最小斑块面积阈值(MinPatch),在水平和垂直方向半径为的范围内查找与该斑块区域相邻的影像对象,找到与该斑块灰度值相差最小的影像对象,如果最小灰度差小于设定的阈值(MaxGray_P),则将该影像斑块与找到的影像对象合并;否则不合并。
所述区域合并具体步骤为:(1)首先计算各个影像对象的平均灰度和面积,并构建各区域间的邻接关系;(2)检测面积小于最小面积阈值的影像对象区域,将其中面积最小的区域先合并,计算此区域与各邻接区域的最小平均灰度差,如果该灰度差小于最大灰度差阈值,则合并;否则不合并;(3)更新区域间的邻接关系,重复(2)的操作,直至没有符合条件的区域停止合并。
所述道路影像对象进行提取采用长度因子、矩形度因子和形状因子对主干道路的提取,遮挡问题进行处理方法为先检测阴影遮挡目标对象与道路对象邻接的所有像元,计算出包含这些像元的最小外接矩形,将此最小外接矩形作为道路填充到先前提取的道路中。
所述交叉口自动提取的方法运用了梯度变换、多尺度形态学变换、角度纹理、波谷检测技术手段,首先采用梯度变换和多尺度形态学检测出可能存在道路交叉口的区域,然后利用几何和光谱信息进行粗提取,最后通过判断角度-纹理信息,识别出道路交叉口,所述角度纹理(ATS)是以某一点为中心,用多个角度旋转的矩形采集的一组特征值,以横坐标为角度、纵坐标为特征值构成角度-纹理,角度-纹理特征提取后需要进一步分析,确定与道路交叉口连接的道路个数,在道路交叉口的角度- 纹理中,沿道路的方向表现为波谷,具体步骤包括:确定初始波谷点、确定波峰点、去除伪波谷点、修正连续的波谷值和合并临近波谷点,经波谷检测后,通过计算波谷点的数目及方向可以判断中心点是否为道路交叉口
所述两种拓扑连接方法为形态学后处理和道路拓扑连接,形态学后处理主要采用形态学的相关运算对二值化处理后道路的孔洞、缝隙和噪声进行处理,优化道路信息依据连通性对背景区域的面积进行统计,将面积小的背景区域赋值为目标区域,道路拓扑连接采用方向延伸算法按照地理位置将次要路段补充到主干道路中。
本方法提出的道路自动提取方法可以比较完整地将主要道路提取出来,并且在道路交叉口附近的道路也比较完整,对于一些次要道路本文的方法也能够检测出来。能较好地提取城市路网信息。
附图说明
图1为分水岭算法图像分割
图2为局域同质性阈值与图像分割
图3为分水岭分割算法优化流程
图4为道路特征提取实验分析
图5为遮挡处理原理
图6-1为阴影处理
图6-2为为道路交叉口提取技术流程
图7为方差特征角度-纹理特征
图8为道路交叉口提取实验一
图9为道路交叉口提取实验二
具体实施方式
下面对本发明作进一步详细说明。
实施例1
一种高分辨率遥感图像的城市路网信息自动提取方法,其特征在于,包括以下步骤:
步骤1、基于改进的分水岭分割算法,选择适当的局域同质性阈值、剔除局部极小值小面积区域、去除小斑块和区域合并来解决过分割问题;
基于分水岭分割算法,并针对该算法在图像分割中的过分割问题提出了局域同质性阈值选择、剔除局部极小值小面积区域、去除小斑块和区域合并等改进方法,并通过相关实验证明了改进方法的有效性。
虽然分水岭的分割速度很快,但由于该算法对微弱边缘的敏感性较强,受噪声的影响分割结果存在过度分割现象。这种分割结果存在大量的分割区域,不仅增加后续分析的代价,而且过多的琐碎区域使得地物的形状特征也不能很好的应用。本方法通过选择适当的局域同质性阈值、剔除局部极小值小面积区域、去除小斑块和区域合并来解决过分割问题,如图1所示。
(1)改进的分水岭算法对图像进行分割
为某图像选取不同局域同质性阈值与分割区域数目的变化关系,其中图2 (b)、图2(c)、图2(d)分别为图2(a)选择阈值12、53、83时的图像分割效果图。从分割的效果图可以看出,当局域同质性阈值略大于使分割数目达到峰值的阈值时,可以在更好地保持地物边界的同时没有过多的斑块。当阈值较小时,分割的斑块较多而且杂乱,不能与影像中的地物建立相应的关系;当阈值过大时,容易出现欠分割现象,如图2(d)中的建筑和道路边界都被合并,地物间的边界不明显。
(2)剔除局部极小值小面积区域
局域同质性阈值的合理选择可以合并部分面积比较小的局部极小值区域,但仍然存在很多面积很小(甚至一个像素)的区域。这些面积较小的局部极小值区域可能是由于噪声产生的,并不代表一个实际的影像对象。因此,剔除小面积的局部极小值可以进一步去除没有实际意义的区域,缓解过度分割现象。
(3)去除小斑块
通常情况下,分水岭分割的结果可能会因噪声的影响产生大量面积较小的集水盆。这些面积较小的集水盆因为形状特性的不突出不仅影响了后续特征提取的效果,而且给区域合并增加了计算量。因此针对这些小斑块,本文设置了面积阈值,把面积小于该阈值的集水盆定义为虚假水盆,将其合并到相邻的区域中。其主要思路如下:
采用相同的方法依次处理每个像元,如果某个像元对应的影像对象区域的面积小于设定的最小斑块面积阈值(MinPatch),在水平和垂直方向半径为的范围内查找与该斑块区域相邻的影像对象,找到与该斑块灰度值相差最小的影像对象。如果最小灰度差小于设定的阈值(MaxGray_P),则将该影像斑块与找到的影像对象合并;否则不合并。
(4)区域合并
上述的三个方法已经能够得到数量明显减少的分割单元,但过度分割现象依然存在。因此,使用区域合并这一经典算法缓解过度分割是一个不可缺少的环节。通过最小面积阈值(MInRegion)和区域间最大平均灰度差阈值(MaxGray_R)约束合并过程,主要思路如下:
I首先计算各个影像对象的平均灰度和面积,并构建各区域间的邻接关系;
II检测面积小于最小面积阈值的影像对象区域,将其中面积最小的区域先合并,计算此区域与各邻接区域的最小平均灰度差,如果该灰度差小于最大灰度差阈值,则合并;否则不合并;
III更新区域间的邻接关系,重复(2)的操作,直至没有符合条件的区域停止合并。
通过这些步骤后分别得到图3中的各种效果。
步骤2、面向对象方法中采用的几何特征和上下文特征,利用城市路网特征对道路影像对象进行提取并对影像中的遮挡问题进行处理;
(1)使用对象特征提取道路
图4为分别采用六个不同的影像对象描述算子对图4(a)中主干道路的提取结果。通过实验观察可以发现,长度因子、矩形度因子和形状因子对主干道路的提取效果比较好。这是由于主干道路通常连接成网络,形成大面积的、分叉型的影像对象产生的结果。而面积特征和灰度特征可以进一步辅助道路影像对象的提取。
(2)阴影遮挡处理
道路两旁建筑的阴影遮挡了部分道路使道路形状不完整,破坏了道路的平行性。其模型如图5所示。阴影等遮挡物通常与道路呈现出相互包含或邻接的关系,其边界与道路影像对象具有相同的公共边。之前有研究人员将那些与道路对象具有相同公共边、并且公共边占阴影对象边界比例大于0.5的对象当作道路,从而修补缺失的道路信息。这种方法虽然能够对阴影遮挡的道路进行补充,但是该方法将与道路邻接的整个遮挡对象都当作道路信息来填补,在一定程度上影响了道路形状的规整性。因此,本专利对此方法做了改进。
与把整个阴影遮挡物视为道路不同的是,本文先检测阴影遮挡目标对象与道路对象邻接的所有像元(图5的邻接像素),计算出包含这些像元的最小外接矩形,将此最小外接矩形作为道路填充到先前提取的道路中。图5表示的是一种理想化模型,由于阴影的范围并不是很大,在道路弯曲程度不大的情况下该方法的应用效果比较好(图6-1(b))。同时,该方法可以不依赖公共边界占遮挡对象边界的比例,将缺失的道路信息进行填补。
步骤3、高分辨率影像中道路交叉口自动提取的方法快速、准确地提取出道路交叉口的位置,为道路的拓扑连接提供依据;
本文提出的道路交叉口自动提取方法包括多尺度圆形均匀区检测、候选道路交叉口特征提取和角度-纹理特征精提取3个部分(图6-2)。首先采用梯度变换和多尺度形态学检测出可能存在道路交叉口的区域,然后利用几何和光谱信息进行粗提取。最后通过判断角度-纹理信息,识别出道路交叉口。
角度纹理(ATS)是以某一点为中心,用多个角度旋转的矩形采集的一组特征值,以横坐标为角度、纵坐标为特征值构成角度-纹理。对道路来说,由于沿道路方向的灰度均匀性远优于其他方向,统计矩形内方差特征生成的角度-纹理图在道路方向处会出现明显的波谷(图7)。因此,可以依据角度-纹理图的形状特征对图像中的道路交叉口进行提取。
小尺度(较窄)道路中由于没有明显的地物噪声,方差特征的角度纹理图可以比较好地反映道路特征。而在大尺度影像中,较宽道路的交叉口周围存在着各种复杂的交通标志或交通设施,其小尺度(较窄)道路中由于没有明显的地物噪声,方差特征的角度纹理图可以比较好地反映道路特征。而在大尺度影像中,较宽道路的交叉口周围存在着各种复杂的交通标志或交通设施,其方差特征的角度 -纹理图在道路方向的波谷信息不明显,本文采用了一个统计矩形模板内相似像素数目的方法。
角度-纹理特征提取后需要进一步分析,确定与道路交叉口连接的道路个数。在道路交叉口的角度-纹理中,沿道路的方向表现为波谷。因此,通过检测波谷数目可以确定候选道路交叉口的连接信息。具体步骤包括:确定初始波谷点、确定波峰点、去除伪波谷点、修正连续的波谷值和合并临近波谷点。经波谷检测后,通过计算波谷点的数目及方向可以判断中心点是否为道路交叉口。
本发明选择了2幅具有代表性的全色城市遥感图像来进行道路交叉口提取效果的分析,影像的分辨率为0.6-0.7m。道路交叉口提取的结果如图8和图9 所示。
方差特征的角度-纹理图在道路方向的波谷信息不明显,本文采用了一个统计矩形模板内相似像素数目的方法。
角度-纹理特征提取后需要进一步分析,确定与道路交叉口连接的道路个数。在道路交叉口的角度-纹理中,沿道路的方向表现为波谷。因此,通过检测波谷数目可以确定候选道路交叉口的连接信息。具体步骤包括:确定初始波谷点、确定波峰点、去除伪波谷点、修正连续的波谷值和合并临近波谷点。经波谷检测后,通过计算波谷点的数目及方向可以判断中心点是否为道路交叉口。
本文选择了2幅具有代表性的全色城市遥感图像来进行道路交叉口提取效果的分析,影像的分辨率为0.6-0.7m。道路交叉口提取的结果如图8和图9 所示。
实验说明,本文提出的方法能够有效地将高分辨率影像中不同尺度下的道路交叉口提取出来,对有交通设施的较宽道路也有一定的适应性。但复杂的交通标记、阴影、建筑物等噪声会影响道路交叉口提取的准确性。
步骤4、针对面状道路中的孔洞、路段间的断裂、“同谱异物”的噪声问题对道路进行进一步修正,并为道路提取的拓扑连接打下基础,对道路提取结果中较大的道路中断,采用两种拓扑连接方法有效地连接了道路条带间以及道路交叉口位置处的道路中断,进一步完善了路网信息。
形态学后处理
形态学后处理主要采用形态学的相关运算对二值化处理后道路的孔洞、缝隙和噪声进行处理,优化道路信息。
形态学闭运算可以连接图像中细小的间断。对于道路中较小的孔洞噪声,本文采用了3像元×3像元的结构元素进行闭运算来充填遮挡处理产生的道路孔洞。然而对于道路内部出现的较大的孔洞,本文首先依据连通性对背景区域的面积进行统计,将面积小的背景区域赋值为目标区域。该方法只填补了孔洞,不会改变道路的原有信息。在不改变道路整体信息的情况下,可以利用结构元素较小的形态学膨胀来填补道路区域间的裂缝,连接断开的道路。在道路提取的过程中,最严重的干扰噪声是道路周边“同谱异物”的地物,表现为道路周边孤立的面状地物或与道路粘黏的地物,可以利用连通性计算各连通区域的面积,将小面积区域剔除即可去除部分“同谱异物”的噪声。当粘结的部分比较小时可以采用形态学开运算将纤细粘结处的地物分开,再采用上述方法对“同谱异物”的噪声进行处理。
道路拓扑连接
本文采用了两种比较直观的方法分别对道路条带和道路交叉口处的道路进行连接。这两种方法是在道路影像对象特征提取以及道路交叉口自动提取出来之后,依据道路连通为网络、曲率较小的特点,对断裂的路段进行连接处理。
方向延伸算法首先按照地理位置将次要路段补充到主干道路中。在提取道路细化中心的基础上,采用连接算法对中断的道路进行连接。道路交叉口的连接是在自动提取出道路交叉口和道路细化结果的基础上,利用道路交叉口的拓扑关系对路网的进一步优化。这种方法不仅能够连接道路交叉口处缺失的部分,而且可以在一定程度上排除错误道路交叉口结果的干扰。
阴影在全色影像中的灰度相对统一(灰度接近于0),但其形态多样。根据其对道路提取过程造成的影响,概括为以下三种情况:
1)通过分水岭图像分割算法和局域同质性阈值选择和区域合并等改进方法。在城市道路影像分割中取得了良好的效果。
2)利用多个几何形状因子对初步分割的影像对象进行特征提取,采用多尺度的分析方法建立一定的规则提取出道路条带。
3)道路交叉口也是重要的道路信息,本专利基于灰度形态学和角度纹理特征提出了一种自动提取道路交叉口的方法,补充路网的拓扑结构。
本发明选取了一幅城市地区的高分辨率影像进行实验,实验表明本文提出的方法能比较完整地提取出路网信息,对复杂的影像环境具有一定的适应性。
Claims (6)
1.一种高分辨率遥感图像的城市路网信息自动提取方法,其特征在于,包括以下步骤:
步骤1、基于改进的分水岭分割算法,选择适当的局域同质性阈值、剔除局部极小值小面积区域、去除小斑块和区域合并来解决过分割问题;
步骤2、面向对象方法中采用的几何特征和上下文特征,利用城市路网特征对道路影像对象进行提取并对影像中的遮挡问题进行处理;
步骤3、高分辨率影像中道路交叉口自动提取的方法快速、准确地提取出道路交叉口的位置,为道路的拓扑连接提供依据;
步骤4、针对面状道路中的孔洞、路段间的断裂、“同谱异物”的噪声问题对道路进行进一步修正,并为道路提取的拓扑连接打下基础,对道路提取结果中较大的道路中断,采用两种拓扑连接方法有效地连接了道路条带间以及道路交叉口位置处的道路中断,进一步完善了路网信息。
2.根据权利要求1所述的高分辨率遥感图像的城市路网信息自动提取方法,其特征在于,所述改进的分水岭算法中局域同质性阈值略大于使分割数目达到峰值的阈值,所述去除小斑块方法为针对小斑块设置面积阈值,如果某个像元对应的影像对象区域的面积小于设定的最小斑块面积阈值(MinPatch),在水平和垂直方向半径为的范围内查找与该斑块区域相邻的影像对象,找到与该斑块灰度值相差最小的影像对象,如果最小灰度差小于设定的阈值(MaxGray_P),则将该影像斑块与找到的影像对象合并;否则不合并。
3.根据权利要求1所述的高分辨率遥感图像的城市路网信息自动提取方法,其特征在于,所述区域合并具体步骤为:(1)首先计算各个影像对象的平均灰度和面积,并构建各区域间的邻接关系;(2)检测面积小于最小面积阈值的影像对象区域,将其中面积最小的区域先合并,计算此区域与各邻接区域的最小平均灰度差,如果该灰度差小于最大灰度差阈值,则合并;否则不合并;(3)更新区域间的邻接关系,重复(2)的操作,直至没有符合条件的区域停止合并。
4.根据权利要求1所述的高分辨率遥感图像的城市路网信息自动提取方法,其特征在于,所述道路影像对象进行提取采用长度因子、矩形度因子和形状因子对主干道路的提取,遮挡问题进行处理方法为先检测阴影遮挡目标对象与道路对象邻接的所有像元,计算出包含这些像元的最小外接矩形,将此最小外接矩形作为道路填充到先前提取的道路中。
5.根据权利要求1所述的高分辨率遥感图像的城市路网信息自动提取方法,其特征在于,所述交叉口自动提取的方法运用了梯度变换、多尺度形态学变换、角度纹理、波谷检测技术手段,首先采用梯度变换和多尺度形态学检测出可能存在道路交叉口的区域,然后利用几何和光谱信息进行粗提取,最后通过判断角度-纹理信息,识别出道路交叉口,所述角度纹理(ATS)是以某一点为中心,用多个角度旋转的矩形采集的一组特征值,以横坐标为角度、纵坐标为特征值构成角度-纹理,角度-纹理特征提取后需要进一步分析,确定与道路交叉口连接的道路个数,在道路交叉口的角度-纹理中,沿道路的方向表现为波谷,具体步骤包括:确定初始波谷点、确定波峰点、去除伪波谷点、修正连续的波谷值和合并临近波谷点,经波谷检测后,通过计算波谷点的数目及方向可以判断中心点是否为道路交叉口。
6.根据权利要求1所述的高分辨率遥感图像的城市路网信息自动提取方法,其特征在于,所述两种拓扑连接方法为形态学后处理和道路拓扑连接,形态学后处理主要采用形态学的相关运算对二值化处理后道路的孔洞、缝隙和噪声进行处理,优化道路信息依据连通性对背景区域的面积进行统计,将面积小的背景区域赋值为目标区域,道路拓扑连接采用方向延伸算法按照地理位置将次要路段补充到主干道路中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710664849.2A CN107958183A (zh) | 2017-12-02 | 2017-12-02 | 一种高分辨率遥感图像的城市路网信息自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710664849.2A CN107958183A (zh) | 2017-12-02 | 2017-12-02 | 一种高分辨率遥感图像的城市路网信息自动提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107958183A true CN107958183A (zh) | 2018-04-24 |
Family
ID=61953449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710664849.2A Pending CN107958183A (zh) | 2017-12-02 | 2017-12-02 | 一种高分辨率遥感图像的城市路网信息自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107958183A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109635722A (zh) * | 2018-12-10 | 2019-04-16 | 福建工程学院 | 一种高分辨率遥感影像路口自动识别方法 |
CN109784283A (zh) * | 2019-01-21 | 2019-05-21 | 陕西师范大学 | 基于场景识别任务下的遥感图像目标提取方法 |
CN110443816A (zh) * | 2019-08-08 | 2019-11-12 | 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心) | 基于道路交叉口检测的遥感影像上城市道路提取方法 |
CN110543885A (zh) * | 2019-08-13 | 2019-12-06 | 武汉大学 | 一种交互式提取高分辨率遥感影像道路并生成路网的方法 |
CN111062958A (zh) * | 2019-11-21 | 2020-04-24 | 滁州学院 | 一种城市道路要素提取方法 |
CN111539297A (zh) * | 2020-04-20 | 2020-08-14 | 武汉中地数码科技有限公司 | 一种高分辨率遥感影像道路信息半自动提取方法 |
CN111553928A (zh) * | 2020-04-10 | 2020-08-18 | 中国资源卫星应用中心 | 一种辅以Openstreetmap信息的城市道路高分遥感自适应提取方法 |
CN111815636A (zh) * | 2020-05-28 | 2020-10-23 | 武汉大学 | 一种矢量路网的自适应紧凑图像分割方法 |
CN112215851A (zh) * | 2020-09-28 | 2021-01-12 | 武汉理工大学 | 一种道路网自动构建方法、存储介质及系统 |
CN112396612A (zh) * | 2020-11-16 | 2021-02-23 | 自然资源部国土卫星遥感应用中心 | 一种矢量信息辅助的遥感影像道路信息自动提取方法 |
CN112634396A (zh) * | 2019-09-24 | 2021-04-09 | 北京四维图新科技股份有限公司 | 路网确定方法及装置 |
CN112734849A (zh) * | 2021-01-18 | 2021-04-30 | 上海市城市建设设计研究总院(集团)有限公司 | 基于计算机的城市路网交叉角度检测方法 |
EP3828823A1 (en) * | 2019-11-28 | 2021-06-02 | Dassault Systèmes | Merging watershed segmentation basins in civil engineering |
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 |
CN114936992A (zh) * | 2022-07-25 | 2022-08-23 | 北京数慧时空信息技术有限公司 | 一种遥感影像可用域的建立方法 |
US11443435B2 (en) | 2019-11-28 | 2022-09-13 | Dassault Systemes | Watershed segmentation in civil engineering |
CN115878737A (zh) * | 2022-10-26 | 2023-03-31 | 中国电子科技集团公司第五十四研究所 | 一种基于路网数据的交叉口提取及拓扑结构描述方法 |
US11675939B2 (en) | 2019-11-28 | 2023-06-13 | Dassault Systemes | Polyline contributor in civil engineering |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504718A (zh) * | 2015-01-06 | 2015-04-08 | 南京大学 | 高分辨率航空遥感数据自动道路提取方法 |
CN106778605A (zh) * | 2016-12-14 | 2017-05-31 | 武汉大学 | 导航数据辅助下的遥感影像道路网自动提取方法 |
-
2017
- 2017-12-02 CN CN201710664849.2A patent/CN107958183A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504718A (zh) * | 2015-01-06 | 2015-04-08 | 南京大学 | 高分辨率航空遥感数据自动道路提取方法 |
CN106778605A (zh) * | 2016-12-14 | 2017-05-31 | 武汉大学 | 导航数据辅助下的遥感影像道路网自动提取方法 |
Non-Patent Citations (1)
Title |
---|
蔡红玥: ""高分辨率遥感图像城市道路自动提取方法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN109635722A (zh) * | 2018-12-10 | 2019-04-16 | 福建工程学院 | 一种高分辨率遥感影像路口自动识别方法 |
CN109635722B (zh) * | 2018-12-10 | 2022-10-25 | 福建工程学院 | 一种高分辨率遥感影像路口自动识别方法 |
CN109784283A (zh) * | 2019-01-21 | 2019-05-21 | 陕西师范大学 | 基于场景识别任务下的遥感图像目标提取方法 |
CN109784283B (zh) * | 2019-01-21 | 2021-02-09 | 陕西师范大学 | 基于场景识别任务下的遥感图像目标提取方法 |
CN110443816A (zh) * | 2019-08-08 | 2019-11-12 | 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心) | 基于道路交叉口检测的遥感影像上城市道路提取方法 |
CN110543885A (zh) * | 2019-08-13 | 2019-12-06 | 武汉大学 | 一种交互式提取高分辨率遥感影像道路并生成路网的方法 |
CN110543885B (zh) * | 2019-08-13 | 2022-03-04 | 武汉大学 | 一种交互式提取高分辨率遥感影像道路并生成路网的方法 |
CN112634396A (zh) * | 2019-09-24 | 2021-04-09 | 北京四维图新科技股份有限公司 | 路网确定方法及装置 |
CN111062958A (zh) * | 2019-11-21 | 2020-04-24 | 滁州学院 | 一种城市道路要素提取方法 |
CN111062958B (zh) * | 2019-11-21 | 2023-04-07 | 滁州学院 | 一种城市道路要素提取方法 |
EP3828823A1 (en) * | 2019-11-28 | 2021-06-02 | Dassault Systèmes | Merging watershed segmentation basins in civil engineering |
US11443435B2 (en) | 2019-11-28 | 2022-09-13 | Dassault Systemes | Watershed segmentation in civil engineering |
US11675939B2 (en) | 2019-11-28 | 2023-06-13 | Dassault Systemes | Polyline contributor in civil engineering |
CN111553928A (zh) * | 2020-04-10 | 2020-08-18 | 中国资源卫星应用中心 | 一种辅以Openstreetmap信息的城市道路高分遥感自适应提取方法 |
CN111553928B (zh) * | 2020-04-10 | 2023-10-31 | 中国资源卫星应用中心 | 一种辅以Openstreetmap信息的城市道路高分遥感自适应提取方法 |
CN111539297A (zh) * | 2020-04-20 | 2020-08-14 | 武汉中地数码科技有限公司 | 一种高分辨率遥感影像道路信息半自动提取方法 |
CN111539297B (zh) * | 2020-04-20 | 2023-08-08 | 武汉中地数码科技有限公司 | 一种高分辨率遥感影像道路信息半自动提取方法 |
CN111815636A (zh) * | 2020-05-28 | 2020-10-23 | 武汉大学 | 一种矢量路网的自适应紧凑图像分割方法 |
CN111815636B (zh) * | 2020-05-28 | 2024-02-02 | 武汉大学 | 一种矢量路网的自适应紧凑图像分割方法 |
CN112215851B (zh) * | 2020-09-28 | 2022-06-21 | 武汉理工大学 | 一种道路网自动构建方法、存储介质及系统 |
CN112215851A (zh) * | 2020-09-28 | 2021-01-12 | 武汉理工大学 | 一种道路网自动构建方法、存储介质及系统 |
CN112396612A (zh) * | 2020-11-16 | 2021-02-23 | 自然资源部国土卫星遥感应用中心 | 一种矢量信息辅助的遥感影像道路信息自动提取方法 |
CN112734849A (zh) * | 2021-01-18 | 2021-04-30 | 上海市城市建设设计研究总院(集团)有限公司 | 基于计算机的城市路网交叉角度检测方法 |
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 |
CN114936992A (zh) * | 2022-07-25 | 2022-08-23 | 北京数慧时空信息技术有限公司 | 一种遥感影像可用域的建立方法 |
CN115878737B (zh) * | 2022-10-26 | 2023-09-01 | 中国电子科技集团公司第五十四研究所 | 一种基于路网数据的交叉口提取及拓扑结构描述方法 |
CN115878737A (zh) * | 2022-10-26 | 2023-03-31 | 中国电子科技集团公司第五十四研究所 | 一种基于路网数据的交叉口提取及拓扑结构描述方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107958183A (zh) | 一种高分辨率遥感图像的城市路网信息自动提取方法 | |
CN107767382B (zh) | 静态三维地图建筑物轮廓线的自动提取方法及系统 | |
Zhang | Towards an operational system for automated updating of road databases by integration of imagery and geodata | |
Clode et al. | Detection and vectorization of roads from lidar data | |
Li et al. | Road detection algorithm for autonomous navigation systems based on dark channel prior and vanishing point in complex road scenes | |
CN104504718B (zh) | 高分辨率航空遥感数据自动道路提取方法 | |
Höfle et al. | Urban vegetation detection using high density full-waveform airborne lidar data-combination of object-based image and point cloud analysis | |
CN102436644B (zh) | 基于自适应边缘配准的非结构化道路检测方法 | |
CN104376595A (zh) | 一种基于机载LiDAR和GIS协同的三维道路生成方法 | |
CN104809689A (zh) | 一种基于轮廓的建筑物点云模型底图配准方法 | |
Safaie et al. | Automated street tree inventory using mobile LiDAR point clouds based on Hough transform and active contours | |
CN107679498A (zh) | 一种机载激光点云城区道路识别方法 | |
CN102645679A (zh) | 一种基于多普勒天气雷达回波图像的中气旋识别方法 | |
CN103871072B (zh) | 基于投影数字高程模型的正射影像镶嵌线自动提取方法 | |
Zhang et al. | Updating of cartographic road databases by image analysis | |
CN104463138A (zh) | 基于视觉结构属性的文本定位方法及系统 | |
KR101294347B1 (ko) | 영상의 형태 패턴과 텍스처 특징을 이용한 보도블록의 인식방법 | |
Tejenaki et al. | A new hierarchical method for automatic road centerline extraction in urban areas using LIDAR data | |
Dai et al. | Automatic method for extraction of complex road intersection points from high-resolution remote sensing images based on fuzzy inference | |
Stricker et al. | Road surface segmentation-pixel-perfect distress and object detection for road assessment | |
CN109187548A (zh) | 一种岩体裂隙识别方法 | |
Hu et al. | Generalized image recognition algorithm for sign inventory | |
CN106446864A (zh) | 一种可行道路的检测方法 | |
Wang et al. | Crack junction detection in pavement image using correlation structure analysis and iterative tensor voting | |
Hammoudi et al. | Extracting outlined planar clusters of street facades from 3D point clouds |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180424 |