CN108985247B - 多光谱图像城市道路识别方法 - Google Patents
多光谱图像城市道路识别方法 Download PDFInfo
- Publication number
- CN108985247B CN108985247B CN201810832373.3A CN201810832373A CN108985247B CN 108985247 B CN108985247 B CN 108985247B CN 201810832373 A CN201810832373 A CN 201810832373A CN 108985247 B CN108985247 B CN 108985247B
- Authority
- CN
- China
- Prior art keywords
- road
- image
- segmentation
- semantic
- result
- 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 154
- 230000011218 segmentation Effects 0.000 claims abstract description 120
- 230000003595 spectral effect Effects 0.000 claims abstract description 48
- 238000013507 mapping Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 description 29
- 238000000605 extraction Methods 0.000 description 23
- 230000008859 change Effects 0.000 description 15
- 238000003709 image segmentation Methods 0.000 description 14
- 238000002474 experimental method Methods 0.000 description 11
- 230000000877 morphologic effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005530 etching Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000006116 polymerization reaction Methods 0.000 description 3
- 235000002566 Capsicum Nutrition 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 2
- 241000722363 Piper Species 0.000 description 2
- 235000016761 Piper aduncum Nutrition 0.000 description 2
- 235000017804 Piper guineense Nutrition 0.000 description 2
- 235000008184 Piper nigrum Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000379 polymerizing effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
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
- G06V20/176—Urban or other man-made structures
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种多光谱图像城市道路识别方法，包括：步骤1，基于面向对象分割方法将多光谱图像中的道路与周围地物进行分割；步骤2，提取每个分割区域的底层特征，建立底层特征到高层语义对象的映射规则，实现从图像底层特征到高层语义特征的映射，构建语义模型对道路进行识别；其中，所述底层特征包括几何特征及光谱特征，所述高层语义对象包括绿化带、车道线、道路潜在区域。本发明采用SLIC超像素与结构张量粗分割相结合的方法，具有良好的抗噪能力，对复杂城区多光谱图像能够得到较好的分割结果；基于语义知识的道路识别方法对道路进行识别，解决了目前多光谱图像复杂环境城市道路识别精度不高，容易产生孔洞、断裂等问题。
Description
技术领域
本发明属于图像识别技术领域，具体涉及一种多光谱图像城市道路识别方法。
背景技术
遥感图像的交通道路目标识别是自动目标识别理论中的关键技术之一。城市道路作为地理信息库的重要组成部分，如何准确地从多光谱图像识别城市道路目标对地表检测、城市结构描述以及道路更新等都具有重要意义。
多光谱图像背景复杂，且易受到周围地物阴影以及道路与房屋光谱近似等问题的影响，难以保证识别精度。针对遥感图像的城市道路识别，现有技术主要包括基于像素层次的道路提取方法、基于对象层次的道路提取算法。
由于车辆、行人等因素，基于像素层次的道路提取算法提取的道路二值图像容易产生“椒盐现象”，在此基础上提取的中心线容易产生断裂现象。多光谱图像本身的复杂纹理与上下文特征，及现有分割算法本身的普适性不足，导致基于对象层次的道路提取算法容易产生粘连现象。
发明内容
本发明的目的是提供一种多光谱图像城市道路识别方法，以解决上述技术问题。
本发明提供了一种多光谱图像城市道路识别方法，包括：
步骤1，基于面向对象分割方法将多光谱图像中的道路与周围地物进行分割；
步骤2，提取每个分割区域的底层特征，建立底层特征到高层语义对象的映射规则，实现从图像底层特征到高层语义特征的映射，构建语义模型对道路进行识别；其中，底层特征包括几何特征及光谱特征，高层语义对象包括绿化带、车道线、道路潜在区域。
进一步地，步骤1包括：
采用SLIC超像素分割对预处理后图像进行初步分割；
结合结构张量矩阵的特征值对生成的超像素进行初步聚合；
根据分形网络演化算法的异质度计算方法进行面向对象的合并过程，根据最佳尺度选择方法选择尺度参数，得到最终分割结果。
进一步地，预处理采用双边滤波方法。
进一步地，结合结构张量矩阵的特征值对生成的超像素进行初步聚合具体包括：
采用结构张量结合滤波方法提取图像的平滑区域，基于平滑区域对超像素进行预合并。
进一步地，采用结构张量结合滤波方法提取图像的平滑区域中的滤波方法选用高斯滤波器。
进一步地，异质度计算方法采用LBP纹理特征与光谱特征相结合的方法计算对象间异质度。
进一步地，步骤2包括：
采用算法对所述高层语义对象进行中心线的矢量化，获得对象的延伸方向。
进一步地，该算法的具体步骤如下：
(1)在曲线两端点A、B间构建一条直线AB，该直线为曲线的弦，计算曲线上离该直线段距离最大的点C，并计算其与AB的距离d；
(2)比较该距离与预先设定的阈值的大小，如果小于该阈值，则认为该直线能够取代原有曲线，算法结束，否则执行(3)；
(3)如果距离大于阈值，使用该C作为新的端点，与原端点形成两段折线，并分别对两段线段进行(1)和(2)处理。
与现有技术相比本发明的有益效果是：
1)采用SLIC超像素与结构张量粗分割相结合的方法，具有良好的抗噪能力，对复杂城区多光谱图像能够得到较好的分割结果。
2)利用高层语义所蕴含的抽象特征对该语义对象进行表述，建立潜在道路区域、周围绿化带及车道线之间的语义关系，对道路进行识别，解决了目前多光谱图像复杂环境城市道路识别精度不高，容易产生孔洞、断裂等问题。
附图说明
图1是本发明的流程图；
图2是原图像和pn为300、500、800像素的超像素分割结果；
图3是超像素分割基础上的面向对象分割结果；
图4是300pn下初步合并结果；
图5是典型实验原图像；
图6是4幅对照实验原图像；
图7是车道线图像分割结果；
图8是交通拥堵图像分割结果；
图9是绿化地图像分割结果
图10是立交桥、光谱变化图像道路分割结果；
图11是4幅对照实验图像分割结果；
图12是交通拥堵图像；
图13是交通拥堵图像绿地提取结果；
图14是交通拥堵图像阴影提取结果；
图15是紧致度示意图；
图16是交通拥堵图像直线区域提取结果；
图17是交通拥堵图像细节特征提取结果；
图18是本发明基于语义知识的城市道路识别方法流程图；
图19是曲线矢量化示意图；
图20是三种高层语义对象间关系图；
图21是城市道路识别结果；
图22是模糊C均值识别结果；
图23是4幅对照实验图像道路识别结果。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。
参图1所示，本实施例提供了一种多光谱图像城市道路识别方法，首先对图像进行预处理，减少噪声等因素对后续处理的影响，在预处理的基础上，根据人眼由粗到细的注意力转移顺序，采用一定尺度的形态学算子对图像进行形态学运算，从而将图像分为能够有效反映颜色及形状特征的粗尺度图像和能够表述图像边缘及车辆、车道线等含有重要信息的细节要素图。
针对粗尺度图像进行中值滤波以得到稳定的光谱特征。对原图像进行超像素分割，通过超像素分割限定后续处理过程面向对象的最小尺度，并保证形状特征的准确性。采用Frangi滤波方法对分离出来的细节元素进行线性增强，利用张量投票方法对具有方向一致性的细节特征进行整合，从而增强细节信息中边缘、密集车辆等具有强烈方向性的细节元素，形成带有较强方向性的方向特征图。利用细节特征图指导粗尺度图像的超像素合并，采用自适应方法调节超像素间异质度的计算，实现区域方向指导下的面向对象多光谱图像分割方法。改进后的面向对象分割方法能够有效结合多尺度信息，实现自下而上的多光谱图像分割，同时降低了分割结果对于单一光谱的依赖性，对于道路等具有较强方向特征的地物分割效果较好。
在面向对象的分割基础上，提取每个对象的形状、光谱特征，完成底层特征的提取，根据道路可能存在区域与绿化带的底层特征关系，实现底层特征到道路语义要素的映射，并从细节特征图提取车道线语义要素。构建语义模型，利用道路中心线方向与绿化带、车道线方向的一致性进行道路的进一步识别，从而将车道线、绿化带等目标加入到道路识别，形成完整道路网。
本发明利用张量投票方法进行细节特征强化，采用加权中值滤波方法获得每个超像素的准确光谱特征，采用超像素分割合并的方法将粗尺度特征与细尺度特征相结合，有效突出道路固有的方向性特征，本发明方法在交通拥堵情况下依然能获得比较完整的道路分割结果；构建语义特征模型，在语义知识指导下，完成道路网的提取。
下面对本发明涉及的主要技术方案进行详细说明。
(一)改进的基于超像素的多光谱图像分割方法
针对传统分形网络演化过程起点过低、光谱异质度与形状异质度难以平衡的问题，本发明采用超像素分割方法限制分形网络演化过程所面向对象的尺度下限，采用结构张量(Structure Tensor，ST)粗分割结果指导超像素进行预合并的方法解决上述问题。改进的多光谱图像分割方法基于分形网络演化方法框架，具体步骤包括：图像预处理、基于超像素的尺度下限约束、结构张量粗分割和面向对象分割等步骤。图像预处理主要采用双边滤波方法，采用SLIC超像素分割对预处理后图像进行初步分割，结合结构张量矩阵的特征值对生成的超像素进行初步聚合，根据分形网络演化算法的异质度计算方法进行面向对象的合并过程，根据最佳尺度选择方法选择尺度参数，从而得到最终分割结果。
1、面向对象分割过程
传统分形网络演化算法异质度的计算面向对象进行，即不论待合并的目标是单个像素还是已经合并过的区域，均将其视为一个对象。传统异质度计算方法考虑对象的光谱异质度hshape和形状异质度hshape，光谱异质度hcolour如公式(1)所示。
m表示光谱波段数量，wk为各波段的权值，n代表其下标所示对象像素的数量，σk代表其上标所示对象第k波段的光谱方差。形状异质度hshape如公式(2)所示。
hshape＝wcpthcpt+(1-wcpt)hsmooth (2)
hcpt表示紧致度，hsmooth为光滑度，二者的计算分别如公式(3)和公式(4)所示。
l表示其下标所示对象的边界长度，b为其下标所示对象的最小外接矩形周长。总的异质度f由形状权值wshape对形状异质度和光谱异质度进行合并，如公式(5)所示。
f＝wshapehshape+(1-wshape)hcolour (5)
在完成两对象间异质度的计算后，采用最小生成树方法，寻找近邻对象对中互为异质度最小的对象进行合并，更新合并产生的对象与其近邻对象的异质度，重复合并过程，直到生成的子树个数或异质度达到尺度参数阈值，停止合并，产生最终的分割结果。
传统分形网络演化法是一种自下而上进行聚合的算法，由于在聚合过程中仅仅考虑对象对的局部最优特性，且聚合对象的起点为像素级，如果形状异质度权值较小，则很容易由于单个像素的粘连导致两个不相干区域被聚合成一类，使对象失去原有的拓扑特征。针对以上问题，本发明通过超像素约束对象的最小尺度，通过结构张量粗分割使对象获得初步的形状特征，从而在对象的光谱异质度较高的情况下，依然能够产生反映地物拓扑特征的分割结果。
2、基于SLIC的尺度下限约束方法
超像素是指具有相似纹理、颜色、亮度等特征的相邻像素构成的有一定视觉意义的不规则像素块。它利用像素之间特征的相似性将像素分组，用少量超像素代替大量像素来表达图像特征，很大程度上降低了图像后处理的复杂度，所以通常作为分割算法的预处理步骤。
通过将图像分割成超像素，能有效降低计算冗余，提升计算效率，而且更能反映图块间的拓扑结构，有利于后续计算。本发明采用SLIC(Simple Linear IterativeClustering)超像素分割方法对多光谱图像进行预分割。
(1)初始种子点选取
默认情况下，SLIC方法仅仅需要设定参数K给出希望获得的超像素的大体数量。在实际计算过程中通过公式(6)设定距离S来控制种子点在全图均匀分布。
其中N表示一幅图像包含的像素总数，K为想要获得的超像素个数。因此，也可以通过设定期望得到的超像素块的平均大小来间接得到超像素个数参数K，见公式(7)。
pn代表期望获得的每个超像素所包含的平均像素个数。为了避免种子点的位置落在边缘上，令种子点在其初始位置周围3*3空间内进行搜索，从而确保种子点能够落在初始位置周边梯度最小的位置。
(2)分类空间与相似度计算
SLIC依据像素间的CIELAB颜色空间相似性与x-y空间坐标相似性进行聚合，该方法首先将RGB颜色空间下的图像转换到LAB颜色空间，加上x坐标与y坐标，从而为每个像素i产生一个五维空间Ci＝{li,ai,bi,xi,yi}，距离D的计算如公式(8)所示。
dlab与ds分别为两个像素i和j在颜色空间与坐标空间中的距离，二者的计算公式如公式(9)和公式(10)所示。
并不是将二者直接合并，而是将二者分别计算后，通过权值m合成最终距离D，有利于控制超像素的紧致度。m的取值范围为[1,40]，本发明希望超像素分割结果能够较好地贴合地物边缘，同时又不过于毛躁，因此设定m为20。
(3)迭代聚合
在初始种子点位置确定后，SLIC采用K-means方法进行聚类，与传统K-means方法不同，SLIC在搜索过程中仅求取种子点周围2S*2S范围内每个像素与种子点像素间的加权距离D。执行一遍算法后，更新每个超像素的五维空间均值，即Ci+1＝{li+1,ai+1,bi+1,xi+1,yi +1}。重复进行上述步骤，直到聚类结果稳定或达到最大迭代次数限制，迭代结束。对于一些孤立点和面积过小的聚类，将其与最近邻类别进行聚合，得到最终的超像素分割结果。
图2给出了原图像和pn分别为300、500、800情况下的超像素分割结果，其中，(a)为简单条件原图像，(b)为pn为300像素的超像素分割结果，(c)为pn为500像素的超像素分割结果，(d)为pn为800像素的超像素分割结果。分割后三幅图像对应的最终超像素数量分别是2834、1705、1062。可以看到，在非边缘处，在ds距离约束下可以获得十分平整、近似棋盘网格般的分割结果。而在边缘部分，在较小尺度超像素边缘与图像边缘贴合良好，但噪声滤除效果较差，如原图像中道路上的一些地标在100尺度下部分仍被分割成独立的超像素对象；在更大尺度分割结果中，噪声部分被纳入其他超像素中，成为其他超像素的一部分，从而实现了噪声的滤除。但在部分边缘处，特别是在地物光谱特征接近的两个地物边缘处，易发生过度聚合。因此选择合适的超像素尺度对于后续处理过程十分重要，在实验中发现，最理想的超像素分割粒度pn应接近所关注地物的最小宽度的平方，即如果分割所面向的最小道路的宽度约为10像素，那么pn的理想范围大约在50～150之间。
将SLIC方法引入分形网络演化方法过程中，不仅能有效减少后续对象合并过程中的计算量，还可以限制分形网络演化法所面向对象的尺度下限，在滤除尺度小于下限噪声的同时，避免因像素粘连而导致的欠分割和误分割问题；同时方便对对象进行区域统计。
图3给出了两幅图像的超像素分割和面向对象分割结果，其中，(a)为简单条件图像超像素分割结果，(b)为简单条件图像超像素合并结果，(c)为交通拥堵图像超像素分割结果，(d)为交通拥堵图像超像素合并结果。可以看到，在路面状况比较理想、没有车辆及车道线影响的情况下，面向对象分割方法能够有效将道路与周围地物分割开来，形成具有形状特征的完整道路区域。然而在路面存在车辆及车道线，路面被大范围覆盖，从而影响到道路自身的光谱特征的情况下，该方法只能得到十分破碎的分割结果。因此本发明将强化后的方向特征加入超像素间异质度的计算中，从而实现当交通拥堵情况时，能够利用道路自身的方向特征，获得比较完整的分割结果。
3、基于结构张量的初步合并方法
生成超像素后，由于超像素所具有的局部区域特性，在形状异质度权值较小的情况下，像素粘连等导致的欠分割问题得到了很大改善，但如何凸显地物的固有形状特征问题仍需解决。针对以上问题，本发明采用结构张量结合滤波方法提取图像的平滑区域，基于平滑区域对超像素进行预合并，从而使合并后对象能够反映该区域的初步光谱特征和形状特征。对于二维图像I，每个像素处的结构张量T如公式(11)所示。
λ1、λ2为结构张量ST的两个特征值，计算如公式(12)所示。
两个特征值反映了该点的区域模式。当λ1≈λ2≈0时表明该区域变化较为平缓，当λ1＞λ2≈0时，该处为图像的边缘区域，而当λ1≈λ2＞0时，该点往往为角点。因此根据每个像素点处的特征值能够有效区分该像素所处区域的特征，根据λ1≈λ2≈0获得初步粗分割结果。结合超像素与连通域分析，如果超像素在阈值界定后的图像连通，表明两个超像素周边区域具有较高一致性，则合并相应超像素，完成基于结构张量的预合并过程。
在图像预处理后，通过结构张量对图像进行初步合并，使其形成内部具有一致性的小的分割区域，从而能够从每个分割区域中得到颜色、形状、纹理等区域特征。图4为对超像素分割结果进行预合并后的结果，在加入结构张量预分割后，初始超像素个数由2834被预合并为983个对象，减少了后续合并工作的计算量，同时可以看到，区域相似性高的部分被优先合并，生成更大对象，具有更稳定区域特征，同时道路等狭长区域被合并，从而优先产生形状特征较为突出的对象，使后续对象异质度的计算与合并更加准确。
4、考虑方向特征的超像素间异质度计算方法
采用LBP纹理特征与光谱特征相结合的方法计算对象间异质度，如公式13所示。
其中Ni为区域i的面积，wc为光谱异质度权值，Gc为光谱异质度，wT是为纹理权值，GT为纹理异质度。针对道路区域，采用超像素分割后，可以采用超像素的统计区域方向直方图代替纹理特征来对道路区域进行分割。对象与对象间的方向直方图距离可以通过G统计方法进行计算，如公式14所示。
fi为概率密度函数，对于超像素分割后图像，可以求取张量投票增强后图像的区域方向直方图，对区域方向直方图归一化，求取对象间的方向异质度，可实现对交通拥堵情况下道路区域的分割。
考虑交通拥堵情况和理想道路情况可能夹杂出现，采用固定权值分配颜色异质度和纹理方向异质度比重并不理想，本发明采用自适应方法实现对权值wc和wT的调整，具体计算如公式15所示。
wc＝Gc/(Gc+GT) (15)
wT＝1-wc。该公式考虑光谱异质度与纹理方向异质度间的关系，即当存在显著纹理差异的情况下，增大纹理异质度权值；当出现较大光谱差异的情况，则优先考虑对象间的光谱差异，从而实现在交通拥堵与非拥堵情况的自适应调节。
5、图像分割结果及对比实验
由于篇幅有限，只给出了图5、6实验原图像，图5中，(a)为车道线原图像，(b)为交通拥堵原图像，(c)为绿化带原图像，(d)为立交桥原图像，(e)为道路光谱变化原图像；图6中，(a)为简单条件原图像，(b)为曼哈顿城区原图像，(c)为天安门原图像，(d)为乡村道路原图像。本实验在MATLAB R,2014a环境下进行，参数设置包括超像素分割粒度，选取pn＝500，合并后最终的对象数目根据图像中对象数目略有调整，总体在130～200之间。eCognition软件的运行条件为尺度参数180，形状异质度权值为0.1，考虑道路较为狭长，紧致度权值为0。
图7给出了车道线图像的分割结果，其中，(a)为超像素分割结果，(b)为eCognition分割结果，(c)为超像素+分形分割结果，(d)为添加方向特征分割结果。图8给出了交通拥堵图像分割结果，其中，(a)为超像素分割结果，(b)为eCognition分割结果，(c)为超像素+分形分割结果，(d)为添加方向特征分割结果。从图7、8可以看到，当场景比较复杂，道路被较多车辆覆盖时，采用eCognition以像素为起点的分形网络演化法会产生灾难般结果，分割结果因为像素粘连，产生十分崎岖的对象连接结果，导致分割结果完全失去形状特征。而单纯使用光谱特征对超像素进行合并，也会在道路区域产生比较破碎的分割结果，在同一方向上道路会被截断。从图8的(c)和(d)可以看到，在加入方向特征后，道路区域能够产生比较完整的分割结果，该分割结果能够有效反映道路所具有的狭长、曲率变化较小的几何特征，但在天桥所形成的阴影处，由于光谱特征值差异较大，加之周围存在建筑物阴影，因此在同一道路段产生了断裂，但断裂处与道路的公共边缘较为完整，有利于推理实现断裂道路的连接。
图9给出了绿地图像的分割结果，其中，(a)为超像素分割结果，(b)为eCognition分割结果，(c)为超像素+分形分割结果，(d)为添加方向特征分割结果。图10给出了立交桥、光谱变化图像的道路分割结果，其中，(a)为立交桥eCognition分割结果，(b)为立交桥超像素分割结果，(c)为立交桥改进后分割结果，(d)为光谱变化eCognition分割结果，(e)为光谱变化超像素分割结果，(f)为光谱变化改进后分割结果。可以看到，在绿化带和立交桥图像中，由于道路上车辆密度一般，因此本发明方法分割结果与仅仅根据光谱特征进行分割的结果差别不大，但仍比eCognition软件的分割结果更能反映道路的固有几何特征。而在光谱特征变化图像中，本发明方法在道路区域的分割结果更加适应道路自身的延伸方向，有利于道路特征分析及语义提取。
为了定量分析本发明方法，选用对象一致性差错OCE(Object-level ConsistencyError，OCE)来对分割方法进行评价。分割结果的OCE系数越小，则分割结果越准确。在OCE计算过程中，只考虑城市道路。
表1分割结果OCE系数比较
表1给出了5幅实验图像3种方法的OCE系数。从表1可以看到，对于车道线图像，三种方法OCE系数相差不大，由于车道线图像道路周围存在与道路光谱相似地物，因此eCognition方法分割结果OCE系数略高。在交通拥堵和光谱变化图像中，由于道路被车辆覆盖，利于方向特征提取，因此本发明方法OCE系数最低，表明了本发明方法的有效性。立交桥图像由于存在光谱相似地物，基于超像素的方法对于道路和周边建筑区域均发生了错分，因此eCognition软件分割结果较好。而绿化带图像虽然场景复杂，但道路与道路周边地物光谱差距较大，因此三种方法表现相近。
图11中，(a)为简单条件道路图像分割结果，(b)为曼哈顿城区图像分割结果，(c)为天安门图像分割结果，(d)为乡村道路图像分割结果。从图11给出的4幅对照实验图像分割结果可以看到，在城市道路分割结果中，本发明方法能够较好地应对城市道路中的交通拥堵、车道线等情况，分割结果中城市道路几何特征较为鲜明。但对于简单的乡村道路图像，由于对象数量较少，因此本发明方法的参数不在适用，并且由于道路宽度较窄、材质与周围田地较为相似，因此本发明方法的分割结果中很难将道路单独划分出来。本发明方法适用于高分辨率城市道路遥感图像，对于乡村道路并不适用。
(二)城市道路底层特征及高层语义信息提取方法
由于道路路面材料的多样性，对道路与非道路而言，存在同物异谱与异物同谱现象，根据光谱特性很难提取道路。因此，在多光谱图像中提取道路信息并不是对特定形状(或纹理)特征目标的提取，也不是对特定光谱特征目标的提取，而是对道路整体理解与识别。本发明专利以光谱和几何特性为基础，发挥“人”对道路的“识别”功能，以及“计算机”对道路的精确“量测”功能，较准确识别道路。
语义可以看作是数据所对应的现实世界中事物所代表的含义，以及这些含义之间的关系，是数据在某个领域上的解释和逻辑表示。图像语义是人们对语义的感知，对图像的一种描述方式。相对于机器视觉，人对图像的描述及识别一般建立在图像的高层语义上(如图像所表达的对象、场景及行为特征)，而不是图像的颜色、纹理、形状等细节特征。因此，针对高层语义知识的目标提取主要分为三个阶段：一是提取视觉特征，如颜色、纹理、轮廓和形状等；二是高层语义信息的提取，即将图像视觉特征映射到高层语义；三是基于逻辑语义特征的目标提取，反映了图像所描述对象的标识及其空间关系。图像高层语义信息的提取首先需提取图像的底层特征，然后将底层语义特征通过映射转换成高层语义信息。
1、图像底层特征提取方法
相对于普通道路，城市道路具有其独特特征，具体表现为交通流量大，道路种类多，道路地物分布紧凑造成道路遮挡严重，地物种类丰富导致同谱异物和同物异谱现象十分常见。
图像底层特征包括光谱、形状、纹理等特征，城市道路识别涉及绿地、阴影、部分有颜色偏差的建筑物屋顶等对象都具有明显的光谱特征。可以通过光谱特征进行区分。多光谱图像中广场、道路及其他地物目标具有明显的几何特征，可以通过提取几何特征来区分。本发明主要提取了光谱和几何特征。
(1)光谱特征及提取方法
本发明利用HSV颜色空间模型对光谱特征进行提取。人眼对于颜色的感受主要受到波段间最大光谱差异影响，从RGB颜色空间到HSV颜色空间的变换过程如公式16、17所示。
V＝max(R,G,B) (16)
S＝(max(R,G,B)-min(R,G,B))/max(R,G,B) (17)
H代表色调，S代表饱和度，V为明度H。受max(R,G,B)的影响，同时为了构建颜色空间，需要将H差值转化为角度，本发明中，由于绿地具有较为突出的单通道光谱特征，故采用光谱间比例作为特征来对地物进行分离。分离公式如18所示。
GMap代表绿地分布图，thr为所选阈值，实验发现，选择阈值为0.16～0.2左右能够有效提取绿地，图13给出了对图12交通拥堵图像进行绿地分离的结果，可以看到，该方法能够有效实现绿地分离。
对于阴影部分，主要考虑其亮度值较低，并且呈现灰黑色特征，具体计算如公式19所示。
式中第1项控制区域光谱的亮度特征，thr1根据图像自身特点，选择40～60之间的值，rat代表R、G、B三通道中最大通道光谱值与最小通道光谱值的比值，当比值接近1时，表明该处没有明显颜色倾向，属于颜色空间中黑白灰色系。图14给出了对图12图像的阴影提取结果，可以看到，能够有效分离图像的阴影区域。
(2)几何特征及提取方法
几何特征是描述图像内容的重要视觉特征之一，多光谱图像中广场、道路及其他地物目标具有明显的几何特征。常见的几何特征主要包括面积、区块边缘、长宽比、紧致度等。本发明专利充分考虑城市道路固有特征，并添加厚度和中心线长度。
紧致度代表对象的圆形近似程度或者充满度，其表达式为周长的平方与面积的比值，如公式20所示。
圆是紧致度最低的形状，圆的紧致度为1，紧致度越高，表明对象形状越复杂。如图15所示，其中，(a)为非紧致区域，(b)为紧致区域。道路区域由于分布范围较广、较为狭长，具有较高紧致度，采用紧致度能够有效区分大面积广场和道路。
长宽比Elongatedness的计算公式如公式21所示，长宽比越大，是道路的可能性越大。空地、停车场等方形或接近方形的区域，细长度约等于1。
长宽比通常由对象的最小外接矩形提供，但在一些道路区域的分割结果中，道路网可能呈现诸如十字形、T形或其他不规则形状，例如图15的(b)，此时外接矩形并不能有效表达该区域的细长度，因此，本发明专利将每个分割区域的最大厚度W与经过最大厚度滤除后的区域中心线L的长度之比定义为每个区域的细长度特征值。其中，每个区域的最大厚度W定义为用某一固定大小的数学形态学结构元素，腐蚀该区域直到该区域最后一个像素消失所执行的腐蚀步数，同时，为了消除孔洞部分对区域厚度所造成的影响，在一次求取区域厚度后，应通过第一步求取的厚度对该区域进行形态学闭操作，之后重新执行腐蚀步骤。求得区域的最大厚度之后，即可用最大厚度对形态学骨架的提取结果进行滤除，从而剔除形态学骨架中因厚度所造成的众多分支线，从而获得较为准确的中心线长度L。
区域连通性则考虑道路往往比较细长，在同一幅图像中，道路容易跨越多个区域，在整幅图像中占据较大长宽比。综合运用上述区域特征的联合判定，能够从原图像提取到既具有区域连通性又具有细长度的区域作为道路的初步种子点。直线特征考虑到道路区域内部曲率变化较小，该方法从多个方向对原图像直接进行开运算，然后取所有方向开运算结果的最小值，通过顶帽运算，从原图像减去多方向最小值图像，得到其与原图像差异较大的部分，差异越大，表明该处在所有方向上均不存在长度满足要求且光谱变化较小的直线元素。该运算过程中所用模板参数为：以3°为间隔，从-180°到180°构建长度为120的直线形态学运算模板，依次对R、G、B三通道的图像进行开运算，取所有结果的最小值作为该像素点处最终结果，然后从原图像减去该结果，并执行二值化，选择二值化过程均值小的图像进行输出。
图16给出了对图12交通拥堵图像进行多方向线状元素模板顶帽运算的结果，该结果去除了阴影、绿地，从图16可以看到，使用该方法能够有效滤除多数建筑物，并保留道路区域。城市道路往往具有鲜明的车道线，形态学方法可以较好地提取细尺度特征。设G(x,y)为输出图像，则形态学顶帽运算为从原图像减去“开”运算结果，如公式22所示。
图17给出了对图13城市道路进行顶帽运算的结果，选用结构元素B为5*5的正方形结构元素。从图17可以看到，形态学顶帽运算能够完整地提取到车辆、车道线、部分建筑物边缘等亮细节元素。同理，形态学闭运算可以用于提取图像的暗细节特征。
2、底层特征到高层语义对象的映射方法
通过对图像光谱、形状特征进行分析，可以得到城市道路中道路段和绿化带语义映射过程所需要的区域几何特征和光谱特征。采用不同特征或特征组合获得遥感图像识别语义对象的视觉特征与语义的近似关系，即哪种特征或哪些组合能最好地表达一类对象，建立底层特征到高层语义对象的映射规则，实现从图像底层特征到高层语义特征的映射。具体的映射规则见表2。
表2底层特征到高层语义特征的映射关系
通过利用上述规则，实现由图像直接获取的底层特征到高层语义特征的映射，从一定程度上实现特征的抽象表述与总结概括，从而将底层特征符号化，利用符号化后的每类语义对象所具有的公共特征，进行进一步推理与识别。
(三)基于语义知识的道路识别方法
图像语义对象识别过程就是通过将存储在知识库中的具有语义的对象模型与图像底层特征相匹配来识别图像中的对象。现有对图像对象进行识别的方法主要有：基于对象区域的分析、通过学习分类方式，由底层特征导出语义概念、人机交互获得语义信息，通过环境信息间接探测语义信息。
本发明归纳总结了人类识别多光谱图像城市道路的经验知识，在底层特征映射的城市道路初步识别基础上，为避免出现语义鸿沟，增加道路、绿化带、车道线间的空间位置关系对城市道路的识别进行完善。基于语义知识的城市道路识别方法流程图见图18。
本发明主要针对道路、绿化带、中心线等相关位置关系语义对城市道路进行识别。提取目标对象的中心线，本发明对象中心线采用Douglas-Peucker算法进行中心线的矢量化，从而获得对象的延伸方向。图19给出了该算法的示意图，该算法具体步骤如下：
(1)在曲线两端点A、B间构建一条直线AB，该直线为曲线的弦，计算曲线上离该直线段距离最大的点C，并计算其与AB的距离d。
(2)比较该距离与预先设定的阈值的大小，如果小于该阈值，则认为该直线能够取代原有曲线，算法结束，否则执行(3)。
(3)如果距离大于阈值，使用该C作为新的端点，与原端点形成两段折线，并分别对两段线段进行(1)和(2)处理。
根据几何特征中获得的最大宽度和平均宽度，实现对距离阈值的自适应选取，在进行矢量化之后通过点代替原来的曲折中心线，获得更为精准的对象延伸方向。道路、车道线和绿化带三个语义对象间的关系如图20所示，其中，(a)为三者中心线平行关系，(b)为道路与绿地间包络关系，(c)为车道线分布位置关系。
从图20的(a)可以看到，对于绿化带、车道线和道路而言，三者若属于同一道路段，则其中心线具有互相平行的特性，这种平行特性可以通过对三者中心线进行矢量化，从矢量化结果可以得到该目标比较准确的中心线方向，从而进行平行关系的判定。
(b)主要考虑绿化带出现位置，仅仅出现在街心的绿化带需要考虑为道路，而街边的绿化带则不需要考虑，因此需要判明绿化带被道路的包络程度，二者间公共边缘的长度与绿化带自身的周长接近，则该绿化带被完全包络。大范围被包络的绿化带保留为道路，没有被包络的绿化带可能是建筑物间绿化带及路边绿化带，根据实验结果，本发明以0.6作为阈值判定绿化带被包络的程度。
(c)考虑判断候选车道线与道路的位置关系，当其分布与路段中心线位置接近时，认为其为属于该路段的车道线，如果距离路段中心线距离接近路段自身的厚度时，则认为该亮线是由于道路边线或其他因素导致的边缘线。
城市道路识别实验结果与分析
由于遥感图像道路识别最常用的方法为依据道路光谱特征进行道路识别，因此实验对比方法为采用模糊C均值方法根据光谱特征识别道路，采用尺度为7的滤波窗口对图像进行中值滤波，以获得稳定光谱特征。根据地物光谱亮度范围，模糊C均值分类数设定为4时，能得到较好的区分效果，地物被分为亮、次亮、次暗、暗四类，道路区域根据其光谱特征，在次亮或次暗类别中能较为完整地识别道路。
本发明所选图像包含北京、曼哈顿等多个地区的城市道路图像，涵盖交通拥堵、绿化带、车道线、立交桥等多种场景。图21给出了本发明方法的城市道路识别结果，其中，(a)为车道线图像道路识别结果，(b)为交通拥堵图像道路识别结果，(c)为绿化带图像道路识别结果，(d)为立交桥图像道路识别结果，(e)为光谱变化图像道路识别结果。图22则给出了作为实验对比的模糊C均值方法的道路识别结果，其中，(a)为车道线图像模糊C均值识别结果，(b)为交通拥堵图像模糊C均值识别结果，(c)为绿化带图像模糊C均值识别结果，(d)为立交桥图像模糊C均值识别结果，(e)为光谱变化图像模糊C均值识别结果。本发明方法所给结果没有经过形态学进一步进行处理，而是直接给出了语义知识完善后的识别结果，保留原始的基于超像素的面向对象分割结果。
从图21可以看到，本发明方法能够较好地识别城市道路，在交通拥堵实验图像中，由于车道线的存在，导致道路从纵向上被分割成多段，由于车道线位于道路边缘，无法进一步进行判定。在绿化带实验图像中，根据绿化带的判定结果及其与道路之间的包络和中心线方向的平行关系，能够有效将道路区域内的绿化带纳入道路识别结果，且滤除与道路部分无关的绿化带。本发明方法构建的语义模型还有待进一步完善，在车道线和交通拥堵实验图像中，出现了路段断裂导致的识别不完整。而在立交桥实验中，由于道路与道路周边地物具有相似的光谱特征，在识别结果中，与道路部分发生粘连，导致识别结果中出现部分误识别区域。
在光谱变化图像实验中，道路被阴影大面积遮挡，同时存在道路光谱不均的情况，主干道路由于车辆较多，能够形成鲜明的方向特征，根据方向特征能够获得比较完整的识别结果，对于只有部分阴影遮挡的另一条道路也能形成具有鲜明特征的道路识别结果。但对于存在大面积阴影遮挡的右半侧道路，则没有相应规则能完成道路语义的映射。下一步工作应考虑通过去阴影算法等手段，从而实现阴影区域及阴影导致的断裂区域道路的识别。
图22给出了根据光谱特征进行分类的模糊C均值识别结果，可以看到，在识别结果中，道路区域易与周边地物发生粘连，同时存在孔洞、断裂等情况。与模糊C均值方法的识别结果对比可以发现，本发明方法能够产生较为完整的城市道路识别结果，同时能够有效应对城市道路光谱颜色不均的情况，对于阴影产生的断裂和绿化带、车道线等情况也有较好的识别结果，能够较好地解决复杂条件下城市道路识别问题。但在道路光谱特征较为单一、情况比较简单的条件下，使用模糊C均值方法反而能够获得完整的道路识别结果。
为了验证本发明方法的有效性，选择查准率(Precision)、召回率(Recall)和Dice系数(Dice’s coefficient)作为识别结果的评价指标。查准率表明识别结果与手工标注道路区域公共部分的比率，召回率则表明所得识别结果中，真正道路区域所占比率，Dice系数则能够有效判别识别结果与手工标注道路区域之间的一致性，Dice系数越高，则二者一致性程度越好。查准率、召回率和Dice系数计算分别如公式23、24、25所示。
其中X代表手工提取的真实道路区域，Y代表程序识别得到的道路区域。查准率能够反映识别结果中成功识别的道路区域占总道路区域的比例，召回率反映识别结果中正确识别的对象占总识别结果的比率，Dice系数则综合考虑二者的一致性关系。
表3城市道路识别结果定量评价
表3给出了城市道路识别结果定量评价，可以看到，相对模糊C均值方法而言，本发明专利方法所得结果具有更高的召回率和较高的Dice系数，但查准率方面稍逊于模糊C均值方法。在绿化带实验图像中，由于本发明方法能够判定绿化带，因此查准率高于模糊C均值方法。导致本发明方法查准率下降的主要因素是因为缺少道路的断裂判定与断裂连接方法，导致当道路存在断裂及遮挡等情况时，本发明方法不能识别断裂部分的道路，而模糊C均值方法仅仅考虑道路的光谱特征，能够识别比较完整的道路区域。
图23给出了本发明方法对于4幅对照实验图像的道路识别结果，其中，(a)为简单条件道路图像识别结果，(b)为曼哈顿城区图像识别结果，(c)为天安门图像识别结果，(d)为乡村道路图像识别结果。可以看到，本发明方法能够有效应对交通拥堵等情况，道路识别较为准确，识别错误的区域极少。但在天安门图像中，存在部分广场与道路粘连的情况，而在曼哈顿图像中，街道受到大量树木遮挡而导致部分道路缺失，这是本发明方法下一步需要完善之处。对于乡村道路图像，由于乡村地物种类较为简单，并且道路较细，道路上没有绿化带、车道线等相应道路规划与标志，因此本发明方法不能有效识别乡村道路。针对乡村道路，传统光谱分割及边缘提取与细化方法能够得到较好的道路识别结果。在整个数据集上，本发明方法的平均查准率为0.87662，召回率为0.94368，Dice系数为0.83514，本发明方法所识别的城市道路较为准确。
本发明相比传统城市道路识别方法具有如下技术效果：
(1)在面向对象多光谱图像分割方法中，初始对象特征往往无法反映真实区域的整体特征，从而产生错误的分割结果。针对以上问题，本发明提出一种改进的基于超像素的多光谱图像分割方法，采用SLIC超像素与结构张量粗分割相结合的方法对其进行改进。该方法采用SLIC超像素方法产生初始过分割结果，利用结构张量产生尺度空间下的粗分割结果，采用粗分割结果指导超像素进行初步合并，从而使分形网络演化方法所面向的初始对象能够表达该区域的整体特征，增强后续合并过程对噪声的抵抗性。实验结果表明，本发明提出的分割方法具有良好的抗噪能力，对复杂城区多光谱图像能够得到较好的分割结果；
(2)针对目前多光谱图像复杂环境城市道路识别精度不高，容易产生孔洞、断裂等问题，本发明提出一种基于高层语义知识的城市道路识别方法。在面向对象的分割基础上，提取每个分割区域的几何、光谱特征，构建映射关系表，实现底层特征到绿化带、车道线、道路段等高层语义对象的映射。利用高层语义所蕴含的抽象特征对该语义对象进行表述，建立潜在道路区域、周围绿化带及车道线之间的语义关系，对道路进行识别，实验结果表明，该方法能够较好地识别城市道路。
(3)相对于目前基于像素层次与基于对象层次的道路识别方法，由于多光谱图像本身存在“同谱异物，同物异谱”问题，通常会产生较多的“椒盐”和“粘连”现象，本发明方法有效利用背景特征，有助于解决上述问题。
(4)与目前基于知识层次的道路识别方法将道路特征与相关理论(如蚁群聚类算法、模糊集理论等)结合相比较，本发明方法计算量小，对于道路光谱颜色不均，以及阴影产生的断裂和绿化带、车道线等情况也有较好的识别结果。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定。
Claims (3)
1.一种多光谱图像城市道路识别方法，其特征在于，包括：
步骤1，基于面向对象分割方法将多光谱图像中的道路与周围地物进行分割，包括：
采用SLIC超像素分割对预处理后图像进行初步分割；所述预处理采用双边滤波方法；
结合结构张量矩阵的特征值对生成的超像素进行初步聚合，包括：采用结构张量结合滤波方法提取图像的平滑区域，基于平滑区域对超像素进行预合并；所述滤波方法选用高斯滤波器；
根据分形网络演化算法的异质度计算方法进行面向对象的合并过程，根据最佳尺度选择方法选择尺度参数，得到最终分割结果；所述异质度计算方法采用LBP纹理特征与光谱特征相结合的方法计算对象间异质度；
步骤2，提取每个分割区域的底层特征，建立底层特征到高层语义对象的映射规则，实现从图像底层特征到高层语义特征的映射，构建语义模型对道路进行识别；其中，所述底层特征包括几何特征及光谱特征，所述高层语义对象包括绿化带、车道线、道路潜在区域。
2.根据权利要求1所述的多光谱图像城市道路识别方法，其特征在于，所述步骤2包括：
采用算法对所述高层语义对象进行中心线的矢量化，获得对象的延伸方向。
3.根据权利要求2所述的多光谱图像城市道路识别方法，其特征在于，所述算法的具体步骤如下：
(1)在曲线两端点A、B间构建一条直线AB，该直线为曲线的弦，计算曲线上离该直线段距离最大的点C，并计算其与AB的距离d；
(2)比较该距离与预先设定的阈值的大小，如果小于该阈值，则认为该直线能够取代原有曲线，算法结束，否则执行(3)；
(3)如果距离大于阈值，使用该C作为新的端点，与原端点形成两段折线，并分别对两段线段进行(1)和(2)处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810832373.3A CN108985247B (zh) | 2018-07-26 | 2018-07-26 | 多光谱图像城市道路识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810832373.3A CN108985247B (zh) | 2018-07-26 | 2018-07-26 | 多光谱图像城市道路识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108985247A CN108985247A (zh) | 2018-12-11 |
| CN108985247B true CN108985247B (zh) | 2021-12-21 |
Family
ID=64551305
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810832373.3A Active CN108985247B (zh) | 2018-07-26 | 2018-07-26 | 多光谱图像城市道路识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108985247B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919951B (zh) * | 2019-03-14 | 2022-07-19 | 武汉大学 | 语义关联的面向对象城市不透水面遥感提取方法及系统 |
| CN110008299A (zh) * | 2019-04-08 | 2019-07-12 | 百度在线网络技术（北京）有限公司 | 一种地图评估方法、装置、电子设备及存储介质 |
| CN110705577B (zh) * | 2019-09-29 | 2022-06-07 | 武汉中海庭数据技术有限公司 | 一种激光点云车道线提取方法 |
| CN111539432B (zh) * | 2020-03-11 | 2023-03-31 | 中南大学 | 一种利用众源数据辅助遥感影像提取城市道路的方法 |
| CN113112502B (zh) * | 2021-05-11 | 2023-10-20 | 上海非夕机器人科技有限公司 | 线缆检测方法、机器人和具有存储功能的装置 |
| CN111639623B (zh) * | 2020-06-09 | 2022-04-26 | 中国地质大学（武汉） | 结合空间距离约束的多尺度船企场景识别与提取方法 |
| CN113836978A (zh) * | 2020-06-24 | 2021-12-24 | 富士通株式会社 | 道路区域确定装置及方法、电子设备 |
| CN112052778B (zh) * | 2020-09-01 | 2022-04-12 | 腾讯科技（深圳）有限公司 | 一种交通标志识别方法以及相关装置 |
| CN112818880B (zh) * | 2021-02-05 | 2022-09-30 | 郑州科技学院 | 基于深度学习的航拍图像植被提取与分类方法 |
| CN113222003B (zh) * | 2021-05-08 | 2023-08-01 | 北方工业大学 | 一种基于rgb-d的室内场景逐像素语义分类器构造方法及系统 |
| CN115995046B (zh) * | 2022-11-18 | 2023-08-04 | 北京市农林科学院信息技术研究中心 | 阴影遮挡状态下的农村道路遥感提取方法及装置 |
| CN118135506A (zh) * | 2024-04-30 | 2024-06-04 | 东莞市杰瑞智能科技有限公司 | 基于视觉单元结构的电子路牌及其路况目标自识别方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104966091A (zh) * | 2015-07-30 | 2015-10-07 | 王植 | 一种基于无人机遥感影像的露天矿道路提取方法 |
| CN106023145A (zh) * | 2016-05-06 | 2016-10-12 | 哈尔滨工程大学 | 基于超像素标注的遥感图像的分割与识别方法 |
| CN106250895A (zh) * | 2016-08-15 | 2016-12-21 | 北京理工大学 | 一种光学遥感图像感兴趣区域检测方法 |
| CN106384354A (zh) * | 2016-09-14 | 2017-02-08 | 哈尔滨工业大学 | 基于slic算法的超像素分割方法 |
| CN106651886A (zh) * | 2017-01-03 | 2017-05-10 | 北京工业大学 | 一种基于超像素聚类优化cnn的云图分割方法 |
| CN107092930A (zh) * | 2017-04-21 | 2017-08-25 | 中国科学院遥感与数字地球研究所 | 一种将数字规划地图（dlg）数据用于高分辨率遥感图像地表覆盖分类的方法 |
| CN107862698A (zh) * | 2017-11-29 | 2018-03-30 | 首都师范大学 | 基于k均值聚类的光场前景分割方法及装置 |
-
2018
- 2018-07-26 CN CN201810832373.3A patent/CN108985247B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104966091A (zh) * | 2015-07-30 | 2015-10-07 | 王植 | 一种基于无人机遥感影像的露天矿道路提取方法 |
| CN106023145A (zh) * | 2016-05-06 | 2016-10-12 | 哈尔滨工程大学 | 基于超像素标注的遥感图像的分割与识别方法 |
| CN106250895A (zh) * | 2016-08-15 | 2016-12-21 | 北京理工大学 | 一种光学遥感图像感兴趣区域检测方法 |
| CN106384354A (zh) * | 2016-09-14 | 2017-02-08 | 哈尔滨工业大学 | 基于slic算法的超像素分割方法 |
| CN106651886A (zh) * | 2017-01-03 | 2017-05-10 | 北京工业大学 | 一种基于超像素聚类优化cnn的云图分割方法 |
| CN107092930A (zh) * | 2017-04-21 | 2017-08-25 | 中国科学院遥感与数字地球研究所 | 一种将数字规划地图（dlg）数据用于高分辨率遥感图像地表覆盖分类的方法 |
| CN107862698A (zh) * | 2017-11-29 | 2018-03-30 | 首都师范大学 | 基于k均值聚类的光场前景分割方法及装置 |
Non-Patent Citations (6)
| Title |
|---|
| "Region-of-Interest Detection via Superpixel-to-Pixel Saliency Analysis for Remote Sensing Image";Long Ma,at el.;《IEEE GEOSCIENCE AND REMOTE SENSING LETERS》;20161231;第13卷(第12期);第1-5页 * |
| "Technique for Detecting Specific Texture Regions in Images";D M Murashov, at el.;《The IV Internernational Conference on Information Technology and Nanotechnology》;20180630;第1-11页 * |
| "基于图像的交通场景理解";赵亚东;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20140515(第5期);C034-743 * |
| "基于图切分的快速交互式图像分割方法研究";龚菲;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140115(第1期);I138-1798 * |
| "基于自适应权值 FNEA 算法的高分辨率遥感图像分割";贾春阳等;《国土资源遥感》;20131231;第25卷(第4期);第22-25页 * |
| "遥感图像城市道路细节特征提取及增强方法研究";孙海燕;《工业技术创新》;20180228;第5卷(第1期);第87-90页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108985247A (zh) | 2018-12-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108985247B (zh) | 多光谱图像城市道路识别方法 | |
| CN107862667B (zh) | 一种基于高分辨率遥感影像的城市阴影检测与去除方法 | |
| Li et al. | Robust rooftop extraction from visible band images using higher order CRF | |
| CN104915636B (zh) | 基于多级框架显著性特征的遥感影像道路识别方法 | |
| Turker et al. | Field-based sub-boundary extraction from remote sensing imagery using perceptual grouping | |
| CN105718945B (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
| CN107330875B (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
| CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
| CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
| CN104361589A (zh) | 一种基于尺度间映射的高分辨率遥感影像分割方法 | |
| CN109859219B (zh) | 结合相位与光谱的高分遥感影像分割方法 | |
| Wang et al. | A novel multi-scale segmentation algorithm for high resolution remote sensing images based on wavelet transform and improved JSEG algorithm | |
| CN107992856B (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
| WO2024021413A1 (zh) | 一种结合超像素和多尺度分层特征识别的图像分割方法 | |
| CN103839267A (zh) | 一种基于形态学建筑物指数的建筑物提取方法 | |
| US11804025B2 (en) | Methods and systems for identifying topographic features | |
| CN110147780B (zh) | 基于层级地形的实时性野外机器人地形识别方法及系统 | |
| CN115690086A (zh) | 一种基于对象的高分辨率遥感影像变化检测方法及系统 | |
| Singh et al. | A hybrid approach for information extraction from high resolution satellite imagery | |
| CN111091071A (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及系统 | |
| CN111882573A (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
| Bhadauria et al. | Building extraction from satellite images | |
| Huang et al. | Classification of very high spatial resolution imagery based on the fusion of edge and multispectral information | |
| Abraham et al. | Unsupervised building extraction from high resolution satellite images irrespective of rooftop structures | |
| CN114119634A (zh) | 结合植被剔除和图像特征一致性约束的建筑物自动提取方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |