CN109410233A - 一种边缘特征约束的高分辨率图像道路精准提取方法 - Google Patents
一种边缘特征约束的高分辨率图像道路精准提取方法 Download PDFInfo
- Publication number
- CN109410233A CN109410233A CN201811129828.1A CN201811129828A CN109410233A CN 109410233 A CN109410233 A CN 109410233A CN 201811129828 A CN201811129828 A CN 201811129828A CN 109410233 A CN109410233 A CN 109410233A
- Authority
- CN
- China
- Prior art keywords
- road
- pixel
- line segment
- image
- edge
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种边缘特征约束的高分辨率图像道路精准提取方法,包括以下步骤:步骤1,首先使用双边滤波对图像去噪,随后利用拉普拉斯算子与图像做卷积,实现图像边缘增强,并提取边缘特征信息,进行邻近线段的连接;步骤2,进行区域对象分割及区域对象增长,随后追踪道路对象,对提取的道路区域进行骨架化处理,得到道路图像。本发明采用的面向对象分割考虑纹理和形状特性,使用多波段邻域灰度一致性方法、并在具有良好完整性的边缘特征约束下,获取稳定的对象分割结果。在高分辨图像场景下,过量背景噪声信息对道路提取的高效性和准确性提出了巨大挑战。
Description
技术领域
本发明属于地理空间信息系统技术领域,主要涉及一种边缘特征约束的高分辨率图像道路精准提取方法。
背景技术
道路网的提取是现代交通运输中很重要的一环,实现在地理信息系统(GIS)中对道路网的实时管理与更新越来越受到专业人员的重视。对道路网的自动提取是一个既经济又实惠的方法,但是由于高分辨率图像的多样性和复杂性,在自动提取分析中很容易出现对象误提取或提取不全的情况。高分辨率图像道路自动提取的难点主要包括:(1)出于高分辨率图像的复杂性,图像细节和数据量激增;(2)路面上的阴影,车辆,建筑物或路边有类道路特征的非道路区域,即异物同谱现象,影响分割结果;(3)道路对象本身的多样性,识别模型的构造难度大;(4)许多城市道路算法仅在提取直线路段时较为稳定,而提取一定弯曲的道路时会丢失精度。(5)快速提取图像道路信息的必要性,例如在一些突发状况需要迅速甚至实时获取道路信息。高分辨图像下承载的巨大信息量使得目标识别过程更加困难,背景中偶然产生的类道路特征,如平行边缘、具有灰度一致性的狭长区域,往往造成错误道路边缘和道路区域提取。路面上的阴影,车辆,建筑物等覆盖了路边信息,导致线特征提取不完整;在道路区域特征的提取过程中,异物同谱现象会造成道路对象与背景边界的模糊不清,从而导致不稳定的区域对象分割结果。还有,因为待提取道路特征千差万别,建立统一识别标准很难有效提取特征各异的道路对象。另外,面对突发状况下对道路的高效自动提取需求,就需要对图像的冗余信息进行快速处理,然而高效准确的处理手段依然有待研究。
针对这些问题,本发明实现的方法针对亚米级分辨率(0.1m-0.8m)图像,综合了边缘分析、区域对象分析及图像高级特征分析各自潜在的优势,使用Gabor特征作为边缘限制条件来约束区域分割和生长过程。其中,Gabor小波与人类视觉系统中简单细胞的视觉刺激响应非常相似,且对边缘信息异常敏感,能够有效提取目标对象弱边缘特征。离散Gabor核的方向尺度信息有利于后续的兴趣边缘提取和Gabor特征连接性分析,为剔除噪声、补足更加完整的目标边缘提供了便捷。运用具有良好完整性的边缘信息约束区域分割过程,能显著提高区域对象分割的准确性。同时,基于多波段邻域灰度一致性的面向对象的区域分割方法,大大提高了图像对象的分割效率和提取对象的稳定性。
道路自动提取算法可分为三类:基于像元、基于区域和基于知识的方法。基于像元的方法通过检测像元级信息提取潜在道路边缘,如canny算法、LSD分析;基于区域的方法一般先分割图像,然后对分割的对象进行分类筛选,面向对象的道路提取算法大都基于此;基于知识的方法通过提取图像上的高级信息来检测道路,如多尺度结构的小波分析及卷积神经网络方法。其中基于像元的方法仅考虑了边缘信息而忽略了区域光谱特性,难以区分具有几何线性特征的干扰物;而基于区域的方法则往往无法对路边的与道路有相同光谱表征的非道路区域进行区分;基于高级信息的方法如卷积神经网络,小波特征分析等往往无法检测道路弱边缘,且无法高效处理高分辨率图像集。
发明内容
针对高分辨率图像道路自动提取的高效性和准确性需求。首先,构造了一种Gabor能量泛函用以度量特定尺度和方向下的Gabor特征。为了提高边缘约束的面向对象高分辨率图像道路提取效率,本发明仅考虑能量泛函实数部分,这在保证Gabor特征检测精度的前提下大大提高了程序处理速度。针对数字栅格图像,本发明利用2D-Gabor小波实现了多尺度多方向的Gabor特征提取。由于复杂环境下出现的异物同谱、路面遮挡等问题,Gabor特征检测的完整性受到了挑战,本发明使用了一种Gabor特征连接方法补足了特征的完整性。然后,使用一种基于窗口的方法对复杂环境中误提取的干扰特征进行了滤除,如路面车辆、遮挡等,仅提取具有分割道路区域与干扰背景的潜在线特征。随后,具有完整性的Gabor特征作为边缘限制条件约束区域分割和生长,很大程度解决区域对象中目标与背景接边的情况,大大提高了基于对象的区域分割的稳定性和区域生长的准确性。最后,本发明使用一些基本形状特征滤除非道路区域,从而高效追踪道路对象。
本发明解决其技术问题所采用的技术方案是:一种边缘特征约束的高分辨率图像道路精准提取方法,包括以下步骤:
步骤1,对原图像进行预处理,随后利用Gabor小波提取边缘特征信息,并进行邻近边缘线段的连接,得到边缘约束信息;
步骤2,对预处理后图像进行区域对象分割及区域对象增长,随后追踪道路对象,对提取的道路区域进行骨架化处理,得到道路图像。
所述步骤1包括以下步骤:
步骤1.1,原图像预处理后,根据道路尺度信息和弯曲程度分别确定Gabor小波基的尺度和方向,从而构建离散型Gabor小波;
步骤1.2,由离散型Gabor小波簇依次与预处理后图像做卷积处理,得到各尺度各方向下的响应图,并且合并为同一尺度下的响应图;
步骤1.3,针对合并后的响应图,构造a×a正方形模板,其中a为边长,提取模板中具有方向一致性的响应点,构成感兴趣边缘;
步骤1.4,将感兴趣边缘线段化,并统计线段的位置、方向、端点信息、线段点数;
步骤1.5,遍历响应图所有两两相邻的线段,判断是否连接相邻线段端点;连接后的线段构成边缘约束信息。
所述判断是否连接相邻线段端点具体如下:
(1)计算相邻两线段间夹角,夹角大于阈值,则放弃连接端点;
(2)设置最近端点距离阈值dT,确定相邻两线段间最近端点并计算两点距离dmin;如果dmin>dT,说明线段对相距较远,则放弃线段对连接;否则进行(3);
(3)计算线段间距离,具体方法为:计算相邻线段对中较短线上的所有点到较长线所在直线的距离的平均值;线距平均值超过阈值,则放弃连接线段对;反之,说明两线愈贴近同一条直线,则连接两线段端点;
(4)计算线段投影比,具体方法为:计算相邻线段对中较短线投影到较长线段上的部分的长度占较长线长度的比例;如果该比例即投影比大于阈值,说明两条线段重合度高,放弃相连;反之连接最近端点。
所述步骤2包括以下步骤:
步骤2.1,利用多波段邻域灰度一致性方法将原图像进行区域对象分割;
步骤2.2,将步骤1中所得到的边缘约束信息作为边缘条件约束上述分割结果,即所有位于边缘约束信息上的像素均标记为0;
步骤2.3,首先利用种子填充算法标记所有灰度值为255的像素点区域,即标记不同区域对象;随后在每个区域对象内选取初始点,对于每个初始点,均进行区域增长;
步骤2.4,针对增长后的区域对象,剔除非道路对象,得到道路图像。
所述步骤2.1具体如下:
将原图像分为R,G,B三张灰度图;Pr,i,j(x,y)表示R灰度图中i行j列像素,Pg,i,j(x,y)表示G灰度图中i行j列像素,Pb,i,j(x,y)表示B灰度图中i行j列像素;
对于原图像中的每个像素Pi,j(x,y):
邻域像素Pk与Pr,i,j(x,y)灰度值差的绝对值被赋予Sr,k,
邻域像素Pk与Pg,i,j(x,y)灰度值差的绝对值被赋予Sg,k,
邻域像素Pk与Pb,i,j(x,y)灰度值差的绝对值被赋予Sb,k;
其中,Sk=Sr,k+Sg,k+Sb,k表示Pk与Pi,j(x,y)是否具有多波段领域灰度一致性;
如果Sk大于给定的ST,则Pi,j(x,y)被认为不具有属于某一物体对象的稳定性,此时像素被标记为flag=0;否则,不做处理;
只有当所有的邻域像素Pk{k=ΔD范围内所有邻域像素索引}时,像素Pi,j(x,y)才被认为有很大可能属于某一特定物体对象,此时像素被标记为flag=1;ΔD为邻域距离;
最后对所有被标记像素做二值化处理,使标记为0的像素灰度值均为0,标记为1的像素灰度值均为255。
所述对于每个初始点,均进行区域增长具体如下:
步骤2.31,检索初始点上、下、左、右像素;若像素未被标记,则用明氏距离测度dM表示它们与初始点灰度值向量(Gr,Gg,Gb)的灰度差异;当灰度差异大于设定值,则进行下一步骤,否则,不处理;
步骤2.32,加入边缘约束:如果像素位于边缘约束信息上,则不对此像素做增长处理,否则,进行下一步骤;
步骤2.33,如果dM小于阈值,则将像素压入栈中,并依次对栈中像素做增长处理,赋予像素所在区域标记值,否则不对此像素做增长处理;
步骤2.34,判断栈是否为空;不为空则将栈顶像素取出作为下一初始点,返回步骤2.31,栈为空,则结束增长。
所述步骤2.4包括以下步骤:
步骤2.41,设置区域对象面积上、下界阈值,剔除阈值以外的区域;设置复杂度阈值,小于复杂度阈值的对象则剔除;设置区域最小内径范围阈值,剔除超出区域最小内径范围的对象;
步骤2.42,针对直线道路对象,在经过2.41处理后通过设置外接矩形长宽比阈值筛选道路对象:外接矩形长宽比大于指定阈值,则得到直线道路对象;否则,剔除对象;
针对曲线道路对象,在经过2.41处理后通过设置充满度阈值筛选道路对象,剔除小于充满度阈值的区域对象,保留大于充满度阈值的区域对象,得到曲线道路对象;
步骤2.43,合并直线道路对象和曲线道路对象,构成道路图像。
本发明具有以下有益效果及优点:
Gabor滤波对光照、旋转、尺度和转换都有一定不变性,因此Gabor小波在许多计算机视觉和图像处理领域有很多应用,如人脸识别、虹膜认证、指纹匹配等。Gabor滤波器是一个利于分析边缘分析的线性滤波器,它对路边由于遮挡、异物同谱现象产生的弱边缘非常敏感。同时,对于无法检测出的路边线特征,Gabor特征为其附近检测的路边线特征提供了方向尺度信息,利于道路缺失部分的连结性分析。值得一提,边缘特征分析过程中提取的感兴趣特征并非是道路特征,而是所有能够区分区域对象的具有方向一致性的边界特征。
另一方面,本发明采用的面向对象分割考虑纹理和形状特性,使用多波段邻域灰度一致性方法、并在具有良好完整性的边缘特征约束下,获取稳定的对象分割结果。在高分辨图像场景下,过量背景噪声信息对道路提取的高效性和准确性提出了巨大挑战。本发明对象分割方法定量评估了每个像素归属于特定区域对象的可能性,剔除了区域对象间难以确定归属的像素,如道路对象与背景对象,提高了分割的准确性;随后利用面积、外接矩形长宽比、复杂度、充满度等形状特性高效剔除非目标对象。
附图说明
图1为本发明各模块之间关系图。
图2为边缘特征分析算法流程图。
图3为边缘特征提取示例图。
图4为区域对象分析算法流程图。
图5为区域对象分割示例图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明。
本发明各模块关系如图1所示,主要分为边缘特征分析和区域对象分析。边缘特征分析算法流程如图2所示,示例图如图3所示,主要包括步骤:
步骤1.1,获取预处理图像后,构造Gabor能量泛函,根据道路尺度信息(如图像分辨率、路宽等)和弯曲程度确定Gabor小波基的尺度、方向参数信息,从而构建离散型Gabor小波。
步骤1.2,利用离散Gabor小波核检测各尺度、各方向下的Gabor特征,并筛选最佳尺度下的线特征响应图。
步骤1.3,针对筛选出的最佳尺度下的合并响应图,构造2-3倍路宽的正方形模板a×a,a取10m-20m,提取模板中具有方向一致性的响应点,并剔除方向混乱的响应点,提取方向稳定的感兴趣边缘。
步骤1.4,获得融合后的各方向感兴趣边缘,利用LSD分析线段化所有线特征,并统计线段的位置、方向信息。
步骤1.5,遍历所有两两相邻的线段,通过最近线段夹角、端点距离、线段间距离、线段投影比等信息判断是否拟合连接相邻线段端点。得到更加完整的边缘约束信息。
区域对象分析算法流程如图4所示,示例图如图5所示主要包括步骤:
步骤2.1,设置图像分割阈值和邻域信息,通过每个像素与其邻域范围内像素的灰度一致性分析来评估每个像素属于某一区域对象的稳定性,仅提取稳定性较高像素,从而分割稳定的对象区域。
步骤2.2,添加边缘条件约束,边缘特征上的像素视为不稳定点。
步骤2.3,在边缘条件约束下,利用种子填充算法标记各分割区域对象,然后采用多波段下灰度的明氏距离判断种子点的增长,进行区域增长。
步骤2.4,利用区域对象的形状特征追踪道路特征,包括面积,外接矩形长宽比、区域最小内径、充满度、复杂度等。
本发明的总体技术流程如图1所示,首先对高分辨率图像进行保边去噪、图像增强等处理,随后设计一套边缘特征约束的道路对象分割策略,具体包括:
1)边缘特征分析,利用Gabor小波检测潜在边缘特征,使用一种基于模板的方法提取具有方向一致性的Gabor特征,随后作特征的连接性分析;
2)区域对象分析,在边缘特征的约束下进行对象区域分割和区域增长,利用面积、外接矩形长宽比、复杂度、充满度等形状特征追踪道路区域对象。
1.图像预处理。出于高分辨率图像的多样性与复杂性,不可避免会出现噪声干扰、特征误提取及区域错误分割等现象。为了提高后续线特征分析及区域对象分析的准确性,首先使用双边滤波处理图像,达到保边去噪的效果;随后利用拉普拉斯算子与图像做卷积,实现图像边缘增强,为Gabor特征的检测和连接性分析提供更加丰富、完整的初始边缘信息。
2.提取完整边缘特征信息。尺度信息λ与方向数信息N,构造Gabor能量泛函,并离散化构建Gabor小波核。随后基于一种窗口模板的方法提取兴趣Gabor特征。通过LSD算法将兴趣特征线段化转为易于做连接性分析的线段集,在线段夹角、线段最近端点距离、线段间平均最近点距等条件下进行邻近线段的连接。
3.边缘特征约束下的面向对象分析。采用本发明提出的多波段邻域一致性分割方法,在边缘条件约束下进行区域对象分割及区域对象增长。随后基于形状特征分析方法,考虑区域对象面积、最短内径、外接矩形长宽比、复杂度和充满度等形状特征追踪道路对象。对提取的道路区域进行骨架化处理,并输出为.tif图像。其中道路区域灰度值标记为255,背景灰度值标记为0。
下面将详细介绍本发明中的边缘特征提取算法,如图2所示,主要步骤包括:
步骤1.1,在经过保边去噪和图像增强处理后,利用Gabor滤波器实数部分构造Gabor能量泛函
x'=xcosθ+ysinθ
y'=-xcosθ+ycosθ
其中,λ=1/f是波长(尺度),根据图像分辨率确定,θ是方向,根据道路弯曲程度确定;φ为相位偏移,σ2是方差,κ=γ/η表示空间长宽比,γ表示沿主轴方向的波长,η表示垂直于主轴方向的波长。x、y为像素坐标,g(x,y)为连续型Gabor小波,x’、y’为连续型Gabor小波旋转角度θ后的像素坐标,实数运算在保证高精度的前提下大大提高了图像卷积运算的效率。在不同尺度下检测Gabor边缘特征的效果有明显不同,这是因为相对稳定的道路边缘在不同分辨率下的场景中,道路线特征的突出程度不同。
为了确定道路边缘检测的最佳尺度,依据下式定义尺度集fm=k-mfmax,m=0,...,M-1并在每一尺度下,M表示尺度数,k表示比例因子,fmax表示最大频率,建立由定义方向的Gabor小波核,N表示方向数,θn为第n个方向。fmax通常被要求不超过0.5,针对空间分辨率为0.1m-0.8m的亚米级图像,本发明使fmax为0.46。另外,由于亚米级分辨率下的道路特征突出程度相近,所以仅考虑M=3个尺度下的Gabor小波核。不同方向Gabor核能够检测与之垂直的线性特征,一般在城市道路检测中,考虑到道路方向的稳定性,本发明仅使N=8;而在乡村道路检测中,由于道路的弯曲性,本发明使N=16。构造的离散gabor小波簇形式如下:
G为离散型小波簇,r(x0,y0,fn,θn)表示fn尺度、θn方向下的Gabor小波,x0,y0表示小波核卷积中心。
步骤1.2,由Gabor小波簇依次与预处理图像做卷积处理,得到各尺度各方向下的响应图,然后记录同一尺度下所有方向上的响应点集,并在合并响应图中高亮显示。随后通过LSD算法线段化各尺度下合并响应图中的线特征,并通过计算线段化后线段的总长来测定不同尺度下对道路边缘特征的检测能力,以此确定道路边缘特征检测的最佳尺度。
步骤1.3,为了提取方向稳定的感兴趣边缘,本发明提出了一种基于模板的线特征分析。具体方法为,首先构造2-3倍路宽的正方形窗口,使其能够囊括任意方向的平行道路边缘。在窗口的移动过程中,步长为1/2窗宽,本发明通过两个准则来提取感兴趣特征:(1)低于响应阈值的弱边缘应被剔除;(2)互相连通的响应像素总数应该超过一定数目并且具有方向一致性。对于(1),本发明设置GT=25来剔除弱边缘噪声;对于(2),首先利用种子填充算法标记每个区域(连通像素)并计算区域面积(像素数目),然后统计区域中具有同一方向像素所占最大比例,剔除所有比例低于50%的具有同一方向的像素点。
步骤1.4,针对感兴趣边缘特征,使用LSD(Line segment detection)算法初始化所有线段类,并保存线段方向、端点坐标、线段上点坐标信息。
步骤1.5,遍历响应图中两两相邻的线段类,对于对相邻线段,通过以下四个准则判断是否连接相邻端点:
步骤1.51,计算线段间夹角,夹角过大,则放弃连接端点。
步骤1.52,设置最近端点距离阈值dT,确定相邻线段最近端点并计算两点距离dmin。如果dmin>dT,说明线段对相距较远,则放弃线段对连接;如果dmin<dT,进行步骤1.53。
步骤1.53,计算线段间距离,具体方法为:计算相邻线段对中短线上的所有点到长线所在直线的距离的平均值。线距超过阈值,则放弃连接线段对;反之,说明两线愈贴近同一条直线,则连接两线段端点。
步骤1.54,计算线段投影比,具体方法为:计算相邻线段对中短线投影到长线段上部分的长度占长线长度的比例。如果投影比过大,说明两条线段重合度高,放弃相连;反之连接最近端点。
下面将介绍本发明的另一关键步骤,即边缘约束的面向对象区域分割方法,其主要步骤包括:
步骤2.1,将RGB彩色图像分为三张灰度图。首先本发明根据图像集空间分辨率给邻域距离ΔD简单赋值,一般0.1m-0.2m分辨率图像中,ΔD=3;0.2m-0.5m分辨率图像中,ΔD=2;而0.5m-0.8m分辨率图像中,ΔD=1。ΔD决定了距离Pi,j(x,y)像素ΔD个像素范围内的邻域范围内像素都应被考虑。对每个像素Pr,i,j(x,y)来讲(其中r代表R波段,i代表像素处于图像第i行,j代表像素处于图像第j列),邻域像素Pk与Pr,i,j(x,y)灰度值差的绝对值被赋予Sr,k,类似的可得到Sg,k和Sb,k。其中Sk=Sr,k+Sg,k+Sb,k用来决定Pk与Pi,j(x,y)是否具有多波段领域灰度一致性,如果Sk大于给定的ST,则Pi,j(x,y)被认为不具有属于某一物体对象的稳定性,此时像素被标记为flag=0。Pi,j(x,y)表示原图上第i行j列像素,r代表R波段,g代表G波段,b代表B波段,i代表像素处于图像第i行,j代表像素处于图像第j列;Pk表示范围k内的像素集;只有当所有的邻域像素Pk{k=ΔD范围内所有邻域像素索引}时,像素Pi,j(x,y)才被认为有很大可能属于某一特定物体对象,此时像素被标记为flag=1。最后对所有被标记像素做二值化处理,使标记为0的像素灰度值均为0,标记为1的像素灰度值均为255。
步骤2.2,将做了连接性分析后的Gabor特征作为边缘条件约束上述分割结果,具体方式为:所有位于Gabor线特征上的像素均标记为0。
步骤2.3,首先利用种子填充算法标记所有灰度值为255的像素点区域,也即标记不同区域对象。随后在每个区域对象内选取初始点,对于每个初始点,均进行以下操作:
步骤2.31,检索初始点上、下、左、右像素,若像素未被标记,则用明氏距离测度dM表示它们与初始点灰度值向量(Gr,Gg,Gb)的灰度差异。
步骤2.32,加入边缘约束。如果像素位于Gabor边缘特征上,则不对此像素做增长处理。
步骤2.33,如果dM小于指定阈值,则将像素压入栈中,并依次对栈中像素做增长处理,赋予像素所在区域标记值即将所在区域的标记值赋予像素,否则不对此像素做增长处理。
步骤2.34,判断栈是否为空,不为空则将栈顶像素取出作为下一初始点,执行步骤2.31,栈为空则结束增长。
步骤2.4,针对增长后的区域对象,采用基于形状特征的方法追踪道路对象,考虑到复杂场景下的处理效率,本发明采取以下顺序剔除非道路对象:
步骤2.41,设置面积上下界阈值,剔除面积过大过小区域;设置复杂度阈值,小于阈值则剔除对象;设置区域最小内径阈值,一般以实际路宽为参考。
步骤2.42,针对直线道路对象,在经过2.41处理后通过设置外接矩形长宽比阈值筛选道路对象;针对曲线道路对象,在经过2.41处理后通过设置充满度阈值筛选道路对象。
步骤2.43,合并直线道路对象和曲线道路对象。
Claims (7)
1.一种边缘特征约束的高分辨率图像道路精准提取方法,其特征在于包括以下步骤:
步骤1,对原图像进行预处理,随后利用Gabor小波提取边缘特征信息,并进行邻近边缘线段的连接,得到边缘约束信息;
步骤2,对预处理后图像进行区域对象分割及区域对象增长,随后追踪道路对象,对提取的道路区域进行骨架化处理,得到道路图像。
2.根据权利要求1所述的一种边缘特征约束的高分辨率图像道路精准提取方法,其特征在于,所述步骤1包括以下步骤:
步骤1.1,原图像预处理后,根据道路尺度信息和弯曲程度分别确定Gabor小波基的尺度和方向,从而构建离散型Gabor小波;
步骤1.2,由离散型Gabor小波簇依次与预处理后图像做卷积处理,得到各尺度各方向下的响应图,并且合并为同一尺度下的响应图;
步骤1.3,针对合并后的响应图,构造a×a正方形模板,其中a为边长,提取模板中具有方向一致性的响应点,构成感兴趣边缘;
步骤1.4,将感兴趣边缘线段化,并统计线段的位置、方向、端点信息、线段点数;
步骤1.5,遍历响应图所有两两相邻的线段,判断是否连接相邻线段端点;连接后的线段构成边缘约束信息。
3.根据权利要求2所述的一种边缘特征约束的高分辨率图像道路精准提取方法,其特征在于,所述判断是否连接相邻线段端点具体如下:
(1)计算相邻两线段间夹角,夹角大于阈值,则放弃连接端点;
(2)设置最近端点距离阈值dT,确定相邻两线段间最近端点并计算两点距离dmin;如果dmin>dT,说明线段对相距较远,则放弃线段对连接;否则进行(3);
(3)计算线段间距离,具体方法为:计算相邻线段对中较短线上的所有点到较长线所在直线的距离的平均值;线距平均值超过阈值,则放弃连接线段对;反之,说明两线愈贴近同一条直线,则连接两线段端点;
(4)计算线段投影比,具体方法为:计算相邻线段对中较短线投影到较长线段上的部分的长度占较长线长度的比例;如果该比例即投影比大于阈值,说明两条线段重合度高,放弃相连;反之连接最近端点。
4.根据权利要求1所述的一种边缘特征约束的高分辨率图像道路精准提取方法,其特征在于,所述步骤2包括以下步骤:
步骤2.1,利用多波段邻域灰度一致性方法将原图像进行区域对象分割;
步骤2.2,将步骤1中所得到的边缘约束信息作为边缘条件约束上述分割结果,即所有位于边缘约束信息上的像素均标记为0;
步骤2.3,首先利用种子填充算法标记所有灰度值为255的像素点区域,即标记不同区域对象;随后在每个区域对象内选取初始点,对于每个初始点,均进行区域增长;
步骤2.4,针对增长后的区域对象,剔除非道路对象,得到道路图像。
5.根据权利要求3所述的一种边缘特征约束的高分辨率图像道路精准提取方法,其特征在于,所述步骤2.1具体如下:
将原图像分为R,G,B三张灰度图;Pr,i,j(x,y)表示R灰度图中i行j列像素,Pg,i,j(x,y)表示G灰度图中i行j列像素,Pb,i,j(x,y)表示B灰度图中i行j列像素;
对于原图像中的每个像素Pi,j(x,y):
邻域像素Pk与Pr,i,j(x,y)灰度值差的绝对值被赋予Sr,k,
邻域像素Pk与Pg,i,j(x,y)灰度值差的绝对值被赋予Sg,k,
邻域像素Pk与Pb,i,j(x,y)灰度值差的绝对值被赋予Sb,k;
其中,Sk=Sr,k+Sg,k+Sb,k表示Pk与Pi,j(x,y)是否具有多波段领域灰度一致性;
如果Sk大于给定的ST,则Pi,j(x,y)被认为不具有属于某一物体对象的稳定性,此时像素被标记为flag=0;否则,不做处理;
只有当所有的邻域像素Pk{k=ΔD范围内所有邻域像素索引}时,像素Pi,j(x,y)才被认为有很大可能属于某一特定物体对象,此时像素被标记为flag=1;ΔD为邻域距离;
最后对所有被标记像素做二值化处理,使标记为0的像素灰度值均为0,标记为1的像素灰度值均为255。
6.根据权利要求3所述的一种边缘特征约束的高分辨率图像道路精准提取方法,其特征在于,所述对于每个初始点,均进行区域增长具体如下:
步骤2.31,检索初始点上、下、左、右像素;若像素未被标记,则用明氏距离测度dM表示它们与初始点灰度值向量的灰度差异;当灰度差异大于设定值,则进行下一步骤,否则,不处理;
步骤2.32,加入边缘约束:如果像素位于边缘约束信息上,则不对此像素做增长处理,否则,进行下一步骤;
步骤2.33,如果dM小于阈值,则将像素压入栈中,并依次对栈中像素做增长处理,赋予像素所在区域标记值,否则不对此像素做增长处理;
步骤2.34,判断栈是否为空;不为空则将栈顶像素取出作为下一初始点,返回步骤2.31,栈为空,则结束增长。
7.根据权利要求3所述的一种边缘特征约束的高分辨率图像道路精准提取方法,其特征在于,所述步骤2.4包括以下步骤:
步骤2.41,设置区域对象面积上、下界阈值,剔除阈值以外的区域;设置复杂度阈值,小于复杂度阈值的对象则剔除;设置区域最小内径范围阈值,剔除超出区域最小内径范围的对象;
步骤2.42,针对直线道路对象,在经过2.41处理后通过设置外接矩形长宽比阈值筛选道路对象:外接矩形长宽比大于指定阈值,则得到直线道路对象;否则,剔除对象;
针对曲线道路对象,在经过2.41处理后通过设置充满度阈值筛选道路对象,剔除小于充满度阈值的区域对象,保留大于充满度阈值的区域对象,得到曲线道路对象;
步骤2.43,合并直线道路对象和曲线道路对象,构成道路图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811129828.1A CN109410233A (zh) | 2018-09-27 | 2018-09-27 | 一种边缘特征约束的高分辨率图像道路精准提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811129828.1A CN109410233A (zh) | 2018-09-27 | 2018-09-27 | 一种边缘特征约束的高分辨率图像道路精准提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109410233A true CN109410233A (zh) | 2019-03-01 |
Family
ID=65465432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811129828.1A Pending CN109410233A (zh) | 2018-09-27 | 2018-09-27 | 一种边缘特征约束的高分辨率图像道路精准提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109410233A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111402279A (zh) * | 2020-01-17 | 2020-07-10 | 中国人民解放军战略支援部队信息工程大学 | 基于组合滤波器的sar影像的边缘特征提取方法 |
CN112801075A (zh) * | 2021-04-15 | 2021-05-14 | 速度时空信息科技股份有限公司 | 基于航摄影像的农村道路边界线的自动提取方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657978A (zh) * | 2014-12-24 | 2015-05-27 | 福州大学 | 一种基于遥感图像道路形状特征的道路提取方法 |
-
2018
- 2018-09-27 CN CN201811129828.1A patent/CN109410233A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657978A (zh) * | 2014-12-24 | 2015-05-27 | 福州大学 | 一种基于遥感图像道路形状特征的道路提取方法 |
Non-Patent Citations (1)
Title |
---|
LI CHEN等: "《Road Extraction from VHR Remote-Sensing Imagery via Object Segmentation Constrained by Gabor Features》", 《INTERNATIONAL JOURNAL OF GEO-INFORMATION》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111402279A (zh) * | 2020-01-17 | 2020-07-10 | 中国人民解放军战略支援部队信息工程大学 | 基于组合滤波器的sar影像的边缘特征提取方法 |
CN112801075A (zh) * | 2021-04-15 | 2021-05-14 | 速度时空信息科技股份有限公司 | 基于航摄影像的农村道路边界线的自动提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105160309B (zh) | 基于图像形态学分割及区域生长的三车道检测方法 | |
WO2018107939A1 (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
CN104915636B (zh) | 基于多级框架显著性特征的遥感影像道路识别方法 | |
CN104008553B (zh) | 融合影像梯度信息和分水岭方法的裂缝检测方法 | |
CN104778721B (zh) | 一种双目图像中显著性目标的距离测量方法 | |
CN107067415B (zh) | 一种基于图像匹配的目标定位方法 | |
CN104217427B (zh) | 一种交通监控视频中车道线定位方法 | |
CN109636772A (zh) | 基于深度学习的不规则形状金属加工表面的缺陷检测方法 | |
CN102136142B (zh) | 基于自适应三角形网格的非刚性医学图像配准方法 | |
CN103955913B (zh) | 一种基于线段共生矩阵特征和区域图的sar图像分割方法 | |
CN103971126A (zh) | 一种交通标志识别方法和装置 | |
CN108564814A (zh) | 一种基于图像的停车场车位检测方法及装置 | |
CN103473551A (zh) | 基于sift算子的台标识别方法及系统 | |
CN104318051B (zh) | 基于规则的大范围水体信息遥感自动提取系统及方法 | |
CN108171695A (zh) | 一种基于图像处理的高速公路路面检测方法 | |
CN110021024A (zh) | 一种基于lbp和链码技术的图像分割方法 | |
CN107491756B (zh) | 基于交通标牌与地面标志的车道转向信息识别方法 | |
CN104123554B (zh) | 基于mmtd的sift图像特征提取方法 | |
CN109726717A (zh) | 一种车辆综合信息检测系统 | |
CN108647664B (zh) | 一种基于环视图像的车道线检测方法 | |
CN108416292A (zh) | 一种基于深度学习的无人机航拍图像道路提取方法 | |
CN109410233A (zh) | 一种边缘特征约束的高分辨率图像道路精准提取方法 | |
CN104657717A (zh) | 一种基于分层核稀疏表示的行人检测方法 | |
CN105989334A (zh) | 基于单目视觉的道路检测方法 | |
CN113240623B (zh) | 一种路面病害检测方法及装置 |
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 |
Application publication date: 20190301 |
|
RJ01 | Rejection of invention patent application after publication |