CN109447160A - 一种影像和矢量道路交叉点自动匹配的方法 - Google Patents
一种影像和矢量道路交叉点自动匹配的方法 Download PDFInfo
- Publication number
- CN109447160A CN109447160A CN201811287850.9A CN201811287850A CN109447160A CN 109447160 A CN109447160 A CN 109447160A CN 201811287850 A CN201811287850 A CN 201811287850A CN 109447160 A CN109447160 A CN 109447160A
- Authority
- CN
- China
- Prior art keywords
- vector
- image
- road
- data
- intersection
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Abstract
本发明涉及到地理数据配准应用领域,更具体地,是一种利用模板匹配和路径开闭运算进行影像和矢量道路交叉口自动匹配的方法,包括通过矢量道路相交以及拓扑结构分析等生成道路特征点;包括通过矢量栅格化,将矢量图转换为位图,对道路交叉口一定范围内的矢量数据进行栅格化,作为模板与经过处理的局部影像数据进行匹配;包括裁切对应区域的影像数据,并对其进行路径开闭运算综合处理,生成待匹配图;包括通过模板匹配,生成同名点对;包括通过设置方向以及距离的阈值对自动计算出的同名道路交叉点进行整体偏移的过滤,以提高同名特征点计算的准确性。本发明为遥感影像数据与矢量道路数据间同名特征点对的数据生产提供了一种自动化的提取方法。
Description
技术领域
本发明涉及到地理数据配准应用领域,更具体地,是一种利用模板匹配和路径开闭运算进行影像和矢量道路交叉口自动匹配的方法。
背景技术
随着城市化进程的加速,道路数据越来越成为人类生活中最密切相关的空间数据之一,但不断新建与修缮的道路,使得地理数据库中道路数据时刻发生着变化。而传统道路数据的更新工作主要依赖专业测绘人员,测量周期长、代价高,致使传统测绘作业往往不能满足人们对城市道路现势性的需求。随着传感感器技术的不断发展,遥感影像数据也越来越清晰,相较于传统矢量数据,遥感影像具有精度高、现势性高、直观等优点,因此可以利用遥感影像数据对传统矢量数据进行数据校正和数据发现等。
利用影像数据对矢量数据进行数据校正等的技术基础是影像数据与矢量数据同名特征点的匹配,而传统同名特征点的数据生产大多通过人工编辑,其工作量巨大且需要耗费大量的人力物力和时间,因此研究一种影像和矢量道路交叉点自动匹配的算法,则显得尤为重要。
发明内容
针对上述问题,本发明提出一种利用模板匹配和路径开闭运算进行影像和矢量道路交叉点自动匹配的技术方案。
模板匹配是一种简单而常用的图像匹配方法,通过利用模板图像,来探测某一图像中特定图案的位置。模板匹配一般情况下,需要给定一幅较大的图像作为目标图像,以及一幅给定的子图像作为模板,在目标图像中,通过移动模板图像,计算目标图像子图像与模板图像的差值,当差值最小(相似度最大)的时候,记录相应的位置。
道路数据在影像数据中表现为细长的线性要素,传统的数学形态学能否满足实际需求,更多地依赖于定义的结构元素的大小和形状。尽管可以设置多种形状,但在数字图像处理中,同时探测曲线和直线特征的情况下,受结构元素形状的限制,处理不够灵活。相关学者开始利用“路径(paths)”作为结构元素来进行形态学运算。路径,主要是按照一定规则形成的有向图,“路径”作为结构元素进行处理的时候,不仅能处理直线特征的地物,对细长的曲线地物处理效果也很不错。所以本发明采用基于“路径”的开闭运算对影像进行处理,获取其道路特征。
具体包括如下步骤,
步骤1,利用矢量数据生成道路交叉点,并判断交叉点的个数是否为空,如果是则进入退出,如果否,则进入步骤2;
步骤2,以交叉点为中心,对交叉路口一定范围内的矢量数据进行矢量栅格化,将矢量图转换为位图(栅格图像);
步骤3,根据矢量栅格化范围,确定影像裁切范围,裁切对应区域的影像数据,并利用路径开闭运算对裁切后的影像数据进行综合处理,生成待匹配图;
步骤4,以矢量栅格化生成的二值化图像作为模板图,以路径综合运算处理得到的图作为待匹配图,进行模板匹配,生成同名点对;
步骤5,判断交叉点是否遍历完成,如果完成则进入步骤6,如果没有完成则重复步骤2-4;
步骤6,设置方向以及距离的阈值对自动计算出的同名道路交叉点进行整体偏移的过滤。
进一步的,步骤1中利用矢量数据生成道路交叉点时需要对矢量数据进行遍历获取线要素并进行相交运算,获得交点,具体实现流程如下:
(1)遍历:首先对路网数据进行遍历,获取所有的单线要素并存储,若要素几何类型为单线,则直接进行存储;若要素几何类型为多线,需对多线进行遍历,获取其内部的所有单线并存储;
(2)相交:遍历存储的线要素,并通过两两相交进行线要素的求交运算,获取交点,并通过去重操作,存储所有的交点。
进一步的,步骤1中还包括利用连通度对交叉点进行过滤,获得特征更加明显的道路特征点,具体实现方式如下,
首先对获取到的所有线要素建立索引,使其更易被搜索,减少计算的复杂度;其次,以矢量交叉点为中心,建立一个面积极小的外包围矩形用于搜索经过该特征点的所有线要素,并通过计算线要素与外包围矩形相交的交点个数,确定关联边的个数,且将交点进行记录存储;最后将经过矩形的所有线要素的关联边个数进行累加,获得最终连通度;选取连通度大于等于3的矢量交叉点作为道路交叉点,也就是道路特征点。
进一步的,步骤1中应对以下几类交叉点进行过滤,
(1)多车道变更问题:矢量路网数据存在车道数变更的问题,即双车道道路可能变为单车道道路,这种由车道变更造成的交叉点不属于道路交叉点,应对其进行筛除;
(2)“井”字型道路:由于矢量路网数据存在多车道数据,所以在大型交叉路口存在多车道相交的问题,这就导致了地理空间上只有一个交叉路口,而在矢量中却存在一系列的点与之对应;对于这种情况,本发明选择聚类的方式对得到的交叉点进行聚类,获得其聚类中心作为特征点;如果交叉路口情况过于复杂,其聚类中心不一定是真正意义上的道路交叉点,应对其进行过滤;
(3)环形道路:在现实生活中,环形道路一般在多条道路汇集处,用于舒缓、调度交通,所以存在环形道路的区域一般交通情况复杂,小范围内存在大量的交叉点,不利于同名点进行匹配查找,所以对于环形道路获得的交叉点,需对其进行筛除。
进一步的,步骤2的具体实现方式如下,
假设矢量栅格化的像素大小为m*n,影像裁切范围为j*k,根据模板匹配的思想0<m<j,0<n<k,影像分辨率为r米/像素,
(1)先以道路交叉点P为中心,根据影像的分辨率,获取需要裁切矢量的数据范围,即L=m*r,W=n*r;
(2)以矢量道路数据路宽或者车道数为依据生成缓冲区,并将其绘制在分辨率为r,像素大小为m*n的位图上,并对位图进行二值化处理。
进一步的,步骤3中利用路径开闭运算对裁切后的影像数据进行综合处理的具体实现方式如下,
步骤31,对于一幅8位的遥感影像的m*n局部裁切影像P,灰度值分布为fP(x,y),使用同一路径L对其进行路径开和路径闭运算,分别得到新影像P1和P2;
步骤32,将两幅影像的灰度值直接进行相加,得到新影像P3,即fP3(x,y)=fP1(x,y)+fP2(x,y),若相加灰度值大于255,则令其等于255;
步骤33,对新生成的影像P3进行灰度统计,确定其灰度分布情况,并对其灰度进行从小到大的排序,并将排序后的灰度值存储在数组a中,设置阈值K(0<K<1)作为阈值分割的依据,当P3影像灰度值小于a[K*m*n]时,令其灰度值为0,当P3影像灰度值大于等于a[K*m*n]时,令其灰度值等于255,用公式表示如下:
将f(x,y)存储至新的m*n阶矩阵中,得到新的二值化道路形态图像P4。
本发明提出了一种利用模板匹配和路径开闭运算进行影像和矢量道路交叉点自动匹配的方法,可以实现影像与矢量道路交叉点地自动匹配,节省了大量的人力工作,且正确率高,为影像与矢量得配准等工作提供了技术支持,具有重要的应用价值。
附图说明
图1是本算法发明的流程图;
图2是综合路径开闭运算的遥感影像特征处理技术流程图;
图3是模板匹配示例图,其中(a)表示矢量道路与原始影像叠加显示图,(b)表示矢量道路栅格化模板图,(c)表示经综合路径开闭运算处理后的待匹配图像。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施案例,并参照附图,对本发明进一步详细说明。
矢量路网数据是矢量格式数据,高分遥感数据是栅格格式的数据,要实现道路同名道路交叉点的匹配,需要将不同数据格式的数据统一到一种数据格式下,进而寻找同名特征点。目前实现自动计算的思路主要有两种,一种是直接从高分影像上提取道路,然后转换成矢量格式的路网数据,进而与矢量路网数据匹配同名道路交叉点;另一种方法是,在矢量路网数据中提取道路交叉路口作为先验知识,并将其栅格化,再利用模板匹配的思想实现同名特征点的匹配。前者本身就是一个非常复杂的问题,也是现在许多专家学者正在研究的方向,因此本发明采用第二种思路来实现基于影像与矢量路网同名道路交叉点地自动匹配。
对于遥感影像,水泥路面反射能力强,亮度高,而沥青道路通常较暗,低于影像的平均灰度值。在路径开运算处理之后,反光能力较强的水泥道路被突出,其他非线性结构的房屋等要素亮度被削弱;同理,经过路径闭运算处理,线性结构的沥青道路也被突出。同时,不论是开运算处理还是闭运算处理,道路内部的灰度值分布也趋于更均匀,如道路上由于车等引起的斑点减少或消失。所以,为了更好地将道路特征描绘出来,本发明提出将路径开运算和路径闭运算结合起来对影像数据进行综合处理,并对处理结果进行二值化阈值分割,最后得到局部二值化道路形态图。
参见图1,考虑到算法的实用性、城市地区路况复杂以及道路结构的复杂性,本发明提出了一种利用模板匹配和综合路径开闭运算进行影像和矢量道路交叉点自动匹配的方法,有效提供了道路交叉点匹配的自动化程度。
首先介绍理论基础:
数学形态学,是数学形态学以积分几何、集合代数以及拓扑理论为理论基础,还涉及到近世代数、图论等数学分支,是一门用于分析研究空间结构的形状、框架的学科。理论很复杂,但基本思想简单完美。基本原理是利用一个“探针”(具有一定形态特征的结构元素),相当于模板,去检测一个图像,观察能否将这个“探针”合适地放置在图像内部,同时也可以验证“探针”是否有效。通过观察“探针”的探测情况,记录图像的结构信息,这些信息与“探针”的形状结构有关。因此,针对不同的图像,应构造不同的“探针”进行探测。基本运算有膨胀、腐蚀、开运算、闭运算。数学形态学可以分为二值形态学和灰度形态学,在实际应用中,遥感影像大多数灰度图像或者可转换为灰度图像的多通道影像,利用灰度形态学对其处理,可以保留更多的细节信息。
路径形态学,是利用“路径(paths)”作为结构元素来进行形态学运算。路径,主要是按照一定规则形成的有向图。“路径”作为结构元素进行处理的时候,不仅能处理直线特征的地物,对细长的曲线地物处理效果也很不错。设像元集合E由一系列邻接关系构成,(x,y)表示像元集合E中任意像元的位置,f(x,y)表示任意像元的灰度值。“|→”代表一个邻接关系,比如a|→b表示在存在一条边,从像元a指向像元b,且称a为b的前任,b为a的继承者。由像元集合E以及邻接关系组成了有向图。邻接关系“|→”既不具有反射性也不具有对称性。定义路径中膨胀算子为:δ({x})={x∈E,y∈E|x|→y}。式中x,y表示E中的像元点。按照此定义信息扩展,定义X为E的任一子集,则有δ({x})={y∈X|x|→y},也就是说,膨胀运算δ(X)表示子集X的就是X中所有具有前任点的集合。同理δ则表示所有子集X中具有继承者点的集合。设L元集合a={a1,a2,...,aL},对于任一给定的ak∈a,k=1,2,...,L-1,存在ak|→ak+1,或者ak+1∈δ({ak}),则称集合a为长度为L的路径,记为δ-path。定义为逆路径,记为
路径开闭运算。定义集合E中长度为L的路径a中所有元素集合为σ(a):σ(a1,a2,...,aL)={a1,a2,...,aL}。定义所有长度为L的路径为ПL,则集合E的子集X中所有长度为L的路径记为ПL(X),即我们定义操作符αL(X)为子集X中所有长度为L路径的并集,即αL(X)=∪{σ(a)|a∈ПL(X)}。通常情况下,我们可以将αL看做是开运算,操作符αL被称为“路径开”运算。和经典形态学相似,开运算是闭运算的反操作。路径开运算是突出亮的线性要素,路径闭运算的目的就是突出暗的线性要素。其计算过程是对先对图像进行反相,得到新的图像,然后对新的图像进行路径开运算,最后再对路径开运算处理之后的图像进行反相。
阈值分割,一种最基本的图像分割方法。通常情况下,可以根据图像灰度特征分布,通过设置不同的阈值,将图像分为几个区间。常用的图像二值化分割过程为,在原始影像中,通过一定的方法如统计等,找到一个合适的灰度值作为分割值,将图像分割为两部分,一部分为取值为黑,另一部分取值为白。设原始8bit图像为f(x,y),分割值T,分割后的图像为:若灰度值f(x,y)>T,则令f(x,y)=255(白);若灰度值f(x,y)<=T,则令f(x,y)=0(黑)。在现实生活中,道路数据一般分为水泥道路和沥青道路,在遥感影像中,由于水泥道路反光较强,常常亮度较高,对应的灰度值一般也较大;而沥青道路反光能力弱,在图像中显示亮度低,灰度值较小。
模板匹配,是一种简单而常用的图像匹配方法,通过利用模板图像,来探测某一图像中特定图案的位置。模板匹配一般情况下,需要给定一幅较大的图像作为目标图像,以及一幅给定的子图像作为模板,在目标图像中,通过移动模板图像,计算目标图像子图像与模板图像的差值,当差值最小(相似度最大)的时候,记录相应的位置。模板匹配只能通过移动模板图像进行匹配,所以存在局限性。常用的模板匹配算法有平方差匹配、标准化平方差匹配、相关匹配、标准化相关匹配、相关系数匹配以及标准化相关系数匹配。通常,从简单的平方差匹配到更复杂的相关系数匹配,可获得更加准确的匹配结果,但对应的计算代价也在不断增加。考虑到同名特征点的匹配精度越高,越有利于后面的路网纠正,所以本发明采用标准化的相关系数匹配算法进行模板匹配。
基于以上方法及实验论证,提出了本算法发明,算法实施流程具体包括以下步骤:
一、影像数据与矢量数据的获取。
具体实施时,本领域技术人员可根据需要自行获取影像数据与对应的矢量道路数据作为计算对象,可选取全色波段的影像数据,亦可选取RGB格式的影像数据。矢量道路数据应选取道路级别相对较高的数据,对小区道路等低等级道路进行筛除,以保证更加明显的道路特征。
二、矢量道路数据预处理。
具体实施时,矢量道路数据预处理主要包括道路交叉点获取以及对交叉点附近的区域内进行栅格化,获取模板匹配的模板图像,进行图像匹配。
1.道路特征点获取。
本发明采用的是道路交叉点作为特征点,而道路交叉点获取的基础是矢量线要素的交叉点,所以此处主要对矢量交叉点的获取方法进阐述。而矢量交叉点的获取相对较为容易,只需对数据进行遍历获取线要素并进行相交运算,获得交点,具体实现流程如下:
(1)遍历:首先对路网数据进行遍历,获取所有的单线要素并存储。若要素几何类型为单线,则直接进行存储;若要素几何类型为多线,需对多线进行遍历,获取其内部的所有单线并存储。
(2)相交:遍历存储的线要素,并通过两两相交进行线要素的求交运算,获取交点,并通过去重等操作,存储所有的交点。
特别注意的是,矢量道路数据中矢量线连接、拐点问题,从而导致如上计算得到的交叉点可能不是典型道路特征点,针对此种情况,本发明提出利用连通度对交叉点进行过滤,获得特征更加明显的道路特征点。特征点的连通度指的是道路交叉点关联边的个数,如果一条直线直接穿过特征点,在特征点处没有进行打断,则将其计数为2;若一条直线的某个顶点与特征点重合,则将其计数为1。首先对获取到的所有线要素建立索引,使其更易被搜索,减少计算的复杂度;其次,以矢量交叉点为中心,建立一个面积极小的外包围矩形(比如在中心点的基础上外扩0.00001个单位长度构建外包围矩形)用于搜索经过该特征点的所有线要素,并通过计算线要素与外包围矩形相交的交点个数,确定关联边的个数,且将交点进行记录存储;最后将经过矩形的所有线要素的关联边个数进行累加,获得最终连通度。选取连通度大于等于3的矢量交叉点作为道路交叉点,也就是道路特征点。
此外,在城市道路中存在车道变更问题以及环岛等复杂交叉问题,考虑到应为匹配模型提供更有道路特征的匹配模板,应对以下几类交叉点进行过滤:
(1)多车道变更问题:矢量路网数据存在车道数变更的问题,即双车道道路可能变为单车道道路,这种由车道变更造成的交叉点不属于道路交叉点,应对其进行筛除;
(2)“井”字型道路:由于矢量路网数据存在多车道数据,所以在大型交叉路口存在多车道相交的问题,这就导致了地理空间上只有一个交叉路口,而在矢量中却存在一系列的点与之对应。对于这种情况,本发明选择聚类的方式对得到的交叉点进行聚类,获得其聚类中心作为特征点;如果交叉路口情况过于复杂,其聚类中心不一定是真正意义上的道路交叉点,应对其进行过滤;
(3)环形道路:在现实生活中,环形道路一般在多条道路汇集处,用于舒缓、调度交通,所以存在环形道路的区域一般交通情况复杂,小范围内存在大量的交叉点,不利于同名点进行匹配查找,所以对于环形道路获得的交叉点,需对其进行筛除;
2.矢量栅格化
矢量栅格化,就是将矢量图转换为位图(栅格图像),本发明以矢量交叉路口数据作为先验知识,采用基于模板的方法进行同名特征点的匹配,需要先对交叉路口一定范围内的矢量数据进行栅格化,然后作为模板与经过处理的局部影像数据进行匹配。具体实施时,下面以道路交叉点P为例,介绍矢量数据栅格化的过程,此处假设矢量栅格化的像素大小为m*n,影像裁切范围为j*k,根据模板匹配的思想0<m<j,0<n<k,影像分辨率为r米/像素,具体步骤为:
(1)先以道路交叉点P为中心,根据影像的分辨率,获取需要裁切矢量的数据范围,即L=m*r,W=n*r;
(2)由于在矢量数据中道路大多以线的形式进行表现,而实际生活中其具有道路宽度、车道数等属性,所以为了更利于匹配,通常以矢量道路数据路宽或者车道数等属性为依据生成缓冲区,并将其绘制在分辨率为r,像素大小为m*n的位图上,并对位图进行二值化处理。
三、裁切对应区域影像,路径开闭运算综合处理,生成待匹配图
在具体实施中,对于一幅8位的资三灰度遥感影像,水泥路面反射能力强,亮度高,而沥青道路通常较暗,低于影像的平均灰度值,所以,单单采用路径开运算或闭运算中的一种方法,定会导致丢失一部分道路特征,从而导致道路整体轮廓不够完善。
在路径开运算处理之后,反光能力较强的水泥道路被突出,其他非线性结构的房屋等要素亮度被削弱;同理,经过路径闭运算处理,线性结构的沥青道路也被突出。同时,不论是开运算处理还是闭运算处理,道路内部的灰度值分布也趋于更均匀,如道路上由于车等引起的斑点减少或消失。所以,为了更好地将道路特征描绘出来,本发明提出将路径开运算和路径闭运算结合起来对影像数据进行综合处理,并对处理结果进行二值化阈值分割,最后得到局部二值化道路形态图,具体步骤为:
(1)根据矢量栅格化范围,确定影像裁切范围,裁切对应区域的影像数据;
(2)对裁切得到的影像数据进行路径开闭运算综合处理,生成待匹配图,路径开闭运算综合处理的实现流程如附图2所示,详细过程如下:
步骤31:对于一幅8位的遥感影像的m*n局部裁切影像P,灰度值分布为fP(x,y),使用同一路径L对其进行路径开和路径闭运算,分别得到新影像P1和P2。在P1中水泥道路得到加强,P2中沥青道路变得较为突出;
步骤32:将两幅影像的灰度值直接进行相加,得到新影像P3,即fP3(x,y)=fP1(x,y)+fP2(x,y),若相加灰度值大于255,则令其等于255;
步骤33:对新生成的影像P3进行灰度统计,确定其灰度分布情况,并对其灰度进行从小到大的排序,并将排序后的灰度值存储在数组a中,设置阈值K(0<K<1)作为阈值分割的依据,当P3影像灰度值小于a[K*m*n]时,令其灰度值为0,当P3影像灰度值大于等于a[K*m*n]时,令其灰度值等于255,用公式表示如下:
将f(x,y)存储至新的m*n阶矩阵中,得到新的二值化道路形态图像P4,具体实施时K通常取0.8可以得到较为理想的结果。
四、模板匹配,生成同名点对。
根据模板匹配基本思想,矢量栅格化图像是模板匹配算法中的模板图像。具体实施时,专业路网数据与影像数据之间的误差一般不会超过100米。另一方面,如果利用交叉点栅格化图像在整幅影像中进行模板匹配,不仅效率低下,且由于道路形态的相似性,导致匹配极易出错。为了提高算法运行效率与准确性,本发明采用局部匹配的思想,在矢量栅格化图像对应的地理范围基础上,扩大一定范围(范围通常根据矢量道路与影像的整体偏移量,一般扩大1.2倍~1.5倍为宜,保证在裁切影像范围内存在矢量交叉路点的同名特征点),裁切对应区域的遥感影像,并对其进行开闭运算综合处理,得到相应的道路形态图作为待检测图像。具体实施时,如附图3所示,获取道路交叉点P,以P为中心,获取栅格化模板图,如b所示,扩大范围,裁切影像并进行路径开闭综合处理得到图c作为待检测图像。采用局部分割的方法处理之后,同名点的检测问题就转换为图b与图c的匹配问题。依据计算机视觉以及数字测量摄影学等图像处理方法中模板匹配的基本思想,利用计算结果准确率较高的标准化相关系数匹配算法,对两幅图像进行匹配,得到同名特征点的匹配结果。利用上述方法对所有特征点进行匹配,直到所有的特征点均被处理。
五、过滤同名特征点对并输出。
同名道路交叉点在空间分布上通常保持在一定的相对范围内,本发明通过设置方向以及距离的阈值对自动计算出的同名道路交叉点进行整体偏移的过滤,以提高计算准确率。具体实施时,通常根据同名特征点对形成的偏移向量的整体位置和角度的偏移量,设置较为合理的阈值,过滤掉个别匹配异常的同名特征点对,并输出。
具体实施时,本领域技术人员可采用计算机软件技术实现以上流程,并可根据需求灵活设置发明中的部分阈值,具体实施时,还可以提供人机交互界面,方便用户参与分析调整。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其它的任何未违背本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (6)
1.一种影像和矢量道路交叉点自动匹配的方法,其特征在于,包括如下步骤:
步骤1,利用矢量数据生成道路交叉点,并判断交叉点的个数是否为空,如果是则进入退出,如果否,则进入步骤2;
步骤2,以交叉点为中心,对交叉路口一定范围内的矢量数据进行矢量栅格化,将矢量图转换为位图(栅格图像);
步骤3,根据矢量栅格化范围,确定影像裁切范围,裁切对应区域的影像数据,并利用路径开闭运算对裁切后的影像数据进行综合处理,生成待匹配图;
步骤4,以矢量栅格化生成的二值化图像作为模板图,以路径综合运算处理得到的图作为待匹配图,进行模板匹配,生成同名点对;
步骤5,判断交叉点是否遍历完成,如果完成则进入步骤6,如果没有完成则重复步骤2-4;
步骤6,设置方向以及距离的阈值对自动计算出的同名道路交叉点进行整体偏移的过滤。
2.如权利要求1所述的一种影像和矢量道路交叉点自动匹配的方法,其特征在于:步骤1中利用矢量数据生成道路交叉点时需要对矢量数据进行遍历获取线要素并进行相交运算,获得交点,具体实现流程如下:
(1)遍历:首先对路网数据进行遍历,获取所有的单线要素并存储,若要素几何类型为单线,则直接进行存储;若要素几何类型为多线,需对多线进行遍历,获取其内部的所有单线并存储;
(2)相交:遍历存储的线要素,并通过两两相交进行线要素的求交运算,获取交点,并通过去重操作,存储所有的交点。
3.如权利要求2所述的一种影像和矢量道路交叉点自动匹配的方法,其特征在于:步骤1中还包括利用连通度对交叉点进行过滤,获得特征更加明显的道路特征点,具体实现方式如下:
首先对获取到的所有线要素建立索引,使其更易被搜索,减少计算的复杂度;其次,以矢量交叉点为中心,建立一个面积极小的外包围矩形用于搜索经过该特征点的所有线要素,并通过计算线要素与外包围矩形相交的交点个数,确定关联边的个数,且将交点进行记录存储;最后将经过矩形的所有线要素的关联边个数进行累加,获得最终连通度;选取连通度大于等于3的矢量交叉点作为道路交叉点,也就是道路特征点。
4.如权利要求3所述的一种影像和矢量道路交叉点自动匹配的方法,其特征在于:步骤1中应对以下几类交叉点进行过滤,
(1)多车道变更问题:矢量路网数据存在车道数变更的问题,即双车道道路可能变为单车道道路,这种由车道变更造成的交叉点不属于道路交叉点,应对其进行筛除;
(2)“井”字型道路:由于矢量路网数据存在多车道数据,所以在大型交叉路口存在多车道相交的问题,这就导致了地理空间上只有一个交叉路口,而在矢量中却存在一系列的点与之对应;对于这种情况,本发明选择聚类的方式对得到的交叉点进行聚类,获得其聚类中心作为特征点;如果交叉路口情况过于复杂,其聚类中心不一定是真正意义上的道路交叉点,应对其进行过滤;
(3)环形道路:在现实生活中,环形道路一般在多条道路汇集处,用于舒缓、调度交通,所以存在环形道路的区域一般交通情况复杂,小范围内存在大量的交叉点,不利于同名点进行匹配查找,所以对于环形道路获得的交叉点,需对其进行筛除。
5.如权利要求1所述的一种影像和矢量道路交叉点自动匹配的方法,其特征在于:步骤2的具体实现方式如下,
假设矢量栅格化的像素大小为m*n,影像裁切范围为j*k,根据模板匹配的思想0<m<j,0<n<k,影像分辨率为r米/像素,
(1)先以道路交叉点P为中心,根据影像的分辨率,获取需要裁切矢量的数据范围,即L=m*r,W=n*r;
(2)以矢量道路数据路宽或者车道数为依据生成缓冲区,并将其绘制在分辨率为r,像素大小为m*n的位图上,并对位图进行二值化处理。
6.如权利要求1所述的一种影像和矢量道路交叉点自动匹配的方法,其特征在于:步骤3中利用路径开闭运算对裁切后的影像数据进行综合处理的具体实现方式如下,
步骤31,对于一幅8位的遥感影像的m*n局部裁切影像P,灰度值分布为fP(x,y),使用同一路径L对其进行路径开和路径闭运算,分别得到新影像P1和P2;
步骤32,将两幅影像的灰度值直接进行相加,得到新影像P3,即fP3(x,y)=fP1(x,y)+fP2(x,y),若相加灰度值大于255,则令其等于255;
步骤33,对新生成的影像P3进行灰度统计,确定其灰度分布情况,并对其灰度进行从小到大的排序,并将排序后的灰度值存储在数组a中,设置阈值K(0<K<1)作为阈值分割的依据,当P3影像灰度值小于a[K*m*n]时,令其灰度值为0,当P3影像灰度值大于等于a[K*m*n]时,令其灰度值等于255,用公式表示如下:
将f(x,y)存储至新的m*n阶矩阵中,得到新的二值化道路形态图像P4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811287850.9A CN109447160B (zh) | 2018-10-31 | 2018-10-31 | 一种影像和矢量道路交叉点自动匹配的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811287850.9A CN109447160B (zh) | 2018-10-31 | 2018-10-31 | 一种影像和矢量道路交叉点自动匹配的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109447160A true CN109447160A (zh) | 2019-03-08 |
CN109447160B CN109447160B (zh) | 2021-04-16 |
Family
ID=65549468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811287850.9A Active CN109447160B (zh) | 2018-10-31 | 2018-10-31 | 一种影像和矢量道路交叉点自动匹配的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447160B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110555409A (zh) * | 2019-09-03 | 2019-12-10 | 成都市勘察测绘研究院 | 一种城市道路网中多行道的识别与合并方法 |
CN110675338A (zh) * | 2019-09-09 | 2020-01-10 | 武汉大学 | 一种基于多幅影像的矢量数据自动纠正方法 |
CN110727747A (zh) * | 2019-09-02 | 2020-01-24 | 湖北大学 | 基于经纬度识别的纸质地图快速矢量化方法及系统 |
CN111159451A (zh) * | 2019-12-18 | 2020-05-15 | 广州地理研究所 | 一种基于空间数据库的电力线路点云动态单体化方法 |
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 |
CN112766385A (zh) * | 2021-01-22 | 2021-05-07 | 武汉大学 | 一种众源矢量线数据几何匹配与属性融合方法 |
CN113033494A (zh) * | 2021-04-28 | 2021-06-25 | 温州中纬测绘有限公司 | 基于地理空间信息数据测绘的测绘数据采集系统 |
CN113256571A (zh) * | 2021-05-11 | 2021-08-13 | 浙江欧威科技有限公司 | 基于方向特征和局部唯一性的矢量图形特征点提取方法 |
CN113420103A (zh) * | 2021-06-27 | 2021-09-21 | 王彬 | 矢量全球数据库精准校勘与高速出图系统 |
WO2022062853A1 (zh) * | 2020-09-22 | 2022-03-31 | 上海商汤智能科技有限公司 | 遥感图像的配准方法、装置、设备、存储介质及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127078A (zh) * | 2007-09-13 | 2008-02-20 | 北京航空航天大学 | 一种基于蚁群智能的无人机机器视觉图像匹配方法 |
US20080137910A1 (en) * | 2006-11-27 | 2008-06-12 | Hanae Suzuki | Locating method for locating a predetermined spot on a road and a locating apparatus using the method |
CN103136789A (zh) * | 2011-11-28 | 2013-06-05 | 同济大学 | 基于地形图和影像的交通事故道路底图信息处理方法 |
CN107341795A (zh) * | 2017-06-30 | 2017-11-10 | 武汉大学 | 一种知识驱动的高空间分辨率遥感影像自动变化检测方法 |
-
2018
- 2018-10-31 CN CN201811287850.9A patent/CN109447160B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080137910A1 (en) * | 2006-11-27 | 2008-06-12 | Hanae Suzuki | Locating method for locating a predetermined spot on a road and a locating apparatus using the method |
CN101127078A (zh) * | 2007-09-13 | 2008-02-20 | 北京航空航天大学 | 一种基于蚁群智能的无人机机器视觉图像匹配方法 |
CN103136789A (zh) * | 2011-11-28 | 2013-06-05 | 同济大学 | 基于地形图和影像的交通事故道路底图信息处理方法 |
CN107341795A (zh) * | 2017-06-30 | 2017-11-10 | 武汉大学 | 一种知识驱动的高空间分辨率遥感影像自动变化检测方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110727747A (zh) * | 2019-09-02 | 2020-01-24 | 湖北大学 | 基于经纬度识别的纸质地图快速矢量化方法及系统 |
CN110727747B (zh) * | 2019-09-02 | 2022-03-15 | 湖北大学 | 基于经纬度识别的纸质地图快速矢量化方法及系统 |
CN110555409A (zh) * | 2019-09-03 | 2019-12-10 | 成都市勘察测绘研究院 | 一种城市道路网中多行道的识别与合并方法 |
CN110675338A (zh) * | 2019-09-09 | 2020-01-10 | 武汉大学 | 一种基于多幅影像的矢量数据自动纠正方法 |
CN111159451A (zh) * | 2019-12-18 | 2020-05-15 | 广州地理研究所 | 一种基于空间数据库的电力线路点云动态单体化方法 |
WO2022062853A1 (zh) * | 2020-09-22 | 2022-03-31 | 上海商汤智能科技有限公司 | 遥感图像的配准方法、装置、设备、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 |
CN112766385A (zh) * | 2021-01-22 | 2021-05-07 | 武汉大学 | 一种众源矢量线数据几何匹配与属性融合方法 |
CN113033494A (zh) * | 2021-04-28 | 2021-06-25 | 温州中纬测绘有限公司 | 基于地理空间信息数据测绘的测绘数据采集系统 |
CN113256571A (zh) * | 2021-05-11 | 2021-08-13 | 浙江欧威科技有限公司 | 基于方向特征和局部唯一性的矢量图形特征点提取方法 |
CN113256571B (zh) * | 2021-05-11 | 2022-05-27 | 浙江欧威科技有限公司 | 基于方向特征和局部唯一性的矢量图形特征点提取方法 |
CN113420103A (zh) * | 2021-06-27 | 2021-09-21 | 王彬 | 矢量全球数据库精准校勘与高速出图系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109447160B (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447160A (zh) | 一种影像和矢量道路交叉点自动匹配的方法 | |
Hinz et al. | Automatic extraction of urban road networks from multi-view aerial imagery | |
CN108920481B (zh) | 一种基于手机定位数据的道路网重建方法及系统 | |
CN112287807B (zh) | 一种基于多分支金字塔神经网络的遥感影像道路提取方法 | |
CN108710875A (zh) | 一种基于深度学习的航拍公路车辆计数方法及装置 | |
CN110517487B (zh) | 基于热力图变化识别的城市区域交通资源调控方法及系统 | |
CN112561146A (zh) | 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 | |
Zhang et al. | Urban street cleanliness assessment using mobile edge computing and deep learning | |
CN107871126A (zh) | 基于深层神经网络的车型识别方法和系统 | |
CN106127204A (zh) | 一种全卷积神经网络的多方向水表读数区域检测算法 | |
Huang et al. | Mapping local climate zones for cities: A large review | |
Zhang | Detection of urban housing development by fusing multisensor satellite data and performing spatial feature post-classification | |
CN111259955B (zh) | 一种地理国情监测成果可靠性质检方法及系统 | |
CN105787937A (zh) | 一种基于osm的高分辨遥感影像道路变化检测方法 | |
CN108876805B (zh) | 一种端对端无监督场景可通行区域认知与理解方法 | |
CN104463168B (zh) | 一种基于遥感影像的空废宅基地信息自动提取方法 | |
CN102184423B (zh) | 一种全自动的区域不透水面遥感信息精确提取方法 | |
Gamba et al. | Urban climate zone detection and discrimination using object-based analysis of VHR scenes | |
CN110188632A (zh) | 一种用地信息普查数据处理系统 | |
CN112017160A (zh) | 一种基于多策略组合的多源遥感影像道路材质精细提取方法 | |
CN116151610B (zh) | 一种非均质城市下垫面承灾体风险暴露空间模拟方法 | |
CN103035006A (zh) | 一种LiDAR辅助下基于LEGION的高分辨率航空影像分割方法 | |
CN114943902A (zh) | 基于多尺度特征感知网络的城市植被无人机遥感分类方法 | |
Fan et al. | Pavement cracks coupled with shadows: A new shadow-crack dataset and a shadow-removal-oriented crack detection approach | |
CN111627103A (zh) | 基于行人活动和密度感知的智慧城市cim成像方法 |
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 |