CN109522787A - 一种基于遥感数据的细小道路识别方法 - Google Patents
一种基于遥感数据的细小道路识别方法 Download PDFInfo
- Publication number
- CN109522787A CN109522787A CN201811158972.8A CN201811158972A CN109522787A CN 109522787 A CN109522787 A CN 109522787A CN 201811158972 A CN201811158972 A CN 201811158972A CN 109522787 A CN109522787 A CN 109522787A
- Authority
- CN
- China
- Prior art keywords
- road
- tiny
- remote sensing
- sensing data
- pixels
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000000877 morphologic effect Effects 0.000 claims description 20
- 238000013138 pruning Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 5
- 238000005260 corrosion Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 abstract 1
- 238000009966 trimming Methods 0.000 abstract 1
- 238000002310 reflectometry Methods 0.000 description 15
- 239000010426 asphalt Substances 0.000 description 3
- 239000004568 cement Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 235000009508 confectionery Nutrition 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
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)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于遥感数据的细小道路识别方法,其包括如下步骤:获取高分遥感数据并计算NDVI,获得NDVI图像;对所述NDVI图像进行线状特征增强;将满足预设阈值范围的线状特征增强后的NDVI图像中的像素标记为道路;将标记为道路的像素进行形态学修剪,提取出线段状的细小道路。本发明所述的基于遥感数据的细小道路识别方法具有精确地识别细小道路,有效地区分细小道路和地物边缘的优点。
Description
技术领域
本发明涉及遥感影像处理技术领域,特别是涉及一种基于遥感数据的细小道路识别方法。
背景技术
从遥感图像中识别和提取道路已经是一个常见的研究课题。道路的识别与提取涉及到导航、交通,精准度是一个重要的指标,而精准度在很大程度上依赖于遥感数据的分辨率和来源。细小道路是指在遥感图像中小于或等于3个像素宽的道路,多为乡村小道,对于细小道路的识别有利于完善交通网络图谱。但细小道路容易与周围像素构成混合像元,不能正确反映出细小道路的光谱、纹理信息,难以识别。若采用基于传统梯度算子的边缘检测的方法,又不能很好区分细小道路与地物边缘,识别的精度不高。目前虽然存在较多的道路识别方法,但是几乎没有针对小于或等于3个像素宽的细小道路的识别方法
有鉴于此,亟需提供一种能够实现细小道路识别的解决思路。
发明内容
基于此,本发明的目的在于,提供一种基于遥感数据的细小道路识别方法,其具有精确地识别细小道路,有效地区分细小道路和地物边缘的优点。
一种基于遥感数据的细小道路识别方法,包括如下步骤:
获取高分遥感数据并计算NDVI,获得NDVI图像;
对所述NDVI图像进行线状特征增强;
将满足预设阈值范围的线状特征增强后的NDVI图像中的像素标记为道路;
将标记为道路的像素进行形态学修剪,提取出线段状的细小道路。
相较于现有技术,本发明的基于遥感数据的细小道路识别方法,基于细小道路形态较为笔直,不同于地物边缘形态多样的特点,对所述NDVI图像进行线状特征增强,突出线状细小道路信息,并且抑制其他地物信息,有效地区分细小道路和地物边缘;基于细小道路在可见光具有较高反射率,不同于地物边缘反射率不固定的特点,进一步地通过设定阈值范围标记线状特征增强的NDVI图像中的像素为道路,有效地区分细小道路和地物边缘;此外考虑到标记的像素中可能包括建筑等各类细小地物,通过形态学修剪,排除干扰,提取出细小道路。
进一步地,所述高分遥感数据为高分2号卫星遥感数据。
进一步地,所述对所述NDVI图像进行线状特征增强的步骤,具体包括如下步骤:
利用线状特征增强算子LFE对所述NDVI图像进行滤波,取得方向性线状增强图像LFEi;所述线状特征增强算子LFE在0°~180°范围内分为4个方向,并沿各个方向对所述NDVI图像中中心像元值大于两侧像元值的像素产生响应;滤波取得的方向性线状增强图像其中,i可取值为1、2、3、4,a为中心像元值,b和c为沿各个方向的两侧像元值;
通过LFEmax=max(LFE1,LFE2,LFE3,LFE4)取LEFi的最大值LFEmax为线状特征增强的结果。
由上述技术方案可得,所述线状特征增强算子LFE在0°~180°范围内分为4个方向,囊括了遥感图像中大部分的沿各个方向延伸的线条,较为全面地获取线状的细小道路;通过只考虑中心像元和两侧像元共3个像元,降低了算法的复杂度,同时契合细小道路两侧地物特征较为一致的特点,通常为防风树木,并且方向性线状增强图像突出了中心的线状细小道路信息,而抑制了道路两旁的特征较为一致的地物信息,克服了细小道路容易与周围像元形成混合像元的缺陷,便于识别细小道路。
进一步地,所述将满足预设阈值范围的线状特征增强后的NDVI图像中的像素标记为道路的步骤,具体包括如下步骤:
将满足预设的高阈值的线状特征增强后的NDVI图像中的像素标记为道路;
将满足预设的低阈值的,且与已经标记为道路的像素八邻域相连接的,线状特征增强后的NDVI图像中的像素,标记为道路。
由上述技术方案可得,由于细小道路表面多为沥青或水泥,具有较高反射率,高阈值作为苛刻条件,满足苛刻条件,即像元值大于高阈值的像素,又即反映出反射率较高的像素必定可以认定为道路;再考虑与这些被认定为道路相连接的像素若其大于一个低阈值,在允许的误差范围内,由于道路的连续性,这些像素也应标记为道路。
进一步地,所述将标记为道路的像素进行形态学修剪,提取出线段状的细小道路的步骤,具体包括如下步骤:
利用形态学骨架化算法对标记的道路进行形态学腐蚀,获得1像素宽的线条;
计算3*3区域范围内线条的连通度;
对于连通度大于或等于4的线条,删除中心像素进行截断,提取出线段状的细小道路。
由上述技术方案可得,考虑到建筑等各类细小地物会使上一步骤中标记为道路的像素形成的线条宽度超出了细小道路的范畴,或者连接形成相互交叉的形状,利用形态学骨架化算法进行腐蚀,使得线条宽度小于等于3个像素宽度,再通过连通度进行交叉线条的截断,最终使得所有线条成为只有两个顶点的细小线段,满足细小道路的宽度和形状特征要求。
进一步地,将标记为道路的像素进行形态学修剪,提取出线段状的细小道路的步骤之后,还包括如下步骤:
根据线段的曲率排除非道路噪声。
进一步地,所述根据线段的曲率排除非道路噪声的步骤,具体包括如下步骤:
获取线段长度和根据计算线段的曲率;其中,c为线段的曲率,l为线段长度,d为线段的最小外接矩形的长度;
将满足曲率取值范围或线段长度取值范围的线段进行排除,获得去噪后的细小道路。
进一步地,所述曲率取值范围或线段长度取值范围为c>πorl<20。
考虑到在提取细小道路的过程中,容易混淆的噪声包括河流等与细小道路差不多的特征,根据河流蜿蜒盘旋,曲率较大,而细小道路较为平直,曲率位于1左右的特点,将道路的曲率最大值设定为π,长度最小设定为20像素,满足c>πorl<20条件的,认定为非道路像素,将其排除,实现去噪,精准地识别出细小道路。
本发明还提供一种计算机可读储存介质,其上储存有计算机程序,该计算机程序被处理器执行时实现如上任意一项所述的基于遥感数据的细小道路识别方法的步骤。
本发明还提供一种计算机设备,包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上任意一项所述的基于遥感数据的细小道路识别方法的步骤。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为本发明的一种基于遥感数据的细小道路识别方法的流程图;
图2为本发明的步骤S20的子步骤流程图;
图3为本发明的线状特征增强算子的示意图;
图4为本发明的NDVI图像;
图5为本发明的采用candy算子进行增强的图像;
图6为本发明的采用LFE算子进行增强的图像;
图7为本发明的步骤S30的子步骤流程图;
图8为本发明的步骤S40的子步骤流程图;
图9为本发明的包括步骤S50的完整流程图;
图10为本发明的步骤S50的子步骤流程图;
图11为本发明的最终提取出来的图像。
具体实施方式
细小道路与地物边缘两种特征具有相似性,给细小道路的识别带来了难以识别,精度不高的问题,本发明提出了一种基于遥感数据的细小道路识别方法,通过对所述NDVI图像进行线状特征增强,出线状细小道路信息,并且抑制其他地物信息,再通过将满足预设阈值范围的线状特征增强后的NDVI图像中的像素标记为道路,有效地区分细小道路和地物边缘,精确地提取细小道路。
请参阅图1,本发明的一种基于遥感数据的细小道路识别方法,包括如下步骤:
S10:获取高分遥感数据并计算NDVI,获得NDVI图像;
S20:对所述NDVI图像进行线状特征增强;
S30:将满足预设阈值范围的线状特征增强后的NDVI图像中的像素标记为道路;
S40:将标记为道路的像素进行形态学修剪,提取出线段状的细小道路。
其中,NIR和R分别为近红外波段和红波段处的反射率值。NDVI对可见光高反射,能够有效反映地物的特征。
在一个实施例中,所述高分遥感数据为高分2号卫星遥感数据。高分二号(GF-2)卫星是中国自主研制的首颗空间分辨率优于1米的民用光学遥感卫星,搭载有两台高分辨率1米全色、4米多光谱相机,具有亚米级空间分辨率、高定位精度和快速姿态机动能力等特点,星下点空间分辨率可达0.8米。高分遥感数据主要用于交通运输、农业林业和建设规划等。
在一个实施例中,请参阅图2,所述对所述NDVI图像进行线状特征增强的步骤S20,具体包括如下步骤:
S21:利用线状特征增强算子LFE对所述NDVI图像进行滤波,取得方向性线状增强图像LFEi;
S22:通过LFEmax=max(LFE1,LFE2,LFE3,LFE4)取LEFi的最大值LFEmax为线状特征增强的结果。
请参阅图3,所述线状特征增强算子LFE在0°~180°范围内分为4个方向,分别为0°~22.5°,22.5°~67.5°,67.5°~90°,90°~112.5°,112.5°~157.5°和157.5°~180°,0°~22.5°与157.5°~180°处于水平线上,属于同一方向,也即将180°平分为4个45°的线状特征增强方向,囊括了图像的所有方向的线条;并沿各个方向对所述NDVI图像中中心像元值大于两侧像元值的像素产生响应;滤波取得的方向性线状增强图像其中,i可取值为1、2、3、4,代表着四个方向;a为中心像元值,b和c为沿各个方向的两侧像元值;
由上述技术方案可得,所述线状特征增强算子LFE在0°~180°范围内分为4个方向,囊括了遥感图像中大部分的沿各个方向延伸的线条,较为全面地获取线状的细小道路;通过只考虑中心像元和两侧像元共3个像元,降低了算法的复杂度,同时契合细小道路两侧地物特征较为一致的特点,通常为防风树木,并且方向性线状增强图像突出了中心的线状细小道路信息,而抑制了道路两旁的特征较为一致的地物信息,克服了细小道路容易与周围像元形成混合像元的缺陷,便于识别细小道路。
并且,请对比地参阅图4~6,只考虑中心像元值大于两侧像元值的情况,对应于道路的反射率大于两侧地物的反射率,而中心像元值小于两侧像元值的情况则不予考虑,因为其必不可能为细小道路,从而精准地增强了中心的线状细小道路信息,而抑制了道路两旁的地物信息。而若采用常见的candy算子,则会同时增强细小道路和地物边缘,无法获得本发明的效果。
在一个实施例中,请参阅图7,所述将满足预设阈值范围的线状特征增强后的NDVI图像中的像素标记为道路的步骤S30,具体包括如下步骤:
S31:将满足预设的高阈值的线状特征增强后的NDVI图像中的像素标记为道路;
S32:将满足预设的低阈值的,且与已经标记为道路的像素八邻域相连接的,线状特征增强后的NDVI图像中的像素,标记为道路。
由上述技术方案可得,由于细小道路表面多为沥青或水泥,具有较高反射率,高阈值作为苛刻条件,满足苛刻条件,即像元值大于高阈值的像素,又即反映出反射率较高的像素必定可以认定为道路;再考虑与这些被认定为道路相连接的像素若其大于一个低阈值,在允许的误差范围内,由于道路的连续性,这些像素也被标记为道路。
在一个实施例中,请参阅图8,所述将标记为道路的像素进行形态学修剪,提取出线段状的细小道路的步骤S40,具体包括如下步骤:
S41:利用形态学骨架化算法对标记的道路进行形态学腐蚀,获得1像素宽的线条;
S42:计算3*3区域范围内线条的连通度;
S43:对于连通度大于或等于4的线条,删除中心像素进行截断,提取出线段状的细小道路。
由上述技术方案可得,考虑到建筑等各类细小地物会使上一步骤中标记为道路的像素形成的线条宽度超出了细小道路的范畴,或者连接形成相互交叉的形状,利用形态学骨架化算法进行腐蚀,使得线条宽度小于等于3个像素宽度,再通过连通度进行交叉线条的截断,最终使得所有线条成为只有两个顶点的细小线段,满足细小道路的宽度和形状特征要求。
在一个更优的实施例中,请参阅图9,将标记为道路的像素进行形态学修剪,提取出线段状的细小道路的步骤S40之后,还包括如下步骤:
S50:根据线段的曲率排除非道路噪声。
进一步地,请参阅图10,所述根据线段的曲率排除非道路噪声的步骤S50,具体包括如下步骤:
S51:获取线段长度和根据计算线段的曲率;其中,c为线段的曲率,l为线段长度,d为线段的最小外接矩形的长度;
S52:将满足曲率取值范围或线段长度取值范围的线段进行排除,获得去噪后的细小道路。
在一个实施例中,所述曲率取值范围或线段长度取值范围为c>πorl<20。
考虑到在提取细小道路的过程中,容易混淆的噪声包括河流等与细小道路差不多的特征,根据河流蜿蜒盘旋,曲率较大,而细小道路较为平直,曲率位于1左右的特点,将道路的曲率最大值设定为π,长度最小设定为20像素,满足c>πorl<20条件的,认定为非道路像素,将其排除,实现去噪,精准地识别出细小道路。最终结果请参阅图11。
以下详细说明本发明的发明内容:
首先,考虑到细小道路与地物边缘特征的不同,细小道路两旁地物特征较为一致,多为树木或建筑,其形态较为笔直,表面为沥青或水泥,因此具有较高反射率。而地物边缘两旁地物特征不一致,形态多样,反射率不固定。
接着,基于上述的区别,本发明对采集的NDVI图像采用LFE算子进行线状特征增强,该算子只考虑在设定的4个方向上中心像元值大于两侧像元值的中心线状特征进行增强,并且抑制两侧像素,也即只对反射率更高的细小道路进行增强,而抑制细小道路两侧的地物特征,从这一步骤即有效地区分细小道路和地物边缘。
然后,根据细小道路反射率高的特点,设定高阈值作为苛刻条件,满足苛刻条件,即像元值大于高阈值的像素,又即反映出反射率较高的像素必定可以认定为细小道路;再考虑与这些被认定为道路相连接的像素若其大于一个低阈值,在允许的误差范围内,由于道路的连续性,这些像素也标记为细小道路,进一步地区分细小道路和地物边缘。
再者,虑到建筑等各类细小地物会使上一步骤中标记为道路的像素形成的线条宽度超出了细小道路的范畴,或者连接形成相互交叉的形状,利用形态学骨架化算法进行腐蚀,使得线条宽度小于等于3个像素宽度,再通过连通度进行交叉线条的截断,最终使得所有线条成为只有两个顶点的细小线段,满足细小道路的宽度和形状特征要求。
最后,通过曲率范围和长度范围的划定进行去噪,精准地提取细小道路。
相较于现有技术,本发明的基于遥感数据的细小道路识别方法,基于细小道路形态较为笔直,不同于地物边缘形态多样的特点,对所述NDVI图像进行线状特征增强,突出线状细小道路信息,并且抑制其他地物信息,有效地区分细小道路和地物边缘;基于细小道路在可见光具有较高反射率,不同于地物边缘反射率不固定的特点,进一步地通过设定阈值范围标记线状特征增强的NDVI图像中的像素为道路,有效地区分细小道路和地物边缘;此外考虑到标记的像素中可能包括建筑等各类细小地物,通过形态学修剪,排除干扰,提取出细小道路。
本发明还提供一种计算机可读储存介质,其上储存有计算机程序,该计算机程序被处理器执行时实现如上述任意一项所述的基于遥感数据的细小道路识别方法的步骤。
本发明可采用在一个或多个其中包含有程序代码的储存介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的储存介质的例子包括但不限于:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
本发明还提供一种计算机设备,包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述的基于遥感数据的细小道路识别方法的步骤。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (10)
1.一种基于遥感数据的细小道路识别方法,其特征在于:包括如下步骤:
获取高分遥感数据并计算NDVI,获得NDVI图像;
对所述NDVI图像进行线状特征增强;
将满足预设阈值范围的线状特征增强后的NDVI图像中的像素标记为道路;
将标记为道路的像素进行形态学修剪,提取出线段状的细小道路。
2.根据权利要求1所述的基于遥感数据的细小道路识别方法,其特征在于:所述高分遥感数据为高分2号卫星遥感数据。
3.根据权利要求1所述的基于遥感数据的细小道路识别方法,其特征在于:所述对所述NDVI图像进行线状特征增强的步骤,具体包括如下步骤:
利用线状特征增强算子LFE对所述NDVI图像进行滤波,取得方向性线状增强图像LFEi;所述线状特征增强算子LFE在0°~180°范围内分为4个方向,并沿各个方向对所述NDVI图像中中心像元值大于两侧像元值的像素产生响应;滤波取得的方向性线状增强图像其中,i可取值为1、2、3、4,a为中心像元值,b和c为沿各个方向的两侧像元值;
通过LFEmax=max(LFE1,LFE2,LFE3,LFE4)取LEFi的最大值LFEmax为线状特征增强的结果。
4.根据权利要求3所述的基于遥感数据的细小道路识别方法,其特征在于:所述将满足预设阈值范围的线状特征增强后的NDVI图像中的像素标记为道路的步骤,具体包括如下步骤:
将满足预设的高阈值的线状特征增强后的NDVI图像中的像素标记为道路;
将满足预设的低阈值的,且与已经标记为道路的像素八邻域相连接的,线状特征增强后的NDVI图像中的像素,标记为道路。
5.根据权利要求4所述的基于遥感数据的细小道路识别方法,其特征在于:所述将标记为道路的像素进行形态学修剪,提取出线段状的细小道路的步骤,具体包括如下步骤:
利用形态学骨架化算法对标记的道路进行形态学腐蚀,获得1像素宽的线条;
计算3*3区域范围内线条的连通度;
对于连通度大于或等于4的线条,删除中心像素进行截断,提取出线段状的细小道路。
6.根据权利要求1所述的基于遥感数据的细小道路识别方法,其特征在于:将标记为道路的像素进行形态学修剪,提取出线段状的细小道路的步骤之后,还包括如下步骤:
根据线段的曲率排除非道路噪声。
7.根据权利要求6所述的基于遥感数据的细小道路识别方法,其特征在于:所述根据线段的曲率排除非道路噪声的步骤,具体包括如下步骤:
获取线段长度和根据计算线段的曲率;其中,c为线段的曲率,l为线段长度,d为线段的最小外接矩形的长度;
将满足曲率取值范围或最小外接矩形的长度取值范围的线段进行排除,获得去噪后的细小道路。
8.根据权利要求7所述的基于遥感数据的细小道路识别方法,其特征在于:所述曲率取值范围或线段长度取值范围为c>πorl<20。
9.一种计算机可读储存介质,其上储存有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至8中任意一项所述的基于遥感数据的细小道路识别方法的步骤。
10.一种计算机设备,其特征在于,包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至8中任意一项所述的基于遥感数据的细小道路识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811158972.8A CN109522787B (zh) | 2018-09-30 | 2018-09-30 | 一种基于遥感数据的细小道路识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811158972.8A CN109522787B (zh) | 2018-09-30 | 2018-09-30 | 一种基于遥感数据的细小道路识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109522787A true CN109522787A (zh) | 2019-03-26 |
CN109522787B CN109522787B (zh) | 2020-10-09 |
Family
ID=65771591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811158972.8A Active CN109522787B (zh) | 2018-09-30 | 2018-09-30 | 一种基于遥感数据的细小道路识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109522787B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111157524A (zh) * | 2020-01-09 | 2020-05-15 | 北京观澜智图科技有限公司 | 基于高分影像的道路材质识别方法及装置和电子设备 |
CN112101187A (zh) * | 2020-09-11 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 道路识别方法、装置及电子设备 |
CN113421277A (zh) * | 2021-08-25 | 2021-09-21 | 中科星图股份有限公司 | 基于遥感图像的道路提取及异常监控的方法和装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010036293A1 (en) * | 1998-10-23 | 2001-11-01 | Facet Technology Corporation | System for automatically generating database of objects of interest by analysis of images recorded by moving vehicle |
CN101887522A (zh) * | 2010-07-13 | 2010-11-17 | 南京大学 | 基于多点同时快速行进的遥感影像道路提取方法 |
CN102514572A (zh) * | 2012-01-17 | 2012-06-27 | 湖南大学 | 一种道路偏离预警方法 |
CN104915636A (zh) * | 2015-04-15 | 2015-09-16 | 北京工业大学 | 基于多级框架显著性特征的遥感影像道路识别方法 |
CN105956544A (zh) * | 2016-04-28 | 2016-09-21 | 武汉大学 | 一种基于结构指数特征的遥感影像道路交叉口提取的方法 |
CN106295562A (zh) * | 2016-08-09 | 2017-01-04 | 中国科学院遥感与数字地球研究所 | 一种高分辨率遥感影像道路信息提取方法 |
CN106504219A (zh) * | 2016-11-04 | 2017-03-15 | 中国公路工程咨询集团有限公司 | 有约束的路径形态学高分辨率遥感影像道路增强方法 |
CN107563301A (zh) * | 2017-08-09 | 2018-01-09 | 上海炬宏信息技术有限公司 | 基于图像处理技术的红灯信号检测方法 |
US20180082134A1 (en) * | 2016-09-20 | 2018-03-22 | Apple Inc. | Traffic direction gesture recognition |
CN108229273A (zh) * | 2017-02-27 | 2018-06-29 | 北京市商汤科技开发有限公司 | 多层神经网络模型训练、道路特征识别的方法和装置 |
-
2018
- 2018-09-30 CN CN201811158972.8A patent/CN109522787B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010036293A1 (en) * | 1998-10-23 | 2001-11-01 | Facet Technology Corporation | System for automatically generating database of objects of interest by analysis of images recorded by moving vehicle |
CN101887522A (zh) * | 2010-07-13 | 2010-11-17 | 南京大学 | 基于多点同时快速行进的遥感影像道路提取方法 |
CN102514572A (zh) * | 2012-01-17 | 2012-06-27 | 湖南大学 | 一种道路偏离预警方法 |
CN104915636A (zh) * | 2015-04-15 | 2015-09-16 | 北京工业大学 | 基于多级框架显著性特征的遥感影像道路识别方法 |
CN105956544A (zh) * | 2016-04-28 | 2016-09-21 | 武汉大学 | 一种基于结构指数特征的遥感影像道路交叉口提取的方法 |
CN106295562A (zh) * | 2016-08-09 | 2017-01-04 | 中国科学院遥感与数字地球研究所 | 一种高分辨率遥感影像道路信息提取方法 |
US20180082134A1 (en) * | 2016-09-20 | 2018-03-22 | Apple Inc. | Traffic direction gesture recognition |
CN106504219A (zh) * | 2016-11-04 | 2017-03-15 | 中国公路工程咨询集团有限公司 | 有约束的路径形态学高分辨率遥感影像道路增强方法 |
CN108229273A (zh) * | 2017-02-27 | 2018-06-29 | 北京市商汤科技开发有限公司 | 多层神经网络模型训练、道路特征识别的方法和装置 |
CN107563301A (zh) * | 2017-08-09 | 2018-01-09 | 上海炬宏信息技术有限公司 | 基于图像处理技术的红灯信号检测方法 |
Non-Patent Citations (3)
Title |
---|
HAO JIANG.ET: "An Automated Method for Extracti ng Rivers and Lakes from Landsat Imagery", 《REMOTE SENSING》 * |
M BELGIU.ET: "Random forest in remote sensing:A review of applications and future directions", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING 2016》 * |
姜浩等: "基于线状特征增强的TM遥感影像细小河流提取方法", 《测绘学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111157524A (zh) * | 2020-01-09 | 2020-05-15 | 北京观澜智图科技有限公司 | 基于高分影像的道路材质识别方法及装置和电子设备 |
CN111157524B (zh) * | 2020-01-09 | 2022-09-27 | 北京观澜智图科技有限公司 | 基于高分影像的道路材质识别方法及装置和电子设备 |
CN112101187A (zh) * | 2020-09-11 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 道路识别方法、装置及电子设备 |
CN112101187B (zh) * | 2020-09-11 | 2024-05-28 | 腾讯科技(深圳)有限公司 | 道路识别方法、装置及电子设备 |
CN113421277A (zh) * | 2021-08-25 | 2021-09-21 | 中科星图股份有限公司 | 基于遥感图像的道路提取及异常监控的方法和装置 |
CN113421277B (zh) * | 2021-08-25 | 2021-12-14 | 中科星图股份有限公司 | 基于遥感图像的道路提取及异常监控的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109522787B (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11410435B2 (en) | Ground mark extraction method, model training METHOD, device and storage medium | |
CN109522787B (zh) | 一种基于遥感数据的细小道路识别方法 | |
US7653218B1 (en) | Semi-automatic extraction of linear features from image data | |
US8594375B1 (en) | Advanced cloud cover assessment | |
CN111179152B (zh) | 一种道路标识识别方法及装置、介质、终端 | |
WO2019042232A1 (zh) | 一种快速鲁棒的多模态遥感影像匹配方法和系统 | |
CN107610164B (zh) | 一种基于多特征混合的高分四号影像配准方法 | |
US20140119639A1 (en) | Water-body classification | |
CN109522904B (zh) | 一种基于遥感数据的规则农田提取方法 | |
Hormese et al. | Automated road extraction from high resolution satellite images | |
CN103714541A (zh) | 一种利用山体轮廓区域约束识别定位建筑物的方法 | |
Mostafa et al. | Shadow identification in high resolution satellite images in the presence of water regions | |
CN113240009A (zh) | 一种点云数据标注方法、装置、存储介质及电子设备 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN109359533B (zh) | 一种基于多波段遥感影像的海岸线提取方法 | |
CN110634131B (zh) | 一种裂缝图像识别与建模方法 | |
US20140081605A1 (en) | Dtm estimation method, dtm estimation program, dtm estimation device, and method for creating 3-dimensional building model, and region extraction method, region extraction program, and region extraction device | |
US11861855B2 (en) | System and method for aerial to ground registration | |
CN113255452A (zh) | 一种目标水体的提取方法及提取系统 | |
Huang et al. | Cloud detection for high-resolution remote-sensing images of urban areas using colour and edge features based on dual-colour models | |
JP2008242508A (ja) | 特定領域自動抽出システム、特定領域自動抽出方法、および、プログラム | |
Prerna et al. | Evaluation of LiDAR and image segmentation based classification techniques for automatic building footprint extraction for a segment of Atlantic County, New Jersey | |
Chaloeivoot et al. | Building detection from terrestrial images | |
Safdarinezhad et al. | An automatic method for precise 3D registration of high resolution satellite images and Airborne LiDAR Data | |
Prakash et al. | A generic road-following framework for detecting markings and objects in satellite imagery |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province Patentee after: Guangzhou Institute of geography, Guangdong Academy of Sciences Address before: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province Patentee before: GUANGZHOU INSTITUTE OF GEOGRAPHY |
|
CP01 | Change in the name or title of a patent holder |