CN109583282A - 一种矢量道路确定方法及装置 - Google Patents

一种矢量道路确定方法及装置 Download PDF

Info

Publication number
CN109583282A
CN109583282A CN201710908363.9A CN201710908363A CN109583282A CN 109583282 A CN109583282 A CN 109583282A CN 201710908363 A CN201710908363 A CN 201710908363A CN 109583282 A CN109583282 A CN 109583282A
Authority
CN
China
Prior art keywords
vector
pixel
road
image
filtering
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
Application number
CN201710908363.9A
Other languages
English (en)
Other versions
CN109583282B (zh
Inventor
杜堂武
曹乐乐
梅树起
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alibaba China Co Ltd
Original Assignee
Autonavi Software Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Autonavi Software Co Ltd filed Critical Autonavi Software Co Ltd
Priority to CN201710908363.9A priority Critical patent/CN109583282B/zh
Publication of CN109583282A publication Critical patent/CN109583282A/zh
Application granted granted Critical
Publication of CN109583282B publication Critical patent/CN109583282B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种矢量道路确定方法及装置，本申请方案从卫星影像图中提取瓦片图，并利用预先训练的道路识别模型，识别瓦片图的中间设定区域各像素点是否为组成道路的像素点，在识别过程中充分利用了瓦片图边缘像素点的信息来确定中间区域各像素点是否为组成道路的像素点，其识别准确率更高。并且，根据模型分类结果进一步确定道路灰度图，根据道路灰度图生成矢量道路图，无需人工辨识卫星影像图，即可实现矢量道路图的自动获取，其效率更高，成本更低。

Description

一种矢量道路确定方法及装置
技术领域
本申请涉及电子地图数据处理技术领域，更具体地说，涉及一种矢量道路确定方法及装置。
背景技术
在交通信息日益重要的今天，拥有高鲜度和高质量的道路信息在很多应用领域都有着举足轻重的作用。例如城市中肩负紧急任务的车辆(如救护车)就需要精准的路网信息来实现快速路径规划。此外，在基于GPS的导航系统中，路网信息的精准程度也对用户体验有着至关重要的影响。
现实中随着路网建设以及老路改造，路网变更频繁，因此如何快速更新道路信息就显得尤为重要。现有技术通过获取卫星拍摄的道路影像图，进而由人工从卫星影像图中识别道路。但是，人工识别的方式普遍存在效率低、成本高的问题。
发明内容
有鉴于此，本申请提供了一种矢量道路确定方法及装置，用于解决现有人工从卫星影像图中识别道路所存在的，效率低、成本高的问题。
为了实现上述目的，现提出的方案如下：
一种矢量道路确定方法，包括：
获取从卫星影像图中提取的卫星影像瓦片图；
将所述卫星影像瓦片图输入预先训练的道路识别模型，得到所述道路识别模型输出的表征所述卫星影像瓦片图的中间设定区域各像素点是否为组成道路的像素点的分类结果；
根据所述分类结果，生成所述卫星影像瓦片图的中间设定区域对应的道路灰度图；
根据所述道路灰度图，生成矢量道路图。
优选地，所述获取从卫星影像图中提取的卫星影像瓦片图，包括：
以设定尺寸窗口及设定滑动步长，对所述卫星影像图进行滑窗取图，每次滑窗获取的图作为卫星影像瓦片图；
所述卫星影像瓦片图的中间设定区域为，边长为设定滑动步长的正方形。
优选地，所述根据所述道路灰度图，生成矢量道路图，包括：
拼接各卫星影像瓦片图的中间设定区域对应的道路灰度图，得到与所述卫星影像图相同尺寸的合成后道路灰度图；
根据所述合成后道路灰度图，生成矢量道路图。
优选地，所述道路识别模型为深度卷积神经网络模型，所述深度卷积神经网络模型的训练过程包括：
确定深度卷积神经网络模型的模型参数的初始值；
利用所述深度卷积神经网络模型对人工标注的训练样本图进行预测，并判断预测的结果向量与训练样本图的真值向量的差异是否达到设定差异范围内；其中，所述结果向量表征训练样本图中间区域各像素点为组成道路的像素点的置信度值，所述真值向量为训练样本图中间区域各像素点是否为道路的人工标注结果；
若否，调整深度卷积神经网络模型的模型参数，并继续利用模型参数调整后的深度卷积神经网络模型对人工标注的训练样本图进行预测，直至预测的结果向量与训练样本图的真值向量的差异达到设定差异范围内时，将深度卷积神经网络模型的模型参数作为最终的模型参数。
优选地，所述判断预测的结果向量与训练样本图的真值向量的差异是否达到设定差异范围内，包括：
判断预测的结果向量与训练样本图的真值向量的交叉熵是否小于设定交叉熵阈值，若是，确定预测的结果向量与训练样本图的真值向量的差异达到设定差异范围内，否则，反之。
优选地，所述根据所述合成后道路灰度图，生成矢量道路图，包括：
采用多尺度双边滤波对所述合成后道路灰度图进行分解滤波，得到多层滤波图像；
针对每一层滤波图像，确定滤波图像中组成矢量道路的像素点，作为关键像素点；
在所述关键像素点的周围设定距离范围内确定与所述关键像素点相连的目标像素点；
将所述关键点与所述目标像素点连线，每一层滤波图像中包含若干条离散线段；
根据各层滤波图像所包含的离散线段，生成矢量道路图。
优选地，所述针对每一层滤波图像，确定滤波图像中组成矢量道路的像素点，作为关键像素点，包括：
针对每一层滤波图像，计算滤波图像中每一个像素点对应的拉普拉斯值及海塞矩阵；
针对每一像素点对应的海塞矩阵，计算海塞矩阵的特征向量；
判断在所述像素点的近邻像素点围成的矩形区域内，所述像素点在所述特征向量对应方向上是否拥有最大拉普拉斯值；
若是，将所述像素点确定为关键像素点。
优选地，所述在所述关键像素点的周围设定距离范围内确定与所述关键像素点相连的目标像素点，包括：
针对每一层滤波图像中的每一个关键点，计算由所述关键点至所述关键点的周围设定距离范围内的每一像素点的向量与所述关键点处所述特征向量的法向量的乘积；
判断最大乘积是否大于设定向量乘积阈值，若是，将最大乘积对应的像素点确定为与所述关键像素点相连的目标像素点。
优选地，所述根据各层滤波图像所包含的离散线段，生成矢量道路图，包括：
将层级最高的滤波图像所包含的离散线段保存为矢量道路；
按照层级由高至低的顺序，将相邻两个层级的滤波图像中，较低层级的滤波图像所包含的离散线段与较高层级的滤波图像所包含的离散线段做差分，得到的差分线段保存为矢量道路；
利用保存的矢量道路生成矢量道路图。
一种矢量道路确定装置，包括：
瓦片图获取单元，用于获取从卫星影像图中提取的卫星影像瓦片图；
模型识别单元，用于将所述卫星影像瓦片图输入至预训练的道路识别模型，得到所述道路识别模型输出的表征所述卫星影像瓦片图的中间设定区域各像素点是否为组成道路的像素点的分类结果；
道路灰度图生成单元，用于根据所述分类结果，生成所述卫星影像瓦片图的中间设定区域对应的道路灰度图；
矢量道路图生成单元，用于根据所述道路灰度图，生成矢量道路图。
优选地，所述瓦片图获取单元获取从卫星影像图中提取的卫星影像瓦片图的过程，具体包括：
以设定尺寸窗口及设定滑动步长，对所述卫星影像图进行滑窗取图，每次滑窗获取的图作为卫星影像瓦片图；
所述卫星影像瓦片图的中间设定区域为，边长为设定滑动步长的正方形。
优选地，所述矢量道路图生成单元根据所述道路灰度图，生成矢量道路图的过程，具体包括：
将各卫星影像瓦片图的中间设定区域对应的道路灰度图进行拼接，得到与所述卫星影像图相同尺寸的合成后道路灰度图；
根据所述合成后道路灰度图，生成矢量道路图。
优选地，所述道路识别模型为深度卷积神经网络模型，该装置还包括模型训练单元，用于：
确定深度卷积神经网络模型的模型参数的初始值；
利用深度卷积神经网络模型对人工标注的训练样本图进行预测，并判断预测的结果向量与训练样本图的真值向量的差异是否达到设定差异范围内；其中，所述结果向量表征训练样本图中间区域各像素点为组成道路的像素点的置信度值，所述真值向量为训练样本图中间区域各像素点是否为道路的人工标注结果；
若否，调整深度卷积神经网络模型的模型参数，并继续利用模型参数调整后的深度卷积神经网络模型对人工标注的训练样本图进行预测，直至预测的结果向量与训练样本图的真值向量的差异达到设定差异范围内时，将深度卷积神经网络模型的模型参数作为最终的模型参数。
优选地，所述模型训练单元判断预测的结果向量与训练样本图的真值向量的差异是否达到设定差异范围内的过程，具体包括：
判断预测的结果向量与训练样本图的真值向量的交叉熵是否小于设定交叉熵阈值，若是，确定预测的结果向量与训练样本图的真值向量的差异达到设定差异范围内，否则，反之。
优选地，所述矢量道路图生成单元根据所述合成后道路灰度图，生成矢量道路图的过程，具体包括：
采用多尺度双边滤波对所述合成后道路灰度图进行分解滤波，得到多层滤波图像；
针对每一层滤波图像，确定滤波图像中组成矢量道路的像素点，作为关键像素点；
在所述关键像素点的周围设定距离范围内确定与所述关键像素点相连的目标像素点；
将所述关键点与所述目标像素点连线，每一层滤波图像中包含若干条离散线段；
根据各层滤波图像所包含的离散线段，生成矢量道路图。
优选地，所述矢量道路图生成单元针对每一层滤波图像，确定滤波图像中组成矢量道路的像素点，作为关键像素点的过程，具体包括：
针对每一层滤波图像，计算滤波图像中每一个像素点对应的拉普拉斯值及海塞矩阵；
针对每一像素点对应的海塞矩阵，计算海塞矩阵的特征向量；
判断在所述像素点的近邻像素点围成的矩形区域内，所述像素点在所述特征向量对应方向上是否拥有最大拉普拉斯值；
若是，将所述像素点确定为关键像素点。
优选地，所述矢量道路图生成单元在所述关键像素点的周围设定距离范围内确定与所述关键像素点相连的目标像素点的过程，具体包括：
针对每一层滤波图像中的每一个关键点，计算由所述关键点至所述关键点的周围设定距离范围内的每一像素点的向量与所述关键点处所述特征向量的法向量的乘积；
判断最大乘积是否大于设定向量乘积阈值，若是，将最大乘积对应的像素点确定为与所述关键像素点相连的目标像素点。
优选地，所述矢量道路图生成单元根据各层滤波图像所包含的离散线段，生成矢量道路图的过程，具体包括：
将层级最高的滤波图像所包含的离散线段保存为矢量道路；
按照层级由高至低的顺序，将相邻两个层级的滤波图像中，较低层级的滤波图像所包含的离散线段与较高层级的滤波图像所包含的离散线段做差分，得到的差分线段保存为矢量道路；
利用保存的矢量道路生成矢量道路图。
从上述的技术方案可以看出，本申请的矢量道路确定方法，获取从卫星影像图中提取的卫星影像瓦片图；将所述卫星影像瓦片图输入预先训练的道路识别模型，得到所述道路识别模型输出的表征所述卫星影像瓦片图的中间设定区域各像素点是否为组成道路的像素点的分类结果；根据所述分类结果，生成所述卫星影像瓦片图的中间设定区域对应的道路灰度图；根据所述道路灰度图，生成矢量道路图。本申请方案从卫星影像图中提取瓦片图，并利用预先训练的道路识别模型，识别瓦片图的中间设定区域各像素点是否为组成道路的像素点，在识别过程中充分利用了瓦片图边缘像素点的信息来确定中间区域各像素点是否为组成道路的像素点，其识别准确率更高。并且，根据模型分类结果进一步确定道路灰度图，根据道路灰度图生成矢量道路图，无需人工辨识卫星影像图，即可实现矢量道路图的自动获取，其效率更高，成本更低。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1a示例了一种卫星影像图；
图1b示例了一种道路灰度图；
图1c示例了一种矢量道路图；
图2为本申请实施例公开的一种矢量道路确定方法流程图；
图3示例了对卫星影像图进行滑窗取图的示意图；
图4示例了深度卷积神经网络模型进行道路识别的流程；
图5示例了一种人工标注的训练样本图；
图6为本申请实施例公开的一种根据道路灰度图生成矢量道路图的方法流程图；
图7为本申请实施例公开的一种确定滤波图像中关键像素点的方法流程图；
图8示例了一种像素点分布示意图；
图9为本申请实施例公开的一种矢量道路确定结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
相比于卫星影像图，矢量道路图中每条道路均为单个矢量单位(点、线、面)或多个矢量单位的结合体。基于这样的数据结构，有利于地图的浏览、输出。本申请根据获取的卫星影像图可以生成对应的道路灰度图，进而基于道路灰度图生成道路矢量图。结合图1a-图1c，其中图1a示例了一种卫星影像图，图1b示例了一种道路灰度图，图1c示例了一种矢量道路图。
接下来对本申请的矢量道路确定方法进行介绍，参见图2所示，该方法包括：
步骤S200、获取从卫星影像图中提取的卫星影像瓦片图；
具体地，卫星影像图为对较大区域地面进行拍摄的结果，为了便于处理，本申请可以对卫星影像图进行瓦片处理，每个瓦片图的大小可以是224*224像素，或其它尺寸。
一种可选的实施方式，本申请可以按照设定尺寸窗口及设定滑动步长，对卫星影像图进行滑窗取图，每次滑窗获取的图作为卫星影像瓦片图。
由于本申请道路识别模型对输入的卫星影像瓦片图进行识别时，能够识别卫星影像瓦片图的中间设定区域的各像素点是否为组成道路的像素点。该中间设定区域为识别判定区域，其小于卫星影像瓦片图。为了保证卫星影像图中各区域均能够识别出是否包含道路，本申请在滑窗取图时，可以设置滑动步长小于窗口尺寸，以使得相邻卫星影像瓦片图包含重叠部分。
一种较优的实施方式为，设置所述卫星影像瓦片图的中间设定区域为，边长为设定滑动步长的正方形。也即，滑动步长等于中间设定区域的边长。
结合图3示例的情况进行说明：
图3示例了对卫星影像图11进行滑窗取图的过程。其中窗口12的尺寸为224*224，中间设定区域13为16*16的正方形，滑动步长为16。
按照图3示例的滑窗取图方式，滑窗获取的相邻卫星影像瓦片图的中间识别判定区域恰好相接。
步骤S210、将所述卫星影像瓦片图输入预先训练的道路识别模型，得到所述道路识别模型输出的表征所述卫星影像瓦片图的中间设定区域各像素点是否为组成道路的像素点的分类结果；
具体地，本申请可以预先训练道路识别模型，训练时使用人工标注道路的卫星影像瓦片图对模型进行训练。
道路识别模型能够识别出输入的卫星影像瓦片图的中间设定区域内各像素点是否为组成道路的像素点。卫星影像瓦片图的边缘像素点(卫星影像瓦片图除中间设定区域外的区域中包含的像素点)用于辅助判断中间设定区域内各像素点是否为组成道路的像素点，提高中间设定区域的道路识别准确度。
具体地，如果以1表示像素点为组成道路的像素点，0表示像素点不是组成道路的像素点，中间设定区域为16*16区域，则道路识别模型能够输出一个由1和0组成的16*16维的矩阵，表示该中间设定区域每个像素点是否为组成道路的像素点。
进一步地，道路识别模型还可以输出一个[0,1]组成的16*16维的矩阵，0-1中间的数值用于表示该中间设定区域每个像素点是否为组成道路的像素点概率。本申请可以预先设定概率阈值，进而比较像素点概率矩阵中各像素点的概率与设定概率阈值的大小，将大于设定概率阈值的像素点作为组成道路的像素点，其余像素点非组成道路的像素点。
步骤S220、根据所述分类结果，生成所述卫星影像瓦片图的中间设定区域对应的道路灰度图；
具体地，上一步骤中已经确定了中间设定区域内各像素点是否为组成道路的像素点，对于组成道路的像素点，可以设置该像素点的像素值为第一像素值，对于不是组成道路的像素点，可以设置该像素点的像素值为第二像素值，第一像素值可以是表示白色的像素值，第二像素值可以是表示黑色的像素值。最终得到的卫星影像瓦片图的中间设定区域对应的道路灰度图。
可以理解的是，通过对卫星影像图进行滑窗获取的各卫星影像瓦片图，在经过道路识别模型识别后确定的各卫星影像瓦片图的中间设定区域对应的道路灰度图可以拼接在一起，得到与卫星影像图相同尺寸的合成后道路灰度图。如图1b示例的即为一种合成后道路灰度图。
步骤S230、根据所述道路灰度图，生成矢量道路图。
具体地，在得到道路灰度图之后，可以基于该道路灰度图生成对应的矢量道路图。矢量道路图更加有利于地图的浏览、输出。
本申请的矢量道路确定方法，获取从卫星影像图中提取的卫星影像瓦片图；将所述卫星影像瓦片图输入预先训练的道路识别模型，得到所述道路识别模型输出的表征所述卫星影像瓦片图的中间设定区域各像素点是否为组成道路的像素点的分类结果；根据所述分类结果，生成所述卫星影像瓦片图的中间设定区域对应的道路灰度图；根据所述道路灰度图，生成矢量道路图。本申请方案从卫星影像图中提取瓦片图，并利用预先训练的道路识别模型，识别瓦片图的中间设定区域各像素点是否为组成道路的像素点，在识别过程中充分利用了瓦片图边缘像素点的信息来确定中间区域各像素点是否为组成道路的像素点，其识别准确率更高。并且，根据模型分类结果进一步确定道路灰度图，根据道路灰度图生成矢量道路图，无需人工辨识卫星影像图，即可实现矢量道路图的自动获取，其效率更高，成本更低。
可选的，上述道路识别模型可以是深度卷积神经网络模型。本实施例中介绍深度卷积神经网络模型的预训练过程。
深度卷积神经网络模型的训练过程，实质就是对深度卷积神经网络模型的模型参数调优的过程，以使得模型参数能够适用于卫星影像瓦片图提取道路这种特定的任务。
深度卷积神经网络模型基本上都是卷积操作和池化操作交替进行。其中模型参数包括卷积权重和全联接权重。参见图4，其示例了深度卷积神经网络模型进行道路识别的过程。
较优的，可以选择卫星影像瓦片图的尺寸为224*224，中间设定区域作为识别判断区域，该区域的尺寸为16*16。
深度卷积神经网络模型的训练过程可以包括两个环节：
第一：模型参数设置初始值；
由于模型参数包括卷积权重和全联接权重。其中，两个模型参数均可以采用随机分配权重的形式。但是，考虑到模型训练效率的问题，针对卷积权重，本申请可以采用基于其它图像数据集(如ImageNet)训练好的模型卷积参数，以加快后续卷积参数调优的迭代速度。
第二：模型参数调优。
这里需要用到人工标注的训练样本图(即人工标注道路的卫星影像瓦片图)来进行有监督的参数调优训练。其中，人工标注的训练样本图可以参考图5所示。
利用深度卷积神经网络模型对人工标注的训练样本图进行预测，并判断预测的结果向量与训练样本图的真值向量的差异是否达到设定差异范围内；其中，所述结果向量表征训练样本图中间区域各像素点为组成道路的像素点的置信度值，所述真值向量为训练样本图中间区域各像素点是否为道路的人工标注结果。
若确定差异未达到设定差异范围内，则调整深度卷积神经网络模型的模型参数，并继续利用模型参数调整后的深度卷积神经网络模型对人工标注的训练样本图进行预测，直至预测的结果向量与训练样本图的真值向量的差异达到设定差异范围内时，将深度卷积神经网络模型的模型参数作为最终的模型参数。
其中，人工标注的训练样本图可以有多张，如N张，以s(n)表示第n张训练样本图，m(n)表示第n张训练样本图人工标注的道路真值向量，表示第n张训练样本图模型预测的结果向量，训练的目的即缩小m(n)与的差别。
本申请可以定义m(n)与的差别为二者的交叉熵L：
其中，i表示训练样本图中间设定区域的第i个像素点，训练样本图中间设定区域为16*16区域，共256个像素点，训练样本图共有N张。
具体地，在确定预测的结果向量与训练样本图的真值向量m(n)的交叉熵小于设定交叉熵阈值时，即可认定二者的差异达到设定差异范围内。
可选的，在训练过程中调整深度卷积神经网络模型的模型参数时，可以结合调整前的模型参数来确定调整后的模型参数，如使用梯度下降回溯法计算调整后深度卷积神经网络模型的模型参数。具体公式如下：
θt+1＝Δθt+1+θt
其中，θt表示调整前的模型参数(可以是卷积权重或全联接权重)，θt+1表示调整后的模型参数，α表示顺势参量，β表示正则约束参数，η表示学习速率。
可选的，如果一幅训练样本图需要重复输入深度卷积神经网络模型，则可以对该幅训练样本图进行随机角度旋转，旋转后再输入至深度卷积神经网络模型，以使得模型具有良好不变耐受性。
在本申请的另一个实施例中，对上述步骤SS230，根据所述道路灰度图，生成矢量道路图的过程进行介绍。结合图6可知，该过程可以包括：
步骤S600、采用多尺度双边滤波对所述合成后道路灰度图进行分解滤波，得到多层滤波图像；
具体地，双边滤波是一种空间变化的滤波，它根据像素之间的几何相近性及亮度相似性结合像素值，在平滑图像的同时还能保持边缘。多尺度双边滤波将双边滤波扩展到多尺度，它分解图像为高通频带上的细节子带和低通频带上的近似子带，这些子带的大小与原图像大小是一样的。
通过对合成后道路灰度图进行多尺度双边滤波，可以得到由高至低多层滤波图像。
可选的，可以通过参数设置来得到4层滤波图像。
假设用u表示合成后道路灰度图，则多层滤波图像可以表示为：
gδ(·)＝exp(-||·||2/δ2)
其中，j表示滤波图像的层级，j最小值为0，第0层滤波图像为合成后道路灰度图，表示第j+1层滤波图像中p点的强度，q表示p的邻域Ωj内中的点与p点的欧氏距离，表示距离p点q距离处的点的强度，表示方差为δs,j的高斯分布函数，表示方差为δr,j的高斯分布函数，滤波图像层级每提高一个层级，δs,j加倍、δr,j减倍，第0层滤波图像的δs,j为2、δr,j为R/10，R表示图像的强度的最大值。
步骤S610、针对每一层滤波图像，确定滤波图像中组成矢量道路的像素点，作为关键像素点；
步骤S620、在所述关键像素点的周围设定距离范围内确定与所述关键像素点相连的目标像素点；
步骤S630、将所述关键点与所述目标像素点连线，每一层滤波图像中包含若干条离散线段；
步骤S640、根据各层滤波图像所包含的离散线段，生成矢量道路图。
具体地，高层次滤波图像中包含的离散线段一般较长，而低层次滤波图像中包含最多的细碎的线段。本申请可以根据提取粒度和精细程度，根据各层滤波图像所包含的离散线段，生成矢量道路图。
可选的，上述步骤S610，针对每一层滤波图像，确定滤波图像中组成矢量道路的像素点，作为关键像素点的实施过程，可以参照图7所示，包括：
步骤S700、针对每一层滤波图像，计算滤波图像中每一个像素点对应的拉普拉斯值及海塞矩阵；
具体地，对uj中的每一像素点[x,y]计算拉普拉斯值：
对uj中的每一像素点[x,y]计算海塞矩阵Hessian矩阵：
其中，
步骤S710、针对每一像素点对应的海塞矩阵，计算海塞矩阵的特征向量；
具体地，针对像素点[x,y]对应海塞矩阵，计算海塞矩阵Hj[x,y]的特征向量
在以[x,y]为中心的邻域内，的局部最大值肯定分布在方向上。结合图8所示，除了[x,y]之外，方向与邻域边框的交点a和b这两个点也可能会是局部最大值。
步骤S720、判断在所述像素点的近邻像素点围成的矩形区域内，所述像素点在所述特征向量对应方向上是否拥有最大拉普拉斯值；若是，执行步骤S730；
其中，像素点的近邻像素点围成的矩形区域为像素点的3*3邻域，如图8示例的像素点[x,y]的近邻像素点围成的矩形区域，即为其3*3邻域。
步骤S730、将所述像素点确定为关键像素点。
具体地，若[x,y]的拉普拉斯值小于a,b两点中任意一个的拉普拉斯值，则说明[x,y]点不是局部极大值，不属于矢量道路上的点；否则，如果[x,y]的拉普拉斯值大于a,b两点中任意一个的拉普拉斯值，则可以确定[x,y]点为矢量道路上的点，又称为关键像素点。
可选的，为了避免所述像素点及所述特征向量对应方向上其它近邻像素点的拉普拉斯值均极小的情况下，错误的将所述像素点判定为关键像素点，本申请在步骤S720判定结果为是时，还可以进一步判断所述像素点的拉普拉斯值是否超过设定拉普拉斯值阈值，如0.01。在确定大于设定拉普拉斯值阈值时，将其确定为关键像素点。
进一步，对上述步骤S620，在所述关键像素点的周围设定距离范围内确定与所述关键像素点相连的目标像素点的过程进行介绍。
针对每一层滤波图像中的每一个关键点，计算由所述关键点至所述关键点的周围设定距离范围内的每一像素点的向量与所述关键点处所述特征向量的法向量的乘积；判断最大乘积是否大于设定向量乘积阈值，若是，将最大乘积对应的像素点确定为与所述关键像素点相连的目标像素点。
结合图8所示，假设[x,y]为一个关键像素点，则可以首先在该关键像素点的3*3邻域内查找目标像素点，相对于3*3邻域内其它像素点而言，该目标像素点满足如下条件：
关键像素点至目标像素点的向量与关键像素点处特征向量的法向向量的夹角最小(夹角最小保证向量乘积最大)，且向量乘积大于设定向量乘积阈值，如
如果在关键像素点的3*3邻域内未查找到满足条件的目标像素点，则可以扩展到关键像素点的4*4邻域内查找，若仍未查找到，则确定不存在与该关键像素点相连的目标像素点。
在确定了与关键像素点连接的目标像素点之后，将关键像素点与目标像素点连线。每一层滤波图像中可以包含若干条离散线段。
进一步，在确定了各层滤波图像所包含的离散线段的基础上，上述步骤S640，根据各层滤波图像所包含的离散线段，生成矢量道路图的过程，可以包括：
S1、将层级最高的滤波图像所包含的离散线段保存为矢量道路；
S2、按照层级由高至低的顺序，将相邻两个层级的滤波图像中，较低层级的滤波图像所包含的离散线段与较高层级的滤波图像所包含的离散线段做差分，得到的差分线段保存为矢量道路；
S3、利用保存的矢量道路生成矢量道路图。
其中，层级最低的滤波图像包含的矢量道路最多最细碎，而层级最高的滤波图像包含的矢量道路最长，最为全局。
本申请可以根据所需提取的粒度和精度来确定需要保留矢量道路的滤波图像的最低层级，以滤波图像总共包含4层为例，第4层为最高层级，第1层为最低层级，本申请可以选择保留至第2层级。最终保留的全部矢量道路包括：
第4层级矢量道路、第3与第4层级的差分矢量道路、第2与第3层级的差分矢量道路。
最终由保留的各矢量道路生成矢量道路图，矢量道路图可以参照图1c所示。
本申请根据道路灰度图确定矢量化道路时，由于是在拉普拉斯域中进行的计算，因此所提取的矢量道路对尖锐变化以及平缓变化的响应都比较好。
此外，在保留矢量道路时通过不同层级滤波图像进行矢量道路保留，可以很好的控制道路保留的粒度和精细程度。
下面对本申请实施例提供的矢量道路确定进行描述，下文描述的矢量道路确定与上文描述的矢量道路确定方法可相互对应参照。
参见图9，图9为本申请实施例公开的一种矢量道路确定结构示意图。如图9所示，该装置包括：
瓦片图获取单元11，用于获取从卫星影像图中提取的卫星影像瓦片图；
模型识别单元12，用于将所述卫星影像瓦片图输入预先训练的道路识别模型，得到所述道路识别模型输出的表征所述卫星影像瓦片图的中间设定区域各像素点是否为组成道路的像素点的分类结果；
道路灰度图生成单元13，用于根据所述分类结果，生成所述卫星影像瓦片图的中间设定区域对应的道路灰度图；
矢量道路图生成单元14，用于根据所述道路灰度图，生成矢量道路图。
本申请的矢量道路确定装置，从卫星影像图中提取瓦片图，并利用预先训练的道路识别模型，识别瓦片图的中间设定区域各像素点是否为组成道路的像素点，在识别过程中充分利用了瓦片图边缘像素点的信息来确定中间区域各像素点是否为组成道路的像素点，其识别准确率更高。并且，根据模型分类结果进一步确定道路灰度图，根据道路灰度图生成矢量道路图，无需人工辨识卫星影像图，即可实现矢量道路图的自动获取，其效率更高，成本更低。
可选的，所述瓦片图获取单元获取从卫星影像图中提取的卫星影像瓦片图的过程，具体可以包括：
以设定尺寸窗口及设定滑动步长，对所述卫星影像图进行滑窗取图，每次滑窗获取的图作为卫星影像瓦片图；
所述卫星影像瓦片图的中间设定区域为，边长为设定滑动步长的正方形。
可选的，所述矢量道路图生成单元根据所述道路灰度图，生成矢量道路图的过程，具体可以包括：
拼接各卫星影像瓦片图的中间设定区域对应的道路灰度图，得到与所述卫星影像图相同尺寸的合成后道路灰度图；
根据所述合成后道路灰度图，生成矢量道路图。
可选的，所述道路识别模型可以为深度卷积神经网络模型，该装置还可以包括模型训练单元，用于：
确定深度卷积神经网络模型的模型参数的初始值；
利用所述深度卷积神经网络模型对人工标注的训练样本图进行预测，并判断预测的结果向量与训练样本图的真值向量的差异是否达到设定差异范围内；其中，所述结果向量表征训练样本图中间区域各像素点为组成道路的像素点的置信度值，所述真值向量为训练样本图中间区域各像素点是否为道路的人工标注结果；
若否，调整深度卷积神经网络模型的模型参数，并继续利用模型参数调整后的深度卷积神经网络模型对人工标注的训练样本图进行预测，直至预测的结果向量与训练样本图的真值向量的差异达到设定差异范围内时，将深度卷积神经网络模型的模型参数作为最终的模型参数。
可选的，所述模型训练单元判断预测的结果向量与训练样本图的真值向量的差异是否达到设定差异范围内的过程，具体可以包括：
判断预测的结果向量与训练样本图的真值向量的交叉熵是否小于设定交叉熵阈值，若是，确定预测的结果向量与训练样本图的真值向量的差异达到设定差异范围内，否则，反之。
可选的，所述矢量道路图生成单元根据所述合成后道路灰度图，生成矢量道路图的过程，具体可以包括：
采用多尺度双边滤波对所述合成后道路灰度图进行分解滤波，得到多层滤波图像；
针对每一层滤波图像，确定滤波图像中组成矢量道路的像素点，作为关键像素点；
在所述关键像素点的周围设定距离范围内确定与所述关键像素点相连的目标像素点；
将所述关键点与所述目标像素点连线，每一层滤波图像中包含若干条离散线段；
根据各层滤波图像所包含的离散线段，生成矢量道路图。
可选的，所述矢量道路图生成单元针对每一层滤波图像，确定滤波图像中组成矢量道路的像素点，作为关键像素点的过程，具体可以包括：
针对每一层滤波图像，计算滤波图像中每一个像素点对应的拉普拉斯值及海塞矩阵；
针对每一像素点对应的海塞矩阵，计算海塞矩阵的特征向量；
判断在所述像素点的近邻像素点围成的矩形区域内，所述像素点在所述特征向量对应方向上是否拥有最大拉普拉斯值；
若是，将所述像素点确定为关键像素点。
可选的，所述矢量道路图生成单元在所述关键像素点的周围设定距离范围内确定与所述关键像素点相连的目标像素点的过程，具体可以包括：
针对每一层滤波图像中的每一个关键点，计算由所述关键点至所述关键点的周围设定距离范围内的每一像素点的向量与所述关键点处所述特征向量的法向量的乘积；
判断最大乘积是否大于设定向量乘积阈值，若是，将最大乘积对应的像素点确定为与所述关键像素点相连的目标像素点。
可选的，所述矢量道路图生成单元根据各层滤波图像所包含的离散线段，生成矢量道路图的过程，具体可以包括：
将层级最高的滤波图像所包含的离散线段保存为矢量道路；
按照层级由高至低的顺序，将相邻两个层级的滤波图像中，较低层级的滤波图像所包含的离散线段与较高层级的滤波图像所包含的离散线段做差分，得到的差分线段保存为矢量道路；
利用保存的矢量道路生成矢量道路图。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (18)

1.一种矢量道路确定方法，其特征在于，包括：
获取从卫星影像图中提取的卫星影像瓦片图；
将所述卫星影像瓦片图输入预先训练的道路识别模型，得到所述道路识别模型输出的表征所述卫星影像瓦片图的中间设定区域各像素点是否为组成道路的像素点的分类结果；
根据所述分类结果，生成所述卫星影像瓦片图的中间设定区域对应的道路灰度图；
根据所述道路灰度图，生成矢量道路图。
2.根据权利要求1所述的方法，其特征在于，所述获取从卫星影像图中提取的卫星影像瓦片图，包括：
以设定尺寸窗口及设定滑动步长，对所述卫星影像图进行滑窗取图，每次滑窗获取的图作为卫星影像瓦片图；
所述卫星影像瓦片图的中间设定区域为，边长为设定滑动步长的正方形。
3.根据权利要求2所述的方法，其特征在于，所述根据所述道路灰度图，生成矢量道路图，包括：
拼接各卫星影像瓦片图的中间设定区域对应的道路灰度图，得到与所述卫星影像图相同尺寸的合成后道路灰度图；
根据所述合成后道路灰度图，生成矢量道路图。
4.根据权利要求1所述的方法，其特征在于，所述道路识别模型为深度卷积神经网络模型，所述深度卷积神经网络模型的训练过程包括：
确定深度卷积神经网络模型的模型参数的初始值；
利用所述深度卷积神经网络模型对人工标注的训练样本图进行预测，并判断预测的结果向量与训练样本图的真值向量的差异是否达到设定差异范围内；其中，所述结果向量表征训练样本图中间区域各像素点为组成道路的像素点的置信度值，所述真值向量为训练样本图中间区域各像素点是否为道路的人工标注结果；
若否，调整深度卷积神经网络模型的模型参数，并继续利用模型参数调整后的深度卷积神经网络模型对人工标注的训练样本图进行预测，直至预测的结果向量与训练样本图的真值向量的差异达到设定差异范围内时，将深度卷积神经网络模型的模型参数作为最终的模型参数。
5.根据权利要求4所述的方法，其特征在于，所述判断预测的结果向量与训练样本图的真值向量的差异是否达到设定差异范围内，包括：
判断预测的结果向量与训练样本图的真值向量的交叉熵是否小于设定交叉熵阈值，若是，确定预测的结果向量与训练样本图的真值向量的差异达到设定差异范围内，否则，反之。
6.根据权利要求3所述的方法，其特征在于，所述根据所述合成后道路灰度图，生成矢量道路图，包括：
采用多尺度双边滤波对所述合成后道路灰度图进行分解滤波，得到多层滤波图像；
针对每一层滤波图像，确定滤波图像中组成矢量道路的像素点，作为关键像素点；
在所述关键像素点的周围设定距离范围内确定与所述关键像素点相连的目标像素点；
将所述关键点与所述目标像素点连线，每一层滤波图像中包含若干条离散线段；
根据各层滤波图像所包含的离散线段，生成矢量道路图。
7.根据权利要求6所述的方法，其特征在于，所述针对每一层滤波图像，确定滤波图像中组成矢量道路的像素点，作为关键像素点，包括：
针对每一层滤波图像，计算滤波图像中每一个像素点对应的拉普拉斯值及海塞矩阵；
针对每一像素点对应的海塞矩阵，计算海塞矩阵的特征向量；
判断在所述像素点的近邻像素点围成的矩形区域内，所述像素点在所述特征向量对应方向上是否拥有最大拉普拉斯值；
若是，将所述像素点确定为关键像素点。
8.根据权利要求7所述的方法，其特征在于，所述在所述关键像素点的周围设定距离范围内确定与所述关键像素点相连的目标像素点，包括：
针对每一层滤波图像中的每一个关键点，计算由所述关键点至所述关键点的周围设定距离范围内的每一像素点的向量与所述关键点处所述特征向量的法向量的乘积；
判断最大乘积是否大于设定向量乘积阈值，若是，将最大乘积对应的像素点确定为与所述关键像素点相连的目标像素点。
9.根据权利要求6所述的方法，其特征在于，所述根据各层滤波图像所包含的离散线段，生成矢量道路图，包括：
将层级最高的滤波图像所包含的离散线段保存为矢量道路；
按照层级由高至低的顺序，将相邻两个层级的滤波图像中，较低层级的滤波图像所包含的离散线段与较高层级的滤波图像所包含的离散线段做差分，得到的差分线段保存为矢量道路；
利用保存的矢量道路生成矢量道路图。
10.一种矢量道路确定装置，其特征在于，包括：
瓦片图获取单元，用于获取从卫星影像图中提取的卫星影像瓦片图；
模型识别单元，用于将所述卫星影像瓦片图输入至预训练的道路识别模型，得到所述道路识别模型输出的表征所述卫星影像瓦片图的中间设定区域各像素点是否为组成道路的像素点的分类结果；
道路灰度图生成单元，用于根据所述分类结果，生成所述卫星影像瓦片图的中间设定区域对应的道路灰度图；
矢量道路图生成单元，用于根据所述道路灰度图，生成矢量道路图。
11.根据权利要求10所述的装置，其特征在于，所述瓦片图获取单元获取从卫星影像图中提取的卫星影像瓦片图的过程，具体包括：
以设定尺寸窗口及设定滑动步长，对所述卫星影像图进行滑窗取图，每次滑窗获取的图作为卫星影像瓦片图；
所述卫星影像瓦片图的中间设定区域为，边长为设定滑动步长的正方形。
12.根据权利要求11所述的装置，其特征在于，所述矢量道路图生成单元根据所述道路灰度图，生成矢量道路图的过程，具体包括：
将各卫星影像瓦片图的中间设定区域对应的道路灰度图进行拼接，得到与所述卫星影像图相同尺寸的合成后道路灰度图；
根据所述合成后道路灰度图，生成矢量道路图。
13.根据权利要求10所述的装置，其特征在于，所述道路识别模型为深度卷积神经网络模型，该装置还包括模型训练单元，用于：
确定深度卷积神经网络模型的模型参数的初始值；
利用深度卷积神经网络模型对人工标注的训练样本图进行预测，并判断预测的结果向量与训练样本图的真值向量的差异是否达到设定差异范围内；其中，所述结果向量表征训练样本图中间区域各像素点为组成道路的像素点的置信度值，所述真值向量为训练样本图中间区域各像素点是否为道路的人工标注结果；
若否，调整深度卷积神经网络模型的模型参数，并继续利用模型参数调整后的深度卷积神经网络模型对人工标注的训练样本图进行预测，直至预测的结果向量与训练样本图的真值向量的差异达到设定差异范围内时，将深度卷积神经网络模型的模型参数作为最终的模型参数。
14.根据权利要求13所述的装置，其特征在于，所述模型训练单元判断预测的结果向量与训练样本图的真值向量的差异是否达到设定差异范围内的过程，具体包括：
判断预测的结果向量与训练样本图的真值向量的交叉熵是否小于设定交叉熵阈值，若是，确定预测的结果向量与训练样本图的真值向量的差异达到设定差异范围内，否则，反之。
15.根据权利要求12所述的装置，其特征在于，所述矢量道路图生成单元根据所述合成后道路灰度图，生成矢量道路图的过程，具体包括：
采用多尺度双边滤波对所述合成后道路灰度图进行分解滤波，得到多层滤波图像；
针对每一层滤波图像，确定滤波图像中组成矢量道路的像素点，作为关键像素点；
在所述关键像素点的周围设定距离范围内确定与所述关键像素点相连的目标像素点；
将所述关键点与所述目标像素点连线，每一层滤波图像中包含若干条离散线段；
根据各层滤波图像所包含的离散线段，生成矢量道路图。
16.根据权利要求15所述的装置，其特征在于，所述矢量道路图生成单元针对每一层滤波图像，确定滤波图像中组成矢量道路的像素点，作为关键像素点的过程，具体包括：
针对每一层滤波图像，计算滤波图像中每一个像素点对应的拉普拉斯值及海塞矩阵；
针对每一像素点对应的海塞矩阵，计算海塞矩阵的特征向量；
判断在所述像素点的近邻像素点围成的矩形区域内，所述像素点在所述特征向量对应方向上是否拥有最大拉普拉斯值；
若是，将所述像素点确定为关键像素点。
17.根据权利要求16所述的装置，其特征在于，所述矢量道路图生成单元在所述关键像素点的周围设定距离范围内确定与所述关键像素点相连的目标像素点的过程，具体包括：
针对每一层滤波图像中的每一个关键点，计算由所述关键点至所述关键点的周围设定距离范围内的每一像素点的向量与所述关键点处所述特征向量的法向量的乘积；
判断最大乘积是否大于设定向量乘积阈值，若是，将最大乘积对应的像素点确定为与所述关键像素点相连的目标像素点。
18.根据权利要求15所述的装置，其特征在于，所述矢量道路图生成单元根据各层滤波图像所包含的离散线段，生成矢量道路图的过程，具体包括：
将层级最高的滤波图像所包含的离散线段保存为矢量道路；
按照层级由高至低的顺序，将相邻两个层级的滤波图像中，较低层级的滤波图像所包含的离散线段与较高层级的滤波图像所包含的离散线段做差分，得到的差分线段保存为矢量道路；
利用保存的矢量道路生成矢量道路图。
CN201710908363.9A 2017-09-29 2017-09-29 一种矢量道路确定方法及装置 Active CN109583282B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710908363.9A CN109583282B (zh) 2017-09-29 2017-09-29 一种矢量道路确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710908363.9A CN109583282B (zh) 2017-09-29 2017-09-29 一种矢量道路确定方法及装置

Publications (2)

Publication Number Publication Date
CN109583282A true CN109583282A (zh) 2019-04-05
CN109583282B CN109583282B (zh) 2021-04-09

Family

ID=65914314

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710908363.9A Active CN109583282B (zh) 2017-09-29 2017-09-29 一种矢量道路确定方法及装置

Country Status (1)

Country Link
CN (1) CN109583282B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728723A (zh) * 2019-09-23 2020-01-24 东南大学 一种面向瓦片地图的道路自动提取方法
CN113569596A (zh) * 2020-04-28 2021-10-29 千寻位置网络有限公司 卫星图像道路印刷物识别方法及其装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102005037A (zh) * 2010-11-12 2011-04-06 湖南大学 结合多尺度双边滤波与方向滤波的多模图像融合方法
US20140056485A1 (en) * 2006-05-02 2014-02-27 Geoeye Solutions, Inc. Semi-automatic extraction of linear features from image data including path material type attribution
CN104463822A (zh) * 2014-12-11 2015-03-25 西安电子科技大学 基于多尺度全局滤波的多聚焦图像融合方法及其装置
CN104657945A (zh) * 2015-01-29 2015-05-27 南昌航空大学 复杂背景下多尺度时空联合滤波的红外小目标检测方法
CN105741273A (zh) * 2016-01-25 2016-07-06 天津天大求实电力新技术股份有限公司 一种基于色彩分割的控规图纸自动矢量化方法及系统
CN106097355A (zh) * 2016-06-14 2016-11-09 山东大学 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140056485A1 (en) * 2006-05-02 2014-02-27 Geoeye Solutions, Inc. Semi-automatic extraction of linear features from image data including path material type attribution
CN102005037A (zh) * 2010-11-12 2011-04-06 湖南大学 结合多尺度双边滤波与方向滤波的多模图像融合方法
CN104463822A (zh) * 2014-12-11 2015-03-25 西安电子科技大学 基于多尺度全局滤波的多聚焦图像融合方法及其装置
CN104657945A (zh) * 2015-01-29 2015-05-27 南昌航空大学 复杂背景下多尺度时空联合滤波的红外小目标检测方法
CN105741273A (zh) * 2016-01-25 2016-07-06 天津天大求实电力新技术股份有限公司 一种基于色彩分割的控规图纸自动矢量化方法及系统
CN106097355A (zh) * 2016-06-14 2016-11-09 山东大学 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘如意 等: "一种自动的高分辨率遥感影像道路提取方法", 《西安电子科技大学学报（自然科学版）》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728723A (zh) * 2019-09-23 2020-01-24 东南大学 一种面向瓦片地图的道路自动提取方法
CN110728723B (zh) * 2019-09-23 2023-04-28 东南大学 一种面向瓦片地图的道路自动提取方法
CN113569596A (zh) * 2020-04-28 2021-10-29 千寻位置网络有限公司 卫星图像道路印刷物识别方法及其装置

Also Published As

Publication number Publication date
CN109583282B (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
Yang et al. Building extraction at scale using convolutional neural network: Mapping of the united states
CN104700099B (zh) 识别交通标志的方法和装置
CN106934795B (zh) 一种混凝土桥梁裂缝的自动检测方法和预测方法
CN112380921A (zh) 一种基于车联网的道路检测方法
CN109214470B (zh) 一种基于编码网络微调的图像能见度检测方法
CN110245662A (zh) 检测模型训练方法、装置、计算机设备和存储介质
CN108875794B (zh) 一种基于迁移学习的图像能见度检测方法
CN110689043A (zh) 一种基于多重注意力机制的车辆细粒度识别方法及装置
CN107220603A (zh) 基于深度学习的车辆检测方法及装置
CN106897681A (zh) 一种遥感图像对比分析方法及系统
CN113160062B (zh) 一种红外图像目标检测方法、装置、设备及存储介质
Li et al. DMNet: A network architecture using dilated convolution and multiscale mechanisms for spatiotemporal fusion of remote sensing images
CN106548169A (zh) 基于深度神经网络的模糊文字增强方法及装置
CN110119737A (zh) 一种目标检测方法及装置
CN109863547A (zh) 用于使用机器学习和图像处理来构建地图的设备
CN108462868A (zh) 360度全景vr视频中用户凝视点的预测方法
CN107463927A (zh) 一种基于卷积神经网络的道路减速带检测方法及装置
CN108776777A (zh) 一种基于Faster RCNN的遥感影像对象间空间关系的识别方法
Hamida et al. Deep learning for semantic segmentation of remote sensing images with rich spectral content
CN107944354A (zh) 一种基于深度学习的车辆检测方法
Hosseinpoor et al. Convolutional neural network for building extraction from high-resolution remote sensing images
CN109583282A (zh) 一种矢量道路确定方法及装置
CN111274988B (zh) 一种基于多光谱的车辆重识别方法及装置
CN112288701A (zh) 一种智慧交通图像检测方法
Awad Toward robust segmentation results based on fusion methods for very high resolution optical image and lidar data

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200429

Address after: 310052 room 508, floor 5, building 4, No. 699, Wangshang Road, Changhe street, Binjiang District, Hangzhou City, Zhejiang Province

Applicant after: Alibaba (China) Co.,Ltd.

Address before: 102200, No. 8, No., Changsheng Road, Changping District science and Technology Park, Beijing, China. 1-5

Applicant before: AUTONAVI SOFTWARE Co.,Ltd.

GR01 Patent grant
GR01 Patent grant