CN109697418B - 用于场景复原的针对遥感影像路网提取图像的后处理方法 - Google Patents
用于场景复原的针对遥感影像路网提取图像的后处理方法 Download PDFInfo
- Publication number
- CN109697418B CN109697418B CN201811534188.2A CN201811534188A CN109697418B CN 109697418 B CN109697418 B CN 109697418B CN 201811534188 A CN201811534188 A CN 201811534188A CN 109697418 B CN109697418 B CN 109697418B
- Authority
- CN
- China
- Prior art keywords
- road
- image
- point
- road network
- vector
- 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 51
- 238000012805 post-processing Methods 0.000 title claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 53
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 230000008859 change Effects 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 14
- 230000008439 repair process Effects 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract description 3
- 238000003672 processing method Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research 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
- G06V20/182—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
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
一种用于场景复原的针对遥感影像路网提取图像的后处理方法。本发明通过矢量化操作对机器初步提取的二值化路网图像进一步向真实场景还原,并由此计算路网宽度,修补路网图像中未识别的断点。相对于仅仅基于图像形态学的道路特征提取技术,本发明能够更好的可以还原道路真实场景。尤其,本发明的矢量化处理方法,在获得道路特征的矢量信息后并无需频繁的对图像本身进行处理处理,因此,本发明进行路网提取时,消耗的计算资源更少而提取结果却更为准确。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种针对遥感影像、路网提取图 像的后处理方法。
背景技术
高分辨率遥感技术与航空摄影获取手段的持续高速发展,带动了高分辨率影像的广泛应用,这种地面分辨率小于10m的遥感观测技术不仅在军事领域具有重要的战略意义,对于城市交通规划、环境监测、等民用领域也大有可为。
至2018年,已有多颗高分卫星投入使用,高分辨率对地观测系统交通运输行业数据中心也同步对外开放交通运输行业高分数据支持,可以预见,“高分+交通”的组合将进一步提升对道路资源的精细化管理水平。
道路是GIS领域内最基础的地物信息之一,不仅是重要的国有资产,也是影响到区域经济和居民出行的关键资源。因此,及时有效的掌握道路现状和变化情况则显得至关重要。这就要求将道路地理特征信息化,以便实现道路资源的最优管理与利用。
然而,早期的道路建设与修整工作中没有完整的数据上报流程。农村偏远地区的低等级道路,大多缺乏信息化所需要的数据支持。为实现这部分道路资源的管理,道路提取任务应运而生。道路提取即要求在现有反映道路地理信息的各种数据源中,根据道路特征提取出有效的道路基础数据,形成可远程管理的信息资源。
利用高分辨率影像进行道路特征的自动化提取可以大幅节省人力物力,一直是国内外学者的研究重点。国内外学者对此也提出了多种可行的方案。
近年来,随着深度学习技术的深入发展,其也为路网提取工作提供了新的思路与灵感。利用深度学习技术进行路网提取,使得道路特征所提取的精准度与效率得到了进一步的提升。现有的基于机器视觉的路网提取系统,可通过对道路特征的训练建立对应的识别规则或学习策略,而后通过机器学习技术寻找到道路信息在图像中的特征。由此,计算机能够模拟人眼对道路信息的辨识能力,从海量影像数据中找到符合条件的道路矢量信息。
然而就目前所提取出的道路特征来看,各类基于机器视觉并利用深度学习技术的自动化路网提取方法,其特征提取水平尚需进一步提高。该技术所面临的主要问题在于,其提取出的道路矢量信息无法直接应用到实际工作中。现有技术所提取出的道路特征往往还需要人工进行二次加工。
尤其,由于实际待提取图像中包含有各种复杂情形,目前的机器学习技术,其训练过程并无法保证针对各种复杂情形的识别成功率。比如,一旦原始影像的路面被遮挡或有现有的路网提取技术件很难提取到有效的道路特征信息。由此而原出的道路矢量信息往往存在道路宽度参差不齐、连续路段中间存在断点的现象。
发明内容
为了解决现有技术存在的不足,本发明的目的在于提供一种能够减少 对对路网信息进行人工二次加工,能够自动对计算机所提取的路网进行适 当后处理的方法。
首先,为实现上述目的,提出一种用于场景复原的遥感影像路网提取 图像后处理方法,其步骤包括:第一步,根据图像IN*M中所设定的代表路 网特征的像素值,获取图像IN*M中所有代表路网特征的特征像素点,计算 由所述各特征像素点所组成的全部连通域。第二步,筛选出面积不小于设 定的面积阈值Sa的连通域,依次标记筛选出的所述各连通域的序号分别为 1至K。第三步,分别对所述K个连通域做最小外接矩形,所述各最小外 接矩形所包含的区域分别为其中,k为各最小外接矩 形的标号,1≤k≤K;(xmin-xmax,ymin-ymax)为所述最小外接矩形的位 置坐标,其中,任意区域均只包含一个连通域。第四 步,分别对所述K个区域通过边界提取 算子计算其边界;将计算获得的全部K个边界中所包含的全部L个像素点 组成点集其中,l为边界中所包含的像素点的序号, (x,y)为边界中所包含的像素点在图像IN*M中的位置坐标,xmin≤x≤xmax, ymin≤y≤ymax。第五步,对依次所述点集PL中的各像素点做至少一次抽 稀处理:步骤501,选取所述点集PL中的一个像素点以及于其间隔步 长step的另一个像素点获得由该两个像素点所构成的第一轮廓线 以及由该两个像素点的连线所构成的弦;步骤502,计算所述 弦的垂线至所述第一轮廓线的最大截距,若所述最大截距小于 预设的截距阈值D,则从所述点集PL中删除像素点至像素点之 间的像素点,否则保留所述点集PL中自像素点至像素点之间的 像素点;步骤503,重复所述步骤501至步骤502,直至遍历所述点集PL中的全部像素点,记点集PL中被保留下的像素点的集合为矢量点集数组PR。第六步,依次选取所述矢量点集数组PR中相邻的两个像素点r1和r2,对由 该两个像素点所构成的第二轮廓线做法线,所述第二轮廓线r1r2的法线 与所述矢量点集数组PR中至少两个像素点相交,选取其中与所述第二轮廓 线r1r2距离最近的两个像素点计算其连线的几何中心。第七步,重复所述 第六步直至遍历所述矢量点集数组PR中的全部像素点,对第六步中获得的 各个几何中心进行最小二乘法拟合,得到所述第二轮廓线的中心线。第八 步,重复所述第四步至所述第七步,直至获得全部K个区域 的中心线,所述各中心线构成代表路网特征的道路中 心线矢量。
可选的,上述的用于场景复原的遥感影像路网提取图像后处理方法中, 所述第一步中,计算所获得的由所述各特征像素点所组成的各连通域范围 内不包括非特征像素点或内孔。
可选的,上述的用于场景复原的遥感影像路网提取图像后处理方法中, 所述图像IN*M为先经图像处理后提取出的二值化的遥感影像识别结果或路 网提取图像;或者,所述图像IN*M为遥感影像经二值化处理结果后的结果。
可选的,上述的用于场景复原的遥感影像路网提取图像后处理方法中, 所述第四步中的边界提取算子包括但不限于canny、Sobel、Prewitt算子。
可选的,上述的用于场景复原的遥感影像路网提取图像后处理方法中, 还包括以下步骤以获取路网中道路的宽度信息:步骤w1,以所述第五步中 获得的所述矢量点集数组PR中的各像素点作为顶点,利用所述各顶点对第 二步中筛选出的所述K个连通域进行三角剖分,得到V个三角形,将所述 V个三角形沿所述心线矢量依次标记为Δ1,…,ΔV;其中,三角剖分满足以下 条件:剖分出的三角形中有且仅有两个顶点为所述连通域的边界点;剖分出的任意两个三角形要么共边要么不相交于任何一点,并且,任意两个三 角形面积无重叠;剖分出的三角形覆盖原有所述中心线的一部分;剖分出 的三角形其内角均小于90°;剖分出的三角形包含于所述连通域范围之内。 步骤w2,依次计算所述V个三角形的高度值分别为h1,…,hV。步骤w3,对 任意一个高度值hj,1≤j≤V,分别计算与其左右相邻的v′个高度值的平 均值,若该高度值hj与左相邻的v′个高度值的平均值的高度差变化百分比 大于预设的高度差变化百分比阈值,则标记为该高度值hj为道路宽度变化 起始点;若该高度值hj与右相邻的v′个高度值的平均值的高度差变化百分 比大于预设的高度差变化百分比阈值H,则标记该高度值hj为道路宽度变 化终止点。步骤w4,判断上述道路宽度变化起始点与道路宽度变化终止点 之间间隔的高度值的数量是否达到预设的宽度变化判断阈值W,若未达到 则标记自上述道路宽度变化起始点到道路宽度变化终止点之间的区域为 道路宽度变化区域。步骤w5,以所述道路宽度变化区域的中间点为界,将 所述路网中道路划分为不同路段,计算不同路段中高度值的中位数、众数 或平均数作为路网中不同路段道路的宽度信息输出。
可选的,上述的用于场景复原的遥感影像路网提取图像后处理方法中, 所述步骤w1,中对第二步中筛选出的所述K个连通域进行三角剖分时,在 剖分出的三角形其内角无法满足小于90°时,在该三角形的最长边上选取 至少一个像素点作为添加的顶点。
可选的,上述的用于场景复原的遥感影像路网提取图像后处理方法中, 还包括以下步骤以连接破碎路网:步骤s1,获取所述第八步中得到的所述 道路中心线矢量,计算其法向量。步骤s2,根据张量分析原理计算结构张 量图,并对所述法向量所包含的每一像素点(x,y)计算其张量信息矩阵为 步骤s3,根据所述结构张量图计算所述法向量所包含各 像素点的特征向量与特征值。步骤s4,根据二维张量编码对 所述道路中心线矢量所对应的棒张量进行分解,其中为曲线法向量。步 骤s5,构造曲线显著性图。步骤s6,依次对所述各棒张量进行至少一次 张量投票,分别累加各接收点的所有选票,计算投票结果。步骤s7,筛除 满足μ<λ1-λ2的投票结果,其中μ为显著性阈值,根据剩余的投票结果 连接相应的道路中心线以实现对破碎路网的连接所述。
可选的,上述的用于场景复原的遥感影像路网提取图像后处理方法中, 连接破碎路网时,连接部分的道路宽度为其前、后路段中高度值的中位数、 众数或平均数。
有益效果
本发明,通过矢量化操作对机器初步提取的二值化路网图像进一步向 真实场景还原,并由此计算路网宽度,修补路网图像中未识别的断点,从 而得到完整道路矢量信息。相对于仅仅基于图像形态学的道路特征提取技 术,本发明能够更好的可以还原道路真实场景。尤其,现有基于图像形态 学的道路特征提取技术,其仅仅是通过对图像本身的处理操作而改善提取 结果画面的纯净度,其仅可以在一定程度上提升识别精度,却无法根据道路特征进行道路矢量信息的完善和修补。而本发明的矢量化操作,在获得 道路特征的矢量信息后并无需频繁的对图像本身进行处理操,因此,本发 明进行路网提取时,消耗的计算资源更少而提取结果却更为准确。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从 说明书中变得显而易见,或者通过实施本发明而了解。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,并 与本发明的实施例一起,用于解释本发明,并不构成对本发明的限制。在 附图中:
图1为本发明所提供的连接破碎路网的方法中对其中一个棒张量进 行张量投票所对应的在二维空间下几何含义的示意图;
图2为棒张量场的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描 述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明设计了一种针对路网提取二值化影像的后处理方法。该方法首 先将获取的图像进行矢量化,获得代表路网特征的道路中心线矢量。而 后,本发明还能够进一步通过多种矢量操作实现对路网中道路宽度信息 的提取,并且,本发明还能够通过对代表路网特征的道路中心线矢量的 矢量操作识别并连接二值化影像中不连续的破碎路段。本发明主要包括如 下创新点:
1:基于二值图像的道路中心线矢量化方法
2:基于三角剖分理论的道路宽度计算方法
3:基于张量投票的破碎路网自连接方法。
在进行道路中心线矢量化时,本发明主要是通过多种图像形态学与 GIS点云操作,从表征特定纹路信息的二值图像中提取边界轮廓,继而对 边界轮廓所表征出的纹路特征提取其中心线的矢量坐标。道路中心线矢量 化能够为后续的各矢量操作提供基础数据支持。
这里,进行道路中心线矢量化所述使用的二值图像为事先由电脑进行 过图像处理后提取出的二值化的遥感影像识别结果或路网提取图像;或者, 进行道路中心线矢量化所述使用的二值图像还可以是真实图像,如,遥感 影像的二值化处理结果。该图像经过简单处理具有较少的干扰项。
所述特定纹路信息包括但不限于可用二值信息表述的道路、河流等地 理地貌特征,表现为具有一定长度的细条纹曲(直)线,本说明以道路特 征为例。因为二值化处理与识别过程中存在的误识别情况,曲线可能存在 断点。
道路中心线矢量化的具体步骤如下:
步骤1:读取需要操作的原始二值图像IN*M,设定其分辨率为N*M, 其中约定像素以[1]值为特征值,代表所要提取轮廓的纹路信息;
步骤2:根据二值化信息求得IN*M中所有像素值为“1”的连通域;
步骤3:根据实际需要和原始图像分辨率设置面积阈值Sa,当连通域 面积小于阈值时则过滤掉,记所有未被过滤的连通域总数为K,并顺序标 注序号。
步骤4:对所有K个连通域作最小外接矩形,矩形中所包含的区域记 为其中(xmin-xmax,ymin-ymax)为外接矩形在原始图像 IN*M中的位置坐标,有0≤xmin<xmax≤N,0≤ymin<ymax≤M,当矩形中包含其 他连通域时则去掉,保证任意矩形区域内只包含一个连通域;
步骤5:根据实际需要选取适当算子,分别对每一个区域中的连通域计算边界,记所有边界点组成的点集为PL,L为边界点总数, 对于任意一个边界点l为边界点序号,x,y为边界点在原始 图像IN*M中的位置坐标,有xmin≤x≤xmax,ymin≤y≤ymax;
步骤6:对点集PL做抽稀处理,根据实际需求选取一定序号间隔的边 界点其中,step为其间隔步长。选择由该两个像素点所构 成的第一轮廓线以及由该两个像素点的连线所构 成的弦,设置截距阈值D,当其弦的所做的垂线与第一轮廓线最大截距小于截距阈值D时,则去掉与之间的边界点,以直线 近似原有曲线;当其弦的所做的垂线与第一轮廓线最大截距达 到截距阈值D时保留与之间的边界点。保持序号间隔不变继续 取得间隔步长为step的边界点,按照上述步骤同样的判断其后续边界点能 否抽稀。重复上述操作直至遍历点集PL,此时得到第一次的抽稀结果。根 据实际需要还可以进一步对第一次的抽稀结果进行迭代,直至达到所需的 抽稀程度,记最后得到的矢量点集数组为PR;
步骤7:根据PR计算轮廓中心线,选取PR中相邻两点r1、r2,对两点 构成的轮廓线r1r2做法线,其将与PR相交于至少两点,选择与r1r2距离最 近的两个点,计算两点坐标的几何中心,遍历计算PR中的所有点,将得到 的所有几何中心点做最小二乘法拟合出原有轮廓的中心线;
上述的道路中心线矢量化过程中:
步骤1中所述特征值为1的像素点即为二值化图像中的白点,其所构 成的白色连通域即为原始道路区域,所述连通域不包含内孔;
步骤5中所述边界提取算法包括但不限于基于传统canny、Sobel、 Prewitt等算子的边界提取算法;
步骤6中所述的抽稀过程是为了减少后续适量操作的运算成本,从而 去掉部分不具有代表性的边界点;
进一步,本发明还可基于上述的道路中心线矢量化结果,基于三角剖 分理论通过矢量处理获得道路宽度。这种矢量处理方法主要基于三角剖分 思想,在道路轮廓内部划分出多个锐角三角形,通过计算三角形最小锐角 对应边的垂线计算原始道路的宽度,并识别可能的道路变宽变窄情形,还 原真实道路场景特征,具体实施步骤如下:
步骤1:选择以上面步骤6中抽稀后的轮廓线矢量点集PR作为构建三 角形的全部元素;
步骤2:为保证宽度计算精度并尽可能的减少计算量,按如下约束对 原有轮廓区域做三角剖分:⑴三角形中有且仅有一条边,构成该边的两个 点为原始轮廓线边界点;⑵任意两个三角形要么共边,要么不相交于任何 一点,且任意两个三角形面积无重叠;⑶三角形区域应覆盖原有轮廓的中 心线的一部分;⑷三角形的三个内角均小于90°;⑸三角形的面积区域应 被包含于原有轮廓区域。将由此剖分后获得的三角形沿轮廓中心线方向上的顺序标记序号,记总数为V;
步骤3:顺序选择所有剖分三角形,计算内角中最小角对应边的高h;
步骤4:将得到的三角形的高按三角形编号顺序排列(h1,h2,h3,…,hv), 设置高度差百分比阈值H,对于任意一个高度值,分别计算与其左右相邻 的v’个高度值平均值,若该高度值与左相邻v’个高度值平均值的高度差变 化之比大于H,则标记为道路宽度变化起始点,若该高度值与右相邻v’个 高度值平均值的高度差变化之比大于Th,则标记为道路宽度变化终止点;
步骤5:设置宽度变化判断阈值W,若某起始点与终止点的高度编号 之差小于W,则标记自起始点到终止点之间的区域为道路宽度变化区域;
步骤6:选择道路宽度变化区域的高度编号中值作为边界,对原始路 段按宽度进行划分;
步骤7:根据划分结果分别计算划分后的几组路段的宽度值,根据实 际需要选择中位数、众数或平均数统计。
上述对于道路宽度的提取过程中,在进行所述步骤2操作时,为满足 三个内角均不为钝角的要求,可对部分长直线补充点元素。
进一步,本发明还可基于上述的道路中心线矢量化结果,进行基于张 量投票的破碎路网自连接。其主要针对现有路网提取方法的不足,尤其针 对现有识别后的路网存在很多不连续的断点的问题。为了修补这些破碎路 段,本方法基于张量投票理论将原始路网提取图像转化为张量结构图,制 定相应的显著性与方向性投票规则,借助每个张量的投票信息判定两条路 段之间是否应该相连。
其具体实施方式如下:
步骤1:读取叠加道路中心线的原始图像IN*M,去除道路连通域,只保 留道路中心线;
步骤2:对中心线的端节点计算其法向量;
步骤4:根据结构张量图求各点特征向量与特征值:
步骤7:进行张量投票,其投票过程可表述为:
(1)对于任意二维图像,每一个输入中心线对应产生一个棒张量, 其对相邻区域产生强度变化的张量场强。
所述张量理论中存在球张量、板张量和棒张量等三种张量,在本方法 中输入图像已经进行了简单处理,以道路中心线为主,故只计算棒张量所 产生的场强影像。
(2)在二维空间内,假设投票点为V,接受投票点为R,在投票点 存在以N为法向量的输入数据,则在R点的输入数据将受到来自V的选票 张量。假定在没有其他信息的情况下,通过V和R的圆C在V处的切向与 N垂直,该圆实际上为过V且保持N为法向的曲线的密切圆。密切圆C在 R处径向的向量平行于R所受到的选票。
(3)张量理论要求选票的大小应该为与临近性、光滑性和连续性有 关的函数,记显著性退化函数为其中s为VR的弧长, κ为弧线的曲率,σ为投票尺度,决定投票区域的大小,c代表了曲率的 退化程度,有根据定义有|VR|=l,θ为VR与x轴的 夹角,如图1所示,其中弧长曲率
(4)定义从原点触发指向y轴正半轴的单位向量(棒张量)所形成 的二维中的二阶棒张量场,可借由关于投票者和接受者之间的距离l及角 度θ来实现:
即代表了在R处接受者所受到的来自于V的选票张量,记S(P)为由在 投票点V向各个其他位置投出的张量选票所形成的二阶张量场,如图2所 示,P表示从投票点到接收点的向量。
(5)最终,通过累加的方式计算接收点的所有选票,计算最终投票 结果。
所述投票过程在张量理论定义中存在稀疏投票与稠密投票两类,在本 方法中依据实际情况选择。
所述投票过程为单次过程,在实际中可能根据原始图像质量进行多次 投票,重复上述过程,取最终结果为准。
步骤8:设定显著性阈值μ,用于去掉噪声点所产生的投票结果,规 定当μ<λ1-λ2时,张量的投票无效,最终所形成的投票结果图,用以在 原系统中判断两条道路中心线中间的间隙是否应该相连在一起。
本领域普通技术人员可以理解:以上所述仅为本发明的优选实施例而已, 并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明, 对于本领域的技术人员来说,其依然可以对前述各实施例记载的技术方案 进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和 原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保 护范围之内。
Claims (9)
1.一种用于场景复原的遥感影像路网提取图像后处理方法,其特征在于,步骤包括:
第一步,根据图像IN* M中所设定的代表路网特征的像素值,获取图像IN*M中所有代表路网特征的特征像素点,计算由所述各特征像素点所组成的全部连通域;
第二步,筛选出面积不小于设定的面积阈值Sa的连通域,依次标记筛选出的所述各连通域的序号分别为1至K;
第三步,分别对所述K个连通域做最小外接矩形,所述各最小外接矩形所包含的区域分别为其中,k为各最小外接矩形的标号,1≤k≤K;(xmin-xmax,ymin-ymax)为所述最小外接矩形的位置坐标,其中,任意区域均只包含一个连通域;
第四步,分别对所述K个区域1≤k≤K,通过边界提取算子计算其边界;将计算获得的全部K个边界中所包含的全部L个像素点组成点集其中,l为边界中所包含的像素点的序号,(x,y)为边界中所包含的像素点在图像IN*M中的位置坐标,xmin≤x≤xmax,ymin≤y≤ymax;
第五步,依次对所述点集PL中的各像素点做至少一次抽稀处理:步骤501,选取所述点集PL中的一个像素点以及于其间隔步长step的另一个像素点获得由该两个像素点所构成的第一轮廓线以及由该两个像素点的连线所构成的弦;步骤502,计算所述弦的垂线至所述第一轮廓线的最大截距,若所述最大截距小于预设的截距阈值D,则从所述点集PL中删除像素点至像素点之间的像素点,否则保留所述点集PL中自像素点至像素点之间的像素点;步骤503,重复所述步骤501至步骤502,直至遍历所述点集PL中的全部像素点,记点集PL中被保留下的像素点的集合为矢量点集数组PR;
第六步,依次选取所述矢量点集数组PR中相邻的两个像素点r1和r2,对由该两个像素点所构成的第二轮廓线r1r2做法线,所述第二轮廓线r1r2的法线与所述矢量点集数组PR中至少两个像素点相交,选取其中与所述第二轮廓线r1r2距离最近的两个像素点计算其连线的几何中心;
第七步,重复所述第六步直至遍历所述矢量点集数组PR中的全部像素点,对第六步中获得的各个几何中心进行最小二乘法拟合,得到所述第二轮廓线的中心线;
2.如权利要求1所述的用于场景复原的遥感影像路网提取图像后处理方法,其特征在于,所述第一步中,计算所获得的由所述各特征像素点所组成的各连通域范围内不包括非特征像素点或内孔。
3.如权利要求1所述的用于场景复原的遥感影像路网提取图像后处理方法,其特征在于,所述图像IN*M为先经图像处理后提取出的二值化的遥感影像识别结果或路网提取图像;或者,所述图像IN*M为遥感影像经二值化处理结果后的结果。
4.如权利要求1所述的用于场景复原的遥感影像路网提取图像后处理方法,其特征在于,所述第四步中的边界提取算子包括但不限于canny、Sobel、Prewitt算子。
6.如权利要求1所述的用于场景复原的遥感影像路网提取图像后处理方法,其特征在于,还包括以下步骤以获取路网中道路的宽度信息:
步骤w1,以所述第五步中获得的所述矢量点集数组PR中的各像素点作为顶点,利用所述各顶点对第二步中筛选出的所述K个连通域进行三角剖分,得到V个三角形,将所述V个三角形沿所述中心线矢量依次标记为Δ1,…,ΔV;
其中,三角剖分满足以下条件:剖分出的三角形中有且仅有两个顶点为所述连通域的边界点;剖分出的任意两个三角形要么共边要么不相交于任何一点,并且,任意两个三角形面积无重叠;剖分出的三角形覆盖原有所述中心线的一部分;剖分出的三角形其内角均小于90°;剖分出的三角形包含于所述连通域范围之内;
步骤w2,依次计算所述V个三角形的高度值分别为h1,…,hV;
步骤w3,对任意一个高度值hj,1≤j≤V,分别计算与其左右相邻的v′个高度值的平均值,若该高度值hj与左相邻的v′个高度值的平均值的高度差变化百分比大于预设的高度差变化百分比阈值,则标记为该高度值hj为道路宽度变化起始点;若该高度值hj与右相邻的v′个高度值的平均值的高度差变化百分比大于预设的高度差变化百分比阈值H,则标记该高度值hj为道路宽度变化终止点;
步骤w4,判断上述道路宽度变化起始点与道路宽度变化终止点之间间隔的高度值的数量是否达到预设的宽度变化判断阈值W,若未达到则标记自上述道路宽度变化起始点到道路宽度变化终止点之间的区域为道路宽度变化区域;
步骤w5,以所述道路宽度变化区域的中间点为界,将所述路网中道路划分为不同路段,计算不同路段中高度值的中位数、众数或平均数作为路网中不同路段道路的宽度信息输出。
7.如权利要求6所述的用于场景复原的遥感影像路网提取图像后处理方法,其特征在于,所述步骤w1,中对第二步中筛选出的所述K个连通域进行三角剖分时,在剖分出的三角形其内角无法满足小于90°时,在该三角形的最长边上选取至少一个像素点作为添加的顶点。
8.如权利要求6所述的用于场景复原的遥感影像路网提取图像后处理方法,其特征在于,还包括以下步骤以连接破碎路网:
步骤s1,获取所述第八步中得到的所述道路中心线矢量,计算其法向量;
步骤s3,根据所述结构张量图计算所述法向量所包含各像素点的特征向量与特征值;
步骤s5,构造曲线显著性图;
步骤s6,依次对所述各棒张量进行至少一次张量投票,分别累加各接收点的所有选票,计算投票结果;
步骤s7,筛除满足μ<λ1-λ2的投票结果,其中μ为显著性阈值,根据剩余的投票结果连接相应的道路中心线以实现对破碎路网的连接。
9.如权利要求8所述的用于场景复原的遥感影像路网提取图像后处理方法,其特征在于,连接破碎路网时,连接部分的道路宽度为其前、后路段中高度值的中位数、众数或平均数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811534188.2A CN109697418B (zh) | 2018-12-14 | 2018-12-14 | 用于场景复原的针对遥感影像路网提取图像的后处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811534188.2A CN109697418B (zh) | 2018-12-14 | 2018-12-14 | 用于场景复原的针对遥感影像路网提取图像的后处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109697418A CN109697418A (zh) | 2019-04-30 |
CN109697418B true CN109697418B (zh) | 2020-10-23 |
Family
ID=66231679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811534188.2A Active CN109697418B (zh) | 2018-12-14 | 2018-12-14 | 用于场景复原的针对遥感影像路网提取图像的后处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109697418B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378293B (zh) * | 2019-07-22 | 2021-02-23 | 泰瑞数创科技(北京)有限公司 | 一种基于实景三维模型生产高精度地图的方法 |
CN114064835B (zh) * | 2021-11-18 | 2023-05-26 | 中国公路工程咨询集团有限公司 | 一种基于变化点检测的多源矢量路网更新方法和电子设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101090925B1 (ko) * | 2009-12-24 | 2011-12-08 | 금강수계관리위원회 | 지아이에스 기반의 선형지도 제작을 위한 하천 및 도로 중심선 작성시스템 및 그 방법 |
CN107590203A (zh) * | 2017-08-22 | 2018-01-16 | 武汉市测绘研究院 | 一种基于平均高程面三角网的地形图高程抽稀算法 |
CN108537169B (zh) * | 2018-04-09 | 2022-01-25 | 吉林大学 | 一种基于中心线和路宽检测算法的高分辨率遥感影像道路提取方法 |
-
2018
- 2018-12-14 CN CN201811534188.2A patent/CN109697418B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109697418A (zh) | 2019-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107154040B (zh) | 一种隧道衬砌表面图像裂缝检测方法 | |
Zai et al. | 3-D road boundary extraction from mobile laser scanning data via supervoxels and graph cuts | |
Hui et al. | Road centerline extraction from airborne LiDAR point cloud based on hierarchical fusion and optimization | |
Tran et al. | One stage detector (RetinaNet)-based crack detection for asphalt pavements considering pavement distresses and surface objects | |
CA2657957C (en) | Geospatial modeling system providing building roof type identification features and related methods | |
CN109785307B (zh) | 一种基于矢量引导的无人机影像道路损毁评估方法 | |
EP2218057A1 (en) | Geospatial modeling system and related method using multiple sources of geographic information | |
Yan et al. | Estimation of building height using a single street view image via deep neural networks | |
CN113689445B (zh) | 结合语义分割与边缘检测的高分辨率遥感建筑物提取方法 | |
CN111652241B (zh) | 融合影像特征与密集匹配点云特征的建筑物轮廓提取方法 | |
CN107944377B (zh) | 一种交通基础设施安全监控方法和系统 | |
CN112070756B (zh) | 一种基于无人机倾斜摄影的路面立体病害测量方法 | |
CN112964712A (zh) | 一种快速检测沥青路面状态的方法 | |
CN110210418A (zh) | 一种基于信息交互和迁移学习的sar图像飞机目标检测方法 | |
CN109697418B (zh) | 用于场景复原的针对遥感影像路网提取图像的后处理方法 | |
CN116756836B (zh) | 一种隧道超欠挖体积计算方法、电子设备及存储介质 | |
Zhang et al. | A patch-based method for the evaluation of dense image matching quality | |
CN117036326A (zh) | 一种基于多模态融合的缺陷检测方法 | |
Zhang et al. | A road extraction method based on high resolution remote sensing image | |
CN112487977B (zh) | 一种基于国产gf2遥感影像的机场跑道提取方法 | |
Kang et al. | Line feature extraction from RGB laser point cloud | |
Mahphood et al. | Virtual first and last pulse method for building detection from dense LiDAR point clouds | |
Yu et al. | A cue line based method for building modeling from LiDAR and satellite imagery | |
Ye et al. | Double Adaptive Intensity-Threshold Method for Uneven Lidar Data to Extract Road Markings | |
Cao et al. | Automatic detection of main road network in dense urban area using microwave SAR images |
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 |