CN110119740A - 一种从复杂城市道路网络提取简化拓扑关系的方法 - Google Patents

一种从复杂城市道路网络提取简化拓扑关系的方法 Download PDF

Info

Publication number
CN110119740A
CN110119740A CN201910168342.7A CN201910168342A CN110119740A CN 110119740 A CN110119740 A CN 110119740A CN 201910168342 A CN201910168342 A CN 201910168342A CN 110119740 A CN110119740 A CN 110119740A
Authority
CN
China
Prior art keywords
pixel
node
road network
point
temp
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
CN201910168342.7A
Other languages
English (en)
Other versions
CN110119740B (zh
Inventor
王炜
杨洋
李欣然
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN201910168342.7A priority Critical patent/CN110119740B/zh
Publication of CN110119740A publication Critical patent/CN110119740A/zh
Application granted granted Critical
Publication of CN110119740B publication Critical patent/CN110119740B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • 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
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Abstract

一种从复杂城市道路网络提取简化拓扑关系的方法，首先对提取的道路网络图像二值矩阵进行孔洞填充和骨架提取，实现道路网络特征简化和像素化拓扑表示，然后根据像素点的空间分布关系，为表示道路平面投影交点、拓扑点以及中间点的像素点赋予不同值，搜寻全部交点类像素点簇，最后，基于上述三类像素点间的8邻接关系依次识别不同簇的交点类像素点间的拓扑走向，合并属于同一交点簇的交点，并将平面像素坐标转化为实际平面坐标。本发明基于图像处理技术，将具有复杂拓扑结构的道路网络简化转化为对道路像素点的处理，为基于道路网络分割的交通小区自动划分提供网络基础。

Description

一种从复杂城市道路网络提取简化拓扑关系的方法
技术领域
本发明涉及复杂交通网络拓扑关系简化处理领域，涉及一种从复杂城市道路网络提取简化拓扑关系的方法。
背景技术
进行交通规划时需要全面了解交通源之间的交通流，但交通源众多，不可能对每个交通源进行单独研究，需要将其合并成若干小区，以小区作为基本分析单元。目前，适用于宏观交通规划的交通小区划分多依赖人工，缺少量化依据，划分过程主观性强。随着交通大数据的涌现，基于数据驱动的交通小区自动划分成为可能，并具有客观、可重复操作的优势。
交通小区自动划分的一个关键问题是如何确定小区边界。一般情况下，由生活性支路及以上等级道路构成的道路网络所分割的最小封闭单元满足同质性、紧凑性、连续性、均匀性等交通小区划分原则，并且边界已知，可以作为基于聚类的交通小区划分基本单元。
识别道路网络分割的最小封闭单元的前提是明确道路网络的拓扑关系。实际的道路网络拓扑关系存在冗余，如双向道路、主辅路、立交、匝道等复杂拓扑关系。为了满足交通小区划分需求，需要将立交处理成平交，即识别道路网络平面投影的拓扑关系，忽视道路的空间立体关系，并且尽可能简化复杂拓扑关系，包括双向道路、主辅路合并、复杂交叉口简化等。
发明内容
为了解决以上问题，本发明提供一种从复杂城市道路网络提取简化拓扑关系的方法，，为将立交处理成平交，并简化复杂拓扑关系，本发明将根据实际道路网络拓扑关系输出的图像视为道路网络平面投影，利用图像处理将像素值调整为易于简化拓扑关系识别的数值，基于像素点间的8邻接关系识别复杂道路网络的简化拓扑关系，为达此目的，本发明提一种从复杂城市道路网络提取简化拓扑关系的方法，包括如下步骤，其特征在于：
步骤(1)读取根据实际城市道路网络拓扑关系输出的图像，比例尺范围为1像素：10 米—1像素：25米，依次进行旋转、灰度化、二值化处理，并对图像的二值像素矩阵进行孔洞填充和骨架提取，得到细化的二值图像，并输出像素点的数字矩阵P4∈R2；
步骤(2)将P4扩展为(m+2)*(n+2)的数字矩阵P5∈R2，扩展规则如下：
步骤(3)遍历P5，识别P5中表示道路网络平面投影交点、路段转向拓扑点和中间点的三类像素点，并分别将其像素值修改为3、2、1，得到数字矩阵P6；
步骤(4)遍历P6，统计汇总标记为3的像素点周围8个像素点中标记为3的像素点位置，记为Paround3-3，识别道路网络中全部交点类像素点簇Pc＝{Pc1,Pc2,…,Pci,…,Pca}，其中a表示交点类像素点簇的数量，即道路网络平面投影的交点数量，pci为像素点簇Pci中第一个被识别的交点类像素点；
步骤(5)遍历P6，统计标记为3的像素点周围8个像素点中标记为1的像素点位置，并按照交点类像素点簇汇总，记为Paround3-1；统计汇总标记为2的像素点周围8个像素点中标记为1的像素点位置，记为Paround2-1；统计汇总标记为1的像素点周围8个像素点中标记非0的像素点位置，并剔除与该像素点具有重复临近交点类像素点簇的标记为1的像素点，保证属于同一簇标记为3的像素点其临近的标记为1的像素点互相不在对方索引范围内，记为Paround1；
步骤(6)基于上述三类像素点间的8邻接关系依次识别不同簇的交点类像素点间的拓扑走向；
步骤(7)将节点和拓扑点从平面像素坐标系转化到实际平面坐标系。
作为本发明进一步改进，所述步骤(1)中，道路网络图像处理包含以下步骤：
步骤(1.1)将图像顺时针旋转90°，经灰度化处理得到仅含有亮度信息的灰度图；二值化处理：设定全局二值化阈值R，灰度图中像素值大于或等于阈值R的像素点像素值设为0，低于阈值R的像素点像素值设为1，即得到仅含0、1的二维数字矩阵P1∈R2，取值为0表示图像背景(黑色)，否则表示道路(白色)，m*n为原始图像的分辨率；
步骤(1.2)对道路像素点进行膨胀处理，填充主辅路、双向路段以及大型交叉口等复杂拓扑结构形成的孔洞，即实际属于道路区域但标记为0的像素区域，得到数字矩阵P2∈R2；
步骤(1.3)对非道路像素点进行膨胀处理，纠正道路像素点膨胀过程中对实际非道路区域的覆盖，得到数字矩阵P3∈R2
步骤(1.4)提取P3中的道路骨架，得到经过细化的数字矩阵P4∈R2，此时道路的连通区域细化成一个像素的宽度。
作为本发明进一步改进，所述步骤(3)中，识别P5中表示道路网络平面投影交点、路段转向拓扑点和中间点的三类像素点包含以下步骤：
步骤(3.1)令r＝2，c＝2，P6＝P5；
步骤(3.2)若r＝m+2，全部像素点识别完毕，输出数字矩阵P6，结束步骤(3)；否则，执行步骤(3.3)；
步骤(3.3)若P5[r，c]≠0，统计像素点(r，c)周围8个像素点中像素值非0的像素点个数及其位置，记为Ar，c＝{(r1，c1)，(r2，c2)，…，(rl，cl)}，其中l为非零像素点的数量；否则，执行步骤(3.5)；
步骤(3.4)若l＝1或l>2，P6[r,c]＝3，即该像素点为路段交点类像素点，若存在(rj,cj)∈Ar,c，P6[rj,cj]＝2，令P6[rj,cj]＝1；若l＝2，r1-r≠r-r2或c1-c≠c-c2，P5[r1,c1]＝1 且P5[r2,c2]＝1，P6[r,c]＝2，即该像素点为表示路段走向的拓扑点；其余情况下像素值仍为1，即像素点为路段中间点类像素点，该点处道路走向未发生变化；
步骤(3.5)更新c：c＝c+1，若c＝n+2，r＝r+1，c＝2；返回步骤(3.2)。
作为本发明进一步改进，所述步骤(4)中，识别道路网络中全部交点类像素点簇包含以下步骤：
步骤(4.1)令r＝2，c＝2；
步骤(4.2)若r＝m+2，全部像素点统计汇总完毕，执行步骤(4.5)；否则，执行步骤(4.3)；
步骤(4.3)若P6[r,c]＝3，统计像素点(r，c)周围8个像素点中标记为3的像素点位置，记为否则，执行步骤(4.4)；
步骤(4.4)更新c：c＝c+1，若c＝n+2，r＝r+1，c＝2；返回步骤(4.2)；
步骤(4.5)令i＝1，Pc＝{}；
步骤(4.6)若Paround3-3非空，从Paround3-3中任意选择一标记为3的像素点(r,c)的汇总结果令Pci＝{(r，c)}，pci＝(r,c)，num为temp1中像素点数量，temp2＝{}，执行步骤(4.7)；否则，输出Pc，结束步骤(4)；
步骤(4.7)若num＝0，执行步骤(4.10)；否则，令j＝1，执行步骤(4.8)；
步骤(4.8)若将(rj,cj)追加写入Pci，遍历将不属于Pci的像素点加入temp2，并将从Paround3-3中删除；
步骤(4.9)j＝j+1，若j>num，执行步骤(4.10)；否则，执行步骤(4.8)；
步骤(4.10)若temp2为空，将从Paround3-3中删除，将Pci加入Pc，i＝i+1，执行步骤(4.6)；否则，temp1＝temp2，temp2＝{}，num为temp1中像素点个数，执行步骤(4.7)。
作为本发明进一步改进，所述步骤(5)中，统计汇总三类像素点周围特定像素点位置包含以下步骤：
步骤(5.1)令r＝2，c＝2；
步骤(5.2)若r＝m+2，输出Paround3-1、Paround2-1，执行步骤(5.7)；否则，执行步骤(5.3)；
步骤(5.3)若P6[r,c]＝3，执行步骤(5.4)；若P6[r,c]＝2，执行步骤(5.5)；
步骤(5.4)判断(r，c)所属的节点簇，即(r,c)∈Pci，统计像素点(r，c)周围8个像素点中标记为1的像素点位置temp＝{(r1，c1)，(r2，c2)，…，(rl，cl)}，将temp中不属于的像素点追加写入并为每一个(rj，cj)∈temp：若存在且将pci追加写入若不存在，其中表示与像素点(rj,cj)相邻的节点集合；
步骤(5.5)统计像素点(r，c)周围8个像素点中标记为1的像素点位置(有且仅有两个)，记为
步骤(5.6)更新c：c＝c+1，若c＝n+2，r＝r+1，c＝2；返回步骤(5.2)；
步骤(5.7)；令r＝2，c＝2；
步骤(5.8)若r＝m+2，输出Paround1，结束步骤(5)；否则：若P6[r,c]＝1，执行步骤(5.9)，否则，执行步骤(5.11)；
步骤(5.9)若存在，否则统计像素点(r，c)周围8 个像素点中标记为2(若存在，至多1个)的像素点位置(r1，c1)，将其追加写入
步骤(5.10)统计(r，c)周围8个像素点中标记为1的像素点位置 temp＝{(r1，c1)，(r2，c2)，…，(rl，cl)}，并为每一个(rj，cj)∈temp：若不存在或不存在，(rj，cj)追加写入否则：若(rj，cj)追加写入
步骤(5.11)更新c：c＝c+1，若c＝n+2，r＝r+1，c＝2；返回步骤(5.8)。
作为本发明进一步改进，所述步骤(6)中，识别交点类像素点间的拓扑走向包含以下步骤：
步骤(6.1)令node_id＝1，node＝{}，link＝{}，link_temp＝{}；
步骤(6.2)若Paround3-1非空，从中任选一像素点(r,c)汇总结果执行步骤(6.3)；否则，所有路段均已识别，输出node，link，link_temp，结束步骤(6)；
步骤(6.3)若(r,c)∈node，将(r,c)的索引编号追加写入link_temp；否则，将(r,c)追加写入node，并将node_id追加写入link_temp，建立索引(r,c)：node_id， node_id＝node_id+1；
步骤(6.4)从中选择第一个节点记为(r1,c1)，将(r1,c1)从中删除，同时将(r,c)从中删除，避免重复索引；若将从Paround3-1中删除；
步骤(6.5)若P6[r1，c1]＝1，执行步骤(6.6)；若P6[r1，c1]＝2，执行步骤(6.12)；
步骤(6.6)遍历若存在编号为3的像素点(rj,cj)，执行步骤(6.7)；否则，执行步骤(6.9)；
步骤(6.7)将(rj,cj)从中删除，同时将(r1，c1)从中删除，避免重复索引；若将从Paround3-1中删除；
步骤(6.8)若(rj,cj)∈node，将(rj,cj)的索引编号追加写入link_temp，否则，将(rj,cj) 追加写入node，并将node_id追加写入link_temp，建立索引(rj,cj)：node_id，node_id＝node_id+1；将link_temp追加写入link，link_temp＝{}，执行步骤(6.2)；
步骤(6.9)遍历若存在标记为1的像素点(rj,cj)，将(rj,cj)从中删除，同时将(r1,c1)从中删除，避免重复索引，令(r1，c1)＝(rj,cj)，执行步骤(6.6)；否则，执行步骤(6.10)；
步骤(6.10)将唯一剩余的标记为2的像素点(rj,cj)从中删除，同时将(r1，c1)从中删除，避免重复索引；
步骤(6.11)若(rj,cj)∈node，将(rj,cj)的索引编号追加写入link_temp，否则，将(rj,cj) 追加写入node，并将node_id追加写入link_temp，建立索引(rj,cj)：node_id，node_id＝node_id+1；令(r1，c1)＝(rj,cj)，执行步骤(6.12)。
步骤(6.12)将唯一剩余的标记为1的像素点(rj,cj)从中删除，同时将(r1，c1)从中删除，避免重复索引，令(r1,c1)＝(rj,cj)，执行步骤(6.6)。
作为本发明进一步改进，所述步骤(7)中平面像素坐标系转化为实际平面坐标系包含以下步骤：
步骤(7.1)平面像素坐标系和实际平面坐标系之间的转化只涉及平移和缩放，转化关系表示如下：
其中，x、y分别表示像素点在实际平面坐标系中的横、纵坐标；r、c分别表示像素点行号、列号；a0、b0表示实际平面坐标系相对平面像素坐标系在x、y轴上的平移量；a1、b1表示实际平面坐标系相对平面像素坐标系在x、y轴方向的缩放比例；
步骤(7.2)从node中任意挑选l个不共线的节点(r1,c1)、(r2,c2)、…、(rl,cl)，并从实际道路网络中找到对应节点的实际坐标(x1,y1)、(x2,y2)、…、(xl,yl)，运用最小二乘法拟合参数a0、b0、 a1、b1；
步骤(7.3)将a0、b0和a1、b1代入式(2)，得到从平面像素坐标系到实际平面坐标系的转化公式；遍历node，将(rj,cj)代入式(2)得到实际平面坐标(xj,yj)。
本发明一种从复杂城市道路网络提取简化拓扑关系的方法，首先对提取的道路网络图像二值矩阵进行孔洞填充和骨架提取，实现道路网络特征简化和像素化拓扑表示，然后根据像素点的空间分布关系，为表示道路平面投影交点、拓扑点以及中间点的像素点赋予不同值，搜寻全部交点类像素点簇，最后，基于上述三类像素点间的8邻接关系依次识别不同簇的交点类像素点间的拓扑走向，合并属于同一交点簇的交点，并将平面像素坐标转化为实际平面坐标。
有益效果：借助图像处理技术处理复杂道路网络中主辅路、双向路段、立交、匝道等拓扑结构形成的属于道路用地的封闭区域，实现对上述拓扑关系的合并，在保证识别精度的同时起到简化道路网络的作用，为基于道路网络分割的用地边界识别提供适用的拓扑关系。
附图说明
图1为本发明从复杂城市道路网络提取简化拓扑关系的方法的流程图；
图2为本发明待识别简化拓扑关系的道路网络示意图；
图3为本发明道路网络简化拓扑关系识别结果示意图；
图4为本发明简化拓扑关系识别结果与实际道路网络匹配效果示意图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提供一种从复杂城市道路网络提取简化拓扑关系的方法，为将立交处理成平交，并简化复杂拓扑关系，本发明将根据实际道路网络拓扑关系输出的图像视为道路网络平面投影，利用图像处理将像素值调整为易于简化拓扑关系识别的数值，基于像素点间的8邻接关系识别复杂道路网络的简化拓扑关系。
图1是实现一种从复杂城市道路网络提取简化拓扑关系的方法的基本流程，下面将结合实例对本发明作进一步阐述：
步骤(1)读取根据实际城市道路网络拓扑关系输出的图像，比例尺范围为1像素：10 米—1像素：25米，依次进行旋转、灰度化、二值化处理，并对图像的二值像素矩阵进行孔洞填充和骨架提取，得到细化的二值图像，并输出像素点的数字矩阵P4；
本实施实例中，选取图2所示的道路网络作为拓扑关系简化的研究对象，可以使用python 的PIL、skimage、cv2等库进行旋转(顺时针旋转90°)、灰度化、二值化(全局二值化阈值R取150)、孔洞填充以及骨架提取。步骤(2)至步骤(6)的说明以图2中框选的复杂交叉口为例，经过上述图像处理，所框选图像的数字矩阵P4(18*18)如表1中2-19行、2-19 列的区域，实现拓扑关系的简化。
步骤(2)将P4扩展为(m+2)*(n+2)的数字矩阵P5∈R2，扩展规则如下：
本实施实例中，P4扩展为(18+2)*(18+2)的数字矩阵P5，结果如表1：
表1矩阵P5
步骤(3)遍历P5，识别P5中表示道路网络平面投影交点、路段转向拓扑点和中间点的三类像素点，并分别将其像素值修改为3、2、1，得到数字矩阵P6；
本实施实例中，以像素点(2,8)、(3,9)、(4,9)、(10,12)为例，像素点周围8个像素点像素值取值情况如表2所示：
(a)像素点(2,8)周围8个像素点中非零像素点位置统计结果为：A2,8＝{(3,9)}，共1个像素点，根据步骤(3.4)，该点像素值改为3，即P6[2,8]＝3；
(b)像素点(3,9)周围8个像素点中非零像素点位置统计结果为：A3,9＝{(2,8),(4,9)}，共2个像素点，由于P6[2,8]＝3根据步骤(3.4)，该点像素值仍为1；
(c)像素点(4,9)周围8个像素点中非零像素点位置统计结果为：A4,9＝{(3,9),(5,10)}，共2个像素点，由于9-9≠9-10，P6[3,9]＝1且P6[5,10]＝1，根据步骤(3.4)，该点像素值改为2，即；P6[4,9]＝2。
(d)像素点(10,12)周围8个像素点中非零像素点位置统计结果为： A5,10＝{(9,11),(10,13),(11,12)}，共3个像素点，根据步骤(3.4)，该点像素值改为3，即； P6[10,12]＝3，对于像素点(9,11)，P6[9,11]＝1。
表2示例像素点周围8个像素点像素值取值
三类像素点的识别结果如下表所示：
表3矩阵P6
步骤(4)遍历P6，统计汇总标记为3的像素点周围8个像素点中标记为3的像素点位置，记为Paround3-3，识别道路网络中全部交点类像素点簇Pc＝{Pc1,Pc2,…,Pci,…,Pca}，其中a表示交点类像素点簇的数量，即道路网络平面投影的交点数量，pci为像素点簇Pci中第一个被识别的交点类像素点；
本实施实例中，首先根据步骤(4.1)至步骤(4.4)，统计汇总Paround3-3：
然后，根据步骤(4.5)至步骤(4.10)，识别全部的交点类像素点簇：
(a)从Paround3-3中选择Pc1＝{(10,12)}，pc1＝(10,12)，temp1＝{(10,13),(11,12)}，temp2＝{}；
(b)temp1像素点均不属于Pc1，Pc1＝{(10,12),(10,13),(11,12)}；将中不属于Pc1的像素点追加写入temp2，得temp2＝{(12,11),(12,12)}，并将从 Paround3-3中删除；令temp1＝temp2＝{(12,11),(12,12)}，temp2＝{}；
(c)temp1像素点均不属于Pc1，Pc1＝{(10,12),(10,13),(11,12),(12,11),(12,12)}；将 中不属于的像素点追加写入temp2，得temp2＝{(13，12)}，并将从 Paround3-3中删除；令temp1＝temp2＝{(13,12)}，temp2＝{}；
(d)temp1像素点不属于Pc1，Pc1＝{(10,12),(10,13),(11,12),(12,11),(12,12),(13,12)}；将中不属于Pc1的像素点追加写入temp2，得temp2＝{}，并将从Paround3-3中删除；由于将从Paround3-3中删除，PC＝{pc1}；
(e)从Paround3-3中选择Pc2＝{(2,8)}，pc2＝(2,8)，temp2＝{}，由于将从Paround3-3中删除，PC＝{pc1,pc2}；
(f)以此类推，剩余交点类像素点簇为：Pc3＝{(7,19)}、Pc4＝{(15,2)}、Pc5＝{(19,14)}， pc3＝(7,19)、pc4＝(15,2)、pc5＝(19,14)；
步骤(5)遍历P6，统计标记为3的像素点周围8个像素点中标记为1的像素点位置，并按照交点类像素点簇汇总，记为Paround3-1；统计汇总标记为2的像素点周围8个像素点中标记为1的像素点位置，记为Paround2-1；统计汇总标记为1的像素点周围8个像素点中标记非0的像素点位置，并剔除与该像素点具有重复临近交点类像素点簇的标记为1的像素点，保证属于同一簇标记为3的像素点其临近的标记为1的像素点互相不在对方索引范围内，记为Paround1；
本实施实例中，以像素点(7,10)、(9,11)以及点簇Pc1为例，统计过程如下：
(a)像素点(7,10)周围8个像素点中，标记为1的像素点位置为
(b)像素点(10,12)∈Pc1，周围8个像素点中，标记为1的像素点位置为temp＝{(9,11)}，此时对于像素点(9,11)，像素点(10,13)∈Pc1，周围8 个像素点中，标记为1的像素点位置为temp＝{(10,14)}，此时对于像素点(10,14)，以此类推，统计结果为
(c)像素点(9,11)周围8个像素点中，标记为1的像素点位置temp＝{(8,11),(10,12)}；由于不存在，即像素点(8,11)周围8个像素点中无标记为3的像素点，因此
点簇Pc1至点簇Pc2之间的像素点统计结果如下：
步骤(6)基于上述三类像素点间的8邻接关系依次识别不同交点簇的交点类像素点间的拓扑走向；
本实施实例中，以点簇Pc1至点簇Pc2之间的路段识别为例，识别过程如下：
(a)令node_id＝1，node＝{}，link＝{}，link_temp＝{}；
(b)从Paround3-1中选择(2,8)，根据步骤(6.3)，由于将node_id加入link_temp，link_temp＝{1}，建立索引(2,8):1，node_id＝2；从选择(3,9)，将(3,9)从中删除，此时将从Paround3-1删除；同时将(2,8)从删除，
(c)P6[3,9]＝1，从中选择(4,9)，将(4,9)从中删除，同时将(3,9) 从删除，P6[4,9]＝2，根据步骤(6.11)，由于将node_id 加入link_temp，link_temp＝{1,2}，建立索引(4,9):2，node_id＝3；
(d)P6[4,9]＝2，从中选择(5,10)，将(5,10)从中删除，同时将(4,9)从删除，P6[5,10]＝1，从中选择(6,10)，将(6,10)从中删除，同时将(5,10)从删除，
(e)P6[6,10]＝1，从中选择(7,10)，将(7,10)从中删除，同时将(6,10)从删除，P6[7,10]＝2，根据步骤(6.11)，由于将node_id加入link_temp，link_temp＝{1,2,3}，建立索引(7,10):3，node_id＝4；
(f)P6[7,10]＝2，从中选择(8,11)，将(8,11)从中删除，同时将(7,10)从删除，P6[8,11]＝1，从中选择(9,11)，将(6,10)从中删除，同时将(8,11)从删除，
(g)P6[9,11]＝1，从中选择(10,12)，将(10,12)从中删除，同时将(9,11)从删除，由于P6[10,12]＝3，根据步骤 (6.8)，将node_id加入link_temp，link_temp＝{1,2,3,4}，建立索引(10,12):4， node_id＝5；此时link＝{{1,2,3,4}}，令link_temp＝{}；
根据步骤(6)，完整道路网络简化拓扑关系的提取结果如图3所示。
步骤(7)将节点和拓扑点从平面像素坐标系转化到实际平面坐标系。
本实施实例中，从node中任意挑选5个不共线的节点，(73,335)、(136,629)、(144,427)、 (191,397)、(208,351)，并从实际道路网络中找到对应节点的实际坐标(484889.992,1276859.489)、(485787.095,1281173.095)、(485916.348,1278226.444)、(486635.388,1277816.149)、(486851.101,1277070.285)，运用最小二乘法拟合参数得：
遍历node，全部节点和拓扑点坐标转化到实际平面坐标系后，简化拓扑关系识别结果与实际道路网络匹配效果如图4所示，简化网络主骨架基本与实际网络重合。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (7)

1.一种从复杂城市道路网络提取简化拓扑关系的方法，包括如下步骤，其特征在于：
步骤(1)读取根据实际城市道路网络拓扑关系输出的图像，比例尺范围为1像素：10米—1像素：25米，依次进行旋转、灰度化、二值化处理，并对图像的二值像素矩阵进行孔洞填充和骨架提取，得到细化的二值图像，并输出像素点的数字矩阵P4∈R2；
步骤(2)将P4扩展为(m+2)*(n+2)的数字矩阵P5∈R2，扩展规则如下：
步骤(3)遍历P5，识别P5中表示道路网络平面投影交点、路段转向拓扑点和中间点的三类像素点，并分别将其像素值修改为3、2、1，得到数字矩阵P6；
步骤(4)遍历P6，统计汇总标记为3的像素点周围8个像素点中标记为3的像素点位置，记为Paround3-3，识别道路网络中全部交点类像素点簇Pc＝{Pc1,Pc2,…,Pci,…,Pca}，其中a表示交点类像素点簇的数量，即道路网络平面投影的交点数量，pci为像素点簇Pci中第一个被识别的交点类像素点；
步骤(5)遍历P6，统计标记为3的像素点周围8个像素点中标记为1的像素点位置，并按照交点类像素点簇汇总，记为Paround3-1；统计汇总标记为2的像素点周围8个像素点中标记为1的像素点位置，记为Paround2-1；统计汇总标记为1的像素点周围8个像素点中标记非0的像素点位置，并剔除与该像素点具有重复临近交点类像素点簇的标记为1的像素点，保证属于同一簇标记为3的像素点其临近的标记为1的像素点互相不在对方索引范围内，记为Paround1；
步骤(6)基于上述三类像素点间的8邻接关系依次识别不同簇的交点类像素点间的拓扑走向；
步骤(7)将节点和拓扑点从平面像素坐标系转化到实际平面坐标系。
2.根据权利要求1所述的一种从复杂城市道路网络提取简化拓扑关系的方法，其特征在于：所述步骤(1)中，道路网络图像处理包含以下步骤：
步骤(1.1)将图像顺时针旋转90°，经灰度化处理得到仅含有亮度信息的灰度图；二值化处理：设定全局二值化阈值R，灰度图中像素值大于或等于阈值R的像素点像素值设为0，低于阈值R的像素点像素值设为1，即得到仅含0、1的二维数字矩阵P1∈R2，取值为0表示图像背景(黑色)，否则表示道路(白色)，m*n为原始图像的分辨率；
步骤(1.2)对道路像素点进行膨胀处理，填充主辅路、双向路段以及大型交叉口等复杂拓扑结构形成的孔洞，即实际属于道路区域但标记为0的像素区域，得到数字矩阵P2∈R2；
步骤(1.3)对非道路像素点进行膨胀处理，纠正道路像素点膨胀过程中对实际非道路区域的覆盖，得到数字矩阵P3∈R2
步骤(1.4)提取P3中的道路骨架，得到经过细化的数字矩阵P4∈R2，此时道路的连通区域细化成一个像素的宽度。
3.根据权利要求1所述的一种从复杂城市道路网络提取简化拓扑关系的方法，其特征在于：所述步骤(3)中，识别P5中表示道路网络平面投影交点、路段转向拓扑点和中间点的三类像素点包含以下步骤：
步骤(3.1)令r＝2，c＝2，P6＝P5；
步骤(3.2)若r＝m+2，全部像素点识别完毕，输出数字矩阵P6，结束步骤(3)；否则，执行步骤(3.3)；
步骤(3.3)若P5[r，c]≠0，统计像素点(r，c)周围8个像素点中像素值非0的像素点个数及其位置，记为Ar，c＝{(r1，c1)，(r2，c2)，…，(rl，cl)}，其中l为非零像素点的数量；否则，执行步骤(3.5)；
步骤(3.4)若l＝1或l>2，P6[r,c]＝3，即该像素点为路段交点类像素点，若存在(rj,cj)∈Ar,c，P6[rj,cj]＝2，令P6[rj,cj]＝1；若l＝2，r1-r≠r-r2或c1-c≠c-c2，P5[r1,c1]＝1且P5[r2,c2]＝1，P6[r,c]＝2，即该像素点为表示路段走向的拓扑点；其余情况下像素值仍为1，即像素点为路段中间点类像素点，该点处道路走向未发生变化；
步骤(3.5)更新c：c＝c+1，若c＝n+2，r＝r+1，c＝2；返回步骤(3.2)。
4.根据权利要求1所述的一种从复杂城市道路网络提取简化拓扑关系的方法，其特征在于：所述步骤(4)中，识别道路网络中全部交点类像素点簇包含以下步骤：
步骤(4.1)令r＝2，c＝2；
步骤(4.2)若r＝m+2，全部像素点统计汇总完毕，执行步骤(4.5)；否则，执行步骤(4.3)；
步骤(4.3)若P6[r,c]＝3，统计像素点(r，c)周围8个像素点中标记为3的像素点位置，记为否则，执行步骤(4.4)；
步骤(4.4)更新c：c＝c+1，若c＝n+2，r＝r+1，c＝2；返回步骤(4.2)；
步骤(4.5)令i＝1，Pc＝{}；
步骤(4.6)若Paround3-3非空，从Paround3-3中任意选择一标记为3的像素点(r,c)的汇总结果令Pci＝{(r，c)}，pci＝(r,c)，num为temp1中像素点数量，temp2＝{}，执行步骤(4.7)；否则，输出Pc，结束步骤(4)；
步骤(4.7)若num＝0，执行步骤(4.10)；否则，令j＝1，执行步骤(4.8)；
步骤(4.8)若将(rj,cj)追加写入Pci，遍历将不属于Pci的像素点加入temp2，并将从Paround3-3中删除；
步骤(4.9)j＝j+1，若j>num，执行步骤(4.10)；否则，执行步骤(4.8)；
步骤(4.10)若temp2为空，将从Paround3-3中删除，将Pci加入Pc，i＝i+1，执行步骤(4.6)；否则，temp1＝temp2，temp2＝{}，num为temp1中像素点个数，执行步骤(4.7)。
5.根据权利要求1所述的一种从复杂城市道路网络提取简化拓扑关系的方法，其特征在于：所述步骤(5)中，统计汇总三类像素点周围特定像素点位置包含以下步骤：
步骤(5.1)令r＝2，c＝2；
步骤(5.2)若r＝m+2，输出Paround3-1、Paround2-1，执行步骤(5.7)；否则，执行步骤(5.3)；
步骤(5.3)若P6[r,c]＝3，执行步骤(5.4)；若P6[r,c]＝2，执行步骤(5.5)；
步骤(5.4)判断(r，c)所属的节点簇，即(r,c)∈Pci，统计像素点(r，c)周围8个像素点中标记为1的像素点位置temp＝{(r1，c1)，(r2，c2)，…，(rl，cl)}，将temp中不属于的像素点追加写入并为每一个(rj，cj)∈temp：若存在且将pci追加写入若不存在，其中表示与像素点(rj,cj)相邻的节点集合；
步骤(5.5)统计像素点(r，c)周围8个像素点中标记为1的像素点位置(有且仅有两个)，记为
步骤(5.6)更新c：c＝c+1，若c＝n+2，r＝r+1，c＝2；返回步骤(5.2)；
步骤(5.7)；令r＝2，c＝2；
步骤(5.8)若r＝m+2，输出Paround1，结束步骤(5)；否则：若P6[r,c]＝1，执行步骤(5.9)，否则，执行步骤(5.11)；
步骤(5.9)若存在，否则统计像素点(r，c)周围8个像素点中标记为2(若存在，至多1个)的像素点位置(r1，c1)，将其追加写入
步骤(5.10)统计(r，c)周围8个像素点中标记为1的像素点位置temp＝{(r1，c1)，(r2，c2)，…，(rl，cl)}，并为每一个(rj，cj)∈temp：若不存在或不存在，(rj，cj)追加写入否则：若(rj，cj)追加写入
步骤(5.11)更新c：c＝c+1，若c＝n+2，r＝r+1，c＝2；返回步骤(5.8)。
6.根据权利要求1所述的一种从复杂城市道路网络提取简化拓扑关系的方法，其特征在于：所述步骤(6)中，识别交点类像素点间的拓扑走向包含以下步骤：
步骤(6.1)令node_id＝1，node＝{}，link＝{}，link_temp＝{}；
步骤(6.2)若Paround3-1非空，从中任选一像素点(r,c)汇总结果执行步骤(6.3)；否则，所有路段均已识别，输出node，link，link_temp，结束步骤(6)；
步骤(6.3)若(r,c)∈node，将(r,c)的索引编号追加写入link_temp；否则，将(r,c)追加写入node，并将node_id追加写入link_temp，建立索引(r,c)：node_id，node_id＝node_id+1；
步骤(6.4)从中选择第一个节点记为(r1,c1)，将(r1,c1)从中删除，同时将(r,c)从中删除，避免重复索引；若将从Paround3-1中删除；
步骤(6.5)若P6[r1，c1]＝1，执行步骤(6.6)；若P6[r1，c1]＝2，执行步骤(6.12)；
步骤(6.6)遍历若存在编号为3的像素点(rj,cj)，执行步骤(6.7)；否则，执行步骤(6.9)；
步骤(6.7)将(rj,cj)从中删除，同时将(r1，c1)从中删除，避免重复索引；若将从Paround3-1中删除；
步骤(6.8)若(rj,cj)∈node，将(rj,cj)的索引编号追加写入link_temp，否则，将(rj,cj)追加写入node，并将node_id追加写入link_temp，建立索引(rj,cj)：node_id，node_id＝node_id+1；将link_temp追加写入link，link_temp＝{}，执行步骤(6.2)；
步骤(6.9)遍历若存在标记为1的像素点(rj,cj)，将(rj,cj)从中删除，同时将(r1,c1)从中删除，避免重复索引，令(r1，c1)＝(rj,cj)，执行步骤(6.6)；否则，执行步骤(6.10)；
步骤(6.10)将唯一剩余的标记为2的像素点(rj,cj)从中删除，同时将(r1，c1)从中删除，避免重复索引；
步骤(6.11)若(rj,cj)∈node，将(rj,cj)的索引编号追加写入link_temp，否则，将(rj,cj)追加写入node，并将node_id追加写入link_temp，建立索引(rj,cj)：node_id，node_id＝node_id+1；令(r1，c1)＝(rj,cj)，执行步骤(6.12)。
步骤(6.12)将唯一剩余的标记为1的像素点(rj,cj)从中删除，同时将(r1，c1)从中删除，避免重复索引，令(r1,c1)＝(rj,cj)，执行步骤(6.6)。
7.根据权利要求1所述的一种从复杂城市道路网络提取简化拓扑关系的方法，其特征在于：所述步骤(7)中平面像素坐标系转化为实际平面坐标系包含以下步骤：
步骤(7.1)平面像素坐标系和实际平面坐标系之间的转化只涉及平移和缩放，转化关系表示如下：
其中，x、y分别表示像素点在实际平面坐标系中的横、纵坐标；r、c分别表示像素点行号、列号；a0、b0表示实际平面坐标系相对平面像素坐标系在x、y轴上的平移量；a1、b1表示实际平面坐标系相对平面像素坐标系在x、y轴方向的缩放比例；
步骤(7.2)从node中任意挑选l个不共线的节点(r1,c1)、(r2,c2)、…、(rl,cl)，并从实际道路网络中找到对应节点的实际坐标(x1,y1)、(x2,y2)、…、(xl,yl)，运用最小二乘法拟合参数a0、b0、a1、b1；
步骤(7.3)将a0、b0和a1、b1代入式(2)，得到从平面像素坐标系到实际平面坐标系的转化公式；遍历node，将(rj,cj)代入式(2)得到实际平面坐标(xj,yj)。
CN201910168342.7A 2019-03-06 2019-03-06 一种从复杂城市道路网络提取简化拓扑关系的方法 Active CN110119740B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910168342.7A CN110119740B (zh) 2019-03-06 2019-03-06 一种从复杂城市道路网络提取简化拓扑关系的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910168342.7A CN110119740B (zh) 2019-03-06 2019-03-06 一种从复杂城市道路网络提取简化拓扑关系的方法

Publications (2)

Publication Number Publication Date
CN110119740A true CN110119740A (zh) 2019-08-13
CN110119740B CN110119740B (zh) 2023-04-14

Family

ID=67520538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910168342.7A Active CN110119740B (zh) 2019-03-06 2019-03-06 一种从复杂城市道路网络提取简化拓扑关系的方法

Country Status (1)

Country Link
CN (1) CN110119740B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111832103A (zh) * 2020-06-23 2020-10-27 东南大学 一种基于道路网络封闭地块合并交通子区的快速实现方法
CN113724279A (zh) * 2021-11-01 2021-11-30 深圳市城市交通规划设计研究中心股份有限公司 路网自动划分交通小区的系统、方法、设备及存储介质
CN114937364A (zh) * 2022-06-17 2022-08-23 北京交通大学 一种基于拓扑变换的城市轨道交通分层网络的构建方法
CN114969880A (zh) * 2021-02-26 2022-08-30 阿里巴巴集团控股有限公司 一种道路模型构建方法和装置
CN115424446A (zh) * 2022-11-03 2022-12-02 深圳市城市交通规划设计研究中心股份有限公司 用于交通组织评估的道路网络拓扑简化方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102110128A (zh) * 2009-12-28 2011-06-29 日电（中国）有限公司 基于交通信息元素知识库的交通信息转化方法和装置
CN104679949A (zh) * 2015-02-06 2015-06-03 中山大学 基于XML路网数据的Paramics路网构建方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102110128A (zh) * 2009-12-28 2011-06-29 日电（中国）有限公司 基于交通信息元素知识库的交通信息转化方法和装置
CN104679949A (zh) * 2015-02-06 2015-06-03 中山大学 基于XML路网数据的Paramics路网构建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨伟: "轨迹分割与图层融合的车辆轨迹线构建道路地图方法", 《测绘学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111832103A (zh) * 2020-06-23 2020-10-27 东南大学 一种基于道路网络封闭地块合并交通子区的快速实现方法
CN114969880A (zh) * 2021-02-26 2022-08-30 阿里巴巴集团控股有限公司 一种道路模型构建方法和装置
CN113724279A (zh) * 2021-11-01 2021-11-30 深圳市城市交通规划设计研究中心股份有限公司 路网自动划分交通小区的系统、方法、设备及存储介质
CN113724279B (zh) * 2021-11-01 2022-03-18 深圳市城市交通规划设计研究中心股份有限公司 路网自动划分交通小区的系统、方法、设备及存储介质
CN114937364A (zh) * 2022-06-17 2022-08-23 北京交通大学 一种基于拓扑变换的城市轨道交通分层网络的构建方法
CN114937364B (zh) * 2022-06-17 2023-09-15 北京交通大学 一种基于拓扑变换的城市轨道交通分层网络的构建方法
CN115424446A (zh) * 2022-11-03 2022-12-02 深圳市城市交通规划设计研究中心股份有限公司 用于交通组织评估的道路网络拓扑简化方法
CN115424446B (zh) * 2022-11-03 2023-02-14 深圳市城市交通规划设计研究中心股份有限公司 用于交通组织评估的道路网络拓扑简化方法

Also Published As

Publication number Publication date
CN110119740B (zh) 2023-04-14

Similar Documents

Publication Publication Date Title
CN110119740A (zh) 一种从复杂城市道路网络提取简化拓扑关系的方法
Shi et al. Road detection from remote sensing images by generative adversarial networks
CN110619282B (zh) 一种无人机正射影像建筑物自动提取方法
CN107392925B (zh) 基于超像素编码和卷积神经网络的遥感影像地物分类方法
CN105931295B (zh) 一种地质图专题信息提取方法
CN109800736A (zh) 一种基于遥感影像和深度学习的道路提取方法
CN107909015A (zh) 基于卷积神经网络及空谱信息融合的高光谱图像分类方法
CN108537824B (zh) 基于交替反卷积与卷积的特征图增强的网络结构优化方法
CN106650690A (zh) 基于深度卷积‑反卷积神经网络的夜视图像场景识别方法
CN100595782C (zh) 一种融合光谱信息和多点模拟空间信息的分类方法
CN111401353B (zh) 一种数学公式的识别方法、装置及设备
CN108734719A (zh) 一种基于全卷积神经网络的鳞翅目昆虫图像前背景自动分割方法
CN112347970B (zh) 一种基于图卷积神经网络的遥感影像地物识别方法
CN113449594B (zh) 一种多层网络组合的遥感影像地类语义分割与面积计算方法
CN107358176A (zh) 基于高分遥感影像区域信息和卷积神经网络的分类方法
CN109993803A (zh) 城市色调的智能分析与评价方法
CN105138975B (zh) 一种基于深度信念网络的人体肤色区域分割方法
Li et al. Breaking the resolution barrier: A low-to-high network for large-scale high-resolution land-cover mapping using low-resolution labels
CN104239890A (zh) 高分1号卫星的沿岸陆地土地覆被信息自动提取的方法
CN107392254A (zh) 一种通过联合嵌入从像素中构造图像的语义分割方法
Feng et al. Embranchment cnn based local climate zone classification using sar and multispectral remote sensing data
CN105957124A (zh) 具有重复场景元素的自然图像颜色编辑方法及装置
Cao et al. Urban land use classification based on aerial and ground images
Gao et al. Road extraction using a dual attention dilated-linknet based on satellite images and floating vehicle trajectory data
CN113033386B (zh) 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统

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