CN110136159A - 面向高分辨率遥感影像的线段提取方法 - Google Patents

面向高分辨率遥感影像的线段提取方法 Download PDF

Info

Publication number
CN110136159A
CN110136159A CN201910355932.0A CN201910355932A CN110136159A CN 110136159 A CN110136159 A CN 110136159A CN 201910355932 A CN201910355932 A CN 201910355932A CN 110136159 A CN110136159 A CN 110136159A
Authority
CN
China
Prior art keywords
line segment
point
line
chain code
segment
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
CN201910355932.0A
Other languages
English (en)
Other versions
CN110136159B (zh
Inventor
戴激光
张依蕾
宋伟东
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.)
Liaoning Technical University
Original Assignee
Liaoning Technical 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 Liaoning Technical University filed Critical Liaoning Technical University
Priority to CN201910355932.0A priority Critical patent/CN110136159B/zh
Publication of CN110136159A publication Critical patent/CN110136159A/zh
Application granted granted Critical
Publication of CN110136159B publication Critical patent/CN110136159B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20061—Hough transform
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种面向高分辨率遥感影像的线段提取方法，步骤为：输入影像；基于Canny方法处理后的边缘图像，对不同情形下目标点进行细化处理；边缘链码线段提取；确定基准线段集和待融合线段集；以线段融合结果为处理基元，依据线段长度优先原则确定初始优化线段；建立线段优化模型。本发明精确实现边缘线段信息的拟合，解决由于白噪声及相位编组所引起的线段断裂问题；其次从不同方法的线段提取结果差异角度出发，基于不同线段提取结果优势互补的思想，提出线段融合方法；最后在融合的基础上分析遥感影像线段断裂规律，提出基于几何与纹理约束的线段优化算法，提高线段提取的质量和稳健性，有利于实现从遥感影像到线段结构的重要视觉符号描述。

Description

面向高分辨率遥感影像的线段提取方法
技术领域
本发明属于遥感影像信息提取的技术领域，尤其涉及一种面向高分辨率遥感影像的线段提取方法。
背景技术
线段是几何目标的基元，是描述地物边缘的重要特征。线段的识别与提取在高分辨率遥感影像处理中具有重要的意义，通过对影像的地物边缘进行目标跟踪、模式识别等，既可以统计影像全局又可以掌控影像细节信息。作为遥感影像处理的一个重要分支，成熟的线段提取方法是影像配准、分割及目标识别等更高层次影像处理和分析任务的基础。然而，由于局部微小的变化、噪声干扰或边缘模糊导致线段断裂、线段集的数据量增加，使处理变得更加复杂。从高分辨率遥感影像中提取完整地物边缘线段一直是广泛研究的课题，它具有很高的理论研究意义和实际应用意义。
近几十年，国内外许多学者针对高分辨率遥感影像中此类问题进行了一系列研究，取得了许多卓有成效的成果。根据原理不同，线段提取方法多种多样，提取出的线段数量和质量也不尽相同，具体可分为两类：①全局统计算法，该算法建立符合线性关系的聚类模型，通过解析方式得到参数信息；②局部跟踪算法，设定起始跟踪点，根据一定的几何相位约束原则，利用区域增长的方式提取边缘点集，采用拟合方式获取线段参数信息。相对于第1类算法，局部跟踪算法由于计算量小，因而受到了更广泛的关注。然而，在较为复杂的实际场景光学高分辨率卫星遥感影像(空间分辨率优于1m，以下简称遥感影像)中，一些目视清晰的线状信息依然难以保证线段提取结果的完整性，在道路、建筑物、梯田等具有线性特征的地物中表现尤为突出。这使得线段提取结果长度、端点信息准确性下降，同时也增大了线段间拓扑关系分析的难度，使得线段在遥感影像处理中的应用受到限制。
发明内容
基于以上现有技术的不足，本发明所解决的技术问题在于提供一种面向高分辨率遥感影像的线段提取方法，精确实现边缘线段信息的拟合，解决由于白噪声及相位编组所引起的线段断裂问题，提高线段提取的质量和稳健性，有利于实现从遥感影像到线段结构的重要视觉符号描述。
为了解决上述技术问题，本发明通过以下技术方案来实现：
本发明提供一种面向高分辨率遥感影像的线段提取方法，包括以下步骤：
步骤1：输入影像，利用改进的Canny方法提取边缘图及其相位图；
步骤2：基于Canny方法处理后的边缘图像，分别对不同情形下目标点进行细化处理；
步骤3：边缘链码线段提取；
步骤4：确定基准线段集和待融合线段集；
步骤5：以线段融合结果为处理基元，依据线段长度优先原则确定初始优化线段；
步骤6：建立线段优化模型。
优选的，所述步骤1包括：
步骤1.1：选择16×1的高斯滤波器对影像进行滤波处理；
步骤1.2：梯度检测以x向梯度图为例，先对原图像y向滤波，然后进行x向梯度检测；对y向梯度图检测，则先对原图像x向滤波，然后进行y向梯度检测；
步骤1.3：计算边缘点相位。
所述步骤2包括：
步骤2.1：八邻域内无边缘点，直接对目标点进行消除处理；
步骤2.2：八邻域内仅有1个边缘点时，目标点为毛刺点或端点；
步骤2.3：当八邻域内存在2个边缘点时，如2点不存在连通性，当前目标点予以保留；而当2点存在连通性时：类似对角关系，且2点在其八邻域内除目标点外均存在边缘点，则目标点消除；类似四连通关系时，若2点在其八邻域内均有边缘点，消除当前目标点，其余情况下目标点均予以保留；
步骤2.4：当目标点八邻域内存在3个边缘点时，如3点之间存在八连通关系，则当前目标点消除；
步骤2.5：八邻域内存在4个边缘点时，如4点均存在四连通关系，消除当前目标点；
步骤2.6：八邻域内存在5个边缘点时，如5点间存在连通关系，消除当前目标点。
进一步的，所述步骤3包括：
步骤3.1：检测链码起始端点；为防止环状端点检测对链码跟踪构成干扰，采取先单端点后环状端点的顺序进行链码跟踪；
步骤3.2：确定动态链码主方向；
步骤3.3：判断当前点八邻域是否存在边缘点，确定链码跟踪方式；
步骤3.4：链码线段拟合分析；
步骤3.4.1：链码方向检测；
步骤3.4.2：链码点与拟合线段距离检测；
步骤3.5：对获取的边缘链码进行相位编组验证，通过最小二乘方法求取线段方向，接着对边缘点进行相位验证。
可选的，所述步骤4包括：
步骤4.1：根据相位相近性原则对两线段集进行相位约束，确定相位分组；
步骤4.2：端点约束；对同一边缘，不同方法提取线段位置应当基本吻合，即基准线段端点或待融合线段端点到对应线段投影距离应当低于一定阈值，方可视其为同一地物边缘线段；
步骤4.3：分析线段间拓扑关系；
步骤4.4：根据基准线段与待融合线段的约束匹配进行模糊决策，实现线段融合；
步骤4.4.1：重叠投影；
待融合线段两端点投影位置在基准线段上，此时可直接选取基准线段为融合结果；反之，待基准线段两端点投影位置在待融合线段上，待融合线段则为融合结果；
步骤4.4.2：相交投影；基准线段与待融合线段两端点存在相交投影，此时融合规则应随着线段长度变化而变化。
可选的，所述步骤6包括：
步骤6.1：建立几何约束模型；
步骤6.1.1：建立跟踪矩形；
步骤6.1.2：建立断裂线段的位置约束条件；
步骤6.1.3：对线段进行拓扑约束；
步骤6.2：建立纹理约束模型；
步骤6.2.1：依据相位一致性原则，将相位约束设置为待确定断裂线段的纹理约束条件之一；
步骤6.2.2：根据共区域性特征，提出一种整体匹配评价算法；
步骤6.2.3：针对线段优化过程中得过提取问题进行封闭性分析；
步骤6.3：建立线段动态优化模型；
步骤6.4：优化线段分析，判断优化线段是否已经全部处理，如未处理则进入步骤5，反之若全部处理完毕则输出所有优化线段。
可选的，所述步骤3.5包括：
首先统计链码中边缘点相位符合线段方向的数量，其次将该数量与链码组边缘点总数量进行对比，判断比值是否低于阈值θ：
步骤3.5.1：若低于阈值θ，判断线段长度是否达到阈值τ，满足要求则直接输出线段，接着以当前链码终点为端点进入步骤3.3；不满足要求则按照链码跟踪顺序，将第3点边缘点视为端点，进入步骤3.3；
步骤3.5.2：若当前链码高于阈值θ并且链码中存在交叉点，则按照链码跟踪顺序，将前两个边缘点删除，链码中其余点恢复为边缘点后进入步骤3.1，防止影响交叉点处其他线段的提取；
步骤3.5.3：若当前链码高于阈值θ且不存交叉点，则按照链码跟踪顺序，将前两个边缘点删除。
进一步的，所述步骤4.4.2包括：
基准线段长度为待融合线段2倍，以基准线段所携带参数为主，按照2个线段在基准线段上的最大投影范围，确定融合线段；
待融合线段长度为基准线段2倍，选取待融合线段所提供参数，按照不同线段端点在待融合线段上的最大投影范围，确定融合线段；
前述2条件均不满足时，选取基准与待融合线段4个端点，统计距离最大的2个端点，以此作为融合线段的端点。
可选的，所述步骤5的具体方法为：
按照数字图像理论，噪声通常是随机存在，其符合线性规则特征的概率必然较小，反之若线段长度越大，其符合实际地物边缘的概率越高，但同时受到噪声干扰的可能性也相应增大，根据线段长度优先的原则确定初始优化线段，将其存入数据集N中，该数据集依次记录每条线段属性及该线段在数据集中的序号；以线段端点空间位置为基础，构建端点矩阵M1，M1矩阵大小与影像大小一致：
其中，mij记录对应影像位置(i,j)上是否存在线段端点，有则直接记录线段在N中的序号，没有则为0；k和n分别为影像行列数值。
进一步的，所述步骤6.3具体方法为：
受到边缘锯齿化的影响，初始优化线段与实际地物边缘并不能完全吻合，因此需要动态优化线段，以确定新的跟踪端点及跟踪范围，避免当初始优化线段出现位置偏差时，导致最终提取的优化线段精度受到影响；利用每条线段提供的边缘点集，采用最小二乘法计算线段参数，并利用边缘点在该线段上的投影范围确定优化线段端点，同时更新优化线段参数信息。
由上，本发明的面向高分辨率遥感影像的线段提取方法至少具有如下有益效果：
(1)本发明提出了一种边缘细化方法，实现了边缘图的完全细化，使得链码起始端点更加易于定义，多边缘交叉处便于进行边缘补偿，有利于链码的完整性提取。
(2)本发明改进了链码跟踪方法，对动态链码主方向进行了定义，并给出了相应的计算公式，使得链码跟踪不再受到起始端点、局部异常点及45°基准方向码的限制。
(3)本发明将相位验证与链码跟踪相结合，对链码跟踪获取的线段进行相位验证，解决了链码线段提取方法中缺乏相位约束机制问题；同时先进行链码跟踪后进行相位验证的方法，也解决了局部白噪声、起始点相位、相位分组阈值等因素对相位编组线段提取方法的限制问题。
(4)本发明建立了几何约束模型，设定跟踪矩形，以确定线段优化的几何范围。建立位置与拓扑约束分析模型，以从几何上确定断裂线段。
(5)本发明建立了纹理约束模型，将匹配算法引入到共区域性和闭合性分析，避免了线段优化过程中的过提取问题。
(6)本发明对动态化线段优化模型的构建，通过动态化的线段优化过程，解决初始优化线段不完全符合整体线状边缘的角度修正问题。
(7)本发明通过实验验证，确定了边缘提取、边缘跟踪差异是导致提取线段结果存在差异主要因素，论证了线段融合的必要性。
(8)本发明通过相位分组、端点投影约束、拓扑关系约束，确定基准线段与待融合线段的匹配关系，由此建立模糊融合决策模型，从线段长度入手，建立不同情况下的融合规则。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下结合优选实施例，并配合附图，详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍。
图1为本发明的面向高分辨率遥感影像的线段提取方法的流程图；
图2为本发明中邻域方向模板示意图；其中，×为当前待处理目标点，P0—P23表示相对于×点的不同方向邻点，P0—P7为点×的八邻域点，P8—P23为八邻域外点；
图3为本发明中链码方向码示意图；
图4为本发明中边缘局部放大图；
图5为本发明中拓扑约束示意图，其中，图5(a)正确匹配和图5(b)错误匹配中，下面的线段作为上面的线段的待融合线段；
图6为本发明中线段投影关系示意图，其中图6(a)重叠和图6(b)相交中，短线段作为长线段的待融合线段；
图7为本发明中跟踪矩形示意图，其中，图7(a)表示跟踪方向确定，图7(b)表示跟踪矩形；
图8为本发明中共区域性约束示意图；
图9为本发明中不同方法的细化效果比较示意图，其中，(a)为Lena原图，(b)为Canny边缘图局部图像，(c)为本发明细化结果，(d)为HSCP方法细化结果，(e)为ZS方法细化结果；
图10为本发明中链码跟踪与相位验证相结合线段提取方法与其他线段提取方法效果比较示意图，其中，(a)为原始光学卫星全色图像，(b)为本发明方法，(c)为结合边缘编组的Hough变换线段提取方法，(d)为改进的Freeman链码在边缘跟踪及线段提取中的应用研究方法，(e)为EDlines方法，(f)为LSD线段提取算法；
图11为融合线段提取结果与其他方法结果对比局部放大图示意图，其中，(a)为本发明方法，(b)为EDLines方法，(c)为一种新型线段提取方法，(d)为概率Hough方法；
图12为本发明中优化线段提取结果与其他方法结果对比示意图，其中，(a)为局部线段提取结果，(b)为本发明方法，(c)为基于假设检验的数字影像线状特征亚像素自动提取算法方法，(d)为一种新型线段提取方法。
具体实施方式
下面结合附图详细说明本发明的具体实施方式，其作为本说明书的一部分，通过实施例来说明本发明的原理，本发明的其他方面、特征及其优点通过该详细说明将会变得一目了然。在所参照的附图中，不同的图中相同或相似的部件使用相同的附图标号来表示。
如图1至图12所示，本发明的面向高分辨率遥感影像的线段提取方法，包括如下步骤：
步骤1：输入影像，利用改进的Canny方法提取边缘图及其相位图；
步骤1.1：选择16×1的高斯滤波器对影像进行滤波处理；
步骤1.2：梯度检测以x向梯度图为例，先对原图像y向滤波，然后进行x向梯度检测；对y向梯度图检测，则先对原图像x向滤波，然后进行y向梯度检测；
步骤1.3：利用如下所示公式计算边缘点相位；
ang(i,j)＝arctan[gx(i,j)/-gy(i,j)] (1)
其中，i为图像y向坐标；j为图像x向坐标；ang(i,j)是坐标为(i,j)的边缘点相位；gx(i,j)为x向梯度检测值；gy(i,j)为y向梯度检测值。
步骤2：基于最大限度保留线段信息原则实现边缘细化，避免多边缘交叉点处引发的线段断裂问题。对Canny方法处理后的边缘图像中不同情形下目标点进行细化处理；
步骤2.1：若目标点八邻域内无边缘点，直接对目标点进行消除处理；
步骤2.2：若目标点八邻域内仅有1个边缘点时，目标点为毛刺点或端点；
步骤2.2.1：对P1八邻域进行判断，由于P0、P2为非边缘点，×无需判断，即只需对P8、P9、P10、P11、P12这5点进行判断。若上述5点中3点以上为边缘点，则×点必然为毛刺点，进行消除处理。若2点为边缘点，则根据×点与P0点方向形成主方向进行判断，若1点与主方向相同，另外1点与主方向相邻，即2点为P9和P10或P10和P11，则目标点保留；其他情况下目标点进行消除处理。仅有1个边缘点，则保留当前目标点。
步骤2.2.2：假定边缘点为四邻点。假定P0为边缘点，判断其八邻域，由于P1、P2、P6、P7为非边缘点，即需对P8、P9、P23这3点进行分析：若3点为边缘点，则×点为毛刺点，进行消除处理。若2点为边缘点，则根据×点与P0点方向形成主方向进行判断，若2点为P8、P23时目标点保留；其余情况目标点进行消除处理。仅有1个边缘点，当前目标点保留。
步骤2.3：当八邻域内存在2个边缘点时，如2点不存在连通性，例如2点为P0和P23，当前目标点予以保留。而当2点存在连通性时，包括：
步骤2.3.1：当2点为P0和P2类似对角关系时，若P0和P2在其八邻域内除×点外均存在边缘点，则目标点消除。
步骤2.3.2：当两点为P0和P1类似四连通关系时，若P0和P1在其八邻域内均有边缘点，除仅有P8、P9、P8和P9为边缘点3种情况外，可消除当前目标点，其余情况下目标点均予以保留。
步骤2.4：当目标点八邻域内存在3个边缘点时，如3点之间存在八连通关系，则当前目标点消除。
步骤2.5：八邻域内存在4个边缘点时，如4点均存在四连通关系，消除当前目标点。
步骤2.6：八邻域内存在5个边缘点时，如5点间存在连通关系，消除当前目标点。
步骤3：边缘链码线段提取；
本发明在链码方向码的设计中，引入非整数的方向码，以精细确定链码跟踪的方向。如图3所示，中心点为当前链码跟踪点，八邻域0-7方向码，0-7外延对应的是链码八邻域外方向码，其中八邻域外方向码为相对于中心点的非整数方向码。
步骤3.1：检测链码起始端点；
本发明中，起始端点是指单端点(八邻域内存在1个边缘点)与环状端点(八邻域内存在2个边缘点)。环状端点主要存在于房屋、田块等闭合地物场景中，其检测方式可以依据其八邻域内两边缘点间存在对角关系进行判断。为防止环状端点检测对链码跟踪构成干扰，如图4所示为自然图像边缘局部放大图，如果仅采用由左至右、由上至下遍历方式定义端点，那么灰色虚框边缘点必然首先被遍历为链码起始端点，以此为基础链码向右侧跟踪，导致完整链码断裂，而左侧分裂后的链码也可能因长度过低而被过滤掉。本发明采取先单端点后环状端点的顺序进行链码跟踪。
步骤3.2：确定动态链码主方向(Main_Orient)；
本发明在设计线段链码约束时，建立的动态链码主方向是随链码变化而不断发生变化的，这符合链码的整体线段特性，排除了链码跟踪受到起始端点和局部异常点干扰的可能性，并且主方向不再受限于8个方向，更加符合实际线段角度。本发明首先将起始端点作为链码起点，搜索与起始端点连通的下一边缘点，将链码初始方向记录为Orient，然后开始跟踪。具体计算公式如下：
Dif_Orient(i)＝Index(i)-Orient (2)
M_Dif_Orient(i)＝Index(i)-Main_Orient (4)
其中，Index()i为第(i+2)个边缘点相对于第(i+1)个边缘点方向码；Dif_Orient(i)为Index(i)与起始方向链码的差值，取值范围为[－4，4]；M_Dif_Orient(i)为Index(i)与链码主方向差值，取值范围为[－4，4]；n为当前链码组除前两个点外其他边缘点数量。
步骤3.3：判断当前点八邻域是否存在边缘点，确定链码跟踪方式；
步骤3.3.1：存在边缘点，采用八邻域内跟踪；
步骤3.3.1.1：判断当前八邻域内边缘点数量；
八邻域内仅有一个边缘点时，依据式(4)分析当前跟踪方向与链码主方向差异M_Dif_Orient(i)，若差值为-4或4，这表明链码方向发生剧烈变形，则链码断裂进入步骤3.5；其他情况下，进入步骤3.4。
边缘点不唯一时，计算不同边缘点方向码与主方向码差值，选择最小绝对差值方向码作为当前链码跟踪方向，进入步骤3.4；同时在当前链码跟踪结束后对边缘交叉点进行边缘补偿，即将边缘交叉点单独设为边缘点。以防止链码形成线段后，原有链码内全部边缘点非边缘化，进而导致下一边缘线段的断裂。
步骤3.3.2：不存在边缘点，采用八邻域外跟踪；
若链码中八邻域外连接点数量(计入即将跟踪点)与当前链码边缘点数量之间的比值低于阈值，则直接进入步骤3.5；
若链码中八邻域外连接点数量(计入即将跟踪点)与当前链码边缘点数量之间的比值高于阈值，则判断八邻域外最接近Main_Orient、Main_Orient-0.5和Main_Orient+0.5方向上是否存在边缘点，若存在则转到步骤3.4，若不存在则转到步骤3.5；
步骤3.4：链码线段拟合分析；
为确保获取最佳链码终点，分别对步骤3.3.1和步骤3.3.2加入的边缘点进行判断；
步骤3.4.1：链码方向检测。每次加入的新点i均进行检测，即当M_Dif_Orient(i)、M_Dif_Orient(i-1)、M_Dif_Orient(i-2)均为同一符号，并且累计绝对值大于3.0以上时，这表明当前链码发生明显偏转，必将改变拟合线段方向，因此链码立即断裂，进入步骤3.5。
步骤3.4.2：链码点与拟合线段距离检测。当加入边缘点数量为3的倍数时，进行线段最小二乘拟合，对链码中的点进行抽样计算与线段垂直距离，若距离超过垂直距离阈值ε时，链码断裂进入步骤3.5。同时，加入抽样点累计距离阈值分析。具体公式如下：
a×x+b×y+c＝0 (5)
D(i,j)＝(a×j+b×i+c)/sqrt(a×a+b×b) (6)
式(5)中，(x,y)为拟合线段任意点坐标，a、b、c为线段参数；式(6)中，以构成线段的抽样边缘点(i,j)为例，计算其与线段间的距离D(i,j)；式(7)中，Dk(i,j)为第k个抽样点与线段距离，k范围为[1，m]；m为目前已抽取边缘点数量，范围为[1,n]；n为需要抽取边缘点总数量；ε为累计距离阈值。
步骤3.5：对获取的边缘链码进行相位编组验证，通过最小二乘方法求取线段方向，接着对边缘点进行相位验证。
首先统计链码中边缘点相位符合线段方向的数量(相位与线段方向之间差异不超过π/4弧度)，其次将该数量与链码组边缘点总数量进行对比，判断比值是否低于阈值θ：
步骤3.5.1：若低于阈值θ，判断线段长度是否达到阈值τ，满足要求则直接输出线段，接着以当前链码终点为端点进入步骤3.3；不满足要求则按照链码跟踪顺序，将第3点边缘点视为端点，进入步骤3.3。
步骤3.5.2：若当前链码高于阈值θ并且链码中存在交叉点，则按照链码跟踪顺序，将前两个边缘点删除，链码中其余点恢复为边缘点后进入步骤3.1，防止影响交叉点处其他线段的提取。
步骤3.5.3：若当前链码高于阈值θ且不存交叉点，同时这种情况是由步骤3.3.1和步骤3.4链码产生断裂所产生，则按照链码跟踪顺序，将前两个边缘点删除，其余点按照原来链码顺序由前两点建立Orient，后续点依次更新Main_Orient，进入步骤3.3；如当前链码由步骤3.3.2进入，则转入步骤3.1。
步骤4：确定基准线段集和待融合线段集。
为了发挥不同线段提取方法的优势，明晰不同方法提取线段在融合过程中的作用在进行方法选取时，需要充分考虑选边缘提取模型、跟踪方式的差异，本发明将上述方法线段提取结果定义为基准线段，将LSD线段提取算法结果设为待融合线段。
在线段融合过程中，需要记录不同方法线段的参数信息(xstart,ystart,xend,yend,flength,thera)。其中，xstart、ystart、xend、yend分别为线段2端点x向与y向坐标；flength为线段长度，thera为线段相位角度，其范围为[-π,π]，其计算过程如公式(8)和公式(9)所示：
ang＝arctan(-dx,dy) (8)
其中，dx、dy分别为x向和y向的差分值，ang为边缘点梯度方向，其范围为[-π,π]；thera为线段相位，Np为构成线段的边缘点数量，ang(i)为第i个点边缘点梯度方向。
步骤4.1：根据相位相近性原则对两线段集进行相位约束，确定相位分组；
两种线段提取方法均是基于相位约束而提出的，因此在融合过程中，为了提高基准线段与待融合线段匹配效率，对基准线段与待融合线段进行相位分组。
No_i＝thera/μ (10)
式中，μ为分区相位单元，No_i为线段数据集Dataset分区序号，thera为公式(9)求取的线段相位。以任一基准线段为例，如果No_i为其分组序号，其匹配对应的待融合线段相位分组序号必然为NO_i-1、No_i、No_i+1。
步骤4.2：端点约束；
对同一边缘，不同方法提取线段位置应当基本吻合，即基准线段端点或待融合线段端点到对应线段投影距离应当低于一定阈值，方可视其为同一地物边缘线段。在此思想的启发下，本发明利用公式(6)计算基准线段2端点坐标(x00,y00)、(x01,y01)和待融合线段端点(x10,y10)、(x11,y11)到对应线段距离D(x00,y00)、D(x01,y01)、D(x10,y10)、D(x11,y11)，确保4个距离绝对值均低于阈值η，以此构成端点约束条件。
步骤4.3：分析线段间拓扑关系；
如图5所示，在端点约束基础上，开展拓扑约束，确保基准或待融合线段端点至少有一个投影在对应匹配。
步骤4.4：如图6所示，根据基准线段与待融合线段的约束匹配进行模糊决策，实现线段融合；
步骤4.4.1：重叠投影；
待融合线段两端点投影位置在基准线段上，此时可直接选取基准线段为融合结果。反之，待基准线段两端点投影位置在待融合线段上，待融合线段则为融合结果。
步骤4.4.2：相交投影：
基准线段与待融合线段两端点存在相交投影，此时融合规则应随着线段长度变化而变化：①基准线段长度为待融合线段2倍，以基准线段所携带参数为主，按照2个线段在基准线段上的最大投影范围，确定融合线段；②待融合线段长度为基准线段2倍，选取待融合线段所提供参数，按照不同线段端点在待融合线段上的最大投影范围，确定融合线段；③前述2条件均不满足时，选取基准与待融合线段4个端点，统计距离最大的2个端点，以此作为融合线段的端点。
步骤5：以线段融合结果为处理基元，依据线段长度优先原则确定初始优化线段。
按照数字图像理论，噪声通常是随机存在，其符合线性规则特征的概率必然较小。反之若线段长度越大，其符合实际地物边缘的概率越高，但同时受到噪声干扰的可能性也相应增大。因此本发明根据线段长度优先的原则确定初始优化线段，将其存入数据集N中，该数据集依次记录每条线段属性及该线段在数据集中的序号。以线段端点空间位置为基础，构建端点矩阵M1，M1矩阵大小与影像大小一致：
其中，mij记录对应影像位置(i,j)上是否存在线段端点，有则直接记录线段在N中的序号，没有则为0；k和n分别为影像行列数值；
步骤6：建立线段优化模型；
本发明在线段提取结果的基础上，根据线段长度优先的原则确定初始优化线段，其次建立几何约束模型，再次建立纹理约束模型，最后动态更新优化线段及跟踪区域，以此完成对线段优化模型的构建。
步骤6.1：建立几何约束模型；
步骤6.1.1：建立跟踪矩形。依据分布有序性，断裂线段应位于待优化线段延长线方向上，如图7所示，依据端点坐标向2侧外延确定跟踪方向。根据端点临近性、空间接近性，断裂线段一侧端点必然位于待优化线段端点临近区域内。因此以一端点为起始跟踪点为例，建立一个长度为Ls(像素)，右侧距离为Lwr(距离为正值，单位为像素)，左侧距离为Lwl(距离为负值，单位为像素)的灰色矩形。在此跟踪矩形内，线段按照跟踪方向遍历断裂线段端点。
步骤6.1.2：本发明首先确保线段2端点坐标(i,j)和(i’,j’)与待优化线段之间的距离D(i,j)和D(i’,j’)均位于[Lwr,Llr]范围之内，其次保证D(i,j)和D(i’,j’)累积绝对值和低于阈值，以此构成断裂线段的位置约束条件。
根据公式(5)、(6)及如下公式，对线段进行位置约束：
abs(D(i,j)+D(i',j'))＜＝ε (12)
式(12)为D(i,j)和D(i’,j’)端点累加距离阈值。
步骤6.1.3：如果一侧端点已位于矩形跟踪区域内，则仅需对另一侧端点进行分析，确保该端点位于下侧跟踪线方向上。因此在位置约束的基础上需根据如下公式，对线段集进行拓扑约束：
Dis_Pro_S+Dis_Pro_E＞DIS (13)
式中，Dis_Pro_S为待确定线段端点在待跟踪线段上投影点与待跟踪线起始端点间的空间距离，Dis_Pro_E为投影点与待跟踪线结束端点间的空间距离，DIS为待跟踪线段长度。当线段端点满足公式(13)时，则说明其符合拓扑约束。
步骤6.2：建立纹理约束模型；
纹理约束模型是将线段置入实际影像中进行分析，以确定断裂线段是否满足同一地物轮廓要求。因此，本发明将依次开展相位约束、共区域性约束及封闭性分析。
步骤6.2.1：依据相位一致性原则，将相位约束设置为待确定断裂线段的纹理约束条件之一，纹理约束模型是将线段置入实际影像中进行分析，以确定断裂线段是否满足同一地物轮廓要求。因此，本发明将依次开展相位约束、共区域性约束及封闭性分析，公式如下：
abs(theraref-therasrc)＜＝δ (14)
式中，theraref为待优化线段相位；therasrc为待确定断裂线段相位；δ为相位阈值。
步骤6.2.2：根据共区域性特征，提出一种整体匹配评价算法；
如图8所示，本发明首先在黑色实线(断裂线段)、黑色虚线(连接线段)左右根据距离线段为2像素(设置短距离是为了适应线条边缘的特点)，步长为5像素抽取黑色点为抽样点，其次在整体匹配评价中，对灰度值进行重新量化(以8Bit影像为例，可将其线性压缩为4Bit)，以解决线段边缘附近纹理均质化较差的问题；最后，针对线段边缘影像易发生灰度跳变的问题，建立种子点为圆心半径为1的圆形模板，并给出公式确定模板值：
式中M为圆形模板值，Im为圆形模板的灰度均值，Igm为圆形模板的灰度直方图峰值。
步骤6.2.3：针对线段优化过程中得过提取问题进行封闭性分析；
在分析过程中，可参考图7在连接线左右抽样统计模板值，如两侧值差异绝对值低于2，这说明当前为错误连接线段，反之高于2则说明连接线符合封闭性要求，可进行线段优化。
步骤6.3：建立线段动态优化模型；
受到边缘锯齿化的影响，初始优化线段与实际地物边缘并不能完全吻合，因此需要动态优化线段，以确定新的跟踪端点及跟踪范围，避免当初始优化线段出现位置偏差时，导致最终提取的优化线段精度受到影响。因此本文利用每条线段提供的边缘点集，采用最小二乘法计算线段参数，并利用边缘点在该线段上的投影范围确定优化线段端点，同时更新优化线段参数信息(thera,xstart,ystart,xend,yend,flength,Np)。
步骤6.4：优化线段分析。存储新优化线段，并判断优化线段是否已经全部处理，如未处理则进入步骤5，反之若全部处理完毕则输出所有优化线段。
以下通过实验验证本发明所提方法的性能，并与现有经典算法进行比较，以验证本发明算法结果的可靠性。
图9是为验证本发明提出细化方法的实际效果，以VS2010作为处理平台，分别对本发明细化方法、HSCP方法和ZS方法进行编程实现，并通过大量图像对3种方法的处理性能进行比较。首先由图9(b)局部图像中可以看出Canny边缘图中存在像素冗余、毛刺等多种问题，细化处理十分必要。如图9(d)所示HSCP方法处理结果明显有信息丢失的现象发生，并且数据的冗余问题依然没有得到较好的解决，同时毛刺问题仍然存在；而ZS方法相对于HSCP方法局部信息丢失较少，但毛刺现象依然没有根除。如图9(c)所示，本发明方法细化结果比较光滑，不存在毛刺现象，同时基本完整保存原有边缘连通信息。利用人工对论文方法细化后的Lena边缘图进行全面细致观察，边缘毛刺、冗余现象已完全消除，得到了保持8连接、完全细化的边缘图。而在运行效率方面，3种方法的耗时基本都在0.1s左右，相差不大。
图10为噪声多、模糊度大的IKONOS光学卫星全色图像进行实验，以进一步探讨论文方法的抗噪性。如图10(a)所示，图像大小为1024*1024像素，覆盖区域为城市近郊，区域内中包含房屋、梯田、道路等多种线性特征信息。通过5种方法局部线段提取效果对比分析表明：除了图10(c)结合边缘编组的Hough变换线段提取方法外，其余4种方法均能较好地提取建筑物轮廓线，但图10(f)LSD线段提取算法存在一定的线段断裂，本发明方法、图10(e)EDlines方法、图10(d)改进的Freeman链码在边缘跟踪及线段提取中的应用研究方法则很少出现这一问题；而相对于EDlines方法和改进的Freeman链码在边缘跟踪及直线提取中的应用研究方法，本发明方法连贯度更好，但也存在部分线段没有检测的问题。
图11为2000像素×2000像素的高景1号影像，覆盖区域为北京市门头沟某农村区域。利用本发明算法可获得20522条线段，由于线段检测结果数量巨大，为了清晰展示线段对比结果，如图11(a)所示对局部影像进行放大，左上侧局部放大为农村建筑物密集区域，存在较多线状信息，可以看到本发明方法、EDLines方法、一种新型线段提取方法、概率Hough变化能够较为准确的提取房屋边缘，这说明本发明在线段融合的过程中，能够避免错误线段的出现。同时对比下侧放大图，该区域为机耕路，可以看到本发明能够较好地保持线段的完整度，线段长度明显大于其他三种方法，基本实现同一路段线段完整化表达的目的，这将有益于提高机器对影像的认知能力，而其他三种方法对同一线性路段边缘需要采用多个线段进行表达。可以表明，本发明在保证线性信息密集区域结果准确度的基础上，能够提高地物边缘线段长度。
图12所示为澳大利亚某地区的GeoEye-1影像，空间分辨率为0.5m，影像大小为1024×1024像素，覆盖区域为城区。在图12(a)局部放大图中，受到边缘锯齿化影响，道路边缘提取线段结果存在交叉的现象。如图12(b)所示，利用本发明算法能够基本解决锯齿化问题，并且线段优化结果基本符合人工视觉。而图12(c)利用基于假设检验的数字影像线状特征亚像素自动提取算法，优化后的部分线段存在较大的位置偏差，这说明该算法对于线段间纹理约束的分析不足，因而降低了优化线段结果的精度。同样对比图12(d)，可以看到一种新型线段提取算法对于边缘锯齿化问题处理能力不足，因而道路线断裂问题依然存在。
本发明面向高分辨率遥感影像，首先提出了一种链码跟踪与相位验证相结合的线段提取方法，通过对Canny边缘图的完全细化，链码动态约束，相位验证，精确实现边缘线段信息的拟合；其次从不同方法的线段提取结果差异角度出发，基于不同线段提取结果优势互补的思想，提出一种线段融合方法，通过相位分组、端点投影约束、拓扑约束，构建不同方法线段的匹配模型，并且依据长度优先的原则，建立线段模糊决策模型；最后在融合线段的基础上分析线段断裂规律，提出一种基于几何与纹理约束的线段优化算法，依据线段长度确定初始优化线段，设定跟踪矩形，建立针对断裂线段的几何纹理约束模型，构建动态优化模型，并给出完整的线段优化流程。通过多种不同光学图像数据的试验结果分析表明，本发明不仅能够解决由地物遮挡、边缘模糊以及边缘锯齿化造成的线段断裂问题，并且能够解决由于白噪声及相位编组所引起的线段断裂问题，该方法提取线段结果完整率高，相对于其他算法均表现出较大的优势。
本发明提出了一种链码跟踪与相位验证相结合的线段提取方法，精确实现边缘线段信息的拟合，解决由于白噪声及相位编组所引起的线段断裂问题；其次从不同方法的线段提取结果差异角度出发，基于不同线段提取结果优势互补的思想，提出一种线段融合方法，利用相位对不同线段进行分组，以一种线段提取方法为基准，利用端点约束、拓扑约束确定，利用模糊决策方法对线段进行融合，由此得到结果输出；最后在融合的基础上分析遥感影像线段断裂规律，提出一种基于几何与纹理约束的线段优化算法，以此提高线段提取的质量和稳健性，有利于实现从遥感影像到线段结构的重要视觉符号描述。
以上所述是本发明的优选实施方式而已，当然不能以此来限定本发明之权利范围，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变动，这些改进和变动也视为本发明的保护范围。

Claims (10)

1.面向高分辨率遥感影像的线段提取方法，其特征在于，包括以下步骤：
步骤1：输入影像，利用改进的Canny方法提取边缘图及其相位图；
步骤2：基于Canny方法处理后的边缘图像，分别对不同情形下目标点进行细化处理；
步骤3：边缘链码线段提取；
步骤4：确定基准线段集和待融合线段集；
步骤5：以线段融合结果为处理基元，依据线段长度优先原则确定初始优化线段；
步骤6：建立线段优化模型。
2.如权利要求1所述的面向高分辨率遥感影像的线段提取方法，其特征在于，所述步骤1包括：
步骤1.1：选择16×1的高斯滤波器对影像进行滤波处理；
步骤1.2：梯度检测以x向梯度图为例，先对原图像y向滤波，然后进行x向梯度检测；对y向梯度图检测，则先对原图像x向滤波，然后进行y向梯度检测；
步骤1.3：计算边缘点相位。
3.如权利要求1所述的面向高分辨率遥感影像的线段提取方法，其特征在于，所述步骤2包括：
步骤2.1：八邻域内无边缘点，直接对目标点进行消除处理；
步骤2.2：八邻域内仅有1个边缘点时，目标点为毛刺点或端点；
步骤2.3：当八邻域内存在2个边缘点时，如2点不存在连通性，当前目标点予以保留；而当2点存在连通性时：类似对角关系，且2点在其八邻域内除目标点外均存在边缘点，则目标点消除；类似四连通关系时，若2点在其八邻域内均有边缘点，消除当前目标点，其余情况下目标点均予以保留；
步骤2.4：当目标点八邻域内存在3个边缘点时，如3点之间存在八连通关系，则当前目标点消除；
步骤2.5：八邻域内存在4个边缘点时，如4点均存在四连通关系，消除当前目标点；
步骤2.6：八邻域内存在5个边缘点时，如5点间存在连通关系，消除当前目标点。
4.如权利要求1所述的面向高分辨率遥感影像的线段提取方法，其特征在于，所述步骤3包括：
步骤3.1：检测链码起始端点；为防止环状端点检测对链码跟踪构成干扰，采取先单端点后环状端点的顺序进行链码跟踪；
步骤3.2：确定动态链码主方向；
步骤3.3：判断当前点八邻域是否存在边缘点，确定链码跟踪方式；
步骤3.4：链码线段拟合分析；
步骤3.4.1：链码方向检测；
步骤3.4.2：链码点与拟合线段距离检测；
步骤3.5：对获取的边缘链码进行相位编组验证，通过最小二乘方法求取线段方向，接着对边缘点进行相位验证。
5.如权利要求1所述的面向高分辨率遥感影像的线段提取方法，其特征在于，所述步骤4包括：
步骤4.1：根据相位相近性原则对两线段集进行相位约束，确定相位分组；
步骤4.2：端点约束；对同一边缘，不同方法提取线段位置应当基本吻合，即基准线段端点或待融合线段端点到对应线段投影距离应当低于一定阈值，方可视其为同一地物边缘线段；
步骤4.3：分析线段间拓扑关系；
步骤4.4：根据基准线段与待融合线段的约束匹配进行模糊决策，实现线段融合；
步骤4.4.1：重叠投影；
待融合线段两端点投影位置在基准线段上，此时可直接选取基准线段为融合结果；反之，待基准线段两端点投影位置在待融合线段上，待融合线段则为融合结果；
步骤4.4.2：相交投影；基准线段与待融合线段两端点存在相交投影，此时融合规则应随着线段长度变化而变化。
6.如权利要求1所述的面向高分辨率遥感影像的线段提取方法，其特征在于，所述步骤6包括：
步骤6.1：建立几何约束模型；
步骤6.1.1：建立跟踪矩形；
步骤6.1.2：建立断裂线段的位置约束条件；
步骤6.1.3：对线段进行拓扑约束；
步骤6.2：建立纹理约束模型；
步骤6.2.1：依据相位一致性原则，将相位约束设置为待确定断裂线段的纹理约束条件之一；
步骤6.2.2：根据共区域性特征，提出一种整体匹配评价算法；
步骤6.2.3：针对线段优化过程中得过提取问题进行封闭性分析；
步骤6.3：建立线段动态优化模型；
步骤6.4：优化线段分析，判断优化线段是否已经全部处理，如未处理则进入步骤5，反之若全部处理完毕则输出所有优化线段。
7.如权利要求4所述的面向高分辨率遥感影像的线段提取方法，其特征在于，所述步骤3.5包括：
首先统计链码中边缘点相位符合线段方向的数量，其次将该数量与链码组边缘点总数量进行对比，判断比值是否低于阈值θ：
步骤3.5.1：若低于阈值θ，判断线段长度是否达到阈值τ，满足要求则直接输出线段，接着以当前链码终点为端点进入步骤3.3；不满足要求则按照链码跟踪顺序，将第3点边缘点视为端点，进入步骤3.3；
步骤3.5.2：若当前链码高于阈值θ并且链码中存在交叉点，则按照链码跟踪顺序，将前两个边缘点删除，链码中其余点恢复为边缘点后进入步骤3.1，防止影响交叉点处其他线段的提取；
步骤3.5.3：若当前链码高于阈值θ且不存交叉点，则按照链码跟踪顺序，将前两个边缘点删除。
8.如权利要求5所述的面向高分辨率遥感影像的线段提取方法，其特征在于，所述步骤4.4.2包括：
基准线段长度为待融合线段2倍，以基准线段所携带参数为主，按照2个线段在基准线段上的最大投影范围，确定融合线段；
待融合线段长度为基准线段2倍，选取待融合线段所提供参数，按照不同线段端点在待融合线段上的最大投影范围，确定融合线段；
前述2条件均不满足时，选取基准与待融合线段4个端点，统计距离最大的2个端点，以此作为融合线段的端点。
9.如权利要求1所述的面向高分辨率遥感影像的线段提取方法，其特征在于，所述步骤5的具体方法为：
按照数字图像理论，噪声通常是随机存在，其符合线性规则特征的概率必然较小，反之若线段长度越大，其符合实际地物边缘的概率越高，但同时受到噪声干扰的可能性也相应增大，根据线段长度优先的原则确定初始优化线段，将其存入数据集N中，该数据集依次记录每条线段属性及该线段在数据集中的序号；以线段端点空间位置为基础，构建端点矩阵M1，M1矩阵大小与影像大小一致：
其中，mij记录对应影像位置(i,j)上是否存在线段端点，有则直接记录线段在N中的序号，没有则为0；k和n分别为影像行列数值。
10.如权利要求6所述的面向高分辨率遥感影像的线段提取方法，其特征在于，所述步骤6.3具体方法为：
受到边缘锯齿化的影响，初始优化线段与实际地物边缘并不能完全吻合，采用动态优化线段，以确定新的跟踪端点及跟踪范围，避免当初始优化线段出现位置偏差时，导致最终提取的优化线段精度受到影响；
利用每条线段提供的边缘点集，采用最小二乘法计算线段参数，并利用边缘点在该线段上的投影范围确定优化线段端点，同时更新优化线段参数信息。
CN201910355932.0A 2019-04-29 2019-04-29 面向高分辨率遥感影像的线段提取方法 Active CN110136159B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910355932.0A CN110136159B (zh) 2019-04-29 2019-04-29 面向高分辨率遥感影像的线段提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910355932.0A CN110136159B (zh) 2019-04-29 2019-04-29 面向高分辨率遥感影像的线段提取方法

Publications (2)

Publication Number Publication Date
CN110136159A true CN110136159A (zh) 2019-08-16
CN110136159B CN110136159B (zh) 2023-03-31

Family

ID=67575804

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910355932.0A Active CN110136159B (zh) 2019-04-29 2019-04-29 面向高分辨率遥感影像的线段提取方法

Country Status (1)

Country Link
CN (1) CN110136159B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801075A (zh) * 2021-04-15 2021-05-14 速度时空信息科技股份有限公司 基于航摄影像的农村道路边界线的自动提取方法
CN113689447A (zh) * 2020-05-19 2021-11-23 华晨宝马汽车有限公司 用于识别带状固定件的方法、装置、设备和系统
CN114708439A (zh) * 2022-03-22 2022-07-05 重庆大学 基于PROSAC与筛选合并的改进EDLines直线提取方法
CN114998740A (zh) * 2022-06-13 2022-09-02 中国电子科技集团公司第五十四研究所 一种基于线段分布的机场线性特征提取方法
CN115830011A (zh) * 2023-02-08 2023-03-21 山东瑞峰新材料科技有限公司 一种无声胶带生产过程的视觉检测方法
CN116310447A (zh) * 2023-05-23 2023-06-23 维璟(北京)科技有限公司 基于计算机视觉的遥感图像变化智能检测方法及系统
CN116704209A (zh) * 2023-08-08 2023-09-05 山东顺发重工有限公司 一种法兰轮廓快速提取方法及系统
CN117274288A (zh) * 2023-09-27 2023-12-22 河海大学 基于改进lsd算法的轴类零件亚像素边缘检测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5631982A (en) * 1993-06-10 1997-05-20 International Business Machines Corporation System using parallel coordinates for automated line detection in noisy images
CN101901343A (zh) * 2010-07-20 2010-12-01 同济大学 基于立体约束的遥感影像道路提取方法
CN102930525A (zh) * 2012-09-14 2013-02-13 武汉大学 基于仿射不变特征与单应矩阵的线匹配方法
US20150016668A1 (en) * 2013-07-12 2015-01-15 Ut-Battelle, Llc Settlement mapping systems
CN105184801A (zh) * 2015-09-28 2015-12-23 武汉大学 一种基于多层次策略的光学与sar影像高精度配准方法
CN105740818A (zh) * 2016-01-29 2016-07-06 山东大学 一种应用于增强现实的人工标志检测方法
CN106485737A (zh) * 2015-08-25 2017-03-08 南京理工大学 基于线特征的点云数据与光学影像的自动配准融合方法
US20170372481A1 (en) * 2016-06-28 2017-12-28 Canon Kabushiki Kaisha Image processing apparatus, image capturing apparatus, image processing method, and storage medium
CN109448046A (zh) * 2018-10-15 2019-03-08 辽宁工程技术大学 一种基于多描述子的半自动道路中心线快速提取方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5631982A (en) * 1993-06-10 1997-05-20 International Business Machines Corporation System using parallel coordinates for automated line detection in noisy images
CN101901343A (zh) * 2010-07-20 2010-12-01 同济大学 基于立体约束的遥感影像道路提取方法
CN102930525A (zh) * 2012-09-14 2013-02-13 武汉大学 基于仿射不变特征与单应矩阵的线匹配方法
US20150016668A1 (en) * 2013-07-12 2015-01-15 Ut-Battelle, Llc Settlement mapping systems
CN106485737A (zh) * 2015-08-25 2017-03-08 南京理工大学 基于线特征的点云数据与光学影像的自动配准融合方法
CN105184801A (zh) * 2015-09-28 2015-12-23 武汉大学 一种基于多层次策略的光学与sar影像高精度配准方法
CN105740818A (zh) * 2016-01-29 2016-07-06 山东大学 一种应用于增强现实的人工标志检测方法
US20170372481A1 (en) * 2016-06-28 2017-12-28 Canon Kabushiki Kaisha Image processing apparatus, image capturing apparatus, image processing method, and storage medium
CN109448046A (zh) * 2018-10-15 2019-03-08 辽宁工程技术大学 一种基于多描述子的半自动道路中心线快速提取方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JUN WANG等: "Automatic building extraction from very high resolution satellite imagery using line segment detector", 《2013 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM - IGARSS》 *
戴激光等: "一种链码跟踪与相位验证相结合的直线提取方法", 《测绘学报》 *
戴激光等: "高分辨率光学卫星影像线段融合方法", 《测绘学报》 *
戴激光等: "高分辨率光学卫星遥感影像直线重建方法", 《测绘科学》 *
戴激光等: "高分辨率光学遥感几何与纹理约束的线段优化算法", 《测绘学报》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113689447A (zh) * 2020-05-19 2021-11-23 华晨宝马汽车有限公司 用于识别带状固定件的方法、装置、设备和系统
CN112801075A (zh) * 2021-04-15 2021-05-14 速度时空信息科技股份有限公司 基于航摄影像的农村道路边界线的自动提取方法
CN112801075B (zh) * 2021-04-15 2021-07-27 速度时空信息科技股份有限公司 基于航摄影像的农村道路边界线的自动提取方法
CN114708439A (zh) * 2022-03-22 2022-07-05 重庆大学 基于PROSAC与筛选合并的改进EDLines直线提取方法
CN114708439B (zh) * 2022-03-22 2024-05-24 重庆大学 基于PROSAC与筛选合并的改进EDLines直线提取方法
CN114998740A (zh) * 2022-06-13 2022-09-02 中国电子科技集团公司第五十四研究所 一种基于线段分布的机场线性特征提取方法
CN115830011B (zh) * 2023-02-08 2023-05-09 山东瑞峰新材料科技有限公司 一种无声胶带生产过程的视觉检测方法
CN115830011A (zh) * 2023-02-08 2023-03-21 山东瑞峰新材料科技有限公司 一种无声胶带生产过程的视觉检测方法
CN116310447A (zh) * 2023-05-23 2023-06-23 维璟(北京)科技有限公司 基于计算机视觉的遥感图像变化智能检测方法及系统
CN116310447B (zh) * 2023-05-23 2023-08-04 维璟(北京)科技有限公司 基于计算机视觉的遥感图像变化智能检测方法及系统
CN116704209A (zh) * 2023-08-08 2023-09-05 山东顺发重工有限公司 一种法兰轮廓快速提取方法及系统
CN116704209B (zh) * 2023-08-08 2023-10-17 山东顺发重工有限公司 一种法兰轮廓快速提取方法及系统
CN117274288A (zh) * 2023-09-27 2023-12-22 河海大学 基于改进lsd算法的轴类零件亚像素边缘检测方法
CN117274288B (zh) * 2023-09-27 2024-05-03 河海大学 基于改进lsd算法的轴类零件亚像素边缘检测方法

Also Published As

Publication number Publication date
CN110136159B (zh) 2023-03-31

Similar Documents

Publication Publication Date Title
CN110136159A (zh) 面向高分辨率遥感影像的线段提取方法
CN105931295B (zh) 一种地质图专题信息提取方法
CN103927526B (zh) 一种基于高斯差分多尺度边缘融合的车辆检测方法
CN103077384B (zh) 一种车标定位识别的方法与系统
CN107895376A (zh) 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法
CN106548141B (zh) 一种基于三角网的面向对象耕地信息自动提取方法
CN104036262B (zh) 一种lpr车牌筛选识别的方法和系统
CN111291708A (zh) 融合深度相机的变电站巡检机器人障碍物检测识别方法
CN103473551A (zh) 基于sift算子的台标识别方法及系统
CN109493320A (zh) 基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备
CN105139386A (zh) 一种快速自动检测电气接插件焊点不合格品的图像处理方法
CN103034836A (zh) 道路标志检测方法和道路标志检测设备
CN106548160A (zh) 一种人脸微笑检测方法
Huang et al. A top-down strategy for buildings extraction from complex urban scenes using airborne LiDAR point clouds
CN107133623A (zh) 一种基于背景差和圆心定位的指针位置精确检测方法
CN107729853A (zh) 一种适用于变电站窄刻度指针式仪表的自动识别方法
CN105469046A (zh) 基于pca和surf特征级联的车辆车型识别方法
CN101916373A (zh) 基于小波检测和脊线跟踪的道路半自动提取方法
CN110111322A (zh) 一种基于图像的隧道病害识别系统
CN109544635A (zh) 一种基于枚举试探的相机自动标定方法
CN112861654A (zh) 一种基于机器视觉的名优茶采摘点位置信息获取方法
CN105069816A (zh) 一种进出口人流量统计的方法及系统
CN108256385A (zh) 基于视觉的前方车辆检测方法
CN108492306A (zh) 一种基于图像轮廓的x型角点提取方法
CN111738310B (zh) 物料分类方法、装置、电子设备和存储介质

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