CN110728723B - 一种面向瓦片地图的道路自动提取方法 - Google Patents
一种面向瓦片地图的道路自动提取方法 Download PDFInfo
- Publication number
- CN110728723B CN110728723B CN201910902214.0A CN201910902214A CN110728723B CN 110728723 B CN110728723 B CN 110728723B CN 201910902214 A CN201910902214 A CN 201910902214A CN 110728723 B CN110728723 B CN 110728723B
- Authority
- CN
- China
- Prior art keywords
- road
- color
- pixel
- point
- tile map
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 23
- 239000003086 colorant Substances 0.000 claims abstract description 13
- 238000009877 rendering Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000007670 refining Methods 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 230000007704 transition Effects 0.000 claims abstract description 7
- 230000008030 elimination Effects 0.000 claims abstract description 6
- 238000003379 elimination reaction Methods 0.000 claims abstract description 6
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 4
- 238000009499 grossing Methods 0.000 claims abstract description 4
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
-
- G06T5/70—
Abstract
发明公开了一种面向瓦片地图的道路自动提取方法。该方法包括:(1)道路颜色提取:制作配色方案表,根据表格对待处理的瓦片地图逐像素处理,当前像素和某一级道路的渲染色彩的颜色距离低于阈值时,则判断此像素为前景要素,采用同样的方法可以不区分等级提取出所有道路;(2)根据颜色距离对过渡色进行临界分割;(3)利用路网细化算法对只包含道路信息的二值图像进行细化,得到道路要素的骨架线后进行矢量化跟踪,获取路网几何数据,对初步提取数据进行光滑、综合和错误剔除处理,最终得到可以使用的道路网络。本发明提出了颜色提取方法,引入常规噪声消除方法,提出瓦片噪声,提高了道路数据的提取的精度。
Description
技术领域:
本发明涉及一种面向瓦片地图的道路自动提取方法,适用GIS基础数据更新、交通管理单位获取矢量路网数据的一种工具。
背景技术:
道路网络矢量数据是进行复杂空间分析如网络分析、服务区分析、资源分配的基础数据,目前获取方式来自测绘技术,成本较高。
近20年来,互联网地图及应用迅猛发展,而瓦片地图是一种互联网地图的格式,瓦片地图是栅格数据,瓦片中的噪声、空洞问题,一直没有得到有效解决。
发明内容
针对上述存在的问题,本发明提出一种面向瓦片地图的道路自动提取方法,利用瓦片地图颜色数少,渲染方案固定等特点,提出了颜色提取方法,引入常规噪声消除方法,提出瓦片噪声,提高了道路数据的提取的精度。
上述的目的通过以下技术方案实现:
一种面向瓦片地图的道路自动提取方法,所述方法包括如下步骤:
(1)道路颜色提取:制作配色方案表,根据表格对待处理的瓦片地图逐像素处理,当前像素和某一级道路的渲染色彩的颜色距离低于阈值时,则判断此像素为前景要素,根据这个原则对整副瓦片地图进行处理,提取出代表某一级道路的全部像素,采用同样的方法可以不区分等级提取出所有道路;
(2)根据颜色距离对过渡色进行临界分割;
(3)利用路网细化算法对只包含道路信息的二值图像进行细化,得到道路要素的骨架线后进行矢量化跟踪,获取路网几何数据,对初步提取数据进行光滑、综合和错误剔除处理,最终得到可以使用的道路网络。
所述的面向瓦片地图的道路自动提取方法,步骤(2)中所述的根据颜色距离对过渡色进行临界分割的具体方法是:
在RGB颜色空间中,两个像素p和q的颜色距离(Color Distance)记为Dc,则:
当两个像素的颜色距离小于一阈值ε,则认为该像素隶属某个道路,为了提高计算速度,采用以下颜色距离公式近似计算:
Dc(p,q)=max(|R(p)-R(q)|,|G(p)-G(q)|,|B(p)-B(q)|)
依据获取的配色方案表格,渲染道路所使用的颜色为RGB(R1,G1,B1),选择颜色距离的阈值为1,在处理像素p时,计算公式如下:
Dc=max(|R(p)-R1|,|G(p)-G1|,|B(p)-B1|)<ε
所述的面向瓦片地图的道路自动提取方法,阈值ε的取值为1。
所述的面向瓦片地图的道路自动提取方法,步骤(3)中所述路网细化算法的具体方法是:
迭代1:将临时图像进行扫描,对于取值不为0的道路像素点p0,如果满足以下四个条件则置为背景颜色:
①2≤B(p0)≤6
②A(p0)=1
③p1×p3×p5=0
④p3×p5×p7=0
其中,B(p0)为p0的8个邻接像素中道路像素的个数,A(p0)为p0->p1的排列顺序中,0->1模式的数量为1;
迭代2:将瓦片图像进行扫描,对于取值不为0的道路像素点,如果满足以下四个条件则删除:
①2≤B(p0)≤6
②A(p0)=1
③p1×p3×p7=0
④p1×p5×p7=0
观察两次迭代的第③和第④个条件,第一次迭代时,p3和p5出现了两次,也就是说p3和p5只要有一个是0,条件③④就满足,所以,第一次迭代只是移去右边和下边的边界点,同理,第二次迭代是为了移去左边和上边的边界点。
所述的面向瓦片地图的道路自动提取方法,步骤(3)中所述的矢量化跟踪的具体方法是先从交叉点开始跟踪,采取分而治之的方法进行跟踪,已经检测过的点置为背景色,然后跟踪剩余的道路像素点,遵循以下步骤:
(31)从跟踪完交叉点的图像第一行开始检测,获取一个未跟踪的道路起点;
(32)创建一个线状要素点集合,将起点加入,开始追踪,获取邻接点;
(33)将当前邻接点的颜色设置为背景颜色,按照相同的顺序对邻接点进行检测,获取下个邻接点,直至一条连通路径跟踪完成位置;
(34)从上一道路线的终点所在行开始,找到下一个未被跟踪的道路线起点,重复步骤(32)和步骤(33)直至所有未被跟踪的孤立道路全部跟踪完成。
有益效果:
本发明帮助路网数据使用和生产单位更新、获取道路最新的几何数据,由于在线地图采用了众包数据更新技术,数据的现时性高,本发明能快速获取最新的道路几何数据,从而节省人工数据采集成本。
附图说明
图1为本发明颜色提取算法流程图。
图2为本发明矢量化跟踪步骤示意图。
图3是实施例中p0的邻域和01模式示意图。
图4是实施例中图3两次迭代的删除对象图。
具体实施方式
本发明提供一种一种面向瓦片地图的道路自动提取方法,所述方法包括如下步骤:
(1)道路颜色提取:制作配色方案表,根据表格对待处理的瓦片地图逐像素处理,当前像素和某一级道路的渲染色彩的颜色距离低于阈值时,则判断此像素为前景要素,根据这个原则对整副瓦片地图进行处理,提取出代表某一级道路的全部像素,采用同样的方法可以不区分等级提取出所有道路;
不同的地图网站渲染方案大同小异,众包地图网站OpenStreetMap的配色方案如下:
表1 OpenStreetMap配色方案
(2)根据颜色距离对过渡色进行临界分割;
(3)利用路网细化算法对只包含道路信息的二值图像进行细化,得到道路要素的骨架线后进行矢量化跟踪,获取路网几何数据,对初步提取数据进行光滑、综合和错误剔除处理,最终得到可以使用的道路网络。
所述的面向瓦片地图的道路自动提取方法,步骤(2)中所述的根据颜色距离对过渡色进行临界分割的具体方法是:
在RGB颜色空间中,两个像素p和q的颜色距离(Color Distance)记为Dc,则:
当两个像素的颜色距离小于一阈值ε,则认为该像素隶属某个道路,为了提高计算速度,采用以下颜色距离公式近似计算:
Dc(p,q)=max(|R(p)-R(q)|,|G(p)-G(q)|,|B(p)-B(q)|)
依据获取的配色方案表格,渲染道路所使用的颜色为RGB(R1,G1,B1),选择颜色距离的阈值为1,在处理像素p时,计算公式如下:
Dc=max(|R(p)-R1|,|G(p)-G1|,|B(p)-B1|)<ε
所述的面向瓦片地图的道路自动提取方法,阈值ε的取值为1。
所述的面向瓦片地图的道路自动提取方法,步骤(3)中所述路网细化算法的具体方法是:
(1)迭代1:将临时图像(临时图像复制处理图像)进行扫描,对于道路像素点p0(取值不为0),如果满足以下四个条件则置为背景颜色。
①2≤B(p0)≤6
②A(p0)=1
③p1×p3×p5=0
④p3×p5×p7=0
其中,B(p0)为p0的8个邻接像素中道路像素的个数,A(p0)为p0->p1的排列顺序中,0->1模式的数量为1。如图3所示的0->1模式为3。
(1)迭代2:将瓦片图像进行扫描,对于道路像素点(取值不为0),如果满足以下四个条件则删除。
①2≤B(p0)≤6
②A(p0)=1
③p1×p3×p7=0
④p1×p5×p7=0
观察两次迭代的第③和第④个条件,第一次迭代时,p3和p5出现了两次,也就是说p3和p5只要有一个是0,条件③④就满足,所以,第一次迭代只是移去右边和下边的边界点,同理,第二次迭代是为了移去左边和上边的边界点。
所述的面向瓦片地图的道路自动提取方法,步骤(3)中所述的矢量化跟踪的具体方法是先从交叉点开始跟踪,采取分而治之的方法进行跟踪,已经检测过的点置为背景色,然后跟踪剩余的道路像素点,遵循以下步骤:
(31)从跟踪完交叉点的图像第一行开始检测,获取一个未跟踪的道路起点;
(32)创建一个线状要素点集合,将起点加入,开始追踪,获取邻接点;
(33)将当前邻接点的颜色设置为背景颜色,按照相同的顺序对邻接点进行检测,获取下个邻接点,直至一条连通路径跟踪完成位置;
(34)从上一道路线的终点所在行开始,找到下一个未被跟踪的道路线起点,重复步骤(32)和步骤(33)直至所有未被跟踪的孤立道路全部跟踪完成。
对于由于标注信息打断的道路,需要少量手工编辑,以保证道路拓扑完整性。
以上所述的具体实施操作方法,对本发明的技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述为本发明具体实施方式,凡在本发明的精神和原则之内,所做的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种面向瓦片地图的道路自动提取方法,其特征在于:所述方法包括如下步骤:
(1)道路颜色提取:制作配色方案表,根据表格对待处理的瓦片地图逐像素处理,当前像素和某一级道路的渲染色彩的颜色距离低于阈值时,则判断此像素为道路要素,根据这个原则对整副瓦片地图进行处理,提取出代表某一级道路的全部像素,采用同样的方法可以不区分等级提取出所有道路;
(2)根据颜色距离对过渡色进行临界分割;
(3)利用路网细化算法对只包含道路要素的二值图像进行细化,得到道路要素的骨架线后进行矢量化跟踪,获取路网几何数据,对初步提取的路网几何数据进行光滑、综合和错误剔除处理,最终得到可以使用的道路网络;
步骤(3)中所述路网细化算法的具体方法是:
迭代1:将只包含道路要素的二值图像进行扫描,对于取值不为0的道路像素点p0,设像素点p0的八邻域分别为p1、p2、p3、p4、p5、p6、p7、p8,其中p1为像素点p0的上邻域,p3为像素点p0的右邻域,p5为像素点p0的下邻域,p7为像素点p0的左邻域;如果满足以下四个条件则置为背景颜色:
①2≤B(p0)≤6
②A(p0)=1
③p1×p3×p5=0
④p3×p5×p7=0
其中,B(p0)为p0的8个邻接像素中道路像素的个数,A(p0)为p0->p1的排列顺序中,0->1模式的数量为1;
迭代2:将整副瓦片图像进行扫描,对于取值不为0的道路像素点p0,如果满足以下四个条件则删除:
①2≤B(p0)≤6
②A(p0)=1
③p1×p3×p7=0
④p1×p5×p7=0观察两次迭代的第③和第④个条件,第一次迭代时,p3和p5出现了两次,也就是说p3和p5只要有一个是0,条件③④就满足,所以,第一次迭代只是移去右边和下边的边界点,同理,第二次迭代是为了移去左边和上边的边界点。
2.根据权利要求1所述的面向瓦片地图的道路自动提取方法,其特征在于:步骤(2)中所述的根据颜色距离对过渡色进行临界分割的具体方法是:
在RGB颜色空间中,两个像素p和q的颜色距离(Color Distance)记为Dc,则:
当两个像素的颜色距离小于一阈值ε,则认为该像素隶属某个道路,为了提高计算速度,采用以下颜色距离公式近似计算:
Dc(p,q)=max(|R(p)-R(q)|,|G(p)-G(q)|,|B(p)-B(q)|)
依据获取的配色方案表格,渲染道路所使用的颜色为RGB(R1,G1,B1),选择颜色距离的阈值为1,在处理像素p时,计算公式如下:
Dc=max(IR(p)-R1|,|G(p)-G1|,|B(p)-B1|)<1。
3.根据权利要求1所述的面向瓦片地图的道路自动提取方法,其特征在于:步骤(3)中所述的矢量化跟踪的具体方法是先从交叉点开始跟踪,采取分而治之的方法进行跟踪,已经检测过的点置为背景色,然后跟踪剩余的道路像素点,遵循以下步骤:
(31)从跟踪完交叉点的图像第一行开始检测,获取一个未跟踪的道路起点;
(32)创建一个线状要素点集合,将起点加入,开始追踪,获取邻接点;
(33)将当前邻接点的颜色设置为背景颜色,按照相同的顺序对邻接点进行检测,获取下个邻接点,直至一条连通路径跟踪完成位置;
(34)从上一道路线的终点所在行开始,找到下一个未被跟踪的道路线起点,重复步骤(32)和步骤(33)直至所有未被跟踪的孤立道路全部跟踪完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910902214.0A CN110728723B (zh) | 2019-09-23 | 2019-09-23 | 一种面向瓦片地图的道路自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910902214.0A CN110728723B (zh) | 2019-09-23 | 2019-09-23 | 一种面向瓦片地图的道路自动提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110728723A CN110728723A (zh) | 2020-01-24 |
CN110728723B true CN110728723B (zh) | 2023-04-28 |
Family
ID=69218287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910902214.0A Active CN110728723B (zh) | 2019-09-23 | 2019-09-23 | 一种面向瓦片地图的道路自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728723B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733621A (zh) * | 2020-12-25 | 2021-04-30 | 江西裕丰智能农业科技有限公司 | 一种地图高精度信息识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004246554A (ja) * | 2003-02-13 | 2004-09-02 | Zenrin Co Ltd | 道路データ生成方法 |
JP2006268804A (ja) * | 2005-03-19 | 2006-10-05 | Koji Miyake | 2値画像の細線化方式 |
JP2007033931A (ja) * | 2005-07-27 | 2007-02-08 | Hitachi Software Eng Co Ltd | 衛星画像等を用いた地図作成のための道路認識システム |
CN105139434A (zh) * | 2015-08-11 | 2015-12-09 | 长沙迪迈数码科技股份有限公司 | 露天矿山道路网自动构建方法及系统 |
CN109583282A (zh) * | 2017-09-29 | 2019-04-05 | 高德软件有限公司 | 一种矢量道路确定方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008130219A1 (en) * | 2007-04-19 | 2008-10-30 | Tele Atlas B.V. | Method of and apparatus for producing road information |
-
2019
- 2019-09-23 CN CN201910902214.0A patent/CN110728723B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004246554A (ja) * | 2003-02-13 | 2004-09-02 | Zenrin Co Ltd | 道路データ生成方法 |
JP2006268804A (ja) * | 2005-03-19 | 2006-10-05 | Koji Miyake | 2値画像の細線化方式 |
JP2007033931A (ja) * | 2005-07-27 | 2007-02-08 | Hitachi Software Eng Co Ltd | 衛星画像等を用いた地図作成のための道路認識システム |
CN105139434A (zh) * | 2015-08-11 | 2015-12-09 | 长沙迪迈数码科技股份有限公司 | 露天矿山道路网自动构建方法及系统 |
CN109583282A (zh) * | 2017-09-29 | 2019-04-05 | 高德软件有限公司 | 一种矢量道路确定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110728723A (zh) | 2020-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242791B (zh) | 一种针对破损植物叶片的批量修复方法 | |
US10942130B2 (en) | Damage information processing device and damage information processing method | |
CN110197153B (zh) | 一种户型图中墙体自动识别方法 | |
KR102035030B1 (ko) | 차선 정보를 이용한 자동 도화 방법 | |
CN107767382A (zh) | 静态三维地图建筑物轮廓线的自动提取方法及系统 | |
CN110598541B (zh) | 一种提取道路边缘信息的方法及设备 | |
CN110659644B (zh) | 书法单字的笔画自动提取方法 | |
CN111652892A (zh) | 一种基于深度学习的遥感影像建筑物矢量提取及优化方法 | |
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 | |
CN108629782B (zh) | 基于地面线索传播的道路目标深度估计方法 | |
CN110852207A (zh) | 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法 | |
KR102180726B1 (ko) | 딥러닝 기반의 슬래그 자동 제거 장치 및 방법 | |
CN110728723B (zh) | 一种面向瓦片地图的道路自动提取方法 | |
JPH05181411A (ja) | 地図情報照合更新方式 | |
JP2009217832A (ja) | ビデオ画像の道路標識自動認識方法及び道路標識自動認識装置並びに道路標識自動認識のプログラムを記憶した記憶媒体 | |
CN112861669B (zh) | 地表坡向约束的高分辨率dem地形特征增强提取方法 | |
CN104036295A (zh) | 多光谱遥感影像道路中心线自动检测方法 | |
CN105957027A (zh) | 一种基于所需方向结构特征统计的mrf样图像修复方法 | |
CN111985507A (zh) | 一种岩体三维点云节理迹线提取方法 | |
CN112435274A (zh) | 一种基于面向对象分割的遥感影像面状地物提取方法 | |
CN112950662B (zh) | 一种交通场景空间结构提取方法 | |
CN113095309B (zh) | 一种基于点云的道路场景地面标识物的提取方法 | |
CN111369579A (zh) | 一种提取三维云建模目标区域轮廓的方法 | |
Sun et al. | Complex building roof detection and strict description from LIDAR data and orthorectified aerial imagery | |
CN105719296A (zh) | 基于地址-事件表示的高速图像二值连通域标记方法 |
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 |