CN111027441B - 一种基于机载高光谱遥感影像的道路提取方法 - Google Patents

一种基于机载高光谱遥感影像的道路提取方法 Download PDF

Info

Publication number
CN111027441B
CN111027441B CN201911222064.5A CN201911222064A CN111027441B CN 111027441 B CN111027441 B CN 111027441B CN 201911222064 A CN201911222064 A CN 201911222064A CN 111027441 B CN111027441 B CN 111027441B
Authority
CN
China
Prior art keywords
road
remote sensing
image
hyperspectral remote
sensing image
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
Application number
CN201911222064.5A
Other languages
English (en)
Other versions
CN111027441A (zh
Inventor
王彩玲
王洪伟
郭璞
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.)
Xian Shiyou University
Original Assignee
Xian Shiyou 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 Xian Shiyou University filed Critical Xian Shiyou University
Priority to CN201911222064.5A priority Critical patent/CN111027441B/zh
Publication of CN111027441A publication Critical patent/CN111027441A/zh
Application granted granted Critical
Publication of CN111027441B publication Critical patent/CN111027441B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于机载高光谱遥感影像中的道路提取方法，包括以下步骤：对所检测的高光谱遥感影像数据进行预处理，内容包括剔除噪声较大的波段，对剩余波段进行降噪处理；对预处理之后的数据分别进行PCA降维处理和高光谱影像的NDVI值计算。选取PCA降维后的第1主成分数据进行轮廓检测，对检测后的图像进行Hough变换提取道路。利用NDVI提取出道路两旁的植被信息，排除植被因素的干扰，填补道路空洞、顺滑道路边界，最后通过数学形态学优化算法进一步优化道路提取结果。本发明可有效提高城市主干道路的提取精度，获得完整的道路区域。

Description

一种基于机载高光谱遥感影像的道路提取方法
技术领域
本发明属于高光谱遥感影像的数据处理技术领域，特别涉及一种基于机载高光谱遥感影像的道路提取方法。
背景技术
道路信息的有效提取，可广泛应用于智能交通、无人驾驶、智能公共交通管理等众多方面。传统道路信息提取方法主要为数字摄影和人工测量，采集周期长、工作量大、成本较高。高光谱影像同时具有高的空间分辨率和高的光谱分辨率，合理利用高光谱影像的空间特性和光谱特性进行城市道路提取，对城市规划、交通发展具有重要意义。
近些年来，众多学者致力于从遥感影像中提取道路信息的算法和模型，涉及模式识别，计算机视觉等方面。例如，王润生等人提出了一种从城市航空影像中自动提取直干路网的方法。该方法首先以道路特征线为分层符号；其次，将整个图像分为若干子快，然后根据线提取道路，在每个子块中检测道路。罗庆周等人提出了光谱与形状特征提取方法相结合的方法，该方法利用形状特征去除干扰项用以获取道路中心线和平坦道路。唐伟等人提出了一种面向对象的技术来实现高光谱遥感图像道路信息的提取。该方法充分利用道路的形状和纹理信息，提高了道路提取的精度。沈兆庆等人提出了一种高光谱遥感图像道路特征的快速提取算法，基于支持向量机，可以识别不同的道路特征并提高执行效率。阳春花等人提出的一种自适应道路提取方法是使用道路矢量线来扩展区域，而无需人工干预和参数调整，这使得道路提取更加准确，但算法更加复杂，效率仍然需要提高。Armin Gruen提出了一种基于小波分解的道路锐化算法和基于动态规划的模型驱动线性特征提取算法相结合的半自动道路提取方案，成功地应用于从单点场景和空中图像中提取完整的道路网络。
现有的道路提取技术的不足之处在于：基于普通遥感影像能够定性地对城市道路进行检测，但由于其波段宽、光谱分辨率低的特征，对城市地物光谱特征和区分城市地物所需的地物信息缺乏，难以反映复杂多样的城市地物覆盖内敛型，不利于道路的精确探测。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种基于机载高光谱遥感影像的道路提取方法，以有效提高城市主干道路的提取精度，获得完整的主干道道路区域。
为了实现上述目的，本发明采用的技术方案是：
一种基于机载高光谱遥感影像的道路提取方法，包括以下步骤：
(1)对所检测的机载高光谱遥感影像数据进行预处理；
(2)对预处理之后的数据进行归一化植被指数值计算，获取植被覆盖图；
(3)对预处理之后的数据进行主成分分析(PCA)降维；
(4)选取主成分分析处理后的第1主成分数据进行轮廓提取，得到轮廓二值化图像；
(5)对步骤(4)轮廓提取得到的轮廓二值化图像，计算Hough变换获取轮廓图像中的线段；
(6)对步骤(5)处理得到的线段图，结合植被覆盖图，排除植被干扰，填补相邻线段之间的空洞；
(7)对最终图像进行形态学优化，连通道路曲线，最终提取出完整的城市主干道道路。
所述步骤(1)中机载高光谱遥感影像数据的起始光谱范围不高于400nm，终止光谱范围不低于1000nm；光谱分辨率<10nm，空间分辨率<0.3m；
所述步骤(1)中预处理手段为中值滤波。
所述步骤(2)中，归一化植被指数通过计算近红外波段的反射率值(0.6-0.7μm)与红光波段(0.7-1.1μm)的反射值之差比上两者之和得到。
所述步骤(4)轮廓提取采用Canny经典边缘检测算法实现。
所述步骤(6)的具体实现方法是对植被覆盖图进行二值化处理，标记植被区域为亮区；将二值化植被覆盖图与步骤(5)处理得到的线段图求与操作，对操作后的图像再次进行Hough变换，获取线段图。
所述步骤(7)中的最终图像为步骤(5)处理得到的线段图和步骤(6)处理的线段图进行或操作，得到的二值化图像。
与现有技术相比，本发明能够更好地兼顾高光谱遥感数据特征与道路几何特征，能够提高高光谱遥感数据中的道路提取精度。本发明之所以具有上述效果，其原因在于：本发明在处理原始高光谱数据中充分考虑到了高光谱数据具有丰富的波段这一优势，通过计算其NDVI值获取植被覆盖图；利用PCA降维后的第1主成分数据获取初始线段图；结合植被覆盖图进行二次线段图获取；将两次获取的线段图求或处理后进行形态学优化，提取连通的道路图。
附图说明
图1是本发明的流程图。
图2是数据1道路提取结果示意图，其中(a)为未引入NDVI去除植被干扰的实验结果，(b)为引入NDVI去除植被干扰的实验结果。
图3是数据2道路提取结果示意图，其中(a)为未引入NDVI去除植被干扰的实验结果，(b)为引入NDVI去除植被干扰的实验结果。
具体实施方式
下面结合附图和实施例详细说明本发明的实施方式。
本发明是一种基于高光谱遥感影像的道路提取方法，其整体流程如图1所示，具体实施包含以下步骤：
1.对于所检测的高光谱遥感数据，选取两组机载高光谱遥感影像数据集，图像尺寸都是1500*1500像素，其空间分辨率为0.3m，光谱范围为400到1000nm，光谱分辨率为10nm，波段数为61。
2.对每组数据集中的波段图像进行中值滤波处理；对滤波处理后的图像数据集，选取近红外波段和红外波段，计算NDVI值，获取植被覆盖图并对其进行二值化处理，其中二值化处理的阈值为大于0，所得二值化植被覆盖图标记为I1。
3.对滤波处理后的图像数据集进行PCA降维；
4.选取第1主成分分量数据实现轮廓提取，本发明中的轮廓提取选择的是Canny边缘检测算法。该方法从高斯模糊开始，到基于双阈值实现边缘连接结束，主要步骤如下：1.对图像进行高斯模糊；2.计算图像梯度，根据梯度计算图像边缘幅值与角度；3.非最大信号压制处理(边缘细化)；4.双阈值边缘连接处理；5.二值化图像输出结果。该算法初步实现了道路提取的结果，为后面所做的提取植被信息提高道路识别精度提供便利。
5.对上述轮廓图像进行Hough变换检测直线，绘制初始线段图，标记为I2。本发明中Hough变换的主要原理是通过点与线的对偶性，将原图像上的点影射到用于累加的数空间，这样就把原始图像中给定曲线的检测问题转化为寻找参数空间中的峰值问题。图像空间中共线的所有点对应于参数空间中交于同一点的所有直线，图像空间中直线的长度转变为参数空间中过一点直线的个数。Hough变换算法步骤如下：
a)初始并网格化Hough参数空间；
b)对于欧氏空间中的每个(x,y)执行步骤；
c)由-90度到180度循环执行与；
d)设立阈值，寻找参数空间的峰值点。参数空间每一个峰值点对应欧式空间中的一条直线。
6.将I1与I2求与操作，对操作后的图像再次进行Hough变换，获取线段图I3。
7.将I2与I3进行或操作，对操作后的图像进行形态学优化，获取追中的主干道路图像。
下面的实验结果表明，本发明能够在高光谱遥感影像中检测到城市主干道，并且道路提取结果更为精确。
本实施例采用机载高光谱遥感影像数据集来进行测试，验证本发明的有效性。本发明中所选用的数据集是机载高光谱影像数据，该数据的数据采集的航空平台运行高度为3000m,搭载自适应成像光谱仪，数据采用DIRGIS(Digital Imaging and Remote SensingSoftware)软件生产。图像尺寸为1500*1500像素，其空间分辨率为0.3m，光谱范围为400到1000nm，光谱分辨率为10nm，波段数为61。
为了验证本发明是否能准确检测到城市主干道，本实例分别选用数据集中的两组数据来进行道路的提取。实验环境为Matlab2016a。
数据集1的实验结果如图2所示，其中(a)为未引入NDVI去除植被干扰的实验结果，(b)为引入NDVI去除植被干扰的实验结果。
数据集2的实验结果如图3所示，其中(a)为未引入NDVI去除植被干扰的实验结果，(b)为引入NDVI去除植被干扰的实验结果。
从图2、图3分别可以看出，本发明所提出的道路提取方法，在不使用NDVI提取植被信息之前，道路的提取精度并不高，这是因为道路两旁存在大量植被造成干扰；在使用了NDVI去除植被因素的干扰以后，可以提取出完整的道路。
本发明基于Hough和NDVI的道路提取方法，在高光谱遥感影像预处理过程中采用多种算法，去除了噪声干扰，选用NDVI来排除道路两旁植被信息的干扰，结合Hough变换，有效提高了道路提取的准确性，具有很好的实用价值。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (6)

1.一种基于机载高光谱遥感影像的道路提取方法，其特征在于，包括以下步骤：
步骤(1)对所检测的机载高光谱遥感影像数据进行预处理；
步骤(2)对预处理之后的数据进行归一化植被指数值计算，获取植被覆盖图；
步骤(3)对预处理之后的数据进行主成分分析降维；
步骤(4)选取主成分分析处理后的第1主成分数据进行轮廓提取，得到轮廓二值化图像；
步骤(5)对步骤(4)轮廓提取得到的轮廓二值化图像，计算Hough变换获取轮廓图像中的线段；
步骤(6)对步骤(5)处理得到的线段图，结合植被覆盖图，排除植被干扰，填补相邻线段之间的空洞；
步骤(7)对最终图像进行形态学优化，连通道路曲线，最终提取出完整的城市主干道道路；
其中，所述步骤(6)，对植被覆盖图进行二值化处理，标记植被区域为亮区；将二值化植被覆盖图与步骤(5)处理得到的线段图求与操作，对操作后的图像再次进行Hough变换，获取线段图。
2.根据权利要求1所述基于机载高光谱遥感影像的道路提取方法，其特征在于，所述步骤(1)中机载高光谱遥感影像数据的起始光谱范围不高于400nm，终止光谱范围不低于1000nm；光谱分辨率<10nm，空间分辨率<0.3m。
3.根据权利要求1或2所述基于机载高光谱遥感影像的道路提取方法，其特征在于，所述步骤(1)中预处理手段为中值滤波。
4.根据权利要求1所述基于机载高光谱遥感影像的道路提取方法，其特征在于，所述步骤(2)中，归一化植被指数通过计算近红外波段的反射率值(0.6-0.7μm)与红光波段(0.7-1.1μm)的反射值之差比上两者之和得到。
5.根据权利要求1所述基于机载高光谱遥感影像的道路提取方法，其特征在于，所述步骤(4)轮廓提取采用Canny经典边缘检测算法实现。
6.根据权利要求1所述基于机载高光谱遥感影像的道路提取方法，其特征在于，所述步骤(7)中的最终图像为步骤(5)处理得到的线段图和步骤(6)处理的线段图进行或操作，得到的二值化图像。
CN201911222064.5A 2019-12-03 2019-12-03 一种基于机载高光谱遥感影像的道路提取方法 Active CN111027441B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911222064.5A CN111027441B (zh) 2019-12-03 2019-12-03 一种基于机载高光谱遥感影像的道路提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911222064.5A CN111027441B (zh) 2019-12-03 2019-12-03 一种基于机载高光谱遥感影像的道路提取方法

Publications (2)

Publication Number Publication Date
CN111027441A CN111027441A (zh) 2020-04-17
CN111027441B true CN111027441B (zh) 2023-05-05

Family

ID=70207901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911222064.5A Active CN111027441B (zh) 2019-12-03 2019-12-03 一种基于机载高光谱遥感影像的道路提取方法

Country Status (1)

Country Link
CN (1) CN111027441B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420645A (zh) * 2021-06-22 2021-09-21 廊坊师范学院 一种基于高分卫星影像数据的新建道路信息检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184270A (zh) * 2015-09-18 2015-12-23 中国科学院遥感与数字地球研究所 一种基于脉冲耦合神经网络方法的道路信息遥感提取方法
CN108592888A (zh) * 2018-04-23 2018-09-28 中国科学院地球化学研究所 一种居民地提取方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102623403B1 (ko) * 2015-11-08 2024-01-12 어그로잉 리미티드 항공 이미지 획득 및 분석을 위한 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184270A (zh) * 2015-09-18 2015-12-23 中国科学院遥感与数字地球研究所 一种基于脉冲耦合神经网络方法的道路信息遥感提取方法
CN108592888A (zh) * 2018-04-23 2018-09-28 中国科学院地球化学研究所 一种居民地提取方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
余峰 ; 余洁 ; 简骁 ; .基于Hough变换的高分辨率遥感影像道路提取方法研究.铁道勘察.2011,(05),全文. *
刘怡君 ; 庞勇 ; 廖声熙 ; 荚文 ; 陈博伟 ; 刘鲁霞 ; .机载LiDAR和高光谱融合实现普洱山区树种分类.林业科学研究.2016,(03),全文. *
吴辉 ; 闫晓天 ; 刘洋 ; .基于线性光谱混合模型的高光谱遥感岩矿分类研究.测绘与空间地理信息.2018,(10),全文. *
王艳梅 ; 杨学志 ; .一种基于高空间分辨率遥感影像的道路提取方法研究.昆明学院学报.2017,(03),全文. *
董彦芳 ; 庞勇 ; 许丽娜 ; 陈立泽 ; .高光谱遥感影像与机载LiDAR数据融合的地物提取方法研究.遥感信息.2014,(06),全文. *

Also Published As

Publication number Publication date
CN111027441A (zh) 2020-04-17

Similar Documents

Publication Publication Date Title
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
CN109558806B (zh) 高分遥感图像变化的检测方法
CN108492260B (zh) 基于张量投票耦合霍夫变换的地质线性体提取方法
CN109389163B (zh) 一种基于地形图的无人机影像分类系统及方法
CN108416784B (zh) 城市建成区边界快速提取方法、装置及终端设备
Li et al. Adaptive building edge detection by combining LiDAR data and aerial images
CN104299260A (zh) 一种基于sift和lbp的点云配准的接触网三维重建方法
Wang A multi-scale approach for delineating individual tree crowns with very high resolution imagery
CN107607053B (zh) 一种基于机器视觉和三维重建技术的立木胸径测量方法
CN110660065B (zh) 一种红外故障检测识别算法
CN106702870B (zh) 一种道路裂缝检测系统
CN105261006B (zh) 基于傅里叶变换的医学图像分割算法
CN109448009A (zh) 用于输电线路检测的红外图像处理方法及装置
CN102915432A (zh) 一种车载微机图像视频数据提取方法及装置
CN112184725B (zh) 一种沥青路面图像的结构光光条中心提取方法
CN114387288A (zh) 基于车载激光雷达点云数据的单立木三维信息提取方法
CN111310771A (zh) 遥感影像的道路图像提取方法、装置、设备及存储介质
CN114862889A (zh) 基于遥感图像的道路边缘提取方法和装置
CN106886988A (zh) 一种基于无人机遥感的线性目标检测方法及系统
Rashidi et al. Ground filtering LiDAR data based on multi-scale analysis of height difference threshold
Ghircoias et al. Contour lines extraction and reconstruction from topographic maps
CN116128820A (zh) 一种基于改进yolo模型的销钉状态的识别方法
CN111027441B (zh) 一种基于机载高光谱遥感影像的道路提取方法
CN112288682A (zh) 基于图像配准的电力设备缺陷定位方法
CN108520252B (zh) 基于广义霍夫变换和小波变换的路标识别方法

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