CN111274968B - 面向对象的道路信息提取方法、装置及电子设备 - Google Patents

Abstract

本发明公开了一种面向对象的道路信息提取方法，应用于遥感图像处理技术，主要目的在于解决现有遥感图像进行图像提取时准确性较低的问题，本发明主要步骤包括：获取遥感图像数据，并对所述遥感图像数据执行初步处理操作，得到初步图像；通过机器学习模型从所述初步图像中提取灰度图，所述机器学习模型为预先基于历史数据训练的，用于对从遥感图像中提取灰度图的模型；根据所述灰度图以及所述初步图像进行图像分割，得到分割后图像；通过预设特征提取规则，从所述分割后图像中提取目标道路图像数据，所述特征提取规则中包括光谱特征、纹理特征、形状特征以及空间邻域特征。本发明适用于面向对象的图像信息提取。

Description

面向对象的道路信息提取方法、装置及电子设备

技术领域

本发明涉及遥感图像处理技术，具体涉及一种面向对象的道路信息提取提取方法、装置及电子设备。

背景技术

随着技术的不断发展，遥感图像处理技术也逐步发展。目前，在对遥感图像进行目标图像提取时，按其图像分类时的基本单元的不同可以分为基于像元的分类方法和面向对象的分类方法两大类。由于基于像元的分类方法以影像单一像元为基本单元，其分类结果容易出现“椒盐现象”，而且由于地物存在“同物异普”和“异物同普”现象，易造成地物类别的错分和漏分，导致分类结果精度较低，而面向对象的分类方法利用“同质均一”的多个像元为基础分类对象，利用影像的光谱、纹理特征进行分类，突破了基于像元分类方法的限制，一定程度上解决了典型地物容易出现的错和漏的问题，因此，面向对象的图像分类方法已逐步成为遥感图像中提取影像数据时的主要手段。

一般来说，在现有基于面向对象的图像分类来进行影像提取时，一般是基于遥感图像中的几个波段中的光谱信息以及纹理参数进行图像的分类和提取。然而，在实际应用中，现有的图像提取方法在面对一些典型地物时，基于其图像提取过程中依靠纹理、光谱进行提取的，当纹理、光谱相关特征较为相似时，极易导致将不同的地物划分成一类，继而使提取的影像准确性受到影响。

发明内容

有鉴于此，本发明提供了一种面向对象的道路信息提取方法、装置及电子设备，为了解决现有的面向对象的道路信息提取过程中准确性较差的问题。

为实现上述发明目的，根据本发明的第一个方面，提供一种面向对象的道路信息提取方法，包括：

获取遥感图像数据，并对所述遥感图像数据执行初步处理操作，得到初步图像，所述初步处理操作包括辐射校正操作、几何校正操作、图像融合操作、波段重新组合操作以及数据降位操作；

通过机器学习模型从所述初步图像中提取灰度图，所述机器学习模型为预先基于历史数据训练的，用于对从遥感图像中提取灰度图的模型；

根据所述灰度图以及所述初步图像进行图像分割，得到分割后图像；

通过预设特征提取规则，从所述分割后图像中提取目标道路图像数据，所述特征提取规则中包括光谱特征、纹理特征、形状特征以及空间邻域特征。

可选的，在所述通过预设特征提取规则，从所述分割后图像中提取目标道路图像数据之前，所述方法还包括：

建立预设特征提取规则，其中，所述光谱特征包括亮度特征及标准差特征；

所述纹理特征包括同质性特征及对比度特征；

所述形状特征包括长度特征、宽度特征、长宽比特征及密度特征；

所述空间邻域特征包括空间临近度特征。

可选的，在所述通过预设特征提取规则，从所述分割后图像中提取目标道路图像数据之后，所述方法还包括：

对所述目标道路图像数据进行优化处理操作，所述优化处理操作包括：图斑融合操作、小面积图斑剔除操作、形态学规整操作、栅格转矢量操作、矢量图形简化操作及拓扑检查操作。

可选的所述获取遥感图像数据，并对所述遥感图像数据执行初步处理操作，得到初步图像包括：

当对所述遥感图像数据执行初步处理操作中的波段重新组合操作时，从所述遥感图像数据中分别提取R波段、G波段及B波段，并设置R波段的波段组合顺序为第一位序，设置G波段的波段组合顺序为第二位序，设置B波段的波段组合顺序为第三位序；

当对所述遥感图像数据执行初步处理操作中数据降位操作时，调整所述初步图像的值域范围至0-255。

可选的，所述根据所述灰度图以及所述初步图像进行图像分割，得到分割后图像，包括：

融合所述灰度图与所述初步图像，得到融合图像，所述融合图像中包含有R波段、G波段、B波段以及灰度图波段；

对所述融合图像进行多尺度分割，得到分割后图像。

可选的，所述根据所述灰度图以及所述初步图像进行图像分割，得到分割后图像包括：

将所述灰度图确定为分割辅助数据，对所述初步图像进行多尺度分割。

可选的，在所述通过机器学习模型从所述初步图像中提取灰度图之后，所述方法还包括：

判断所述灰度图的值域范围是否与所述初步图像的值域范围相同；

若否，则调整所述灰度图的值域范围，以便所述灰度图的值域范围与所述初步图像的值域范围相同。

根据本发明的第二方面，本发明还提供了一种面向对象的道路信息提取装置，包括：

处理单元，用于获取遥感图像数据，并对所述遥感图像数据执行初步处理操作，得到初步图像，所述初步处理操作包括辐射校正操作、几何校正操作、图像融合操作、波段重新组合操作以及数据降位操作；

第一提取单元，用于通过机器学习模型从所述初步图像中提取灰度图，所述机器学习模型为预先基于历史数据训练的，用于对从遥感图像中提取灰度图的模型；

分割单元，用于根据所述灰度图以及所述初步图像进行图像分割，得到分割后图像；

第二提取单元，用于通过预设特征提取规则，从所述分割后图像中提取目标道路图像数据，所述特征提取规则中包括光谱特征、纹理特征、形状特征以及空间邻域特征。

可选的，所述装置还包括：

建立单元，用于建立预设特征提取规则，其中，所述光谱特征包括亮度特征及标准差特征；

所述纹理特征包括同质性特征及对比度特征；

所述形状特征包括长度特征、宽度特征、长宽比特征及密度特征；

所述空间邻域特征包括空间临近度特征。

可选的，所述装置还包括：

优化单元，用于对所述目标道路图像数据进行优化处理操作，所述优化处理操作包括：图斑融合操作、小面积图斑剔除操作、形态学规整操作、栅格转矢量操作、矢量图形简化操作及拓扑检查操作。

可选的，所述处理单元包括：

第一处理模块，用于当对所述遥感图像数据执行初步处理操作中的波段重新组合操作时，从所述遥感图像数据中分别提取R波段、G波段及B波段，并设置R波段的波段组合顺序为第一位序，设置G波段的波段组合顺序为第二位序，设置B波段的波段组合顺序为第三位序；

第二处理模块，用于当对所述遥感图像数据执行初步处理操作中数据降位操作时，调整所述初步图像的值域范围至0-255。

可选的，所述分割单元，包括：

融合模块，用于融合所述灰度图与所述初步图像，得到融合图像，所述融合图像中包含有R波段、G波段、B波段以及灰度图波段；

第一分割模块，用于对所述融合图像进行多尺度分割，得到分割后图像。

可选的，所述分割单元，包括：

第二分割模块，用于将所述灰度图确定为分割辅助数据，对所述初步图像进行多尺度分割。

可选的，所述装置还包括：

判断单元，用于判断所述灰度图的值域范围是否与所述初步图像的值域范围相同；

调整单元，用于若判断所述灰度图的值域范围与所述初步图像的值域范围不同，则调整所述灰度图的值域范围，以便所述灰度图的值域范围与所述初步图像的值域范围相同。

本发明提供的一种面向对象的道路信息提取方法、装置及电子设备，与现有技术中在进行面向对象的道路信息提取过程中提取结果的准确性较低相比，本发明首先获取遥感图像数据，并对所述遥感图像数据执行初步处理操作，得到初步图像；然后，通过机器学习模型从所述初步图像中提取灰度图；之后，根据所述灰度图以及所述初步图像进行图像分割，得到分割后图像；最后，通过预设特征提取规则，从所述分割后图像中提取目标道路图像数据，所述特征提取规则中包括光谱特征、纹理特征、形状特征以及空间邻域特征，从而得到目标面向对象的道路信息提取结果，与现有的仅依靠光谱纹理进行图像提取和分类相比，本发明在提取影像的过程中能够通过预设特征提取规则中的光谱特征、纹理特征、形状特征以及空间邻域特征多种特征进行目标道路图像数据的提取，增加了提取过程中的维度选择，使得提取效果更为准确，并且在图像分割的过程中结合了灰度图进行分割，确保了分割过程有更多的波段进行处理，使得分割结果更为准确性，因此，依照本发明的方法能够在分割和提取的过程具有更好的准确性，从而改善了现有技术在基于面向对象的道路信息提取过程中，相似地物间提取错误和混淆的现象，解决了现有技术在面对相似地物的遥感图像中提取目标数据时准确性较低的问题。

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它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。

图1是根据本申请一实施例提供的一种面向对象的道路信息提取方法的实现流程图；

图2是根据本申请一实施例提供的另一种面向对象的道路信息提取方法的实现流程图；

图2-a为根据本申请一实施例提供的一种面向对象的道路信息提取方法中的遥感影像数据示意图；

图2-b为根据本申请一实施例提供的一种面向对象的道路信息提取方法中基于机器学习模型提取的灰度图的示意图；

图2-c为根据本申请一实施例提供的一种面向对象的道路信息提取方法中经多尺度分割后得到的分割后图像的示意图；

图2-d为根据本申请一实施例提供的一种面向对象的道路信息提取方法中优化操作后得到图像的示意图；

图2-e为根据本申请一实施例提供的一种面向对象的道路信息提取方法中目标道路图像数据的示意图；

图3是根据本申请一实施例提供的一种面向对象的道路信息提取装置的结构示意图；

图4是根据本申请一实施例提供的另一种面向对象的道路信息提取装置的结构示意图；

图5是根据本申请一实施例提供的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本发明实施例提供了一种面向对象的道路信息提取方法，如图1所示，所述方法包括：

101、获取遥感图像数据，并对所述遥感图像数据执行初步处理操作，得到初步图像。

其中，所述初步处理操作包括辐射校正操作、几何校正操作、图像融合操作、波段重新组合操作以及数据降位操作。

当获取到遥感图像数据后，由于该遥感图像数据中包含有会对后续图像分析和提取时的干扰因素，例如，辐射误差、图像几何畸变。同时该遥感图像数据是原始的未经加工的数据，这就导致数据在后续分析和提取的之前，需要对数据进行相关处理，以使得处理后的数据便于后续分析，排除干扰。

其中，图像几何畸变是在遥感成像过程中，图像会受多种因素的影响，如由于传感器自身的性能技术指标偏移造成的影响，地形变化引起的误差、地球曲率引起的畸变，大气折射引起的图像变形等，导致遥感图像上地物的几何位置、形状、大小、尺寸、方位等特征与其对应的地面地物的特征往往是不一致的，从而形成干扰；而辐射误差，则是在利用传感器观测目标的反射或辐射能量时，所得到的测量值与目标的光谱反射率或光谱辐射亮度等物理量之间的差值叫做辐射误差。

其中，辐射校正是指消除图像数据中依附在辐射亮度中的各种失真的过程。处理设备在接到采集设备送来的原始数据后，读取图像处理系统，先进行数据分解，分别建立原始遥感图像数据文件和遥测辅助信息数据文件，然后根据从辐射传输方程推导出的遥感图像辐射误差校正模型，在图像处理系统软硬件的支持下，进行系统辐射校正。

而几何校正是指遥感成像的时候，在获取的图像相对于地面目标发生几何畸变时，这种畸变表现为象元相对于地面目标的实际位置发生挤压、扭曲、拉伸和偏移等，针对几何畸变进行的误差校正就叫几何校正。

此外，在进行初步处理过程中，还需要执行图像融合操作，该融合操作是一个对多遥感器的图像数据和其他信息的处理过程，它着重于把那些在空间或时间上冗余或互补的多源数据，按一定的规则(或算法)进行运算处理，获得比任何单一数据更精确、更丰富的信息，生成一幅具有新的空间、波谱、时间特征的合成图像。

此外，在波段重新组合时，现有的方式往往是从遥感图像中提取红(R)、绿(G)、蓝(B)及近红外(NIR)四种波段进行的。但在本发明实施例中则可以对原遥感图像重新提取红(R)、绿(G)、蓝(B)三种波段即可，并对这三个波段的层面次序进行调整，以确保后续在进行图像提取时具有更好的提取效果。此外，在进行数据降位操作时，由于遥感图像中的值域范围是不确定，为了使后续进行图像提取过程中具有较好的效果，同时实现处理过程的标准化，在此可以将遥感图像调整为某个固定的值域范围，例如范围可以为0-255。

102、通过机器学习模型从所述初步图像中提取灰度图。

其中，所述机器学习模型为预先基于历史数据训练的，用于对从遥感图像中提取灰度图的模型。该机器学习模型可以为SVM，KNN，决策树等任意种模型，也可以为基于深度学习的CNN的卷积神经网络模型。

在实际应用中，机器学习方法(特别是深度学习方法)属于分层模型，可以学习到影像的浅层特征，进而利用浅层特征学习到高层次特征表达。深度学习算法可以高频次的提取低层次特征，例如边界、等值线、目标轮廓，以及形状、大小、颜色、对象旋转角度等。目前深度学习方法应用于遥感影像分类的研究工作中，首先会从高分辨率遥感影像提取和选择包含目标的可能区域，在此基础上提取多类型的低层次特征描述，通过对特征进行标准化、筛选等预处理后，构建特征向量为输入数据，再通过深度学习方法学习影像的中层次特征。以低层次特征描述作为输入，可以提高深度网络的特征学习表现和归纳能力。利用深度学习方法进行遥感影像分类和目标识别的很多研究获得了很好的表现。在本发明实施例中利用机器学习模型从初步图像中提取灰度图之前，根据历史数据训练出的及其学习模型的方式可以与现有技术中训练灰度图提取模型的方式相同，在此不做赘述。

103、根据所述灰度图以及所述初步图像进行图像分割，得到分割后图像。

在实际操作过程中，当前述步骤102获取到灰度图后，则可以基于该灰度图与初步图像进行图像分割，其分割过程及方式可以采取现有技术中的任意一种分割方式进行，例如，可以选取多尺度分割法来进行图像的分割操作。在遥感领域中，经常遇到这种情况：一幅遥感影像中，含有多种地物，每一种地物的大小差异较大，譬如影像中含有水体和建筑物、绿地等信息。通常情况下，水体的面积较大，而建筑物面积通常不大，这样我们在进行面向对象分割的时候，就要注意针对不同地物选取有不同的分割尺度，以确保提取的地物更加完整，更加科学，这种以多种不同的分割尺度分别对图像进行分割和提取的方式就叫做多尺度分割法。当然，本发明所述的实施方式仅为示例性的，在实际应用中，可以根据实际需要选取不同的分割方式进行，在此不做赘述。

这样，在分割过程中，由于在初步图像的基础上，本发明实施例在通过初步图像中的波段的基础上，还能集合利用灰度图的波段进行辅助分割，从而确保了分割效果中的具有较好的准确性。

104、通过预设特征提取规则，从所述分割后图像中提取目标道路图像数据。

其中，所述特征提取规则中包括光谱特征、纹理特征、形状特征以及空间邻域特征。

当前述步骤103对图像进行分割后，由于分割出的不同影像之间具有不同的参数特征，因此，在本步骤中则可以依靠预设特征提取规则来确保在提取时能够提取到符合提取需要的目标道路图像数据。具体的，该预设特征提取规则为用户预先设置的用于确定目标影像的规则，在该规则中包含有多种特征，例如光谱特征、纹理特征、形状特征以及空间邻域特征中任意一种或多种。这样可以通过用户预设的包含有多种特征的提取规则对分割后图像进行图像的提取，从而得到所需提取的目标道路图像数据。例如，当所述目标道路图像数据为道路图像时，则可以根据该道路图像的特点确定提取时所需的每种特征，继而在本步骤中对分割后图像进行道路图像提取时，根据道路图像的特征进行提取，确保提取出的图像为道路，从而确保从遥感图像数据中提取道路图像的准确性。

本实施例提供的一种面向对象的道路信息提取方法，与现有技术中在进行面向对象的道路信息提取过程中提取结果的准确性较低相比，本发明首先获取遥感图像数据，并对所述遥感图像数据执行初步处理操作，得到初步图像；然后，通过机器学习模型从所述初步图像中提取灰度图；之后，根据所述灰度图以及所述初步图像进行图像分割，得到分割后图像；最后，通过预设特征提取规则，从所述分割后图像中提取目标道路图像数据，所述特征提取规则中包括光谱特征、纹理特征、形状特征以及空间邻域特征，从而得到目标面向对象的道路信息提取结果，与现有的仅依靠光谱纹理进行图像提取和分类相比，本发明在提取影像的过程中能够通过预设特征提取规则中的光谱特征、纹理特征、形状特征以及空间邻域特征多种特征进行目标道路图像数据的提取，增加了提取过程中的维度选择，使得提取效果更为准确，并且在图像分割的过程中结合了灰度图进行分割，确保了分割过程有更多的波段进行处理，使得分割结果更为准确性，因此，依照本发明的方法能够在分割和提取的过程具有更好的准确性，从而改善了现有技术在基于面向对象的道路信息提取过程中，相似地物间提取错误和混淆的现象，解决了现有技术在面对相似地物的遥感图像中提取目标数据时准确性较低的问题。

进一步的，依据图1所示的方法，本发明的另一个实施例还提供了一种面向对象的道路信息提取方法，用以对前述示例的进一步细化和阐述，具体的，如图2所示，所述方法主要包括：

201、获取遥感图像数据，并对所述遥感图像数据执行初步处理操作，得到初步图像。

其中，所述初步处理操作包括辐射校正操作、几何校正操作、图像融合操作、波段重新组合操作以及数据降位操作。具体的，所述初步处理操作中的辐射校正操作、几何校正操作、图像融合操作的操作方式及原因与前述实施例中步骤101中的描述一致，在此不再赘述。

具体的，在执行波段重新组合操作时，本步骤可以按照下述方式进行：

当对所述遥感图像数据执行初步处理操作中的波段重新组合操作时，从所述遥感图像数据中分别提取R波段、G波段及B波段，并设置R波段的波段组合顺序为第一位序，设置G波段的波段组合顺序为第二位序，设置B波段的波段组合顺序为第三位序。

在执行数据降位操作时，可以为：当对所述遥感图像数据执行初步处理操作中数据降位操作时，调整所述初步图像的值域范围至0-255。

需要说明的是，在本步骤实际操作过程中，为了确保后续提取图像结果的准确性，当存在相同位置的多张遥感图像数据时，本步骤所获取的遥感图像数据的可以优选米级或亚米级分辨率的图像。

具体的，在本步骤实际操作过程，可以如下述示例，例如，当前获取到的遥感图像数据所述的高分辨率遥感数据是北京2号卫星载荷的多光谱3.2米、全色0.8米分辨率遥感数据，图2-a所示(彩图)，当获取到所述遥感图像数据后，执行如下步骤：

首先，分别进行辐射校正操作、几何校正操作和图像融合操作，形成0.8米分辨率的融合数据；

然后，基于该融合数据包含B、G、R、NIR(蓝、绿、红、近红)4个波段，在当对所述遥感图像数据执行初步处理操作中的波段重新组合操作时，可以提取影像中的B、G、R波段，并以layer1-layer3依次为R、G、B组合方式进行重新波段组合，获取新的3波段数据；

最后，在在执行数据降位操作时，将3波段遥感数据的位深处理为8位，即将值域范围调整至值域为0-255。

202、通过机器学习模型从所述初步图像中提取灰度图。

其中，所述机器学习模型为预先基于历史数据训练的，用于对从遥感图像中提取灰度图的模型。

具体的，本步骤在执行时，其中机器模型中选取的机器学习方法包括如SVM、KNN、决策树以及深度学习方法，但不仅限于上述枚举的几类方法。同时训练过程中，其机器学习方法输入为与前述步骤201执行了相同初步处理操作的历史数据，作为样本数据进行模型的训练，具体的训练过程与现有技术中训练灰度图提取模型的方式一致，在此不做赘述。

具体的，基于前述实施例中的示例，当经过本步骤的操作后，所述初步图像可以提取出的灰度图可以如图2-b所示。

203、判断所述灰度图的值域范围是否与所述初步图像的值域范围相同。

由于在实际操作过程中，前述步骤中基于机器学习模型提取的灰度图可能其值域范围与初步图像的值域范围不同，为了使后续图像分割时的准确性，在本发明实施例中还需要在步骤202提取到灰度图后按照本步骤的方法判断该灰度图与步骤201中得到的初步图像的值域范围是否一致。

204、若判断所述灰度图的值域范围是否与所述初步图像的值域范围不同，则调整所述灰度图的值域范围，以便所述灰度图的值域范围与所述初步图像的值域范围相同。

例如，当所述前述步骤中得到的灰度图的值域范围为0-1时，由于初步图像的值域范围为0-255，二者并不相同，这时则可以按照本步骤的方法，经该灰度图的进行处理，以使得其值域范围调整至0-255。

205、根据所述灰度图以及所述初步图像进行图像分割，得到分割后图像。

具体的，在分割过程可以基于下述两个方面执行：

一方面，本步骤可以包括：首先，融合所述灰度图与所述初步图像，得到融合图像，所述融合图像中包含有R波段、G波段、B波段以及灰度图波段；然后，对所述融合图像进行多尺度分割，得到分割后图像。

另一方面，本步骤还可以包括：将所述灰度图确定为分割辅助数据，对所述初步图像进行多尺度分割。

例如，基于前述示例所示，在本步骤中进行分割时，可以将步骤201得到的包含有3波段的初步图像及步骤204中进行阈值调整后的灰度图依次输入至预设的面向对象分类软件中。由于输入的这两个图像的值域范围一致(经过步骤203至204的操作)，因此对道路灰度图的值域范围不做处理。然后，在分割时，分割方式采用多尺度分割的方式进行，将包括道路灰度图在内的4个波段均参与分割，另外还可以为几个波段分配权重，在本示例中选取的权重设置为相同，均为1；分割尺度则可以设置为60，形状参数设置为0.1，紧致度设置为0.5，并按照上述参数进行分割，得到的分割后图像的示意图可以如2-c所示。

206、建立预设特征提取规则。

具体的，所述光谱特征包括亮度特征及标准差特征；所述纹理特征包括同质性特征及对比度特征；所述形状特征包括长度特征、宽度特征、长宽比特征及密度特征；所述空间邻域特征包括空间临近度特征。

在此，所述预设特征提取规则可以根据用户需要进行设置，例如当所需提取的目标道路图像数据为道路时，则本步骤中建立的预设特征提取规则可以为适配道路的相关特征。

另外，在实际应用中，为了确保提取结果的准确性，在本步骤中所述特征提取规则中包含的特征种类、数量可以根据用户的实际需要进行设置和选取，在此不做限定。

207、通过预设特征提取规则，从所述分割后图像中提取目标道路图像数据。

其中，所述特征提取规则中包括光谱特征、纹理特征、形状特征以及空间邻域特征。

具体的，本步骤汇总从分割后图像中进行目标道路图像数据提取的过程可以按照下述示例中的方式进行：

例如，

1)首先，基于道路灰度图中的灰度值进行道路初步提取。譬如，若某一分割对象的灰度值≥阈值1，则确定该对象为road1；

2)其次，将初次提取道路中的漏提取的道路进行补充。譬如：

a)若某一分割对象的影像亮度值brightness≥阈值2且length/width

(长宽比)≥阈值3，则确定该对象为疑似road2；

b)若某一分割对象的影像亮度值brightness≥阈值4且density(密度)≥阈值5，则该对象为疑似road3；

c)若某一分割对象的同质性GLCM Homogeneity≥阈值6且length/width(长宽比)≥阈值7，则该对象为疑似road4；

3)将补充道路中的错误数据进行剔除。譬如，若road2、road3、road4中，某一疑似road与road1有空间邻接关系，即空间临近度Re.borderto road1＝0，则将该对象road剔除。

最后，将road2、road3、road4合并至road1类别中。从而确定road1中包含的图像数据为目标道路图像数据。

208、对所述目标道路图像数据进行优化处理操作。

其中，所述优化处理操作包括：图斑融合操作、小面积图斑剔除操作、形态学规整操作、栅格转矢量操作、矢量图形简化操作及拓扑检查操作。

具体的，本步骤优化过程中可以包括：

1)首先进行疑似道路图斑对象进行图斑融合操作；

由于多尺度分割导致分割图斑较破碎，一条完整的道路可能被分为了若干个对象，因此需要将道路的多个图斑进行融合处理。如图2-d所示。

2)剔除面积过小的道路图斑对象，即小面积图斑剔除操作；

融合后的道路图斑，存在面积过小的伪道路对象，需要进行进一步的筛除处理。例如，通过面积筛选，并规定：Area＞＝500pxl者为道路对象。

3)道路对象边界进行形态学规整，即形态学规整操作；

初步提取的道路对象存在细长尖角及细缝，边界呈锯齿状且复杂，需要进行形态学规整。

形态学规整有两个基本的操作：开运算和闭运算。从观念上来说，机器用开运算来打磨图斑(去毛刺)，用闭运算来填充图斑(填细缝)。两个运算的目的均是为了使图斑边界更加的光滑。

4)道路对象进行栅格转矢量操作；

将形态学处理后的图斑进行转矢量处理。转矢量的方法有很多，譬如eCognition平台中的convert image objects to vector objects算法、ArcGIS平台的Raster toPolygon算法等。

5)道路矢量图斑对象进行矢量图形简化操作；

对道路矢量图斑进行简化处理。由于矢量图斑存在较多节点，需要删除部分冗余节点，简化边界。

6)检查矢量多边形的拓扑问题，即拓扑检查操作；

检查多边形之间是否有重叠区，确保矢量无拓扑错误。

结合前述示例中的方法，在经过上述优化操作，图2-a所示的遥感图像数据最后可以得到经过提取目标道路图像数据的图像，可如图2-e所示。

进一步的，依据上述方法实施例，本发明的另一个实施例还提供了一种面向对象的道路信息提取装置，如图3所示，所述装置包括：

处理单元31，可以用于获取遥感图像数据，并对所述遥感图像数据执行初步处理操作，得到初步图像，所述初步处理操作包括辐射校正操作、几何校正操作、图像融合操作、波段重新组合操作以及数据降位操作；

第一提取单元32，可以用于通过机器学习模型从所述处理单元31得到的初步图像中提取灰度图，所述机器学习模型为预先基于历史数据训练的，可以用于对从遥感图像中提取灰度图的模型；

分割单元33，可以用于根据所述第一提取单元32提取的灰度图以及所述处理单元31得到的初步图像进行图像分割，得到分割后图像；

第二提取单元34，可以用于通过预设特征提取规则，从所述分割单元33得到的分割后图像中提取目标道路图像数据，所述特征提取规则中包括光谱特征、纹理特征、形状特征以及空间邻域特征。

进一步的，如图4所示，所述装置还包括：

建立单元35，可以用于建立预设特征提取规则，以便第二提取单元34根据所述预设特征提取规则进行目标道路图像数据的提取，其中，所述光谱特征包括亮度特征及标准差特征；

所述纹理特征包括同质性特征及对比度特征；

所述形状特征包括长度特征、宽度特征、长宽比特征及密度特征；

所述空间邻域特征包括空间临近度特征。

进一步的，如图4所示，所述装置还包括：

优化单元36，可以用于对所述第二提取单元34提取的目标道路图像数据进行优化处理操作，所述优化处理操作包括：图斑融合操作、小面积图斑剔除操作、形态学规整操作、栅格转矢量操作、矢量图形简化操作及拓扑检查操作。

进一步的，如图4所示，所述处理单元31包括：

第一处理模块311，可以用于当对所述遥感图像数据执行初步处理操作中的波段重新组合操作时，从所述遥感图像数据中分别提取R波段、G波段及B波段，并设置R波段的波段组合顺序为第一位序，设置G波段的波段组合顺序为第二位序，设置B波段的波段组合顺序为第三位序；

第二处理模块312，可以用于当对所述遥感图像数据执行初步处理操作中数据降位操作时，调整所述初步图像的值域范围至0-255。

进一步的，如图4所示，所述分割单元33，包括：

融合模块331，可以用于融合所述灰度图与所述初步图像，得到融合图像，所述融合图像中包含有R波段、G波段、B波段以及灰度图波段；

第一分割模块332，可以用于对所述融合模块331得到的融合图像进行多尺度分割，得到分割后图像。

进一步的，如图4所示，所述分割单元33，包括：

第二分割模块333，可以用于将所述灰度图确定为分割辅助数据，对所述初步图像进行多尺度分割。

进一步的，如图4所示，所述装置还包括：

判断单元37，可以用于判断所述第一提取单元32提取的灰度图的值域范围是否与所述初步图像的值域范围相同；

调整单元38，可以用于若判断单元37判断所述灰度图的值域范围与所述初步图像的值域范围不同，则调整所述灰度图的值域范围，以便所述灰度图的值域范围与所述初步图像的值域范围相同。

本发明实施例提供的一种面向对象的道路信息提取的装置，与现有技术中在进行面向对象的道路信息提取过程中提取结果的准确性较低相比，本发明首先获取遥感图像数据，并对所述遥感图像数据执行初步处理操作，得到初步图像；然后，通过机器学习模型从所述初步图像中提取灰度图；之后，根据所述灰度图以及所述初步图像进行图像分割，得到分割后图像；最后，通过预设特征提取规则，从所述分割后图像中提取目标道路图像数据，所述特征提取规则中包括光谱特征、纹理特征、形状特征以及空间邻域特征，从而得到目标面向对象的道路信息提取结果，与现有的仅依靠光谱纹理进行图像提取和分类相比，本发明在提取影像的过程中能够通过预设特征提取规则中的光谱特征、纹理特征、形状特征以及空间邻域特征多种特征进行目标道路图像数据的提取，增加了提取过程中的维度选择，使得提取效果更为准确，并且在图像分割的过程中结合了灰度图进行分割，确保了分割过程有更多的波段进行处理，使得分割结果更为准确性，因此，依照本发明的方法能够在分割和提取的过程具有更好的准确性，从而改善了现有技术在基于面向对象的道路信息提取过程中，相似地物间提取错误和混淆的现象，解决了现有技术在面对相似地物的遥感图像中提取目标数据时准确性较低的问题。

进一步的，依据上述实施例，本发明的另一个实施例还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如上所述的面向对象的道路信息提取的方法。

进一步的，依据上述实施例，如图5所示，本发明的另一个实施例还提供了一种电子设备50如图5所示，其中包括：存储器51、处理器52和通讯总线53；

处理器52可以包括中央处理单元(Central Processing Unit，CPU)、数字信号处理器(digital signal processor，DSP)、微控制器(Microcontroller Unit，MCU)、专用集成电路(Application Specific Integrated Circuit，ASIC)或现场可编程逻辑门阵列(Field－Programmable Gate Array，FPGA)中的至少一个。

存储器51与处理器52通过通讯总线53通讯连接；

存储器51中存储有计算机可执行指令，处理器52用于执行计算机可执行指令，以实现本申请实施例任一可选实施方式提供的面向对象的道路信息提取方法。

计算机可执行指令可以以软件功能单元的形式实现并能够作为独立的产品销售或使用，存储器51可以是任意形式的计算机可读取存储介质。基于这样的理解，本申请的技术方案的全部或部分可以以软件产品的形式体现出来，包括若干指令用以使得一台计算机设备，具体可以是处理器，来执行本申请各个实施例中终端的全部或部分步骤。而前述的计算机可读存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是，本申请提供的移动终端实施例与本申请提供的面向对象的道路信息提取方法实施例具有相同或类似的效果，本实施例不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，设备和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一种面向对象的道路信息提取方法、装置及电子设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者设备程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干设备的单元权利要求中，这些设备中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (8)

1.一种面向对象的道路信息提取方法，其特征在于，包括：

获取遥感图像数据，并对所述遥感图像数据执行初步处理操作，得到初步图像，所述初步处理操作包括辐射校正操作、几何校正操作、图像融合操作、波段重新组合操作以及数据降位操作；

通过机器学习模型从所述初步图像中提取灰度图，所述机器学习模型为预先基于历史数据训练的，用于对从遥感图像中提取灰度图的模型；

根据所述灰度图以及所述初步图像进行图像分割，得到分割后图像；

通过预设特征提取规则，从所述分割后图像中提取目标道路图像数据，所述特征提取规则中包括光谱特征、纹理特征、形状特征以及空间邻域特征；

当对所述遥感图像数据执行初步处理操作中的波段重新组合操作时，从所述遥感图像数据中分别提取R波段、G波段及B波段，并设置R波段的波段组合顺序为第一位序，设置G波段的波段组合顺序为第二位序，设置B波段的波段组合顺序为第三位序；

当对所述遥感图像数据执行初步处理操作中数据降位操作时，调整所述初步图像的值域范围至0-255；

融合所述灰度图与所述初步图像，得到融合图像，所述融合图像中包含有R波段、G波段、B波段以及灰度图波段；

对所述融合图像进行多尺度分割，得到分割后图像。

2.根据权利要求1所述的方法，其特征在于，在所述通过预设特征提取规则，从所述分割后图像中提取目标道路图像数据之前，所述方法还包括：

建立预设特征提取规则，其中，所述光谱特征包括亮度特征及标准差特征；

所述纹理特征包括同质性特征及对比度特征；

所述形状特征包括长度特征、宽度特征、长宽比特征及密度特征；

所述空间邻域特征包括空间临近度特征。

3.根据权利要求1所述的方法，其特征在于，所述根据所述灰度图以及所述初步图像进行图像分割，得到分割后图像包括：

将所述灰度图确定为分割辅助数据，对所述初步图像进行多尺度分割。

4.根据权利要求1-3中任一项所述的方法，其特征在于，在所述通过机器学习模型从所述初步图像中提取灰度图之后，所述方法还包括：

判断所述灰度图的值域范围是否与所述初步图像的值域范围相同；

若否，则调整所述灰度图的值域范围，以便所述灰度图的值域范围与所述初步图像的值域范围相同。

5.一种面向对象的道路信息提取装置，其特征在于，包括：

处理单元，用于获取遥感图像数据，并对所述遥感图像数据执行初步处理操作，得到初步图像，所述初步处理操作包括辐射校正操作、几何校正操作、图像融合操作、波段重新组合操作以及数据降位操作；

第一提取单元，用于通过机器学习模型从所述初步图像中提取灰度图，所述机器学习模型为预先基于历史数据训练的，用于对从遥感图像中提取灰度图的模型；

分割单元，用于根据所述灰度图以及所述初步图像进行图像分割，得到分割后图像；

第二提取单元，用于通过预设特征提取规则，从所述分割后图像中提取目标道路图像数据，所述特征提取规则中包括光谱特征、纹理特征、形状特征以及空间邻域特征；

当对所述遥感图像数据执行初步处理操作中的波段重新组合操作时，从所述遥感图像数据中分别提取R波段、G波段及B波段，并设置R波段的波段组合顺序为第一位序，设置G波段的波段组合顺序为第二位序，设置B波段的波段组合顺序为第三位序；

当对所述遥感图像数据执行初步处理操作中数据降位操作时，调整所述初步图像的值域范围至0-255；

融合所述灰度图与所述初步图像，得到融合图像，所述融合图像中包含有R波段、G波段、B波段以及灰度图波段；

对所述融合图像进行多尺度分割，得到分割后图像。

6.根据权利要求5所述的装置，其特征在于，所述装置还包括：

建立单元，用于建立预设特征提取规则，其中，所述光谱特征包括亮度特征及标准差特征；

所述纹理特征包括同质性特征及对比度特征；

所述形状特征包括长度特征、宽度特征、长宽比特征及密度特征；

所述空间邻域特征包括空间临近度特征。

7.一种电子设备，其特征在于，包括存储器、处理器和通讯总线；

所述存储器与所述处理器通过所述通讯总线通讯连接；

所述存储器中存储有计算机可执行指令，所述处理器用于执行所述计算机可执行指令，以实现权利要求1-4任一项所述的方法。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被执行时，用于实现权利要求1-4任一项所述的方法。

Images