CN111539297B - 一种高分辨率遥感影像道路信息半自动提取方法 - Google Patents

Abstract

本发明涉及遥感影像信息提取领域，尤其涉及一种高分辨率遥感影像道路信息半自动提取方法，其不同之处在于，包括以下步骤：步骤1、图层输入；步骤2、获取道路初始模板；步骤3、获取基准模板；步骤4、获取最相似模板；步骤5、判断最相似模板与初始模板的相似度差值是否小于设定阈值：若是则跳转至步骤6，否则跳转至步骤7；步骤6、更新初始模板，并跳转至步骤3；步骤7、获取新基准模板；步骤8、计算新基准模板与初始模板的相似度，得到相似度差值；步骤9、判断相似度差值是否小于设定阈值：若是则跳转至步骤6，否则结束流程。本发明解决了遥感影像的道路信息提取中自动化提取精度不高，而纯人工的提取效率低下的问题。

Description

一种高分辨率遥感影像道路信息半自动提取方法

技术领域

本发明涉及遥感影像信息提取领域，尤其涉及一种高分辨率遥感影像道路信息半自动提取方法。

背景技术

高分辨率影像上信息量丰富，地物细节特征明显，能够为使用者提供详细的地物要素信息或感兴趣目标信息。利用高分辨率遥感影像进行地图数据采集与制作是目前地图生产的主要途径，也是很多商业地图公司、测绘生产单位所采用的方法。对于高分辨率遥感影像信息提取来说，最大的问题在于自动化提取精度不高，需要大量人工后期检查，而纯人工的信息提取又效率低下，高分辨率影像的提取与实际应用还存在着非常大的差距。

道路要素是地图中最主要的地物要素，高分辨率遥感影像道路呈现的特征总结为以下几点：

几何特征：①道路呈长条带状；②道路的弯曲度是有限的，不会突然改变方向；③道路的宽度基本保持不变。

辐射特征：①道路具有相似的灰度值、相似的纹理特征；②道路与周围的地物具有较大的对比度，或暗或亮。

拓扑特征：①道路不会无端中断；②道路相互相交而形成道路网。

功能特征：①道路具有连接居民地的功能。

上下文特征：①立交桥或高速路会投影形成阴影；②道路往往被周边的树木、房屋等其他相对较高的地物遮蔽，道路上有车辆，反过来，车辆、行树、房屋等出现也会预示着有道路的存在。

高分辨率遥感影像中按照道路的特征划分，可以分为高速公路、城市街道、乡村道路。由于不同的类型的道路特征比较明显，导致在提取的过程中需针对特定的道路类型，针对性地进行处理。因此，传统的人工目视解译方法成本高、制作周期长，而全自动提取的后期处理工作量较大，可能会存在错误、遗漏的提取。如何更好地进行道路信息的快速、精确化提取，是需要迫切解决的问题。

鉴于此，为了克服现有技术缺点，提供一种高分辨率遥感影像道路信息半自动提取方法成为本领域亟待解决的问题。

发明内容

本发明的目的在于克服现有技术的缺点，提供一种高分辨率遥感影像道路信息半自动提取方法，解决了遥感影像的道路信息提取中自动化提取精度不高，而纯人工的提取效率低下的问题。

为解决以上技术问题，本发明的技术方案为：一种高分辨率遥感影像道路信息半自动提取方法，其不同之处在于，包括以下步骤：

步骤1、图层输入；

步骤2、获取道路初始模板；

步骤3、根据初始模板，获取基准模板；

步骤4、根据步骤3中得到的基准模板，获取最相似模板；

步骤5、判断步骤4中得到的最相似模板与初始模板的相似度差值是否小于设定阈值：若是则跳转至步骤6，否则跳转至步骤7；

步骤6、更新初始模板，并跳转至步骤3；

步骤7、获取新基准模板；

步骤8、计算所述步骤7中得到的新基准模板与初始模板的相似度，得到相似度差值；

步骤9、判断步骤8中得到的相似度差值是否小于设定阈值：若是则跳转至步骤6，否则结束流程。

按以上方案，所述步骤1包括以下子步骤：

步骤11、输入道路影像图层；

步骤12、输入一个空的矢量线图层，用于存放后续生成的道路要素。

按以上方案，所述步骤2包括以下子步骤：

步骤21、在道路上人工选取两个种子点，第一种子点p表示初始模板位置，第二种子点表示初始模板方向；

步骤22、在第一种子点p两侧生成两条与所述步骤21中两个种子点的连接线相平行的平行线，交互获取道路宽度w；

步骤23、根据第一种子点p生成道路初始模板；

步骤24、获取初始模板区域的灰度值，并计算灰度共生矩阵的纹理特征值，根据初始模板的特征值得到设定阈值。

按以上方案，所述道路初始模板具体为：以第一种子点p为中心点，宽度为w、长度为2w，方向与选取种子点连接线平行的矩形。

按以上方案，所述设定阈值的计算公式为：

其中，v为设定阈值，T代表初始模板，Stdv为灰度共生矩阵纹理标准差，Entropy为灰度共生矩阵纹理熵，Mean为灰度共生矩阵纹理均值，dAlpha为系数。

按以上方案，所述步骤3具体包括：将所述初始模板向其宽边方向移动一个模板长度的距离，得到基准模板。

按以上方案，所述步骤4包括以下子步骤：

步骤41、沿所述基准模板第一条宽边中点分别逆时针和顺时针旋转，每一次旋转一个固定值，生成新的N个目标模板；

步骤42、分别计算N个目标模板、1个基准模板与初始模板的相似度，得到相似度差值u；

步骤43、选择所述相似度差值u最小的模板，作为最相似模板。

按以上方案，所述相似度差值u的计算公式为：

其中，S代表N个目标模板和1个基准模板，T代表初始模板，Stdv为灰度共生矩阵纹理标准差，Entropy为灰度共生矩阵纹理熵，Mean为灰度共生矩阵纹理均值。

按以上方案，所述步骤6具体包括：将最相似模板的道路信息存储在所述步骤12中的矢量线图层中，并将当前最相似模板更新为初始模板。

按以上方案，所述步骤7具体包括：将初始模板沿中心线方向平移2倍的模板长度，得到新基准模板。

本发明的有益效果如下：

1)、解决了遥感影像的道路信息提取中自动化提取精度不高、纯人工的提取效率低下的问题；

2)、通过局部匹配来减少模板内车辆、树木阴影等影响，并对有噪声干扰较大的地方停止搜索，提高了信息提取的精确度；

3)、对于不同的道路类型(高速公路、城市街道、乡村道路)都可进行信息提取。

附图说明

图1为本发明实施例的流程示意图；

图2为本发明实施例的提取效果图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下将通过具体实施方式结合参考附图，以乡村道路为实施例对本发明的技术方案进行进一步详细说明。应当理解，下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

本发明所涉及的相关概念如下：

A、矩形模板：

影像上某个点p，定义一个函数T(a,w,p)，函数表示以p点为中心，宽度为w，长度为2w的矩形模板，从水平方向开始，以a为间隔旋转角度，形成一组矩形模板，得到一组值{T(a0,w,p),T(a1,w,p),…,T(an,w,p)}，用这些值来描述矩形模板的纹理特征。

B、灰度共生矩阵的纹理特征值：

灰度共生矩阵，指的是一种通过研究灰度的空间相关特性来描述纹理的常用方法。由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两像素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。

为了简便，本发明用灰度共生矩阵纹理标准差Stdv、灰度共生矩阵纹理熵Entropy、灰度共生矩阵纹理均值Mean三个参数来描述模板的纹理特征：

C、相似度测度：

本发明利用灰度共生矩阵的纹理特征(标准差、熵、均值)组成的表达式进行相似度的计算：

S代表N个目标模板和1个基准模板、T代表初始模板。在匹配过程中，u值越小，与初始模板的相似度越高。

请参考图1，本发明为一种高分辨率遥感影像道路信息半自动提取方法，其不同之处在于：包括以下步骤：

1)图层输入：

11)输入乡村道路影像图层；

12)输入一个空的矢量线图层，用来存放后续生成的乡村道路要素；

2)获取道路初始匹配模板：

21)在乡村道路上人工选取两个种子点；

22)在第一个种子点两侧生成两条与上述两个种子点连接线相平行的平行线，交互获取道路宽度w；

23)生成初始模板，第一个种子点为中心点，宽度为w、长度为2w，方向与选取种子点连接线平行的矩形；

24)根据初始模板，获取初始设定阈值：

其中，v为设定阈值，T代表初始模板，Stdv为灰度共生矩阵纹理标准差，Entropy为灰度共生矩阵纹理熵，Mean为灰度共生矩阵纹理均值，dAlpha为系数。

3)获取基准模板：

将初始模板向其宽边方向移动一个模板长度的距离2w，得到基准模板；

4)获取最相似模板：

41)沿基准模板第一条宽边中点分别逆时针和顺时针旋转各40度，每一次旋转5度，生成新的16个目标模板；

42)根据灰度共生矩阵的纹理特征值，以相似度测度来分别计算17个模板(16个目标模板与1个基准模板)与初始模板相似度，得到17个相似度差值u；

其中，S代表16个目标模板和1个基准模板，T代表初始模板，Stdv为灰度共生矩阵纹理标准差，Entropy为灰度共生矩阵纹理熵，Mean为灰度共生矩阵纹理均值。

43)选择相似度差值u最小的模板，作为对应初始模板的最相似模板；

5)判断最相似模板是否满足设定阈值(相似度差值u是否小于设定阈值v)：若满足则跳转至步骤6，不满足则跳转至步骤7；

6)将最相似模板的道路信息(边线、中线)存储在步骤12的矢量线图层中，并将当前最相似模板更新为初始模板，并跳转至步骤3；

7)将初始模板沿中心线方向平移2倍的模板长度，得到新基准模板；

8)计算新基准模板与初始模板相似度，得到相似度差值；相似度差值计算公式同步骤42中的计算公式；

9)判断相似度是否满足设定阈值(相似度差值u是否小于设定阈值v)，若满足则跳转至步骤6，否则结束流程；设定阈值v的计算公式同步骤24中的计算公式。

本发明实施例中，乡村道路车流量较少，车辆对道路提取的影响较小，阴影、树木等噪声是影响乡村道路提取的主要因素。对于无噪声、少量阴影干扰的情况，道路提取的效果较好，不需人工干预处理，但是在大量阴影的干扰下，道路提取会停止搜索，需要人工处理。最终的提取效果如图2所示。

以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (1)

1.一种高分辨率遥感影像道路信息半自动提取方法，其特征在于，包括以下步骤：

步骤1、图层输入，包括以下子步骤：

步骤11、输入道路影像图层；

步骤12、输入一个空的矢量线图层，用于存放后续生成的道路要素；

步骤2、获取道路初始模板，包括以下子步骤：

步骤21、在道路上人工选取两个种子点，第一种子点p表示初始模板位置，第二种子点表示初始模板方向；

步骤22、在第一种子点p两侧生成两条与所述步骤21中两个种子点的连接线相平行的平行线，交互获取道路宽度w；

步骤23、根据第一种子点p生成道路初始模板，所述道路初始模板具体为：以第一种子点p为中心点，宽度为w、长度为2w，方向与选取种子点连接线平行的矩形；

步骤24、获取初始模板区域的灰度值，并计算灰度共生矩阵的纹理特征值，根据初始模板的特征值得到设定阈值，所述设定阈值的计算公式为：

其中，v为设定阈值，T代表初始模板，Stdv为灰度共生矩阵纹理标准差，Entropy为灰度共生矩阵纹理熵，Mean为灰度共生矩阵纹理均值，dAlpha为系数；

步骤3、根据初始模板，获取基准模板，具体包括：将所述初始模板向其宽边方向移动一个模板长度的距离，得到基准模板；

步骤4、根据步骤3中得到的基准模板，获取最相似模板，包括以下子步骤：

步骤41、沿所述基准模板第一条宽边中点分别逆时针和顺时针旋转，每一次旋转一个固定值，生成新的N个目标模板；

步骤42、分别计算N个目标模板、1个基准模板与初始模板的相似度，得到N+1个相似度差值u，所述相似度差值u的计算公式为：

其中，S代表N个目标模板和1个基准模板，T代表初始模板，Stdv为灰度共生矩阵纹理标准差，Entropy为灰度共生矩阵纹理熵，Mean为灰度共生矩阵纹理均值；

步骤43、选择所述相似度差值u最小的模板，作为最相似模板；

步骤5、判断步骤4中得到的最相似模板与初始模板的相似度差值是否小于设定阈值：若是则跳转至步骤6，否则跳转至步骤7；

步骤6、更新初始模板，并跳转至步骤3，具体包括：将最相似模板的道路信息存储在所述步骤12中的矢量线图层中，并将当前最相似模板更新为初始模板；

步骤7、获取新基准模板，具体包括：将初始模板沿中心线方向平移2倍的模板长度，得到新基准模板；

步骤8、计算所述步骤7中得到的新基准模板与初始模板的相似度，得到相似度差值；

步骤9、判断步骤8中得到的相似度差值是否小于设定阈值：若是则跳转至步骤6，否则结束流程。