CN111539432A - 一种利用众源数据辅助遥感影像提取城市道路的方法 - Google Patents

一种利用众源数据辅助遥感影像提取城市道路的方法 Download PDF

Info

Publication number
CN111539432A
CN111539432A CN202010166602.XA CN202010166602A CN111539432A CN 111539432 A CN111539432 A CN 111539432A CN 202010166602 A CN202010166602 A CN 202010166602A CN 111539432 A CN111539432 A CN 111539432A
Authority
CN
China
Prior art keywords
road
data
remote sensing
convolution
roads
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
CN202010166602.XA
Other languages
English (en)
Other versions
CN111539432B (zh
Inventor
苗则朗
朋仁锋
贺跃光
肖粤龙
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN202010166602.XA priority Critical patent/CN111539432B/zh
Publication of CN111539432A publication Critical patent/CN111539432A/zh
Application granted granted Critical
Publication of CN111539432B publication Critical patent/CN111539432B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于遥感影像处理领域，公开了一种利用众源数据辅助遥感影像提取城市道路的方法，包括如下步骤：(1)对获取的众源数据进行预处理；(2)基于局部马氏距离分类自动生成训练样本，并利用深度学习算法对高分辨率遥感影像分割，获取候选道路数据；(3)结合方向一致性分割和张量投票算法，将断裂的道路连接成路网；(4)基于自适应椭圆拟合算法聚类，并利用椭圆扁率剔除易混淆场景，使用线拟合得到道路中心线。本发明利用众源数据自动生成训练样本。融合了众源数据和高遥感影像提取城市道路，解决了提取的中心线不够平滑，剔除了诸如停车场等易混淆场景的干扰，提高了城市道路的提取精度。

Description

一种利用众源数据辅助遥感影像提取城市道路的方法
技术领域
本发明涉及一种利用众源数据辅助遥感影像提取城市道路的方法，属于遥感影像处理领域。
背景技术
道路作为城市的“骨架”之一，在很大程度上决定着工业和城市发展的空间分布和发展方向。道路的发展以及道路网络的建设是否与人民的生活水平、生活习惯以及社会的经济发展相适应。及时准确地获取道路信息能对更新交通的管理、制定城市发展规划、提高人民生活水平提供重要的依据，近年来，深度学习在图像分割上的研究十分火热。深度学习技术与传统的图像处理相比，虽具有更高的泛用性和准确性。但其具有数据依赖性，需要通过大量的数据才能很好的理解其中蕴含的模式。每个城市发展，规划都具有自身的特性，而现今的遥感商业数据库如Massachusctts dataset，space-net dataset却只有曼测斯特，上海，巴黎等重要大城市的数据，普适性不够，并且存在难以获取的特点。而人工勾画当地的样本数据需要耗费大量的人力物力，成本高。而众源地理数据有近乎零成本并且易于获取更新快速的特点，其数据与当地的契合度也比较高。利用众源数据辅助遥感影像提取城市道路使用易于获取的众源数据制作样本以快速提取城市区域道路，为城市道路信息获取和快速更新提供了一种新的解决方案。
发明内容
本发明的目的是提供一种利用众源数据辅助遥感影像提取城市道路的方法，利用众源数据自动生成训练样本，融合了众源数据和高遥感影像提取城市道路，解决了提取的中心线不够平滑问题，剔除了诸如停车场等易混淆场景的干扰，提高了城市道路的提取精度。
为实现以上发明目的，本发明提供一种利用众源数据辅助遥感影像提取城市道路的方法，包括如下步骤：(1)对获取的众源数据进行预处理；(2)基于局部马氏距离分类自动生成训练样本，并利用深度学习算法对高分辨率遥感影像进行分割，获取候选道路数据；(3)结合方向一致性分割和张量投票算法，将断裂的道路连接成路网；(4)基于自适应椭圆拟合算法聚类，并利用椭圆扁率剔除易混淆场景，使用线拟合得到道路中心线。
进一步地，步骤(1)中所述的众源数据以OpenStreetMap(OSM)为主，数据覆盖范围广、可获取性高，近乎零成本。
进一步地，步骤(1)中所述的预处理包括数据清洗和自动配准，所述数据清洗为选择道路宽度大于10m的道路，去除重叠冗余的数据；所述自动配准首先将数据清洗后的道路数据栅格化为同遥感影像相同空间分辨率的栅格数据，再使用模板匹配的方法在两幅对应影像中自动寻找特征点并选取其中质量高的特征点作为控制点进行配准。
进一步地，所述OpenStreetMap数据经过预处理后，作为马氏距离分类的参考样本，同时利用OTSU算法计算马氏距离分类的阈值；
这一过程基于马氏距离分类器，如下式：
Figure BDA0002407682230000021
其中，x是待分类的像元各个波段的值，y是参考样本像元各个波段的值,DM(x)表示待分类像元与样本之间的距离,DM(x)的值越小，则该像元可以成为训练样本的概率越大；使用阈值δ分割得到DM(x)，阈值δ的大小使用OSTU算法来设定。
进一步地，步骤(2)中所述的利用深度学习算法对高分辨率遥感影像分割，获取候选道路数据的过程如下：
使用U-net网络作为基础网络搭建语义分割模型，包含特征提取部分和上采样部分；特征提取部分包括四个降采样部分，每一次降采样过程包含两个卷积层和一个最大池化层；上采样部分包括四个上卷积操作，每一次上采样过程中包含两个卷积层和一个反卷积层，用于恢复图片的尺寸；
卷积层使用0填充卷积，激活函数使用relu，池化和反卷积的步长设为2；使用cross entropy loss函数代替BCE loss函数，验证网络时使用Dice_coffee loss,网络的优化器选择Adam代替SGD；
第一次降采样使用64个卷积核，在卷积操作时使用panding操作使图像尺寸不发生改变并使模型拥有足够的参数，池化操作在减小尺度的情况下保留特征信息，以增加模型的容错性；第二、三、四层降采样操作分别使用128、256、512个卷积核，stridse为1，padding为1，其卷积层不会改变图像尺寸，池化使模型的尺寸缩小为原来的一半，经过四次降采样操作后连接两个1024个卷积核的卷积层，完成特征提取；
第一、二、三次上采样在经过反卷积操作后图像的尺寸恢复到原来的两倍，分别使用512、256、128的卷积核，第四次上采样使用64的卷积核并进行一次反卷积操作，最终将图片恢复到输入的尺寸，并将图片拼合起来完成获取候选道路。
进一步地，所述步骤(3)中，首先将道路候选数据按照八联通区域标记，将候选数据按照该标记逐块连接，防止在方向一致性分割后连接出原本不存在的道路，同时提高计算效率；
方向一致性分割将全局方向划分为方向分为10类局部方向：
0.2π*(i-1)<Ori<0.2π*i(i＝1,2,…,10) (2)
对每一个局部方向的道路候选数据先进行小块面积的去除，去除在局部方向内面积小于10的小块，以避免错误的连接并去噪。
进一步地，所述步骤(3)中，分别对经过方向一致性分割后的道路候选数据进行棒形张量编码：
Figure BDA0002407682230000041
将二位张量作为投票基本算子，其显著性衰减函数为：
Figure BDA0002407682230000042
计算投票点A处投票域：
Figure BDA0002407682230000043
其中
Figure BDA0002407682230000044
其中s-曲线长度，κ-曲率，c-控制曲率衰减程度，σ-投票半径，l-两点间的距离；
候选道路数据为二值图像，当投票的两点固定后，唯一的变量就是σ，也是该算法唯一需要调整的参数，十分方便。
候选道路数据为二值图像，当投票的两点固定后，唯一的变量就是σ，也是该算法唯一需要调整的参数，十分方便。
进一步地，所述步骤(3)中，在得到投票域图像后，使用阈值法可以迅速从投票域中提取道路数据，再对得到道路数据进行去除毛刺和形态学闭运算操作，使其更为平滑并填补连接形成空洞。
进一步地，所述步骤(4)中，代表路网集合R的像元的值为1(I(r)＝1)，则路网面积为：
Figure BDA0002407682230000045
包含k个椭圆的集合Ei,该集合内椭圆的总面积为：
Figure BDA0002407682230000046
Figure BDA0002407682230000047
E*＝argmax(α(E)),s.t.SR＝SE (9)
其中I(p)是落入路网R的像元的集合，U(p)是落入Ei中像元的集合，E*是E中椭圆参数的集合；在两个集合面积相等约束条件下寻求最少的参数；
利用AIC(赤池信息量准则)来选择最优的k值：
AIC＝Cln(1-α(E))+2k (10)
其中C是模型复杂度，k是椭圆个数，每个椭圆的参数是固定的，E*的大小由k决定。
进一步地，步骤(4)所述的基于自适应椭圆拟合算法聚类，并利用椭圆扁率剔除易混淆场景，使用线拟合得到道路中心线：
确定最佳椭圆个数k后，使用GMM-EM(Gaussian mixture model-Expectationmaximization)算法来演化和确定椭圆参数，使椭圆的形状能最好的拟合道路的形状，得到椭圆参数最优解。确定所有椭圆的参数后，使用椭圆的扁率来筛选和消除停车场等易与道路混淆场景。再分别对每个模型与道路集合的交集作直线拟合获取道路的中心线。
本发明利用众源数据自动生成训练样本。融合了众源数据和高遥感影像提取城市道路，解决了提取的中心线不够平滑，剔除了诸如停车场等易混淆场景的干扰，提高了城市道路的提取精度。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是本发明一个实施例的流程图。
图2是本发明一个实施例中测试区域的影像。
图3(a)是用来制作样本的区域；图3(b)是栅格化成同一分辨率的OSM数据；图3(c)是自动提取出的道路样本(图中白色部分)；图3(d)是裁剪后的道路样本；
图4(a)是分割出来的道路候选数据，图4(b)中以白色部分显示；
图5(a)是道路候选数据；图5(b)是经过方向一致性分割以及张量投票后的结果；图5(c)是自适应椭圆聚类的结果(仅显示一个连通区域)；图5(d)是最终得到的道路中心线。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
在本发明的一个实例中，如图1所示，是利用众源数据辅助遥感影像提取城市道路的方法。流程图，具体步骤包括：
S1是众源数据的预处理：
本发明具体实施例选择的高分辨率遥感影像为Pleiades-1卫星数据，空间分辨率为0.5m，所使用的众源数据为OSM路网数据。研究区域为澳大利亚墨尔本，为了减少实施例中所使用的两个数据集在时空上的偏移，采用了几个预处理步骤。具体包括：
数据清洗：选择OSM道路是矢量数据中道路大于5m的道路，并去除其中由于重叠造成的冗余和质量较差数据。
自动配准：将清洗后的道路数据栅格化为同遥感影像相同空间分辨率的栅格数据，使用模板匹配的方法在两幅对应影像中自动寻找特征点并选取其中质量高的特征点作为控制点，进行配准。
S2：基于局部马氏距离分类自动生成训练样本，并利用深度学习算法对高分辨率遥感影像分割，获取候选道路数据：
Figure BDA0002407682230000071
其中，x是待分类的像元RGB向量，y是参考样本像元的RGB向量,DM(x)表示像元能够成为合理样本的概率使用局部阈值法提取训练样本。阈值δi的大小使用OSTU算法来设定。
将待分类影像裁剪成与训练样本同样大小(200*200)，本案例一共制作(200*200样本)1740幅。
使用U-net网络作为基础网络搭建语义分割模型，包含特征提取部分和上采样部分。特征提取部分由四个降采样部分组成，每一次降采样过程包含两个卷积层和一个最大池化层。上采样部分四个上卷积操作组成，每一次上采样过程中包含两个卷积层和一个反卷积层，用于恢复图片的尺寸。
卷积层使用0填充卷积，激活函数使用relu，池化和反卷积的步长设为2。使用cross entropy loss函数代替BCE loss函数，验证网络时使用Dice_coffee loss,网络的优化器选择Adam代替SGD。
第一次降采样使用64个卷积核，在卷积操作时使用panding操作使图像尺寸不发生改变并使模型拥有足够的参数，池化操作在减小尺度的情况下保留特征信息，有增加模型的容错性的作用。第二、三、四层降采样操作分别使用128、256、512个卷积核，stridse为1，padding为1，其卷积层不会改变图像尺寸，池化使模型的尺寸缩小为原来的一半，经过四次降采样操作后连接两个1024个卷积核的卷积层，完成特征提取。
第一、二、三次上采样在经过反卷积操作后图像的尺寸恢复到原来的两倍大小，分别使用512、256、128的卷积核，最后一次上采样使用64的卷积核并经行一次反卷积操作，最终将图片恢复到输入的尺寸，并将图片拼合起来完成获取候选道路
S3：将道路候选数据按照八联通区域标记，将候选数据按照该标记逐块连接，防止在方向一致性分割后连接出原本不存在的道路，同时提高计算效率。
方向一致性分割将全局方向划分为方向分为10类局部方向:
0.2π*(i-1)<Ori<0.2π*i(i＝1,2,…,10) (2)
对每一个局部方向的道路候选数据先进行小块面积的去除，去除在局部方向内面积小于10的小块，目的是避免错误的连接和去噪。
进一步地，步骤(3)所述的结合方向一致性分割和张量投票算法，将断裂的道路连接成路网：
分别对经过方向一致性分割后的道路候选数据进行棒形张量编码：
Figure BDA0002407682230000081
将二位张量作为投票基本算子，其显著性衰减函数为：
Figure BDA0002407682230000082
计算投票点A处投票域：
Figure BDA0002407682230000083
其中，
Figure BDA0002407682230000084
其中s-曲线长度，κ-曲率，c-控制曲率衰减程度，σ-投票半径，l-两点间的距离。
结合方向一致性分割和张量投票算法，将断裂的道路连接成路网，在得到投票域图像后，使用阈值法可以迅速从投票域中提取道路数据，再对得到道路数据进行去除毛刺和形态学闭运算操作，使其更为平滑并填补连接形成空洞。
S4：利用椭圆扁率剔除易混淆场景，使用线拟合得到道路中心线：
代表路网集合R的像元的值为1(I(r)＝1)，则路网面积为：
Figure BDA0002407682230000091
包含k个椭圆的集合Ei,该集合内椭圆的总面积为：
Figure BDA0002407682230000092
Figure BDA0002407682230000093
E*＝argmax(α(E)),s.t.SR＝SE (9)
其中I(p)是落入路网R的像元的集合，U(p)是落入Ei中像元的集合，E*是E中椭圆参数的集合。在两个集合面积相等约束条件下寻求最少的参数。
利用AIC(赤池信息量准则)来选择最优的k值：
AIC＝Cln(1-α(E))+2k (10)
其中C是模型复杂度，k是椭圆个数。
每个椭圆的参数是固定的，E*的大小由k决定。
进一步地，步骤(4)所述的基于自适应椭圆拟合算法聚类，并利用椭圆扁率剔除易混淆场景，使用线拟合得到道路中心线：
确定最佳椭圆个数k后，使用GMM-EM(Gaussian mixture model-Expectationmaximization)算法来演化和确定椭圆参数，使椭圆的形状能最好的拟合道路的形状，得到椭圆参数最优解。确定所有椭圆的参数后，使用椭圆的扁率来筛选和消除停车场等易与道路混淆场景。再分别对每个模型与道路集合的交集作直线拟合获取道路的中心线。
测试区域评价的结果如表1所示：
表1道路精度评价结果
Figure BDA0002407682230000094
使用correctness、completeness和quality三个评价指标对道路提取结果进行评价，这三个评价指标分别代表道路提取的正确率、完整率和质量。其中：
Figure BDA0002407682230000101
Figure BDA0002407682230000102
Figure BDA0002407682230000103
式中，TP、FP和FN分别代表正确提取、错误提取和漏提取的道路长度。由此可见，通过本发明实施例的提取方法，道路提取的正确率达到0.96，完整率达到0.96，质量达到0.87，能够以较高精度实现遥感影像城市区域道路网络提取，取得了可与使用商业数据集和人工勾画数据集的方法相媲美的提取精度。相比较而言，本发明提取和更新城市道路数据库成本低廉，在制作样本上也更为快速。
以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。
此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。

Claims (10)

1.一种利用众源数据辅助遥感影像提取城市道路的方法，其特征在于，包括如下步骤：
(1)对获取的众源数据进行预处理；
(2)基于局部马氏距离分类自动生成训练样本，并利用深度学习算法对高分辨率遥感影像进行分割，获取候选道路数据；
(3)结合方向一致性分割和张量投票算法，将断裂的道路连接成路网；
(4)基于自适应椭圆拟合算法聚类，并利用椭圆扁率剔除易混淆场景，使用线拟合得到道路中心线。
2.根据权利要求1所述的利用众源数据辅助遥感影像提取城市道路的方法，其特征在于，步骤(1)中所述的众源数据为OpenStreetMap数据，所述的预处理包括数据清洗和自动配准，所述数据清洗为选择道路宽度大于5m的道路，去除重叠冗余的数据；所述自动配准首先将数据清洗后的道路数据栅格化为同遥感影像相同空间分辨率的栅格数据，再使用模板匹配的方法在两幅对应影像中自动寻找特征点并选取其中质量高的特征点作为控制点进行配准。
3.根据权利要求2所述的利用众源数据辅助遥感影像提取城市道路的方法，其特征在于，所述OpenStreetMap数据经过预处理后，作为马氏距离分类的参考样本，同时利用OTSU算法计算马氏距离分类的阈值；
这一过程基于马氏距离分类器，如下式：
Figure FDA0002407682220000011
其中，x是待分类的像元各个波段的值，y是参考样本像元各个波段的值,DM(x)表示待分类像元与样本之间的距离,DM(x)的值越小，则该像元可以成为训练样本的概率越大；使用阈值δ分割得到DM(x)，阈值δ的大小使用OSTU算法来设定。
4.根据权利要求2所述的利用众源数据辅助遥感影像提取城市道路的方法，其特征在于，步骤(2)中所述的利用深度学习算法对高分辨率遥感影像分割，获取候选道路数据的过程如下：
使用U-net网络作为基础网络搭建语义分割模型，包含特征提取部分和上采样部分；特征提取部分包括四个降采样部分，每一次降采样过程包含两个卷积层和一个最大池化层；上采样部分包括四个上卷积操作，每一次上采样过程中包含两个卷积层和一个反卷积层，用于恢复图片的尺寸；
卷积层使用0填充卷积，激活函数使用relu，池化和反卷积的步长设为2；使用crossentropy loss函数代替BCE loss函数，验证网络时使用Dice_coffee loss,网络的优化器选择Adam代替SGD；
第一次降采样使用64个卷积核，在卷积操作时使用panding操作使图像尺寸不发生改变并使模型拥有足够的参数，池化操作在减小尺度的情况下保留特征信息，以增加模型的容错性；第二、三、四层降采样操作分别使用128、256、512个卷积核，stridse为1，padding为1，其卷积层不会改变图像尺寸，池化使模型的尺寸缩小为原来的一半，经过四次降采样操作后连接两个1024个卷积核的卷积层，完成特征提取；
第一、二、三次上采样在经过反卷积操作后图像的尺寸恢复到原来的两倍，分别使用512、256、128的卷积核，第四次上采样使用64的卷积核并进行一次反卷积操作，最终将图片恢复到输入的尺寸，并将图片拼合起来完成获取候选道路。
5.根据权利要求1所述的利用众源数据辅助遥感影像提取城市道路的方法，其特征在于，所述步骤(3)中，首先将道路候选数据按照八联通区域标记，将候选数据按照该标记逐块连接，防止在方向一致性分割后连接出原本不存在的道路，同时提高计算效率；
方向一致性分割将全局方向划分为方向分为10类局部方向：
0.2π*(i-1)<Ori<0.2π*i(＝1,2,…,10) (2)
对每一个局部方向的道路候选数据先进行小块面积的去除，去除在局部方向内面积小于10的小块，以避免错误的连接并去噪。
6.根据权利要求1所述的利用众源数据辅助遥感影像提取城市道路的方法，其特征在于，所述步骤(3)中，分别对经过方向一致性分割后的道路候选数据进行棒形张量编码：
Figure FDA0002407682220000031
将二位张量作为投票基本算子，其显著性衰减函数为：
Figure FDA0002407682220000032
计算投票点A处投票域：
Figure FDA0002407682220000033
其中
Figure FDA0002407682220000034
其中s-曲线长度，κ-曲率，c-控制曲率衰减程度，σ-投票半径，l-两点间的距离。
7.根据权利要求1所述的利用众源数据辅助遥感影像提取城市道路的方法，其特征在于，所述步骤(3)中，在得到投票域图像后，使用阈值法可以迅速从投票域中提取道路数据，再对得到道路数据进行去除毛刺和形态学闭运算操作，使其更为平滑并填补连接形成空洞。
8.根据权利要求1所述的利用众源数据辅助遥感影像提取城市道路的方法，其特征在于，所述步骤(4)中，代表路网集合R的像元的值为1(I(r)＝1)，则路网面积为：
Figure FDA0002407682220000041
包含k个椭圆的集合Ei,该集合内椭圆的总面积为：
Figure FDA0002407682220000042
Figure FDA0002407682220000043
E*＝argmax(α(E)),s.t.SR＝SE (9)
其中I(p)是落入路网R的像元的集合，U(p)是落入Ei中像元的集合，E*是E中椭圆参数的集合；在两个集合面积相等约束条件下寻求最少的参数；
利用AIC(赤池信息量准则)来选择最优的k值：
AIC＝Cln(1-α(E))+2k (10)
其中C是模型复杂度，k是椭圆个数，每个椭圆的参数是固定的，E*的大小由k决定。
9.根据权利要求1所述的利用众源数据辅助遥感影像提取城市道路的方法，其特征在于，所述步骤(4)中，确定椭圆的个数k后，使用GMM-EM算法来演化和确定椭圆参数，使椭圆的形状适于拟合道路的形状，得到椭圆参数的最优解。
10.根据权利要求1所述的利用众源数据辅助遥感影像提取城市道路的方法，其特征在于，所述步骤(4)的实现过程如下：
确定所有椭圆的参数后，首先使用椭圆的扁率来筛选和消除易混淆场景；再分别对每个模型与道路集合的交集作直线拟合，用于拟合的直线就是道路的中心线；所述易混淆场景包括停车场。
CN202010166602.XA 2020-03-11 2020-03-11 一种利用众源数据辅助遥感影像提取城市道路的方法 Active CN111539432B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010166602.XA CN111539432B (zh) 2020-03-11 2020-03-11 一种利用众源数据辅助遥感影像提取城市道路的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010166602.XA CN111539432B (zh) 2020-03-11 2020-03-11 一种利用众源数据辅助遥感影像提取城市道路的方法

Publications (2)

Publication Number Publication Date
CN111539432A true CN111539432A (zh) 2020-08-14
CN111539432B CN111539432B (zh) 2023-03-31

Family

ID=71978512

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010166602.XA Active CN111539432B (zh) 2020-03-11 2020-03-11 一种利用众源数据辅助遥感影像提取城市道路的方法

Country Status (1)

Country Link
CN (1) CN111539432B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037226A (zh) * 2020-08-27 2020-12-04 海南大学 一种基于深度学习的卫星图像道路分割方法及系统
CN112232303A (zh) * 2020-11-16 2021-01-15 内蒙古自治区农牧业科学院 一种基于高分遥感影像的草原道路信息提取方法
CN112308889A (zh) * 2020-10-23 2021-02-02 香港理工大学深圳研究院 一种利用矩形及扁率信息的点云配准方法及存储介质
CN113408350A (zh) * 2021-05-17 2021-09-17 杭州电子科技大学 一种基于创新边缘特征提取方法的遥感图像显著性检测方法
WO2022062853A1 (zh) * 2020-09-22 2022-03-31 上海商汤智能科技有限公司 遥感图像的配准方法、装置、设备、存储介质及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778605A (zh) * 2016-12-14 2017-05-31 武汉大学 导航数据辅助下的遥感影像道路网自动提取方法
CN108985247A (zh) * 2018-07-26 2018-12-11 北方工业大学 多光谱图像城市道路识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778605A (zh) * 2016-12-14 2017-05-31 武汉大学 导航数据辅助下的遥感影像道路网自动提取方法
CN108985247A (zh) * 2018-07-26 2018-12-11 北方工业大学 多光谱图像城市道路识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
曹云刚等: "像元与对象特征融合的高分辨率遥感影像道路中心线提取", 《测绘学报》 *
这就是算法: "Fully Convolutional Network for Automatic Road Extraction from Satellite Imagery", 《HTTPS://BLOG.CSDN.NET/QQ_36321330/ARTICLE/DETAILS/104481449》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037226A (zh) * 2020-08-27 2020-12-04 海南大学 一种基于深度学习的卫星图像道路分割方法及系统
WO2022062853A1 (zh) * 2020-09-22 2022-03-31 上海商汤智能科技有限公司 遥感图像的配准方法、装置、设备、存储介质及系统
CN112308889A (zh) * 2020-10-23 2021-02-02 香港理工大学深圳研究院 一种利用矩形及扁率信息的点云配准方法及存储介质
CN112308889B (zh) * 2020-10-23 2021-08-31 香港理工大学深圳研究院 一种利用矩形及扁率信息的点云配准方法及存储介质
CN112232303A (zh) * 2020-11-16 2021-01-15 内蒙古自治区农牧业科学院 一种基于高分遥感影像的草原道路信息提取方法
CN112232303B (zh) * 2020-11-16 2023-12-19 内蒙古自治区农牧业科学院 一种基于高分遥感影像的草原道路信息提取方法
CN113408350A (zh) * 2021-05-17 2021-09-17 杭州电子科技大学 一种基于创新边缘特征提取方法的遥感图像显著性检测方法
CN113408350B (zh) * 2021-05-17 2023-09-19 杭州电子科技大学 一种基于边缘特征提取的遥感图像显著性检测方法

Also Published As

Publication number Publication date
CN111539432B (zh) 2023-03-31

Similar Documents

Publication Publication Date Title
CN111539432B (zh) 一种利用众源数据辅助遥感影像提取城市道路的方法
CN108920481B (zh) 一种基于手机定位数据的道路网重建方法及系统
CN108986122B (zh) 室内泊车引导地图智能重构方法
CN109635748B (zh) 高分辨率影像中道路特征的提取方法
CN110163213B (zh) 基于视差图和多尺度深度网络模型的遥感图像分割方法
CN108960055B (zh) 一种基于局部线段模式特征的车道线检测方法
CN105825235A (zh) 一种基于多特征图深度学习的图像识别方法
CN113449594B (zh) 一种多层网络组合的遥感影像地类语义分割与面积计算方法
CN109815859A (zh) 一种低等级道路自动提取及变化分析方法
CN109543753B (zh) 基于自适应模糊修复机制的车牌识别方法
CN105956542B (zh) 一种结构线束统计匹配的高分遥感影像道路提取方法
CN113569724B (zh) 基于注意力机制和扩张卷积的道路提取方法及系统
CN114120125A (zh) 基于双流深度网络的农田识别方法、装置及存储介质
CN116503705B (zh) 一种数字城市多源数据的融合方法
CN115331012B (zh) 基于零样本学习的联合生成式图像实例分割方法及系统
CN111414878B (zh) 一种关于地块的社会属性分析、图像处理方法及装置
CN114661744B (zh) 一种基于深度学习的地形数据库更新方法及系统
CN113723457A (zh) 图像识别方法和装置、存储介质及电子装置
CN116934780A (zh) 一种基于深度学习的电成像测井图像裂缝分割方法及系统
CN113762396A (zh) 一种二维图像语义分割方法
CN116664823A (zh) 基于元学习和度量学习的小样本sar目标检测识别方法
CN111340001B (zh) 一种基于遥感影像深度学习的交通拥堵识别方法
CN111291662B (zh) 一种基于平面选择的车载点云杆状物提取方法
CN113920407A (zh) 一种基于多波段遥感图像融合的船舶目标识别方法及系统
Maboudi et al. Objects grouping for segmentation of roads network in high resolution images of urban areas

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