CN111553928B - 一种辅以Openstreetmap信息的城市道路高分遥感自适应提取方法 - Google Patents
一种辅以Openstreetmap信息的城市道路高分遥感自适应提取方法 Download PDFInfo
- Publication number
- CN111553928B CN111553928B CN202010280096.7A CN202010280096A CN111553928B CN 111553928 B CN111553928 B CN 111553928B CN 202010280096 A CN202010280096 A CN 202010280096A CN 111553928 B CN111553928 B CN 111553928B
- Authority
- CN
- China
- Prior art keywords
- road
- osm
- vector information
- line vector
- alternative
- 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 33
- 239000013598 vector Substances 0.000 claims abstract description 105
- 230000000877 morphologic effect Effects 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims description 19
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 10
- 235000000391 Lepidium draba Nutrition 0.000 claims description 9
- 238000010348 incorporation Methods 0.000 claims description 3
- 241001024304 Mino Species 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 abstract description 5
- CRFWCCGPRXKZSM-UHFFFAOYSA-N 3,4-methylenedioxy-n-methylphentermine Chemical compound CNC(C)(C)CC1=CC=C2OCOC2=C1 CRFWCCGPRXKZSM-UHFFFAOYSA-N 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- 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
- G06T2207/10041—Panchromatic image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种辅以Openstreetmap(OSM)信息的城市道路高分遥感自适应提取方法,其特征在于,包括以下步骤:1)计算遥感影像改进的差分形态轮廓(MDMP)特征;2)对OSM道路线状矢量数据按照相交节点进行多部件要素拆分,获取n个路段的OSM道路线状矢量信息;3)计算OSMi道路线状矢量信息与其两侧相邻对象Oi之间的邻接度,通过邻接度阈值获取备选道路对象Oi1和Oi2;4)根据备选道路对象Oi1和Oi2到OSMi的垂直距离Di1和Di2,分别在OSMi道路线状矢量信息两侧生成面状道路,最终获取路段i的面状道路矢量。本发明实现了城市面状道路自动化信息提取,即使在复杂的城市背景和多样性城市道路类型条件下,也能通过基于OSM信息产品的逐路段自适应分割实现城市面状道路信息提取。
Description
技术领域
本发明属于高分遥感图像处理及信息提取技术领域,尤其涉及一种辅以Openstreetmap信息的城市道路高分遥感自适应提取方法。
背景技术
城市道路信息是城市中重要的基础地理信息,在城市规划,可持续发展和城市应急中发挥着至关重要的作用。然而,由于城市化进程的加快,导致应用时效性的需求不断提高,使得传统的监测方法(如:实地勘测和航空摄影测量)难以满足实际需求。伴随着高分辨率卫星技术的快速发展和应用,高分遥感以高精细、快速和大区域等优势成为城市道路检测的理想数据源。
目前基于高分遥感的城市道路提取方法主要采用阈值分割或者监督分类法,即通过确定道路的阈值或者样本,进行图像分割或者机器学习模型构建,从而进行城市道路的提取。然而,由于城市道路的复杂性,使得分割阈值或者样本难以确定,导致城市道路提取精度难以得到保证。当前应用效果较好的方法是基于Openstreetmap(OSM)道路信息产品的高分遥感道路分割方法(Liu,B.,Wu,H.Y.,Wang,Y.D.,and Liu,W.M.2015.“Main RoadExtraction from ZY-3Grayscale Imagery Based on Directional MathematicalMorphology and VGI Prior Knowledge in Urban Areas”.Plos One,10)。这种方法引入OSM道路信息产品作为先验知识进行自适应学习,并未较好的解决城市道路多样性所带来的阈值差异性提取问题。
发明内容
本发明解决的技术问题是:克服现有技术的不足,提供了一种辅以Openstreetmap信息的城市道路高分遥感自适应提取方法,充分利用Openstreetmap道路产品线状样本的逐路段性和两侧性的属性信息,将遥感智能解译中表达道路信息的形态学特征与地学专家知识的自适应学习算法相结合,提出一种基于Openstreetmap道路线状信息样本的自适应学习方法,进行逐路段双侧自适应分割,实现城市面状道路的自动化信息提取。
本发明目的通过以下技术方案予以实现:一种辅以Openstreetmap信息的城市道路高分遥感自适应提取方法,所述方法包括如下步骤:1)计算遥感影像改进的差分形态轮廓特征图像;2)对OSM道路线状矢量数据按照相交节点进行多部件要素拆分,获取n个路段的OSMi道路线状矢量信息,其中,i=0、1……n;3)计算OSMi道路线状矢量信息与其两侧相邻对象Oi之间的邻接度,通过邻接度阈值获取第一备选道路对象Oi1和第二备选道路对象Oi2;4)根据第一备选道路对象Oi1到OSMi的垂直距离Di1和第二备选道路对象Oi2到OSMi的垂直距离Di2,分别在OSMi道路线状矢量信息两侧生成面状道路,最终获取路段i的面状道路矢量。
上述辅以Openstreetmap信息的城市道路高分遥感自适应提取方法中,在步骤1)中,遥感影像改进的差分形态轮廓特征图像为:
其中,DMPsW-TH(d,s,t)为形态学白色礼帽差值序列;
形态学白色礼帽差值序列DMPsW-TH(d,s,t)的计算方法为:
DMPsW-TH(d,s,t)=|MPW-TH(di,(sj+Δs),(tk+Δt))-MPW-TH(di,sj,tk)|;
其中,MPsW-TH(di,sj,tk)为多尺度形态学白色礼帽;
多尺度形态学白色礼帽MPsW-TH(di,sj,tk)的计算方法为:
MPsW-TH(di,sj,tk)=W-TH(di,sj+Δs,tk+Δt);
其中,形态学白色礼帽W-TH(d,s,t)的计算方法为:
其中,DMP是差分形态学轮廓序列特征;d表示结构元素SE的方向;s和t分别为SE主方向和次方向的尺度;i,j和k表示SE的方向,向量SE的主方向和次方向的向量取值;Nd和Ns,t分别表示SE方向性,主方向和次方向向量的数量;Δs和Δt分别表示向量SE的主方向和次方向尺度步长;表示图像的形态学开重建。
上述辅以Openstreetmap信息的城市道路高分遥感自适应提取方法中,在步骤3)中,计算OSMi道路线状矢量信息与其两侧相邻对象Oi之间的邻接度,通过邻接度阈值获取第一备选道路对象Oi1和第二备选道路对象Oi2包括如下步骤:
3.1)提取OSMi道路线状矢量信息的相邻对象Oi;
3.2)剔除相邻对象Oi中MDMPs特征图像为0的像素值;
3.3)计算OSMi道路线状矢量信息与其相邻对象Oi之间的角度差D(Oi),通过角度差的阈值获取平行于OSMi道路线状矢量信息的第一备选道路对象Oi1和第二备选道路对象Oi2;
3.4)计算第一备选道路对象Oi1和第二备选道路对象Oi2与OSMi道路线状矢量信息的邻接度;
3.5)设置阈值T,分别将两侧大于阈值T的第一备选道路对象Oi1和第二备选道路对象Oi2合并到OSMi道路线状矢量信息中,并进行步骤3.1)至步骤3.4)的迭代计算,直至第一备选道路对象Oi1和第二备选道路对象Oi2值小于阈值T时,停止迭代计算。
上述辅以Openstreetmap信息的城市道路高分遥感自适应提取方法中,在步骤3.1)中,OSMi道路线状矢量信息的相邻对象Oi通过以下公式得到:
其中,v是影像;m是OSMi道路线状矢量信息所在影像v的目标对象;d是相邻对象到目标对象m之间的距离;φ为空值;N为满足目标对象m和距离d条件的像素个数;i为OSMi道路线状矢量信息n个路段中的第i个路段。
上述辅以Openstreetmap信息的城市道路高分遥感自适应提取方法中,在步骤3.2)中,相邻对象Oi中MDMPs特征图像为0的像素值通过以下公式剔除:
式中,DNMDMPs为MDMPs特征图像的像素值;i为OSMi道路线状矢量信息n个路段中的第i个路段;Oi为OSMi道路线状矢量信息的相邻对象。
上述辅以Openstreetmap信息的城市道路高分遥感自适应提取方法中,在步骤3.3)中,第一备选道路对象Oi1和第二备选道路对象Oi2通过以下公式得到:
其中,minOi(X,Y)为OSMi道路线状矢量信息相邻对象Oi中最小坐标的对象,maxOi(X,Y)为OSMi道路线状矢量信息相邻对象Oi中最大坐标的对象;X,Y为Oi的坐标值;MDOSMi为OSMi道路线状矢量信息的主要方向,MDOi为Oi对象的主要方向;XOSMi和YOSMi为OSMi道路线状矢量信息的中心坐标值,VarXOSMiYOSMi为OSMi道路线状矢量信息的中心坐标协方差,VarYOSMi为OSMi道路线状矢量信息Y值的方差;XOi和YOi分别为Oi对象的中心坐标值;VarXOiYOi为Oi对象的中心坐标协方差;VarYOi为Oi对象的方差;D和MD分别为影像对象的角度差和主要方向;VarX,VarY和VarXY分别代表坐标值X,Y的方差和协方差;λ为特征向量;k为角度差的阈值参数。
上述辅以Openstreetmap信息的城市道路高分遥感自适应提取方法中,在步骤3.4)中,第一备选道路对象Oi1和第二备选道路对象Oi2与OSMi道路线状矢量信息的邻接度通过以下公式得到:
其中,l为对象的长度;B为两侧相邻对象Oi1和Oi2与OSMi道路线状矢量信息的邻接度;i为OSMi道路线状矢量信息n个路段中的第i个路段。
上述辅以Openstreetmap信息的城市道路高分遥感自适应提取方法中,在步骤4)中,根据第一备选道路对象Oi1到OSMi的垂直距离Di1和第二备选道路对象Oi2到OSMi的垂直距离Di2,分别在OSMi道路线状矢量信息两侧生成面状道路,最终获取路段i的面状道路矢量包括如下步骤:
4.1)计算第一备选道路对象Oi1到OSMi的垂直距离Di1和第二备选道路对象Oi2到OSMi的垂直距离Di2;
4.2)根据第一备选道路对象Oi1到OSMi的垂直距离Di1和第二备选道路对象Oi2到OSMi的垂直距离Di2,在OSMi道路线状矢量信息两侧分别以Di1和Di2的宽度生成缓冲区Bufi1和缓冲区Bufi2;
4.3)对道路对象OSMi道路线状矢量信息,缓冲区Bufi1和缓冲区Bufi2进行合并,生成路段i的面状道路矢量。
上述辅以Openstreetmap信息的城市道路高分遥感自适应提取方法中,在步骤4.1)中,第一备选道路对象Oi1到OSMi的垂直距离Di1为:
第二备选道路对象Oi2到OSMi的垂直距离Di2为:
其中,Xu、Yu分别为第一备选道路对象Oi1的横坐标和纵坐标;Xv、Yv为第二备选道路对象Oi2的横坐标和纵坐标;Di1为第一备选道路对象Oi1到路线状矢量信息的最短距离,Di2为第一备选道路对象Oi2到路线状矢量信息的最短距离;Ni1为第一备选道路对象Oi1的集合,Ni2为为第二备选道路对象Oi2的集合;u为集合Ni1中的所取对象,v为集合Ni2中的所取对象;i为OSMi道路线状矢量信息n个路段中的第i个路段。
本发明与现有技术相比具有如下有益效果:
本发明的方法通过计算改进的差分形态学序列特征,提高了道路特征在高分遥感影像中的显著度,降低了其他已混分地物类型的干扰;充分利用Openstreetmap道路产品线状样本的逐路段性和两侧性的属性信息,进行逐路段双侧自适应学习,能够较大程度上解决了城市道路多样性所带来的阈值差异性提取问题,最终实现城市面状道路的自动化信息提取。
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。在附图中:
图1是本发明实施例提供的辅以Openstreetmap信息的城市道路高分遥感自适应提取方法的流程图;
图2是本发明实施例提供的采用的原始高分遥感影像的示意图;
图3是本发明实施例提供的改进差分形态轮廓(MDMP)特征图;
图4是本发明实施例提供的OSM预处理结果图;
图5是本发明实施例提供的最终i路段最终备选道路对象Oi1和Oi2图;
图6是本发明实施例提供的路段i的面状道路矢量结果图;
图7是本发明实施例提供的迭代计算路段i+1的面状道路矢量结果图;
图8是本发明实施例提供的城市道路最终提取结果图。
具体实施方式
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。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
采用本实施例的方法进行处理的原始高空间分辨率遥感影像为高分一号卫星遥感数据,其多光谱和全色分辨率分别为8米和2米,含有四个波段,分别是蓝波段(0.45-0.52μm),绿波段(0.52-0.59μm),红波段(0.63-0.69μm),近红外波段(0.77-0.89μm),辐射量化等级为16bit。待提取的目标是城市道路如图2所示。
如图1所示,本发明辅以Openstreetmap信息的城市道路高分遥感自适应提取方法的具体步骤如下:
1)按下式(a)改进的差分形态轮廓(MDMP)特征:
其中,DMPsW-TH(d,s,t)的计算方法为:
DMPsW-TH(d,s,t)=|MPW-TH(di,(sj+Δs),(tk+Δt))-MPW-TH(d,s,t)|……(b)
其中,MPsW-TH(di,sj,tk)的计算方法为:
MPsW-TH(di,sj,tk)=W-TH(di,sj+Δs,tk+Δt)……(c)
其中,W-TH(d,s,t)的计算方法为:
式中,DMP是差分形态特征;d表示结构元素(SE)的方向;s和t分别为SE主方向和次方向的尺度;i,j和k表示SE的方向,向量SE的主方向和次方向的向量取值;Nd和Ns,t分别表示SE方向性,主方向和次方向向量的数量;Δs和Δt分别表示向量SE的主方向和次方向尺度步长。表示图像的形态学开重建。其中,d表示复合线SE(结构元素)的方向,设置方向值分别为{(0°,90°);(45°,135°);(90°,180°);(135°,225°)},(smin,smax和Δs),(tmin,tmax和Δt)的尺寸分别是(5,93和8)和(3,47和4)。本实施例改进的差分形态轮廓(MDMP)特征的结果见图3;
2)采用ArcGIS软件中所提供的合并工具集,对OSM道路线状矢量数据进行合并处理。并采用ArcGIS软件中所提供的多部件要素拆分工具集,按照相交节点进行多部件要素拆分处理,最终获得n个路段的OSM道路线状矢量信息。本实施例OSM预处理的结果见图4;
3)按下式(e)提取OSMi道路线状矢量信息的相邻对象Oi:
式中,v是影像;m是OSMi道路线状矢量信息所在影像v的目标对象;d是相邻对象到目标对象m之间的距离;φ为空值;N为满足目标对象m和距离d条件的像素个数;i为OSMi道路线状矢量信息n个路段中的第i个路段。
按下式(f)剔除相邻对象Oi中MDMPs特征图像为0的像素值:
式中,DNMDMPs为MDMPs特征图像的像素值;i为OSMi道路线状矢量信息n个路段中的第i个路段。
按下式(g)计算OSMi道路线状矢量信息与其相邻对象Oi之间的角度差D(Oi),通过角度差的阈值获取平行于OSMi道路线状矢量信息的两侧相邻道路对象Oi1和Oi2:
其中,按下式(h)计算D(Oi)的方法为:
式中,X,Y为坐标值;D和MD分别为影像对象的角度差和主要方向;VarX,VarY和VarXY分别代表坐标值X,Y的方差和协方差;λ为特征向量;k为角度差的阈值参数;本实施例中,k为角度差的阈值参数小于10°。
按下式(i)计算两侧相邻对象Oi1和Oi2与OSMi道路线状矢量信息的邻接度:
式中,l为对象的长度;B为两侧相邻对象Oi1和Oi2与OSMi道路线状矢量信息的邻接度;i为OSMi道路线状矢量信息n个路段中的第i个路段。
设置阈值T,分别将两侧大于阈值T的相邻对象Oi1和Oi2合并到OSMi道路线状矢量信息中,并进行步骤3.1)-3.4)的迭代计算,直至两侧相邻对象Oi1和Oi2值小于阈值T时,停止迭代计算。本实施例中阈值T设置为0.7,最终的相邻对象Oi1和Oi2结果为最终备选道路对象见图5;
4)按下式(g)分别计算与OSMi两侧相邻对象Oi1和Oi2到OSMi道路线状矢量信息的最短距离Di1和Di2:
式中,Xu,Yu为与OSMi两侧相邻对象Oi1和Oi2的坐标;X,Y为OSMi道路线状矢量信息的坐标;Di(f(Oi))为最终备选道路对象Oi1和Oi2到OSMi道路线状矢量信息的距离,如图6所示。
5)当i≠n时,以1为步长,对路段i进行步骤3)和4)的迭代运算,逐步获取i+1路段的面状道路矢量结果(见图7),i+2路段的面状道路矢量结果,直至当i=n为止,停止迭代计算,获取最终的面状道路矢量结果。具体实施例中的城市道路最终提取结果见图8。
本实施例利用Openstreetmap道路产品线状样本信息,提出一种基于道路线状样本的自适应学习方法,充分挖掘利用道路产品信息的分路段自适应性和双侧自适应性等先验知识,有效的解决了因城市道路的多样性及城市场景的复杂性所导致采用全局分割阈值或者全局分类模型难于准确稳定的获取城市道路结果信息问题;在高分遥感影像中,城市道路的几何结构复杂,由于目前特征中未顾及道路角度、长度和宽度之间的拓扑关系,导致复杂城市场景下易于出现道路特征的部分损失问题,为此,针对道路构建了角度-长度-宽度的结构体元素,发展改进了差分形态轮廓特征,从而增强了城市道路特征的显著性。在改进的差分形态轮廓特征基础上,基于构建的道路线状OSM产品的自适应学习方法,最终现实城市道路高精度提取。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。
Claims (3)
1.一种辅以Openstreetmap信息的城市道路高分遥感自适应提取方法,其特征在于,所述方法包括如下步骤:
1)计算遥感影像改进的差分形态轮廓特征图像;
2)对OSM道路线状矢量数据按照相交节点进行多部件要素拆分,获取n个路段的OSMi道路线状矢量信息,其中,i=0、1……n;
3)计算OSMi道路线状矢量信息与其两侧相邻对象Oi之间的邻接度,通过邻接度阈值获取第一备选道路对象Oi1和第二备选道路对象Oi2;
4)根据第一备选道路对象Oi1到OSMi的垂直距离Di1和第二备选道路对象Oi2到OSMi的垂直距离Di2,分别在OSMi道路线状矢量信息两侧生成面状道路,最终获取路段i的面状道路矢量;
在步骤1)中,遥感影像改进的差分形态轮廓特征图像为:
其中,DMPsW-TH(d,s,t)为形态学白色礼帽差值序列;
形态学白色礼帽差值序列DMPsW-TH(d,s,t)的计算方法为:
DMPsW-TH(d,s,t)=|MPsW-TH(di1,(sj+Δs),(tk+Δt))-MPsW-TH(di1,sj,tk)|;
其中,MPsW-TH(di1,sj,tk)为多尺度形态学白色礼帽;
多尺度形态学白色礼帽MPsW-TH(di1,sj,tk)的计算方法为:
MPsW-TH(di1,sj,tk)=W-TH(di1,sj+Δs,tk+Δt);
其中,形态学白色礼帽W-TH(d,s,t)的计算方法为:
其中,DMP是差分形态学轮廓序列特征;d表示向量SE的方向;s和t分别为向量SE主方向和次方向的尺度;i1,j和k表示向量SE的方向,向量SE的主方向和次方向的向量取值;Δs和Δt分别表示向量SE的主方向和次方向尺度步长;表示图像的形态学开重建;
在步骤3)中,计算OSMi道路线状矢量信息与其两侧相邻对象Oi之间的邻接度,通过邻接度阈值获取第一备选道路对象Oi1和第二备选道路对象Oi2包括如下步骤:
3.1)提取OSMi道路线状矢量信息的相邻对象Oi;
3.2)剔除相邻对象Oi中MDMPs特征图像为0的像素值;
3.3)计算OSMi道路线状矢量信息与其相邻对象Oi之间的角度差D(Oi),通过角度差的阈值获取平行于OSMi道路线状矢量信息的第一备选道路对象Oi1和第二备选道路对象Oi2;
3.4)计算第一备选道路对象Oi1和第二备选道路对象Oi2与OSMi道路线状矢量信息的邻接度;
3.5)设置阈值T,分别将两侧大于阈值T的第一备选道路对象Oi1和第二备选道路对象Oi2合并到OSMi道路线状矢量信息中,并进行步骤3.1)至步骤3.4)的迭代计算,直至第一备选道路对象Oi1和第二备选道路对象Oi2值小于阈值T时,停止迭代计算;
在步骤3.1)中,OSMi道路线状矢量信息的相邻对象Oi通过以下公式得到:
其中,v是影像;m是OSMi道路线状矢量信息所在影像v的目标对象;d是相邻对象到目标对象m之间的距离;φ为空值;Nv(d,m)为满足目标对象m和距离d条件的像素个数;i为OSMi道路线状矢量信息n个路段中的第i个路段;
在步骤3.2)中,相邻对象Oi中MDMPs特征图像为0的像素值通过以下公式剔除:
式中,DNMDMPs为MDMPs特征图像的像素值;i为OSMi道路线状矢量信息n个路段中的第i个路段;Oi为OSMi道路线状矢量信息的相邻对象;
在步骤3.3)中,第一备选道路对象Oi1和第二备选道路对象Oi2通过以下公式得到:
其中,minOi(X,Y)为OSMi道路线状矢量信息相邻对象Oi中最小坐标的对象,maxOi(X,Y)为OSMi道路线状矢量信息相邻对象Oi中最大坐标的对象;X,Y为Oi的坐标值;MDOSMi为OSMi道路线状矢量信息的主要方向,MDOi为Oi对象的主要方向;XOSMi和YOSMi为OSMi道路线状矢量信息的中心坐标值,VarXOSMiYOSMi为OSMi道路线状矢量信息的中心坐标协方差,VarYOSMi为OSMi道路线状矢量信息Y值的方差;XOi和YOi分别为Oi对象的中心坐标值;VarXOiYOi为Oi对象的中心坐标协方差;VarYOi为Oi对象的方差;D和MD分别为影像对象的角度差和主要方向;VarX,VarY和VarXY分别代表坐标值X,Y的方差和协方差;λ为特征向量;k为角度差的阈值参数;
在步骤3.4)中,第一备选道路对象Oi1和第二备选道路对象Oi2与OSMi道路线状矢量信息的邻接度通过以下公式得到:
其中,l为对象的长度;B为两侧相邻对象Oi1和Oi2与OSMi道路线状矢量信息的邻接度;i为OSMi道路线状矢量信息n个路段中的第i个路段。
2.根据权利要求1所述的辅以Openstreetmap信息的城市道路高分遥感自适应提取方法,其特征在于:在步骤4)中,根据第一备选道路对象Oi1到OSMi的垂直距离Di1和第二备选道路对象Oi2到OSMi的垂直距离Di2,分别在OSMi道路线状矢量信息两侧生成面状道路,最终获取路段i的面状道路矢量包括如下步骤:
4.1)计算第一备选道路对象Oi1到OSMi的垂直距离Di1和第二备选道路对象Oi2到OSMi的垂直距离Di2;
4.2)根据第一备选道路对象Oi1到OSMi的垂直距离Di1和第二备选道路对象Oi2到OSMi的垂直距离Di2,在OSMi道路线状矢量信息两侧分别以Di1和Di2的宽度生成缓冲区Bufi1和缓冲区Bufi2;
4.3)对道路对象OSMi道路线状矢量信息,缓冲区Bufi1和缓冲区Bufi2进行合并,生成路段i的面状道路矢量。
3.根据权利要求2所述的辅以Openstreetmap信息的城市道路高分遥感自适应提取方法,其特征在于:在步骤4.1)中,第一备选道路对象Oi1到OSMi的垂直距离Di1为:
第二备选道路对象Oi2到OSMi的垂直距离Di2为:
其中,Xu、Yu分别为第一备选道路对象Oi1的横坐标和纵坐标;Xv、Yv为第二备选道路对象Oi2的横坐标和纵坐标;Di1为第一备选道路对象Oi1到路线状矢量信息的最短距离,Di2为第一备选道路对象Oi2到路线状矢量信息的最短距离;Ni1为第一备选道路对象Oi1的集合,Ni2为为第二备选道路对象Oi2的集合;u为集合Ni1中的所取对象,v为集合Ni2中的所取对象;i为OSMi道路线状矢量信息n个路段中的第i个路段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010280096.7A CN111553928B (zh) | 2020-04-10 | 2020-04-10 | 一种辅以Openstreetmap信息的城市道路高分遥感自适应提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010280096.7A CN111553928B (zh) | 2020-04-10 | 2020-04-10 | 一种辅以Openstreetmap信息的城市道路高分遥感自适应提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111553928A CN111553928A (zh) | 2020-08-18 |
CN111553928B true CN111553928B (zh) | 2023-10-31 |
Family
ID=72003910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010280096.7A Active CN111553928B (zh) | 2020-04-10 | 2020-04-10 | 一种辅以Openstreetmap信息的城市道路高分遥感自适应提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553928B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05342340A (ja) * | 1992-06-11 | 1993-12-24 | Canon Inc | 画像処理方法及びその装置 |
JPH087091A (ja) * | 1994-06-17 | 1996-01-12 | Canon Inc | 画像処理方法及びその装置 |
US5757961A (en) * | 1992-06-11 | 1998-05-26 | Canon Kabushiki Kaisha | Image processing method and apparatus for obtaining a zoom image using contour information of a binary image |
JP2004021888A (ja) * | 2002-06-20 | 2004-01-22 | Meidensha Corp | オブジェクトの抽出方法 |
JP2008225653A (ja) * | 2007-03-09 | 2008-09-25 | Canon Inc | 画像処理方法、画像処理装置、及び、プログラム、プログラム記憶媒体 |
CN101478693A (zh) * | 2008-12-31 | 2009-07-08 | 中国资源卫星应用中心 | 一种对星载光学遥感图像压缩质量进行评价的方法 |
CN101957987A (zh) * | 2009-07-17 | 2011-01-26 | 同济大学 | 一种栅格影像与矢量电子地图的自动配准方法 |
US8165374B1 (en) * | 2011-06-09 | 2012-04-24 | Capso Vision Inc. | System and method for capsule camera with capture control and motion-compensated video compression |
CN103116757A (zh) * | 2013-01-30 | 2013-05-22 | 北京科技大学 | 一种三维信息复原提取的道路遗洒物识别方法 |
CN104751478A (zh) * | 2015-04-20 | 2015-07-01 | 武汉大学 | 一种基于多特征融合的面向对象的建筑物变化检测方法 |
CN105046087A (zh) * | 2015-08-04 | 2015-11-11 | 中国资源卫星应用中心 | 一种遥感卫星多光谱影像的水体信息自动提取方法 |
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 |
CN107330922A (zh) * | 2017-07-04 | 2017-11-07 | 西北工业大学 | 基于运动信息和区域特征的航拍视频运动目标检测方法 |
CN107958183A (zh) * | 2017-12-02 | 2018-04-24 | 中国地质大学(北京) | 一种高分辨率遥感图像的城市路网信息自动提取方法 |
CN109314790A (zh) * | 2016-05-23 | 2019-02-05 | 佳稳电子有限公司 | 影像处理方法、利用其的影像解码及编码方法 |
CN109460764A (zh) * | 2018-11-08 | 2019-03-12 | 中南大学 | 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009030075A1 (de) * | 2009-06-23 | 2010-12-30 | Symeo Gmbh | Vorrichtung und Abbildungsverfahren mit synthetischer Apertur zum Bestimmen eines Einfallwinkels und/oder einer Entfernung |
US9122930B2 (en) * | 2013-07-15 | 2015-09-01 | Digitalglobe Inc. | Automated remote car counting |
-
2020
- 2020-04-10 CN CN202010280096.7A patent/CN111553928B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05342340A (ja) * | 1992-06-11 | 1993-12-24 | Canon Inc | 画像処理方法及びその装置 |
US5757961A (en) * | 1992-06-11 | 1998-05-26 | Canon Kabushiki Kaisha | Image processing method and apparatus for obtaining a zoom image using contour information of a binary image |
JPH087091A (ja) * | 1994-06-17 | 1996-01-12 | Canon Inc | 画像処理方法及びその装置 |
JP2004021888A (ja) * | 2002-06-20 | 2004-01-22 | Meidensha Corp | オブジェクトの抽出方法 |
JP2008225653A (ja) * | 2007-03-09 | 2008-09-25 | Canon Inc | 画像処理方法、画像処理装置、及び、プログラム、プログラム記憶媒体 |
CN101478693A (zh) * | 2008-12-31 | 2009-07-08 | 中国资源卫星应用中心 | 一种对星载光学遥感图像压缩质量进行评价的方法 |
CN101957987A (zh) * | 2009-07-17 | 2011-01-26 | 同济大学 | 一种栅格影像与矢量电子地图的自动配准方法 |
US8165374B1 (en) * | 2011-06-09 | 2012-04-24 | Capso Vision Inc. | System and method for capsule camera with capture control and motion-compensated video compression |
CN103116757A (zh) * | 2013-01-30 | 2013-05-22 | 北京科技大学 | 一种三维信息复原提取的道路遗洒物识别方法 |
CN104751478A (zh) * | 2015-04-20 | 2015-07-01 | 武汉大学 | 一种基于多特征融合的面向对象的建筑物变化检测方法 |
CN105046087A (zh) * | 2015-08-04 | 2015-11-11 | 中国资源卫星应用中心 | 一种遥感卫星多光谱影像的水体信息自动提取方法 |
CN109314790A (zh) * | 2016-05-23 | 2019-02-05 | 佳稳电子有限公司 | 影像处理方法、利用其的影像解码及编码方法 |
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 |
CN107330922A (zh) * | 2017-07-04 | 2017-11-07 | 西北工业大学 | 基于运动信息和区域特征的航拍视频运动目标检测方法 |
CN107958183A (zh) * | 2017-12-02 | 2018-04-24 | 中国地质大学(北京) | 一种高分辨率遥感图像的城市路网信息自动提取方法 |
CN109460764A (zh) * | 2018-11-08 | 2019-03-12 | 中南大学 | 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法 |
Non-Patent Citations (4)
Title |
---|
Mauro Dalla Mura等.Morphological Attribute Profiles for the Analysis of Very High Resolution Images.《IEEE Transactions on Geoscience and Remote Sensing》.2010,第48卷(第10期),全文. * |
杨洋等.基于差分计盒法和数学形态学的路面裂缝分割和提取方法.《科学技术与工程》.2013,(第23期),全文. * |
梁松.城市规划动态监管卫星遥感关键技术研究.《中国知网博士电子期刊》.2010,全文. * |
蒋李兵.基于光学图像辅助的高分辨率SAR图像建筑物高度提取方法研究.《中国知网博士电子期刊》.2017,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111553928A (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112818903B (zh) | 一种基于元学习和协同注意力的小样本遥感图像目标检测方法 | |
CN104915636B (zh) | 基于多级框架显著性特征的遥感影像道路识别方法 | |
CN111862126B (zh) | 深度学习与几何算法结合的非合作目标相对位姿估计方法 | |
CN110853026B (zh) | 一种融合深度学习与区域分割的遥感影像变化检测方法 | |
CN111047695B (zh) | 一种城市群高度空间信息及等高线的提取方法 | |
CN111028292B (zh) | 一种亚像素级图像匹配导航定位方法 | |
CN103703490A (zh) | 用于产生三维特征数据的设备、用于产生三维特征数据的方法、以及其上记录有用于产生三维特征数据的程序的记录介质 | |
CN112883850B (zh) | 一种基于卷积神经网络的多视角空天遥感图像匹配方法 | |
AU2020316538B2 (en) | Meteorological parameter-based high-speed train positioning method and system in navigation blind zone | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
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 | |
Chen et al. | Object-based multi-modal convolution neural networks for building extraction using panchromatic and multispectral imagery | |
CN110570462A (zh) | 基于极化雷达遥感影像的洪水淹没范围自动提取方法 | |
WO2022271963A1 (en) | Automated computer system and method of road network extraction from remote sensing images using vehicle motion detection to seed spectral classification | |
Li et al. | An aerial image segmentation approach based on enhanced multi-scale convolutional neural network | |
CN113838064A (zh) | 一种基于分支gan使用多时相遥感数据的云去除方法 | |
Wei et al. | Road network extraction from satellite images using CNN based segmentation and tracing | |
CN113850769B (zh) | 一种基于Siamese空谱联合卷积网络的高光谱变化检测方法 | |
Yang et al. | GTFN: GCN and transformer fusion with spatial-spectral features for hyperspectral image classification | |
Cao et al. | Template matching based on convolution neural network for UAV visual localization | |
CN111553928B (zh) | 一种辅以Openstreetmap信息的城市道路高分遥感自适应提取方法 | |
CN116934820A (zh) | 基于交叉注意力的多尺寸窗口Transformer网络布匹图像配准方法及系统 | |
Xia et al. | An approach for road material identification by dual-stage convolutional networks | |
Kulkarni et al. | “Parametric Methods to Multispectral Image Classification using Normalized Difference Vegetation Index | |
Jinghui et al. | Building extraction in urban areas from satellite images using GIS data as prior information |
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 |