CN112396612A - 一种矢量信息辅助的遥感影像道路信息自动提取方法 - Google Patents
一种矢量信息辅助的遥感影像道路信息自动提取方法 Download PDFInfo
- Publication number
- CN112396612A CN112396612A CN202011280370.7A CN202011280370A CN112396612A CN 112396612 A CN112396612 A CN 112396612A CN 202011280370 A CN202011280370 A CN 202011280370A CN 112396612 A CN112396612 A CN 112396612A
- Authority
- CN
- China
- Prior art keywords
- road
- point
- points
- image
- pixel
- 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
Links
- 239000013598 vector Substances 0.000 title claims abstract description 90
- 238000000605 extraction Methods 0.000 title claims abstract description 41
- 238000011156 evaluation Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 238000003709 image segmentation Methods 0.000 claims abstract description 5
- 230000003595 spectral effect Effects 0.000 claims description 92
- 230000008859 change Effects 0.000 claims description 26
- 238000001914 filtration Methods 0.000 claims description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005260 corrosion Methods 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 6
- 230000008034 disappearance Effects 0.000 claims description 6
- 238000005452 bending Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000009877 rendering Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
Images
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
- G06T7/13—Edge detection
-
- 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
- G06T7/136—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
- G06T7/187—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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Abstract
本发明涉及遥感影像道路提取领域，公开了一种矢量信息辅助的遥感影像道路信息自动提取方法，包括获取卫星遥感影像数据和旧导航道路矢量数据，将旧导航道路矢量数据与卫星遥感影像数据叠加；以旧导航道路矢量为中心线，向中心线的两侧生成预设范围内的导航道路缓冲区，在导航道路缓冲区内搜索影像道路匹配点；利用评价因子进行影像道路匹配点评价；利用基于LUV色彩空间的区域生长方法进行基于像素的道路对象分割；利用Mean Shift影像分割算法进行道路对象优化处理，获得道路对象优化结果。本发明不仅实现了道路现状检测，而且实现了变更道路或新增道路在较少人工干预下的自动提取，解决道路在更新过程中周期长、速度慢、现势性差等瓶颈问题。
Description
技术领域
本发明涉及遥感影像道路提取领域，具体地涉及一种矢量信息辅助的遥感影像道路信息自动提取方法。
背景技术
道路数据是基础地理数据中重要的组成部分，以道路数据为支撑的导航电子地图已经越来越广泛地应用于车载移动目标监控、管理与服务系统，并深入到老百姓的日常生活中。目前，道路数据更新方式属于版本式更新生产，即基于全要素的数据生产，不管道路变化与否都参与采集编辑，最终的数据也是一次性提交，很容易造成重复工作，使数据生产任务变得繁重且更新周期也较长。当今导航电子地图厂商虽普遍采用增量式更新方式进行导航道路更新，但其获得道路变化情报来源的方式仍然需要耗费大量的人力和时间，需要借助人工进行搜集，并且Google Earth、bing地图的卫星影像具有一定的滞后性，不利于地图的现势更新。
为解决数据更新中遇到的上述问题，不少学者开始关注借助现势的遥感影像，利用先进的遥感技术提取道路信息，研究自动道路提取技术进行数据快速更新的方式。然而如何从遥感影像中自动、准确的提取出特定要素(如土地、道路)的变化信息，成为制约地理数据更新的瓶颈。在很长一段时间内，目视解译是地理数据更新的主流方法，随着摄影测量与遥感技术、数字图像处理技术、地理信息系统、计算机视觉等技术飞速发展，已基本实现了在全数字化环境下的以计算机自动解译为基础目视解译辅助的半自动化的地理数据更新。然而，这种方式自动化程度仍然很低，人工干预程度较高。对于道路更新而言，对道路的变化检测和自动化提取是制约道路更新的首要问题。
发明内容
本发明提供一种矢量信息辅助的遥感影像道路信息自动提取方法，从而解决现有技术的上述问题。
一种矢量信息辅助的遥感影像道路信息自动提取方法，包括以下步骤：
S1)获取卫星遥感影像数据和旧导航道路矢量数据，将所述旧导航道路矢量数据与所述卫星遥感影像数据进行叠加，获得矢量叠加影像，矢量叠加影像包括旧导航道路矢量和导航道路节点；
S3)以所述旧导航道路矢量为中心线，向所述中心线的两侧生成预设范围内的导航道路缓冲区，在所述导航道路缓冲区内搜索影像道路匹配点；
S4)设置若干个评价因子，利用所述若干个评价因子进行影像道路匹配点评价，获得评价结果；所述影像道路匹配点评价包括道路变化评价和道路变化类型评价；
S5)选择评价结果为道路未发生变化且道路段长度大于一定阈值的道路段所对应的影像道路匹配点作为道路种子点，利用基于LUV色彩空间的区域生长方法进行基于像素的道路对象分割，获得初步道路图像；
S6)利用Mean Shift影像分割算法对所述初步道路图像进行道路对象优化处理，获得道路对象优化结果；
S7)根据道路形状特征对所述道路对象优化结果进行道路对象筛选和补漏、并剔除旧导航道路矢量中存在的道路段，获得新增道路标识。
进一步的，在步骤S3)中，以旧导航道路矢量为中心线，向中心线的两侧生成预设范围内的导航道路缓冲区，在导航道路缓冲区内搜索影像道路匹配点，包括以下步骤：
S31)利用反平行中线提取算法获取矢量叠加影像中所有道路的宽度、道路边缘点以及道路的中心点位置；
S32)利用最大类间方差算法剔除所有道路点中的干扰点，获得剔除干扰点后的道路点，获得第一潜在道路点集合；
S33)对剔除干扰点后的道路点进行同质性层标记，获得满足同质性层标记的道路点；
S34)设置光谱信息阈值条件，从所述满足同质性层标记的道路点中筛选出满足所述光谱信息阈值条件的道路点，获得第二潜在道路点集合，根据所述第一潜在道路点集合和所述第二潜在道路点集合进行导航道路节点匹配，获取与道路延伸方向相匹配的影像道路匹配点。
为滤除一些房屋点以及靠近道路边缘的道路点，本发明使用同质性算法，构建了同质性标记层，通过同质性标记层进行同质性层标记，从而进行道路点约束。同质性算法综合考虑了像素邻域的边缘梯度以及对比度特性，对物体边缘有很好的约束效果。
进一步的，在步骤S31)中，利用反平行中线提取算法获取矢量叠加影像中所有道路的宽度、道路边缘点以及道路的中心点位置，包括以下步骤：
S311)以旧导航道路矢量为中心线向两侧做缓冲得到的灰度图像作为图像输入源，使用高斯平滑函数对所述灰度图像进行噪声滤除；
S312)获得高斯滤波后的影像，利用Sobel算子对所述高斯滤波后的影像计算像素梯度值和梯度方向，获得所述高斯滤波后的影像中每个像素点的梯度值和梯度方向；将所述高斯滤波后的影像中任意一个像素点记为f(x,y)，所述像素点f(x,y)的梯度值
所述像素点f(x,y)的梯度方向
Gx为像素点f(x,y)关于x方向的梯度,Gy为像素点f(x,y)关于y方向的梯度；
S313)获取所述像素点f(x,y)的八邻域像素点，从所述八邻域像素点中选取所述像素点f(x,y)在梯度方向上的两个像素点，将所述两个像素点分别记为像素点z1和像素点z2，计算像素点z1的梯度线性插值Gz1和像素点z2的梯度线性插值Gz2，计算所述像素点f(x,y)的梯度值G(f(x,y))分别与像素点z1的梯度线性插值Gz1和像素点z2的梯度线性插值Gz2之间的差值，判断G(f(x,y))-Gz1≥0且G(f(x,y))-Gz2≥0是否成立，若是，则将像素点f(x,y)标记为边缘点，若否，则表示像素点f(x,y)不是边缘点，将像素点f(x,y)的像素值置0；
S314)获得高斯滤波后的影像中所有标记为边缘点的像素点，设置梯度高阈值G1和梯度低阈值G2，将所有标记为边缘点的像素点中的任意一像素点记为f1(x，y)，当像素点f1(x，y)的梯度值大于梯度高阈值G1时，所述像素点f(x,y)为强边缘像素点；当像素点f1(x，y)的梯度值小于梯度低阈值G2时，将像素点f1(x，y)的梯度值的像素值置0；当像素点f1(x，y)的梯度值为梯度低阈值G2和梯度高阈值G1之间时，所述像素点f(x,y)为弱边缘像素点；
S315)将步骤S314)中所有标记为边缘点的像素点中的强边缘像素点和弱边缘像素点确定为最终检测出的道路边缘点；
S316)对最终检测出的道路边缘点进行x方向和y方向上的搜索，获得道路边缘点对，根据所述道路边缘点对获取道路宽度和道路边缘点对的中心点位置。
进一步的，步骤S316)中，对最终检测出的道路边缘点进行x方向和y方向上的搜索，获得道路边缘点对，根据道路边缘点对获取道路宽度和道路边缘点对的中心点位置，包括以下步骤：
A1)将最终检测出的道路边缘点中的任意一个边缘点记为p，所述边缘点p位于道路的一边，对边缘点p进行x方向和y方向上的搜索，获得道路的另一边的边缘点q，边缘点q与所述边缘点p构成道路边缘点对，获得所述边缘点q与所述边缘点p的中心点位置；
A2)计算所述边缘点q与所述边缘点p之间的距离w，根据所述边缘点q的梯度方向θp和所述距离w获得道路宽度wr。
进一步的，步骤S34)中，设置光谱信息阈值条件，从所述满足同质性层标记的道路点中筛选出满足光谱信息阈值条件的道路点，获得第二潜在道路点集合，根据所述第一潜在道路点集合和所述第二潜在道路点集合进行导航道路节点匹配，获取与道路延伸方向相匹配的影像道路匹配点，包括以下步骤：
S341)进行导航道路等距离插值，设定固定长度阈值，对导航道路节点按照固定长度阈值进行加密，生成较密集的道路节点；
S342)设定预设搜索范围，沿垂直于道路延伸方向对每个导航道路节点在预设搜索范围内进行影像道路匹配点搜索，包括以下步骤：
B1)沿垂直于道路延伸方向判断在预设搜索范围内第j个导航道路节点是否搜索到所述第一潜在道路点集合中的潜在道路点，若否，则进入步骤B2)；若是，则将所述第一潜在道路点集合中的潜在道路点作为第j个导航道路节点在矢量叠加影像中的影像道路匹配点，标记第j个导航道路节点匹配成功，进入步骤B3)；j＝1、2、…、p，p为导航道路节点总数；
B2)设置光谱信息阈值条件：value>S；value为满足同质性层标记的道路点的光谱信息，S为所有满足同质性层标记的道路点的光谱信息均值；从满足同质性层标记的道路点中筛选出满足光谱信息阈值条件的道路点集合，从所述满足光谱信息阈值条件的道路点集合中选择最靠近道路中心的道路点作为第j个导航道路节点的影像道路匹配点，标记第j个导航道路节点匹配成功，进入步骤B3)；若未能从满足同质性层标记的道路点中筛选出满足光谱信息阈值条件的道路点集合，则标记第j个导航道路节点匹配失败；
B3)利用角度纹理模版计算第j个导航道路节点的影像道路匹配点在矢量叠加影像中沿道路延伸方向的梯度向量垂直夹角θ。
进一步的，步骤S4)中，设置若干个评价因子，利用若干个评价因子进行影像道路匹配点评价，获得评价结果；影像道路匹配点评价包括道路变化评价和道路变化类型评价，包括以下步骤：
S41)进行道路变化评价，根据影像道路匹配点获取导航道路节点连续未匹配成功的道路点路段，计算导航道路节点连续未匹配成功的道路点路段的长度，设定长度阈值TL，判断导航道路节点连续未匹配成功的道路点路段的长度是否大于长度阈值TL，若是，则表明道路发生变化，进入步骤S42)；若否，则表明道路未发生变化；
S42)提取导航道路节点连续未匹配成功的道路点路段的前一影像道路匹配点，设定夹角阈值TR，判断前一影像道路匹配点沿道路延伸方向的梯度向量垂直夹角是否大于等于夹角阈值TR，若是，则表明道路发生了改道；若否，则表明道路消失；
S43)设置若干个评价因子，若干个评价因子包括匹配成功的道路段TP、导航道路节点连续未匹配成功的道路点路段CM、导航道路节点连续未匹配成功的道路点路段的前一影像道路匹配点沿道路延伸方向的梯度向量垂直夹角θ≥TR的道路段CD；
S44)根据若干个评价因子计算矢量叠加影像中道路消失率Disappearance和道路改道率Change，道路消失率为消失的道路占导航道路长度比，
道路改道率为道路改道长度占导航道路长度比，
获得评价结果。
进一步的，步骤S5)中，选择评价结果为道路未发生变化且道路段长度大于一定阈值的道路段所对应的影像道路匹配点作为道路种子点，利用LUV色彩空间的区域生长方法进行基于像素的道路对象分割，获得初步道路图像，包括以下步骤：
S51)获取评价结果为道路未发生变化且道路段长度大于一定阈值的道路段所对应的影像道路匹配点；
S52)对评价结果为道路未发生变化且道路段长度大于一定阈值的道路段所对应的影像道路匹配点进行抽稀处理，获得抽稀处理后的影像道路匹配点；
S53)将抽稀处理后的影像道路匹配点作为道路种子点；
S54)获取每个道路种子点的LUV光谱特征值，对每个道路种子点取n×n的邻域区域，计算道路种子点的LUV光谱特征值与n×n的邻域区域中的像素点的LUV光谱特征值之间的相似度，设定相似度阈值，根据相似度阈值将LUV光谱特征相近的邻域像素合并成区域，以合并成区域中的像素点作为新的道路种子点；
S55)重复步骤S54)，直到道路种子点的邻域区域中的像素点的LUV光谱特征都不相似为止，获得初步道路图像，所述初步道路图像包括若干个具有相似特征的像素最大联通区域。
进一步的，步骤S54)中，计算道路种子点的LUV光谱特征值与n×n的邻域区域中的像素点的LUV光谱特征值之间的相似度，设定相似度阈值，根据所述相似度阈值将LUV光谱特征相近的邻域像素合并成区域，还包括以下步骤：
S541)获取每个道路种子点的RGB颜色空间光谱特征值,将所述道路种子点的RGB颜色空间光谱特征值转化成CIEXYZ空间特征值：
X为CIEXYZ空间第一特征分量，Y为CIEXYZ空间第一特征分量，Z为CIEXYZ空间第一特征分量，R为RGB颜色空间第一特征分量，G为RGB颜色空间第一特征分量，B为RGB颜色空间第一特征分量；
S542)将CIEXYZ空间特征值转化成LUV光谱特征值，所述LUV光谱特征值包括LUV光谱第一特征分量L*、LUV光谱第一特征分量u*和LUV光谱第一特征分量v*；
S543)计算道路种子点的LUV光谱特征值与n×n的邻域区域中的像素点的LUV光谱特征值之间的相似度，道路种子点的LUV光谱特征值与n×n的邻域区域中的第i个像素点的LUV光谱特征值之间的相似度
Li、ui和vi分别为n×n的邻域区域中的第i个像素点的LUV光谱特征值，
S544)设定相似度阈值，判断道路种子点的LUV光谱特征值与n×n的邻域区域中的第i个像素点的LUV光谱特征值之间的相似度di是否小于所述相似度阈值，若是，则将所述道路种子点与n×n的邻域区域中的第i个像素点合并成区域；若否，则表示道路种子点与n×n的邻域区域中的第i个像素点不相似；i＝1、2、…、n×n；
S545)分别计算n×n的邻域区域中的所有像素点与道路种子点之间的相似度，根据相似度阈值将LUV光谱特征相近的邻域像素与道路种子点合并成区域。
在S542)步骤中，当Y≤0.08856时，LUV光谱第一特征分量L*为
当Y>0.08856时，LUV光谱第一特征分量L*为903.3×Y；LUV光谱第二特征分量u*＝13*L**(u′-Un)，LUV光谱第三特征分量v*＝13*L**(v′-Vn)，其中
进一步的，步骤S7)中，根据道路形状特征对所述道路对象优化结果中进行道路对象筛选和补漏，所述道路形状特征包括形状指数、紧致度、矩形度和细长度，包括以下步骤：
S71)计算
获得道路的形状指数,e为道路的边界长度，A为道路的面积；计算
获得道路的紧致度；计算
获得道路的矩形度，Amer为道路最小外接矩形面积；对于矩形状区域的道路通过计算
获得道路的细长度，a为最小外接矩形长度，b为最小外接矩形宽度；对于弯曲区域的道路通过多步腐蚀方法获得最大厚度，通过道路的面积与厚度平方比
获得细长度，d为腐蚀步数；
S72)根据道路形状特征设定若干个不同的道路形状特征指标，根据所述若干个不同的道路形状特征指标进行非道路地物剔除以及遗漏道路对象提取；
S73)利用归一化差分水体指数NDWI对所述道路对象优化结果进行水体滤除，所述归一化差分水体指数
Green为像素点的绿波段值，Nir为近红外波段值，判断NDWI>0是否成立，若是，则将所述像素点标记为水体，将标记为水体的像素点滤除；若否，则表明所述像素点不是水体；
S74)获得最终道路提取结果。
进一步的，步骤S7)中，剔除旧导航道路矢量数据中存在的道路段，获得新增道路标识，包括以下步骤：
S75)将旧导航道路矢量栅格化，并向旧导航道路矢量两边建立一定宽度的道路缓冲区，获得导航道路栅格化层；
S76)将导航道路栅格化层与所述最终道路提取结果进行差值，获得新增道路层；
S77)将新增道路层中新增道路的像素渲染为显著色，获得新增道路标识。
本发明的有益效果是：本发明提出了一种矢量信息辅助的遥感影像道路信息自动提取方法，设计了旧导航道路矢量数据与卫星遥感影像数据互匹配的道路变更评价方案，不仅实现了道路现状检测，而且实现了变更道路或新增道路在较少人工干预下的自动提取，解决道路在更新过程中周期长、速度慢、现势性差等瓶颈问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本实施例一提供的矢量信息辅助的遥感影像道路信息自动提取方法流程示意图。
图2为本实施例一提供的根据边缘点q的梯度方向θp和距离w获得道路宽度wr的示意图。
图3为本实施例一提供的角度纹理模板示意图。
图4为本实施例一提供的导航道路节点匹配结果示意图。
图5为本实施例一提供的道路变化及道路改道示意图。
图6为本实施例一提供的道路种子点在矢量叠加影像中的示意图。
图7为本实施例一提供的道路对象优化结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
实施例一，一种矢量信息辅助的遥感影像道路信息自动提取方法，如图1所示，包括以下步骤：
S1)获取卫星遥感影像数据和旧导航道路矢量数据，将旧导航道路矢量数据与卫星遥感影像数据进行叠加，获得矢量叠加影像，矢量叠加影像包括旧导航道路矢量和导航道路节点；
S3)以旧导航道路矢量为中心线，向中心线的两侧生成预设范围内的导航道路缓冲区，在导航道路缓冲区内搜索影像道路匹配点，包括以下步骤：
S31)利用反平行中线提取算法获取矢量叠加影像中所有道路的宽度、道路边缘点以及道路的中心点位置，包括以下步骤：
S311)以旧导航道路矢量为中心线向两侧做缓冲得到的灰度图像作为图像输入源，使用高斯平滑函数对灰度图像进行噪声滤除；
S312)获得高斯滤波后的影像，利用Sobel算子对所述高斯滤波后的影像计算像素梯度值和梯度方向，获得高斯滤波后的影像中每个像素点的梯度值和梯度方向；将高斯滤波后的影像中任意一个像素点记为f(x,y)，像素点f(x,y)的梯度值
像素点f(x,y)的梯度方向
Gx为像素点f(x,y)关于x方向的梯度,Gy为像素点f(x,y)关于y方向的梯度；
S313)获取像素点f(x,y)的八邻域像素点，从八邻域像素点中选取像素点f(x,y)在梯度方向上的两个像素点，将两个像素点分别记为像素点z1和像素点z2，计算像素点z1的梯度线性插值Gz1和像素点z2的梯度线性插值Gz2，计算所述像素点f(x,y)的梯度值G(f(x,y))分别与像素点z1的梯度线性插值Gz1和像素点z2的梯度线性插值Gz2之间的差值，判断G(f(x,y))-Gz1≥0且G(f(x,y))-Gz2≥0是否成立，若是，则将像素点f(x,y)标记为边缘点，若否，则表示像素点f(x,y)不是边缘点，将像素点f(x,y)的像素值置0；像素点z1的梯度线性插值Gz1＝(1-tan(θ))×G1+tan(θ)×G2，像素点z2的梯度线性插值Gz2＝(1-tan(θ))×G3+tan(θ)×G4，G1、G2为像素点z1在梯度方向两侧的像素点的梯度值，G3、G4分别为像素点z2在梯度方向两侧的像素点的梯度值。
S314)获得高斯滤波后的影像中所有标记为边缘点的像素点，设置梯度高阈值G1和梯度低阈值G2，将所有标记为边缘点的像素点中的任意一像素点记为f1(x，y)，当像素点f1(x，y)的梯度值大于梯度高阈值G1时，所述像素点f(x,y)为强边缘像素点；当像素点f1(x，y)的梯度值小于梯度低阈值G2时，将像素点f1(x，y)的梯度值的像素值置0；当像素点f1(x，y)的梯度值为梯度低阈值G2和梯度高阈值G1之间时，像素点f(x,y)为弱边缘像素点；
S315)将步骤S314)中所有标记为边缘点的像素点中的强边缘像素点和弱边缘像素点确定为最终检测出的道路边缘点；
S316)对最终检测出的道路边缘点进行x方向和y方向上的搜索，获得道路边缘点对，根据道路边缘点对获取道路宽度和道路边缘点对的中心点位置。
步骤S316)中，对最终检测出的道路边缘点进行x方向和y方向上的搜索，获得道路边缘点对，根据道路边缘点对获取道路宽度和道路边缘点对的中心点位置，包括以下步骤：
A1)将最终检测出的道路边缘点中的任意一个边缘点记为p，边缘点p位于道路的一边，对边缘点p进行x方向和y方向上的搜索，获得道路的另一边的边缘点q，边缘点q与边缘点p构成道路边缘点对，获得边缘点q与所述边缘点p的中心点位置；
A2)计算边缘点q与边缘点p之间的距离w，根据边缘点q的梯度方向θp和距离w获得道路宽度wr。
道路宽度Wr在水平和垂直方向上的计算公式分别为Wr＝w*cosθp和Wr＝w*sinθp，其中θp为边缘点p的梯度方向(见图2)。
以道路矢量建立缓冲区做约束，仅在缓冲区内进行边缘检测和梯度计算，减少算法计算量，当道路与影像中道路位置偏移超过距离范围(即缓冲区范围)外可以认为道路发生了变化。
S32)利用最大类间方差算法剔除所有道路点中的干扰点，获得剔除干扰点后的道路点，获得第一潜在道路点集合。步骤S31)中提取的道路点集中大部分点为道路点，但可能混杂着少量错误点，如房屋屋顶像素点等。本发明使用最大类间方差算法进行错误点剔除，为后续处理提供尽可能准确的道路点。
最大类间方差算法为阈值选取方法，利用灰度累积直方图以目标类与背景之间的方差最大为准则来进行阈值选择。具体步骤为：假设图像的灰度级为L(L一般为256)，灰度级为i的像素数为ni，图像总的像素数为N，
灰度级i的像素出现的概率
将像素按灰度级t分为两类：C0(灰度级0-t)和C1(灰度级t+1-L-1)。则两类出现的概率w0、w1为：
w0+w1＝1；两类的灰度均值μ0和μ1分别为
整幅图像的灰度均值
C0和C1的类间方差
获取阈值t，使阈值t从整个灰度级范围上取值，当
最大时对应的t值即为最大类间方差算法选取的最佳灰度阈值。
提取道路点在矢量叠加影像中对应位置的像素灰度值，统计像素灰度值的级数和范围，并计算各灰度级概率，利用最大类间方差算法计算最佳灰度阈值t，判断0-t和t-N道路点数量，将数量小的部分去掉，完成道路点筛选。
S33)对剔除干扰点后的道路点进行同质性层标记，获得满足同质性层标记的道路点。
同质性反映了影像中局部区域的一致性状况，对于矢量叠加影像中的M×N的区域图像，定义gij为像素P(i,j)的灰度值(0≤i≤M-1,0≤j≤N-1)，vij为以像素P(i,j)为中心的d×d邻域内的像素均方差，像素均方差表征局部区域内的对比度，eij为以像素P(i,j)为中心的t×t邻域内的梯度值，
其中，i≥2，，p≤，M-1j≥2q≤N-1，uij是邻域窗口内的灰度均值，
梯度值eij表征局部区域内的不连续性，是对图像灰度级跃变的度量，本实施例中采用Sobel梯度算子进行梯度计算。本发明为减少遥感影像中噪声的影响，获得较好的边界精度，采用高斯滤波对遥感影像进行噪声滤除，并进行梯度计算。获得像素P(i,j)的同质性数值Homo(i,j)＝1-E(i,j)*V(i,j)，其中：
Homo∈[0,1)(在步骤S34)中进行同质性层标记过程中出现的标记i和标记j的定义及取值范围仅限于在进行同质性层标记过程中有效)。
获得所有道路点的同质性数值，将所有道路点的同质性数值的值的区间范围拉伸至[0-255]，生成同质性标记层HomoMark，同质性标记层
将HomoMark>249作为同质性较好的判别阈值，完成同质性层标记。
S34)设置光谱信息阈值条件，从满足同质性层标记的道路点中筛选出满足所述光谱信息阈值条件的道路点，获得第二潜在道路点集合，根据第一潜在道路点集合和第二潜在道路点集合进行导航道路节点匹配，获取与道路延伸方向相匹配的影像道路匹配点，如图4所示，C为导航道路节点，D为影像道路匹配点，包括以下步骤：
S341)进行导航道路等距离插值，设定固定长度阈值，对导航道路节点按照固定长度阈值进行加密，生成较密集的道路节点。由于导航数据作业员的作业习惯不同，使得导航道路矢量中两节点间的距离长短不一，在直线道路段可能很长距离有一个节点。因此对导航道路节点按照固定长度阈值进行加密，生成较密集的道路节点。
S342)设定预设搜索范围，沿垂直于道路延伸方向对每个导航道路节点在预设搜索范围内进行影像道路匹配点搜索，包括以下步骤：
B1)沿垂直于道路延伸方向判断在预设搜索范围内第j个导航道路节点是否搜索到所述第一潜在道路点集合中的潜在道路点，若否，则进入步骤B2)；若是，则将所述第一潜在道路点集合中的潜在道路点作为第j个导航道路节点在矢量叠加影像中的影像道路匹配点，标记第j个导航道路节点匹配成功，进入步骤B3)；j＝1、2、…、p，p为导航道路节点总数；
B2)设置光谱信息阈值条件：value>S；value为满足同质性层标记的道路点的光谱信息，S为所有满足同质性层标记的道路点的光谱信息均值；从满足同质性层标记的道路点中筛选出满足光谱信息阈值条件的道路点集合，从所述满足光谱信息阈值条件的道路点集合中选择最靠近道路中心的道路点作为第j个导航道路节点的影像道路匹配点，标记第j个导航道路节点匹配成功，进入步骤B3)；若未能从满足同质性层标记的道路点中筛选出满足光谱信息阈值条件的道路点集合，则标记第j个导航道路节点匹配失败；
B3)利用角度纹理模板计算第j个导航道路节点的影像道路匹配点在矢量叠加影像中沿道路延伸方向的梯度向量垂直夹角θ。
由于道路两边存在树木等各种各样的干扰，不能保证所有道路段都能提取出潜在的道路点，对于未提取出潜在道路点的路段，仍需要进行道路点对匹配，利用同质性标记层以及潜在道路点集计算得到的道路光谱信息(例如光谱均值、光谱最大最小值等)进行道路点对匹配。
如图3所示，A为若干个角度纹理模板，B为影像道路匹配点搜索示意图。角度纹理模板能够确定道路延伸方向，角度纹理模板以道路点为中心，利用旋转矩形模板计算模板内的灰度方差，则灰度方差最小的模板旋转方向便是道路延伸方向。模板内的灰度方差
其中i′＝i+nsin(θ)+kcos(θ),j′＝j+ncos(θ)+ksin(θ),
(2r+1)和(L+1)分别为角度纹理模板的长和宽，(i′,j′)为模板内像素坐标，p(i′,j′)为点(i′,j′)处的像素灰度值，m(i,j,L,θ)为模板内的像素灰度均值，θ为模板旋转角度，计算得到的最小ATS值即可确定道路延伸方向(计算模板内的灰度方差时出现的所有标记(如i、j、θ)的定义及取值范围仅在模板内的灰度方差的计算过程中有效)。
S4)设置若干个评价因子，利用若干个评价因子进行影像道路匹配点评价，获得评价结果；影像道路匹配点评价包括道路变化评价和道路变化类型评价，包括以下步骤：
S41)进行道路变化评价，根据影像道路匹配点获取导航道路节点连续未匹配成功的道路点路段，计算导航道路节点连续未匹配成功的道路点路段的长度，设定长度阈值TL，判断导航道路节点连续未匹配成功的道路点路段的长度是否大于长度阈值TL，若是，则表明道路发生变化，进入步骤S42)；若否，则表明道路未发生变化；
S42)提取导航道路节点连续未匹配成功的道路点路段的前一影像道路匹配点，设定夹角阈值TR，判断前一影像道路匹配点沿道路延伸方向的梯度向量垂直夹角是否大于等于夹角阈值TR，若是，则表明道路发生了改道；若否，则表明道路消失；
S43)设置若干个评价因子，若干个评价因子包括匹配成功的道路段TP、导航道路节点连续未匹配成功的道路点路段CM、导航道路节点连续未匹配成功的道路点路段的前一影像道路匹配点沿道路延伸方向的梯度向量垂直夹角θ≥TR的道路段CD。如图5所示，E为道路变化示意图，F为道路改道示意图。
S44)根据若干个评价因子计算矢量叠加影像中道路消失率Disappearance和道路改道率Change，道路消失率为消失的道路占导航道路长度比，
道路改道率为道路改道长度占导航道路长度比，
获得评价结果。
S5)选择评价结果为道路未发生变化且道路段长度大于一定阈值的道路段所对应的影像道路匹配点作为道路种子点，利用基于LUV色彩空间的区域生长方法进行基于像素的道路对象分割，获得初步道路图像，包括以下步骤：
S51)获取评价结果为道路未发生变化且道路段长度大于一定阈值的道路段所对应的影像道路匹配点；
S52)对评价结果为道路未发生变化且道路段长度大于一定阈值的道路段所对应的影像道路匹配点进行抽稀处理，获得抽稀处理后的影像道路匹配点；
S53)将抽稀处理后的影像道路匹配点作为道路种子点，图6中的叉号表示道路种子点。
S54)获取每个道路种子点的LUV光谱特征值，对每个道路种子点取n×n的邻域区域，计算道路种子点的LUV光谱特征值与n×n的邻域区域中的像素点的LUV光谱特征值之间的相似度，设定相似度阈值，根据相似度阈值将LUV光谱特征相近的邻域像素合并成区域，以合并成区域中的像素点作为新的道路种子点；
S55)重复步骤S54)，直到道路种子点的邻域区域中的像素点的LUV光谱特征都不相似为止，获得初步道路图像，所述初步道路图像包括若干个具有相似特征的像素最大联通区域。
步骤S54)中，计算道路种子点的LUV光谱特征值与n×n的邻域区域中的像素点的LUV光谱特征值之间的相似度，设定相似度阈值，根据所述相似度阈值将LUV光谱特征相近的邻域像素合并成区域，还包括以下步骤：
S541)获取每个道路种子点的RGB颜色空间光谱特征值,将所述道路种子点的RGB颜色空间光谱特征值转化成CIEXYZ空间特征值：
X为CIEXYZ空间第一特征分量，Y为CIEXYZ空间第一特征分量，Z为CIEXYZ空间第一特征分量，R为RGB颜色空间第一特征分量，G为RGB颜色空间第一特征分量，B为RGB颜色空间第一特征分量；
S542)将CIEXYZ空间特征值转化成LUV光谱特征值，所述LUV光谱特征值包括LUV光谱第一特征分量L*、LUV光谱第一特征分量u*和LUV光谱第一特征分量v*；
S543)计算道路种子点的LUV光谱特征值与n×n的邻域区域中的像素点的LUV光谱特征值之间的相似度，道路种子点的LUV光谱特征值与n×n的邻域区域中的第i个像素点的LUV光谱特征值之间的相似度
Li、ui和vi分别为n×n的邻域区域中的第i个像素点的LUV光谱特征值，
S544)设定相似度阈值，判断道路种子点的LUV光谱特征值与n×n的邻域区域中的第i个像素点的LUV光谱特征值之间的相似度di是否小于所述相似度阈值，若是，则将所述道路种子点与n×n的邻域区域中的第i个像素点合并成区域；若否，则表示道路种子点与n×n的邻域区域中的第i个像素点不相似；i＝1、2、…、n×n；
S545)分别计算n×n的邻域区域中的所有像素点与道路种子点之间的相似度，根据相似度阈值将LUV光谱特征相近的邻域像素与道路种子点合并成区域。
由于不同景影像中道路的光谱值存在差异且不同等级道路的特征也不尽相同，自动道路检测方法很难达到良好的效果。半自动道路提取方法研究较多，因其需要以人机交互的形式输入影像相关的道路先验信息(如影像中道路光谱特征、道路种子点等)，使得道路提取精度大幅提高。在道路样本的基础上，本发明提出了一种基于LUV色彩空间的区域生长方法，进行基于像素的道路对象分割，形成初步道路对象，将与旧道路矢量联通的道路全部提取出来。本发明利用道路种子点的光谱信息，将半自动道路提取方法中的人机交互部分变为自动，然后利用区域生长、面向对象等方法，从而实现新增道路自动提取。
S6)利用Mean Shift影像分割算法对所述初步道路图像进行道路对象优化处理，获得道路对象优化结果(见图7)。
区域生长算法仅考虑了像素与像素之间的光谱相似性，当道路中出现噪声时无法判断噪声与周围的关系，从而出现孔洞现象。本发明采用了Mean Shift影像分割算法，且在运用Mean Shift分割算法做分割之前对图像进行了平滑滤波，可以很好的消除道路中噪声的影响，从而避免提取的道路中出现孔洞现象，并且能在一定程度上解决道路与建筑区粘连问题。区域生长参考的道路对象优化，即将区域生长的道路粗提取结果(初步道路图像)作为参考，将像素级的道路粗提取结果根据影像的空间位置映射到相应的分割对象中去。对每一个分割区域，统计该区域内道路像素的个数，如果超过一定阈值(本实施例取70％)，则认为该对象为道路对象。
S7)根据道路形状特征对道路对象优化结果进行道路对象筛选和补漏，对旧导航道路矢量数据中存在的道路段进行剔除，获得新增道路标识。
本发明以资源三号卫星影像数据为数据源，利用旧导航道路矢量数据与卫星遥感影像数据互匹配的道路变更评价方法，实现道路现状检测，分道路变更和新增道路两种方式完成道路信息的自动提取。
遥感影像上的道路多呈现长条带状，且长度远远大于宽度。与道路同谱异物的人工构筑物如建筑物等多呈现为矩形或者近似矩形的规则形状，露天广场、停车场等多呈现方形或者圆形形状，利用道路对象一些典型的形状特征，可以将部分非道路对象剔除，也能提取出遗漏的道路对象。
步骤S7)中，根据道路形状特征对所述道路对象优化结果中进行道路对象筛选和补漏，道路形状特征包括形状指数、紧致度、矩形度和细长度，包括以下步骤：
S71)计算
获得道路的形状指数,e为道路的边界长度，A为道路的面积；计算
获得道路的紧致度；计算
获得道路的矩形度，Amer为道路最小外接矩形面积；对于矩形状区域的道路通过计算
获得道路的细长度，a为最小外接矩形长度，b为最小外接矩形宽度；对于弯曲区域的道路通过多步腐蚀方法获得最大厚度，通过道路的面积与厚度平方比
获得细长度，d为腐蚀步数。
S72)根据道路形状特征设定若干个不同的道路形状特征指标，根据若干个不同的道路形状特征指标进行非道路地物剔除以及遗漏道路对象提取；
形状指数用来描述对象边界的光滑程度。影像对象越破碎，形状指数越大，道路形状指数一般较大。道路通常为矩形，紧致度一般较小。非道路地物剔除时，非道路对象通常为居民区或者田地，其形状一般为方形或者接近方形，则非道路对象的形状指数和细长度都较低；遗漏道路提取时，道路对象一般面积较大，首先使用面积阈值，排除一些细小建筑物斑块的干扰；然后使用形状指数，进行道路对象提取。经实验发现，形状指数与紧致度特征提取的道路对象基本一样，故选择一种指数即可。本发明选择形状指数>5作为筛选阈值。最后再使用细长度进行进一步筛选，将细长度大于3的分割对象作为道路对象。
S73)利用归一化差分水体指数NDWI对所述道路对象优化结果进行水体滤除，归一化差分水体指数
Green为像素点的绿波段值，Nir为近红外波段值，判断NDWI>0是否成立，若是，则将所述像素点标记为水体，将标记为水体的像素点滤除；若否，则表明所述像素点不是水体；
S74)获得最终道路提取结果。
步骤S7)中，剔除旧导航道路矢量中存在的道路段，获得新增道路标识，包括以下步骤：
S75)将旧导航道路矢量栅格化，并向旧导航道路矢量两边建立一定宽度的道路缓冲区，获得导航道路栅格化层；
S76)将所述导航道路栅格化层与所述最终道路提取结果进行差值，获得新增道路层；
S77)将新增道路层中新增道路的像素渲染为红色，获得新增道路标识。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
本发明提出了一种矢量信息辅助的遥感影像道路信息自动提取方法，设计了旧导航道路矢量数据与卫星遥感影像数据互匹配的道路变更评价方案，不仅实现了道路现状检测，而且实现了变更道路或新增道路在较少人工干预下的自动提取，解决道路在更新过程中周期长、速度慢、现势性差等问题。
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明旧理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。
Claims (10)
1.一种矢量信息辅助的遥感影像道路信息自动提取方法，其特征在于，包括以下步骤：
S1)获取卫星遥感影像数据和旧导航道路矢量数据，将所述旧导航道路矢量数据与所述卫星遥感影像数据进行叠加，获得矢量叠加影像，矢量叠加影像包括旧导航道路矢量和导航道路节点；
S3)以所述旧导航道路矢量为中心线，向所述中心线的两侧生成预设范围内的导航道路缓冲区，在所述导航道路缓冲区内搜索影像道路匹配点；
S4)设置若干个评价因子，利用所述若干个评价因子进行影像道路匹配点评价，获得评价结果；所述影像道路匹配点评价包括道路变化评价和道路变化类型评价；
S5)选择评价结果为道路未发生变化且道路段长度大于一定阈值的道路段所对应的影像道路匹配点作为道路种子点，利用基于LUV色彩空间的区域生长方法进行基于像素的道路对象分割，获得初步道路图像；
S6)利用Mean Shift影像分割算法对所述初步道路图像进行道路对象优化处理，获得道路对象优化结果；
S7)根据道路形状特征对所述道路对象优化结果进行道路对象筛选和补漏、并剔除旧导航道路矢量数据中存在的道路段，获得新增道路标识。
2.根据权利要求1所述的矢量信息辅助的遥感影像道路信息自动提取方法，其特征在于，步骤S3)中，以所述旧导航道路矢量为中心线，向所述中心线的两侧生成预设范围内的导航道路缓冲区，在所述导航道路缓冲区内搜索影像道路匹配点，包括以下步骤：
S31)利用反平行中线提取算法获取矢量叠加影像中所有道路的宽度、道路边缘点以及道路的中心点位置；
S32)利用最大类间方差算法剔除所有道路点中的干扰点，获得剔除干扰点后的道路点，获得第一潜在道路点集合；
S33)对剔除干扰点后的道路点进行同质性层标记，获得满足同质性层标记的道路点；
S34)设置光谱信息阈值条件，从所述满足同质性层标记的道路点中筛选出满足所述光谱信息阈值条件的道路点，获得第二潜在道路点集合，根据所述第一潜在道路点集合和所述第二潜在道路点集合进行导航道路节点匹配，获取与道路延伸方向相匹配的影像道路匹配点。
3.根据权利要求2所述的矢量信息辅助的遥感影像道路信息自动提取方法，其特征在于，在步骤S31)中，利用反平行中线提取算法获取矢量叠加影像中所有道路的宽度、道路边缘点以及道路的中心点位置，包括以下步骤：
S311)以旧导航道路矢量为中心线向两侧做缓冲得到的灰度图像作为图像输入源，使用高斯平滑函数对所述灰度图像进行噪声滤除；
S312)获得高斯滤波后的影像，利用Sobel算子对所述高斯滤波后的影像计算像素梯度值和梯度方向，获得所述高斯滤波后的影像中每个像素点的梯度值和梯度方向；将所述高斯滤波后的影像中任意一个像素点记为f(x,y)，所述像素点f(x,y)的梯度值
所述像素点f(x,y)的梯度方向
Gx为像素点f(x,y)关于x方向的梯度,Gy为像素点f(x,y)关于y方向的梯度；
S313)获取所述像素点f(x,y)的八邻域像素点，从所述八邻域像素点中选取所述像素点f(x,y)在梯度方向上的两个像素点，将所述两个像素点分别记为像素点z1和像素点z2，计算像素点z1的梯度线性插值Gz1和像素点z2的梯度线性插值Gz2，计算所述像素点f(x,y)的梯度值G(f(x,y))分别与像素点z1的梯度线性插值Gz1和像素点z2的梯度线性插值Gz2之间的差值，判断G(f(x,y))-Gz1≥0且G(f(x,y))-Gz2≥0是否成立，若是，则将像素点f(x,y)标记为边缘点，若否，则表示像素点f(x,y)不是边缘点，将像素点f(x,y)的像素值置0；
S314)获得高斯滤波后的影像中所有标记为边缘点的像素点，设置梯度高阈值G1和梯度低阈值G2，将所有标记为边缘点的像素点中的任意一像素点记为f1(x，y)，当像素点f1(x，y)的梯度值大于梯度高阈值G1时，所述像素点f(x,y)为强边缘像素点；当像素点f1(x，y)的梯度值小于梯度低阈值G2时，将像素点f1(x，y)的梯度值的像素值置0；当像素点f1(x，y)的梯度值为梯度低阈值G2和梯度高阈值G1之间时，所述像素点f(x,y)为弱边缘像素点；
S315)将步骤S314)中所有标记为边缘点的像素点中的强边缘像素点和弱边缘像素点确定为最终检测出的道路边缘点；
S316)对最终检测出的道路边缘点进行x方向和y方向上的搜索，获得道路边缘点对，根据所述道路边缘点对获取道路宽度和道路边缘点对的中心点位置。
4.根据权利要求3所述的矢量信息辅助的遥感影像道路信息自动提取方法，其特征在于，步骤S316)中，对最终检测出的道路边缘点进行x方向和y方向上的搜索，获得道路边缘点对，根据所述道路边缘点对获取道路宽度和道路边缘点对的中心点位置，包括以下步骤：
A1)将最终检测出的道路边缘点中的任意一个边缘点记为p，所述边缘点p位于道路的一边，对所述边缘点p进行x方向和y方向上的搜索，获得道路的另一边的边缘点q，所述边缘点q与所述边缘点p构成道路边缘点对，获得所述边缘点q与所述边缘点p的中心点位置；
A2)计算所述边缘点q与所述边缘点p之间的距离w，根据所述边缘点q的梯度方向θp和所述距离w获得道路宽度wr。
5.根据权利要求1所述的矢量信息辅助的遥感影像道路信息自动提取方法，其特征在于，步骤S34)中，设置光谱信息阈值条件，从所述满足同质性层标记的道路点中筛选出满足所述光谱信息阈值条件的道路点，获得第二潜在道路点集合，根据所述第一潜在道路点集合和所述第二潜在道路点集合进行导航道路节点匹配，获取与道路延伸方向相匹配的影像道路匹配点，包括以下步骤：
S341)进行导航道路等距离插值，设定固定长度阈值，对导航道路节点按照固定长度阈值进行加密，生成较密集的道路节点；
S342)设定预设搜索范围，沿垂直于道路延伸方向对每个导航道路节点在预设搜索范围内进行影像道路匹配点搜索，包括以下步骤：
B1)沿垂直于道路延伸方向判断在预设搜索范围内第j个导航道路节点是否搜索到所述第一潜在道路点集合中的潜在道路点，若否，则进入步骤B2)；若是，则将所述第一潜在道路点集合中的潜在道路点作为第j个导航道路节点在矢量叠加影像中的影像道路匹配点，标记第j个导航道路节点匹配成功，进入步骤B3)；
B2)设置光谱信息阈值条件：value>S；value为满足同质性层标记的道路点的光谱信息，S为所有满足同质性层标记的道路点的光谱信息均值；从满足同质性层标记的道路点中筛选出满足光谱信息阈值条件的道路点集合，从所述满足光谱信息阈值条件的道路点集合中选择最靠近道路中心的道路点作为第j个导航道路节点的影像道路匹配点，标记第j个导航道路节点匹配成功，进入步骤B3)；若未能从满足同质性层标记的道路点中筛选出满足光谱信息阈值条件的道路点集合，则标记第j个导航道路节点匹配失败；
B3)利用角度纹理模版计算第j个导航道路节点的影像道路匹配点在矢量叠加影像中沿道路延伸方向的梯度向量垂直夹角θ。
6.根据权利要求5所述的矢量信息辅助的遥感影像道路信息自动提取方法，其特征在于，步骤S4)中，设置若干个评价因子，利用所述若干个评价因子进行影像道路匹配点评价，获得评价结果；所述影像道路匹配点评价包括道路变化评价和道路变化类型评价，包括以下步骤：
S41)进行道路变化评价，根据所述影像道路匹配点获取导航道路节点连续未匹配成功的道路点路段，计算所述导航道路节点连续未匹配成功的道路点路段的长度，设定长度阈值TL，判断所述导航道路节点连续未匹配成功的道路点路段的长度是否大于所述长度阈值TL，若是，则表明道路发生变化，进入步骤S42)；若否，则表明道路未发生变化；
S42)提取导航道路节点连续未匹配成功的道路点路段的前一影像道路匹配点，设定夹角阈值TR，判断所述前一影像道路匹配点沿道路延伸方向的梯度向量垂直夹角是否大于等于夹角阈值TR，若是，则表明道路发生了改道；若否，则表明道路消失；
S43)设置若干个评价因子，所述若干个评价因子包括匹配成功的道路段TP、导航道路节点连续未匹配成功的道路点路段CM、导航道路节点连续未匹配成功的道路点路段的前一影像道路匹配点沿道路延伸方向的梯度向量垂直夹角θ≥TR的道路段CD；
S44)根据所述若干个评价因子计算矢量叠加影像中道路消失率Disappearance和道路改道率Change，所述道路消失率为消失的道路占导航道路长度比，
所述道路改道率为道路改道长度占导航道路长度比，
获得评价结果。
7.根据权利要求1所述的矢量信息辅助的遥感影像道路信息自动提取方法，其特征在于，步骤S5)中，选择评价结果为道路未发生变化且道路段长度大于一定阈值的道路段所对应的影像道路匹配点作为道路种子点，利用LUV色彩空间的区域生长方法进行基于像素的道路对象分割，获得初步道路图像，包括以下步骤：
S51)获取评价结果为道路未发生变化且道路段长度大于一定阈值的道路段所对应的影像道路匹配点；
S52)对所述评价结果为道路未发生变化且道路段长度大于一定阈值的道路段所对应的影像道路匹配点进行抽稀处理，获得抽稀处理后的影像道路匹配点；
S53)将抽稀处理后的影像道路匹配点作为道路种子点；
S54)获取每个道路种子点的LUV光谱特征值，对每个道路种子点取n×n的邻域区域，计算道路种子点的LUV光谱特征值与n×n的邻域区域中的像素点的LUV光谱特征值之间的相似度，设定相似度阈值，根据所述相似度阈值将LUV光谱特征相近的邻域像素合并成区域，以合并成区域中的像素点作为新的道路种子点；
S55)重复步骤S54)，直到道路种子点的邻域区域中的像素点的LUV光谱特征都不相似为止，获得初步道路图像，所述初步道路图像包括若干个具有相似特征的像素最大联通区域。
8.根据权利要求7所述的矢量信息辅助的遥感影像道路信息自动提取方法，其特征在于，步骤S54)中，计算道路种子点的LUV光谱特征值与n×n的邻域区域中的像素点的LUV光谱特征值之间的相似度，设定相似度阈值，根据所述相似度阈值将LUV光谱特征相近的邻域像素合并成区域，还包括以下步骤：
S541)获取每个道路种子点的RGB颜色空间光谱特征值,将所述道路种子点的RGB颜色空间光谱特征值转化成CIEXYZ空间特征值：
X为CIEXYZ空间第一特征分量，Y为CIEXYZ空间第一特征分量，Z为CIEXYZ空间第一特征分量，R为RGB颜色空间第一特征分量，G为RGB颜色空间第一特征分量，B为RGB颜色空间第一特征分量；
S542)将CIEXYZ空间特征值转化成LUV光谱特征值，所述LUV光谱特征值包括LUV光谱第一特征分量L*、LUV光谱第一特征分量u*和LUV光谱第一特征分量v*；
S543)计算道路种子点的LUV光谱特征值与n×n的邻域区域中的像素点的LUV光谱特征值之间的相似度，道路种子点的LUV光谱特征值与n×n的邻域区域中的第i个像素点的LUV光谱特征值之间的相似度
Li、ui和vi分别为n×n的邻域区域中的第i个像素点的LUV光谱特征值，
S544)设定相似度阈值，判断道路种子点的LUV光谱特征值与n×n的邻域区域中的第i个像素点的LUV光谱特征值之间的相似度di是否小于所述相似度阈值，若是，则将所述道路种子点与n×n的邻域区域中的第i个像素点合并成区域；若否，则表示道路种子点与n×n的邻域区域中的第i个像素点不相似；i＝1、2、…、n×n；
S545)分别计算n×n的邻域区域中的所有像素点与道路种子点之间的相似度，根据所述相似度阈值将LUV光谱特征相近的邻域像素与道路种子点合并成区域。
9.根据权利要求1或8所述的矢量信息辅助的遥感影像道路信息自动提取方法，其特征在于，步骤S7)中，根据道路形状特征对所述道路对象优化结果进行道路对象筛选和补漏，所述道路形状特征包括形状指数、紧致度、矩形度和细长度，包括以下步骤：
S71)计算
获得道路的形状指数,e为道路的边界长度，A为道路的面积；计算
获得道路的紧致度；计算
获得道路的矩形度，Amer为道路最小外接矩形面积；对于矩形状区域的道路通过计算
获得道路的细长度，a为最小外接矩形长度，b为最小外接矩形宽度；对于弯曲区域的道路通过多步腐蚀方法获得最大厚度，通过道路的面积与厚度平方比
获得细长度，d为腐蚀步数；
S72)根据道路形状特征设定若干个不同的道路形状特征指标，根据所述若干个不同的道路形状特征指标进行非道路地物剔除以及遗漏道路对象提取；
S73)利用归一化差分水体指数NDWI对所述道路对象优化结果进行水体滤除，所述归一化差分水体指数
Green为像素点的绿波段值，Nir为近红外波段值，判断NDWI>0是否成立，若是，则将所述像素点标记为水体，将标记为水体的像素点滤除；若否，则表明所述像素点不是水体；
S74)获得最终道路提取结果。
10.根据权利要求9所述的矢量信息辅助的遥感影像道路信息自动提取方法，其特征在于，步骤S7)中，剔除旧导航道路矢量数据中存在的道路段，获得新增道路标识，包括以下步骤：
S75)将旧导航道路矢量栅格化，并向旧导航道路矢量两边建立一定宽度的道路缓冲区，获得导航道路栅格化层；
S76)将所述导航道路栅格化层与所述最终道路提取结果进行差值，获得新增道路层；
S77)将所述新增道路层中新增道路的像素渲染为显著色，获得新增道路标识。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011280370.7A CN112396612B (zh) | 2020-11-16 | 2020-11-16 | 一种矢量信息辅助的遥感影像道路信息自动提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011280370.7A CN112396612B (zh) | 2020-11-16 | 2020-11-16 | 一种矢量信息辅助的遥感影像道路信息自动提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112396612A true CN112396612A (zh) | 2021-02-23 |
| CN112396612B CN112396612B (zh) | 2021-05-28 |
Family
ID=74599565
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011280370.7A Active CN112396612B (zh) | 2020-11-16 | 2020-11-16 | 一种矢量信息辅助的遥感影像道路信息自动提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112396612B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113155033A (zh) * | 2020-12-30 | 2021-07-23 | 交通运输部科学研究院 | 一种基于遥感影像计算农村公路路面宽度的方法 |
| CN113514072A (zh) * | 2021-09-14 | 2021-10-19 | 自然资源部第三地理信息制图院 | 一种面向导航数据与大比例尺制图数据的道路匹配方法 |
| CN114332650A (zh) * | 2022-03-09 | 2022-04-12 | 苏州大学 | 一种遥感图像道路识别方法及系统 |
| CN114756640A (zh) * | 2022-04-27 | 2022-07-15 | 国家卫星海洋应用中心 | 一种海面高度数据的评价方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103136789A (zh) * | 2011-11-28 | 2013-06-05 | 同济大学 | 基于地形图和影像的交通事故道路底图信息处理方法 |
| CN104200458A (zh) * | 2014-07-30 | 2014-12-10 | 浙江工业大学 | 基于MeanShift的高分辨率遥感影像分割距离度量优化方法 |
| CN105894553A (zh) * | 2016-04-27 | 2016-08-24 | 东南大学 | 一种基于格栅选择的街巷空间形态布局方法 |
| CN107025432A (zh) * | 2017-02-28 | 2017-08-08 | 合肥工业大学 | 一种高效的车道线检测跟踪方法及系统 |
| 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 |
| KR101952326B1 (ko) * | 2018-11-12 | 2019-02-26 | 주식회사 범아엔지니어링 | 위성영상 보정을 위한 지시피(gcp) 추출방법 |
| CN109447160A (zh) * | 2018-10-31 | 2019-03-08 | 武汉大学 | 一种影像和矢量道路交叉点自动匹配的方法 |
| CN111126427A (zh) * | 2019-10-25 | 2020-05-08 | 武汉大学 | 一种基于遥感影像的OpenStreetMap路网数据质量评价方法 |
| CN111145157A (zh) * | 2019-12-27 | 2020-05-12 | 国交空间信息技术（北京）有限公司 | 基于高分辨率遥感影像的路网数据自动化质量检查方法 |
-
2020
- 2020-11-16 CN CN202011280370.7A patent/CN112396612B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103136789A (zh) * | 2011-11-28 | 2013-06-05 | 同济大学 | 基于地形图和影像的交通事故道路底图信息处理方法 |
| CN104200458A (zh) * | 2014-07-30 | 2014-12-10 | 浙江工业大学 | 基于MeanShift的高分辨率遥感影像分割距离度量优化方法 |
| CN105894553A (zh) * | 2016-04-27 | 2016-08-24 | 东南大学 | 一种基于格栅选择的街巷空间形态布局方法 |
| CN107025432A (zh) * | 2017-02-28 | 2017-08-08 | 合肥工业大学 | 一种高效的车道线检测跟踪方法及系统 |
| 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 |
| CN109447160A (zh) * | 2018-10-31 | 2019-03-08 | 武汉大学 | 一种影像和矢量道路交叉点自动匹配的方法 |
| KR101952326B1 (ko) * | 2018-11-12 | 2019-02-26 | 주식회사 범아엔지니어링 | 위성영상 보정을 위한 지시피(gcp) 추출방법 |
| CN111126427A (zh) * | 2019-10-25 | 2020-05-08 | 武汉大学 | 一种基于遥感影像的OpenStreetMap路网数据质量评价方法 |
| CN111145157A (zh) * | 2019-12-27 | 2020-05-12 | 国交空间信息技术（北京）有限公司 | 基于高分辨率遥感影像的路网数据自动化质量检查方法 |
Non-Patent Citations (6)
| Title |
|---|
| CHAO YANG 等: "Road Material Information Extraction Based on Multi-Feature Fusion of Remote Sensing Image", 《2019 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
| MENG ZHANG 等: "Automatic and Accurate Conflation of Different Road-Network Vector Data towards Multi-Modal Navigation", 《INTERNATIONAL JOURNAL OF GEO-INFORMATION》 * |
| PETE DOUCETTE 等: "Automated Road Extraction from High Resolution Multispectral Imagery", 《PHOTOGRAMMETRIC ENGINEERING & REMOTE SENSING》 * |
| 方旭 等: "结合均值漂移分割与聚类分析的遥感影像变化检测", 《测绘通报》 * |
| 桑鹏: "基于资源三号卫星影像的导航道路变化检测研究", 《万方数据库》 * |
| 董明: "基于遥感影像的地图道路网数据的变化检测", 《中国优秀博硕士学位论文全文数据库（硕士） 基础科学辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113155033A (zh) * | 2020-12-30 | 2021-07-23 | 交通运输部科学研究院 | 一种基于遥感影像计算农村公路路面宽度的方法 |
| CN113514072A (zh) * | 2021-09-14 | 2021-10-19 | 自然资源部第三地理信息制图院 | 一种面向导航数据与大比例尺制图数据的道路匹配方法 |
| CN114332650A (zh) * | 2022-03-09 | 2022-04-12 | 苏州大学 | 一种遥感图像道路识别方法及系统 |
| CN114332650B (zh) * | 2022-03-09 | 2022-05-31 | 苏州大学 | 一种遥感图像道路识别方法及系统 |
| CN114756640A (zh) * | 2022-04-27 | 2022-07-15 | 国家卫星海洋应用中心 | 一种海面高度数据的评价方法及装置 |
| CN114756640B (zh) * | 2022-04-27 | 2022-10-21 | 国家卫星海洋应用中心 | 一种海面高度数据的评价方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112396612B (zh) | 2021-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112396612B (zh) | 一种矢量信息辅助的遥感影像道路信息自动提取方法 | |
| CN109409292B (zh) | 基于精细化特征优化提取的异源图像匹配方法 | |
| Ouma et al. | Pothole detection on asphalt pavements from 2D-colour pothole images using fuzzy c-means clustering and morphological reconstruction | |
| WO2018107939A1 (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
| US11580647B1 (en) | Global and local binary pattern image crack segmentation method based on robot vision | |
| CN101916373B (zh) | 基于小波检测和脊线跟踪的道路半自动提取方法 | |
| Manno-Kovacs et al. | Orientation-selective building detection in aerial images | |
| CN101714254A (zh) | 联合多尺度sift和区域不变矩特征的配准控制点提取方法 | |
| CN108830876B (zh) | 一种水域轮廓提取及面积检测方法 | |
| CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
| CN110197157B (zh) | 一种基于历史裂纹数据的路面裂纹生长检测方法 | |
| CN109727279B (zh) | 一种矢量数据与遥感影像的自动配准方法 | |
| CN104809433A (zh) | 一种基于最大稳定区域和随机采样的斑马线检测方法 | |
| CN109635722B (zh) | 一种高分辨率遥感影像路口自动识别方法 | |
| US20220414376A1 (en) | Automated computer system and method of road network extraction from remote sensing images using vehicle motion detection to seed spectral classification | |
| CN105787950A (zh) | 一种基于行梯度累加的红外图像海天线检测算法 | |
| CN111353371A (zh) | 基于星载sar影像的海岸线提取方法 | |
| Jin et al. | Road feature extraction from high resolution aerial images upon rural regions based on multi-resolution image analysis and Gabor filters | |
| CN109063564B (zh) | 一种目标变化检测方法 | |
| CN113408519B (zh) | 一种基于模板旋转匹配的指针仪表读数的方法及系统 | |
| CN110853000B (zh) | 一种车辙的检测方法 | |
| CN109785318B (zh) | 基于面线基元关联约束的遥感图像变化检测方法 | |
| CN112241956A (zh) | 基于区域生长法和变差函数的PolSAR图像山脊线提取方法 | |
| CN111882573A (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
| CN114862883A (zh) | 一种目标边缘提取方法、图像分割方法及系统 |
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 |