CN112801075B - 基于航摄影像的农村道路边界线的自动提取方法 - Google Patents
基于航摄影像的农村道路边界线的自动提取方法 Download PDFInfo
- Publication number
- CN112801075B CN112801075B CN202110403344.7A CN202110403344A CN112801075B CN 112801075 B CN112801075 B CN 112801075B CN 202110403344 A CN202110403344 A CN 202110403344A CN 112801075 B CN112801075 B CN 112801075B
- Authority
- CN
- China
- Prior art keywords
- road
- point
- points
- tracking
- extraction
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Abstract
本发明公开了一种基于航摄影像的农村道路边界线的自动提取方法,包括步骤:S1获取待研究区域的航拍影像;S2输入种子点,获取实验子区域;S3对实验子区域的影像进行分割及分割后处理;S4跟踪点提取及道路方向的确定,再选取至少两个跟踪方向分别进行跟踪;S5以当前跟踪点为基准,以道路段拓展方式确定候选路段,计算候选路段骨架两端点间的夹角,根据该夹角与当前路段的道路方向的变化信息判断实验子区域的边界是否提取完毕,若否,则返回步骤S4进一步获取跟踪点及跟踪方向,直至提取完毕;若提取完毕且到达实验子区域边界,则返回步骤S2,重新获取实验子区域,否则此条道路提取已完成;S6获取道路边界线。
Description
技术领域
本发明涉及高精地图以及无人控制技术领域,尤其涉及一种基于航摄影像的农村道路边界线的自动提取方法。
背景技术
从上世纪七十年代开始,国际学术界和相关应用部门从不同的侧面,对道路提取的模型构建展开了深入研究。按照影像处理基元的差异,目前已有的道路提取方法可分为全局匹配方法和局部分析方法。
全局匹配方法通常以整幅影像为处理单元,构建符合道路特征的模型或样本集,通过函数判断对道路进行解析。其中最为经典的方法是面向对象方法。该方法将道路影像视为具有光谱、纹理、形状相似性的区域单元,按规则进行分割,通过分类及后处理完成对道路的提取。例如Maboudi等采用结合颜色与形状信息的多尺度模型对影像进行分割,利用结构、光谱纹理特征对分割单元进行分类,采用张量投票(Tensor Voting)方法对道路断裂带进行连接。从2012年开始,一些学者将深度学习方法引入到道路提取领域。深度学习通过对相似影像样本集的训练,可有效解决道路提取过程中的遮挡问题。Zhong等采用将高阶语义与低阶细粒度外观相结合的模型,从高空间分辨率图像中提取道路。该模型将预训练的FCN添加到最终分类层中的池化层作为输出,从而对道路实现更精准的分割与提取,但如何丢弃冗余的汇聚层、简化网络结果从是该算法需要改进的地方。
局部分析方法以局部影像为处理单元,依据一定的道路几何纹理约束原则,利用局部增长或判断的方式提取道路。局部影像判断提取方法可依据矢量数据、GPS数据、DSM数据、众包信息等先验知识,着重建立知识与影像局部特征相结合的假设检验模型,达到提取道路的目的。例如Zhang等在道路两侧边缘人工输入三点,构建矩形模板及输入方向参数信息,利用灰度差异、欧氏距离作为相似性测度,通过迭代方式完成对道路网的提取。
传统的道路提取算法,包括模板匹配算法、知识驱动的道路提取方法、面向对象的道路提取方法等在道路干扰较为严重的情况下,道路提取效果较差。且上述算法均是在分析整张影像道路整体特征的情况下进行道路提取的,计算量大、效率低,且在影像中,农村道路特征变化较大,对于部分道路特征与整体存在较大差别的路段,算法的稳定性较差。深度学习方法虽然具有泛化性强、自动化程度高等优势,但其自身也存在一些问题:一方面其需要大量的相似样本数据集,另一方面深度学习训练时间过于缓慢,目前模型方法尚处于实验室研究阶段,大规模大范围基于深度学习的道路提取工作尚未开展。
因此,开展自动化程度较高、精度较高且适用于实际生产的道路边界线提取方法是十分必要的。有必要提供一种基于航摄影像的农村道路边界线提取方法,获取的道路连续性强、边界清晰,在有效提升道路边界线整体提取质量的同时,还保证了较高的自动化程度。
发明内容
鉴于以上存在的技术问题,本发明提供一种基于航摄影像的农村道路边界线提取方法,该方法将一条道路划分多个子区域,单独获取每个子区域的道路,最终进行拼接,实现整个区域道路边界线的提取;通过双阈值分割、降噪、去毛刺等处理,获取的道路连续性强、边界清晰,在有效提升道路边界线整体提取质量的同时,还保证了较高的自动化程度;该基于航摄影像的农村道路边界线的自动提取方法所获取的数据源为全国正在全面开展的农村房地一体化权籍调查项目成果,数据源获取简单、方便。
为了解决上述技术问题,本发明采用的技术方案是:该基于航摄影像的农村道路边界线的自动提取方法,具体包括以下步骤:
S1获取数据:获取待研究区域的航拍影像;
S2获取子区域:输入种子点,获取实验子区域;
S3分割及后处理:对实验子区域的影像进行分割及分割后处理;
S4跟踪点提取及道路方向的确定:确定基准点所属道路区块及骨架,首先计算骨架的长度,再通过其所属骨架获取跟踪点;根据跟踪点之间的夹角信息,确定跟踪方向;记录跟踪点到合并道路区块两边界的距离;
S5跟踪计算:以当前跟踪点为基准,以道路段拓展方式确定候选路段,计算候选路段的骨架两端点之间的夹角,根据该夹角与当前路段的道路方向的变化信息判断实验子区域的边界是否提取完毕,若否,则返回步骤S4进一步获取跟踪点及跟踪方向,直至提取完毕;若提取完毕且无法获取新的实验子区域则认为到达影像边界或道路边界,则此条道路提取已完成;否则返回步骤S2,重新获取实验子区域,直至提取完毕;
S6获取道路边界线:完成道路的跟踪后,将每个实验子区域获取的跟踪点进行整合,根据相邻点之间的夹角及跟踪点到合并道路区块边界的距离,分别获取道路两边界点坐标,从而得到道路边界线。
作为本发明的优选技术方案,所述步骤S2具体包括以下步骤:
S21预处理:对原始航拍影像图进行裁剪和拼接,获得原始影像;
S22输入种子点:输入的种子点为位于道路边界线清晰、道路与非道路差别大和无建筑物及阴影遮挡的位置;
S23实验子区域的获取及双边滤波处理:以基准点为中心,在原始影像中构建长宽分别为X、Y个像素的矩形,并以此矩形对原始影像进行裁剪,获得实验子区域;再对实验子区域的影像图采用双边滤波法进行影像滤波,滤波完成后,将滤波影像图转化为灰度图像。对于本发明,精确的道路种子点是获得较好实验效果的前提条件,因此,输入种子点应位于道路边界线清晰、道路与非道路差别较大、无建筑物及阴影遮挡位置。在初始阶段,由于方向未知,因此,本发明以种子点为基准点,构建矩形,矩形边长为100个像素;在道路跟踪过程中,以通过上一个试验子区获取的最后一个跟踪点为基准点,沿道路方向构建矩形,X、Y优选值分别为80、350。此方式能在较大程度的减小计算量的同时较好地保留道路与周围地物的信息。传统的滤波算法在滤除影响噪声的同时,也会削弱路面与非路面地物的对比度,从而导致道路提取结果精度较低,因此,该技术方案中,利用双边滤波的方式进行影像滤波,该双边滤波的方法是结合图像的空间邻近度和像素值相似度的一种折中处理,同时考虑空域信息和灰度相似性,达到保留道路边界线的同时去除噪声的目的,具有简单、非迭代、局部的特点。
作为本发明的优选技术方案,所述步骤S3具体包括以下步骤:
S31分割:通过双阈值的方式进行分割,在初始阶段,以输入的种子点的像素值作为起始基础值;在道路提取过程中,以跟踪点为基础,取跟踪点邻域像素灰度均值作为基础值,在基础值的基础上,获得高阈值和低阈值;对于实验子区域内的所有像素点,若其灰度值在低阈值和高阈值之间,则认为其为道路候选区,设置为白色,否则视为背景,设置为黑色;
S32后处理:首先利用形态学开运算,即先腐蚀后膨胀的方式滤除噪声点,再利用形态学闭运算,即先膨胀后腐蚀填充空洞,获得后处理结果图,并将后处理结果图中的每一个白色区域记为一个道路区块,跟踪点所在道路区块为合并道路区块;
S33骨架提取及毛刺点去除:通过快速并行细化算法对后处理结果图进行骨架提取,再对提取的骨架进行毛刺点去除,获得道路中心线。
作为本发明的优选技术方案,所述步骤S33骨架提取及毛刺点去除具体包括以下步骤:
S331骨架提取:利用快速并行细化算法对分割结果进行骨架提取;即以P1为中心的八邻域系统,P2~P9代表与P1相邻的8个像素点;
S3311:首先标记东南边界点,即删除同时满足下列条件的边界点;
2≤N(P1)≤6; (1);
S(P1)=1; (2);
P2×P4×P6=0; (3);
P4×P6×P8=0; (4);
其中,N(P1)是P1的非零邻点的个数,S(P1)是以P2,P3,…,P9,P2为序时,这些点的值为从0→1的变化次数;公式(1)中大于等于2会保证P1点不是端点或孤立点,小于等于6保证P1点是一个边界点,而不是内部点;公式(2)是为了保证删除当前像素点后的连通性;若P4、P6中至少有一个为0,则需同时满足公式(3)和公式(4);
S3312:然后再标记西北边界点,即标记同时满足下列条件的边界点;
2≤N(P1)≤6; (5)
S(P1)=1; (6)
P2×P4×P8=0; (7)
P2×P6×P8=0; (8)
遍历所有非零点,将标记点像素值设置为零;
S3313:步骤S3311和步骤S3312构成一次迭代,循环多次迭代直至没有点再满足公式(1)~(8)的标记条件,这时剩下的点的组成区域即为细化后的骨架;
S332毛刺点去除:
S3321获取骨架主干及交叉点:首先,找出骨架的端点及交叉点,端点为八邻域中只有一个像素为非零点的点,交叉点为八邻域中有至少3个像素为非零点的点;其次,计算任意两个端点的距离,将距离最大的两个端点视为骨架主干端点;
S3322毛刺的判定及去除:计算每个交叉点与非主干端点的距离,距离最小的交叉点即为毛刺与骨架连接点,删除两者之间所有白色点即可达到去除毛刺的目的;
S3323获取无毛刺骨架:对处理后的骨架重复进行步骤S3321~S3322的操作,直至骨架只余两个端点,该两个端点之间的部分即为去除毛刺后的骨架。
作为本发明的优选技术方案,所述步骤S5中采用道路段的拓展的方式,依据道路局部线性化的特征,实现同一个实验子区域内多个道路段的连接的具体步骤包括:
S51:依据当前骨架获取最新跟踪点及道路方向;
S52:以当前跟踪点为基础,在道路方向α的左n°和右n°范围内,每x°设置一条射线,对于第一个实验子区域,射线长度最长为p个像素,否则,射线长度最长为q个像素;
S53:道路段搜索。在道路方向α的左n°和右n°的方向线之间,以α°、α-1°、α+1°、α-2°、α+2°、…、α+10°的顺序依次设置射线,若射线接触到待定道路区块,则搜索终止,认定此待定道路区块为候选路段。
作为本发明的优选技术方案,该基于航摄影像的农村道路边界线的自动提取方法还包括步骤S7精度评价:利用完整度Completeness、正确率Correctness、提取质量Quality三个指标来衡量道路边界线的提取效果,三个指标的计算公式分别如下式(9)、式(10)和式(11)所示:
其中,D表示正确提取的道路边界线总长度,N表示未检测的道路边界线总长度,P表示误提取的道路边界线总长度,上述三个评价指标的最优值均为1。
作为本发明的优选技术方案,所述步骤S4跟踪点提取及道路方向的确定的具体步骤为:选取骨架中部分像素点作为跟踪点;首先计算骨架精确长度,若其长度小于15像素,则每隔3个像素取一个跟踪点;若大于15小于40像素,则每隔5个像素取一个跟踪点;否则,每隔20个像素取一个跟踪点;同时,按顺序计算相邻两个跟踪点之间的夹角,并计算相邻夹角之间的差值,若大于15°,则认为此时道路方向发生变化,需对两个跟踪点进行补充加密,两个跟踪点之间每隔3个像素取一个跟踪点;再根据合并道路区块,确定跟踪点到合并道路区块两边界的距离,最后确定的6个跟踪点之间的5个夹角的均值作为跟踪方向。
作为本发明的优选技术方案,所述步骤S21对原始航拍影像图进行预处理时将图像进行拼接裁剪后得到的原始影像分辨率为0.2米,影像大小为12000*12000像素。
与现有技术相比,本发明具有的有益效果为:
(1)本发明以分块提取、再拼接的方式实现了大面积试验区域的道路边界线提取,有效减少计算量,为大幅影像的道路提取提供了一种新的解决方案;
(2)本发明经过滤波、降噪、去毛刺等处理,获取的道路连续性强、边界清晰,在有效提升道路边界线整体提取质量的同时,还保证了较高的自动化程度;
(3)本发明对于农村地区道路级别复杂、长度宽窄不一等情况,提取的完整性、正确性和质量普遍较高;
(4)本发明所获取的数据源为全国正在全面开展的农村房地一体化权籍调查项目成果,数据源获取简单、方便。
附图说明
图1为本发明的基于航摄影像的农村道路边界线的自动提取方法的流程图;
图2为本发明的基于航摄影像的农村道路边界线的自动提取方法的高精地图模型分类分层结构示意图;
图3是本发明的基于航摄影像的农村道路边界线的自动提取方法的实验子区域获取示意图;
图4是本发明的基于航摄影像的农村道路边界线的自动提取方法的滤波效果对比示意图;其中(a)为原图;(b)为滤波处理后的效果图;
图5是本发明的基于航摄影像的农村道路边界线的自动提取方法的分割及后处理示意图,其中(a)为原图;(b)为分割结果图;(c)为后处理结果图;
图6是本发明的基于航摄影像的农村道路边界线的自动提取方法的八邻域系统示意图;
图7是本发明的基于航摄影像的农村道路边界线的自动提取方法的骨架提取及毛刺去除效果对比图;其中(a)为分割及后处理结果图;(b)为骨架提取的结果图;(c)为毛刺去除后的效果图;
图8是本发明的基于航摄影像的农村道路边界线的自动提取方法的道路段的拓展示意图;
图9是本发明的基于航摄影像的农村道路边界线的自动提取方法的实验结果图;(a)为以原图为数据源得到的实验结果;(b)为以对比图为数据源得到的实验结果。
具体实施方式
下面将结合本发明的实施例图中的附图,对本发明实施例中的技术方案进行清楚、完整的描述。
实施例:如图1所示,该基于航摄影像的农村道路边界线的自动提取方法,具体包括以下步骤:
S1获取数据:获取待研究区域的航拍影像;
S2获取子区域:输入种子点,获取实验子区域;所述步骤S2具体包括以下步骤:
S21预处理:对原始航拍影像图进行裁剪和拼接,获得原始影像;利用ArcGIS软件对其进行拼接裁剪,得到分辨率为0.2米、大小为12000*12000像素的影像;为验证算法的稳定性,本发明将原图通过2%线性拉伸进行增强处理,作为对比图即对比试验数据;如图2所示为原始实验数据;
S22输入种子点:输入的种子点为位于道路边界线清晰、道路与非道路差别大和无建筑物及阴影遮挡的位置;对于本技术方案而言,精确的道路种子点是获得较好实验效果的前提条件,
S23实验子区域的获取及双边滤波处理:在初始阶段,由于方向未知,如图3所示,以种子点为中心即图3中的圆点1,在原始影像中构建边长为100个像素的矩形即图3中的正方形,再对原始影像进行裁剪,获得实验子区域;而在道路提取过程中,可以获取道路方向,以通过上一个实验区域获取的最后一个跟踪点(及通过实验得到的点,图3中的圆点2)为基准点,沿道路方向构建一个长350个像素,宽80个像素的矩形(图3中倾斜的长方形),并以其最小外接矩形(图3中最大的长方形)对原始影像进行裁剪,获取实验子区域;再对实验子区域的影像图采用双边滤波法进行影像滤波,滤波完成后,将滤波影像图转化为灰度图像;该双边滤波的方法是结合图像的空间邻近度和像素值相似度的一种折中处理,同时考虑空域信息和灰度相似性,达到保留道路边界线的同时去除噪声的目的,具有简单、非迭代、局部的特点;如图4所示,原始影像路面像素纹理均质性较差,在滤波结果图中,此现象得到明显改善;在滤波完成后,将其转化为灰度图像;
S3分割及后处理:对实验子区域的影像进行分割及分割后处理;所述步骤S3具体包括以下步骤:
S31分割:如图5(a)所示为原图,通过双阈值的方式进行分割,在初始阶段,种子点为人工输入的,因此精度较高,首先通过输入的种子点的像素值作为起始基础值进行跟踪;在道路提取过程中,无法控制跟踪点的质量,若道面噪声干扰较为严重,跟踪点极有可能落在噪声点位置,从而导致跟踪点灰度值与此实验子区路面像素均值存在较大差异;因此,为降低噪声对实验效果的影响,以跟踪点为基础,取跟踪点周围的多个像素范围内的所有像素灰度均值作为跟踪基础值,再以跟踪基础值获得高阈值和低阈值,对于实验子区域内的所有像素点,若其灰度值在低阈值和高阈值之间,则认为其为道路候选区,设置为白色,否则视为背景,设置为黑色;其中取跟踪点周围3个像素范围内所有像素灰度均值作为基础值,高、低阈值是通过基础值加、减45得到的;
S32后处理:首先利用形态学开运算,即先腐蚀后膨胀滤除噪声点,再利用形态学闭运算即先膨胀后腐蚀填充空洞,获得后处理结果图,并将后处理结果图中的每一个白色区域记为一个道路区块;如图5(b)所示,进行初分割之后,分割结果中存在较多噪声及孔洞,过分割、欠分割现象严重;因此,首先利用形态学开运算(先腐蚀后膨胀的方式)滤除噪声点,后利用形态学闭运算(先膨胀后腐蚀)填充空洞;对于宽度较宽道路,结构元为5*5个像素,对于宽度较小或阴影遮挡较为严重路段,结构元为3*3个像素;图5(c)为后处理结果图,将其中每一个白色区域记为一个道路区块,跟踪点所在道路区块为合并道路区块;
S33骨架提取及毛刺点去除:通过快速并行细化算法对后处理结果图进行骨架提取,再对提取的骨架进行毛刺点去除,获得道路中心线;
所述步骤S33骨架提取及毛刺点去除具体包括以下步骤:
S331骨架提取:利用快速并行细化算法对分割结果进行骨架提取;
图6为以P1为中心的八邻域系统,P2~P9代表与P1相邻的8个像素点;
S3311:首先标记东南边界点,即删除同时满足下列条件的边界点:
2≤N(P1)≤6; (1);
S(P1)=1; (2);
P2×P4×P6=0; (3);
P4×P6×P8=0; (4);
其中,N(P1)是P1的非零邻点的个数,S(P1)是以P2,P3,…,P9,P2为序时,这些点的值为从0→1的变化次数;公式(1)中大于等于2会保证P1点不是端点或孤立点,小于等于6保证P1点是一个边界点,而不是内部点;公式(2)是为了保证删除当前像素点后的连通性;若P4、P6中至少有一个为0,则需同时满足公式(3)和公式(4);
S3312:然后再标记西北边界点,即标记同时满足下列条件的边界点:
2≤N(P1)≤6; (5)
S(P1)=1; (6)
P2×P4×P8=0; (7)
P2×P6×P8=0; (8)
遍历所有非零点,将标记点像素值设置为零;
S3313:步骤S3311和步骤S3312构成一次迭代,循环多次迭代直至没有点再满足公式(1)~(8)的标记条件,这时剩下的点的组成区域即为细化后的骨架;
S332毛刺点去除:
S3321:获取骨架主干及交叉点,首先,找出骨架的端点及交叉点,端点为八邻域中只有一个像素为非零点的点;交叉点为八邻域中有至少3个像素为非零点的点,其次,计算任意两个端点的距离,将距离最大的两个端点视为骨架主干端点;
S3322:毛刺的判定及去除,计算每个交叉点与非主干端点的距离,距离最小的交叉点即为毛刺与骨架连接点,删除两者之间所有白色点即可达到去除毛刺的目的;
S3323:对处理后的骨架重复进行步骤S3321~S3322的操作,直至骨架只余两个端点,该两个端点之间的部分即为去除毛刺后的骨架;
S4跟踪点提取及道路方向的确定:确定种子点所属道路区块及骨架,首先计算骨架的长度,再通过其所属骨架获取跟踪点,根据跟踪点之间的夹角信息,确定跟踪方向;记录跟踪点到合并道路区块两边界的距离,再选取至少两个跟踪方向分别进行跟踪;所述步骤S4跟踪点提取及道路方向的确定的具体步骤为:选取骨架中部分像素点作为跟踪点;首先计算骨架精确长度,若其长度小于15像素,则每隔3个像素取一个跟踪点;若大于15小于40像素,则每隔5个像素取一个跟踪点;否则,每隔20个像素取一个跟踪点;同时,按顺序计算相邻两个跟踪点之间的夹角,并计算相邻夹角之间的差值,若大于15°,则认为此时道路方向发生变化,需对两个跟踪点进行补充加密,两个跟踪点之间每隔3个像素取一个跟踪点;记录跟踪点到合并道路区块两边界线的距离,最后确定的6个跟踪点之间的5个夹角的均值作为跟踪方向;
S5跟踪计算:以当前跟踪点为基准,以道路段拓展方式确定候选路段,计算候选路段的骨架两端点之间的夹角,根据该夹角与当前路段的道路方向的变化信息判断实验子区域的边界是否提取完毕,若否,则返回步骤S4进一步获取跟踪点及跟踪方向,直至提取完毕;若提取完毕且无法获取新的实验子区域则认为到达影像边界或道路边界,则此条道路提取已完成;否则返回步骤S2,重新获取实验子区域,直至提取完毕且;
S51:依据当前骨架获取最新跟踪点及道路方向;图8中,圆点为当前跟踪点,α方向的线为沿道路方向设置的射线;
S52:以当前跟踪点为基础,在道路方向α的左n°和右n°范围内,每x°设置一条射线,对于第一个实验子区域,射线长度最长为p个像素,否则,射线长度最长为q个像素;其中,p为50,q为180;如图7所示,在道路方向α的左n°和右n°的方向线之间进行道路段搜索;
S53:以α°、α-1°、α+1°、α-2°、α+2°、…、α+10°的顺序进行搜索,若射线接触到待定道路区块时,则搜索终止,认定此待定道路区块为候选路段;图7中,仅通过道路方向进行搜索,即可获取道路段;
S6获取道路边界线:完成道路的跟踪后,将每个实验子区域获取的跟踪点进行整合,根据相邻点之间的夹角及跟踪点到合并道路区块边界的距离,分别获取道路两边界点坐标,从而得到道路边界线。
S7精度评价:利用完整度Completeness、正确率Correctness、提取质量Quality三个指标来衡量道路边界线的提取效果,三个指标的计算公式分别如下式(9)、式(10)和式(11)所示:
其中,D表示正确提取的道路边界线总长度,N表示未检测的道路边界线总长度,P表示误提取的道路边界线总长度,上述三个评价指标的最优值均为1。
将该基于航摄影像的农村道路边界线的自动提取方法应用于江苏的省徐州市某村落,验证算法的道路提取精度,对于原图,该技术方案提取的道路边界线长度为35176个像素,对比图为34378个像素;通过目视判别及人工计算,实验区域道路边界线总长度为39260个像素;该技术方案中的算法对阴影干扰较为严重区域道路提取效果较差,因此,部分村庄内部主干路断裂,因此,道路边界线提取完整度较低;而在成功提取的道路边界线的路段,误提取现象并不严重,整体正确率较高;原图及对比图的最终提取质量均高于80%;由于对比图是由原图经过增强处理得到的,道路与边界线对比度增强的同时,与道路纹理相似的地物对道路提取的干扰性也进一步增强,最终使得其整体精度略低于原图;在原图及对比图中,该技术方案均利用18个种子点完成16条道路的提取,自动化程度均较高;表1为精度评价表。
表1精度评价表
完整度(%) | 正确率(%) | 提取质量(%) | 种子点个数 | |
原图 | 87.3 | 97.4 | 85.3 | 18 |
对比图 | 85.2 | 97.3 | 83.2 | 18 |
结果分析:对于农村路,由于村庄内部,树木、建筑物及其阴影几乎完全遮挡道路,这给道路提取造成了极大的干扰,此类道路只能以人工的方式进行提取,因此,本发明不对此类道路进行研究。同时,在农村,部分道路材质为土路,路面纹理与周围农田极为相似,且只作为机耕路使用,未进行进一步开发,此类道路宽度小于3m,本发明不对此类道路进行研究。对于实验结果图中最上侧的横路,其断裂部分属于机耕路,不在本发明的研究范围,因此未进行提取。
图9为本发明算法的道路边界提取结果图,图9(a)为以原图为数据源得到的实验结果,图9(b)为以对比图为数据源得到的实验结果;为展示本发明算法的道路边界线提取效果,本发明选取三个区域进行展示;左侧为整个研究区域的道路边界线提取结果,右侧为具有代表性区域的局部放大图;第一个放大图为具有树木及阴影遮挡区域,但其树木间存在部分空隙,未对路面造成完全性遮挡,道路边界线提取效果较好;第二个放大图为十字路口区域,且其附近有较密树木遮挡,相对于阴影,路面信息在此路段所占比例较小,为本发明算法提供的信息较少;同时,横向道路对纵向道路提取也产生较为严重的干扰,导致道路断裂,需增加种子点进行补充提取,同时需要人工对断裂区域进行连接;第三个放大图边界清晰,路面条件较好,与大部分农村主干道路的路面情况一致,道路边界线提取效果较好;观察左侧的总体实验结果图可以发现,在部分交叉路口位置,由于阴影遮挡导致道路断裂,需要人工进行连接外,其余区域仅通过单一种子点即可实现整条道路边界线的高精度提取。
以上所述仅为本发明的较佳实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于航摄影像的农村道路边界线的自动提取方法,其特征在于,具体包括以下步骤:
S1获取数据:获取待研究区域的航拍影像;
S2获取子区域:输入种子点,获取实验子区域;
S3分割及后处理:对实验子区域的影像进行分割及分割后处理;
S4跟踪点提取及道路方向的确定:确定种子点所属道路区块及骨架,首先计算骨架的长度,再通过其所属骨架获取跟踪点;根据跟踪点之间的夹角信息,确定跟踪方向;记录跟踪点到合并道路区块两边界的距离;
S5跟踪计算:以当前跟踪点为基准,以道路段拓展方式确定候选路段,计算候选路段的骨架两端点之间的夹角,根据该夹角与当前路段的道路方向的变化信息判断实验子区域的边界是否提取完毕,若否,则返回步骤S4进一步获取跟踪点及跟踪方向,直至提取完毕;若提取完毕且无法获取新的实验子区域则认为到达影像边界或道路边界,则此条道路提取已完成;否则返回步骤S2,重新获取实验子区域,直至提取完毕;
S6获取道路边界线:完成道路的跟踪后,将每个实验子区域获取的跟踪点进行整合,根据相邻点之间的夹角及跟踪点到合并道路区块边界的距离,分别获取道路两边界点坐标,从而得到道路边界线。
2.根据权利要求1所述的基于航摄影像的农村道路边界线的自动提取方法,其特征在于,所述步骤S2具体包括以下步骤:
S21预处理:对原始航拍影像图进行裁剪和拼接,获得原始影像;
S22输入种子点:输入的种子点为位于道路边界线清晰、道路与非道路差别大和无建筑物及阴影遮挡的位置;
S23实验子区域的获取及双边滤波处理:以基准点为中心,在原始影像中构建长宽分别为X、Y个像素的矩形,并以此矩形对原始影像进行裁剪,获得实验子区域;再对实验子区域的影像图采用双边滤波法进行影像滤波,滤波完成后,将滤波影像图转化为灰度图像。
3.根据权利要求2所述的基于航摄影像的农村道路边界线的自动提取方法,其特征在于,所述步骤S3具体包括以下步骤:
S31分割:通过双阈值的方式进行分割,在初始阶段,以输入的种子点的像素值作为起始基础值;在道路提取过程中,以跟踪点为基础,取跟踪点邻域像素灰度均值作为基础值,在基础值的基础上,获得高阈值和低阈值;对于实验子区域内的所有像素点,若其灰度值在低阈值和高阈值之间,则认为其为道路候选区,设置为白色,否则视为背景,设置为黑色;
S32后处理:首先利用形态学开运算,即先腐蚀后膨胀的方式滤除噪声点,再利用形态学闭运算,即先膨胀后腐蚀填充空洞,获得后处理结果图,并将后处理结果图中的每一个白色区域记为一个道路区块,跟踪点所在道路区块为合并道路区块;
S33骨架提取及毛刺点去除:通过快速并行细化算法对后处理结果图进行骨架提取,再对提取的骨架进行毛刺点去除,获得道路中心线。
4.根据权利要求3所述的基于航摄影像的农村道路边界线的自动提取方法,其特征在于,所述步骤S33骨架提取及毛刺点去除具体包括以下步骤:
S331骨架提取:利用快速并行细化算法对分割结果进行骨架提取;即以P1为中心的八邻域系统,P2~P9代表与P1相邻的8个像素点;
S3311:首先标记东南边界点,即删除同时满足下列条件的边界点;
2≤N(P1)≤6; (1);
S(P1)=1; (2);
P2×P4×P6=0; (3);
P4×P6×P8=0; (4);
其中,N(P1)是P1的非零邻点的个数,S(P1)是以P2,P3,…,P9,P2为序时,这些点的值为从0→1的变化次数;公式(1)中大于等于2会保证P1点不是端点或孤立点,小于等于6保证P1点是一个边界点,而不是内部点;公式(2)是为了保证删除当前像素点后的连通性;若P4、P6中至少有一个为0,则需同时满足公式(3)和公式(4);
S3312:然后再标记西北边界点,即标记同时满足下列条件的边界点;
2≤N(P1)≤6; (5)
S(P1)=1; (6)
P2×P4×P8=0; (7)
P2×P6×P8=0; (8)
遍历所有非零点,将标记点像素值设置为零;
S3313:步骤S3311和步骤S3312构成一次迭代,循环多次迭代直至没有点再满足公式(1)~(8)的标记条件,这时剩下的点的组成区域即为细化后的骨架;
S332毛刺点去除:
S3321获取骨架主干及交叉点:首先,找出骨架的端点及交叉点,端点为八邻域中只有一个像素为非零点的点;交叉点为八邻域中有至少3个像素为非零点的点,其次,计算任意两个端点的距离,将距离最大的两个端点视为骨架主干端点;
S3322毛刺的判定及去除:计算每个交叉点与非主干端点的距离,距离最小的交叉点即为毛刺与骨架连接点,删除两者之间所有白色点即可达到去除毛刺的目的;
S3323获取无毛刺骨架:对处理后的骨架重复进行步骤S3321~S3322的操作,直至骨架只余两个端点,该两个端点之间的部分即为去除毛刺后的骨架。
5.根据权利要求3所述的基于航摄影像的农村道路边界线的自动提取方法,其特征在于,所述步骤S5中采用道路段的拓展的方式,依据道路局部线性化的特征,实现同一个实验子区域内多个道路段的连接的具体步骤包括:
S51:依据当前骨架获取最新跟踪点及道路方向;
S52:以当前跟踪点为基础,在道路方向α的左n°和右n°范围内,每x°设置一条射线,对于第一个实验子区域,射线长度最长为p个像素,否则,射线长度最长为q个像素;在道路方向α的左n°和右n°的方向线之间进行道路段搜索;
S53:以α°、α-1°、α+1°、α-2°、α+2°、…、α+10°的顺序进行搜索,若射线接触到待定道路区块,则搜索终止,认定此待定道路区块为候选路段。
7.根据权利要求5所述的基于航摄影像的农村道路边界线的自动提取方法,其特征在于,所述步骤S4跟踪点提取及道路方向的确定的具体步骤为:选取骨架中部分像素点作为跟踪点;首先计算骨架精确长度,若其长度小于15像素,则每隔3个像素取一个跟踪点;若大于15小于40像素,则每隔5个像素取一个跟踪点;否则,每隔20个像素取一个跟踪点;同时,按顺序计算相邻两个跟踪点之间的夹角,并计算相邻夹角之间的差值,若大于15°,则认为此时道路方向发生变化,需对两个跟踪点进行补充加密,两个跟踪点之间每隔3个像素取一个跟踪点;再根据合并道路区块,确定跟踪点到合并道路区块两边界的距离,取最后确定的6个跟踪点之间的5个夹角的均值作为跟踪方向。
8.根据权利要求5所述的基于航摄影像的农村道路边界线的自动提取方法,其特征在于,所述步骤S21对原始航拍影像图进行预处理时将图像进行拼接裁剪后得到的原始影像分辨率为0.2米,影像大小为12000*12000像素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110403344.7A CN112801075B (zh) | 2021-04-15 | 2021-04-15 | 基于航摄影像的农村道路边界线的自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110403344.7A CN112801075B (zh) | 2021-04-15 | 2021-04-15 | 基于航摄影像的农村道路边界线的自动提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112801075A CN112801075A (zh) | 2021-05-14 |
CN112801075B true CN112801075B (zh) | 2021-07-27 |
Family
ID=75811433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110403344.7A Active CN112801075B (zh) | 2021-04-15 | 2021-04-15 | 基于航摄影像的农村道路边界线的自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801075B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113838045B (zh) * | 2021-09-30 | 2024-02-02 | 佛山市南海区广工大数控装备协同创新研究院 | 一种改进骨刺去除算法的pcb覆铜线路骨架轮廓提取方法 |
CN115294293B (zh) * | 2022-10-08 | 2023-03-24 | 速度时空信息科技股份有限公司 | 基于低空航摄成果自动化编译高精地图道路参考线的方法 |
CN116720302B (zh) * | 2023-08-10 | 2023-10-31 | 江苏力鼎环保装备有限公司 | 一种快速设计污水管线方案的实现方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976335A (zh) * | 2010-09-03 | 2011-02-16 | 浙江大学 | 基于改进c-v模型的遥感图路网提取方法 |
CN104036295A (zh) * | 2014-06-18 | 2014-09-10 | 西安电子科技大学 | 多光谱遥感影像道路中心线自动检测方法 |
CN104504718A (zh) * | 2015-01-06 | 2015-04-08 | 南京大学 | 高分辨率航空遥感数据自动道路提取方法 |
CN108537169A (zh) * | 2018-04-09 | 2018-09-14 | 吉林大学 | 一种基于中心线和路宽检测算法的高分辨率遥感影像道路提取方法 |
CN110136159A (zh) * | 2019-04-29 | 2019-08-16 | 辽宁工程技术大学 | 面向高分辨率遥感影像的线段提取方法 |
CN110348383A (zh) * | 2019-07-11 | 2019-10-18 | 重庆市地理信息中心 | 一种基于卷积神经网络回归的道路中心线和双线提取方法 |
CN111259797A (zh) * | 2020-01-16 | 2020-06-09 | 南开大学 | 一种基于点的迭代式遥感图像道路提取方法 |
CN112309233A (zh) * | 2020-10-26 | 2021-02-02 | 北京三快在线科技有限公司 | 一种道路边界的确定、道路切分方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657978A (zh) * | 2014-12-24 | 2015-05-27 | 福州大学 | 一种基于遥感图像道路形状特征的道路提取方法 |
US10013610B2 (en) * | 2015-10-23 | 2018-07-03 | Nokia Technologies Oy | Integration of positional data and overhead images for lane identification |
US9881230B2 (en) * | 2016-05-11 | 2018-01-30 | International Business Machines Corporation | System and method for automated road identification in distant traffic camera images |
CN106383859B (zh) * | 2016-08-31 | 2020-11-03 | 北京蓝天航空科技股份有限公司 | 一种试飞数据分析处理方法 |
CN108961403A (zh) * | 2018-06-22 | 2018-12-07 | 武汉大学 | 一种运用开源街道地图提取主干道的方法 |
CN109410233A (zh) * | 2018-09-27 | 2019-03-01 | 中国科学院沈阳应用生态研究所 | 一种边缘特征约束的高分辨率图像道路精准提取方法 |
CN109448046B (zh) * | 2018-10-15 | 2021-08-17 | 辽宁工程技术大学 | 一种基于多描述子的半自动道路中心线快速提取方法 |
-
2021
- 2021-04-15 CN CN202110403344.7A patent/CN112801075B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976335A (zh) * | 2010-09-03 | 2011-02-16 | 浙江大学 | 基于改进c-v模型的遥感图路网提取方法 |
CN104036295A (zh) * | 2014-06-18 | 2014-09-10 | 西安电子科技大学 | 多光谱遥感影像道路中心线自动检测方法 |
CN104504718A (zh) * | 2015-01-06 | 2015-04-08 | 南京大学 | 高分辨率航空遥感数据自动道路提取方法 |
CN108537169A (zh) * | 2018-04-09 | 2018-09-14 | 吉林大学 | 一种基于中心线和路宽检测算法的高分辨率遥感影像道路提取方法 |
CN110136159A (zh) * | 2019-04-29 | 2019-08-16 | 辽宁工程技术大学 | 面向高分辨率遥感影像的线段提取方法 |
CN110348383A (zh) * | 2019-07-11 | 2019-10-18 | 重庆市地理信息中心 | 一种基于卷积神经网络回归的道路中心线和双线提取方法 |
CN111259797A (zh) * | 2020-01-16 | 2020-06-09 | 南开大学 | 一种基于点的迭代式遥感图像道路提取方法 |
CN112309233A (zh) * | 2020-10-26 | 2021-02-02 | 北京三快在线科技有限公司 | 一种道路边界的确定、道路切分方法及装置 |
Non-Patent Citations (6)
Title |
---|
A fast parallel algorithm for thinning digital patterns;T.Y.Zhang;《Communications of the ACM》;19840331;236-239 * |
A Semi-Automatic Method for Road Centerline Extraction From VHR Images;Zelang Miao;《IEEE Geoscience and Remote Sensing Letters》;20141130;1856-1860 * |
Joint Enhancing Filtering for Road Network Extraction;Yu Zang;《IEEE Transactions on Geoscience and Remote Sensing》;20170331;1511-1525 * |
基于多源数据的城市道路边界三维建模;游昌斌;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20200715;C034-46 * |
基于机载LiDAR点云数据提取城区道路研究;原战辉;《中国优秀硕士学位论文全文数据库 基础科学辑》;20180915;A008-52 * |
面向GIS应用的图像道路提取算法的研究;刘莹;《中国优秀硕士学位论文全文数据库 信息科技Ⅱ辑》;20100115;I138-297 * |
Also Published As
Publication number | Publication date |
---|---|
CN112801075A (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112801075B (zh) | 基于航摄影像的农村道路边界线的自动提取方法 | |
CN112287807B (zh) | 一种基于多分支金字塔神经网络的遥感影像道路提取方法 | |
CN109544612B (zh) | 基于特征点几何表面描述的点云配准方法 | |
JP5360989B2 (ja) | 地理情報生成システム及び地理情報生成方法 | |
CN105761271A (zh) | 核安全壳表面缺陷自动检测方法及系统 | |
CN107679498A (zh) | 一种机载激光点云城区道路识别方法 | |
CN111242864B (zh) | 一种基于Gabor纹理约束的手指静脉图像修复方法 | |
CN104933709A (zh) | 基于先验信息的随机游走ct肺组织图像自动分割方法 | |
CN105574527A (zh) | 一种基于局部特征学习的快速物体检测方法 | |
CN104318051B (zh) | 基于规则的大范围水体信息遥感自动提取系统及方法 | |
CN111524117A (zh) | 一种基于特征金字塔网络的隧道表面缺陷检测方法 | |
CN113689445B (zh) | 结合语义分割与边缘检测的高分辨率遥感建筑物提取方法 | |
CN109559324A (zh) | 一种线阵图像中的目标轮廓检测方法 | |
AU2020103470A4 (en) | Shadow Detection for High-resolution Orthorectificed Imagery through Multi-level Integral Relaxation Matching Driven by Artificial Shadows | |
CN116403121A (zh) | 水体指数与极化信息多路径融合的遥感图像水域分割方法、系统及设备 | |
CN113505670A (zh) | 基于多尺度cam和超像素的遥感图像弱监督建筑提取方法 | |
Zou et al. | Path voting based pavement crack detection from laser range images | |
Rashidi et al. | Ground filtering LiDAR data based on multi-scale analysis of height difference threshold | |
CN111091071A (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及系统 | |
Li et al. | A fast progressive TIN densification filtering algorithm for airborne LiDAR data using adjacent surface information | |
CN111325724B (zh) | 隧道裂纹区域检测方法和装置 | |
Manandhar et al. | Segmentation based building detection in high resolution satellite images | |
Omidalizarandi et al. | Segmentation and classification of point clouds from dense aerial image matching | |
CN110889418A (zh) | 一种气体轮廓识别方法 | |
CN111091049A (zh) | 一种基于反向特征匹配的路面障碍物检测方法 |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: 210042 8 Blocks 699-22 Xuanwu Avenue, Xuanwu District, Nanjing City, Jiangsu Province Patentee after: Speed Technology Co.,Ltd. Address before: 210042 8 Blocks 699-22 Xuanwu Avenue, Xuanwu District, Nanjing City, Jiangsu Province Patentee before: SPEED TIME AND SPACE INFORMATION TECHNOLOGY Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |