CN113496182B - 基于遥感影像的道路提取方法及装置、存储介质及设备 - Google Patents
基于遥感影像的道路提取方法及装置、存储介质及设备 Download PDFInfo
- Publication number
- CN113496182B CN113496182B CN202010269873.8A CN202010269873A CN113496182B CN 113496182 B CN113496182 B CN 113496182B CN 202010269873 A CN202010269873 A CN 202010269873A CN 113496182 B CN113496182 B CN 113496182B
- Authority
- CN
- China
- Prior art keywords
- road
- remote sensing
- sensing image
- candidate
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 117
- 238000003860 storage Methods 0.000 title claims abstract description 26
- 238000003709 image segmentation Methods 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000010586 diagram Methods 0.000 claims description 13
- 238000007499 fusion processing Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000009191 jumping Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241000274965 Cyrestis thyodamas Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本公开涉及人工智能技术领域,提供了一种基于遥感影像的道路提取方法、基于遥感影像的道路提取装置、计算机存储介质、电子设备,其中,基于遥感影像的道路提取方法包括:对获取到的遥感影像进行影像分割,得到影像分割结果;对遥感影像中的道路特征点进行提取,得到特征提取结果;对影像分割结果与所特征提取结果进行融合处理,得到包含道路特征点的多个候选道路区域;对多个候选道路区域中的非道路目标进行剔除处理,得到道路提取结果。本公开能够利用简单的判断原则来提取道路和剔除非道路目标,使得提取过程更为迅速及自动化,而且增加了道路提取结果的信息量,使其更加贴近于实际情况,进而为无人驾驶中高精度地图的制作提供辅助帮助。
Description
技术领域
本公开涉及人工智能技术领域,特别涉及一种基于遥感影像的道路提取方法、基于遥感影像的道路提取装置、计算机存储介质及电子设备。
背景技术
道路作为现代交通体系的主体,具有重要的地理、政治、经济意义,道路也是地理信息系统和地图中的主要记录和标识对象。近十几年来,随着遥感技术的快速发展,高分辨率遥感影像、雷达影像及无人机影像为利用遥感影像进行道路提取提供了可能,如何准确提取道路成为相关技术人员关注的焦点问题。
目前,一般是基于现成的软件,人工进行手工矢量化采集数据,而高精度地图制作的精度受人工专业程度的影响较大,因此,需要对人员进行前期培训,自动化程度较低,并且,人员操作的熟练程度也会直接影响到道路提取的效率和准确度。
因此,现有技术中的道路提取方法的自动化程度和准确度有待提高。
需要说明的是,上述背景技术部分公开的信息仅用于加强对本公开的背景的理解。
发明内容
本公开的目的在于提供一种基于遥感影像的道路提取方法、基于遥感影像的道路提取装置、计算机存储介质及电子设备,进而至少在一定程度上避免了现有技术中准确度较低的缺陷。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的第一方面,提供一种基于遥感影像的道路提取方法,包括:对获取到的遥感影像进行影像分割,得到影像分割结果;对所述遥感影像中的道路特征点进行提取,得到特征提取结果;对所述影像分割结果与所述特征提取结果进行融合处理,得到包含所述道路特征点的多个候选道路区域;对多个所述候选道路区域中的非道路目标进行剔除处理,得到道路提取结果。
在本公开的示例性实施例中,所述方法还包括:基于一维滑动窗口沿水平和垂直方向依次遍历所述遥感影像的像素点,得到所述一维滑动窗口内的像素点的像素灰度值;获取数值最大的像素灰度值对应的像素点数量;当所述像素点数量大于第一预设阈值时,确定所述一维滑动窗口内的中心像素点为所述道路特征点。
在本公开的示例性实施例中,所述对所述候选道路区域中的非道路目标进行剔除处理,包括:获取所述候选道路区域中包含的道路特征点的数量,以及,获取所述候选道路区域中包含的总像素点数量;当所述道路特征点的数量占所述总像素点数量的比例小于第二预设阈值时,确定所述候选道路区域为所述非道路目标;对所述非道路目标进行剔除处理。
在本公开的示例性实施例中,所述对所述候选道路区域中的非道路目标进行剔除处理,得到道路提取结果,包括:当所述道路特征点的数量占所述总像素点数量的比例大于或等于所述第二预设阈值时,获取所述候选道路区域的最小外接矩形;根据所述最小外接矩形的长宽比确定所述候选道路区域对应的形状指数;当所述形状指数大于第三预设阈值时,确定所述候选道路区域为所述非道路目标;对所述非道路目标进行剔除处理。
在本公开的示例性实施例中,所述对获取到的遥感影像进行影像分割,得到影像分割结果,包括:基于分水岭分割算法对获取到的遥感影像进行影像分割,得到所述影像分割结果。
在本公开的示例性实施例中,所述遥感影像为高分辨率遥感影像。
在本公开的示例性实施例中,所述方法还包括:对所述道路提取结果进行优化处理,得到道路路网图;获取所述道路路网图中各道路的长度、宽度和位置坐标;以及,获取所述道路的类型、标识线的类型和颜色;根据所述道路的长度、宽度、位置坐标和类型,以及标识线的类型和颜色生成高精度地图。
根据本公开的第二方面,提供一种基于遥感影像的道路提取装置,包括:影像分割模块,用于对获取到的遥感影像进行影像分割,得到影像分割结果;特征提取模块,用于对所述遥感影像中的道路特征点进行提取,得到特征提取结果;融合模块,用于对所述影像分割结果与所述特征提取结果进行融合处理,得到包含所述道路特征点的多个候选道路区域;剔除模块,用于对多个所述候选道路区域中的非道路目标进行剔除处理,得到道路提取结果。
根据本公开的第三方面,提供一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的基于遥感影像的道路提取方法。
根据本公开的第四方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述第一方面所述的基于遥感影像的道路提取方法。
由上述技术方案可知,本公开示例性实施例中的基于遥感影像的道路提取方法、基于遥感影像的道路提取装置、计算机存储介质及电子设备至少具备以下优点和积极效果:
在本公开的一些实施例所提供的技术方案中,一方面,对获取到的遥感影像进行影像分割,得到影像分割结果,能够对所述遥感影像中的道路特征点进行提取,得到特征提取结果,并对影像分割结果与特征提取结果进行融合处理,得到包含所述道路特征点的多个候选道路区域,能够解决现有技术中需要人工采集数据所导致的自动化程度较低且精度较低的技术问题,提高道路的提取速度。另一方面,对多个所述候选道路区域中的非道路目标进行剔除处理,得到道路提取结果,能够解决将非道路目标(例如:道路两旁的树木、路灯等物体的投影)误判为道路的技术问题,提高道路的识别和提取精度和准确度。
本公开应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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示出本公开一示例性实施例中基于遥感影像的道路提取方法的流程示意图;
图2示出本公开一示例性实施例中基于遥感影像的道路提取方法的子流程示意图;
图3示出本公开一示例性实施例中基于遥感影像的道路提取方法的子流程示意图;
图4示出本公开一示例性实施例中基于遥感影像的道路提取方法的子流程示意图;
图5示出本公开一示例性实施例中基于遥感影像的道路提取方法的整体流程示意图;
图6示出本公开示例性实施例中基于遥感影像的道路提取装置的结构示意图;
图7示出本公开示例性实施例中计算机存储介质的结构示意图;
图8示出本公开示例性实施例中电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等;用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等;用语“第一”和“第二”等仅作为标记使用,不是对其对象的数量限制。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。
目前,道路提取并根据提取结果制作高精度地图的方法主要有以下两种:①人工采集道路数据并对采集到的数据进行矢量化处理,进而,基于现成的软件生成高精度地图;②基于遥感影像半自动化生成高精度地图的道路数据,进而,采用一定的算法和模板,根据遥感影像的特征,以及想要提取的要素进行自动化提取和制作,并对提取后的矢量要素进行语义信息的自动填充。
而上述处理方法存在如下缺陷:
①需要对人员进行前期培训以人工采集数据,人员的操作的熟练程度直接影响到高精度地图的生产效率和精度,制作速度慢,自动化程度较低。
②基于模式识别的遥感影像自动提取,这种方法可以根据所需要的高精度地图要素对遥感影像进行自动提取,但是提取的精度、准确度和效率都受限于所采用的算法。
在本公开的实施例中,首先提供了一种基于遥感影像的道路提取方法,至少在一定程度上克服现有技术中提供的基于遥感影像的道路提取方法准确度和效率较低的缺陷。
图1示出本公开一示例性实施例中基于遥感影像的道路提取方法的流程示意图,该基于遥感影像的道路提取方法的执行主体可以是对道路进行提取的服务器。
参考图1,根据本公开的一个实施例的基于遥感影像的道路提取方法包括以下步骤:
步骤S110,对获取到的遥感影像进行影像分割,得到影像分割结果;
步骤S120,对遥感影像中的道路特征点进行提取,得到特征提取结果;
步骤S130,对影像分割结果与特征提取结果进行融合处理,得到包含道路特征点的多个候选道路区域;
步骤S140,对多个候选道路区域中的非道路目标进行剔除处理,得到道路提取结果。
在图1所示实施例所提供的技术方案中,一方面,对获取到的遥感影像进行影像分割,得到影像分割结果,能够对遥感影像中的道路特征点进行提取,得到特征提取结果,并对影像分割结果与特征提取结果进行融合处理,得到包含道路特征点的多个候选道路区域,能够解决现有技术中需要人工采集数据所导致的自动化程度较低且精度较低的技术问题,提高道路的提取速度。另一方面,对多个候选道路区域中的非道路目标进行剔除处理,得到道路提取结果,能够解决将非道路目标(例如:道路两旁的树木、路灯等物体的投影)误判为道路的技术问题,提高道路的识别和提取精度和准确度。
以下对图1中的各个步骤的具体实现过程进行详细阐述:
在步骤S110中,对获取到的遥感影像进行影像分割,得到影像分割结果。
在本公开的示例性实施例中,遥感影像(简称:RS,英文:Remote Sensing Image)是指记录各种地物电磁波大小的胶片或照片,主要分为航空像片和卫星相片。本公开中的遥感影像可以是高分辨率遥感影像。
示例性的,可以基于分水岭分割算法对获取到的遥感影像进行影像分割,得到影像分割结果。分水岭分割方法是一种基于拓扑理论的数学形态学的分割方法,将图像看作是测地学上的拓扑地貌,图像中每一点像素的灰度值表示该点的海拔高度。
示例性的,上述分水岭分割算法可以是自下而上的模拟泛洪的算法或者自上而下的模拟降水的算法。模拟泛洪算法的基本思想是:假设在每个区域最小值的位置上打一个洞并且让水以均匀的上升速率从洞中涌出,从低到高淹没整个地形。当处在不同的汇聚盆地中的水将要聚合在一起时,修建的大坝将阻止聚合。水将达到在水线上只能见到各个水坝的顶部这样一个程度。这些大坝的边界对应于分水岭的分割线。所以,大坝的边界就是由分水岭算法提取出来的(连续的)边界线。
为了解决过度分割的问题,可以基于标记(mark)图像的分水岭算法或基于区域自适应的分水岭分割算法对上述遥感影像进行影像分割,得到上述影像分割结果。
在步骤S120中,对遥感影像中的道路特征点进行提取,得到特征提取结果。
在本公开的示例性实施例中,还可以对上述遥感影像中的道路特征点进行提取,得到特征提取结果。具体的,可以参考图2,图2示出本公开一示例性实施例中基于遥感影像的道路提取方法的子流程示意图,具体示出确定道路特征点的子流程示意图,包含步骤S201-步骤S203,以下结合图2对具体的实施方式进行解释。
在步骤S201中,基于一维滑动窗口沿水平和垂直方向依次遍历遥感影像的像素点,得到一维滑动窗口内的像素点的像素灰度值。
在本公开的示例性实施例中,可以基于一维滑动窗口沿水平方向和垂直方向依次遍历遥感影像的像素点,得到一维滑动窗口内的像素点的像素灰度值。具体的,可以先遍历水平方向的像素点,进而,遍历垂直方向的像素点,从而,使得水平方向的检测和垂直方向的检测相互独立,提高像素遍历效率。
在步骤S202中,获取数值最大的像素灰度值对应的像素点数量。
在本公开的示例性实施例中,在得到上述像素点的像素灰度值之后,可以获取数值最大的像素灰度值对应的像素点数量,示例性的,当数值最大的像素灰度值为230,并且像素灰度值为230的像素点有150个时,则数值最大的像素灰度值对应的像素点数量为150。
在步骤S203中,当像素点数量大于第一预设阈值时,确定一维滑动窗口内的中心像素点为道路特征点。
在本公开的示例性实施例中,当上述像素点数量大于第一预设阈值时,示例性的,参照上述步骤S202的相关解释,当第一预设阈值为100时,则150大于100,因此,可以确定上述一维滑动窗口内的中心像素点为道路特征点。进而,可以将遥感影像中的道路特征点提取出来,得到上述特征提取结果。
示例性的,还可以编写一检测算法来执行上述步骤S201-步骤S203,示例性的,检测算法可以包括一搜索窗口C(用于搜索遥感影像上的像素点,窗口大小为Ls),评价窗口S(包含预先设置的像素点数量,用于与检测窗口中的像素点进行比对,以评价其是否为道路特征点,窗口大小为Le)及检测窗口T(用于对搜索窗口搜索到的像素点进行检测,窗口大小为Lb),Ls>Le>Lb(示例性的,可以取Ls为3倍道路宽度,Le=5,Lb=3,可以根据实际情况自行设定,属于本公开的保护范围)。
进而,可以将搜索窗口C中像素的灰度值最大的Le个像素点放到评价窗口S中,并将检测窗口T中所有的像素点与评价窗口S中的像素点进行比较,当Le大于第一预设阈值时,确定检测窗口T中的中心像素点为道路特征点。
在本公开的示例性实施例中,在提取出道路特征点之后,还可以根据道路特征点的分布情况来判定道路两旁的地物分布情况,示例性的,当多个道路特征点连接起来形成的道路A的预设距离范围内存在道路B和道路C时,可以确定出道路A两旁密集分布着其他道路。当道路A的预设距离内不存在其他道路时,可以确定出道路A两旁可能分布着建筑物、树木等物体,从而,可以根据检测出的道路特征点预测得到道路两旁的地物分布情况,增加了道路提取结果的信息量,使其更加贴近于实际情况,进而为自动驾驶中高精度地图的制作提供辅助帮助。
在步骤S130中,对影像分割结果与特征提取结果进行融合处理,得到包含道路特征点的多个候选道路区域。
在本公开的示例性实施例中,在得到上述影像分割结果和特征提取结果之后,可以对影像分割结果和特征提取结果进行融合处理,得到包含道路特征点的多个候选道路区域。
具体的,可以将上述影像分割结果和上述特征提取结果进行上下叠加融合,得到包含道路特征点的多个候选道路区域。其中,候选道路区域即可能包含非道路目标(例如:路边树木的阴影或遮挡造成的道路断线等)的道路区域。
在步骤S140中,对多个候选道路区域中的非道路目标进行剔除处理,得到道路提取结果。
在本公开的示例性实施例中,在得到多个候选道路区域之后,可以对其中的非道路目标进行剔除处理,得到道路提取结果。
具体的,可以参考图3,图3示出本公开一示例性实施例中基于遥感图像的道路提取方法的子流程示意图,具体示出对多个候选道路区域中的非道路目标进行剔除处理的子流程示意图,包含步骤S301-步骤S305,以下结合图3对具体的实施方式进行解释。
在步骤S301中,获取候选道路区域中包含的道路特征点的数量,以及,获取候选道路区域中包含的总像素点数量。
在本公开的示例性实施例中,可以获取各候选道路区域中包含的道路特征点的数量,以及,获取候选道路区域中包含的总像素点数量。
在步骤S302中,当道路特征点的数量占总像素点数量的比例小于第二预设阈值时,确定候选道路区域为非道路目标,对非道路目标进行剔除处理。
在本公开的示例性实施例中,可以计算上述道路特征点的数量占上述总像素点数量的比例(即将上述道路特征点的数量除以上述总像素点数量所得的数值),进而,当计算出来的比例小于第二预设阈值(预先设置的比例阈值,可以根据实际情况进行数值更改)时,可以确定该候选道路区域为非道路对象,并对该非道路目标进行剔除处理。从而,能够基于道路对象内部往往比其他建筑物中具有更多的道路特征点,能够解决将道路两旁的树木、路灯等物体的投影误判为道路的技术问题,提高道路的识别和提取精度。
在步骤S303中,当道路特征点的数量占总像素点数量的比例大于或等于第二预设阈值时,获取候选道路区域的最小外接矩形。
在本公开的示例性实施例中,当上述道路特征点的数量占总像素点数量的比例大于或等于上述第二预设阈值时,可以获取候选道路区域的最小外接矩形,即包含上述候选道路区域的空间范围的面积最小的矩形。
在步骤S304中,根据最小外接矩形的长宽比确定候选道路区域对应的形状指数。
在本公开的示例性实施例中,可以根据上述最小外接矩形的长宽比确定出候选道路区域的形状指数。示例性的,当上述最小外接矩形的长为10米,宽为2米时,则其长宽比为10/2=5,即上述候选道路区域对应的形状指数为5。
在步骤S305中,当形状指数大于第三预设阈值时,确定候选道路区域为非道路目标;对非道路目标进行剔除处理。
在本公开的示例性实施例中,在得到上述形状指数之后,基于道路对象一般具有较小的形状指数,进而,当上述形状指数大于第三预设阈值(预先设定的形状指数阈值,可以根据实际情况进行数值更改)时,可以确定上述候选道路区域为非道路目标。示例性的,当上述第三预设阈值为2时,则可以确定上述形状指数5大于2,即上述候选道路区域为非道路目标,进而,可以对上述非道路目标进行剔除处理。
在对上述非道路目标进行剔除处理之后,可以得到最终的道路提取结果。进而,可以对上述道路提取结果进行优化(例如:将道路提取结果连接起来),得到道路路网图,进而,可以获取道路路网图中各道路的长度、宽度和位置坐标,以及,获取道路的类型、标识线的类型和颜色;根据道路的长度、宽度、位置坐标和类型,以及标识线的类型和颜色生成适用于无人驾驶汽车的高精度地图。从而,能够在保证道路正确提取的前提下,提高地图的制作精度。
其中,适用于无人驾驶汽车的高精度地图不同于日常生活中用于导航的普通电子地图。高精度地图包含的数据信息更加丰富和详细,可以划分为动、静两方面的数据信息。其中,静态数据信息不仅包含基础性的二维道路数据,如车道标记、周边基础设施等,也涵盖了交通管制、道路施工、广域气象等准静态数据。其中,动态数据信息包括事故、道路拥堵情况以及周边车辆、行人及信号灯等顺序万变的动态信息数据。此外,不同于普通地图几个月甚至几年更新一次,高精度地图必须保持分钟级、乃至秒级的更新速度。而且,与普通电子地图相比,高精度地图的定位精准度更高。例如:目前在手机上使用的GPS导航,其精准度一般在5至10米范围内,在楼宇密集地区或底下隧道的精度还要更低一些。而无人驾驶所需的高精度地图则要达到厘米级精度。
示例性的,可以参考图4,图4示出本公开一示例性实施例中基于遥感影像的道路提取方法的流程示意图,具体示出确定非道路目标并对非道路目标进行剔除处理的流程示意图,包括步骤S401-S406,以下结合图4对具体的实施方式进行说明。
在步骤S401中,计算道路特征点的数量占候选道路区域的总像素数量的比例;
在步骤S402中,判断上述比例是否大于或等于第二预设阈值P2;
若否,则跳转至步骤S403,将候选道路区域确定为非道路对象并剔除;
若是,则跳转至步骤S404,计算候选道路区域的形状指数;
在步骤S405中,判断形状指数是否小于第三预设阈值P3;
若否,则跳转至步骤S403,将候选道路区域确定为非道路对象并剔除;
若是,则跳转至步骤S406,确定道路提取结果。
示例性的,可以参照图5,图5示出本公开一示例性实施例中基于遥感影像的道路提取方法的整体流程示意图,包括步骤S501-步骤S506,以下结合图5对具体的实施方式进行解释。
在步骤S501中,获取遥感影像;
在步骤S502中,对遥感影像进行分水岭分割,得到影像分割结果;
在步骤S503中,对遥感影像中的道路特征点进行提取,得到特征提取结果;
在步骤S504中,对影像分割结果和特征提取结果进行融合,得到包含道路特征点的候选道路区域;
在步骤S505中,提取候选道路区域中的非道路目标;
在步骤S506中,得到道路提取结果。
本公开中的方法能够利用简单的判断原则来提取道路和剔除非道路目标,使得提取过程更为迅速及自动化,提取的道路对象不仅相互连通而且能够反映道路两旁的地物分布情况,而且增加了道路提取结果的信息量,使其更加贴近于实际情况,进而为无人驾驶中高精度地图的制作提供辅助帮助。
本公开还提供了一种基于遥感影像的道路提取装置,图6示出本公开示例性实施例中基于遥感影像的道路提取装置的结构示意图;如图6所示,基于遥感影像的道路提取装置600可以包括影像分割模块601、特征提取模块602、融合模块603和剔除模块604。其中:
影像分割模块601,用于对获取到的遥感影像进行影像分割,得到影像分割结果。
在本公开的示例性实施例中,遥感影像为高分辨率遥感影像;影像分割模块用于基于分水岭分割算法对获取到的遥感影像进行影像分割,得到影像分割结果。
特征提取模块602,用于对遥感影像中的道路特征点进行提取,得到特征提取结果。
在本公开的示例性实施例中,特征提取模块用于基于一维滑动窗口沿水平和垂直方向依次遍历遥感影像的像素点,得到一维滑动窗口内的像素点的像素灰度值;获取数值最大的像素灰度值对应的像素点数量;当像素点数量大于第一预设阈值时,确定一维滑动窗口内的中心像素点为道路特征点。
融合模块603,用于对影像分割结果与特征提取结果进行融合处理,得到包含道路特征点的多个候选道路区域。
在本公开的示例性实施例中,融合模块用于对影像分割结果与特征提取结果进行融合处理,得到包含道路特征点的多个候选道路区域。
剔除模块604,用于对多个候选道路区域中的非道路目标进行剔除处理,得到道路提取结果。
在本公开的示例性实施例中,剔除模块用于获取候选道路区域中包含的道路特征点的数量,以及,获取候选道路区域中包含的总像素点数量;当道路特征点的数量占总像素点数量的比例小于第二预设阈值时,确定候选道路区域为非道路目标;对非道路目标进行剔除处理。
在本公开的示例性实施例中,剔除模块用于当道路特征点的数量占总像素点数量的比例大于或等于第二预设阈值时,获取候选道路区域的最小外接矩形;根据最小外接矩形的长宽比确定候选道路区域对应的形状指数;当形状指数大于第三预设阈值时,确定候选道路区域为非道路目标;对非道路目标进行剔除处理。
在本公开的示例性实施例中,剔除模块用于对道路提取结果进行优化处理,得到道路路网图;获取道路路网图中各道路的长度、宽度和位置坐标;以及,获取道路的类型、标识线的类型和颜色;根据道路的长度、宽度、位置坐标和类型,以及标识线的类型和颜色生成高精度地图。
上述基于遥感影像的道路提取装置中各模块的具体细节已经在对应的基于遥感影像的道路提取方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
在本公开示例性实施方式中,还提供了一种能够实现上述方法的计算机存储介质。其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
参考图7所示,描述了根据本公开的实施方式的用于实现上述方法的程序产品700,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图8来描述根据本公开的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示,电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于:上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830以及显示单元840。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元810执行,使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元810可以执行如图1中所示的:步骤S110,对获取到的遥感影像进行影像分割,得到影像分割结果;步骤S120,对遥感影像中的道路特征点进行提取,得到特征提取结果;步骤S130,对影像分割结果与特征提取结果进行融合处理,得到包含道路特征点的多个候选道路区域;步骤S140,对多个候选道路区域中的非道路目标进行剔除处理,得到道路提取结果。
存储单元820可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202,还可以进一步包括只读存储单元(ROM)8203。
存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204,这样的程序模块8205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线830可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备800也可以与一个或多个外部设备900(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备800交互的设备通信,和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且,电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器860通过总线830与电子设备800的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备800使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (8)
1.一种基于遥感影像的道路提取方法,其特征在于,包括:
对获取到的遥感影像进行影像分割,得到影像分割结果;
基于一维滑动窗口沿水平和垂直方向依次遍历所述遥感影像的像素点,得到所述一维滑动窗口内的像素点的像素灰度值;
获取数值最大的像素灰度值对应的像素点数量;
当所述像素点数量大于第一预设阈值时,确定所述一维滑动窗口内的中心像素点为道路特征点;
对所述遥感影像中的所述道路特征点进行提取,得到特征提取结果;
对所述影像分割结果与所述特征提取结果进行融合处理,得到包含所述道路特征点的多个候选道路区域;
对多个所述候选道路区域中的非道路目标进行剔除处理,得到道路提取结果;
对所述道路提取结果进行优化处理,得到道路路网图;
获取所述道路路网图中各道路的长度、宽度和位置坐标;以及,获取所述道路的类型、标识线的类型和颜色;
根据所述道路的长度、宽度、位置坐标和类型,以及标识线的类型和颜色生成高精度地图。
2.根据权利要求1所述的方法,其特征在于,所述对所述候选道路区域中的非道路目标进行剔除处理,包括:
获取所述候选道路区域中包含的道路特征点的数量,以及,获取所述候选道路区域中包含的总像素点数量;
当所述道路特征点的数量占所述总像素点数量的比例小于第二预设阈值时,确定所述候选道路区域为所述非道路目标;
对所述非道路目标进行剔除处理。
3.根据权利要求2所述的方法,其特征在于,所述对所述候选道路区域中的非道路目标进行剔除处理,得到道路提取结果,包括:
当所述道路特征点的数量占所述总像素点数量的比例大于或等于所述第二预设阈值时,获取所述候选道路区域的最小外接矩形;
根据所述最小外接矩形的长宽比确定所述候选道路区域对应的形状指数;
当所述形状指数大于第三预设阈值时,确定所述候选道路区域为所述非道路目标;
对所述非道路目标进行剔除处理。
4.根据权利要求1所述的方法,其特征在于,所述对获取到的遥感影像进行影像分割,得到影像分割结果,包括:
基于分水岭分割算法对获取到的遥感影像进行影像分割,得到所述影像分割结果。
5.根据权利要求4所述的方法,其特征在于,所述遥感影像为高分辨率遥感影像。
6.一种基于遥感影像的道路提取装置,其特征在于,包括:
影像分割模块,用于对获取到的遥感影像进行影像分割,得到影像分割结果;
特征提取模块,用于基于一维滑动窗口沿水平和垂直方向依次遍历所述遥感影像的像素点,得到所述一维滑动窗口内的像素点的像素灰度值;
获取数值最大的像素灰度值对应的像素点数量;
当所述像素点数量大于第一预设阈值时,确定所述一维滑动窗口内的中心像素点为道路特征点;
对所述遥感影像中的所述道路特征点进行提取,得到特征提取结果;
融合模块,用于对所述影像分割结果与所述特征提取结果进行融合处理,得到包含所述道路特征点的多个候选道路区域;
剔除模块,用于对多个所述候选道路区域中的非道路目标进行剔除处理,得到道路提取结果;
对所述道路提取结果进行优化处理,得到道路路网图;
获取所述道路路网图中各道路的长度、宽度和位置坐标;以及,获取所述道路的类型、标识线的类型和颜色;
根据所述道路的长度、宽度、位置坐标和类型,以及标识线的类型和颜色生成高精度地图。
7.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~5中任意一项所述的基于遥感影像的道路提取方法。
8.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1~5中任意一项所述的基于遥感影像的道路提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010269873.8A CN113496182B (zh) | 2020-04-08 | 2020-04-08 | 基于遥感影像的道路提取方法及装置、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010269873.8A CN113496182B (zh) | 2020-04-08 | 2020-04-08 | 基于遥感影像的道路提取方法及装置、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113496182A CN113496182A (zh) | 2021-10-12 |
CN113496182B true CN113496182B (zh) | 2024-05-21 |
Family
ID=77995420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010269873.8A Active CN113496182B (zh) | 2020-04-08 | 2020-04-08 | 基于遥感影像的道路提取方法及装置、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113496182B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115641512B (zh) * | 2022-12-26 | 2023-04-07 | 成都国星宇航科技股份有限公司 | 一种卫星遥感影像道路识别方法、装置、设备及介质 |
CN117612026B (zh) * | 2023-11-24 | 2024-06-07 | 北京邮电大学 | 一种基于遥感影像道路提取的路径预测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258203A (zh) * | 2013-05-20 | 2013-08-21 | 武汉大学 | 遥感影像的道路中线自动提取方法 |
JP2014035584A (ja) * | 2012-08-07 | 2014-02-24 | Toyota Mapmaster Inc | 道路ネットワークの正当性判定装置及びその方法、並びに道路ネットワークの正当性を判定するためのコンピュータプログラム及びコンピュータプログラムを記録した記録媒体 |
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 |
CN105279745A (zh) * | 2015-10-28 | 2016-01-27 | 浙江工业大学 | 遥感影像色彩归一化的多特征点约束直方图规整方法 |
CN106295562A (zh) * | 2016-08-09 | 2017-01-04 | 中国科学院遥感与数字地球研究所 | 一种高分辨率遥感影像道路信息提取方法 |
WO2018153304A1 (zh) * | 2017-02-22 | 2018-08-30 | 武汉极目智能技术有限公司 | 基于adas系统的地图道路标记及道路质量采集装置及方法 |
CN108803651A (zh) * | 2018-04-24 | 2018-11-13 | 上海工程技术大学 | 一种基于图像特征的无人机公路巡检方法 |
CN110084107A (zh) * | 2019-03-19 | 2019-08-02 | 安阳师范学院 | 一种基于改进mrf的高分辨率遥感影像道路提取方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230421A (zh) * | 2017-09-19 | 2018-06-29 | 北京市商汤科技开发有限公司 | 一种道路图生成方法、装置、电子设备和计算机存储介质 |
-
2020
- 2020-04-08 CN CN202010269873.8A patent/CN113496182B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014035584A (ja) * | 2012-08-07 | 2014-02-24 | Toyota Mapmaster Inc | 道路ネットワークの正当性判定装置及びその方法、並びに道路ネットワークの正当性を判定するためのコンピュータプログラム及びコンピュータプログラムを記録した記録媒体 |
CN103258203A (zh) * | 2013-05-20 | 2013-08-21 | 武汉大学 | 遥感影像的道路中线自动提取方法 |
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 |
CN105279745A (zh) * | 2015-10-28 | 2016-01-27 | 浙江工业大学 | 遥感影像色彩归一化的多特征点约束直方图规整方法 |
CN106295562A (zh) * | 2016-08-09 | 2017-01-04 | 中国科学院遥感与数字地球研究所 | 一种高分辨率遥感影像道路信息提取方法 |
WO2018153304A1 (zh) * | 2017-02-22 | 2018-08-30 | 武汉极目智能技术有限公司 | 基于adas系统的地图道路标记及道路质量采集装置及方法 |
CN108803651A (zh) * | 2018-04-24 | 2018-11-13 | 上海工程技术大学 | 一种基于图像特征的无人机公路巡检方法 |
CN110084107A (zh) * | 2019-03-19 | 2019-08-02 | 安阳师范学院 | 一种基于改进mrf的高分辨率遥感影像道路提取方法及装置 |
Non-Patent Citations (6)
Title |
---|
A Fusion Model for Road Detection based on Deep Learning and Fully Connected CRF;Fei YANG等;2018 13th Annual Conference on System of Systems Engineering (SoSE);20180622;全文 * |
An Index Based on Joint Density of Corners and Line Segments for Built-Up Area Detection from High Resolution Satellite Imagery;Xiaogang Ning等;International Journal of Geo-Information;20171102;第6卷(第11期);全文 * |
一种基于标记分水岭的高分辨率遥感影像分割方法;李珀任;潘懋;杜世宏;;地理与地理信息科学;20120915(第05期);全文 * |
一种高分辨率遥感影像城区道路网提取方法;周家香;周安发;陶超;高陈强;李静;;中南大学学报(自然科学版)(第06期);全文 * |
基于图像语义分割的动态场景下的单目SLAM算法;盛超;潘树国;赵涛;曽攀;黄砺枭;;测绘通报(第01期);全文 * |
基于多重信息融合的高分辨率遥感影像道路信息提取;李晓峰;张树清;韩富伟;秦喜文;于欢;;测绘学报(第02期);正文第179-182页第3-4节,图2 * |
Also Published As
Publication number | Publication date |
---|---|
CN113496182A (zh) | 2021-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102266830B1 (ko) | 차선 결정 방법, 디바이스 및 저장 매체 | |
CN110850439B (zh) | 一种高精度三维点云地图构建方法 | |
EP3505869B1 (en) | Method, apparatus, and computer readable storage medium for updating electronic map | |
CN109470254B (zh) | 地图车道线的生成方法、装置、系统及存储介质 | |
WO2018068653A1 (zh) | 点云数据处理方法、装置及存储介质 | |
CN110132291B (zh) | 用于港口的栅格地图生成方法、系统、设备及存储介质 | |
CN113034566B (zh) | 高精度地图构建方法、装置、电子设备及存储介质 | |
CN110798805B (zh) | 基于gps轨迹的数据处理方法、装置及存储介质 | |
CN103206957B (zh) | 车辆自主导航的车道线检测与跟踪方法 | |
CN113496182B (zh) | 基于遥感影像的道路提取方法及装置、存储介质及设备 | |
CN114842450A (zh) | 一种可行驶区域检测方法、装置及设备 | |
CN112883236B (zh) | 一种地图更新方法、装置、电子设备及存储介质 | |
Sun et al. | Roads and Intersections Extraction from High‐Resolution Remote Sensing Imagery Based on Tensor Voting under Big Data Environment | |
US20220092314A1 (en) | Road Recognition Method and System Based on Seed Point | |
CN112432650A (zh) | 高精地图数据的获取方法、车辆控制方法以及设备 | |
Guerrieri et al. | Flexible and stone pavements distress detection and measurement by deep learning and low-cost detection devices | |
CN113989777A (zh) | 高精地图限速标牌与车道位置的识别方法、装置和设备 | |
CN115060249A (zh) | 电子地图的构建方法、装置、设备和介质 | |
CN114067245A (zh) | 一种铁路外部环境隐患识别方法及系统 | |
CN112069899A (zh) | 一种路肩检测方法、装置及存储介质 | |
CN110942026A (zh) | 基于深度学习的胶囊机器人排水管病害检测方法及系统 | |
US11988522B2 (en) | Method, data processing apparatus and computer program product for generating map data | |
CN113793373B (zh) | 一种能见度检测方法、装置、设备及介质 | |
CN116091716A (zh) | 一种基于深度学习的高精度地图自动化制作系统及方法 | |
CN115511280A (zh) | 一种基于多模态数据融合的城市洪水韧性评价方法 |
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 |