CN113837094A - 基于全色高分遥感图像的路况快捷分析方法 - Google Patents

Abstract

本申请首先对遥感图像进行基于平行线对的道路提取，提取出遥感图像中的道路，对道路图像进行车辆提取，采用基于灰度取反融合大津二值优化法分离道路的前景与背景部分，采用数学形态学方法和基于形状识别的车辆提取方法对车辆区域与非车辆区域进行识别，计算出车辆区域的像素点和道路图像的总像素点，根据两者的像素点之比，进行路况分析。通过与人工处理的图像进行数据比较得到，本申请提出的路况分析方法，可以得到当前道路的像素点之比，即道路俯视图中车辆所占面积与道路面积之比，具有较高的准确度，同时具备在较短时间内快速获取较大范围内道路交通路况信息的优势，具有巨大的实际意义和广泛的应用前景。

Description

基于全色高分遥感图像的路况快捷分析方法

技术领域

本申请涉及一种遥感图像的路况分析方法，特别涉及一种基于全色高分遥感图像的路况快捷分析方法，属于遥感图像路况分析方法技术领域。

背景技术

交通拥堵问题严重影响人们的日常生活，大量的时间浪费在了路上，也耗费了更多的燃油，污染和环境，提升了人们的生活成本，同时增大了交通管理的难度，在拥堵路段，更是交通事故频发。

随着现代社会LBS的快速发展，为了方便人们的出行，避开拥堵路段节省时间，越来越多的地图导航或者其它应用增加了路况信息这一功能，其一般采用以下几种方法来实现：一是GPS定位方法，二是地面传感器，三是路口的摄像头，四是交通台的路况播报，五是人工方式，传统的这些获取路况信息的方法往往需要很长的操作周期，而且它们覆盖的范围也小，如果要扩大检测面积，将会耗费很高的人力和物力成本，不利于进行大范围的交通数据采集。同时这些方法的采集周期长，精确度一般也不高，受到人为和环境因素的影响较大，随着交通建设的快速发展，传统方法已经无法满足要求，这就需要新的方法来解决这个问题。

高分辨率遥感图像能够获取大范围的交通信息，而且它的准确率也比传统的方法高，实时性好，随着数字地图的快速发展和广泛应用，遥感图像的应用的越来越广泛。高分辨率遥感图像的不断发展，促进了遥感图像的深入应用，有利于GIS数据的更新，有利于GIS的广泛应用发展。同时高分遥感图像的空间分辨率很高，本申请实施例所采用的WorldView-2全色遥感图像的空间分辨率达到0.5m，可以比较清晰的分辨识别出道路上的车辆，具有较高的准确率。高分遥感图像可以提供更准确、全面、实时性高的路况信息，帮助人们进行路况导航，提高道路交通的运行效率。

现有技术最早使用的是飞机航拍的视频进行道路分析，通过对航拍视频的处理，成功的从中获取了交通信息数据，包括车辆速度分布、道路的密度等等，然后通过对遥感图像进行处理来检测道路的路况，该遥感图像的分辨率达到了2m，通过采用FFT方法分析该遥感图像的频率信号，据此来分析道路的交通密度，得到道路的路况情况。后来通过对分辨率为1m的全色遥感图像进行实验得到目标的交通流参数，该图像来源于IKONOS卫星影像，首先对遥感图像进行二值化处理，然后通过图像处理得到高速公路上的车辆数据，对该高速公路的车辆数据进行统计，得到该高速公路的日均交通量参数，年度交通量参数都可以通过这种方法获取。

思德等人通过对飞机航拍的遥感数据进行处理，通过影像处理可以得到车流数据，比如从图像序列中获取单个车辆的轨迹线，通过对图像中所有车辆轨迹的分析可以得到道路的拥挤状态，由此来得到道路的交通信息。雷杰夫采用图像处理方法，通过构建车辆队列模板，来提取车辆队列信息，在该方法中，要假定车辆队列是可以提取的线形，给定道路的方向和位置，通过这些特征来构建车辆的队列模型，主要是采用基于线状和重复模式的方法来构建模型。

徐春等提出了两种车辆目标提取方法，分别是基于颜色信息的车辆目标提取方法，和基于形态学的车辆目标提取方法。采用快鸟卫星遥感图像进行两种方法的车辆目标提取研究，基于颜色信息的车辆目标提取方法要比基于形态学方法的效果好，但同时采用基于颜色信息的车辆目标提取方法，正确率比采用基于形态学车辆目标提取方法的正确率低。因为在采用颜色信息提取车辆时，会受很多因素的影响，提取的目标可能不是车辆，而采用基于形态学的车辆目标提取方法，提取出来的目标基本上都是车辆对象，但由于一部分车辆在检测过程中被遗漏了，所以车辆提取率要低一些。而基于颜色信息的车辆目标提取方法中，不同的颜色将会产生不同的提取效果，红色和蓝色系列车辆的提取效果不好，仅能提取出部分的车辆目标。

当前采用遥感图像进行路况分析还比较少，一是由于成本的限制，要获取高分辨率遥感图像，需要向提供商购买，提高了研发和应用成本，这个成本并不会比传统的路况分析的方法要低；二是由于数据质量的限制，在遥感图像上，道路及道路上的车辆对整个遥感图像来说很小，可能只占几个像素，低分辨率的遥感图像无法满足要求，只有高分辨率遥感图像才能进行特征提取和识别；三是方法的不成熟，无论是道路提取，还是车辆提取，都还没有足够成熟的方法，提取的效果和精度往往并不高，缺乏足够有力的方法与技术支撑，使得在实际应用中无法达到要求，主流的遥感图像分析软件也没有专门的车辆提取处理模块，路况分析中一般都要提取车辆目标，而车辆目标提取方法的不足，也相应的限制了路况分析。现在常采用的车辆提取方法，一般分为对单一车辆的提取和对整个车辆队列的提取。而利用高分遥感图像提取交通流参数，一般采用通过检测车辆速度的方式来实现，因为对于同一影像数据，全色图像与多光谱图像的成像时间之间存在一个微小的时间间隔，利用这个时间差，就可以计算出车辆目标移动的距离，根据时间和距离就可以计算出车辆目标的车速、车流密度等交通流参数。

现有技术的没有可靠的大范围路况快捷分析方法，本申请的难点和待解决的问题主要集中在以下方面：

第一，现有技术的路况信息采用以下方法来实现：一是GPS定位方法，二是地面传感器，三是路口的摄像头，四是交通台的路况播报，五是人工方式，传统的这些获取路况信息的方法往往需要很长的操作周期，而且它们覆盖的范围也小，如果要扩大检测面积，将会耗费很高的人力和物力成本，不利于进行大范围的交通数据采集。同时这些方法的采集周期长，精确度一般也不高，受到人为和环境因素的影响较大，随着交通建设的快速发展，传统方法已经无法满足要求，这就需要新的方法来实现可靠的大范围路况快捷分析；

第二，当前采用遥感图像进行路况分析还比较少，一是由于成本的限制，要获取高分辨率遥感图像，需要向提供商购买，提高了研发和应用成本，但实际上随着卫片价格的快速下降，大范围的遥感图像路况分析具有较大的性价比优势；二是由于早期数据质量的限制，在遥感图像上，道路及道路上的车辆对整个遥感图像来说很小，可能只占几个像素，低分辨率的遥感图像无法满足要求，只有高分辨率遥感图像才能进行特征提取和识别；三是方法的不成熟，无论是道路提取，还是车辆提取，都还没有足够成熟的方法，提取的效果和精度往往并不高，缺乏足够有力的方法与技术支撑，使得在实际应用中无法达到要求，主流的遥感图像分析软件也没有专门的车辆提取处理模块，路况分析中一般都要提取车辆目标，而车辆目标提取方法的不足，也相应的限制了路况分析；

第三，现有技术无论是哪种方法都无法实现可靠的大范围路况快捷分析，如道路上设置传感器，路口摄像头等方法的局限性太大，需要花费很多人力物力来搭建设备平台，而且覆盖范围也很小，无法做到大范围的交通路况快捷分析，也无法一次性快速获取大范围的交通路况信息，无法达到工业化应用的标准；

第四，因为不同颜色的车辆对光照的反射不同，在全色高分遥感图像中，将车辆分为比道路亮的浅色车和比道路暗的深色车，将道路图像灰度化之后，浅色车的灰度值比路面的灰度值高，深色车的灰度值比路面的灰度值低，采用大津法识别车辆时很难做到准确，大津法仅适合于两类目标之间的相互区分，即前景与背景之间的分割，而要分离路面与车辆，即是对三类目标的分割，是很难做到的，在识别深色车时，浅色车的存在会影响大津法自适应求取的临界值的结果，使得最后得到的临界值偏大，较深的路面像素点会被误识别为深色车；在识别浅色车时，深色车的存在同样会影响大津法自适应求取的临界值结果，使最后得到的临界值偏小，路面上一些较亮的点会被误识别为浅色车，这样的识别无法得到理想的效果。

发明内容

针对现代社会道路交通的不断发展，城市交通越来越拥挤的问题，本申请提出一种能在较短时间内快速获取较大范围内道路交通路况信息的方法，通过高分辨率遥感图像快捷获取道路交通路况的方法，通过对高分遥感图像进行道路提取，再对道路图像进行车辆提取，最后根据提取的车辆区域所占的像素点比率，即在一定面积的道路上车辆所占面积的比率，来分析道路路况信息，与传统获取路况信息的方法相比具有明显优势，操作周期短，覆盖范围大，即使要扩大检测面积，也不会耗费很高的人力和物力成本，有利于进行大范围的交通数据采集，同时路况分析精确度高，受人为和环境因素的影响小。

为实现以上技术特征，本申请所采用的技术方案如下：

基于全色高分遥感图像的路况快捷分析方法，通过对高分辨率遥感图像进行处理来快速获取较大范围内道路交通路况信息，包括对高分辨率遥感图像进行道路提取，再对道路图像进行车辆提取，识别出道路图像中的车辆区域与非车辆区域，分别计算道路图像车辆区域的像素点和道路图像的总像素点，计算出车辆区域像素点和道路图像总的像素点之比，据此来分析当前道路的路况信息；

基于全色高分遥感图像的路况快捷分析方法的基本思路：对全色高分遥感图像进行基于平行线对的道路提取，对道路图像进行车辆提取，联合数学形态学方法和基于形状特征的识别将道路图像分为车辆区域与非车辆区域两部分，计算车辆区域的像素点数量与道路图像总的像素点数量，通过车辆区域与道路图像的像素点数量之比，分析得到该区域的交通路况；

基于全色高分遥感图像的路况快捷分析方法流程为：

第一步：采用基于平行线对的道路提取的方法对全色高分遥感图像进行处理；

第二步：对道路图像进行车辆提取，采用基于直方图均衡化方法对道路图像进行图像增强，增强图像的对比度，使图像细节更加清晰；

第三步：采用基于灰度取反融合大津二值优化法对图像进行处理，首先根据图像的灰度直方图，将图像的深色区域都转换为浅色区域，再进行临界值分割，根据得到的临界值进行二值化处理，将道路图像的前景和背景分割开；

第四步：采用数学形态学方法对图像的目标区域进行第一次筛选，去除目标区域中很小的区域，方便对图像进行进一步处理；

第五步：对图像进行边缘检测，检测出目标区域的边缘；

第六步：采用基于形状特征的车辆识别对目标区域进行第二次筛选，根据车辆的长、宽、面积、长宽比这四个形状特征进行图像识别，将车辆区域与非车辆区域识别出来，将非车辆区域的灰度变换为0，车辆区域就是道路图像车辆提取的结果；

第七步：基于像素比的路况分析，计算道路图像的车辆区域的像素点数量和道路图像的总像素点数量，通过计算车辆区域像素点数量与道路图像总的像素点数量之比，即一定面积的道路上车辆面积占道路总面积的比率，在较短时间内快速获取较大范围内道路交通路况信息。

基于全色高分遥感图像的路况快捷分析方法，进一步的，基于平行线对提取道路：

如果有两条光滑曲线，且这两条曲线上的对应位置的局部密度相同，同时其上各点间都互相平行，那么这两条光滑曲线为一对非特殊平行线，在高分辨率的遥感图像中，道路两边的边缘线近乎于两条非特殊平行线，通过平行线对作为道路特征进行道路提取；

生成平行线对时，首先选取空间差异较小的边缘段，限定差异要小于28度，计算边缘段的空间方向，边缘段两侧的平均密度之差决定边缘段的梯度方向，当差值为-1时表示梯度方向向外，当差值为1时表示梯度方向向内，当平行线对生成之后，X1和X2分别代表两条边界的位置，根据X1和X2的长度、宽度、梯度方向、平均密度、以及终点的方向(a，b)计算两个边缘段之间的标准背离距离a；

将断开的平行线对分组后，利用道路段的几何特征，两条平行线对只有满足宽度相同且两条边界之间的距离小于临界值，而且梯度相同，空间方向差异较小，才能判断这两条平行线对确实是属于同一条道路的相邻部分，将分组平行线对的条件规范化成规则一：给定两个平行线对X和Y，平行线对的距离要小于Ra，平行线对的空间方向差异要小于Rb，平行线对的梯度差异要等于0；平行线对的宽度差异要小于Rk，Ra、Rb、Rk都是根据图像大小、精确度、道路的几何特性、地形特点设置的临界值，关系是一个结构，其中包括平行线对X和Y之间几何属性差异，将生成的所有平行线对按照规则一进行分组，将不符合规则的平行线对去掉，将符合规则的平行线对连接起来，得到道路的边缘特征；

用已经得到道路段的道路特征去匹配知识库中的道路规则，对道路段进行识别，首先，将道路的几何属性和灰度属性进行基于知识库的分析，形成规则，然后将得到的道路段进行中层次的处理，得到结构和关联属性，最后采用规则判断是否匹配，当道路段的属性和结构与规则相匹配时，将该道路段判断为属于道路的一部分；

道路段识别规则二：给定平行线对的点形成的链C1和C2，C1和C2的长度要大于R1，C1和C2之间的宽度要小于Ka与Ra之和，大于Ka与Ra之差；C1和C2的梯度设置为1；C1和C2的平均密度要大于F0与Ri之差，小于F0与Ri之和；

在规则中把道路部分的梯度设为-1，R1、Ka、Ra分别是指长度特征的临界值、道路宽度、道路宽度的临界值，R1和Ra分别由图像的窗口大小和图像的清晰程度来决定，通过对原图统计得到道路表面的标准平均密度F0。

基于平行线对的道路提取采用自下而上的方法,首先进行低层次处理，对遥感图像进行边缘提取和连接，然后进行中层次对处理，将生成的平行线对进行分组，最后进行高层次的处理，基于知识对分组的平行线对进行特征识别，识别出道路段。

基于全色高分遥感图像的路况快捷分析方法，进一步的，道路提取的具体过程为：

过程一：采用边缘检测算子对图像进行道路边缘提取，采用数学形态学腐蚀与膨胀对得到道路的边缘信息进行校正，连接边缘线段，合并较长的边缘线段，去掉较短的边缘线段；

过程二：通过计算空间差异较小的边缘段，生成平行线对X1和X2，按照平行线对的分组规则，将X1和X2中符合规则的平行线对提取出来，去掉不符合规则的平行线对，最后将所有满足规则的平行线对连接起来形成两条链C1和C2；

过程三：根据道路段识别规则和C1、C2的特征结构，对C1和C2进行道路段识别，如果符合规则，认定C1和C2为道路段的一部分。

基于全色高分遥感图像的路况快捷分析方法，进一步的，基于形状特征识别提取车辆：首先对道路图像进行基于直方图均衡化的图像增强，增加道路图像的对比度，然后采用基于灰度取反融合大津二值优化法对图像进行处理，将道路图像的前景与背景区域分割开；

其次，采用数学形态学方法对道路图像的前景区域进行第一次筛选，去除很小目标区域，因为去除区域很小，不可能是车辆区域，对车辆提取结果不产生影响，同时也能简化接下来的处理过程，最后进行边缘检测，检测出目标区域的边缘，采用基于形状特征识别提取车辆对目标区域进行第二次筛选，识别出非车辆区域与车辆区域，实现车辆目标提取。

基于全色高分遥感图像的路况快捷分析方法，进一步的，基于灰度取反融合大津二值优化法：采用先将深色车的灰度取反成浅色车一样的灰度形态，再基于大津二值优化来进行临界值分割，对图像进行二值化处理；

道路图像中路面所占的面积一般最大，而车辆所占的面积相对较小，特别是又分为暗色车与亮色车两类，所以使得大部分情况下路面所包含的像素点最多，因此会在图像的灰度直方图中形成一个波峰，浅色车的像素点位于这个波峰的右侧，深色车的像素点位于这个波峰的左侧，以路面形成的像素峰为分界线，将右侧区域认定为浅色区域，左侧区域认定为深色区域，对深色区域进行灰度取反，再采用大津二值优化法进行临界值分割，得到最佳的临界值对汽车与路面进行分割，对图像进行基于临界值的二值化处理，深色区域的灰度取反式如下：

E(i，j)＝|D(i，j)-D_MAX|

其中，D_MAX是直方图像素峰的灰度值，D(i,j)是未进行灰度变换前的高分遥感图像的像素点，E(i,j)是进行灰度变换后的高分遥感图像的像素点。

基于全色高分遥感图像的路况快捷分析方法，进一步的，目标区域第一次筛选：联合二值图像数学形态学方法对目标区域进行第一次筛选，将这些微小的区域去除；

灰度取反融合大津二值优化处理后的图像中有的车与车之间也会靠得很近，出现连接情况，但车辆与车辆之间一般有一个安全行驶间隔，所以连接部分不会太紧密，可通过开运算就将其分开，除改善车辆的检测效果外，同时联合二值数学形态学方法对目标区域进行第一次筛选，去除图像目标区域中像素点很少的区域，像素点太少不可能为车辆区域，所以不影响车辆提取结果，又可以简化接下来的处理过程。腐蚀和膨胀定义为：

腐蚀运算：

膨胀运算：

式中，E是结构元素，B是遥感图像，腐蚀与膨胀运算的结果都是B的中心位置的集合，B中元素全部包含在A中为腐蚀运算，B与A中至少有一个公共元素时为膨胀运算，开运算的表达式为：

开运算由腐蚀与膨胀两步组成，先腐蚀后膨胀的过程，开运算不仅可去除图像中的轻微连接，将车与车之间的连接有效的断开，而不会影响图像的整个形状，同时还可以去除图像中的噪声点，简化接下来对图像的继续处理。

基于全色高分遥感图像的路况快捷分析方法，进一步的，基于形状特征识别提取车辆：采用基于形状特征识别提取车辆的方法对目标区域进行第二次筛选，识别出车辆区域与非车辆区域，尽可能去除不相关因素的影响，将识别出的非车辆区域的像素灰度设置为0，而车辆区域就是道路图像车辆提取的结果；

本申请采用以下四种形状特征进行车辆识别：

特征一，长度：x＝T×d；

特征二，宽度：a＝T×e；

特征三，面积：C＝M×T²；

特征四，长宽比：x/a＝d/e；

其中，T为影像的空间分辨率，d为识别区域的长度方向像元数量，e为识别区域的宽度方向像元数量，M为识别区域的总像素数量。

基于形状特征识别提取车辆的规则如下：

规则1),识别区域的长度属于车辆长度范围；

规则2),识别区域的宽度属于车辆宽度范围；

规则3),识别区域的面积属于车辆面积范围；

规则4),识别区域的长宽比属于车辆长宽比范围；

通过形状特征的识别，将不符合条件的区域识别出来，将其的灰度变换为0，余下的区域即是提取出来的车辆区域。

基于全色高分遥感图像的路况快捷分析方法，进一步的，基于像素比的路况分析：本申请所采用的方法最后得到的交通参数是车辆在道路上的空间占有率，通过图像的像素点数量之比获取，根据已经识别出车辆区域的道路图像，计算出图像中车辆区域的像素点数量以及整个道路图像的像素点数量，求出车辆区域的像素点总数与道路图像的像素点总数之比，即在一定面积的道路上车辆所占面积与道路总面积的比率，据此来分析当前道路的路况信息；

基于像素比的路况分析方法如下：

T＝S/F；

T即为像素比，S为当前道路的车辆区域所占的像素点数量，F为当前道路图像的总像素点数量；

根据道路交通的实际情况，分别设定两个临界值T1和T2；

当T大于T1时，可得到当前道路的路况信息为强拥堵，不可通行；

当T大于T2且小于T1时，可得到当前道路的路况信息为弱拥堵，可通行，但车辆行驶速度较慢；

当T小于T2时，得到当前道路的路况信息为通畅，可正常通行。

基于全色高分遥感图像的路况快捷分析方法，进一步的，采用高分遥感图像是WorldView-2卫星的全色高分遥感图像，先采用基于平行线对的道路提取方法提取出道路，再对道路图像进行车辆提取，首先采用直方图均衡化方法进行图像增强，增加图像的对比度，通过基于灰度取反融合大津二值优化法处理后，采用数学形态学方法对目标区域进行第一次筛选，去除图像中很小的目标区域，再检测二值图像中目标区域的边缘，边缘连接后得到目标区域的轮廓；

车辆的形状特征的取值范围为：车长SX∈[2.6，18]，车宽SK∈[1.5，2.5]，车的长宽比SX/SK∈[1.7,7.2]，相应的车辆区域所占的面积可由SX与SK的乘积取得；

边缘检测后，采用基于形状特征识别的方法对目标区域进行二次筛选，将车辆区域与非车辆区域识别出来，根据边缘检测结果，得到目标区域在长度方向的像素点数量d，在宽度方向的像素点数量e，区域的总像素点数量M，根据图像的空间分辨率D，得到目标区域的长X，宽K，面积C：

X＝D×d；K＝D×e；

C＝M×D²；X/K＝d/e；

只有目标区域的特征满足X∈[2.6，18]，K∈[1.5，2.5]，X/K∈[1.7,7.2]，C∈[3.9,45]时，才能判断此区域是车辆区域，对不符合要求的区域，将其所有像素点的灰度设定为0，最后得到的灰度为255的区域，即为车辆提取的结果。

与现有技术相比，本申请的创新点和优势在于：

第一，针对现代社会道路交通的不断发展，城市交通越来越拥挤的问题，本申请提出一种能在较短时间内快速获取较大范围内道路交通路况信息的方法，通过高分辨率遥感图像快捷获取道路交通路况的方法，通过对高分遥感图像进行道路提取，再对道路图像进行车辆提取，最后根据提取的车辆区域所占的像素点比率，即在一定面积的道路上车辆所占面积的比率，来分析道路路况信息，与传统获取路况信息的方法相比具有明显优势，操作周期短，覆盖范围大，即使要扩大检测面积，也不会耗费很高的人力和物力成本，有利于进行大范围的交通数据采集，同时路况分析精确度高，受人为和环境因素的影响小；

第二，本申请首先对遥感图像进行基于平行线对的道路提取，提取出遥感图像中的道路，对道路图像进行车辆提取，采用基于灰度取反融合大津二值优化法分离道路的前景与背景部分，采用数学形态学方法和基于形状识别的车辆提取方法对车辆区域与非车辆区域进行识别，计算出车辆区域的像素点和道路图像的总像素点，根据两者的像素点之比，进行路况分析。通过与人工处理的图像进行数据比较得到，本申请提出的路况分析方法，可以得到当前道路的像素点之比，即道路俯视图中车辆所占面积与道路面积之比，具有较高的准确度，同时具备在较短时间内快速获取较大范围内道路交通路况信息的优势，具有巨大的实际意义和广泛的应用前景；

第三，随着技术进步，采用遥感图像进行路况分析的优势越来越明显，随着卫片价格的快速下降，高分遥感图像的使用成本越来越低，大范围的遥感图像路况分析具有较大的性价比优势；二是在遥感图像上，道路及道路上的车辆对整个遥感图像来说很小，可能只占几个像素，低分辨率的遥感图像无法满足要求，随着遥感图像分辨率越来越高，早期数据质量的限制已经被克服，当前高分辨率遥感图像已经可以完全满足特征提取和识别的需要，使得遥感图像的路况分析优势更加明显；三是本申请无论是道路提取，还是车辆提取，都设计有成熟可靠的方法，提取的效果和精度高，具备足够有力的方法与技术支撑，可以提供更准确、全面、实时性高的路况信息，帮助人们进行路况导航，提高道路交通的运行效率；

第四，本申请采用先将深色车的灰度取反成浅色车一样的灰度形态，再基于大津二值优化来进行临界值分割，对图像进行二值化处理，灰度取反融合大津二值优化处理后的图像中有的车与车之间也会靠得很近，出现连接情况，但由于车辆与车辆之间一般有一个安全行驶间隔，所以连接部分不会太紧密，可通过开运算就将其分开，除改善车辆的检测效果外，同时联合二值数学形态学方法对目标区域进行第一次筛选，去除图像目标区域中像素点很少的区域，因为像素点太少，不可能为车辆区域，所以不影响车辆提取结果，又可以简化接下来的处理过程。

附图说明

图1是基于全色高分遥感图像的路况快捷分析方法流程图。

图2是基于灰度取反融合大津二值优化处理后的图像。

图3是经过腐蚀与膨胀处理后的遥感图像。

图4是经过形状特征识别处理后的遥感图像。

图5是经过图像增强后的图像及其灰度直方图。

图6是经过边缘连接后得到的车辆轮廓图。

图7是边缘检测区域长度和宽度方向的像素数量示意图。

具体实施方法

下面结合附图，对本申请提供的基于全色高分遥感图像的路况快捷分析方法的技术方案进行进一步的描述，使本领域的技术人员能够更好的理解本申请并能够予以实施。

本申请通过对高分辨率遥感图像进行处理来快速获取较大范围内道路交通路况信息，通过对高分辨率遥感图像进行道路提取，再对道路图像进行车辆提取，识别出道路图像中的车辆区域与非车辆区域，分别计算道路图像车辆区域的像素点和道路图像的总像素点，计算出车辆区域像素点和道路图像总的像素点之比，据此来分析当前道路的路况信息。

首先对遥感图像进行基于平行线对的道路提取，提取出遥感图像中的道路，对道路图像进行车辆提取，采用基于灰度取反融合大津二值优化法分离道路的前景与背景部分，采用数学形态学方法和基于形状识别的车辆提取方法对车辆区域与非车辆区域进行识别，计算出车辆区域的像素点和道路图像的总像素点，根据两者的像素点之比，进行路况分析。通过与人工处理的图像进行数据比较得到，本申请提出的路况分析方法，可以得到当前道路的像素点之比，即道路俯视图中车辆所占面积与道路面积之比，具有较高的准确度，同时具备在较短时间内快速获取较大范围内道路交通路况信息的优势，可作交通路况分析参考。

一、方法整体设计

(一)方法基本思路

基于全色高分遥感图像的路况快捷分析方法的基本思路是，对全色高分遥感图像进行基于平行线对的道路提取，对道路图像进行车辆提取，联合数学形态学方法和基于形状特征的识别将道路图像分为车辆区域与非车辆区域两部分，计算车辆区域的像素点数量与道路图像总的像素点数量，通过车辆区域与道路图像的像素点数量之比，分析得到该区域的交通路况。

该方法的整体技术路线为：通过基于平行线对的道路提取方法，对全色高分遥感图像进行道路提取，对提取的道路图像进行车辆提取，首先进行图像增强，优化直方图均衡化法增强车辆对比度，然后采用基于灰度取反融合大津二值优化法处理，再采用数学形态学对目标区域进行第一次筛选，去除比较小的目标区域，对目标区域进行边缘检测，采用基于形状特征的车辆识别对目标区域进行二次筛选，识别出车辆区域与非车辆区域，通过计算车辆区域像素点数量与道路图像总像素点数量之比，来分析当前道路的路况。

(二)方法流程

基于全色高分遥感图像的路况快捷分析方法流程如图1所示。

第一步：采用基于平行线对的道路提取的方法对全色高分遥感图像进行处理；

第二步：对道路图像进行车辆提取，采用基于直方图均衡化方法对道路图像进行图像增强，增强图像的对比度，使图像细节更加清晰；

第三步：采用基于灰度取反融合大津二值优化法对图像进行处理，首先根据图像的灰度直方图，将图像的深色区域都转换为浅色区域，再进行临界值分割，根据得到的临界值进行二值化处理，将道路图像的前景和背景分割开；

第四步：采用数学形态学方法对图像的目标区域进行第一次筛选，去除目标区域中很小的区域(因为区域很小，所以不可能为车辆区域)，方便对图像进行进一步处理；

第五步：对图像进行边缘检测，检测出目标区域的边缘；

第六步：采用基于形状特征的车辆识别对目标区域进行第二次筛选，根据车辆的长、宽、面积、长宽比这四个形状特征进行图像识别，将车辆区域与非车辆区域识别出来，将非车辆区域的灰度变换为0，车辆区域就是道路图像车辆提取的结果；

第七步：基于像素比的路况分析，计算道路图像的车辆区域的像素点数量和道路图像的总像素点数量，通过计算车辆区域像素点数量与道路图像总的像素点数量之比，即一定面积的道路上车辆面积占道路总面积的比率，在较短时间内快速获取较大范围内道路交通路况信息。

二、基于平行线对提取道路

如果有两条光滑曲线，且这两条曲线上的对应位置的局部密度相同，同时其上各点间都互相平行，那么这两条光滑曲线为一对非特殊平行线，在高分辨率的遥感图像中，道路两边的边缘线近乎于两条非特殊平行线，通过平行线对作为道路特征进行道路提取。

生成平行线对时，首先选取空间差异较小的边缘段，限定差异要小于28度，计算边缘段的空间方向，边缘段两侧的平均密度之差决定边缘段的梯度方向，当差值为-1时表示梯度方向向外，当差值为1时表示梯度方向向内，当平行线对生成之后，X1和X2分别代表两条边界的位置，根据X1和X2的长度、宽度、梯度方向、平均密度、以及终点的方向(a，b)计算两个边缘段之间的标准背离距离a。

为了能够准确识别道路特征，首先将断开的平行线对分组后，利用道路段的几何特征，两条平行线对只有满足宽度相同且两条边界之间的距离小于临界值，而且梯度相同，空间方向差异较小，才能判断这两条平行线对确实是属于同一条道路的相邻部分，将分组平行线对的条件规范化成规则一：给定两个平行线对X和Y，平行线对的距离要小于Ra，平行线对的空间方向差异要小于Rb，平行线对的梯度差异要等于0；平行线对的宽度差异要小于Rk，Ra、Rb、Rk都是根据图像大小、精确度、道路的几何特性、地形特点设置的临界值，关系是一个结构，其中包括平行线对X和Y之间几何属性差异，将生成的所有平行线对按照规则一进行分组，将不符合规则的平行线对去掉，将符合规则的平行线对连接起来，得到道路的边缘特征。

用已经得到道路段的道路特征去匹配知识库中的道路规则，对道路段进行识别，首先，将道路的几何属性和灰度属性进行基于知识库的分析，形成规则，然后将得到的道路段进行中层次的处理，得到结构和关联属性，最后采用规则判断是否匹配，当道路段的属性和结构与规则相匹配时，将该道路段判断为属于道路的一部分。

道路段识别规则二：给定平行线对的点形成的链C1和C2，C1和C2的长度要大于R1，C1和C2之间的宽度要小于Ka与Ra之和，大于Ka与Ra之差；C1和C2的梯度设置为1；C1和C2的平均密度要大于F0与Ri之差，小于F0与Ri之和。

在规则中把道路部分的梯度设为-1，R1、Ka、Ra分别是指长度特征的临界值、道路宽度、道路宽度的临界值，R1和Ra分别由图像的窗口大小和图像的清晰程度来决定，通过对原图统计得到道路表面的标准平均密度F0。

基于平行线对的道路提取采用自下而上的方法,首先进行低层次处理，对遥感图像进行边缘提取和连接，然后进行中层次对处理，将生成的平行线对进行分组，最后进行高层次的处理，基于知识对分组的平行线对进行特征识别，识别出道路段。

道路提取的具体过程为：

过程一：采用边缘检测算子对图像进行道路边缘提取，采用数学形态学腐蚀与膨胀对得到道路的边缘信息进行校正，连接边缘线段，合并较长的边缘线段，去掉较短的边缘线段；

过程二：通过计算空间差异较小的边缘段，生成平行线对X1和X2，按照平行线对的分组规则，将X1和X2中符合规则的平行线对提取出来，去掉不符合规则的平行线对，最后将所有满足规则的平行线对连接起来形成两条链C1和C2；

过程三：根据道路段识别规则和C1、C2的特征结构，对C1和C2进行道路段识别，如果符合规则，认定C1和C2为道路段的一部分。

三、基于形状特征识别提取车辆

车辆是道路交通的主要载体，对于道路车辆的监测可以有效的识别出当前道路的路况特征，帮助出行车辆合理规划交通路线。但现有技术的车辆检测方法，如道路上设置传感器，路口摄像头等方法的局限性太大，需要花费很多人力物力来搭建设备平台，而且覆盖范围也很小，无法做到大范围的交通路况快捷分析。

采用高分遥感图像进行路况分析能有效解决这些问题，高分遥感图像可以一次性快速获取大范围的交通路况信息，通过车辆提取，有效的从全局角度对城市交通路况进行分析，为交通部门提供帮助，缓解城市交通压力。

采用高分遥感图像获取交通信息，最重要的是将车辆从道路上提取出来，实现对道路上车辆的检测和识别，并标记出每一辆车的位置，本申请车辆提取方法为：首先对道路图像进行基于直方图均衡化的图像增强，增加道路图像的对比度，然后采用基于灰度取反融合大津二值优化法对图像进行处理，将道路图像的前景与背景区域分割开。

其次，采用数学形态学方法对道路图像的前景区域进行第一次筛选，去除很小目标区域，因为去除区域很小，不可能是车辆区域，对车辆提取结果不产生影响，同时也能简化接下来的处理过程，最后进行边缘检测，检测出目标区域的边缘，采用基于形状特征识别提取车辆对目标区域进行第二次筛选，识别出非车辆区域与车辆区域，实现车辆目标提取。

(一)基于灰度取反融合大津二值优化法

因为不同颜色的车辆对光照的反射不同，在全色高分遥感图像中，将车辆分为比道路亮的浅色车和比道路暗的深色车，将道路图像灰度化之后，浅色车的灰度值比路面的灰度值高，深色车的灰度值比路面的灰度值低，这样在采用大津法识别车辆时很难做到准确，因为大津法仅适合于两类目标之间的相互区分，即前景与背景之间的分割，而要分离路面与车辆，即是对三类目标的分割，是很难做到的，在识别深色车时，浅色车的存在会影响大津法自适应求取的临界值的结果，使得最后得到的临界值偏大，较深的路面像素点会被误识别为深色车；在识别浅色车时，深色车的存在同样会影响大津法自适应求取的临界值结果，使最后得到的临界值偏小，路面上一些较亮的点会被误识别为浅色车，这样的识别无法得到理想的效果。所以本申请采用先将深色车的灰度取反成浅色车一样的灰度形态，再基于大津二值优化来进行临界值分割，对图像进行二值化处理。

道路图像中路面所占的面积一般最大，而车辆所占的面积相对较小，特别是又分为暗色车与亮色车两类，所以使得大部分情况下路面所包含的像素点最多，因此会在图像的灰度直方图中形成一个波峰，浅色车的像素点位于这个波峰的右侧，深色车的像素点位于这个波峰的左侧，以路面形成的像素峰为分界线，将右侧区域认定为浅色区域，左侧区域认定为深色区域，对深色区域进行灰度取反，再采用大津二值优化法进行临界值分割，得到最佳的临界值对汽车与路面进行分割，对图像进行基于临界值的二值化处理，深色区域的灰度取反式如下：

E(i，j)＝|(i，j)-D_MAX|

其中，D_MAX是直方图像素峰的灰度值，D(i,j)是未进行灰度变换前的高分遥感图像的像素点，E(i,j)是进行灰度变换后的高分遥感图像的像素点。

图2是基于灰度取反融合大津二值优化处理后的图像。

(二)目标区域第一次筛选

对道路图像进行基于灰度取反融合大津二值优化处理之后，将道路图像的前景与背景分割开，前景中存在很多微小的区域，这些区域不可能是车辆区域，所以联合二值图像数学形态学方法对目标区域进行第一次筛选，将这些微小的区域去除。不仅不影响车辆提取的结果，还可以简化接下来的处理过程。

灰度取反融合大津二值优化处理后的图像中有的车与车之间也会靠得很近，出现连接情况，但由于车辆与车辆之间一般有一个安全行驶间隔，所以连接部分不会太紧密，可通过开运算就将其分开，除改善车辆的检测效果外，同时联合二值数学形态学方法对目标区域进行第一次筛选，去除图像目标区域中像素点很少的区域，因为像素点太少，不可能为车辆区域，所以不影响车辆提取结果，又可以简化接下来的处理过程。腐蚀和膨胀定义为：

腐蚀运算：

膨胀运算：

式中，E是结构元素，B是遥感图像，腐蚀与膨胀运算的结果都是B的中心位置的集合，B中元素全部包含在A中为腐蚀运算，B与A中至少有一个公共元素时为膨胀运算，开运算的表达式为：

开运算由腐蚀与膨胀两步组成，先腐蚀后膨胀的过程，开运算不仅可去除图像中的轻微连接，将车与车之间的连接有效的断开，而不会影响图像的整个形状，同时还可以去除图像中的噪声点，简化接下来对图像的继续处理。图3为腐蚀与膨胀处理后的遥感图像。

(三)基于形状特征识别提取车辆

在经过之前的图像处理后，虽然将路面与汽车分离开来，但由于道路上斑马线、行人等等的影响，目标区域并不一定都是车辆区域，采用基于形状特征识别提取车辆的方法对目标区域进行第二次筛选，识别出车辆区域与非车辆区域，尽可能去除不相关因素的影响。将识别出的非车辆区域的像素灰度设置为0，而车辆区域就是道路图像车辆提取的结果。

本申请采用以下四种形状特征进行车辆识别：

特征一，长度：x＝T×d；

特征二，宽度：a＝T×e；

特征三，面积：C＝M×T²；

特征四，长宽比：x/a＝d/e；

其中，T为影像的空间分辨率，d为识别区域的长度方向像元数量，e为识别区域的宽度方向像元数量，M为识别区域的总像素数量。

基于形状特征识别提取车辆的规则如下：

规则1),识别区域的长度属于车辆长度范围；

规则2),识别区域的宽度属于车辆宽度范围；

规则3),识别区域的面积属于车辆面积范围；

规则4),识别区域的长宽比属于车辆长宽比范围；

通过形状特征的识别，将不符合条件的区域识别出来，将其的灰度变换为0，余下的区域即是提取出来的车辆区域。图4为形状特征识别提取车辆后的图像。

四、基于像素比的路况分析

本申请所采用的方法最后得到的交通参数是车辆在道路上的空间占有率，通过图像的像素点数量之比获取，根据已经识别出车辆区域的道路图像，计算出图像中车辆区域的像素点数量以及整个道路图像的像素点数量，求出车辆区域的像素点总数与道路图像的像素点总数之比，即在一定面积的道路上车辆所占面积与道路总面积的比率，据此来分析当前道路的路况信息。

基于像素比的路况分析方法如下：

T＝S/F；

T即为像素比，S为当前道路的车辆区域所占的像素点数量，F为当前道路图像的总像素点数量；

根据道路交通的实际情况，分别设定两个临界值T1和T2；

当T大于T1时，可得到当前道路的路况信息为强拥堵，不可通行；

当T大于T2且小于T1时，可得到当前道路的路况信息为弱拥堵，可通行，但车辆行驶速度较慢；

当T小于T2时，得到当前道路的路况信息为通畅，可正常通行。

五、实验设计与结果分析

本申请采用MATLAB进行方法的实验。采用高分遥感图像进行路况分析，最重要的就是对车辆的提取。因为车辆从高空俯视观测到的面积不大，在高分遥感图像上可能只占很少的像素点，所以分辨率不够高的高分遥感图像无法清晰的识别出车辆，只有分辨率达到一定标准，才能在高分遥感图像上进行车辆提取。

本实验采用的高分遥感图像是WorldView-2卫星的全色高分遥感图像，分辨率为0.5m，按照本申请所设计的方法，先采用基于平行线对的道路提取方法提取出道路，再对道路图像进行车辆提取。首先采用直方图均衡化方法进行图像增强，增加图像的对比度，如图5为图像增强后的图像及其灰度直方图。通过基于灰度取反融合大津二值优化法处理后，采用数学形态学方法对目标区域进行第一次筛选，去除图像中很小的目标区域，简化了接下来的处理过程。再检测二值图像中目标区域的边缘，边缘连接后得到目标区域的轮廓。图6为边缘连接后得到的车辆轮廓。

道路上，大部分的车辆都是公交车、家用轿车、客车或是少量的货车，绝大多数车辆的形状特征的取值范围为：车长SX∈[2.6，18]，车宽SK∈[1.5，2.5]，车的长宽比SX/SK∈[1.7,7.2]，相应的车辆区域所占的面积可由SX与SK的乘积取得。

边缘检测后，采用基于形状特征识别的方法对目标区域进行二次筛选，将车辆区域与非车辆区域识别出来，根据边缘检测结果，得到目标区域在长度方向的像素点数量d，在宽度方向的像素点数量e，区域的总像素点数量M，根据图像的空间分辨率D，得到目标区域的长X，宽K，面积C：

X＝D×d；K＝D×e；

C＝M×D²；X/K＝d/e；

图7为边缘检测区域长度和宽度方向的像素数量。只有目标区域的特征满足X∈[2.6，18]，K∈[1.5，2.5]，X/K∈[1.7,7.2]，C∈[3.9,45]时，才能判断此区域是车辆区域，对不符合要求的区域，将其所有像素点的灰度设定为0(黑色)，最后得到的灰度为255(白色)的区域，即为车辆提取的结果。

(一)实验结果分析

通过本申请的方法进行实验，计算最后检测出的车辆区域的总像素点数量与道路图像的总像素点数量，计算它们的像素点数量之比，再用人工勾勒边缘的方式，统计出车辆区域的总像素点数量与道路图像的总像素点数量，计算它们的比。将这两种方式求得的结果进行比较和分析。

计算第一二三类图像下两种方式的图像处理结果，第一类图实验像素比为9.24％，人工勾勒像素比为9.41％；第二类图实验像素比为6.16％，人工勾勒像素比为6.24％；第三类图实验像素比为4.98％，人工勾勒像素比为5.13％。通过实验对比，本申请的方法可以较准确的检测出当前路段的车辆运行状况，当前路段的车辆像素点数量与道路图像的像素点数量之比，实际上就是在一定面积的道路上车辆所占面积与道路总面积之比，结合实际的交通情况进行分析，它可以作为交通路况分析的重要参数，在较短时间内快速获取较大范围内道路交通路况信息。

Claims (9)

1.基于全色高分遥感图像的路况快捷分析方法，其特征在于，通过对高分辨率遥感图像进行处理来快速获取较大范围内道路交通路况信息，包括对高分辨率遥感图像进行道路提取，再对道路图像进行车辆提取，识别出道路图像中的车辆区域与非车辆区域，分别计算道路图像车辆区域的像素点和道路图像的总像素点，计算出车辆区域像素点和道路图像总的像素点之比，据此来分析当前道路的路况信息；

基于全色高分遥感图像的路况快捷分析方法的基本思路：对全色高分遥感图像进行基于平行线对的道路提取，对道路图像进行车辆提取，联合数学形态学方法和基于形状特征的识别将道路图像分为车辆区域与非车辆区域两部分，计算车辆区域的像素点数量与道路图像总的像素点数量，通过车辆区域与道路图像的像素点数量之比，分析得到该区域的交通路况；

基于全色高分遥感图像的路况快捷分析方法流程为：

第一步：采用基于平行线对的道路提取的方法对全色高分遥感图像进行处理；

第二步：对道路图像进行车辆提取，采用基于直方图均衡化方法对道路图像进行图像增强，增强图像的对比度，使图像细节更加清晰；

第三步：采用基于灰度取反融合大津二值优化法对图像进行处理，首先根据图像的灰度直方图，将图像的深色区域都转换为浅色区域，再进行临界值分割，根据得到的临界值进行二值化处理，将道路图像的前景和背景分割开；

第四步：采用数学形态学方法对图像的目标区域进行第一次筛选，去除目标区域中很小的区域，方便对图像进行进一步处理；

第五步：对图像进行边缘检测，检测出目标区域的边缘；

第六步：采用基于形状特征的车辆识别对目标区域进行第二次筛选，根据车辆的长、宽、面积、长宽比这四个形状特征进行图像识别，将车辆区域与非车辆区域识别出来，将非车辆区域的灰度变换为0，车辆区域就是道路图像车辆提取的结果；

第七步：基于像素比的路况分析，计算道路图像的车辆区域的像素点数量和道路图像的总像素点数量，通过计算车辆区域像素点数量与道路图像总的像素点数量之比，即一定面积的道路上车辆面积占道路总面积的比率，在较短时间内快速获取较大范围内道路交通路况信息。

2.根据权利要求1所述的基于全色高分遥感图像的路况快捷分析方法，其特征在于，基于平行线对提取道路：

如果有两条光滑曲线，且这两条曲线上的对应位置的局部密度相同，同时其上各点间都互相平行，那么这两条光滑曲线为一对非特殊平行线，在高分辨率的遥感图像中，道路两边的边缘线近乎于两条非特殊平行线，通过平行线对作为道路特征进行道路提取；

生成平行线对时，首先选取空间差异较小的边缘段，限定差异要小于28度，计算边缘段的空间方向，边缘段两侧的平均密度之差决定边缘段的梯度方向，当差值为-1时表示梯度方向向外，当差值为1时表示梯度方向向内，当平行线对生成之后，X1和X2分别代表两条边界的位置，根据X1和X2的长度、宽度、梯度方向、平均密度、以及终点的方向(a，b)计算两个边缘段之间的标准背离距离a；

将断开的平行线对分组后，利用道路段的几何特征，两条平行线对只有满足宽度相同且两条边界之间的距离小于临界值，而且梯度相同，空间方向差异较小，才能判断这两条平行线对确实是属于同一条道路的相邻部分，将分组平行线对的条件规范化成规则一：给定两个平行线对X和Y，平行线对的距离要小于Ra，平行线对的空间方向差异要小于Rb，平行线对的梯度差异要等于0；平行线对的宽度差异要小于Rk，Ra、Rb、Rk都是根据图像大小、精确度、道路的几何特性、地形特点设置的临界值，关系是一个结构，其中包括平行线对X和Y之间几何属性差异，将生成的所有平行线对按照规则一进行分组，将不符合规则的平行线对去掉，将符合规则的平行线对连接起来，得到道路的边缘特征；

用已经得到道路段的道路特征去匹配知识库中的道路规则，对道路段进行识别，首先，将道路的几何属性和灰度属性进行基于知识库的分析，形成规则，然后将得到的道路段进行中层次的处理，得到结构和关联属性，最后采用规则判断是否匹配，当道路段的属性和结构与规则相匹配时，将该道路段判断为属于道路的一部分；

道路段识别规则二：给定平行线对的点形成的链C1和C2，C1和C2的长度要大于R1，C1和C2之间的宽度要小于Ka与Ra之和，大于Ka与Ra之差；C1和C2的梯度设置为1；C1和C2的平均密度要大于F0与Ri之差，小于F0与Ri之和；

在规则中把道路部分的梯度设为-1，R1、Ka、Ra分别是指长度特征的临界值、道路宽度、道路宽度的临界值，R1和Ra分别由图像的窗口大小和图像的清晰程度来决定，通过对原图统计得到道路表面的标准平均密度F0；

基于平行线对的道路提取采用自下而上的方法,首先进行低层次处理，对遥感图像进行边缘提取和连接，然后进行中层次对处理，将生成的平行线对进行分组，最后进行高层次的处理，基于知识对分组的平行线对进行特征识别，识别出道路段。

3.根据权利要求1所述的基于全色高分遥感图像的路况快捷分析方法，其特征在于，道路提取的具体过程为：

过程一：采用边缘检测算子对图像进行道路边缘提取，采用数学形态学腐蚀与膨胀对得到道路的边缘信息进行校正，连接边缘线段，合并较长的边缘线段，去掉较短的边缘线段；

过程二：通过计算空间差异较小的边缘段，生成平行线对X1和X2，按照平行线对的分组规则，将X1和X2中符合规则的平行线对提取出来，去掉不符合规则的平行线对，最后将所有满足规则的平行线对连接起来形成两条链C1和C2；

过程三：根据道路段识别规则和C1、C2的特征结构，对C1和C2进行道路段识别，如果符合规则，认定C1和C2为道路段的一部分。

4.根据权利要求1所述的基于全色高分遥感图像的路况快捷分析方法，其特征在于，基于形状特征识别提取车辆：首先对道路图像进行基于直方图均衡化的图像增强，增加道路图像的对比度，然后采用基于灰度取反融合大津二值优化法对图像进行处理，将道路图像的前景与背景区域分割开；

其次，采用数学形态学方法对道路图像的前景区域进行第一次筛选，去除很小目标区域，因为去除区域很小，不可能是车辆区域，对车辆提取结果不产生影响，同时也能简化接下来的处理过程，最后进行边缘检测，检测出目标区域的边缘，采用基于形状特征识别提取车辆对目标区域进行第二次筛选，识别出非车辆区域与车辆区域，实现车辆目标提取。

5.根据权利要求1所述的基于全色高分遥感图像的路况快捷分析方法，其特征在于，基于灰度取反融合大津二值优化法：采用先将深色车的灰度取反成浅色车一样的灰度形态，再基于大津二值优化来进行临界值分割，对图像进行二值化处理；

道路图像中路面所占的面积一般最大，而车辆所占的面积相对较小，特别是又分为暗色车与亮色车两类，所以使得大部分情况下路面所包含的像素点最多，因此会在图像的灰度直方图中形成一个波峰，浅色车的像素点位于这个波峰的右侧，深色车的像素点位于这个波峰的左侧，以路面形成的像素峰为分界线，将右侧区域认定为浅色区域，左侧区域认定为深色区域，对深色区域进行灰度取反，再采用大津二值优化法进行临界值分割，得到最佳的临界值对汽车与路面进行分割，对图像进行基于临界值的二值化处理，深色区域的灰度取反式如下：

E(i，j)＝D|(i，j)-D_MAX|

其中，D_MAX是直方图像素峰的灰度值，D(i,j)是未进行灰度变换前的高分遥感图像的像素点，E(i,j)是进行灰度变换后的高分遥感图像的像素点。

6.根据权利要求1所述的基于全色高分遥感图像的路况快捷分析方法，其特征在于，目标区域第一次筛选：联合二值图像数学形态学方法对目标区域进行第一次筛选，将这些微小的区域去除；

灰度取反融合大津二值优化处理后的图像中有的车与车之间也会靠得很近，出现连接情况，但车辆与车辆之间一般有一个安全行驶间隔，所以连接部分不会太紧密，可通过开运算就将其分开，除改善车辆的检测效果外，同时联合二值数学形态学方法对目标区域进行第一次筛选，去除图像目标区域中像素点很少的区域，像素点太少不可能为车辆区域，所以不影响车辆提取结果，又可以简化接下来的处理过程；腐蚀和膨胀定义为：

腐蚀运算：

膨胀运算：

式中，E是结构元素，B是遥感图像，腐蚀与膨胀运算的结果都是B的中心位置的集合，B中元素全部包含在A中为腐蚀运算，B与A中至少有一个公共元素时为膨胀运算，开运算的表达式为：

开运算由腐蚀与膨胀两步组成，先腐蚀后膨胀的过程，开运算不仅可去除图像中的轻微连接，将车与车之间的连接有效的断开，而不会影响图像的整个形状，同时还可以去除图像中的噪声点，简化接下来对图像的继续处理。

7.根据权利要求1所述的基于全色高分遥感图像的路况快捷分析方法，其特征在于，基于形状特征识别提取车辆：采用基于形状特征识别提取车辆的方法对目标区域进行第二次筛选，识别出车辆区域与非车辆区域，尽可能去除不相关因素的影响，将识别出的非车辆区域的像素灰度设置为0，而车辆区域就是道路图像车辆提取的结果；

本申请采用以下四种形状特征进行车辆识别：

特征一，长度：x＝T×d；

特征二，宽度：a＝T×e；

特征三，面积：C＝M×T²；

特征四，长宽比：x/a＝d/e；

其中，T为影像的空间分辨率，d为识别区域的长度方向像元数量，e为识别区域的宽度方向像元数量，M为识别区域的总像素数量；

基于形状特征识别提取车辆的规则如下：

规则1),识别区域的长度属于车辆长度范围；

规则2),识别区域的宽度属于车辆宽度范围；

规则3),识别区域的面积属于车辆面积范围；

规则4),识别区域的长宽比属于车辆长宽比范围；

通过形状特征的识别，将不符合条件的区域识别出来，将其的灰度变换为0，余下的区域即是提取出来的车辆区域。

8.根据权利要求1所述的基于全色高分遥感图像的路况快捷分析方法，其特征在于，基于像素比的路况分析：本申请所采用的方法最后得到的交通参数是车辆在道路上的空间占有率，通过图像的像素点数量之比获取，根据已经识别出车辆区域的道路图像，计算出图像中车辆区域的像素点数量以及整个道路图像的像素点数量，求出车辆区域的像素点总数与道路图像的像素点总数之比，即在一定面积的道路上车辆所占面积与道路总面积的比率，据此来分析当前道路的路况信息；

基于像素比的路况分析方法如下：

T＝S/F；

T即为像素比，S为当前道路的车辆区域所占的像素点数量，F为当前道路图像的总像素点数量；

根据道路交通的实际情况，分别设定两个临界值T1和T2；

当T大于T1时，可得到当前道路的路况信息为强拥堵，不可通行；

当T大于T2且小于T1时，可得到当前道路的路况信息为弱拥堵，可通行，但车辆行驶速度较慢；

当T小于T2时，得到当前道路的路况信息为通畅，可正常通行。

9.根据权利要求1所述的基于全色高分遥感图像的路况快捷分析方法，其特征在于，采用高分遥感图像是WorldView-2卫星的全色高分遥感图像，先采用基于平行线对的道路提取方法提取出道路，再对道路图像进行车辆提取，首先采用直方图均衡化方法进行图像增强，增加图像的对比度，通过基于灰度取反融合大津二值优化法处理后，采用数学形态学方法对目标区域进行第一次筛选，去除图像中很小的目标区域，再检测二值图像中目标区域的边缘，边缘连接后得到目标区域的轮廓；

车辆的形状特征的取值范围为：车长SX∈[2.6，18]，车宽SK∈[1.5，2.5]，车的长宽比SX/SK∈[1.7,7.2]，相应的车辆区域所占的面积可由SX与SK的乘积取得；

边缘检测后，采用基于形状特征识别的方法对目标区域进行二次筛选，将车辆区域与非车辆区域识别出来，根据边缘检测结果，得到目标区域在长度方向的像素点数量d，在宽度方向的像素点数量e，区域的总像素点数量M，根据图像的空间分辨率D，得到目标区域的长X，宽K，面积C：

X＝D×d；K＝D×e；

C＝M×D²；X/K＝d/e；

只有目标区域的特征满足X∈[2.6，18]，K∈[1.5，2.5]，X/K∈[1.7,7.2]，C∈[3.9,45]时，才能判断此区域是车辆区域，对不符合要求的区域，将其所有像素点的灰度设定为0，最后得到的灰度为255的区域，即为车辆提取的结果。

Images