CN114332650B - 一种遥感图像道路识别方法及系统 - Google Patents
一种遥感图像道路识别方法及系统 Download PDFInfo
- Publication number
- CN114332650B CN114332650B CN202210221862.1A CN202210221862A CN114332650B CN 114332650 B CN114332650 B CN 114332650B CN 202210221862 A CN202210221862 A CN 202210221862A CN 114332650 B CN114332650 B CN 114332650B
- Authority
- CN
- China
- Prior art keywords
- road
- connected domain
- edge
- segmentation
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000011218 segmentation Effects 0.000 claims abstract description 92
- 238000012937 correction Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种遥感图像道路识别方法及系统,包括:获取道路图像;对道路灰度图进行连通域分析,得到道路连通域;根据各关键点及其邻域像素的梯度方向和各关键点及其邻近像素到道路边缘的欧式距离,对道路连通域的支路进行分割,得到初次分割后的道路连通域;根据初次分割后道路连通域的长轴及短轴方向的方差和边缘规则程度计算初次分割后的道路连通域为非道路区域的概率;根据概率得到道路区域;根据像素点的修正概率及标签号对存在遮挡的道路区域进行修正,得到细分割后的道路区域;根据细分割后的道路区域对道路进行识别。本发明用于图像道路识别,通过上述方法可提高图像道路识别的准确度。
Description
技术领域
本发明涉及图像识别技术领域,具体涉及一种遥感图像道路识别方法及系统。
背景技术
地物是指地面上各种有形物(如道路、山川、森林、建筑物等)和无形物(如省、县界等)的总称。为了满足人们生活及城市发展等各方面研究的需求,需要对道路、山川、森林、建筑物等地物进行识别。随着遥感卫星技术的快速发展以及遥感卫星影像分辨率的不断提高,利用遥感卫星影像进行地物识别一直是重要的研究。原始遥感图像的尺寸较大,并且由于遥感图像中地物的多样性以及复杂性,在进行地物识别之前需要将原始图像裁剪为合适尺寸的地物图像,也就是先进行分割。
现有的分割方法是人工方式和自动分割两种,其中人工方式是需要通过人的经验,人为地将原始图像中的不同地物框选出来;自动分割方式是对遥感图像进行处理实现自动分割。
然而,由于遥感图像尺寸过大,图像中的地物过多,人为分割道路的准确度会受到主观影响;自动分割中会存在过分割和欠分割的误差,降低道路识别的准确度。
发明内容
本发明的目的是提供一种遥感图像道路识别方法及系统,解决图像识别中过分割和欠分割问题,有效提高道路识别准确度。
为了解决上述技术问题,本发明提供了一种遥感图像道路识别方法,包括:
对获取的遥感图像进行语义分割,得到道路图像;
利用连通域分析算法对道路图像灰度图中的像素点进行连通域分析,得到所有疑似道路连通域;
获取各个疑似道路连通域中的多个特征点作为关键点,利用各关键点及其邻近像素点到其疑似道路连通域的道路边缘方向的欧式距离,对各个疑似道路连通域中的支路进行分割,得到所有初次分割后道路连通域;
利用PCA算法获取所有初次分割后道路连通域的主成分方向,根据初次分割后道路连通域的主成分方向中的最大特征值和最小特征值对应的主成分方向方差,获得各初次分割后道路连通域的长轴方向及短轴方向的方差;
根据初次分割后道路连通域的边缘点曲率和边缘点对之间的距离相对于道路宽度的差值,得到各初次分割后道路连通域的边缘规则程度;
利用各初次分割后道路连通域的长轴方向及短轴方向的方差和边缘规则程度计算得到各初次分割后道路连通域为非道路区域的概率;
根据初次分割后道路连通域为非道路区域的概率对非道路连通域进行剔除,得到道路区域;
根据道路区域中像素点的修正概率及标签号对存在遮挡的道路区域进行修正,得到细分割后的道路区域;
根据细分割后的道路区域对道路进行识别。
作为本发明的进一步改进,得到道路图像具体包括以下步骤:
输入采集到的遥感RGB图像,使用训练好的DNN网络对遥感RGB图像进行语义分割,得到语义分割后的道路图像;
其中,DNN网络结构为Encoder-Decoder结构,训练数据集为各种包含道路的遥感RGB图像;训练数据集的标签分为道路和背景,训练用的loss函数为交叉熵损失函数。
作为本发明的进一步改进,到所有疑似道路连通域具体包括以下步骤:
对得到的道路图像灰度化处理,得到遥感灰度图像;
使用种子填充算法对遥感灰度图像中标签号为道路的像素点进行连通域分析,则每个连通域即为疑似道路连通域。
作为本发明的进一步改进,得到所有初次分割后道路连通域具体包括以下步骤:
对各个疑似道路连通域进行边缘检测,得到各个疑似道路连通域中所有像素点的梯度方向;
对各个疑似道路连通域进行角点检测,得到各个疑似道路连通域的特征关键点;
根据各特征关键点及其邻域内像素点的梯度方向得到各特征关键点的梯度方向直方图;
根据各特征关键点的梯度方向直方图中占比最大的两个梯度方向确定各个疑似道路连通域的两个道路边缘方向;
计算各特征关键点及其邻近像素点分别到两个道路边缘方向的欧式距离和的平均值,得到各特征关键点与两个道路边缘方向的距离;
根据各特征关键点与两个道路边缘方向的距离将各特征关键点分为道路交叉点和异常特征点;
将距离最近的道路交叉点划分为相同支路上的特征关键点,将相同支路上的特征关键点进行连线,对各个疑似道路连通域中的支路进行分割,得到所有初次分割后道路连通域。
作为本发明的进一步改进,得到各初次分割后道路连通域的长轴方向及短轴方向的方差具体包括以下步骤:
利用PCA算法获取所有初次分割后道路连通域的主成分方向;
获取特征值最大和最小的主成分方向;
将特征值最大的主成分方向作为各初次分割后的道路连通域的长轴方向,特征值最小的主成分方向作为各初次分割后的道路连通域的短轴方向;
根据长轴方向和短轴方向对应的主成分方向上的方差得到各初次分割后道路连通域的长轴方向及短轴方向的方差。
作为本发明的进一步改进,得到各初次分割后道路连通域的边缘规则程度具体包括以下步骤:
根据初次分割后的道路连通域的相邻边缘点的坐标计算边缘点曲率;
根据边缘点曲率的变化情况得到各初次分割后的道路连通域的边缘粗糙程度;
计算初次分割后的道路连通域的各边缘点与其对应梯度方向上的边缘点间的欧式距离,根据欧式距离得到各初次分割后的道路连通域的道路宽度;
计算初次分割后的道路连通域的所有边缘点对之间的距离相对于道路宽度的差值,根据差值得到各初次分割后的道路连通域的宽度差异程度;
根据边缘粗糙程度和宽度差异程度得到各初次分割后的道路连通域的边缘规则程度。
作为本发明的进一步改进,所述各初次分割后的道路连通域为非道路区域的概率的表达式如下:
式中,表示第i个初次分割后的道路连通域为非道路区域的概率,分别表示该连通域长轴方向及短轴方向的方差,表示该连通域第j个边缘点的曲率,表示该连通域第j+1个边缘点的曲率,为该连通域内边缘点的总数,表示第m个边缘点对之间的距离,表示该连通域所对应的道路宽度,表示边缘点对的总个数。
作为本发明的进一步改进,得到道路区域具体包括以下步骤:
设置阈值,对各初次分割后的道路连通域为非道路区域的概率进行判断;
其中,当初次分割后的道路连通域为非道路区域的概率大于阈值时,将该连通域进行剔除,剩下的初次分割后的道路连通域即为道路区域。
作为本发明的进一步改进,得到细分割后的道路区域包括以下步骤:
获取部分遮挡的道路区域;
利用最小二乘法对部分遮挡的道路区域的中间点进行曲线拟合,得到道路中轴线;
获取部分遮挡的道路区域的最大包围框;
根据部分遮挡的道路区域的道路宽度和像素点到道路中轴线的距离,计算得到最大包围框中各个像素点的修正概率;
根据各个像素点的修正概率及标签号对最大包围框中的所有像素点进行修正,得到各个完整边缘的道路区域;
将在同一长轴方向上的各个完整边缘的道路区域进行合并得到整条道路区域;
根据各个像素点的修正概率及标签号对整条道路区域中的所有像素点进行修正,得到细分割后的道路区域。
一种遥感图像道路识别系统,采用如上所述的一种遥感图像道路识别方法对道路图像进行识别。
本发明的有益效果:本发明在深度学习的分割基础上,根据物体的图像信息进行初次分割,结合物体的形状特征和边缘信息对初次分割结果进行修正,得到精细分割后的物体图像,根据物体图像进行地物识别,可有效提高地物识别的精度和准确度。
附图说明
图1是本发明实施例1提供的一种道路识别方法流程示意图;
图2为本发明实施例2提供的一种道路识别方法流程示意图;
图3为本发明实施例2提供的一种遥感图像示意图;
图4为本发明实施例2提供的一种目标道路分割图像示意图;
图5为本发明实施例2提供的一种实际分割图像示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
实施例1
本发明实施例提供一种遥感图像道路识别方法,如图1所示,包括:
S101、对获取的遥感图像进行语义分割,得到道路图像。
其中,遥感图像一般指遥感影像。遥感影像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。
S102、利用连通域分析算法对道路图像灰度图中的像素点进行连通域分析,得到所有疑似道路连通域。
其中,连通域分析是非常常见的图像处理操作。连通区域分析一般是针对二值图像,将具有相同像素值且相邻的像素找出来并标记。
S103、获取各个疑似道路连通域中的多个特征点作为关键点,利用各个疑似道路连通域中的关键点及其邻域内像素点的梯度方向和各关键点及其邻近像素点到其疑似道路边缘方向的欧式距离,对各个疑似道路连通域中的支路进行分割,得到所有初次分割后道路连通域。
其中,欧式距离是指在m维空间中两个点之间的真实距离,或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧式距离就是两点之间的实际距离。
S104、利用PCA算法获取所有初次分割后道路连通域的主成分方向,根据初次分割后道路连通域的主成分方向中的最大特征值和最小特征值对应的主成分方向获得各初次分割后道路连通域的长轴方向及短轴方向的方差。
其中, PCA算法是一种分析、简化数据集的技术,主成分分析经常用于降低数据集的维数,同时保持数据集中的对方差贡献最大的特征,然后它是一种有损压缩算法。
S105、根据初次分割后道路连通域的边缘点曲率和边缘点对之间的距离相对于道路宽度的差值,得到各初次分割后道路连通域的边缘规则程度。
其中,边缘规则程度是根据边缘粗糙程度和宽度差异程度得到。
S106、利用各初次分割后道路连通域的长轴方向及短轴方向的方差和边缘规则程度计算得到各初次分割后道路连通域为非道路区域的概率。
其中, 概率越大,被剔除的可能性越大。
S107、根据初次分割后道路连通域为非道路区域的概率对非道路连通域进行剔除,得到道路区域。
其中,将概率较大的连通域进行剔除。
S108、根据道路区域中像素点的修正概率及标签号对存在遮挡的道路区域进行修正,得到细分割后的道路区域。
其中,像素点的修正概率是根据道路区域的道路宽度和像素点到道路中轴线的距离得到。
S109、根据细分割后的道路区域对道路进行识别。
其中,根据细分割后的道路区域可有效提高道路识别的准确度。
本实施例的有益效果在于:
本实施例在深度学习的分割基础上,根据物体的图像信息进行初次分割,结合物体的形状特征和边缘信息对初次分割结果进行修正,得到精细分割后的物体图像,根据物体图像进行地物识别,可有效提高地物识别的精度和准确度。
实施例2
本发明的主要目的是:利用图像处理技术,通过处理遥感图像,对现有技术中的过分割以及欠分割现象进行修正,进而保证识别的准确性。
本发明实施例提供一种遥感图像道路识别方法,如图2所示,包括:
S201、对获取的遥感图像进行初步分割。
由于遥感图像中包含的数据源存在多样性,且图像特征更为复杂,即实际所得遥感图像中包含多种类型的其他物体,所以需要使用DNN来识别采集图像中的需要检测的道路,具体操作如下:
1)输入采集到的遥感RGB图像,使用DNN网络对其进行语义分割;
2)网络结构为Encoder-Decoder结构,数据集为各种包含道路的遥感RGB图像;
3)标签分为两类,道路和背景。该方式为像素级分类,即需要给图像中所有像素标注上对应的标签。属于道路的像素,其值标注为1;属于背景的像素,其值标注为0;
4)网络所用的loss函数为交叉熵损失函数。
至此,得到语义分割后的道路图像。
由于现有的分割技术多是基于物体的光谱信息进行分割的,但是受到分辨率的影响,所得图像中容易出现“同物异谱”以及“异物同谱”的现象,即同一物体可能存在多种光谱以及不同物体存在相同的光谱信息的现象。如图3所示为遥感图像,图4所示为目标道路分割图像,图5所示为实际分割图像。因此可能会将实际上应该属于目标物的像素点分割成背景像素,即过分割;或将不是目标物的背景像素分割成目标物像素,即欠分割;因此需要对语义分割结果进行修正。简单来说,本来就属于这个物体的,不需要分割的,分割成别的了就是过分割,需要分割的,没分割开,就是欠分割。
S202、获取道路连通域。
图像灰度化处理,得到遥感灰度图像;使用种子填充算法对遥感灰度图像中标签号为1的像素点进行连通域分析,则每个连通域即为道路目标物体。
S203、对道路的各条支路进行划分。
1.由于遥感图像是从道路上空拍摄所得,所得道路范围较广且存在分支状态,因此为了保证对各条分支道路像素点判断的准确性,需要对所得道路边缘再次进行划分,对各个连通域作如下处理:
1)使用Canny算子对各个连通域进行边缘检测,所得梯度边缘即为道路的边缘,由此得到道路边缘图像;
2)使用SIFT算子对连通域进行角点检测,得到多个特征点;
3)计算以关键点为中心,10个像素长度为半径的邻域内所有点的梯度方向,得到该点的梯度方向直方图。由于此时分析的是梯度图像,因此梯度方向直方图中主要存在两个梯度方向,其中占比最大的两个方向即为主路与支路边缘像素点的梯度方向,则分别垂直于这两个梯度方向的方向,再结合梯度图像中像素点的分布,即可确定道路边缘方向;
4)由于正常分支关键点为两条道路的交叉处,且遥感图像拍摄位置距离地面高度较大,因而该特征点的小范围内两个方向的边缘变化程度较小(趋于0),而树木对道路的遮挡所形成的特征点两侧边缘变化程度较大,因此分别计算两个道路边缘方向上,以该特征点为起点的10个像素点到这两个方向的欧式距离和的平均值,分别记为;
2.将距离最近的道路交叉点划分为一组(存在多个最近特征点时,相邻特征点为一组),认为其为相同支路形成的特征点;
3.以每组特征点的连线为分割线,将整个道路的各条支路进行了划分。
S204、非道路区域剔除。
受分辨率的影响,识别结果中会出现周边具有相似特征的非道路区域也被识别成了道路图像,因此需要对该类型位置进行剔除。
由于道路区域接近长形,宽度是一致的,且边缘较为平滑;由于非道路区域难以同时满足上述条件,因此可以结合这三个方面对欠分割位置进行区分。
本模块的具体过程如下:
1.由于道路一般为长形区域,因此利用PCA算法根据连通域边缘点坐标获得连通域的主成分方向,由于每个数据都是二维的,因此可获得两个主成分方向,每个主成分方向都是一个二维的单位向量,每个主成分方向对应一个特征值;本实施例获取特征值最大的主成分方向为第一主成分方向,表示这些数据投影方差最大的方向,对应连通域的长轴方向;获取特征值最小的主成分方向为第二主成分方向,表示这些数据投影方差最小的方向,对应连通域的短轴方向,这个两个主成分方向上的方差分别记为;因此两个方向上方差的差异程度越小,该连通域存在误差的可能性越高。
2.但是也不排除有环形道路,即上述结果可能存在偏差;而人工建设的道路边缘光滑且宽度一致,因此还需要结合边缘规则程度对连通域存在误差的可能性进行修正,因此:
2)统计各个连通域中各边缘点与在其梯度方向上的边缘点之间的欧式距离及所对应的个数,所得结果中的众数即为该段道路实际宽度在图像中所对应的距离,记录每个连通域的道路宽度,其中第个连通域所对应的道路宽度为;
其中,表示第i个初次分割后的道路连通域为非道路区域的概率,分别表示该连通域长轴方向及短轴方向的方差,表示该连通域第j个边缘点的曲率,表示该连通域第j+1个边缘点的曲率,为该连通域内边缘点的总数,表示第m个边缘点对之间的距离,表示该连通域所对应的道路宽度,表示边缘点对的总个数,表示边缘粗糙程度,为该连通域的宽度差异程度,表示边缘规则程度。
S205、对每段道路内部进行过分割修正。
由于异常特征点为遮挡形成可能性较大,因此需要对存在的异常特征点的连通域进行处理。
其中,为第t个像素点到曲线的距离,表示第j个连通域的道路宽度,当时,表示该像素点在道路宽度范围内,但是该像素点的标签号为0时,即此时道路区域中的像素点标记为了背景像素点,需要将其标签号修正为1;当时,表示该像素点不在道路宽度范围内,但是该像素点的标签号为1,即此时将不属于道路区域中的像素点标记为了道路像素点,需要将其标签号修正为0;
至此每段道路两端均为矩形边。
S206、对整体道路进行过分割修正。
由于S205中只解决了道路被部分遮挡的情况,当一段区域被完全遮挡时,同一条道路被分割成了多个连通区域,因此还需要对其进行区域融合。
本步骤的具体过程如下:
1.获取S205中修正完成后的各个连通域的中心点坐标;
2.将在第k个连通域的长轴方向上,与第k个连通域相邻的连通域划分为一组,认为其为同一条道路分割成的连通域;
3.按照S205中的操作,再次对像素点标签号进行修正;
4.根据修正后的道路图像进行识别。
本实施例的有益效果在于:
本实施例在深度学习的分割基础上,根据物体的图像信息进行初次分割,结合物体的形状特征和边缘信息对初次分割结果进行修正,得到精细分割后的物体图像,根据物体图像进行地物识别,可有效提高地物识别的精度和准确度。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (9)
1.一种遥感图像道路识别方法,其特征在于,包括:
对获取的遥感图像进行语义分割,得到道路图像;
利用连通域分析算法对道路图像灰度图中的像素点进行连通域分析,得到所有疑似道路连通域;
获取各个疑似道路连通域中的多个特征点作为关键点,利用各关键点及其邻近像素点到其疑似道路连通域的道路边缘方向的欧式距离,对各个疑似道路连通域中的支路进行分割,得到所有初次分割后道路连通域;
利用PCA算法获取所有初次分割后道路连通域的主成分方向,根据初次分割后道路连通域的主成分方向中的最大特征值和最小特征值对应的主成分方向方差,获得各初次分割后道路连通域的长轴方向及短轴方向的方差;
根据初次分割后道路连通域的边缘点曲率和边缘点对之间的距离相对于道路宽度的差值,得到各初次分割后道路连通域的边缘规则程度;
利用各初次分割后道路连通域的长轴方向及短轴方向的方差和边缘规则程度计算得到各初次分割后道路连通域为非道路区域的概率;
根据初次分割后道路连通域为非道路区域的概率对非道路连通域进行剔除,得到道路区域;
根据道路区域中像素点的修正概率及标签号对存在遮挡的道路区域进行修正,得到细分割后的道路区域;
根据细分割后的道路区域对道路进行识别;
其中,得到所有疑似道路连通域具体包括以下步骤:
对得到的道路图像灰度化处理,得到遥感灰度图像;
使用种子填充算法对遥感灰度图像中标签号为道路的像素点进行连通域分析,则每个连通域即为疑似道路连通域。
2.如权利要求1所述的一种遥感图像道路识别方法,其特征在于,得到道路图像具体包括以下步骤:
输入采集到的遥感RGB图像,使用训练好的DNN网络对遥感RGB图像进行语义分割,得到语义分割后的道路图像;
其中,DNN网络结构为Encoder-Decoder结构,训练数据集为各种包含道路的遥感RGB图像;训练数据集的标签分为道路和背景,训练用的loss函数为交叉熵损失函数。
3.如权利要求1所述的一种遥感图像道路识别方法,其特征在于,得到所有初次分割后道路连通域具体包括以下步骤:
对各个疑似道路连通域进行边缘检测,得到各个疑似道路连通域中所有像素点的梯度方向;
对各个疑似道路连通域进行角点检测,得到各个疑似道路连通域的特征关键点;
根据各特征关键点及其邻域内像素点的梯度方向得到各特征关键点的梯度方向直方图;
根据各特征关键点的梯度方向直方图中占比最大的两个梯度方向确定各个疑似道路连通域的两个道路边缘方向;
计算各特征关键点及其邻近像素点分别到两个道路边缘方向的欧式距离和的平均值,得到各特征关键点与两个道路边缘方向的距离;
根据各特征关键点与两个道路边缘方向的距离将各特征关键点分为道路交叉点和异常特征点;
将距离最近的道路交叉点划分为相同支路上的特征关键点,将相同支路上的特征关键点进行连线,对各个疑似道路连通域中的支路进行分割,得到所有初次分割后道路连通域。
4.如权利要求1所述的一种遥感图像道路识别方法,其特征在于,得到各初次分割后道路连通域的长轴方向及短轴方向的方差具体包括以下步骤:
利用PCA算法获取所有初次分割后道路连通域的主成分方向;
获取特征值最大和最小的主成分方向;
将特征值最大的主成分方向作为各初次分割后的道路连通域的长轴方向,特征值最小的主成分方向作为各初次分割后的道路连通域的短轴方向;
根据长轴方向和短轴方向对应的主成分方向上的方差得到各初次分割后道路连通域的长轴方向及短轴方向的方差。
5.如权利要求1所述的一种遥感图像道路识别方法,其特征在于,得到各初次分割后道路连通域的边缘规则程度具体包括以下步骤:
根据初次分割后的道路连通域的相邻边缘点的坐标计算边缘点曲率;
根据边缘点曲率的变化情况得到各初次分割后的道路连通域的边缘粗糙程度;
计算初次分割后的道路连通域的各边缘点与其对应梯度方向上的边缘点间的欧式距离,根据欧式距离得到各初次分割后的道路连通域的道路宽度;
计算初次分割后的道路连通域的所有边缘点对之间的距离相对于道路宽度的差值,根据差值得到各初次分割后的道路连通域的宽度差异程度;
根据边缘粗糙程度和宽度差异程度得到各初次分割后的道路连通域的边缘规则程度。
7.如权利要求1所述的一种遥感图像道路识别方法,其特征在于,得到道路区域具体包括以下步骤:
设置阈值,对各初次分割后的道路连通域为非道路区域的概率进行判断;
其中,当初次分割后的道路连通域为非道路区域的概率大于阈值时,将该连通域进行剔除,剩下的初次分割后的道路连通域即为道路区域。
8.如权利要求1所述的一种遥感图像道路识别方法,其特征在于,得到细分割后的道路区域包括以下步骤:
获取部分遮挡的道路区域;
利用最小二乘法对部分遮挡的道路区域的中间点进行曲线拟合,得到道路中轴线;
获取部分遮挡的道路区域的最大包围框;
根据部分遮挡的道路区域的道路宽度和像素点到道路中轴线的距离,计算得到最大包围框中各个像素点的修正概率;
根据各个像素点的修正概率及标签号对最大包围框中的所有像素点进行修正,得到各个完整边缘的道路区域;
将在同一长轴方向上的各个完整边缘的道路区域进行合并得到整条道路区域;
根据各个像素点的修正概率及标签号对整条道路区域中的所有像素点进行修正,得到细分割后的道路区域。
9.一种遥感图像道路识别系统,其特征在于,采用如权利要求1-8中任一项所述的一种遥感图像道路识别方法对道路图像进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210221862.1A CN114332650B (zh) | 2022-03-09 | 2022-03-09 | 一种遥感图像道路识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210221862.1A CN114332650B (zh) | 2022-03-09 | 2022-03-09 | 一种遥感图像道路识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114332650A CN114332650A (zh) | 2022-04-12 |
CN114332650B true CN114332650B (zh) | 2022-05-31 |
Family
ID=81033607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210221862.1A Active CN114332650B (zh) | 2022-03-09 | 2022-03-09 | 一种遥感图像道路识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114332650B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115393813B (zh) * | 2022-08-18 | 2023-05-02 | 中国人民公安大学 | 基于遥感图像的道路识别方法、装置、设备及存储介质 |
CN115810020B (zh) * | 2022-12-02 | 2023-06-02 | 中国科学院空间应用工程与技术中心 | 一种基于语义引导的由粗到细的遥感图像分割方法及系统 |
CN116012728A (zh) * | 2023-02-07 | 2023-04-25 | 北京交通大学 | 应用于无人机巡检的轨道线路识别跟踪方法及系统 |
CN116188496B (zh) * | 2023-04-25 | 2023-07-07 | 牧马人(山东)勘察测绘集团有限公司 | 基于土地利用类型的遥感影像自适应分割方法 |
CN117333504B (zh) * | 2023-12-01 | 2024-03-01 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 一种复杂地形遥感图像精准分割方法 |
CN117853825B (zh) * | 2024-03-07 | 2024-05-28 | 大连傲盈科技有限公司 | 一种公路施工状态监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229270A (zh) * | 2017-01-12 | 2018-06-29 | 北京市商汤科技开发有限公司 | 用于从遥感图像中识别道路的方法、装置和电子设备 |
CN109583345A (zh) * | 2018-11-21 | 2019-04-05 | 平安科技(深圳)有限公司 | 道路识别方法、装置、计算机装置及计算机可读存储介质 |
CN112396612A (zh) * | 2020-11-16 | 2021-02-23 | 自然资源部国土卫星遥感应用中心 | 一种矢量信息辅助的遥感影像道路信息自动提取方法 |
-
2022
- 2022-03-09 CN CN202210221862.1A patent/CN114332650B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229270A (zh) * | 2017-01-12 | 2018-06-29 | 北京市商汤科技开发有限公司 | 用于从遥感图像中识别道路的方法、装置和电子设备 |
CN109583345A (zh) * | 2018-11-21 | 2019-04-05 | 平安科技(深圳)有限公司 | 道路识别方法、装置、计算机装置及计算机可读存储介质 |
CN112396612A (zh) * | 2020-11-16 | 2021-02-23 | 自然资源部国土卫星遥感应用中心 | 一种矢量信息辅助的遥感影像道路信息自动提取方法 |
Non-Patent Citations (1)
Title |
---|
改进的Hough变换在复杂场景下高分辨率遥感影像道路提取;安丽;《测绘与空间地理信息》;20180331;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114332650A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114332650B (zh) | 一种遥感图像道路识别方法及系统 | |
CN108596166B (zh) | 一种基于卷积神经网络分类的集装箱箱号识别方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN110866430B (zh) | 一种车牌识别方法及装置 | |
CN107665351B (zh) | 基于难样本挖掘的机场检测方法 | |
EP2500864B1 (en) | Irradiation field recognition | |
CN106203539B (zh) | 识别集装箱箱号的方法和装置 | |
US20120213440A1 (en) | Systems and Methods for Automatically Identifying Shadows in Images | |
EP2733666B1 (en) | Method for superpixel life cycle management | |
CN113095263B (zh) | 遮挡下行人重识别模型训练方法、装置及遮挡下行人重识别方法、装置 | |
CN114004858B (zh) | 基于机器视觉识别航空线缆表面编码的方法及装置 | |
CN116310826B (zh) | 一种基于图神经网络的高分遥感影像林地二级分类方法 | |
CN112580383A (zh) | 二维码识别方法、装置、电子设备及存储介质 | |
CN113160185A (zh) | 一种利用生成边界位置指导宫颈细胞分割的方法 | |
CN116091937A (zh) | 基于深度学习的高分辨率遥感影像地物识别模型计算方法 | |
CN114359286A (zh) | 一种基于人工智能的绝缘子缺陷识别方法、设备及介质 | |
CN111666953B (zh) | 一种基于语义分割的潮汐带测绘方法及设备 | |
CN117218672A (zh) | 一种基于深度学习的病案文字识别方法及系统 | |
CN116258864B (zh) | 一种村庄规划建设大数据管理系统 | |
CN116704490A (zh) | 车牌识别方法、装置和计算机设备 | |
CN114119634B (zh) | 结合植被剔除和图像特征一致性约束的建筑物自动提取方法及系统 | |
CN116052020A (zh) | 基于无人机的图像快速解译方法 | |
CN115761223A (zh) | 一种利用数据合成的遥感影像实例分割方法 | |
Sebastian et al. | Significant full reference image segmentation evaluation: a survey in remote sensing field | |
CN115100457A (zh) | 一种联合深度学习与cfar的sar图像目标检测方法 |
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 |