CN114862889A - 基于遥感图像的道路边缘提取方法和装置 - Google Patents

基于遥感图像的道路边缘提取方法和装置 Download PDF

Info

Publication number
CN114862889A
CN114862889A CN202210483668.0A CN202210483668A CN114862889A CN 114862889 A CN114862889 A CN 114862889A CN 202210483668 A CN202210483668 A CN 202210483668A CN 114862889 A CN114862889 A CN 114862889A
Authority
CN
China
Prior art keywords
image
pixel
remote sensing
noise
edge 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.)
Pending
Application number
CN202210483668.0A
Other languages
English (en)
Inventor
袁胜古
郭榕刚
任昊冬
李淑君
李丽
罗伦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guojiao Space Information Technology Beijing Co ltd
Original Assignee
Guojiao Space Information Technology Beijing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guojiao Space Information Technology Beijing Co ltd filed Critical Guojiao Space Information Technology Beijing Co ltd
Priority to CN202210483668.0A priority Critical patent/CN114862889A/zh
Publication of CN114862889A publication Critical patent/CN114862889A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T7/90—Determination of colour characteristics
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种基于遥感图像的道路边缘提取方法和装置，所述方法包括：获取目标遥感图像，所述目标遥感图像为包括道路的遥感图像，对所述目标遥感图像进行预处理，将所述目标遥感图像中的道路和背景进行初步分割，生成分割图像；对所述分割图像进行噪声粗剔除，并对噪声粗剔除后的分割图像进行逐像元判断和标记道路边缘与背景区域，提取道路边缘，生成边缘提取图像；根据预设的包括多个尺度的噪声像元捕捉滑动窗口，捕捉并剔除所述边缘提取图像中的斑块噪声，生成优化边缘提取图像。以此方式，能够在有效提取高分辨率遥感图像道路边缘的基础上，剔除图像中不同大小的斑块噪声，实现道路边缘提取及优化。

Description

基于遥感图像的道路边缘提取方法和装置
技术领域
本公开的实施例一般涉及遥感图像处理数据预处理技术领域，并且更具体地，涉及基于遥感图像的道路边缘提取方法和装置。
背景技术
随着高分辨率遥感探测技术的快速发展，高分辨率影像已实现既能满足大范围地物探测的任务需求，又能提供更加清晰的地物形状、丰富的纹理信息以及精准的空间分布，因此在实施城市基础设施监测，尤其是在我国城市智能交通、数字化地图等智慧城市建设中发挥着重要作用。道路边缘提取是城市道路数字化建设的重要基础，然而，传统的人工道路矢量化方法会耗费巨大的人力、物力和财力资源，因此基于高分辨率影像的道路边缘自动提取技术成为了研究热点之一。
目前，基于图像处理的边缘检测技术仍是面向高分辨率遥感图像目标边缘检测的最便捷且高效的方法之一，能够根据待检测对象的纹理、形状及灰度特征针对性的设计特征提取算子，能够自动、高效地实施高分辨率遥感图像全域的道路边缘提取。传统的边缘检测算法如sobel算子、roberts算子、canny算子等在实际生产中已得到了广泛的应用，此类方法主要通过直方图均衡化、二值化等预处理方法进行图像分割，利用空域滤波实施图像降噪，之后利用边缘检测算子进行道路边缘检测。
虽然高分辨率遥感图像能够提供丰富的道路形状、纹理、灰度等信息，但同时也包含大量其他地物信息(如建筑、车辆、树木、阴影等)，传统的边缘检测算法同样会对非道路地物进行边缘提取，导致信息冗余，产生大量形态各异的噪声，而传统的空域滤波降噪方法仅对像素级噪声(如椒盐噪声)有良好的效果，但无法对由非道路地物形成的大面积斑块噪声进行剔除。因此，针对高分辨率遥感图像的道路边缘自动化提取与降噪优化成为了难题。
发明内容
根据本公开的实施例，提供了一种能够同时实施道路边缘提取和多尺度噪声去除的像元捕捉模型，并建立了一套完整的基于高分辨率遥感图像道路边缘提取方法。该方法能够在有效提取高分辨率遥感图像道路边缘的基础上，剔除图像中不同大小的斑块噪声，实现道路边缘提取及优化。
在本公开的第一方面，提供一种基于遥感图像的道路边缘提取方法，包括：
获取目标遥感图像，所述目标遥感图像为包括道路的遥感图像，对所述目标遥感图像进行预处理，将所述目标遥感图像中的道路和背景进行初步分割，生成分割图像；
对所述分割图像进行噪声粗剔除，并对噪声粗剔除后的分割图像进行逐像元判断和标记道路边缘与背景区域，提取道路边缘，生成边缘提取图像；
根据预设的包括多个尺度的噪声像元捕捉滑动窗口，捕捉并剔除所述边缘提取图像中的斑块噪声，生成优化边缘提取图像。
在一些实施例中，所述对所述目标遥感图像进行预处理，包括：
采用加权平均法对所述目标遥感图像进行灰度化处理，具体包括：
对于包括红、绿、蓝三通道的真彩色目标遥感图像，对红、绿、蓝三个波段进行赋权，通过加权平均法计算图像灰度值，加权平均法的计算公式如下：
g＝0.3R+0.59G+0.11B
其中，g为灰度图像灰度值；R为原图像红色波段灰度值；G为原图像绿色波段灰度值；B为原图像蓝色波段灰度值。
在一些实施例中，所述对所述目标遥感图像进行预处理，还包括：
采用灰度变换增强方法，对灰度图像进行分段线性变换，分段线性变换函数的公式如下：
Figure BDA0003628504540000031
其中，x1和x2是待增强的灰度值范围，y1和y2参数决定线性变换的斜率，x是变换前灰度图像的像素点的像素值，f(x)是变换后灰度图像的像素点的像素值。
在一些实施例中，所述对所述目标遥感图像进行预处理，还包括：
对灰度变换增强后的灰度图像进行二值化阈值分割，二值化阈值分割的公式如下：
Figure BDA0003628504540000032
其中，I为分割阈值。
在一些实施例中，所述对所述分割图像进行噪声粗剔除，包括：
依次采用形态腐蚀和形态膨胀对所述分割图像进行噪声粗剔除，其中，所述形态腐蚀包括：
采用“5×5”的模板作为腐蚀基元，通过腐蚀基元在分割图像中滑动，对包含所述腐蚀基元的图像区域进行腐蚀运算，腐蚀运算公式如下：
Figure BDA0003628504540000041
其中，A为分割图像中的像元集合，B为腐蚀基元中的像元集合，a为集合A中的元素；b为集合B中的元素；
所述形态膨胀包括：
采用“5×5”的模板作为膨胀基元，通过膨胀基元在分割图像中滑动，对包含所述膨胀基元的图像区域进行膨胀运算，膨胀运算公式如下：
Figure BDA0003628504540000042
其中，A为分割图像中的像元集合，c为膨胀基元中的像元集合，a为集合A中的元素；c为集合C中的元素。
在一些实施例中，所述对噪声粗剔除后的分割图像进行逐像元判断和标记道路边缘与背景区域，提取道路边缘，生成边缘提取图像，包括：
以包含N2个像元的方形模板的中心像元为基准点，依次匹配分割图像中的各个像元，统计所述方形模板中满足预设条件的像元个数P，响应于P小于预设阈值时，将所述方形模板的中心像元对应的分割图像中的像元标记为被捕捉对象，响应与P大于预设阈值时，不对所述方形模板的中心像元对应的分割图像中的像元进行标记，将被捕捉对象的像素值设置为255，将不进行捕捉对象的像素值设置为0，实现对分割图像中道路边缘像元和背景区域像元的捕捉，将完成像元捕捉的图像与所述分割图像进行叠加并去掉背景区域，提取道路边缘，生成边缘提取图像。
在一些实施例中，所述根据预设的包括多个尺度的噪声像元捕捉滑动窗口，捕捉并剔除所述边缘提取图像中的斑块噪声，生成优化边缘提取图像，包括：
对于每个尺度的噪声像元捕捉滑动窗口，以当前噪声像元捕捉滑动窗口的中心像元为基准点在边缘提取图像中进行平行滑动，判断所述当前噪声像元捕捉滑动窗口的边缘上对应的像元位置处是否存在目标像元，响应于存在目标像元，继续移动当前噪声像元捕捉滑动窗口，响应于不存在目标像元，将当前噪声像元捕捉滑动窗口覆盖区域内的像元标记为噪点；
利用多个噪声像元捕捉滑动窗口对所述边缘提取图像进行平行滑动遍历，标记处全部的噪点并删除，生成优化边缘提取图像。
在本公开的第二方面，提供一种基于遥感图像的道路边缘提取装置，包括：
遥感图像获取模块，用于获取目标遥感图像，所述目标遥感图像为包括道路的遥感图像，对所述目标遥感图像进行预处理，将所述目标遥感图像中的道路和背景进行初步分割，生成分割图像；
边缘提取图像生成模块，用于对所述分割图像进行噪声粗剔除，并对噪声粗剔除后的分割图像进行逐像元判断和标记道路边缘与背景区域，提取道路边缘，生成边缘提取图像；
边缘提取图像优化模块，用于根据预设的包括多个尺度的噪声像元捕捉滑动窗口，捕捉并剔除所述边缘提取图像中的斑块噪声，生成优化边缘提取图像。
在本公开的第三方面，提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如以上所述的方法。
通过本公开的基于遥感图像的道路边缘提取方法，能够在有效提取高分辨率遥感图像道路边缘的基础上，剔除图像中不同大小的斑块噪声，实现道路边缘提取及优化。
发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了本公开实施例一的基于遥感图像的道路边缘提取方法的流程图；
图2示出了本公开实施例二的基于遥感图像的道路边缘提取装置的结构示意图；
图3示出了本公开实施例三的基于遥感图像的道路边缘提取设备的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本公开实施例的基于遥感图像的道路边缘提取方法，能够在有效提取高分辨率遥感图像道路边缘的基础上，剔除图像中不同大小的斑块噪声，实现道路边缘提取及优化。
具体地，如图1所示，为本公开实施例一的基于遥感图像的道路边缘提取方法的流程图。在本实施例中，所述基于遥感图像的道路边缘提取方法，可以包括以下步骤：
S101：获取目标遥感图像，所述目标遥感图像为包括道路的遥感图像，对所述目标遥感图像进行预处理，将所述目标遥感图像中的道路和背景进行初步分割，生成分割图像。
本公开实施例的基于遥感图像的道路边缘提取方法，可以用于对高分辨率遥感图像上的道路边缘进行提取，以从高分辨率的遥感图像上准确地识别出道路。具体地，首先需要获取需要识别的目标遥感图像，其中，所述目标遥感图像为包括道路信息的遥感图像。对所述目标遥感图像进行预处理，将所述目标遥感图像中的道路和背景进行初步分割，生成分割图像。
在本实施例中，对所述目标遥感图像进行预处理，包括：采用加权平均法对所述目标遥感图像进行灰度化处理，采用灰度变换增强方法，对灰度图像进行分段线性变换，以及，对灰度变换增强后的灰度图像进行二值化阈值分割。
其中，采用加权平均法对所述目标遥感图像进行灰度化处理，包括：
对于包括红、绿、蓝三通道的真彩色目标遥感图像，对红、绿、蓝三个波段进行赋权，通过加权平均法计算图像灰度值，加权平均法的计算公式如下：
g＝0.3R+0.59G+0.11B
其中，g为灰度图像灰度值；R为原图像红色波段灰度值；G为原图像绿色波段灰度值；B为原图像蓝色波段灰度值。
并且，0.3、0.59和0.11这些权重系数是基于人眼视觉系统对绿色的敏感最高，对蓝色的敏感最低的特点对红、绿、蓝三个波段进行赋权得到的。
对图像进行灰度化处理后，图像中道路与周围的地物颜色差异较小，影响图像分割的精度。因此，为了增强道路与周围地物的对比度，可以采用灰度变换增强方法，通过对图像灰度进行分段线性变换，提高原始图像道路区域灰度部分，同时抑制道路周围地物的灰度部分，以增强原始图像道路区域与周围地物的反差。
采用灰度变换增强方法，对灰度图像进行分段线性变换，分段线性变换函数的公式如下：
Figure BDA0003628504540000081
其中，x1和x2是待增强的灰度值范围，y1和y2参数决定线性变换的斜率，x是变换前灰度图像的像素点的像素值，f(x)是变换后灰度图像的像素点的像素值。
对灰度变换增强后的灰度图像进行二值化阈值分割，生成分割图像。二值化阈值分割的公式如下：
Figure BDA0003628504540000091
其中，I为分割阈值。
S102：对所述分割图像进行噪声粗剔除，并对噪声粗剔除后的分割图像进行逐像元判断和标记道路边缘与背景区域，提取道路边缘，生成边缘提取图像。
在本实施例中，当对灰度变换增强后的灰度图像进行二值化阈值分割，生成分割图像，针对生成的分割图像，可以进行逐像元判断和标记道路边缘与背景区域，提取道路边缘，生成边缘提取图像。
具体地，依次采用形态腐蚀和形态膨胀对所述分割图像进行噪声粗剔除，其中，所述形态腐蚀包括：
采用“5×5”的模板作为腐蚀基元，通过腐蚀基元在分割图像中滑动，对包含所述腐蚀基元的图像区域进行腐蚀运算，腐蚀运算公式如下：
Figure BDA0003628504540000092
其中，A为分割图像中的像元集合，B为腐蚀基元中的像元集合，a为集合A中的元素；b为集合B中的元素。
对于分割图像，以腐蚀基元为基本单元从图像左上角开始滑动，依次遍历分割图像的每个像元，并当腐蚀基元对应各像元位置全部包含在目标区域内部时，保留分割图像上与腐蚀基元的中心基元对应的像元，去除其他像元，实现形态腐蚀。
所述形态膨胀包括：
采用“5×5”的模板作为膨胀基元，通过膨胀基元在分割图像中滑动，对包含所述膨胀基元的图像区域进行膨胀运算，膨胀运算公式如下：
Figure BDA0003628504540000101
其中，A为分割图像中的像元集合，c为膨胀基元中的像元集合，a为集合A中的元素；c为集合C中的元素。
通过形态膨胀还原道路宽度信息，同时填补腐蚀过程形成的大面积空洞，采用与腐蚀模板尺度相同的“5×5”模板作为膨胀基元进行膨胀操作，以恢复道路信息。对于分割图像，以膨胀基元为基本单元从图像左上角开始滑动，依次遍历分割图像的每个像元，当膨胀基元存在某像元与分割图像中的像元重叠时，将膨胀基元的全部像元补充至分割图像上对应的像元，实现膨胀。
在完成对分割图像的腐蚀和膨胀后，以包含N2个像元的方形模板的中心像元为基准点，依次匹配分割图像中的各个像元，统计所述方形模板中满足预设条件的像元个数P，响应于P小于预设阈值时，将所述方形模板的中心像元对应的分割图像中的像元标记为被捕捉对象，响应与P大于预设阈值时，不对所述方形模板的中心像元对应的分割图像中的像元进行标记，将被捕捉对象的像素值设置为255，将不进行捕捉对象的像素值设置为0，实现对分割图像中道路边缘像元和背景区域像元的捕捉，将完成像元捕捉的图像与所述分割图像进行叠加并去掉背景区域，提取道路边缘，生成边缘提取图像。
以“3×3”模板为例描述道路边缘与背景的捕捉过程，将阈值T设置为7，对图像进行逐像元统计。
在原始图像中，背景像元灰度值为“0”，目标对象的像元灰度值为“255”。应用“3×3”捕捉模板对原图像进行滑动计算，逐像元统计捕捉模板中像元灰度值为“255”的像元个数P。当P≤T时，将像元作为被捕捉对象进行标记；当P>T时，不进行捕捉。完成对原图像全图道路边缘与背景像元捕捉后，在相同大小空白图像的被标记像元位置上赋值“255”，以“0”赋值未被标记像元，得到新图像。最后，将原图像与新图像进行叠加运算，即新图像与灰度值翻转后的原图像(像素翻转：道路像元由“255”变为“0”，背景像元由“0”变为“255”)对应像元灰度值相减，此时新图像中像素值为“255”的像元即为道路边缘。
S103：根据预设的包括多个尺度的噪声像元捕捉滑动窗口，捕捉并剔除所述边缘提取图像中的斑块噪声，生成优化边缘提取图像。
采用边缘包含不同像元点数的方形模板，对分割图像中道路边缘像元和背景区域像元进行捕捉，通过进行多次叠加捕捉并剔除所述边缘提取图像中的斑块噪声，生成优化边缘提取图像。
具体地，对于每个尺度的噪声像元捕捉滑动窗口，以当前噪声像元捕捉滑动窗口的中心像元为基准点在边缘提取图像中进行平行滑动，判断所述当前噪声像元捕捉滑动窗口的边缘上对应的像元位置处是否存在目标像元，响应于存在目标像元，继续移动当前噪声像元捕捉滑动窗口，响应于不存在目标像元，将当前噪声像元捕捉滑动窗口覆盖区域内的像元标记为噪点；利用多个噪声像元捕捉滑动窗口对所述边缘提取图像进行平行滑动遍历，标记处全部的噪点并删除，生成优化边缘提取图像。
在生成边缘提取图像后，由于道路中存在车辆及周边植被的影响，导致边缘提取图像中还存在部分面积较大的斑块噪声，经过边缘提取后斑块噪声亦被提取边缘，因此，需要对斑块噪声进行去除。为此，本公开实施例首先定义一个“N×N”的像元捕捉模板，以该模板的中心为基准点在目标图像中进行平滑，然后，在平滑过程中判断模板的“边框”是否与“目标”相重合，即判断模板“边框”像元中是否存在“目标”像元。当“边框”与“目标”重合时，说明目标与道路边缘或噪声边缘相交，则将模板移动至下一位置；若“边框”与“目标”相离，说明噪声对象包含在模板内部或模板内部没有任何对象，此时将模板覆盖区域像元进行标记，最后统一进行去除。由于道路边缘具有呈线状、范围广、连续性强等特点，因此本发明可保证模板移动至道路边缘部分时必然与道路边缘相交，而可以将噪声对象所包围，能够进行道路边缘与噪声边缘的区分，实现对噪声的去除。
以“5×5”的像元捕捉模板为例，建立像素个数为16的“边框”，首先，建立与待去噪图像I2同样大小的空白图像I3；然后应用像元捕捉模板对图像I2进行平滑，判断“边框”像元中是否存在边缘像素(灰度值为“255”的像元)。若不存在，则将I3中对应模板的各像元赋值为“1”，若存在，则将模板中原图像I2像元灰度值复制到I3中各对应像元中，其中复制过程保留I2中灰度值为“1”的像元灰度；最后将I3中灰度值为“1”的像元灰度用“背景”灰度值“0”替换，遍历所有像元，完成图像的去噪。
本公开实施例的基于遥感图像的道路边缘提取方法，能够在有效提取高分辨率遥感图像道路边缘的基础上，剔除图像中不同大小的斑块噪声，实现道路边缘提取及优化。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应所述知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应所述知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。
如图2所示，为本公开实施例二的基于遥感图像的道路边缘提取装置的结构示意图。本实施例的基于遥感图像的道路边缘提取装置，包括：
遥感图像获取模块201，用于获取目标遥感图像，所述目标遥感图像为包括道路的遥感图像，对所述目标遥感图像进行预处理，将所述目标遥感图像中的道路和背景进行初步分割，生成分割图像。
边缘提取图像生成模块202，用于对所述分割图像进行噪声粗剔除，并对噪声粗剔除后的分割图像进行逐像元判断和标记道路边缘与背景区域，提取道路边缘，生成边缘提取图像。
边缘提取图像优化模块203，用于根据预设的包括多个尺度的噪声像元捕捉滑动窗口，捕捉并剔除所述边缘提取图像中的斑块噪声，生成优化边缘提取图像。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图3示出了可以用来实施本公开的实施例的电子设备300的示意性框图。如图所示，设备300包括中央处理单元(CPU)301，其可以根据存储在只读存储器(ROM)302中的计算机程序指令或者从存储单元308加载到随机访问存储器(RAM)303中的计算机程序指令，来执行各种适当的动作和处理。在RAM 303中，还可以存储设备300操作所需的各种程序和数据。CPU 301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
设备300中的多个部件连接至I/O接口305，包括：输入单元306，例如键盘、鼠标等；输出单元307，例如各种类型的显示器、扬声器等；存储单元308，例如磁盘、光盘等；以及通信单元309，例如网卡、调制解调器、无线通信收发机等。通信单元309允许设备300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理单元301执行上文所描述的各个方法和处理，其被有形地包含于机器可读介质，例如存储单元308。在一些实施例中，计算机程序的部分或者全部可以经由ROM 302和/或通信单元309而被载入和/或安装到设备300上。当计算机程序加载到RAM 703并由CPU301执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，CPU301可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述方法。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (10)

1.基于遥感图像的道路边缘提取方法，其特征在于，包括：
获取目标遥感图像，所述目标遥感图像为包括道路的遥感图像，对所述目标遥感图像进行预处理，将所述目标遥感图像中的道路和背景进行初步分割，生成分割图像；
对所述分割图像进行噪声粗剔除，并对噪声粗剔除后的分割图像进行逐像元判断和标记道路边缘与背景区域，提取道路边缘，生成边缘提取图像；
根据预设的包括多个尺度的噪声像元捕捉滑动窗口，捕捉并剔除所述边缘提取图像中的斑块噪声，生成优化边缘提取图像。
2.根据权利要求1所述的道路边缘提取方法，其特征在于，所述对所述目标遥感图像进行预处理，包括：
采用加权平均法对所述目标遥感图像进行灰度化处理，具体包括：
对于包括红、绿、蓝三通道的真彩色目标遥感图像，对红、绿、蓝三个波段进行赋权，通过加权平均法计算图像灰度值，加权平均法的计算公式如下：
g＝0.3R+0.59G+0.11B
其中，g为灰度图像灰度值；R为原图像红色波段灰度值；G为原图像绿色波段灰度值；B为原图像蓝色波段灰度值。
3.根据权利要求2所述的道路边缘提取方法，其特征在于，所述对所述目标遥感图像进行预处理，还包括：
采用灰度变换增强方法，对灰度图像进行分段线性变换，分段线性变换函数的公式如下：
Figure FDA0003628504530000021
其中，x1和x2是待增强的灰度值范围，y1和y2参数决定线性变换的斜率，x是变换前灰度图像的像素点的像素值，f(x)是变换后灰度图像的像素点的像素值。
4.根据权利要求3所述的道路边缘提取方法，其特征在于，所述对所述目标遥感图像进行预处理，还包括：
对灰度变换增强后的灰度图像进行二值化阈值分割，二值化阈值分割的公式如下：
Figure FDA0003628504530000022
其中，I为分割阈值。
5.根据权利要求4所述的道路边缘提取方法，其特征在于，所述对所述分割图像进行噪声粗剔除，包括：
依次采用形态腐蚀和形态膨胀对所述分割图像进行噪声粗剔除，其中，所述形态腐蚀包括：
采用“5×5”的模板作为腐蚀基元，通过腐蚀基元在分割图像中滑动，对包含所述腐蚀基元的图像区域进行腐蚀运算，腐蚀运算公式如下：
Figure FDA0003628504530000023
其中，A为分割图像中的像元集合，B为腐蚀基元中的像元集合，a为集合A中的元素；b为集合B中的元素；
所述形态膨胀包括：
采用“5×5”的模板作为膨胀基元，通过膨胀基元在分割图像中滑动，对包含所述膨胀基元的图像区域进行膨胀运算，膨胀运算公式如下：
Figure FDA0003628504530000031
其中，A为分割图像中的像元集合，c为膨胀基元中的像元集合，a为集合A中的元素；c为集合C中的元素。
6.根据权利要求5所述的道路边缘提取方法，其特征在于，所述对噪声粗剔除后的分割图像进行逐像元判断和标记道路边缘与背景区域，提取道路边缘，生成边缘提取图像，包括：
以包含N2个像元的方形模板的中心像元为基准点，依次匹配分割图像中的各个像元，统计所述方形模板中满足预设条件的像元个数P，响应于P小于预设阈值时，将所述方形模板的中心像元对应的分割图像中的像元标记为被捕捉对象，响应于P大于预设阈值时，不对所述方形模板的中心像元对应的分割图像中的像元进行标记，将被捕捉对象的像素值设置为255，将不进行捕捉对象的像素值设置为0，实现对分割图像中道路边缘像元和背景区域像元的捕捉，将完成像元捕捉的图像与所述分割图像进行叠加并去掉背景区域，提取道路边缘，生成边缘提取图像。
7.根据权利要求6所述的道路边缘提取方法，其特征在于，所述根据预设的包括多个尺度的噪声像元捕捉滑动窗口，捕捉并剔除所述边缘提取图像中的斑块噪声，生成优化边缘提取图像，包括：
对于每个尺度的噪声像元捕捉滑动窗口，以当前噪声像元捕捉滑动窗口的中心像元为基准点在边缘提取图像中进行平行滑动，判断所述当前噪声像元捕捉滑动窗口的边缘上对应的像元位置处是否存在目标像元，响应于存在目标像元，继续移动当前噪声像元捕捉滑动窗口，响应于不存在目标像元，将当前噪声像元捕捉滑动窗口覆盖区域内的像元标记为噪点；
利用多个噪声像元捕捉滑动窗口对所述边缘提取图像进行平行滑动遍历，标记处全部的噪点并删除，生成优化边缘提取图像。
8.基于遥感图像的道路边缘提取装置，其特征在于，包括：
遥感图像获取模块，用于获取目标遥感图像，所述目标遥感图像为包括道路的遥感图像，对所述目标遥感图像进行预处理，将所述目标遥感图像中的道路和背景进行初步分割，生成分割图像；
边缘提取图像生成模块，用于对所述分割图像进行噪声粗剔除，并对噪声粗剔除后的分割图像进行逐像元判断和标记道路边缘与背景区域，提取道路边缘，生成边缘提取图像；
边缘提取图像优化模块，用于根据预设的包括多个尺度的噪声像元捕捉滑动窗口，捕捉并剔除所述边缘提取图像中的斑块噪声，生成优化边缘提取图像。
9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～7中任一项所述的方法。
CN202210483668.0A 2022-05-05 2022-05-05 基于遥感图像的道路边缘提取方法和装置 Pending CN114862889A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210483668.0A CN114862889A (zh) 2022-05-05 2022-05-05 基于遥感图像的道路边缘提取方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210483668.0A CN114862889A (zh) 2022-05-05 2022-05-05 基于遥感图像的道路边缘提取方法和装置

Publications (1)

Publication Number Publication Date
CN114862889A true CN114862889A (zh) 2022-08-05

Family

ID=82635844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210483668.0A Pending CN114862889A (zh) 2022-05-05 2022-05-05 基于遥感图像的道路边缘提取方法和装置

Country Status (1)

Country Link
CN (1) CN114862889A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117011413A (zh) * 2023-09-28 2023-11-07 腾讯科技（深圳）有限公司 道路图像重建方法、装置、计算机设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117011413A (zh) * 2023-09-28 2023-11-07 腾讯科技（深圳）有限公司 道路图像重建方法、装置、计算机设备和存储介质
CN117011413B (zh) * 2023-09-28 2024-01-09 腾讯科技（深圳）有限公司 道路图像重建方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN109558806B (zh) 高分遥感图像变化的检测方法
CN107045634B (zh) 一种基于最大稳定极值区域与笔画宽度的文本定位方法
CN112614062B (zh) 菌落计数方法、装置及计算机存储介质
CN111260616A (zh) 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法
CN109064411B (zh) 一种基于光照补偿的路面图像去阴影方法
CN109697717B (zh) 一种基于图像自动搜索的衬砌裂缝识别方法
CN111539238B (zh) 二维码图像修复方法、装置、计算机设备和存储介质
CN112052777B (zh) 一种基于高分辨率遥感影像的跨水桥梁提取方法和装置
CN113505702A (zh) 基于双神经网络优化的路面病害识别方法及系统
CN111680690A (zh) 一种文字识别方法及装置
CN111310771B (zh) 遥感影像的道路图像提取方法、装置、设备及存储介质
CN113971669A (zh) 应用于管道损伤识别的三维检测系统
CN113240623A (zh) 一种路面病害检测方法及装置
CN116128849A (zh) 一种混凝土坝水下裂缝检测方法、装置、设备及存储介质
CN114862889A (zh) 基于遥感图像的道路边缘提取方法和装置
CN113537037A (zh) 路面病害识别方法、系统、电子设备及存储介质
CN111179289B (zh) 一种适用于网页长图宽图的图像分割方法
CN116739943A (zh) 图像平滑处理方法及目标轮廓提取方法
CN111695374B (zh) 监控视角中斑马线区域的分割方法、系统、介质及设备
CN109448010B (zh) 一种基于内容特征的四方连续纹样自动生成方法
CN114627463B (zh) 一种基于机器识别的非接触式配电数据识别方法
CN110633705A (zh) 一种低照度成像车牌识别方法及装置
CN111027441B (zh) 一种基于机载高光谱遥感影像的道路提取方法
CN106682627A (zh) 一种掌纹数据的识别方法和装置
CN111932469A (zh) 显著性权重的快速曝光图像融合方法、装置、设备和介质

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