CN115908732A - 基于地图地形识别的电子界桩分布方法 - Google Patents

Abstract

本发明公开了一种基于地图地形识别的电子界桩分布方法，步骤包括：S1，获取卫星地图对应的地图地形骨骼图像；S2，连接地图地形骨骼图像中的断点；S3，去除经断点连接后的地图地形骨骼图像中的噪声点；S4，使用交叉点判断算法，在经去噪后的地图地形骨骼图像中标注出地形拐点和交叉点作为电子界桩的可分布点。本发明通过连接地图地形骨骼图像中的断点并去噪，实现了对电子界桩设置范围的精准确定，然后使用交叉点判断算法，在经断点连接和去噪后的地图地形骨骼图像中标注出地形拐点和交叉点作为电子界桩的可分布点，实现了在兼顾电子界桩观测效果的同时，对电子界桩分布数量的合理控制，避免了因设置过多浪费电子界桩资源的问题。

Description

基于地图地形识别的电子界桩分布方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于地图地形识别的电子界桩分布方法。

背景技术

目前，对于生态红线保护区的勘界定标多采用人工方式进行，然而人工方式勘界定标过程耗时较长，人工成本高，部分地形复杂，勘界定标过程存在未知危险。近些年，机器学习在图像处理、地图识别等领域应用已较为成熟，利用机器学习技术识别并分析地图地形，找出地图上潜在的界桩分布点位，可以有效减少勘测人员的工作量，降低勘界定标的成本。

公开号为CN201911316930.7的专利公开了一种针对地铁保护区的在线监测方法，其通过在地铁保护区内的地面上布设若干个电子界桩，利用电子界桩内的加速度传感器采集连续的加速度数据，在根据连续加速度数据分析电子界桩的位置处在当前时间段内是否发生施工。但若电子界桩设置的数量较少，观测效果不明显，设置过多又浪费了电子界桩的资源，该专利文献中，并未公开如何通过相应技术手段以合理设置电子界桩的技术方案。

公开号为CN201811505557.5的专利公开了一种城市充电站整体规划方法，其通过模糊综合决策方法对预建充电站点进行最优化排序，以实现充电站对于城市区域范围内的充电用户的全覆盖为目的，提供了一种结合最优化排序结果确定最优的充电站布局的方案，但该专利并未公开精确获取城市区域范围的技术方案，无法精确得到区域范围边界，可能导致规划的充电站建立到区域范围外，无法应用到对生态红线保护区的勘界定标场景中来。

发明内容

本发明以精确获取电子界桩设置的区域范围边界，并合理设置电子界桩为目的，提供了一种基于地图地形识别的电子界桩分布方法。

为达此目的，本发明采用以下技术方案：

提供一种基于地图地形识别的电子界桩分布方法，步骤包括：

S1，获取卫星地图对应的地图地形骨骼图像；

S2，连接所述地图地形骨骼图像中的断点；

S3，去除经断点连接后的所述地图地形骨骼图像中的噪声点；

S4，使用交叉点判断算法，在经去噪后的所述地图地形骨骼图像中标注出地形拐点和交叉点作为电子界桩的可分布点。

作为优选，使用Zhang-Suen算法获取所述地图地形骨骼的方法步骤包括：

S11，获取经图像预处理后的所述卫星地图上的一个新的像素点p1，并判断p1是否为前景点，

若是，则转入步骤S12；

若否，则跳转到步骤S14；

S12，判断所述像素点p1是否为可腐蚀像素点，

若是，则转入步骤S13；

若否，则跳转到步骤S14；

S13，将所述像素点p1设置为背景点，

S14，判断所述卫星图像中的每个像素点是否均已被遍历，

若是，则转入步骤S15；

若否，则返回步骤S11，继续获取新的像素点；

S15，判断本次腐蚀迭代与上一次腐蚀迭代相比，是否有新的像素点被腐蚀，

若是，则进入下一轮迭代；

若否，则获得经本轮迭代后的骨骼图像作为最终所述卫星地图对应的所述地图地形骨骼。

作为优选，步骤S12中，判断所述像素点p1是否为可腐蚀像素点的方法包括步骤：

S121，获取所述像素点p1的八邻域像素点，分别记为p2-p9，其中p2、p6分别为所述像素点p1的八邻域内的上方和下方的像素点，p8、p4分别为八邻域内p1的左方和右方的像素点，p9、p7分别为p1的左上方和左下方的像素点，p3、p5分别为p1的右上方和右下方的像素点；

S122，判断本次对像素点进行腐蚀的迭代次数是否为奇数，

若是，则后续执行第一策略以判断所述像素点p1是否为可腐蚀像素点；

若否，则后续执行第二策略以判断所述像素点p1是否为可腐蚀像素点；

所述第一策略包括按顺序执行的步骤S123-S124-S125-S126，具体为：

S123，判断是否n₁≤N(p1)≤n₂，N(p1)表示与像素点p1相邻的八邻域像素点中为前景像素点的个数，

若是，则转入步骤S124；

若否，则判定所述像素点p1为不可腐蚀像素点；

S124，判断是否A(p1)＝1，A(p1)表示所述像素点p1的八个邻域的像素点的0-1像素值按照p2-p3-p4-p5-p6-p7-p8-p9-p2变化了一次，像素点像素值为“0”表示该像素点为图像背景点，为“1”表示为图像前景点，

若是，则转入步骤S125；

若否，则判定所述像素点p1为不可腐蚀像素点；

S125，判断是否p2×p4×p6＝0，p2×p4×p6＝0表示像素点p2、p4、p6中至少有一个像素点为背景点，背景点的像素值为“0”，前景点的像素值为“1”，

若是，则转入步骤S126；

若否，则判定所述像素点p1为不可腐蚀像素点；

S126，判断是否p4×p6×p8＝0，p4×p6×p8＝0表示像素点p4、p6、p8中至少有一个像素点为背景点，

若是，则判定所述像素点p1为可腐蚀像素点；

若否，则判定所述像素点p1为不可腐蚀像素点；

所述第二策略包括按顺序执行的步骤S123-S124-S127-S128,具体为：

S123，判断是否n₁≤N(p1)≤n₂，N(p1)表示与像素点p1相邻的八邻域像素点中为前景像素点的个数，

若是，则转入步骤S124；

若否，则判定所述像素点p1为不可腐蚀像素点；

S124，判断是否A(p1)＝1，A(p1)表示所述像素点p1的八个邻域的像素点的0-1像素值按照p2-p3-p4-p5-p6-p7-p8-p9-p2变化了一次，像素点像素值为“0”表示该像素点为图像背景点，为“1”表示为图像前景点，

若是，则转入步骤S127；

若否，则判定所述像素点p1为不可腐蚀像素点；

S127，判断是否p2×p4×p8＝0，p2×p4×p8＝0表示像素点p2、p4、p8中至少有一个像素点为背景点，

若是，则转入步骤S128；

若否，则判定所述像素点p1为不可腐蚀像素点；

S128，判断是否p2×p6×p8＝0，p2×p6×p8＝0表示像素点p2、p6、p8中至少有一个像素点为背景点，

若是，则判定所述像素点p1为可腐蚀像素点；

若否，则判定所述像素点p1为不可腐蚀像素点。

作为优选，n₁＝1；n₂＝6。

作为优选，对所述卫星图像进行预处理包括对所述卫星图像进行二值化处理。

作为优选，使用KNN算法连接所述地图地形骨骼图像中的断点的方法包括步骤：

S21，获取用于训练分类标注模型的训练数据集；

S22，利用所述训练数据集并使用所述KNN算法训练所述分类标注模型；

S23，使用训练好的所述分类标注模型，预测待连接断点的所述地图地形骨骼图像中的每个像素点的类别；

S24，对待连接断点的所述地图地形骨骼图像中的每个像素点的像素值置为表征所预测的像素点类别的像素值，从而完成对所述地图地形骨骼图像中各断点的连接；

训练所述分类标注模型的方法具体包括步骤：

S221，将所述训练数据集划分为测试集和训练集，然后选定交叉验证的测试集和训练集的比例m的值；

S222，确定本次模型迭代训练的邻近点个数k值；

S223，寻找与测试样本x最邻近的k个点；

S224，预测x所属的类别y；

S225，验证本次迭代得到的模型的分类准确率，并判断本次迭代的模型分类准确率是否大于预期，

若是，则转入步骤S226；

若否，则返回步骤S222；

S226，在分类准确率大于预期的各次模型迭代训练中选定具有最优分类准确率的该次迭代使用的k值为所述KNN算法用于训练所述分类标注模型的k值，以训练得到所述分类标注模型。

作为优选，步骤S223中，使用欧式距离度量方法寻找与x距离最近的前k个点，两个点的欧氏距离L_p(x_i,x_j)通过以下公式(1)计算而得：

公式(1)中，

分别表示样本x_i、x_j的第l个像素点；

n表示样本中的特征数量；

步骤S224中，预测所述测试样本x所述的类别y的方法通过如下公式(2)表达：

其中，I表示指示函数，y_i＝_j时，I＝1，否则I＝0；

在训练集中找出与x最邻近的k个点，涵盖这k个点的x的邻域记作N_k(x)；

y_i表示对第i个样本x预测的类别；

c_j表示第j个真实类别；

N表示N_k(x)中的样本数量。

作为优选，步骤S3中，通过“试凑法”去除经断点连接后的所述地图地形骨骼图像中的噪声点，“试凑法”去除噪声点的方法具体包括步骤：

S31，设定毛刺去除长度阈值；

S32，计算所述地图地形骨骼图像中的每个连通区域的长度；

S33，将所述地图地形骨骼图像中长度小于所述长度阈值的连通区域视为噪声点予以去除；

S34，对当前次与上一次去噪效果进行对比，

若去噪效果大于设定的效果阈值，则返回步骤S31，重新设定所述长度阈值后继续去噪声；

若去噪效果小于等于所述效果阈值，则终止去噪。

作为优选，步骤S4中，使用所述交叉点判断算法标注出电子界桩的拟分布点的方法包括步骤：

S41，遍历经断点连接和去噪后的所述地图地形骨骼图像中的每个像素点，以判断每个所述像素点是否为骨骼色彩，

若是，则转入步骤S42；

若否，则判定所述像素点为非目标点；

S42，判断为骨骼色彩的每个所述像素点的八邻域中是否含2个以上前景点且前景点间不相邻，

若是，则判定所述像素点为目标点；

若否，则判定所述像素点为非目标点；

S43，将所述目标点标注为电子界桩的所述可分布点。

本发明通过连接地图地形骨骼图像中的断点并去噪，实现了对电子界桩设置范围的精准确定，然后使用交叉点判断算法，在经断点连接和去噪后的地图地形骨骼图像中标注出地形拐点和交叉点作为电子界桩的可分布点，实现了在兼顾电子界桩观测效果的同时，对电子界桩分布数量的合理控制，避免了因设置过多浪费电子界桩资源的问题。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述的附图仅仅是本发明的一些实施例，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是本发明一实施例提供的基于地图地形识别的电子界桩分布方法的实现流程图；

图2是使用Zhang-Suen算法获取地图地形骨骼的流程图；

图3是判断像素点p1是否为可腐蚀点的流程图；

图4是像素点p1的八邻域示意图；

图5是使用KNN算法连接地图地形骨骼中断点的流程图；

图6是使用KNN算法训练分类标注模型的流程图；

图7是断点连接前后的效果对比图；

图8是对一地图地形骨骼去噪声前后的效果对比示例图；

图9是对一地图地形骨骼标注拐点、交叉点前后的效果对比示例图。

具体实施方式

下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

在本发明的描述中，除非另有明确的规定和限定，若出现术语“连接”等指示部件之间的连接关系，该术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

本发明实施例提供的基于地图地形识别的电子界桩分布方法，如图1所示，步骤包括：

S1，对卫星地图进行图像预处理后使用Zhang-Suen算法获得卫星地图对应的地图地形骨骼图像；

对卫星地图进行图像预处理的方法为：

首先，将该卫星地图切割为多个地图块；

然后对每个地图块进行二值化处理操作，二值化后的地图块的示例请参见图7，图7中黑色区域为地图块原始图像的背景经二值化后的结果，白色区域为原始图像的前景经二值化后的结果。

地图地形骨骼提取，实际上就是提取目标在图像上的中心像素轮廓，是以目标中心为准，对目标进行细化的过程。本发明使用Zhang-Suen算法来提取卫星地图对应的地图地形骨骼，具体提取方法如图2所示，包括步骤S11-S15。该算法每一次的迭代步骤是对符合特定条件的目标像素进行腐蚀，使目标变得越来越细。通过不断的迭代，直到在上一次腐蚀后的目标在该次操作中，没有新的像素点被腐蚀，则算法执行结束，得到单像素的骨骼图像。

在步骤S11中，首先获取经预处理后的卫星地图上的一个新的像素点p1，并判断该像素点p1是否为前景点，若p1为前景点，则进入步骤S12，若并非为前景点，则跳转到步骤S14；这里需要说明的是，判断像素点是否为前景可以采用现有的像素点前背景判断方法，具体判断过程不做具体说明；

在步骤S12中，判断p1是否为可腐蚀像素点，

若是，则转入步骤S13；

若否，则跳转到步骤S14；

判断像素点p1是否为可腐蚀像素点的方法如图3所示，包括步骤S121-129。

在步骤S121中，取像素点p1的八邻域像素点，分别标记为p2-p9，p1的八邻域的示例图请参照图4；

在步骤S122中，判断本次迭代次数是否为奇数，

若是，则后续执行第一策略以判断像素点p1是否为可腐蚀像素点；

若否，则后续执行第二策略以判断像素点p1是否为可腐蚀像素点；

第一策略包括按顺序执行的步骤S123-S124-S125-S126，具体为：

在步骤S123中，判断是否2≤N(p1)≤6，N(p1)表示与像素点p1相邻的八邻域像素点中为前景像素点的个数，

若是，则转入步骤S124；

若否，则判定像素点p1为不可腐蚀像素点；

在步骤S124中，判断是否A(p1)＝1，即判断图4所示的p1的八个邻域的像素点的0-1像素值按顺序p2-p3-p4-p5-p6-p7-p8-p9-p2是否变化了一次，

若是，则转入步骤S125；

若否，则判定像素点p1为不可腐蚀像素点；

在步骤S125中，判断是否p2×p4×p6＝0，p2×p4×p6＝0表示像素点p2、p4、p6中至少有一个像素点为背景点，背景点的像素值为“0”，前景点的像素值为“1”，

若是，则转入步骤S126；

若否，则判定像素点p1为不可腐蚀像素点；

在步骤S126中，判断是否p4×p6×p8＝0，p4×p6×p8＝0表示像素点p4、p6、p8中至少有一个像素点为背景点，

若是，则判定像素点p1为可腐蚀像素点；

若否，则判定像素点p1为不可腐蚀像素点。

第二策略包括按顺序执行的步骤S123-S124-S127-S128,具体为：

S123，判断是否n₁≤N(p1)≤n₂，N(p1)表示与像素点p1相邻的八邻域像素点中为前景像素点的个数，

若是，则转入步骤S124；

若否，则判定像素点p1为不可腐蚀像素点；

S124，判断是否A(p1)＝1，A(p1)表示像素点p1的八个邻域的像素点的0-1像素值按照p2-p3-p4-p5-p6-p7-p8-p9-p2变化了一次，像素点像素值为“0”表示该像素点为图像背景点，为“1”表示为图像前景点，

若是，则转入步骤S127；

若否，则判定像素点p1为不可腐蚀像素点；

S127，判断是否p2×p4×p8＝0，p2×p4×p8＝0表示像素点p2、p4、p8中至少有一个像素点为背景点，

若是，则转入步骤S128；

若否，则判定像素点p1为不可腐蚀像素点；

S128，判断是否p2×p6×p8＝0，p2×p6×p8＝0表示像素点p2、p6、p8中至少有一个像素点为背景点，

若是，则判定像素点p1为可腐蚀像素点；

若否，则判定像素点p1为不可腐蚀像素点。

请继续参照图1，判定像素点p1为可腐蚀像素点后，转入步骤：

S13，将像素点p1设置为背景点，也就是将p1的像素值赋值为“0”；

在步骤S14中，判断卫星图像中的每个像素点是否均已被遍历，

若是，则转入步骤S15；

若否，则返回步骤S11，继续获取新的像素点；

S15，判断本次腐蚀迭代与上一次腐蚀迭代相比，是否有新的像素点被腐蚀，

若是，则进入下一轮迭代；

若否，则获得经本轮迭代后的骨骼图像作为最终卫星地图对应的地图地形骨骼图像。

在使用Zhang-Suen算法对卫星地图进行骨骼化处理时，可能出现断点或噪声点，这些断点和噪声点会影响电子界桩设置范围的框定，因此需要对这些断点和噪声点进行数据处理，以避免对电子界桩分布设置范围的确定。

本发明使用KNN算法连接地图地形骨骼图像中的断点，并使用“试凑法”对断点连接后的地图地形骨骼图像去除噪声点。

K近邻(K-Nearest Neighbor，KNN)是一种经典和简单的有监督学习。K-近邻算法是比较简单的分类器，没有显式的学习过程或训练过程，是懒惰学习(Lazy Learning)。当对数据的分布只有很少或者没有任何先验知识时，K-近邻算法是一个不错的选择，K-近邻算法既能够用来解决分类问题，又能够用来解决回归问题。

本实施例使用KNN算法连接地图地形骨骼图像中的断点，利用距离(欧式距离)将最近邻点直接连接起来。KNN算法的运算原理为：

但对测试样本进行分类时，首先通过扫描训练数据集，找到与测试样本最相近的k个训练样本，根据训练样本的类别进行投票确定测试样本的类别。也可以通过计算训练样本与测试样本的相似程度进行加权投票。如果需要以测试样本对应每类的概率的形式输出，可以通过k个训练样本中不同类别的样本数量分布来进行估计。

如图5所示，本实施例使用KNN算法连接断点的方法具体包括如下步骤S21-S24：

在步骤S21中，首先获取用于训练分类标注模型的训练数据集，训练数据集表示为T＝{(x₁,y₁),(x₂,y₂),…,(x_i,y_i),…,(x_N,y_N)}，其中，

表示第i个作为训练样本的地图地形骨骼图像的特征向量，设特征空间X是n维实数向量空间Rⁿ，

表示训练样本的数量为N。y_i∈y＝{c₁,c₂,…,c_K}表示x_i指代的地图地形骨骼图像的类别，c_K表示第K种类别，i＝1,2,…,N；

在步骤S22中，利用获得的训练数据集并使用KNN算法训练分类标注模型，模型训练方法具体包括如下步骤S221-S226：

在步骤S221中，首先将训练数据集划分为测试集和训练集。本实施例中，通过对数据集进行交叉验证来选择k值，先将数据集划分为训练集和测试集，再对训练集划分为子训练集和子测试集。例如，对交叉验证m测试集在样本数据集中的数量占比)取5％、10％、15％、20％、25％、30％、35％、40％等。

在步骤S222中，确定本次模型迭代训练的邻近点个数k值。本实施例中，从选取一个较小的k值开始，在每次迭代时不断增加k的值，最后根据每次迭代的验证结果，选择出一个最合适的值。例如，通常当增大k值的时候，模型分类的错误率一般会先降低，因为有周围更多的样本可以借鉴了，分类效果会变好；而当k值更大的时候，错误率也可能变得更高，例如当样本量为35时，若k值增大到30，KNN算法的分类性能变得很差。

在步骤S223中，寻找与测试样本x最邻近的k个点；本实施例中，使用欧氏距离度量方法计算与x距离最近(最相似)的前k个点。例如，设两个点

分别表示样本x_i、x_j中的第n个像素点。则根据欧式距离度量方法，x_i、x_j间的欧式距离

分别表示x_i、x_j的第l个像素点，当p＝2时，

在步骤S224中，根据分类决策规则(优选为多数表决规则)，预测像素点x所属的分类y。在本实施例中，将涵盖这k个点的邻域记为N_k(x)，在N_k(x)中，根据多数表决规则预测x的类别y：

其中，I表示指示函数，y_i＝c_j时，I＝1，否则I＝0；

在训练集中找出与x最邻近的k个点，涵盖这k个点的x的邻域记作N_k(x)；

y_i表示对第i个样本x预测的类别；

c_j表示第j个真实类别；

N表示N_k(x)中的样本数量；

在步骤S225中，验证本次迭代得到的模型的分类准确率，

若是，则转入步骤S226；

若否，则返回步骤S222；

验证模型分类准确率的现有方法有许多，在此不做交代；

在步骤S226中，选择多次迭代中合适的k值作为模型训练最终使用的k值。在本实施例中，优选取每次迭代训练得到的模型的分类准确率的平均值作为比较标准，将各次迭代结果的分类准确率与该比较标准进行比较，比较出具有最高分类准确率的该次迭代中模型训练使用的k值作为用于训练分类标注模型的k值。对于测试样本x，输入到使用最终选定的k值训练得到的分类标注模型中，模型将训练集中与x最邻近的点的类别作为对x预测的类。

请继续参照图5，在步骤S23中，使用训练好的分类标注模型，预测待连接断点的地图地形骨骼图像中各像素点的类别，获得对应预测的分类(前景点或背景点)。

在步骤S24中，根据步骤S23的分类结果，对待连接断点的地图地形骨骼图像中的每个像素点的类别置为预测的类别，最终得到连接断点后的地图地形图像。比如原始的地图地形骨骼图像中的某个断点的像素值为代表背景点的“0”，而步骤S23对该点预测的分类结果为代表前景点的“1”，则将该断点的像素值由“0”置为“1”，完成对该断点的连接。断点连接前后的对比图请参照图7，图7中的左图为断点连接前的地图地形骨骼图像的局部示例图，图7中的右图为该局部图像经断点连接后的示意图。

在解决断点问题后，我们发现，经断点连接后的地图地形骨骼图像中存在许多毛刺(噪声点)，这些毛刺通常为地图中房屋、建筑设施等物体的像素点。为了去除这些毛刺对电子界桩分布范围界定的影响，在完成断点连接后，如图1所示，本实施例提供的基于地图地形识别的电子界桩分布方法转入步骤：

S3，通过“试凑法”去除经断点连接后的地图地形骨骼图像中的噪声点，去除方法具体为：

根据毛刺长度远小于骨骼分支长度的特点，例如将如图8中所示的毛刺所在连通区域100从骨骼所在连通区域200中分离并删除，删除毛刺后保持原图像的连通性不变。比如将图8中的左图中的毛刺所在连通区域100去除后，得到图8中右图所示的骨骼所在连通区域，毛刺去除后，骨骼连通性不变。

“试凑法”实际上是基于节点长度的阈值选择方法。例如，以50为步长逐步加大长度阈值，低于长度阈值的连通性区域判定为毛刺区域予以去除，并在每次去除毛刺后判断去毛刺效果是否变差或者是否无明显变换，若是，则停止继续去毛刺，选择该步长为去除毛刺的长度阈值。

请继续参照图1，对地图地形骨骼图像去噪后，本实施例提供的基于地图地形识别的电子界桩分布方法转入步骤：

S4，使用交叉点判断方法，在经去噪后的地图地形骨骼图像中标注出地形拐点和交叉点作为电子界桩的可分布点，具体标注方法包括步骤：

S41，遍历经断点连接和去噪后的地图地形骨骼图像中的每个像素点，以判断每个像素点是否为骨骼色彩，

若是，则转入步骤S42；

若否，则判定该像素点为非目标点；

S42，判断为骨骼色彩的每个像素点的八邻域中是否含2个以上前景点且前景点间不相邻，

若是，则判定像素点为目标点；

若否，则判定像素点为非目标点；

S43，将目标点标注为电子界桩的可分布点(如图9中的附图标记“200”所示)。图9中的右图为对图9中的左图标注出电子界桩可分布点后的示意图。综上，本发明通过连接地图地形骨骼图像中的断点并去噪，实现了对电子界桩设置范围的精准确定，然后使用交叉点判断算法，在经断点连接和去噪后的地图地形骨骼图像中标注出地形拐点和交叉点作为电子界桩的可分布点，实现了在兼顾电子界桩观测效果的同时，对电子界桩分布数量的合理控制，避免了因设置过多浪费电子界桩资源的问题。

需要声明的是，上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白，还可以对本发明做各种修改、等同替换、变化等等。但是，这些变换只要未背离本发明的精神，都应在本发明的保护范围之内。另外，本申请说明书和权利要求书所使用的一些术语并不是限制，仅仅是为了便于描述。

Claims (9)

1.一种基于地图地形识别的电子界桩分布方法，其特征在于，步骤包括：

S1，获取卫星地图对应的地图地形骨骼图像；

S2，连接所述地图地形骨骼图像中的断点；

S3，去除经断点连接后的所述地图地形骨骼图像中的噪声点；

S4，使用交叉点判断算法，在经去噪后的所述地图地形骨骼图像中标注出地形拐点和交叉点作为电子界桩的可分布点。

2.根据权利要求1所述的基于地图地形识别的电子界桩分布方法，其特征在于，使用Zhang-Suen算法获取所述地图地形骨骼的方法步骤包括：

S11，获取经图像预处理后的所述卫星地图上的一个新的像素点p1，并判断p1是否为前景点，

若是，则转入步骤S12；

若否，则跳转到步骤S14；

S12，判断所述像素点p1是否为可腐蚀像素点，

若是，则转入步骤S13；

若否，则跳转到步骤S14；

S13，将所述像素点p1设置为背景点，

S14，判断所述卫星图像中的每个像素点是否均已被遍历，

若是，则转入步骤S15；

若否，则返回步骤S11，继续获取新的像素点；

S15，判断本次腐蚀迭代与上一次腐蚀迭代相比，是否有新的像素点被腐蚀，

若是，则进入下一轮迭代；

若否，则获得经本轮迭代后的骨骼图像作为最终所述卫星地图对应的所述地图地形骨骼。

3.根据权利要求2所述的基于地图地形识别的电子界桩分布方法，其特征在于，步骤S12中，判断所述像素点p1是否为可腐蚀像素点的方法包括步骤：

S121，获取所述像素点p1的八邻域像素点，分别记为p2-p9，其中p2、p6分别为所述像素点p1的八邻域内的上方和下方的像素点，p8、p4分别为八邻域内p1的左方和右方的像素点，p9、p7分别为p1的左上方和左下方的像素点，p3、p5分别为p1的右上方和右下方的像素点；

S122，判断本次对像素点进行腐蚀的迭代次数是否为奇数，

若是，则后续执行第一策略以判断所述像素点p1是否为可腐蚀像素点；

若否，则后续执行第二策略以判断所述像素点p1是否为可腐蚀像素点；

所述第一策略包括按顺序执行的步骤S123-S124-S125-S126，具体为：

S123，判断是否n₁≤N(p1)≤n₂，N(p1)表示与像素点p1相邻的八邻域像素点中为前景像素点的个数，

若是，则转入步骤S124；

若否，则判定所述像素点p1为不可腐蚀像素点；

S124，判断是否A(p1)＝1，A(p1)表示所述像素点p1的八个邻域的像素点的0-1像素值按照p2-p3-p4-p5-p6-p7-p8-p9-p2变化了一次，像素点像素值为“0”表示该像素点为图像背景点，为“1”表示为图像前景点，

若是，则转入步骤S125；

若否，则判定所述像素点p1为不可腐蚀像素点；

S125，判断是否p2×p4×p6＝0，p2×p4×p6＝0表示像素点p2、p4、p6中至少有一个像素点为背景点，背景点的像素值为“0”，前景点的像素值为“1”，

若是，则转入步骤S126；

若否，则判定所述像素点p1为不可腐蚀像素点；

S126，判断是否p4×p6×p8＝0，p4×p6×p8＝0表示像素点p4、p6、p8中至少有一个像素点为背景点，

若是，则判定所述像素点p1为可腐蚀像素点；

若否，则判定所述像素点p1为不可腐蚀像素点；

所述第二策略包括按顺序执行的步骤S123-S124-S127-S128,具体为：

S123，判断是否n₁≤N(p1)≤n₂，N(p1)表示与像素点p1相邻的八邻域像素点中为前景像素点的个数，

若是，则转入步骤S124；

若否，则判定所述像素点p1为不可腐蚀像素点；

S124，判断是否A(p1)＝1，A(p1)表示所述像素点p1的八个邻域的像素点的0-1像素值按照p2-p3-p4-p5-p6-p7-p8-p9-p2变化了一次，像素点像素值为“0”表示该像素点为图像背景点，为“1”表示为图像前景点，

若是，则转入步骤S127；

若否，则判定所述像素点p1为不可腐蚀像素点；

S127，判断是否p2×p4×p8＝0，p2×p4×p8＝0表示像素点p2、p4、p8中至少有一个像素点为背景点，

若是，则转入步骤S128；

若否，则判定所述像素点p1为不可腐蚀像素点；

S128，判断是否p2×p6×p8＝0，p2×p6×p8＝0表示像素点p2、p6、p8中至少有一个像素点为背景点，

若是，则判定所述像素点p1为可腐蚀像素点；

若否，则判定所述像素点p1为不可腐蚀像素点。

4.根据权利要求3所述的基于地图地形识别的电子界桩分布方法，其特征在于，n₁＝1；n₂＝6。

5.根据权利要求2所述的基于地图地形识别的电子界桩分布方法，其特征在于，对所述卫星图像进行预处理包括对所述卫星图像进行二值化处理。

6.根据权利要求1所述的基于地图地形识别的电子界桩分布方法，其特征在于，使用KNN算法连接所述地图地形骨骼图像中的断点的方法包括步骤：

S21，获取用于训练分类标注模型的训练数据集；

S22，利用所述训练数据集并使用所述KNN算法训练所述分类标注模型；

S23，使用训练好的所述分类标注模型，预测待连接断点的所述地图地形骨骼图像中的每个像素点的类别；

S24，对待连接断点的所述地图地形骨骼图像中的每个像素点的像素值置为表征所预测的像素点类别的像素值，从而完成对所述地图地形骨骼图像中各断点的连接；

训练所述分类标注模型的方法具体包括步骤：

S221，将所述训练数据集划分为测试集和训练集，然后选定交叉验证的测试集和训练集的比例m的值；

S222，确定本次模型迭代训练的邻近点个数k值；

S223，寻找与测试样本x最邻近的k个点；

S224，预测x所属的类别y；

S225，验证本次迭代得到的模型的分类准确率，并判断本次迭代的模型分类准确率是否大于预期，

若是，则转入步骤S226；

若否，则返回步骤S222；

S226，在分类准确率大于预期的各次模型迭代训练中选定具有最优分类准确率的该次迭代使用的k值为所述KNN算法用于训练所述分类标注模型的k值，以训练得到所述分类标注模型。

7.根据权利要求6所述的基于地图地形识别的电子界桩分布方法，其特征在于，步骤S223中，使用欧式距离度量方法寻找与x距离最近的前k个点，两个点的欧氏距离L_p(x_i,x_j)通过以下公式(1)计算而得：

公式(1)中，

分别表示样本x_i、x_j的第l个像素点；

n表示样本中的特征数量；

步骤S224中，预测所述测试样本x所述的类别y的方法通过如下公式(2)表达：

其中，I表示指示函数，y_i＝c_j时，I＝1，否则I＝0；

在训练集中找出与x最邻近的k个点，涵盖这k个点的x的邻域记作N_k(x)；

y_i表示对第i个样本x预测的类别；

c_j表示第j个真实类别；

N表示N_k(x)中的样本数量。

8.根据权利要求1所述的基于地图地形识别的电子界桩分布方法，其特征在于，步骤S3中，通过“试凑法”去除经断点连接后的所述地图地形骨骼图像中的噪声点，“试凑法”去除噪声点的方法具体包括步骤：

S31，设定毛刺去除长度阈值；

S32，计算所述地图地形骨骼图像中的每个连通区域的长度；

S33，将所述地图地形骨骼图像中长度小于所述长度阈值的连通区域视为噪声点予以去除；

S34，对当前次与上一次去噪效果进行对比，

若去噪效果大于设定的效果阈值，则返回步骤S31，重新设定所述长度阈值后继续去噪声；

若去噪效果小于等于所述效果阈值，则终止去噪。

9.根据权利要求1所述的基于地图地形识别的电子界桩分布方法，其特征在于，步骤S4中，使用所述交叉点判断算法标注出电子界桩的拟分布点的方法包括步骤：

S41，遍历经断点连接和去噪后的所述地图地形骨骼图像中的每个像素点，以判断每个所述像素点是否为骨骼色彩，

若是，则转入步骤S42；

若否，则判定所述像素点为非目标点；

S42，判断为骨骼色彩的每个所述像素点的八邻域中是否含2个以上前景点且前景点间不相邻，

若是，则判定所述像素点为目标点；

若否，则判定所述像素点为非目标点；

S43，将所述目标点标注为电子界桩的所述可分布点。

Images