CN115995046A - 阴影遮挡状态下的农村道路遥感提取方法及装置 - Google Patents

阴影遮挡状态下的农村道路遥感提取方法及装置 Download PDF

Info

Publication number
CN115995046A
CN115995046A CN202211448742.1A CN202211448742A CN115995046A CN 115995046 A CN115995046 A CN 115995046A CN 202211448742 A CN202211448742 A CN 202211448742A CN 115995046 A CN115995046 A CN 115995046A
Authority
CN
China
Prior art keywords
image
road
remote sensing
shadow
hsv
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.)
Granted
Application number
CN202211448742.1A
Other languages
English (en)
Other versions
CN115995046B (zh
Inventor
李淑华
李存军
刘玉
任艳敏
潘瑜春
董士伟
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.)
Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences
Original Assignee
Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences
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 Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences filed Critical Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences
Priority to CN202211448742.1A priority Critical patent/CN115995046B/zh
Publication of CN115995046A publication Critical patent/CN115995046A/zh
Application granted granted Critical
Publication of CN115995046B publication Critical patent/CN115995046B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Image Processing (AREA)

Abstract

本发明提供一种阴影遮挡状态下的农村道路遥感提取方法及装置，属于计算机技术领域，所述方法包括：提取遥感图像中的道路区域图像；将遥感图像转换为遥感HSV图像，提取遥感HSV图像中的阴影区域图像，结合所述道路区域图像获取疑似阴影遮挡道路区域图像；将所述疑似阴影遮挡道路区域图像输入阴影遮挡道路提取模型，获取阴影遮挡道路图像；对道路区域图像和阴影遮挡道路图像进行图像融合，获取融合道路图像。本发明针对遥感图像中受阴影影响的道路，利用不同色彩空间在遥感道路提取中的互补作用，尤其是利用HSV色彩空间对阴影遮挡状态下的色调不变特点，建立基于多色彩空间的融合图像提取方法，提高遮挡状态下的农村道路提取精度。

Description

阴影遮挡状态下的农村道路遥感提取方法及装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种阴影遮挡状态下的农村道路遥感提取方法、装置、电子装置及存储介质。
背景技术
随着遥感卫星和无人机技术的快速发展，遥感卫星影像的分辨率达到亚米级，无人机影像的分辨率达到厘米级，超高分辨率的遥感影像被大规模生产，尤其是可见光遥感图像的获取成本较低，被广泛应用于道路提取。遥感图像道路提取旨在通过利用图像处理和计算机视觉算法来从给定的遥感图像中准确地提取出道路的轮廓或中心线，从而为后续的土地调查、城乡规划、路网更新、便利评价等任务提供依据。
利用高分辨率可见光遥感影像进行道路提取有很多算法，较为广泛应用的包括动态规划法、最小二乘模板匹配、Snakes模型、基于图像分割、边缘检测算法等。近年来，随着深度学习的发展，利用卷积神经网络对图像进行语义分割来提取道路的方法取得了较大成效，这是由于卷积神经网络具有特征自提取的能力，可以自动提取道路在影像中的多个层次的各种特征，以及特征组合来识别道路，在大规模数据应用上分割精度和效率更有优势。
然而在实际应用到农村道路的过程中，由于遥感图像中的农村道路易被两侧植被、建筑等地物的阴影遮挡，并且农村道路的宽度相对较窄，一般为6米以下，导致了提取农村道路结果存在大量断线现象，无法串联成网，农村道路的提取精度较差。
发明内容
本发明提供一种阴影遮挡状态下的农村道路遥感提取方法及装置，用以解决现有技术中由于遥感图像中的农村道路易被两侧植被建筑等地物的阴影遮挡，导致提取农村道路结果存在大量断线现象，无法串联成网，农村道路的提取精度较差的缺陷。
第一方面，本发明提供一种阴影遮挡状态下的农村道路遥感提取方法，包括：提取遥感图像中的道路区域图像；将所述遥感图像转换为遥感HSV图像，提取所述遥感HSV图像中的阴影区域图像，结合所述道路区域图像获取疑似阴影遮挡道路区域图像；所述遥感图像为包含阴影遮挡状态下农村道路的RGB图像，所述遥感HSV图像为所述遥感图像的不变色彩空间图像；将所述疑似阴影遮挡道路区域图像输入阴影遮挡道路提取模型，获取阴影遮挡道路图像；对所述道路区域图像和所述阴影遮挡道路图像进行图像融合，获取融合道路图像。
根据本发明提供的一种阴影遮挡状态下的农村道路遥感提取方法，所述将所述遥感图像转换为遥感HSV图像，提取所述遥感HSV图像中的阴影区域图像，结合所述道路区域图像获取疑似阴影遮挡道路区域图像，包括：基于预设转换公式将所述遥感图像转换为遥感HSV图像；利用NSVDI指数阴影检测方法获取遥感HSV图像的阴影区域图像；对所述阴影区域图像和所述道路区域图像分别进行膨胀操作，获取所述阴影区域图像和所述道路区域图像膨胀后的交集，作为所述疑似阴影遮挡道路区域图像。
根据本发明提供的一种阴影遮挡状态下的农村道路遥感提取方法，所述提取遥感图像中的道路区域图像，包括：获取遥感图像样本，并且标注所述遥感图像样本中的道路作为遥感图像样本标签，以构建遥感图像样本集；基于所述遥感图像样本集训练第一卷积神经网络，获取所述道路提取模型；将所述遥感图像输入所述道路提取模型，获取所述道路区域图像。
根据本发明提供的一种阴影遮挡状态下的农村道路遥感提取方法，获取所述阴影遮挡道路提取模型的步骤，包括：获取遥感HSV图像样本，并且标注所述遥感HSV图像样本中的阴影遮挡道路作为遥感HSV图像样本标签，以构建遥感HSV图像样本集；基于所述遥感HSV图像样本集训练第二卷积神经网络，获取所述阴影遮挡道路提取模型。
根据本发明提供的一种阴影遮挡状态下的农村道路遥感提取方法，对所述道路区域图像和所述阴影遮挡道路图像进行图像融合，获取融合道路图像，包括：对所述道路区域图像进行二值化处理，获取第一图像；对所述阴影遮挡道路图像进行二值化处理，获取第二图像；基于所述第一图像和所述第二图像，获取确切融合结果子集和疑似融合结果子集；根据融合结果一致性权重与疑似融合结果子集，计算得到融合一致性结果矩阵；根据融合一致性阈值与融合一致性结果矩阵，在确定疑似融合结果子集中的元素融合通过后，结合所述确切融合结果子集获取目标融合结果；对所述目标融合结果进行优化，获取所述融合道路图像。
根据本发明提供的一种阴影遮挡状态下的农村道路遥感提取方法，基于所述第一图像和所述第二图像，获取确切融合结果子集和疑似融合结果子集，包括：计算所述第一图像和所述第二图像的交集，作为所述确切融合结果子集；根据第三图像与所述确切融合结果子集的差，获取所述疑似融合结果子集；所述第三图像为所述第一图像和所述第二图像的并集。
根据本发明提供的一种阴影遮挡状态下的农村道路遥感提取方法，计算所述融合结果一致性权重，具体包括：
计算第一一致性权重，其公式为：
Figure BDA0003950557700000031
计算第二一致性权重，其公式为：
Figure BDA0003950557700000041
计算第三一致性权重，其公式为：
Figure BDA0003950557700000042
计算第四一致性权重，其公式为：
Figure BDA0003950557700000043
计算融合结果一致性权重的公式为：
W＝αWAp+βWBp+γWCp+δWDp
其中，WAp为第一一致性权重，Ii表示所述疑似融合结果子集的任一像素点的八邻域内的第i个邻域处的元素值；WBp为第二一致性权重，Irgb i为第一图像的任一像素点的八邻域内的第i个邻域处的元素值，Ihsv i为第二图像的任一像素点的八邻域内的第i个邻域处的元素值；WCp为第三一致性权重，N1为第三图像的任一像素点的第一层空间邻域，
Figure BDA0003950557700000044
为第三图像的任一像素点的第一层空间邻域内的第i个邻域处的元素值；WDp为第四一致性权重，N2为第三图像的任一像素点的第二层空间邻域，
Figure BDA0003950557700000045
为第三图像的任一像素点的第二层空间邻域内的第i个邻域处的元素值；α、β、γ、δ为一致性权重的系数，W为融合结果一致性权重。
第二方面，本发明还提供一种阴影遮挡状态下的农村道路遥感提取装置，包括：第一图像处理单元，用于提取遥感图像中的道路区域图像；第二图像处理单元，用于将所述遥感图像转换为遥感HSV图像，提取所述遥感HSV图像中的阴影区域图像，结合所述道路区域图像获取疑似阴影遮挡道路区域图像；所述遥感图像为包含阴影遮挡状态下农村道路的RGB图像，所述遥感HSV图像为所述遥感图像的不变色彩空间图像；第三图像处理单元，用于将所述疑似阴影遮挡道路区域图像输入阴影遮挡道路提取模型，获取阴影遮挡道路图像；第四图像处理单元，用于对所述道路区域图像和所述阴影遮挡道路图像进行图像融合，获取融合道路图像。
第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述阴影遮挡状态下的农村道路遥感提取方法的步骤。
第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述阴影遮挡状态下的农村道路遥感提取方法的步骤。
本发明提供的阴影遮挡状态下的农村道路遥感提取方法及装置，针对遥感图像中受阴影影响的道路，利用不同色彩空间在遥感道路提取中的互补作用，尤其是利用HSV色彩空间对阴影遮挡状态下的色调不变特点，建立基于多色彩空间的融合图像提取方法，提高遮挡状态下的阴影遮挡状态下的农村道路遥感提取精度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的阴影遮挡状态下的农村道路遥感提取方法的流程示意图之一；
图2是本发明提供的阴影遮挡状态下的农村道路遥感提取方法的流程示意图之二；
图3是本发明提供的阴影遮挡状态下的农村道路遥感提取装置的结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在本发明实施例的描述中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”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，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；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，可以是两个元件内部的连通。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在本发明中的具体含义。
本申请中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。
需要说明的是，下面在对本发明提供的阴影遮挡下的农村道路遥感提取方法进行说明的过程中，所提及的道路均是指农村道路，无需一一进行重复说明。另外，可以理解的是，本发明的技术方案虽然是针对阴影遮挡下的农村道路所设计的，但是依然可以应用于与阴影遮挡下的农村道路相似的应用场景当中，并取得相似的技术效果。
下面结合图1-图4描述本发明实施例所提供的阴影遮挡状态下的农村道路遥感提取方法、装置电子装置及存储介质。
图1是本发明提供的阴影遮挡状态下的农村道路遥感提取方法的流程示意图之一，如图1所示，包括但不限于以下步骤：
步骤101：提取遥感图像中的道路区域图像。
其中，所述遥感图像为包含阴影遮挡状态下农村道路的RGB图像，遥感图像可以通过遥感卫星或者无人机技术获取。
RGB色彩空间适于显示，是应用最广泛的色彩空间，也是目前遥感影像道路提取的最常用色彩空间，由于其R、G、B三个分量均与亮度密切相关，当亮度改变时，三个分量均随之改变，因此RGB对亮度敏感，不适于存在遮挡、阴影等情境的图像处理。
步骤102：将所述遥感图像转换为遥感HSV图像，提取所述遥感HSV图像中的阴影区域图像，结合所述道路区域图像获取疑似阴影遮挡道路区域图像。
其中，所述遥感HSV图像为所述遥感图像的不变色彩空间图像，HSV色彩空间包含色调分量H、饱和度分量S和亮度分量V，亮度分量独立，HSV不易受光照影响，适于处理遮挡/阴影状态下的图像。由此，可考虑将RGB和HSV多色彩空间融合，以提高遮挡状态下道路提取的精度。
可选地，本发明利用阴影检测方法识别遥感HSV图像的阴影区域，同时提取遥感图像的道路区域，并叠加上述阴影区域图像，获取疑似阴影遮挡道路区域。
步骤103：将所述疑似阴影遮挡道路区域图像输入阴影遮挡道路提取模型，获取阴影遮挡道路图像。
其中，阴影遮挡道路提取模型可以为预先训练完成的卷积神经网络，用于对所述疑似阴影遮挡道路区域图像进行分割预测，提取阴影遮挡道路区域道路，获取所述阴影遮挡道路图像。
步骤104：对所述道路区域图像和所述阴影遮挡道路图像进行图像融合，获取融合道路图像。
可选地，本发明可以采取常规的图像融合技术，例如对所述道路区域图像和阴影遮挡道路图像取并集，以获取融合道路图像。
本发明提供的阴影遮挡状态下的农村道路遥感提取方法，针对遥感图像中受阴影影响的道路，利用不同色彩空间在遥感道路提取中的互补作用，尤其是利用HSV色彩空间对阴影遮挡状态下的色调不变特点，建立基于多色彩空间的融合图像提取方法，提高遮挡状态下的阴影遮挡状态下的农村道路遥感提取精度。
基于上述实施例的内容，作为一种可选的实施例，本发明提供的阴影遮挡状态下的农村道路遥感提取方法，包括：基于预设转换公式将所述遥感图像转换为遥感HSV图像；利用NSVDI指数阴影检测方法获取遥感HSV图像的阴影区域图像；对所述阴影区域图像和所述道路区域图像分别进行膨胀操作，获取所述阴影区域图像和所述道路区域图像膨胀后的交集，作为所述疑似阴影遮挡道路区域图像。
可以理解的是，本发明通过预设转换公式将遥感图像转化为遥感HSV图像，具体方式如下：
Figure BDA0003950557700000081
其中，
Figure BDA0003950557700000091
Figure BDA0003950557700000092
Figure BDA0003950557700000093
HSV为不变色彩空间，H为色调分量，S为饱和度分量，V为亮度分量，由于亮度分量独立，HSV不受光照影响，适于处理遮挡/阴影状态下的图像，R，G，B为RGB色彩空间的三个分量。
进一步地，下面对NSVDI指数阴影检测方法进行说明。
本发明利用图像在HSV不变色彩空间中的饱和度分量和亮度分量构造NSVDI阴影指数，并使用NVEM自动阈值法对NSVDI阴影指数图像二值化处理进而实现阴影检测。
利用公式4计算NSVDI阴影指数，获取NSVDI阴影指数图像。
Figure BDA0003950557700000094
NVEM自动阈值法通过有效利用邻域信息自动确定分割阴影阈值。
首先，计算相应的图像灰度概率，见公式5；并使用公式6计算间隔为2m+1的邻域灰度概率之和：
Figure BDA0003950557700000095
Figure BDA0003950557700000096
其中，f(g)是灰度值为g的像素数，h(g)是图像灰度概率，
Figure BDA0003950557700000097
是间隔为2m+1的邻域灰度概率之和，L是图像灰度级，n是图像总像素数，其中m为正整数或0。
然后，使用初始阈值t将NSVDI指数图像初步二值化处理，形成两类目标(阴影和背景)。计算两类目标的概率，见公式7；然后计算两类目标的数学期望，见公式8.
Figure BDA0003950557700000101
Figure BDA0003950557700000102
其中，p0(t)为阴影类目标的概率，p1(t)为背景类目标的概率，μ0(t)为阴影类目标的数学期望，μ1(t)为背景类目标的数学期望。
利用计算间隔为2m+1的邻域信息加和对类间方差进行加权修正，见公式9。
Figure BDA0003950557700000103
最后，使用公式10自动确定理想分割阈值T。
T＝argmax[ξ(t)],0<t<L-1  (公式10)
利用分割阈值T对NSVDI阴影指数图像进行二值化处理，实现阴影检测，获取阴影区域图像。
基于上述实施例的内容，作为一种可选的实施例，本发明提供的阴影遮挡状态下的农村道路遥感提取方法，所述提取遥感图像中的道路区域图像，包括：获取遥感图像样本，并且标注所述遥感图像样本中的道路作为遥感图像样本标签，以构建遥感图像样本集；基于所述遥感图像样本集训练第一卷积神经网络，获取所述道路提取模型；将所述遥感图像输入所述道路提取模型，获取所述道路区域图像。
可选地，本发明可以利用任何卷积神经网络等深度学习方法，训练基于遥感图像的道路提取模型，以对遥感图像进行道路分割提取，获取道路区域图像。
由于卷积神经网络具有特征自提取的能力，可以自动提取道路在影像中的多个层次的各种特征，以及特征组合来识别道路，因此基于卷积神经网络进行高分辨率遥感影像中道路提取避免了人工参与特征设计和阈值参数调整带来的繁重工作量和主观干扰，尤其在大规模数据应用上的分割精度和效率都更有优势。
DeepLabv3+网络中的空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块，利用不同空洞率的空洞卷积捕获多尺度的语义信息，应用于阴影遮挡状态下的农村道路遥感提取时，能更有效利用背景信息和邻域信息，因而利用DeepLabv3+网络提取宽度更窄的道路时精度也能满足需求。同时，多尺度邻域信息的有效利用，能提取阴影道路区域与邻近非阴影区域的组合特征，进而实现遮挡状态道路的高精度提取。下面，以使用语义图像分割深度学习方法DeepLabv3+为例说明。
首先，准备遥感图像样本，并标注上述遥感图像样本中的道路得到样本标签；随机抽取样本并按比例划分训练集、验证集，得到遥感图像样本集。可以理解的是，所述遥感图像样本集包括遥感图像训练样本集以及遥感图像验证样本集。
进一步地，本发明使用遥感图像训练样本集进行DeepLabv3+模型训练，不断调整DeepLabv3+网络模型参数，得到道路提取模型；并输入遥感图像验证样本利用Mean IOU和道路IOU精度评价指标对上述道路提取模型进行评价，直至得到满足精度的道路提取模型。
本发明可以利用道路提取模型对待检测的RGB遥感图像进行道路分割预测，提取所述遥感图像的道路区域图像。
基于上述实施例的内容，作为一种可选的实施例，本发明提供的阴影遮挡状态下的农村道路遥感提取方法，获取所述阴影遮挡道路提取模型的步骤包括：获取遥感HSV图像样本，并且标注所述遥感HSV图像样本中的阴影遮挡道路作为遥感HSV图像样本标签，以构建遥感HSV图像样本集；基于所述遥感HSV图像样本集训练第二卷积神经网络，获取所述阴影遮挡道路提取模型。下面，结合具体实施例进行说明。
首先，制作遥感HSV图像样本集。将上述遥感图像样本集中的遥感图像样本进行HSV色彩空间转换获取遥感HSV图像样本，并标注阴影遮挡状态下的道路得到样本标签；随机抽取样本并按比例划分训练集、验证集，得到HSV样本集。可以理解的是，所述遥感HSV图像样本集包括遥感HSV图像训练样本集、遥感HSV图像验证样本集。
然后，使用遥感HSV图像训练样本集进行DeepLabv3+模型训练，不断调整DeepLabv3+网络模型参数，得到阴影遮挡道路提取模型；并输入验证集数据利用Mean IOU和道路IOU精度评价指标对上述阴影遮挡道路提取模型进行评价，直至得到满足精度的阴影遮挡道路提取模型。
最后，利用阴影遮挡道路提取模型对待检测的遥感HSV图像，进行道路分割预测，提取阴影遮挡道路，获取阴影遮挡道路图像。
基于上述实施例的内容，作为一种可选的实施例，图2是本发明提供的阴影遮挡状态下的农村道路遥感提取方法的流程示意图之二，如图2所示，对所述道路区域图像和所述阴影遮挡道路图像进行图像融合，获取融合道路图像，包括以下步骤：
步骤201：对所述道路区域图像进行二值化处理，获取第一图像；对所述阴影遮挡道路图像进行二值化处理，获取第二图像。
将二值化后的道路区域图像记作Resultrgb，将二值化后的阴影遮挡道路图像记作Resulthsv。
步骤202：基于所述第一图像和所述第二图像，获取确切融合结果子集和疑似融合结果子集。
可选地，基于所述第一图像和所述第二图像，获取确切融合结果子集和疑似融合结果子集，包括：计算所述第一图像和所述第二图像的交集，作为所述确切融合结果子集；根据第三图像与所述确切融合结果子集的差，获取所述疑似融合结果子集；所述第三图像为所述第一图像和所述第二图像的并集。
具体地，计算所述第一图像和所述第二图像的交集，作为所述确切融合结果子集，其具体公式为：
ResultA＝Resultrgb∩Resulthsv   (公式11)
其中，ResultA为确切融合结果子集。
第三图像为所述第一图像和所述第二图像的并集，其计算公式为：
ResultB＝Resultrgb∪Resulthsv   (公式12)
其中，ResultB为第三图像。
再取ResultB中ResultA的补集，记作ResultC，见公式13，可以求取疑似融合结果子集ResultC。
Figure BDA0003950557700000131
步骤203：根据融合结果一致性权重与疑似融合结果子集，计算得到融合一致性结果矩阵。
ResultC是由Resultrgb和Resulthsv中互补的道路分割结果组成的，由于分割结果中存在噪声，直接将ResultC作为融合结果子集，可能导致融合结果存在噪声，降低融合精度，因此，需在融合过程中引入空间一致性概念：如果相邻的两像素间像素值相似，那么它们的权重也会趋于相似，据此有效的解决融合结果的降噪问题。
ResultC作为疑似融合结果子集，通过设置一致性权重规则判别子集中的元素是否为融合结果。
融合结果一致性权重，由两部分组成：第一部分是八邻域内一致性权重，包括疑似融合结果子集的八邻域、不同色彩空间提取结果子集的八邻域权重；第二部分是分层邻域内一致性权重，考虑道路宽度与形态特征，建立两个空间分层邻域，分别计算疑似融合子集在两个空间邻域中的权重。具体说明如下：
ResultC中像素点p的空间8-邻域内，所有像素点值的算术平均值记为像素点p的第一一致性权重，计算第一一致性权重，其公式见公式14。
Figure BDA0003950557700000141
其中，WAp为第一一致性权重，Ii表示所述疑似融合结果子集的任一像素点p的八邻域内的第i个邻域处的元素值。
Resultrgb和Resulthsv中像素点p的空间8-邻域内，所有像素点值的算术平均值记为像素点p的第二一致性权重，计算第二一致性权重，其公式见公式15。
Figure BDA0003950557700000142
WBp为第二一致性权重，Irgb i为第一图像的任一像素点p的八邻域内的第i个邻域处的元素值，Ihsv i为第二图像的任一像素点p的八邻域内的第i个邻域处的元素值。
利用道路的狭长特性以及道路有限宽度的特征，对像素点的空间临近邻域进行分层，邻域分层距离依据如下：
根据图像空间分辨率可知图像中的一个像素所对应的地面范围为R0米，道路宽度一般在6米以下，设置图像ResultB中像素点p的第一层空间邻域N1，见公式16：
Figure BDA0003950557700000143
像素点p的第二层空间邻域N2，见公式17：
Figure BDA0003950557700000144
像素点p的空间N1-邻域指p点邻近的
Figure BDA0003950557700000145
结果取整的8倍个像素点空间，即p点上下左右四个方向
Figure BDA0003950557700000146
个像素点距离覆盖的像素矩阵空间。
ResultB中像素点p的空间N1-邻域内(即第一层空间邻域)，所有像素点值的算术平均值记为像素点p的第三一致性权重，见公式18。
Figure BDA0003950557700000151
WCp为第三一致性权重，N1为第三图像ResultB的任一像素点p的第一层空间邻域，
Figure BDA0003950557700000154
为第三图像的任一像素点p的第一层空间邻域内的第i个邻域处的元素值。
ResultB中像素点p的空间N2-邻域内(即第二层空间邻域)，所有像素点值的算术平均值记为像素点p的第四一致性权重，见公式19。
Figure BDA0003950557700000152
WDp为第四一致性权重，N2为第三图像ResultB的任一像素点p的第二层空间邻域，
Figure BDA0003950557700000153
为第三图像的任一像素点p的第二层空间邻域内的第i个邻域处的元素值。
ResultC中像素点p的融合结果一致性权重记为W，见公式20。
W＝αWAp+βWBp+γWCp+δWDp   (公式20)
其中，α、β、γ、δ为一致性权重值的系数，遵循规则，见公式21。权重系数值可依经验分别设置为0.3、0.3、0.3、0.1，也可通过将融合结果与真值拟合得到。
α+β+γ+δ＝1   (公式21)
针对ResultC中像素点p，依据公式20计算其融合一致性权重，得到ResultC的融合一致性结果矩阵M，见公式22。
M＝W×ResultC   (公式22)
其中，α、β、γ、δ为一致性权重的系数，W为融合结果一致性权重。
步骤204：根据融合一致性阈值与融合一致性结果矩阵，在确定疑似融合结果子集中的元素融合通过后，结合所述确切融合结果子集获取目标融合结果。
本发明可以根据需要设置融合一致性阈值，依据经验可设置融合一致性阈值为0.6，将M中高于0.6的元素在ResultC中对应的像素点值赋为1并加入确切融合结果子集ResultA，得到最终的目标融合结果。
步骤205：对所述目标融合结果进行优化，获取所述融合道路图像。
融合后的生成的目标融合结果还可能由于遮挡存在细节不连续的情况，为提高道路形态完整性，使道路融合提取结果能直接应用于空间分析，可利用膨胀、腐蚀、细化等形态学方法对目标融合结果进行优化处理，实现对道路的断线修复、去噪和道路中心线提取。
综上所述，本发明面向高分辨率可见光遥感图像中部分道路被植被等地物阴影遮挡导致道路分割结果存在断线的问题，基于多色彩空间和深度学习算法建立了遮挡状态下的遥感道路融合提取方法，首先提取疑似阴影遮挡道路区域图像，然后利用阴影遮挡道路提取模型提取阴影遮挡道路图像；一方面HSV不变色彩空间不受光照影响，适于处理阴影遮挡图像，另一方面该阴影遮挡道路提取模型能够对于多尺度邻域信息进行有效的利用，能提取阴影道路区域与邻近非阴影区域的组合特征，进而实现阴影遮挡道路的准确提取；进一步地，构建多色彩空间融合结果一致性权重指数和判别方法，将道路区域图像和阴影遮挡道路图像进行一致性融合，降低了融合结果的噪声和不确定性，进而提高遮挡状态道路提取精度。
图3是本发明提供的阴影遮挡状态下的农村道路遥感提取装置的结构示意图，如图3所示，所述装置包括：第一图像处理单元301、第二图像处理单元302、第三图像处理单元303和第四图像处理单元304。
第一图像处理单元301，用于提取遥感图像中的道路区域图像；
第二图像处理单元302，用于将所述遥感图像转换为遥感HSV图像，提取所述遥感HSV图像中的阴影区域图像，结合所述道路区域图像获取疑似阴影遮挡道路区域图像；所述遥感图像为包含阴影遮挡状态下农村道路的RGB图像，所述遥感HSV图像为所述遥感图像的不变色彩空间图像；
第三图像处理单元303，用于将所述疑似阴影遮挡道路区域图像输入阴影遮挡道路提取模型，获取阴影遮挡道路图像；
第四图像处理单元304，用于对所述道路区域图像和所述阴影遮挡道路图像进行图像融合，获取融合道路图像。
需要说明的是，本发明实施例提供的阴影遮挡状态下的农村道路遥感提取装置，在具体运行时，可以执行上述任一实施例所述的阴影遮挡状态下的农村道路遥感提取方法，对此本实施例不作赘述。
图4是本发明提供的电子设备的结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行阴影遮挡状态下的农村道路遥感提取方法，该方法包括：提取遥感图像中的道路区域图像；将所述遥感图像转换为遥感HSV图像，提取所述遥感HSV图像中的阴影区域图像，结合所述道路区域图像获取疑似阴影遮挡道路区域图像；所述遥感图像为包含阴影遮挡状态下农村道路的RGB图像，所述遥感HSV图像为所述遥感图像的不变色彩空间图像；将所述疑似阴影遮挡道路区域图像输入阴影遮挡道路提取模型，获取阴影遮挡道路图像；对所述道路区域图像和所述阴影遮挡道路图像进行图像融合，获取融合道路图像。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各实施例所提供的阴影遮挡状态下的农村道路遥感提取方法，该方法包括：提取遥感图像中的道路区域图像；将所述遥感图像转换为遥感HSV图像，提取所述遥感HSV图像中的阴影区域图像，结合所述道路区域图像获取疑似阴影遮挡道路区域图像；所述遥感图像为包含阴影遮挡状态下农村道路的RGB图像，所述遥感HSV图像为所述遥感图像的不变色彩空间图像；将所述疑似阴影遮挡道路区域图像输入阴影遮挡道路提取模型，获取阴影遮挡道路图像；对所述道路区域图像和所述阴影遮挡道路图像进行图像融合，获取融合道路图像。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的阴影遮挡状态下的农村道路遥感提取方法，该方法包括：提取遥感图像中的道路区域图像；将所述遥感图像转换为遥感HSV图像，提取所述遥感HSV图像中的阴影区域图像，结合所述道路区域图像获取疑似阴影遮挡道路区域图像；所述遥感图像为包含阴影遮挡状态下农村道路的RGB图像，所述遥感HSV图像为所述遥感图像的不变色彩空间图像；将所述疑似阴影遮挡道路区域图像输入阴影遮挡道路提取模型，获取阴影遮挡道路图像；对所述道路区域图像和所述阴影遮挡道路图像进行图像融合，获取融合道路图像。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种阴影遮挡状态下的农村道路遥感提取方法，其特征在于，包括：
提取遥感图像中的道路区域图像；
将所述遥感图像转换为遥感HSV图像，提取所述遥感HSV图像中的阴影区域图像，结合所述道路区域图像获取疑似阴影遮挡道路区域图像；所述遥感图像为包含阴影遮挡状态下农村道路的RGB图像，所述遥感HSV图像为所述遥感图像的不变色彩空间图像；
将所述疑似阴影遮挡道路区域图像输入阴影遮挡道路提取模型，获取阴影遮挡道路图像；
对所述道路区域图像和所述阴影遮挡道路图像进行图像融合，获取融合道路图像。
2.根据权利要求1所述的阴影遮挡状态下的农村道路遥感提取方法，其特征在于，将所述遥感图像转换为遥感HSV图像，提取所述遥感HSV图像中的阴影区域图像，结合所述道路区域图像获取疑似阴影遮挡道路区域图像，包括：
基于预设转换公式将所述遥感图像转换为遥感HSV图像；
利用NSVDI指数阴影检测方法获取遥感HSV图像的阴影区域图像；
对所述阴影区域图像和所述道路区域图像分别进行膨胀操作，获取所述阴影区域图像和所述道路区域图像膨胀后的交集，作为所述疑似阴影遮挡道路区域图像。
3.根据权利要求2所述的阴影遮挡状态下的农村道路遥感提取方法，其特征在于，所述提取遥感图像中的道路区域图像，包括：
获取遥感图像样本，并且标注所述遥感图像样本中的道路作为遥感图像样本标签，以构建遥感图像样本集；
基于所述遥感图像样本集训练第一卷积神经网络，获取所述道路提取模型；
将所述遥感图像输入所述道路提取模型，获取所述道路区域图像。
4.根据权利要求3所述的阴影遮挡状态下的农村道路遥感提取方法，其特征在于，获取所述阴影遮挡道路提取模型的步骤，包括：
获取遥感HSV图像样本，并且标注所述遥感HSV图像样本中的阴影遮挡道路作为遥感HSV图像样本标签，以构建遥感HSV图像样本集；
基于所述遥感HSV图像样本集训练第二卷积神经网络，获取所述阴影遮挡道路提取模型。
5.根据权利要求2所述的阴影遮挡状态下的农村道路遥感提取方法，其特征在于，对所述道路区域图像和所述阴影遮挡道路图像进行图像融合，获取融合道路图像，包括：
对所述道路区域图像进行二值化处理，获取第一图像；对所述阴影遮挡道路图像进行二值化处理，获取第二图像；
基于所述第一图像和所述第二图像，获取确切融合结果子集和疑似融合结果子集；
根据融合结果一致性权重与疑似融合结果子集，计算得到融合一致性结果矩阵；
根据融合一致性阈值与融合一致性结果矩阵，在确定疑似融合结果子集中的元素融合通过后，结合所述确切融合结果子集获取目标融合结果；
对所述目标融合结果进行优化，获取所述融合道路图像。
6.根据权利要求5所述的阴影遮挡状态下的农村道路遥感提取方法，其特征在于，基于所述第一图像和所述第二图像，获取确切融合结果子集和疑似融合结果子集，包括：
计算所述第一图像和所述第二图像的交集，作为所述确切融合结果子集；
根据第三图像与所述确切融合结果子集的差，获取所述疑似融合结果子集；所述第三图像为所述第一图像和所述第二图像的并集。
7.根据权利要求6所述的阴影遮挡状态下的农村道路遥感提取方法，其特征在于，计算所述融合结果一致性权重，具体包括：
计算第一一致性权重，其公式为：
Figure FDA0003950557690000031
计算第二一致性权重，其公式为：
Figure FDA0003950557690000032
计算第三一致性权重，其公式为：
Figure FDA0003950557690000033
计算第四一致性权重，其公式为：
Figure FDA0003950557690000034
计算融合结果一致性权重的公式为：
W＝αWAp+βWBp+γWCp+δWDp
其中，WAp为第一一致性权重，Ii表示所述疑似融合结果子集的任一像素点的八邻域内的第i个邻域处的元素值；WBp为第二一致性权重，Irgb i为第一图像的任一像素点的八邻域内的第i个邻域处的元素值，Ihsv i为第二图像的任一像素点的八邻域内的第i个邻域处的元素值；WCp为第三一致性权重，N1为第三图像的任一像素点的第一层空间邻域，
Figure FDA0003950557690000035
为第三图像的任一像素点的第一层空间邻域内的第i个邻域处的元素值；WDp为第四一致性权重，N2为第三图像的任一像素点的第二层空间邻域，
Figure FDA0003950557690000036
为第三图像的任一像素点的第二层空间邻域内的第i个邻域处的元素值；α、β、γ、δ为一致性权重的系数，W为融合结果一致性权重。
8.一种阴影遮挡状态下的农村道路遥感提取装置，其特征在于，包括：
第一图像处理单元，用于提取遥感图像中的道路区域图像；
第二图像处理单元，用于将所述遥感图像转换为遥感HSV图像，提取所述遥感HSV图像中的阴影区域图像，结合所述道路区域图像获取疑似阴影遮挡道路区域图像；所述遥感图像为包含阴影遮挡状态下农村道路的RGB图像，所述遥感HSV图像为所述遥感图像的不变色彩空间图像；
第三图像处理单元，用于将所述疑似阴影遮挡道路区域图像输入阴影遮挡道路提取模型，获取阴影遮挡道路图像；
第四图像处理单元，用于对所述道路区域图像和所述阴影遮挡道路图像进行图像融合，获取融合道路图像。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述阴影遮挡状态下的农村道路遥感提取方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述阴影遮挡状态下的农村道路遥感提取方法的步骤。
CN202211448742.1A 2022-11-18 2022-11-18 阴影遮挡状态下的农村道路遥感提取方法及装置 Active CN115995046B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211448742.1A CN115995046B (zh) 2022-11-18 2022-11-18 阴影遮挡状态下的农村道路遥感提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211448742.1A CN115995046B (zh) 2022-11-18 2022-11-18 阴影遮挡状态下的农村道路遥感提取方法及装置

Publications (2)

Publication Number Publication Date
CN115995046A true CN115995046A (zh) 2023-04-21
CN115995046B CN115995046B (zh) 2023-08-04

Family

ID=85991335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211448742.1A Active CN115995046B (zh) 2022-11-18 2022-11-18 阴影遮挡状态下的农村道路遥感提取方法及装置

Country Status (1)

Country Link
CN (1) CN115995046B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006023958A (ja) * 2004-07-07 2006-01-26 Hitachi Software Eng Co Ltd 道路領域決定可能プログラム及び道路領域決定方法
CN108985247A (zh) * 2018-07-26 2018-12-11 北方工业大学 多光谱图像城市道路识别方法
US20200082179A1 (en) * 2017-06-09 2020-03-12 Denso Corporation Map points-of-change detection device
CN112287807A (zh) * 2020-10-27 2021-01-29 武汉大学 一种基于多分支金字塔神经网络的遥感影像道路提取方法
CN112528803A (zh) * 2020-12-03 2021-03-19 中国地质大学（武汉） 道路特征提取方法、装置、设备及存储介质
CN114359143A (zh) * 2021-12-01 2022-04-15 武汉华中天经通视科技有限公司 一种遥感影像道路提取方法
CN114818851A (zh) * 2022-03-09 2022-07-29 辽宁工程技术大学 一种基于特征差异性的农村道路矢量数据纠正方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006023958A (ja) * 2004-07-07 2006-01-26 Hitachi Software Eng Co Ltd 道路領域決定可能プログラム及び道路領域決定方法
US20200082179A1 (en) * 2017-06-09 2020-03-12 Denso Corporation Map points-of-change detection device
CN108985247A (zh) * 2018-07-26 2018-12-11 北方工业大学 多光谱图像城市道路识别方法
CN112287807A (zh) * 2020-10-27 2021-01-29 武汉大学 一种基于多分支金字塔神经网络的遥感影像道路提取方法
CN112528803A (zh) * 2020-12-03 2021-03-19 中国地质大学（武汉） 道路特征提取方法、装置、设备及存储介质
CN114359143A (zh) * 2021-12-01 2022-04-15 武汉华中天经通视科技有限公司 一种遥感影像道路提取方法
CN114818851A (zh) * 2022-03-09 2022-07-29 辽宁工程技术大学 一种基于特征差异性的农村道路矢量数据纠正方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GUANGLIANG CHENG等: "Recognizing road from satellite images by structured neural network", 《NEUROCOMPUTING》, pages 1 - 11 *
何惠馨等: "基于亮度补偿的遥感影像阴影遮挡道路提取方法", 《地球信息科学学报》, vol. 22, no. 2, pages 1 - 10 *

Also Published As

Publication number Publication date
CN115995046B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
CN111986099B (zh) 基于融合残差修正的卷积神经网络的耕地监测方法及系统
CN108573276B (zh) 一种基于高分辨率遥感影像的变化检测方法
CN103400151B (zh) 一体化的光学遥感影像与gis自动配准与水体提取方法
CN110599537A (zh) 基于Mask R-CNN的无人机图像建筑物面积计算方法及系统
CN103186904B (zh) 图片轮廓提取方法及装置
CN106097444A (zh) 高精地图生成方法和装置
Rahaman et al. An efficient multilevel thresholding based satellite image segmentation approach using a new adaptive cuckoo search algorithm
CN110569837A (zh) 优化损伤检测结果的方法及装置
CN106897986B (zh) 一种基于多尺度分析的可见光图像与远红外图像融合方法
Türkyılmaz et al. License plate recognition system using artificial neural networks
CN110232389A (zh) 一种基于绿色作物特征提取不变性的立体视觉导航方法
CN111666900B (zh) 基于多源遥感影像的土地覆盖分类图的获取方法和装置
EP3843036A1 (en) Sample labeling method and device, and damage category identification method and device
CN114898097B (zh) 图像识别方法及系统
CN114241326B (zh) 一种渐进式遥感影像地物要素智能生产方法及系统
CN108537169A (zh) 一种基于中心线和路宽检测算法的高分辨率遥感影像道路提取方法
CN115223054A (zh) 一种基于分区聚类与卷积的遥感影像变化检测方法
CN113378912B (zh) 一种基于深度学习目标检测的林区非法开垦地块检测方法
CN115019163A (zh) 基于多源大数据的城市要素识别方法
Korpela et al. The performance of a local maxima method for detecting individual tree tops in aerial photographs
CN112613354A (zh) 一种基于稀疏降噪自编码器的异质遥感图像变化检测方法
CN115995046B (zh) 阴影遮挡状态下的农村道路遥感提取方法及装置
CN104200460A (zh) 基于图像特征和互信息的图像配准方法
CN111860465A (zh) 基于超像素的遥感图像提取方法、装置、设备及存储介质
Albert et al. Land use classification using conditional random fields for the verification of geospatial databases

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