多光譜遙感影像道路中心線自動檢測方法
【專利摘要】本發(fā)明公開了一種多光譜遙感影像道路中心線自動檢測方法。其實現(xiàn)步驟是：1.輸入多光譜遙感圖像，調(diào)整其數(shù)據(jù)格式；2.對調(diào)整后的多光譜遙感圖像進行道路光譜標記；3.計算多光譜遙感圖像聚類中心及對應類別號；4.比較聚類中心和道路光譜標記的距離，獲得道路類別號；5.將道路類別號對應像素點灰度值設為1，獲得二值圖像；6.濾除二值圖像中細小斑點區(qū)域，獲得去噪圖像；7.濾除去噪圖像中非道路特征區(qū)域，獲得特征圖像；8.濾除建筑物與道路耦合區(qū)域，獲得區(qū)域圖像；9.從區(qū)域圖像中提取出道路中心線。本發(fā)明具有檢測性能高、區(qū)域適應性強的優(yōu)點，可用于郊區(qū)多光譜遙感影像中道路中心線和城區(qū)多光譜遙感影像中道路中心線的檢測。
【專利說明】多光譜遙感影像道路中心線自動檢測方法
【技術領域】
[0001]本發(fā)明屬于圖像處理【技術領域】，涉及遙感圖像的目標檢測，具體說是一種遙感圖像道路目標檢測方法。該方法適用于道路目標的自動檢測。
【背景技術】
[0002]多光譜遙感影像是利用衛(wèi)星多光譜掃描系統(tǒng)對地掃描獲得的高分辨率圖像，其豐富的光譜信息為地物影像計算機識別與檢測提供了可能。但由于其光譜維度低，空間分辨率較低，使得土地利用、覆蓋信息的提取成為遙感信息處理的難點問題之一。道路作為重要的人造地物是現(xiàn)代交通體系的主體，具有重要的地理、政治、經(jīng)濟意義，道路也是地圖和地理信息系統(tǒng)中主要記錄和標識對象。由于數(shù)字化地理交通信息的要求，迫切需要一種道路目標的自動檢測算法。
[0003]Shukla V.和 ChandrakanthR.在文章 “Sem1-Automatic Road Extract1nAlgorithm for High Resolut1n Image Using Path Following Approach，，(ICV GIP SpaceApplicat1ns Centre Ahmedabad, 2002)中提出一種基于邊緣跟蹤的半自動道路檢測方法。該方法先給定初始的種子點和初始方向，然后開始邊緣跟蹤，直到邊緣終止處作為新的跟蹤種子點，基于邊緣跟蹤方法得到的路徑就是一條候選道路段。采用半自動檢測算法得到的道路較為準確，但是需要人機交互提供給計算機先驗信息，再由計算機完成剩余操作，其顯著缺點是不能夠自適應完成道路檢測工作且人工干擾大、工作量大。
[0004]Thierry Geraud和 Jean-Baptiste Mouret在文章“Fast Road Network Extract1nin Satellite Image Using Mathematical Morphology and Markov Random Fields，，(EURASIPJournal on Applied Signal Processing, 2004)中提出了一種基于數(shù)學形態(tài)學和馬爾科夫隨機場的道路自動提取方法。該方法首先使用區(qū)域形態(tài)學算子對圖像進行預處理，然后進行分水嶺變換，保留道路信息，再用馬爾科夫隨機場模型對道路建模，按照道路節(jié)點的連接情況建立區(qū)域鄰接圖，并通過道路連接點數(shù)判斷是否道路，從而去除非道路段。該方法對山區(qū)、鄉(xiāng)村道路提取效果較好，但對于城市道路中建筑物與道路的粘連情況難以有效處理。
[0005]Zhang Q.和 Couloigner 1.在文章“A wavelet approach to road extract1n fromhigh spatial resolut1n remotely-sensed imagery (Geomatica, 2004)中提出了一種多尺度道路提取方法。該方法運用小波變換提取道路中心線，根據(jù)道路交叉點和道路中心線在小波變換后不同層級的小波系數(shù)呈現(xiàn)出的不同規(guī)律來提取交叉點和中心線。該方法不太穩(wěn)定，易受局部特征影響。
[0006]S.1dbraim 和 D.Mammass 在文章 “An automatic system for urban roadextract1n from satellite and aerial images” (WSEAS Transact1ns on SignalProcessing archive, 2008)中提出了一種高分辨率遙感影像道路提取算法。該方法采用基于自適應方向濾波器和分水嶺變換，對圖像沿道路方向進行逐塊濾波，得到道路主方向后，將分水嶺算法應用于梯度圖上，糾正上一階段的錯誤，計算分水嶺盆地的表面曲率系數(shù)，判斷是否道路。該方法存在的不足是由于道路邊緣的建筑物和路面呈現(xiàn)近似的灰度特征，導致道路邊界模糊，錯誤分割。

【發(fā)明內(nèi)容】

[0007]本發(fā)明的目的在于針對上述現(xiàn)有道路檢測算法的不足，提出了一種多光譜遙感影像道路中心線自動檢測方法，以避免大量人工操作，提高道路檢測精度和檢測速度，實現(xiàn)對遙感影像中道路目標的自動檢測。
[0008]實現(xiàn)本發(fā)明目的的技術方案包括如下步驟:
[0009](I)輸入高分辨率16位多光譜遙感圖像，并調(diào)整這些遙感圖像的數(shù)據(jù)格式構建光譜矢量SV ；
[0010](2)利用光譜矢量完善光譜標記庫:
[0011]若光譜標記庫未建立，則在調(diào)整后的遙感圖像上人工標記N個典型光譜矢量Vi, i=I…N, N為人工標記道路目標總數(shù)，Vi分別對應所有人工標記道路目標的典型光譜矢量，計算N個典型光譜矢量Vi的均值V作為道路目標光譜標記；
[0012]若光譜標記庫已建立且標記庫中包含道路目標的光譜標記，則取出光譜標記庫中道路目標光譜標記V;
[0013](3)設定聚類數(shù)目K，K≥3，采用K-Means聚類算法獲得聚類后的聚類中心Qi,以及Qi對應的類別號Ri, i = 1...Κ ;
[0014](4)計算聚類中心Qi與道路光譜標記V的歐氏距離Ai, i = Ρ..Κ，其中Ai的最小值為Amin，最小值Amin對應的類別號為Rmin，類別號Rmin為包含道路目標類別；
[0015](5)將類別號Rmin所對應光譜矢量的灰度值設定為1，剩余其它類別號民所對應光譜矢量的灰度值設定為0，i = Ρ..Κ，得到包含道路目標的二值圖像BW;
[0016](6)濾除包含道路目標的二值圖像BW中連通域面積S小于50的細小斑點區(qū)域，得到去噪圖像BW2 ；
[0017](7)濾除去噪圖像BW2中連通域長寬比C小于1.3的連通區(qū)域，并濾除該連通域矩形度P大于0.3的連通區(qū)域，得到滿足道路形態(tài)學約束的特征圖像BW3 ；
[0018](8)采用top-hat變換濾除特征圖像BW3中指定結構元素strel的區(qū)域,得到去除部分建筑物的耦合圖像BW4，該指定結構元素strel是指類型為圓盤型，大小為9的結構元素；
[0019](9)采用多方向線形濾波方法完全濾除耦合圖像BW4中與道路粘連的建筑物區(qū)域，得到完全去除建筑物的區(qū)域圖像BW5 ；
[0020](10)采用形態(tài)學細化算法對區(qū)域圖像BW5進行細化操作，得到道路中心線road。
[0021]本發(fā)明與現(xiàn)有方法相比具有如下優(yōu)點:
[0022]第一，本發(fā)明較選用道路種子點和初始方向的半自動檢測方法，減少了人工操作。
[0023]第二，本發(fā)明利用道路目標同其它地物具有不同光譜特征的性質，采用K-means算法獲得道路檢測結果，克服了現(xiàn)有道路檢測方法對遙感光譜信息利用率低的問題。
[0024]第三，本發(fā)明利用一系列形態(tài)學處理獲得最終道路中心線檢測結果，由于形態(tài)學操作簡單，處理速度快，使得本發(fā)明具有簡單快速的特點。
[0025]第四，本發(fā)明利用道路目標在圖像中呈現(xiàn)細長、線狀特性并具有明顯方向性的特點，使用top-hat變換和多方向線形濾波去除與道路目標耦合的建筑物區(qū)域，能很好的實現(xiàn)城市中道路目標的檢測。
【專利附圖】

【附圖說明】
[0026]圖1為本發(fā)明的整體流程圖；
[0027]圖2為用本發(fā)明對郊區(qū)多光譜遙感圖像的檢測實驗效果圖；
[0028]圖3為用本發(fā)明對城區(qū)多光譜遙感圖像的檢測實驗效果圖；
[0029]圖4為用本發(fā)明對西安電子科技大學新校區(qū)的檢測實驗效果圖。
【具體實施方式】
[0030]下面結合附圖，對本發(fā)明的實現(xiàn)和效果作進一步的詳細描述。
[0031]參照圖1，本發(fā)明的實現(xiàn)步驟如下:
[0032]步驟1，輸入多光譜遙感圖像g，該多光譜遙感圖像的行數(shù)為h，列數(shù)為W，光譜層數(shù)為 P,其中 h>0, w>0, p ^ 4o
[0033]步驟2，對多光譜遙感圖像g的每個光譜層分別作累計直方圖調(diào)整，得到調(diào)整后的多光譜遙感圖像g,。 [0034](2a)將多光譜遙感圖像g中第k光譜層的子圖像保存為gk，k= L...p，計算該子圖像gk的最小灰度值mink和最大灰度值maxk,并在mink~maxk范圍內(nèi)做子圖像gk的累計直方圖；
[0035](2b)將累計直方圖2%位置處的灰度值保存為Zmin，將累計直方圖98%位置處的灰度值保存為Zmax,將子圖像gk中所有小于Zmin的灰度值用Zmin代替,將子圖像gk中所有大于Zmax的灰度值用Zmax代替；
[0036](2c)將子圖像gk在Zmin~Zmax范圍內(nèi)的灰度映射到O~65535灰度值，最后將各層子圖像gk按光譜層順序拼合得到調(diào)整后的多光譜遙感圖像g,。
[0037]步驟3，添加道路目標光譜標記V。
[0038](3a)用調(diào)整后的多光譜遙感圖像g'中的每個像素點在不同光譜層的灰度值構成矢量，即光譜矢量SVq，q= Ρ..Μ，Μ表示多光譜遙感圖像g'中光譜矢量的總數(shù)；
[0039](3b)采用真彩色模式顯示多光譜圖像g'，在圖像g'上人工標記N個最具代表性的典型光譜矢量Vi,對N個人工標記的典型光譜矢量Vi求取均值得到道路光譜標記V。
[0040]步驟4，采用K-Means聚類算法獲得聚類后的聚類中心Qi,以及Qi對應的類別號Ri ο
[0041](4a)設置K-Means聚類算法的參數(shù):選定距離測度為歐氏距離，選定收斂系數(shù)ζ為0.0I，選定最大迭代次數(shù)T為50 ;
[0042](4b)選擇多光譜遙感圖像g'的第一個光譜矢量SV1作為當前光譜矢量d，隨機選定K個初始聚類中心作為當前聚類中心Qi ；
[0043](4c)計算當前光譜矢量d到所有當前聚類中心Qi的距離，并將當前光譜矢量d歸到距離最短的中心所在的類，得到當前光譜矢量d對應的類別號；
[0044](4d)若當前光譜矢量d不是多光譜遙感圖像g'的最后一個光譜矢量SVM，則設置當前光譜矢量d的下一個光譜矢量為當前光譜矢量d，并重復步驟(4c)；
[0045](4e)根據(jù)歐氏距離求每類的當前聚類中心Qi ；[0046](4f)重復(4b)到(4e)，直到所有中心的偏移都小于收斂系數(shù)ζ或達到最大迭代次數(shù)T時停止迭代，得到最終的聚類中心Qi和Qi對應的類別號Ri, i = I…K，K≥3，K表示聚類數(shù)目。
[0047]步驟5，計算聚類中心Qi與道路光譜標記V的歐氏距離A^i = Ρ..Κ，Κ≥3，K表示聚類數(shù)目，其中\(zhòng)的最小值為Amin，最小值Amin對應的類別號為1?_。
[0048]步驟6，將類別號Rmin所對應光譜矢量的灰度值設定為1，剩余其它類別號Ri所對應光譜矢量的灰度值設定為0，得到包含道路目標的二值圖像BW。
[0049](6a)選擇多光譜遙感圖像g'的第一個光譜矢量SV1作為當前光譜矢量d ；
[0050](6b)若當前光譜矢量d對應的類別號為Rmin，則將當前光譜矢量d的灰度值設定為1，若當前光譜矢量d對應的類別號為其它類別號Ri，則將當前光譜矢量d的灰度值設定為O ;
[0051](6c)若當前光譜矢量d不是多光譜遙感圖像g'的最后一個光譜矢量SVM，則設置當前光譜矢量d的下一個光譜矢量為當前光譜矢量d ；
[0052]^d)重復步驟^b) _(6c)，直到多光譜遙感圖像g'的最后一個光譜矢量SVm的灰度值為O或1，即得到二值圖像BW。 [0053]步驟7，濾除二值圖像BW中連通域面積S小于50的細小斑點區(qū)域，得到去噪圖像BW2。
[0054]采用K-Means算法獲得的二值圖像BW中常常包含細小斑點區(qū)域，這些斑點區(qū)域易對后續(xù)的道路檢測造成干擾。為了得到更好的道路檢測效果，本發(fā)明采用連通域方法濾除斑點區(qū)域，其步驟如下:
[0055](7a)統(tǒng)計二值圖像BW中所有初始連通域CR」的面積S」，j = L...η，η為二值圖像中初始連通域總數(shù)；
[0056](7b)若初始連通域CRj的面積Sj小于50，則將該初始連通域CRj中所有像素點的灰度值設定為0，即得到去噪圖像bw2。
[0057]步驟8，濾除去噪圖像BW2中連通域長寬比C小于1.3的連通區(qū)域，并濾除該連通域矩形度P大于0.3的連通區(qū)域，得到滿足道路形態(tài)學約束的特征圖像BW3。
[0058](8a)統(tǒng)計去噪圖像BW2中所有去噪連通域CSk的長寬比Ck，k = I為去噪圖像中去噪連通域總數(shù)，其中Ck = lkl/lk2，IklUk2分別表示去噪連通域CSk最小外接矩形的長和覽;
[0059](Sb)若去噪連通域CSk的長寬比Ck小于1.3，則將該去噪連通域CSk中所有像素點灰度值設定為O ;
[0060](8c)統(tǒng)計去噪圖像BW2中所有去噪連通域CSk的矩形度Pk，k = Ρ..πι，πι為去噪圖像中去噪連通域總數(shù)，其中Pk = Skl/Sk2，Skl為去噪連通域CSk的面積，Sk2為去噪連通域CSk最小外接矩形面積；
[0061](8d)若去噪連通域CSk的矩形度Pk大于0.3，則將該去噪連通域CSk中所有像素點灰度值設定為0，即得到特征圖像bw3。
[0062]步驟9,采用top-hat變換濾除特征圖像BW3中指定結構元素strel的區(qū)域,得到去除部分建筑物的耦合圖像BW4，該指定結構元素strel是指類型為圓盤型，大小為9的結構元素。[0063]步驟10，采用多方向線形濾波方法完全濾除耦合圖像BW4中與道路粘連的建筑物區(qū)域，得到完全去除建筑物的區(qū)域圖像bw5。
[0064](1a)構造多方向線形結構元素昊:
【權利要求】
1.一種多光譜遙感影像道路中心線自動檢測方法，包括如下步驟: (1)輸入高分辨率16位多光譜遙感圖像，并調(diào)整這些遙感圖像的數(shù)據(jù)格式構建光譜矢量SV ； (2)利用光譜矢量完善光譜標記庫: 若光譜標記庫未建立，則在調(diào)整后的遙感圖像上人工標記N個典型光譜矢量Vi, i =Ρ..Ν, N為人工標記道路目標總數(shù)，Vi分別對應所有人工標記道路目標的典型光譜矢量,計算N個典型光譜矢量Vi的均值V作為道路目標光譜標記； 若光譜標記庫已建立且標記庫中包含道路目標的光譜標記，則取出光譜標記庫中道路目標光譜標記V; (3)設定聚類數(shù)目Κ，Κ≥3，采用K-Means聚類算法獲得聚類后的聚類中心Qi,以及Qi對應的類別號Ri, i = 1-K ； (4)計算聚類中心Qi與道路光譜標記V的歐氏距離Ai,i = Ρ..Κ，其中最小值為Amin，最小值Amin對應的類別號為Rmin，類別號Rmin為包含道路目標類別； (5)將類別號Rmin所對應光譜矢量的灰度值設定為1，剩余其它類別號民所對應光譜矢量的灰度值設定為O ，i = I…K，得到包含道路目標的二值圖像BW; (6)濾除包含道路目標的二值圖像BW中連通域面積S小于50的細小斑點區(qū)域，得到去噪圖像BW2 ； (7)濾除去噪圖像BW2中連通域長寬比C小于1.3的連通區(qū)域，并濾除該連通域矩形度P大于0.3的連通區(qū)域，得到滿足道路形態(tài)學約束的特征圖像BW3 ； (8)采用top-hat變換濾除特征圖像BW3中指定結構元素strel的區(qū)域,得到去除部分建筑物的耦合圖像BW4，該指定結構元素strel是指類型為圓盤型，大小為9的結構元素； (9)采用多方向線形濾波方法完全濾除耦合圖像BW4中與道路粘連的建筑物區(qū)域，得到完全去除建筑物的區(qū)域圖像BW5 ； (10)采用形態(tài)學細化算法對區(qū)域圖像BW5進行細化操作，得到道路中心線road。
2.根據(jù)權利要求1所述的多光譜遙感影像道路中心線自動檢測方法，其中所述步驟(I)中光譜矢量SV的構建，按如下步驟進行: (Ia)將多光譜遙感圖像g的行數(shù)保存為h、列數(shù)保存為W、光譜層數(shù)保存為P ； (Ib)對多光譜遙感圖像g各光譜層的圖像分別做累計直方圖調(diào)整，得到調(diào)整后的多光譜遙感圖像^: (Ibl)將多光譜遙感圖像g中第k光譜層的子圖像保存為gk，k= L...?，計算該子圖像gk的最小灰度值mink和最大灰度值maxk,并在mink~maxk范圍內(nèi)做子圖像gk的累計直方圖； (lb2)將累計直方圖2%位置處的灰度值保存為Zmin，將累計直方圖98%位置處的灰度值保存為Zmax，將子圖像gk中所有小于Zmin的灰度值用Zmin代替，將子圖像gk中所有大于Zmax的灰度值用Zmax代替； (lb3)將子圖像gk在Zmin~Zmax范圍內(nèi)的灰度映射到O~65535灰度值，最后將各層子圖像gk按光譜層順序拼合得到調(diào)整后的多光譜遙感圖像g,; (Ic)用調(diào)整后的多光譜遙感圖像g'中的每個像素點在不同光譜層的灰度值構成矢量，即光譜矢量SV。
3.根據(jù)權利要求1所述的多光譜遙感影像道路中心線自動檢測方法，其中所述步驟(2)中人工添加光譜標記，是采用真彩色模式顯示多光譜圖像，對于需要添加的道路目標，在圖像上人工標記N個最具代表性的典型光譜矢量，并對這N個最具代表性的典型光譜矢量\求取均值得到道路光譜標記V。
4.根據(jù)權利要求1所述的多光譜遙感影像道路中心線自動檢測方法，其中所述步驟(3)采用K-Means聚類算法獲得聚類后的聚類中心Qi,以及Qi對應的類別號Ri,按如下步驟進行: (3a)初始化:選定距離測度為歐氏距離，選定收斂系數(shù)ζ為0.01，選定最大迭代次數(shù)T為50，隨機選定初始聚類中心； (3b)對調(diào)整后的多光譜遙感圖像g'的每個光譜矢量，求其到所有聚類中心的距離，并將該光譜矢量歸到距離最短的中心所在的類； (3c)根據(jù)歐氏距離求每類的中心； (3d)重復(3b)、(3c)，直到所有中心的偏移都小于收斂系數(shù)ζ或達到最大迭代次數(shù)T時停止迭代，得到最終的聚類中心Qi和Qi對應的類別號Ri, i = I…K。
5.根據(jù)權利要求1所述的多光譜遙感影像道路中心線自動檢測方法，其中所述步驟(6)中濾除二值圖像BW中連通域面積S小于50的細小斑點區(qū)域，按如下步驟進行: (6a)統(tǒng)計二值圖像BW中所有初始連通域CRj的面積S」，j = Ρ..η，η為二值圖像中連通域總數(shù)； (6b)若初始連通域CRj的面積Sj小于50，則將該連通區(qū)域中所有像素點的灰度值設定為O。
6.根據(jù)權利要求1所述的多光譜遙感影像道路中心線自動檢測方法，其中所述步驟(7)中濾除去噪圖像BW2中連通域長寬比C小于1.3的連通區(qū)域，并濾除該連通域矩形度P大于0.3的連通區(qū)域，按如下步驟進行: (7a)統(tǒng)計去噪圖像BW2中所有去噪連通域CSk的長寬比Ck，k = 1-m, m為BW2中去噪連通域總數(shù)，其中Ck= lkl/lk2，lkl、Ik2分別表示去噪連通域CSk最小外接矩形的長和寬；(7b)若去噪連通域CSk的長寬比Ck小于1.3，則將該連通域區(qū)域中所有像素點灰度值設定為O ; (7c)統(tǒng)計去噪圖像BW2中所有去噪連通域CSk的矩形度Pk，k = Ρ..πι，m為BW2中去噪連通域總數(shù)，其中Pk = Skl/Sk2，Skl為去噪連通域CSk的面積，Sk2為去噪連通域CSk最小外接矩形面積； (7d)若去噪連通域CSk的矩形度Pk大于0.3，則將該連通域區(qū)域中所有像素點灰度值設定為O。
7.根據(jù)權利要求1所述的多光譜遙感影像道路中心線自動檢測方法，其中所述步驟(9)中采用多方向線形濾波方法完全濾除耦合圖像BW4中與道路粘連的建筑物區(qū)域，按如下步驟進行: (9a)構造多方向線形結構71匕
【文檔編號】G06K9/46GK104036295SQ201410273925
【公開日】2014年9月10日 申請日期:2014年6月18日 優(yōu)先權日:2014年6月18日
【發(fā)明者】李潔, 王穎, 李圣喜, 高新波, 高憲軍, 吳晟杰, 張琪, 逄敏, 田春娜, 王秀美 申請人:西安電子科技大學