多光谱遥感影像道路中心线自动检测方法技术

本发明专利技术公开了一种多光谱遥感影像道路中心线自动检测方法。其实现步骤是：1.输入多光谱遥感图像，调整其数据格式；2.对调整后的多光谱遥感图像进行道路光谱标记；3.计算多光谱遥感图像聚类中心及对应类别号；4.比较聚类中心和道路光谱标记的距离，获得道路类别号；5.将道路类别号对应像素点灰度值设为1，获得二值图像；6.滤除二值图像中细小斑点区域，获得去噪图像；7.滤除去噪图像中非道路特征区域，获得特征图像；8.滤除建筑物与道路耦合区域，获得区域图像；9.从区域图像中提取出道路中心线。本发明专利技术具有检测性能高、区域适应性强的优点，可用于郊区多光谱遥感影像中道路中心线和城区多光谱遥感影像中道路中心线的检测。

【技术实现步骤摘要】
多光谱遥感影像道路中心线自动检测方法
本专利技术属于图像处理
，涉及遥感图像的目标检测，具体说是一种遥感图像道路目标检测方法。该方法适用于道路目标的自动检测。
技术介绍
多光谱遥感影像是利用卫星多光谱扫描系统对地扫描获得的高分辨率图像，其丰富的光谱信息为地物影像计算机识别与检测提供了可能。但由于其光谱维度低，空间分辨率较低，使得土地利用、覆盖信息的提取成为遥感信息处理的难点问题之一。道路作为重要的人造地物是现代交通体系的主体，具有重要的地理、政治、经济意义，道路也是地图和地理信息系统中主要记录和标识对象。由于数字化地理交通信息的要求，迫切需要一种道路目标的自动检测算法。ShuklaV.和ChandrakanthR.在文章“Semi-AutomaticRoadExtractionAlgorithmforHighResolutionImageUsingPathFollowingApproach”(ICVGIPSpaceApplicationsCentreAhmedabad，2002)中提出一种基于边缘跟踪的半自动道路检测方法。该方法先给定初始的种子点和初始方向，然后开始边缘跟踪，直到边缘终止处作为新的跟踪种子点，基于边缘跟踪方法得到的路径就是一条候选道路段。采用半自动检测算法得到的道路较为准确，但是需要人机交互提供给计算机先验信息，再由计算机完成剩余操作，其显著缺点是不能够自适应完成道路检测工作且人工干扰大、工作量大。ThierryGeraud和Jean-BaptisteMouret在文章“FastRoadNetworkExtractioninSatelliteImageUsingMathematicalMorphologyandMarkovRandomFields”(EURASIPJournalonAppliedSignalProcessing，2004)中提出了一种基于数学形态学和马尔科夫随机场的道路自动提取方法。该方法首先使用区域形态学算子对图像进行预处理，然后进行分水岭变换，保留道路信息，再用马尔科夫随机场模型对道路建模，按照道路节点的连接情况建立区域邻接图，并通过道路连接点数判断是否道路，从而去除非道路段。该方法对山区、乡村道路提取效果较好，但对于城市道路中建筑物与道路的粘连情况难以有效处理。ZhangQ.和CouloignerI.在文章“Awaveletapproachtoroadextractionfromhighspatialresolutionremotely-sensedimagery(Geomatica,2004)中提出了一种多尺度道路提取方法。该方法运用小波变换提取道路中心线，根据道路交叉点和道路中心线在小波变换后不同层级的小波系数呈现出的不同规律来提取交叉点和中心线。该方法不太稳定，易受局部特征影响。S.Idbraim和D.Mammass在文章“Anautomaticsystemforurbanroadextractionfromsatelliteandaerialimages”(WSEASTransactionsonSignalProcessingarchive，2008)中提出了一种高分辨率遥感影像道路提取算法。该方法采用基于自适应方向滤波器和分水岭变换，对图像沿道路方向进行逐块滤波，得到道路主方向后，将分水岭算法应用于梯度图上，纠正上一阶段的错误，计算分水岭盆地的表面曲率系数，判断是否道路。该方法存在的不足是由于道路边缘的建筑物和路面呈现近似的灰度特征，导致道路边界模糊，错误分割。
技术实现思路
本专利技术的目的在于针对上述现有道路检测算法的不足，提出了一种多光谱遥感影像道路中心线自动检测方法，以避免大量人工操作，提高道路检测精度和检测速度，实现对遥感影像中道路目标的自动检测。实现本专利技术目的的技术方案包括如下步骤：(1)输入高分辨率16位多光谱遥感图像，并调整这些遥感图像的数据格式构建光谱矢量SV；(2)利用光谱矢量完善光谱标记库：若光谱标记库未建立，则在调整后的遥感图像上人工标记N个典型光谱矢量Vi，i＝1…N,N为人工标记道路目标总数,Vi分别对应所有人工标记道路目标的典型光谱矢量，计算N个典型光谱矢量Vi的均值V作为道路目标光谱标记；若光谱标记库已建立且标记库中包含道路目标的光谱标记，则取出光谱标记库中道路目标光谱标记V；(3)设定聚类数目K，K≥3，采用K-Means聚类算法获得聚类后的聚类中心Qi,以及Qi对应的类别号Ri，i＝1…K；(4)计算聚类中心Qi与道路光谱标记V的欧氏距离Δi，i＝1…K，其中Δi的最小值为Δmin，最小值Δmin对应的类别号为Rmin，类别号Rmin为包含道路目标类别；(5)将类别号Rmin所对应光谱矢量的灰度值设定为1，剩余其它类别号Ri所对应光谱矢量的灰度值设定为0，i＝1…K，得到包含道路目标的二值图像BW；(6)滤除包含道路目标的二值图像BW中连通域面积S小于50的细小斑点区域，得到去噪图像BW2；(7)滤除去噪图像BW2中连通域长宽比C小于1.3的连通区域，并滤除该连通域矩形度P大于0.3的连通区域，得到满足道路形态学约束的特征图像BW3；(8)采用top-hat变换滤除特征图像BW3中指定结构元素strel的区域，得到去除部分建筑物的耦合图像BW4，该指定结构元素strel是指类型为圆盘型，大小为9的结构元素；(9)采用多方向线形滤波方法完全滤除耦合图像BW4中与道路粘连的建筑物区域，得到完全去除建筑物的区域图像BW5；(10)采用形态学细化算法对区域图像BW5进行细化操作，得到道路中心线road。本专利技术与现有方法相比具有如下优点：第一，本专利技术较选用道路种子点和初始方向的半自动检测方法，减少了人工操作。第二，本专利技术利用道路目标同其它地物具有不同光谱特征的性质，采用K-means算法获得道路检测结果，克服了现有道路检测方法对遥感光谱信息利用率低的问题。第三，本专利技术利用一系列形态学处理获得最终道路中心线检测结果，由于形态学操作简单，处理速度快，使得本专利技术具有简单快速的特点。第四，本专利技术利用道路目标在图像中呈现细长、线状特性并具有明显方向性的特点，使用top-hat变换和多方向线形滤波去除与道路目标耦合的建筑物区域，能很好的实现城市中道路目标的检测。附图说明图1为本专利技术的整体流程图；图2为用本专利技术对郊区多光谱遥感图像的检测实验效果图；图3为用本专利技术对城区多光谱遥感图像的检测实验效果图；图4为用本专利技术对西安电子科技大学新校区的检测实验效果图。具体实施方式下面结合附图，对本专利技术的实现和效果作进一步的详细描述。参照图1，本专利技术的实现步骤如下：步骤1，输入多光谱遥感图像g，该多光谱遥感图像的行数为h，列数为w，光谱层数为p,其中h>0,w>0,p≥4。步骤2，对多光谱遥感图像g的每个光谱层分别作累计直方图调整，得到调整后的多光谱遥感图像g′。(2a)将多光谱遥感图像g中第k光谱层的子图像保存为gk，k＝1…p，计算该子图像gk的最小灰度值mink和最大灰度值maxk，并在mink～maxk范围内做子图像gk的累计直方图；(2b)将累计直方图2％位置处的灰度值保存为Zmin，将累计直方图98％位置处的灰度值保存为Zma本文档来自技高网...

【技术保护点】
一种多光谱遥感影像道路中心线自动检测方法，包括如下步骤：(1)输入高分辨率16位多光谱遥感图像，并调整这些遥感图像的数据格式构建光谱矢量SV；(2)利用光谱矢量完善光谱标记库：若光谱标记库未建立，则在调整后的遥感图像上人工标记N个典型光谱矢量Vi，i＝1…N,N为人工标记道路目标总数,Vi分别对应所有人工标记道路目标的典型光谱矢量，计算N个典型光谱矢量Vi的均值V作为道路目标光谱标记；若光谱标记库已建立且标记库中包含道路目标的光谱标记，则取出光谱标记库中道路目标光谱标记V；(3)设定聚类数目K，K≥3，采用K‑Means聚类算法获得聚类后的聚类中心Qi,以及Qi对应的类别号Ri，i＝1…K；(4)计算聚类中心Qi与道路光谱标记V的欧氏距离Δi，i＝1…K，其中Δi的最小值为Δmin，最小值Δmin对应的类别号为Rmin，类别号Rmin为包含道路目标类别；(5)将类别号Rmin所对应光谱矢量的灰度值设定为1，剩余其它类别号Ri所对应光谱矢量的灰度值设定为0，i＝1…K，得到包含道路目标的二值图像BW；(6)滤除包含道路目标的二值图像BW中连通域面积S小于50的细小斑点区域，得到去噪图像BW2；(7)滤除去噪图像BW2中连通域长宽比C小于1.3的连通区域，并滤除该连通域矩形度P大于0.3的连通区域，得到满足道路形态学约束的特征图像BW3；(8)采用top‑hat变换滤除特征图像BW3中指定结构元素strel的区域，得到去除部分建筑物的耦合图像BW4，该指定结构元素strel是指类型为圆盘型，大小为9的结构元素；(9)采用多方向线形滤波方法完全滤除耦合图像BW4中与道路粘连的建筑物区域，得到完全去除建筑物的区域图像BW5；(10)采用形态学细化算法对区域图像BW5进行细化操作，得到道路中心线road。...

【技术特征摘要】
1.一种多光谱遥感影像道路中心线自动检测方法，包括如下步骤：(1)输入高分辨率16位多光谱遥感图像，并调整这些遥感图像的数据格式构建光谱矢量SV：(1a)将多光谱遥感图像g的行数保存为h、列数保存为w、光谱层数保存为p；(1b)对多光谱遥感图像g各光谱层的图像分别做累计直方图调整，得到调整后的多光谱遥感图像g′：(1b1)将多光谱遥感图像g中第k光谱层的子图像保存为gk，k＝1,…,p，计算该子图像gk的最小灰度值mink和最大灰度值maxk，并在mink～maxk范围内做子图像gk的累计直方图；(1b2)将累计直方图2％位置处的灰度值保存为Zmin，将累计直方图98％位置处的灰度值保存为Zmax，将子图像gk中所有小于Zmin的灰度值用Zmin代替，将子图像gk中所有大于Zmax的灰度值用Zmax代替；(1b3)将子图像gk在Zmin～Zmax范围内的灰度映射到0～65535灰度值，最后将各层子图像gk按光谱层顺序拼合得到调整后的多光谱遥感图像g′；(1c)用调整后的多光谱遥感图像g′中的每个像素点在不同光谱层的灰度值构成矢量，即光谱矢量SV；(2)利用光谱矢量完善光谱标记库：若光谱标记库未建立，则在调整后的遥感图像上人工标记N个典型光谱矢量Vi，i＝1,…,N,N为人工标记道路目标总数,Vi分别对应所有人工标记道路目标的典型光谱矢量，计算N个典型光谱矢量Vi的均值V作为道路目标光谱标记；若光谱标记库已建立且标记库中包含道路目标的光谱标记，则取出光谱标记库中道路目标光谱标记V；(3)设定聚类数目K，K≥3，采用K-Means聚类算法获得聚类后的聚类中心Qi,以及Qi对应的类别号Ri，i＝1,…,K；(4)计算聚类中心Qi与道路目标光谱标记V的欧氏距离Δi，i＝1,…,K,其中Δi的最小值为Δmin，最小值Δmin对应的类别号为Rmin，类别号Rmin为包含道路目标类别；(5)将类别号Rmin所对应光谱矢量的灰度值设定为1，剩余其它类别号Ri所对应光谱矢量的灰度值设定为0，i＝1,…,K，得到包含道路目标的二值图像BW；(6)滤除包含道路目标的二值图像BW中连通域面积S小于50的细小斑点区域，得到去噪图像BW2；(7)滤除去噪图像BW2中连通域长宽比C小于1.3的连通区域，并滤除该连通域矩形度P大于0.3的连通区域，得到满足道路形态学约束的特征图像BW3；(8)采用top-hat变换滤除特征图像BW3中指定结构元素strel的区域，得到去除部分建筑物的耦合图像BW4，该指定结构元素strel是指类型为圆盘型，大小为9的结构元素；(9)采用多方向线形滤波方法完全滤除耦合图像BW4中与道路粘连的建筑物区域，得到完全去除建筑物的区域图像BW5；(10)采用形态学细化算法对区域图像BW5进行细化操作，得到道路中心线road。2.根据权利要求1所述的多光谱遥感影像道路中心线自动检测方法，其中所述步骤(2)中人工添加光谱标记，是采...

【专利技术属性】
技术研发人员：李洁，王颖，李圣喜，高新波，高宪军，吴晟杰，张琪，逄敏，田春娜，王秀美，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61