导航数据辅助下的遥感影像道路网自动提取方法技术

本发明专利技术提供一种导航数据辅助下的遥感影像道路网自动提取方法，包括以下步骤：导航数据与遥感影像配准；利用矢量数据进行道路段的提取；利用交叉口像元结构指数进行道路交叉口的提取；自适应聚类学习的道路网提取：将提取的道路段和的道路交叉口进行连接，形成道路网，根据已知道路特征来检测遥感影像中的新增道路对象，最后对道路进行验证。本发明专利技术采用遥感影像与导航路网数据作为输入数据源，综合利用导航路网数据中的位置、几何、拓扑、语义信息和高分遥感影像中的场景特征。结合现实道路结构先验知识等，完成自动化道路网要素数据提取任务。具有较强的实用性，准确度较高。

Road network automatic extraction method based on navigation data assisted remote sensing image

The present invention provides a navigation data aided by remote sensing road network extraction method comprises the following steps: navigation data and remote sensing image registration; extraction of road sections using vector data; using the intersection of pixel structure index of Road intersection extraction; road network adaptive clustering extraction: Road Extraction and the road intersection to connect, the formation of the road network detection in remote sensing images of new road object according to the known characteristic of the road, and finally verified on the road. The invention adopts remote sensing images and navigation network data as input data sources, and comprehensively utilizes position, geometry, topology, semantic information and scene features of the remote sensing images in the navigation network data. Combining the real road structure and prior knowledge, the automatic data extraction of the road network is completed. The utility model has the advantages of high practicability and high accuracy.

【技术实现步骤摘要】
导航数据辅助下的遥感影像道路网自动提取方法
本专利技术涉及遥感影像应用
，具体涉及一种导航数据辅助下的遥感影像道路网自动提取方法。
技术介绍
随着我国城镇化进程的推进和经济建设的快速发展，道路网数据的快速更新对于社会公众和行业应用具有越来越重要的意义,道路要素数据的快速获取与更新己成为我国基础地理信息建设的重要任务。当前，基于高分辨率遥感影像的内业综合判调是对包括道路网在内的基础地理要素更新的主要手段，遥感技术的大面积同步观测、高时效性和经济性等优点使得利用遥感影像进行基础地理信息更新具有很大的优势。相比于外业地面实测数据更新，基于遥感影像的内业判绘方式提高了基础地理要素数据的采集效率，适用于大范围道路的快速更新。为了提高基础地理数据生产更新效率，亟需研究探索基于遥感影像的自动/半自动化道路要素快速提取方法，提高道路要素数据更新的自动化程度。随着遥感技术的飞速发展，影像数据的空间分辨率大大提高，并且提供了更加真实的地表细节信息，这为道路网自动化提取提供了新的机遇和挑战。高分遥感影像中，道路边界和路面标志物清晰可见，使得精确的道路提取和定位成为可能。另一方面，道路表现为多种地物的集合体，如车辆、道路标志、行道线、行道树等，使得道路类要素内部特征具有很大的异质性，同时道路对象与邻近地物又存在较大的特征相关性，这使得自动道路提取方法难以准确地辨识道路对象；另外，受阴影和其他地物的遮挡，自动化道路提取任务变得更加困难。综合考虑各种因素影响，全自动化的稳定可靠道路提取方法研究依然是一项国际公认的难题。当前高分遥感影像的道路提取方法中，根据处理流程的差异大致可以分为基于Marr分层视觉模型的方法和基于道路模型的方法。在Marr视觉计算理论框架的引导下，现有的道路提取方法通常在低、中、高三个视觉层次上进行组合处理。低层次处理中，基于像素级的处理方法来提取道路特征基元；中层次处理则是基于先验规则和知识约束来对低层次处理得到的特征基元进行选择、连接和编组；高层处理中需要综合分析道路要素的结构关系，并利用道路模型的语义知识作为支撑，进行模糊推理、知识理解和道路识别。根据道路模型对道路的描述，道路提取可以转化为一个能量模型，通过对模型能量函数的优化实现对道路的提取。典型的方法包括主动轮廓模型法、模板匹配法和动态规划法等。众包地理信息平台为导航电子地图提供了丰富的数据源，并且具有很高的时效性和完整几何拓扑信息，导航电子地图路网矢量数据能够有效地辅助遥感影像道路提取的自动化程度和效率，导航电子地图中的语义和几何信息能够弥补不完备的道路影像特征，高分影像的道路细节又能够帮助精确定位道路和探测路段连通信息。因此，针对高分影像道路提取的难点和导航数据的特点，综合这两类数据的道路提取方法将具有很大的优势。一方面，导航电子地图中道路网的几何结构信息能够辅助道路提取算法粗略定位高分影像中路段对象，从而够弥补单纯依靠影像数据提取道路的特征不完备问题；另一方面，高分影像中道路的细节特征能够帮助修正道路位置和拓扑信息，同时，也为新增路段提取提供了语义标注信息。
技术实现思路
本专利技术要解决的技术问题是：提供一种导航数据辅助下的遥感影像道路网自动提取方法，准确度高。本专利技术为解决上述技术问题所采取的技术方案为：一种导航数据辅助下的遥感影像道路网自动提取方法，其特征在于：它包括以下步骤：S1、导航数据与遥感影像配准：根据遥感影像范围，将OpenStreetMap导航数据进行裁切得到导航路网的矢量数据，将矢量数据与遥感影像进行叠加，当遥感影像与矢量数据存在的位置偏差超过预设的偏差阈值时，手工选择若干同名点来对矢量数据进行整体的仿射变换；S2、利用矢量数据进行道路段的提取：采用移动聚类的方法，从S1得到的矢量数据中检测出道路模板，匹配下一段道路中心点，利用随机森林进行检测，修正道路跟踪偏差，再通过P-N学习对检测后的道路段进行校正；S3、利用交叉口像元结构指数进行道路交叉口的提取：根据导航路网矢量数据中的线条交叉信息获取待检测交叉口位置集合，根据交叉口位置和缓冲半径获取交叉口影像切片，从交叉口的结构特征出发，构建像元形状与交叉口结构的量化映射关系，然后根据同类结构像元的聚集度评估交叉口的结构特征；S4、自适应聚类学习的道路网提取：将S2提取的道路段和S3提取的道路交叉口进行连接，形成道路网，根据已知道路特征来检测遥感影像中的新增道路对象，最后对道路进行验证。按上述方法，所述的偏差阈值为道路提取的缓冲区半径，缓冲区半径＝道路半宽度+配准误差，配准误差为预设值。按上述方法，S2的具体步骤如下：2.1、多方向形态学滤波：按照特定角度间隔定义一系列线状结构元素，基于这些线状结构元素分别对遥感影像进行形态学开闭重构运算；2.2、道路模板提取：根据导航路网矢量节点获取初始种子点，以初始种子点为聚类中心，构建一个边长大于道路宽度的矩形检测窗口，过初始种子点沿道路法向方向作直线，与矩形检测窗口交于两点，将这两点作为背景聚类种子点；计算矩形检测窗口内像素点与所有种子点的相似度，将最相似的种子点标签赋予当前像素点；迭代上述过程，完成道路背景的聚类；调整道路背景聚类中心的位置得到不同的聚类结果：固定道路聚类中心，移动背景聚类中心，保证背景聚类中心到初始道路中心的距离相等，使该距离阶梯递增；统计相邻距离对应道路对象像素辐射值的标准差，当二者之间标准差相差最大时，对应的道路对象为最优的聚类结果，并以道路对象的最小外接矩形作为当前道路路段的道路模板；2.3、道路跟踪：根据相邻的道路模板中心点之间的变换关系，基于坐标变换得到道路模板的中心点的预测点；以预测点为中心，以当前道路模板的尺寸截取待匹配道路模板，计算当前道路模板和待匹配道路模板的相关系数；若相关系数大于预设的系数阈值，则采用跟踪结果；反之，则通过道路检测重新初始化道路模板；2.4、基于随机森林的道路检测：将2.2道路背景的聚类得到的道路背景作为背景对象，将2.2得到的道路模板作为道路对象；将道路对象和背景对象分别作为正样本和负样本，初始化随机森林分类器；采用基于灰度共生矩阵的Haralick特征作为训练特征，训练随机森林分类器；当有待测样本进入随机森林分类器，则根据随机森林中各决策树的分类结果得到一个样本判别的后验概率P，当P大于概率阈值时，则认为该待检测样本为道路，反之为背景；将检测后的结果作为先验标记样本；2.5、P-N学习：将道路跟踪看作一个时间序列过程，跟踪结果是一条连续的轨迹，则有约束，约束包括正约束和负约束，正约束为紧邻轨迹的样本被认为是正样本；负约束为远离轨迹的样本为负样本；正约束用于发现道路轨迹上的未标记数据，而负约束则用于区分道路与复杂的背景对象；设f是由θ参数化的随机森林分类器，则P-N学习是根据已标记样本集合Xt和约束下的未标记样本集合Xu估计θ的过程，具体步骤如下：(a)根据2.4得到的先验标记样本(Xt,Yt)初始化随机森林分类器，得到初始的分类器参数θ0，其中Yt为已标记样本集合Xt对应的标记集合；(b)迭代执行分类器训练，在第k次迭代中，利用第k-1次训练的随机森林分类器对所有未标记的样本进行分类标记，得到校正分类结果；其中Xu为约束下的未标记样本集合，xu为未标记样本集合，为未标记样本文档来自技高网...

【技术保护点】
一种导航数据辅助下的遥感影像道路网自动提取方法，其特征在于：它包括以下步骤：S1、导航数据与遥感影像配准：根据遥感影像范围，将OpenStreetMap导航数据进行裁切得到导航路网的矢量数据，将矢量数据与遥感影像进行叠加，当遥感影像与矢量数据存在的位置偏差超过预设的偏差阈值时，手工选择若干同名点来对矢量数据进行整体的仿射变换；S2、利用矢量数据进行道路段的提取：采用移动聚类的方法，从S1得到的矢量数据中检测出道路模板，匹配下一段道路中心点，利用随机森林进行检测，修正道路跟踪偏差，再通过P‑N学习对检测后的道路段进行校正；S3、利用交叉口像元结构指数进行道路交叉口的提取：根据导航路网矢量数据中的线条交叉信息获取待检测交叉口位置集合，根据交叉口位置和缓冲半径获取交叉口影像切片，从交叉口的结构特征出发，构建像元形状与交叉口结构的量化映射关系，然后根据同类结构像元的聚集度评估交叉口的结构特征；S4、自适应聚类学习的道路网提取：将S2提取的道路段和S3提取的道路交叉口进行连接，形成道路网，根据已知道路特征来检测遥感影像中的新增道路对象，最后对道路进行验证。

【技术特征摘要】
1.一种导航数据辅助下的遥感影像道路网自动提取方法，其特征在于：它包括以下步骤：S1、导航数据与遥感影像配准：根据遥感影像范围，将OpenStreetMap导航数据进行裁切得到导航路网的矢量数据，将矢量数据与遥感影像进行叠加，当遥感影像与矢量数据存在的位置偏差超过预设的偏差阈值时，手工选择若干同名点来对矢量数据进行整体的仿射变换；S2、利用矢量数据进行道路段的提取：采用移动聚类的方法，从S1得到的矢量数据中检测出道路模板，匹配下一段道路中心点，利用随机森林进行检测，修正道路跟踪偏差，再通过P-N学习对检测后的道路段进行校正；S3、利用交叉口像元结构指数进行道路交叉口的提取：根据导航路网矢量数据中的线条交叉信息获取待检测交叉口位置集合，根据交叉口位置和缓冲半径获取交叉口影像切片，从交叉口的结构特征出发，构建像元形状与交叉口结构的量化映射关系，然后根据同类结构像元的聚集度评估交叉口的结构特征；S4、自适应聚类学习的道路网提取：将S2提取的道路段和S3提取的道路交叉口进行连接，形成道路网，根据已知道路特征来检测遥感影像中的新增道路对象，最后对道路进行验证。2.根据权利要求1所述的导航数据辅助下的遥感影像道路网自动提取方法，其特征在于：所述的偏差阈值为道路提取的缓冲区半径，缓冲区半径＝道路半宽度+配准误差，配准误差为预设值。3.根据权利要求1所述的导航数据辅助下的遥感影像道路网自动提取方法，其特征在于：S2的具体步骤如下：2.1、多方向形态学滤波：按照特定角度间隔定义一系列线状结构元素，基于这些线状结构元素分别对遥感影像进行形态学开闭重构运算；2.2、道路模板提取：根据导航路网矢量节点获取初始种子点，以初始种子点为聚类中心，构建一个边长大于道路宽度的矩形检测窗口，过初始种子点沿道路法向方向作直线，与矩形检测窗口交于两点，将这两点作为背景聚类种子点；计算矩形检测窗口内像素点与所有种子点的相似度，将最相似的种子点标签赋予当前像素点；迭代上述过程，完成道路背景的聚类；调整道路背景聚类中心的位置得到不同的聚类结果：固定道路聚类中心，移动背景聚类中心，保证背景聚类中心到初始道路中心的距离相等，使该距离阶梯递增；统计相邻距离对应道路对象像素辐射值的标准差，当二者之间标准差相差最大时，对应的道路对象为最优的聚类结果，并以道路对象的最小外接矩形作为当前道路路段的道路模板；2.3、道路跟踪：根据相邻的道路模板中心点之间的变换关系，基于坐标变换得到道路模板的中心点的预测点；以预测点为中心，以当前道路模板的尺寸截取待匹配道路模板，计算当前道路模板和待匹配道路模板的相关系数；若相关系数大于预设的系数阈值，则采用跟踪结果；反之，则通过道路检测重新初始化道路模板；2.4、基于随机森林的道路检测：将2.2道路背景的聚类得到的道路背景作为背景对象，将2.2得到的道路模板作为道路对象；将道路对象和背景对象分别作为正样本和负样本，初始化随机森林分类器；采用基于灰度共生矩阵的Haralick特征作为训练特征，训练随机森林分类器；当有待测样本进入随机森林分类器，则根据随机森林中各决策树的分类结果得到一个样本判别的后验概率P，当P大于概率阈值时，则认为该待检测样本为道路，反之为背景；将检测后的结果作为先验标记样本；2.5、P-N学习：将道路跟踪看作一个时间序列过程，跟踪结果是一条连续的轨迹，则有约束，约束包括正约束和负约束，正约束为紧邻轨迹的样本被认为是正样本；负约束为远离轨迹的样本为负样本；正约束用于发现道路轨迹上的未标记数据，而负约束则用于区分道路与复杂的背景对象；设f是由θ参数化的随机森林分类器，则P-N学习是根据已标记样本集合Xt和约束下的未标记样本集合Xu估计θ的过程，具体步骤如下：(a)根据2.4得到的先验标记样本(Xt,Yt)初始化随机森林分类器，得到初始的分类器参数θ0，其中Yt为已标记样本集合Xt对应的标记集合；(b)迭代执行分类器训练，在第k次迭代中，利用第k-1次训练的随机森林分类器对所有未标记的样本进行分类标记，得到校正分类结果；其中Xu为约束下的未标记样本集合，xu为未标记样本集合，为未标记样本集合xu对应的未标记集合，θk-1为第k-1次的分类器参数；(c)校正分类结果中与所述的约束不一致的样本标记，则作为新的训练样本加入随机森林分类器训练过程，迭代上述过程直到随机森林分类器收敛或超过预设的迭代次数。4....

【专利技术属性】
技术研发人员：眭海刚，陈光，冯文卿，程效猛，涂继辉，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42