多光谱图像城市道路识别方法技术

本发明专利技术提供了一种多光谱图像城市道路识别方法，包括：步骤1，基于面向对象分割方法将多光谱图像中的道路与周围地物进行分割；步骤2，提取每个分割区域的低层特征，建立低层特征到高层语义对象的映射规则，实现从图像低层特征到高层语义特征的映射，构建语义模型对道路进行识别；其中，所述低层特征包括几何特征及光谱特征，所述高层语义对象包括绿化带、车道线、道路潜在区域。本发明专利技术采用SLIC超像素与结构张量粗分割相结合的方法，具有良好的抗噪能力，对复杂城区多光谱图像能够得到较好的分割结果；基于语义知识的道路识别方法对道路进行识别，解决了目前多光谱图像复杂环境城市道路识别精度不高，容易产生孔洞、断裂等问题。

【技术实现步骤摘要】
多光谱图像城市道路识别方法
本专利技术属于图像识别
，具体涉及一种多光谱图像城市道路识别方法。
技术介绍
遥感图像的交通道路目标识别是自动目标识别理论中的关键技术之一。城市道路作为地理信息库的重要组成部分，如何准确地从多光谱图像识别城市道路目标对地表检测、城市结构描述以及道路更新等都具有重要意义。多光谱图像背景复杂，且易受到周围地物阴影以及道路与房屋光谱近似等问题的影响，难以保证识别精度。针对遥感图像的城市道路识别，现有技术主要包括基于像素层次的道路提取方法、基于对象层次的道路提取算法。由于车辆、行人等因素，基于像素层次的道路提取算法提取的道路二值图像容易产生“椒盐现象”，在此基础上提取的中心线容易产生断裂现象。多光谱图像本身的复杂纹理与上下文特征，及现有分割算法本身的普适性不足，导致基于对象层次的道路提取算法容易产生粘连现象。
技术实现思路
本专利技术的目的是提供一种多光谱图像城市道路识别方法，以解决上述技术问题。本专利技术提供了一种多光谱图像城市道路识别方法，包括：步骤1，基于面向对象分割方法将多光谱图像中的道路与周围地物进行分割；步骤2，提取每个分割区域的低层特征，建立低层特征到高层语义对象的映射规则，实现从图像低层特征到高层语义特征的映射，构建语义模型对道路进行识别；其中，低层特征包括几何特征及光谱特征，高层语义对象包括绿化带、车道线、道路潜在区域。进一步地，步骤1包括：采用SLIC超像素分割对预处理后图像进行初步分割；结合结构张量矩阵的特征值对生成的超像素进行初步聚合；根据分形网络演化算法的异质度计算方法进行面向对象的合并过程，根据最佳尺度选择方法选择尺度参数，得到最终分割结果。进一步地，预处理采用双边滤波方法。进一步地，结合结构张量矩阵的特征值对生成的超像素进行初步聚合具体包括：采用结构张量结合滤波方法提取图像的平滑区域，基于平滑区域对超像素进行预合并。进一步地，采用结构张量结合滤波方法提取图像的平滑区域中的滤波方法选用高斯滤波器。进一步地，异质度计算方法采用LBP纹理特征与光谱特征相结合的方法计算对象间异质度。进一步地，步骤2包括：采用算法对所述高层语义对象进行中心线的矢量化，获得对象的延伸方向。进一步地，该算法的具体步骤如下：(1)在曲线两端点A、B间构建一条直线AB，该直线为曲线的弦，计算曲线上离该直线段距离最大的点C，并计算其与AB的距离d；(2)比较该距离与预先设定的阈值的大小，如果小于该阈值，则认为该直线能够取代原有曲线，算法结束，否则执行(3)；(3)如果距离大于阈值，使用该C作为新的端点，与原端点形成两段折线，并分别对两段线段进行(1)和(2)处理。与现有技术相比本专利技术的有益效果是：1)采用SLIC超像素与结构张量粗分割相结合的方法，具有良好的抗噪能力，对复杂城区多光谱图像能够得到较好的分割结果。2)利用高层语义所蕴含的抽象特征对该语义对象进行表述，建立潜在道路区域、周围绿化带及车道线之间的语义关系，对道路进行识别，解决了目前多光谱图像复杂环境城市道路识别精度不高，容易产生孔洞、断裂等问题。附图说明图1是本专利技术的流程图；图2是原图像和pn为300、500、800像素的超像素分割结果；图3是超像素分割基础上的面向对象分割结果；图4是300pn下初步合并结果；图5是典型实验原图像；图6是4幅对照实验原图像；图7是车道线图像分割结果；图8是交通拥堵图像分割结果；图9是绿化地图像分割结果图10是立交桥、光谱变化图像道路分割结果；图11是4幅对照实验图像分割结果；图12是交通拥堵图像；图13是交通拥堵图像绿地提取结果；图14是交通拥堵图像阴影提取结果；图15是紧致度示意图；图16是交通拥堵图像直线区域提取结果；图17是交通拥堵图像细节特征提取结果；图18是本专利技术基于语义知识的城市道路识别方法流程图；图19是曲线矢量化示意图；图20是三种高层语义对象间关系图；图21是城市道路识别结果；图22是模糊C均值识别结果；图23是4幅对照实验图像道路识别结果。具体实施方式下面结合附图所示的各实施方式对本专利技术进行详细说明，但应当说明的是，这些实施方式并非对本专利技术的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本专利技术的保护范围之内。参图1所示，本实施例提供了一种多光谱图像城市道路识别方法，首先对图像进行预处理，减少噪声等因素对后续处理的影响，在预处理的基础上，根据人眼由粗到细的注意力转移顺序，采用一定尺度的形态学算子对图像进行形态学运算，从而将图像分为能够有效反映颜色及形状特征的粗尺度图像和能够表述图像边缘及车辆、车道线等含有重要信息的细节要素图。针对粗尺度图像进行中值滤波以得到稳定的光谱特征。对原图像进行超像素分割，通过超像素分割限定后续处理过程面向对象的最小尺度，并保证形状特征的准确性。采用Frangi滤波方法对分离出来的细节元素进行线性增强，利用张量投票方法对具有方向一致性的细节特征进行整合，从而增强细节信息中边缘、密集车辆等具有强烈方向性的细节元素，形成带有较强方向性的方向特征图。利用细节特征图指导粗尺度图像的超像素合并，采用自适应方法调节超像素间异质度的计算，实现区域方向指导下的面向对象多光谱图像分割方法。改进后的面向对象分割方法能够有效结合多尺度信息，实现自下而上的多光谱图像分割，同时降低了分割结果对于单一光谱的依赖性，对于道路等具有较强方向特征的地物分割效果较好。在面向对象的分割基础上，提取每个对象的形状、光谱特征，完成低层特征的提取，根据道路可能存在区域与绿化带的低层特征关系，实现低层特征到道路语义要素的映射，并从细节特征图提取车道线语义要素。构建语义模型，利用道路中心线方向与绿化带、车道线方向的一致性进行道路的进一步识别，从而将车道线、绿化带等目标加入到道路识别，形成完整道路网。本专利技术利用张量投票方法进行细节特征强化，采用加权中值滤波方法获得每个超像素的准确光谱特征，采用超像素分割合并的方法将粗尺度特征与细尺度特征相结合，有效突出道路固有的方向性特征，本专利技术方法在交通拥堵情况下依然能获得比较完整的道路分割结果；构建语义特征模型，在语义知识指导下，完成道路网的提取。下面对本专利技术涉及的主要技术方案进行详细说明。(一)改进的基于超像素的多光谱图像分割方法针对传统分形网络演化过程起点过低、光谱异质度与形状异质度难以平衡的问题，本专利技术采用超像素分割方法限制分形网络演化过程所面向对象的尺度下限，采用结构张量(StructureTensor，ST)粗分割结果指导超像素进行预合并的方法解决上述问题。改进的多光谱图像分割方法基于分形网络演化方法框架，具体步骤包括：图像预处理、基于超像素的尺度下限约束、结构张量粗分割和面向对象分割等步骤。图像预处理主要采用双边滤波方法，采用SLIC超像素分割对预处理后图像进行初步分割，结合结构张量矩阵的特征值对生成的超像素进行初步聚合，根据分形网络演化算法的异质度计算方法进行面向对象的合并过程，根据最佳尺度选择方法选择尺度参数，从而得到最终分割结果。1、面向对象分割过程传统分形网络演化算法异质度的计算面向对象进行，即不论待合并的目标是单个像素还是已经合并过的区域，均将其视为一个对象。传统异质度计算方法考虑对象的光谱异质本文档来自技高网...

【技术保护点】
1.一种多光谱图像城市道路识别方法，其特征在于，包括：步骤1，基于面向对象分割方法将多光谱图像中的道路与周围地物进行分割；步骤2，提取每个分割区域的低层特征，建立低层特征到高层语义对象的映射规则，实现从图像低层特征到高层语义特征的映射，构建语义模型对道路进行识别；其中，所述低层特征包括几何特征及光谱特征，所述高层语义对象包括绿化带、车道线、道路潜在区域。

【技术特征摘要】
1.一种多光谱图像城市道路识别方法，其特征在于，包括：步骤1，基于面向对象分割方法将多光谱图像中的道路与周围地物进行分割；步骤2，提取每个分割区域的低层特征，建立低层特征到高层语义对象的映射规则，实现从图像低层特征到高层语义特征的映射，构建语义模型对道路进行识别；其中，所述低层特征包括几何特征及光谱特征，所述高层语义对象包括绿化带、车道线、道路潜在区域。2.根据权利要求1所述的多光谱图像城市道路识别方法，其特征在于，所述步骤1包括：采用SLIC超像素分割对预处理后图像进行初步分割；结合结构张量矩阵的特征值对生成的超像素进行初步聚合；根据分形网络演化算法的异质度计算方法进行面向对象的合并过程，根据最佳尺度选择方法选择尺度参数，得到最终分割结果。3.根据权利要求2所述的多光谱图像城市道路识别方法，其特征在于，所述预处理采用双边滤波方法。4.根据权利要求3所述的多光谱图像城市道路识别方法，其特征在于，所述结合结构张量矩阵的特征值对生成的超像素进行初步聚合具体包括：采用结构张量结合滤波方法提取图...

【专利技术属性】
技术研发人员：张永梅，马健喆，孙海燕，张奕，
申请(专利权)人：北方工业大学，
类型：发明
国别省市：北京,11