一种利用众源数据辅助遥感影像提取城市道路的方法技术

本发明专利技术属于遥感影像处理领域，公开了一种利用众源数据辅助遥感影像提取城市道路的方法，包括如下步骤：(1)对获取的众源数据进行预处理；(2)基于局部马氏距离分类自动生成训练样本，并利用深度学习算法对高分辨率遥感影像分割，获取候选道路数据；(3)结合方向一致性分割和张量投票算法，将断裂的道路连接成路网；(4)基于自适应椭圆拟合算法聚类，并利用椭圆扁率剔除易混淆场景，使用线拟合得到道路中心线。本发明专利技术利用众源数据自动生成训练样本。融合了众源数据和高遥感影像提取城市道路，解决了提取的中心线不够平滑，剔除了诸如停车场等易混淆场景的干扰，提高了城市道路的提取精度。

【技术实现步骤摘要】
一种利用众源数据辅助遥感影像提取城市道路的方法
本专利技术涉及一种利用众源数据辅助遥感影像提取城市道路的方法，属于遥感影像处理领域。
技术介绍
道路作为城市的“骨架”之一，在很大程度上决定着工业和城市发展的空间分布和发展方向。道路的发展以及道路网络的建设是否与人民的生活水平、生活习惯以及社会的经济发展相适应。及时准确地获取道路信息能对更新交通的管理、制定城市发展规划、提高人民生活水平提供重要的依据，近年来，深度学习在图像分割上的研究十分火热。深度学习技术与传统的图像处理相比，虽具有更高的泛用性和准确性。但其具有数据依赖性，需要通过大量的数据才能很好的理解其中蕴含的模式。每个城市发展，规划都具有自身的特性，而现今的遥感商业数据库如Massachuscttsdataset，space-netdataset却只有曼测斯特，上海，巴黎等重要大城市的数据，普适性不够，并且存在难以获取的特点。而人工勾画当地的样本数据需要耗费大量的人力物力，成本高。而众源地理数据有近乎零成本并且易于获取更新快速的特点，其数据与当地的契合度也比较高。利用众源数据辅助遥感影像提取城市道路使用易于获取的众源数据制作样本以快速提取城市区域道路，为城市道路信息获取和快速更新提供了一种新的解决方案。
技术实现思路
本专利技术的目的是提供一种利用众源数据辅助遥感影像提取城市道路的方法，利用众源数据自动生成训练样本，融合了众源数据和高遥感影像提取城市道路，解决了提取的中心线不够平滑问题，剔除了诸如停车场等易混淆场景的干扰，提高了城市道路的提取精度。为实现以上专利技术目的，本专利技术提供一种利用众源数据辅助遥感影像提取城市道路的方法，包括如下步骤：(1)对获取的众源数据进行预处理；(2)基于局部马氏距离分类自动生成训练样本，并利用深度学习算法对高分辨率遥感影像进行分割，获取候选道路数据；(3)结合方向一致性分割和张量投票算法，将断裂的道路连接成路网；(4)基于自适应椭圆拟合算法聚类，并利用椭圆扁率剔除易混淆场景，使用线拟合得到道路中心线。进一步地，步骤(1)中所述的众源数据以OpenStreetMap(OSM)为主，数据覆盖范围广、可获取性高，近乎零成本。进一步地，步骤(1)中所述的预处理包括数据清洗和自动配准，所述数据清洗为选择道路宽度大于10m的道路，去除重叠冗余的数据；所述自动配准首先将数据清洗后的道路数据栅格化为同遥感影像相同空间分辨率的栅格数据，再使用模板匹配的方法在两幅对应影像中自动寻找特征点并选取其中质量高的特征点作为控制点进行配准。进一步地，所述OpenStreetMap数据经过预处理后，作为马氏距离分类的参考样本，同时利用OTSU算法计算马氏距离分类的阈值；这一过程基于马氏距离分类器，如下式：其中，x是待分类的像元各个波段的值，y是参考样本像元各个波段的值,DM(x)表示待分类像元与样本之间的距离,DM(x)的值越小，则该像元可以成为训练样本的概率越大；使用阈值δ分割得到DM(x)，阈值δ的大小使用OSTU算法来设定。进一步地，步骤(2)中所述的利用深度学习算法对高分辨率遥感影像分割，获取候选道路数据的过程如下：使用U-net网络作为基础网络搭建语义分割模型，包含特征提取部分和上采样部分；特征提取部分包括四个降采样部分，每一次降采样过程包含两个卷积层和一个最大池化层；上采样部分包括四个上卷积操作，每一次上采样过程中包含两个卷积层和一个反卷积层，用于恢复图片的尺寸；卷积层使用0填充卷积，激活函数使用relu，池化和反卷积的步长设为2；使用crossentropyloss函数代替BCEloss函数，验证网络时使用Dice_coffeeloss,网络的优化器选择Adam代替SGD；第一次降采样使用64个卷积核，在卷积操作时使用panding操作使图像尺寸不发生改变并使模型拥有足够的参数，池化操作在减小尺度的情况下保留特征信息，以增加模型的容错性；第二、三、四层降采样操作分别使用128、256、512个卷积核，stridse为1，padding为1，其卷积层不会改变图像尺寸，池化使模型的尺寸缩小为原来的一半，经过四次降采样操作后连接两个1024个卷积核的卷积层，完成特征提取；第一、二、三次上采样在经过反卷积操作后图像的尺寸恢复到原来的两倍，分别使用512、256、128的卷积核，第四次上采样使用64的卷积核并进行一次反卷积操作，最终将图片恢复到输入的尺寸，并将图片拼合起来完成获取候选道路。进一步地，所述步骤(3)中，首先将道路候选数据按照八联通区域标记，将候选数据按照该标记逐块连接，防止在方向一致性分割后连接出原本不存在的道路，同时提高计算效率；方向一致性分割将全局方向划分为方向分为10类局部方向：0.2π*(i-1)<Ori<0.2π*i(i＝1,2,…,10)(2)对每一个局部方向的道路候选数据先进行小块面积的去除，去除在局部方向内面积小于10的小块，以避免错误的连接并去噪。进一步地，所述步骤(3)中，分别对经过方向一致性分割后的道路候选数据进行棒形张量编码：将二位张量作为投票基本算子，其显著性衰减函数为：计算投票点A处投票域：其中其中s-曲线长度，κ-曲率，c-控制曲率衰减程度，σ-投票半径，l-两点间的距离；候选道路数据为二值图像，当投票的两点固定后，唯一的变量就是σ，也是该算法唯一需要调整的参数，十分方便。候选道路数据为二值图像，当投票的两点固定后，唯一的变量就是σ，也是该算法唯一需要调整的参数，十分方便。进一步地，所述步骤(3)中，在得到投票域图像后，使用阈值法可以迅速从投票域中提取道路数据，再对得到道路数据进行去除毛刺和形态学闭运算操作，使其更为平滑并填补连接形成空洞。进一步地，所述步骤(4)中，代表路网集合R的像元的值为1(I(r)＝1)，则路网面积为：包含k个椭圆的集合Ei,该集合内椭圆的总面积为：E*＝argmax(α(E)),s.t.SR＝SE(9)其中I(p)是落入路网R的像元的集合，U(p)是落入Ei中像元的集合，E*是E中椭圆参数的集合；在两个集合面积相等约束条件下寻求最少的参数；利用AIC(赤池信息量准则)来选择最优的k值：AIC＝Cln(1-α(E))+2k(10)其中C是模型复杂度，k是椭圆个数，每个椭圆的参数是固定的，E*的大小由k决定。进一步地，步骤(4)所述的基于自适应椭圆拟合算法聚类，并利用椭圆扁率剔除易混淆场景，使用线拟合得到道路中心线：确定最佳椭圆个数k后，使用GMM-EM(Gaussianmixturemodel-Expectationmaximization)算法来演化和确定椭圆参数，使椭圆的形状能最好的拟合道路的形状，得到椭圆参数最优解。确定所有椭圆的参数后，使用椭圆的扁率来筛选和消除停车场等易与道路混淆场景。再本文档来自技高网...

【技术保护点】
1.一种利用众源数据辅助遥感影像提取城市道路的方法，其特征在于，包括如下步骤：/n(1)对获取的众源数据进行预处理；/n(2)基于局部马氏距离分类自动生成训练样本，并利用深度学习算法对高分辨率遥感影像进行分割，获取候选道路数据；/n(3)结合方向一致性分割和张量投票算法，将断裂的道路连接成路网；/n(4)基于自适应椭圆拟合算法聚类，并利用椭圆扁率剔除易混淆场景，使用线拟合得到道路中心线。/n

【技术特征摘要】
1.一种利用众源数据辅助遥感影像提取城市道路的方法，其特征在于，包括如下步骤：
(1)对获取的众源数据进行预处理；
(2)基于局部马氏距离分类自动生成训练样本，并利用深度学习算法对高分辨率遥感影像进行分割，获取候选道路数据；
(3)结合方向一致性分割和张量投票算法，将断裂的道路连接成路网；
(4)基于自适应椭圆拟合算法聚类，并利用椭圆扁率剔除易混淆场景，使用线拟合得到道路中心线。


2.根据权利要求1所述的利用众源数据辅助遥感影像提取城市道路的方法，其特征在于，步骤(1)中所述的众源数据为OpenStreetMap数据，所述的预处理包括数据清洗和自动配准，所述数据清洗为选择道路宽度大于5m的道路，去除重叠冗余的数据；所述自动配准首先将数据清洗后的道路数据栅格化为同遥感影像相同空间分辨率的栅格数据，再使用模板匹配的方法在两幅对应影像中自动寻找特征点并选取其中质量高的特征点作为控制点进行配准。


3.根据权利要求2所述的利用众源数据辅助遥感影像提取城市道路的方法，其特征在于，所述OpenStreetMap数据经过预处理后，作为马氏距离分类的参考样本，同时利用OTSU算法计算马氏距离分类的阈值；
这一过程基于马氏距离分类器，如下式：



其中，x是待分类的像元各个波段的值，y是参考样本像元各个波段的值,DM(x)表示待分类像元与样本之间的距离,DM(x)的值越小，则该像元可以成为训练样本的概率越大；使用阈值δ分割得到DM(x)，阈值δ的大小使用OSTU算法来设定。


4.根据权利要求2所述的利用众源数据辅助遥感影像提取城市道路的方法，其特征在于，步骤(2)中所述的利用深度学习算法对高分辨率遥感影像分割，获取候选道路数据的过程如下：
使用U-net网络作为基础网络搭建语义分割模型，包含特征提取部分和上采样部分；特征提取部分包括四个降采样部分，每一次降采样过程包含两个卷积层和一个最大池化层；上采样部分包括四个上卷积操作，每一次上采样过程中包含两个卷积层和一个反卷积层，用于恢复图片的尺寸；
卷积层使用0填充卷积，激活函数使用relu，池化和反卷积的步长设为2；使用crossentropyloss函数代替BCEloss函数，验证网络时使用Dice_coffeeloss,网络的优化器选择Adam代替SGD；
第一次降采样使用64个卷积核，在卷积操作时使用panding操作使图像尺寸不发生改变并使模型拥有足够的参数，池化操作在减小尺度的情况下保留特征信息，以增加模型的容错性；第二、三、四层降采样操作分别使用128、256、512个卷积核，stridse为1，padding为1，其卷积层不会改变图像尺寸，池化使模型的尺寸缩小为原来的一半，经过四次降采样操作后连接两个1024个卷积核的卷积层，完成特征提取；
第一、二、三次上采样在经过反卷积操作后图像的尺寸恢复到原来的两倍，分别使用512、256、128的卷积核，第四次上采...

【专利技术属性】
技术研发人员：苗则朗，朋仁锋，贺跃光，肖粤龙，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43