一种面向遥感影像的多尺度道路自动提取方法技术

一种面向遥感影像的多尺度道路自动提取方法，包括以下步骤：遥感影像预处理；道路系统目标增强；多尺度道路自动提取。具体为：本发明专利技术在对Sentinel

【技术实现步骤摘要】
一种面向遥感影像的多尺度道路自动提取方法


[0001]本专利技术涉及遥感地学应用
，具体为一种面向遥感影像的多尺度道路自动提取方法。

技术介绍

[0002]随着我国加快实施建设交通强国任务，智能交通在国家战略中扮演重要角色，准确的道路信息是智能交通和智慧城市的基础，遥感技术因其具有多源、覆盖广泛、现势性强等优势，已成为道路监测的重要手段。
[0003]现有技术的不足：
[0004]遥感影像道路提取一般分为半自动和自动道路提取方法，半自动道路提取方法主要通过人机交互提取道路信息，工作量大、效率低。道路在高分辨遥感影像上因与其他不同地物相比，有着明显的几何特征、光谱特征和纹理特征；
[0005]自动道路提取方法在影像道路特征分析和理解的基础上，计算机自动准确识别影像中的道路信息。目前已有的自动道路提取算法，著如基于Hough变换和数学形态学算法，受限于遥感影像结构复杂、信息丰富等特点，均得不到理想的道路提取结果。

技术实现思路

[0006]本专利技术的目的在于提供一种面向遥感影像的多尺度道路自动提取方法，以解决上述
技术介绍
中提出的问题。
[0007]一种面向遥感影像的多尺度道路自动提取方法，本提取方法包括以下步骤：
[0008]S1、对Sentinel
‑
2遥感影像进行大气校正、背景均一化等预处理；
[0009]S2、采用Frangi算法对遥感影像进行多尺度道路系统目标增强；
[0010]S3、基于遥感影像道路几何特征，多次循环RANSAC算法提取道路；
[0011]S4、利用监督分类算法提取遥感影像大尺度道路信息；
[0012]S5、合并道路提取结果且评定精度，实现道路自动提取。
[0013]作为本专利技术的进一步改进，所述步骤S1中：
[0014]大气校正：对Sentinel
‑
2遥感影像近红外波段采用FLASSH算法进行校正；
[0015]背景均一化为：使用模糊C均值聚类算法即MATLAB的fcm函数实现该影像复杂异质背景均一化处理，得到其预处理后图像。
[0016]作为本专利技术的进一步改进，所述步骤S2包括：
[0017]A、构建尺度因子σ下二阶高斯核函数，通过卷积运算建立尺度不变的特征空间，得到预处理后图像对应的Hessian矩阵；
[0018]B、根据对称矩阵的性质，计算出Hessian矩阵的两个特征值λ1和λ2及两个特征向量e1和e2，Hessian矩阵特征值和对应的特征向量分别代表该点处沿某一方向上图形曲率大小和方向；
[0019]C、以线性特征最优滤波器响应为依据，采用多尺度融合策略，实现道路系统目标
增强。
[0020]作为本专利技术的进一步改进，本方法中步骤A构建尺度因子σ下二阶高斯核函数其中高斯核函数G为：
[0021][0022]二阶高斯核函数为：
[0023][0024][0025][0026]作为本专利技术的进一步改进，所述步骤S1得到的图像由所述步骤S2构建的二阶高斯核函数，使用MATLAB的imfilter函数的卷积运算来构建尺度不变的特征空间：
[0027][0028]得Hessian矩阵为：
[0029][0030]其中，为对应尺度因子σ下的二阶偏导图像，为卷积运算。
[0031]作为本专利技术的进一步改进，本方法中步骤C遥感影像道路线性特征最优滤波器响应为：
[0032][0033][0034][0035]其中，L
σ
为对应尺度因子σ下的Frangi道路目标增强图像，R
b
能够用来区分块状要素和目标要素；S用于区分前景线状要素以及背景噪声，β、γ是加权因子控制R
b
和S的内部响应。
[0036]作为本专利技术的进一步改进，本方法中步骤C采用多尺度融合策略，根据尺度空间理论，在空域内按照先验知识确定目标道路的尺度变程范围为σ
min
≤σ≤σ
max
，以最大的道路响应值作为道路目标增强结果：
[0037][0038]作为本专利技术的进一步改进，所述步骤S3包括：
[0039]随机选择两个道路预选点构成直线，计算所有的道路预选点到该直线的距离，当满足到直线距离小于2个像素且相互连通的道路像素数大于20时，则保留该结果为道路集；
[0040]重复以上步骤，多次循环RANSAC算法直至选出所有的道路。
[0041]作为本专利技术的进一步改进，所述步骤S4为：随机选取步骤S3中RANSAC算法得到的道路提取结果作为道路训练集，则随机选取非道路数据作为非道路训练集，实现训练集数据的自动选取。
[0042]作为本专利技术的进一步改进，所述步骤S5合并S3和S4得到的道路提取结果，目视解译地面真值数据由解释人员使用b
Red
‑
b
Green
‑
b
Blue
波段组合手动描绘，将其作为验证样本评定提取道路精度。
[0043]与现有技术相比，本专利技术的有益效果是：
[0044]本专利技术在对影像进行大气校正、背景均一化等预处理的基础上，采用基于Hessian矩阵的Frangi滤波算法增强道路系统目标特征，然后利用多次循环RANSAC算子实现中小尺度道路自动提取，对大尺度的道路，根据道路特征建立道路和非道路训练集，使用最大似然监督分类算法识别较宽道路，最后将中小尺度道路与大尺度道路提取结果合并，生成目标区道路提取结果并评估道路算法提取精度。
附图说明
[0045]图1为本专利技术一种面向遥感影像的多尺度道路自动提取方法流程图；
[0046]图2为上海地区Sentinel
‑
2影像近红外波段b
NIR
原始影像；(b)为近红外波段b
NIR
对应的大气校正及背景均一化等预处理后的影像；
[0047]图3为多尺度道路系统目标增强，(a)
‑
(c)分别为b
NIR
影像对应Frangi滤波尺度σ＝1,3,5；(d)b
NIR
影像对应Frangi滤波尺度σ∈[1,5]；
[0048]图4为阈值分割道路提取结果；
[0049]图5为RANSAC算法多次循环提取的道路结果，(I)为非长条形面状几何特征的道路示例；(II)为大尺度道路提取缺失示例；
[0050]图6为RANSAC算法在图3(I)非长条形面状几何特征的道路中直线构建；
[0051]图7为最大似然监督分类算法大尺度道路提取结果；
[0052]图8为道路提取最终结果。
具体实施方式
[0053]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向遥感影像的多尺度道路自动提取方法，其特征在于：本提取方法包括以下步骤：S1、对Sentinel
‑
2遥感影像进行大气校正、背景均一化等预处理；S2、采用Frangi算法对遥感影像进行多尺度道路系统目标增强；S3、基于遥感影像道路几何特征，多次循环RANSAC算法提取道路；S4、利用监督分类算法提取遥感影像大尺度道路信息；S5、合并道路提取结果且评定精度，实现道路自动提取。2.根据权利要求1所述的面向遥感影像的多尺度道路自动提取方法，其特征在于：所述步骤S1中：大气校正：对Sentinel
‑
2遥感影像近红外波段采用FLASSH算法进行校正；背景均一化为：使用模糊C均值聚类算法即MATLAB的fcm函数实现该影像复杂异质背景均一化处理，得到其预处理后图像。3.根据权利要求1所述的面向遥感影像的多尺度道路自动提取方法，其特征在于：所述步骤S2包括：A、构建尺度因子σ下二阶高斯核函数，通过卷积运算建立尺度不变的特征空间，得到预处理后图像对应的Hessian矩阵；B、根据对称矩阵的性质，计算出Hessian矩阵的两个特征值λ1和λ2及两个特征向量e1和e2，Hessian矩阵特征值和对应的特征向量分别代表该点处沿某一方向上图形曲率大小和方向；C、以线性特征最优滤波器响应为依据，采用多尺度融合策略，实现道路系统目标增强。4.根据权利要求3所述的面向遥感影像的多尺度道路自动提取方法，其特征在于：本方法中步骤A构建尺度因子σ下二阶高斯核函数其中高斯核函数G为：二阶高斯核函数为：二阶高斯核函数为：二阶高斯核函数为：5.根据权利要求3或4所述的面向遥感影像的多尺度道路自动提取方法，其特征在于：所述步骤S1得到的图像由所述步骤S2构建的二阶高斯核函数，使用MATLAB的imfilter函数的卷积运算来构建尺度不变的特征空间：得Hessian矩阵为：
其中，为对应尺度因子σ下的二阶偏导图像，为卷...

【专利技术属性】
技术研发人员：米环，马立国，万海峰，王丹丹，熊远亮，
申请(专利权)人：烟台大学，
类型：发明
国别省市：