一种基于骨架内切圆的道路分级快速识别方法技术

本发明专利技术公开一种基于骨架内切圆的道路分级快速识别方法，包括将勘探工区遥感图像通过训练好的神经网络预测得到道路预测图像；对道路预测图像进行像素级别的处理，提取出道路预测图像中道路的骨架线，获得道路骨架图；提取道路的轮廓线，获得道路轮廓线图；利用内切圆法计算骨架线中每个点对应的道路宽度，按照设定的阈值对骨架线中每个点进行标记分类；对筛选后的区域内像素点进行标记，提取出分级后的道路信息，完成对道路的分级。本发明专利技术提出的基于骨架内切圆的道路分级快速识别方法，结合了道路骨架和内切圆法的优点，能够对每一段道路的宽度进行像素点级别的更新计算，提高了计算效率和精度，有效避免了因道路宽度不均匀所造成模糊分级的操作。成模糊分级的操作。成模糊分级的操作。

【技术实现步骤摘要】
一种基于骨架内切圆的道路分级快速识别方法


[0001]本专利技术涉及一种基于骨架内切圆的道路分级快速识别方法，属于地震勘探


技术介绍

[0002]地震勘探中最常用的震源是炸药震源，但如今城镇飞速发展导致勘探工区愈发复杂，因此需要可控震源联合炸药震源共同作业，而可控震源的布设需要对勘探区内的路网进行分级，并根据不同的道路宽度提前设计不同区域选择不同吨位的可控震源车，以保证最大限度的提高激发能量及信噪比。但是现如今的城镇道路异常复杂且道路宽度分布不均匀，道路宽度的快速识别方法更是鲜有人研究。
[0003]目前地震勘探中道路识别利用的是卫片人工绘制结合现场踏勘的方法进行识别，适合于道路宽度较为均匀的区域，且不能对道路宽度进行智能化分级识别，尤其是宽度不均且弯曲角度过大的道路不能非常准确地进行人工绘制分级。

技术实现思路

[0004]为了克服现有技术中的问题，本专利技术提供一种基于骨架内切圆的道路分级快速识别方法，本方法是对在中轴变换方法基础上进行优化提升，计算效率更高，更加适合处理图像分割后的道路识别结果，得到的道路骨架图更精细，使后续的道路宽度计算更加准确，从而提高了道路分级的精度和效率，可以有效指导可控震源车辆施工作业方案设计。
[0005]本专利技术解决上述技术问题所提供的技术方案是：一种基于骨架内切圆的道路分级快速识别方法，包括以下步骤：
[0006]步骤S1、将勘探工区遥感图像通过训练好的神经网络预测得到道路预测图像；
[0007]步骤S2、将道路预测图像进行像素化处理，并提取道路预测图像中道路的骨架线，从而获得道路骨架图；
[0008]步骤S3、提取道路的轮廓线，从而获得道路轮廓线图；
[0009]步骤S4、利用内切圆法计算骨架线中每个点对应的道路宽度，按照设定的阈值对骨架线中每个点进行标记分类；
[0010]步骤S5、对筛选后的区域内像素点进行标记，提取出分级后的道路信息，完成对道路的分级。
[0011]进一步的技术方案是，所述步骤S2中的具体过程为：
[0012]步骤S21、将道路预测图像的背景设为0，道路设为1，以此建立3
×
3的矩阵，道路边界点的定义是本身标记为1，而其8个连通领域中至少有一个点标记为0，考虑以边界点作为中心点q1，其8个领域点从左上开始顺时针记为q2，q3，q4，...，q9，提取出满足如下条件的边界点；
[0013]①
2<＝n(q1)<＝6；
[0014]②
s(q1)＝1；
[0015]③
q2
·
q4
·
q6＝0；
[0016]④
q4
·
q6
·
q8＝0；
[0017]式中：n(q1)是q1的标记为1的邻域点的个数；s(q1)是遍历q1的邻域点q2，q3，...，q9从0变化到1的次数；
[0018]步骤S22、然后重新将道路预测图像的背景设为0，道路设为1，以此建立3
×
3的矩阵，道路边界点的定义是本身标记为1，而其8个连通领域中至少有一个点标记为0，考虑以边界点作为中心点q1，其8个领域点从左上开始顺时针记为q2，q3，q4，...，q9，再提取满足如下条件的边界点；
[0019]①
2<＝n(q1)<＝6；
[0020]②
s(q1)＝1；
[0021]③
q2
·
q4
·
q8＝0；
[0022]④
q2
·
q6
·
q8＝0；
[0023]步骤S23、重复步骤2和步骤3，直到没有点再满足上述的条件，剩下没有被提取出的点即为骨架点，将骨架点构成骨架线。
[0024]进一步的技术方案是，所述步骤S3中的具体过程为：
[0025]步骤S31、对道路预测图像进行去噪卷积操作；
[0026]步骤S32、计算道路预测图像中每个像素点的梯度幅值和梯度方向；
[0027]步骤S33、将梯度幅值和梯度方向对道路预测图像的边缘进行非极大值抑制操作；
[0028]步骤S34、设置强阈值和弱阈值，将梯度幅值小于弱阈值的像素点标记为255；将梯度幅值大于强阈值的像素点标记为0；对于梯度幅值小于强阈值大于弱阈值的像素点，判断该点的8个邻域点是否存在大于强阈值的点，若存在，将该点标记为0，若不存在，则标记为255；
[0029]步骤S35、提取标记后的像素点构成轮廓线，从而获得道路轮廓线图。
[0030]进一步的技术方案是，所述步骤S31中采用高斯模糊方法为卷积核中不同位置的点分配权重，再通过不同位置的点分配权重计算不同位置点的高斯核，最后通过高斯核对道路预测图像进行卷积操作，从而达到去噪的效果。
[0031]进一步的技术方案是，其中不同位置的点分配权重的计算公式为：
[0032][0033]式中：G(x，y)为点(x，y)的权重；σ为卷积窗口内像素点均值。
[0034]进一步的技术方案是，所述步骤S32中的计算公式为：
[0035][0036][0037]式中：G
xy
为梯度幅值；θ为梯度方向。
[0038]进一步的技术方案是，所述步骤S33中确定中心点的梯度幅值在其8邻域内是否为最大，如果中心点不是局部极大值，则该点不是边缘；
[0039][0040]式中：为中心点梯度幅值，其余表示8邻域点梯度幅值，1表示是边缘点，0表示不是边缘点。
[0041]进一步的技术方案是，所述步骤S4的具体过程为：
[0042]步骤S41、建立像素点坐标系，构造包含单条道路的最小矩形，设定矩形的左上、右上，左下、右下的坐标分别为(x
l
,y
u
)、(x
r
,y
u
)、(x
l
,y
d
)、(x
r
,y
d
)，对于道路骨架线的每个像素点坐标，都存在大半径R和小半径r，使得构造出来的圆分别是部分在道路轮廓外和全在道路轮廓内，然后取大半径R和小半径r之和的一半half_r，构造以half_r为半径的圆；
[0043]步骤S42、判断以half_r为半径构造出来的圆的边缘点是否存在于道路轮廓外，若存在道路轮廓外的点，那么大半径R取half_r，小半径r不变；若不存在，则小半径r取half_r，大半径R不变；
[0044]步骤S43、重复上述操作直到大半径R和小半径r的差值在设置的精度范围内，获得骨架点处的道路宽度为2r；
[0045]步骤S44、设置道路宽度阈值范围，根据阈值范围对这些满足要求的骨架点进行标记。
[0046]进一步的技术方案是，所述步骤S43中的精度计算公式为：
...

【技术保护点】

【技术特征摘要】
1.一种基于骨架内切圆的道路分级快速识别方法，其特征在于，包括以下步骤：步骤S1、将勘探工区遥感图像通过训练好的神经网络预测得到道路预测图像；步骤S2、将道路预测图像进行像素级别的处理，提取出道路预测图像中道路的骨架线，从而获得道路骨架图；步骤S3、提取道路的轮廓线，从而获得道路轮廓线图；步骤S4、利用内切圆法计算骨架线中每个点对应的道路宽度，按照设定的阈值对骨架线中每个点进行标记分类；步骤S5、对筛选后的区域内像素点进行标记，提取出分级后的道路信息，完成对道路的分级。2.根据权利要求1所述的一种基于骨架内切圆的道路分级快速识别方法，其特征在于，所述步骤S2中的具体过程为：步骤S21、将道路预测图像的背景设为0，道路设为1，以此建立3
×
3的矩阵，道路边界点的定义是本身标记为1，而其8个连通领域中至少有一个点标记为0，考虑以边界点作为中心点q1，其8个领域点从左上开始顺时针记为q2，q3，q4，...，q9，提取出满足如下条件的边界点；
①
2<＝n(q1)<＝6；
②
s(q1)＝1；
③
q2
·
q4
·
q6＝0；
④
q4
·
q6
·
q8＝0；式中：n(q1)是q1的标记为1的邻域点的个数；s(q1)是遍历q1的邻域点q2，q3，...，q9从0变化到1的次数；步骤S22、然后重新将道路预测图像的背景设为0，道路设为1，以此建立3
×
3的矩阵，道路边界点的定义是本身标记为1，而其8个连通领域中至少有一个点标记为0，考虑以边界点作为中心点q1，其8个领域点从左上开始顺时针记为q2，q3，q4，...，q9，再提取满足如下条件的边界点；
①
2<＝n(q1)<＝6；
②
s(q1)＝1；
③
q2
·
q4
·
q8＝0；
④
q2
·
q6
·
q8＝0；步骤S23、重复步骤2和步骤3，直到没有点再满足上述的条件，剩下没有被提取出的点即为骨架点，将骨架点构成骨架线。3.根据权利要求1所述的一种基于骨架内切圆的道路分级快速识别方法，其特征在于，所述步骤S3中的具体过程为：步骤S31、对道路预测图像进行去噪卷积操作；步骤S32、计算道路预测图像中每个像素点的梯度幅值和梯度方向；步骤S33、将梯度幅值和梯度方向对道路预测图像的边缘进行非极大值抑制操作；步骤S34、设置强阈值和弱阈值，将梯度幅值小于弱阈值的像素点标记为255；将梯度幅值大于强阈值的像素点标记为0；对于梯度幅值小于强阈值大于弱阈值...

【专利技术属性】
技术研发人员：赵虎，赵子涵，陈曦，尹成，胥良君，潘树林，王毓玮，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：