CN108229270B - 用于从遥感图像中识别道路的方法、装置和电子设备 - Google Patents
用于从遥感图像中识别道路的方法、装置和电子设备 Download PDFInfo
- Publication number
- CN108229270B CN108229270B CN201710021556.2A CN201710021556A CN108229270B CN 108229270 B CN108229270 B CN 108229270B CN 201710021556 A CN201710021556 A CN 201710021556A CN 108229270 B CN108229270 B CN 108229270B
- Authority
- CN
- China
- Prior art keywords
- road
- pixel points
- remote sensing
- sensing image
- belonging
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000012549 training Methods 0.000 claims description 70
- 238000003062 neural network model Methods 0.000 claims description 66
- 238000012790 confirmation Methods 0.000 claims description 29
- 238000004891 communication Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 9
- 238000010200 validation analysis Methods 0.000 claims 1
- 230000010339 dilation Effects 0.000 description 24
- 238000012545 processing Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了用于从遥感图像中识别道路的方法、装置和计算机设备。该方法的一具体实施方式包括:确定待识别的遥感图像中属于道路的像素点;基于上述遥感图像中属于道路的像素点确定上述遥感图像中属于道路的像素点的方向信息;基于上述遥感图像中属于道路的像素点的方向信息对各属于道路的像素点进行膨胀操作;根据膨胀操作结果从上述遥感图像中确定道路。该实施方式使从遥感图像中识别出的道路的路网连通性更好。
Description
技术领域
本申请涉及遥感技术领域,具体涉及遥感图像信息提取,尤其涉及一种用于从遥感图像中识别道路的方法、装置和电子设备。
背景技术
当前,随着经济的快速发展,地物目标,尤其是道路在非常迅速的扩张。地图的更新,尤其是路网的更新在经济建设、军事、抗震救灾等领域具有重大意义。从卫星或航拍的遥感影像能够迅速获取数据,缩短地图更新周期,使得人们实时采集数据、处理信息、更新数据以及分析数据成为可能。因而,高分辨率的遥感图像成为测绘界越来越重要的数据源。
遥感影像通常数据量大,传统的利用人工从遥感影像中提取道路的方法费时费力,无法保证数据的及时更新。
发明内容
本申请提出一种从遥感图像中识别道路的技术方案。
第一方面,本申请提供了一种用于从遥感图像中识别道路的方法,上述方法包括:确定待识别的遥感图像中属于道路的像素点;基于上述遥感图像中属于道路的像素点确定上述遥感图像中属于道路的像素点的方向信息;基于上述遥感图像中属于道路的像素点的方向信息对各属于道路的像素点进行膨胀操作;根据膨胀操作结果从上述遥感图像中确定道路。
在一些实施例中,上述确定待识别的遥感图像中属于道路的像素点,包括:确定上述遥感图像中各个像素点属于道路的概率值;将上述概率值大于第一设定阈值的像素点确定为属于道路的像素点。
在一些实施例中,上述确定上述遥感图像中各个像素点属于道路的概率值,包括:获取上述遥感图像中的至少一个像素点;通过第一深度神经网络模型确定上述至少一个像素点中每个像素点属于道路的概率值。
在一些实施例中,上述方法还包括:根据上述遥感图像中各个像素点属于道路的概率值生成上述遥感图像的道路概率分布图。
在一些实施例中,上述基于上述遥感图像中属于道路的像素点确定上述遥感图像中属于道路的像素点的方向信息,包括:使用至少一区域对上述遥感图像中的像素点进行覆盖操作;根据上述覆盖操作中各上述区域所覆盖的像素点中属于道路的像素点确定出至少一个属于道路的覆盖区域;连通各上述属于道路的覆盖区域得到道路覆盖区;根据上述道路覆盖区确定出上述遥感图像中属于道路的像素点的方向信息。
在一些实施例中,上述根据上述道路覆盖区确定出上述遥感图像中属于道路的像素点的方向信息,包括:从上述道路覆盖区中确定出连通上述道路覆盖区域的连接线;确定上述道路覆盖区中,与上述连接线的距离小于预定值的属于道路的像素点的坐标;连接上述道路覆盖区中与上述连接线的距离小于预定值的各个属于道路的像素点,并由相邻两个属于道路的像素点的位置确定上述相邻两个属于道路的像素点之间的方向信息。
在一些实施例中,上述根据上述遥感图像中属于道路的像素点确定上述遥感图像中属于道路的像素点的方向信息,包括:根据上述遥感图像中属于道路的像素点,通过第二深度神经网络模型确定出上述遥感图像中属于道路的像素点的方向信息。
在一些实施例中,上述方法还包括:预先训练上述第一深度神经网络模型,上述预先训练上述第一深度神经网络模型包括:获取至少一张训练用标注遥感图像,各上述训练用标注遥感图像包括至少一个像素点和与上述至少一个像素点中的各个像素点对应的用于标注各个像素点是否属于道路的标注数据;通过各上述训练用标注遥感图像的属于道路的标注数据训练第一初始深度神经网络模型,得到上述第一深度神经网络模型。
在一些实施例中,上述训练用标注遥感图像还包括用于标识道路方向的方向标注数据;上述方法还包括:训练第二深度神经网络模型,上述训练第二深度神经网络模型包括:通过各上述训练用标注遥感图像的方向标注数据训练第二初始深度神经网络模型,得到上述第二深度神经网络模型。
在一些实施例中,上述基于上述遥感图像中属于道路的像素点的方向信息对各属于道路的像素点进行膨胀操作,包括:从上述道路概率分布图中提取出属于道路的概率值大于第二设定阈值的像素点作为扩充像素点,上述第二设定阈值大于上述第一设定阈值;根据上述遥感图像中属于道路的像素点的方向信息确定出上述扩充像素点的方向信息;根据上述扩充像素点的方向信息对上述扩充像素点进行膨胀操作。
在一些实施例中,上述基于根据上述遥感图像中属于道路的像素点的方向信息对上述各个像素点进行膨胀操作,包括:根据上述道路覆盖区的连接线和上述道路覆盖区确定出道路的中心线;将与上述中心线的距离小于预定值的各个属于道路的像素点作为扩充像素点;沿上述中心线的延伸方向对上述扩充像素点进行膨胀操作。
第二方面,本申请提供了一种用于从遥感图像中识别道路的装置,上述装置包括:道路确认单元,配置用于确定待识别的遥感图像中属于道路的像素点;方向确认单元,配置用于基于上述遥感图像中属于道路的像素点确定上述遥感图像中属于道路的像素点的方向信息;膨胀单元,配置用于基于上述遥感图像中属于道路的像素点的方向信息对各属于道路的像素点进行膨胀操作;识别单元,配置用于根据膨胀操作结果从上述遥感图像中确定道路。
在一些实施例中,上述道路认定单元进一步配置用于:确定上述遥感图像中各个像素属于道路的概率值;将上述概率值大于第一设定阈值的像素点确定为属于道路的像素点。
在一些实施例中,上述道路认定单元进一步配置用于:获取上述遥感图像中的至少一个像素点;通过第一深度神经网络模型确定上述至少一个像素点中每个像素点属于道路的概率值。
在一些实施例中,上述道路确认单元进一步配置用于:根据上述遥感图像中各个像素点属于道路的概率值生成上述遥感图像的道路概率分布图。
在一些实施例中,上述方向确认单元包括:覆盖操作模块,配置用于使用至少一区域对上述遥感图像中的像素点进行覆盖操作;覆盖区道路确认模块,配置用于根据上述覆盖操作中各上述区域所覆盖的像素点中属于道路的像素点确定出至少一个属于道路的覆盖区域;连通模块,配置用于连通各上述属于道路的覆盖区域得到道路覆盖区;道路方向确认模块,配置用于根据上述道路覆盖区确定出上述遥感图像中属于道路的像素点的方向信息。
在一些实施例中,上述道路方向确认模块进一步配置用于:从上述道路覆盖区中确定出连通上述道路覆盖区域的连接线;确定上述道路覆盖区中与上述连接线的距离小于预定值的属于道路的像素点的位置;连接上述道路覆盖区中与上述连接线的距离小于预定值的各个属于道路的像素点,并由相邻两个像素点的位值确定出上述相邻两个像素点之间的方向信息。
在一些实施例中,上述方向确认单元还配置用于:根据上述遥感图像中属于道路的像素点,通过第二深度神经网络模型确定出上述遥感图像中属于道路的像素点的方向信息。
在一些实施例中,上述装置包括深度神经网络训练单元,上述深度神经网络训练单元配置用于:获取至少一张训练用标注遥感图像,各上述训练用标注遥感图像包括至少一个像素点和与上述至少一个像素点中的各个像素点对应的用于标注各个像素点是否属于道路的标注数据;通过各上述训练用标注遥感图像的属于道路的标注数据训练第一初始深度神经网络模型,得到上述第一深度神经网络模型。
在一些实施例中,上述训练用标注遥感图像还包括用于标识道路方向的方向标注数据;上述深度神经网络训练单元进一步配置用于:通过各上述训练用标注遥感图像的方向标注数据训练初始第二深度神经网络模型,得到上述第二深度神经网络模型。在一些实施例中,上述膨胀单元进一步配置用于:从上述道路概率分布图中提取出属于道路的概率值大于第二设定阈值的像素点作为扩充像素点,上述第二设定阈值大于上述第一设定阈值;根据上述遥感图像中属于道路的像素点的方向信息确定出上述扩充像素点的方向信息;根据上述扩充像素点的方向信息对上述扩充像素点进行膨胀操作。
在一些实施例中,上述膨胀单元还用于:根据上述道路覆盖区的连接线和上述道路覆盖区确定出道路的中心线;将与上述中心线的距离小于预定值的各个属于道路的像素点作为扩充像素点;沿上述中心线的延伸方向对上述扩充像素点进行膨胀操作。
第三方面,本申请提供了一种用于从遥感图像中识别道路的电子设备,上述电子设备包括:存储器,存储可执行指令;一个或多个处理器,与存储器通信以执行可执行指令从而完成以下操作:确定待识别的遥感图像中属于道路的像素点;基于上述遥感图像中属于道路的像素点确定上述遥感图像中属于道路的像素点的方向信息;基于上述遥感图像中属于道路的像素点的方向信息对各属于道路的像素点进行膨胀操作;根据膨胀操作结果从上述遥感图像中确定道路。
本申请提供的用于从遥感图像中识别道路的方法、装置和电子设备,通过对获取到的遥感图像与预先训练好的用于道路识别的模型匹配,确定出遥感图形中属于道路的像素点,由属于道路的像素点确定出遥感图像中属于道路的像素点的方向信息,对属于道路的像素点进行膨胀操作确定出道路区域,由上述道路区域和方向信息识别出遥感图像中的道路。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性***架构图;
图2是根据本申请的用于从遥感图像中识别道路的方法的一个实施例的流程图;
图3是根据本申请的用于从遥感图像中识别道路的方法的又一实施例的流程图;
图4是对上述遥感图像中属于道路的像素点进行覆盖操作确认属于道路的像素点所在区域的道路方向的示意图;
图5是根据本申请的用于从遥感图像中识别道路的方法的再一个实施例的流程图;
图6是根据本申请的用于从遥感图像中识别道路的方法的一个应用场景的示意图;
图7是根据本申请的用于从遥感图像中识别道路的装置的一个实施例的结构示意图;
图8是适于用来实现本申请实施例的服务器的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于从遥感图像中识别道路的方法或用于从遥感图像中识别道路的装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104、服务器105和数据库106。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如,电子地图应用、图像识别显示类应用、搜索类应用等。
终端设备101、102、103可以是具有显示屏并且支持图像识别或影像资料显示的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的或直接从数据库中提取的图像或影像资料提供处理的处理服务器。上述处理服务器可以对用户通过终端设备发送的图像或影像资料等数据进行分析等处理,并将处理结果(例如从遥感图像中识别出的道路的信息)反馈给终端设备或存储于数据库106以供与其连接的网络上的用户使用。
数据库106是可以存储文字、图片、影视资料的存储单元,上述数据库106存储的图片或影像资料可以是直接从遥感卫星或航空拍摄获取的图像,或其他的未经处理的图像;也可以是经处理后的图片。
需要说明的是,本申请实施例所提供的用于从遥感图像中识别道路的方法一般由服务器105执行,相应地,用于从遥感图像中识别道路的装置一般设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的用于从遥感图像中识别道路的方法的一个实施例的流程200。上述的用于从遥感图像中识别道路的方法,包括以下步骤:
步骤201,确定待识别的遥感图像中属于道路的像素点。
在本实施例中,用于从遥感图像中识别道路的方法运行于其上的电子设备(例如图1所示的服务器)对待识别的遥感图像中的像素点进行分析,确定出上述待识别的遥感图像中属于道路的像素点。这里,上述电子设备确定出待识别的遥感图像中的属于道路的像素点,可以是判断上述待识别的遥感图像中各像素点的颜色值是否在设定的范围,将颜色值在设定范围的像素点作为属于道路的像素点;还可以是通过预先训练好的道路识别模型进行匹配,得到上述遥感图像中属于道路的像素点。其中,上述待识别的遥感图像可以是上述电子设备从用户利用其进行图像处理或图像显示的终端获取用户发送的待识别的遥感图像,还可以是上述电子设备从数据库中获取待识别的遥感图像,可以理解的是,上述数据库中或终端设备的待处理的遥感图像可以是从遥感卫星获得,或由航空拍摄获得;还可以是从与上述终端设备或数据库关联的网络设备获得。作为示例,上述确定出待识别的遥感图像中属于道路的像素点可以通过如下方式实现:首先取得所的遥感图像中各个像素点的颜色值,上述颜色值是指像素点的RGB颜色值;其次,将所取得的像素点的RGB颜色值与预先设置好的颜色值范围对比或匹配;最后,根据匹配结果,将像素点的颜色值在上述预先设置好的颜色值范围内像素点确定为上述遥感图像中属于道路的像素点。这里,RGB颜色值是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色,每个颜色的变化分为0—255级,可使用16进制数表示。例如,在遥感图像中属于道路的物象对应的RGB颜色值可以是808080H~808000H之间的数值,将上述预先设置好的颜色值范围设为808080H~808000H,判断上述各个像素点的RGB颜色值是否在上述范围之内,将上述待识别的遥感图像中RGB颜色值在上述范围之内的像素点确定为属于道路的像素点。
步骤202,基于上述遥感图像中属于道路的像素点确定上述遥感图像中属于道路的像素点的方向信息。
在本实施例中,基于步骤201中所得到的遥感图像中属于道路的像素点,上述电子设备可以根据上述遥感图像中属于道路的像素点确定出上述遥感图像中属于道路的像素点的方向信息。这里,由上述属于道路的像素点确定出遥感图像中属于道路像素点的分布区域,可以根据上述属于道路的像素点的分布区域确定出上述遥感图像中属于道路的像素点所在区域的延伸方向,由上述属于道路的像素点所在区域的延伸方向确定出上述属于道路的像素点所在区域中像素点的方向信息。
步骤203,基于上述遥感图像中属于道路的像素点的方向信息对各属于道路的像素点进行膨胀操作。
在本实施例中,上述电子设备可以对上述遥感图像中的属于道路像素点进行膨胀操作,其中,对上属于道路的述像素点的膨胀操作可以是沿上述属于道路的像素点的方向信息所指定的方向进行。这里,上述膨胀操作(Dilating Operation)是用一个结构元素扫描图像中的每一个像素点,根据扫描结果填充像素点之间的空洞。其中,使用结构元素扫描图像中的像素点可以是将结构元素中的每一个元素分别与被扫描的像素点做“与”操作,如果都为0,则该扫描后的像素点为0,否则为1。这里结构元素是数学形态学中的一个概念,用来对图像进行膨胀操作或腐蚀操作(Eroding Operation)的一个基本单位,通过矩阵赋值或矩阵合成的方式预先设置上述结构元素,如,可将上述结构元素设置为3×3的大小,这里,3×3表示该结构元素的边长包含三个单元的正方形结构,每个单元可以赋一个数。膨胀操作的作用是将与上述像素点所标识的地物目标体接触的所有背景点合并到该地物目标中,使该地物目标增大,可填补标识地物目标的像素点之间的空洞。作为示例,对上述遥感图像中属于道路的像素点做膨胀操作,使上述属于道路的像素点增大、并且以该属于道路的像素点为填充点填补上述属于道路的像素点之间的背景,由上述全部的属于道路的像素点和上述像素点膨胀操作后形成的区域作为道路的区域。
步骤204,根据膨胀操作结果从上述遥感图像中确定道路。
在本实施例中,上述电子设备可以根据上述步骤203中对上述遥感图像中的属于道路像素点进行膨胀操作的结果中确定道路。这里,可以直接将上述膨胀操作后所形成的区域作为道路识别结果,还可以对上述膨胀操作后所形成的区域做平滑处理后作为道路识别结果,上述平滑处理可以是对上述膨胀操作后所形成的区域的边界做处理,如对边界进行取直处理,或将边界的折线处理为平缓的曲线。
本申请的上述实施例提供的方法对所确定出待识别的遥感图像属于道路的像素点进行膨胀操作,根据膨胀操作的结果确定出上述待识别的遥感图像中的道路区域。现有的对遥感图像的地物目标的识别中,如,利用图像分割识别道路的方法中,进行分割所依据遥感图像中像素的亮度及颜色,在光照不均匀、噪声的影响、图像中存在不清晰的部分,以及阴影等,导致分割错误,路网连通性欠佳且易导致漏判。本申请中对遥感图像中道路的识别不依赖于图像的亮度及颜色。
进一步参考图3,其示出了用于从遥感图像中识别道路的方法的又一个实施例的流程300。该用于从遥感图像中识别道路的方法的流程300,包括以下步骤:
步骤301,确定待识别的遥感图像中属于道路的像素点。
在本实施例中,用于从遥感图像中区域识别道路的方法运行于其上的电子设备确定待识别的遥感图像中属于道路的像素点可以通过如下子步骤实现:
子步骤3011,确定该遥感图像中各个像素点属于道路的概率值。
子步骤3012,将概率值大于第一设定阈值的像素点确定为属于道路的像素点。
本实施例中,上述电子设备确定出上述待识别的遥感图像中各个像素点属于道路的概率值,可以通过判断遥感图像中的像素点的颜色值所在的范围确定出各个像素点属于道路的概率值;还可以将上述待识别的遥感图像中的像素点以及像素点所在的背景分割为独立的单元,该独立单元与预先设定的多个不同的图像单元比对确定出各个像素点属于道路的概率值;还可以是将遥感图像导入预先训练好的识别模型中,得到像素点属于道路的概率值。由属于道路的概率值确定出属于道路的像素点,可以将所确定出的概率较高的像素点作为属于道路的像素点,如,将属于道路的概率值大于第一设定阈值的像素点确定为属于道路的像素点。作为示例,可以将第一设定阈值设为0.5,将上述属于道路的概率值大于0.5像素点确定为属于道路的像素点。
在本实施例的一些可选的实现方式中,上述方法还包括:根据上述遥感图像中各个像素点属于道路的概率值生成上述遥感图像的概率分布图。在本实现方式中,上述概率分布图包括上述待识别的遥感图像中的像素点以及各像素点属于道路的概率值。在上述遥感图像的概率分布图中示出了各具有概率值的像素点的分布图。
具体的,在本实现方式中,为了在图像中醒目的示出属于道路的像素点的分布,可以将上述概率分布图按照各个像素点属于道路的概率赋予不同的颜色,例如,可以将属于道路的概率在0.9至1.0的像素点的颜色赋予紫色、概率在0.80至0.90的像素点的颜色赋予浅紫色、概率在0.70至0.80的像素点的颜色赋予红色。作为示例,可以通过判断上述概率分布图中像素点的颜色,确定出上述遥感图像中的道路,如将颜色为红色及紫色的区域作为道路的区域,从而由上述概率分布图的颜色分布确定出上述遥感图像中道路。
步骤302,基于上述遥感图像中属于道路的像素点确定上述遥感图像中属于道路的像素点的方向信息。
在本实施例中,基于步骤301中所得到的遥感图像中属于道路的像素点,上述电子设备可以根据上述遥感图像中属于道路的像素点确定出上述遥感图像中属于道路的像素点的方向信息。
上述电子设备确定待识别的遥感图像中属于道路的像素点的方向信息可以通过如下子步骤实现:
子步骤3021,使用至少一区域对上述遥感图像中的像素点进行覆盖操作。
子步骤3022,根据覆盖操作中各上述区域所覆盖的像素点中属于道路的像素点确定出至少一个属于道路的覆盖区域。
子步骤3023,连通各上述属于道路的覆盖区域得到道路覆盖区。
子步骤3024,根据道路覆盖区确定出上述待识别遥感图像中属于道路的像素点的方向信息。
在本实施例中,上述至少一区域可以是能够覆盖多个像素点的区域,对该区域的形状不做限制,可以是长方形、正方形或椭圆形等,具体的,可以使用长方形区域或椭圆形区域对上述待识别的遥感图像中的像素点进行覆盖,该长方形区域长边所在的方向或该椭圆的长轴所在的方向设为该区域的方向。这里,上述覆盖操作是指将上述区域叠加在上述遥感图像中的操作,叠加后该区域可以旋转、移动,可以根据旋转、移动的结果判断在上述区域中所覆盖的像素点的数目。通过对上述长方形区域或椭圆形区域的旋转或调整使得该长方形区域或椭圆形区域所覆盖的属于道路的像素点的数目最多,将上述长方形区域或椭圆形区域所覆盖的数目最多时所在的区域确定为属于道路的覆盖区域,该覆盖区域中属于道路的像素点的方向与对该覆盖区域进行覆盖操作的区域方向一致。连通上述覆盖区域形成连通的区域,并作为道路覆盖区;由上述道路覆盖区的延伸方向确定出道路的方向,由道路的方向确定出上述待识别的遥感图像中属于道路的像素点的方向信息。
作为示例,如图4所示,对上述遥感图像中属于道路的像素点进行覆盖操作,由预先设置好的条状区域对上述属于道路的像素点覆盖,以任一像素点为区域中心,旋转上述条状区域,比较该条状区域所覆盖的像素点的数目,确定出该条状区域覆盖的像素点最多的区域为属于道路的覆盖区域。这里,上述条状区域所覆盖的像素点的数目可以由图4中401所示的像素点的覆盖区和402所示的像素点的覆盖区作为示例进行比较,根据比较的结果得到402中的条状区域覆盖的像素点的数目最多,确定覆盖402的条状区域为属于道路的覆盖区域。对上述属于道路的各个像素点都进行覆盖操作,可以得到403所指示的条状道路覆盖区,由上述条状道路覆盖区确定出道路方向,上述属于道路的像素点的方向与该像素点所在道路区域的道路方向一致。
在本实施例的一些可选的实现方式中,上述步骤3024还包括:从上述道路覆盖区中确定出连通上述道路覆盖区域的连接线;确定上述道路覆盖区中与上述连接线的距离小于预定值的属于道路的像素点的位置;连接上述道路覆盖区中与上述连接线的距离小于预定值的各个属于道路的像素点,并由相邻两个属于道路的像素点的位置确定出该相邻属于道路的两个像素点之间的方向信息。进一步地,可以根据各上述相邻两个属于道路的像素点之间的方向信息确定出上述相邻两个属于道路的像素点之间所在道路的方向。
这里,上述条状道路覆盖区连接线附近的像素点的方向信息能够更加精确的表示道路的方向;上述连接线可以是在上述待识别的遥感图像中进行覆盖操作的区域的长边/长轴的延长线所连接而成的曲线。可以选取上述道路覆盖区中与上述连接线的距离小于预定值的属于道路的像素点的位置,这里,上述属于道路的像素点的位置可以使用坐标描述,其中,描述上述位置的坐标可以是从上述待识别的遥感图像中获得的像素点数据经过处理后得到的数据,如滤波处理、均值处理;将上述道路覆盖区中与上述连接线的距离小于预定值的各个属于道路的像素点连接。由上述连接线所连接的相邻的两个属于道路的像素点的位置的数据确定出上述两个相邻的属于道路的像素点之间的方向信息,上述方向信息为上述两个相邻的属于道路的像素点之间道路的方向。
步骤303,基于上述遥感图像中属于道路的像素点的方向信息对各属于道路的像素点进行膨胀操作。
在本实施例中,上述电子设备可以对上述遥感图像中的属于道路像素点进行膨胀操作,其中,对上述像素点的膨胀操作可以是沿上述像素点的方向信息所指定的方向进行。
在本实施例的一些可选的实现方式中,上述电子设备对待识别的遥感图像中各个属于道路的像素点所进行膨胀操作通过如下步骤实现:从上述道路概率分布图中提取出属于道路的概率值大于第二设定阈值的像素点作为扩充像素点,上述第二设定阈值大于上述第一设定阈值;根据上述遥感图像中属于道路的像素点的方向信息确定出上述扩充像素点的方向信息;根据扩充像素点的方向信息对上述扩充像素点进行膨胀操作。这里,提取出属于道路的概率值大于第二设定阈值的像素点作为扩充像素点,其中,上述第二设定阈值大于第一设定阈值,保证了所提取出进行扩充的像素点是属于道路的像素点。上述根据扩充像素点的方向信息对上述扩充像素点进行膨胀操作,可以沿上述扩充像素点的方向信息所指示的方向对上述扩充像素点进行膨胀操作。
基于上述遥感图像中属于道路的像素点的方向信息对上述扩充像素点进行膨胀操作,可以是从上述遥感图像的像素点的方向信息中,提取出上述扩充像素点的方向;沿上述扩充像素点的方向对上述扩充像素点进行膨胀操作。沿上述扩充像素点的方向对上述扩充像素点进行膨胀操作可以是以预设的结构元素中的每一个像素与上述扩充像素点做“与”操作,这里,上述扩充操作是沿扩充像素点的方向进行,上述预设的结构元素可以是设为正方形的结构元素,还可以是长方形的结构元素,在本实施例中,可以将将上述结构元素设置为长方形的结构元素,例如,可以设为5×3的结构元素,这里,该结构元素是边长分别包含5个单元和3个单元的的长方形结构,每个单元为一个元素。其中,上述元素是数学形态学中的一个阵列中的阵列元素,在进行膨胀操作过程中可以是完全覆盖单个像素点的正方形单元。其中,在对上述扩充像素点膨胀操作时该结构元素的长边与上述扩充像素点的方向一致,保证对上述扩充像素点的操作时沿像素点的方向延伸,也即,沿道路的方向延伸、扩充。
在本实施例的一些可选的实现方式中,上述电子设备对待识别的遥感图像中各个属于道路的像素点所进行膨胀操作包括;根据上述道路覆盖区的连接线和上述道路覆盖区确定出道路的中心线;获取与上述中心线的距离小于预定值的各个属于道路的像素点作为扩充像素点;沿中心线的延伸方向对所获取的扩充像素点进行膨胀操作。这里,上述条状道路覆盖区中心线附近的像素点的方向信息能够更加精确的表示道路的方向,可以选取与上述中心线的距离小于预定值的属于道路的像素点的位置,这里可以使用坐标标识上述位置,其中,坐标是从上述待识别的遥感图像中获得的像素点数据经过处理后得到的数据,如滤波处理、均值处理;将上述与中心线的距离小于预定值的各个像素点连接。由上述连接线所连接的相邻的两个属于道路的像素点的坐标数据确定出上述两个相邻的属于道路的像素点之间的方向信息,上述方向信息为上述两个相邻的属于道路的像素点之间道路的方向。
步骤304,根据膨胀操作结果从上述遥感图像中确定道路。
在本实施例中,上述电子设备可以根据上述步骤303中对上述待识别的遥感图像中的属于道路像素点进行膨胀操作的结果中识别出道路。这里,像素点膨胀操作后所形成像素点膨胀区,对由上述遥感图像中的多个像素点膨胀区所生成的区域的边界做平滑处理得到道路的区域。
本申请的上述实施例中,通过判断像素点属于道路的概率确定出在遥感图像中属于道路的像素点,将概率值大于设定值的像素点确定为属于道路的像素点。通过概率的调整可以更全面的适应多种遥感图像的道路识别。
进一步参考图5,其示出了用于从遥感图像中识别道路的方法的又一个实施例的流程500。该用于从遥感图像中识别道路的方法的流程500,包括以下步骤:
步骤501,确定待识别的遥感图像中属于道路的像素点。
在本实施例中,用于从遥感图像中识别道路的方法运行于其上的电子设备上可以预先设置训练好的用于道路识别的第一深度神经网络模型,上述第一深度神经网络模型可以识别出所导入的待识别的遥感图像中的物象是否属于道路。上述电子设备确定待识别遥感图像中属于道路的像素点可以通过如下子步骤实现:
子步骤5011,获取上述遥感图像中的至少一个像素点,通过第一深度神经网络模型确定上述至少一个像素点中每个像素点属于道路的概率值。
子步骤5012,将上述属于道路的概率值大于第一设定阈值的像素点确定为属于道路的像素点。
本实施例中,上述电子设备从上述待识别的遥感图像中取得该遥感图像的至少一个像素点,可以是通过对该遥感图像以最小单位像素进行分割所得到的单元作为一个像素点,或最小单位的组合进行分割所得到的单元作为一个像素点。第一深度神经网络模型是预先训练好的用于识别道路的模型,可识别出遥感图像中的像素点属于道路的概率值。第一深度神经网络模型对所导入的像素点进行识别判断,确定出所导入的像素点属于道路的概率,可以将所确定出的概率较高的像素点作为属于道路的像素点,如,将属于道路的概率值大于第一设定阈值的像素点确定为属于道路的像素点。作为示例,可以将第一设定阈值设为0.5,将上述属于道路的概率值大于0.5像素点确定为属于道路的像素点。
步骤502,基于上述遥感图像中属于道路的像素点并通过第二深度神经网络模型确定出上述遥感图像中属于道路的像素点的方向信息。
在本实施例中,用于从遥感图像中识别道路的方法运行于其上的电子设备上可以预先设置训练好的用于方向识别的第二深度神经网络模型,第二深度神经网络模型可以识别出所导入的待识别的遥感图像中的像素点的方向信息。这里,需要说明的是深度神经网络是一种多层神经网络,在训练时每次训练一层网络,通过调优使原始表示x向上生成的高级表示r和该高级表示r向下生成的x'尽可能一致,从而逐层构建出神经网络。上述深度神经网络包括但不限于卷积神经网络、VGGnet神经网络结构等。上述电子设备可以将上述属于道路的像素点与上述用于方向识别的第二深度神经网络模型进行匹配,根据匹配结果获得上述遥感图像中的属于道路的像素点的方向信息。这里,像素点的方向信息可以用来描述该像素点所在道路在上述像素点位置处的方向;上述像素点方向信息可以通过直角坐标系描述;也可以使用向量描述。
在本实施例的这些可选的实现方式中,上述方法还包括预先训练上述第一深度神经网络模型,上述第一深度神经网络模型的训练方法包括:获取至少一张训练用标注遥感图像,各训练用标注遥感图像包括至少一个像素点和与上述至少一个像素点中的各个像素点对应的用于标注各个像素点是否属于道路的标注数据;通过各上述训练用标注遥感图像训练第一初始深度神经网络模型,得到上述第一深度神经网络模型。这里,上述训练用标注遥感图像是预先已经对要识别的目标标注好了的遥感图像,作为示例,在训练用于识别道路的第一深度神经网络模型的步骤中,可以将上述训练用遥感图像中属于道路的像素点和不属于道路的像素点进行标注,例如将属于道路的像素点标注为1,将不属于道路的像素点标注为0;或在训练识别方向的步骤中,对需要被识别的物象的方向进行标注。获取上述图像中的标注数据以及每个带有标注数据的像素点,根据机器学习的方法训练上述深度神经网络模型。其中机器学习(Machine Learning,ML)方法是使用人工智能模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构,通过归纳、综合等步骤不断改善自身的性能的方法,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等诸多领域。
具体而言,上述训练用标注遥感图像中标注出了道路的方向,可以是在上述训练用标注遥感图像中属于道路的物象上标示出方向,如,在上述属于道路的像素点上标识该像素点沿道路延伸方向的方向信息。使用上述标注了道路方向信息的训练用标注遥感图像作为训练上述用于方向识别的第二深度神经网络模型的训练数据。将上述训练数据导入上述初始第二深度神经网络模型,上述第二初始深度神经网络模型通过多次归纳、综合等机器学习方法训练出能够根据遥感图像的数据确定出遥感图像中道路方向的第二深度神经网络模型。
步骤503,基于上述遥感图像中属于道路的像素点的方向信息对各属于道路的像素点进行膨胀操作。
在本实施例中,用于从遥感图像中识别道路的方法运行于其上的电子设备可以对上述遥感图像中的属于道路像素点进行膨胀操作,其中,对上述像素点的膨胀操作可以是沿上述像素点的方向信息所指定的方向进行。
步骤504,根据膨胀操作结果从上述遥感图像中确定道路。
在本实施例中,上述电子设备可以根据上述步骤203中对上述遥感图像中的属于道路像素点进行膨胀操作的结果中识别出道路。这里,可以对上述膨胀操作后所形成的区域的边界做处理形成道路区域,如对边界进行取直处理,或将边界的折线处理为平缓的曲线。
继续参见图6,图6是根据本实施例的用于从遥感图像中识别道路的方法的应用场景的一个示意图。在图6的应用场景中,上述处理服务器可以从用户所在的终端获取到待识别的遥感图像,将上述待识别的遥感图像与预先训练好的用于道路识别的第一深度神经网络模型进行匹配,根据匹配结果确定出上述遥感图像中的像素点属于道路的概率,依据上述各个像素点属于道路的概率,将上述概率值大于第一设定阈值的像素点确定为上述遥感图像的属于道路的像素点;然后,将上述待识别的遥感图像与预先训练好的用于方向识别的第二深度神经网络模型进行匹配,根据匹配结果确定出上述遥感图像中属于道路的像素点的方向。最后,对上述属于道路的像素点进行膨胀操作,将上述各个属于道路的像素点膨胀后的区域作为道路。
作为示例,如图6所示,从图6所示的遥感图像中识别出指定区域601中的道路,上述处理服务器将遥感图像的指定区域601分别与上述预先训练好的用于道路识别的第一深度神经网络模型和用于方向识别的第二深度神经网络模型匹配;根据上述匹配结果,确定出上述遥感图像的指定区域601中属于道路的像素点602和上述属于道路的像素点的方向603。对上述属于道路的每个像素点进行膨胀操作,根据上述膨胀操作的结果,将上述属于道路的像素点的膨胀后的区域作为道路区域604。连通上述属于道路的各个像素点的道路区域604,确定出上述遥感图像中的道路605。
本申请的上述实施例提供的方法通过将获取到的待识别的遥感图像与预先训练好的用于道路识别的模型匹配确定出的属于道路的像素点进行膨胀操作,由膨胀操作的结果确定出遥感图像中的道路区域。本申请中,训练用于道路识别和方向识别的第一深度神经网络模型和第二深度神经网络模型的训练数据可以是在遥感图像中人工标注的数据,还可以是预先设置好的属于道路的遥感图像。根据训练好的第一深度神经网络模型和第二深度神经网络模型从上述遥感图像中识别道路。而在图像分割识别道路的方法中,进行分割所依据遥感图像中像素的亮度及颜色,在光照不均匀、噪声的影响、图像中存在不清晰的部分,以及阴影等,导致分割错误,路网连通性欠佳且易导致漏判。本申请中对遥感图像中道路的识别不依赖于图像的亮度及颜色。
进一步参考图7,作为对上述各图所示方法的实现,本申请提供了一种用于从遥感图像中识别道路的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例所描述的用于从遥感图像中识别道路的装置700包括:道路确认单元701、方向确认单元702、膨胀单元703和识别单元704。其中,道路确认单元701配置用于确定待识别的遥感图像中属于道路的像素点;方向确认单元702配置用于基于遥感图像中属于道路的像素点确定遥感图像中属于道路的像素点的方向信息;膨胀单元703配置用于基于上述遥感图像中属于道路的像素点的方向信息对各属于道路的像素点进行膨胀操作;识别单元704配置用于根据膨胀操作结果从上述遥感图像中确定道路。
在本实施例中,用于从遥感图像中识别道路的装置的道路确认单元701对待识别的遥感图像中的像素点进行分析,确定出上述待识别的遥感图像中属于道路的像素点。这里,上述道路确认单元701确定出待识别的遥感图像中的属于道路的像素点,可以是判断上述待识别的遥感图像中各像素点的颜色值是否在设定的范围,将颜色值在设定范围的像素点作为属于道路的像素点;还可以是通过预先训练好的道路识别模型进行匹配,得到上述遥感图像中属于道路的像素点。
在本实施例中,基于上述道路确认单元701所得到的遥感图像中属于道路的像素点,方向确认单元702可以根据上述遥感图像中属于道路的像素点确定出上述遥感图像中属于道路的像素点的方向信息。这里,由上述属于道路的像素点确定出遥感图像中属于道路像素点的分布区域,可以根据上述属于道路的像素点的分布区域确定出上述遥感图像中属于道路的像素点所在区域的延伸方向,由上述属于道路的像素点所在区域的延伸方向确定出上述属于道路的像素点所在区域中像素点的方向信息。
在本实施例中,膨胀单元703可以对上述遥感图像中的属于道路像素点进行膨胀操作,其中,对上述像素点的膨胀操作可以是沿上述像素点的方向信息所指定的方向进行。这里,上述膨胀操作是用一个结构元素扫描图像中的每一个像素点,根据扫描结果填充像素点之间的空洞。
在本实施例中,识别单元704可以根据上述膨胀单元703对上述遥感图像中的属于道路像素点进行膨胀操作的结果中确定道路。这里,可以对上述膨胀操作后所形成的区域的边界做处理形成道路区域,如对边界进行取直或平滑处理处理,识别出上述待识别的遥感图像的道路。
在本实施例的一些可选的实现方式中,上述道路认定单元进一步配置用于:确定上述遥感图像中各个像素属于道路的概率值;将上述概率值大于第一设定阈值的像素点确定为属于道路的像素点。上述确定个像素点属于道路的概率值可以是通过比较像素点的颜色值确定。
在本实施例的一些可选的实现方式中,上述道路确认单元进一步配置用于:获取上述遥感图像中的至少一个像素点;通过第一深度神经网络模型确定上述至少一个像素点中每个像素点属于道路的概率值。可以是将各上述像素点输入预先训练的第一初始深度神经网络模型,确定每个像素点属于道路的概率值。
在本实施例的一些可选的实现方式中,上述道路确认单元进一步配置用于:根据上述遥感图像中各个像素点属于道路的概率值生成上述遥感图像的道路概率分布图。道路概率分布图可以是上述遥感图像中概率值大于设定值的像素点的分布图。
在本实施例的一些可选的实现方式中,上述方向确认单元包括:覆盖操作模块,配置用于使用至少一区域对上述遥感图像中的像素点进行覆盖操作;覆盖区道路确认模块,配置用于根据上述覆盖操作中各上述区域所覆盖的像素点中属于道路的像素点确定出至少一个属于道路的覆盖区域;连通模块,配置用于连通各上述属于道路的覆盖区域得到道路覆盖区;道路方向确认模块,配置用于根据上述道路覆盖区确定出上述待识别的遥感图像中属于道路的像素点的方向信息。
在本实施例的一些可选的实现方式中,道路方向确认模块进一步配置用于:从上述道路覆盖区中确定出连通上述道路覆盖区域的连接线;确定上述道路覆盖区中与上述连接线的距离小于预定值的像素点的位置;连接上述道路覆盖区中与上述连接线的距离小于预定值的各个像素点,并由相邻两个像素点的位置确定出上述相邻两个像素点之间的方向信息。
在本实施例的一些可选的实现方式中,方向确认单元还配置用于:根据上述待识别的遥感图像中属于道路的像素点,通过第二深度神经网络模型确定出上述待识别的遥感图像中属于道路的像素点的方向信息。
在本实施例的一些可选的实现方式中,上述装置包括深度神经网络训练单元,其中,深度神经网络训练单元配置用于通过如下方式训练上述第一深度神经网络模型:获取至少一张训练用标注遥感图像,各上述训练用标注遥感图像包括至少一个像素点和与上述至少一个像素点中的各个像素点对应的用于标注各个像素点是否属于道路的标注数据;通过各上述训练用标注遥感图像的属于道路的标注数据训练用于道路区域识别的第一初始深度神经网络,得到上述第一深度神经网络模型。
在本实施例的一些可选的实现方式中,上述训练用标注遥感图像还包括用于标识道路方向的方向标注数据;上述深度神经网络训练单元进一步配置用于:通过各上述训练用标注遥感图像的方向标注数据训练第二初始深度神经网络模型,得到上述第二深度神经网络模型。
在本实施例的一些可选的实现方式中,上述膨胀单元进一步配置用于:从上述道路概率分布图中提取出属于道路的概率值大于第二设定阈值的像素点作为扩充像素点,上述第二设定阈值大于第一设定阈值;根据上述遥感图像中属于道路的像素点的方向信息确定出上述扩充像素点的方向信息;沿上述扩充像素点的方向信息所指示的方向对上述扩充像素点进行膨胀操作。
在本实施例的一些可选的实现方式中,上述膨胀单元还用于:根据上述道路覆盖区的连接线和上述道路覆盖区确定出道路的中心线;将与上述中心线的距离小于预定值的各个属于道路的像素点作为扩充像素点;沿上述中心线的延伸方向对上述扩充像素点进行膨胀操作。
应当理解,用于从遥感图像中识别道路的装置700中所记载的单元701至单元704分别与参考图2中描述的方法中的各个步骤相对应。由此,上文针对用于从遥感图像中识别道路的方法描述的操作和特征同样适用于装置700及其中包含的单元,在此不再赘述。装置700的相应单元可以与服务器的单元相互配合以实现本申请实施例的方案。
本发明实施例还提供了一种电子设备,例如可以是移动终端、个人计算机(PC)、平板电脑、服务器等。
下面参考图8,其示出了适于用来实现本申请实施例的终端设备或服务器的电子设备800的结构示意图:如图8所示,计算机***800包括一个或多个处理器、通信部等,上述一个或多个处理器,例如:一个或多个中央处理单元(CPU)801,和/或一个或多个图像处理器(GPU)813等,处理器可以根据存储在只读存储器(ROM)802中的可执行指令或者从存储部分808加载到随机访问存储器(RAM)803中的可执行指令而执行各种适当的动作和处理。通信部812可包括但不限于网卡,上述网卡可包括但不限于IB(Infiniband)网卡,处理器可与只读存储器802和/或随机访问存储器803中通信以执行可执行指令,通过总线804与通信部812相连、并经通信部812与其他目标设备通信,从而完成本申请实施例提供的任一项方法对应的操作,例如,获取待识别的遥感图像;确定待识别的遥感图像中属于道路的像素点;基于上述遥感图像中属于道路的像素点确定上述遥感图像中属于道路的像素点的方向信息;基于上述遥感图像中属于道路的像素点的方向信息对各属于道路的像素点进行膨胀操作;根据膨胀操作结果从上述遥感图像中确定道路。
此外,在RAM 803中,还可存储有装置操作所需的各种程序和数据。CPU801、ROM802以及RAM803通过总线804彼此相连。在有RAM803的情况下,ROM802为可选模块。RAM803存储可执行指令,或在运行时向ROM802中写入可执行指令,可执行指令使处理器801执行上述通信方法对应的操作。输入/输出(I/O)接口805也连接至总线804。通信部812可以集成设置,也可以设置为具有多个子模块(例如多个IB网卡),并在总线链接上。
以下部件连接至I/O接口805:包括键盘、鼠标等的输入部分806;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807;包括硬盘等的存储部分808;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器810上,以便于从其上读出的计算机程序根据需要被安装入存储部分808。
需要说明的,如图8所示的架构仅为一种可选实现方式,在具体实践过程中,可根据实际需要对上述图8的部件数量和类型进行选择、删减、增加或替换;在不同功能部件设置上,也可采用分离设置或集成设置等实现方式,例如GPU和CPU可分离设置或者可将GPU集成在CPU上,通信部可分离设置,也可集成设置在CPU或GPU上,等等。这些可替换的实施方式均落入本发明公开的保护范围。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,计算机程序包含用于执行流程图所示的方法的程序代码,程序代码可包括对应执行本申请实施例提供的方法步骤对应的指令,例如,获取待识别的遥感图像;根据上述遥感图像中属于道路的像素点确定上述遥感图像的属于道路像素点;将上述遥感图像导入预先训练的用于方向识别的模型进行匹配,得到上述遥感图像中属于道路的像素点的方向信息;根据上述像素点的方向信息对上述遥感图像中属于道路的像素点进行膨胀操作,根据膨胀操作结果从上述遥感图像中识别出道路。在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时,执行本申请的方法中限定的上述功能。
可能以许多方式来实现本发明的方法和装置、设备。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明,本发明的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本发明实施为记录在记录介质中的程序,这些程序包括用于实现根据本发明的方法的机器可读指令。因而,本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
本发明的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (21)
1.一种用于从遥感图像中识别道路的方法,其特征在于,所述方法包括:
确定待识别的遥感图像中属于道路的像素点;
基于所述遥感图像中属于道路的像素点确定所述遥感图像中属于道路的像素点的方向信息,包括:使用至少一区域对所述遥感图像中的像素点进行覆盖操作;根据所述覆盖操作中各所述区域所覆盖的像素点中属于道路的像素点确定出至少一个属于道路的覆盖区域;连通各所述属于道路的覆盖区域得到道路覆盖区;根据所述道路覆盖区确定出所述遥感图像中属于道路的像素点的方向信息,其中,所述方向信息用于描述所述属于道路的像素点所在道路在该像素点位置处的方向;
基于所述遥感图像中属于道路的像素点的方向信息对各属于道路的像素点进行膨胀操作;
根据膨胀操作结果从所述遥感图像中确定道路。
2.根据权利要求1所述的方法,其特征在于,所述确定待识别的遥感图像中属于道路的像素点,包括:
确定所述遥感图像中各个像素点属于道路的概率值;
将所述概率值大于第一设定阈值的像素点确定为属于道路的像素点。
3.根据权利要求2所述的方法,其特征在于,所述确定所述遥感图像中各个像素点属于道路的概率值,包括:
获取所述遥感图像中的至少一个像素点;
通过第一深度神经网络模型确定所述至少一个像素点中每个像素点属于道路的概率值。
4.根据权利要求2-3任一所述的方法,其特征在于,所述方法还包括:
根据所述遥感图像中各个像素点属于道路的概率值生成所述遥感图像的道路概率分布图。
5.根据权利要求1所述的方法,其特征在于,所述根据所述道路覆盖区确定出所述遥感图像中属于道路的像素点的方向信息,包括:
从所述道路覆盖区中确定出连通所述道路覆盖区域的连接线;
确定所述道路覆盖区中,与所述连接线的距离小于预定值的属于道路的像素点的位置;
连接所述道路覆盖区中与所述连接线的距离小于预定值的各个属于道路的像素点,并由相邻两个属于道路的像素点的位置确定所述相邻两个属于道路的像素点之间的方向信息。
6.根据权利要求1所述的方法,其特征在于,所述基于所述遥感图像中属于道路的像素点确定所述遥感图像中属于道路的像素点的方向信息,包括:
基于所述遥感图像中属于道路的像素点并通过第二深度神经网络模型确定出所述遥感图像中属于道路的像素点的方向信息。
7.根据权利要求3所述的方法,其特征在于,所述方法还包括:
预先训练所述第一深度神经网络模型;
所述预先训练所述第一深度神经网络模型包括:
获取至少一张训练用标注遥感图像,各所述训练用标注遥感图像包括至少一个像素点和与所述至少一个像素点中的各个像素点对应的用于标注各个像素点是否属于道路的标注数据;
通过各所述训练用标注遥感图像的属于道路的标注数据训练第一初始深度神经网络模型,得到所述第一深度神经网络模型。
8.根据权利要求7所述的方法,其特征在于,所述训练用标注遥感图像还包括用于标识道路方向的方向标注数据;所述方法还包括:
训练第二深度神经网络模型;
所述训练第二深度神经网络模型包括:
通过各所述训练用标注遥感图像的方向标注数据训练第二初始深度神经网络模型,得到所述第二深度神经网络模型。
9.根据权利要求4所述的方法,其特征在于,所述基于所述遥感图像中属于道路的像素点的方向信息对各属于道路的像素点进行膨胀操作,包括:
从所述道路概率分布图中提取出属于道路的概率值大于第二设定阈值的像素点作为扩充像素点,所述第二设定阈值大于所述第一设定阈值;
根据所述遥感图像中属于道路的像素点的方向信息确定出所述扩充像素点的方向信息;
根据所述扩充像素点的方向信息对所述扩充像素点进行膨胀操作。
10.根据权利要求5所述的方法,其特征在于,所述基于所述遥感图像中属于道路的像素点的方向信息对各属于道路的像素点进行膨胀操作,包括:
根据所述道路覆盖区的连接线和所述道路覆盖区确定出道路的中心线;
将与所述中心线的距离小于预定值的各个属于道路的像素点作为扩充像素点;
沿所述中心线的延伸方向对所述扩充像素点进行膨胀操作。
11.一种用于从遥感图像中识别道路的装置,其特征在于,所述装置包括:
道路确认单元,配置用于确定待识别的遥感图像中属于道路的像素点;
方向确认单元,配置用于基于所述遥感图像中属于道路的像素点确定所述遥感图像中属于道路的像素点的方向信息,其中,所述方向信息用于描述所述属于道路的像素点所在道路在该像素点位置处的方向;
膨胀单元,配置用于基于所述遥感图像中属于道路的像素点的方向信息对属于道路的像素点进行膨胀操作;
识别单元,配置用于根据膨胀操作结果从所述遥感图像中确定道路;
其中,所述方向确认单元包括:
覆盖操作模块,配置用于使用至少一区域对所述遥感图像中的像素点进行覆盖操作;
覆盖区道路确认模块,配置用于根据所述覆盖操作中各所述区域所覆盖的像素点中属于道路的像素点确定出至少一个属于道路的覆盖区域;
连通模块,配置用于连通各所述属于道路的覆盖区域得到道路覆盖区;
道路方向确认模块,配置用于根据所述道路覆盖区确定出所述遥感图像中属于道路的像素点的方向信息。
12.根据权利要求11所述的装置,其特征在于,所述道路确认单元进一步配置用于:
确定所述遥感图像中各个像素点属于道路的概率值;
将所述概率值大于第一设定阈值的像素点确定为属于道路的像素点。
13.根据权利要求12所述的装置,其特征在于,所述道路确认单元进一步配置用于:
获取所述遥感图像中的至少一个像素点;
通过第一深度神经网络模型确定所述至少一个像素点中每个像素点属于道路的概率值。
14.根据权利要求12-13任一所述的装置,其特征在于,所述道路确认单元进一步配置用于:
根据所述遥感图像中各个像素点属于道路的概率值生成所述遥感图像的道路概率分布图。
15.根据权利要求11所述的装置,其特征在于,所述道路方向确认模块进一步配置用于:
从所述道路覆盖区中确定出连通所述道路覆盖区域的连接线;
确定所述道路覆盖区中,与所述连接线的距离小于预定值的像素点的位置;
连接所述道路覆盖区中与所述连接线的距离小于预定值的各个属于道路的像素点,并由相邻两个属于道路的像素点的位置确定出所述相邻两个属于道路的像素点之间的方向信息。
16.根据权利要求11所述的装置,其特征在于,所述方向确认单元还配置用于:
基于所述遥感图像中属于道路的像素点并通过第二深度神经网络模型确定出所述遥感图像中属于道路的像素点的方向信息。
17.根据权利要求13所述的装置,其特征在于,所述装置包括深度神经网络训练单元,所述深度神经网络训练单元配置用于:
获取至少一张训练用标注遥感图像,各所述训练用标注遥感图像包括至少一个像素点和与所述至少一个像素点中的各个像素点对应的用于标注各个像素点是否属于道路的标注数据;
通过各所述训练用标注遥感图像的属于道路的标注数据训练第一初始深度神经网络模型,得到所述第一深度神经网络模型。
18.根据权利要求17所述的装置,其特征在于,所述训练用标注遥感图像还包括用于标识道路方向的方向标注数据;
所述深度神经网络训练单元进一步配置用于:
通过各所述训练用标注遥感图像的方向标注数据训练第二初始深度神经网络模型,得到第二深度神经网络模型。
19.根据权利要求14所述的装置,其特征在于,所述膨胀单元进一步配置用于:
从所述道路概率分布图中提取出属于道路的概率值大于第二设定阈值的像素点作为扩充像素点,所述第二设定阈值大于所述第一设定阈值;
根据所述遥感图像中属于道路的像素点的方向信息确定出所述扩充像素点的方向信息;
根据所述扩充像素点的方向信息对所述扩充像素点进行膨胀操作。
20.根据权利要求15所述的装置,其特征在于,所述膨胀单元还用于:
根据所述道路覆盖区的连接线和所述道路覆盖区确定出道路的中心线;
将与所述中心线的距离小于预定值的各个属于道路的像素点作为扩充像素点;
沿所述中心线的延伸方向对所述扩充像素点进行膨胀操作。
21.一种用于从遥感图像中识别道路的电子设备,其特征在于,所述电子设备包括:
存储器,存储可执行指令;
一个或多个处理器,与存储器通信以执行可执行指令从而完成权利要求1至10中任一项所述的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710021556.2A CN108229270B (zh) | 2017-01-12 | 2017-01-12 | 用于从遥感图像中识别道路的方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710021556.2A CN108229270B (zh) | 2017-01-12 | 2017-01-12 | 用于从遥感图像中识别道路的方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108229270A CN108229270A (zh) | 2018-06-29 |
CN108229270B true CN108229270B (zh) | 2021-07-30 |
Family
ID=62656459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710021556.2A Active CN108229270B (zh) | 2017-01-12 | 2017-01-12 | 用于从遥感图像中识别道路的方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229270B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111121797B (zh) * | 2018-11-01 | 2021-11-12 | 百度在线网络技术(北京)有限公司 | 道路筛选方法、装置、服务器及存储介质 |
CN112802027A (zh) * | 2019-11-13 | 2021-05-14 | 成都天府新区光启未来技术研究院 | 一种目标对象的分析方法、存储介质及电子装置 |
CN112215123B (zh) * | 2020-10-09 | 2022-10-25 | 腾讯科技(深圳)有限公司 | 一种目标检测方法、装置及存储介质 |
CN114332650B (zh) * | 2022-03-09 | 2022-05-31 | 苏州大学 | 一种遥感图像道路识别方法及*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915636A (zh) * | 2015-04-15 | 2015-09-16 | 北京工业大学 | 基于多级框架显著性特征的遥感影像道路识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9275297B2 (en) * | 2013-10-14 | 2016-03-01 | Digitalglobe, Inc. | Techniques for identifying parking lots in remotely-sensed images by identifying parking rows |
CN104657978A (zh) * | 2014-12-24 | 2015-05-27 | 福州大学 | 一种基于遥感图像道路形状特征的道路提取方法 |
CN106295562A (zh) * | 2016-08-09 | 2017-01-04 | 中国科学院遥感与数字地球研究所 | 一种高分辨率遥感影像道路信息提取方法 |
-
2017
- 2017-01-12 CN CN201710021556.2A patent/CN108229270B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915636A (zh) * | 2015-04-15 | 2015-09-16 | 北京工业大学 | 基于多级框架显著性特征的遥感影像道路识别方法 |
Non-Patent Citations (2)
Title |
---|
基于数学形态学的遥感图像道路提取;郑丽 等;《铁道勘察》;20101231;第36卷(第1期);第12-15页 * |
基于灰度和方向一致性的遥感影像道路网提取;马符讯 等;《测绘工程》;20160930;第25卷(第9期);第12-19页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108229270A (zh) | 2018-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348815B (zh) | 图像处理方法、图像处理装置以及非瞬时性存储介质 | |
CN109508678B (zh) | 人脸检测模型的训练方法、人脸关键点的检测方法和装置 | |
EP3745339A1 (en) | Method for implanting advertisements in video, and computer device | |
CN108229270B (zh) | 用于从遥感图像中识别道路的方法、装置和电子设备 | |
CN111353512B (zh) | 障碍物分类方法、装置、存储介质和计算机设备 | |
CN107679466B (zh) | 信息输出方法和装置 | |
US9042648B2 (en) | Salient object segmentation | |
CN109117760B (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
US9922443B2 (en) | Texturing a three-dimensional scanned model with localized patch colors | |
CN112101386B (zh) | 文本检测方法、装置、计算机设备和存储介质 | |
US20040086153A1 (en) | Methods and systems for recognizing road signs in a digital image | |
US20220044072A1 (en) | Systems and methods for aligning vectors to an image | |
CN108229274B (zh) | 多层神经网络模型训练、道路特征识别的方法和装置 | |
US20150071532A1 (en) | Image processing device, computer-readable recording medium, and image processing method | |
EP2709063A1 (en) | Image processing device, computer-readable recording medium, and image processing method | |
CN111950355A (zh) | ***识别方法、装置及电子设备 | |
CN111832561B (zh) | 基于计算机视觉的字符序列识别方法、装置、设备和介质 | |
CN110910445A (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
CN113469092A (zh) | 字符识别模型生成方法、装置、计算机设备和存储介质 | |
CN113052143A (zh) | 手写数字生成方法和装置 | |
CN114241326A (zh) | 一种渐进式遥感影像地物要素智能生产方法及*** | |
CN109285160B (zh) | 一种抠像方法与*** | |
CN114332809A (zh) | 一种图像识别方法、装置、电子设备和存储介质 | |
US9311523B1 (en) | Method and apparatus for supporting object recognition | |
CN110263779A (zh) | 文本区域检测方法及装置、文本检测方法、计算机可读介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |