CN108287845A - 一种道路信息自动提取方法和装置、及混合导航*** - Google Patents
一种道路信息自动提取方法和装置、及混合导航*** Download PDFInfo
- Publication number
- CN108287845A CN108287845A CN201710014925.5A CN201710014925A CN108287845A CN 108287845 A CN108287845 A CN 108287845A CN 201710014925 A CN201710014925 A CN 201710014925A CN 108287845 A CN108287845 A CN 108287845A
- Authority
- CN
- China
- Prior art keywords
- road
- patch
- module
- line segment
- remote sensing
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road data
- G01C21/3819—Road shape data, e.g. outline of a route
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3852—Data derived from aerial or satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种道路信息自动提取方法及装置、及混合导航***。该方法包括:根据地物波谱库以及对应的识别方法去除遥感影像中的植被、水系、裸地以及建筑物,得到包含道路斑块的遥感影像;根据包含道路斑块的遥感影像提取道路。本发明通过地物的光谱特征来提取道路,减少了根据遥感影像提取道路的计算量,并且提高了道路提取的准确率。
Description
技术领域
本发明涉及地理信息技术领域,尤其涉及一种道路信息自动提取方法及装置、及混合导航***。
背景技术
随着遥感技术的发展,遥感影像的精度也来越高,利用遥感影像来提取道路是地理信息***研究的热点之一。目前,利用遥感影像来获取道路的方法具体包括以下三种:
1、模板提取法
根据技术人员对道路的认识建立道路模板,用道路模板来描述道路特征,以便用道路模板在遥感影像中检测道路。道路模板具有固定的大小、形状和检测特征,将道路模板在遥感影像上移动,在每一个位置评价与道路模板的相似匹配度来检测道路。该方法需要针对每种道路建立模板,因而导致道路模板数量庞大,并且计算时间长,不具有通用性。
2、基于图像分割法
利用一些算法来对遥感影像进行分割,比如K均值聚类算法、模糊C均值聚类算法等,将遥感影像分割成有意义的斑块,根据斑块的特征进行道路的识别,提取道路片段或者道路种子点。该方法依赖于高分辨率的遥感影像,计算量大,自动分类困难。
3、有限元法:
有限元法在遥感影像中提取道路大多集中在利用道路的几何特征性来提取道路的方案上,利用边缘探测和纹理分析得到初步结果,以及初步结果再次进行分析、选择和综合,其中部分方案结合道路模型、道路有关的知识和规则进行,但总体效果不明显。
因此,有必要提出一种新的基于遥感影像提取道路的技术方案。
发明内容
有鉴于此,本发明提供一种道路信息自动提取方法及装置,以通过遥感影像获取有用的道路信息。
其中,该方法包括:
根据地物波谱库以及对应的识别方法去除遥感影像中的植被、水系、裸地以及建筑物,得到包含道路斑块的遥感影像;
根据包含道路斑块的遥感影像提取道路。
可选地,所述根据包含道路的遥感影像提取道路包括:
将检测窗口内的道路斑块栅格矢量化,得到道路矢量线段;
将所述道路矢量线段连接成道路。
可选地所述将检测窗口内的道路斑块栅格矢量化之前还包括:
过滤检测窗口内像素值小于第二阈值的道路斑块。
可选地所述将所述道路矢量线段连接成道路之前还包括:
串联距离小于第三阈值的相邻道路矢量线段;或者
所述将所述道路矢量线段连接成道路之前还包括:
过滤检测窗口内道路矢量线段长度小于第四阈值的道路矢量线段;
串联距离小于第三阈值的相邻道路矢量线段。
可选地,所述将检测窗口内的道路斑块栅格矢量化之前还包括:
确定检测窗口内道路斑块的RGB值和/或RGB平均值;
在确定了检测窗口内道路斑块的RGB平均值的情况下,如果相邻两个道路斑块的RGB平均值之差大于第五阈值,则删除该相邻两个道路斑块中的一者或二者。
相应地,本发明提供了一种道路信息自动提取装置,该装置包括:
去除模块,用于根据地物波谱库以及对应的识别装置去除遥感影像中的植被、水系、裸地以及建筑物,得到包含道路斑块的遥感影像;
提取模块,用于根据包含道路斑块的遥感影像提取道路。
可选地,所述提取模块包括:
矢量化单元,用于将检测窗口内的道路斑块栅格矢量化,得到道路矢量线段;
连接单元,用于将所述道路矢量线段连接成道路。
可选地,所述提取模块还包括第一过滤单元,用于过滤检测窗口内像素值小于第二阈值的道路斑块。
可选地,所述提取模块还包括串联单元,用于串联距离小于第三阈值的相邻道路矢量线段;和/或所述提取模块还包括第二过滤单元,用于过滤检测窗口内道路矢量线段长度小于第四阈值的道路矢量线段。
可选地,所述提取模块还包括RGB单元,用于确定检测窗口内道路斑块的RGB值和/或RGB平均值;在确定了检测窗口内道路斑块的RGB平均值并且相邻两个道路斑块的RGB平均值之差大于第五阈值的情况下,删除该相邻两个道路斑块中的一者或二者。
与现有技术相比,本发明具有以下优点:
本发明利用地物的光谱特征信息排除建筑物、水系、植被等干扰要素,并提取出道路的特征信息,然后利用几何算法和形态学分析技术将道路连接起来,从而通过地物的光谱特征来提取道路,减少了根据遥感影像提取道路的计算量,并且提高了道路提取的准确率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明提供的道路信息自动提取方法示意图;
图2是本发明提供的道路信息自动提取方法详细流程图;
图3是本发明提供的遥感影像图;
图4是根据图3所示遥感影像提取的植被特征图;
图5是根据图3所示遥感影像提取的水系特征图;
图6是根据图3所示遥感影像提取的裸地特征图;
图7是根据图3所示遥感影像提取的建筑物特征图;
图8是图3所示遥感影像中的道路斑块图;
图9是根据图3所示遥感影像中的道路斑块获得矢量道路图层;
图10是本发明提供的道路获取装置的组成示意图;
图11是本发明提供的提取模块组成示意图;
图12是本发明提供的导航设备的组成示意图。
附图标记说明
1005 去除模块 1010 提取模块
1105 第一过滤单元 1110 RGB单元
1115 矢量化单元 1120 第二过滤单元
1125 串联单元 1130 连接单元
具体实施方式
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解,硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语,故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内,本领域技术人员能够在一定误差范围内解决所述技术问题,基本达到所述技术效果。说明书后续描述为实施本发明的较佳实施方式,然所述描述乃以说明本发明的一般原则为目的,并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
本发明采用光谱特征提取的方法分别剔除出各种地物,剩下道路的光谱图像,然后再矢量化道路图像,利用数学的形态学从几何形状的角度构建道路的结构元素,辅助连接道路段,最后平滑处理成矢量道路形状,计算量小,通用性强,是基于遥感影像提取道路的有效方案。
图1示出了本发明提供的道路信息自动提取方法,具体包括:
步骤105,去除遥感影像中的植被、水系、裸地以及建筑物;
其中,可以预先建立地物波谱库以及与地物对应的识别方法,地物波谱库中可以包含常见地物的光谱曲线库,一般有植被、水系、裸地、建筑物(例如区块状建筑,例如工厂、居民小区)等。识别方法是只对未知地物识别的经验方法积累,将未知地物的波谱曲线与地物波谱库进行比较分析,得出最有可能是某种物质的结果。
步骤110,根据遥感影像中的道路斑块提取道路信息,根据提取到的道路信息更新地图数据。
本步骤去除地物特征后的遥感影像主要包括道路斑块,甚至仅包括道路斑块,可以对道路斑块进行处理,得到道路。去除地物特征后的遥感影像可能存在一些噪声,例如孤立的斑块,可以通过检测斑块的像素面积来滤除噪声,例如可以滤除少于4个像素的斑块。在滤除孤立斑块后,可以检测相邻两个斑块平均的RGB值之间的差异,如果差异大于预定值,可以删除其中一个或二个;例如相邻斑块中,一个斑块的每个像素的RGB值是[0,0,0],平均值也是0,另一个斑块RGB为[5,2,5],平均值为4,超过预定值3,则可以视情况删除该斑块。其中,在检测斑块是否相邻时,可以使用缓冲区搜寻的办法,建立矩形缓冲区来搜索相邻斑块。举例来说,存在依次相邻的道路斑块A、道路斑块B、道路斑块C,道路斑块A的RGB平均与道路斑块B的RGB平均值之差满足预设值,但道路斑块B的RGB平均与道路斑块C的RGB平均值之差不满足预设值,则可以删除道路斑块C。又如,道路斑块A和道路斑块B相邻,但道路斑块A和道路斑块B不与其他道路斑块相邻,则可以将道路斑块A和道路斑块B均删除。
进一步地,步骤105中,可以通过专业的软件来对遥感图像进行光谱分析,例如软件ERDAS。ERDAS还可以根据建立的地物波谱库以及对应的识别方法来识别遥感图像中的地图,例如植被、水系、建筑物等等,并将它们从遥感地图中去除。
步骤110,也可以利用如软件ERDAS之类的专业软件计算道路斑块的像素值,从而可以将小于预定值的斑块滤除,例如可以滤除小于4个像素的斑块。
进一步地,可以开发一些辅助软件来实现斑块的RGB值计算、道路斑块的矢量化、道路连接等功能。
在进行道路斑块的矢量化之前,可以计算各个斑块的GRB平均值,对于相邻的两个道路斑块,如果差异过大的话,可以认为是噪声,从而可以将其删除。将栅格的图像矢量化,并过滤掉长度较短且孤立的矢量线段。本实施例可采用本发明人开发的矢量化工具,首先预定义RGB值,可以有多组,然后将窗口内所有的图斑全部线性化,根据预定义的RGB值,将线性化后的图斑串联起来,即栅格矢量化。
在进行矢量化的过程中,可以预定义RGB值,例如[0,0,0],可以有多组,然后将窗口内所有的道路图斑全部线性化,根据预定义的RGB值,将线性化后的线段串联起来,即栅格矢量化。在矢量化以后,还可以滤除孤立且小于一定长度的线段,例如可以滤除孤立且小于4米的线段。这里,可采用图斑像素检查工具,来判断图斑内每个像素的RGB,并将整个图斑的所有像素RGB值改成该图斑像素的RGB均值。
在道路连接时,可以利用现有技术,依据道路的线性、连通性等形态学特性,根据已知算法,拟合出道路的形状。这里,可采用本发明的发明人设计的道路形状拟合工具,依据道路本身的线性和连通性特征,进行道路几何形状的拟合。
图2示出了本发明提供的道路提取详细流程图,具体包括:
步骤205,获取遥感影像,如图3所示。遥感影像一般由遥感卫星拍摄得到,对于遥感图像可以一张一张地处理,因为每张遥感图像都覆盖很大的区域,处理一张遥感影像就可以提取很多的道路。本发明中,每个检测窗口可以具有一张遥感影像,通过处理该检测窗口中的遥感影像得到道路信息。
步骤210,可以根据地物的波谱曲线建立地物波谱库,并建立对应的识别方法库。地物波谱库是根据地物的不同反射特征,建立每种地物对应的反射波谱曲线;识别方法库就是一些常见的波谱曲线的识别方法,即通过曲线如何判断地物;
步骤215,去除遥感图像中的植被、水系、裸地、建筑物等地物。
步骤220,确定是否已经遍历了遥感图像,如果是的话,执行步骤230,否则执行步骤225。
步骤225,更新检测窗口的位置,继续执行步骤215。
步骤230,滤除检测窗口内孤立的道路斑块。
步骤235,矢量化道路斑块并提取道路。
步骤240,获得道路提取结果。
其中,步骤215中,需要针对遥感图像中的各个位置进行进行如下处理:
步骤2152,提取植被特征,如图4所示;
步骤2154,提取水系特征,如图5所示;
步骤2156,提取裸地特征,如图6所示;
步骤2158,提取建筑物特征,如图7所示。
在例如ERDAS之类的软件中,可以按照如下操作步骤实现特征提取:
确定原始输入影像文件;
定义输出分类文件;
确定分类模板(分布是植被、水系、裸地、建筑物);
选择输出分类距离文件;
选择非参数规则;
选择叠加规则选择参数规则。
在提取特征以后,选定这些特征就可以进行去除。
在去除这些特征以后,可以得到如图8所示的包含道路斑块的遥感影像,在对该影像进行矢量化之后,可以得到如图9所示的矢量化道路图。
步骤230中,可以根据设定的道路斑块像素阈值,例如大于或等于4个像素,过滤出小于4个像素的道路斑块(步骤2302),即孤立的道路斑块,然后将孤立的道路斑块删除。
步骤235中,可以针对每个道路斑块的计算其RGB值,还可以计算其平均值,并删除相邻的道路斑块,RGB平均值相差过大的道路斑块,然后根据预定义的RGB值将检测窗口内的道路斑块矢量化(步骤2352),然后过滤掉长度小于预定值的线段,例如小于4m的线段(步骤2354),最后根据形态学方法,例如道路的线性、连通性等将线段串联为道路(步骤2356)。其中步骤2352中,可以通过如下步骤矢量化:求每个斑块的外接矩形;求外接矩形的最长中心轴;将每个斑块获得的中心轴根据一定规则连接起来。其中步骤2354中,还可以将相邻的距离小于预定值,例如小于10m的线段串联起来。根据道路的线性和连通性特征,将被打断的且距离小于一定阈值的道路斑块沿线性方向连接起来。
需要说明的是,上述实施例还可采用瓦片差分算法:首先,获取相同位置的像素点的颜色分量R、G、B,通过颜色分量R、G、B判断该像素点是否的道路颜色。若为道路颜色,通过颜色的欧式距离度量其是否变化,同时排除部分图例标识噪声,并对变化的位置进行记录。然后,通过欧式聚类提取文字、其他图例标识,去除该噪声。最后,标记出瓦片中的变化范围。
其中,颜色的距离公式如下:
R1、G1、B1分别表示一个像素点的颜色的红色分量、绿色分量、蓝色分量,R2、G2、B2分别表示另一个像素点的颜色的红色分量、绿色分量、蓝色分量。D表示这两点间的颜色距离。
欧式聚类计算如下:
R、G、B表示像素点的颜色的红色分量、绿色分量、蓝色分量。(r0、b0、g0)、(r1、b1、g1)分别表示两个聚类中心。CD1、CD2表示该像素点与两个中心的相似度。
上述算法的主要步骤包括:
S1:取相同位置像素点的颜色分量R、G、B,若颜色分量R、G、B为道路的颜色分量,通过公式1-1计算两个像素点的欧式距离D,当D大于阈值d时认为该点发生变化。若有变化执行步骤②,无变化执行步骤④。其中,d通过大量实验获得;
S2:去除部分图例标识噪声(通过聚类无法提取的噪声,主要指道路编号等);
S3:记录变化位置的像素坐标;
S4:标记部分噪声(通过聚类无法提取的噪声,主要指浅色文字等)。
S5:若没有比较完所有像素点,则获取下一像素点,执行S1,否则执行S6。
S6:通过欧式聚类提取文字、另外的图例标识噪声。通过公式1-2、1-3计算与两个聚类中心的距离CD1、CD2,若CD1>CD2则认为该点为文字或图例标识。其中,聚类中心的选择通过大量的实验确定;
S7:去除S4、S6中的噪声;
S8:定位变化区域。计算瓦片中变化位置的横坐标的最小值X1、最大值X2及纵坐标的最小值Y1、最大值Y2。用矩形区域表示变化区域,矩形区域的左上角和右下角坐标分别为(X1,Y1)、(X2,Y2)。去除较小的矩形区域。再根据瓦片给出的四个角的坐标计算(X1,Y1)、(X2,Y2)对应的经纬度,即可获取道路的变化范围。
上述实施例采用欧式聚类去除噪声,瓦片中存在很多文字、图例标识(道路编号、停车场、公交站等)对道路的识别对比形成了很大的干扰,这些成为噪声。该方法可以有效的提取大部分文字、图例标识噪声。个别没有去除的,由于颜色没有损失,能够较好的提取其特征。这样就能够有效的排除噪声的干扰。
另外,将栅格的图像矢量化,并过滤掉长度较短且孤立的矢量线段,先预定义RGB值,可以有多组,然后将窗口内所有的图斑全部线性化,根据预定义的RGB值,将线性化后的图斑串联起来,即栅格矢量化。
其中“长度较短且孤立”,是指长度小于阈值,比如5米,孤立的意思是在设定的缓冲区范围内并未找到同类物。
根据设定阈值过滤长度较短且孤立的矢量线段,阈值的判断一般来自于遥感影像的分辨率,例如一般规定道路的最小长度阈值是不小于5个像素,如果影像的分辨率是0.8米,那么阈值就是4米。
上述实施例根据道路的线性、连通性等形态学特征,将矢量化的线段连结成道路,采用道路形状拟合工具,设计算法依据道路本身的线性和连通性特征,主要用于道路几何形状的拟合。
判断遍历是否结束的条件:将地物去除完毕,且最小图斑所包括像素个数大于一定的值,根据影像的分辨率确定该阈值,一般规定道路的最小长度阈值是不小于5米,如果影像的分辨率是一米,那个就是5个像素。
去除孤立后,对综合检测窗口内的图斑进行矢量化前的检查,根据道路图斑的RGB的一致性检查是否全是道路图斑。
因此,经过上述实施例提取得到经过联结、平滑、相交打断等操作之后的矢量道路,提取出的矢量道路与已有的道路图层相差分,获取新增或者删除的道路位置,为路网更新提供可靠的情报。
相应地,本发明提供了一种道路信息自动提取装置,如图10所示,该装置包括:去除模块1005和提取模块1010。去除模块1005主要用于将遥感影像中与道路无关的斑块去除,提取模块1010通过对遥感影像的道路斑块进行提取,从而获得道路信息。图11示出了本发明提供的提取模块内部结构的示意图,具体包括:第一过滤单元1105、RGB单元1110、矢量化单元1115、第二过滤单元1120、串联单元1125。第一过滤单元1105可以过滤孤立的道路斑块,RGB单元1110可以计算各个道路斑块的RGB值和/RGB平均值,并且删除RGB平均值相差过大的相邻道路斑块中的一者或两者,矢量化单元1115可以对剩下的道路斑块进行栅格矢量化,将道路斑块处理为矢量道路线段,第二过滤单元1120可以过滤太短的矢量道路线段,串联单元1125可以将相邻的矢量线段串联起来,例如通过形态学方法将矢量线段连接得到道路。需要说明的是,第一过滤单元1105、第二过滤单元1120可以根据实际的需要增加,是可选的实现方式。作为可选的实现方式,RGB单元也可以仅计算道路斑块的RGB值,而不计算道路斑块的RGB平均值。
此外,本发明实施例提供了一种混合导航***,如图12所示,该导航设备包括:数据模块505、搜索模块510、导航模块515、娱乐模块520、通信模块525、车载趣驾操作***500、传感***550以及用户交互模块。可选地,用户交互模块包括信息入口模块530、智能语音交互模块535、分析模块540及显示模块545。其中:
数据模块505,用于存储并更新电子地图数据,该电子地图数据为上述任一相关实施例中公开的道路信息自动提取装置处理后的导航电子地图数据;
搜索模块510,用于根据用户指令执行搜索操作并输出搜索结果;
导航模块515,用于根据得到的导航指令为用户提供二维/三维路径规划及导航服务;
娱乐模块520,用于提供游戏、音乐及其他影音娱乐项目;通信模块525,用于获取更新的地图数据、动态交通信息、一对一或群组的语音/视频通讯;
信息入口模块530,用于接收用户通过触屏或按键手动输入的指令;
智能语音交互模块535,用于接收用户语音指令、进行语音唤醒和语音控制,以及用于语音输出执行用户语音指令的结果;
分析模块540,用于对用户语音指令进行语音识别、语意分析及指令转换,并用于通知相应的模块执行识别出来的用户语音指令;其中,用户语音指令为任意语种的任意一种句型的表达;
显示模块545,用于显示搜索模块提供的搜索结果,导航模块提供的导航路径、数据模块提供的地图数据、以及通信模块提供的动态交通信息,采用语音、二维/三维图示、和/或文字的方式显示;
车载趣驾操作***500,用于为上述各模块提供运行环境和支持;
传感***550,用于监测车辆状态和路况信息,为所述趣驾操作***提供实时动态信息。
需要说明的是,由于前述任一实施例所述的道路信息自动提取方法及***具有上述技术效果,因此,采用了前述任一实施例所述的道路信息自动提取方法及***的混合导航***也应具备相应的技术效果,其具体实施过程与上述实施例类似,兹不赘述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
上述说明示出并描述了本发明的若干具体实施例,但如前所述,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (10)
1.一种道路信息自动提取方法,其特征在于,该方法包括:
根据地物波谱库以及对应的识别方法,去除遥感影像中的植被、水系、裸地以及建筑物,得到包含道路斑块的遥感影像;
根据包含道路斑块的遥感影像提取道路信息,根据提取到的道路信息更新地图数据。
2.根据权利要求1所述的道路信息自动提取方法,其特征在于,所述根据包含道路的遥感影像提取道路包括:
将检测窗口内的道路斑块栅格矢量化,得到道路矢量线段;
将所述道路矢量线段串联成道路。
3.根据权利要求2所述的道路信息自动提取方法,其特征在于,所述将检测窗口内的道路斑块栅格矢量化之前,该方法还包括:
过滤检测窗口内像素值小于第二阈值的道路斑块,进一步包括:
确定检测窗口内道路斑块的RGB值和/或RGB平均值;
在确定了检测窗口内道路斑块的RGB平均值的情况下,如果相邻两个道路斑块的RGB平均值之差大于第五阈值,则删除该相邻两个道路斑块中的一者或二者。
4.根据权利要求2或3所述的道路信息自动提取方法,其特征在于,所述将所述道路矢量线段串联成道路包括:
串联距离小于第三阈值的相邻道路矢量线段;或者
所述将所述道路矢量线段串联成道路包括:
过滤检测窗口内道路矢量线段长度小于第四阈值的道路矢量线段;
串联距离小于第三阈值的相邻道路矢量线段。
5.一种道路信息自动提取装置,其特征在于,该装置包括:
去除模块,用于根据地物波谱库以及对应的识别装置去除遥感影像中的植被、水系、裸地以及建筑物,得到包含道路斑块的遥感影像;
提取模块,用于根据包含道路斑块的遥感影像提取道路信息;
更新模块,用于根据提取到的道路信息更新地图数据。
6.根据权利要求5所述的道路信息自动提取装置,其特征在于,所述提取模块包括:
矢量化单元,用于将检测窗口内的道路斑块栅格矢量化,得到道路矢量线段;
串联单元,用于将所述道路矢量线段串联成道路。
7.根据权利要求5或6所述的道路提取装置,其特征在于,所述提取模块还包括:
第一过滤单元,用于过滤检测窗口内像素值小于第二阈值的道路斑块;和/或,
第二过滤单元,用于过滤检测窗口内道路矢量线段长度小于第四阈值的道路矢量线段。
8.根据权利要求7所述的道路信息自动提取装置,其特征在于,所述串联单元进一步用于串联距离小于第三阈值的相邻道路矢量线段。
9.根据权利要求8所述的道路信息自动提取装置,其特征在于,所述提取模块还包括:
RGB单元,用于确定检测窗口内道路斑块的RGB值和/或RGB平均值;在确定了检测窗口内道路斑块的RGB平均值并且相邻两个道路斑块的RGB平均值之差大于第五阈值的情况下,删除该相邻两个道路斑块中的一者或二者。
10.一种混合导航***,其特征在于,包括:
数据模块,用于存储并更新电子地图数据,该电子地图数据为根据权利要求5-9任一项所述的道路信息自动提取装置处理后的导航电子地图数据;
搜索模块,用于根据用户指令执行搜索操作并输出搜索结果;
导航模块,用于根据得到的导航指令为用户提供二维/三维路径规划及导航服务;
娱乐模块,用于提供游戏、音乐及其他影音娱乐项目;
通信模块,用于获取更新的地图数据、动态交通信息、一对一或群组的语音/视频通讯;
信息入口模块,用于接收用户通过触屏或按键手动输入的指令;
智能语音交互模块,用于接收用户语音指令、进行语音唤醒和语音控制,以及用于语音输出执行所述用户语音指令的结果;
分析模块,用于对所述用户语音指令进行语音识别、语意分析及指令转换,并用于通知相应的模块执行识别出来的用户语音指令;其中,所述用户语音指令为任意语种的任意一种句型的表达;
显示模块,用于显示所述搜索模块提供的搜索结果,所述导航模块提供的导航路径、所述数据模块提供的地图数据、以及所述通信模块提供的动态交通信息,采用语音、二维/三维图示、和/或文字的方式显示;
趣驾操作***,用于为上述各模块提供运行环境和支持;
传感***,用于监测车辆状态和路况信息,为所述趣驾操作***提供实时动态信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710014925.5A CN108287845A (zh) | 2017-01-09 | 2017-01-09 | 一种道路信息自动提取方法和装置、及混合导航*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710014925.5A CN108287845A (zh) | 2017-01-09 | 2017-01-09 | 一种道路信息自动提取方法和装置、及混合导航*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108287845A true CN108287845A (zh) | 2018-07-17 |
Family
ID=62819751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710014925.5A Pending CN108287845A (zh) | 2017-01-09 | 2017-01-09 | 一种道路信息自动提取方法和装置、及混合导航*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108287845A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110827048A (zh) * | 2018-08-08 | 2020-02-21 | 菜鸟智能物流控股有限公司 | 基于路网的地理区域分割方法、装置以及电子设备 |
CN110866026A (zh) * | 2019-11-12 | 2020-03-06 | 西安中科星图空间数据技术有限公司 | 一种Sqlite影像瓦片数据库的自动更新方法及装置 |
CN112883138A (zh) * | 2021-03-10 | 2021-06-01 | 北京建筑大学 | 一种基于可量测实景的城市部件搜索方法 |
CN113112488A (zh) * | 2021-04-22 | 2021-07-13 | 广州市城市规划勘测设计研究院 | 一种道路中心线提取方法、装置、存储介质及终端设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102043958A (zh) * | 2010-11-26 | 2011-05-04 | 华中科技大学 | 一种高分辨率遥感图像多类目标检测识别方法 |
CN103034863A (zh) * | 2012-12-24 | 2013-04-10 | 重庆市勘测院 | 一种结合核Fisher与多尺度提取的遥感影像道路获取方法 |
CN103530409A (zh) * | 2013-10-25 | 2014-01-22 | 中国科学院对地观测与数字地球科学中心 | 遥感图像检索方法及*** |
CN104504718A (zh) * | 2015-01-06 | 2015-04-08 | 南京大学 | 高分辨率航空遥感数据自动道路提取方法 |
CN105787937A (zh) * | 2016-02-25 | 2016-07-20 | 武汉大学 | 一种基于osm的高分辨遥感影像道路变化检测方法 |
-
2017
- 2017-01-09 CN CN201710014925.5A patent/CN108287845A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102043958A (zh) * | 2010-11-26 | 2011-05-04 | 华中科技大学 | 一种高分辨率遥感图像多类目标检测识别方法 |
CN103034863A (zh) * | 2012-12-24 | 2013-04-10 | 重庆市勘测院 | 一种结合核Fisher与多尺度提取的遥感影像道路获取方法 |
CN103530409A (zh) * | 2013-10-25 | 2014-01-22 | 中国科学院对地观测与数字地球科学中心 | 遥感图像检索方法及*** |
CN104504718A (zh) * | 2015-01-06 | 2015-04-08 | 南京大学 | 高分辨率航空遥感数据自动道路提取方法 |
CN105787937A (zh) * | 2016-02-25 | 2016-07-20 | 武汉大学 | 一种基于osm的高分辨遥感影像道路变化检测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110827048A (zh) * | 2018-08-08 | 2020-02-21 | 菜鸟智能物流控股有限公司 | 基于路网的地理区域分割方法、装置以及电子设备 |
CN110827048B (zh) * | 2018-08-08 | 2023-05-23 | 菜鸟智能物流控股有限公司 | 基于路网的地理区域分割方法、装置以及电子设备 |
CN110866026A (zh) * | 2019-11-12 | 2020-03-06 | 西安中科星图空间数据技术有限公司 | 一种Sqlite影像瓦片数据库的自动更新方法及装置 |
CN110866026B (zh) * | 2019-11-12 | 2022-08-09 | 中科星图空间技术有限公司 | 一种Sqlite影像瓦片数据库的自动更新方法及装置 |
CN112883138A (zh) * | 2021-03-10 | 2021-06-01 | 北京建筑大学 | 一种基于可量测实景的城市部件搜索方法 |
CN113112488A (zh) * | 2021-04-22 | 2021-07-13 | 广州市城市规划勘测设计研究院 | 一种道路中心线提取方法、装置、存储介质及终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Automatic building information model reconstruction in high-density urban areas: Augmenting multi-source data with architectural knowledge | |
CN108846835B (zh) | 基于深度可分离卷积网络的图像变化检测方法 | |
CN104077447B (zh) | 基于纸质平面数据的城市三维空间矢量建模方法 | |
CN105335966B (zh) | 基于局域同质性指标的多尺度遥感影像分割方法 | |
CN107092877A (zh) | 基于建筑物基底矢量的遥感影像屋顶轮廓提取方法 | |
CN110334578B (zh) | 图像级别标注自动提取高分遥感影像建筑物的弱监督方法 | |
San et al. | Building extraction from high resolution satellite images using Hough transform | |
CN108287845A (zh) | 一种道路信息自动提取方法和装置、及混合导航*** | |
CN110619258B (zh) | 一种基于高分辨率遥感影像的道路轨迹核查方法 | |
TW201022708A (en) | Method of change detection for building models | |
CN115409069A (zh) | 村镇建筑的识别方法、分类方法、装置、电子设备和介质 | |
CN102708385A (zh) | 用于视频监控场景的三维车型比对识别的方法和*** | |
CN115223054A (zh) | 一种基于分区聚类与卷积的遥感影像变化检测方法 | |
CN115731560B (zh) | 一种基于深度学习的槽线识别方法、装置、存储介质及终端 | |
CN114037836A (zh) | 一种将人工智能识别技术应用于三维输变电工程测算的方法 | |
CN112085778A (zh) | 基于超像素和形态学的倾斜摄影违法建筑检测方法及*** | |
CN115272826A (zh) | 一种基于卷积神经网络的图像识别方法、装置及*** | |
WO2024125434A1 (zh) | 基于区域一致性的建筑物主角度修正方法 | |
Zhao et al. | Building outline delineation: From very high resolution remote sensing imagery to polygons with an improved end-to-end learning framework | |
CN116363319B (zh) | 一种建筑物屋顶的建模方法、建模装置、设备及介质 | |
Engstrom et al. | Evaluating the Relationship between Contextual Features Derived from Very High Spatial Resolution Imagery and Urban Attributes: A Case Study in Sri Lanka | |
CN115861816B (zh) | 一种立体低涡识别方法、装置、存储介质及终端 | |
CN112347926A (zh) | 基于建筑形态分布的高分辨率影像城中村检测方法 | |
CN104463896A (zh) | 基于核相似区分布特性的图像角点检测方法及*** | |
KR102416714B1 (ko) | 3차원 이미지 및 딥러닝을 활용한 도시 규모 나무 지도 작성 시스템 및 방법 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180717 |
|
RJ01 | Rejection of invention patent application after publication |