CN108898101B - 基于素描图和先验约束的高分辨sar图像路网检测方法 - Google Patents
基于素描图和先验约束的高分辨sar图像路网检测方法 Download PDFInfo
- Publication number
- CN108898101B CN108898101B CN201810697379.4A CN201810697379A CN108898101B CN 108898101 B CN108898101 B CN 108898101B CN 201810697379 A CN201810697379 A CN 201810697379A CN 108898101 B CN108898101 B CN 108898101B
- Authority
- CN
- China
- Prior art keywords
- sketch
- line segment
- sketch line
- road
- line
- 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
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于素描图和先验约束的高分辨SAR图像路网检测方法,主要解决现有技术道路检测准确率低的问题。其方案为:1)使用SAR图像的素描模型得到地物稀疏表示的素描图;2)根据道路的先验约束和统计信息,对可表示多种语义的素描线段提取疑似道路素描线段;3)针对当前疑似道路素描线段,计算其与邻域区域内其他素描线的空间延展度和灰度分布连接度,并将两种特征结合对可表示道路的素描线段进一步提取;4)对素描线段进行启发式连接并在完成连接的素描线周围进行超像素分割,根据分割结果确定最终的道路区域。本发明提高了道路检测的准确率,减少了大量虚警,可用于对复杂大场景的高分辨率SAR图像路网检测。
Description
技术领域
本发明属于图像处理技术领域,是一种基于素描图和先验约束的高分辨SAR图像路网检测方法,可用于具有复杂大场景的高分辨率SAR图像路网的检测。
背景技术
道路作为现代运输***的一个重要组成部分,在军事和民用方面都有大量的应用,如地图更新、导航应用、交通状况监测,城市发展监控等,特别是在震后救援中,道路的堵塞和损毁情况也是要优先考虑的部分。此外,道路作为图像处理中一个基本特征,准确的道路提取结果为更高层次的处理研究如多时相多视角图像配准、城市建筑块提取等提供了坚实的基础。
SAR图像分辨率不同,道路表现出来的特征差别很大。理想情况下,在中低分辨率SAR图像中,道路主要表现为具有一定方向和长度的线特征。并且由于SAR采用侧视成像方式,道路路面较为平整,发生镜面反射的回波强度较弱,与其他邻近地物相比,道路成像的灰度值较低。在高分比率SAR图像中,道路不再表现为线特征,而是呈现出由亮的双边缘包围的暗长区域。然而在实际成像中,存在着大量对道路目标的干扰,还存在如树木和建筑物的阴影、遮挡道路上的车辆等干扰,这些干扰会直接影响道路轮廓。此外,池塘、停车场、河流、建筑物顶部所产生的与道路类似的图像特征也给道路的提取造成困难。
因此,图像分辨率对道路及其他目标在图像中的表现形式至关重要,除此之外,道路网络提取过程中是否需要人工干预是考察遥感图像中道路网络提取算子的一个重要因素。通常根据是否需要人工干预将道路网络提取算法分为半自动方法和自动方法两大类。
半自动道路提取方法利用人机交互的形式进行特征提取和识别,其主要思想是人工提供初始道路点即种子点,有时还提供初始方向,然后利用计算机进行处理识别,同时适当进行人工交互。目前有关半自动道路网络提取算法的研究已有很多,并取得了较好的应用效果。Donald等人在众多研究的基础上,深入探讨了10m分辨率的卫星图像道路识别方法,其基本方法是:利用起始点和起始方向获得道路的统计模型特征,建立主动试验的树结构的试验规则和统计模型,并建立“决策树”,然后基于决策树进行道路跟踪。该算法对中、低分辨率遥感图像的应用效果良好,但该算法需要大量的道路先验知识来确定树结构的判决法则,普适性较差。另一类研究较多的道路提取方法就是基于最小二乘法B样条曲线的道路识别方法,利用该方法提取道路网络时,首先人工给定道路曲线的一些初始种子点,由这些点用最小二乘法构造B样条曲线并设定适当的宽度,得到有一定宽度的带状初始道路:然后由图像匹配、活动控制模板匹配、GIS数据支持等方法得到道路曲线,但该方法的缺点在于计算量过大。
自动道路特征提取包括道路的自动定位和理解。自动定位利用局部的或全局的方法分析出图像中的道路特征,方法的优劣直接影响后续过程的理解;理解过程包括人工智能、计算机视觉、模式识别及数学模型等内容。目前完全自动识别各类道路还不现实,但自动识别某一种类型道路还是取得了一定的成功,获得了一些有意义的算法。Trinder等人对高分辨率遥感图像中基于人工智能的自动识别道路的方法进行了研究,其方法在低、中、高三个层次上进行研究,即基于低层次的边缘检测和连接、基于中层次的特征信息处理、基于高层次的特征识别处理。其关键在于在连接好的边缘中产生表示道路的平行线对,并识别平行线对是否为道路的识别策略。实验结果表明这种方法对于中低分辨率图像的道路提取具有较好的效果,但该方法不适合过于复杂的高分辨图像的道路检测。
鉴于上述各类干扰的存在、道路类型的多样性以及环境背景的复杂性,以及高分辨率SAR图像的道路目标提取的解译难点所在,SAR图像道路提取仍是一项复杂而艰巨的任务。
发明内容
本发明的目的在于针对上述现有技术的不足,基于素描图和先验约束的高分辨SAR图像路网检测方法,以提高高分辨率SAR图像在复杂大场景下道路检测的准确率,同时适应不同形态的道路提取。
本发明在对地物信息稀疏表示的素描图的基础上,首先根据道路在SAR图像中的先验信息,将语义空间和像素空间进行信息交互,计算素描线段的空间延展度和灰度分布连接度,并设定结合规则,提取出可以表示道路的素描线段;然后在所得的提取结果基础上,基于马尔科夫链的思想,对素描图中断裂而成的素描线段进行启发式连接;最后基于素描信息和超像素的线目标的分割方法,对道路素描线邻域进行小尺度超像素分割,并根据道路先验信息合并超像素以实现道路区域逼近,得到SAR图像道路的准确区域。其实现步骤包括如下:
1)对SAR图像素描化,将得到的素描图作为SAR图像的语义空间,按照素描图中素描点的位置得到用来表示SAR图像稀疏结构的素描线集合C:
C={C1,C2,...,Ci,...,CN}
其中,Ci表示素描图中的第i条素描线:Ci={Si,1,Si,2,...,Si,j,...,Si,m},i=1,2,...N,N表示素描图中素描线的总条数,Si,j表示构成第i条素描线的第j条素描线段,j=1,2,...m,m表示构成第i条素描线的素描线段的条数;
2)设定表示道路的素描线段集合RD,将所有的素描线段Si,j都放入到集合RD中,并对所有素描线段的长度做直方图统计,找到直方图顶点构成曲线的斜率突变点,并将该突变点对应的值确定为表示道路素描线段的长度阈值将长度小于的素描线段从集合RD中筛除;
3)在素描线段集合RD中,选出具有聚拢特征的素描线,并将构成这些素描线的素描线段从集合RD中筛除;
4)在素描图中,再次提取相对平行且距离小于5的素描线段对,将其放入到素描线段集合RD中;
5)取素描线段集合RD中的素描线段Si,j,将该素描线段的中点MPi,j作为扩充区域的中心点,沿着素描线段Si,j的方向扩充一个长为2×Li,j,宽为41的矩形区域,将其作为Si,j素描线段的邻域Ri,j,其中Li,j为素描线段Si,j的长度;
6)判断素描图中其他素描线段是否出现在Si,j的邻域内,若在,则将该素描线段放入到Si,j的邻域素描线段集合RSi,j中,否则,不做操作;
7)计算素描线段集合RD中的素描线段Si,j与其邻域素描线段集合RSi,j中素描线段之间的相对邻近性H、共向性O、交错性S、长度比rl,并将这四个参数加权,得到素描线段之间的空间延展度FS;
8)在素描线段Si,j与其邻域素描线段集合RSi,j中的素描线段Sk,g之间的连接区域f内,设定二元假设判定的似然比λ,当λ>1时,判定素描线段Si,j和Sk,g的连线sf存在,并将判定似然比λ作为素描线段之间的灰度分布连接度,否则,判定连线sf不存在;
9)将表示道路素描线段集合RD作为输入,根据步骤7)和步骤8)分别计算得到空间延展度和灰度分布连接度,计算素描线段Si,j与其邻域素描线段集合RSi,j中任意一条素描线段之间的连接条件概率并判断素描线段Si,j与集合RSi,j中所有素描线段的连接条件概率是否均满足小于0.5:若是,则将素描线段Si,j从集合RD中筛除,否则,将素描线段Si,j保留在RD中,其中,表示与素描线段Si,j相关的第r条素描线段的连接条件概率,r=1,2,...,R,R表示素描线段Si,j的邻域素描线段集合RSi,j中所有素描线段的条数;
10)根据马尔科夫链规则,判断集合RD中的素描线段Si,j是否需要与其邻域素描线段集合RSi,j中的素描线段进行连接,若需要,则确定要连接的下一条素描线段并连接,遍历集合RD中所有的素描线段,得到完成连接的道路表示线,否则,判断素描线段Si,j长度是否大于2×φL,若是,不做操作,否则,将素描线段Si,j从集合RD中筛除。
11)在道路表示线周围进行超像素分割,并对超像素设定保留合并规则,对分割的超像素进行合并,将合并的区域确定为最终的道路区域。
与现有技术相比,本发明具有以下优点:
1.根据SAR图像中道路的先验知识,道路可表示为单一区域直线的素描线、平行双素描线以及低曲率曲线素描线三种类型,本发明是将SAR图像的语义空间与像素空间进行信息交互,充分利用了素描线段和邻域其他素描线段的空间拓扑特性和灰度分布特性,对邻域相关素描线段进行多项性质分析,以保证可更准确地筛取出可表示道路的素描线段,为后续道路素描线的补全奠定了基础。
2.本发明通过对可表示道路的素描线周围邻域进行超像素分割,针对道路线目标周边小面积超像素的面积、位置、个数等信息确定道路目标和素描线的相对位置,并且设计了超像素的保留合并规则,有效地去除了大量虚警,对不同形态的道路场景实现了准确地定位。
附图说明
图1是本发明的总流程图;
图2是本发明仿真要使用的SAR图像;
图3是本发明仿真要使用的素描图;
图4是本发明仿真使用的平行素描线段对示意图;
图5是素描线段在空间的延展性示意图;
图6是用本发明提取的表示道路的素描线段结果图;
图7是使用本发明完成连接的仿真道路图;
图8是使用本发明完成检测的仿真道路区域图。
具体实施方式
下面结合附图对本发明的实施例及效果做进一步描述。
参照图1,本发明的具体实施步骤如下:
步骤1,获取SAR图像的素描图,。
对SAR图像素描化,得到素描图,如图3所示;
将得到的素描图作为SAR图像的语义空间,按照素描图中素描点的位置得到用来表示SAR图像稀疏结构的素描线集合C:
C={C1,C2,...,Ci,...,CN}
其中,Ci表示素描图中的第i条素描线:Ci={Si,1,Si,2,...,Si,j,...,Si,m},i=1,2,...N,N表示素描图中素描线的总条数,Si,j表示构成第i条素描线的第j条素描线段,j=1,2,...m,m表示构成第i条素描线的素描线段的条数。
所述对SAR图像素描化,是采用Jie-Wu等人在2014年发表在IEEE Transactionson Geoscience and Remote Sensing杂志上的文章《Local maximal homogenous regionsearch for SAR speckle reduction with sketch-based geometrical kernelfunction》文章中的技术方法进行。
步骤2,根据长度统计初步筛取疑似道路素描线段。
设定表示道路的素描线段集合RD,将所有的素描线段Si,j都放入到集合RD中,并对所有素描线段的长度做直方图统计,找到直方图顶点构成曲线的斜率突变点,并将该突变点对应的值确定为表示道路素描线段的长度阈值将长度小于的素描线段从集合RD中筛除。
步骤3,对具有围拢特征的素描线段进行筛取。
在素描线段集合RD中,根据构成素描线的素描线段条数m,将具有围拢特征的素描线段分为如下三种情况:
当m=2时,计算素描线的长度比值:Li,j表示构成当前素描线的第j条素描线段Si,j的长度,j=1,2,并判断是否满足rli<0.3:若是,则将素描线Ci的两条素描线段从集合RD中筛除,否则,计算两条素描线段的角度差值:α=abs(θi,1-θi,2),其中,θi,j表示构成当前素描线的第j条素描线段Si,j的角度,j=1,2;再判断角度差值α是否大于30且素描线的长度是否小于若是,则将素描线Ci的两条素描线段从集合RD中筛除,否则,不做操作;
步骤4,在素描图中,提取相对平行素描线对。
参见图4,本步骤的具体实现如下:
4a)判断两条素描线段Si,j与Sk,g的角度差值α是否小于角度阈值φθ=30,若是,则执行4b),否则,不做操作;
4b)从原点O出发,分别向两条素描线段Si,j和Sk,g所在的直线做垂线,这两条垂线的垂足分别为d1和d4,原点O到d1和d4的距离分别为Od1和Od4;
4d)从原点O出发,分别向这两条平行线和做垂线,这两条垂线的垂足分别为d2和d3,原点O到d2和d3的距离分别为Od2和Od3,素描线段Si,j所在直线与平行线和之间的距离分别为|Od1-Od2|和|Od1-Od3|;
4e)定义素描线段Si,j与Sk,g的距离d为|Od1-Od2|和|Od1-Od3|的均值,若距离d大于平行线段对的距离阈值φd=5,则对素描线段Si,j与Sk,g不做操作;否则,将素描线段Si,j和Sk,g加入到表示道路素描线段集合RD中去。
步骤5,定义素描线段的邻域。
取素描线段集合RD中的素描线段Si,j,将该素描线段的中点MPi,j作为扩充区域的中心点,沿着素描线段Si,j的方向扩充一个长为2×Li,j,宽为41的矩形区域,将其作为Si,j素描线段的邻域Ri,j,其中Li,j为素描线段Si,j的长度。
步骤6,选取素描线段的相关素描线段。
判断素描图中其他素描线段是否出现在Si,j的邻域内,若在,则将该素描线段放入到Si,j的邻域素描线段集合RSi,j中,否则,不做操作。
步骤7,计算素描线段的空间延展度。
计算素描线段集合RD中的素描线段Si,j与其邻域素描线段集合RSi,j中素描线段之间的相对邻近性H、共向性O、交错性S、长度比rl,这些参数的表示如图5所示,其中
H的示意图如图5(a)所示,O的示意图如图5(b)所示,S的示意图如图5(c)所示,计算公式如下:
式中,dist1表示两条素描线段之间的最短距离,θ表示两条素描线段所夹的锐角,dist2表示当前素描线段和相关素描线段上最短垂直距离所在的垂足距离该素描线段端点的最小值,max{L}为素描线段中最长的素描线段的长度;
将上述H、O、S、rl这四个参数加权,计算素描线段之间的空间延展度FS:
步骤8,判断素描线段之间连线是否存在,并计算灰度分布连接度。
8c)根据素描线段对(Si,j,Sk,g)的连接区域f中Si,j与Sk,g这两条素描线段之间可能存在连接线段sf的特性,建立判定连接区域f中是否包含连接线段sf的二元假设H0和H1:
H1:g1x=g2y=C
其中,H0表示区域f中存在连接线段sf,H1表示区域f中不存在连接线段sf,g1x和g2y分别为连接线段sf左右两侧邻域的灰度值,n1和n2是连接线段sf两侧区域的像素点个数,m1=(m11+m21)/2,m2=(m12+m22)/2,C是区域f的灰度均值;
8d)忽略相干斑在像素间的相关性,得到假设H0为真时的似然函数:
其中,p(g1x|H0),p(g2y|H0)分别表示H0为真时连接线段sf左右两侧邻域的条件概率;
忽略相干斑在像素间的相关性得到假设H1为真时似然函数为:
其中,p(g1x|H1),p(g2y|H1)分别表示H1为真时连接线段sf左右两侧邻域的条件概率;
8e)建立灰度分布判定的似然比:
8f)根据似然比λ判断素描线段Si,j与Sk,g的连线sf是否存在:
当λ>1时,H0成立,则认为素描线段Si,j与Sk,g之间的连线sf存在,并且将判定似然比λ作为素描线段之间的灰度分布连接度;
否则,H1成立,则认为素描线段Si,j与Sk,g之间的连线sf不存在。
步骤9,计算素描线段的连接条件概率,并确定最终表示道路的素描线段。
9a)通过步骤7计算获得表示道路素描线段集合RD中每条素描线段的空间延展度,并进行归一化得到空间延展概率FS;
9b)通过步骤8计算获得表示道路素描线段集合RD中每条素描线段的灰度分布连接度,并进行归一化得到灰度分布连接概率FG;
9c)计算素描线段Si,j与其相关素描线段的连接条件概率为:
其中,Z为归一化参数,Z=∑FS(TS)FG(TG)=1-FS(NS)·FG(NG),TS和NS分别表示素描线段Si,j在语义空间分别判定为的道路和非道路,TG和NG分别表示素描线段Si,j在像素空间分别判定为的道路和非道路;
9d)判断素描线段Si,j与集合RSi,j中所有素描线段的连接条件概率是否均满足小于0.5:若是,则将素描线段Si,j从集合RD中筛除,否则,将素描线段Si,j保留在RD中,其中,表示与素描线段Si,j相关的第r条素描线段的连接条件概率,r=1,2,...,R,R表示素描线段Si,j的邻域素描线段集合RSi,j中所有素描线段的条数。
步骤10,根据马尔科夫链规则,对素描线段进行启发式连接。
10a)根据马尔科夫链思想,获取素描线段Si,j每条可延展链路的连接概率P:
10b)将该连接概率P与设定的阈值0.5进行比较:
若P存在大于0.5,则确定要连接的下一条素描线段并连接,遍历集合RD中所有的素描线段,得到完成连接的道路表示线;
若P均小于0.5,则认为素描线段Si,j不需要连接,判断素描线段Si,j长度是否大于2×φL,若是,不做操作,否则,将素描线段Si,j从集合RD中筛除,
步骤11,对最终的道路区域进行定位。
11a)从分割后的SAR图像中提取在素描线段Si,j邻域Ri,j内的超像素,并对所有提取到的超像素进行面积直方图统计,取顶点曲线的斜率突变点对应的值确定为小面积超像素的面积阈值将面积小于面积阈值的超像素称为小面积超像素;
11b)在素描线段Si,j邻域Ri,j内,计算小面积超像素的个数与超像素总数的比值,若该比值大于60%,则认为此处存在道路目标,否则,认为此处不存在道路目标,并将将素描线段Si,j从集合RD中筛除;
11c)计算素描线段Si,j左右两侧邻域小面积超像素的个数之差占总数的比值,若该比值小于20%,则认为道路目标在素描线段Si,j的两侧,否则,认为道路目标在素描线段Si,j的单侧;
11d)对于道路目标位于单侧的素描线段,判断素描线段左右哪侧的小面积超像素个数较多,则确定道路目标位于哪侧,计算该侧的小面积超像素的中心距离素描线的距离,保留距离小于5的小面积超像素;
11e)对于道路目标位于单侧的素描线,设定集合δ,过每个保留下来的小面积超像素的中心与素描线段做垂线,将垂线与超像素两个交点中远离素描线段的一个交点放入到集合δ中去,对集合δ中的点做Hough变换拟合一条直线,即道路另外一侧的边缘表示线;
11f)将边缘表示线和素描线段包围的区域映射到小尺度超像素分割图上,对于每个出现该区域的超像素,若超像素位于该区域的像素点个数与该超像素像素点总个数的比值大于0.3,则保留该超像素,否则,去除该超像素;
11g)对于道路目标位于两侧的素描线,其左右两侧都分别重复步骤11d)到步骤11f),并将所有保留下来的超像素进行合并。
本发明的效果可以通过以下仿真进一步说明。
1.仿真条件:
本发明的仿真在windows 7,SPI,CPU Intel(R)Core(TM)2,基本频率3.00GHz,软件平台为Matlab R2014b上运行,仿真选用的是的terra_noerdlin图像,如图2所示,SAR图像的波段和分辨率、素描模型中参数取值以及图像大小,如表1所示:
表1
图像名称 | 波段和分辨率 | SM参数取值 | 图像大小 |
terra_noerdlin | X-band,1-m resolution | 2,5,1.7,0.7 | 3543×1506 |
其中SM参数分别表示等效视数、编码增益、边缘检测高阈值、边缘检测低阈值。
2.仿真内容:
仿真1,用本发明对如图2中的SAR图像语义空间和像素空间进行信息交互,提取表示道路的素描线段,结果如图6。
本实验在terra_noerdlin图像上的表示道路的素描线段的检测性能如表2所示,
表2
从图6和表2可以看出,本发明提出的方法将SAR图像语义空间和像素空间进行信息交互,并利用道路的先验特性,针对具有多种语义的素描线段,实现了对表示道路素描线段的准确检测,有效地减少了大量虚警,并避免了大量冗余计算。
仿真2,用本发明对如图2中的SAR图像根据马尔科夫思想,进行素描线段的启发式连接,结果如图7。从图7可以看出,本发明利用道路特有的延展性,有效地降低了乘性相干斑噪声等干扰因素对道路检测造成的影响,提高了高分辨率SAR图像道路检测的正确性。
仿真3,用本发明对如图2中的SAR图像利用超像素分割结果,进行道路区域定位,结果如图8。从图8可以看出,本发明利用超像素分割结果,对道路目标和素描线段的相对位置进行判断,并实现了道路区域的准确定位,提高了高分辨率SAR图像道路检测的提取品质。
Claims (8)
1.基于素描图和先验约束的高分辨SAR图像路网检测方法,包括如下步骤:
1)对SAR图像素描化,将得到的素描图作为SAR图像的语义空间,按照素描图中素描
点的位置得到用来表示SAR图像稀疏结构的素描线集合C:
C={C1,C2,...,Ci,...,CN}
其中,Ci表示素描图中的第i条素描线:Ci={Si,1,Si,2,...,Si,j,...,Si,m},i=1,2,...N,N表示素描图中素描线的总条数,Si,j表示构成第i条素描线的第j条素描线段,j=1,2,...m,m表示构成第i条素描线的素描线段的条数;
2)设定表示道路的素描线段集合RD,将所有的素描线段Si,j都放入到集合RD中,并对所有素描线段的长度做直方图统计,找到直方图顶点构成曲线的斜率突变点,并将该突变点对应的值确定为表示道路素描线段的长度阈值将长度小于的素描线段从集合RD中筛除;
3)在素描线段集合RD中,选出具有聚拢特征的素描线,并将构成这些素描线的素描线段从集合RD中筛除;
4)在素描图中,再次提取相对平行且距离小于5的素描线段对,将其放入到素描线段集合RD中;
5)取素描线段集合RD中的素描线段Si,j,将该素描线段的中点MPi,j作为扩充区域的中心点,沿着素描线段Si,j的方向扩充一个长为2×Li,j,宽为4的矩形区域,将其作为Si,j素描线段的邻域Ri,j,其中Li,j为素描线段Si,j的长度;
6)判断素描图中其他素描线段是否出现在Si,j的邻域内,若在,则将该素描线段放入到Si,j的邻域素描线段集合RSi,j中,否则,不做操作;
7)计算素描线段集合RD中的素描线段Si,j与其邻域素描线段集合RSi,j中素描线段之间的相对邻近性H、共向性O、交错性S、长度比rl,并将这四个参数加权,得到素描线段之间的空间延展度FS;其中,相对邻近性H、共向性O、交错性S、长度比rl,按如下公式计算:
式中,dist1表示两条素描线段之间的最短距离,θ表示两条素描线段所夹的锐角,dist2表示当前素描线段和相关素描线段上最短垂直距离所在的垂足距离该素描线段端点的最小值,max{L}为素描线段中最长的素描线段的长度;
8)在素描线段Si,j与其邻域素描线段集合RSi,j中的素描线段Sk,g之间的连接区域f内,设定二元假设判定的似然比λ,当λ>1时,判定素描线段Si,j和Sk,g的连线sf存在,并将判定似然比λ作为素描线段之间的灰度分布连接度,否则,判定连线sf不存在;
9)将表示道路素描线段集合RD作为输入,根据步骤7)和步骤8)分别计算得到空间延展度和灰度分布连接度,计算素描线段Si,j与其邻域素描线段集合RSi,j中任意一条素描线段之间的连接条件概率并判断素描线段Si,j与集合RSi,j中所有素描线段的连接条件概率是否均满足小于0.5:若是,则将素描线段Si,j从集合RD中筛除,否则,将素描线段Si,j保留在RD中,其中,表示与素描线段Si,j相关的第r条素描线段的连接条件概率,r=1,2,...,R,R表示素描线段Si,j的邻域素描线段集合RSi,j中所有素描线段的条数;
10)根据马尔科夫链规则,判断集合RD中的素描线段Si,j是否需要与其邻域素描线段集合RSi,j中的素描线段进行连接,若需要,则确定要连接的下一条素描线段并连接,遍历集合RD中所有的素描线段,得到完成连接的道路表示线,否则,判断素描线段Si,j长度是否大于若是,不做操作,否则,将素描线段Si,j从集合RD中筛除;
11)在道路表示线周围进行超像素分割,并对超像素设定保留合并规则,对分割的超像素进行合并,将合并的区域确定为最终的道路区域。
2.根据权利要求1所述方法,其中步骤3)中在素描线段集合RD中,选出具有聚拢特征的素描线,是根据构成素描线的素描线段条数m,对具有围拢特征的素描线段进行筛取,即:
当m=2时,计算素描线的长度比值:Li,j表示构成当前素描线的第j条素描线段Si,j的长度,j=1,2,并判断是否满足rli<0.3:若是,则将素描线Ci的两条素描线段从集合RD中筛除,否则,计算两条素描线段的角度差值:α=abs(θi,1-θi,2),其中,θi,j表示构成当前素描线的第j条素描线段Si,j的角度,j=1,2;再判断角度差值α是否大于30且素描线的长度是否小于若是,则将素描线Ci的两条素描线段从集合RD中筛除,否则,不做操作;
3.根据权利要求1所述方法,其中步骤4)中在素描图中,提取相对平行且距离小于5的素描线段对,按如下步骤进行:
4a)判断两条素描线段Si,j与Sk,g的角度差值α是否小于角度阈值φθ=30,若是,则执行4b),否则,不做操作;
4b)从原点O出发,分别向两条素描线段Si,j和Sk,g所在的直线做垂线,这两条垂线的垂足分别为d1和d4,原点O到d1和d4的距离分别为Od1和Od4;
4d)从原点O出发,分别向这两条平行线和做垂线,这两条垂线的垂足分别为d2和d3,原点O到d2和d3的距离分别为Od2和Od3,素描线段Si,j所在直线与平行线和之间的距离分别为|Od1-Od2|和|Od1-Od3|;
4e)定义素描线段Si,j与Sk,g的距离d为|Od1-Od2|和|Od1-Od3|的均值,若距离d大于平行线段对的距离阈值φd=5,则对素描线段Si,j与Sk,g不做操作;否则,将素描线段Si,j和Sk,g加入到表示道路素描线段集合RD中去。
5.根据权利要求1所述方法,其中步骤8)中设定二元假设判定的似然比,按如下步骤进行:
8c)根据素描线段对(Si,j,Sk,g)的连接区域f中Si,j与Sk,g这两条素描线段之间可能存在连接线段sf的特性,建立判定连接区域f中是否包含连接线段sf的二元假设:
H1:g1x=g2y=C
其中,H0表示区域f中存在连接线段sf,H1表示区域f中不存在连接线段sf,g1x和g2y分别为连接线段sf左右两侧邻域的灰度值,n1和n2是连接线段sf两侧区域的像素点个数,m1=(m11+m21)/2,m2=(m12+m22)/2,C是区域f的灰度均值;
8d)忽略相干斑在像素间的相关性,得到假设H0为真时的似然函数:
其中,p(g1x|H0),p(g2y|H0)分别表示H0为真时连接线段sf左右两侧邻域的条件概率;
忽略相干斑在像素间的相关性得到假设H1为真时似然函数为:
其中,p(g1x|H1),p(g2y|H1)分别表示H1为真时连接线段sf左右两侧邻域的条件概率;
8e)建立灰度分布判定的似然比:
当λ>1时,判定H0成立,否则,判定H1成立。
6.根据权利要求1所述方法,其中步骤9)中根据空间延展度和灰度分布连接度,计算素描线段Si,j与其邻域素描线段集合RSi,j中任意一条素描线段之间的条件概率P,按如下步骤进行:
9a)通过步骤7)计算获得表示道路素描线段集合RD中每条素描线段的空间延展度,并进行归一化得到空间延展概率FS;
9b)通过步骤8)计算获得表示道路素描线段集合RD中每条素描线段的灰度分布连接度,并进行归一化得到灰度分布连接概率FG;
9c)计算素描线段Si,j与其相关素描线段的连接条件概率为:
其中,Z为归一化参数,Z=∑FS(TS)FG(TG)=1-FS(NS)·FG(NG),TS和NS分别表示素描线段Si,j在语义空间分别判定为的道路和非道路,TG和NG分别表示素描线段Si,j在像素空间分别判定为的道路和非道路。
7.根据权利要求1所述方法,其中步骤10)中根据马尔科夫链规则,判断集合RD中的素描线段Si,j是否需要与其邻域素描线段集合RSi,j中的素描线段进行连接,是根据马尔科夫链思想,获取素描线段Si,j每条可延展链路的连接概率P,再将该连接概率P与设定的阈值0.5进行比较,若P均小于0.5,则认为素描线段Si,j不需要连接,否则,素描线段Si,j需要进行连接。
8.根据权利要求1所述方法,其中步骤11)中设定超像素的保留合并规则,按如下步骤进行:
11a)从分割后的SAR图像中提取在素描线段Si,j邻域Ri,j内的超像素,并对所有提取到的超像素进行面积直方图统计,取顶点曲线的斜率突变点对应的值确定为小面积超像素的面积阈值将面积小于面积阈值的超像素称为小面积超像素;
11b)在素描线段Si,j邻域Ri,j内,计算小面积超像素的个数与超像素总数的比值,若该比值大于60%,则认为此处存在道路目标,否则,认为此处不存在道路目标,并将将素描线段Si,j从集合RD中筛除;
11c)计算素描线段Si,j左右两侧邻域小面积超像素的个数之差占总数的比值,若该比值小于20%,则认为道路目标在素描线段Si,j的两侧,否则,认为道路目标在素描线段Si,j的单侧;
11d)对于道路目标位于单侧的素描线段,判断素描线段左右哪侧的小面积超像素个数较多,则确定道路目标位于哪侧,计算该侧的小面积超像素的中心距离素描线的距离,保留距离小于5的小面积超像素;
11e)对于道路目标位于单侧的素描线,设定集合δ,过每个保留下来的小面积超像素的中心与素描线段做垂线,将垂线与超像素两个交点中远离素描线段的一个交点放入到集合δ中去,对集合δ中的点做Hough变换拟合一条直线,即道路另外一侧的边缘表示线;
11f)将边缘表示线和素描线段包围的区域映射到小尺度超像素分割图上,对于每个出现该区域的超像素,若超像素位于该区域的像素点个数与该超像素像素点总个数的比值大于0.3,则保留该超像素,否则,去除该超像素;
11g)对于道路目标位于两侧的素描线,其左右两侧都分别重复步骤11d)到步骤11f),并将所有保留下来的超像素进行合并。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810697379.4A CN108898101B (zh) | 2018-06-29 | 2018-06-29 | 基于素描图和先验约束的高分辨sar图像路网检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810697379.4A CN108898101B (zh) | 2018-06-29 | 2018-06-29 | 基于素描图和先验约束的高分辨sar图像路网检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108898101A CN108898101A (zh) | 2018-11-27 |
CN108898101B true CN108898101B (zh) | 2021-09-28 |
Family
ID=64347245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810697379.4A Active CN108898101B (zh) | 2018-06-29 | 2018-06-29 | 基于素描图和先验约束的高分辨sar图像路网检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108898101B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7225810B2 (ja) * | 2019-01-11 | 2023-02-21 | 富士通株式会社 | ひび線抽出装置、ひび線抽出方法、及び、ひび線抽出プログラム |
CN110120050B (zh) * | 2019-05-07 | 2021-01-29 | 西安电子科技大学 | 基于素描信息和超像素分割的光学遥感图像海陆分割方法 |
CN110232391B (zh) * | 2019-06-13 | 2021-03-16 | 西安电子科技大学 | 一种基于素描信息的光学遥感图像舰船轮廓提取方法 |
CN110765912B (zh) * | 2019-10-15 | 2022-08-05 | 武汉大学 | 一种基于统计约束和Mask R-CNN的SAR图片船舶目标检测方法 |
CN113627331A (zh) * | 2021-08-10 | 2021-11-09 | 苏州琛百软件科技有限公司 | 一种基于扩展道路形状指数的高分辨率影像道路提取方法 |
CN113822919B (zh) * | 2021-11-24 | 2022-02-25 | 中国海洋大学 | 基于语义信息约束的水下图像相对深度估计方法 |
CN115439474B (zh) * | 2022-11-07 | 2023-01-24 | 山东天意机械股份有限公司 | 一种电力设备故障快速定位方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8140539B1 (en) * | 2008-08-06 | 2012-03-20 | At&T Intellectual Property I, L.P. | Systems, devices, and/or methods for determining dataset estimators |
CN103903257A (zh) * | 2014-02-27 | 2014-07-02 | 西安电子科技大学 | 基于几何块间隔共生特征和语义信息的图像分割方法 |
CN104331706A (zh) * | 2014-10-29 | 2015-02-04 | 西安电子科技大学 | 基于rbm和svm的极化sar图像分类 |
CN105389799A (zh) * | 2015-10-19 | 2016-03-09 | 西安电子科技大学 | 基于素描图与低秩分解的sar图像目标检测方法 |
CN106651884A (zh) * | 2016-12-30 | 2017-05-10 | 西安电子科技大学 | 基于素描结构的平均场变分贝叶斯sar图像分割方法 |
CN107273813A (zh) * | 2017-05-23 | 2017-10-20 | 国家地理空间信息中心 | 基于高分卫星遥感数据的地理空间要素提取*** |
CN107341813A (zh) * | 2017-06-15 | 2017-11-10 | 西安电子科技大学 | 基于结构学习和素描特性推理网络的sar图像分割方法 |
CN107862701A (zh) * | 2017-11-02 | 2018-03-30 | 清华大学 | 基于马尔科夫随机场和混合核函数的遥感图像分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9600861B2 (en) * | 2015-07-26 | 2017-03-21 | Macau University Of Science And Technology | Single image super-resolution method using transform-invariant directional total variation with S½+L½-norm |
-
2018
- 2018-06-29 CN CN201810697379.4A patent/CN108898101B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8140539B1 (en) * | 2008-08-06 | 2012-03-20 | At&T Intellectual Property I, L.P. | Systems, devices, and/or methods for determining dataset estimators |
CN103903257A (zh) * | 2014-02-27 | 2014-07-02 | 西安电子科技大学 | 基于几何块间隔共生特征和语义信息的图像分割方法 |
CN104331706A (zh) * | 2014-10-29 | 2015-02-04 | 西安电子科技大学 | 基于rbm和svm的极化sar图像分类 |
CN105389799A (zh) * | 2015-10-19 | 2016-03-09 | 西安电子科技大学 | 基于素描图与低秩分解的sar图像目标检测方法 |
CN106651884A (zh) * | 2016-12-30 | 2017-05-10 | 西安电子科技大学 | 基于素描结构的平均场变分贝叶斯sar图像分割方法 |
CN107273813A (zh) * | 2017-05-23 | 2017-10-20 | 国家地理空间信息中心 | 基于高分卫星遥感数据的地理空间要素提取*** |
CN107341813A (zh) * | 2017-06-15 | 2017-11-10 | 西安电子科技大学 | 基于结构学习和素描特性推理网络的sar图像分割方法 |
CN107862701A (zh) * | 2017-11-02 | 2018-03-30 | 清华大学 | 基于马尔科夫随机场和混合核函数的遥感图像分割方法 |
Non-Patent Citations (4)
Title |
---|
SAR Image segmentation based on convolutional-wavelet neural network and markov random field;Yiping Duan等;《Pattern Recognition》;20161118;第64卷;第255-267页 * |
Unsupervised polarimetric synthetic aperture radar image classification based on sketch map and adaptive Markov random field;Junfei Shi等;《Journal of Applied Remote Sensing》;20160502;第10卷(第2期);第025008-1-025008-20页 * |
基于素描稀疏表示和低秩分解的SAR图像目标检测;闫晓莉;《中国优秀硕士学位论文全文数据库信息科技辑》;20170315;第I136-2215页 * |
基于语义空间和曲线波卷积结构学习模型的SAR图像分割方法;刘思静;《中国优秀硕士学位论文全文数据库信息科技辑》;20180415;第I136-2268页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108898101A (zh) | 2018-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898101B (zh) | 基于素描图和先验约束的高分辨sar图像路网检测方法 | |
US11580647B1 (en) | Global and local binary pattern image crack segmentation method based on robot vision | |
CN110969088B (zh) | 一种基于显著性检测与深度孪生神经网络的遥感影像变化检测方法 | |
Prathap et al. | Deep learning approach for building detection in satellite multispectral imagery | |
CN106778605B (zh) | 导航数据辅助下的遥感影像道路网自动提取方法 | |
CN107092877B (zh) | 基于建筑物基底矢量的遥感影像屋顶轮廓提取方法 | |
CN108596055B (zh) | 一种复杂背景下高分辨遥感图像的机场目标检测方法 | |
Yu et al. | Automated detection of urban road manhole covers using mobile laser scanning data | |
CN111681197B (zh) | 一种基于Siamese网络结构的遥感图像无监督变化检测方法 | |
CN108830870B (zh) | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 | |
CN103020605B (zh) | 基于决策层融合的桥梁识别方法 | |
CN112016436A (zh) | 一种基于深度学习的遥感影像变化检测方法 | |
CN112733800B (zh) | 基于卷积神经网络的遥感图像道路信息提取方法和装置 | |
CN104751478A (zh) | 一种基于多特征融合的面向对象的建筑物变化检测方法 | |
CN105976376B (zh) | 一种基于部件模型的高分辨sar图像目标检测方法 | |
CN114444791A (zh) | 一种基于机器学习的洪涝灾害遥感监测评估方法 | |
CN109977968B (zh) | 一种深度学习分类后比较的sar变化检测方法 | |
CN113569724B (zh) | 基于注意力机制和扩张卷积的道路提取方法及*** | |
Kahraman et al. | Road extraction techniques from remote sensing images: A review | |
CN110363053B (zh) | 一种遥感影像居民地提取方法及装置 | |
Yadav | A multi-constraint combined method for road extraction from airborne laser scanning data | |
Feng et al. | SCL-GCN: Stratified Contrastive Learning Graph Convolution Network for pavement crack detection from mobile LiDAR point clouds | |
Manandhar et al. | Segmentation based building detection in high resolution satellite images | |
CN113191996A (zh) | 一种遥感影像变化检测方法、装置及其电子设备 | |
CN109697418B (zh) | 用于场景复原的针对遥感影像路网提取图像的后处理方法 |
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 |