CN111145157B - 基于高分辨率遥感影像的路网数据自动化质量检查方法 - Google Patents
基于高分辨率遥感影像的路网数据自动化质量检查方法 Download PDFInfo
- Publication number
- CN111145157B CN111145157B CN201911375647.1A CN201911375647A CN111145157B CN 111145157 B CN111145157 B CN 111145157B CN 201911375647 A CN201911375647 A CN 201911375647A CN 111145157 B CN111145157 B CN 111145157B
- Authority
- CN
- China
- Prior art keywords
- road
- remote sensing
- data
- matching
- model
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于高分辨率遥感影像的路网数据自动化质量检查方法,自动化实现对道路轨迹的定量化质量检查,辅助道路数据的更新与优化;步骤如下:1)依据道路形态特征,在道路特征点处打断,生成简单路段结构;2)依据路段结构特征构建通用道路横断面模型;3)获取路段结构对应的影像数据块数据。4)建立影像块坐标系,进行道路横断面模型与影像间的模板匹配,得到道路匹配点。5)经RANSAC最小二乘曲线拟合误差计算后,得到影像中实际的道路提取结果。6)实际道路提取结果与路段结构相似性匹配;7)结合每条道路中路段结构的相似性匹配结果进行综合性评价,筛选出“问题道路”,用于道路数据质量评估及数据进一步修改与更新。
Description
技术领域
本发明涉及高分辨率遥感影像技术领域,具体为基于高分辨率遥感影像的路网数据自动化质量检查方法。
背景技术
公路是经济发展的动脉和助推器,道路路网作为交通基础设施的重要组成部分,其数据的准确性和全面性直接关系到民计民生,在交通管理、城市规划以及大众出行等方面具有重要意义和价值。由于早期基于传统测量的路网数据获取方式周期较长,往往不能及时反映道路的最新真实信息,导致部分历史路网数据底数不准确、数据质量无法估算、新老数据存在不一致等问题,在一定程度上影响了数据使用者的分析、决策以及数据更新。
遥感影像具有瞬时成像范围广、真实反映地物实况的特点,且影像中道路呈现出较明显的几何纹理特征,是辅助获取真实路网轨迹信息、实现历史路网检查、更新的有效技术手段。已有相关部门和企业陆续开展了系列基于遥感影像的路网矢量数据质量检查与更新工作,并应用于路网基础地理数据的管理,与传统测绘和移动端导航数据采集方式相比,效率和准确性有了很大提升。
在现阶段,基于高分辨率遥感影像进行道路数据的质量检查与更新工作,主要依赖于大量的人工目视解译工作,具有主观性且费时费力,需要自动化工具提高生产效率。现有技术中,遥感影像道路路网提取技术虽经过了多年的发展,但大多还处于实验室阶段,其准确性难以达到业务化、商业化的数据生产标准。在如今道路数据获取渠道多源(如导航定位数据、移动互联网)的形势下,数据使用者更关心数据的真实性等质量情况,以及如何基于历史数据进行信息的持续更新,以保证数据的一致性与时效性。在现有技术解决方案中,一方面传统的遥感影像道路提取方法实现模式难以适用于基于已有数据的质检与更新;另一方面,虽然在国土等领域已有遥感地物变化检测的相关研究,但更较广泛应用于面状地物图斑,对道路线性轨迹的检测存在一定局限性。
发明内容
本发明的目的在于提供基于高分辨率遥感影像的路网数据自动化质量检查方法,能够基于遥感影像自动实现对道路轨迹数据的定量化质量检查,完成对道路错误轨迹部分的标记及整体性评价,形成基于遥感影像的道路数据质量检查及辅助更新的自动化工具,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
基于高分辨率遥感影像的路网数据自动化质量检查方法,包括以下步骤:
步骤1):依据道路形态特征,在道路数据的特征点处进行打断,形成特征简单的路段结构;
步骤2):依据路段结构特征,构建通用道路横断面模型;
步骤3):结合遥感影像与道路数据的几何定位偏移误差,提取路段结构一定范围内的影像数据块;
步骤4):对遥感影像块旋转建立X-Y坐标系,在X方向上以一定间隔沿Y方向将道路横断面模型与影像块进行模板匹配,得到一系列道路匹配点;
步骤5):利用RANSAC最小二乘曲线拟合方法,计算得到影像块内的实际道路提取结果;
步骤6):结合影像中实际道路提取结果与路段结构的空间关系,进行快速相似性匹配,将相似性较低的路段结构,作为数据质量检查中存在问题的部分;
步骤7):结合每条道路中各路段结构相似性匹配结果进行综合性评价,筛选出问题道路,用于道路数据质量评估分析及数据的进一步修改与更新。
更进一步地,步骤1)中的形态特征包括4类:结点弯曲角度、轨迹弯曲方向、组成单元长度、轨迹弯曲程度,对于由P0P1…PiPi+1…Pn点组成的道路轨迹数据,若点Pi不满足以下任意一个条件,则在Pi点处打断,形成新的组成单元:
条件1):道路转折弯曲角度过大,不够平滑,即∠Pi-1PiPi+1≤Thangle,其中Thangle为弯曲角度阈值;
条件2):该点弯曲趋势与轨迹弯曲方向不一致,即判断向量在向量的左侧还是右侧,并与同路段结构中所有点的弯曲趋势一致;
条件3):其中LThcurve为组成单元长度阈值,该阈值代表质量检查允许的最小路段误差粒度;
条件4):轨迹弯曲程度利用曲线实际长度与曲线首尾间直线长度之比来衡量,该比例越大,轨迹复杂性越高,即
更进一步地,步骤2)中的构建通用道路横断面模型的具体方法为:依据不同等级的道路在影像中的不同特征,道路横断面模型的建立分为以下两种方式:
1)对于较低等级或较窄的道路构建“0-1-0”模型,具体为设定模型宽为m个像素,高为3w个像素,且中间值取1,两侧取值为0;
2)对于较高等级或较宽的道路,构建m*w模型,全部值取1,w为依据道路宽度值以及遥感影像的空间分辨率计算得到的像素个数。
更进一步地,步骤2)中的构建道路横断面模型的方法中,若无法获取道路宽度值信息,可依据待检查的道路等级及道路建设工程要求设置相应的路宽初始值。
更进一步地,步骤3)中的提取路段结构对应影像块的具体方法为:对于由L0L1…Ln点形成的路段结构,以线段L0Ln为中心,以遥感影像与道路数据的几何定位偏差Dis为缓冲区半径,创建平头缓冲区,并提取缓冲区内的影像,得到对应的矩形遥感影像块。
更进一步地,步骤4)中的道路横断面模型与影像块进行模板匹配,具体的方法为:
步骤401):建立X-Y坐标系:以向量方向为X轴,逆时针垂直向量/>方向为Y轴,坐标原点为点L0沿Y轴反方向平移距离Dis的点0;
步骤402):在X-Y坐标系下,在X方向上以一定的距离d为间隔,在每个间隔di沿Y方向对道路横断面模型与遥感影像块进行模板匹配,对于X轴方向上的某个间隔xi,得到Y轴方向上相关系数最大的匹配点,若该相关系数值大于设定的阈值THcorr,则认为匹配点有效,记录该点的坐标(xi,yi),依次处理X轴方向上的各个间隔,得到一系列相关系数最较大的初始匹配点集:(x0,y0),(x1,y1),(x2,y2)…(xn,yn)。
更进一步地,步骤5)中的曲线拟合所采用的曲线方程为:
y=a0+a1x+a2x2
采用RANSAC与最小二乘曲线拟合法对匹配误差点进行剔除,得到影像中的实际道路,具体流程为:
步骤501)模型阈值设置:令N为RANSAC的迭代次数,初始匹配点集中满足曲线模型的点个数比例为RThnum,坐标差阈值为Thy;
步骤502)随机从初始匹配点集中选取n个点(n≥3),进行最小二乘曲线方程拟合,得到抛物线的初始参数值a0,a1,a2;
步骤503)依次对初始匹配点集中各店的坐标(xi,yi)与拟合曲线中的点(xi,a0+a1xi+a2xi 2)进行比较,若Y轴坐标差|yi-a0+a1xi+a2xi 2|,小于阈值Thy,则将该点计入满足曲线模型的点集中;
步骤504)对步骤503),若满足曲线模型的点个数大于阈值RThnum,则RANSAC迭代循环结束,并利用所有满足模型的点应用于最小二乘拟合得到最终的曲线参数A0,A1,A2。
步骤505)对步骤503),若满足模型的点个数小于比例阈值RThnum,则继续RANSAC迭代循环,重复步骤502)-步骤504),直至结束。
更进一步地,步骤6)中道路数据相似性匹配的具体过程为:
在X-Y坐标下,依据曲线模型参数,计算得到影像块中实际道路的各个坐标点(xcurve0,ycurve0)...(xcurvei,ycurvei)及路段结构中各点坐标(xroad0,yroad0)…(xroadi,yroadi),依次比较它们的Y轴坐标差|ycurvei-yroadi|,并找出最大坐标差Dismax和最小坐标差Dismin,若Dismax-Dismin≤Thdis,则认为该局部范围内,待核查道路矢量与影像中的道路轨迹匹配度高,为正确轨迹;否则,则认为二者轨迹差异较大,为错误轨迹,输出错误轨迹部分,作为数据质量检查中存在问题的部分。
更进一步地,步骤7)中每条道路中的综合性评价,具体方式为:将步骤6)得到的每条道路中正确轨迹部分占整条道路里程的比例Ratio作为定量化评价某条道路数据的质量指标,计算公式为Ratio=Lengthcorrect/Lengthtotal,其中Lengthcorrect为某条道路中所有正确轨迹部分的里程长度,Lengthtotal该道路整体里程长度;若Ratio≤RThfalse,即道路中正确轨迹部分比例较小,则判定道路为问题道路并进行标识。
与现有技术相比,本发明的有益效果是:
本发明提供的基于高分辨率遥感影像的路网数据自动化质量检查方法,与传统的通用性遥感影像变化检测等方法相比,本发明在应用场景方面更贴近业务化操作及使用方式,同时,本方法采用通用的道路横断面模型特征,使算法具有更强的适应性和鲁棒性,在一定程度上能够避免因影像色差等引起的过多模型参数的调节,此外,本发明提出的路网数据检查工具能够为数据质量评价提供定量化的参考指标,并对数据中疑似错误的地方进行标识,避免了人为主观性评价的不一致性,为质量检查和数据的进一步优化提供了标准化参考依据。
附图说明
图1是本发明的流程示意图;
图2是道路轨迹分割成一系列简单路段结构的示意图;
图3是道路横断面模型的示意图;
图4是影像块提取及其局部坐标建立的示意图;
图5是道路横断面模型与影像块模板匹配的示意图;
图6是质量检查结果“错误轨迹”标记的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-6,本发明实施例中,提供基于高分辨率遥感影像的路网数据自动化质量检查方法,通过国产高分二号遥感影像(分辨率为0.8米)及Shapefile格式的道路路网轨迹数据进行说明,其中Shapefile道路矢量具有描述道路“技术等级”、“行政等级”等属性信息,且部分道路具有道路宽度属性、部分道路缺失宽度属性,包括以下步骤:
步骤一:依据道路形态特征,在道路数据的特征点处进行打断,形成特征简单的路段结构;
步骤二:依据路段结构特征,构建通用道路横断面模型;
步骤三:结合遥感影像与道路数据的几何定位偏移误差,提取路段结构一定范围内的影像数据块;
步骤四:对遥感影像块旋转建立X-Y坐标系,在X方向上以一定间隔沿Y方向将道路横断面模型与影像块进行模板匹配,得到一系列道路匹配点;
步骤五:利用RANSAC最小二乘曲线拟合方法,计算得到影像块内的实际道路提取结果;
步骤六:结合影像中实际道路提取结果与路段结构的空间关系,进行快速相似性匹配,将相似性较低的路段结构,作为数据质量检查中存在问题的部分;
步骤七:结合每条道路中各路段结构相似性匹配结果进行综合性评价,筛选出问题道路,用于道路数据质量评估分析及数据的进一步修改与更新。
在上述实施例中,步骤一中的形态特征包括4类:结点弯曲角度、轨迹弯曲方向、组成单元长度、轨迹弯曲程度,对于由P0P1…PiPi+1…Pn点组成的道路轨迹数据,若点Pi不满足以下任意一个条件,则在Pi点处打断,形成新的组成单元:
条件1):道路转折弯曲角度过大,不够平滑,即∠Pi-1PiPi+1≤Thangle,其中Thangle为弯曲角度阈值;
条件2):该点弯曲趋势与轨迹弯曲方向不一致,即判断向量在向量的左侧还是右侧,并与同路段结构中所有点的弯曲趋势一致;
条件3):其中LThcurve为组成单元长度阈值,该阈值代表质量检查允许的最小路段误差粒度;
条件4):轨迹弯曲程度利用曲线实际长度与曲线首尾间直线长度之比来衡量,该比例越大,轨迹复杂性越高,即
在上述实施例中,步骤一中在Pi处打断的4个条件中的阈值,结合公路建设要求相关规定,分别设定为Thangle=120°,LThcurve=50m,RThratio=1.5。条件2)中对于某个点Pj的弯曲趋势,由与/>间的叉乘计算。附图2给出了道路轨迹分割为系列简单路段结构的示意图。
在上述实施例中,步骤二中的构建通用道路横断面模型的具体方法为,若某条道路具有道路宽度属性信息,依据不同等级的道路在影像中的不同特征,道路横断面模型的建立分为以下两种方式:
1)对于较低等级或较窄的道路(宽度小于10m)构建“0-1-0”模型,具体为设定模型宽为m个像素,高为3w个像素,且中间值取1,两侧取值为0;
2)对于较高等级或较宽的道路(宽度大于10m),构建m*w模型,全部值取1,w为依据道路宽度值以及遥感影像的空间分辨率计算得到的像素个数。
其中,模型宽度m=9像素,w为依据道路实际宽度及影像分辨率(0.8米)计算得到的像素个数,即w=wroad×0.8。附图3给出了道路横断面模型的示意图。
在上述实施例中,步骤二中的构建道路横断面模型的方法中,若道路宽度值信息缺失,可依据待检查的道路等级及道路建设工程要求设置相应的路宽初始值,参考《公路工程技术标准》对车道宽度及车道数的规定,设定各级公路宽度初始参考值如下:四级公路3.5m,三级公路4m,二级公路6m,高速、一级公路10m等。
在上述实施例中,步骤三中的提取路段结构对应影像块的具体方法为:对于由L0L1...Ln点形成的路段结构,以线段L0Ln为中心,以遥感影像与道路数据的几何定位偏差Dis为缓冲区半径,创建平头缓冲区,并提取缓冲区内的影像,得到对应的矩形遥感影像块。为使缓冲区内能够尽可能地包含影像中的道路、同时筛选出几何定位偏差过大的道路轨迹,设定Dis=25m。
在上述实施例中,步骤四中的道路横断面模型与影像块进行模板匹配,具体的方法为:
步骤401):建立X-Y坐标系:以向量方向为X轴,逆时针垂直向量/>方向为Y轴,坐标原点为点L0沿Y轴反方向平移距离Dis的点O。附图4给出了建立X-Y坐标系方法的示意图。
步骤402):在X-Y坐标系下,在X方向上以一定的距离d为间隔,在每个间隔di沿Y方向对道路横断面模型与遥感影像块进行模板匹配,对于X轴方向上的某个间隔xi,得到Y轴方向上相关系数最大的匹配点,若该相关系数值大于设定的阈值THcorr,则认为匹配点有效,记录该点的坐标(xi,yi),依次处理X轴方向上的各个间隔,得到一系列相关系数最较大的初始匹配点集:(x0,y0),(x1,y1),(x2,y2)…(xn,yn)。在X-Y坐标系下,为增加匹配点数量,此示例中在X方向上选取d=1个像素大小为间隔,沿Y方向对道路横断面模型与遥感影像块进行模板匹配。为提高模板匹配效率,采用快速归一化相关系数计算,具体计算方法下式所示,其中m和n代表模板的长和宽,gij为模板中的像素值,g′i,j为遥感影像块中对应的像素值。
在上述实施例中,步骤四中的道路横断面模型与影像块进行模板匹配,设置相关系数阈值Thcorr=0.6作为参考值来筛选有效的模板匹配点。附图5为模板匹配的示意图。
在上述实施例中,步骤五中的曲线拟合所采用的曲线方程为:
y=a0+a1x+a2x2
采用RANSAC与最小二乘曲线拟合法对匹配误差点进行剔除,得到影像中的实际道路,具体流程为:
步骤501)模型阈值设置:令N为RANSAC的迭代次数,初始匹配点集中满足曲线模型的点个数比例为RThnum,坐标差阈值为Thy。此处给出参数阈值迭代次数N为500,匹配点集中满足曲线模型的点个数比例RThnum=0.8;
步骤502)随机从初始匹配点集中选取n个点(n≥3),进行最小二乘曲线方程拟合,得到抛物线的初始参数值a0,a1,a2。此处给出最小二乘曲线方程拟合选取点个数参考值n=6。
步骤503)依次对初始匹配点集中各店的坐标(xi,yi)与拟合曲线中的点(xi,a0+a1xi+a2xi 2)进行比较,若Y轴坐标差|yi-a0+a1xi+a2xi 2|,小于阈值Thy,则将该点计入满足曲线模型的点集中。此处给出Thy的参考值为3。
步骤504)对步骤503),若满足曲线模型的点个数大于阈值RThnum,则RANSAC迭代循环结束,并利用所有满足模型的点应用于最小二乘拟合得到最终的曲线参数A0,A1,A2。
步骤505)对步骤503),若满足模型的点个数小于比例阈值RThnum,则继续RANSAC迭代循环,重复步骤502)-步骤504),直至结束。
在上述实施例中,步骤六中道路数据相似性匹配的具体过程为:
步骤601)对步骤五计算的曲线模型参数A0、A1、A2,在X-Y局部坐标系下,依次计算每个局部影像道路模型的坐标点(xcurve0,ycurve0)...(xcurvei,ycurvei),其中ycurvei=A0+A1×xcurvei+A2×xcurvei 2
步骤602)将路段结构的轨迹,采用矢量栅格化的方式,转化为X-Y坐标系下的系列坐标点(xroad0,yroad0)...(xroadi,yroadi)。
步骤603)在X-Y坐标系下,依次比较它们的Y轴坐标差|ycurvei-yroadi|,并找出最大坐标差Dismax和最小坐标差Dismin,若Dismax-Dismin≤Thdis,则认为该局部范围内,待核查道路矢量与影像中的道路轨迹一致,为“正确轨迹”;否则,则认为二者轨迹不一致,为“错误轨迹”。为提高模型的自适应性,减少过多的参数调整,设定自适应坐标差阈值为Thy=Hblock/5,其中Hblock为路段结构对应的遥感影像块高度的像素个数。为定位错误轨迹的位置、方便后续修改,这里将“错误轨迹”路段输出为矢量文件,作为数据质量检查中存在问题的部分。
在上述实施例中,步骤七中每条道路中的综合性评价,具体方式为:将步骤六得到的每条道路中正确轨迹部分占整条道路里程的比例Ratio作为定量化评价某条道路数据的质量指标,计算公式为Ratio=Lengthcorrect/Lengthtotal,其中Lengthcorrect为某条道路中所有正确轨迹部分的里程长度,Lengthtotal该道路整体里程长度。若Ratio≤RThfalse(此处设定RThfalse=0.4),即道路中正确轨迹部分比例较小,则判定该道路为“问题道路”进行标识,并在道路Shapefile属性字段中进行标记,以便人工进一步审核及后续数据修改和编辑。
综上所述:本发明提供的基于高分辨率遥感影像的路网数据自动化质量检查方法,依据本方法标识出的“问题道路”,可以明确定位数据质量存在较大问题的道路数据;依据道路Shapefile属性字段中标记的Ratio字段值,可定量化对道路轨迹的质量进行评价,并结合输出的“错误轨迹”文件定位存在问题的轨迹位置,辅助道路数据的进一步修改与完善。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (5)
1.基于高分辨率遥感影像的路网数据自动化质量检查方法,其特征在于,包括以下步骤:
步骤1):依据道路形态特征,在道路数据的特征点处进行打断,形成特征简单的路段结构;
步骤2):依据路段结构特征,构建通用道路横断面模型;
步骤2)中的构建通用道路横断面模型的具体方法为:依据不同等级的道路在影像中的不同特征,道路横断面模型的建立分为以下两种方式:
1)对于宽度小于10米道路构建“0-1-0”模型,具体为设定模型宽为m个像素,高为3w个像素,且中间值取1,两侧取值为0;
2)对于宽度大于10米的道路,构建m*w模型,全部值取1,w为依据道路宽度值以及遥感影像的空间分辨率计算得到的像素个数;
步骤2)中的构建道路横断面模型的方法中,若无法获取道路宽度值信息,依据待检查的道路等级及道路建设工程要求设置相应的路宽初始值;
步骤3):结合遥感影像与道路数据的几何定位偏移误差,提取路段结构几何定位偏移误差Dis范围内的影像数据块;
步骤4):对遥感影像块旋转建立X-Y坐标系,在X方向上以距离d为间隔沿Y方向将道路横断面模型与影像块进行模板匹配,得到一系列道路匹配点;
步骤4)中的道路横断面模型与影像块进行模板匹配,具体的方法为:
步骤401):建立X-Y坐标系:以向量方向为X轴,逆时针垂直向量/>方向为Y轴,坐标原点为点L0沿Y轴反方向平移距离Dis的点O;
步骤402):在X-Y坐标系下,在X方向上以距离d为间隔,在每个间隔di沿Y方向对道路横断面模型与遥感影像块进行模板匹配,对于X轴方向上的某个间隔xi,得到Y轴方向上相关系数最大的匹配点,若该相关系数值大于设定的阈值THcorr,则认为匹配点有效,记录该点的坐标(xi,yi),依次处理X轴方向上的各个间隔,得到相关系数大于设定的阈值THcorr的初始匹配点集(x0,y0),(x1,y1),(x2,y2)…(xn,yn);在X-Y坐标系下,为增加匹配点数量,在X方向上选取d=1个像素大小为间隔,沿Y方向对道路横断面模型与遥感影像块进行模板匹配;为提高模板匹配效率,采用快速归一化相关系数计算,具体计算方法下式所示,其中m和n代表模板的长和宽,gij为模板中的像素值,g′i,j为遥感影像块中对应的像素值;
步骤5):利用RANSAC最小二乘曲线拟合方法,计算得到影像块内的实际道路提取结果;
步骤6):结合影像中实际道路提取结果与路段结构的空间关系,进行快速相似性匹配,将相似性较低的路段结构,作为数据质量检查中存在问题的部分;所述相似性较低的路段结构是指:在提取的影像数据块范围内Dismax–Dismin>Thdis的情况;道路数据相似性匹配的具体过程为:
在X-Y坐标下,依据曲线模型参数,计算得到影像块中实际道路的各个坐标点(xcurve0,ycurve0)...(xcurvei,ycurvei)及路段结构中各点坐标(xroad0,yroad0)…(xroadi,yroadi),依次比较它们的Y轴坐标差|ycurvei-yroadi|,并找出最大坐标差Dismax和最小坐标差Dismin,若Dismax-Dismin≤Thdis,则认为在提取的影像数据块范围内,待核查道路矢量与影像中的道路轨迹匹配度高,为正确轨迹;否则,则认为为错误轨迹,输出错误轨迹部分,作为数据质量检查中存在问题的部分;
步骤7):结合每条道路中各路段结构相似性匹配结果进行综合性评价,筛选出问题道路,用于道路数据质量评估分析及数据的进一步修改与更新。
2.如权利要求1所述的基于高分辨率遥感影像的路网数据自动化质量检查方法,其特征在于,步骤1)中的形态特征包括4类:结点弯曲角度、轨迹弯曲方向、组成单元长度、轨迹弯曲程度,对于由P0P1…PiPi+1…Pn点组成的道路轨迹数据,若点Pi不满足以下任意一个条件,则在Pi点处打断,形成新的组成单元:
条件1):道路转折弯曲角度过大,不够平滑,即∠Pi-1PiPi+1≤Thangle,其中Thangle为弯曲角度阈值;
条件2):该点弯曲趋势与轨迹弯曲方向不一致,即判断向量在向量/>的左侧还是右侧,并与同路段结构中所有点的弯曲趋势一致;
条件3):其中LThcurve为组成单元长度阈值,该阈值代表质量检查允许的最小路段误差粒度;
条件4):轨迹弯曲程度利用曲线实际长度与曲线首尾间直线长度之比来衡量,该比例越大,轨迹复杂性越高,即
3.如权利要求1所述的基于高分辨率遥感影像的路网数据自动化质量检查方法,其特征在于,步骤3)中的提取路段结构对应影像块的具体方法为:对于由L0L1…Ln点形成的路段结构,以线段L0Ln为中心,以遥感影像与道路数据的几何定位偏差Dis为缓冲区半径,创建平头缓冲区,并提取缓冲区内的影像,得到对应的矩形遥感影像块。
4.如权利要求1所述的基于高分辨率遥感影像的路网数据自动化质量检查方法,其特征在于,步骤5)中的曲线拟合所采用的曲线方程为:
y=a0+a1x+a2x2
采用RANSAC与最小二乘曲线拟合法对匹配误差点进行剔除,得到影像中的实际道路,具体流程为:
步骤501)模型阈值设置:令N为RANSAC的迭代次数,初始匹配点集中满足曲线模型的点个数比例阈值为RThnum,坐标差阈值为Thy;
步骤502)随机从初始匹配点集中选取n个点n≥3,进行最小二乘曲线方程拟合,得到抛物线的初始参数值a0,a1,a2;
步骤503)依次对初始匹配点集中各点的坐标(xi,yi)与拟合曲线中的点(xi,a0+a1xi+a2xi 2)进行比较,若Y轴坐标差|yi-a0+a1xi+a2xi 2|,小于阈值Thy,则将该点计入满足曲线模型的点集中;
步骤504)对步骤503),若满足曲线模型的点个数大于比例阈值RThnum,则RANSAC迭代循环结束,并利用所有满足模型的点应用于最小二乘拟合得到最终的曲线参数A0,A1,A2;
步骤505)对步骤503),若满足模型的点个数小于比例阈值RThnum,则继续RANSAC迭代循环,重复步骤502)-步骤504),直至结束。
5.如权利要求1所述的基于高分辨率遥感影像的路网数据自动化质量检查方法,其特征在于,步骤7)中每条道路中的综合性评价,具体方式为:将步骤6)得到的每条道路中正确轨迹部分占整条道路里程的比例Ratio作为定量化评价某条道路数据的质量指标,计算公式为Ratio=Lengthcorrect/Lengthtotal,其中Lengthcorrect为某条道路中所有正确轨迹部分的里程长度,Lengthtotal该道路整体里程长度;若Ratio≤RThfalse,则判定道路为问题道路并进行标识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911375647.1A CN111145157B (zh) | 2019-12-27 | 2019-12-27 | 基于高分辨率遥感影像的路网数据自动化质量检查方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911375647.1A CN111145157B (zh) | 2019-12-27 | 2019-12-27 | 基于高分辨率遥感影像的路网数据自动化质量检查方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111145157A CN111145157A (zh) | 2020-05-12 |
CN111145157B true CN111145157B (zh) | 2023-08-04 |
Family
ID=70520840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911375647.1A Active CN111145157B (zh) | 2019-12-27 | 2019-12-27 | 基于高分辨率遥感影像的路网数据自动化质量检查方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111145157B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915669B (zh) * | 2020-08-03 | 2024-04-05 | 北京吉威空间信息股份有限公司 | 一种基于总量控制的土地调查线状地物图斑化方法 |
CN112115817B (zh) * | 2020-09-01 | 2024-06-07 | 国交空间信息技术(北京)有限公司 | 基于深度学习的遥感影像道路轨迹正确性核查方法及装置 |
CN112396612B (zh) * | 2020-11-16 | 2021-05-28 | 自然资源部国土卫星遥感应用中心 | 一种矢量信息辅助的遥感影像道路信息自动提取方法 |
CN112733231B (zh) * | 2020-12-31 | 2023-01-31 | 同济大学建筑设计研究院(集团)有限公司 | 道路三维模型生成方法、装置、计算机设备和存储介质 |
CN114705148B (zh) * | 2022-04-03 | 2023-10-24 | 国交空间信息技术(北京)有限公司 | 基于二次筛选的道路弯曲点检测方法和装置 |
CN116295444B (zh) * | 2023-05-17 | 2023-10-20 | 国网山东省电力公司日照供电公司 | 野外作业导航方法、***、终端及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271928A (zh) * | 2018-09-14 | 2019-01-25 | 武汉大学 | 一种基于矢量路网融合与高分遥感影像验证的道路网自动更新方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT201600084942A1 (it) * | 2016-08-12 | 2018-02-12 | Paolo Andreucci | Sistema di analisi, misurazione e classificazione automatica di percorsi stradali e relativo metodo di funzionamento. |
-
2019
- 2019-12-27 CN CN201911375647.1A patent/CN111145157B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271928A (zh) * | 2018-09-14 | 2019-01-25 | 武汉大学 | 一种基于矢量路网融合与高分遥感影像验证的道路网自动更新方法 |
Non-Patent Citations (5)
Title |
---|
吴涛 ; 向隆刚 ; 龚健雅 ; .路网更新的轨迹-地图匹配方法.测绘学报.2017,(04),第507-515页. * |
张勇 ; 谷正气 ; 刘水长 ; 罗伦 ; 李程 ; .基于高分辨率遥感影像的城市***通路网监测技术研究.遥感技术与应用.2015,(01),第76-81页. * |
李程 ; .遥感技术在农村公路核查中的应用研究.测绘与空间地理信息.2018,(05),第48-49、52页. * |
胡传文 ; 冯媛媛 ; .基于贝叶斯网络的高分辨率遥感影像城区道路检测方法.测绘通报.2012,(09),第51-54页. * |
袁胜古 ; 阳柯 ; 熊国清 ; 盛光晓 ; 邓曾 ; 米素娟 ; 徐昊 ; .基于规则库的农村公路基础空间数据质检***设计及实现.城市勘测.2018,(05),第11-15、19页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111145157A (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111145157B (zh) | 基于高分辨率遥感影像的路网数据自动化质量检查方法 | |
Zhang et al. | Automatic pavement defect detection using 3D laser profiling technology | |
CN110619258B (zh) | 一种基于高分辨率遥感影像的道路轨迹核查方法 | |
Galantucci et al. | Advanced damage detection techniques in historical buildings using digital photogrammetry and 3D surface anlysis | |
CN112906694B (zh) | 变电站倾斜式指针式仪表图像的读数矫正***及方法 | |
CN115424232B (zh) | 一种路面坑槽的识别和评价方法、电子设备及存储介质 | |
CN109886939B (zh) | 基于张量投票的桥梁裂缝检测方法 | |
CN110133639B (zh) | 一种传力杆施工质量检测方法 | |
CN104408463B (zh) | 一种高分辨率建设用地图斑识别方法 | |
CN104834806A (zh) | 结构面粗糙度系数尺寸效应取样代表性评价方法 | |
CN115560690B (zh) | 一种基于三维激光扫描技术的结构物整体变形分析方法 | |
CN105069395B (zh) | 基于地面三维激光扫描技术的道路标线自动识别方法 | |
CN101915570A (zh) | 一种基于灭点的地面移动测量影像线段自动提取分类方法 | |
Chen et al. | A novel image-based approach for interactive characterization of rock fracture spacing in a tunnel face | |
CN111242223B (zh) | 一种基于街景影像多特征融合的街道空间品质评价方法 | |
CN116486289A (zh) | 一种多源数据和知识驱动下的燃气管道高后果区识别方法 | |
Li et al. | A deep learning-based indoor acceptance system for assessment on flatness and verticality quality of concrete surfaces | |
CN113420670B (zh) | 基于高分遥感输变电线路迁改环水保监管方法 | |
CN113780459B (zh) | 一种基于空间谱系的城乡聚落类型自动识别的方法与*** | |
Lang et al. | Pavement cracking detection and classification based on 3d image using multiscale clustering model | |
CN114004950A (zh) | 一种基于BIM与LiDAR技术的路面病害智能识别与管理方法 | |
CN113421236A (zh) | 基于深度学习的建筑墙面渗漏水表观发育状况预测方法 | |
CN113971813B (zh) | 一种对建筑专业总平面施工图和地下车库施工图中停车位的精准识别方法 | |
CN113344866B (zh) | 一种点云综合精度评价方法 | |
CN112069445A (zh) | 一种2d slam算法评估及量化方法 |
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 |