一种基于遥感影像的路网提取方法技术

本发明专利技术属于目标分类

【技术实现步骤摘要】
一种基于遥感影像的路网提取方法、系统、设备及介质


[0001]本专利技术涉及目标分类
、
图像融合以及遥感图像处理
，特别涉及一种基于遥感影像的路网提取方法
、
系统
、
设备及介质
。

技术介绍

[0002]道路不仅是基础的地理信息，也是很多行业的基本条件和关键支撑；其中，基于遥感影像的路网提取，在城市规划
、
军事作战部署
、
路径规划等方面具有重要的意义
。
[0003]现有的传统路网提取方法，大多是通过单一特征进行提取，示例性的：
Yager
等人使用边缘特征和支持向量机
(Support Vector Machine
，
SVM)
来实现遥感图像的路网提取；
Hossain
等人提出了基于数学形态学和光谱特征的路网提取方法，该方法具有步骤简单
、
效率高的优点，但无法处理较为复杂的道路情况；综上，上述传统基于道路单一特征的提取方法，不能充分利用道路的信息，难以达到好的提取效果
。
[0004]融合思想的引入为改善路网提取效果提供了新的思路，示例性的：
Song
和
Civco
等人将基于光谱特征进行支持向量机分类的结果与基于形状特征进行区域生长分割的结果相融合，实现了更好的提取效果；
Shi
所提算法使用了像素级的光谱空间特征和均匀性特征，分别通过
SVM
进行分类，并将结果进行融合，上述方法使用了像素层级的特征，对于具有复杂上下文特征的区域，提取效果不理想
。
[0005]对象层级特征的引入，在对像素层级特征的基础上加强了对上下文信息和空间信息的表征能力，示例性的：润一把经超像素分解得到的光谱特征进行
K
‑
means
分类的结果和使用
GNDVI
指数特征进行分类的结果相融合，取得了不错的效果；彭雅琪所提算法使用了对象级的光谱特征以及二阶矩特征，利用随机森林进行分类，并使用
DS
证据理论进行融合
。
然而，由于存在道路与周围地物特征相似的情况，仅使用对象层级特征的方法容易产生粘连以及整块缺失的现象
。
[0006]基于上述分析可知，现有上述方法虽然改进了传统方法使用单一特征对道路描述不足的缺陷，但都是仅从单一层级出发，不能解决仅使用像素层级特征导致的孔洞现象以及仅使用对象层级特征导致的粘连问题
。
[0007]曹云刚等人将对象级和像素层级特征送入
SVM
分类器中，将分类结果通过
DS
证据理论
、
多尺度投票等方法进行决策级融合，有效缓解了使用单一层级特征对道路描述不充分而导致的提取结果出现孔洞和粘连的情况
。
然而，上述现有方法所用特征参数数量多，参数选择是个难点，不合适的特征参数可能会使得所用特征难以恰当的表示道路的属性，使训练出的分类器分类效果差；此外，其用到的
SVM
在路网提取任务中的适用性较差，解释性的，
SVM
是一种常见的有监督二分类器，其需要一定的正负样本进行训练，在正负样本数量接近时分类效果较好；然而，在路网提取任务中，非道路类地物种类繁多，难以通过统一的特征进行描述，且道路类与非道路类样本量差别较大，此时使用
SVM
产生的分类面会明显的向样本较少的一侧偏移，导致分类精度较低，并且分类结果受样本选择的影响较大，常常采用的随机取样可能会导致较差的分类情况的出现
。

技术实现思路

[0008]本专利技术的目的在于提供一种基于遥感影像的路网提取方法
、
系统
、
设备及介质，以解决上述存在的一个或多个技术问题
。
本专利技术提供的技术方案具体是一种基于
OCSVM(One
‑
classSupport Vector Machine)
和多层级特征融合的路网提取方案，其结合了不同层级特征的优势和仅关注正样本特征的一类支持向量机，能够提取获得更加完整
、
准确的路网
。
[0009]为达到上述目的，本专利技术采用以下技术方案：
[0010]本专利技术第一方面提供的一种基于遥感影像的路网提取方法，包括以下步骤：
[0011]基于遥感影像，获取每个像素点的像素层级特征和多尺度下对象层级特征；基于所述遥感影像提取多个符合要求的像素点，获得训练集；其中，像素层级特征通过将光谱特征与梯度特征叠加形成，对象层级特征通过将光谱特征与局部莫兰指数特征叠加形成；
[0012]基于所述训练集中各个像素点的像素层级特征和多尺度下对象层级特征，分别使用
OCSVM
进行求解，对应获得像素层级决策函数和对象层级决策函数；基于获得的像素层级决策函数和对象层级决策函数，获得所述遥感影像中各像素点的像素层级决策值和对象层级决策值；
[0013]将获得的各像素点的像素层级决策值和对象层级决策值，转化为各像素点在像素层级和对象层级属于道路的概率；将获得的各像素点在像素层级和对象层级属于道路的概率进行融合，获得道路图像的二值图像；
[0014]基于所述道路图像的二值图像提取中心线，获得道路中心线网络
。
[0015]本专利技术方法的进一步改进在于，所述基于遥感影像，获取每个像素点的像素层级特征和多尺度下对象层级特征中，
[0016]所述遥感影像为基于原始遥感影像进行双边滤波预处理后获取的图像
。
[0017]本专利技术方法的进一步改进在于，所述基于所述遥感影像提取多个符合要求的像素点，获得训练集的步骤包括：
[0018]基于所述遥感影像，利用基于自适应领域的方法提取像素点，获得训练集；
[0019]其中，所述利用基于自适应领域的方法提取像素点中，
[0020]对于像素点
i∈D
，与其相关的自适应领域
GAN
定义为一个包含在
D
中的子集自适应领域
GAN
建立在标准映射
h∈c
上，标准映射与范围在
E
上的均匀性公差
m
相关；其中，
[0021]自适应领域
GAN
的表示为，
[0022][0023][0024]式中，
C
X
(i)
表示包含像素点
i∈D
的连通分量
E、c、D
分别表示均匀性公差
m、
标准映射
h
和图像中的像素点
i
所在的空间，
h
‑1([h(i)
‑
m],[h(i)+m])
表示满足标准映射条件的像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于遥感影像的路网提取方法，其特征在于，包括以下步骤：基于遥感影像，获取每个像素点的像素层级特征和多尺度下对象层级特征；基于所述遥感影像提取多个符合要求的像素点，获得训练集；其中，像素层级特征通过将光谱特征与梯度特征叠加形成，对象层级特征通过将光谱特征与局部莫兰指数特征叠加形成；基于所述训练集中各个像素点的像素层级特征和多尺度下对象层级特征，分别使用
OCSVM
进行求解，对应获得像素层级决策函数和对象层级决策函数；基于获得的像素层级决策函数和对象层级决策函数，获得所述遥感影像中各像素点的像素层级决策值和对象层级决策值；将获得的各像素点的像素层级决策值和对象层级决策值，转化为各像素点在像素层级和对象层级属于道路的概率；将获得的各像素点在像素层级和对象层级属于道路的概率进行融合，获得道路图像的二值图像；基于所述道路图像的二值图像提取中心线，获得道路中心线网络
。2.
根据权利要求1所述的一种基于遥感影像的路网提取方法，其特征在于，所述基于遥感影像，获取每个像素点的像素层级特征和多尺度下对象层级特征中，所述遥感影像为基于原始遥感影像进行双边滤波预处理后获取的图像
。3.
根据权利要求1所述的一种基于遥感影像的路网提取方法，其特征在于，所述基于所述遥感影像提取多个符合要求的像素点，获得训练集的步骤包括：基于所述遥感影像，利用基于自适应领域的方法提取像素点，获得训练集；其中，所述利用基于自适应领域的方法提取像素点中，对于像素点
i∈D
，与其相关的自适应领域
GAN
定义为一个包含在
D
中的子集自适应领域
GAN
建立在标准映射
h∈c
上，标准映射与范围在
E
上的均匀性公差
m
相关；其中，自适应领域
GAN
的表示为，的表示为，式中，
C
X
(i)
表示包含像素点
i∈D
的连通分量
E、c、D
分别表示均匀性公差
m、
标准映射
h
和图像中的像素点
i
所在的空间，
h
‑1([h(i)
‑
m],[h(i)+m])
表示满足标准映射条件的像素点
i
；基于自适应领域
GAN
，选取的训练集表示为，式中，
g
表示图像的灰度特征，为种子点，
i2表示不同种子点的索引
。4.
根据权利要求1所述的一种基于遥感影像的路网提取方法，其特征在于，所述基于所述训练集中各个像素点的像素层级特征和多尺度下对象层级特征，分别使用
OCSVM
进行求解，对应获得像素层级决策函数和对象层级决策函数的步骤中，对于训练集中的像素点像素层级特征和多尺度对象层级特征分别表示为，
式中，为像素点
i3处的像素级特征，为像素点
i3处
k
尺度下的对象级特征，
k
表示不同的尺度，示不同的尺度，分别表示像素点
i3处的光谱特征
、
梯度特征和局部莫兰指数特征；分别使用
OCSVM
进行求解，求解表达式为，式中，
ω
为支持向量的权重；
ρ
为支持向量的阈值；是松弛变量，用于表示允许离群点的存在；
v∈(0,1)
是用于控制离群点数量上限和全部支持向量数量下限的参数；
N
表示支持向量的数量；表示像素点
i3的特征向量；
φ
是映射函数，用于将数据样本映射到更高维的特征空间，使之线性可分；求解时，通过使用不同层级的特征，分别得到不同层级的超平面参数
ω
pixel
、
ρ
pixel
、
ω
objectk
、...

【专利技术属性】
技术研发人员：张尔琦，杨艺，张猛，米鹏博，李文彪，张思贤，王维，肖卓，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：