[发明专利]一种遥感影像道路提取方法及装置

说明书

技术领域

本发明涉及一种遥感影像道路提取方法及装置，属于遥感信息提取技术领域。

背景技术

从高分辨率遥感影像上自动提取道路对地图更新、GIS数据获取、影像匹配和目标检测具有重要意义，是当前遥感测绘领域的研究重点。高分辨率遥感影像道路提取可分为全自动提取和半自动提取，全自动提取方法常见的主要有基于平行线对、基于数学形态学和知识、基于窗口模型特征等，但从目前研究进展来看，现有的全自动算法鲁棒性差，提取结果需要大量人工处理，效果不理想，采用人机交互方式的半自动提取是目前较为实际的选择。

在遥感影像道路半自动提取方法中，主动轮廓模型和模板匹配方法被认为是较为实用的两种方法。基于动态规划的道路提取算法是一种常用的主动轮廓模型方法，它根据遥感影像上的道路特征构建代价函数，然后利用动态规划求解代价函数的极大值来提取道路。Armin Gruen根据低分辨率遥感影像上的道路主要为具有高灰度值的光滑曲线这一特征，提出了一种经典的基于动态规划的道路提取算法，但这种方法只适用于低分辨率影像，而在中高分辨率影像上，道路不再是简单的线状特征，变成了具有一定宽度的长条状区域，因子Poz等人在Gruen的基础上，修改了代价函数，加入了道路宽度信息，使该算法能够用于中高分辨率影像的道路提取。但由于高分辨率影像道路特征复杂多变，传统的算法都是直接根据原始影像上的道路灰度特征定义代价函数，因此很难定义具有普适性的代价函数，导致了传统算法只能提取固定灰度特征的简单道路，对于其他类型的道路，只能重新定义相应的代价函数，在实际应用中有很大局限。

发明内容

本发明的目的是提供一种遥感影像道路提取方法，以解决目前的道路提取方法只能提取与道路模型相符的简单道路的问题；本发明还提供了一种遥感影像道路提取装置。

本发明为解决上述技术问题而提供一种遥感影像道路提取方法，包括六个技术方案，方法方案一，该方法包括以下步骤：

1)计算原始遥感影像道路概率密度，将原始遥感影像上的道路特征转换为道路概率密度的特征；

2)根据道路中心线上的概率值高于其它位置上的概率值的特征构建道路中心线模型，并根据道路中心线模型确定代价函数；

3)利用动态规划求解代价函数的极大值，以该极大值作为道路中心线。

本发明将原始遥感影像上复杂多样的道路特征转换为道路概率分布图上简单一致的道路特征，使之能够提取不同类型的高分辨率遥感影像道路，不需要修改代价函数，提高了方法的普适性。

方法方案二：在方法方案一的基础上，所述步骤1)的遥感影像道路概率密度是采用支持向量机和核密度估计确定的，具体过程如下：

A.采用支持向量机将遥感影像进行分类，得到一系列道路样本点；

B.利用核密度估计计算各道路样本点的概率密度。

本发明采用支持向量机进行分类，所需的训练样本由人工从道路特征数据库中挑选，通过少量人工参与完成高分分辨率遥感影像上具有一定宽度的道路信息采集任务，明显缩短成图周期，大大提高了遥感影像自动化处理程度。

方法方案三：在方法方案二的基础上，所述步骤B中得到的概率密度为：

其中x_i为得到的第i个道路样本点，是点x处的概率密度估值，h为核密度估计的带宽，K(x)为核函数。

方法方案四：在方法方案三的基础上，所述的核函数采用高斯核函数。

方法方案五：在方法方案一或二的基础上，所述步骤2)中构建的道路中心线模型为：

E_p＝∫{G[f(s)]}²ds＝max

E_g＝∫[f″(s)]²ds＝min

C_g＝|f″(s)|≤T₁

其中G(x)表示道路概率分布函数，f(s)表示道路中心线，T₁为设定阈值。

方法方案六：在方法方案五的基础上，根据道路中心线模型构建的代价函数为：