[发明专利]道路网拓扑和几何信息的提取方法

说明书

技术领域

本发明涉及道路拓扑和几何信息的提取方法，尤其涉及道路拓扑和几何信息的提取方法。

背景技术

从卫星遥感和航拍影像中自动地提取道路，是一个已经进行了20多年的研究课题。已有的方式主要利用计算机视觉和机器学习技术，采用边缘检测、特征提取、模板匹配、动态规划、模糊集、多尺度检测、随机场模型或神经网络等方法，进行道路的提取。但由于道路提取问题的复杂性(如道路上有车辆和行人、道路面颜色与建筑顶部颜色接近、道路与周围地面无明显分界和存在树木遮挡等)，提取的准确度和鲁棒性一直是实现自动化的阻碍。目前道路提取及道路网拓扑和几何信息的生成仍然以人工为主。

通过网络和专利搜索，与本发明最为接近的技术方案如下：

(1)专利《一种基于自适应聚类学习的道路网提取的方法》(专利号申请号：201610273017.3)。该方法需要解决的目标问题包括路网提取。路网提取是在分段提取道路的基础上，基于路段连接的几何结构进行拼接来进行的，然后基于交叉结构再进行拼接的修正。

(2)专利《一种基于K means的高分辨率遥感地图道路提取方法》(专利申请号：201410219942.9)。该方法需要解决的目标问题是道路提取，但输出为原始图像的道路分割图像，而不是结构化的道路网拓扑和几何信息。该方法使用了连通域过滤来降噪，并对图像进行了骨架提取。

现有的技术主要利用计算机视觉和机器学习技术进行道路提取，并在提取过程中生成道路中心线和拓扑信息。道路网拓扑和几何信息的准确性受限于算法所能够达到的道路提取的准确性，并影响了技术的最终价值。同时，现有的研究大多关注在道路网的图像分割上，很少涉及可用于导航路线规划和辅助高精度地图车道线提取的道路网拓扑和几何信息的自动生成上。

深度学习在图像分割领域，已经表现出了传统计算机视觉和机器学习技术无法比拟的优势。尤其在存在海量标记样本数据的情况下，深度学习具有获得持续性能提升的潜力。

使用深度学习卷积神经网络对高精度正射航拍影像进行道路精细分割，可较大程度提升分割的准确率，但由于道路分割问题的复杂性，仍然会出现错检和漏检的情况。

发明内容

本发明解决的问题是现有道路拓扑和几何信息的提取存在错检和漏检的情况、不能自动提取以及鲁棒性差的问题。

为解决上述问题，本发明提供一种道路网拓扑和几何信息的提取方法，该方法包括如下步骤：采用深度学习对高精度正射航拍影像进行道路分割获得二值图像，对所述二值图像进行预处理；处理预处理得到的图像以生长出道路的整个网状结构；对所述道路的整个网状结构进行修正以得到正确的道路网拓扑信息。

在进一步方案中，所述预处理是采用计算机视觉形态学方法和连通域分析进行所述预处理。

在进一步方案中，所述预处理包括先对二值图像进行降采样；接着，使用形态学闭运算-先膨胀后腐蚀所述降采样得到的图像，以填充细小空洞和连接邻近区域；最后，后使用连通域分析，得到图像上所有的连通域，只保留最大面积的连通域。

在进一步方案中，所述生长出道路的整个网状结构包括：从预处理的图像中提取网状结构的结点；对所有结点使用种子填充算法，迭代生长出整个的网状结构。

在进一步方案中，所述预处理的图像中提取网状结构的结点包括：采用骨架提取算法获得单像素骨架，再通过均值滤波对所述单像素骨架图像进行卷积运算而提取网状结构的结点。

在进一步方案中，所述方法还包括对图像进行卷积操作后，统计所有大于255/3的像素作为网状结构的结点，对于所有相邻结点，只保留一个，删除其它所有与之相邻结点，从而获得了网状结构的所有结点。

在进一步方案中，所述对所述道路的整个网状结构进行修正包括设计网状算子去除网状结构中的短边。

在进一步方案中，所述对所述道路的整个网状结构进行修正包括设计网状算子去除网状结构中的小桥。

在进一步方案中，所述对所述道路的整个网状结构进行修正还包括对网状结构的每条边进行曲线拟合，并进行去噪和光滑。

在进一步方案中，所述对所述道路的整个网状结构进行修正还包括对去噪和光滑的图像进行矢量化，并对每条边进行抽稀，去除多余的点。

与现有技术相比，本发明至少具有以下优点：