[发明专利]一种利用众源数据辅助遥感影像提取城市道路的方法

说明书

本发明属于遥感影像处理领域，公开了一种利用众源数据辅助遥感影像提取城市道路的方法，包括如下步骤：(1)对获取的众源数据进行预处理；(2)基于局部马氏距离分类自动生成训练样本，并利用深度学习算法对高分辨率遥感影像分割，获取候选道路数据；(3)结合方向一致性分割和张量投票算法，将断裂的道路连接成路网；(4)基于自适应椭圆拟合算法聚类，并利用椭圆扁率剔除易混淆场景，使用线拟合得到道路中心线。本发明利用众源数据自动生成训练样本。融合了众源数据和高遥感影像提取城市道路，解决了提取的中心线不够平滑，剔除了诸如停车场等易混淆场景的干扰，提高了城市道路的提取精度。

技术领域

本发明涉及一种利用众源数据辅助遥感影像提取城市道路的方法，属于遥感影像处理领域。

背景技术

道路作为城市的“骨架”之一，在很大程度上决定着工业和城市发展的空间分布和发展方向。道路的发展以及道路网络的建设是否与人民的生活水平、生活习惯以及社会的经济发展相适应。及时准确地获取道路信息能对更新交通的管理、制定城市发展规划、提高人民生活水平提供重要的依据，近年来，深度学习在图像分割上的研究十分火热。深度学习技术与传统的图像处理相比，虽具有更高的泛用性和准确性。但其具有数据依赖性，需要通过大量的数据才能很好的理解其中蕴含的模式。每个城市发展，规划都具有自身的特性，而现今的遥感商业数据库如Massachusctts dataset，space-net dataset却只有曼测斯特，上海，巴黎等重要大城市的数据，普适性不够，并且存在难以获取的特点。而人工勾画当地的样本数据需要耗费大量的人力物力，成本高。而众源地理数据有近乎零成本并且易于获取更新快速的特点，其数据与当地的契合度也比较高。利用众源数据辅助遥感影像提取城市道路使用易于获取的众源数据制作样本以快速提取城市区域道路，为城市道路信息获取和快速更新提供了一种新的解决方案。

发明内容

本发明的目的是提供一种利用众源数据辅助遥感影像提取城市道路的方法，利用众源数据自动生成训练样本，融合了众源数据和高遥感影像提取城市道路，解决了提取的中心线不够平滑问题，剔除了诸如停车场等易混淆场景的干扰，提高了城市道路的提取精度。

为实现以上发明目的，本发明提供一种利用众源数据辅助遥感影像提取城市道路的方法，包括如下步骤：(1)对获取的众源数据进行预处理；(2)基于局部马氏距离分类自动生成训练样本，并利用深度学习算法对高分辨率遥感影像进行分割，获取候选道路数据；(3)结合方向一致性分割和张量投票算法，将断裂的道路连接成路网；(4)基于自适应椭圆拟合算法聚类，并利用椭圆扁率剔除易混淆场景，使用线拟合得到道路中心线。

进一步地，步骤(1)中所述的众源数据以OpenStreetMap(OSM)为主，数据覆盖范围广、可获取性高，近乎零成本。

进一步地，步骤(1)中所述的预处理包括数据清洗和自动配准，所述数据清洗为选择道路宽度大于10m的道路，去除重叠冗余的数据；所述自动配准首先将数据清洗后的道路数据栅格化为同遥感影像相同空间分辨率的栅格数据，再使用模板匹配的方法在两幅对应影像中自动寻找特征点并选取其中质量高的特征点作为控制点进行配准。

进一步地，所述OpenStreetMap数据经过预处理后，作为马氏距离分类的参考样本，同时利用OTSU算法计算马氏距离分类的阈值；

这一过程基于马氏距离分类器，如下式：

其中，x是待分类的像元各个波段的值，y是参考样本像元各个波段的值,D_M(x)表示待分类像元与样本之间的距离,D_M(x)的值越小，则该像元可以成为训练样本的概率越大；使用阈值δ分割得到D_M(x)，阈值δ的大小使用OSTU算法来设定。

进一步地，步骤(2)中所述的利用深度学习算法对高分辨率遥感影像分割，获取候选道路数据的过程如下：