[发明专利]一种基于特征差异性的农村道路矢量数据纠正方法

说明书

本发明公开了一种基于特征差异性的农村道路矢量数据纠正方法，步骤为：输入影像数据与矢量数据；获取影像数据中的线段序列；获取影像的相位图；将RGB色彩空间下的影像数据转换到HSV色彩空间，并生成HSV影像；模型驱动纠正矢量方法；数据驱动纠正矢量方法。本发明分析遮挡区域两侧已纠正矢量数据的方向，利用拓扑连接方法连接遮挡区域两侧端点，可以自动完成对该路段矢量数据的纠正；在匹配模型中加入了几何信息，建立了动态方向权重匹配模型，使得道路在跟踪匹配中并不单纯依靠纹理光谱信息，故可以克服道路与背景间光谱信息接近的问题。

技术领域

本发明属于图像处理的技术领域，尤其涉及一种基于特征差异性的农村道路矢量数据纠正方法。

背景技术

矢量线性数据是农村公路的数字化表达方式，在智慧交通、无人驾驶、区域规划、应急服务、精确导航等领域具有重要的应用价值。但已有矢量线性数据由于地物变迁、坐标系统变化、采集设备精度差异、采集人员经验的不同，无法准确表达道路的空间位置以及方向信息。这使得农村公路矢量数据的纠正过程更具复杂性和挑战性。

随着当前遥感技术的发展，当前遥感影像具有成像周期短、覆盖范围广、空间分辨率高、空间精度高等优势逐渐放大，国内外学者对利用高分辨率遥感影像纠正农村道路矢量数据做了很多研究。目前的矢量方法可分为直接法与间接法。直接法通过获取遥感影像与矢量中的同名特征点(如：道路交叉口)，建立矢量数据与影像中道路数据的映射关系；间接法则是通过获取道路中心线从而获取道路与影像之间的线段。

目前的道路提取方法可分为道路面提取和道路中心线提取。道路面提取主要基于分割和分类。具有代表性的影像分割方法主要有以下几种：主动轮廓模型、均值漂移算法和阈值分割等。然而，由于道路情况的复杂多变，很难找到一种适用于各种类型遥感影像的分割算法。道路中心线提取方法侧重于道路骨架的检测，通常采取细化和跟踪两种不同的方式。细化操作通常是在已提取道路区域上展开的，道路跟踪方法则通常需要提供初始信息，如种子点、起始跟踪方向、道路宽度或匹配规则等信息，通过迭代跟踪的方式得到道路中心线。其缺点在于跟踪过程中方向、位置难以控制，无法在确保道路提取精度的情况下提高算法的自动化程度。

现有技术，采用如下方法进行：

(1)利用支持向量机(SVM)对影像中的地物进行分类。在此算法中，每个数据项被绘制为n维空间中的一个点(其中n是特征数)，每个特征的值是特定坐标的值。然后，通过查找能够很好地区分这两个类的超平面来执行分类。

(2)利用水平集方法跟踪道路的边缘。由于水平集方法是一种数值方法，用于拟合几何对象及其运动轨迹。该方法的优点是，可以在空间固定坐标上计算曲线和曲面，而不必使这些对象的参数化。特别是，在水平集方法中，拓扑不需要是已知的，并且在计算过程中可能会发生变化。这样可以轻松跟踪移动物体(如道路)的边缘。

(3)利用形态学函数和骨架方法获取影像的控制点。在影像中由于道路交叉口和道路端点通常是可靠和稳定的。它们代表了稳健的信息，这使得它们对特征匹配非常有用。因此可以利用形态学函数和骨架方法来寻找控制点。一般来说，这些功能可以消除非道路中的噪声和像素，填补空白并提高分类的准确性。骨架化是一种将二值图像中的前景区域缩小为骨架残片的过程，它在很大程度上保留了原始区域的范围和连接性，同时丢弃了大部分原始前景像素。骨架化显示二值图像的简单骨架。提取图案的骨架意味着缩小图案的范围，使图案的整体形状不会消失。

(4)利用最近邻域法匹配矢量与影像中同名的道路特征点。此方法用于根据距离查找离参考点最近的像素。因此，它考虑该点(参考点)，然后将其与下一个点匹配，它会搜索其周围的参考点，并通过定义阈值来查找两点之间的最近邻点。然后，如果它们之间的距离小于阈值，则两个点将匹配。