[发明专利]基于联合滤波的遥感影像路网提取技术

摘要

本发明公开了一种基于联合滤波的遥感影像的路网提取技术，结合人类视觉系统认知规律，根据显著图像结构在人类认知中所形成的非周期性、各向异性以及局部方向性，建立了一个完整的对道路显著结构的数学度量模型；在道路显著结构度量模型的指导下，结合流线方向性，建立了一个自适应平滑滤波函数，结合像素点空间距离高斯函数，实现对道路遥感影像的自适应平滑；在道路显著结构度量模型的指导下，结合极大极小值滤波，定义了一个自适应冲击滤波函数，该函数在不同区域产生的冲击增强强度不同，从而实现自适应的冲击滤波增强，从而在平滑非道路结构区域的同时保留显著道路结构，实现道路提取过程中遥感影像的预处理。

主权项

基于联合滤波的遥感影像路网提取方法，其特征在于，包括以下步骤：S1、输入源图像，计算源图像的道路显著结构度量模型Mp，所述显著结构度量模型Mp具有如下形式，Mp＝Ap·Dp·Lp式中，函数Ap、Dp以及Lp是中心像素点p显著结构的各向异性、局部方向性以及非周期性的度量，具体计算步骤如下：S11、各向异性度量Ap通过下式计算Ap=λ1,p-λ2,pλ1,p+λ2,p]]>式中λ1，p以及λ2，p分别为中心像素点p处结构张量矩阵Sp的特征值，以较大的特征值λ1，p为主特征值，较小的特征值λ2，p为副特征值；中心像素点p处的结构张量Sp通过下式计算Sp=Σq∈N(p)<▿xIq,▿xIq>Σq∈N(p)<▿xIq,▿yIq>Σq∈N(p)<▿xIq,▿yIq>Σq∈N(p)<▿yIq,▿yIq>]]>式中q为流线上像素点，其为中心像素点p的一个邻域N(p)内的一个像素点，〈·，·〉表示内积运算；Iq为流线上像素点q的像素值，及为流线上像素点q在x和y方向的偏导数；S12、局部方向性的度量Dp通过下式计算Dp=Σq∈N(p)Aq·<ϵ→p,ϵ→q>Σq∈N(p)Aq]]>式中分别为中心像素点p和流线上像素点q的结构张量矩阵对应的副特征向量，N(p)为中心像素点p所在的邻域，Aq为流线上像素点q点的显著性度量值；S13、非周期性度量Lp通过下式计算Lp=|Σq∈N(p)wp,q·▿xIq|+|Σq∈N(p)wp,q·▿yIq|]]>式中wp，q为权值，通过下式计算wp,q=exp(-||xp-xq||+||yp-yq||2σ2)]]>式中(xp，yp)为中心像素点p的坐标；(xq，yq)为流线上像素点q的坐标；σ为高斯函数中的标准差；S2、基于道路显著结构度量模型引导，结合线积分卷积相关原理，建立新的自适应平滑积分模型，对非道路结构的特征和潜在道路结构特征进行自适应的平滑滤波，具体计算步骤如下：S21、计算平滑程度控制函数g(σd，M)，g(σd，M)为高斯核函数，式中，σd为g(σd，M)的宽度参数，M为源图像的道路显著结构度量模型的值，Mp和Mq为中心像素点p和流线上像素点q处的道路显著结构度量模型的值；S22、结合导向滤波概念与线积分卷积思想，定义了一个自适应平滑滤波函数I′p，Ip′=1K∫q∈N(p)wp,qg(σg,I)g(σd,M)·Iqdq]]>其中，为I′p的归一化参数，为传统线积分卷积过程中采用的一维低通滤波器的高斯核函数，通过下式计算，wp,qg(σg,I)=exp(-|xp-xq|22σg2)]]>其中，xp和xq分别为中心像素点p与流线上像素点q的x坐标值；I为源图像像素点的像素值；σg是的宽度参数，控制的径向作用范围；S3、根据所得平滑后图像，结合极大值极小值滤波方法，以道路结构模型为导向，建立一种改进的冲击滤波模型，实现对显著道路结构的增强，具体计算步骤如下：S31、计算控制冲击滤波增强函数T(x)，T(x)=(1+tanh(λ(x-0.5)))2]]>其中x为制冲击滤波增强函数输入值，tanh(λ(x‑0.5))为双曲正切函数；λ为控制增强程度的因子，越大的值对应越锐利的边缘；S32、建立各向异性冲击滤波增强函数Ip，Ip=T(1-Mp·sign(vηη)2)D(I)p+(1-T(1-Mp·sign(vηη)2))E(I)p]]>其中，D(I)p，E(I)p为中心像素点p对应膨胀、腐蚀的值，函数由步骤S31的公式计算，sign(vηη)为边缘检测算子的符号函数，边缘检测算子vηη通过下式计算，vηη＝c2Ixx+2csIxy+s2Iyy这里c和s为图像中结构张量场对应主特征向量的两个分量；Ixx为图像沿x方向的二阶偏导数；Iyy为图像在y方向上的二阶偏导数；Ixy为图像在x方向和y方向上各计算一次一阶偏导数的结果。