[发明专利]基于航摄影像的农村道路边界线的自动提取方法

说明书

本发明公开了一种基于航摄影像的农村道路边界线的自动提取方法，包括步骤：S1获取待研究区域的航拍影像；S2输入种子点，获取实验子区域；S3对实验子区域的影像进行分割及分割后处理；S4跟踪点提取及道路方向的确定，再选取至少两个跟踪方向分别进行跟踪；S5以当前跟踪点为基准，以道路段拓展方式确定候选路段，计算候选路段骨架两端点间的夹角，根据该夹角与当前路段的道路方向的变化信息判断实验子区域的边界是否提取完毕，若否，则返回步骤S4进一步获取跟踪点及跟踪方向，直至提取完毕；若提取完毕且到达实验子区域边界，则返回步骤S2，重新获取实验子区域，否则此条道路提取已完成；S6获取道路边界线。

技术领域

本发明涉及高精地图以及无人控制技术领域，尤其涉及一种基于航摄影像的农村道路边界线的自动提取方法。

背景技术

从上世纪七十年代开始，国际学术界和相关应用部门从不同的侧面，对道路提取的模型构建展开了深入研究。按照影像处理基元的差异，目前已有的道路提取方法可分为全局匹配方法和局部分析方法。

全局匹配方法通常以整幅影像为处理单元，构建符合道路特征的模型或样本集，通过函数判断对道路进行解析。其中最为经典的方法是面向对象方法。该方法将道路影像视为具有光谱、纹理、形状相似性的区域单元，按规则进行分割，通过分类及后处理完成对道路的提取。例如Maboudi等采用结合颜色与形状信息的多尺度模型对影像进行分割，利用结构、光谱纹理特征对分割单元进行分类，采用张量投票(Tensor Voting)方法对道路断裂带进行连接。从2012年开始，一些学者将深度学习方法引入到道路提取领域。深度学习通过对相似影像样本集的训练，可有效解决道路提取过程中的遮挡问题。Zhong等采用将高阶语义与低阶细粒度外观相结合的模型，从高空间分辨率图像中提取道路。该模型将预训练的FCN添加到最终分类层中的池化层作为输出，从而对道路实现更精准的分割与提取，但如何丢弃冗余的汇聚层、简化网络结果从是该算法需要改进的地方。

局部分析方法以局部影像为处理单元，依据一定的道路几何纹理约束原则，利用局部增长或判断的方式提取道路。局部影像判断提取方法可依据矢量数据、GPS数据、DSM数据、众包信息等先验知识，着重建立知识与影像局部特征相结合的假设检验模型，达到提取道路的目的。例如Zhang等在道路两侧边缘人工输入三点，构建矩形模板及输入方向参数信息，利用灰度差异、欧氏距离作为相似性测度，通过迭代方式完成对道路网的提取。

传统的道路提取算法，包括模板匹配算法、知识驱动的道路提取方法、面向对象的道路提取方法等在道路干扰较为严重的情况下，道路提取效果较差。且上述算法均是在分析整张影像道路整体特征的情况下进行道路提取的，计算量大、效率低，且在影像中，农村道路特征变化较大，对于部分道路特征与整体存在较大差别的路段，算法的稳定性较差。深度学习方法虽然具有泛化性强、自动化程度高等优势，但其自身也存在一些问题：一方面其需要大量的相似样本数据集，另一方面深度学习训练时间过于缓慢，目前模型方法尚处于实验室研究阶段，大规模大范围基于深度学习的道路提取工作尚未开展。

因此，开展自动化程度较高、精度较高且适用于实际生产的道路边界线提取方法是十分必要的。有必要提供一种基于航摄影像的农村道路边界线提取方法，获取的道路连续性强、边界清晰，在有效提升道路边界线整体提取质量的同时，还保证了较高的自动化程度。

发明内容

鉴于以上存在的技术问题，本发明提供一种基于航摄影像的农村道路边界线提取方法，该方法将一条道路划分多个子区域，单独获取每个子区域的道路，最终进行拼接，实现整个区域道路边界线的提取；通过双阈值分割、降噪、去毛刺等处理，获取的道路连续性强、边界清晰，在有效提升道路边界线整体提取质量的同时，还保证了较高的自动化程度；该基于航摄影像的农村道路边界线的自动提取方法所获取的数据源为全国正在全面开展的农村房地一体化权籍调查项目成果，数据源获取简单、方便。

为了解决上述技术问题，本发明采用的技术方案是：该基于航摄影像的农村道路边界线的自动提取方法，具体包括以下步骤：