[发明专利]多层次知识驱动的全色遥感影像的道路变化信息提取方法

摘要

本发明公开了一种多层次知识驱动的全色遥感影像的道路变化信息提取方法，首先在道路提取层中充分应用先验知识，自动生成多尺度模板，实现道路候选段的自动提取，根据人对道路模型的感知知识，采用感知编组连接候选道路段，形成初始道路网；其次在变化道路检测层中加入知识判断原则，对提取道路网和旧道路网进行缓冲区分析，得到道路变化检测结果；再次在新增道路检测层中，结合道路网模型进行推理和假设，得到符合道路模型的知识约束规则，从视觉分割得到分割块反映影像属性的角度出发，对候选新增道路进行优化和处理；最后在半自动提取层中针对道路复杂性，在人的知识的驱动下完成新增道路的半自动跟踪，产生完整的新增道路网。

主权项

1.一种多层次知识驱动的全色遥感影像的道路变化信息提取方法，其特征在于包括以下步骤：(1)对近期全色遥感影像进行预处理，预处理操作包括：(a)对全色遥感影像的正射纠正，(b)对正射影像的拼接，(c)根据同区域旧矢量数据范围，对拼接的正射影像进行裁减，(d)将裁减结果作为变化检测的输入影像；(2)对输入影像进行道路增强和噪声去除，操作包括：(a)对输入影像进行Wallis滤波加大图像反差，突出道路信息，(b)高斯平滑去除噪声；(3)在先验知识的引导下，生成道路候选段，操作包括：(a)由已有旧道路矢量地图获得检测区域道路网的先验知识，得到候选的道路中心点，生成道路中心点的二值图像；(b)对二值图像进行线条细化得到中心骨架；(c)对中心骨架进行单纯细化，去除交叉点和分支点；(d)对去除交叉点和分支点的结果图像进行数学形态学处理，填补段之间的缝隙，得到连通的道路线；(e)对连通的道路线进行矢量跟踪，删除短线；(4)根据人对道路模型的感知知识，采用感知编组连接候选道路段，形成道路网，包括以下步骤：(4-a)根据人对道路模型的感知知识，将各段连接成无分支的共线长链；(4-b)提取交叉和分支形成道路网络；(5)在缓冲区检测中加入知识判断原则，结合已有旧道路矢量数据，检测道路网中变化和消失路段，具体检测步骤如下：(5-a)旧道路矢量地图与提取道路网配准；(5-b)确定检测缓冲区的缓冲距离；(5-c)在已有旧道路矢量两侧，用缓冲距离构造缓冲区，将缓冲区与提取道路网叠加，计算道路变化率δ；(5-d)加入知识判断原则，包括：(5-d-1)道路是平滑的带状曲线，曲率变化平缓；(5-d-2)道路附近地物复杂，导致某段因遮盖找不到道路点；针对以上两个判断原则，对设置可能变化标志的道路段进一步判断，判断步骤如下：(5-d-a)以该路段走向为中心，根据角度缓冲值，设定正向角度搜索区间和反向角度搜索区间：BufferAngle1＝[α-δ，α+δ]BufferAngle2＝[π+α-δ，π+α+δ]其中，BufferAngle1为正向角度搜索区间，BufferAngle2为反向角度搜索区间，α为道路走向与水平方向的夹角，δ为角度缓冲阈值；(5-d-b)在旧矢量地图上，延路段走向正向，在正向角度搜索区间内搜索具有不变标志的道路，将距离最近的路段作为当前路段的前路段R1，若未找到前路段，则R1赋无结果标志；延路段走向反向，在反向角度搜索区间内搜索具有不变标志的道路，将距离最近的路段作为当前路段的后路段R2，若未找到后路段，则R2赋无结果标志；(5-d-c)若该路段为首路段，后道路R2被赋予无结果标志，则为该路段赋消失标志；若该路段为尾路段，前道路R1被赋予无结果标志，则为该路段赋消失标志；若该路段为中间路段，前道路R1或后道路R2被赋予无结果标志，则为该路段赋消失标志，进入(5-e)，否则，计算参数：$P=\frac{{\omega }_{\gamma }\times |{\gamma }_{R1}-{\gamma }_{R2}|+{\omega }_d\times d_{R1R2}}{{\omega }_{\gamma }\times T_{\gamma }+{\omega }_d\times T_d}$其中，P为存在测度，|γR1-γR2|为R1和R2的曲率差，dR1R2为R1 和R2临近端点之间的距离，Tγ为曲率差阈值，Td为距离阈值，ωγ和ωd分别为曲率差和距离的权，若P小于1，则该路段没有发生变化，置不变标志；否则，该路段变化，置变化标志；(5-e)根据无变化标志，删除道路网中对应路段；根据变化标志，将变化的旧道路矢量段输出；(6)结合道路网模型进行推理和假设，得到符合道路模型的知识约束规则，从视觉分割得到分割块反映影像属性的角度出发，对候选新增道路进行优化和处理，处理步骤如下：(6-a)对步骤(2)得到的图像进行视觉分割；(6-b)从道路网模型的角度对影像分割块属性进行合理推理，得到道路模型的知识约束规则，提出四个假设：(6-b-1)分割块的属性唯一，即分割得到的区域道路属性值为true或false：R(segi)＝true or falsesegi为第i个分割区域，R(segi)为区域道路属性；(6-b-2)非道路区域内部属性相同，即非道路区域不包含道路段：$\forall p\in \mathrm{seg\; if\; R}\left(\mathrm{seg}\right)=\mathrm{false\; then\; p}\notin \mathrm{roadnet}$p为影像像素；(6-b-3)一分割块只包含一条道路，若道路区域的分割块内存在多条道路，则道路区域上提取出无法连接的道路中线：$\forall {\mathrm{road}}_i,{\mathrm{road}}_j\in \{{\mathrm{road}}_1,...,{\mathrm{road}}_n\}\mathrm{if}{\mathrm{road}}_i⋐\mathrm{seg\; then}{\mathrm{road}}_j\subset ⃒\mathrm{seg}$$\mathrm{or}\forall \mathrm{seg\; if\; R}\left(\mathrm{seg}\right)=\mathrm{true}\exists \mathrm{road}⋐\mathrm{seg}$road为该区域内唯一道路；(6-b-4)道路分割块内道路线反映块的骨架，即道路区域的走向应与道路中心线的走向一致，道路中心线必须能够代表道路区域与道路功能有关的几何特征：$\forall \mathrm{road}⋐\mathrm{seg\; road}\approx \mathrm{seg}$“≈”表示道路必须块的骨架形态；(6-c)从视觉分割结果和四个假设，对候选新增路段进行优化和处理，步骤如下：(6-c-a)利用分割块宽度和由旧矢量地图得到的道路宽度范围比较，判断分割块道路属性；(6-c-b)判断移除非道路区域内短线，由假设(6-b-2)，判断道路段R上的点p所在分割块seg，若R(seg)＝false，则该路段位于非道路区域，从道路网内移除该点；(6-c-c)结合假设(6-b-3)和(6-b-4)，处理道路区域内多条道路的情况，具体步骤如下：(6-c-c-1)道路网为roadnet，输入满足p∈roadnet的点p，判断所在分割块seg，并判断所在roadi∈{road1，...，roadn}，记录seg包含的roadi序号；(6-c-c-2)判断R(seg)，如果R(seg)＝false，则从道路网上移除该点，并移除seg包含的roadi序号记录；(6-c-c-3)对于道路网上下一点p，转到(6-c-c-2)，直到处理所有道路点；(6-c-c-4)对记录了包含道路序号的分割块seg，判断块内道路数量；(6-c-c-5)如果seg包含道路数量大于1，则从道路网上移除seg内包含的较短道路部分；(6-c-d)利用道路区域的延伸性与道路分割块的形态，处理道路区域内道路段的延伸，具体步骤如下：(6-c-d-1)输入分割块骨架线Tseg及块seg内道路段road，计算Tseg 的端点到道路线段road的距离，设定较小值W，记录距离大于W的端点p，p∈Tseg；(6-c-d-2)从点p出发，计算Tseg中下一点到道路线段road的距离，判断距离是否大于步骤(6-c-d-1)选择的较小值W；(6-c-d-3)如果距离较大，则转到步骤(6-c-d-2)，依次处理Tseg下一点；如果距离不大，则中止步骤(6-c-d-2)，转到步骤(6-c-d-4)；(6-c-d-4)将Tseg中作过判断的点作为道路点加入到道路网中，采用最近点的连接方法连接首个距离不大的点与道路线段road，即连接该点与该点到road最短距离点；(7)在人的知识的驱动下，完成新增道路的半自动提取，步骤如下：(7-a)提供点选删除和拉框删除接口，删除错提道路线；(7-b)人工给出少量种子点作为知识，驱动半自动跟踪过程，利用基于最小二乘B样条的主动轮廓模型对新增道路进行半自动提取，具体步骤如下：(7-b-1)利用多尺度模板匹配的方法，自动设置基于最小二乘B样条的主动轮廓模型参数；(7-b-2)自适应模板匹配自动产生新的道路点；(7-b-3)采用人工选取和(7-b-2)自适应模板生成的道路点作为种子点，利用基于最小二乘B样条的主动轮廓模型对道路进行提取和拟合；(7-c)自动修改拓扑关系，生成新的道路网；(7—d)输出道路变化检测结果。