專利名稱：高分辨率城區(qū)遙感圖像中道路中心線的半自動(dòng)檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及遙感圖像的目標(biāo)檢測(cè)方法，該方法可用于高分辨率城區(qū)遙感圖像中道路中心線的半自動(dòng)提取。

背景技術(shù)：
基于高分辨率遙感影像的地物幾何特征的提取以及相應(yīng)方法的研究一直以來受到許多研究者的關(guān)注。從遙感影像中提取道路是其中一個(gè)研究熱點(diǎn)，因?yàn)榈缆放c人們?nèi)粘Ｉ蠲芮邢嚓P(guān)，現(xiàn)有的道路半自動(dòng)提取算法大都針對(duì)不同的影像類型如航空或航天影像，不同的比例尺即影像分辨率，不同區(qū)域的影像如城區(qū)、鄉(xiāng)村或郊區(qū)，以及不同的道路類型采取不同的提取方法。
生產(chǎn)實(shí)踐中利用遙感影像更新道路數(shù)據(jù)時(shí)，城區(qū)圖像中道路的提取對(duì)城市規(guī)劃、交通和測(cè)繪都具有重要的價(jià)值。道路網(wǎng)的識(shí)別和精確定位對(duì)于GIS數(shù)據(jù)獲取、影像理解、制圖以及作為其他目標(biāo)的參照都有深遠(yuǎn)意義。
過去的二十多年中，人們提出了許多利用遙感影像提取道路特征信息的方法，根據(jù)自動(dòng)化程度，可以分為全自動(dòng)提取與半自動(dòng)提取兩種方式。全自動(dòng)道路提取涉及人工智能、模式識(shí)別等多領(lǐng)域，往往是多種方法的綜合運(yùn)用，主要有多尺度分析法(Heipke1996，Mayer1998)、根據(jù)上下文信息或已有地圖對(duì)道路做出判斷和補(bǔ)充的方法(Stilla1995，Baumartner1999)、統(tǒng)計(jì)學(xué)習(xí)(Mayer2005)等。半自動(dòng)道路提取需要人機(jī)交互，按交互方式不同，又可分為兩類。一類是給出初始點(diǎn)和初始方向，利用某種跟蹤算法來提取道路，如模板匹配法(Mckeown1988，Vosselman1995)；另一類則需要給出一系列分散的種子點(diǎn)，利用Active Contour模型、模擬退火、動(dòng)態(tài)規(guī)劃等方法曲線擬合道路中心線，如動(dòng)態(tài)規(guī)劃法(Gruen1995)、LSB Snakes(Gruen1997)。
以上半自動(dòng)道路提取方法，比較集中于中低分辨率下的道路提取?；镜哪０迤ヅ浞ㄟm用于路況較好的道路，對(duì)影像質(zhì)量較差的道路段提取不盡如意；而動(dòng)態(tài)規(guī)劃法和Snakes模型在種子點(diǎn)選取時(shí)較繁瑣，而且存儲(chǔ)量大，耗時(shí)較長(zhǎng)。
近年來，隨著遙感技術(shù)的發(fā)展，圖像的空間分辨率不斷提高，體現(xiàn)了更多的道路細(xì)節(jié)，使得高分辨率下和中低分辨率下的道路呈現(xiàn)出較大差異的影像特征。在中低分辨率下，道路表現(xiàn)為具有灰度一致性的線狀特征，其與周圍景物的灰度對(duì)比度差異顯著，道路網(wǎng)常表現(xiàn)為關(guān)系較明確的線形網(wǎng)絡(luò)結(jié)構(gòu)，如亮色或暗色道路線網(wǎng)絡(luò)。但在高分辨率下，道路表現(xiàn)為局部灰度近似、寬度變化緩慢的狹長(zhǎng)區(qū)域。隨著高分辨率遙感影像的研究細(xì)節(jié)逐漸豐富，道路特征也逐漸復(fù)雜，而且路面噪聲，如建筑物或樹木的陰影、路面上的車輛等變得不可忽略，這使得高分辨率下的道路提取更具有復(fù)雜性和挑戰(zhàn)性。
綜上所述，目前還沒有一種適用范圍廣的方法來半自動(dòng)提取道路網(wǎng)絡(luò)，且大量應(yīng)用都集中于中低分辨率下道路或道路網(wǎng)的提取。已有的半自動(dòng)道路提取方法，在質(zhì)量較差的高分辨率城區(qū)遙感影像的道路提取中并不能很好地應(yīng)用，且提取效果較差，過程比較繁瑣。


發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的不足，提出了一種改進(jìn)的高分辨率城區(qū)遙感圖像中道路中心線的半自動(dòng)檢測(cè)方法，以實(shí)現(xiàn)對(duì)道路中心線的準(zhǔn)確檢測(cè)，適用于提取高分辨率下的道路，提高了道路的提取效果，且提取過程簡(jiǎn)便易行。
本發(fā)明的技術(shù)方案是采用人機(jī)交互方式，首先選擇初始種子點(diǎn)和初始方向點(diǎn)，然后利用跟蹤算法來提取道路中心線上的各個(gè)種子點(diǎn)，最后利用搜索到的種子點(diǎn)標(biāo)記中心線，并連接成道路網(wǎng)絡(luò)。該方法是對(duì)現(xiàn)有模板匹配法的改進(jìn)，其提取的具體步驟包括以下 1)在待檢測(cè)圖像上選擇初始種子點(diǎn)和初始方向點(diǎn)，該初始種子點(diǎn)與方向點(diǎn)形成的角度即為道路前進(jìn)方向； 2)以初始種子點(diǎn)為中心建立7×7的校正窗口，在該窗口范圍內(nèi)沿垂直道路前進(jìn)方向搜索中心線像素，對(duì)初始種子點(diǎn)進(jìn)行位置微調(diào)校正，確保初始種子點(diǎn)的選擇準(zhǔn)確落在道路中心線上，若窗口內(nèi)搜索不到中心線像素，則不再校正初始種子點(diǎn)； 3)在平面坐標(biāo)系的原點(diǎn)建立基準(zhǔn)窗，并將該基準(zhǔn)窗旋轉(zhuǎn)平移到初始種子點(diǎn)處形成初始模板窗，如果平移后初始種子點(diǎn)處的模板窗超越了原圖像邊界，要對(duì)超出邊界部分進(jìn)行窗口的對(duì)稱延拓； 4)建立與初始模板窗同樣大小和方向的權(quán)值矩陣W，并對(duì)其進(jìn)行初始化； 5)對(duì)模板窗內(nèi)圖像塊進(jìn)行灰度值調(diào)整，增強(qiáng)圖像的灰度對(duì)比度，使道路特征更顯著； 6)利用迭代閾值方法對(duì)增強(qiáng)后的圖像塊求解分割閾值T，并利用該閾值對(duì)圖像進(jìn)行二值化分割，得到初始道路中心線分割結(jié)果圖； 7)沿道路前進(jìn)方向按設(shè)定步長(zhǎng)step平移模板窗，形成N個(gè)待定目標(biāo)窗，并判斷每一目標(biāo)窗內(nèi)圖像是否存在灰度值大于250的像素，若存在則判定為車輛，并將車輛像素處的8鄰域或4鄰域像素的灰度值設(shè)置為分割閾值T； 8)采用模板匹配準(zhǔn)則尋找與模板窗匹配的目標(biāo)窗，對(duì)道路中心線進(jìn)行跟蹤，并按以下步驟搜索計(jì)算道路的中心點(diǎn)位置 (8a)對(duì)目標(biāo)窗內(nèi)圖像塊的灰度值進(jìn)行調(diào)整，增強(qiáng)輸出圖像的灰度對(duì)比度，利用迭代閾值方法對(duì)增強(qiáng)后的圖像進(jìn)行二值化分割，得到初始道路中心線分割結(jié)果圖； (8b)將各目標(biāo)窗、模板窗乘以權(quán)值矩陣W，分別計(jì)算加權(quán)后的各目標(biāo)窗與模板窗像素的絕對(duì)差值和，得到差值序列Absdev； (8c)設(shè)定兩個(gè)比較閾值T1、T2，對(duì)差值序列Absdev由小到大排序，判斷最小差值是否小于T1，如果滿足條件，計(jì)算該最小差值所對(duì)應(yīng)的目標(biāo)窗中心點(diǎn)及8鄰域灰度均值與模板窗中心點(diǎn)及8鄰域灰度均值的差，判斷該均值差是否小于T2，若是，則該目標(biāo)窗與模板窗匹配，所對(duì)應(yīng)目標(biāo)窗的中心為下一個(gè)道路中心點(diǎn)，返回步驟3)；若否，則對(duì)次小差值重復(fù)前述判斷過程，對(duì)滿足閾值條件的，將該差值所對(duì)應(yīng)目標(biāo)窗的中心作為下一個(gè)道路中心點(diǎn)，返回步驟3)； (8d)當(dāng)排序后的差值序列的前三個(gè)差值均不滿足閾值條件時(shí)，則利用已搜索得到的道路中心點(diǎn)信息修正道路角度方向，返回步驟3)繼續(xù)搜索下一個(gè)匹配目標(biāo)窗位置；如果修正道路方向后仍搜索不到匹配目標(biāo)窗，則臨時(shí)增加搜索的步長(zhǎng)，設(shè)置為新變量tempry，返回到步驟7)搜索下一個(gè)匹配目標(biāo)窗位置；如果經(jīng)過步長(zhǎng)增加仍然找不到匹配目標(biāo)窗時(shí)，則終止循環(huán)，結(jié)束本次搜索過程； 9)搜索結(jié)束后，將搜索到的每一個(gè)中心點(diǎn)的行坐標(biāo)和列坐標(biāo)存儲(chǔ)，并根據(jù)存儲(chǔ)的坐標(biāo)位置在原圖像上對(duì)中心線進(jìn)行標(biāo)識(shí)，得到本次中心線檢測(cè)結(jié)果。
本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn) 1)本發(fā)明由于對(duì)初始種子點(diǎn)進(jìn)行校正處理，能使種子點(diǎn)較精確的位于待檢測(cè)的中心線上； 2)本發(fā)明由于采用細(xì)化模板窗向目標(biāo)窗平移的準(zhǔn)則，可使搜索方向更準(zhǔn)確，更好的獲得匹配目標(biāo)窗的準(zhǔn)確位置； 3)本發(fā)明由于采用對(duì)中心線附近是否存在車輛的判斷和處理策略，可有效減少車輛噪聲對(duì)尋找道路中心點(diǎn)的干擾； 4)本發(fā)明由于采用兩次閾值判斷條件，可盡量避免單次判斷對(duì)種子點(diǎn)的誤判，最大程度地減少對(duì)中心線的搜索誤差； 5)本發(fā)明由于采用在道路間斷處臨時(shí)增加搜索步長(zhǎng)，可越過道路中心線上因建筑物陰影等因素造成的短間斷處，向前繼續(xù)跟蹤搜索種子點(diǎn)。



圖1是本發(fā)明的實(shí)現(xiàn)流程示意圖； 圖2是本發(fā)明輸入的一副待檢測(cè)遙感道路圖像； 圖3是本發(fā)明的模板窗和目標(biāo)窗建立的示意圖； 圖4是本發(fā)明對(duì)模板窗增強(qiáng)后的二值化分割結(jié)果圖； 圖5是本發(fā)明對(duì)目標(biāo)窗增強(qiáng)后的二值化分割結(jié)果圖； 圖6是本發(fā)明是在某間斷點(diǎn)實(shí)現(xiàn)步長(zhǎng)跳躍的示意圖； 圖7是本發(fā)明對(duì)輸入圖像的道路中心線檢測(cè)結(jié)果圖； 圖8是本發(fā)明對(duì)檢測(cè)結(jié)果圖進(jìn)行人工補(bǔ)充后的最后結(jié)果圖。

具體實(shí)施例方式 參照?qǐng)D1，本發(fā)明的實(shí)施步驟如下 步驟1，選擇初始種子點(diǎn)和初始方向點(diǎn)，獲得道路初始信息。
在輸入的待檢測(cè)圖2上，采用人機(jī)交互方式，在中心線上選擇初始種子點(diǎn)和初始方向點(diǎn)，其中初始種子點(diǎn)是算法搜索的起始點(diǎn)，初始方向點(diǎn)與種子點(diǎn)的夾角為道路前進(jìn)的角度方向。
步驟2，對(duì)初始種子點(diǎn)位置進(jìn)行校正。
由于交互式操作中人工選點(diǎn)的不穩(wěn)定性，導(dǎo)致初始種子點(diǎn)并不一定準(zhǔn)確位于道路中心線上，故需要對(duì)其進(jìn)行位置校正。其校正是以初始種子點(diǎn)為中心建立一個(gè)7×7的校正窗口，在該窗口內(nèi)沿垂直道路前進(jìn)方向搜索中心線，搜索到中心線后，將初始種子點(diǎn)校正到該中心線上，校正公式如下 X0＝X-ΔX；Y0＝Y(jié)-ΔY；(1) 其中，X是初始種子點(diǎn)的行坐標(biāo)值，ΔX是行坐標(biāo)的校正誤差，X0是校正后的行坐標(biāo)值；Y是初始種子點(diǎn)的列坐標(biāo)值，ΔY是列坐標(biāo)的校正誤差，Y0是校正后的行坐標(biāo)值。
若窗口內(nèi)搜索不到中心線，則不再校正初始種子點(diǎn)。
步驟3，在初始種子點(diǎn)處建立模板窗。
首先在平面坐標(biāo)系的原點(diǎn)建立大小為length*width的水平基準(zhǔn)窗，length和width為設(shè)定值，然后將該基準(zhǔn)窗旋轉(zhuǎn)至與道路角度平行方向，并平移到初始種子點(diǎn)處形成初始模板窗，旋轉(zhuǎn)平移公式按以下計(jì)算
其中，xmid是校正后初始種子點(diǎn)的行坐標(biāo)，ymid是校正后初始種子點(diǎn)的列坐標(biāo)，xorig是原點(diǎn)處基準(zhǔn)窗的行坐標(biāo)，yorig是原點(diǎn)處基準(zhǔn)窗的列坐標(biāo)，xtemp平移后模板窗的行坐標(biāo)，ytemp是平移后模板窗的列坐標(biāo)，θ是道路的角度方向。
如果平移后初始模板窗超越了原圖像邊界，要對(duì)超出邊界部分進(jìn)行對(duì)稱延拓，也就是以窗口邊界為對(duì)稱軸，將模板窗內(nèi)對(duì)應(yīng)像素映射到超出邊界部分。
步驟4，建立權(quán)值矩陣W并初始化。
權(quán)值矩陣的設(shè)置是為了在匹配計(jì)算時(shí)，能夠更加突出道路的線性特征。該矩陣與初始模板窗大小相同，方向一致，權(quán)值設(shè)置與窗口內(nèi)道路線性特征相對(duì)應(yīng)，中心行元素值為1，并向兩邊逐漸減小至0，例如7*5的水平權(quán)值矩陣初始化形式如下
步驟5，對(duì)模板窗內(nèi)圖像進(jìn)行預(yù)處理。
為了將模板窗內(nèi)圖像的線性道路特征加強(qiáng)，便于匹配時(shí)獲得更多的有效信息，需要對(duì)圖像進(jìn)行預(yù)處理，包括灰度對(duì)比度增強(qiáng)和使用迭代閾值法進(jìn)行二值化分割，其中，二值化分割的分割閾值T通過數(shù)字圖像處理中常用的迭代閾值方法求得，預(yù)處理后，得到初始的道路中心線分割結(jié)果，如圖4所示，其中圖4(a)是模板窗內(nèi)原圖像，圖4(b)是預(yù)處理后的分割結(jié)果。
步驟6，建立目標(biāo)窗，并判斷目標(biāo)窗內(nèi)是否存在車輛。
如圖3所示，沿道路前進(jìn)方向按設(shè)定步長(zhǎng)step平移模板窗，形成N個(gè)待定目標(biāo)窗，N與設(shè)定的步長(zhǎng)step有關(guān)，若step為偶數(shù)，則N＝step+1；若step為奇數(shù)，則N＝step+2。模板窗平移時(shí)，分以下三種情況 情況1當(dāng)?shù)缆方嵌确较虻恼抑祍inθ＜0.5，沿x方向進(jìn)行模板窗的水平左右平移； 情況2當(dāng)?shù)缆方嵌确较虻恼抑?.5≤sinθ≤0.866，沿x方向和y方向分別同時(shí)平移模板窗，平移距離值大小相同，符號(hào)相反； 情況3當(dāng)?shù)缆方嵌确较虻恼抑祍inθ＞0.866，沿y方向進(jìn)行模板窗的上下垂直平移。
根據(jù)待檢測(cè)圖像特征可知，判斷每一目標(biāo)窗內(nèi)圖像是否存在車輛，即判斷是否有灰度值大于250的像素，若存在，則判定為車輛，并將車輛像素處的8鄰域或4鄰域像素的灰度值設(shè)置為分割閾值T，若不存在，則不作處理。
步驟7，尋找與模板窗匹配的目標(biāo)窗。
(7a)對(duì)目標(biāo)窗內(nèi)圖像按步驟5所述方法進(jìn)行預(yù)處理，得到圖5，其中圖5(a)是目標(biāo)窗內(nèi)原圖像，圖5(a)是目標(biāo)窗預(yù)處理后的分割結(jié)果； (7b)計(jì)算差值序列Absdev 將各目標(biāo)窗、模板窗乘以權(quán)值矩陣W，計(jì)算加權(quán)后的各目標(biāo)窗與模板窗的絕對(duì)差值，得到差值序列Absdev；對(duì)于大小為length*width的第n個(gè)目標(biāo)窗，計(jì)算其與模板窗絕對(duì)差值的公式，如下所示 其中，hb(i，j)表示模板窗二值化后的第i行，第j列元素，gb(i，j，n)表示第n個(gè)目標(biāo)窗二值化后的第i行、第j列元素，W(i，j)表示與窗內(nèi)第i行、第j列元素對(duì)應(yīng)的權(quán)值大??； (7c)尋找與模板窗最匹配的目標(biāo)窗，并將該目標(biāo)窗中心作為下一道路中心點(diǎn) 設(shè)定兩個(gè)比較閾值T1、T2，對(duì)序列Absdev由小到大排序，判斷最小差值是否小于T1；若滿足條件，計(jì)算該最小差值所對(duì)應(yīng)的目標(biāo)窗中心點(diǎn)及8鄰域灰度均值與模板窗中心點(diǎn)及8鄰域灰度均值的差，判斷該均值差是否小于T2，若是，則該目標(biāo)窗與模板窗匹配，所對(duì)應(yīng)目標(biāo)窗的中心為下一個(gè)道路中心點(diǎn)，返回步驟3)；若否，則對(duì)次小差值重復(fù)前述判斷過程，對(duì)滿足閾值條件的，將該差值所對(duì)應(yīng)目標(biāo)窗中心作為下一個(gè)道路中心點(diǎn)，返回步驟3)，計(jì)算該最小差值所對(duì)應(yīng)的目標(biāo)窗中心點(diǎn)及8鄰域灰度均值與模板窗中心點(diǎn)及8鄰域灰度均值的差時(shí)，計(jì)算公式如下 其中，Imean(n)表示第n個(gè)目標(biāo)窗中心點(diǎn)及8鄰域灰度均值與模板窗中心點(diǎn)及8鄰域灰度均值的差，Itarget(i，j，n)表示第n個(gè)目標(biāo)窗的第i行、第j列元素，Itemp(i，j)表示模板窗的第i行、第j列元素。
步驟8，修正模板窗角度，或增加搜索步長(zhǎng)，繼續(xù)尋找匹配目標(biāo)窗。
若排序后的序列Absdev的前三個(gè)差值均不滿足設(shè)定的兩個(gè)閾值條件，也就是找不到匹配目標(biāo)窗，則需要及時(shí)更新模板窗的角度信息，其更新方法是計(jì)算已搜索到的前5個(gè)中心點(diǎn)連線形成的角度，作為修正后的模板窗角度，再返回步驟3)繼續(xù)搜索下一個(gè)匹配目標(biāo)窗； 如果修正模板窗的角度后仍搜索不到匹配目標(biāo)窗，可能是由于道路中心線上有樹木、建筑物等形成的陰影遮蓋道路，造成中心線的小距離間斷，在此情況下，需要臨時(shí)增加搜索步長(zhǎng)，如圖6所示，按以下兩種規(guī)則之一將該步長(zhǎng)設(shè)置為新變量tempry 規(guī)則1搜索開始時(shí)，將tempry設(shè)為固定值，該固定值選擇范圍在8～20之間； 規(guī)則2搜索開始時(shí)，將tempry設(shè)為步長(zhǎng)step的固定倍，即 tempry＝(3～6)×step， 設(shè)置好tempry后，返回步驟6)繼續(xù)搜索下一個(gè)匹配目標(biāo)窗，如果經(jīng)過步長(zhǎng)增加仍然找不到匹配目標(biāo)窗，則終止循環(huán)，結(jié)束本次搜索過程。
步驟9，將搜索到的種子點(diǎn)行、列坐標(biāo)保存在矩陣中，并根據(jù)存儲(chǔ)的坐標(biāo)位置在原圖像上對(duì)中心線進(jìn)行標(biāo)識(shí)，得到本次中心線檢測(cè)結(jié)果圖7。
本發(fā)明的效果可以通過仿真實(shí)驗(yàn)具體說明 1.實(shí)驗(yàn)條件 實(shí)驗(yàn)所用微機(jī)CPU為Intel(R)Core(TM)2Duo 2.33GHz內(nèi)存1.99G，編程平臺(tái)matlab7.0.4，實(shí)驗(yàn)中采用數(shù)據(jù)是空間分辨率為0.61米-10米的全色波段光學(xué)遙感影像。
2.實(shí)驗(yàn)內(nèi)容 本實(shí)驗(yàn)分為交互式操作和模板匹配搜索兩步 首先采用交互式操作，在待檢測(cè)圖像上選取初始種子點(diǎn)和初始方向點(diǎn)，根據(jù)獲得的初始道路信息，對(duì)初始種子點(diǎn)進(jìn)行位置校正。
然后，在初始種子點(diǎn)處建立模板窗，并沿道路前進(jìn)方向建立多個(gè)目標(biāo)窗，尋找與模板窗最匹配的目標(biāo)窗的中心，確定為下一種子點(diǎn)，然后循環(huán)迭代搜索中心線上的所有種子點(diǎn)，得到較完整的道路中心線。由于采用半自動(dòng)檢測(cè)方式，在某些道路中心線處，可能由于陰影遮蓋的道路區(qū)域較大等原因使算法中斷，此時(shí)可加入人工干預(yù)，在中斷處人工連接兩端點(diǎn)。
由于道路的半自動(dòng)檢測(cè)算法的評(píng)價(jià)標(biāo)準(zhǔn)尚未統(tǒng)一完善，因此將檢測(cè)出來的道路中心線與原圖像疊加，通過視覺效果和時(shí)間代價(jià)來評(píng)價(jià)效果優(yōu)劣。
3.實(shí)驗(yàn)結(jié)果 圖2是輸入的原始待檢測(cè)圖像，圖4和圖5分別是模板窗和目標(biāo)窗預(yù)處理后的結(jié)果圖，圖7是最終的道路中心線提取結(jié)果，其中檢測(cè)到的道路中心線標(biāo)記為符號(hào)“+”；圖8是將檢測(cè)出的中心線在道路交叉口人工連接成道路網(wǎng)絡(luò)的示意圖，其中人工連接部分標(biāo)記為虛線。
從圖1可以看出，圖像中的道路背景較復(fù)雜，道路的寬窄不同，道路中心線特征雖明顯同時(shí)也較復(fù)雜多變。通過比較圖7和圖2可以看出，圖7中標(biāo)記為1和2的道路間斷處，通過搜索步長(zhǎng)的增加，可以越過并繼續(xù)搜索；標(biāo)記為3和4的道路段，雖然有較多車輛噪聲對(duì)提取過程干擾，通過車輛判斷的處理策略，也能將車輛噪聲的影響減小至忽略不計(jì)，最后成功檢測(cè)出中心線。圖8中將道路中心線與無中心線的交叉口路段，經(jīng)最后的人工斷點(diǎn)補(bǔ)充連接，形成完整的道路網(wǎng)絡(luò)。本實(shí)驗(yàn)中，各道路段的提取時(shí)間從0.2秒到7秒，經(jīng)不同操作者測(cè)驗(yàn)，檢測(cè)出整幅圖道路中心線的總時(shí)間均在22秒內(nèi)，速度快，可滿足應(yīng)用時(shí)的實(shí)時(shí)性要求。觀察實(shí)驗(yàn)結(jié)果可知，本發(fā)明檢測(cè)道路中心線定位準(zhǔn)確，檢測(cè)結(jié)果較完整。
權(quán)利要求
1.高分辨率城區(qū)遙感圖像道路中心線半自動(dòng)檢測(cè)方法，包括如下步驟
1)在待檢測(cè)圖像上選擇初始種子點(diǎn)和初始方向點(diǎn)，該初始種子點(diǎn)與方向點(diǎn)形成的角度即為道路前進(jìn)方向；
2)以初始種子點(diǎn)為中心建立7×7的校正窗口，在該窗口范圍內(nèi)沿垂直道路前進(jìn)方向搜索中心線像素，對(duì)初始種子點(diǎn)進(jìn)行位置微調(diào)校正，確保初始種子點(diǎn)的選擇準(zhǔn)確落在道路中心線上，若窗口內(nèi)搜索不到中心線像素，則不再校正初始種子點(diǎn)；
3)在平面坐標(biāo)系的原點(diǎn)建立基準(zhǔn)窗，并將該基準(zhǔn)窗旋轉(zhuǎn)平移到初始種子點(diǎn)處形成初始模板窗，如果平移后初始種子點(diǎn)處的模板窗超越了原圖像邊界，要對(duì)超出邊界部分進(jìn)行窗口的對(duì)稱延拓；
4)建立與初始模板窗同樣大小和方向的權(quán)值矩陣W，并對(duì)其進(jìn)行初始化；
5)對(duì)模板窗內(nèi)圖像塊進(jìn)行灰度值調(diào)整，增強(qiáng)圖像的灰度對(duì)比度，使道路特征更顯著；
6)利用迭代閾值方法對(duì)增強(qiáng)后的圖像塊求解分割閾值T，并利用該閾值對(duì)圖像進(jìn)行二值化分割，得到初始道路中心線分割結(jié)果7)沿道路前進(jìn)方向按設(shè)定步長(zhǎng)step平移模板窗，形成N個(gè)待定目標(biāo)窗，并判斷每一目標(biāo)窗內(nèi)圖像是否存在灰度值大于250的像素，若存在則判定為車輛，并將車輛像素處的8鄰域或4鄰域像素的灰度值設(shè)置為分割閾值T；
8)采用模板匹配準(zhǔn)則尋找與模板窗匹配的目標(biāo)窗，對(duì)道路中心線進(jìn)行跟蹤，并按以下步驟搜索計(jì)算道路的中心點(diǎn)位置
(8a)對(duì)目標(biāo)窗內(nèi)圖像塊的灰度值進(jìn)行調(diào)整，增強(qiáng)輸出圖像的灰度對(duì)比度，利用迭代閾值方法對(duì)增強(qiáng)后的圖像進(jìn)行二值化分割，得到初始道路中心線分割結(jié)果(8b)將各目標(biāo)窗、模板窗乘以權(quán)值矩陣W，分別計(jì)算加權(quán)后的各目標(biāo)窗與模板窗像素的絕對(duì)差值和，得到差值序列Absdev；
(8c)設(shè)定兩個(gè)比較閾值T1、T2，對(duì)差值序列Absdev由小到大排序，判斷最小差值是否小于T1，如果滿足條件，計(jì)算該最小差值所對(duì)應(yīng)的目標(biāo)窗中心點(diǎn)及8鄰域灰度均值與模板窗中心點(diǎn)及8鄰域灰度均值的差，判斷該均值差是否小于T2，若是，則該目標(biāo)窗與模板窗匹配，所對(duì)應(yīng)目標(biāo)窗的中心為下一個(gè)道路中心點(diǎn)，返回步驟3)；若否，則對(duì)次小差值重復(fù)前述判斷過程，對(duì)滿足閾值條件的，將該差值所對(duì)應(yīng)目標(biāo)窗的中心作為下一個(gè)道路中心點(diǎn)，返回步驟3)；
(8d)當(dāng)排序后的差值序列的前三個(gè)差值均不滿足閾值條件時(shí)，則利用已搜索得到的道路中心點(diǎn)信息修正道路角度方向，返回步驟3)繼續(xù)搜索下一個(gè)匹配目標(biāo)窗位置；如果修正道路方向后仍搜索不到匹配目標(biāo)窗，則臨時(shí)增加搜索的步長(zhǎng)，設(shè)置為新變量tempry，返回到步驟7)搜索下一個(gè)匹配目標(biāo)窗位置；如果經(jīng)過步長(zhǎng)增加仍然找不到匹配目標(biāo)窗時(shí)，則終止循環(huán)，結(jié)束本次搜索過程；
9)搜索結(jié)束后，將搜索到的每一個(gè)中心點(diǎn)的行坐標(biāo)和列坐標(biāo)存儲(chǔ)，并根據(jù)存儲(chǔ)的坐標(biāo)位置在原圖像上對(duì)中心線進(jìn)行標(biāo)識(shí)，得到本次中心線檢測(cè)結(jié)果。
2.根據(jù)權(quán)利要求1所述的高分辨率城區(qū)遙感圖像道路中心線半自動(dòng)檢測(cè)方法，其中步驟3)所述將基準(zhǔn)標(biāo)準(zhǔn)窗旋轉(zhuǎn)平移到初始種子點(diǎn)處，按如下公式旋轉(zhuǎn)平移
其中，xmid是初始種子點(diǎn)的行坐標(biāo)，ymid是初始種子點(diǎn)的列坐標(biāo)，xorig是基準(zhǔn)窗的行坐標(biāo)，yorig是基準(zhǔn)窗的列坐標(biāo)，xtemp平移后模板窗的行坐標(biāo)，ytemp是平移后模板窗的列坐標(biāo)，θ是道路的角度方向。
3.根據(jù)權(quán)利要求1所述的高分辨率城區(qū)遙感圖像道路中心線半自動(dòng)檢測(cè)方法，其中步驟7)所述沿道路前進(jìn)方向按設(shè)定步長(zhǎng)step平移模板窗，分以下三種情況平移
情況1當(dāng)?shù)缆方嵌确较虻恼抑祍inθ＜0.5，沿x方向進(jìn)行模板窗的水平左右平移；
情況2當(dāng)?shù)缆方嵌确较虻恼抑?.5≤sinθ≤0.866，沿x方向和y方向分別同時(shí)平移模板窗，平移距離值大小相同，符號(hào)相反；
情況當(dāng)?shù)缆方嵌确较虻恼抑祍inθ＞0.866，沿y方向進(jìn)行模板窗的上下垂直平移。
4.根據(jù)權(quán)利要求1所述的高分辨率城區(qū)遙感圖像道路中心線半自動(dòng)檢測(cè)方法，其中步驟(8b)所述將各目標(biāo)窗、模板窗乘以權(quán)值矩陣W，計(jì)算出加權(quán)后的各目標(biāo)窗與模板窗像素的絕對(duì)差值和，按如下公式計(jì)算
其中，Absdev(n)表示第n個(gè)目標(biāo)窗與模板窗像素的絕對(duì)差值和，hb(i，j)表示模板窗二值化分割后的第i行和第j列元素，gb(i，j，n)表示第n個(gè)目標(biāo)窗二值化分割后的第i行和第j列元素，W(i，j)表示與模板窗的第i行和第j列元素對(duì)應(yīng)的權(quán)值大小，width表示模板窗的寬度，length表示模板窗的長(zhǎng)度。
5.根據(jù)權(quán)利要求1所述的高分辨率城區(qū)遙感圖像道路中心線半自動(dòng)檢測(cè)方法，其中步驟8c)所述計(jì)算最小差值所對(duì)應(yīng)的目標(biāo)窗中心點(diǎn)及8鄰域灰度均值與模板窗中心點(diǎn)及8鄰域灰度均值的差，通過如下公式計(jì)算
其中，Itarget(i，j，n)表示第n個(gè)目標(biāo)窗的第i行和第j列元素，Itemp(i，j)表示模板窗的第i行和第j列元素。
6.根據(jù)權(quán)利要求1所述的高分辨率城區(qū)遙感圖像道路中心線半自動(dòng)檢測(cè)方法，其中步驟8d)所述的臨時(shí)增加搜索的步長(zhǎng)，設(shè)置為新變量tempry，是按以下兩種規(guī)則之一設(shè)置
規(guī)則1搜索開始時(shí)，tempry設(shè)為固定值，該固定值選擇范圍在8～20之間；
規(guī)則2搜索開始時(shí)，將tempry設(shè)為步長(zhǎng)step的固定倍，即
tempry＝(3～6)×step。
全文摘要
本發(fā)明公開了一種高分辨率遙感圖像中道路中心線的半自動(dòng)檢測(cè)方法，它涉及遙感圖像處理技術(shù)領(lǐng)域，主要解決現(xiàn)有技術(shù)對(duì)背景復(fù)雜、道路不明確的遙感圖像檢測(cè)精度不高、適用范圍窄的問題。其實(shí)現(xiàn)步驟為采用人機(jī)交互方式選取初始種子點(diǎn)和方向點(diǎn)后，在初始種子點(diǎn)建立模板窗，按設(shè)定步長(zhǎng)沿道路前進(jìn)方向?qū)ふ遗c模板窗最相似匹配的目標(biāo)窗，將其中心確定為下一種子點(diǎn)；循環(huán)迭代得到一系列道路中心點(diǎn)，并將其連接成線，得到最終的道路中心線檢測(cè)結(jié)果。本發(fā)明能夠處理道路背景復(fù)雜、存在中心線的遙感圖像，當(dāng)?shù)缆分行木€兩邊路況復(fù)雜、直接檢測(cè)道路變得困難時(shí)，通過檢測(cè)中心線，可對(duì)道路進(jìn)行準(zhǔn)確定位，用于對(duì)有中心線的道路的半自動(dòng)檢測(cè)。
文檔編號(hào)G06K9/46GK101770581SQ201010013569
公開日2010年7月7日 申請(qǐng)日期2010年1月8日 優(yōu)先權(quán)日2010年1月8日
發(fā)明者焦李成, 侯彪, 陳娟娟, 王爽, 劉芳, 馬文萍, 張向榮 申請(qǐng)人:西安電子科技大學(xué)