本發(fā)明涉及遙感應(yīng)用領(lǐng)域，特別涉及一種基于聯(lián)合濾波的遙感影像路網(wǎng)提取技術(shù)。
背景技術(shù)：
：遙感技術(shù)具有高效性、實(shí)時(shí)性以及信息多元化等特點(diǎn),其作為一種先進(jìn)的對(duì)地觀測(cè)方法在城市交通領(lǐng)域中發(fā)揮了重要的作用。在基于遙感技術(shù)的道路提取中，傳統(tǒng)道路提取算法主要依賴于道路的幾何地理特征，利用道路區(qū)域的識(shí)別規(guī)則對(duì)道路進(jìn)行提取。近年來，道路提取相關(guān)領(lǐng)域傾向于建立復(fù)雜的系統(tǒng)用以提取道路信息，其中多類方法采用了相關(guān)濾波技術(shù)。傳統(tǒng)道路提取濾波方法如高斯濾波，中值濾波等，均對(duì)整幅衛(wèi)星遙感圖像進(jìn)行程度一致的濾波。此類方法對(duì)于復(fù)雜的遙感影像，難以在平滑非道路信息的同時(shí)保留道路特征。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的不足，提供一種基于聯(lián)合濾波的遙感影像路網(wǎng)提取技術(shù)。為實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：基于聯(lián)合濾波的遙感影像路網(wǎng)提取技術(shù)，包括以下步驟：S1、輸入源圖像，計(jì)算源圖像的道路顯著結(jié)構(gòu)度量模型Mp，所述顯著結(jié)構(gòu)度量模型Mp具有如下形式，Mp＝Ap·Dp·Lp式中，函數(shù)Ap、Dp以及Lp是像素點(diǎn)p顯著結(jié)構(gòu)的各向異性、非周期性以及局部方向性的度量；S2、基于道路顯著結(jié)構(gòu)度量模型引導(dǎo)，結(jié)合線積分卷積相關(guān)原理，建立新的自適應(yīng)平滑積分模型，對(duì)非道路結(jié)構(gòu)的特征和潛在道路結(jié)構(gòu)特征進(jìn)行自適應(yīng)的平滑濾波；S3、根據(jù)所得平滑后圖像，結(jié)合極大值極小值濾波方法，以道路結(jié)構(gòu)模型為導(dǎo)向，建立一種改進(jìn)的沖擊濾波模型，實(shí)現(xiàn)對(duì)顯著道路結(jié)構(gòu)的增強(qiáng)。進(jìn)一步地，步驟S1的計(jì)算具體如下：S11、各向異性度量Ap通過下式計(jì)算Ap=λ1,p-λ2,pλ1,p+λ2,p]]>式中λ1,p以及λ2,p分別為像素點(diǎn)p處結(jié)構(gòu)張量矩陣Sp的特征值，以較大的特征值λ1,p為主特征值，較小的特征值λ2,p為副特征值；像素點(diǎn)p處的結(jié)構(gòu)張量通過下式計(jì)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為p的一個(gè)鄰域N(p)內(nèi)的一個(gè)像素，〈·,·〉表示內(nèi)積運(yùn)算；Iq為像素點(diǎn)q的強(qiáng)度值，及為像素點(diǎn)q在x和y方向的偏導(dǎo)數(shù)；S12、局部方向性的度量Dp通過下式計(jì)算Dp=Σq∈N(p)Aq·<ϵ→p,ϵ→q>Σq∈N(p)Aq]]>式中分別為像素點(diǎn)p和q的結(jié)構(gòu)張量矩陣對(duì)應(yīng)的副特征向量，N(p)為像素點(diǎn)p所在的鄰域，Aq為像素點(diǎn)q點(diǎn)的顯著性度量值；S13、非周期性度量Lp通過下式計(jì)算Lp=|Σq∈N(p)wp,q·▿xIq|+|Σq∈N(p)wp,q·▿yIq|]]>式中wp,q為權(quán)值，通過下式計(jì)算wp,q=exp(-||xp-xq||+||yp-yq||2σ2)]]>式中(xp,yp)為像素點(diǎn)p的坐標(biāo)；(xq,yq)為像素點(diǎn)q的坐標(biāo)；σ為高斯函數(shù)中的標(biāo)準(zhǔn)差。更進(jìn)一步地，所述鄰域N(p)為邊長(zhǎng)為5像素的正方形區(qū)域。進(jìn)一步地，步驟S2具體包括以下步驟：S21、計(jì)算平滑程度控制函數(shù)g(σd,M)，式中，σd為該高斯核函數(shù)的寬度參數(shù)，Mp和Mq代表中心像素點(diǎn)p和流線上像素點(diǎn)q處的道路顯著結(jié)構(gòu)導(dǎo)向模型的值；S22、結(jié)合導(dǎo)向?yàn)V波概念與線積分卷積思想，定義了一個(gè)自適應(yīng)平滑濾波函數(shù)I′p，Ip′=1K∫q∈N(p)wp,qg(σg,I)g(σd,M)·Iqdq]]>其中，為該函數(shù)的歸一化參數(shù)，Iq為像素點(diǎn)q的像素值，為傳統(tǒng)線積分卷積過程中采用的一維低通濾波器的高斯核函數(shù)，通過下式計(jì)算，wp,qg(σg,I)=exp(-|xp-xq|22σg2)]]>其中，xp和xq代表著中心像素點(diǎn)p與流線上像素點(diǎn)q的x坐標(biāo)值，σg是高斯核函數(shù)的寬度參數(shù)，控制該函數(shù)的徑向作用范圍。進(jìn)一步地，所述步驟S3具體包括以下步驟：S31、計(jì)算控制沖擊濾波增強(qiáng)函數(shù)T(x)，T(x)=(1+tanh(λ(x-0.5)))2]]>其中x為制沖擊濾波增強(qiáng)函數(shù)輸入值，tanh(λ(x-0.5))為雙曲正切函數(shù)；λ為控制增強(qiáng)程度的因子，越大的值對(duì)應(yīng)越銳利的邊緣；S32、建立各向異性沖擊濾波增強(qiáng)函數(shù)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為像素點(diǎn)p對(duì)應(yīng)膨脹、腐蝕的值，函數(shù)由步驟S31的公式計(jì)算，sign(vηη)為邊緣檢測(cè)算子的符號(hào)函數(shù)，邊緣檢測(cè)算子vηη通過下式計(jì)算，vηη＝c2Ixx+2csIxy+s2Iyy這里c和s為圖像中結(jié)構(gòu)張量場(chǎng)對(duì)應(yīng)主特征向量的兩個(gè)分量；Ixx為圖像沿x方向的二階偏導(dǎo)數(shù)；Iyy為圖像在y方向上的二階偏導(dǎo)數(shù)；Ixy為圖像在x方向和y方向上各計(jì)算一次一階偏導(dǎo)數(shù)的結(jié)果。更進(jìn)一步地，步驟S32建立各向異性沖擊濾波增強(qiáng)函數(shù)Ip的主要目的使得視覺顯著的結(jié)構(gòu)得到更強(qiáng)程度的增強(qiáng)，而對(duì)其它區(qū)域按照傳統(tǒng)方式計(jì)算，具體來說，對(duì)位于高顯著性區(qū)域的像素，Mp→1，此時(shí)各向異性沖擊濾波增強(qiáng)函數(shù)Ip變?yōu)椋合喾吹模瑢?duì)位于低顯著性區(qū)域的像素，Mp→0，此時(shí)各向異性沖擊濾波增強(qiáng)函數(shù)Ip變?yōu)镮q＝(D(I)q+E(I)q)/2，增強(qiáng)效果減弱。采用上述技術(shù)方案后，本發(fā)明與
背景技術(shù)：
相比，具有如下優(yōu)點(diǎn)：以顯著道路結(jié)構(gòu)度量模型為指導(dǎo)，提出了一種自適應(yīng)的結(jié)構(gòu)導(dǎo)向平滑濾波算法；進(jìn)而以結(jié)構(gòu)度量模型為指導(dǎo)，結(jié)合極大值與極小值濾波，定義了一個(gè)控制沖擊濾波增強(qiáng)程度的函數(shù)，該函數(shù)在不同區(qū)域產(chǎn)生的沖擊增強(qiáng)強(qiáng)度不同，從而實(shí)現(xiàn)自適應(yīng)的沖擊濾波增強(qiáng)，在平滑非道路結(jié)構(gòu)區(qū)域的同時(shí)保留顯著道路結(jié)構(gòu)，實(shí)現(xiàn)道路提取過程中遙感影像的預(yù)處理。附圖說明圖1為本發(fā)明流程圖；圖2為本發(fā)明的結(jié)構(gòu)模型度量效果圖，其中圖2a是輸入源圖像，圖2b是結(jié)構(gòu)模型度量結(jié)果；圖3為本發(fā)明的自適應(yīng)平滑效果圖，其中圖3a是輸入源圖像，圖3b是自適應(yīng)平滑結(jié)果；圖4為本發(fā)明所得聯(lián)合濾波結(jié)果與采用協(xié)方差矩陣度量方法結(jié)果在效果上的對(duì)比，其中圖(a)是輸入源圖像，圖(b)是karacan算法的濾波效果，圖(c)是本發(fā)明方法所得濾波結(jié)果；圖5為本發(fā)明所得聯(lián)合濾波結(jié)果應(yīng)用在相關(guān)道路提取算法中的檢測(cè)效果對(duì)比圖，其中圖5(a)，(c)，(e)是未應(yīng)用本發(fā)明濾波方法的檢測(cè)結(jié)果，圖5(b)，(d)，(f)是在相同基礎(chǔ)上應(yīng)用本發(fā)明進(jìn)行濾波后的檢測(cè)結(jié)果。具體實(shí)施方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。實(shí)施例在認(rèn)知心理學(xué)中人類視覺認(rèn)知規(guī)律可以從以下幾個(gè)信息中來判斷和支持：各向異性，視覺顯著的結(jié)構(gòu)在圖像中的強(qiáng)度變化會(huì)形成主要的方向，并不是在每個(gè)方向上均等變化的；非周期性，局部區(qū)域的紋理細(xì)節(jié)會(huì)周期性地出現(xiàn)不同，人類對(duì)周期性紋理細(xì)節(jié)認(rèn)知容易被抑制而更關(guān)注非周期性出現(xiàn)的細(xì)節(jié)特征；局部方向性，在局部區(qū)域內(nèi)，顯著的視覺結(jié)構(gòu)所具有的強(qiáng)度變化通常有一致的方向性，而一些紋理細(xì)節(jié)信息卻不具備這樣的性質(zhì)。如圖1所示的是本發(fā)明的流程圖，主要包括以下三個(gè)步驟：S1、輸入源圖像，計(jì)算源圖像的道路顯著結(jié)構(gòu)度量模型Mp，所述顯著結(jié)構(gòu)度量模型Mp具有如下形式，Mp＝Ap·Dp·Lp式中，函數(shù)Ap、Dp以及Lp是像素點(diǎn)p顯著結(jié)構(gòu)的各向異性、非周期性以及局部方向性的度量；S2、基于道路顯著結(jié)構(gòu)度量模型引導(dǎo)，結(jié)合線積分卷積相關(guān)原理，建立新的自適應(yīng)平滑積分模型，對(duì)非道路結(jié)構(gòu)的特征和潛在道路結(jié)構(gòu)特征進(jìn)行自適應(yīng)的平滑濾波；S3、根據(jù)所得平滑后圖像，結(jié)合極大值極小值濾波方法，以道路結(jié)構(gòu)模型為導(dǎo)向，建立一種改進(jìn)的沖擊濾波模型，實(shí)現(xiàn)對(duì)顯著道路結(jié)構(gòu)的增強(qiáng)。其中，步驟S1具體包括以下步驟：S11、各向異性度量Ap通過下式計(jì)算Ap=λ1,p-λ2,pλ1,p+λ2,p]]>式中λ1,p以及λ2,p分別為像素點(diǎn)p處結(jié)構(gòu)張量矩陣Sp的兩個(gè)特征值，結(jié)構(gòu)張量矩陣Sp為半正定矩陣，這里記較大的特征值λ1,p為主特征值，較小的特征值λ2,p為副特征值；可以看出Ap的值域?yàn)閇0,1]，其值越大意味著該像素點(diǎn)處的各向異性程度越高。像素點(diǎn)p處的結(jié)構(gòu)張量通過下式計(jì)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為p的一個(gè)鄰域N(p)內(nèi)的一個(gè)像素，本實(shí)施例中N(p)為邊長(zhǎng)為5像素的正方形區(qū)域；以·表示〈〉中的元素，則〈·,·〉表示內(nèi)積運(yùn)算；Iq為像素點(diǎn)q的強(qiáng)度值；及為像素點(diǎn)q在x和y方向的偏導(dǎo)數(shù)。S12、局部方向性的度量Dp通過下式計(jì)算Dp=Σq∈N(p)Aq·<ϵ→p,ϵ→q>Σq∈N(p)Aq]]>式中分別為像素點(diǎn)p和q的結(jié)構(gòu)張量矩陣對(duì)應(yīng)的副特征向量，N(p)為像素點(diǎn)p所在的鄰域，Aq為像素點(diǎn)q點(diǎn)的顯著性度量值；向量?jī)?nèi)積的取值范圍為[0,1]，它的值會(huì)隨著兩個(gè)向量方向的逐漸靠攏而增加。也就是說，如果兩個(gè)向量的夾角趨近于0或π，那么它們的內(nèi)積趨近于1，反之，如果兩個(gè)向量的夾角趨近于π/2，那么內(nèi)積結(jié)果將趨近于0。S13、非周期性度量Lp通過下式計(jì)算Lp=|Σq∈N(p)wp,q·▿xIq|+|Σq∈N(p)wp,q·▿yIq|]]>式中wp,q為權(quán)值，通過下式計(jì)算wp,q=exp(-||xp-xq||+||yp-yq||2σ2)]]>式中(xp,yp)為像素點(diǎn)p的坐標(biāo)；(xq,yq)為像素點(diǎn)q的坐標(biāo)；σ為高斯函數(shù)中的標(biāo)準(zhǔn)差。圖2是一個(gè)效果圖。呈現(xiàn)了顯著道路結(jié)構(gòu)模型度量結(jié)果，其中圖2(a)是輸入源圖像，圖2(b)是結(jié)構(gòu)模型度量結(jié)果。在步驟S1獲得圖像顯著結(jié)構(gòu)度量的基礎(chǔ)上，進(jìn)行步驟S2，以實(shí)現(xiàn)對(duì)遙感圖像的自適應(yīng)平滑，具體包括：S21、計(jì)算平滑程度控制函數(shù)g(σd,M)，g(σd,M)為步驟S1獲得的道路顯著結(jié)構(gòu)模型Mp的相關(guān)函數(shù)，用以控制平滑的程度，式中，分別為像素點(diǎn)p和q的結(jié)構(gòu)張量矩陣對(duì)應(yīng)的副特征向量，σd為該高斯核函數(shù)的寬度參數(shù)，Mp和Mq代表中心像素點(diǎn)p和流線上像素點(diǎn)q處的道路顯著結(jié)構(gòu)導(dǎo)向模型的值，代表像素點(diǎn)p,q屬于道路顯著結(jié)構(gòu)的置信度，即像素點(diǎn)屬于道路結(jié)構(gòu)區(qū)域的概率值。S22、結(jié)合導(dǎo)向?yàn)V波概念與線積分卷積思想，定義了一個(gè)自適應(yīng)平滑濾波函數(shù)I′p，Ip′=1K∫q∈N(p)wp,qg(σg,I)g(σd,M)·Iqdq]]>其中，為該函數(shù)的歸一化參數(shù)，Iq為像素點(diǎn)q的像素值，為傳統(tǒng)線積分卷積過程中采用的一維低通濾波器的高斯核函數(shù)，通過下式計(jì)算，wp,qg(σg,I)=exp(-|xp-xq|22σg2)]]>其中，高斯核函數(shù)以像素點(diǎn)間的空間距離作為加權(quán)，即在N(p)鄰域中，離中心像素點(diǎn)p越近的像素點(diǎn)權(quán)值越大，用于保留類路網(wǎng)結(jié)構(gòu)的流線區(qū)域。xp和xq代表著中心像素點(diǎn)p與流線上像素點(diǎn)q的x坐標(biāo)值，σg是高斯核函數(shù)的寬度參數(shù)，控制該函數(shù)的徑向作用范圍。圖3是一個(gè)效果圖，呈現(xiàn)了本發(fā)明所得自適應(yīng)平滑結(jié)果。其中圖3(a)是輸入源圖像，圖3(b)是自適應(yīng)平滑結(jié)果。在步驟S2獲得自適應(yīng)平滑濾波的基礎(chǔ)上，對(duì)平滑后的遙感影像進(jìn)行各向異性沖擊濾波增強(qiáng)，具體包括以下步驟：S31、計(jì)算控制沖擊濾波增強(qiáng)函數(shù)T(x)，T(x)=(1+tanh(λ(x-0.5)))2]]>其中x為制沖擊濾波增強(qiáng)函數(shù)輸入值，tanh(λ(x-0.5))為雙曲正切函數(shù)；λ為控制增強(qiáng)程度的因子，越大的值對(duì)應(yīng)越銳利的邊緣；S32、建立各向異性沖擊濾波增強(qiáng)函數(shù)Ip，Ip=T(1-Mp·sign(vηη)2)D(I)p+(1-T(1-Mp·sign(vηη)2))E(I)p]]>其中，Mp和Mq代表中心像素點(diǎn)p和流線上像素點(diǎn)q處的道路顯著結(jié)構(gòu)導(dǎo)向模型，D(I)p，E(I)p為像素點(diǎn)p對(duì)應(yīng)膨脹、腐蝕的值，函數(shù)由步驟S31的公式計(jì)算，sign(vηη)為邊緣檢測(cè)算子的符號(hào)函數(shù)，邊緣檢測(cè)算子vηη通過下式計(jì)算，vηη＝c2Ixx+2csIxy+s2Iyy這里c和s為圖像中結(jié)構(gòu)張量場(chǎng)對(duì)應(yīng)主特征向量的兩個(gè)分量；Ixx為圖像沿x方向的二階偏導(dǎo)數(shù)；Iyy為圖像在y方向上的二階偏導(dǎo)數(shù)；Ixy為圖像在x方向和y方向上各計(jì)算一次一階偏導(dǎo)數(shù)的結(jié)果。采用各向異性沖擊濾波增強(qiáng)函數(shù)Ip進(jìn)行沖擊濾波增強(qiáng)的主要目的在于使視覺顯著的結(jié)構(gòu)得到更強(qiáng)程度的增強(qiáng)，而對(duì)其它區(qū)域按照傳統(tǒng)方式計(jì)算，具體來說，對(duì)位于高顯著性區(qū)域的像素，Mp→1，此時(shí)各向異性沖擊濾波增強(qiáng)函數(shù)Ip變?yōu)椋合喾吹?，?duì)位于低顯著性區(qū)域的像素，Mp→0，此時(shí)各向異性沖擊濾波增強(qiáng)函數(shù)Ip變?yōu)镮q＝(D(I)q+E(I)q)/2，增強(qiáng)效果減弱。圖4是一個(gè)效果圖，呈現(xiàn)了本發(fā)明所得聯(lián)合濾波結(jié)果與采用協(xié)方差矩陣度量方法([1]L.Karacan,E.Erdem,A.Erdem.Structure-preservingimagesmoothingviaregioncovariances[J].ACMTransactionsonGraphics(TOG),2013,32(6):176.)的結(jié)果在效果上的對(duì)比，其中圖(a)是輸入源圖像，圖(b)是采用協(xié)方差矩陣度量方法的濾波效果，圖(c)是本發(fā)明方法所得濾波結(jié)果。圖5是一個(gè)效果圖，呈現(xiàn)了本發(fā)明所得聯(lián)合濾波結(jié)果應(yīng)用在相關(guān)道路提取算法中的檢測(cè)效果。相關(guān)道路提取算法的文獻(xiàn)如下：[1]C.B.Sirmacek.Roadnetworkdetectionusingprobabilisticandgraphtheoreticalmethods[J].IEEETransactionsonGeoscienceandRemoteSensing,2012,50(11):4441–4453.[2]W.Shi,Z.Miao,J.Debayle.Anintegratedmethodforurbanmain-roadcenterlineextractionfromopticalremotelysensedimagery[J].IEEETransactionsonGeoscienceandRemoteSensing,2014,52(6):3359–3372.[3]Y.Zang,C.Wang,L.Cao,Y.Yu,J.Li.RoadNetworkExtractionviaAperiodicDirectionalStructureMeasurement[J].IEEETransactionsonGeoscienceandRemoteSensing,2016:1-14.其中圖5(a)，(c)，(e)是分別為文獻(xiàn)[1]，[2]，[3]所述方法的檢測(cè)結(jié)果，圖5(b)，(d)，(f)是結(jié)合本發(fā)明濾波方法后文獻(xiàn)[1]，[2]，[3]的檢測(cè)結(jié)果，其中黑色粗實(shí)線是表示正確檢測(cè)出的道路；灰色粗實(shí)線表示未能檢測(cè)出的道路；細(xì)實(shí)線表示錯(cuò)誤檢測(cè)到的道路。相應(yīng)定量結(jié)果如下表所示：如表中所示，“N”表示不使用本發(fā)明的濾波方法，“Y”表示使用本發(fā)明的濾波方法，“Completeness”,“Correctness”和“Quality”分別表示檢測(cè)率、正確率和檢測(cè)質(zhì)量。從表中可以看出，使用本發(fā)明提出的濾波方法后，三種路網(wǎng)檢測(cè)算法的性能表現(xiàn)得到了顯著的提升。以上，僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本
技術(shù)領(lǐng)域：
的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求的保護(hù)范圍為準(zhǔn)。當(dāng)前第1頁(yè)1 2 3