基于多級框架顯著性特征的遙感影像道路識別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明以遙感影像為研宄對象，公開了一種基于多級框架顯著性特征的遙感影像 道路識別方法，涉及圖像處理領(lǐng)域，具體涉及遙感處理識別領(lǐng)域。
【背景技術(shù)】
[0002] 近年來，隨著傳感器、遙感平臺、數(shù)據(jù)通訊等技術(shù)的飛速發(fā)展，遙感技術(shù)進入了一 個能夠動態(tài)、快速、準確、及時、并用多手段提供各種對地觀測數(shù)據(jù)的新階段，為人們獲取環(huán) 境信息、認識環(huán)境提供了一個重要途徑。
[0003] 遙感影像是從遠離地面的工作平臺上，通過傳感器對地球表面的電磁波信息進行 探測，然后再經(jīng)過信息傳輸、處理與分析，最終得到遙感影像。它具有很高的空間分辨力和 光譜分辨力，可以在幾百個甚至上千個連續(xù)光譜波段獲取地物目標影像。與此同時，隨著智 慧城市的提出，道路作為重要的人造地物是現(xiàn)代交通體系的主體，具有重要的地理、政治、 經(jīng)濟意義，道路也是地圖和地理信息系統(tǒng)中主要的記錄和標識對象。上世紀70年代中期， 由于數(shù)字化地理交通信息的需要，道路影像自動提取技術(shù)隨之出現(xiàn)并逐步發(fā)展。如今，多光 譜高分辨率的遙感衛(wèi)星、成像雷達、無人駕駛飛機的出現(xiàn)，使得對地觀測手段更加完備，地 理影像數(shù)據(jù)日益豐富。另一方面，地圖繪制、地理信息系統(tǒng)更新、城市觀測和規(guī)劃等諸多應(yīng) 用需求的出現(xiàn)和不斷增長，促使自動道路提取技術(shù)不斷發(fā)展。因此，遙感影像中的道路檢測 與識別成為遙感領(lǐng)域的研宄熱點之一。
[0004] 基于顯著性的遙感影像識別方法，依據(jù)影像內(nèi)容的顯著性建立適用于遙感影像的 顯著性模型，對其光譜特征及紋理、結(jié)構(gòu)等特征進行綜合分析，能夠在復(fù)雜的影像環(huán)境中快 速定位識別區(qū)域，在一定程度上消除了影像的冗余信息，突出了影像的主要內(nèi)容，降低了影 像處理分析的復(fù)雜度并減小語義鴻溝。能在沒有先驗信息的條件下檢測與周圍背景存在差 異的目標（如自然背景中的人造目標）。不需要背景或目標的先驗光譜信息，實用性較強， 為遙感影像目標識別、影像分類與檢索奠定基礎(chǔ)。為此，本發(fā)明將顯著性特征引入遙感影像 的道路識別中，提出了一種基于多級框架顯著性特征的遙感影像道路識別方法。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明與已有的遙感影像道路識別方法不同，針對遙感影像中道路區(qū)域顯著性特 征明顯的特點，對傳統(tǒng)的遙感影像識別技術(shù)進行改進，提出了多級框架顯著性特征的道路 識別方法。該發(fā)明改進傳統(tǒng)的顯著性特征，對遙感影像進行光譜差異和局部線性軌跡的多 級框架顯著性特征提取，再對所得到的道路網(wǎng)進行優(yōu)化：采用后處理技術(shù)去除道路網(wǎng)中的 孤立斑塊和噪聲，采用部分區(qū)域分割（Region Part Segmentation, RPS)方法消除非道路區(qū) 域，通過中軸變換（Medial Axis Transform, MAT)方法去除類似道路光譜特征的區(qū)域，例如 停車場、大型建筑的屋頂。最后采用基于領(lǐng)域覆蓋方法的增量學(xué)習(xí)對道路網(wǎng)進行訓(xùn)練，實現(xiàn) 遙感影像的道路識別。主要過程如附圖1所示，可分為以下幾個步驟：基于多級框架顯著性 特征的道路網(wǎng)絡(luò)提取、基于多級框架顯著性特征的道路網(wǎng)絡(luò)優(yōu)化和基于增量學(xué)習(xí)的道路種 類識別。
[0006] 步驟1 :多級框架顯著性特征的提取
[0007] 步驟I. 1 :基于主導(dǎo)奇異度量方法的局部線性顯著性特征提取
[0008] 采用梯度矩陣奇異值分解（Singular Value Decomposition, SVD)的方法計算像 素點的主導(dǎo)方向算子，然后設(shè)置主導(dǎo)方向閾值，去除不具有主導(dǎo)方向的背景區(qū)域，實現(xiàn)道路 邊緣像素的提??；
[0009] 步驟1. 1. 1 :梯度矩陣計算
[0010] 對于影像中的每個像素，首先計算該像素點周圍NXN大小窗口的梯度矢量，影像 f(x，y)中的點（xk，yk)的梯度通過下式計算：
[0011]
[0012] ?表示一維卷積；
[0013] 步驟I. 1. 2 :梯度矩陣的奇異值分解
[0014] 得到梯度矩陣以后，計算梯度矩陣SVD的協(xié)方差公式如下：
[0015]
[0016] 其中S1, s2, s3, S4為梯度矩陣的奇異值分量，s i為主方向奇異值；
[0017] 步驟I. 1. 3 :主導(dǎo)奇異算子的計算
[0018] 主導(dǎo)奇異算子（Dominant Singular Operator, DS0)用來計算主方向奇異值和奇 異值總和的比率，當(dāng)該比率接近1時說明該像素點的周圍區(qū)域為細長形狀；因此，DSO定義 如下：
[0019]
[0020] 由上式可以看出，當(dāng)所有的梯度分量具有相同方向時，只有一個奇異值是非零的， 即DSO的值為1 ;如果四個奇異值相等，則DSO的值為0.25,因此DSO值的范圍是[0.25, 1]; 本發(fā)明定義一個閾值，當(dāng)DSO的值小于該閾值時，說明對應(yīng)的影像塊是嘈雜的，沒有主導(dǎo)方 向，沒有體現(xiàn)出道路局部線性的特征，因此被視為背景區(qū)域即非道路區(qū)域；相反則被看作是 道路區(qū)域；
[0021] 步驟1. 2 :基于概率支持向量機的光譜差異顯著性特征提取
[0022] 首先將遙感影像進行分塊處理，然后提取圖像塊的光譜特征，并用特征向量表示， 最后通過概率支持向量機計算像素點的概率標簽；
[0023] 采用Tile分塊方式對遙感影像進行預(yù)處理，將遙感影像庫的目標影像從左至右、 從上至下分成規(guī)則、不重疊且大小相等的子圖像塊；
[0024] 提取圖像塊的光譜特征，選取訓(xùn)練樣本，訓(xùn)練集分成非道路子影像和道路子影像 塊，對于每一個子影像樣本，在紅、綠、藍三個波段內(nèi)提取它的直方圖作為特征矢量，包含 平均值、能量、標準差和熵，每個樣本用特征矢量表示，并計算分塊以后的遙感數(shù)據(jù)，再通過 SVM分類器訓(xùn)練這些樣本的特征矢量；
[0025] 通過概率支持向量機獲取識別樣本的概率P :
[0026]
[0027] 其中y是二分類標簽，fs是從SVM決策函數(shù)得到的標簽，參數(shù)A和B通過最大似然 估計訓(xùn)練集獲得，對于每一個影像塊，如果P值大于所規(guī)定的閾值α，那么認定該樣本為道 路區(qū)域，反之則認定為非道路區(qū)域；
[0028] 步驟1. 3 :基于贏者取全神經(jīng)網(wǎng)絡(luò)的多級框架顯著性特征融合
[0029] 首先將道路邊緣顯著圖記為S1，道路區(qū)域顯著圖記為Sg，對二者進行歸一化合并 即可得到總的顯著圖S，計算公式如下：
[0030]
[0031] 其中Ν(·)為歸一化因子，歸一化算子NC)是通過以下三個步驟進行計算：1)將 每一張?zhí)卣鲌D的灰度范圍歸一化至某個特定范圍[0，Μ]，以消除不同特征模式下的幅度差 異；2)找出每一張?zhí)卣鲌D的最大值M以及所有其他局部最大值的平均值m ; 3)將特征圖都 乘以(MiD2,通過使用N(.)算子進行歸一化，使得不同特征圖上的局部較大值得到增強， 而那些局部最大值不明顯的特征圖得到抑制，從而使得顯著的區(qū)域得到突出，而均勻的非 顯著區(qū)域被忽略；
[0032] 然后通過WTA神經(jīng)網(wǎng)絡(luò)計算每一個像素點的概率標簽，神經(jīng)元的概率標簽在每一 次迭代后采用"贏者取全"的方式進行更新，若該神經(jīng)元的第k類為優(yōu)勝者，則對第k類的 概率增加一個常數(shù)；反之則減少一個常數(shù)；
[0033]
[0034] WTA方法反復(fù)迭代地增加道路區(qū)域像素和刪除非道路區(qū)域像素，因此本質(zhì)上是一 個校正機制的融合過程，本發(fā)明方法需要道路邊緣和區(qū)域特征作為輸入，在融合之后給予 像素一個最終的標簽道路或非道路，這個標簽作為WTA神經(jīng)元的輸出，像素點屬于兩個類 的概率：道路k= 1，非道路k = 2,約束為P⑴+P⑵=1 ;比較兩個類的概率，像素點被確 定為道路或非道路，最終實現(xiàn)道路邊緣和道路區(qū)域融合；
[0035] 步驟2 :多級框架顯著性特征的優(yōu)化
[0036] 步驟2. 1 :道路網(wǎng)的后處理
[0037] 本發(fā)明采取連通區(qū)域標記的方法保留不相交的網(wǎng)絡(luò)線段，去除非道路區(qū)域；計算 每個連通區(qū)域的面積，刪除小于面積閾值的區(qū)域，同時計算每一個聯(lián)通區(qū)域的偏心距，刪除 小于偏心距閾值的區(qū)域，偏心距的計算公式如下：
[0038]
[0039]
[0040]
[0041]
[0042] 步驟2. 2 :基于部分區(qū)域分割方法的道路網(wǎng)優(yōu)化
[0043] 采取部分區(qū)域分割方法消除道路邊緣的非道路區(qū)域，步驟如下：
[0044] 步驟2. 2. 1 :對道路網(wǎng)絡(luò)的內(nèi)外輪廓線進行平滑處理；
[0045] 步驟2. 2. 2 :計算平滑輪廓的曲率；將一條曲線表示為參數(shù)形式，其中t表示路徑 長度，X和y是輪廓的坐標：
[0046] r(t) = (x(t), y(t))
[0047] 曲率被定義為斜率的變化率，通過以下公式計算：
[0048]
[0049] 步驟2. 2. 3 :確定局部極值，即局部曲率的導(dǎo)數(shù)為0的點；
[0050]
[0051] 步驟2. 2. 4:通過跟蹤區(qū)域的外/內(nèi)輪廓，將局部極值點作為凸/凹主導(dǎo)點 (Convex/Concave Dominant Points, (DPs)，其中外輪廓的凸主導(dǎo)點設(shè)為⑶Pex，內(nèi)輪廓的凹 主導(dǎo)點設(shè)為⑶Pc^;
[0052] 步驟2. 2. 5 :⑶Pc3沿其法線方向進行內(nèi)向運動，⑶Pjft其法線方向進行外向運動， 當(dāng)遇到同一個輪廓線內(nèi)另外一個移動的CDP時停止；
[0053] 1)追蹤所有凍結(jié)的⑶Ps的起點，并且連接相應(yīng)的⑶Ps，該部分