Nothing Special   »   [go: up one dir, main page]

CN113158726A - 一种基于遥感影像识别农村公路路面类型的方法 - Google Patents

一种基于遥感影像识别农村公路路面类型的方法 Download PDF

Info

Publication number
CN113158726A
CN113158726A CN202011604455.6A CN202011604455A CN113158726A CN 113158726 A CN113158726 A CN 113158726A CN 202011604455 A CN202011604455 A CN 202011604455A CN 113158726 A CN113158726 A CN 113158726A
Authority
CN
China
Prior art keywords
remote sensing
image
rural highway
identifying
rural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011604455.6A
Other languages
English (en)
Inventor
范文涛
刘柳杨
张晓征
马骁
崔应寿
张龙
周舟
田亮
杨欢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Academy of Transportation Sciences
Original Assignee
China Academy of Transportation Sciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Academy of Transportation Sciences filed Critical China Academy of Transportation Sciences
Priority to CN202011604455.6A priority Critical patent/CN113158726A/zh
Publication of CN113158726A publication Critical patent/CN113158726A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/005—Tree description, e.g. octree, quadtree
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Graphics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Road Repair (AREA)

Abstract

本发明公开了一种基于遥感影像识别农村公路路面类型的方法，包括如下步骤：步骤1：算法架构；步骤2：识别农村公路路面类型架构。本发明针对遥感影像精度要求优于1米精度的影像数据；读取农村公路路线线形，与遥感影像在相同坐标系下叠加，获取农村公路路线在遥感影像的空间位置，再根据遥感影像上对农村公路路面类型进行特征识别，从而获取农村公路的路面类型。本算法采用四叉树加权算法方法对遥感影像上农村公路路面类型进行识别，能够有效地提升路面类型识别率，排除由于农村公路线形在采集过程中GPS精度误差造成与遥感影像局部线形无法拟合的影响，同时消除遥感影像上建筑物或其他树木造成局部阴影对农村公路路面遮挡的影响。

Description

一种基于遥感影像识别农村公路路面类型的方法
技术领域
本发明涉及农村公路管理领域，名称为：一种基于遥感影像识别农村公路路面类型的方法。
背景技术
目前，遥感影像、GIS和GPS等技术已在交通行业内广泛使用，提高了农村公路精细化管理。为准确掌握农村公路的发展情况、建设需求和建设进程，交通运输部于2005年组织开展了全国农村公路通达情况专项调查工作，使用GPS技术手段分别获取了全国范围内所有农村公路的地理信息数据和属性数据。在行业内使用农村公路数据时，发现有些地方农村公路路面类型与实际存在不一致情况，为提高基础数据的准确性提出一种基于遥感影像识别农村公路路面类型来自动识别农村公路路面类型，解决行业内数据更新不及时和不准确的问题。
发明内容
为解决现有技术存在的缺陷，本发明提供一种基于四叉树搜索方式的遥感影像农村公路路面类型识别方法。
为了解决上述技术问题，本发明提供了如下的技术方案：
本发明一种基于遥感影像识别农村公路路面类型，包括如下步骤：
步骤1：算法架构；
步骤2：识别农村公路路面类型架构；
作为本发明的一种优选技术方案，所述算法架构包括如下步骤：
步骤101：算法采用四叉树加权方法构建农村公路缓冲面状要素在影像上的每个像素点的路面类型；
步骤102：设输入图像像素点fi,经过四叉树加权方法识别并提取路网后的输出图像为fo，则有fo＝FN1(fi)，其中FN1为四叉树加权方法构成的处理架构，另有No＝FN1(fi)，其中No为路面类型特征值；
步骤103：在对每个区域内识别农村公路路面时使用四叉树加权方法遍历。
作为本发明的一种优选技术方案，所述识别农村公路路面类型架构包括如下步骤：
步骤201：遍历循环读取每条农村公路的矢量缓冲面状区域Li；
步骤202：获取农村公路面状区域Li最小外接矩形Qi；
步骤203：以该矩形Qi裁剪需提取路网的遥感影像，保留矩形区域内影像，如果Qi区域不在一幅遥感影像内时需寻找到所涉及到的所有遥感影像Ii；
步骤204：将影像Ii拼接一起后以320×320像素分成n幅固定格式尺寸的影像，依次输入算法构成的四叉树加权方法内，获得n个二维矩阵的输出图像fo(n)和路面类型No特征值；
步骤205：将fo(n)按分幅顺序拼接，运用GIS的栅格像素转换成矢量算法，从而对影像上路面转换为同一坐标系上影像的矢量多边形和多边形内所有像素点影像的路面类型加权特征值No；
步骤206：计算路线Li内像素点的路面类型No特征值的平均值；
步骤207：根据路线Li内路面类型No特征值的平均值拟合农村公路路面类型。
所述遥感影像识别是将农村公路面状图形的最小外接矩形遥感影像切割成固定大小的图片，再以四叉树方式对所有影像文件和文件内的像素点进行搜索，使用神经网络识别模块对影像文件进行识别，再分隔形成农村公路在影像上的栅格数据，再使用GIS工具对栅格数据转换形成矢量数据，再将矢量数据形成闭合的多边形矢量数据，再对多边形矢量数据内的农村公路路面类型特征值进行求合取平均值，再根据多边形矢量的路面类型平均特征值去拟合农村公路路面类型。
本发明的有益效果是：该种基于遥感影像识别农村公路路面类型的方法,这种方法使用了一种基于四叉树加权算法，能够有效地提升从遥感影像上识别农村公路路面类型的精度，消除由于农村公路线形精度不高带来识别农村公路路面类型的精度，同时消除遥感影像上建筑物或其他树木造成局部阴影对农村公路路面遮挡的影响，提升识别农村公路路面类型的精度。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于遥感影像识别农村公路路面类型示意图；
图2是本发明一种基于遥感影像识别农村公路路面类型流程图；
图3是本发明一种基于遥感影像识别农村公路路面类型的步骤示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例：如图1、图2和图3所示，本发明一种基于遥感影像识别农村公路路面类型，包括如下步骤：
步骤1：算法架构；
步骤2：识别农村公路路面类型架构；
作为本发明的一种优选技术方案，所述算法架构包括如下步骤：
步骤101：算法采用四叉树加权方法构建农村公路缓冲面状要素在影像上的每个像素点的路面类型；
步骤102：设输入图像像素点fi,经过四叉树加权方法识别并提取路网后的输出图像为fo，则有
Figure BDA0002871585640000041
其中
Figure BDA0002871585640000042
为四叉树加权方法构成的处理架构，另有
Figure BDA0002871585640000043
其中No为路面类型特征值；
步骤103：在对每个区域内识别农村公路路面时使用四叉树加权方法遍历。
作为本发明的一种优选技术方案，所述识别农村公路路面类型架构包括如下步骤：
步骤201：遍历循环读取每条农村公路的矢量缓冲面状区域Li；
步骤202：获取农村公路面状区域Li最小外接矩形Qi；
步骤203：以该矩形Qi裁剪需提取路网的遥感影像，保留矩形区域内影像，如果Qi区域不在一幅遥感影像内时需寻找到所涉及到的所有遥感影像Ii；
步骤204：将影像Ii拼接一起后以320×320像素分成n幅固定格式尺寸的影像，依次输入算法构成的四叉树加权方法内，获得n个二维矩阵的输出图像fo(n)和路面类型No特征值；
步骤205：将fo(n)按分幅顺序拼接，运用GIS的栅格像素转换成矢量算法，从而对影像上路面转换为同一坐标系上影像的矢量多边形和多边形内所有像素点影像的路面类型加权特征值No；
步骤206：计算路线Li内像素点的路面类型No特征值的平均值；
步骤207：根据路线Li内路面类型No特征值的平均值拟合农村公路路面类型。
本方法实现了农村公路路面类型与遥感影像对应位置的自动化识别与比对；本方法能有效消除路网提取过程中产生的大量小斑块，部分因树木或建筑遮蔽产生的路面短断开可被有效连接和识别。
本发明设计了基于四叉树的遥感影像农村公路路面类型自动识别的算法，以及基于该算法的农村公路与遥感影像路网提取及路面类型识别的软件流程。该算法能够有效提升识别精度，基于算法的对比流程能够大幅提升基于高分遥感影像的公路规划、建设及管理效率。
在本发明的描述中，需要说明的是，术语“竖直”、“上”、“下”、“水平”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于遥感影像识别农村公路路面类型的方法，其特征在于，包括如下步骤：
步骤1：算法架构；
步骤2：识别农村公路路面类型架构；
所述算法架构包括如下步骤：
步骤101：算法采用四叉树加权方法构建农村公路缓冲面状要素在影像上的每个像素点的路面类型；
步骤102：设输入图像像素点fi,经过四叉树加权方法识别并提取路网后的输出图像为fo，则有
Figure FDA0002871585630000011
其中
Figure FDA0002871585630000012
为四叉树加权方法构成的处理架构，另有
Figure FDA0002871585630000013
其中No为路面类型特征值；
步骤103：在对每个区域内识别农村公路路面时使用四叉树加权方法遍历。
2.根据权利要求1所述的一种基于遥感影像识别农村公路路面类型的方法，其特征在于，所述处理涉及后期路面类型分类分析。
3.根据权利要求1所述的一种基于遥感影像识别农村公路路面类型的方法，其特征在于,所述消除影像上脏斑点。
4.根据权利要求1所述的一种基于遥感影像识别农村公路路面类型的方法，其特征在于，所述识别农村公路路面类型架构包括如下步骤：
步骤201：遍历循环读取每条农村公路的矢量缓冲面状区域Li；
步骤202：获取农村公路面状区域Li最小外接矩形Qi；
步骤203：以该矩形Qi裁剪需提取路网的遥感影像，保留矩形区域内影像，如果Qi区域不在一幅遥感影像内时需寻找到所涉及到的所有遥感影像Ii；
步骤204：将影像Ii拼接一起后以320×320像素分成n幅固定格式尺寸的影像，依次输入算法构成的四叉树加权方法内，获得n个二维矩阵的输出图像fo(n)和路面类型No特征值；
步骤205：将fo(n)按分幅顺序拼接，运用GIS的栅格像素转换成矢量算法，从而对影像上路面转换为同一坐标系上影像的矢量多边形和多边形内所有像素点影像的路面类型加权特征值No；
步骤206：计算路线Li内像素点的路面类型No特征值的平均值；
步骤207：根据路线Li内路面类型No特征值的平均值拟合农村公路路面类型。
5.根据权利要求1所述的一种基于遥感影像识别农村公路路面类型，其特征在于，所述遥感影像识别是将农村公路面状图形的最小外接矩形遥感影像切割成固定大小的图片，再以四叉树方式对所有影像文件和文件内的像素点进行搜索，使用神经网络识别模块对影像文件进行识别，再分隔形成农村公路在影像上的栅格数据，再使用GIS工具对栅格数据转换形成矢量数据，再将矢量数据形成闭合的多边形矢量数据，再对多边形矢量数据内的农村公路路面类型特征值进行求合取平均值，再根据多边形矢量的路面类型平均特征值去拟合农村公路路面类型。
CN202011604455.6A 2020-12-30 2020-12-30 一种基于遥感影像识别农村公路路面类型的方法 Pending CN113158726A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011604455.6A CN113158726A (zh) 2020-12-30 2020-12-30 一种基于遥感影像识别农村公路路面类型的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011604455.6A CN113158726A (zh) 2020-12-30 2020-12-30 一种基于遥感影像识别农村公路路面类型的方法

Publications (1)

Publication Number Publication Date
CN113158726A true CN113158726A (zh) 2021-07-23

Family

ID=76878141

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011604455.6A Pending CN113158726A (zh) 2020-12-30 2020-12-30 一种基于遥感影像识别农村公路路面类型的方法

Country Status (1)

Country Link
CN (1) CN113158726A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106124454A (zh) * 2016-06-30 2016-11-16 中国交通通信信息中心 一种基于遥感影像的沥青路面老化状况监测方法
WO2019109262A1 (en) * 2017-12-06 2019-06-13 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for determining new roads on a map
CN110728752A (zh) * 2019-10-21 2020-01-24 西南交通大学 一种公路三维地形场景模型的构建方法
CN110929690A (zh) * 2019-12-10 2020-03-27 交通运输部科学研究院 一种基于深度神经网络的遥感影像路网提取方法
CN111241994A (zh) * 2020-01-09 2020-06-05 中国交通通信信息中心 一种深度学习的遥感影像农村公路砂化路段的提取方法
CN111539297A (zh) * 2020-04-20 2020-08-14 武汉中地数码科技有限公司 一种高分辨率遥感影像道路信息半自动提取方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106124454A (zh) * 2016-06-30 2016-11-16 中国交通通信信息中心 一种基于遥感影像的沥青路面老化状况监测方法
WO2019109262A1 (en) * 2017-12-06 2019-06-13 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for determining new roads on a map
CN110728752A (zh) * 2019-10-21 2020-01-24 西南交通大学 一种公路三维地形场景模型的构建方法
CN110929690A (zh) * 2019-12-10 2020-03-27 交通运输部科学研究院 一种基于深度神经网络的遥感影像路网提取方法
CN111241994A (zh) * 2020-01-09 2020-06-05 中国交通通信信息中心 一种深度学习的遥感影像农村公路砂化路段的提取方法
CN111539297A (zh) * 2020-04-20 2020-08-14 武汉中地数码科技有限公司 一种高分辨率遥感影像道路信息半自动提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
RENBAO LIAN: "road extraction methods in high-resolution remote sensingimages：A comprehensive review", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 *
邱一丹等: "山区高速公路边坡类型划分研究", 《交通节能与环保》 *
马骁等: "面向农村公路高分遥感影像道路提取的卷积神经网络架构", 《交通运输研究》 *

Similar Documents

Publication Publication Date Title
KR102125959B1 (ko) 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법 및 장치
CN110598784B (zh) 基于机器学习的建筑垃圾分类方法及装置
CN110929690B (zh) 一种基于深度神经网络的遥感影像路网提取方法
CN109271861B (zh) 多尺度融合的点云交通标识牌自动提取方法
Díaz-Vilariño et al. Semantic as-built 3d models including shades for the evaluation of solar influence on buildings
CN112883900B (zh) 遥感影像裸地反演可视图的方法及装置
CN113034511A (zh) 基于高分辨率遥感影像与深度学习的乡村建筑识别算法
CN113033516A (zh) 对象识别统计方法及装置、电子设备、存储介质
CN116168246A (zh) 一种用于铁路工程的弃渣场识别方法、装置、设备及介质
CN114722944A (zh) 点云精度确定方法、电子设备及计算机存储介质
US20190130181A1 (en) Utility infrastructure mapping
CN115439753A (zh) 一种基于dem的陡峭河岸识别方法及系统
Hammoudi et al. Extracting wire-frame models of street facades from 3D point clouds and the corresponding cadastral map
CN114639023A (zh) 一种基于机器学习的屋顶光伏潜力评估方法
CN113158726A (zh) 一种基于遥感影像识别农村公路路面类型的方法
Herold et al. Automatically georeferenced maps as a source for high resolution urban growth analyses
Baltsavias Integration of ortho-images in GIS
CN116626059A (zh) 采算报查一体化的桥梁损伤检测方法及系统
CN115527028A (zh) 地图数据处理方法及装置
Mahphood et al. Virtual first and last pulse method for building detection from dense LiDAR point clouds
CN112767469B (zh) 一种城市海量建筑高度智能化获取方法
CN112862921A (zh) 一种电网分布图像绘制方法
CN117437654B (zh) 一种基于语义识别的栅格地图解析方法、设备和介质
Liu et al. An efficient and automatic method based on monocular camera and GNSS for collecting and updating geographical coordinates of mileage pile in highway digital twin map
CN107067467A (zh) 基于线阵观测模型的快速三维环境构建方法及其应用方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210723

WD01 Invention patent application deemed withdrawn after publication