導航數據輔助下的高解析度光學影像損毀道路提取方法與流程

2023-05-06 01:37:27

本發明屬於遙感圖像信息提取技術領域，具體涉及一種導航數據輔助下的高解析度光學影像損毀道路提取方法。

背景技術：

隨著近年來衛星和航空遙感技術的發展，高解析度影像在各方面得到了越來越多的應用。道路作為一類非常重要的軍事和民用目標，當災害或其它突發事件發生時，很可能發生損毀和阻塞，這給救災人員和物資的輸送造成了極大的阻礙。遙感影像快速獲取和信息準確豐富的特徵，使之成為監測和提取災害信息的核心手段。

利用遙感影像提取道路損毀的經典方法主要為目視解譯的方式，如基於災後單時相的道路損毀提取方法。秦軍等(2010)對無人機真彩色圖像進行糾正之後利用目視判讀的方式提取出災害信息，然後利用道路損毀類別、損毀尺度、損毀百分比3個因子作為評價指標對道路的損毀級別評定分類。目視判讀方法雖然精度高，但勞動強度大，也比較耗時。劉明眾等(2014)採用面向對象法分割影像，根據道路分割對象的光譜信息、幾何信息和空間信息建立知識庫，然後依據知識庫中的法則來獲取影像中的道路。雖然分類的方法提高了效率，但是受災後影像場景的複雜性，有時候精度不高，同時此方法常常會藉助於易康等面向對象的分類軟體進行，應用不方便。基於多時相的道路損毀提取主要利用災前、災後數據，採用變化檢測的方式進行損毀提取。

導航數據是當前應用最為廣泛的地圖數據，其更新周期非常快，其是網上地圖協作計劃的產物，包括道路、水域輪廓、建築物輪廓等矢量數據。考慮到道路是一種相對穩定的地物目標，這使得利用導航數據來輔助進行道路檢測和提取具有很高的可行性和實用性。相對於傳統的損毀檢測方法大多缺乏對損毀信息的驗證，導航數據能夠避免無關信息的幹擾，提高了道路損毀檢測和提取的準確性。

技術實現要素：

針對現有技術存在的不足，本發明提供了一種導航數據輔助下的高解析度光學影像損毀道路提取方法。

本發明以矢量數據作為輔助數據，將道路的多種特徵結合Learning-Detection(學習-檢測)法，對受災區域進行檢測，並提取疑似損毀路段，基於道路上下文信息對疑似損毀路段進行驗證，剔除虛警。

為解決上述技術問題，本發明採用如下技術方案：

一種導航數據輔助下的高解析度光學影像損毀道路提取方法，包括：

S1獲取受災區域的高解析度光學影像和道路導航矢量數據，高解析度光學影像和道路導航矢量數據分別簡記為影像和矢量數據；

S2對影像和矢量數據進行配準；

S3採用學習-檢測法從影像中提取疑似損毀路段，本步驟進一步包括子步驟：

3.1構建搜索窗和匹配窗，搜索窗在影像中沿矢量道路搜索，匹配窗在搜索窗內搜索；

3.2在當前搜索窗內採集匹配窗圖元，以匹配窗圖元和基準圖元為輸入，以匹配窗圖元和基準圖元的像素灰度值方差為特徵值，依次採用方差分類器、隨機森林分類器對匹配窗圖元進行分類，獲得損毀區域圖元；所述的基準圖元即損毀模板庫中圖元；

3.3根據子步驟3.2所得損毀區域圖元更新當前道路模板；

3.4沿矢量道路移動搜索窗，重複執行子步驟3.2～3.3，直至遍歷完影像道路，輸出損毀區域圖元集；

3.5採用最鄰近相關性分類器對子步驟3.4輸出的損毀區域圖元集和當前道路模板進行匹配檢測，獲得最終的損毀區域圖元集，即疑似損毀路段；根據最終的損毀區域圖元集更新當前道路模板；

S4檢測原始影像中植被、陰影和車輛，獲得植被、陰影和車輛的二值圖像，對二值圖像分別求併集和交集，併集和交集之差即上下文驗證信息集；從疑似損毀路段中剔除疑似損毀路段與上下文驗證信息集的交集，得損毀路段。

步驟S2具體為：

直接採取點選控制點進行配準，這裡控制點即同名點。

步驟S2具體為：

選擇若干沿道路方向且相互不平行的線段，以線段或線段延長線的交點作為同名點。

作為優選，匹配窗為多尺度匹配窗。

子步驟3.1中，搜索窗的高度Hs＝mw0，匹配窗的高度Hp＝nw0，搜索窗的寬度Ws＝m'w0，匹配窗的寬度Wp＝n'w0，其中，w0為初始道路模板的寬度，m和n在[1,3]範圍取值，且m＞n；m'和n'在[0.8,1.5]範圍取值，且m'＞n'；

所述的初始道路模板的寬度採用如下方法獲得：

在矢量數據中矢量道路上選定若干點Ci，以各點Ci分別為基準點建立道路足跡輻條，獲得道路足跡輻條與影像中道路和非道路相連處的交點Ei，計算點Ci和對應交點Ei的距離；將矢量道路上所有點Ci和對應交點Ei的距離的平均值作為初始道路模板的寬度w0。

子步驟3.5中，採用最鄰近相關性分類器對子步驟3.4輸出的損毀區域圖元集和當前道路模板進行匹配檢測，具體為：

Step1：採用最鄰近相關性分類器分別計算損毀區域圖元集中各損毀區域圖元與當前道路模板在法線方向的距離，過濾掉距離小於距離閾值Td的損毀區域圖元，執行Step2；

Step2：對Step1篩選後的各損毀區域圖元，計算損毀區域圖元與當前道路模板的最鄰近相對相似度，過濾掉最鄰近相對相似度大於相似度閾值的損毀區域圖元。

步驟S4中所述的檢測原始影像中植被、陰影和車輛，獲得植被、陰影和車輛的二值圖像，具體為：

將原始影像從RGB色彩模型轉換到HSI色彩模型獲得強度影像，基於強度影像檢測植被區域，並獲得植被的二值圖像；

將原始影像從RGB色彩空間轉換至HSI色彩空間，採用陰影色彩不變量指數檢測陰影區域，並獲得陰影的二值圖像；

對原始影像分別進行形態學開重構和閉重構運算，得頂帽變換影像和底帽變換影像，分別對頂帽變換影像和底帽變換影像進行閾值分割，獲得車輛的二值圖像。

和現有技術相比，本發明具有如下優點：

由於災前的道路導航矢量數據相對容易獲取，本發明依託災前道路導航矢量先驗信息，可更高效、更準確地從高解析度光學影像中提取出疑似損毀路段。

附圖說明

圖1為實施例中影像和矢量數據的配準示意圖，其中，圖(a)為單點配準示意圖，圖(b)為線選配準示意圖；

圖2為提取疑似損毀路段的具體流程圖；

圖3為實施例中道路足跡輻條建立示意圖；

圖4為搜索框和匹配框示意圖；

圖5為三級級聯分類器的具體流程圖；

具體實施方式

下面將結合附圖和具體實施方式進一步說明本發明技術方案。

步驟1：獲取受災區域的高解析度光學影像，「高解析度光學影像」後文簡記為「影像」。

步驟2：搜索是否有受災區域的道路導航矢量數據，道路導航矢量數據一般為shp文件，「道路導航矢量數據」後文簡記為「矢量數據」。

若存在本地的矢量數據，則根據受災區域進行矢量文件裁剪，以得到受災區域的矢量數據。若不存在本地的矢量數據，則下載對應的矢量數據。

步驟3：矢量數據和影像的配準。

影像與矢量數據的配準主要是利用空間同名點，尋找矢量數據中點位坐標與影像上相應點位坐標間的空間幾何變換關係。

(1)大場景下，矢量數據中道路的拐點和交叉點在影像上相應位置明顯，因此，可直接採取點選控制點，所選控制點即同名點，見圖1(a)。

(2)小場景、影像中道路較稀少或影像中道路彎曲度較大時，將導致道路的拐點和/或交叉點難以找到，此時，可使用線配準方式。選擇若干沿道路方向且相互不平行的線段，以線段或線段延長線的交點確定配準同名點，見圖1(b)。

步驟4：採用Learning-Detection法從影像中提取疑似損毀路段。

(1)根據道路足跡輻條(Jiuxiang Hu等，2007)計算初始道路模板的寬度。

在矢量數據中矢量道路上選定若干點Ci，對各點Ci分別進行如下操作：

以點Ci為基準點建立法線，以預設角度張量α建立道路足跡輻條，道路足跡輻條與法線夾角為α，見圖3。由於影像道路局部具有灰度均質性，由點Ci發射的道路足跡輻條會在影像中道路與非道路相連處有交點Ei，即灰度特徵突變點。計算點Ci和交點Ei的距離。

將矢量道路上所有點Ci和交點Ei的距離的平均值作為初始道路模板的寬度。

在確保灰度特徵突變點在檢測框內的前提下，角度張量越大越好；具體實施時，出於計算效率考慮，可適當減小角度張量。

(2)採用檢測窗掃描影像，檢測窗所包圍圖像區域稱為圖元。計算基準圖元和圖元的特徵值，便於後續的匹配檢測、識別損毀，基準圖元即損毀模板庫中圖元。

特徵值即圖元的像素灰度值方差，如下：

<![CDATA[ s 2 = 1 n ( g 1 - g ) 2 + ( g 2 - g ) 2 + ( g 3 - g ) 2 + ... ( g n - g ) 2 - - - ( 1 ) ]]>

式(1)中，s2為圖元的像素灰度值方差；n為圖元中像素數；gi為圖元中第i個像素的灰度值，i＝1,2,...n；為圖元中像素灰度值的平均值。

本發明中，檢測窗包括搜索窗和匹配窗兩級模板。搜索窗定義為沿影像中沿矢量道路進行搜索的緩衝區，由於受配準精度和初始道路模板計算誤差的影響，一般搜索窗尺寸可以設置的大些。匹配窗是在搜索窗內搜索的模板，需要上一步的特徵檢測器進行特徵的計算尋找最優匹配的檢索範圍，見圖4。

搜索窗和匹配窗尺寸的確定跟初始道路模板尺寸相關。記初始道路模板的高度Horg＝dh，dh取子步驟(1)所獲得的初始道路模板的寬度。顧及匹配誤差，搜索窗的高度Hs＝mdh，匹配窗的高度Hp＝ndh，m和n為放大係數。本具體實施方式中，取m＝2，匹配窗放大係數n＝{0.8,1.0,1.2,1.5}，採用多尺度。

記初始道路模板的寬度Worg＝w，由於水平方向也需要跟蹤，因此搜索窗和匹配窗的寬度可按照固定參數設置，本具體實施方式中，搜索窗的寬度Ws＝1.2Worg，匹配窗的寬度Wp＝0.8Worg。

上述，搜索窗和匹配窗的高度為垂直於矢量道路的邊的長度，搜索窗和匹配窗的寬度為平行於矢量道路的邊的長度。

見圖5，對匹配窗中圖元採用三級級聯分類器進行匹配，檢測損毀圖元。三級級聯分類器包括依次級聯的方差分類器、隨機森林分類器和最鄰近相關性分類器。方差分類器是將匹配窗圖元和基準圖元的像素灰度值方差比較，首先進行粗篩選，即將像素灰度值方差大於方差閾值T的匹配窗圖元過濾。為方便後續提高計算效率，再將與基準圖元像素灰度值方差差值大於差值閾值的匹配窗圖元過濾。隨機森林分類器用來對方差分類器的輸出結果進行進一步過濾。

隨機分類器基於決策樹實現，其中，節點代表對象，對象具有屬性，分叉即對象可能的屬性，葉子節點代表從根節點遍歷到葉子節點所經過的對象的屬性值。決策樹僅有單一輸出，是一種簡單但廣泛應用的分類器。最近鄰相關分類器用來判斷候選待匹配的圖元與基準圖元相關性的分類器，通過計算相關係數尋找最優匹配。

基於上述理論檢測疑似損毀路段，具體流程見圖2，包括：

從初始道路模板開始，沿著矢量道路方向迭代進行檢測跟蹤。迭代過程如下：

(1)採用道路足跡輻條法初始化道路模板；

(2)構建搜索窗和多尺度匹配窗，採用三級級聯分類器檢測匹配窗圖元，獲得損毀區域圖元；

(3)採用損毀區域圖元更新當前道路模板，即將損毀區域圖元添加到當前道路模板的負模板庫，非損毀區域圖元添加到當前道路模板的正模板庫；

(4)沿著矢量道路方向進行迭代追蹤，直至遍歷完影像道路，輸出損毀區域圖元集。

根據輸出結果進行道路損毀檢測，主要分為以下兩步：

Step1：採用最鄰近相關性分類器分別計算損毀區域圖元集中各損毀區域圖元與當前道路模板在法線方向的距離，過濾掉距離小於距離閾值Td的損毀區域圖元，然後執行Step2。

Step2：對Step1篩選後的各損毀區域圖元，計算損毀區域圖元與當前道路模板的最鄰近相對相似度，過濾掉最鄰近相對相似度大於相似度閾值的損毀區域圖元，輸出的損毀區域圖元即疑似損毀路段。

距離閾值Td和相似度閾值為通過重複試驗確定的經驗值。

相對相似度計算方法如下：

把道路模板(即正模板)和非道路模板(即負模板)的集合記為目標模型M，目標模型M可表示為p+和p-分別代表正模板和負模板，下標代表模板序號。正模板根據其加入到道路模板庫中的時間順序排列，即代表首先被添加到道路模板庫的正模板，代表最後加入道路模板庫的模板。

圖元pi、pj的相似度S(pi,pj)定義為：

S(pi,pj)＝0.5(NCC(pi,pj)+1) (2)

式(2)中，NCC(pi,pj)為圖元pi、pj的歸一化互相關係數。

將圖元pi、pj歸一化後，採用灰度進行計算圖元pi、pj的歸一化互相關係數NCC(pi,pj)，如下：

<![CDATA[ N C C ( x , y ) = Σ i = 1 n ( x i - x ) 2 ( y i - y ) 2 Σ i = 1 n ( x i - x ) 2 . Σ i = 1 n ( y i - y ) 2 - - - ( 3 ) ]]>

式(3)中，x、y分別表示圖元pi、pj；xi、yi分別表示圖元pi、pj中第i個像素的灰度值；分別表示圖元pi、pj的像素灰度值的平均值；n是圖元中像素數。

正目標最近鄰相似性S+(p,M)，也叫正最近鄰相似性：

<![CDATA[ S + ( p , M ) = max p i + M S ( p , p i + ) - - - ( 4 ) ]]>

負目標最近鄰相似度S-(p,M)，也叫負最近鄰相似性：

<![CDATA[ S - ( p , M ) = max p i - M S ( p , p i - ) - - - ( 5 ) ]]>

相對相似度Sr，取值區間在[0,1]，取值越大表示近鄰性越強：

設相對相似度集S＝{Sr1,Sr2,Sr3...Srn}，Sri是相對相似度，Srmax代表最鄰近(最大)相對相似度。當最鄰近相對相似度Srmax大於閾值Tr，則當前匹配結果有效，判斷為道路；否則認為當前點匹配結果無效，認為此處為道路損毀區域。

進行下次迭代前，更新當前道路模板。

當道路損毀檢測成功時，表明此處為道路損毀區域。進行下次迭代時，當前道路模板應該使用上一次迭代的道路模板進行繼續匹配，沿著道路矢量直到找到下一處完好道路時再進行更新。

當道路損毀檢測失敗時，即沒有檢測到損毀時，說明此處為完好道路，再進行下一次迭代時，當前道路模板更新為最鄰近相關性分類器輸出的當前最鄰近匹配窗圖元。

道路檢測存在出錯的可能，因此對模板庫進行更新：

將檢測到的道路圖元放人正模板庫；利用結構約束規則對分類器產生的道路圖元和非道路圖元進行判斷，查找錯誤分類的圖元；如果分類器將道路圖元分類錯誤，則將更正後的正負目標樣本放入相應的模板庫進行更新；下次迭代檢測時學習訓練。

步驟5：道路損毀檢測。

通過步驟4可獲取疑似損毀路段，在疑似損毀路段緩衝區內，對植被、陰影和車輛進行檢測，具體如下：

步驟5.1：將原始影像從RGB色彩模型轉換到HSI色彩模型，H、S、I分別表示色調、飽和度、強度。

歸一化強度影像I，採用閾值TI分割強度影像I得到明暗分類標記影像；將根據色彩不變量分割後標記影像V(i,j)與明暗標記反轉後影像～I(i,j)做邏輯與操作，得植被檢測影像VI(i,j)，見式(7)：

VI(i,j)＝V(i,j)&(～I(i,j)) (7)

其中，(i,j)表示像素位置。

步驟5.2：將原始影像從RGB色彩空間轉換至HSI色彩空間，由於被陰影遮擋像素將導致路面的亮度降低，有陰影路面的色調、飽和度則同路面近似，通過閾值化處理方式將陰影色彩不變量指數在一定範圍內的像素判定為陰影，見式(8)：

<![CDATA[ ψ s ( i , j ) = 4 π a r c t a n ( I ( i , j , r ) - I ( i , j , r ) 2 + I ( i , j , g ) 2 + I ( i , j , b ) 2 I ( i , j , r ) + I ( i , j , r ) 2 + I ( i , j , g ) 2 + I ( i , j , b ) 2 ) - - - ( 8 ) ]]>

其中，(i,j)表示像素位置，ψs(i,j)表示像素(i,j)的陰影色彩不變量指數，I(i,j,r)、I(i,j,g)、I(i,j,b)分別表示像素(i,j)在紅光波段、綠光波段與藍光波段的像素值。

步驟5.3：按照特定角度間隔定義一系列線狀結構元素，基於線狀結構元素分別對原始影像進行形態學開重構和閉重構運算得頂帽變換影像和底帽變換影像，開重構運算用於濾除相對於背景較亮的小尺寸對象，即長度小於線狀結構元素的對象；閉重構則用於濾除較暗的對象。

將基於不同方向線狀結構元素重構得到的影像融合，則保證對不同方向車輛對象兼顧。重構後影像中分別濾除了尺寸短於線狀結構元素的偏亮或偏暗對象。將重構後影像與原始影像做差值，實現對被關注地物的增強。

增強後影像中亮對象與暗對象相對於背景的反差被增強，被關注地物得以凸顯。分別對頂帽變換影像和底帽變換影像執行基於Otsu(OTSU,N,1979)的閾值分割處理，得到車輛的二值圖像。

步驟5.4：對子步驟5.1～5.3生成的植被、陰影和車輛的二值圖像分別進行求併集和求交集運算，將併集和交集求差，得上下文驗證信息集。

步驟5.5將疑似損毀路段與上下文驗證信息集求交集，從疑似損毀路段剔除疑似損毀路段與上下文驗證信息集的交集，得損毀路段。