[发明专利]一种基于高分辨率遥感影像的道路提取方法

说明书

本发明公开了一种基于高分辨率遥感影像的道路提取方法，属于遥感影像领域，涉及遥感影像提取技术，包括首先输入高分辨率遥感影像，从光谱特征与形状特征两个角度出发，联合约束得到道路初始训练样本，对道路初始训练样本进行优化得到道路优化训练样本；改变了传统依靠遥感影像的道路提取工作方式，不依靠人工完成，避免了费时费力；然后将道路优化训练样本进行训练预测，得到隶属于道路类的后验概率，并进行联合约束得到道路网络，避免产生“椒盐”现象，最后基于张量投票算法得到最终道路中心线进而确定道路路线，无需后续处理优化，即可得到获取道路网络。

技术领域

本发明属于遥感影像领域，涉及遥感影像提取技术，具体是一种基于高分辨率遥感影像的道路提取方法。

背景技术

基于机器学习的道路提取算法，在道路提取精度方面得到较传统手段更为有效的效果，因此成为了研究热点问题。但是，基于机器学习的道路提取算法，需要人工选取正负样本，费时费力，且样本的选择对精度影响较大，成为了限制该类方法发展的关键问题。

现有道路提取算法，大多需要通过后续精化处理，来得到更为精确的道路网络，如通过提取目标的长度、长宽比、面积等几何形状特征，通过其中一个和多个组合来过滤非道路部分，得到最终的道路网络。后续处理的步骤虽然能够得到更为理想的结果，但是该步骤的加入影响了道路提取的自动化流程，且不同几何特征的参数设定也一定程度上影响了算法的效率。

为此，提出一种基于高分辨率遥感影像的道路提取方法。

发明内容

为了解决上述方案存在的问题，本发明提供了一种基于高分辨率遥感影像的道路提取方法。

本发明的目的可以通过以下技术方案实现：

一种基于高分辨率遥感影像的道路提取方法，包括：

步骤一：输入高分辨率遥感影像，从光谱特征与形状特征两个角度出发，联合约束得到道路初始训练样本，对道路初始训练样本进行优化得到道路优化训练样本；

步骤二：将道路优化训练样本进行训练预测，得到隶属于道路类的后验概率，并进行联合约束得到道路网络；

步骤三：基于张量投票算法得到最终道路中心线进而确定道路路线。

进一步地，所述步骤一中得到道路初始训练样本的步骤包括：

从光谱特征角度对高分辨率遥感影像进行K均值聚类自动获取像元属于道路的类别标签；

从形状特征角度基于均值漂移分割算法对高分辨率遥感影像进行分割，提取二阶矩形状特征；

设定阈值T1，联合类别标签与二阶矩形状特征，自动获取道路初始训练样本。

进一步地，其中阈值T1取值范围为0.8-0.9。

进一步地，所述步骤一中对道路初始训练样本进行优化采用的是形态学膨胀的方法。

进一步地，所述步骤二中得到隶属于道路类的后验概率的过程包括：

将道路优化训练样本作为正样本，同时将所有的正样本分为两类，分别标记为T、V；其中T表示训练集，V表示验证集；

设定正负样本比例R，从所有像元中随机产生一定个数的负样本像元，然后对目标像元进行训练、预测得到像元隶属于被标记为目标类的后验概率。

进一步地，步骤二中联合约束得到道路网络的过程包括：

联合二阶矩形状特征与隶属于道路类的后验概率，设定阈值T2与P2，进行联合约束，得到最终的道路网络；

其中，T2表示形状阈值，P2表示后验概率阈值。

进一步地，T2的取值范围为0.1-0.2，P2的取值范围为0.6-0.7。