本發(fā)明涉及遙感影像應用技術領域，具體涉及一種導航數(shù)據(jù)輔助下的遙感影像道路網(wǎng)自動提取方法。
背景技術：
隨著我國城鎮(zhèn)化進程的推進和經(jīng)濟建設的快速發(fā)展，道路網(wǎng)數(shù)據(jù)的快速更新對于社會公眾和行業(yè)應用具有越來越重要的意義,道路要素數(shù)據(jù)的快速獲取與更新己成為我國基礎地理信息建設的重要任務。當前，基于高分辨率遙感影像的內(nèi)業(yè)綜合判調(diào)是對包括道路網(wǎng)在內(nèi)的基礎地理要素更新的主要手段，遙感技術的大面積同步觀測、高時效性和經(jīng)濟性等優(yōu)點使得利用遙感影像進行基礎地理信息更新具有很大的優(yōu)勢。相比于外業(yè)地面實測數(shù)據(jù)更新，基于遙感影像的內(nèi)業(yè)判繪方式提高了基礎地理要素數(shù)據(jù)的采集效率，適用于大范圍道路的快速更新。
為了提高基礎地理數(shù)據(jù)生產(chǎn)更新效率，亟需研究探索基于遙感影像的自動/半自動化道路要素快速提取方法，提高道路要素數(shù)據(jù)更新的自動化程度。隨著遙感技術的飛速發(fā)展，影像數(shù)據(jù)的空間分辨率大大提高，并且提供了更加真實的地表細節(jié)信息，這為道路網(wǎng)自動化提取提供了新的機遇和挑戰(zhàn)。高分遙感影像中，道路邊界和路面標志物清晰可見，使得精確的道路提取和定位成為可能。另一方面，道路表現(xiàn)為多種地物的集合體，如車輛、道路標志、行道線、行道樹等，使得道路類要素內(nèi)部特征具有很大的異質(zhì)性，同時道路對象與鄰近地物又存在較大的特征相關性，這使得自動道路提取方法難以準確地辨識道路對象；另外，受陰影和其他地物的遮擋，自動化道路提取任務變得更加困難。綜合考慮各種因素影響，全自動化的穩(wěn)定可靠道路提取方法研究依然是一項國際公認的難題。
當前高分遙感影像的道路提取方法中，根據(jù)處理流程的差異大致可以分為基于Marr分層視覺模型的方法和基于道路模型的方法。在Marr視覺計算理論框架的引導下，現(xiàn)有的道路提取方法通常在低、中、高三個視覺層次上進行組合處理。低層次處理中，基于像素級的處理方法來提取道路特征基元；中層次處理則是基于先驗規(guī)則和知識約束來對低層次處理得到的特征基元進行選擇、連接和編組；高層處理中需要綜合分析道路要素的結構關系，并利用道路模型的語義知識作為支撐，進行模糊推理、知識理解和道路識別。根據(jù)道路模型對道路的描述，道路提取可以轉(zhuǎn)化為一個能量模型，通過對模型能量函數(shù)的優(yōu)化實現(xiàn)對道路的提取。典型的方法包括主動輪廓模型法、模板匹配法和動態(tài)規(guī)劃法等。
眾包地理信息平臺為導航電子地圖提供了豐富的數(shù)據(jù)源，并且具有很高的時效性和完整幾何拓撲信息，導航電子地圖路網(wǎng)矢量數(shù)據(jù)能夠有效地輔助遙感影像道路提取的自動化程度和效率，導航電子地圖中的語義和幾何信息能夠彌補不完備的道路影像特征，高分影像的道路細節(jié)又能夠幫助精確定位道路和探測路段連通信息。因此，針對高分影像道路提取的難點和導航數(shù)據(jù)的特點，綜合這兩類數(shù)據(jù)的道路提取方法將具有很大的優(yōu)勢。一方面，導航電子地圖中道路網(wǎng)的幾何結構信息能夠輔助道路提取算法粗略定位高分影像中路段對象，從而夠彌補單純依靠影像數(shù)據(jù)提取道路的特征不完備問題；另一方面，高分影像中道路的細節(jié)特征能夠幫助修正道路位置和拓撲信息，同時，也為新增路段提取提供了語義標注信息。
技術實現(xiàn)要素：
本發(fā)明要解決的技術問題是：提供一種導航數(shù)據(jù)輔助下的遙感影像道路網(wǎng)自動提取方法，準確度高。
本發(fā)明為解決上述技術問題所采取的技術方案為：一種導航數(shù)據(jù)輔助下的遙感影像道路網(wǎng)自動提取方法，其特征在于：它包括以下步驟：
S1、導航數(shù)據(jù)與遙感影像配準：
根據(jù)遙感影像范圍，將OpenStreetMap導航數(shù)據(jù)進行裁切得到導航路網(wǎng)的矢量數(shù)據(jù)，將矢量數(shù)據(jù)與遙感影像進行疊加，當遙感影像與矢量數(shù)據(jù)存在的位置偏差超過預設的偏差閾值時，手工選擇若干同名點來對矢量數(shù)據(jù)進行整體的仿射變換；
S2、利用矢量數(shù)據(jù)進行道路段的提取：
采用移動聚類的方法，從S1得到的矢量數(shù)據(jù)中檢測出道路模板，匹配下一段道路中心點，利用隨機森林進行檢測，修正道路跟蹤偏差，再通過P-N學習對檢測后的道路段進行校正；
S3、利用交叉口像元結構指數(shù)進行道路交叉口的提取：
根據(jù)導航路網(wǎng)矢量數(shù)據(jù)中的線條交叉信息獲取待檢測交叉口位置集合，根據(jù)交叉口位置和緩沖半徑獲取交叉口影像切片，從交叉口的結構特征出發(fā)，構建像元形狀與交叉口結構的量化映射關系，然后根據(jù)同類結構像元的聚集度評估交叉口的結構特征；
S4、自適應聚類學習的道路網(wǎng)提取：
將S2提取的道路段和S3提取的道路交叉口進行連接，形成道路網(wǎng)，根據(jù)已知道路特征來檢測遙感影像中的新增道路對象，最后對道路進行驗證。
按上述方法，所述的偏差閾值為道路提取的緩沖區(qū)半徑，緩沖區(qū)半徑＝道路半寬度+配準誤差，配準誤差為預設值。
按上述方法，S2的具體步驟如下：
2.1、多方向形態(tài)學濾波：
按照特定角度間隔定義一系列線狀結構元素，基于這些線狀結構元素分別對遙感影像進行形態(tài)學開閉重構運算；
2.2、道路模板提取：
根據(jù)導航路網(wǎng)矢量節(jié)點獲取初始種子點，以初始種子點為聚類中心，構建一個邊長大于道路寬度的矩形檢測窗口，過初始種子點沿道路法向方向作直線，與矩形檢測窗口交于兩點，將這兩點作為背景聚類種子點；計算矩形檢測窗口內(nèi)像素點與所有種子點的相似度，將最相似的種子點標簽賦予當前像素點；迭代上述過程，完成道路背景的聚類；
調(diào)整道路背景聚類中心的位置得到不同的聚類結果：固定道路聚類中心，移動背景聚類中心，保證背景聚類中心到初始道路中心的距離相等，使該距離階梯遞增；統(tǒng)計相鄰距離對應道路對象像素輻射值的標準差，當二者之間標準差相差最大時，對應的道路對象為最優(yōu)的聚類結果，并以道路對象的最小外接矩形作為當前道路路段的道路模板；
2.3、道路跟蹤：
根據(jù)相鄰的道路模板中心點之間的變換關系，基于坐標變換得到道路模板的中心點的預測點；
以預測點為中心，以當前道路模板的尺寸截取待匹配道路模板，計算當前道路模板和待匹配道路模板的相關系數(shù)；
若相關系數(shù)大于預設的系數(shù)閾值，則采用跟蹤結果；反之，則通過道路檢測重新初始化道路模板；
2.4、基于隨機森林的道路檢測：
將2.2道路背景的聚類得到的道路背景作為背景對象，將2.2得到的道路模板作為道路對象；將道路對象和背景對象分別作為正樣本和負樣本，初始化隨機森林分類器；采用基于灰度共生矩陣的Haralick特征作為訓練特征，訓練隨機森林分類器；
當有待測樣本進入隨機森林分類器，則根據(jù)隨機森林中各決策樹的分類結果得到一個樣本判別的后驗概率P，當P大于概率閾值時，則認為該待檢測樣本為道路，反之為背景；將檢測后的結果作為先驗標記樣本；
2.5、P-N學習：
將道路跟蹤看作一個時間序列過程，跟蹤結果是一條連續(xù)的軌跡，則有約束，約束包括正約束和負約束，正約束為緊鄰軌跡的樣本被認為是正樣本；負約束為遠離軌跡的樣本為負樣本；正約束用于發(fā)現(xiàn)道路軌跡上的未標記數(shù)據(jù)，而負約束則用于區(qū)分道路與復雜的背景對象；
設f是由θ參數(shù)化的隨機森林分類器，則P-N學習是根據(jù)已標記樣本集合Xt和約束下的未標記樣本集合Xu估計θ的過程，具體步驟如下：
(a)根據(jù)2.4得到的先驗標記樣本(Xt,Yt)初始化隨機森林分類器，得到初始的分類器參數(shù)θ0，其中Yt為已標記樣本集合Xt對應的標記集合；
(b)迭代執(zhí)行分類器訓練，在第k次迭代中，利用第k-1次訓練的隨機森林分類器對所有未標記的樣本進行分類標記，得到校正分類結果；其中Xu為約束下的未標記樣本集合，xu為未標記樣本集合，為未標記樣本集合xu對應的未標記集合，θk-1為第k-1次的分類器參數(shù)；
(c)校正分類結果中與所述的約束不一致的樣本標記，則作為新的訓練樣本加入隨機森林分類器訓練過程，迭代上述過程直到隨機森林分類器收斂或超過預設的迭代次數(shù)。
按上述方法，S3具體為：
3.1、構建像元形狀指數(shù)PSI：
定義圍繞中心像元的一系列方向線，方向線是一系列相隔一定角度的、由中心像元朝不同方向發(fā)散的線段；根據(jù)相鄰像元間的光譜異質(zhì)性測度和閾值確定線段的長度，生成由方向線長度構成的直方圖，取直方圖均值作為PSI特征值；每條方向線都是從中心像元出發(fā)，向定義方向擴展，當待擴展像元不符合擴展約束條件時，則停止方向線擴展，并記錄當前方向線的長度；所述的擴展約束條件為：
其中，PHd(k,x)表示當前中心像元x的鄰域像元k在第d條方向線上的異質(zhì)性測度，Ld(x)為中心像元x在第d個方向上的方向線的長度，T1為像元異質(zhì)性閾值，T2為方向線長度閾值，方向線擴展條件的解釋為：當前像元k與中心像元x的異質(zhì)性小于T1，并且方向線長度小于T2時，則可以將方向線擴展至該像元；否則，停止擴展，記錄當前方向線長度；
3.2、方向線距離直方圖峰值檢測：
以交叉口中心為中心像元生成方向線；
采用如下公式設定動態(tài)異質(zhì)性閾值：
T0＝μ(PH)+λ·σ(PH)
其中，T0為動態(tài)異質(zhì)性閾值；PH是由距離閾值范圍內(nèi)各個方向上的像元異質(zhì)性值構成的實數(shù)集合；μ和σ分別為求集合PH均值和標準差的函數(shù)，λ為權重；
根據(jù)動態(tài)異質(zhì)性閾值，來獲取方向線的長度，從方向線的長度特征中檢測出有效的峰值；
3.3、構建交叉口像元結構指數(shù)IPSI：
根據(jù)構成交叉口支路的方向角度，將圓周分為8個角度區(qū)間，每個區(qū)間對應一個可能的交叉口支路方向，給每個區(qū)間分配固定的權值；
將3.2檢測到的峰值對應的方向角度，向上述角度區(qū)間做映射投票，將獲得多于1的投票的角度分區(qū)設定標記值為1，其余角度分區(qū)設定標記值為0；將標記值與分區(qū)權重相乘并求和，得到IPSI；
3.4、計算指數(shù)像元聚合度，提取道路交叉口：
定義IPSI指數(shù)像元聚合度AG(IPSI)：
其中，N為IPSI值等于指定值的像素數(shù)，(xi,yi)為其中第i個像元的行列坐標，(xcen,ycen)為N個像元位置的均值。AG取值越大，則像元點分布越離散，AG取值越小，則像元點越集中；
預設指標閾值TAG，當AG>TAG時，認為當前IPSI對應的結構特征為候選交叉口結構特征，而(xcen,ycen)為候選交叉口中心位置；分別獲取所有IPSI同值點數(shù)N超過點數(shù)閾值TN的像元集合，并計算對應的聚合度AG(IPSI)，選取AG(IPSI)最小值對應的IPSI值，并將其對應的方向角度結構作為檢測到的當前道路交叉口。
按上述方法，S4具體為：
4.1、基于結合特征和交叉結構約束的路網(wǎng)連接：
將S2提取的道路段和S3提取的道路交叉口，利用幾何特征來約束道路段進行連接，形成道路網(wǎng)；所述的幾何特征包括端點距離、連接段方向與已有路段方向差；
4.2、基于樣本學習的新增道路提取：
將需要進行新增道路提取的遙感影像作為分割結果對象，使用SLIC影像對象化分割法，并將分割結果對象作為樣本特征提取單元；根據(jù)4.1得到的道路網(wǎng)生成道路樣本集和背景樣本集；
采用灰度共生矩陣GLCM來反映不同方向的紋理特征，利用多方向Gabor濾波特征來檢測所述的道路樣本集中的樣本影像的主方向；
利用向量相似性指數(shù)，按照特征選擇方法進行降維處理；利用高斯混合模型GMM執(zhí)行自適應道路樣本聚類；根據(jù)2.4得到的聚類結果，將正樣本集合分為多個集合，負樣本保持不變；將每組正樣本與負樣本組合訓練一個分類器，實現(xiàn)對特定類別道路的提取；多組道路提取結果的融合結果作為候選道路對象進行進一步的驗證；
4.3、基于多特征證據(jù)模糊推理的道路驗證：
基于D-S證據(jù)理論，建立邊緣證據(jù)模型、光譜證據(jù)模型、植被證據(jù)模型、陰影證據(jù)模型、車輛證據(jù)模型和拓撲證據(jù)模型，并對這些特征進行適合道路驗證的模型化處理，定義概率分配函數(shù)；
對導航路網(wǎng)中各路段分別進行處理，根據(jù)導航路段內(nèi)特征檢測結果得到特征對應的概率分配函數(shù)，然后，利用D-S證據(jù)理論的證據(jù)合成法則對特征對應的BPAF進行合成，得到綜合多特征證據(jù)的概率分配函數(shù)，按照最大概率分配原則對候選道路對象進行判定。
本發(fā)明的有益效果為：采用遙感影像與導航路網(wǎng)數(shù)據(jù)作為輸入數(shù)據(jù)源，綜合利用導航路網(wǎng)數(shù)據(jù)中的位置、幾何、拓撲、語義信息和高分遙感影像中的場景特征。結合現(xiàn)實道路結構先驗知識等，完成自動化道路網(wǎng)要素數(shù)據(jù)提取任務。具有較強的實用性，準確度較高。
附圖說明
圖1為本發(fā)明一實施例的方法流程圖。
具體實施方式
下面結合具體實例和附圖對本發(fā)明做進一步說明。
本發(fā)明提供一種導航數(shù)據(jù)輔助下的遙感影像道路網(wǎng)自動提取方法，包括以下步驟：
S1、導航數(shù)據(jù)與遙感影像配準：
根據(jù)遙感影像范圍，將OpenStreetMap導航數(shù)據(jù)進行裁切得到導航路網(wǎng)的矢量數(shù)據(jù)，將矢量數(shù)據(jù)與遙感影像進行疊加，當遙感影像與矢量數(shù)據(jù)存在的位置偏差超過預設的偏差閾值時，手工選擇若干同名點來對矢量數(shù)據(jù)進行整體的仿射變換。所述的偏差閾值為道路提取的緩沖區(qū)半徑，緩沖區(qū)半徑等＝道路半寬度+配準誤差，配準誤差為預設值。
當本地沒有矢量數(shù)據(jù)源時，可以進行矢量的在線下載，OpenStreetMap導航數(shù)據(jù)可以給我們提供土地利用、道路、房屋、水體等矢量數(shù)據(jù)源。
S2、利用矢量數(shù)據(jù)進行道路段的提取：
采用移動聚類的方法，從S1得到的矢量數(shù)據(jù)中檢測出道路模板，匹配下一段道路中心點，利用隨機森林進行檢測，修正道路跟蹤偏差，再通過P-N學習對檢測后的道路段進行校正。其核心思想是在導航路網(wǎng)引導下，自適應地提取路段面特征基元，選取最優(yōu)跟蹤路線，選用隨機森林方法進行道路檢測，修正跟蹤偏差，并利用P-N學習的方式校正檢測錯誤的樣本。極大的提高了道路跟蹤的穩(wěn)定性，保證了提取過程的自動化。
S2的具體步驟如下：
2.1、多方向形態(tài)學濾波：
按照特定角度間隔定義一系列線狀結構元素，基于這些線狀結構元素分別對遙感影像進行形態(tài)學開閉重構運算。為了濾除干擾地物，采用多方向形態(tài)學濾波，保持特定結構的同時抑制噪聲。按照特定角度間隔定義一系列線狀結構元素，基于這些結構元素分別對影像進行形態(tài)學開閉重構運算，開重構運算用于濾除相對于背景較亮的小尺寸(長度小于結構元素)對象，而閉重構運算則用于濾除較暗的對象。
2.2、道路模板提取：考慮道路與背景輻射統(tǒng)計特征的差異以及道路自身的幾何特征，本發(fā)明提出一種基于移動聚類的道路模板提取方法。道路模板提取是在局部檢測窗口完成的。以初始種子點為中心，構建一個邊長大于道路寬度的矩形檢測窗口，過種子點沿道路法向方向作直線，與檢測窗口交于兩點，將其作為背景聚類的種子點。計算檢測窗口內(nèi)像素點與各種子點的相似度，將最相似種子點標簽賦予當前像素點。通過迭代該過程，完成道路背景的聚類。然后調(diào)整背景聚類中心的位置得到不同的聚類結果。固定道路聚類中心，移動背景聚類中心，保證到初始道路中心的距離相等，使該距離逐漸遞增。統(tǒng)計相鄰距離對應道路對象像素輻射值的標準差，當二者之間標準差相差最大時，對應的道路對象為最優(yōu)的聚類結果，并以道路對象的最小外接矩形作為當前道路路段的道路模板。
根據(jù)導航路網(wǎng)矢量節(jié)點獲取初始種子點，以初始種子點為聚類中心，構建一個邊長大于道路寬度的矩形檢測窗口，過初始種子點沿道路法向方向作直線，與矩形檢測窗口交于兩點，將這兩點作為背景聚類種子點；計算矩形檢測窗口內(nèi)像素點與所有種子點的相似度，將最相似的種子點標簽賦予當前像素點；迭代上述過程，完成道路背景的聚類；
調(diào)整道路背景聚類中心的位置得到不同的聚類結果：固定道路聚類中心，移動背景聚類中心，保證背景聚類中心到初始道路中心的距離相等，使該距離階梯遞增；統(tǒng)計相鄰距離對應道路對象像素輻射值的標準差，當二者之間標準差相差最大時，對應的道路對象為最優(yōu)的聚類結果，并以道路對象的最小外接矩形作為當前道路路段的道路模板；
2.3、道路跟蹤：
根據(jù)相鄰的道路模板中心點之間的變換關系，基于坐標變換得到道路模板的中心點的預測點；相鄰的道路模板中心點指的是當前模板中心點和待匹配道路模板中心點。
以預測點為中心，以當前道路模板的尺寸截取待匹配道路模板，計算當前道路模板和待匹配道路模板的相關系數(shù)；
若相關系數(shù)大于預設的系數(shù)閾值，則采用跟蹤結果；反之，則通過道路檢測重新初始化道路模板。
2.4、基于隨機森林的道路檢測：道路檢測是在待檢測范圍內(nèi)通過滑動窗口尋找可能存在的道路及其對應的位置。
將2.2道路背景的聚類得到的道路背景作為背景對象，將2.2得到的道路模板作為道路對象；將道路對象和背景對象分別作為正樣本和負樣本，初始化隨機森林分類器；采用基于灰度共生矩陣的Haralick特征作為訓練特征，訓練隨機森林分類器；
當有待測樣本進入隨機森林分類器，則根據(jù)隨機森林中各決策樹的分類結果得到一個樣本判別的后驗概率P，當P大于概率閾值時，則認為該待檢測樣本為道路，反之為背景；將檢測后的結果作為先驗標記樣本。
特征提取過程如下：
(a)設位置關系φ＝(dx,dy)為四個固定值，即(d,0),(d,d),(0,d),(-d,d)，并分別求對應的灰度共生矩陣；
(b)統(tǒng)計各灰度共生矩陣對應的一致性、對比度、相關性、熵(復雜度)等紋理特征；對不同的紋理特征分別求它們對于4個不同位置關系φ的均值和動態(tài)范圍σ1,σ2,σ3,σ4，這8個特征即為隨機森林分類器的訓練特征。
2.5、P-N學習：道路檢測存在出錯的可能，即將道路樣本判別為背景或?qū)⒈尘芭袆e為道路。需要對判別錯誤的樣本進行校正，并利用校正后的新樣本訓練分類器以避免類似的錯誤，本發(fā)明通過P-N學習來完成這個過程。
將道路跟蹤看作一個時間序列過程，跟蹤結果是一條連續(xù)的軌跡，則有約束，約束包括正約束和負約束，正約束為緊鄰軌跡的樣本被認為是正樣本；負約束為遠離軌跡的樣本為負樣本；正約束用于發(fā)現(xiàn)道路軌跡上的未標記數(shù)據(jù)，而負約束則用于區(qū)分道路與復雜的背景對象。
設f是由θ參數(shù)化的分類器，則P-N學習是根據(jù)已標記樣本集合Xt和約束下的未標記樣本集合Xu估計θ的過程，具體步驟如下：
(a)根據(jù)2.4得到的先驗標記樣本(Xt,Yt)初始化隨機森林分類器，得到初始的分類器參數(shù)θ0，其中Yt為已標記樣本集合Xt對應的標記集合；
(b)迭代執(zhí)行分類器訓練，在第k次迭代中，利用第k-1次訓練的分類器對所有未標記的樣本進行分類標記，得到校正分類結果；其中Xu為約束下的未標記樣本集合，xu為未標記樣本集合，為未標記樣本集合xu對應的未標記集合，θk-1為第k-1次的分類器參數(shù)；
(c)校正分類結果中與所述的約束不一致的樣本標記，則作為新的訓練樣本加入隨機森林分類器訓練過程，迭代上述過程直到隨機森林分類器收斂或超過預設的迭代次數(shù)。
S3、利用交叉口像元結構指數(shù)進行道路交叉口的提取：
從遙感影像中獲取交叉口影像，從交叉口的結構特征出發(fā)，構建像元形狀與交叉口結構的量化映射關系，然后根據(jù)同類結構像元的聚集度評估交叉口的結構特征。主要思想是從交叉口的結構特征出發(fā)，構建像元形狀與交叉口結構的量化映射關系，然后根據(jù)同類結構像元的聚集度評估交叉口的結構特征。其優(yōu)點在于IPSI構建了像元形狀特征與平面交叉口分支路段方向結構的映射關系，為交叉口結構檢測提供了有力支持，定義了IPSI指數(shù)像元聚合度測度，能夠根據(jù)像元中心位置確定交叉口位置。具體實施如下：
3.1、構建像元形狀指數(shù)PSI：
定義圍繞中心像元的一系列方向線，方向線是一系列相隔一定角度的、由中心像元朝不同方向發(fā)散的線段；根據(jù)相鄰像元間的光譜異質(zhì)性測度和閾值確定線段的長度，生成由方向線長度構成的直方圖，取直方圖均值作為PSI特征值；每條方向線都是從中心像元出發(fā)，向定義方向擴展，當待擴展像元不符合擴展約束條件時，則停止方向線擴展，并記錄當前方向線的長度；
所述的擴展約束條件為：
其中，PHd(k,x)表示當前中心像元x的鄰域像元k在第d條方向線上的異質(zhì)性測度，Ld(x)為中心像元x在第d個方向上的方向線的長度，T1為像元異質(zhì)性閾值，T2為方向線長度閾值，方向線擴展條件的解釋為：當前像元k與中心像元x的異質(zhì)性小于T1，并且方向線長度小于T2時，則可以將方向線擴展至該像元；否則，停止擴展，記錄當前方向線長度。
3.2、方向線距離直方圖峰值檢測：根據(jù)方向線特征可知，在沿同質(zhì)像元的方向上，方向線能夠取得較大的長度值。因此，以交叉口中心為當前中心像元生成方向線，與支路方向相近的方向線對應的長度值通常要大于非支路方向的方向線長度，這也是本發(fā)明檢測道路交叉口結構的基礎。為了探測出交叉口支路的方向，需要首先從方向線長度特征中檢測出有效的峰值。
方向線的擴展長度與異質(zhì)性閾值的設定有關，而場景的差異使得固定的閾值難以應對各種可能的光譜變異情況。本發(fā)明以交叉口中心為中心像元生成方向線；
采用如下公式設定動態(tài)異質(zhì)性閾值：
T0＝μ(PH)+λ·σ(PH)
其中，T0為動態(tài)異質(zhì)性閾值；PH是由距離閾值范圍內(nèi)各個方向上的像元異質(zhì)性值構成的實數(shù)集合；μ和σ分別為求集合PH均值和標準差的函數(shù)，λ為權重；
根據(jù)動態(tài)異質(zhì)性閾值，來獲取方向線的長度，從方向線的長度特征中檢測出有效的峰值；
3.3、構建交叉口像元結構指數(shù)IPSI：為了檢測交叉口的結構特征，本發(fā)明提出交叉口像元結構指數(shù)IPSI。與PSI相同的是，IPSI的定義也是基于方向線長度直方圖；不同的是，IPSI的定義與交叉口結構密切相關，可以看作是方向線長度直方圖到交叉口結構的映射特征。具體定義如下：根據(jù)構成交叉口支路的方向角度，將圓周分為8個角度區(qū)間，每個區(qū)間對應一個可能的交叉口支路方向，給每個區(qū)間分配固定的權值，分別為1,2,4,8,16,32,64,128；
將3.2檢測到的峰值對應的方向角度，向上述角度區(qū)間做映射投票，將獲得多于1的投票的角度分區(qū)設定標記值為1，其余角度分區(qū)設定標記值為0；將標記值與分區(qū)權重相乘并求和，得到IPSI；
IPSI＝w1l1+w2l2+w3l3+w4l4+w5l5+w6l6+w7l7+w8l8
其中，l1,l2,...,l8表示各個角度分區(qū)的標記值；w1,w2,...,w8為對應分區(qū)的權重，分別為1,2,4,8,16,32,64,128。
3.4、計算指數(shù)像元聚合度，提取道路交叉口：
由交叉口的定義可知，交叉口是由不少于三條分支路段交會而成，因此IPSI至少由對應3個方向角度分區(qū)的方向線長度峰值生成，另外，交叉口中心區(qū)域?qū)鱾€支路方向都會形成方向線的長度峰值，因此具有與交叉口結構特征一致的IPSI值會在交叉口中心位置呈聚集分布態(tài)勢，據(jù)此，定義IPSI指數(shù)像元聚合度AG(IPSI)：
其中，N為IPSI值等于指定值的像素數(shù)，(xi,yi)為其中第i個像元的行列坐標，(xcen,ycen)為N個像元位置的均值。AG取值越大，則像元點分布越離散，AG取值越小，則像元點越集中。
預設指標閾值TAG，當AG>TAG時，認為當前IPSI對應的結構特征為候選交叉口結構特征，而(xcen,ycen)為候選交叉口中心位置；分別獲取所有IPSI同值點數(shù)N超過點數(shù)閾值TN的像元集合，并計算對應的聚合度AG(IPSI)，選取AG(IPSI)最小值對應的IPSI值，并將其對應的方向角度結構作為檢測到的當前道路交叉口。
S4、自適應聚類學習的道路網(wǎng)提取：
將S2提取的道路段和S3提取的道路交叉口進行連接，形成道路網(wǎng)，根據(jù)已知道路特征來檢測遙感影像中的新增道路對象，最后對道路進行驗證。其主要思想是對已提取的路段矢量進行連接構網(wǎng)，對新增的路段進行檢測與提取，最后對道路提取的結果進行推理驗證。其優(yōu)點在于能夠適應道路樣本多樣化的特點，引入的D-S證據(jù)理論道路驗證推力模型保證了道路提取結果正確性。具體實施如下：
4.1、基于結合特征和交叉結構約束的路網(wǎng)連接：
導航矢量引導下的路段提取過程是對各路段分別進行提取，其間并未考慮路段之間的連接關系，因此提取結果路段在道路交叉位置并未連接，端點之間存在斷裂。從道路網(wǎng)結構的完整性考慮，有必要對已提取路段進行連接處理。將S2提取的道路段和S3提取的道路交叉口，利用幾何特征來約束道路段進行連接，形成道路網(wǎng)；所述的幾何特征包括端點距離、連接段方向與已有路段方向差。
(a)路段連接幾何特征。提取結果路段斷裂主要發(fā)生在源導航路網(wǎng)的道路交會處，斷裂處路段端點與待連接的路段節(jié)點相互鄰近。根據(jù)常識可知，同一路段走向通常呈漸變趨勢，因此，路段連接后需要保持路段方向連續(xù)的特性。利用端點距離，連接段方向與已有路段方向差這些幾何特征來約束路段進行連接。
(b)交叉結構約束下的路段連接修正。基于幾何特征能夠完成多數(shù)路段斷裂的連接任務。然而，復雜的道路網(wǎng)中也存在歧義結構導致錯誤的連接。因此，根據(jù)幾何特征完成路段連接后，需要利用已知的交叉結構作為約束，對不合適的路段連接結果進行修正。
4.2、基于樣本學習的新增道路提取：
將需要進行新增道路提取的遙感影像作為分割結果對象，使用SLIC影像對象化分割法，并將分割結果對象作為樣本特征提取單元；根據(jù)4.1得到的道路網(wǎng)生成道路樣本集和背景樣本集；
采用灰度共生矩陣GLCM來反映不同方向的紋理特征，利用多方向Gabor濾波特征來檢測所述的道路樣本集中的樣本影像的主方向；
利用向量相似性指數(shù)，按照特征選擇方法進行降維處理；利用高斯混合模型GMM執(zhí)行自適應道路樣本聚類；根據(jù)2.4得到的聚類結果，將正樣本集合分為多個集合，負樣本保持不變；將每組正樣本與負樣本組合訓練一個分類器，實現(xiàn)對特定類別道路的提取；多組道路提取結果的融合結果作為候選道路對象進行進一步的驗證。
通過對已知路段的網(wǎng)絡化連接，得到矢量路網(wǎng)對影像中相應道路對象的標記。對于現(xiàn)有路網(wǎng)以外的新增路段，需要根據(jù)已標記的道路特征，對其進行分類預測和提取。
(a)道路樣本自動化獲取。
(I)影像對象化分割。高分辨率影像空間細節(jié)信息豐富，地物光譜復雜性與像元光譜信號的多源性使得“同譜異物，同物異譜”現(xiàn)象廣泛存在。相對于傳統(tǒng)的基于像元的影像分析，面向?qū)ο蟮姆诸惙椒▽⒕哂泄庾V、空間同質(zhì)性的像元集合作為處理單元，代替像元進行影像分析，該類方法綜合考察像元及其鄰域的光譜和空間特性，能夠有效的區(qū)分光譜特征相似的地物，本發(fā)明使用SLIC作為影像對象化分割方法，并將分割結果對象作為樣本特征提取單元。
(II)基于已知路段的樣本自動標注。已知路段提取結果中包含豐富的道路語義信息，根據(jù)經(jīng)驗認為遠離道路矢量所在位置的區(qū)域為背景地物。由此可根據(jù)已有道路提取結果生成道路樣本集和背景樣本集。
(b)歸一化紋理樣本特征。高分影像中光譜特征的高度細節(jié)化使得難以僅僅根據(jù)光譜特征完成道路提取任務。紋理與局部像元灰度的空間組織相關，在識別感興趣的目標和對象中有著非常重要的作用。本發(fā)明采用灰度共生矩陣(GLCM)來反映不同方向的紋理特征，利用多方向Gabor濾波特征的檢測樣本影像的主方向。
(c)自適應道路樣本聚類。本發(fā)明設計一套道路樣本自適應聚類策略，使得道路樣本能夠根據(jù)集合內(nèi)特征分布情況進行重組，使得聚類后各組樣本在特征空間中呈聚集分布趨勢。
首先，需要對特征進行降維。本發(fā)明提取的樣本特征包括光譜、紋理以及對應的統(tǒng)計測度信息，考慮到影像的波段數(shù)、紋理特征的尺度等，最終樣本特征向量必然是一個高維的特征向量。然而，在樣本數(shù)相對較少的情況下，高維特征使得樣本在統(tǒng)計上的漸近性質(zhì)受到破壞，因此需要通過特征降維，消除無關和冗余的樣本特征。本發(fā)明利用向量相似性指數(shù)，按照特征選擇方法進行降維處理。
然后，利用高斯混合模型(GMM)執(zhí)行自適應道路樣本聚類。由于類別數(shù)K是未知的，在實際數(shù)據(jù)處理中，需要通過多次測試、比較多個成分的擬合結果來決定K值。為了能夠自適應地獲得類別數(shù)K，提出兩個度量指標：分裂指數(shù)和合并指數(shù)。
(I)設定初始K值，對原始樣本執(zhí)行GMM聚類處理，得到K個高斯分布模型；
(II)構建K個高斯分布模型中心兩兩之間的連線集合L，并計算連線中各位置的概率值如式(4)所示：
其中，j,k∈K，pj(x),pk(x)為對應高斯模型在位置x的概率值，max為取極大值函數(shù)。
(III)定義合并指數(shù)(Merge Index,MI)定義如式(5)所示：
若MI>TMI，則認為連線li所連接的兩個高斯模型具有較大的重疊度，需要進行合并，即將總的類別數(shù)降為K-1。
(VI)將屬于第k類別的樣本集作為全集，進行獨立的二分GMM聚類處理；計算當前樣本集對應高斯模型的分裂指數(shù)(Split Index,SI)，有當SI>TSI時，認為需要對當前樣本集進行分裂，即將總的聚類類別數(shù)增加為K+1。
(V)重復執(zhí)行上述操作，直至沒有符合分裂和合并條件的高斯模型，得到最終的樣本聚類數(shù)K。
最后，根據(jù)聚類結果將導航路網(wǎng)標注的正樣本集合分為多個集合，負樣本保持不變。將每組正樣本與負樣本組合訓練一個分類器，實現(xiàn)對特定類別道路的提取。多組道路提取結果的融合結果將作為候選道路對象進行進一步的驗證。
4.3、基于多特征證據(jù)模糊推理的道路驗證：
本發(fā)明以D-S證據(jù)理論作為道路驗證推理基礎，不同于傳統(tǒng)的基于D-S證據(jù)理論的道路提取方法使用的道路幾何與光譜特征，本研究在道路驗證模型中創(chuàng)新地融入了道路上下文特征證據(jù)。
(a)D-S證據(jù)理論基礎
作為D-S證據(jù)理論的底層概念，首先將待驗證對象所有可能結果的集合所構成的空間進行劃分，定義為驗證框架，記作Θ，并把Θ中所有子集組成的集合記作2Θ，對于2Θ中任何假設集合A，有m(A)∈[0,1]，并且
其中，m稱為2Θ上的概率分配函數(shù)(BPAF)，m(A)稱為A的基本概率函數(shù)。
D-S證據(jù)理論定義了信任函數(shù)Bel和似然函數(shù)Pl來表示問題的不確定性，即：
信任函數(shù)Bel(A)表示對A為真的信任程度，也稱為下限函數(shù)；似然函數(shù)Pl(A)表示對A為非假的信任程度，則[Bel(A),Pl(A)]為A的一個信任區(qū)間，信任區(qū)間刻畫了對A所持信任度的上下限在有多個證據(jù)存在的情況下，可以使用Dempster合成法則對多個BPAF進行合成，即
其中，為n個BPAF。
(b)道路驗證D-S證據(jù)模型。由于道路驗證只需要根據(jù)遙感影像中觀察到的道路場景特征來驗證道路身份，根據(jù)D-S證據(jù)理論，取辨識框架Θ為{Y,N}，Y為表示非道路對象，N為道路對象，則有定義信度分配函數(shù)m({Y,N}+m(Y)+m(N))＝1。其中m(N)表示當前特征支持道路對象的信度，m(Y)則表示支持非道路對象的信度，而m({Y,N})＝1-m(Y)-m(N)表示根據(jù)該證據(jù)不能確定對象道路身份的信度，即支持未知的信度。
(c)道路多特征證據(jù)模型。本發(fā)明選取與道路密切相關的邊緣證據(jù)模型，光譜證據(jù)模型，植被證據(jù)模型，陰影證據(jù)模型，車輛證據(jù)模型，拓撲證據(jù)模型，并對這些特征進行適合道路驗證的模型化處理，定義概率分配函數(shù)。
(d)道路驗證判定準則。通過對道路驗證相關特征的分析與對應概率分配函數(shù)的定義，對導航數(shù)據(jù)中各路段分別進行處理，根據(jù)導航路段內(nèi)特征檢測結果得到特征對應的概率分配函數(shù)，然后，利用D-S證據(jù)理論的證據(jù)合成法則對特征對應的BPAF進行合成，得到綜合多特征證據(jù)的概率分配函數(shù)。
根據(jù)D-S證據(jù)理論對信任函數(shù)Bel的定義，可以計算得到路段消失與存在狀態(tài)下對應的信任概率Beli(Y),Beli(N)。按照最大概率分配原則，定義道路驗證判定準則如下：對于路段i，若Beli(Y)>Beli(N)，則認為對象不是道路；反之，認為當前對象是道路。
以上實施例僅用于說明本發(fā)明的設計思想和特點，其目的在于使本領域內(nèi)的技術人員能夠了解本發(fā)明的內(nèi)容并據(jù)以實施，本發(fā)明的保護范圍不限于上述實施例。所以，凡依據(jù)本發(fā)明所揭示的原理、設計思路所作的等同變化或修飾，均在本發(fā)明的保護范圍之內(nèi)。