一种基于K-means的高分辨率遥感地图道路提取方法
【专利摘要】本发明公开了一种基于K-means的高分辨率遥感地图道路提取方法，属于图像处理领域，可应用于遥感图像中的道路提取。针对目前高分辨率遥感地图图像道路提取技术所存在的问题和缺点，本发明提出了一种针对不同的道路类型基于K-means的道路提取方法，基于数学形态学方法并结合图像分割方法，得到一种道路分割、提取的方法，来达到提取高分辨率遥感图像中完整道路信息的目的，可以使得高分辨率地图中的道路分割结果连续性好，而且道路无明显的裂痕。
【专利说明】—种基于K-means的高分辨率遥感地图道路提取方法
【技术领域】
[0001]本发明属于图像处理领域，具体涉及一种高分辨率遥感图像道路提取方法，可应用于遥感图像中的道路提取。
【背景技术】
[0002]近年来随着高清摄像机遥感图像空间分辨率的不断提升，促进了高分辨率遥感图像处理技术的不断发展，对于使用计算机研究道路的自动化、智能提取有很大的推进，也使这类研究受到了国内外研究学者的诸多关注和重视。随着遥感地图中道路目标提取方法的不断深入研究，遥感信息提取技术已从基于像元分类逐步过渡到面向对象的识别。在高分辨率遥感图像中，通常选取城市人工地物作为提取目标，其中包括道路、机场跑道、建筑物、海岸线等，这其中道路和建筑物占大多数，因此针对于道路的提取对遥感地图中城市地理信息库的更新十分重要。
[0003]道路提取可以为城市地形图的快速更新、交通管理、汽车导航、城市规划，基础地理信息数据库的更新提供方便快捷的方式，同时带来巨大的经济和社会效益。
[0004]Ross提出了一种遥感图像中的高速公路道路提取的方法，该方法首先使用聚类的方法对图像做二值分割，然后，对结果图像进行道路段跟踪连接，最后，利用人工智能技术对道路连接结果进行分析，从而获得最终图像。
[0005]J.B.Mena等对自动提取道路的方法做了深入研究，提出了自己的方法。该方法首先对输入包含RGB信息的彩色图像进行预处理,然后采用TPA(Texture ProgressiveAnalysis)技术，做目标分割并输出二值结果图像。接下来使用形态学细化、骨骼提取等运算提取道路网骨架，最后进行矢量化骨架，同时利用相应的客观评价体系对提取的精度进行评价，该方法主要应用于非城区图像中的道路提取。
[0006]Baumgartner A等人在形态学运算的研究基础上,尝试使用分水岭方法对图像目标分割，使用分水线建立了邻接关系图。然后，根据马尔可夫场原理(MRF)，计算得到图像中能量最小的点，这些点的组合就构成了最终的道路网络信息，实验表明，该方法能取得较好的道路提取效果。
[0007]李德仁、梅天灿等人结合区域和直线特征提取一种识别线状目标的方法，主要针对高分辨率遥感图像中的线型目标。以标记点分水岭变换进行初始分割作为基础，结合目标识别和区域邻接图(RAG)相关知识合并感兴趣区域，最终得到道路检测结果。实验表明，该方法能够有效地提取出遥感图像中的线型目标。
[0008]鲍光淑，肖志强介绍了一种基于遗传算法的方法提取高分辨率SAR图像中的道路网络。该方法首先利用模糊C均值对滤波后的图像进行聚类操作，从而将道路像素与其他像素分割开来。分割结果可用于建立道路的模型，利用遗传算法搜索最优道路。实验表明，该方法可很好的用于SAR影像中的道路提取。
[0009]汪闽，骆剑承等人提出了一种有效分割并提取道路的方法。该方法首先计算高斯-马尔可夫随机场纹理特征，然后结合支持向量机方法进行图像分割，得到初始道路斑块，利用细化方法得到道路骨架，基于道路骨架搜索最终得到完整的道路网络。
[0010]K-means是一种非监督聚类分割方法，广泛应用在遥感图像的目标分割中。K-means聚类方法以k为参数，将遥感图像分为k个不同的类别，并比较分割的各类别内具有的相似度，由于不同的分割类别间具有较大的差异，因此最终可以分割出目标。
[0011]近年来，研究人员经过不断创新，改进了许多基于遥感图像的道路提取方法。由于在低分辨率图像的信息量较少，因此采用高分辨率遥感影像可以提高道路信息提取的精度。相比于中低分辨率遥感图像，在高分辨率影像中更多的道路细节被清晰地展现出来。由于目前的道路提取方法尚不完善，而且高分辨率遥感图像也有一定的复杂性，单一的方法不能有效地对道路进行提取，本发明提出了一种针对不同的道路类型，基于K-means聚类和数学形态学理论，再结合图像分割方法，得到一种道路分割、提取的方法，来达到提取高分辨率遥感图像中完整道路信息的目的。
【发明内容】
[0012]本发明目的在于，提出一种利用K-means的道路提取方法，可以使得高分辨率地图中的道路分割结果连续性好，而且道路无明显的裂痕，可以实现对高分辨率道路的比较完整提取。
[0013]本发明是采用以下技术手段实现的:
[0014]1、一种基于K-means的高分辨率遥感地图道路提取方法，其特征在于包括如下步骤:
[0015]步骤1:输入图像，读入1024x1024高分辨率(10米以内)遥感地图图像；
[0016]步骤2:依据高分辨率遥感图像颜色特征，将输入彩色图像转化成灰度图像(0-255级)，将步骤I得到的多通道高分辨率颜色的图像进行灰度化处理，得到灰度图像；
[0017]步骤3:对所述步骤2的灰度图像进行K-means聚类处理,方法如下:
[0018]步骤3.1:选取初始类别中心，设置初始类别c的值，在影像中选择c个不同的地物对象，其中每个地物对象表示为一个类别的中心；设定有C个类别，C的类别范围为[2，5]，设置其中心分别为Zl，12,…，Zc ；
[0019]步骤3.2:依据不同地物类别中心与剩余的对象之间的距离，将每个对象根据类别与对象的距离判定赋予到最邻近的分割类别，然后重新统计所有分割类别的均值，此聚类过程不断迭代，直至准则函数收敛为止，方法如下:
[0020]输入一个像素X，把该像素归入c个类别中的道路类别中，方法如下:
【权利要求】
1.一种基于K-means的高分辨率遥感地图道路提取方法，其特征在于包括如下步骤: 步骤1:输入图像，将高分辨率1024x1024，10米以内，遥感地图图像输入； 步骤2:依据高分辨率遥感图像颜色特征，将输入彩色图像转化成灰度图像[0，255]级，将步骤I得到的多通道高分辨率颜色的图像进行灰度化处理，得到灰度图像； 步骤3:所述步骤2的灰度图像进行K-means聚类处理，方法如下: 步骤3.1:选取初始类别中心，设置初始类别c的值，在影像中选择c个不同的地物对象，其中每个地物对象表示为一个类别的中心；设定有c个类别，c的类别范围为[2，5]，设置其中心分别为Z1，Z2，-,Zc ； 步骤3.2:依据不同地物类别中心与剩余的对象之间的距离，将每个对象根据类别与对象的距离判定赋予到最邻近的分割类别，然后重新统计所有分割类别的均值，此聚类过程不断迭代，直至准则函数收敛为止，方法如下: 输入一个像素X，把该像素归入c个类别中的道路类别中，方法如下:
d(x，Z”)<d(x，Z^p^ j = 1，2，...，c 且 j 古 i 贝ikeSf) 其中是以Zjil为中心的类，d(x，y)为向量x，y之间的距离； 步骤3.3:由步骤3 .2得到贫乂/二丨又…^丨类，计算得到新的聚类中心Zfl方法如下:
【文档编号】G06K9/46GK103984946SQ201410219942
【公开日】2014年8月13日 申请日期:2014年5月23日 优先权日:2014年5月23日
【发明者】何宁, 张璐璐, 徐成, 王金宝, 刘伟, 刘丽 申请人:北京联合大学