一种基于小型无人机航拍图像的道路检测方法与流程

技术特征：

1.一种基于小型无人机航拍图像的道路检测方法，其特征在于，包括如下步骤：

S1,基于改进的graphcut算法，通过人机交互方式，手动提取道路和非道路像素点，通过Orchard-Bouman方法进行聚类；

S2、道路和非道路像素颜色建模:用高斯混合模型(GMM)对道路和非道路像素的颜色分布进行建模，分别为GMM1和GMM2,通过计算图像每个像素点属于GMM1和GMM2的概率，求得Gibbs能量函数中的区域项能量惩罚；

S3、改进光滑项惩罚函数,将局部对比度矩阵替换全局对比度β：针对无人机航拍图像存在不同局部对比度的特性，改进光滑项惩罚函数，将全局对比度β替换为局部对比度矩阵Bwta；

S4、用max-flow算法检测出道路区域。

2.根据权利要求1所述的一种基于小型无人机航拍图像的道路检测方法，其特征在于，所述步骤S1改进的graphcut算法：在道路检测中构造Gibbs能量函数，将求最小割转化为最小化Gibbs能量函数，假设图像Z＝(z₁,z₂,…，z_N)，N为像素点个数,graphcut的目标就是最小化Gibbs能量函数：

E(α，β，θ，z)＝R(α，β，θ，z)+γB(α，z) (1)

其中，R为区域项惩罚函数；B为光滑项惩罚函数；γ为区域项和光滑项惩罚函数的调节因子，决定它们对能量的惩罚大小；α为类标，当α为0时为背景，当α为1时为道路；θ为道路和非道路的高斯混合模型参数；K为道路和非道路高斯混合模型的component个数；

区域项R表示为：

R(α，β，θ，z)＝∑_nD(α_n，k，θ，z_n)

其中，D(α_n，k，θ，z_n)表示像素z_N属于类别αn的能量惩罚；

光滑项B表示为：

$B(\mathrm{\α},z)={\Σ}_{(m,n)\∈c}\[{\mathrm{\α}}_n\≠{\mathrm{\α}}_m\]e^{-\mathrm{\β}\left|\right|z_m-z_n|{|}^2}$

其中，β为图像Z的全局对比度；||z_m-z_n||表示像素z_m和z_N在RGB空间的欧几里得距离。

3.根据权利要求1所述的一种基于小型无人机航拍图像的道路检测方法，其特征在于，所述步骤S2中区域项能量惩罚函数的构建如下：

聚类完成后，根据聚类结果就可以初始化GMM1和GMM2中，各自Component的参数，包括颜色均值μ，3x3的协方差矩阵Σ和每个Component的权重w，权重即该Component像素个数占像素总个数的百分比,则高斯混合模型参数为:

θ＝{w_k，u_k，∑k，k＝1,2，…，n}

得到高斯混合模型GMM1和GMM2后，则每个像素分类为道路和非道路的区域项惩罚函数即为：

$\begin{array}{c}R(\mathrm{\α},K,\mathrm{\θ},Z)=\\ -\log {\Σ}_{k=1}^n{w}_k\frac{1}{\sqrt{\det (\Σk)}}{e}^{(-\frac{1}{2}{\left(z_n-z_k\right)}^T{\Σ}_k^{-1}(u_n-u_k\left)\right)}\end{array}.$

4.根据权利要求1所述的一种汽车用钢化真空夹胶玻璃的制备工艺，其特征在于，所述步骤S3中改进光滑项惩罚函数的构建如下：

将全局对比度β替换为局部对比度矩阵Beta，则：

$B(\mathrm{\α},z)={\Σ}_{(m,n)\∈c}\[{\mathrm{\α}}_n\≠{\mathrm{\α}}_m\]e^{-{\mathrm{Betz}}_{\left(m\right)}\left|\right|z_m-z_n|{|}^2}.$