一种基于矢量引导的无人机影像道路损毁评估方法与流程

本发明涉及一种无人机影像道路损毁评估方法，尤其是基于矢量引导的无人机影像道路损毁评估方法，属于道路灾害评估技术领域。

背景技术：

道路交通作为主要的交通方式，它承载了大部分的人员流动、货物运输任务，在国民经济发展中起着至关重要的作用。然而道路经常受到地震、洪水、泥石流等自然灾害的破坏，造成严重的道路损毁，给国民经济带来极大的损失。在道路遭到损毁之后，公路管理部门需要在道路沿线做大量调查，评估道路的损毁程度。

传统道路损毁评估大多采用人工现场调绘的方式，这种方式费时费力，无法快速评估道路的损毁情况。尤其在重大灾害发生后，道路完全损毁，人员根本无法进入灾害区域进行人工调查，此时传统的道路损毁评估方法完全失效。

遥感卫星和常规航空摄影飞机可以为灾后道路损毁评估提供支持，利用遥感影像做道路损毁评估的技术得到快速发展，但是遥感影像的分辨率一般较低，道路在影像上往往表现为非常细的线状目标，因此道路损毁评估的精度也相应受到限制。另一方面，卫星遥感和常规航空摄影都会受到云雾遮挡的影响，而灾害的发生往往都伴随着阴雨云雾天气的出现，导致无法利用遥感卫星和常规航空摄影飞机获取道路损毁区域的影像，因此这种方法的实用性受到了极大的限制。

无人机出现后，因其机动性强、低空飞行不受云雾影响等特点，很适合做道路损毁调查应用。利用无人机影像可以将道路损毁评估的工作大部分内容转移到室内完成，大大提高了道路损毁评估的工作效率。并且无人机可以到达一些人无法到达的区域，使许多原来没有办法完成的道路损毁评估工作变得可以完成，大大提高了道路损毁评估的可能性。

但是现有的利用无人机影像进行道路损毁评估的技术还是以人工目视判读为主，采取的做法是野外采集无人机影像之后，回到室内对图像进行人工解译，手动标记出损毁区域，并利用地理信息系统平台统计损毁区域的面积，以此来评估道路的受损情况。这种方式的工作效率依旧不够高，且严重依赖人的经验，结果也不够客观。

本发明提供的基于矢量引导的无人机影像道路损毁评估方法，利用匹配好的无人机影像和道路网矢量数据，可以自动化地评估道路损毁情况，具有自动化程度高、速度快、评估结果客观的特点。

技术实现要素：

针对背景技术存在的自动化程度低、工作效率不高，结果不够客观的不足，本发明提供了一种基于矢量引导的无人机影像道路损毁评估方法。本发明提出的方法可以充分利用计算机算法，将匹配好的矢量数据和遥感影像数据输入到计算机中，由计算机自动完成道路损毁的评估。

本发明采用的技术方案如下：

一种基于矢量引导的无人机影像道路损毁评估方法，步骤包括：

步骤1，矢量道路网数据与无人机影像数据配准；

步骤2，无人机影像道路面边缘提取；

步骤3，对步骤2提取的道路面边缘进行形态学处理，形成多个连通域，其中一个连通域就是一个完整的道路面；

步骤4，在矢量引导下生成种子点，再以种子点为基础对连通域进行填充，形成道路面；

步骤5，道路损毁情况评估，依据步骤4中道路面的个数、道路的长度、道路的宽度、道路面的总面积，对道路的损毁进行评估，计算出道路损毁的评估值。

进一步的，步骤2中采用具有双边阈值特性的canny算子提取道路面边缘，具体实现方式如下，

(2-1)采用缓冲区的方式确定无人机原始影像上裁剪的范围，其中缓冲区的宽度根据道路的宽度设置；

(2-2)道路裁剪，利用缓冲区作为裁剪模板，将落在裁剪模板区域内的像素保留，落在裁剪模板区域外的像素值置为0，得到道路裁剪后的图像；

(2-3)对(2-2)中的图像灰度化，变换的公式如下：

gray＝(r*299+g*587+b*114+500)/1000(1)

其中r、g、b分别代表原始彩色图像的红绿蓝三个波段的值，gray代表变换后的灰度值；

(2-4)对灰度化的图像进行中值滤波，采用一个3*3的窗口，取窗口中9个像素值的中位数作为窗口中间的像素值，达到滤波的效果；

(2-5)canny算子提取道路面边缘，实施过程如下：

(a)采用两个阈值threshold1和threshold2分别对中值滤波后的图像做梯度运算，且threshold1>threshold2，保留梯度值大于阈值的像素点作为候选边缘，threshold1确定出来的边缘为edge1，threshold2确定出来的边缘为edge2；

(b)以edge1为基础，将和edge1相连的edge2并入edge1，并以合并后的edge1为基础，继续合并，重复此过程直到没有和edge1相连的edge2。

进一步的，步骤3的具体实现方式如下，

(3-1)以一个结构元素对初始道路边缘做闭运算，闭运算的公式如下：

公式中，a是原始边缘图像，b是结构元素，闭运算就是先用b对a进行膨胀操作，之后再用b对a进行腐蚀操作；

(3-2)为了使边缘更加精细化，以另一个结构元素，通过以下约束原则将边缘细化成单像素的细线：

i)去除该点将改变连通性；

ii)去除该点将使线变短。

进一步的，步骤4的具体实现步骤如下，

(4-1)在矢量数据的引导下，每隔m米生成一个种子点，作为连通域填充的起始种子点；

(4-2)以种子点为基础进行漫水填充，生成道路面；从第一个种子点开始，依次把各连通域进行填充，并按从1到n的顺序进行像素点标记，同一个连通域的像素标记成同一个数字；在标记的过程中，如果一个种子点所在的像素已经被标记过了，说明连通域已经被标记过了，则跳过该种子点，直到所有的种子点都遍历完成；在种子点生长过程中，设定一个阈值，防止落在道路面外的种子无限填充，达到这个阈值后，如果填充还没有终止，则认为这个种子点落在了道路面之外，将该种子点的所有生长点像素都重置为0，并把填充流程转向下一个种子点。

进一步的，步骤5的具体实现方式如下，

(5-1)道路损毁点个数评估；统计道路面的个数，它等于最后一个被填充的连通域像素值的标记值，道路损毁点的个数就等于道路面的个数减1；

(5-2)道路损毁面积评估；通过比对道路受灾前的面积和道路受灾后的面积，间接评估出道路的受灾面积，具体步骤如下：

(a)道路受灾前面积计算；道路受到灾害损毁前，道路是完整的，道路的面积等于道路的长度和宽度的乘积，计算公式如下：

s灾前＝l*d(3)

其中，s灾前为灾前的面积，l为道路的长度，d为道路的宽度；

(b)道路受灾面积评估；道路受灾后，道路面破碎成多个道路面，计算多个道路面面积相加的和，得到受灾后的道路面积，首先依据如下公式计算每个道路面的面积：

si＝ni*s(4)

其中，si为第i个道路面的面积，ni为第i个道路面所含像素值的个数，s为每个像素值的面积，等于分辨率的平方；

最后再计算灾后道路面的总面积，计算公式如下：

s灾后＝s1+s2+…+sn(5)

其中，s灾后为道路受损后的总面积，sn为第n个道路面的面积；

(5-3)道路受损面积百分比评估，依据如下公式计算道路受损面积的百分比：

受损百分比＝(s灾前-s灾后)/s灾前(6)。

本发明具有以下优点和积极效果：

(1)自动化程度高。

本发明提出的方法充分利用了计算机图形处理算法，将大量的工作都交由计算机来完成，因此自动化程度较现有技术方法高。

(2)评估速度快。

本发明提出的方法将道路损毁评估工作整理成了固定的流程，并编写计算机程序自动化地完成了大部分流程，使得整个工作的流程变得非常简单。通过矢量引导的方式，只对道路所处的影像进行处理，大大减少了算法的运算量，加快了计算速度。因此，整个道路损毁评估的工作非常快。

(3)评估结果客观。

现有的技术方案涉及到许多人工操作过程，这些人工操作的结果很大程度上依赖于人的主观经验判断，不够客观。本发明的技术方案将这些人工操作都基于算法自动化完成，整个流程不涉及到人的主观判断，因此道路损毁的评估结果是客观的。

附图说明

图1是本发明方法总体流程图；

图2是本发明步骤1的具体流程图；

图3是本发明步骤2的具体流程图；

图4是本发明步骤3的具体流程图；

图5是本发明步骤4的具体流程图；

图6是道路面填充的算法流程图；

图7是本发明步骤5的具体流程图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述：

图1显示的是本发明实时方式的整体流程：利用已有的道路网矢量数据，将采集到的无人机影像数据与之配准，利用边缘检测算子求得灰度图像的边缘信息，再用形态学算法对边缘进行连接、细化处理。之后利用矢量数据生成种子点，从种子点出发对道路面进行漫水填充，生成多个道路面，最后统计道路面的个数和面积，与完整道路的面积进行比对，实现道路损毁的客观评估。应当指出的是，配准之后的所有步骤都可以在电子计算机的帮助下全自动完成。下面分步骤说明整个实施方式的流程：

步骤1：道路网矢量数据与无人机影像数据配准的流程如图2所示。根据影像的覆盖范围，从路网数据中裁剪得到评估区域的矢量数据，如果要评估的道路有准确的名字或编号，也可以从道路网数据系统中直接查询得到该道路的矢量数据。最后需要将矢量数据和栅格数据转换到同一个坐标系统下，使矢量数据和栅格数据配准在一起。

步骤2：道路面边缘提取的流程如图3所示。道路面边缘提取从图像的基本特征出发，利用道路面和背景之间存在明显边界的特点，通过计算图像的梯度值实现道路面边缘的提取。为了使边缘提取更加准确，本发明采用具有双边阈值特性的canny算子作为边缘计算的算法。下面结合图3说明道路面边缘提取的具体步骤：

(2-1)缓冲区生成。一副无人机原始影像上不仅包含道路实体，还含有大量与道路无关的背景地物，为了加快运算的速度，需要将影像上的道路部分专门裁剪出来，裁剪之前需要确定裁剪的范围，本发明采用缓冲区的方式来确定裁剪的范围。缓冲区的宽度是根据道路的宽度(通过道路网数据获得)设置的，例如，道路宽度为5米，则缓冲区的宽度设为2.5米，缓冲方向为左右缓冲。

(2-2)道路裁剪。道路裁剪利用缓冲区作为裁剪模板，在计算机上自动完成裁剪，裁剪的原则为落在裁剪模板区域内的像素保留，落在裁剪模板区域外的像素值置为0。

(2-3)图像灰度化。为了方便地对图像进行梯度运算提取边缘信息，需要将彩色图像进行灰度化，灰度化可以将原本有三个波段的图像变成只有一个波段的图像，变换的公式如下：

gray＝(r*299+g*587+b*114+500)/1000(1)

其中r、g、b分别代表原始彩色图像的红绿蓝三个波段的值，gray代表变换后的灰度值。

(2-4)中值滤波。受到无人机成像传感器本身精度的影响，无人机影像上会含有许多噪声，这些噪声如果不滤除，将会在边缘提取的时候形成假边缘。中值滤波采用一个3*3的窗口，取窗口中9个像素值的中位数作为窗口中间的像素值，达到滤波的效果。

(2-5)canny算子提取道路面边缘。canny算子是一种常用的边缘提取算子，实施过程如下：

(a)采用两个阈值threshold1和threshold2分别对中值滤波后的图像做梯度运算，且threshold1>threshold2，保留梯度值大于阈值的像素点作为候选边缘，threshold1确定出来的边缘为edge1，threshold2确定出来的边缘为edge2。

(b)以edge1为基础，将和edge1相连的edge2并入edge1，并以合并后的edge1为基础，继续合并，重复此过程直到没有和edge1相连的edge2。

步骤3：道路面边缘形态学处理的流程如图4所示。经过canny算子提取的道路面边缘仍然是不完整的，有许多断裂的地方，无法将道路围成一个完整的道路面。形态学处理可以连接断开的边缘线并使边缘线更加光滑，具体步骤如下：

(3-1)闭运算操作。以一个7*7的矩阵为结构元素，对初始道路边缘做闭运算，闭操作可以消弥狭窄的间断和长细的鸿沟，消除小的空洞，并填补轮廓线中的断裂。闭运算的公式如下：

公式中，a是原始边缘图像，b是结构元素，闭运算就是先用b对a进行膨胀操作，之后再用b对a进行腐蚀操作。

(3-2)细化操作。在闭操作阶段，为了最大程度地将断开的边缘线连接起来，所用的结构元素一般都比较大，这样做处理之后边缘的边缘一般都比较粗，为了使边缘更加精细化，以一个3*3的矩阵为结构元素，通过以下约束原则将边缘细化成单像素的细线：

i)去除该点将改变连通性

ii)去除该点将使线变短只有满足以上情况，中心点像素才不能变为0。

步骤4：道路面填充如图5所示。经过步骤1到步骤3的处理，道路形成了多个连通域，一个连通域就是一个完整的道路面，道路面填充是在矢量引导下生成种子点，再以种子点为基础对连通域进行填充，形成道路面。具体步骤如下：

(4-1)矢量引导生成种子点。对连通域的填充工作最重要的一步是种子点的生成，在矢量数据的引导下，每隔1米生成一个种子点，作为连通域填充的起始种子点。

(4-2)以种子点为基础进行漫水填充，生成道路面。如图6所示，从第一个种子点开始，依次把各连通域进行填充，并按从1到n的顺序进行像素点标记，同一个连通域的像素标记成同一个数字。在标记的过程中，如果一个种子点所在的像素已经被标记过了，说明连通域已经被标记过了，则跳过该种子点，直到所有的种子点都遍历完成。在种子点生长过程中，需要设定一个阈值，防止落在道路面外的种子无限填充，达到这个阈值后，如果填充还没有终止，则认为这个种子点落在了道路面之外，将该种子点的所有生长点像素都重置为0，并把填充流程转向下一个种子点。

步骤5：道路损毁情况评估如图7所示。经过步骤1到步骤4的处理，道路已经被提取成多个完整的道路面，并且每个面的像素点都有一个标记值，通过统计道路面的标记值和像素点个数，可以对道路损毁情况作出评估。具体的步骤如下：

(5-1)道路损毁点个数评估。统计道路面的个数，它等于最后一个被填充的连通区域像素值的标记值，道路损毁点的个数就等于道路面的个数减1。例如，有一条最后被填充的连通域像素标记值为n，则该道路有n-1个损毁点。

(5-2)道路损毁面积评估。通过比对道路受灾前的面积和道路受灾后的面积，间接评估出道路的受灾面积，具体步骤如下：

(a)道路受灾前面积计算。道路受到灾害损毁前，道路是完整的，道路的面积等于道路的长度和宽度的乘积，计算公式如下：

s灾前＝l*d(3)

其中，s灾前为灾前的面积，l为道路的长度，d为道路的宽度。

(b)道路受灾面积评估。道路受灾后，道路面破碎成多个道路面，计算多个道路面面积相加的和，可以得到受灾后的道路面积。首先依据如下公式计算每个道路面的面积：

si＝ni*s(4)

其中，si为第i个道路面的面积，ni为第i个道路面所含像素值的个数，s为每个像素值的面积，等于分辨率的平方，如：无人机影像分辨率为0.1m，则s＝0.01m²。

最后再计算灾后道路面的总面积，计算公式如下：

s灾后＝s1+s2+…+sn(5)

其中，s灾后为道路受损后的总面积，sn为第n个道路面的面积。

(5-3)道路受损面积百分比评估。依据如下公式计算道路受损面积的百分比：

受损百分比＝(s灾前-s灾后)/s灾前(6)

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。