本发明涉及一种遥感影像道路提取方法及装置，属于遥感信息提取技术领域。
背景技术：
从高分辨率遥感影像上自动提取道路对地图更新、gis数据获取、影像匹配和目标检测具有重要意义，是当前遥感测绘领域的研究重点。高分辨率遥感影像道路提取可分为全自动提取和半自动提取，全自动提取方法常见的主要有基于平行线对、基于数学形态学和知识、基于窗口模型特征等，但从目前研究进展来看，现有的全自动算法鲁棒性差，提取结果需要大量人工处理，效果不理想，采用人机交互方式的半自动提取是目前较为实际的选择。
在遥感影像道路半自动提取方法中，主动轮廓模型和模板匹配方法被认为是较为实用的两种方法。基于动态规划的道路提取算法是一种常用的主动轮廓模型方法，它根据遥感影像上的道路特征构建代价函数，然后利用动态规划求解代价函数的极大值来提取道路。armingruen根据低分辨率遥感影像上的道路主要为具有高灰度值的光滑曲线这一特征，提出了一种经典的基于动态规划的道路提取算法，但这种方法只适用于低分辨率影像，而在中高分辨率影像上，道路不再是简单的线状特征，变成了具有一定宽度的长条状区域，因子poz等人在gruen的基础上，修改了代价函数，加入了道路宽度信息，使该算法能够用于中高分辨率影像的道路提取。但由于高分辨率影像道路特征复杂多变，传统的算法都是直接根据原始影像上的道路灰度特征定义代价函数，因此很难定义具有普适性的代价函数，导致了传统算法只能提取固定灰度特征的简单道路，对于其他类型的道路，只能重新定义相应的代价函数，在实际应用中有很大局限。
技术实现要素：
本发明的目的是提供一种遥感影像道路提取方法，以解决目前的道路提取方法只能提取与道路模型相符的简单道路的问题；本发明还提供了一种遥感影像道路提取装置。
本发明为解决上述技术问题而提供一种遥感影像道路提取方法，包括六个技术方案，方法方案一，该方法包括以下步骤：
1)计算原始遥感影像道路概率密度，将原始遥感影像上的道路特征转换为道路概率密度的特征；
2)根据道路中心线上的概率值高于其它位置上的概率值的特征构建道路中心线模型，并根据道路中心线模型确定代价函数；
3)利用动态规划求解代价函数的极大值，以该极大值作为道路中心线。
本发明将原始遥感影像上复杂多样的道路特征转换为道路概率分布图上简单一致的道路特征，使之能够提取不同类型的高分辨率遥感影像道路，不需要修改代价函数，提高了方法的普适性。
方法方案二：在方法方案一的基础上，所述步骤1)的遥感影像道路概率密度是采用支持向量机和核密度估计确定的，具体过程如下：
a.采用支持向量机将遥感影像进行分类，得到一系列道路样本点；
b.利用核密度估计计算各道路样本点的概率密度。
本发明采用支持向量机进行分类，所需的训练样本由人工从道路特征数据库中挑选，通过少量人工参与完成高分分辨率遥感影像上具有一定宽度的道路信息采集任务，明显缩短成图周期，大大提高了遥感影像自动化处理程度。
方法方案三：在方法方案二的基础上，所述步骤b中得到的概率密度为：
其中xi为得到的第i个道路样本点，
方法方案四：在方法方案三的基础上，所述的核函数采用高斯核函数。
方法方案五：在方法方案一或二的基础上，所述步骤2)中构建的道路中心线模型为：
ep＝∫{g[f(s)]}2ds＝max
eg＝∫[f″(s)]2ds＝min
cg＝|f″(s)|≤t1
其中g(x)表示道路概率分布函数，f(s)表示道路中心线，t1为设定阈值。
方法方案六：在方法方案五的基础上，根据道路中心线模型构建的代价函数为：
其中p＝{p1,...,pn},pi＝(xi,yi)是道路中心线上折线段的n个顶点，s为线段pipi+1的像素集合，
本发明还提供了一种遥感影像道路提取装置，包括以下六个方案，装置方案一：该道路提取装置包括存储器和处理器以及存储在所述存储器上并在所述处理器上运行的计算机程序，所述处理器与所述存储器相耦合，所述处理器执行所述计算机程序时实现以下指令：
1)计算原始遥感影像道路概率密度，将原始遥感影像上的道路特征转换为道路概率密度的特征；
2)根据道路中心线上的概率值高于其它位置上的概率值的特征构建道路中心线模型，并根据道路中心线模型确定代价函数；
3)利用动态规划求解代价函数的极大值，以该极大值作为道路中心线。
装置方案二：在装置方案一的基础上，所述步骤1)的遥感影像道路概率密度是采用支持向量机和核密度估计确定的，具体过程如下：
a.采用支持向量机将遥感影像进行分类，得到一系列道路样本点；
b.利用核密度估计计算各道路样本点的概率密度。
装置方案三：在装置方案二的基础上，所述步骤b中得到的概率密度为：
其中xi为得到的第i个道路样本点，
装置方案四：在装置方案三的基础上，所述的核函数采用高斯核函数。
装置方案五：在装置方案一或二的基础上，所述步骤2)中构建的道路中心线模型为：
ep＝∫{g[f(s)]}2ds＝max
eg＝∫[f″(s)]2ds＝min
cg＝|f″(s)|≤t1
其中g(x)表示道路概率分布函数，f(s)表示道路中心线，t1为设定阈值。
装置方案六：在装置方案五的基础上，根据道路中心线模型构建的代价函数为：
其中p＝{p1,...,pn},pi＝(xi,yi)是道路中心线上折线段的n个顶点，s为线段pipi+1的像素集合，
附图说明
图1是本发明遥感影像道路提取方法的流程图；
图2是本发明遥感影像道路提取装置的事件处理流程图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的说明。
本发明根据高分辨率遥感影像道路波普特征，采用支持向量机方法将遥感影像分为道路类和非道路类，获取一系列道路样本点，使用核密度估计计算道路概率分布图；根据道路概率分布图上的中心线上的概率值要明显高于其它位置上的概率值的特征构建道路中心线模型和代价函数，利用动态规划提取遥感影像上的道路中心线。该方法的流程如图1所示，具体实施过程如下：
1.获取遥感影像，并将将遥感影像分为道路类和非道路类，获取一系列道路样本点。
由于高分辨率遥感影像存在异物同谱和同物异谱等问题，选用软间隔支持向量机进行分类。支持向量机是由corinnacortes和vapnik等人于1995年提出的一种二类分类模型，它在文本分类、手写数字识别、目标识别以及人脸检测中表现出许多特有的优势，被认为是当前最好的学习算法之一。本发明采用支持向量机将高分辨率的遥感影像划分为道路类和非道路类，以获取一系列道路样本点，其中在采用支持向量机进行分类时，所需的训练样本是由人工从道路特征数据库中挑选的。
2.计算所获取的道路样本点的道路概率分布图。
道路概率分布图表示遥感影像上每一个像素点是道路的概率，概率值是根据像素灰度及其他因素综合计算出的，处理服从未知分布的观测数据，通常需要从已知数据中估计其概率密度函数，这称为概率密度估计。目前常用的概率密度估计方法有参数估计、直方图估计和核密度估计。基于直方图的概率密度估计虽然能够描述数据内在的分布规律，但仍存在三个主要缺点：①图形不光滑；②直方图的形状易受起始点的位置和区间宽度的影响；③当数据为三维或更高维时，直方图估计存在很大局限。核密度估计是直方图估计的一种推广，但与直方图估计不同的是，核密度估计根据观测数据靠近估计点x的程度给予相应的权重，克服了直方图估计不光滑、依赖起始点等缺点。本发明利用核密度估计计算各道路样本点的概率分布图。核密度估计采用的数学模型为：
其中，xi为第i个道路样本点，
3.根据道路中心线上的概率值明显高于其它位置上的概率值的特征构建道路中心线模型和代价函数。
本发明选择利用道路概率分布图上的道路特征来构建道路中心线模型和代价函数，根据道路概率分布特征建立的道路中心线模型为：
1)在道路概率分布图上，道路中心线上的道路样本点的概率估计值比其他道路样本点的概率估计值大，因此，道路中心线上所有样本点的概率估计值的平方和将达到一个最大值，即：
ep＝∫{g[f(s)]}2ds＝max
其中g(x)表示道路概率分布函数，f(s)表示道路中心线。
2)根据道路的几何特性，道路中心线应为一条光滑曲线，即：
eg＝∫[f″(s)]2ds＝min
3)根据交通安全法规要求，道路的局部曲线率存在一个上界，即：
cg＝|f″(s)|≤t1
其中t1为给定阈值。
4.利用动态规划算法来求解道路中心线模型，实现道路的提取。
在具体求解过程中，将道路中心线用一条含n个顶点的折线段表示，且折线段上的顶点绕其初始位置(xi,yi)移动，设折线段的顶点为p＝{p1,...,pn},pi＝(xi,yi)，道路中心线模型的性质1)离散形式为：
其中s为线段pipi+1的像素集合，
cg＝|ai-ai+1|＜t1
其中ai为线段pipi+1的方向，|δsi|为线段pipi+1的长度，即
根据道路中心线模型，构建如下代价函数：
其中，代价函数e为一系列函数项ei的和，每个ei只依赖于折线段的三个相邻顶点{pi-1,pi,pi+1},pi＝(xi,yi)，同时代价函数e必须满足限制条件式|ai-ai+1|＜t1。
动态规划主要用来解决最优化问题，采用动态规划的求解过程为：
对于一个代价函数：
g＝g(x1,x2,...,xn),0≤xi≤mi,i＝1,2,...,n(1)
当其自变量(x1,x2,...,xn)为离散值并且代价函数g为如下形式时：
g(x1,x2,...,xn)＝g1(x1,x2,x3)+g2(x2,x3,x4)+...+gn-2(xn-2,xn-1,xn)(2)
该函数最大值m可用动态规划算法求解，其过程为：
①对于任意变量x2,x3，求解函数f1(x2,x3)：
②仿照第一步继续消除变量x2，即对于任意变量x3,x4，求解函数f2(x3,x4)：
③重复上述步骤，最终可得：
则代价函数的最大值m为：
本发明一种遥感影像道路提取装置的实施例
本实施例中的道路提取装置包括存储器和处理器以及存储在存储器上并在理器上运行的计算机程序，处理器与存储器相耦合，处理器执行计算机程序时实现以下指令：1)计算原始遥感影像道路概率密度，将原始遥感影像上的道路特征转换为道路概率密度的特征；2)根据道路中心线上的概率值高于其它位置上的概率值的特征构建道路中心线模型，并根据道路中心线模型确定代价函数；3)利用动态规划求解代价函数的极大值，以该极大值作为道路中心线。处理器可以采用单片机、dsp、plc或mcu等，存储器可以采用ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、移动磁盘、cd-rom或者本领域已知的任何其他形式的存储介质，各指令的具体实现手段已在方法的实施例中进行了说明，这里不再赘述。该装置的事件处理流程如图2所示。装置实施过程中的事件流程主要分为3部分，主框架窗口、遥感影像道路提取装置主控入口、数据库引擎访问部件。首先用户根据需要通过主框架窗口进行相应操作，设置道路采集的具体参数；然后装置调用外部数据库引擎当中的数据或模型，获取相应的道路特征；最后，通过遥感影像道路提取装置主控入口进行实际道路提取处理并对最后的结果进行评价。
本发明可应用于高分辨率遥感影像道路信息采集作业当中，改变现有地理信息保障模式，通过少量人工参与完成高分分辨率遥感影像上具有一定宽度的道路信息采集任务，明显缩短成图周期，大大提高遥感影像自动化处理程度。对我国经济建设和社会发展具有重要作用。此外，本发明也可用于间信息对地震灾害监测、gis更新、地图制图等方面，具有广泛的社会应用前景和重要的应用价值。
以上给出了具体的实施方式，但本发明不局限于所描述的实施方式，对本领域普通技术人员而言，根据本发明的教导，设计出各种变形的模型、公式、参数并不需要花费创造性劳动，在不脱离本发明的原理和精神的情况下对实施方式进行的变化、修改、替换和变型仍落在本发明的保护范围内。