亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于遙感影像的地圖道路網(wǎng)數(shù)據(jù)變化檢測分析

        2021-09-27 03:10:58呂喜容
        經(jīng)緯天地 2021年4期
        關(guān)鍵詞:道路網(wǎng)變化檢測結(jié)點(diǎn)

        呂喜容

        (廈門億力吉奧信息科技有限公司,福建 廈門 361009)

        0.引言

        道路遙感影像在民生、救災(zāi)、軍事等方面具有重要作用,因此,研究地圖道路網(wǎng)數(shù)據(jù)變化檢測分析方法,分析同一地區(qū)不同時相的遙感影像,檢測道路網(wǎng)數(shù)據(jù)變化,定位產(chǎn)生變化的道路,判斷變化類型,及時更新道路地圖,具有重要意義。

        當(dāng)前國內(nèi)外道路變化檢測研究都取得較大發(fā)展,通過圖像配準(zhǔn)、目標(biāo)分割等計算機(jī)視覺技術(shù),檢測變化的道路區(qū)域,分類和識別道路變化類型。文獻(xiàn)[1]預(yù)處理采集的道路遙感影像,將筆畫寬度作為道路特征,采用均值漂移算法,初始化道路特征信息,在遙感影像的樣本數(shù)據(jù)中,后處理道路數(shù)據(jù),提取符合空間形態(tài)的道路數(shù)據(jù),以及符合屬性特征的信息數(shù)據(jù),但該方法受外界地形和天氣影響較大,道路區(qū)域檢出率較低。文獻(xiàn)[2]構(gòu)建道路特征編碼器,采用遷移權(quán)值算法,區(qū)分道路區(qū)域和非道路區(qū)域的空間幾何特征,利用人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法,擬合道路特征,得到道路輻射的主干網(wǎng),但該方法自動化程度較低,道路區(qū)域拓?fù)浣Y(jié)構(gòu)不連貫,檢測精度較低。針對以上問題,結(jié)合區(qū)域遙感影像,設(shè)計地圖道路網(wǎng)數(shù)據(jù)變化檢測分析方法,采用旋轉(zhuǎn)滑動模板,聚類遙感圖像中的道路區(qū)域,優(yōu)化道路檢出率和檢測精度。

        1.基于遙感影像的地圖道路網(wǎng)數(shù)據(jù)變化檢測分析方法設(shè)計

        1.1 提取遙感影像的道路網(wǎng)數(shù)據(jù)

        采用旋轉(zhuǎn)滑動模板,結(jié)合聚類算法,提取遙感影像中的道路網(wǎng)數(shù)據(jù)。將可旋轉(zhuǎn)的滑動模板,作為提取道路網(wǎng)數(shù)據(jù)的基本單元,根據(jù)遙感圖像分辨率,設(shè)置模板大小。把遙感圖像輸入旋轉(zhuǎn)滑動模板,滑動矩形模板,0~90°旋轉(zhuǎn)模板,使模板覆蓋所有道路區(qū)域。矩形模板的旋轉(zhuǎn)角度,由計算模板頂點(diǎn)得到,如公式(1)所示:

        式(1)中,(x,y)為模板當(dāng)前頂點(diǎn)位置;a為旋轉(zhuǎn)角度;(x1,y1)為模板旋轉(zhuǎn)后的頂點(diǎn)位置;m、n分別為模板長度和寬度。將長度遠(yuǎn)大于寬度的條狀結(jié)構(gòu),作為遙感影像中道路的幾何特征,刪除不符合幾何特征的區(qū)域,在模板兩側(cè)設(shè)置長方形區(qū)域,取反檢測背景,剔除非道路干擾區(qū)域。采用鄰域均值法,對遙感圖像進(jìn)行任意角度的一致性檢測,統(tǒng)計模板內(nèi)相似的像素個數(shù),將相似個數(shù)大于設(shè)定閾值的模板區(qū)域,作為一致性較高區(qū)域,即地圖道路的候選區(qū)域。

        篩選道路候選區(qū)域,通過特定顏色量化像素值,統(tǒng)計量化后的像素,得到顏色分布的顏色直方圖,將其作為候選區(qū)域的顏色特征,將RGB色彩空間的三原色,轉(zhuǎn)換為HSV中的亮度、飽和度、色調(diào)三個參數(shù),增加顏色直方圖的維度。然后提取道路候選區(qū)域的紋理特征,定義9×9大小的方形窗口,令方形窗口遍歷整幅遙感圖像,比較窗口內(nèi)中心點(diǎn)和其余點(diǎn)的像素值大小,若小于中心點(diǎn),將像素點(diǎn)位置視作0,否則視作1,從左至右依次讀取位置點(diǎn)數(shù),統(tǒng)計窗口內(nèi)所有像素點(diǎn)的二進(jìn)制數(shù),將相同的二進(jìn)制數(shù)歸為一類,記錄二進(jìn)制數(shù)中的最小數(shù)值,即為候選區(qū)域的紋理特征[3]。

        將提取的顏色特征和紋理特征,輸入k-means聚類算法,不斷修正所有道路區(qū)域和非道路區(qū)域的距離誤差,得到去除廣場、水體等大部分誤檢區(qū)域的道路候選區(qū)域,界定道路區(qū)域和非道路區(qū)域。針對二進(jìn)制數(shù)的道路網(wǎng)絡(luò)二值圖像,檢測二值圖像中的非零部分,把道路端點(diǎn)細(xì)化為單像素,將單像素連通區(qū)域作為道路骨架。提取道路骨架,統(tǒng)計骨架內(nèi)與非零像素點(diǎn)歐式距離為1的像素點(diǎn),當(dāng)非零像素周圍僅有一個不為零的像素點(diǎn)時,判定該點(diǎn)為骨架末端像素點(diǎn),否則判定該點(diǎn)處于非末端區(qū)域,標(biāo)記并連接道路末端的像素點(diǎn),得到遙感圖像的道路網(wǎng)[4]。至此完成遙感影像道路網(wǎng)數(shù)據(jù)的提取。

        1.2 匹配新道路網(wǎng)數(shù)據(jù)和歷史道路網(wǎng)數(shù)據(jù)

        將遙感影像提取的道路網(wǎng)數(shù)據(jù),作為新道路網(wǎng)數(shù)據(jù),使其與歷史道路網(wǎng)數(shù)據(jù)相匹配。引入徑向基函數(shù)網(wǎng)絡(luò)理論,匹配道路網(wǎng)數(shù)據(jù)的幾何信息,包括長度、形狀、方向、結(jié)點(diǎn)度、距離,將其作為道路網(wǎng)數(shù)據(jù)的5個空間特征,判斷新道路網(wǎng)和歷史道路網(wǎng)的相似度。利用長度相似度S,判定道路幾何長度的相似程度,如公式(2)所示:

        式(2)中,L、L′分別為新道路網(wǎng)數(shù)據(jù)、歷史道路網(wǎng)數(shù)據(jù)中的道路幾何長度;min、max分別為求最小值函數(shù)、求最大值函數(shù)。利用方向相似度A,判定道路整體走向的相似程度,如公式(3)所示:

        式(3)中,O、O′分別為新數(shù)據(jù)和歷史數(shù)據(jù)中道路首尾結(jié)點(diǎn)連線的方向角。利用形狀相似度,綜合描述道路形狀特性,包括綜合型道路、曲線型道路、平直型道路,形狀相似度特征因子f計算公式如公式(4)所示:

        式(4)中,X、X′分別為新數(shù)據(jù)和歷史數(shù)據(jù)中第i個節(jié)點(diǎn)和第i+1個節(jié)點(diǎn)組成向量。形狀相似度G計算公式如公式(5)所示:

        式(5)中,M、M′分別為新數(shù)據(jù)和歷史數(shù)據(jù)中的道路節(jié)點(diǎn)數(shù);ki+1、ki為道路第i+1節(jié)點(diǎn)與起始節(jié)點(diǎn)、i節(jié)點(diǎn)與起始節(jié)點(diǎn)之間累積長度與道路總長度的比值[5]。利用距離相似度F,描述道路之間的相對位置差異,計算公式如公式(6)所示:

        式(6)中,U為新數(shù)據(jù)和歷史數(shù)據(jù)中的道路Hausdorff距離;B為新數(shù)據(jù)中道路生成的搜索緩沖區(qū)半徑。利用結(jié)點(diǎn)相似度D,判定新數(shù)據(jù)和歷史數(shù)據(jù)中,道路兩端結(jié)點(diǎn)的結(jié)點(diǎn)度相似程度,對道路首尾結(jié)點(diǎn)的相似度進(jìn)行分權(quán)求和,結(jié)點(diǎn)相似度D計算公式如公式(7)所示:

        式(7)中,J、J′分別為新數(shù)據(jù)和歷史數(shù)據(jù)中的道路首結(jié)點(diǎn)結(jié)點(diǎn)度;P、P′分別為新數(shù)據(jù)和歷史數(shù)據(jù)中的道路尾結(jié)點(diǎn)結(jié)點(diǎn)度。構(gòu)建三層結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò),把5個空間特征相似度值,作為網(wǎng)絡(luò)輸入信號,非線性連接網(wǎng)絡(luò)結(jié)構(gòu),迭代訓(xùn)練神經(jīng)元輸出值,輸出新道路網(wǎng)數(shù)據(jù)和歷史道路網(wǎng)數(shù)據(jù)的匹配度。采用非參數(shù)化離散算法,由輸出層至輸入層逆向傳播誤差信號,結(jié)合不同結(jié)構(gòu)的神經(jīng)元概率函數(shù),修正網(wǎng)絡(luò)連接權(quán)值,最小化誤差信號,消除匹配度輸出值和真實(shí)值之間的偏差。歸一化處理輸出的最終匹配度I,計算公式如公式(8)所示:

        式(8)中,h為隱含層輸出值;l為神經(jīng)網(wǎng)絡(luò)連接權(quán)值。將匹配度最高的新道路網(wǎng)數(shù)據(jù)和歷史道路網(wǎng)數(shù)據(jù),作為最佳匹配,確定兩份數(shù)據(jù)為同名要素。至此完成新道路網(wǎng)數(shù)據(jù)和歷史道路網(wǎng)數(shù)據(jù)的匹配。

        1.3 檢測匹配道路網(wǎng)數(shù)據(jù)變化

        計算匹配道路網(wǎng)數(shù)據(jù)變化特征,檢測新道路和歷史道路的變化。計算道路空間變化特征,設(shè)置道路路長變化閾值,當(dāng)長度相似度小于閾值,判定道路長度發(fā)生變化,否則未發(fā)生變化,若發(fā)生變化時,當(dāng)L>L′,判定道路變化類型為延長,否則為縮短。設(shè)置道路路型變化閾值、方向變化閾值、距離變化閾值,當(dāng)形狀相似度小于路型變化閾值時,判定道路發(fā)生局部形變,否則未發(fā)生變化,當(dāng)方向相似度小于方向變化閾值時,判定道路發(fā)生旋轉(zhuǎn)變化,否則未發(fā)生變化,當(dāng)距離相似度小于距離變化閾值時,判定道路發(fā)生位置變化,否則未發(fā)生變化。通過道路弧段結(jié)點(diǎn)度,衡量道路結(jié)點(diǎn)是否發(fā)生變化,其結(jié)點(diǎn)度V計算公式如公式(9)所示:

        式(9)中,C、C′分別為新數(shù)據(jù)和歷史數(shù)據(jù)中道路弧段的結(jié)點(diǎn)度,當(dāng)結(jié)點(diǎn)度大于0時,判定道路結(jié)點(diǎn)度增加,結(jié)點(diǎn)度小于0,判定道路結(jié)點(diǎn)度減小,結(jié)點(diǎn)度等于0,則判定道路結(jié)點(diǎn)度保持不變。分析道路屬性變化特征,包括寬度、名稱、材質(zhì)、等級、車道數(shù)等附屬信息,通過字符相加形式,把道路所有屬性值,都合并到新增屬性字段中。道路新增屬性字段Z計算公式,如公式(10)所示:

        式(10)中,Z1、Z2、L、Zn為道路各屬性字段;N為道路包含的屬性類別。采用重心后移規(guī)律匹配算法,計算新增屬性字段的相似度,設(shè)置道路屬性變化閾值,當(dāng)屬性相似度低于閾值時,判定道路屬性發(fā)生變化,否則未發(fā)生變化。劃分決策數(shù)結(jié)點(diǎn)為內(nèi)部結(jié)點(diǎn)和葉結(jié)點(diǎn),使其分別表示一個道路特征,以及特征對應(yīng)的道路變化。采用決策樹生成算法,排序道路網(wǎng)數(shù)據(jù)幾何變化特征、屬性變化特征的影響力值,根據(jù)影響力值設(shè)定決策樹的結(jié)點(diǎn)值。影響力值K計算公式如公式(11)所示:

        式(11)中,g(j,E)為第j個遙感影像樣本數(shù)據(jù)中第E個道路變化特征的影響力值,S為樣本數(shù)量。從大到小依次排序變化特征的影響力值,生成決策樹的樹形結(jié)構(gòu),遞歸選擇最優(yōu)變化特征,映射道路變化特征和變化類型,其映射關(guān)系如下:長度變化特征對應(yīng)道路延長和縮短,方向變化特征對應(yīng)道路旋轉(zhuǎn)變化,形狀變化特征對應(yīng)道路局部變形,距離變化特征對應(yīng)道路位置變化,結(jié)點(diǎn)度變化特征對應(yīng)道路結(jié)點(diǎn)度增加、結(jié)點(diǎn)度減小,屬性變化特征對應(yīng)道路屬性變化。將信息增益作為最優(yōu)變化特征的選擇準(zhǔn)則,遍歷遙感影像中的所有樣本數(shù)據(jù),根據(jù)決策樹檢測到的最優(yōu)變化特征,判斷并分類道路網(wǎng)數(shù)據(jù)變化。至此完成匹配道路網(wǎng)數(shù)據(jù)變化的檢測,實(shí)現(xiàn)結(jié)合區(qū)域遙感影像,地圖道路網(wǎng)數(shù)據(jù)變化檢測分析方法的設(shè)計。

        2.實(shí)驗(yàn)論證分析

        將此次設(shè)計方法(方法1),與用于地圖道路網(wǎng)數(shù)據(jù)變化檢測分析的核密度檢測方法(方法2)、貝葉斯網(wǎng)絡(luò)檢測方法(方法3),進(jìn)行對比實(shí)驗(yàn),比較三組分析方法的檢測性能。

        2.1 實(shí)驗(yàn)準(zhǔn)備

        選擇某城市2000年基礎(chǔ)道路網(wǎng)數(shù)據(jù)和2020年基礎(chǔ)道路網(wǎng)數(shù)據(jù),包括縣鄉(xiāng)道、省道、國道三類道路,將2000年數(shù)據(jù)作為歷史數(shù)據(jù),共有1426條道路,將2020年數(shù)據(jù)作為新數(shù)據(jù),共有1883條道路,統(tǒng)計的道路網(wǎng)數(shù)據(jù)變化(如表1所示):

        表1 道路網(wǎng)數(shù)據(jù)變化統(tǒng)計

        三組方法分別檢測該城市的道路網(wǎng)數(shù)據(jù)變化。選擇15-20級的高分辨率遙感影像,作為提取地圖道路網(wǎng)數(shù)據(jù)的實(shí)驗(yàn)對象,采集遙感影像的外界條件不同,包括夜晚場景和白天場景,陰影和光照變化較大,其比例尺和空間分辨率(如表2所示):

        表2 遙感影像比例尺和空間分辨率

        不同級別遙感影像的圖像分辨率都為256×280。設(shè)計方法在遙感影像中提取道路候選區(qū)域,旋轉(zhuǎn)滑動模板的檢測顯示(如圖1所示):

        圖1 遙感圖像道路網(wǎng)數(shù)據(jù)提取

        左圖為用于檢測的18級遙感圖像,右圖為使用40×10像素大小滑動模板后,提取的道路候選區(qū)域。

        2.2 實(shí)驗(yàn)結(jié)果

        2.2.1 道路檢出率實(shí)驗(yàn)結(jié)果

        針對白天場景和夜晚場景的遙感圖像,比較三組方法的道路檢出率,檢出率C計算公式如公式(12)所示:

        式(12)中,b、c分別為真實(shí)道路區(qū)域和非道路區(qū)域中,檢測為道路區(qū)域的像素點(diǎn)個數(shù)。道路檢出率的實(shí)驗(yàn)對比結(jié)果(如圖2所示):

        圖2 道路檢出率實(shí)驗(yàn)對比結(jié)果

        表3 道路檢出率實(shí)驗(yàn)對比表

        由圖2可知:夜晚場景中的道路檢出率要低于白天場景,針對白天場景的遙感圖像,設(shè)計方法道路檢出率均值為96.8%,相比核密度檢測方法、貝葉斯網(wǎng)絡(luò)檢測方法,本設(shè)計方法道路檢出率分別提高了4.5%、9.3%。針對夜晚場景的遙感圖像,設(shè)計方法道路檢出率均值為92.7%,相比核密度檢測方法、貝葉斯網(wǎng)絡(luò)檢測方法,設(shè)計方法道路檢出率分別提高了5.3%、9.1%。兩個時段平均分別提高了4.9%、9.2%。

        在遙感圖像中提取的道路網(wǎng)數(shù)據(jù),明顯多于另兩組方法,檢測的道路區(qū)域更加全面。

        2.2.2 道路檢測精度實(shí)驗(yàn)結(jié)果

        針對白天場景和夜晚場景的遙感圖像,比較三組方法的道路檢測精度,檢測精度O計算公式如公式(13)所示:

        式(13)中,O為真實(shí)道路區(qū)域中,檢測為非道路區(qū)域的像素點(diǎn)個數(shù)。道路檢測精度實(shí)驗(yàn)對比結(jié)果(如圖3所示):

        由圖3可知:夜晚場景中的道路檢測精度同樣低于白天場景,針對白天場景的遙感圖像,設(shè)計方法道路檢測精度均值為98.4%,相比核密度檢測方法、貝葉斯網(wǎng)絡(luò)檢測方法,設(shè)計方法道路檢測精度分別提高了10.6%、16.8%。針對夜晚場景的遙感圖像,設(shè)計方法道路檢測精度均值為88.1%,相比核密度檢測方法、貝葉斯網(wǎng)絡(luò)檢測方法,設(shè)計方法道路檢測精度分別提高了5.3%、10.2%。兩個時段平均分別提高了8.0%、13.5%。

        圖3 道路檢測精度實(shí)驗(yàn)對比結(jié)果

        表4 道路檢測精度實(shí)驗(yàn)對比表

        在遙感圖像中提取的道路網(wǎng)數(shù)據(jù)更加準(zhǔn)確,充分刪除了圖像中的非道路區(qū)域。

        2.2.3 道路變化檢測精度實(shí)驗(yàn)結(jié)果

        比較三組方法的道路變化檢測精度,變化檢測精度計算公式如公式(14)所示:

        式(14)中,p為正確檢測到發(fā)生變化,且對變化類型判斷正確的道路數(shù)量;v為正確檢測到未發(fā)生變化的道路數(shù)量;q為檢測到的道路總數(shù)量。三組方法的實(shí)驗(yàn)對比結(jié)果(如圖4所示):

        由圖4可知:設(shè)計方法道路變化檢測精度均值為96.6%,對道路屬性變化判斷最為準(zhǔn)確,檢測精度高達(dá)98.3%,核密度檢測方法、貝葉斯網(wǎng)絡(luò)檢測方法道路變化檢測精度均值分別為87.1%和82.6%,設(shè)計方法道路變化檢測精度分別提高了9.5%、14.0%,提高了對道路變化類型的檢測準(zhǔn)確度,檢測結(jié)果更加真實(shí)可靠。

        圖4 道路變化檢測精度實(shí)驗(yàn)對比結(jié)果

        表5 道路變化檢測精度實(shí)驗(yàn)對比表

        3.結(jié)束語

        此次研究結(jié)合遙感影像,設(shè)計了一組地圖道路網(wǎng)數(shù)據(jù)變化檢測方法,提高了道路檢出率和檢測精度,對道路變化類型的判斷更為準(zhǔn)確。但此次研究仍存在一定不足,在今后的研究中,會將道路檢測過程與障礙物檢測過程相融合,提升道路檢測算法的準(zhǔn)確性,使分析方法能夠適應(yīng)多種環(huán)境且復(fù)雜多變的道路環(huán)境。

        猜你喜歡
        道路網(wǎng)變化檢測結(jié)點(diǎn)
        用于遙感圖像變化檢測的全尺度特征聚合網(wǎng)絡(luò)
        基于多尺度紋理特征的SAR影像變化檢測
        基于稀疏表示的視網(wǎng)膜圖像對變化檢測
        Ladyzhenskaya流體力學(xué)方程組的確定模與確定結(jié)點(diǎn)個數(shù)估計
        基于Landsat影像的黃豐橋林場森林變化檢測研究
        高速公路與中小城市道路網(wǎng)連接線關(guān)鍵問題研究——以廣陜、廣巴高速大石互通連接線工程為例
        國外遙感影像道路網(wǎng)提取研究現(xiàn)狀
        道路網(wǎng)中基于RRN-Tree的CKNN查詢
        基于Raspberry PI為結(jié)點(diǎn)的天氣云測量網(wǎng)絡(luò)實(shí)現(xiàn)
        海南省省道路網(wǎng)調(diào)整規(guī)劃編制要點(diǎn)分析
        亚洲一线二线三线写真| 亚洲不卡电影| 日韩午夜在线视频观看| 日本一区二区高清精品| 麻花传媒68xxx在线观看| 色偷偷亚洲第一成人综合网址| 人妻少妇久久中文字幕| 狠狠做深爱婷婷久久综合一区| 无码人妻精品一区二区| 国产xxxx99真实实拍| 精品人妻中文av一区二区三区| 亚洲AV永久无码精品表情包| 亚洲中文字幕第一页免费| 国产精品狼人久久影院软件介绍 | 国产三区二区一区久久| 丁香婷婷激情视频在线播放| 无码国产成人午夜电影在线观看| 国产av无码专区亚洲av蜜芽| 亚洲精品无码久久久久久| 亚洲色大成在线观看| 国产码欧美日韩高清综合一区| 日本精品熟妇一区二区三区 | 亚洲 自拍 另类 欧美 综合| 国产91中文| 久久av一区二区三区下| 日本一区人妻蜜桃臀中文字幕| 国产人妖伦理视频在线观看| 中文字幕人妻在线中字| 亚洲综合av在线在线播放| 国产极品美女到高潮视频| 亚洲免费一区二区三区四区| 免费无码a片一区二三区| 精品亚洲欧美无人区乱码| 国产高潮流白浆免费观看不卡 | 少妇无码av无码去区钱| 国内激情一区二区视频 | 成人综合网亚洲伊人| 日本韩国三级aⅴ在线观看 | 性动态图av无码专区| 亚洲熟女av中文字幕网站| 中文字幕这里都是精品|