EN中文

Journal of Geo-information Science >

2021 , Vol. 23 >Issue 5: 773 - 784

DOI: https://doi.org/10.12082/dqxxkx.2021.200709

An Extraction Method of Rural Mechanically Cultivated Road Under Dynamic Weight Constraint

  • DAI Jiguang , 1, 2 ,
  • WANG Xiaotong , 1, 2, * ,
  • ZHI Xinyu 1, 2 ,
  • MA Rongchen 1, 2 ,
  • ZHANG Yilei 1, 2
Expand
  • 1. School of Geomatics, Liaoning Technical University, Fuxin 123000, China
  • 2. Institute of spatiotemporal transportation data, Liaoning Technical University, Fuxin 123000, China
*WANG Xiaotong, E-mail:

Received date: 2020-11-23

  Request revised date: 2021-01-26

  Online published: 2021-07-25

Supported by

National Natural Science Foundation of China(42071428)

National Natural Science Foundation of China(42071343)

Liaoning Provincial Department of Education Project Services Local Projects(LJ2019FL008)

Key Laboratory of Surveying and Mapping Science and Geospatial Information Technology of Ministry of Natural Resources(2020-3-5)

Copyright

Copyright reserved © 2021
Fold

Abstract

The agricultural machinery field work has developed rapidly. There is an urgent need for more accurate Mechanically Cultivated Road (MCR) network data in agricultural production scheduling. Thus, it is necessary to obtain accurate and effective rural MCR information. However, compared with other types of roads, the narrow pavement width and the small difference between pavement material and farmland are the typical characteristics of rural MCR, which are the main factors leading to the low degree of automation in existing template matching methods. In order to solve the problems mentioned above and improve the accuracy of the MCR extraction, the solutions are proposed as follows: Firstly, by improving the Multi-Scale Line Segment Orientation Histogram (MLSOH) model, we can not only predict the local road direction of MCR, but also reduce the probability of wrong prediction of road direction due to the interference of ridges. Secondly, the line segments of the image are extracted, which can clearly characterize the linear characteristics of MCR. The length of line segments in the local area is taken as the main factor of the dynamic weight distribution. The dynamic weight distribution is carried out for different road prediction directions, so as to solve the problem of the decrease in matching accuracy due to the narrow width of the MCR. Finally, the similarity analysis model of HSL color space is combined with the dynamic weight factor to form the HSL dynamic matching model to improve the contrast between the MCR and the farmland, so as to increase the accuracy of the MCR extraction. In this paper, in order to verify the effectiveness of the proposed algorithm, three high-resolution remote sensing images of different regions and data types are acquired. Two GF-2 images, with a spatial resolution of 0.8 m, covered areas in Tongliao City, Inner Mongolia, and areas in Enshi City, Hubei Province, respectively. One Geo-Eye image, with a spatial resolution of 0.5 m, covered the town of Hobart, Australia. Through qualitative and quantitative analysis of the proposed and comparison algorithms, the conclusions are as follows: the road extraction integrity, accuracy, and quality of the proposed algorithm are all above 95 %. The proposed algorithm has the advantage of high automation while ensuring the extraction accuracy of MCR. It can also be extended to other rural roads.

Key words： Mechanically Cultivated Road (MCR); weight allocation; dynamic constraint; HSL color space; euclidean distance; template matching; road extraction

Cite this article

DAI Jiguang , WANG Xiaotong , ZHI Xinyu , MA Rongchen , ZHANG Yilei . An Extraction Method of Rural Mechanically Cultivated Road Under Dynamic Weight Constraint[J]. Journal of Geo-information Science, 2021 , 23(5) : 773 -784 . DOI: 10.12082/dqxxkx.2021.200709

1 引言

利用遥感影像进行道路提取是快速掌握道路信息的有效手段。近些年来,国内外学者开展了大量基于高分辨率遥感影像的道路提取方法研究。按照驱动机制之间的差异,本文将道路提取方法分为深度学习方法和传统方法[1]。
深度学习方法属于典型的数据驱动机制,该方法通过端到端的训练,实现网络参数的最佳拟合,以此完成对测试集中道路的识别。例如,Saito等[2]利用卷积神经网络（Convolutional Neural Network, CNN）在遥感影像中直接对建筑物以及道路进行提取。Cheng等 [3]提出级联的端到端卷积神经网络（CasNet）方法;Wei等[4]在全卷积神经网络（Fully Convolutional Network, FCN）[5]网络架构基础上,设计了基于交叉熵损失函数的道路提取网络优化指标,提升了道路提取效果;Panboonyuen等[6]利用Segnet网络并结合ELU（Exponential Linear Unit）函数扩增数据,改善了道路提取的完整度;Lin等[7]提出多路径优化网络（Multi-Path Refinement Networks, Multi-Path RefineNet）,通过级联优化网络（Refinement Network, RefineNet）和残差网络（Residual Net, ResNet）[8]的组合使用,提升了模型的泛化能力。总体来看,深度学习在道路提取领域中获得了较大的成功,尤其在解决车辆干扰、影像模糊等制约道路提取的瓶颈性问题方面。目前深度学习方法道路提取结果精度通常可以达到90%以上,但完整度通常低于85%[9,10,11]。并且深度学习提取的道路结果没有拓扑网络关系,不能实现数据直接入库,因而使得深度学习结果缺乏应用性。
传统方法属于理论驱动方法。该方法通常利用道路特征构建理论模型,建立模型范式,以此来完成道路的识别。分为3类[1]：知识驱动[12,13]、面向对象[14,15,16]、模板匹配[17,18,19,20,21,22]。其中,知识驱动方法是利用矢量数据、GPS点等先验数据作为位置方向引导,以此完成对道路的提取[23]。而面向对象方法则将道路视为具有一定几何纹理规律性的区域,通过影像处理得到分割区域结果,利用分类及后处理方法完成对道路的提取[1]。模板匹配方法采用人机交互方式,从局部相似度出发,当局部影像信息与人工标准模板相匹配,地物得到破译和识别。T型模板[17]、剖面模板[18]、矩形模板[19]、圆形模板[20]、多扇形描述子[21,22]均是比较典型的模板匹配方法。相对于言,知识驱动和面向对象方法对场景变化敏感度高,很难保证稳定的精度与完整率,而模板匹配方法引入人对道路拓扑关系的认知,当局部道路提取结果不满足要求时,可直接进行人工干预,故而这种人机交互的方式不仅可以完整地提取单条矢量线,而且可以保证提取结果的精度、完整度、质量,因此该类方法具有实际应用性强的优点。但与之形成对应的是,模板匹配方法需要大量输入人工种子点,以满足实际生产要求,这使得该类方法存在自动化程度低、运行时间长的问题。
机耕路作为道路的一种类型,是拖拉机、收割机等农用机械进入农田的主要通道[24]。掌握机耕路空间分布里程底数,是开展高标准农田规划、农村规划以及农村扶贫的重要依据,因而利用高分辨率遥感影像提取机耕路具有较好的应用价值。但相对于普通道路,机耕路存在宽度窄、路面材质与农田差异性低问题,使得道路内部均质性更易受到遮挡、邻域相似地物的影响,从而降低现有模板匹配方法的自动化程度。针对该问题,本文提出动态权重约束下的农村机耕路提取方法。该方法首先通过获取机耕路前进方向最长线段的方向特征,及时更新道路预测方向;其次利用表征道路方向的最长线段长度作为动态权重分配的依据,对各个方向预测点进行权重的分配;最后将动态权重与HSL色彩空间相似性测度分析结合,构建动态权重模型约束下的道路提取模型,提高了机耕路提取的自动化程度。

2 研究方法

本文采用人机交互的方式,通过方向预测、方向动态权重分配、融合动态权重的HSL匹配模型,完成对机耕路种子点的跟踪与连接。具体机耕路提取方法如图1所示。
图1 本文算法道路提取流程

Fig. 1 The road extraction flow chart of the algorithm

（1）线段提取。为了刻画机耕路的结构信息,采用戴激光等人提出的方法提取线段[25];
（2）种子点输入。选取一处道路边界清晰且无其他地物遮挡干扰的地带,人工输入种子点,采用自适应圆形模板对种子点进行位置校正,并获取道路宽度信息[20];
（3）以种子点为中心,选取2倍道路宽度建立矩形预测区域,依据线段提取结果,对当前机耕路方向进行预测;
（4）在跟踪过程中,提出改进MLSOH模型,对机耕路方向进行动态预测后进入步骤（5）;
（5）根据预测的道路方向,进行不同方向权重动态分配,结合HSL色彩空间建立匹配测度模型,完成对跟踪点的预测。如满足要求,则重复步骤（4）—步骤（5）;如不满足要求,进入步骤（2）;
（6）连接道路点,形成不同矢量道路线,以此构成完整道路网。

2.1 跟踪点预测

2.1.1 道路方向预测
道路及其周围的地物往往具有规律的边缘信息。例如道路内部的机动车、道路指示线、隔离带等,以及道路旁建筑物、行树等的边界通常存在与道路相似的方向。而线段作为边缘点的规律表达,可以对地物结构进行分析。故依据线段提取结果进行道路提取具有可行性,并在Dai等[22]提出的道路提取方法中应用。Dai等[22]提出多尺度线段方向直方图（MLSOH）方法,该模型局部区域内以4: 2: 1的方式建立多尺度金字塔,并对相似方向的线段长度加以累计,将累计线段方向峰值作为道路方向。此方法对较宽道路适应性较好,但对机耕路适应性较差。例如,机耕路旁多田间地块,部分田埂区域与植被线段信息短且繁密,与道路实际方向差距较小,其线段长度累计容易造成道路方向预测错误。如图2(b)所示,该直方图横坐标为角度,纵坐标表示矩形框内累积线段长度,取峰值所对应的角度（135~150°）为道路预测方向。但对图2(a)遥感影像线段提取结果分析可以发现,实际的道路方向与MLSOH模型所得到的道路预测方向并不相符。鉴于此,本文对该方法进行改进：① 将多尺度线段约束调整为单尺度;② 将累积多条线段长度调整为选取最长线段。
图2 机耕路方向预测

Fig. 2 The direction prediction of mechanically cultivated road

改进后机耕路方向预测的具体过程如下：
（1）建立矩形框。如图2(a)所示,以种子点为中心,2倍道路宽度为边长建立矩形框;
（2）统计矩形框内所有线段,同时剔除矩形框内种子点已提取方向的线段;
（3）确定最长线段的角度,作为道路方向判别的依据,如满足式(1),则视为有效方向。
θ 1 - θ 0 ≤ θ
式中：θ1为预测道路方向角度;θ0为在跟踪过程中已有机耕路方向角度;θ为角度阈值。
通过对MLSOH算法的改进,在一定程度上可降低田埂区域与植被对方向预测造成的干扰。如图2(c)所示,线段长度峰值所对应的角度为120°,与图2(a)实际道路方向契合。
2.1.2 待匹配点确定
依据预测方向、步长可直接确定待匹配跟踪点。然而受周围地物、阴影等因素影响,无法避免道路的预测方向与实际方向存在差异的情况,这将直接造成匹配点的错误确定,进而降低道路提取的精度。为此,本文沿道路预测方向并向两侧旋转一定角度,建立多方向待匹配点。如图3所示将已确定的道路点P0作为参考点,以P0为起点,2倍道路宽度为步长S,沿预测方向角度θ、θ±10°、θ±20°、θ±30°和θ±40°建立待匹配点,P1为待匹配点之一。
图3 待匹配点的确定

Fig. 3 The determination of matching point

2.2 模板匹配

如图4所示,以已知道路点O为中心,道路宽度一半为半径建立标准圆形模板;然后以O（即图3中道路点P0）为参考点,S为步长,沿预测方向得到的待匹配点P为圆心,建立9个同等大小的待匹配圆形模板M。
图4 待匹配模板的构建

Fig. 4 The construction of matching template

2.2.1 动态权重分配
机耕路存在宽度窄、路面材质与农田差异性低等特点,如果对所有待匹配模板赋予相同的权重,就容易造成匹配位置的误差,需要人工进行干预处理[20,21,22]。因此,为了提高道路点提取的正确率,使道路预测方向上的待匹配点选择机率更大,本文将道路方向线段长度作为匹配过程中权重动态分配的主要因子。通过对不同方向的预测点赋予不同的动态权重,增加道路方向上预测点的选择机率。
为了避免机耕路受到噪声影响,导致预测方向存在偏差,需要分配不同方向待匹配点权重。因此,本文对动态权重采用分段函数进行分配。经统计分析,以高分2号空间分辨率0.8 m为例,道路周围建筑物等边界线段长度通常小于30像元;田埂、田地内的农作物秸秆,其长度多小于400像元,因此,当线段长度超过400像元时,可以确定此线段信息为道路边界信息。因此本文将动态权重分配的分段区间下限定为30,上限定为400,其单位为像元。权重计算方式如下：
weig h t o = 1 9 L < 30 k × L + 1 9 30 ≤ L ≤ 400 k × 400 + 1 9 L > 400
式中： k为权重比例因子; L为线段长度值; weighto为道路方向上待匹配点的权重值。
除预测方向上的待匹配点外,其他方向上待匹配点的权重值均匀分配。权重分配如下：
weig h t i = weig h t o                              i = 4    1 - weig h t o 8     i   = 0 ,   1 , … , 8 且 i ≠ 4       
式中：weighti为各个方向上待匹配点的权重值;i为方向索引。
2.2.2 HSL动态匹配模型
以往道路提取算法中通常使用全色影像进行匹配分析,但全色影像对地物表征过于单一。在处理过程中,一些不同的地物在全色影像中会呈现相近甚至相同的灰度值,这会对道路提取精度造成一定影响。而多光谱影像具备更加丰富的颜色信息,能够显示地物的全部色彩特征,故本文选择多光谱影像进行道路提取。然而,在RGB颜色空间中,R、G、B 3个分量线性相关,不同颜色间的欧氏距离,难以正确表示人们实际感知的色彩差异。而HSL颜色空间模型是色彩圆柱坐标系表示法,其不同分量分别表示亮度（Lightness）、色调（Hue）和饱和度（Saturation）,相比基于笛卡尔坐标系的RGB色彩模型,更加符合人类的感知特性[26,27]。如图5所示,在HSL颜色空间中,H分量和S分量均能够清楚的区分出道路与其周围地物,而在灰度影像中,二者颜色近似无法有效区分。因此,本文利用HSL色彩空间作为匹配模型的基础。
图5 局部道路区域图像色彩展示

Fig. 5 The display of local road area colors

本文将高分影像中的RGB波段影像转为HSL波段影像。由于HSL是定义在圆柱坐标系下的颜色空间,无法直接计算两点间的欧氏距离,故将其投影到空间直角坐标系中进行计算。匹配过程如下：
di s i = ( s i × cos h i - s 0 × cos h 0 ) 2 + ( s i × sin h i - s 0 × sin h 0 ) 2 + ( l i - l 0 ) 2
measur e i = di s i × ( 1 - weig h t i ) ( i = 0,1 , … , 8 )
measur e i ≤ measur e th
式中： disi表示2个点之间的在HSL空间中的相似测度;P0 = (h0, s0, l0)为已知道路点圆形模板的HSL平均值;Pi = (hi, si, li)为待匹配点圆形模板的HSL平均值;measurei表示结合权重信息的相似性测度;measureth表示相似性约束阈值。在measureth范围内,measurei越小,表明待匹配点与已知道路点色彩 越相似。

3 实验分析

3.1 实验设计

（1）参数设定
本文需要多个参数,在此对所需要的参数设定进行讨论。
① 角度阈值θ。根据道路的线段信息,选择最长线段作为预测道路方向,将此时确定的最长线段的角度与已知道路方向进行比较,判断此方向是否可以作为道路前进的方向（图6）。考虑到局部区域内,机耕路曲率变化角度差大致在10~30°范围内,故本文将角度阈值设为30°。
图6 角度阈值分析

Fig. 6 The analysis of angle threshold

② 权重比例因子k。机耕路多呈连续带状,具有明显的线性特征。为了提高提取精度,本文提出权重比例因子k。为确定最优比例因子,分析在不同权重条件下,道路的提取精度。最终,本文确定最优k值为0.0018（图7）。
图7 权重比例因子分析

Fig. 7 The analysis of length scaling factor

③ 相似性约束阈值measureth。考虑到大部分情况下道路的纹理特征基本保持一致,道路与其周围地物纹理异质性明显,从而设定相似性约束阈值。当相似性约束阈值为0.86时,道路提取精度最高。因此,本文将相似性约束阈值设置为0.86（图8）。
图8 相似性约束阈值分析

Fig. 8 The analysis of Similarity constraint threshold

（2）对比方法
为了验证本算法的有效性与自动化程度,考虑到实验公正,本文选取4种模板匹配方法进行对比实验,分别为林祥国等[17]的T型模板、孙晨阳等[19]的矩形模板、连仁包等[20]圆形模板、戴激光等[22]提出的扇形描述子方法,并分别采用C++语言进行代码编写。
（3）精度评价
本文选取Wiedemann[28]提出的精度评价方法对道路提取结果进行评价,该方法包含3个评价指标,计算公式如下：
完整率（Completeness）：提取的道路总长度与影像中实际道路总长度的比值。
Completeness = D D + N
正确率（Correctness）：正确提取的道路长度与提取总长度比值。
Correctness = D D + P
提取质量（Quality）：正确提取的道路长度与提取总长度比值。
Quality = D D + P + N
式中：D为正确提取的道路总长度;N为未检测的参考道路总长度;P为误提取的道路总长度。以上3种评价指标的最优值均为1。
在上述3种评价指标的基础上,本文又增加了自动化程度作为第4种评价指标,自动化程度采用所需的种子点个数决定。
（4）影像选取
为了验证该算法的有效性以及普适性,本文选取不同区域、不同场景的2幅分辨率为0.8 m的GF-2影像,1幅分辨率为0.5 m的Geo-eye影像作为实验影像,影像大小分别为2000像元×2000像元、2000像元×2000像元、6000像元×6000像元。

3.2 实验结果

3.2.1 实验一
图9为大小为2000像元×2000像元的GF-2遥感影像,影像覆盖地区为内蒙古通辽市某农村区域。为了显示不同路段由不同矢量线表示这一特征,本文在道路线提取过程中,如图9用不同颜色道路线对不同矢量加以区分。图9(b)右侧第1幅放大图为十字交叉口区域,此路无阴影干扰,交叉口位置路面结构信息完整,路面与农田纹理信息相近。本文算法通过对道路方向约束能够很好的越过交叉口,自动完成道路的跟踪。图9(d)圆形模板、图9(e)T型模板和图9(f)矩形模板均需要增加人工干预。图9(b)右侧第2幅放大图为长直路段,部分机耕路被树木以及其阴影覆盖。阴影覆盖引起道路局部纹理信息发生突变,且路面纹理信息与农田纹理信息相近,因此,矩形模板、T型模板、圆形模板和扇形描述子方法均需要补点增加提取精度,其中矩形模板、T型模板补点更多,自动化程度更低。而本文方法则能够充分利用动态权重约束突出道路方向特征,色彩空间距离则能有效地完成阴影跨越,完成对机耕路的提取。图9(b)右侧第3幅放大图为弯路,此路段窄,且农田地物线段信息与道路方向信息差异巨大,道路线段信息很大程度被其干扰,且路面纹理信息与其它地物纹理信息高度相似。本文算法能够利用线段信息权重分配以及HSL色彩空间距离自动完成对该路段的提取,而其他几种方法均需要较多的补点,才能保证机耕路提取精度。
图9 通辽市某农村地区不同方法机耕路提取结果

注：不同颜色曲线表示不同道路线。

Fig. 9 The results of mechanically cultivated road extraction with different algorithms in the countryside of Tongliao City

3.2.2 实验二
图10为湖北省恩施某农村区域,影像为GF-2号影像,大小为2000像元×2000像元。此区域机耕路崎岖狭长,包含多处岔路口,路段曲率多变化,道路周围植被茂盛,梯田遍布道路两旁,路面被多处植被覆盖,且路旁建筑物与路面光谱信息相近。
图10 恩施市某农村地区不同方法道路提取结果

Fig. 10 The results of road extraction with different algorithms in the countryside of Enshi City

右侧放大图展示的是具有3种不同道路类型的局部区域。右侧第1个局部放大图为急弯区域,道路曲率变化较大,且道路周围存在其他地物边界信息干扰,以及道路邻域趋同问题,本文算法通过HSL色彩空间距离以及动态非均匀权重分配,能够自动完成对此路段机耕路的提取。经过对比,由于道路弯度过大,圆形模板受限,真实道路不在中垂线搜索范围内,造成误匹配,故需要在拐点处重新增加种子点,且圆形模板以2个种子点为基础成对增长。T型模板、矩形模板以及扇形描述子方法也需要补充种子点,尤其是T型模板补点更多。右侧第2个局部放大图为较大阴影区域,且树木阴影将道路全部遮挡,遮挡部分为弯路,道路方向信息以及纹理信息均受到干扰,因此为了提高提取精度,本文方法需要增加一个点。而由于此阴影部分为弯路阴影,扇形描述子方法无法处理,需要补点来增加提取精度。同样,其他对比方法也需要多次补点。右侧第3个局部放大图区域道路窄而细长,路面噪声较大,影像纹理特征下降,本文通过道路方向预测与HSL空间距离约束,自动完成该路段的机耕路提取工作。而扇形描述子方法,其更针对于城市道路,对于此路段道路狭窄,影像纹理特征下降、道路灰度与道路外其他地物的灰度信息较相似的情况,会出现种子点偏离道路外问题,需要少量补点增加精度。圆形模板、矩形模板、T型模板同样需要大量人工补点。
3.2.3 实验三
图11为澳大利亚Hobart某城镇地区,影像大小为6000 像元×6000像元。影像中包含多处主干公路以及村镇支路。考虑到Geo-eye影像空间分辨率（0.5 m）优于GF-2影像（0.8 m）,因此动态权重分配长度分析中,按照空间分辨率比例关系,线段长度分析中30 像元改为48像元,400 像元改为640 像元。从图11(a)右侧第一张局部放大图可以看到,该区域道路曲率发生变化,且部分植被阴影覆盖于道路上;图11(a)右侧第二张局部放大图显示,该路段较狭窄,道路与其周围纹理信息趋同;图11(a)右侧第三张局部放大图中道路路面色彩信息鲜明,路面被树木及其阴影遮挡。同时对3张放大图进行分析,可以看出,本文算法能够通过及时更新道路方向解决道路曲率变化问题,通过不均匀权重分配辅助HSL色彩空间距离,解决阴影遮挡以及道路内外纹理信息趋同问题。相比之下,在阴影以及路面与其周围纹理趋同之处,扇形描述子方法、圆形模板、T型模板和矩形模板4种对比方法均需要通过补点的方式,完成区域道路的跟踪。
图11 Hobart某城镇区域不同方法道路提取结果

Fig. 11 The results of road extraction with different algorithms in the urban area of Hobart

通过对3幅不同影像局部区域的道路提取结果分析,可以发现所有方法输入点情况均受到其他地物干扰,需要不同程度的人工干预,这说明场景变换是制约模板匹配方法的有效性和普适性的关键因素。但相对于其他4种提取算法,本文方法的输入点数量更少,这表明本文方法的有效性和普适性更高。
表1为5种不同方法的定量分析。可以看到,对比完整度、正确率与提取质量,本文算法与其他4种方法接近,均能够有效满足生产需求。同样对比种子点数量与运行时间,首先可以发现随着3个实验影像数据的依次增大,所有方法的种子点数量、运算时间随之大幅增长,这表明影像大小是决定模板匹配方法运行效率的关键因素之一;其次,本文算法运行时间与种子点个数远低于其他4种算法,考虑到3组实验影像类型不一致、覆盖区域较大（包括6000像元×6000像元影像）,并且场景中包含多种类型道路,这与其他4种方法论文中实验数据存在相似道路类型,因而说明本文方法更能适应场景变换的实际情况,具有更好的有效性与普适性。同时在3组实验中也可以看到,本文算法可以对农村机耕路、除机耕路以外的其他农村区域道路,以及城镇道路进行完整提取,这进一步验证了本文方法的可靠性。
表1 不同道路提取方法的精度对比

Tab. 1 The accuracy comparison of different road extraction algorithms

不同实验 评价参数
完整度/% 正确率/% 提取质量/% 种子点数/个 时间/s
实验1 论文方法 98.6 99.5 97.5 14 44
扇形描述子 98.3 99.4 97.1 52 187
圆形模板 98.1 98.8 97.1 42 178
T型模板 97.3 98.2 96.7 176 866
矩形模板 98.7 96.6 93.7 422 1478
实验2 论文方法 99.6 98.9 97.2 21 74
扇形描述子 96.7 97.7 94.7 36 153
圆形模板 97.4 98.5 96.0 70 255
T型模板 98.6 98.5 97.6 330 1482
矩形模板 96.6 97.0 91.8 280 1088
实验3 论文方法 98.3 99.4 97.7 65 235
扇形描述子 97.2 98.8 96.2 232 932
圆形模板 97.1 99.0 96.2 292 1170
T型模板 97.2 96.5 94.1 646 2583
矩形模板 96.0 97.9 94.1 930 3769

4 结论

模板匹配方法通常是以光谱纹理特征作为匹配基准。但道路光谱纹理特征会受到阴影遮挡、路面噪声等因素影响,这种影响在路面狭窄、路面材质与农田差异性低的机耕路表现尤为明显,导致现有模板匹配方法在进行机耕路提取时存在自动化程度低的问题。本文基于几何光谱特征联合建立匹配模型的思想,提出了动态权重约束下的农村机耕路提取方法：
（1）改进多尺度线段方向直方图（MLSOH）模型。本文将多尺度线段约束调整为单尺度、将累积多条线段长度调整为统计最长线段。以此动态更新道路预测方向,解决机耕路边缘易受田埂干扰的问题;
（2）建立动态权重分配机制。依据道路线性特征,通过道路方向线段长度对道路预测方向进行动态非均匀权重分配,以此解决路面宽度窄导致的匹配准确度下降问题;
（3）HSL动态匹配模型建立。将动态权重分配与HSL色彩匹配模型相结合,通过动态权重调整提高匹配模型对道路与其周围地物差异分析能力,克服路面干扰对匹配模型的影响。实验结果表明,该算法不仅能够对农村机耕路进行提取,而且对农村地区其他类型道路、城镇路具有一定的普适性。然而本文算法对于边界信息不清晰的急弯,以及弯路处阴影遮挡问题尚未解决,仍需要人工增设种子点,这将是下一步研究的重点。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
戴激光, 王杨, 杜阳, 等. 光学遥感影像道路提取的方法综述[J]. 遥感学报, 2020,24(7):804-823.

[ Dai J G, Wang Y, Du Y, et al. Development and prospect of road extraction method for optical remote sensing image[J]. Journal of Remote Sensing, 2020,24(7):804-823. ]

[2]
Saito S, Yamashita T, Aoki Y. Multiple object extraction from aerial imagery with convolutional neural networks[J]. Journal of Imaging Science and Technology, 2016,60(1):104021-104029.

DOI

[3]
Cheng G L, Wang Y, Xu S B, et al. Automatic road detection and centerline extraction via cascaded end-to-end convolutional neural network[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017,55(6):3322-3337.

DOI

[4]
Wei Y N, Wang Z L, Xu M. Road structure refined CNN for road extraction in aerial image[J]. IEEE Geoscience and Remote Sensing Letters, 2017,14(5):709-713.

DOI

[5]
Shelhamer E, Long J, Darrell T. Fully convolutional networks for semantic segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017,39(4):640-651.

DOI PMID

[6]
Panboonyuen T, Jitkajornwanich K, Lawawirojwong S, et al. Road segmentation of remotely-sensed images using deep convolutional neural networks with landscape metrics and conditional random fields[J]. Remote Sensing, 2017,9(7):680.

DOI

[7]
Lin G S, Milan A, Shen C H, et al. RefineNet: multi-path refinement networks for high-resolution semantic segmentation[C]// 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2017: 5168-5177.

[8]
He K M, Zhang X Y, Ren S Q, et al. Deep residual learning for image recognition[C]// 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2016: 770-778.

[9]
Gao L, Song W D, Dai J G, et al. Road extraction from high-resolution remote sensing imagery using refined deep residual convolutional neural network[J]. Remote Sensing, 2019,11(5):552.

DOI

[10]
Ren S Q, He K M, Girshick R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017,39(6):1137-1149.

DOI

[11]
Teerapong P, Kulsawasd J, Slam L, et al. Road segmentation of remotely-sensed images using deep convolutional neural networks with landscape metrics and conditional random fields[J]. Remote Sensing, 2017,9(7):680-699.

DOI

[12]
Yin D D, Du S H, Wang S W, et al. A direction-guided ant colony optimization method for extraction of urban road information from very-high-resolution images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015,8(10):4785-4794.

DOI

[13]
Herumurti D, Uchimura K, Koutaki G, et al. Urban road network extraction based on zebra crossing detection from a very high resolution RGB aerial image and DSM data[C]// 2013 International Conference on Signal-Image Technology & Internet-Based Systems. IEEE, 2013: 79-84.

[14]
Yi W B, Chen Y H, Tang H, et al. Experimental research on urban road extraction from high-resolution RS images using Probabilistic Topic Models[C]// 2010 IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2010: 445-448.

[15]
Blaschke T, Hay G J, Kelly M, et al. Geographic object-based image analysis-towards a new paradigm[J]. ISPRS J Photogramm Remote Sens, 2014,87(100):180-191.

DOI

[16]
Maboudi M, Amini J, Hahn M, et al. Object-based road extraction from satellite images using ant colony optimization[J]. International Journal of Remote Sensing, 2017,38(1):179-198.

DOI

[17]
林祥国, 张继贤, 李海涛, 等. 基于T型模板匹配半自动提取高分辨率遥感影像带状道路[J]. 武汉大学学报·信息科学版, 2009,34(3):293-296.

[ Lin X G, Zhang J X, Li H T, et al. Semi-automatic extraction of ribbon road from high resolution remotely sensed imagery by a T-shaped template matching[J]. Geomatics and Information Science of Wuhan University, 2009,34(3):293-296. ]

[18]
Leninisha S, Vani K. Water flow based geometric active deformable model for road network[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015,102:140-147.

DOI

[19]
孙晨阳, 周廷刚, 陈圣波, 等. 基于矩形模板匹配的线状地物半自动提取方法研究[J]. 西南大学学报(自然科学版), 2015(7):155-160.

[ Sun C Y, Zhou T G, Chen S B, et al. Research of a semi-automatic extraction method for linear features based on rectangular template matching[J]. Journal of Southwest Agricultural University, 2015(7):155-160. ]

[20]
连仁包, 王卫星, 李娟. 自适应圆形模板及显著图的高分辨遥感图像道路提取[J]. 测绘学报, 2018,47(7):950-958.

[ Lian R B, Wang W X, Li J. Road extraction from high-resolution remote sensing images based on adaptive circular template and saliency map[J]. Acta Geodaetica et Cartographica Sinica, 2018,47(7):950-958. ]

[21]
Dai J G, Zhu T T, Zhang Y L, et al. Lane-level road extraction from high-resolution optical satellite images[J]. Remote Sensing, 2019,11(22):2672.

DOI

[22]
Dai J G, Zhu T T, Wang Y, et al. Road extraction from high-resolution satellite images based on multiple descriptors[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020,13:227-240.

DOI

[23]
丁磊, 张保明, 郭海涛, 等. 矢量数据辅助的高分辨率遥感影像道路自动提取[J]. 遥感学报, 2017,21(1):84-95.

[ Ding L, Zhang B M, Guo H T, et al. Automatic road extraction from high-resolution remote sensing images assisted by vector data[J]. Journal of Remote Sensing, 2017,21(1):84-95. ]

[24]
柴文胜. 农村机耕道路建设的调查及建议[J]. 湖北农机化, 2017(4):43-44.

[ Chai W S. Investigation and suggestion on construction of rural mechanized farming road[J]. Hubei Agricultural Mechanization, 2017(4):43-44. ]

[25]
戴激光, 朱婷婷, 张依蕾, 等. 高分辨率光学卫星影像线段融合方法[J]. 测绘学报, 2020,49(4):489-498.

[ Dai J G, Zhu T T, Zhang Y L, et al. Line segment fusion method of high resolution optical satellite image[J]. Acta Geodaetica et Cartographica Sinica, 2020,49(4):489-498. ]

[26]
Hearn D, Baker M P, Carithers W. Computer graphics with open GL[M]. United States: Prentice Hall, 2003.

[27]
Gonzalez R C, Woods R E. Digital image processing[M]. Beijing: Publishing House of Electronics Industry, 2002: 295.

[28]
Wiedemann C, Ebner H. Automatic completion and evaluation of road networks[J]. International Archives of Photogrammetry and Remote Sensing. 2000,33:979-986.

Options
Outlines

/

〈 〉