使用GMM和scm的准确的道路中心线提取分类图像

文摘

道路中心线的提取图像分类是一项基本的图像分析技术。常见问题中遇到道路中心线提取包括低能力应付一般情况下,生产不受欢迎的对象,和低效率。解决这些局限性,提出了一种新颖准确中心线提取方法使用高斯混合模型(GMM)和子空间约束意味着转变(scm)。该方法包括三个主要步骤。GMM首先用于分类的图像分割成几个集群。每个集群的主要轴椭球是提取并被认为是作为最初的中心线。最后,初步结果是利用scm生产精确调整道路中心线。模拟和实际数据集被用来验证该方法。初步结果表明,该方法提供了一个比较健壮的解决方案,从分类图像中提取准确的中心线。

1。介绍

高分辨率(VHR)卫星图像越来越可用近年随着现代传感器的出现,如QuickBird,昴宿星团和世界观。道路中心线从这些图像有多种描述真实的应用程序(例如,变化检测、地理信息系统(GIS)的数据库更新,图像配准,等等)。巨大的方法已经发展在过去的几十年中解决道路提取问题。中东和北非地区(1和Das et al。2)提出了道路提取方法的好评。一般来说,道路中心线提取通常包括两个主要步骤:道路区域提取和从道路中心线提取领域。

第一步重点从卫星图像道路区域的提取。在这个领域,最常用的方法依赖于分类技术。最传统的分类方法是pixelwise [3只依赖光谱信息。这种pixelwise方法总是满足“问世”现象(4),有大房间来提高分类精度。近年来,随着VHR卫星图像的发展、道路几何特性派生和探索与光谱信息集成来满足的挑战“问世”现象。为此,各种道路形状特性与光谱信息集成在一起,提高道路提取的准确性,包括平滑、紧性(5),形状指数(6,7),二阶矩(2,8),和数学形态学9,10]。改进的分类,提出了许多算法,如稀疏表示和低秩约束11和乐队subset-based集群和融合方法12]。除了分类方法,也有一些其他道路区域提取方法,包括分割方法(13- - - - - -16),活动轮廓(即。“蛇”模型)(17,18),和水平集19,20.]。

第二步涉及中心线提取道路区域提取的第一步。常用的方法是减少算法(21]。尽管其计算效率,减少算法的结果总是产生(即不受欢迎的对象。,热刺)减少中心线的平滑度和准确性。解决这种限制在某种程度上,一个自组织聚类方法(22)设计。该方法首先提取初始点使用中位数集群,其次是连接算法创建中央线。氡和霍夫变换23,24]介绍了提取中心线的分类图像。强峰位置变换矩阵得到的直线在原始图像像素。氡和霍夫变换适用于直线提取,通常无法过程曲线的情况下。最近,在计算机视觉领域,所谓的子空间约束意味着转变(scm)方法(25- - - - - -27)提出了从点云提取准确的中心线。首先,一个像素的概率位于中心线计算使用核密度估计(KDE)。然后,所有离散点迭代地投射到中心线基于意味着转变。尽管它良好的性能,当点的数量很大,scm变得非常缓慢,这限制了其实际应用。提高计算效率的scm,功能积分scm (F-SCMS) [28提出了]。F-SCMS首先检测到的特征点(即。,end and junction points) from the classified image, followed by the connection of feature points by the geodesic method to create the central lines to formulate the road network. Although F-SCMS can largely improve the speed of SCMS, it cannot process the classified image with closed form, such as circle. The aforementioned discussions indicate that the extraction of accurate road centerline from the classified image is not well resolved and this topic is still open and challenging.

也有许多其他有趣的道路提取的研究从不同的角度,如卡尔曼滤波(29日,路上的足迹30.),和动态规划31日]。尽管大多数上述研究专注于多光谱卫星图片,其他的信息来源也可以用来提取道路网,如合成孔径雷达(SAR) (18,32,33),激光雷达(34- - - - - -36),和高光谱图像(6,37,38]。本文关注的是准确的从分类图像中提取道路中心线。指出,这是值得关注不会削弱方法,也适用于中心线提取道路领域从其他来源。

本文的主要目标如下:(我)提高scm的效率;(2)提出一种精确的方法从分类图像中提取道路中心线与泛化能力高。

本文的其余部分组织如下。新方法提出了部分2。给出了实验结果和讨论部分3。最后,部分4总结了纸。

2。方法

本研究的目的是设计一个高一般能力的计算有效的方法从分类图像中提取准确的中心线。图1总结了该方法。

该方法包括三个步骤。(1)分类图像分区使用高斯混合模型(GMM)的方法。(2)主要的轴是后来从每个高斯的椭球体。(3)主要轴调整基于scm产生准确的道路中心线。

下面描述每个步骤的细节。

2.1。图像分区使用GMM

道路像素分类图可以表示成二维离散随机变量。我们可以分类的图像分割成多个部分以道路像素为观察。为此,高斯混合模型(GMM)是用于实现图像聚类。选择GMM的原因是使用的高斯模型采用(EM)算法灵活和EM的结果是能够容纳可变大小的集群。这是因为新兴市场受益于高斯分布的数据集。因此,GMM能够捕捉复杂的空间结构。换句话说,GMM能够简化分类路线图以及保持其空间拓扑。GMM的概念简要介绍如下。

GMM可以写成一个线性叠加高斯函数导致的概率密度形式 在哪里混合权重受吗,,是一个多元高斯概率分布的意思吗和协方差矩阵。考虑

下的指标变量的期望值然后给出的后验分布

对数似函数被定义为

每个组件的参数更新使用采用(EM)算法如下:

EM迭代步骤是重复,直到收敛。值得指出的是初步估计的参数(为第一个EM迭代)是必要的。为此,——选择算法来初始化等运行参数。空间集群数——估计是 在哪里意味着一轮到最近的整数数大于或等于这个数,分类图像的面积,平均道路分类图像的宽度,然后呢集群是一个空间的最小面积。

所示的细节图像分区使用GMM算法1。图2给出一个概念的例子。图2(一个)分类图像和其相应的空间分区结果使用GMM如图2 (b)。

2.2。最初的道路中心线的提取

在空间分区使用GMM部分2.1,意思是和协方差矩阵为每一个混合物。可以定义每个高斯的椭圆体和。在这项研究中,每个椭球的长轴作为近似初始中心线。是一个方阵可以映像吗 在哪里特征向量矩阵和吗是对角矩阵的对角元素对应的特征值。的逆矩阵是由

逆矩阵可以写成 在哪里。的变量定义一个新的坐标系统(通过转移)和(通过旋转)对原始坐标:。回想一下,在2 d是一个椭圆的方程

方程(10)表明,平等的轮廓沿着椭圆高斯概率密度的谎言。图3演示了一个示例生成的椭球均值和协方差矩阵。

对于每一个高斯混合,椭圆的长轴估计。之后,所有主要的轴将组成粗道路中心线的网络,与真实的一个,也有类似的空间拓扑结构如图4。

2.3。调整初始使用scm道路中心线

主轴由GMM的部分2.2可以被看作是初始道路中心线,通常粗。准确的道路中心线为目的的结果,这是承诺使用调整技术获得准确的道路中心线。为此,子空间约束的意思是选择(scm)转移到主要轴一致。然而,scm迭代实现整个分类路上像素,从而导致高计算负载。另一方面,主要的轴也可以被视为机密路线图的简化情况下只占体积小像素。换句话说,GMM发现的代表点分类道路像素用于主曲线投影;因此,GMM其次是scm,称为GMM-SCMS,降低计算负载提供了一种新的手段。介绍了scm方法如下。

考虑一个变量随机样本从人口密度函数,核密度估计(KDE)被定义为 在哪里和,。此外,对称正定矩阵是带宽矩阵,它极度决定KDE的性能函数。是一个变量定义为内核函数 满足。在这里,表示行列式运算,采用高斯KDE的共同选择功能;。

通过概括斯科特的经验法则,带宽矩阵这里选择(见Ahamada和Flachaire [39]详情)。因此,上述构造核密度估计量

考虑到数值稳定时解决曲线原理,密度的对数函数涉及到:

相应的梯度和黑森矩阵为KDE

因此,我们得到了定点更新规则调整粗初始点:

的上面的迭代公式,均值漂移算法的相似性,因此它的名字子空间约束意味着转变(scm)方法,提出了在算法2。调整粗点的例子产生准确的中心线利用scm如图5。

3所示。实验

在本节中,几个实验,测试该方法。与其他方法相比该方法也在文献中显示该方法的优点和缺点。在这项研究中,利用MATLAB编程环境在PC上,2.83 GHz的英特尔Core2Quad处理器时钟速度。

3.1。测试的参数

测试的最小面积影响道路中心线提取的准确性,我们调整了自动从5到30的增量值为每个步骤5。测试结果呈现在图6。的性能影响定量评估的计算时间和准确性。在此,三位精度的措施,完整性、正确性,质量(40),使用。 在TP、FN和FP代表真阳性,假阴性和假阳性。在这项研究中,地面实况数据集是由手绘方法和缓冲8像素宽度是固定的。

图7定量评价结果与不同的最小面积值报告。图7(一)表明,计算效率稳步提高的最小面积的增加价值。这是因为大将导致初始道路中心线用小点的数量,进而减少计算负荷的调整使用scm。图7 (b)说明了的影响的准确性。可以看出,当从100增加到180,精度有了细微的变化,这表明弱影响的准确性在这个范围内的值。然而,准确度的时候会显著下降是超过180。这一现象的原因是,大不能产生初始道路中心线与正确的空间拓扑分类图像,如图6 (f)。达到最好的平衡计算效率和准确性,本研究修正到180年整个测试。

3.2。实验模拟图像

该方法测试三个模拟图像,包括圆形象,螺旋的形象,和雪图像,如图8(一个)。中间结果使用GMM如图8 (b)和相应的精确使用scm中心线的结果在图8 (c)。

该方法与现有的两个方法相比在文学:scm和F-SCMS。比较结果是图所示9。从图9,可以看出F-SCMS适用于螺旋和雪情况但未能过程循环情况。相比之下,scm和GMM-SCMS都能够从三个测试图像中提取中心线,这表明scm和GMM-SCMS比F-SCMS更普遍。

比较结果定量评估的计算时间和三个精度的措施。表1报告三种方法的计算时间在测试图像。可以看出F-SCMS比scm和GMM-SCMS通常实现更高的计算效率。在雪情况下F-SCMS比GMM-SCMS更高效。在蜗壳,比F-SCMS GMM-SCMS,然而,更高效。似乎GMM-SCMS效率和F-SCMS受到点数量。F-SCMS更为高效GMM-SCMS时数量大点小点数量。结果在表的准确性2。从实际角度、圆和螺旋情况下过于简单和雪更类似于现实世界的问题。因此,准确性相比只是在雪中。可以看出F-SCMS生产这三种方法中精度最高,scm和GMM-SCMS实现类似的准确性。

3.3。在真正的卫星图像的实验

该方法测试四个多光谱卫星图像中使用以前的工作(28]。测试图像如图10,地面实况数据集红色所示。相应的分类图像呈现在图11。拟议中的GMM-SCMS方法与现有的两个方法相比在文学:scm和F-SCMS。在图的比较结果12。三种方法的性能定量评估的计算效率和精度,如表所示3和图13。

从表3可以看到,它的计算负载scm是这三种方法中最高的。相比之下,F-SCMS和GMM-SCMS产生比scm更高的计算效率。一般来说,比GMM-SCMS F-SCMS达到更好的计算性能,如案件3所示。然而,表3还展示了一个有趣的现象,GMM-SCMS显示计算效率高于F-SCMS [28在情况下。这一现象表明,连接组件的数量(CCs) F-SCMS性能的影响。例如,CCs在案件的数量4是3,1,1,分别和8。当连接组件的数量似乎很高,比F-SCMS GMM-SCMS效率更高。主要原因是F-SCMS检测特征点(即。,end and junction points) and then links these points iteratively for each connected component. Detection of feature points from the classified image costs a lot of time. Therefore, high number of CCs decreases the performance of F-SCMS.

图13说明三种方法的准确性。可以看到,scm F-SCMS最高时产生最低的准确性。一般来说,GMM-SCMS达到这三种方法之间的适度的准确性。

通过比较该方法与现有的两个方法模拟和实际数据集,可以看出,该方法计算复杂度之间的最佳平衡,这三种方法中精度和泛化能力。因此,GMM-SCMS更实用的准确和高效的道路中心线提取分类图像。

4所示。结论

在结论中,自动方法,所谓的基于高斯混合模型的子空间约束意味着转变(GMM-SCMS),开发从分类图像中提取道路中心线。GMM-SCMS方法可以提取与高精度平滑道路中心线。得益于GMM,该方法可以表示分类图像使用少量的点,同时保留正确的空间拓扑结构,从而提高了计算效率。通过使用scm,近似点迭代调整产生准确的道路中心线。

该方法与尖端scm和功能积分scm (F-SCMS)。实验结果表明,GMM-SCMS比scm和更有效率比F-SCMS GMM-SCMS泛化能力更高。换句话说,GMM-SCMS可以处理任意形状的分类图像。通过充分考虑效率、精度和泛化能力,可以得出结论,GMM-SCMS可以提供一个实用的解决方案描述道路中心线从分类图像。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者要感谢教授d Erdogmus从西北大学对他的帮助子空间约束意味着转变方法,h·迈耶教授大学der国防军慕尼黑的讨论道路提取,和c博士Unsala Yeditepe大学请提供已图像。这项工作是支持部分由中国国家自然科学基金(41201451,41201451),中国科技部(项目号。2012 baj15b04, 2012 aa12a305)。

引用

1. j·b·米纳”,先进的自动道路提取GIS更新:小说分类,“模式识别的字母,24卷,不。16,3037 - 3058年,2003页。视图:出版商的网站|谷歌学术搜索
2. s Das、t . t . Mirnalinee和k . Varghese”使用的特色设计的多级框架从高分辨率多光谱卫星图像中提取道路,”IEEE地球科学和遥感卷,49号10日,3906 - 3931年,2011页。视图:出版商的网站|谷歌学术搜索
3. y Tarabalka、j . a . Benediktsson和j . Chanussot”Spectral-spatial基于partitional集群技术的高光谱图像分类,“IEEE地球科学和遥感卷,47号8,2973 - 2987年,2009页。视图:出版商的网站|谷歌学术搜索
4. m . Fauvel y Tarabalka, j . a . Benediktsson j . Chanussot和j·c·蒂尔顿“spectral-spatial高光谱图像分类的进步,”IEEE学报》,卷101,不。3、652 - 675年,2013页。视图:出版商的网站|谷歌学术搜索
5. m .歌曲和d . Civco完成“道路提取使用支持向量机和图像分割,”摄影测量工程和遥感,卷70,不。12日,第1371 - 1365页,2004年。视图:出版商的网站|谷歌学术搜索
6. z苗,w·史,h·张,x,“从高分辨率图像中提取道路中心线形状特征和多元自适应回归样条函数的基础上,“IEEE地球科学和遥感信,10卷,不。3、583 - 587年,2013页。视图:出版商的网站|谷歌学术搜索
7. 黄x l·张,“道路中心线提取从高分辨率图像多尺度结构特征和支持向量机的基础上,“国际遥感杂志》上,30卷,不。8,1977 - 1987年,2009页。视图:出版商的网站|谷歌学术搜索
8. w·史、z苗族和j . Debayle”一个集成的方法对城市主要道路中心线从光学遥感图像,提取”IEEE地球科学和遥感,52卷,不。6,3359 - 3372年,2014页。视图:出版商的网站|谷歌学术搜索
9. 美国瓦莱罗能源,j . Chanussot j . a . Benediktsson h·塔尔博特和b . Waske“先进的定向数学形态学检测的高分辨率遥感图像中道路网络,”模式识别的字母没有,卷。31日。10日,1120 - 1127年,2010页。视图:出版商的网站|谷歌学术搜索
10. w·史,z苗、问:小王和h .张“Spectral-spatial为城市道路中心线提取、分类和形状特性”IEEE地球科学和遥感信,11卷,不。4、788 - 792年,2014页。视图:出版商的网站|谷歌学术搜索
11. y .问:赵和j·杨”,基于稀疏表示的高光谱图像去噪和低秩约束,“IEEE地球科学和遥感,50卷,不。1,第308 - 296页,2015。视图:出版商的网站|谷歌学术搜索
12. Y.-Q。赵、张l和s . g .香港“Band-subset-based集群和融合的高光谱图像分类,“IEEE地球科学和遥感卷,49号2、747 - 756年,2011页。视图:出版商的网站|谷歌学术搜索
13. d·乔杜里n . k . Kushwaha, a . Samal“半自动道路检测的高分辨率卫星图像通过定向形态增强和分割技术,”IEEE选择杂志的主题应用地球观测和遥感,5卷,不。5,1538 - 1544年,2012页。视图:出版商的网站|谷歌学术搜索
14. 郭d, a .周,h·克利,“健壮的郊区道路分割方法在高分辨率航空影像中,“国际遥感杂志》上,28卷,不。2、307 - 318年,2007页。视图:出版商的网站|谷歌学术搜索
15. 答:数和m . j . v . Zoej”自组织模糊分割道路检测(sof)方法从高分辨率的卫星图像,”摄影测量工程和遥感,卷76,不。1,27-35,2010页。视图:出版商的网站|谷歌学术搜索
16. w·魏和y鑫”,为人造物体在空中图像分割,特征提取”机器视觉和应用程序,19卷,不。1,57 - 64,2008页。视图:出版商的网站|谷歌学术搜索
17. 拉普帖夫海,h·梅耶,t . Lindeberg w . Eckstein c·斯蒂格和a·鲍姆加特纳”自动提取道路从空中图像基于尺度空间和蛇,”机器视觉和应用程序,12卷,不。1,23-31,2000页。视图:出版商的网站|谷歌学术搜索
18. l . Bentabet s Jodouin d Ziou, j .瓦兰蔻”道路使用SAR图像向量更新:snake-based方法,”IEEE地球科学和遥感第41卷。。8,1785 - 1803年,2003页。视图:出版商的网站|谷歌学术搜索
19. k . Karantzalos和d . Argialas”,提出水平集分割自动检测的人造物体从空中和卫星图像,”摄影测量工程和遥感,卷75,不。6,667 - 677年,2009页。视图:出版商的网站|谷歌学术搜索
20. m . Rochery杰明参会,j . Zerubia“高阶主动轮廓,”国际计算机视觉杂志》上,卷69,不。1,27-42,2006页。视图:出版商的网站|谷歌学术搜索
21. r·c·冈萨雷斯·r·e·伍兹,s . l . eddin使用MATLAB数字图像处理,普伦蒂斯·霍尔出版社,2003年。
22. p .多赛特p . Agouris a Stefanidis, m . Musavi“自我组织道路提取聚类分类图像中,“ISPRS《摄影测量与遥感,55卷,不。5 - 6,347 - 358年,2001页。视图:出版商的网站|谷歌学术搜索
23. c . Poullis和美国你,”界定和公路网络的几何建模ISPRS《摄影测量与遥感,卷65,不。2、165 - 181年,2010页。视图:出版商的网站|谷歌学术搜索
24. 问:张先生,i Couloigner准确中心线检测和线宽粗的线使用拉东变换,估计”IEEE图像处理,16卷,不。2、310 - 316年,2007页。视图:出版商的网站|谷歌学术搜索|MathSciNet
25. Ozertem和d . Erdogmus“非参数蛇,”IEEE图像处理,16卷,不。9日,第2368 - 2361页,2007年。视图:出版商的网站|谷歌学术搜索|MathSciNet
26. Ozertem和d . Erdogmus“主曲线时间扭曲,”IEEE信号处理卷,57号6,2041 - 2049年,2009页。视图:出版商的网站|谷歌学术搜索|MathSciNet
27. Ozertem和d . Erdogmus“本地定义的主曲线和表面,”机器学习研究杂志》上》12卷,第1286 - 1249页,2011年。视图:谷歌学术搜索|MathSciNet
28. z苗,b . Wang w·史,h·吴”的方法准确的从分类图像中提取道路中心线,”IEEE选择杂志的主题应用地球观测和遥感,2014年。视图:出版商的网站|谷歌学术搜索
29. s . Movaghati a Moghaddamjoo, a Tavakoli”从卫星图像中提取道路使用粒子滤波和扩展卡尔曼滤波,”IEEE地球科学和遥感,48卷,不。7,2807 - 2817年,2010页。视图:出版商的网站|谷歌学术搜索
30. j ., a .拉兹丹j . c . Femiani m .崔和p .旺卡,“道路网提取和交叉检测从空中图像跟踪道路的足迹,“IEEE地球科学和遥感,45卷,不。12日,第4157 - 4144页,2007年。视图:出版商的网站|谷歌学术搜索
31. a . p . Dal Poz r·a·b·加利·j·f·c·达席尔瓦和E。f·o·马丁斯,”对象空间道路提取在农村地区使用立体的航拍图片,”IEEE地球科学和遥感信,9卷,不。4、654 - 658年,2012页。视图:出版商的网站|谷歌学术搜索
32. f·戴尔'Acqua p .大阪钢巴,“城市结构的检测由健壮的模糊聚类算法在SAR图像:街头跟踪的例子,”IEEE地球科学和遥感,39卷,不。10日,2287 - 2297年,2001页。视图:出版商的网站|谷歌学术搜索
33. m . Negri p .大阪钢巴,g . Lisini和f . Tupin”Junction-aware提取和正则化城市道路网络的高分辨率SAR图像,”IEEE地球科学和遥感,44卷,不。10日,2962 - 2971年,2006页。视图:出版商的网站|谷歌学术搜索
34. Y.-W。崔Y.-W。张成泽,周宏儒。李,G.-S。秋,“三维激光雷达数据分类提取道路在城市地区,”IEEE地球科学和遥感信,5卷,不。4、725 - 729年,2008页。视图:出版商的网站|谷歌学术搜索
35. s . Clode f . Rottensteiner、p . Kootsookos和e . Zelniker”从激光雷达数据检测和向量化的道路。”摄影测量工程和遥感,卷73,不。5,517 - 535年,2007页。视图:出版商的网站|谷歌学术搜索
36. p·库马尔,c·p·McElhinney·刘易斯和t·麦卡锡“自动算法从陆地移动激光雷达数据中提取道路边缘”ISPRS《摄影测量与遥感但不心浮气躁;年龄,卷85,页2013。视图:出版商的网站|谷歌学术搜索
37. r·b·戈麦斯,“高光谱影像:一个有用的交通分析的技术,”光学工程第41卷。。9日,第2143 - 2137页,2002年。视图:出版商的网站|谷歌学术搜索
38. s . Roessner k . Segl美国Heiden, h·考夫曼”自动分化的城市表面基于机载高光谱图像,”IEEE地球科学和遥感,39卷,不。7,1525 - 1532年,2001页。视图:出版商的网站|谷歌学术搜索
39. 即Ahamada和e . Flachaire非参数计量经济学英国牛津,牛津大学出版社,2010年。
40. c·魏德曼,c . Heipke h·梅耶,“自动提取道路的经验评估轴,”学报CVPR研讨会实证评估技术在计算机视觉1998年美国加州,洛杉矶类似。视图:谷歌学术搜索

版权

版权©2015 Zelang苗族等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。