桥提取算法基于深度学习和高分辨率卫星图像

文摘

本文提出了一种新颖的方法,从高分辨率遥感图像中提取道路和桥梁基于深度学习。边缘检测在图像上执行在道路区域与道路骨架线,和检测到的结果二进制边缘矢量化。的干扰防护带两边的道路,公路车辆,道路绿化带、交通标志等和桥梁本身的影子干扰消除确定平行的道路。路上的桥梁功能用于定位检测桥梁和获取信息,如位置,长度,宽度,和方向的桥,韶关勒点的验证实验结果图片。此外,为了学习更高级的道路特征信息,介绍了空心卷积的算法和多核共享模块。其次,剩余细化网络进一步改进预测网络的输出来提高预测网络的模棱两可的结果。此外,针对遥感图像中道路像素比例小,网络还集成了二进制交叉熵,结构相似,交叉率损失函数来减少道路信息丢失。提出研究的适用性进行了测试,结果表明,该算法是非常有效的道路和桥梁目标的提取。

1。介绍

这座桥是一种重要的人工建筑。探测和识别具有重要意义的GIS数据采集、地图更新和桥梁施工的辅助监督。桥梁和道路桥梁桥梁分为水。目前,大多数现有的算法都进行了桥梁在水面上的目标。这些算法主要采用自上而下的知识识别方法,即首先使用先验知识建立一个目标识别模型。根据假设,分割、标记和特征提取是进行有目的的基础上,然后,进一步进行目标检测(1- - - - - -3]。这些算法有一定参考意义的提取道路桥梁在高分辨率图像4),但图像的表面条件的桥梁道路是复杂多变的。建筑,保护皮带两边的道路,车辆在路上,道路绿化带、交通标志、标牌、广告牌、和其他因素会干扰的提取桥梁。目前,没有完整的桥路上提取算法(5- - - - - -7]。

为了有效地识别道路桥梁目标在遥感影像,关键是如何提取特征的遥感影像道路桥梁8,9]。得出路上的桥主要具有以下特点:(1)桥的身体悬浮在空中,除了支持码头和电缆,桥体没有接触其他对象在地上。图片所示是桥体和周围地区有一个明确的界线。甚至上下高速公路之间的天桥有亮度的差异由于光线的影响。(2)基本上没有大的变化在桥内的灰度值,和当地的平均水平,整体的灰度桥并没有改变,它是相同的。(3)桥上成像图像的形状是一个长期的矩形,用近似平行,相交道路,但不一定是垂直于这条路。(4)桥有一定宽度的高分辨率图像,通常几个像素。(5)过马路。其中,(1)和(2)是道路桥梁的辐射特性;(3)和(4)路桥梁的几何特征; and (5) is the functional characteristics of on-road bridges. We make full use of these features, formulate different criteria pertinently, and propose a reasonable method of extracting bridges on the road [10]。

本文的组织如下:部分2简要描述了道路桥梁识别的算法和实现。部分3显示了deep-learning-based方法的细节。提出的实验研究提出了部分4。结论和未来的工作部分5这篇论文。

2。道路桥梁识别的算法和实现

本文针对高分辨率可见光图像的成像特点和分辨率(11)和道路桥梁目标的主要特征,方法提取道路桥梁提出了基于多个信息。首先,一定大小的滑动窗口是用来跟踪精明的边缘检测的道路骨架线,在道路和边缘信息检测领域。然后,检测到的边缘矢量化获得一组向量线,标准是用来去除无效的线段,最后,检测到桥的平行线,桥梁目标识别,确定桥梁的参数。算法的总体框架如图1。

2.1。边缘检测

图像的边缘是图像的最基本特征。最显著的特点是一对平行线的桥梁。本文试图分析和确定桥体的外缘线从边缘检测12,13]。边缘通常被使用一阶和二阶导数计算唐突的亮度值。索贝尔,罗伯茨,日志,精明的主流运营商计算唐突的亮度值。

路上的大部分桥梁与道路较低,和边缘相对较弱。相比之下,索贝尔,罗伯茨(14),和日志,精明的边缘检测采用高、低阈值来提取边缘,然后连接高阈值图像的边缘轮廓。到达终点时的轮廓连接时,低门槛的边缘,可以连接图像被发现和收集,直到所有缝隙连接。如图2精明的运营商可以准确定位突然信号边缘线的桥梁。因此,精明的选择算子的边缘检测算子。

为了避免影响的建筑物、植被、水系统、等以外的道路因为道路桥梁坐落在道路区域内,我们可以跟踪现有的道路矢量数据通过滑动窗口方法和执行在道路区域内的图像边缘检测。确保桥梁在路上可以完全发现,这里的滑动窗口的长度和宽度是道路的宽度的1.5倍。这不仅进一步限制了桥梁检测的范围还检测到的边缘桥更加迅速和准确。

2.2。边缘向量化

为了更好地分析桥梁的几何特征线,关键边缘图像转换成矢量图可以获得一系列的边缘矢量线。删除无效的线段后,桥的直线拟合线等提供边缘点集合的边缘线段。边缘向量化本文基于ArcGIS的引擎开发环境,使用GP工具在开发检测边缘二值化图像进行向量化来获取相应的矢量文件(15]。

2.3。除无效的线段

图像特征在道路区域的类型更复杂。边缘提取之后,大量的无效的边缘线干扰识别桥梁在路上将获得。因此,那些无效的线段影响桥梁检测前必须清除检测桥平行线。具体的干扰因素包括车辆、树木、交通标志、标牌、广告牌、个人桥梁栏杆,和桥梁本身的阴影。

2.3.1。除干扰等因素造成的车辆、树木、交通标志和广告牌

在图像边缘提取之后,路上的车辆和树木主要是对应于相对较小的不连续性和相对较短的不连续的边缘线,和边缘主要是粗糙和当地的曲率比较大。根据这个特性,为了避免车辆的影响,道路绿化带、交通标志、广告牌、等在桥梁识别,本文制定指导方针,删除那些很短或相对较大的曲率边缘线。具体算法的指导方针如下:规则1:所有的边缘线记录集N边缘的,每条边向量行向量文件遍历,李和曲线长度的边缘矢量线计算。想删除线段的长度阈值规则lmin,后一组删除太短断了线T= {ti | ti∈N,李> lmin}。准则2:边缘线的集合T,线段的端点之间的距离是di,曲线长度的线段,然后曲线度参数ci = di /李线段的集合,和cmin曲率阈值。然后,大部分的无效的边缘线对应于较大的曲率的车辆在路上,和一组T′= {ti | ti∈T,李> lmin, ci > cmin}。

2.3.2。去除干扰引起的交通标志

路上交通标志的类型包括导向车道线,车道分界线,中心双实线,人行道,并停止线。其中,指导车道线,车道分界线,中心双实线,人行道上的线是高分辨率遥感图像上的成像。边缘检测后,形成的边缘线几乎是平行于道路中心线。图像的桥梁和道路中心线相交。图3(一个)交通标志线显示了一个示意图,图3 (b)显示在遥感影像分辨率为0.2 m。交通标志线之间的空间关系和道路中心线大约是平行不相交,和桥边缘线接近道路中心线。因此,为了获得更可靠的结果在识别之前,本文采用标准3限制。

标准3:由于中央投影成像方法,桥梁和道路不能并行。通过设置角副业之间的桥梁和道路的中心线要大于某个阈值α实验后,设置阈值α= 30°可以去除大部分的虚拟场景信息造成的交通标志线。造成的干扰停止线后需要进一步消除平行线路检测标准。

2.4。干扰删除桥本身的影子

有关遥感图像的阴影,它主要由照明不足,导致低亮度在阴影区域和缺乏颜色信息(7]。

精明的边缘检测后,桥梁和本身的阴影经常形成大约三个平行的边缘线。基于直线的交点在中间道路的中心线,两侧一定范围内的数据的平均水平。较小的平均值的一边是判定为阴影部分,和相应的边缘被认为是影子边缘线和删除删除影子桥本身的干扰。影子干扰消除的原理图如图4。

2.4.1。干扰删除由桥梁栏杆等因素造成的

如果在马路上有一座桥,必须有十字路口道路的中心线与桥的边缘(3),而这些十字路口出现在对在正常情况下。然而,由于太阳的正常的夹角和入射角,桥的栏杆的形象可能在范围之内的桥和道路的中心线的交点也将被记录下来。因此,两个或两个以上的点可能被记录在某桥的边缘附近,当沿中心线检测。因此,冗余点需要被删除,以避免干扰等因素引起的桥梁栏杆。处理方法是遍历所有的十字路口,如果有一个十字路口的8邻域内另一个点,其中一个是记录(3]。

2.5。检测平行边

通过删除无效的线段,得到潜在桥平行线对,但可能仍然是虚拟场景在这些线路,所以获得的边缘线识别之前需要进一步证实。因为桥的两条边不理想的平行线,这座桥有一定宽度,虚拟场景可以进一步消除提取近似平行的边缘线段一定范围内(6),如图5。

线段AB和CD的疑似边缘线段对桥。A1和B1 AB的预测在CD。C1和D1 AB是CD的预测,分别。d1-d4是直线的距离结束到另一条直线。两条直线的夹角θ。

标准4:(1)桥有一定的宽度,所以d1-d4小于指定阈值;(2)发现大桥边的交点,道路中心线作为起点,和道路宽度作为限制跟踪桥的边缘线,记录跟踪点的坐标,并在其上进行最小二乘拟合得到的斜率边。因为这座桥有两面,可以获得两个斜率值。根据角公式,角θ对应于双方可以获得。如果θ小于某个阈值,它被认为是一对的桥。

2.6。桥梁识别

无效的线段被删除后,桥的边缘可以配对。从记录的第一边缘线,两个相邻行可以决定一座桥(16),与道路中心线的交点B1 (x1,y1)和B2 (x2,y2)。(1)桥的位置的确定: (2)确定桥的位置:桥的方位角副业平均是桥的位置(3)桥的宽度的确定:在获得直线的斜率的桥,一条直线方程,构造两条平行线根据桥的两个边线的中点,和两条线之间的距离是桥的宽度(4)桥的长度的确定:桥的长度的计算原则就是以桥的位置为起点,长在两桥之间的图像边缘区域的一致性

3所示。Deep-Learning-Based方法

本文还使用深度学习方法(16,17)协助提取道路和桥梁的任务。在图像分割任务,常见的结构是encoder-decoder结构。编码器负责将采样,减少图像尺寸,和译码器负责upsampling和减少图像尺寸。如图6,本文提出的方法选择加载ResNet-34 pretraining模型。整个网络的深度设计为五层,其中包括一个输入卷积层和四层编码器。使用麻省数据集进行训练时,输入网络的图像大小为500×500×3;然后,它将进行双线性插值操作插入图像大小为512×512×3输入卷积层,和功能的地图大小为512×512×3通过步长是2,卷积核是一个7×7卷积的过程,此时地图大小和输出特性是2 _56 _56×2×64;然后,通过最大池过程卷积核的2×2和2的步长,功能映射获得了大小128×128×64,然后,它是作为第一层译码器的输入。在上述但是编码器层,每一层的编码器是由不同数量的残块,和剩余块包括两个3×3卷积核和一个跳分支相结合。但是生成的输出编码器通过downsampling卷积操作128×128×64,64×64×128,32×32×256,和16×16×512,去年编码器的输出层的输入将被用作过渡层。图6代表了encoder-decoder结构总体框架图。

4所示。实验

本文提出的识别方法是在VS2008中+ ArcGIS Engine环境中实现的。图7显示了识别结果的一部分,昴宿星团的试验区遥感图像在韶关。

图7显示识别结果和中间结果的一部分。图7(一)是原始图像;图7 (b)是关键的图像边缘提取后沿中心线的道路使用精明的操作符;图7 (c)光栅图像转换为矢量边缘线ArcGIS Engine,随后删除无效的线段和快速拓扑计算检测平行线;图7 (d)的去除干扰因素,如车辆和绿化带,曲率阈值设置为0.9,和长度的阈值设置为4像素,并得到良好的结果;图7 (e)消除其他干扰因素,如交通标志线,和阈值一个道路中心线的夹角为30°;图7 (f)是删除的结果桥本身的阴影干扰,并进一步把虚拟场景通过检测平行线,桥梁线性边缘两基本上是认可(16]。根据桥阴影的像素值小于桥本身的像素值,消除阴影效果。检测平行线时,阈值的角度θ双方定于5°,和阈值设置为40米的距离;图7 (g)最后的识别结果,浅蓝色十字架代表目标的桥梁。表1显示的位置、方向、长度、宽度、和其他参数的桥梁检测结果在图从左到右7 (g),可以看出桥梁在路上可以更好地识别。从表可以看出1的位置、方向、长度和宽度的桥可以得到相对正确地使用本文的算法。

5。结论和进一步的工作

提出了一套高分辨率遥感影像道路桥梁基于多个信息提取技术。桥的主要特点的基础上,该算法建立了一个标准的桥梁识别方法,使用道路区域作为识别区域,沿着道路的中心线检测。探测范围限制在附近的道路的中心线有利于提高检测效率和结果;边的向量化后,精明的边缘检测有利于删除计算的虚拟场景,和桥边缘线是快速、准确地确定。桥梁在公路上的识别提供了直接和快速动态更新的地图,为城市规划提供辅助参考。

本文中的算法执行检测道路的中心线,这取决于道路网络提供的信息的准确性。如果不能准确地提取道路网,它会导致misdetection错过了桥梁检测提取;此外,该检测算法本文旨在平行桥梁在路上,但它无法正确提取的环形和不规则的桥梁。这需要我们进行进一步的研究。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突有关。

引用

1. j .汉k .梁周,朱x, j .赵和l .赵“红外小目标探测利用多尺度相对当地对比衡量,“IEEE地球科学和遥感信,15卷,不。4、612 - 616年,2018页。视图:出版商的网站|谷歌学术搜索
2. j .聂瞿,y, l . Zhang和l .邓“红外小目标检测方法基于多尺度局部同质性措施,”红外物理与技术卷,90年,第194 - 186页,2018年。视图:出版商的网站|谷歌学术搜索
3. y, y, h .姚明,d .锅和g·肖,”High-boost-based多尺度局部对比度测量红外小目标检测,”IEEE地球科学和遥感信,15卷,不。1,33-37,2017页。视图:出版商的网站|谷歌学术搜索
4. 沈h .赵,x, x, j .史和j .贾”Icnet高分辨率图像的实时语义分割,”计算机视觉的欧洲会议(大会)伊萨卡,页405 - 420年,纽约,美国,2018年8月。视图:谷歌学术搜索
5. n . c . Tan Uddin, e . j . OBrien p . j . McGetrick和c·w·金,“桥梁模态参数的提取使用通过车辆响应,“桥梁工程,24卷,不。9篇文章ID 04019087, 2019。视图:出版商的网站|谷歌学术搜索
6. t .太阳、z Di和y . Wang”道路提取,结合卫星图像和gps数据”第二届ACM SIGSPATIAL国际研讨会AI地理知识发现,页29-32,纽约,纽约,美国,2018年11月。视图:谷歌学术搜索
7. d .王、孟x c .高锅,问:陈,“多路径提取和减轻桥梁变形监测使用single-difference模型,”太空研究的进步,60卷,不。12日,第2895 - 2882页,2017年。视图:出版商的网站|谷歌学术搜索
8. x x, y, z Li Ning, y秦,和w·蔡”一种改进encoder-decoder网络基于地带池方法应用于农田空置领域的细分,“熵,23卷,不。4 p。435年,2021年。视图:出版商的网站|谷歌学术搜索
9. w·蔡b . Liu z, m·李和j .菅直人“TARDB-net: triple-attention引导残余密集的高光谱图像分类和BiLSTM网络,”多媒体工具和应用程序,卷80,不。7,11291 - 11312年,2021页。视图:出版商的网站|谷歌学术搜索
10. z史和n . Uddin提取多个网桥频率从测试汽车理论研究中,“杂志的声音和振动文章ID 115735卷,490年,2021年。视图:出版商的网站|谷歌学术搜索
11. a . Lichtenegger d·j·哈珀·m·奥古斯汀et al .,“光谱与可见光光谱域光学相干成像显微镜在阿尔茨海默病大脑样本,”生物医学光学表达,8卷,不。9日,第4025 - 4007页,2017年。视图:出版商的网站|谷歌学术搜索
12. x y . Liu m . m . Cheng, k . Wang和x呗,“富裕卷积特性的边缘检测,”IEEE模式分析与机器智能第41卷。。8,3000 - 3009年,2017页。视图:出版商的网站|谷歌学术搜索
13. p . Ganesan和g Sajiv”,全面研究边缘检测的图像处理应用程序,”学报2017年创新国际会议信息,嵌入式和通信系统(ICIIECS)哥印拜陀,页1 - 6,IEEE,印度,2017年3月。视图:谷歌学术搜索
14. h·a·Sholeh y拉瓦蒂,h·d·Saptama”某perbandingan pengenalan karakter aksara楠榜dengan metode deteksi tepi罗伯茨丹•索贝尔”Inovasi Pembangunan: Jurnal Kelitbangan》第六卷,没有。3、261 - 272年,2018页。视图:出版商的网站|谷歌学术搜索
15. b . Dahlberg和m .优雅”循环变换算法测试向量高速访问,”《45国际研讨会进行测试和失效分析(ISTFA)p。434年,国际ASM坎姆顿,有俄亥俄州,2019年12月。视图:谷歌学术搜索
16. x宁、w·李和w·刘,“快速单图像烟雾去除方法基于人类视网膜财产,“IEICE交易信息和系统卷,高达。D,没有。1,第214 - 211页,2017。视图:出版商的网站|谷歌学术搜索
17. 王x, x Ning s徐et al .,”co-training研究的回顾。并发性和计算:实践和经验”,并发性和计算实践和经验,2021年p . e6276。视图:出版商的网站|谷歌学术搜索

版权

版权©2021杨Wenbing et al。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。