基于道路特征的遙感影像與激光點云配準方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明提供了一種基于道路特征的高分辨遙感影像與激光點云配準方法及系統(tǒng)，包括步驟：步驟1，根據(jù)激光點云提取點云道路矢量線；步驟2，遙感影像的正射影像預(yù)處理獲得二值化分割影像；步驟3，利用初始外方位元素將點云道路矢量線反投影到二值化分割影像，并采用矩形整體匹配法獲得影像道路中心線；步驟4，以點云道路矢量線端點為地面控制點，以影像道路中心線端點為地面控制點的像點，實現(xiàn)激光點云與遙感影像的配準。本發(fā)明可實現(xiàn)多源數(shù)據(jù)間快速、自動化、高精度配準，為融合后地物提取、三維重建以及變化檢測提供參考。
【專利說明】基于道路特征的遙感影像與激光點云配準方法及系統(tǒng)

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于遙感與攝影測量【技術(shù)領(lǐng)域】，尤其涉及一種基于道路特征的遙感影像與 激光點云配準方法及系統(tǒng)。

【背景技術(shù)】
[0002] 無人駕駛飛機簡稱無人機（Unmanned Aerial Vehicle, UAV)，是一種有動力、可控 制、能攜帶多種任務(wù)設(shè)備、執(zhí)行多種任務(wù)，并能重復(fù)使用的無人駕駛航空器。通過無人駕駛 飛行器技術(shù)與遙感傳感器技術(shù)、遙測遙控技術(shù)、通訊技術(shù)、GPS差分定位技術(shù)和遙感應(yīng)用技 術(shù)相結(jié)合，無人機遙感系統(tǒng)可快速獲取國土、資源、環(huán)境等的空間遙感信息，通過地面接收 站進行遙感數(shù)據(jù)處理從而實現(xiàn)自動化、智能化、專題化建模和分析。尤其是激光點云和影像 數(shù)據(jù)對目標的描述有諸多的互補性，使二者的融合處理對自動生成數(shù)字高程模型、城市建 模、目標識別等領(lǐng)域的應(yīng)用大有裨益。由于制造與操作上原因，數(shù)碼相機和激光掃描儀并非 嚴格意義上的統(tǒng)一坐標系，因此實現(xiàn)兩種數(shù)據(jù)間的配準是二者集成應(yīng)用前需要解決的首要 任務(wù)，具有十分重要的現(xiàn)實意義。
[0003] 不同成像機理的傳感器獲得數(shù)據(jù)源間的自動配準，依然采用傳統(tǒng)圖像配準的四大 要素：配準基元、相似性測度、變換函數(shù)和匹配策略。目前，在激光點云數(shù)據(jù)與遙感影像的 配準方面，國內(nèi)外學(xué)者進行了大量研究，配準方法主要分為兩大類：其一是直接或間接在激 光點云數(shù)據(jù)和遙感影像間尋找同名特征實現(xiàn)配準；其二是利用兩種數(shù)據(jù)間的互信息實現(xiàn)自 動配準，即，按照某原則計算兩點集間的坐標轉(zhuǎn)換函數(shù)，實現(xiàn)激光點云數(shù)據(jù)與遙感影像的配 準。對于建筑物密集的城市區(qū)域，由于激光點云數(shù)據(jù)的離散性和不均勻分布，提取到的建筑 物輪廓精確性與細節(jié)性不高；而又因為航空遙感影像存在遮擋，使得一些建筑物的結(jié)構(gòu)邊 和角點無法提取。針對該問題，本發(fā)明基于激光點云數(shù)據(jù)提取點云道路矢量線，以點云道路 矢量線為配準基元，采用改進的矩形整體匹配法自動提取遙感影像的道路信息，即實現(xiàn)點 云道路矢量線和影像道路中心線的匹配；最終，利用同名線特征端點重新計算遙感影像的 外方位元素，完成兩種數(shù)據(jù)的配準。
[0004] 文中涉及如下參考文獻：
[0005] [1]Kumar Mishra R. A Review of Optical Imagery and Airborne LiDAR Data Registration Methods[J]. The Open Remote Sensing Journal, 2012, 5:54-63.
[0006] [2]Habib A, Schenk T. A new approach for matching surfaces from laser scanners and optical scanners[J]. International Archives of Photogrammetry and Remote Sensing, 1999, 32:3/W14-55-61.
[0007] [3]Mastin A, Kepner J, Fisher J. Automatic registration of LIDAR and optical images of urban scenes [C]//Computer Vision and Pattern Recognition, 2009. CVPR 2009.IEEE Conference on.IEEE,2009:2639-2646.
[0008] [4]Deng F. Registration between Multiple Laser Scanner Data Sets[J] · Laser Scanning, Theory and Applications, 2011:978-953.
[0009] [5] Pothou A, Karamitsos S, Georgopoulos A, et al. Assessment and comparison of registration algorithms between aerial images and laser point clouds[C]//ISPRS, Symposium:，F(xiàn)rom sensor to imagery. 2006.
[0010] [6]張永軍，熊小東，沈翔.城區(qū)機載LiDAR數(shù)據(jù)與航空影像的自動配準[J].遙 感學(xué)報，2012, 16 (3) : 579-595.
[0011] [7]徐景中，寇媛，袁芳，等.基于結(jié)構(gòu)特征的機載LiDAR數(shù)據(jù)與航空影像自動 配準[J] ·紅外與激光工程，2013, 42 (12) : 3501-3506.
[0012] [8]張帆，黃先鋒，李德仁.激光掃描與光學(xué)影像數(shù)據(jù)配準的研究進展[J].測繪 通報，2008 (2) :7-10.


【發(fā)明內(nèi)容】

[0013] 針對現(xiàn)有技術(shù)存在的不足，本發(fā)明提供了一種自動化程度強、配準精度高的基于 道路特征的遙感影像與激光點云配準方法及系統(tǒng)。
[0014] 為解決上述技術(shù)問題，本發(fā)明采用如下的技術(shù)方案：
[0015] 一、基于道路特征的高分辨遙感影像與激光點云配準方法，包括步驟：
[0016] 步驟1，根據(jù)激光點云提取道路中心線，即點云道路矢量線；
[0017] 步驟2,對遙感影像的正射影像進行閾值分割獲得二值化影像，去除二值化影像中 的非道路噪聲；
[0018] 步驟3,利用無人機系統(tǒng)中初始外方位元素將點云道路矢量線反投影到步驟2獲 得的二值化影像，從而獲得二值化影像中的大致道路區(qū)域，在大致道路區(qū)域中采用矩形整 體匹配法獲得影像道路中心線；
[0019] 步驟4,以點云道路矢量線端點為地面控制點，以對應(yīng)的影像道路中心線端點為地 面控制點的像點，重新解算遙感影像的外方位元素，實現(xiàn)激光點云與遙感影像的配準。
[0020] 步驟1進一步包括子步驟：
[0021] 1. 1預(yù)處理激光點云，獲得激光點云的虛擬格網(wǎng)及激光點在虛擬格網(wǎng)中的索引；
[0022] 1. 2采用基于虛擬格網(wǎng)的地形坡度濾波法濾除激光點云中的非地面點；
[0023] 1. 3通過強度特征和面積特征約束去除激光點云中的非道路地面點；
[0024] 1. 4從激光點云的道路點集中提取道路中心線，即點云道路矢量線。
[0025] 子步驟1. 2具體為：
[0026] 遍歷虛擬格網(wǎng)獲得各虛擬格網(wǎng)中高程最低點Emin ;針對各虛擬格網(wǎng)，分別計算當前 虛擬格網(wǎng)中高程最低點Επ?η與8個鄰域虛擬格網(wǎng)中高程最低點的坡度，若坡度大于坡度閾 值，將當前虛擬格網(wǎng)內(nèi)所有點作為非地面點并刪除；否則，針對當前虛擬格網(wǎng)中各點，逐一 計算其與個鄰域虛擬格網(wǎng)中高程最低點的坡度，將當前虛擬格網(wǎng)中坡度小于坡度閾值的點 作為地面點保留，其他點刪除。
[0027] 子步驟1. 4具體為：
[0028] 采用a -shapes法提取道路點集的邊界線，并柵格化邊界線包含的區(qū)域，基于數(shù) 學(xué)形態(tài)學(xué)對柵格化后的區(qū)域進行細化獲得初始道路中心線，對初始道路中心線進行擬合， 擬合后的道路中心線即點云道路矢量線。
[0029] 步驟2中采用最大類間方差法對正射影像進行閾值分割。
[0030] 步驟2中所述的去除二值化影像中的非道路噪聲，具體為：基于數(shù)學(xué)形態(tài)學(xué)對二 值化影像依次進行膨脹、腐蝕。
[0031] 步驟3進一步包括子步驟：
[0032] 3. 1利用無人機系統(tǒng)中初始外方位元素建立激光點云和遙感影像的近似變換關(guān) 系，根據(jù)近似變換關(guān)系將點云道路矢量線反投影到步驟2獲得的二值化影像，得到點云道 路矢量投影線；
[0033] 3. 2以點云道路矢量投影線方向為道路矩形窗和背景矩形窗的初始方向，以點云 道路矢量投影線長度為道路矩形窗和背景矩形窗的長度，預(yù)設(shè)不同的道路矩形窗寬度和背 景矩形窗寬度，在不同的矩形窗寬度下，采用道路矩形窗和背景矩形窗在沿點云道路矢量 投影線法線方向的緩沖區(qū)內(nèi)搜索，分別計算道路矩形窗和背景矩形窗內(nèi)所有像素的屬性值 之和，即矩形窗屬性和；
[0034] 3. 3將最小矩形窗屬性和對應(yīng)的道路矩形窗作為最佳道路矩形窗，其中心線即影 像道路矢量線。
[0035] 步驟3還包括最佳道路矩形窗的優(yōu)化步驟，具體為：
[0036] 取點云道路矢量投影線末端點在道路矩形窗和背景矩形窗的初始方向的垂直方 向土η個像素為矩形窗方向變化范圍，在矩形窗方向變化范圍內(nèi)按預(yù)設(shè)幅度改變道路矩形 窗和背景矩形窗的方向，并采用權(quán)利要求7中所述的步驟3. 2?3. 3獲得各矩形窗方向下 對應(yīng)的初始最佳道路矩形窗，比較各初始最佳道路矩形窗對應(yīng)的矩形窗屬性和，將最小矩 形窗屬性和對應(yīng)的初始最佳道路矩形窗為優(yōu)化后的最佳道路矩形窗。
[0037] 步驟4進一步包括子步驟：
[0038] 4. 1以點云道路矢量線端點為地面控制點，以影像道路中心線端點為地面控制點 的像點，重新解算遙感影像的外方位元素；
[0039] 4. 2判斷重新解算獲得的當前外方位元素角元素和前一外方位元素角元素的改正 數(shù)是否小于預(yù)設(shè)限差，若小于，則根據(jù)當前外方位元素配準激光點云和遙感影像；否則，執(zhí) 行步驟4. 3 ;所述的前一外方位元素角元素的初始值為無人機系統(tǒng)中的初始外方位元素角 元素；
[0040] 4. 3判斷迭代次數(shù)是否達到迭代極限，若達到，則根據(jù)當前外方位元素配準激光點 云和遙感影像；否則，執(zhí)行步驟4. 4 ;
[0041] 4. 4利用當前外方位元素將點云道路矢量線反投影到步驟2獲得的二值化影像， 從而獲得二值化影像中的大致道路區(qū)域，在大致道路區(qū)域中采用矩形整體匹配法獲得影像 道路中心線，然后，執(zhí)行步驟4. 1。
[0042] 二、基于道路特征的高分辨遙感影像與激光點云配準系統(tǒng)，包括：
[0043] 點云道路矢量線獲取模塊，用來根據(jù)激光點云提取道路中心線，即點云道路矢量 線.
[0044]閾值分割模塊，用來對遙感影像的正射影像進行閾值分割獲得二值化影像，去除 二值化影像中的非道路噪聲；
[0045] 影像道路中心線獲取模塊，用來利用無人機系統(tǒng)中初始外方位元素將點云道路矢 量線反投影到步驟2獲得的二值化影像，從而獲得二值化影像中的大致道路區(qū)域，在大致 道路區(qū)域中采用矩形整體匹配法獲得影像道路中心線；
[0046] 配準模塊，用來以點云道路矢量線端點為地面控制點，以對應(yīng)的影像道路中心線 端點為地面控制點的像點，重新解算遙感影像的外方位元素，實現(xiàn)激光點云與遙感影像的 配準。
[0047] 三、基于道路特征的高分辨遙感影像與激光點云配準結(jié)果的評價方法，包括步 驟：
[0048] 步驟1，在遙感影像上人工選取與點云道路矢量線對應(yīng)的檢查線；
[0049] 步驟2,根據(jù)當前外方位元素將點云道路矢量線反投影到遙感影像獲得投影線；
[0050] 步驟3,在遙感影像中獲得檢查線和投影線中對應(yīng)線段端點的殘差，利用殘差來衡 量配準精度。
[0051] 為實現(xiàn)城市區(qū)域的機載激光點云數(shù)據(jù)與高分辨率遙感影像的自動配準，本發(fā)明基 于已有的配準方法，避免選擇形狀復(fù)雜且計算量大的建筑物邊緣或角點為配準基元，而是 選擇道路特征為配準基元。直接在激光點云數(shù)據(jù)中提取點云道路矢量線，利用初始外方位 元素將點云道路矢量線反投影到遙感影像，采用基于直線道路的矩形整體匹配法提取遙感 影像的道路特征；將同名道路特征中的首末端點作為控制點，經(jīng)多次平差可以得到較好的 配準結(jié)果。
[0052] 發(fā)明的目的在于實現(xiàn)多源數(shù)據(jù)間快速、自動化配準，為融合后地物提取、三維重建 以及變化檢測提供參考。和現(xiàn)有技術(shù)相比，本發(fā)明具有如下特點和有益效果：
[0053] (1)相對于提取城市區(qū)域中建筑物特征，道路特征更易被辨別，可減少工作量；并 且，無需將激光點云內(nèi)插成灰度圖像，避免因此造成的精度損失。
[0054] (2)利用初始外方位元素將點云道路矢量線反投影到遙感影像，可減少提取遙感 影像道路特征時的搜索范圍；無需人工設(shè)置種子點，保證了提取過程的自動程度。
[0055] (3)采用同名道路特征的首末端點為控制點，利用共線條件方程經(jīng)多次迭代求解 遙感影像的外方位元素，逐次逼近最優(yōu)定位結(jié)果，進一步提高配準精度。

【專利附圖】

【附圖說明】
[0056] 圖1為本發(fā)明方法具體流程圖；
[0057] 圖2為最佳匹配矩形窗提取示意圖；
[0058] 圖3為編號0821的航空遙感影像的道路中心線提取結(jié)果及匹配結(jié)果，其中，圖（a) 為點云道路矢量線到遙感影像的初始反投影位置，圖（b)是迭代過程中通過平差實現(xiàn)的點 云道路矢量線與遙感影像的疊加結(jié)果，圖（c)是最終匹配結(jié)果；
[0059] 圖4為編號0821的航空遙感影像外方位元素計算精度。

【具體實施方式】
[0060] 本發(fā)明方法基于激光點云數(shù)據(jù)提取點云道路矢量線，并以此為配準基元，利用改 進的矩形整體匹配方法自動提取遙感影像道路信息獲得影像道路中心線，即實現(xiàn)激光點云 道路矢量線和影像道路中心線的匹配；最后，利用同名線特征端點重新計算遙感影像的外 方位元素，完成兩種數(shù)據(jù)的配準。
[0061] 點云道路矢量線的提取主要通過分析道路的屬性特征及基本形態(tài)特征，利用激光 點云數(shù)據(jù)的三維坐標信息和強度信息，并結(jié)合數(shù)學(xué)形態(tài)學(xué)知識提取道路中心線，即點云道 路矢量線特征。目前，基于機載激光點云數(shù)據(jù)提取道路中心線的方法已經(jīng)很普遍。與此相 關(guān)的文獻有：
[0062] [l]Boyko A,Funkhouser T. Extracting roads from dense point clouds in large scale urban environment[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2011，66(6) :S2-S12.
[0063] [2] Yang B，F(xiàn)ang L，Li Q，et al. Automated extraction of road markings from mobile lidar point clouds[J] · Photogrammetrie engineering and remote sensing，2012, 78 (4) : 331-338.
[0064] [3]Clode S,Kootsookos P J, Rottensteiner F. The automatic extraction of roads from lidar data[C]//The International Society for Photogrammetry and Remote Sensing's Twentieth Annual Congress. ISPRS, 2004, 35:231-236. Yang B，F(xiàn)ang L，Li Q，et al. Automated extraction of road markings from mobile lidar point clouds[J]. Photogrammetric engineering and remote sensing，2012,78 (4):331-338.
[0065] [4]彭檢貴，馬洪超，高廣，等.利用機載LiDAR點云數(shù)據(jù)提取城區(qū)道路[J].狽lj 繪通報，2012 (9) :16-19.
[0066] [5] Hu Xiang-yun, ZHANG Zu-xun，ZHANG Jian-qing. An Approach of Semiautomated Road Extraction from Aerial Images Based on Template Matching and Neural Network[A]. International Achives of Photogrammetry and Remote Sensing,XXXIII (Part B3)[C]. Amsterdam:Amsterdam University, 2000, 994-999.
[0067] 與中、低分辨率遙感影像相比，高分辨率遙感影像能表示更多的地面目標和細節(jié) 特征，特別是道路特征。城市區(qū)域，道路是具有一定的寬度、形狀規(guī)則、長度大于或等于一個 街區(qū)的窄矩形或帶狀線。另一方面，高分辨率遙感影像上也存在一些由斑馬線、汽車、行人 等造成的非道路噪聲。目前，高分辨率城區(qū)遙感影像中的道路提取，通?；趫D象分割進 行。本發(fā)明同樣基于圖像分割，并結(jié)合點云道路矢量線，改進朱長青 [1]等人提出的矩形整 體匹配方法，并采用改進后的矩形整體匹配方法自動提取遙感影像道路信息，從而實現(xiàn)點 云道路矢量線和影像道路中心線的匹配。
[0068] 本發(fā)明對矩形整體匹配方法的改進為：
[0069] 本發(fā)明設(shè)計的道路矩形窗R1和非道路矩形窗R2的初始方向、矩形長度均由矢量 線段的方向和長度自動設(shè)定，無需人工干預(yù)。一般情況下，基于初始方向得到矩形窗屬性值 和的最小值，其對應(yīng)的道路矩形窗R1便可視為道路特征。為了優(yōu)化匹配結(jié)果，需小幅度改 變初始方向K，本發(fā)明取道路矢量線末端點在K垂直方向變化±n個像素為方向變化范圍， 重新計算矩形窗R1和R2的屬性值和，并取最小屬性值和對應(yīng)的道路矩形窗為最佳道路矩 形，提取道路中心線。
[0070] 矩形整體匹配方法的相關(guān)文獻有：
[0071] [1]史文中，朱長青，王昱.遙感圖像提取道路特征的方法綜述與展望[J].測繪學(xué) 報，2001，30 (3) :257262.
[0072] [2]A. Baumgartner, C. Steger, H. Mayer, et al. Automatic road extraction based on multi-scale, grouping, and context. Photogrammetric Engineering&Remote Sensing. Vol. 65, no. 7, pp. 777-785. July 1999.
[0073] [3]鄭麗，潘建平.基于數(shù)學(xué)形態(tài)學(xué)的遙感圖像道路提取[J].鐵道勘 察，2010,（1) :12-15.
[0074] [4]楊先武，蚩志鋒，姚高偉.一種形態(tài)重建的遙感影像城市道路提取方法研究 [J].遙感技術(shù)與應(yīng)用，2011，26(6) :758-762.
[0075] 本發(fā)明方法包括兩個部分：（1)激光點云道路矢量線特征提取；以及（2)基于道路 矢量特征的激光點云數(shù)據(jù)與遙感影像的配準。下面將結(jié)合附圖和【具體實施方式】進一步說明 本發(fā)明的技術(shù)方案。
[0076] 下面將結(jié)合附圖和【具體實施方式】進一步說明本發(fā)明技術(shù)方案。
[0077] 見圖1，本發(fā)明基于道路特征的高分辨遙感影像與激光點云配準方法，具體步驟如 下：
[0078] 步驟1，激光點云預(yù)處理，獲得激光點云的虛擬格網(wǎng)索引。
[0079] 由于激光點云數(shù)據(jù)量大且呈離散不規(guī)則排列，必須對激光點云建立規(guī)則的虛擬格 網(wǎng)索引。具體為：結(jié)合離散激光點密度選擇合適大小的格網(wǎng)，根據(jù)各離散激光點平面坐標， 計算其所屬格網(wǎng)子塊，獲得該離散激光點在虛擬格網(wǎng)中進行索引時的行號和列號。
[0080] 步驟2,激光點云的地形坡度濾波，以濾除激光點云中的非地面點。
[0081] 激光點云中，道路點高程一般與地面接近，采用基于虛擬格網(wǎng)的地形坡度濾波法 濾除激光點云中建筑物、樹木等高程較高的點，而保留道路、草地、裸地等地面點。
[0082] 本步驟進一步包括子步驟：
[0083] 2. 1遍歷虛擬格網(wǎng)獲得各虛擬格網(wǎng)中高程最低點，記為E^。
[0084] 2. 2針對各虛擬格網(wǎng)，分別計算當前虛擬格網(wǎng)中高程最低點Enlin與8個鄰域虛擬格 網(wǎng)中高程最低點間的坡度；若坡度大于坡度閾值，執(zhí)行步驟2. 3 ;否則，執(zhí)行步驟2. 4。坡度 閾值為經(jīng)驗值，本具體實施中，閾值設(shè)定為〇. 3。
[0085] 2. 3將當前虛擬格網(wǎng)內(nèi)所有點作為非地面點刪除。
[0086] 2. 4針對當前虛擬格網(wǎng)中各點，逐一計算其與8個鄰域虛擬格網(wǎng)中高程最低點的 坡度，將當前虛擬格網(wǎng)中坡度小于坡度閾值的點作為地面點保留，其他點刪除。
[0087] 步驟3,通過強度特征和尺寸特征約束去除地形坡度濾波后激光點云中的非道路 地面點。
[0088] 步驟2經(jīng)地形坡度濾波后的激光點云中保留的地面點，既包含道路點，也包含草 地、裸地等其它地面點，根據(jù)道路點呈現(xiàn)的強度特征，可剔除地面點中大部分的非道路地面 點。
[0089] 對于與道路點具有相似強度特征的非道路地面點，可用基于邊長和面積約束的 CD-TIN法（約束狄洛尼不規(guī)則三角網(wǎng)格算法）剔除與道路點具有相似強度特征的非道路地 面點，以精化道路點。
[0090] 步驟4,點云道路矢量線的提取。
[0091] 通過步驟1?3,得到呈條帶狀的道路點集，采用a -shapes法提取離散的道路 點集的邊界線，即道路邊緣；柵格化邊界線包含的區(qū)域，所述的邊界線包含的區(qū)域及道路區(qū) 域，基于數(shù)學(xué)形態(tài)學(xué)對柵格化后的區(qū)域進行細化獲得初始道路中心線，由于初始道路中心 線具有不規(guī)則性，利用3次B樣條曲線對初始道路中心線進行分段擬合以優(yōu)化初始道路中 心線，優(yōu)化后的道路中心線即點云道路矢量線。
[0092] 基于數(shù)學(xué)形態(tài)學(xué)的細化方法較多，本具體實施中采用經(jīng)典的Hilditch細化法（希 爾迪奇細化法）對柵格化后的區(qū)域進行細化，具體過程如下：
[0093] 針對圖像區(qū)域，按照從左向右、從上向下順序順次迭代各像素，是為一個迭代周 期。各迭代周期中，對于像素 P，如果其同時滿足下述條件（1)?（6)，則標記它。當前迭代 周期結(jié)束時，把所有標記像素的灰度值設(shè)為背景值。若迭代周期中不存在被標記的像素，則 結(jié)束。
[0094] 假設(shè)初始背景值為0,前景值為1，xl、x2、x3、x4、x5、x6、x7為像素 p的鄰域像素， 條件⑴?（6)如下：
[0095] (1)像素 P的灰度值為1，即像素 P不是背景；
[0096] (2)像素 xl、像素 x3、像素 x5、像素 x7的灰度值不全部為1，否則刪除像素 p的標 記；
[0097] (3)像素 xl?x8中，至少有2個像素的灰度值為1,若只有1個像素的灰度值為 1，則像素 P為線段端點；若沒有像素的灰度值為1，則像素 P為孤立點；
[0098] (4)像素 p的8連通聯(lián)結(jié)數(shù)為1 ;
[0099] (5)假設(shè)像素 x3已經(jīng)標記刪除，那么當像素 x3的灰度值為0時，像素 p的8聯(lián)通 聯(lián)結(jié)數(shù)為1 ;
[0100] (6)假設(shè)像素 X5已經(jīng)標記刪除，那么當像素 X5的灰度為0時，像素 p的8聯(lián)通聯(lián) 結(jié)數(shù)為1。
[0101] 本步驟中利用3次B樣條曲線對初始道路中心線進行分段擬合，具體過程如下：
[0102] 構(gòu)造3次B樣條基函數(shù)：從空間n+1個頂點Pi (i = 0, 1，. . .，η)中每次取相鄰4 個頂點，即可構(gòu)造一段3次Β樣條曲線。給定節(jié)點數(shù)η初始值，本具體實施中選擇折線曲率 變化較大的線段端點Α和Β作為節(jié)點。在節(jié)點Α和Β間給定步長step，本具體實施中，step =AB/10。內(nèi)插獲得節(jié)點A和B點間的一系列點ql、q2.....qm。采用線段依次連接一系 列點，得到分段擬合線段。
[0103] 步驟5,獲得遙感影像的正射影像。
[0104] 首先，通過無人機系統(tǒng)獲得航空遙感影像，根據(jù)相機參數(shù)、畸變參數(shù)及影像數(shù)據(jù)， 利用DPGrid軟件對遙感影像進行自由網(wǎng)航線排列，得到測區(qū)內(nèi)航帶的大致覆蓋范圍。
[0105] 其次，利用DPGrid軟件及無人機系統(tǒng)中初始P0S數(shù)據(jù)實現(xiàn)遙感影像測區(qū)內(nèi)自由網(wǎng) 平差，獲得相應(yīng)的正射影像。本步驟的目的是為了消除相鄰航片間及航帶間的外方位元素 誤差，糾正遙感影像存在的建筑物傾斜、道路變形等問題。
[0106] 步驟6,遙感影像道路特征分析以去除正射影像中的非道路噪聲。
[0107] 采用日本大津提出的最大類間方差法（簡稱：〇TSU)對步驟5獲得的正射影像進 行二閾值分割，將影像中道路區(qū)域初步區(qū)分，得到含初步道路信息的二值化影像II。為了 去除遙感影像中依然存在的非道路噪聲，基于數(shù)學(xué)形態(tài)學(xué)對二值化影像II依次進行膨脹 (Dilation)、腐蝕（Erosion)。
[0108] 膨脹和腐蝕的定義分別見公式（1)和公式（2):
[0109] Dilation:Dg(A, Β) = max {a[m-j, n-k] +b [ j, k]} (1)
[0110] Erosion:EG(A, B) = min{a[m+j, n+k]-b[j, k]} (2)
[0111] 式（1)?（2)中，A表示目標影像，即本發(fā)明中的二值化影像II ;B表示形態(tài)學(xué)中 的結(jié)構(gòu)元素，本具體實施中結(jié)構(gòu)元素選擇平面結(jié)構(gòu)元素，具體為大小6><6的全1矩陣； a[x, y]、b[x, y]分別表示A與B中像素（X，y)的像素值，（m, η)和（j, k)分別為A和B中 正在處理的像素坐標。
[0112] 步驟7,道路矩形窗函數(shù)的設(shè)計。
[0113] 通過分析道路的屬性特征及基本形態(tài)特征可知，城市區(qū)域道路是具有一定的寬 度、形狀規(guī)則、長度大于或等于一個街區(qū)的較窄矩形或帶狀線。因此，本發(fā)明通過道路矩形 窗來提取遙感影像中的道路特征。
[0114] 朱長青等人提出的矩形整體匹配方法的思路為：設(shè)計最佳道路矩形窗，使得道路 矩形窗內(nèi)道路成分盡量多、道路矩形窗外非道路成分盡量多。因此，假定步驟6獲得的二值 化影像中道路為白色（即，像素灰度值g(X，y) = 1)，背景為黑色（即，像素灰度值g(X，y)= 0)。設(shè)計道路矩形窗R1，其寬度為wl、長度為LI ;設(shè)計背景矩形窗R2 ( S卩，非道路矩形窗）， 其寬度為w2、長度為L2。道路矩形窗R1和背景矩形窗R2對應(yīng)的函數(shù)Sl (X，y)和s2(x，y) 分別見式（3)和式（4):

【權(quán)利要求】
1. 基于道路特征的高分辨遙感影像與激光點云配準方法，其特征在于，包括步驟： 步驟1，根據(jù)激光點云提取道路中心線，即點云道路矢量線； 步驟2,對遙感影像的正射影像進行閾值分割獲得二值化影像，去除二值化影像中的非 道路噪聲； 步驟3,利用無人機系統(tǒng)中初始外方位元素將點云道路矢量線反投影到步驟2獲得的 二值化影像，從而獲得二值化影像中的大致道路區(qū)域，在大致道路區(qū)域中采用矩形整體匹 配法獲得影像道路中心線； 步驟4,以點云道路矢量線端點為地面控制點，以對應(yīng)的影像道路中心線端點為地面控 制點的像點，重新解算遙感影像的外方位元素，實現(xiàn)激光點云與遙感影像的配準。
2. 如權(quán)利要求1所述的基于道路特征的高分辨遙感影像與激光點云配準方法，其特征 在于： 步驟1進一步包括子步驟： 1. 1預(yù)處理激光點云，獲得激光點云的虛擬格網(wǎng)及激光點在虛擬格網(wǎng)中的索引； 1. 2采用基于虛擬格網(wǎng)的地形坡度濾波法濾除激光點云中的非地面點； 1. 3通過強度特征和面積特征約束去除激光點云中的非道路地面點； 1. 4從激光點云的道路點集中提取道路中心線，即點云道路矢量線。
3. 如權(quán)利要求1所述的基于道路特征的高分辨遙感影像與激光點云配準方法，其特征 在于： 子步驟1. 4具體為： 采用a -shapes法提取道路點集的邊界線，并柵格化邊界線包含的區(qū)域，基于數(shù)學(xué)形 態(tài)學(xué)對柵格化后的區(qū)域進行細化獲得初始道路中心線，對初始道路中心線進行擬合，擬合 后的道路中心線即點云道路矢量線。
4. 如權(quán)利要求1所述的基于道路特征的高分辨遙感影像與激光點云配準方法，其特征 在于： 步驟2中采用最大類間方差法對正射影像進行閾值分割。
5. 如權(quán)利要求1所述的基于道路特征的高分辨遙感影像與激光點云配準方法，其特征 在于： 步驟2中所述的去除二值化影像中的非道路噪聲，具體為：基于數(shù)學(xué)形態(tài)學(xué)對二值化 影像依次進行膨脹、腐蝕。
6. 如權(quán)利要求1所述的基于道路特征的高分辨遙感影像與激光點云配準方法，其特征 在于： 步驟3進一步包括子步驟： 3. 1利用無人機系統(tǒng)中初始外方位元素建立激光點云和遙感影像的近似變換關(guān)系，根 據(jù)近似變換關(guān)系將點云道路矢量線反投影到步驟2獲得的二值化影像，得到點云道路矢量 投影線； 3. 2以點云道路矢量投影線方向為道路矩形窗和背景矩形窗的初始方向，以點云道路 矢量投影線長度為道路矩形窗和背景矩形窗的長度，預(yù)設(shè)不同的道路矩形窗寬度和背景矩 形窗寬度，在不同的矩形窗寬度下，采用道路矩形窗和背景矩形窗在沿點云道路矢量投影 線法線方向的緩沖區(qū)內(nèi)搜索，分別計算道路矩形窗和背景矩形窗內(nèi)所有像素的屬性值之 和，即矩形窗屬性和； 3. 3將最小矩形窗屬性和對應(yīng)的道路矩形窗作為最佳道路矩形窗，其中心線即影像道 路矢量線。
7. 如權(quán)利要求6所述的基于道路特征的高分辨遙感影像與激光點云配準方法，其特征 在于： 步驟3還包括最佳道路矩形窗的優(yōu)化步驟，具體為： 取點云道路矢量投影線末端點在道路矩形窗和背景矩形窗的初始方向的垂直方向±n 個像素為矩形窗方向變化范圍，η根據(jù)經(jīng)驗取值，在矩形窗方向變化范圍內(nèi)按預(yù)設(shè)幅度改變 道路矩形窗和背景矩形窗的方向，并采用權(quán)利要求7中所述的步驟3. 2?3. 3獲得各矩形 窗方向下對應(yīng)的初始最佳道路矩形窗，比較各初始最佳道路矩形窗對應(yīng)的矩形窗屬性和， 將最小矩形窗屬性和對應(yīng)的初始最佳道路矩形窗為優(yōu)化后的最佳道路矩形窗。
8. 如權(quán)利要求1所述的基于道路特征的高分辨遙感影像與激光點云配準方法，其特征 在于： 步驟4進一步包括子步驟： 4. 1以點云道路矢量線端點為地面控制點，以影像道路中心線端點為地面控制點的像 點，重新解算遙感影像的外方位元素； 4. 2判斷重新解算獲得的當前外方位元素角元素和前一外方位元素角元素的改正數(shù) 是否小于預(yù)設(shè)限差，若小于，則根據(jù)當前外方位元素配準激光點云和遙感影像；否則，執(zhí)行 步驟4. 3 ;所述的前一外方位元素角元素的初始值為無人機系統(tǒng)中的初始外方位元素角元 素； 4. 3判斷迭代次數(shù)是否達到迭代極限，若達到，則根據(jù)當前外方位元素配準激光點云和 遙感影像；否則，執(zhí)行步驟4. 4 ; 4. 4利用當前外方位元素將點云道路矢量線反投影到步驟2獲得的二值化影像，從而 獲得二值化影像中的大致道路區(qū)域，在大致道路區(qū)域中采用矩形整體匹配法獲得影像道路 中心線，然后，執(zhí)行步驟4.1。
9. 基于道路特征的高分辨遙感影像與激光點云配準系統(tǒng)，其特征在于，包括： 點云道路矢量線獲取模塊，用來根據(jù)激光點云提取道路中心線，即點云道路矢量線； 閾值分割模塊，用來對遙感影像的正射影像進行閾值分割獲得二值化影像，去除二值 化影像中的非道路噪聲； 影像道路中心線獲取模塊，用來利用無人機系統(tǒng)中初始外方位元素將點云道路矢量線 反投影到步驟2獲得的二值化影像，從而獲得二值化影像中的大致道路區(qū)域，在大致道路 區(qū)域中采用矩形整體匹配法獲得影像道路中心線； 配準模塊，用來以點云道路矢量線端點為地面控制點，以對應(yīng)的影像道路中心線端點 為地面控制點的像點，重新解算遙感影像的外方位元素，實現(xiàn)激光點云與遙感影像的配準。
10. 基于道路特征的高分辨遙感影像與激光點云配準結(jié)果的評價方法，其特征在于，包 括步驟： 步驟1，在遙感影像上人工選取與點云道路矢量線對應(yīng)的檢查線； 步驟2,根據(jù)當前外方位元素將點云道路矢量線反投影到遙感影像獲得投影線； 步驟3,在遙感影像中獲得檢查線和投影線中對應(yīng)線段端點的殘差，利用殘差來衡量配 準精度。
【文檔編號】G06T7/00GK104123730SQ201410377648
【公開日】2014年10月29日 申請日期:2014年7月31日 優(yōu)先權(quán)日:2014年7月31日
【發(fā)明者】萬幼川, 何培培, 秦家鑫, 楊威 申請人:武漢大學(xué)