基于高分遥感图像的道路变化精准检测方法

技术领域

本申请涉及一种遥感图像道路变化检测方法，特别涉及一种基于高分遥感图像的道路变化精准检测方法，属于道路变化检测技术领域。

背景技术

高分遥感图像相比传统中低分辨率的图像，细节特征更丰富，道路目标也更清晰，但非道路地物也会变多。道路变化检测对道路网数据的更新和维护具有指导作用，基于高分遥感图像的道路提取，可以根据高分遥感图像中道路的不同表现，优化改进已有的基于中低分辨率图像的提取和检测方法；同时，可以采用高分遥感图像建立不同尺度的图像库，分层提取道路特征，然后对特征进行编组链接。如何将高分辨遥感图像的高分特征充分合理的运用到道路中，采用高分遥感图像的多尺度处理进行道路提取和识别是当前亟需解决的热门问题。

遥感图像上道路的图像特征由道路本身的物理特征确定，不同道路在不同遥感图像上的图像特征既有共同点，也有差异。道路图像特征按不同类型分为几何特征、拓扑特征、纹理特征、辐射特性、背景特征等。在中低分辨图像上，道路为灰度缓慢连续变化、宽度相对固定的线状特征；在高分辨图像上，道路为具有几个或几十个像素宽度的狭长条带区域，且道路长度大于或等于街区长度。道路一般是直线或带有轻微弯曲的曲线，道路连接成连通的网络，交叉点是网络的结点，并且道路的交叉处通常呈十字形或T形。不同道路类型(如水泥混凝土、泥泞、沥青等)在纹理和光谱特征上都具有不同表现形式，但道路内部的纹理却是连续均一的。道路的背景特征也影响道路提取的难易程度，田野、乡村、城郊和城市中的道路，其宽度、连接性、弯曲程度、受遮挡程度等和道路提取难度均不同。道路的图像特征，为遥感图像上的道路提取提供了理论基础和依据。

道路信息是GIS数据中的重要信息，道路提取和道路变化检测是GIS更新中的基础操作，在道路快速更新中起着重要作用。道路数据应用范围广泛，可用于图像配准、GIS数据库更新、识别算法、快速测图等方面。道路网既可用来校正地图图像，也可用来校正雷达图像，道路网的提取对其它地物检测方法也有很大帮助，如孤立建筑物检测、桥的检测。变化检测或提取更新后的道路数据在车载导航、治安导向系统、消防服务或货运代理方面有重要作用。目前，随着遥感图像向着更高分辨率的方向发展，道路特征也应向着细节更丰富、道路类型更多样等方向发展。所以，基于高分遥感图像对道路进行检测和提取，是当前遥感和测绘事业发展与运用的重要方向。

遥感作为数据源，为GIS提供丰富实时的图像数据，而GIS能将遥感图像中感兴趣的地物提取出来，并组织成特有的数据库。道路的识别和提取水平直接影响地物提取的精度和定位准确度。对道路而言，遥感图像分辨率的提高，一方面能提高道路在图像上的可辨识度，如道路形状、纹理等变得更规律清晰；另一方面能帮助检测到在低分辨下无法识别的道路信息，如乡间小路、较窄的街区道路等。但随着分辨率的提高，图像上的非道路信息也更多更清晰，道路提取难度会变大。从自动化程度来讲，道路提取方法可分为自动化和半自动提取二种；而道路变化检测方法，则可根据参考数据源，分为新旧图像的变化检测，及基于旧矢量的变化检测。不管是图像到图像的检测，还是矢量到图像的检测，都需要先进行图像与图像，或者图像与矢量的匹配。

现有技术图像到图像的匹配，一般既能借助灰度信息，也能用从图像中提取的特征作为匹配依据。传统的灰度匹配算法根据模板和图像的像素灰度差绝对值、关联系数来测算模板和图像的相关性。基于特征的匹配算法也迅速发展，SIFT、SURF、MSER等成为常用的方法。矢量到图像的匹配较图像到图像的匹配有很多优点，矢量到图像的匹配，先从图像上提取矢量特征，然后和现有的矢量进行匹配，缺点是不适合多条道路匹配，难以达到实用要求。

现有技术的道路提取，从是否存在人工干预来看，可分为半自动提取和自动提取，通常半自动化提取方法需要人工加入种子点进行辅助。从道路特征方面来看，道路主要分为两个方面：基于路面信息的道路提取和基于边缘信息的路面提取。基于路面信息的提取算法的环节，包括道路路面识别、提取道路段条带、连接道路段生成道路网；基于边缘信息的算法则包含道路边缘检测、连接成网等步骤，为了更好的提取到更多有利的信息，现有技术也会结合道路的路面信息和边缘信息进行提取。

现有技术的道路变化检测向着完全自动化和高分辨率方向发展，但由于图像中道路特征的复杂性，完全自动化实现不同分辨率下的不同类型的道路提取存在一定难度。高分遥感图像上的道路信息更复杂，具有多样的光谱信息、不同宽度和弯曲度等，且存在一些和道路具有相似特征的非道路地物，如房子和裸土地，这些地物都会引起道路中断，道路两旁的树木、高程建筑物和车辆也会部分或完全遮挡道路。除了金字塔或其它分层提取算法外，对高分遥感图像局部细节处理也将在提高道路提取和变化检测精度方面起到重要作用。对图像中道路特征，也会从单一特征转为多特征结合。另外，随着GIS数据的积累，对道路不仅仅局限于图像，也可借助旧有的矢量信息对道路进行更新，这样不仅对提取的效率和精度有大的提高，更有利于实际作业生产。本申请的高分遥感图像道路变化检测，就是基于旧的矢量信息进行的变化道路检测和提取，适应行业发展和实际应用需求。

综上所述，现有技术的遥感图像道路变化检测存在不足，本申请的难点和待解决的问题主要集中在以下方面：

第一，更新道路信息在更新GIS数据库中占有重要地位，道路矢量来源于图像，现有技术分为人工手动测图和道路提取，而道路提取根据是否需要人工辅助分为半自动和自动提取，人工测图不仅费时费力，而且获得的GIS数据的精度无法量化衡量，半自动提取虽然相比人工测图方法方便很多，但依然需要人工辅助，由于道路类型多样，以及道路信息的复杂性，完全实现各类道路的自动提取仍十分困难。GIS累计有大量成果，很多情况下不必一一提取所有的道路信息，但现有技术缺少结合旧的GIS数据提取需要的实时信息，更新道路矢量信息的方法，无法检测已有的道路矢量是否变化或消失，也无法根据未变化的已有道路矢量信息，在其周边搜索新增道路，无法实现基于高分遥感图像的道路变化精准检测；

第二，当前获取的高分遥感图像的数据量过大，根据配准的矢量信息将大图像分割，处理效率不高，分割过程中矢量信息的冗余会导致过分割现象，不仅浪费运算时间和内存，还会导致处理不稳定；由于部分道路存在遮挡，使用ISEF提取的边缘不连续，无法提取有效的道路双边信息；基于全色图像内道路区域色调较暗，对已有道路矢量进行变化检测后，若根据传统的遍历匹配方法，采用道路模板对图像的各个像素进行搜素，因为提取的道路模板库中模板数量大，高分遥感图像的分辨率本身很高，数据量大，会导致程序崩溃；

第三，本申请借助旧有的道路矢量数据，对道路边缘进行变化检测和提取，需要借助道路的双边平行信息，依照边缘信息对道路进行变化检测，首先的难点要有适合的道路提取方法；其次的难点在于探求道路变化的判断条件或标准；由于边缘经常会受噪声、建筑物、树木和交通工具等影响，造成提取的道路边缘不连续或提取的边缘并非道路边缘，因此本申请还要解决边缘连接和判断条件或标准的问题；针对边缘不连续的问题，需要对边缘图像进行处理，得到连续的道路双边信息，根据提取的道路双边信息，判断道路变化情况，并根据图像和未变化的道路矢量，提取道路模板，建立模板库，这都是本申请亟需解决而现有技术无法解决的问题；

第四，现有技术缺少充分利用新的高分遥感图像和已有的道路矢量信息，从消失变化检测到新增提取的道路矢量更新方法，无法依据旧有的道路矢量数据，借助道路的双边平行信息，对已有道路进行消失变化检测，无法检测未变化的已有道路矢量提取的道路模板，无法为新增道路的提取提供参考信息，缺少根据道路的几何特征和拓扑结果，将新增道路分类的标准，不能将新增道路矢量连接到原有矢量上，提取新增道路的有效性和效率都比较低。

发明内容

为了解决以上问题，本申请提出一种采用新的高分遥感图像更新道路矢量信息的方法，一是检测已有的道路矢量是否变化或消失，二是根据未变化的已有道路矢量信息，在其周边搜索新增道路；遥感图像预处理阶段：采用道路增强算子对道路图像信息熵、图像质量增强；根据旧矢量信息，将高分遥感图像分割成大小不同的小图像单元，不仅能顾及图像的局部信息，而且能提高检测精度；道路变化检测阶段：引入SSR算子，提出采用ISEF-Hough算法对单元影像进行边缘提取；基于获取的双边道路信息提出道路变化标准，采用局部图像单元的变化检测结果加权判断原先道路矢量变化情况；根据图像以及未变化的道路矢量信息，提取道路模板；新增道路提取阶段：创造性地定义A、B两类新增道路，并针对性提出提取两类新增道路的方法，采用本申请提出的新增道路中心线后置处理法，将提取的新增道路加入到已有的道路矢量中，道路变化检测的精度和效率都有大幅提高。

为实现以上技术特征，本申请所采用的技术方案如下：

基于高分遥感图像的道路变化精准检测方法，采用新的高分遥感图像更新道路矢量信息的方法，包括两个方面：一是检测已有的道路矢量是否变化或消失，二是根据未变化的已有道路矢量信息，在其周边搜索新增道路；具体为：

第一步，遥感图像预处理阶段：

a1：采用道路增强算子对道路图像信息熵、图像质量增强；

a2：根据旧矢量信息，将高分遥感图像分割成大小不同的小图像单元；

第二步，道路变化检测阶段：

b1：引入SSR算子，提出采用ISEF-Hough算法对单元影像进行边缘提取，对提获取到的二值边缘图像进行Hough变换，获取双边平行的道路边缘；

b2：基于获取的双边道路信息提出道路变化标准，采用局部图像单元的变化检测结果加权判断原先道路矢量变化情况；

b3：根据图像以及未变化的道路矢量信息，提取道路模板；

第三步，新增道路提取阶段：

c1：定义A、B两类新增道路，并针对性提出提取两类新增道路的方法，利用已获取的道路模板对A类新增道路进行提取；

c2：提出提取B类新增道路的一维模板，给出采用该模板提取B类新增道路的步骤，采用本申请提出的新增道路中心线后置处理法，将提取的新增道路加入到已有的道路矢量中。

基于高分遥感图像的道路变化精准检测方法，进一步的，基于SSR改进的ISEF-Hough道路变化检测：首先，将图像数据和矢量数据经过精确配准；其次，获取的高分遥感图像的数据量过大，根据配准的矢量信息将大图像分割成局部小片段，本申请提出在图像分割前，根据矢量曲线压缩方法对矢量进行压缩处理；再次，基于Hough变换采用投票的方式对ISEF提取的边缘进行筛选，提取有效的道路双边信息；最后，根据提取的道路双边信息设置判断标准，对已有道路矢量进行消失变化判断，并根据保留的道路矢量信息提取道路模板；

本申请的道路变化检测方法，根据矢量结点的坐标信息，以两个矢量结点之间的矢量段为单位，将与矢量配准后的大图像分割成一个个小的图像单元；然后，对图像单元进行坐标转化、增强处理、边缘提取和道路变化检测。

基于高分遥感图像的道路变化精准检测方法，进一步的，基于SSR改进的ISEF-Hough边缘检测：首先，基于全色图像内道路区域色调较暗，采用SSR对图像进行高尺度增强保留图像的高频部分，再用ISEF进行滤波；

采用ISEF边缘提取方法对增强后的图像进行边缘提取，得到二值边缘图像，然后根据获取的边缘点的梯度方向、边缘长度信息对二值边缘图像进行过滤；再对过滤后的二值边缘图像进行Hough变换，根据参数空间的最大值所对应的平面参数，获取图像空间的道路双边缘信息，局部图像已经过坐标变换，Hough变换求得的直线为近平行线，根据该条件对提取的直线边缘进行进一步过滤，得到近平行双边信息。

基于高分遥感图像的道路变化精准检测方法，进一步的，变化检测判断和模板提取：提取道路边缘后，如果提取的边缘为双边缘，则可判断单元道路矢量没有变化，对判断为未变化的矢量，计算其平面参数b值作为道路模板的半宽，矢量方向作为模板方向，以矢量端点作为原点，沿矢量方向采集垂直方向的灰度信息，取采集的垂直方向灰度信息的平均值作为模板相对应位置的灰度信息，则对一条道路矢量，其模板模型表示为：

其中，i表示分矢量编号，k是道路宽度，dir为道路矢量方向，Hgr(c

基于高分遥感图像的道路变化精准检测方法，进一步的，高分遥感图像上的新增道路检测：对已有道路矢量进行变化检测后，提取了未变化道路的模板，本申请采用提取的道路模板进行新增道路检测，先对新增道路的可能类型进行解析，基于道路的功能性、几何特征、拓扑结构推测，新增道路大部分会连接到已存在的道路，本申请基于该推测，假设新增道路和已有旧道路连接方式分为以下两种：

(1)新增道路在原先道路的延长线上，为A类新增道路；

(2)新增道路和原先道路相交连接，为B类新增道路；

A类新增道路是作为原先道路的延伸，根据道路施工要求，新增道路的原材料、道路宽度和原有道路一致，这些特点体现在图像特征上，即满足以下条件：

条件1：新增道路的宽度K

|K

其中，KrV(K)为接近0的宽度临界值；

条件2：新增道路的路面的灰度值NGr

条件3：新增道路方向和原先道路在连接处方向相同；

本申请设计一种一维模板来检测B类新增道路，针对A、B两种不同的新增道路，采用不同的方法进行提取，首先采用道路模板匹配对A类新增道路类型进行检测，再采用一维模板对B类新增道路进行检测。

基于高分遥感图像的道路变化精准检测方法，进一步的，A类新增道路的提取：基于SSR改进的ISEF-Hough生成的模板可以很好的用来提取A类道路，采用模板匹配及A类新增道路判断条件提取A类新增道路的方法，其中，计算结点的连接数和结点的矢量方向，确定结点的延伸方向；模板匹配采用关联系数表示道路模板和图像的相关性，根据关联系数和A类新增道路条件来最终确定提取的新增道路；

确定延伸方向：根据条件1、条件2、条件3标准提取新增道路之前，需要对已有的道路矢量进行筛选，判断其延长线上是否有可能出现新增道路；本申请提出通过道路端点的连接数Q来判断道路是否具有可延伸性，并计算可能的延伸方向数B，判断道路延展性以及计算延展方向的步骤为：

步骤一，统计道路矢量端点在矢量端点文件中出现的次数，即结点的连接数Q

步骤二，如果Q

步骤三，如果Q

基于高分遥感图像的道路变化精准检测方法，进一步的，确定A类新增道路：判定道路端点的延伸方向后，采用提取的道路模板在垂直延伸方向的一定范围内移动匹配，并用关联系数表示延伸方向上的图像与道路模板的相似度，根据模板与道路端点延伸方向上局部图像的关联系数计算式，计算各延伸方向上图像与道路模板的关联系数，根据关联系数判断是否存在备选新增道路；如果存在，则求取该备选道路的宽度、方向，并采用条件1和条件3进行判定，其中，符合条件1和条件3的确定为新增道路，并对备选区域进行边缘细化处理。

基于高分遥感图像的道路变化精准检测方法，进一步的，B类新增道路的提取：设置一个一维模板对图像进行检测，该一维模板与道路方向平行，采用一维模板对B类新增道路提取的过程为：首先，采用一维模板在图像空间上沿y轴移动，记录图像行的像素灰度值，然后二值化模板范围内的像素灰度值，得到二值图像；再后，采用形态学算子对二值图像进行闭运算，得到具备较好连接性的备选新增道路区域；最后，采用细化算法对二值图像进行边缘细化，提取新增道路；

B类道路检测：检测B类新增道路的模板不同于普通的卷积模板，模板上的值均为1，其与搜索的目标区域进行卷积的实质是记录搜索区域的灰度值，模板的长度具有自适应性，根据已有道路的长度确定，即：

LenFw

其中，n为已有道路的条数，采用一维模板对道路图像搜索的详细过程为：

步骤1：采用一维模板记录图像上与道路平行方向上像素灰度值；

步骤2：采用分布直方图对一维模板灰度值进行统计，然后根据图像的分布情况设置二值化临界值CtV，采用CtV对模板范围内图像二值化处理；

步骤3：沿图像空间的y轴移动，依次进行步骤1和步骤2得到二值化图像；

步骤4：首先对二值化图像进行膨胀补洞处理，然后腐蚀除去不规则边缘，采用面积、形状因子进行过滤，得到形态学处理图；

步骤5：对形态学处理图边缘细化处理，得到新增道路的中心线和边缘细化图；

对提取的中心线进行平滑以及坐标变换处理。

基于高分遥感图像的道路变化精准检测方法，进一步的，确定B类新增道路：本申请提出一种简要判断方法，该判断方法的步骤为：

第1步，计算提取道路的道路矢量和原有矢量道路的交叉点；

第2步，判断交叉点是否为已有矢量结点，如果不是，则判断提取的道路为新增道路，判断终止；如果是，记录该结点的连接数及延伸方向，进入第3步；

第3步，如果连接数Q

其中，提取的道路矢量由道路中心后置处理得到，其坐标系为全局坐标。

基于高分遥感图像的道路变化精准检测方法，进一步的，连接道路边缘：本申请提出的A、B两类新增道路和原有的道路都具有链接关系，新旧道路的连接只需找出交叉点，两类新增道路和旧道路的不同链接方式，本申请分不同的方法将两类新道路连接到道路网上；

对于A类新增道路，其与已有道路的交叉点非常容易确定，交叉点即为已有道路矢量的可延伸端点，将交叉点加入确定A类新增道路获取的新增道路中心线坐标中，即可实现新旧矢量的无缝连接；

对于B类新增道路，已知其必定和已有道路相交，只是交叉点不确定，新增道路中心线拟合后的曲线在原先道路一侧的延长方向上，与原先道路矢量的交叉点，即为B类道路的交叉点，同理，将交叉点加入B类道路中心线的坐标中，即可实现新增道路的连接。

与现有技术相比，本申请的创新点和优势在于：

第一，本申请提出一种简单高效的道路变化检测方法，结合高分遥感图像上不同道路的纹理特征、几何特征、拓扑结构，以及原有道路矢量信息，对高分遥感图像进行裁剪、坐标变换、增强处理后，进行道路变化检测、新增道路提取，充分运用新的高分遥感图像和已有的道路矢量信息，提出从消失变化检测到新增提取的道路矢量更新方法，依据旧有的道路矢量数据，将道路图像分割成小单元进行边缘提取，并借助道路的双边平行信息，对已有道路进行消失变化检测，采用检测未变化的已有道路矢量提取的道路模板，为新增道路的提取提供参考信息，根据道路的几何特征和拓扑结果，将新增道路分为两类，并各自限定判定条件，在提取过程中也充分采用这些限定条件，并且，新增道路提取过程除提取到的道路模板外，还设计了一维检测模板，不仅有效提取新增道路，还提高了提取效率；

第二，本申请的重要创新点在于：一是将SSR算子引入到图像增中，提出采用ISEF-Hough算法对单元图像进行边缘提取，并提出判断道路是否变化的判断条件和标准，道路边缘提取和识别准确率大幅提升；二是创新性地定义了两类新增道路，并采用已有的道路模板对A类新增道路进行提取；提出了提取B类新增道路的一维模板，并提出采用该模板对B类新增道路提取的步骤；A、B两类新增道路提出方法针对性更强，对新增道路的提出准确率和效率更高；三是采用本申请提出的新增道路中心线后置处理的方法，能很好的将提取的新增道路加入到已有的道路矢量中，通过局部新增道路提取实验和全局实验结果证明，采用本申请的方法能很好的将新增道路矢量连接到原有矢量上，新增道路提取方法在将新增道路矢量连接到原有矢量上具备明显优势，本申请可以准确提取绝大部分新增道路；

第三，GIS累计有大量成果，不必一一提取所有道路信息，只需结合旧的GIS数据提取需要的实时信息，基于此，本申请提出一种采用新的高分遥感图像更新道路矢量信息的方法，一是检测已有的道路矢量是否变化或消失，二是根据未变化的已有道路矢量信息，在其周边搜索新增道路；遥感图像预处理阶段：采用道路增强算子对道路图像信息熵、图像质量增强；根据旧矢量信息，将高分遥感图像分割成大小不同的小图像单元，不仅能顾及图像的局部信息，而且能提高检测精度；道路变化检测阶段：引入SSR算子，提出采用ISEF-Hough算法对单元影像进行边缘提取；基于获取的双边道路信息提出道路变化标准，采用局部图像单元的变化检测结果加权判断原先道路矢量变化情况；根据图像以及未变化的道路矢量信息，提取道路模板；新增道路提取阶段：创造性地定义A、B两类新增道路，并针对性提出提取两类新增道路的方法，采用本申请提出的新增道路中心线后置处理法，将提取的新增道路加入到已有的道路矢量中，道路变化检测的精度和效率都有大幅提高；

第四，本申请创造性提出两种新增道路类型，对两类新增道路类型进行条件限制和说明，针对两类道路各自的特征，提出采用不同的模板来提取新增道路。对A类道路类型，采用变化检测之后提取的道路模板进行匹配，并结合限制条件，进行新增提取，对B类道路类型，提出了采用一维模板对未变化的道路周边进行匹配搜索，并对搜索结果进行后置处理，提取B类新增道路，A、B两类新增道路提出方法针对性更强，对新增道路的提出准确率和效率更高。

附图说明

图1是采用ISEF-Hough方法提取道路边缘的过程示意图。

图2是遥感图像道路变化误判示例图。

图3是生成模板时模板灰度提取示意图。

图4是A、B两类新增道路与旧道路的连接关系图。

图5是A类新增道路提取流程示意图。

图6是道路矢量结点连接数和延伸方向数示意图。

图7是道路模板在垂直延伸方向上移动匹配示意图。

图8是B类新增道路的提取步骤示意图。

图9是A类新增道路局部提取实验一示意图。

图10是B类新增道路局部提取实验二示意图。

图11是全局实验新增道路提取结果示意图。

具体实施方法

下面结合附图，对本申请提供的基于高分遥感图像的道路变化精准检测方法的技术方案进行进一步的描述，使本领域的技术人员能够更好的理解本申请并能够予以实施。

更新道路信息在更新GIS数据库中占有重要地位，道路矢量信息来源于图像，分为人工手动测图和道路提取，而道路提取根据是否需要人工辅助分为半自动和自动提取。人工测图不仅费时费力，而且获得的GIS数据的精度无法量化衡量。半自动提取虽然相比人工测图方法方便很多，但依然需要人工辅助。自动提取道路能解放人工，提高GIS数据的精度。但由于道路类型多样，以及道路信息的复杂性，完全实现各类道路的自动提取仍十分困难。GIS累计有大量成果，很多情况下不必一一提取所有的道路信息，只需结合旧的GIS数据提取需要的实时信息，基于此，本申请提出一种采用新的高分遥感图像更新道路矢量信息的方法，包括两个方面：一是检测已有的道路矢量是否变化或消失，二是根据未变化的已有道路矢量信息，在其周边搜索新增道路；具体为：

第一步，遥感图像预处理阶段：

a1：采用道路增强算子对道路图像信息熵、图像质量增强；

a2：根据旧矢量信息，将高分遥感图像分割成大小不同的小图像单元；对单元图像的处理，不仅能顾及图像的局部信息，而且能提高检测精度。

第二步，道路变化检测阶段：

b1：引入SSR算子，提出采用ISEF-Hough算法对单元影像进行边缘提取，对提获取到的二值边缘图像进行Hough变换，获取双边平行的道路边缘；

b2：基于获取的双边道路信息提出道路变化标准，采用局部图像单元的变化检测结果加权判断原先道路矢量变化情况；

b3：根据图像以及未变化的道路矢量信息，提取道路模板。

第三步，新增道路提取阶段：

c1：创造性地定义A、B两类新增道路，并针对性提出提取两类新增道路的方法，利用已获取的道路模板对A类新增道路进行提取；

c2：提出提取B类新增道路的一维模板，给出采用该模板提取B类新增道路的步骤，采用本申请提出的新增道路中心线后置处理法，将提取的新增道路加入到已有的道路矢量中。

本申请新增道路的判断基于未变化的已有道路矢量信息，道路矢量结点是判断可能存在新增道路的主要信息，新增道路提取步骤依次为：类型判断→模板匹配→道路边缘提取→新增道路判断→道路网链接，其中，类型判断根据道路矢量结点的延伸数判断。

一、基于SSR改进的ISEF-Hough道路变化检测

首先，将图像数据和矢量数据经过精确配准；其次，获取的高分遥感图像的数据量过大，根据配准的矢量信息将大图像分割成局部小片段，达到提高处理效率的目的，但分割过程中矢量信息的冗余会导致过分割现象，不仅浪费运算时间和内存，还会导致处理不稳定，于是本申请提出在图像分割前，根据矢量曲线压缩方法对矢量进行压缩处理；再次，由于部分道路存在遮挡，使用ISEF提取的边缘不连续，本申请基于Hough变换采用投票的方式对ISEF提取的边缘进行筛选，提取有效的道路双边信息；最后，根据提取的道路双边信息设置判断标准，对已有道路矢量进行消失变化判断，并根据保留的道路矢量信息提取道路模板。

本申请的道路变化检测方法，根据矢量结点的坐标信息，以两个矢量结点之间的矢量段为单位，将与矢量配准后的大图像分割成一个个小的图像单元；然后，对图像单元进行坐标转化、增强处理、边缘提取和道路变化检测。

(一)基于SSR改进的ISEF-Hough边缘检测

首先，基于全色图像内道路区域色调较暗，采用SSR对图像进行高尺度增强保留图像的高频部分，再用ISEF进行滤波，既可以起到滤波的效果，又能方便进行边缘提取。

采用ISEF边缘提取方法对增强后的图像进行边缘提取，得到二值边缘图像，然后根据获取的边缘点的梯度方向、边缘长度信息对二值边缘图像进行过滤；再对过滤后的二值边缘图像进行Hough变换，根据参数空间的最大值所对应的平面参数，获取图像空间的道路双边缘信息，局部图像已经过坐标变换，Hough变换求得的直线为近平行线，根据该条件对提取的直线边缘进行进一步过滤，得到近平行双边信息。

图1为采用ISEF-Hough方法提取道路边缘的过程，图(a)为原始图像，图(b)为增强后的Segment图像，图(c)为ISEF检测的二值边缘图像，图(d)Hough为变换提取的道路边缘与图像叠加图。显然，图1为是在较为理想的状态下进行的变化检测，其提取的双边信息明显，且较易得到。

(二)变化检测判断和模板提取

1.变化判断标准

通过检测到的边缘信息判断道路的变化情况，被检测的图像是根据矢量信息裁剪的Segment，道路矢量的整体变化情况基于对Segment所对应的矢量段进行统计处理得到，分别考虑分段矢量和整条道路矢量变化情况。

对于一个道路矢量段，统计在其相应的Segment图像单元上提取的边缘信息，如果该Segment在水平方向上(或近水平方向)提取出双边缘信息，则认为该Segment对应的矢量段没有变化，并计算该矢量段长度Length占整条道路矢量长度的比例mRR，在整条矢量变化判断中，累加上述未变化矢量的mRR，得到SumRR，若SumRR大于一定阈值(本申请设为0.6)，则认为整条道路矢量没有变化；否则，认为道路矢量发生变化。

大部分矢量的SumRR值集中在直方图的两头，而中间的分布较少，道路矢量SumRR越接近1，其变化的可能性越小；SumRR越小，其变化的可能性越大。由于图像上很多道路存在遮挡，根据上述判断标准其SumRR值可能较小。因此，为区分变化了的道路和遮挡道路的SumRR，将临界值thh设置为0.6；临界值thh表示当SumRR大于thh时，判断为未变化的道路；反之，则判为变化。该临界值的设定，虽然对部分遮挡进行了容错，但还是可能将完全被遮挡的道路判为变化的道路，如图2所示的道路矢量，由于严重遮挡部分占总矢量比例大，导致SumRR值小于临界值，出现错判。

图2中的道路矢量由两个矢量组成，根据矢量段截取的原始图像为C

2.生成模板

提取道路边缘后，如果提取的边缘为双边缘，则可判断单元道路矢量没有变化，对判断为未变化的矢量，计算其平面参数b值作为道路模板的半宽，矢量方向作为模板方向，以矢量端点作为原点，沿矢量方向采集垂直方向的灰度信息，如图3所示，取采集的垂直方向灰度信息的平均值作为模板相对应位置的灰度信息，则对一条道路矢量，其模板模型表示为：

其中，i表示分矢量编号，k是道路宽度，dir为道路矢量方向，Hgr(c

二、高分遥感图像上的新增道路检测

上一部分对已有道路矢量进行变化检测后，提取了未变化道路的模板，本申请采用提取的道路模板进行新增道路检测。若根据传统的遍历匹配方法，采用道路模板对图像的各个像素进行搜素，会导致程序崩溃。首先因为提取的道路模板库中模板数量大，其次高分遥感图像的分辨率本身很高，数据量大。

所以，本申请先对新增道路的可能类型进行解析，然后分别提出不同的解决方法，基于道路的功能性、几何特征、拓扑结构推测，新增道路大部分会连接到已存在的道路，所以，本申请基于该推测，假设新增道路和已有旧道路连接方式分为以下两种，如图4所示：

(1)新增道路在原先道路的延长线上，为A类新增道路；

(2)新增道路和原先道路相交连接，为B类新增道路；

A类新增道路是作为原先道路的延伸，根据道路施工要求，新增道路的原材料、道路宽度和原有道路一致，这些特点体现在图像特征上，即满足以下条件：

条件1：新增道路的宽度K

|K

其中，KrV(K)为接近0的宽度临界值；

条件2：新增道路的路面的灰度值NGr

条件3：新增道路方向和原先道路在连接处方向相同；

根据这些条件，采用提取的模板很容易检测出该类新增的道路。

但A类新增道路所满足的以上3个条件，对B类新增道路不完全适用，只有当B类新增道路的道路类型和原先道路一致时，才满足式2、式3两个条件。B类新增道路的类型也可能和原先道路完全不同(例如原先道路为高速公路，而新增道路为乡村公路)，这样新增道路的道路宽、灰度值都不满足相似条件。所以，B类新增道路的提取检测较难，采用已有模板匹配很难正确提取。而且，由于B类新增道路的不确定性，继续用道路模板很难有针对性的提取，所以本申请设计一种一维模板来检测B类新增道路，针对A、B两种不同的新增道路，采用不同的方法进行提取，首先采用道路模板匹配对A类新增道路类型进行检测，再采用一维模板对B类新增道路进行检测。

(一)A类新增道路的提取

基于SSR改进的ISEF-Hough生成的模板可以很好的用来提取A类道路，采用模板匹配及A类新增道路判断条件提取A类新增道路的方法，其提取流程如图5所示，其中，计算结点的连接数和结点的矢量方向，确定结点的延伸方向；模板匹配采用关联系数表示道路模板和图像的相关性，根据关联系数和A类新增道路条件来最终确定提取的新增道路。

1.确定延伸方向

由于原始道路矢量条数较多，并且未变化的道路占原始道路的比例较高，如果依次对每一条已有道路进行检测，不仅检测效率低，而且也还需要对检测出的道路进行新旧判断。所以，根据条件1、条件2、条件3标准提取新增道路之前，需要对已有的道路矢量进行筛选，判断其延长线上是否有可能出现新增道路。

本申请提出通过道路端点的连接数Q来判断道路是否具有可延伸性，并计算可能的延伸方向数B，道路矢量结点有如图6所示的几种情况，其连接数和延伸方向数计算如图所示。

判断道路延展性以及计算延展方向的步骤为：

步骤一，统计道路矢量端点在矢量端点文件中出现的次数，即结点的连接数Q

步骤二，如果Q

步骤三，如果Q

2.确定A类新增道路

判定道路端点的延伸方向后，采用提取的道路模板在垂直延伸方向的一定范围内移动匹配，如图7所示，并用关联系数表示延伸方向上的图像与道路模板的相似度，根据模板与道路端点延伸方向上局部图像的关联系数计算式，计算各延伸方向上图像与道路模板的关联系数，根据关联系数判断是否存在备选新增道路；如果存在，则求取该备选道路的宽度、方向，并采用条件1和条件3进行判定，其中，符合条件1和条件3的确定为新增道路，并对备选区域进行边缘细化处理。

(二)B类新增道路的提取

由于B类新增道路的多样性，A类新增道路的提取方法对其不再适用。对于B类新增道路类型，设置一个一维模板对图像进行检测，该一维模板与道路方向平行，采用一维模板对B类新增道路提取的过程如图8所示：首先，采用一维模板在图像空间上沿y轴移动，记录图像行的像素灰度值，然后二值化模板范围内的像素灰度值，得到二值图像；再后，采用形态学算子对二值图像进行闭运算，得到具备较好连接性的备选新增道路区域；最后，采用细化算法对二值图像进行边缘细化，提取新增道路。

1.B类道路检测

检测B类新增道路的模板不同于普通的卷积模板，模板上的值均为1，其与搜索的目标区域进行卷积的实质是记录搜索区域的灰度值，模板的长度具有自适应性，根据已有道路的长度确定，即：

LenFw

其中，n为已有道路的条数，结合图8，其中图(a)、(b)、(c)、(d)、(e)、(f)均指图8上对应的图像，采用一维模板对道路图像搜索的详细过程为：

步骤1：采用一维模板记录图像上与道路平行方向上(即x轴)像素灰度值，其中，图(b)为图(a)虚线区域的图像的像素灰度值分布情况；

步骤2：采用分布直方图对一维模板灰度值进行统计，然后根据图像的分布情况设置二值化临界值CtV，采用CtV对模板范围内图像二值化处理，如图(c)所示；

步骤3：沿图像空间的y轴移动，依次进行步骤1和步骤2得到图(d)所示的二值化图像；

步骤4：首先对图(d)所示的二值化图像进行膨胀补洞处理，然后腐蚀除去不规则边缘，采用面积、形状因子(即备选道路区域的长宽比)进行过滤，得到形态学处理图(e)；

步骤5：对形态学处理图(e)边缘细化处理，得到新增道路的中心线，如图(f)所示的边缘细化图；

从图(f)可知，边缘细化得到的道路中心线并不是矢量线段，中心点坐标是以像素为单位，且其坐标系都是局部图像的坐标系，对提取的中心线进行平滑以及坐标变换处理。

2.确定B类新增道路

用B类道路检测的方法提取的道路中心线，是原先道路的可能性很大，为区分新增道路和原先道路，本申请提出一种简要判断方法，该判断方法的步骤为：

第1步，计算提取道路的道路矢量和原有矢量道路的交叉点；

第2步，判断交叉点是否为已有矢量结点，如果不是，则判断提取的道路为新增道路，判断终止；如果是，记录该结点的连接数及延伸方向，进入第3步；

第3步，如果连接数Q

其中，提取的道路矢量由道路中心后置处理得到，其坐标系为全局坐标。

(三)道路中心线后置处理

B类新增道路提取的道路中心线(如图8(f)中的中心线)，是以局部道路图像空间为基准，在离散图像上提取的像素点，其位置信息用图像的行、列号表示。由于需要将新增道路以道路矢量的形式添加到矢量文件中，要将表示道路中心线的像素点转换为具有全局坐标信息的矢量结点，并将这些矢量结点进行压缩，转换为表示道路的真实矢量。下面以图8(f)为例说明，离散中心线的转换和压缩处理步骤：

步骤1)：将图8(f)边缘细化图上的中心线上的像素点按行、列号存储为一系列点坐标：point[i]＝(colNum,rowNum)；

步骤2)：根据局部图像坐标系和全部矢量坐标系之间的转换关系，将point[i]转换到全局坐标上，得到点序列Vx[i]；

步骤3)：对Vx[i]进行压缩，得到能较好表示新增道路中心线的矢量结点坐标。

提取B类新增道路时，由于原先道路周边的建筑物、其它地物影响，会提取出部分杂乱边缘。提取B类新增之后，加入长度限制、与原先道路的距离限制条件对提取的新增道路进行过滤。

(四)连接道路边缘

正确将新增道路连接到已有的道路网上，是保证道路网完整性的重要步骤。本申请提出的A、B两类新增道路和原有的道路都具有链接关系，新旧道路的连接只需找出交叉点，由于两类新增道路和旧道路的不同链接方式，本申请分不同的方法将两类新道路连接到道路网上；

对于A类新增道路，其与已有道路的交叉点非常容易确定，交叉点即为已有道路矢量的可延伸端点，将交叉点加入确定A类新增道路获取的新增道路中心线坐标中，即可实现新旧矢量的无缝连接；

对于B类新增道路，已知其必定和已有道路相交，只是交叉点不确定，新增道路中心线拟合后的曲线在原先道路一侧的延长方向上，与原先道路矢量的交叉点，即为B类道路的交叉点，同理，将交叉点加入B类道路中心线的坐标中，即可实现新增道路的连接。

三、实验结果与分析

本实验利用某地区的0.5m分辨率影像，原始影像大小为2.1G，覆盖有城市和郊区区域，图像上包含高速公路、郊区公路、城市主干道、林间小道、城市街区道路等不同的道路类型。根据道路变化信息，以未变的道路矢量为基础来提取新增的道路矢量，该地区的新增道路类型包含了容易分辨的郊区公路，人眼较难辨认的林间小道等。

(一)局部新增道路提取实验

分别用截取的局部数据来检测A类、B类新增道路提取方法，局部实验更好的展示了新增道路提取的细节。

1.A类新增道路提取实验

截取图像中存在A类新增道的2个小图像块进行处理。

实验一，如图9所示：图(a)中的细线为原始道路矢量信息；图(d)中的粗线矢量信息为新增道路矢量信息。

2.B类新增道路提取实验

截取图像中存在B类新增道的2个小图像块进行处理。

实验二，如图10所示，其中，图(f)中，细线表示原始矢量，粗线为新增矢量信息。

(二)全局实验结果和分析

图4-10为根据SSR改进的ISEF-Hough道路变化检测后的结果，对全局图像上新增道路提取结果；其中，细线部分为检测未变化的道路矢量，粗线部分为新增道路信息。本申请方法提取的91条新增道路矢量中，正确的新增道路矢量为82条，且都能很好的连接到旧的道路矢量上。从图11结果可值，采用本申请的方法能很好的将新增道路矢量连接到原有矢量上；新增道路提取方法在将新增道路矢量连接到原有矢量上具备明显优势，本申请可以准确提取绝大部分新增道路。