(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210221862.1 (22)申请日 2022.03.09 (65)同一申请的已公布的文献号 申请公布号 CN 114332650 A (43)申请公布日 2022.04.12 (73)专利权人 苏州大学 地址 215000 江苏省苏州市吴中区石湖西 路188号 (72)发明人 王红玲　单嘉豪　 (74)专利代理 机构 苏州市中南伟业知识产权代 理事务所(普通 合伙) 32257 专利代理师 朱振德 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/26(2022.01)G06V 10/44(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) (56)对比文件 CN 112396612 A,2021.02.23 CN 108229270 A,2018.0 6.29 CN 109583 345 A,2019.04.0 5 安丽.改进的Hough 变换在复杂场景 下高分 辨率遥感影 像道路提取. 《测绘与空间地理信 息》 .2018, 审查员 顾明海 (54)发明名称 一种遥感图像道路识别方法及系统 (57)摘要 本发明公开了一种遥感图像道路识别方法 及系统， 包括： 获取道路图像； 对道路灰度图进行 连通域分析， 得到道路连通域； 根据各关键点及 其邻域像素的梯度方向和各关键点及其邻近像 素到道路边缘的欧式距离， 对道路连通域的支路 进行分割， 得到初次分割后的道路连通域； 根据 初次分割后道路连通域的长轴及短轴方向的方 差和边缘规则程度计算初次分割后的道路连通 域为非道路区域的概率； 根据概率得到道路区 域； 根据像素点的修正概率及标签号对存在遮挡 的道路区域进行修正， 得到细分割后的道路区 域； 根据细分割后的道路区域对道路进行识别。 本发明用于图像道路识别， 通过上述方法可提高 图像道路识别的准确度。 权利要求书3页 说明书8页 附图3页 CN 114332650 B 2022.05.31 CN 114332650 B 1.一种遥感图像道路识别方法， 其特 征在于， 包括： 对获取的遥感图像进行语义分割， 得到道路图像； 利用连通域分析算法对道路图像灰度图中的像素点进行连通域分析， 得到所有疑似道 路连通域； 获取各个疑似道路连通域中的多个特征点作为关键点， 利用各关键点及其邻 近像素点 到其疑似道路连通域的道路边缘方向的欧式距离， 对各个疑似道路连通域中的支路进 行分 割， 得到所有初次分割后道路连通 域； 利用PCA算法获取所有初次分割后道路连通域的主成分方向， 根据初次分割后道路连 通域的主成分方向中的最大特征值和最小 特征值对应的主成分方向方差， 获得各初次分割 后道路连通 域的长轴方向及短轴方向的方差； 根据初次分割后道路连通域的边缘点曲率和边缘点对之间的距离相对于道路宽度的 差值， 得到各初次分割后道路连通 域的边缘规则程度； 利用各初次分割后道路连通域的长轴方向及短轴方向的方差和边缘规则程度计算得 到各初次分割后道路连通 域为非道路区域的概 率； 根据初次分割后道路连通域为非道路区域的概率对非道路连通域进行剔除， 得到道路 区域； 根据道路区域中像素点的修正概率及标签号对存在遮挡的道路区域进行修正， 得到细 分割后的道路区域； 根据细分割后的道路区域对道路进行识别； 其中， 得到所有疑似道路连通 域具体包括以下步骤： 对得到的道路图像灰度化处 理， 得到遥感灰度图像； 使用种子填充算法对遥感灰度图像中标签号为道路的像素点进行连通域分析， 则 每个 连通域即为疑似道路连通 域。 2.如权利要求1所述的一种遥感图像道路识别方法， 其特征在于， 得到道路图像具体包 括以下步骤： 输入采集到的遥感RGB图像， 使用训练好的DNN网络对遥感RGB图像进行语义分割， 得到 语义分割后的道路图像； 其中， DNN 网络结构为Encoder ‑Decoder结构， 训练数据集为各种包含道路的遥感RGB图 像； 训练数据集的标签分为道路和背景， 训练用的l oss函数为交叉熵损失函数。 3.如权利要求1所述的一种遥感图像道路识别方法， 其特征在于， 得到所有初次分割后 道路连通 域具体包括以下步骤： 对各个疑似道路连通域进行边缘检测， 得到各个疑似道路连通域中所有像素点的梯度 方向； 对各个疑似道路连通 域进行角点检测， 得到各个疑似道路连通 域的特征关键点； 根据各特征关键点及其邻域内像素点的梯度方向得到各特征关键点的梯度方向直方 图； 根据各特征关键点的梯度方向直方图中占比最大的两个梯度方向确定各个疑似道路 连通域的两个道路边 缘方向； 计算各特征关键点及其邻 近像素点分别到两个道路边缘方向的欧式距离和的平均值，权　利　要　求　书 1/3 页 2 CN 114332650 B 2得到各特征关键点与两个道路边 缘方向的距离； 根据各特征关键点与两个道路边缘方向的距离将各特征关键点分为道路交叉点和异 常特征点； 将距离最近的道路交叉点划分为相同支路上的特征关键点， 将相同支路上的特征关键 点进行连线， 对各个疑似道路连通 域中的支路进行分割， 得到所有初次分割后道路连通 域。 4.如权利要求1所述的一种遥感图像道路识别方法， 其特征在于， 得到各初次分割后道 路连通域的长轴方向及短轴方向的方差具体包括以下步骤： 利用PCA算法获取 所有初次分割后道路连通 域的主成分方向； 获取特征值最大和最小的主成分方向； 将特征值最大的主成分方向作为各初次分割后的道路连通域的长轴方向， 特征值最小 的主成分方向作为各初次分割后的道路连通 域的短轴方向； 根据长轴方向和短轴方向对应的主成分方向上的方差得到各初次分割后道路连通域 的长轴方向及短轴方向的方差 。 5.如权利要求1所述的一种遥感图像道路识别方法， 其特征在于， 得到各初次分割后道 路连通域的边缘规则程度具体包括以下步骤： 根据初次分割后的道路连通 域的相邻边 缘点的坐标计算 边缘点曲率； 根据边缘点曲率的变化情况 得到各初次分割后的道路连通 域的边缘粗糙程度； 计算初次分割后的道路连通域的各边缘点与其对应梯度方向上的边缘点间的欧式距 离， 根据欧式距离得到各初次分割后的道路连通 域的道路宽度； 计算初次分割后的道路连通域的所有边缘点对之间的距离相对于道路宽度的差值， 根 据差值得到各初次分割后的道路连通 域的宽度差异程度； 根据边缘粗糙程度和宽度差异程度得到各初次分割后的道路连通 域的边缘规则程度。 6.如权利要求1所述的一种遥感图像道路识别方法， 其特征在于， 所述各初次分割后的 道路连通 域为非道路区域的概 率的表达式如下： 式中， 表示第i个初次分割后的道路连通域为非道路区域的概率， 分别表示 该连通域长轴方向及短轴方向的方差， 表示该连通域第j个边缘点 的曲率， 表示该 连通域第 j+1个边缘点的曲率， 为该连通域内边缘点的总数， 表示第m个边缘点对之间 的距离， 表示该连通域所对应的道路宽度， 表示边缘点对的总个数。 7.如权利要求1所述的一种遥感图像道路识别方法， 其特征在于， 得到道路区域具体包 括以下步骤： 设置阈值， 对各初次分割后的道路连通 域为非道路区域的概 率进行判断； 其中， 当初次分割后的道路连通域为非道路区域的概率大于阈值时， 将该连通域进行 剔除， 剩下的初次分割后的道路连通 域即为道路区域。 8.如权利要求1所述的一种遥感图像道路识别方法， 其特征在于， 得到细 分割后的道路权　利　要　求　书 2/3 页 3 CN 114332650 B 3