开云优惠体育网页版入口

专利名称：基于深度学习的矢量数据分区纠正方法

专利类型：发明专利

专利申请号：CN202210385599.X

专利申请（专利权）人：辽宁工程技术大学
权利人地址：辽宁省阜新市细河区中华路47号

专利发明（设计）人：张腾达,戴激光

专利摘要：本发明公开了一种基于深度学习的矢量数据分区纠正方法，包括制作用于深度学习的U2?Net模型的样本集；选取训练的最优模型权重，输入城市与农村遥感影像进行道路提。唤咴堤崛』袢〉南叨谓杏行蚺帕校换谑噶肯叩牡缆诽卣骷崛。灰勒粘鞘杏肱┐宓缆诽赜惺粜，对城市道路与农村道路进行自动划分；城市道路矢量纠正；农村道路矢量纠正；输出纠正后的城市与农村道路矢量数据。本发明的基于深度学习的矢量数据分区纠正方法在纠正矢量过程中，可对城市道路矢量数据与农村道路矢量自动进行区分，并使用相应算法进行解决；提高城市道路矢量数据纠正精度，在农村区域建立矢量数据纠正模型，完成农村道路矢量数据纠正。

主权利要求：
1.基于深度学习的矢量数据分区纠正方法，其特征在于，包括以下步骤：2
S1：制作用于深度学习的U?Net模型的样本集，调整模型参数，设置学习率为0.001，迭代次数200次，并进行模型训练；
S2：选取步骤S1训练的最优模型权重，输入城市与农村遥感影像进行道路提。
S3：将边缘提取获取的线段进行有序排列；
S4：基于矢量线的道路特征集提。
S5：依照城市与农村道路特有属性，对城市道路与农村道路进行自动划分，若划分结果为城市道路则将矢量数据输入步骤S6，若划分为农村道路，则输入步骤S7；
S6：城市道路矢量纠正；
S7：农村道路矢量纠正；
S8：输出纠正后的城市与农村道路矢量数据；
所述步骤S6的具体步骤如下：
步骤S6.1：矢量线分解，以矢量线顶点作为分解点，使用自顶而下的分裂方法进行分解；
步骤S6.2：分矢量线纠正，使用随机平均抽样方法对矢量数据多次进行特征点选。谘∪〉奶卣鞯，使用最小二乘法方法多次拟合道路线；采用曲线评价模型，在最小二乘方法拟合的多条矢量线中选取最优道路矢量线；
步骤S6.3：将分矢量线向参考点方向移动，并将分矢量线按照函数表达形式延长至整个区间，实现分矢量线中心化处理；
步骤S6.4：通过求取相邻分矢量线交点实现连接；
所述步骤S6.2的具体步骤为：
S6.2.1：随机平均抽样，将分矢量线平均分为6个子区间，在选取样本点时，在每个子区间内随机抽样2个点；
S6.2.2：基于样本点数据，使用最小二乘方法进行拟合；
S6.2.3：在拟合2000条矢量线段后，从2000条拟合线段中选取与道路结构相似性最高的拟合结果；
所述步骤S7的具体步骤如下：
步骤S7.1道路边缘线提。袢∽钣诺缆繁咴，使用长度约束方法，将农村道路特征集中线段序列长度大于 的线段序列作为道路边缘线段序列， 阈值设置为100；
步骤S7.2道路中心线推理模型，从矢量数据中读取路宽W，对于线段序列中的每条线段，按照垂直方向平移距离W/2，以此完成道路中心线提。⒔行南咦魑碌氖噶肯，间接完成矢量线的纠正；
步骤S7.3根据断裂矢量线分别通过求取交点与首尾相连的方式确定两条连接矢量线，分别使用下面公式求取两条矢量权重，将权重最高者作为连接矢量线，当权重η相同，从线性复杂度这一角度出发选用AC作为连接矢量；
式中，Lcandidate为候选矢量，length(Lcandidate)为候选矢量长2
度，lengthDL(Lcandidate)为候选矢量在U?Net提取结果中的长度。
2.如权利要求1所述的基于深度学习的矢量数据分区纠正方法，其特征在于，所述步骤S4的具体步骤如下：步骤S4.1：初始特征集提。诓街鑃2中使用深度学习方法提取城市与农村道路，在步骤S3中获取城市与农村道路的道路边缘线段，使用掩膜方法将以上两种结果进行叠加，得到初始特征集；
步骤S4.2：面向矢量线的特征集提。⒊跏继卣骷胧噶肯叩亩杂叵。
3.如权利要求2所述的基于深度学习的矢量数据分区纠正方法，其特征在于，所述步骤S4.2的具体步骤如下：步骤S4.2.1：缓冲区约束，在初始特征集的基础上加入道路矢量线，以任意矢量线为中心，在两侧建立宽度为60米的缓冲区，当初始特征集内线段或线段序列两端点位于缓冲区内时，将其作为该矢量线段的特征，由此得到农村道路特征集；
步骤S4.2.2：角度约束，城市道路特征集基于缓冲区约束后的初始特征集，根据矢量线方向对其进一步约束，当满足约束要求时成为有效特征。 说明书 : 基于深度学习的矢量数据分区纠正方法技术领域[0001] 本发明属于数据处理的技术领域，尤其涉及一种基于深度学习的矢量数据分区纠正方法。背景技术[0002] 数据的准确性与现势性对于基础地理信息数据库的建设尤为重要，而更新较快的道路矢量数据，是地理信息数据库的重要组成部分。在国务院发布的《关于促进地理信息产业发展的意见》明确为基础地理信息数据库建设做出指导，要求相关部门要全面提高地理数据获取与信息处理能力。但由于城市道路与农村道路具有显著的空间异质性特点，这使得现有方法易受区域场景变化的限制，存在普适性不高的问题。因此寻求一种普适性更强的方法是一项更具有复杂性与挑战性的任务。[0003] 遥感技术作为大范围、快速获取地球表面信息的唯一方式，使得人类对自然界的认识有了新的飞跃，这把人类带入一个多层次、多角度的全天候对地观测新时代。现有研究中，矢量纠正方法可分为矢量直接纠正方法与矢量间接纠正方法，直接法是通过建立道路与矢量间的转换模型进行纠正，而间接法则是通过道路提取的方法实现道路矢量纠正。[0004] 直接法可分为基于特征的矢量纠正方法与矢量线引导纠正方法，其中基于特征的矢量纠正方法可通常分为三个步骤：特征识别、特征匹配以及数据纠正。矢量线引导纠正方法可分为：基于分类方法、基于Snake方法与基于模板匹配的方法。但道路多样，直接法难以适应复杂的道路场景变化，因此还可利用间接法通过道路提取实现矢量纠正，间接法可分为传统方法与深度学习方法，传统方法可分为模板匹配、知识驱动、面向对象。而深度学习方法通过结合道路特点，设计或改良网络模型、设计损失函数等，利用深度神经网络提取道路。[0005] 现有技术的技术方案：[0006] (1)利用简单的卷积神经网络(CNN)对影像中的道路进行提取。在此神经网络中，是以像素块为单位对特征进行提。⑶以谕缱詈笸ǔ；峒尤肴硬憬蟹掷，因此很难准确地划定物体的准确轮廓，这使其对道路提取任务表现不佳。[0007] (2)LSD方法，该方法依据边缘图的作用机理，通过边缘跟踪到线段拟合的方式提取道路直线段，该方法对图像进行高斯下采样，并计算每一个点梯度值以及相应的梯度方法，然后依据梯度方法对所有的点进行伪排序，建立一个列表状态，其次设置梯度阈值，取出列表中梯度值最大的点作为种子点，从而以直线提取的方法完成道路提取。[0008] (3)利用支持向量机(SVM)和形态学细化方法求取道路在影像上的控制点。道路交叉口是影像中重要的地理特征点，它是一种稳健的信息，通常是稳定和可靠的。支持向量机方法将每个数据项描绘为n维空间中的点(其中n是特征的矢量)，每个特征的数值则有独特的坐标，通过求取超平面实现特征的分类。[0009] (4)基于狄洛尼三角网与橡皮条方法进行纠正。该方法通过在矢量数据交叉点、影像交叉口中心点间建立狄洛尼三角网，基于三点求解橡皮条方法的坐标转化系数，然后将三角形内所有矢量节点采用相同转化系数进行纠正。[0010] (5)基于最小二乘仿射变换方法。该方法是一个回归系数的模型参数的线性组合，是一种在误差估计有着广泛应用的数学优化技术，通过最小化误差的平方和序号数据的最佳函数匹配，利用该方法可简单的求得位置数据，并使得的数据与实际数据之间的平方和达到最。谑噶烤勒挝裰，可通过该数学模型解算同名控制点对之间的变化系数，进行矢量数据整体上的纠正。[0011] 现有技术的缺点：[0012] (1)由于道路系统的场景区域存在极大的空间异质性，现有方法难以通过单一方法实现城市与农村的道路矢量纠正。[0013] (2)由于城市道路系统复杂多样，道路表面车辆、指示线、植被等噪声的影像，难以实现城市道路的矢量数据纠正。[0014] (3)由于农村道路交叉口稀少，难以建立在农村道路区域的矢量数据纠正匹配模型。发明内容[0015] 针对现有技术中存在的不足，本发明所要解决的问题在于提供一种基于深度学习的矢量数据分区纠正方法，可对城市道路矢量数据与农村道路矢量自动进行区分，并使用相应算法进行解决，提高城市道路矢量数据纠正精度，在农村区域建立矢量数据纠正模型，完成农村道路矢量数据纠正。[0016] 为了解决上述技术问题，本发明通过以下技术方案来实现：[0017] 本发明提供的基于深度学习的矢量数据分区纠正方法，包括以下步骤：[0018] S1：制作用于深度学习的U2?Net模型的样本集，调整模型参数，设置学习率为0.001，迭代次数200次，并进行模型训练；[0019] S2：选取步骤S1训练的最优模型权重，输入城市与农村遥感影像进行道路提。籟0020] S3：将边缘提取获取的线段进行有序排列；[0021] S4：基于矢量线的道路特征集提。籟0022] S5：依照城市与农村道路特有属性，对城市道路与农村道路进行自动划分，若划分结果为城市道路则将矢量数据输入步骤S6，若划分为农村道路，则输入步骤S7；[0023] S6：城市道路矢量纠正；[0024] S7：农村道路矢量纠正；[0025] S8：输出纠正后的城市与农村道路矢量数据。[0026] 进一步的，所述步骤S4的具体步骤如下：[0027] 步骤S4.1：初始特征集提。诓街鑃2中使用深度学习方法提取城市与农村道路，在步骤S3中获取城市与农村道路的道路边缘线段，使用掩膜方法将以上两种结果进行叠加，得到初始特征集；[0028] 步骤S4.2：面向矢量线的特征集提。⒊跏继卣骷胧噶肯叩亩杂叵。[0029] 进一步的，所述步骤S4.2的具体步骤如下：[0030] 步骤S4.2.1：缓冲区约束，在初始特征集的基础上加入道路矢量线，以任意矢量线为中心，在两侧建立宽度为60米的缓冲区，当初始特征集内线段或线段序列两端点位于缓冲区内时，将其作为该矢量线段的特征，进而得到农村道路特征集；[0031] 步骤S4.2.2：角度约束，城市道路特征集基于缓冲区约束后的初始特征集，根据矢量线方向对其进一步约束，当满足约束要求时成为有效特征。[0032] 进一步的，所述步骤S6的具体步骤如下：[0033] 步骤S6.1：矢量线分解，以矢量线顶点作为分解点，使用自顶而下的分裂方法进行分解；[0034] 步骤S6.2：分矢量线纠正，使用随机平均抽样方法对矢量数据多次进行特征点选。谘∪〉奶卣鞯，使用最小二乘法方法多次拟合道路线；采用曲线评价模型，在最小二乘方法拟合的多条矢量线中选取最优道路矢量线；[0035] 步骤S6.3：将分矢量线向参考点方向移动，并将分矢量线按照函数表达形式延长至整个区间，实现分矢量线中心化处理；[0036] 步骤S6.4：通过求取相邻分矢量线交点实现连接。[0037] 进一步的，所述步骤S6.2的具体步骤为：[0038] S6.2.1：随机平均抽样，将分矢量线平均分为6个子区间，在选取样本点时，在每个子区间内随机抽样2个点；[0039] S6.2.2：基于样本点数据，使用最小二乘方法进行拟合；[0040] S6.2.3：在拟合2000条矢量线段后，从2000条拟合线段中选取与道路结构相似性最高的拟合结果。[0041] 进一步的，所述步骤S7的具体步骤如下：[0042] 步骤S7.1道路边缘线提。袢∽钣诺缆繁咴，本发明使用长度约束方法，将农村道路特征集中线段序列长度大于l的线段序列作为道路边缘线段序列，l阈值设置为100。[0043] 步骤S7.2道路中心线推理模型，本发明从矢量数据中读取路宽W，对于线段序列中的每条线段，按照垂直方向平移距离W/2，以此完成道路中心线提。⒔行南咦魑碌氖噶肯，间接完成矢量线的纠正。[0044] 步骤S7.3根据断裂矢量线分别通过求取交点与首尾相连的方式确定两条连接矢量线，分别使用下面公式求取两条矢量权重，将权重最高者作为连接矢量线。当权重η相同，本发明从线性复杂度这一角度出发选用AC作为连接矢量。[0045][0046] 式中，Lcandidate为候选矢量，length(Lcandidate)为候选矢量长度，lengthDL(Lcandidate)2为候选矢量在U?Net提取结果中的长度。[0047] 由上，本发明具有以下有益效果：[0048] 1、提出分区思想，建立一种鲁棒性强的矢量数据分区纠正方法，该方法在纠正矢量过程中，可对城市道路矢量数据与农村道路矢量自动进行区分，并使用相应算法进行解决。[0049] 2、提高城市道路矢量数据纠正精度。[0050] 3、在农村区域建立矢量数据纠正模型，完成农村道路矢量数据纠正。[0051] 上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下结合优选实施例，并配合附图，详细说明如下。附图说明[0052] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍。[0053] 图1为道路初始特征集图，其中(a)为农村道路初始特征集，(b)为城市道路初始特征集；[0054] 图2为农村道路特征集图；[0055] 图3为城市道路特征集图；[0056] 图4为矢量线分解示意图；[0057] 图5为随机抽样点集示意图，其中(a)为特征集图，(b)为数据扩充图，(c)为区间平均分解图，(d)为随机平均抽样图；[0058] 图6为分矢量线中心化示意图；[0059] 图7为最优边缘约束局部结果示意图，其中(a)为最优边缘线段图，(b)为特征集2图，(c)为U?Net提取结果图；[0060] 图8为道路中心线推理模型示意图；[0061] 图9为农村矢量线连接示意图；[0062] 图10为上海某城市地区矢量纠正结果图；[0063] 图11为辽宁省阜新市城市地区矢量纠正结果图；[0064] 图12为湖北恩施某农村地区矢量纠正结果图；[0065] 图13为辽宁阜新某农村地区矢量纠正结果图；[0066] 图14为本发明的基于深度学习的矢量数据分区纠正方法的流程图。具体实施方式[0067] 如图1至图14所示，本发明的基于深度学习的矢量数据分区纠正方法，包括以下步骤：[0068] 步骤1：制作用于深度学习的U2?Net模型的样本集，调整模型参数，设置学习率为0.001，迭代次数200次，并进行模型训练；[0069] 步骤2：为获取模型最优的道路提取结果，选取步骤1训练的最优模型权重，输入城市与农村遥感影像进行道路提。貌街柰瓿闪顺鞘杏肱┐宓缆返目缜虻缆诽崛∪挝，消除了传统方法在道路提取时鲁棒性差的问题；[0070] 步骤3：为实现城市与农村道路边缘的有效提。锏健耙灾贝钡哪康，将边缘提取获取的线段进行有序排列，将其定义为Goup_li＝{li0,li1,……，lin}，其中lin为按顺序依次排列的线段；[0071] 步骤4：基于矢量线的道路特征集提。籟0072] 步骤4.1：初始特征集提取。在步骤2中使用深度学习方法提取城市与农村道路，在步骤3中获取城市与农村道路的道路边缘线段。在该步骤中，使用掩膜方法将以上两种结果进行叠加，得到初始特征集。农村与城市道路初始特征集如图1所示。[0073] 步骤4.2：面向矢量线的特征集提取。该步骤是为了建立初始特征集与矢量线的对应关系。[0074] 步骤4.2.1：缓冲区约束方法。已有矢量数据的位置缓冲区约束可获取矢量线附近的道路线特征。本发明在初始特征集的基础上加入道路矢量线，以任意矢量线为中心，在两侧建立宽度为60米的缓冲区，当初始特征集内线段或线段序列两端点位于缓冲区内时，将其作为该矢量线段的特征。从图1(a)可以看出，农村道路初始特征集内存在较少的其他地物线段特征，因此该步骤直接得到农村道路矢量线的特征集。如图2所示，本发明将农村道路特征集作为接下来农村道路矢量纠正方法的数据源。[0075] 然而，城市道路由于地物分布复杂，从图1(b)中可以看出，线段集内存在道路误提取导致的其他地物线段特征，因此需要进一步筛选。[0076] 步骤4.2.2：角度约束。城市道路特征集基于缓冲区约束后的初始特征集，本发明根据矢量线方向对其进一步约束，当满足约束要求时方可成为有效特征。其约束公式如(1)所示：[0077] |Angle(vij)?Angle(lij)|≤σangle(1)[0078] 式中，vij为矢量不同节点间的线段，Angle(vij)表示其角度，lij为vij对应位置约束区域内的线段特征，Angle(lij)表示lij线段角度，σangle为角度约束阈值。如图3为城市道路特征集。本发明将城市道路特征集作为接下来城市道路矢量纠正方法的数据源；[0079] 步骤5：城市与农村道路矢量分区。本发明根据《交通管理信息属性分类与编码城市道路》与《开云优惠体育网页版入口农村公路基础数据和电子地图补充调查方案》，使用GDAL读取矢量数据，依照城市与农村道路特有属性，对城市道路与农村道路进行自动划分，以便接下来使用针对性的算法进行纠正。若划分结果为城市道路则将矢量数据输入步骤6，若划分为农村道路，则输入步骤7。[0080] 步骤6：城市道路矢量纠正；[0081] 步骤6.1：矢量线分解。矢量线分解主要针对方向突变道路，将矢量线在其最高点进行分解，而曲线的最高点是指该曲线顶点，曲线的方向剧烈变化必然发生在顶点处。依据此特点，本发明以矢量线顶点作为分解点，使用自顶而下的分裂方法进行分解，如图4所示。[0082] 步骤6.2：分矢量线纠正。城市道路由于存在大量的指示线、植被等及其他噪声的干扰，其线段序列提取结果必然存在噪声，因而其掩膜处理获得的特征集，必然存在位于非道路上的线段。同样，城市道路受到其他地物干扰较大，因而线段提取结果在道路不同局部上呈现分布不均的特点。针对以上存在的两点问题，本发明提出了针对性的解决方法用于拟合纠正分矢量线，该方法使用随机平均抽样(步骤6.2.1)方法对矢量数据多次进行特征点选。谘∪〉奶卣鞯，使用最小二乘法(步骤6.2.2)方法多次拟合道路线；同时，提出一种曲线评价模型(步骤6.2.3)，在最小二乘方法拟合的多条矢量线中选取最优道路矢量线。[0083] 步骤6.2.1：随机平均抽样。本发明随机平均抽样的抽取对象，是指组成城市道路特征集的线段端点。如果仅对长线段以两个端点作为抽样点，将导致拟合数据的不足，影响最终的拟合效果。因此，为了提高长度较大线段的抽取概率，如图5(b)所示，本发明按照步长为5的距离进行样本点扩充，这样线段长度越大生成的样本点越多，抽取的概率越高。以线段长度为20像素为例，可生成4个样本点。本发明将分矢量线平均分为6个子区间。在选取样本点时，在每个子区间内随机抽样2个点，如图5(d)所示，共抽取12个点。[0084] 步骤6.2.2：最小二乘法具有平滑表示曲线变化趋势和预测来自同一系统未观测值的能力，本发明随机平均抽样方法所获得的样本点，均来自与矢量线相对应的道路特征集，根据最小二乘法特性，本发明基于样本点数据，使用最小二乘方法进行拟合。[0085] 步骤6.2.3：曲线评价模型。单次的抽取过程中可能会存在一定量噪声，进而可能导致拟合结果不佳的现象发生。因此本发明在拟合2000条矢量线段后，从2000条拟合线段中选取与道路结构相似性最高的拟合结果。用于选取最优矢量线的测度公式如(2)所示：[0086][0087] 式中，wcur表示当前拟合线的评价结果，L表示当前拟合线，lengthDL(L)为该线位于道路提取结果中的长度，length(L)代表该线总长度。本发明定义子区间内拟合线两端点连线角度为局部线角度，nall表示特征集的线段总数，nright为nall中与局部线角度差异小于0.05弧度的线段个数。[0088] 步骤6.3：分矢量线中心化处理。为使得矢量线更加准确表达道路中心线位置，本2发明在分矢量线上的6个子区间内随机各取一点pi，垂直于pi的切线求得位于U?Net结果内的垂线lv，当lv满足式(3)时，则将pi作为基准点，lv中点为参考点；若不满足，则舍弃该点[0089] |length(lv)?W|≤γ(3)[0090] 式中，length(lv)为垂线长度，W为道路宽度，γ为距离约束，本发明将其设为3个像素。如图6所示，基准点集P＝{P1,P2,P3,…,P6}，参考点集C＝{C1,C2,C3,…,C6}，将分矢量线向参考点方向移动，并将分矢量线按照其函数表达形式延长至整个区间，即可实现分矢量线中心化处理。[0091] 步骤6.4：在分解点前后，两条道路方向发生变化，不存在相邻分矢量线间的平行现象，故城市道路矢量线可通过分矢量线连接完成。由于本发明城市道路矢量线均由一次函数与二次函数组成，因此可通过求取相邻分矢量线交点实现连接。[0092] 步骤7：农村道路矢量纠正[0093] 步骤7.1：道路边缘线提取。为获取最优道路边缘。本发明使用长度约束方法，将特征集中线段序列长度大于l的线段序列作为道路边缘线段序列，l阈值设置为100。该过程示意图如图7所示。[0094] 步骤7.2：道路中心线推理模型。如图8所示为道路中心线提取方法，本发明从矢量数据中读取路宽W，对于线段序列中的每条线段，按照垂直方向平移距离W/2，以此完成道路中心线提。⒔行南咦魑碌氖噶肯，间接完成矢量线的纠正。[0095] 步骤7.3：如图9所示，L1、L2为待连接矢量线，过L1终点A、L2起点B可计算圆形区域Cir，在Cir内确定两条候选矢量AC与ABC，其中AC为直线段，ABC为多直线段。分别使用公式(4)求取两条矢量权重，将权重最高者作为连接矢量线。当权重η相同，本发明从线性复杂度这一角度出发选用AC作为连接矢量。[0096][0097] 式中，Lcandidate为候选矢量，length(Lcandidate)为候选矢量长度，lengthDL(Lcandidate)2为候选矢量在U?Net提取结果中的长度。[0098] 步骤8：输出纠正后的城市与农村道路矢量数据。[0099] 以下通过四组实验验证本发明所提方法的验证，并与现有算法进行比较，其中实验一与实验二为城市道路矢量纠正结果，实验三与实验四为农村道路矢量纠正结果。[0100] 1)实验一。图10为上海市某城市地区高分二号正射多光谱影像，分辨率为0.8米，该城市区域存在23条矢量，少量矢量存在曲率突变情况。[0101] 图10(b)为城市主干路与居住区道路，共存在4条矢量线。两种对比方法认为矢量数据在整体上与道路具有相对位置规律，因此在局部范围内采用相同的参数对不同矢量线纠正。然而从图10(b)原始矢量中可以看到，不同矢量数据位置无规律分布在道路两侧，在整体上并不具备与道路在位置上的相对规律，因此AMS?Conflation仅能对满足全局位置规律的矢量线进行纠正，如对比方法中黄色矢量线，而对于其他矢量线对比方法作用不大，在其结果中没有明显的纠正效果。同样的，基于MaskR?CNN方法仍然是针对具备整体位置规律的矢量线，采用相同的仿射变化参数进行纠正，因此也仅能够纠正部分矢量。而本发明方2法基于U?Net道路提取结果与线段序列检测结果，为每条矢量数据建立特征集，形成矢量与道路线段特征的对应关系，从单条矢量线出发通过道路提取进行矢量纠正，突破了对比方法仅能纠正位置规律矢量线的局限性，从本发明结果中可以看出纠正结果满足精度要求，这说明了本发明方法的可靠性。[0102] 图10(c)场景为“7”字形道路，该道路穿越城市居住区，道路上半部分受建筑物、建筑物阴影、树木遮挡严重，下半部分矢量数据与道路局部方向存在差异。在AMS?Conflation方法中，待纠正矢量线位于两个或者两个以上的三角形内，而不同三角形转换模型存在差异，因而不同三角形内纠正的矢量线存在错位现象。在MaskR?CNN方法中，该方法只考虑将全局的矢量线段进行整体仿射变换，忽略了局部范围内矢量线存在几何畸变的可能性，如图10(c)MaskR?CNN方法中，在“7”字形道路的下半部分，几何畸变未得到有效纠正，与原始矢量基本相同。相对于对比方法，顾及城市矢量线线形的据不规律性，本发明通过矢量线分解，将曲率突变处作为拐点，得到了分矢量线，简化了呈“7”字形曲率突变矢量；考虑到噪声的影响势必造成该区域特征集的不充分、不完整，针对此现象，本发明提出一种随机平均抽样方法进行分矢量线拟合；最后通过分矢量线中心化处理完成矢量线的精准纠正，同时求取分矢量线交点，完善线形结构。[0103] 2)实验二。图11为辽宁阜新某城市地区高分7号正射多光谱影像，前视全色地面像元分辨率为0.8米、后视全色地面像元分辨率为0.65米，从全幅影像来看，建筑物和道路分布密集，“同谱异物”现象严重，其中，共存在29条道路和对应得矢量数据，除少量曲率变化较小的道路外，道路多为直线型。[0104] 从图11原始影像中可以明显看出双车道与其他道路拓扑关系复杂，车道间存在明2显的间隔措施，存在噪声干扰。从图11(b)中可以看出，本发明双车道交叉口道路U ?Net提取结果存在严重缺失，并且提取结果与道路真实宽度存在差异。在AMS?Conflation方法中，LTM方法基于交叉口附近相交的矢量线形状建立局部模板，在交叉口附近基于道路识别结果与路宽这一先验知识，搜索与局部模板几何形状相似的道路区域，并将其作为交叉口，该方法由于严重依赖道路提取结果与路宽，因此该方法无法准确定位交叉口中心，导致交叉口识别位置出现异常被删除，这使得部分矢量数据无法进行纠正。对于MaskR?CNN方法，从图11(b)的测试影像可以看出，该场景下相交的道路路宽不同，拓扑特征复杂，并且存在车辆、植被、指示线等噪声干扰，这使得交叉口检测存在一定困难。另外，该场景矢量线连接情况复杂，存在三个交点，对比方法仅仅采用获取与候选框中心最小距离的方式生成同名控制点，因此无法建立准确同名控制点，导致被DBSCAN方法删除，进而矢量无法被纠正。本发明基于线特征进行道路提。苊饬烁丛映【跋碌慕徊婵谔崛∧烟，因而可准确对双车道矢量信息进行纠正。[0105] 图11(c)中道路密度大，道路多被建筑物及其附属植被严重遮挡，从图11(c)U2?Net提取结果中可以看出，该区域存在4处交叉口附近道路缺失的情况，与(b)相同，这势必导致AMS?Conflation方法中交叉口识别位置不准确，另外该区域矢量数据与道路相对位置发生几何错位现象，不具备相对位置规律性，基于以上多种因素，AMS?Conflation方法仅能实现部分矢量线纠正。同样的，噪声干扰使得MaskR?CNN方法检测交叉口困难，除此之外，该区域道路交叉口密度大，这使得依靠最小距离关系的MaskR?CNN方法势必造成错误的同名点生成，并且该区域矢量数据与道路相对位置几何错位严重，从纠正结果中可以看出，基于MaskR?CNN方法纠正结果差，纠正后的大部分结果严重与影像道路发生偏移，仅能保证少量矢量线位置的微小移动，实现部分道路的矢量纠正。而本发明方法基于城市特征集，使用随机平均抽样方法，保证了拟合矢量线的道路结构相似性和局部方向最优性，本发明方法在复杂场景下仍可实现矢量线的纠正，说明了本发明方法的稳定性。[0106] 3)实验三。图12为湖北省恩施市高分二号某农村地区遥感影像，该区域道路下存在5条矢量及3个道路交叉口，道路几何形态无规则变化。需要说明的是，农村实验结果中并没有展示AMS?Conflation方法与基于MaskR?CNN模型的矢量纠正结果，这是因为两种对比方法在农村区域并不适用，原因如下：①两种方法严重依赖交叉口建立转化模型。农村道路交叉口稀少且拓扑关系较为简单，如本发明恩施影像仅存在三个交叉口且连通关系为3，对于AMS?Conflation，该方法由于缺少交叉口，无法建立进行矢量局部纠正的三角网。而对于基于MaskR?CNN方法而言，其依赖于4连通拓扑关系的交叉口生成控制点，这一过程使得该方法同样在此区域下无法展开实验；②农村道路曲率复杂多变。矢量线与道路不具备相对的位置规律性，两种方法的匹配纠正机理均认为矢量线与道路具有很好的相对位置规律。但在实际生产过程中，农村路矢量数据往往随剧烈变化的道路而绘制，与城市道路相比，位置规律性极差，这是两种对比方法无法实现农村道路矢量纠正的另一原因。两种方法在农村区域均不能进行矢量纠正这一现象，印证了本发明分区思想的必要性。[0107] 图12(b)实验场景中道路与树木、房屋、农田相邻，道路边界清晰，故线段序列能够有效刻画边缘信息。本发明通过长度约束方法获取了该场景下的最优边缘线，基于良好的2U?Net提取结果，使用道路中心线推理模型提取道路中心线，通过矢量连接完成道路矢量纠正。图12(c)中道路大部分属于林间路，存在林木遮挡的问题，并且道路方向存在近似120°变化。直接利用转换模型的方式，难以准确对该区域道路进行纠正，而本发明通过长度2约束获取结构信息强的最优边缘、基于U ?Net提取结果进行拓扑连接，实现道路的完整提取。[0108] 4)实验四。如图13所示为高分七号正射多光谱影像，覆盖区域为中国辽宁省阜新某农村区域，该区域地貌属于低山丘陵区，丘陵区是种介于平地与山地之间的地形，为农村区域常见场景类型。受地理条件制约，从全幅影像来看，该区域存在坡度较缓的山峰，地表起伏不一，道路依附山脚，其两侧多为农田。[0109] 在图13(b)中，道路右侧位于山脚下，道路左侧分布为形状不规整农田，该道路材质为水泥路，道路边界清晰，无其他地物噪声影响，利用本发明的线段序列方法可实现道路2边缘的完全提取。另外，该道路U ?Net提取结果准确，因此该区域有着质量较高的特征集，基于特征集，使用长度约束获取最优边缘，通过道路中心线推理模型可进行道路中心线的完全提。缘缆诽崛〉姆绞饺〉昧肆己玫氖噶烤勒Ч。[0110] 图13(c)中道路位于村庄内部，其内部道路依托房屋位置等而建，因此道路位置、数量、走向有着更多的不确定性，并且该类型道路容易受到房屋建筑及其周边植被遮挡。从13(c)原始矢量数据中可以看出，该场景下仅存在两条偏移矢量数据，其他道路主要为细小支路，道路等级过低，不存在对应的矢量数据。图13(c)场景周边地物复杂程度高，从图13本发明方法中可以看出矢量线所在道路被完整提。偷燃兜缆肥茉肷跋煅现，因此提2取结果存在断裂。本发明基于U?Net提取结果，结合矢量线连接方法，在场景复杂的村庄内部仍可实现矢量纠正，这说明了本发明农村矢量纠正方法具有一定的稳定性。[0111] 本发明在城市与农村区域分别选取两幅影像进行测试，对比方法与本发明方法定量分析结果如下表所示，在城市区域中，对于AMS?Conflation方法，本发明GF?2实验结果精确率、召回率、IoU和F1比该方法高出16.4％、30.3％、34.7％、23.5％，GF?7号影像高出33.9％、29.6％、47.3％、31.8％。对于MaskR?CNN方法，本发明GF?2实验结果精确率、IoU和F1较该方法高出32.5％、32.5％、21.6％，GF?7号影像分别高出41％、40.6％、26.1％。从数值结果中可以看出，精确率与IoU差别最大，究其原因在于影像场景复杂，矢量线与道路不具备相对位置规律，这使得两种对比方法难以准确纠正，造成TP下降，FP升高。本发明将没有进行纠正移动的矢量线长度统计为FN值，其中AMS?Conflation方法在影像边界处容易缺乏控制点信息，因此部分矢量位于控制网之外不能被纠正，这是该方法FN值上升的主要原因；对于MaskR?CNN方法，该方法基于最小二乘解算参数，整体位置发生移动，因此FN值很低，这是该方法与本发明方法召回率持平的原因。以上数据表明，本发明城市矢量纠正方法完全优于两种对比方法。而在农村区域中，AMS?Conflation方法与基于MaskR?CNN的矢量纠正方法由于严重依赖交叉口和矢量线位置规律，使得该方法无法在农村地区应用。本发明农村矢量纠正结果四项评价指标均在96％以上，在GF?2与GF?7不同的实验区域中，纠正精度分别为98.2％与97.7％，说明了农村道路矢量纠正方法的准确性。[0112][0113] 以上所述是本发明的优选实施方式而已，当然不能以此来限定本发明之权利范围，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变动，这些改进和变动也视为本发明的保护范围。

专利地区：辽宁

专利申请日期：2022-04-13

专利公开日期：2024-10-29

专利公告号：CN115034283B