导航数据辅助下的遥感影像道路网自动提取方法

摘要

本发明提供一种导航数据辅助下的遥感影像道路网自动提取方法，包括以下步骤：导航数据与遥感影像配准；利用矢量数据进行道路段的提取；利用交叉口像元结构指数进行道路交叉口的提取；自适应聚类学习的道路网提取：将提取的道路段和的道路交叉口进行连接，形成道路网，根据已知道路特征来检测遥感影像中的新增道路对象，最后对道路进行验证。本发明采用遥感影像与导航路网数据作为输入数据源，综合利用导航路网数据中的位置、几何、拓扑、语义信息和高分遥感影像中的场景特征。结合现实道路结构先验知识等，完成自动化道路网要素数据提取任务。具有较强的实用性，准确度较高。

说明书

技术领域

本发明涉及遥感影像应用技术领域，具体涉及一种导航数据辅助下的遥感影像道路网自动提取方法。

背景技术

随着我国城镇化进程的推进和经济建设的快速发展，道路网数据的快速更新对于社会公众和行业应用具有越来越重要的意义,道路要素数据的快速获取与更新己成为我国基础地理信息建设的重要任务。当前，基于高分辨率遥感影像的内业综合判调是对包括道路网在内的基础地理要素更新的主要手段，遥感技术的大面积同步观测、高时效性和经济性等优点使得利用遥感影像进行基础地理信息更新具有很大的优势。相比于外业地面实测数据更新，基于遥感影像的内业判绘方式提高了基础地理要素数据的采集效率，适用于大范围道路的快速更新。

为了提高基础地理数据生产更新效率，亟需研究探索基于遥感影像的自动/半自动化道路要素快速提取方法，提高道路要素数据更新的自动化程度。随着遥感技术的飞速发展，影像数据的空间分辨率大大提高，并且提供了更加真实的地表细节信息，这为道路网自动化提取提供了新的机遇和挑战。高分遥感影像中，道路边界和路面标志物清晰可见，使得精确的道路提取和定位成为可能。另一方面，道路表现为多种地物的集合体，如车辆、道路标志、行道线、行道树等，使得道路类要素内部特征具有很大的异质性，同时道路对象与邻近地物又存在较大的特征相关性，这使得自动道路提取方法难以准确地辨识道路对象；另外，受阴影和其他地物的遮挡，自动化道路提取任务变得更加困难。综合考虑各种因素影响，全自动化的稳定可靠道路提取方法研究依然是一项国际公认的难题。

当前高分遥感影像的道路提取方法中，根据处理流程的差异大致可以分为基于Marr分层视觉模型的方法和基于道路模型的方法。在Marr视觉计算理论框架的引导下，现有的道路提取方法通常在低、中、高三个视觉层次上进行组合处理。低层次处理中，基于像素级的处理方法来提取道路特征基元；中层次处理则是基于先验规则和知识约束来对低层次处理得到的特征基元进行选择、连接和编组；高层处理中需要综合分析道路要素的结构关系，并利用道路模型的语义知识作为支撑，进行模糊推理、知识理解和道路识别。根据道路模型对道路的描述，道路提取可以转化为一个能量模型，通过对模型能量函数的优化实现对道路的提取。典型的方法包括主动轮廓模型法、模板匹配法和动态规划法等。

众包地理信息平台为导航电子地图提供了丰富的数据源，并且具有很高的时效性和完整几何拓扑信息，导航电子地图路网矢量数据能够有效地辅助遥感影像道路提取的自动化程度和效率，导航电子地图中的语义和几何信息能够弥补不完备的道路影像特征，高分影像的道路细节又能够帮助精确定位道路和探测路段连通信息。因此，针对高分影像道路提取的难点和导航数据的特点，综合这两类数据的道路提取方法将具有很大的优势。一方面，导航电子地图中道路网的几何结构信息能够辅助道路提取算法粗略定位高分影像中路段对象，从而够弥补单纯依靠影像数据提取道路的特征不完备问题；另一方面，高分影像中道路的细节特征能够帮助修正道路位置和拓扑信息，同时，也为新增路段提取提供了语义标注信息。

发明内容

本发明要解决的技术问题是：提供一种导航数据辅助下的遥感影像道路网自动提取方法，准确度高。

本发明为解决上述技术问题所采取的技术方案为：一种导航数据辅助下的遥感影像道路网自动提取方法，其特征在于：它包括以下步骤：

S1、导航数据与遥感影像配准：

根据遥感影像范围，将OpenStreetMap导航数据进行裁切得到导航路网的矢量数据，将矢量数据与遥感影像进行叠加，当遥感影像与矢量数据存在的位置偏差超过预设的偏差阈值时，手工选择若干同名点来对矢量数据进行整体的仿射变换；

S2、利用矢量数据进行道路段的提取：

采用移动聚类的方法，从S1得到的矢量数据中检测出道路模板，匹配下一段道路中心点，利用随机森林进行检测，修正道路跟踪偏差，再通过P-N学习对检测后的道路段进行校正；

S3、利用交叉口像元结构指数进行道路交叉口的提取：

根据导航路网矢量数据中的线条交叉信息获取待检测交叉口位置集合，根据交叉口位置和缓冲半径获取交叉口影像切片，从交叉口的结构特征出发，构建像元形状与交叉口结构的量化映射关系，然后根据同类结构像元的聚集度评估交叉口的结构特征；

S4、自适应聚类学习的道路网提取：

将S2提取的道路段和S3提取的道路交叉口进行连接，形成道路网，根据已知道路特征来检测遥感影像中的新增道路对象，最后对道路进行验证。

按上述方法，所述的偏差阈值为道路提取的缓冲区半径，缓冲区半径＝道路半宽度+配准误差，配准误差为预设值。

按上述方法，S2的具体步骤如下：

2.1、多方向形态学滤波：

按照特定角度间隔定义一系列线状结构元素，基于这些线状结构元素分别对遥感影像进行形态学开闭重构运算；

2.2、道路模板提取：

根据导航路网矢量节点获取初始种子点，以初始种子点为聚类中心，构建一个边长大于道路宽度的矩形检测窗口，过初始种子点沿道路法向方向作直线，与矩形检测窗口交于两点，将这两点作为背景聚类种子点；计算矩形检测窗口内像素点与所有种子点的相似度，将最相似的种子点标签赋予当前像素点；迭代上述过程，完成道路背景的聚类；

调整道路背景聚类中心的位置得到不同的聚类结果：固定道路聚类中心，移动背景聚类中心，保证背景聚类中心到初始道路中心的距离相等，使该距离阶梯递增；统计相邻距离对应道路对象像素辐射值的标准差，当二者之间标准差相差最大时，对应的道路对象为最优的聚类结果，并以道路对象的最小外接矩形作为当前道路路段的道路模板；

2.3、道路跟踪：

根据相邻的道路模板中心点之间的变换关系，基于坐标变换得到道路模板的中心点的预测点；

以预测点为中心，以当前道路模板的尺寸截取待匹配道路模板，计算当前道路模板和待匹配道路模板的相关系数；

若相关系数大于预设的系数阈值，则采用跟踪结果；反之，则通过道路检测重新初始化道路模板；

2.4、基于随机森林的道路检测：

将2.2道路背景的聚类得到的道路背景作为背景对象，将2.2得到的道路模板作为道路对象；将道路对象和背景对象分别作为正样本和负样本，初始化随机森林分类器；采用基于灰度共生矩阵的Haralick特征作为训练特征，训练随机森林分类器；

当有待测样本进入随机森林分类器，则根据随机森林中各决策树的分类结果得到一个样本判别的后验概率P，当P大于概率阈值时，则认为该待检测样本为道路，反之为背景；将检测后的结果作为先验标记样本；

2.5、P-N学习：

将道路跟踪看作一个时间序列过程，跟踪结果是一条连续的轨迹，则有约束，约束包括正约束和负约束，正约束为紧邻轨迹的样本被认为是正样本；负约束为远离轨迹的样本为负样本；正约束用于发现道路轨迹上的未标记数据，而负约束则用于区分道路与复杂的背景对象；

设f是由θ参数化的随机森林分类器，则P-N学习是根据已标记样本集合X_t和约束下的未标记样本集合X_u估计θ的过程，具体步骤如下：

(a)根据2.4得到的先验标记样本(X_t,Y_t)初始化随机森林分类器，得到初始的分类器参数θ⁰，其中Y_t为已标记样本集合X_t对应的标记集合；

(b)迭代执行分类器训练，在第k次迭代中，利用第k-1次训练的随机森林分类器对所有未标记的样本进行分类标记，得到校正分类结果；其中X_u为约束下的未标记样本集合，x_u为未标记样本集合，为未标记样本集合x_u对应的未标记集合，θ^k-1为第k-1次的分类器参数；

(c)校正分类结果中与所述的约束不一致的样本标记，则作为新的训练样本加入随机森林分类器训练过程，迭代上述过程直到随机森林分类器收敛或超过预设的迭代次数。

按上述方法，S3具体为：

3.1、构建像元形状指数PSI：

定义围绕中心像元的一系列方向线，方向线是一系列相隔一定角度的、由中心像元朝不同方向发散的线段；根据相邻像元间的光谱异质性测度和阈值确定线段的长度，生成由方向线长度构成的直方图，取直方图均值作为PSI特征值；每条方向线都是从中心像元出发，向定义方向扩展，当待扩展像元不符合扩展约束条件时，则停止方向线扩展，并记录当前方向线的长度；所述的扩展约束条件为：

其中，PH_d(k,x)表示当前中心像元x的邻域像元k在第d条方向线上的异质性测度，L_d(x)为中心像元x在第d个方向上的方向线的长度，T₁为像元异质性阈值，T₂为方向线长度阈值，方向线扩展条件的解释为：当前像元k与中心像元x的异质性小于T₁，并且方向线长度小于T₂时，则可以将方向线扩展至该像元；否则，停止扩展，记录当前方向线长度；

3.2、方向线距离直方图峰值检测：

以交叉口中心为中心像元生成方向线；

采用如下公式设定动态异质性阈值：

T₀＝μ(PH)+λ·σ(PH)

其中，T₀为动态异质性阈值；PH是由距离阈值范围内各个方向上的像元异质性值构成的实数集合；μ和σ分别为求集合PH均值和标准差的函数，λ为权重；

根据动态异质性阈值，来获取方向线的长度，从方向线的长度特征中检测出有效的峰值；

3.3、构建交叉口像元结构指数IPSI：

根据构成交叉口支路的方向角度，将圆周分为8个角度区间，每个区间对应一个可能的交叉口支路方向，给每个区间分配固定的权值；

将3.2检测到的峰值对应的方向角度，向上述角度区间做映射投票，将获得多于1的投票的角度分区设定标记值为1，其余角度分区设定标记值为0；将标记值与分区权重相乘并求和，得到IPSI；

3.4、计算指数像元聚合度，提取道路交叉口：

定义IPSI指数像元聚合度AG(IPSI)：

其中，N为IPSI值等于指定值的像素数，(x_i,y_i)为其中第i个像元的行列坐标，(x_cen,y_cen)为N个像元位置的均值。AG取值越大，则像元点分布越离散，AG取值越小，则像元点越集中；

预设指标阈值T_AG，当AG>T_AG时，认为当前IPSI对应的结构特征为候选交叉口结构特征，而(x_cen,y_cen)为候选交叉口中心位置；分别获取所有IPSI同值点数N超过点数阈值T_N的像元集合，并计算对应的聚合度AG(IPSI)，选取AG(IPSI)最小值对应的IPSI值，并将其对应的方向角度结构作为检测到的当前道路交叉口。

按上述方法，S4具体为：

4.1、基于结合特征和交叉结构约束的路网连接：

将S2提取的道路段和S3提取的道路交叉口，利用几何特征来约束道路段进行连接，形成道路网；所述的几何特征包括端点距离、连接段方向与已有路段方向差；

4.2、基于样本学习的新增道路提取：

将需要进行新增道路提取的遥感影像作为分割结果对象，使用SLIC影像对象化分割法，并将分割结果对象作为样本特征提取单元；根据4.1得到的道路网生成道路样本集和背景样本集；

采用灰度共生矩阵GLCM来反映不同方向的纹理特征，利用多方向Gabor滤波特征来检测所述的道路样本集中的样本影像的主方向；

利用向量相似性指数，按照特征选择方法进行降维处理；利用高斯混合模型GMM执行自适应道路样本聚类；根据2.4得到的聚类结果，将正样本集合分为多个集合，负样本保持不变；将每组正样本与负样本组合训练一个分类器，实现对特定类别道路的提取；多组道路提取结果的融合结果作为候选道路对象进行进一步的验证；

4.3、基于多特征证据模糊推理的道路验证：

基于D-S证据理论，建立边缘证据模型、光谱证据模型、植被证据模型、阴影证据模型、车辆证据模型和拓扑证据模型，并对这些特征进行适合道路验证的模型化处理，定义概率分配函数；

对导航路网中各路段分别进行处理，根据导航路段内特征检测结果得到特征对应的概率分配函数，然后，利用D-S证据理论的证据合成法则对特征对应的BPAF进行合成，得到综合多特征证据的概率分配函数，按照最大概率分配原则对候选道路对象进行判定。

本发明的有益效果为：采用遥感影像与导航路网数据作为输入数据源，综合利用导航路网数据中的位置、几何、拓扑、语义信息和高分遥感影像中的场景特征。结合现实道路结构先验知识等，完成自动化道路网要素数据提取任务。具有较强的实用性，准确度较高。

附图说明

图1为本发明一实施例的方法流程图。

具体实施方式

下面结合具体实例和附图对本发明做进一步说明。

本发明提供一种导航数据辅助下的遥感影像道路网自动提取方法，包括以下步骤：

S1、导航数据与遥感影像配准：

根据遥感影像范围，将OpenStreetMap导航数据进行裁切得到导航路网的矢量数据，将矢量数据与遥感影像进行叠加，当遥感影像与矢量数据存在的位置偏差超过预设的偏差阈值时，手工选择若干同名点来对矢量数据进行整体的仿射变换。所述的偏差阈值为道路提取的缓冲区半径，缓冲区半径等＝道路半宽度+配准误差，配准误差为预设值。

当本地没有矢量数据源时，可以进行矢量的在线下载，OpenStreetMap导航数据可以给我们提供土地利用、道路、房屋、水体等矢量数据源。

S2、利用矢量数据进行道路段的提取：

采用移动聚类的方法，从S1得到的矢量数据中检测出道路模板，匹配下一段道路中心点，利用随机森林进行检测，修正道路跟踪偏差，再通过P-N学习对检测后的道路段进行校正。其核心思想是在导航路网引导下，自适应地提取路段面特征基元，选取最优跟踪路线，选用随机森林方法进行道路检测，修正跟踪偏差，并利用P-N学习的方式校正检测错误的样本。极大的提高了道路跟踪的稳定性，保证了提取过程的自动化。

S2的具体步骤如下：

2.1、多方向形态学滤波：

按照特定角度间隔定义一系列线状结构元素，基于这些线状结构元素分别对遥感影像进行形态学开闭重构运算。为了滤除干扰地物，采用多方向形态学滤波，保持特定结构的同时抑制噪声。按照特定角度间隔定义一系列线状结构元素，基于这些结构元素分别对影像进行形态学开闭重构运算，开重构运算用于滤除相对于背景较亮的小尺寸(长度小于结构元素)对象，而闭重构运算则用于滤除较暗的对象。

2.2、道路模板提取：考虑道路与背景辐射统计特征的差异以及道路自身的几何特征，本发明提出一种基于移动聚类的道路模板提取方法。道路模板提取是在局部检测窗口完成的。以初始种子点为中心，构建一个边长大于道路宽度的矩形检测窗口，过种子点沿道路法向方向作直线，与检测窗口交于两点，将其作为背景聚类的种子点。计算检测窗口内像素点与各种子点的相似度，将最相似种子点标签赋予当前像素点。通过迭代该过程，完成道路背景的聚类。然后调整背景聚类中心的位置得到不同的聚类结果。固定道路聚类中心，移动背景聚类中心，保证到初始道路中心的距离相等，使该距离逐渐递增。统计相邻距离对应道路对象像素辐射值的标准差，当二者之间标准差相差最大时，对应的道路对象为最优的聚类结果，并以道路对象的最小外接矩形作为当前道路路段的道路模板。

根据导航路网矢量节点获取初始种子点，以初始种子点为聚类中心，构建一个边长大于道路宽度的矩形检测窗口，过初始种子点沿道路法向方向作直线，与矩形检测窗口交于两点，将这两点作为背景聚类种子点；计算矩形检测窗口内像素点与所有种子点的相似度，将最相似的种子点标签赋予当前像素点；迭代上述过程，完成道路背景的聚类；

调整道路背景聚类中心的位置得到不同的聚类结果：固定道路聚类中心，移动背景聚类中心，保证背景聚类中心到初始道路中心的距离相等，使该距离阶梯递增；统计相邻距离对应道路对象像素辐射值的标准差，当二者之间标准差相差最大时，对应的道路对象为最优的聚类结果，并以道路对象的最小外接矩形作为当前道路路段的道路模板；

2.3、道路跟踪：

根据相邻的道路模板中心点之间的变换关系，基于坐标变换得到道路模板的中心点的预测点；相邻的道路模板中心点指的是当前模板中心点和待匹配道路模板中心点。

以预测点为中心，以当前道路模板的尺寸截取待匹配道路模板，计算当前道路模板和待匹配道路模板的相关系数；

若相关系数大于预设的系数阈值，则采用跟踪结果；反之，则通过道路检测重新初始化道路模板。

2.4、基于随机森林的道路检测：道路检测是在待检测范围内通过滑动窗口寻找可能存在的道路及其对应的位置。

将2.2道路背景的聚类得到的道路背景作为背景对象，将2.2得到的道路模板作为道路对象；将道路对象和背景对象分别作为正样本和负样本，初始化随机森林分类器；采用基于灰度共生矩阵的Haralick特征作为训练特征，训练随机森林分类器；

当有待测样本进入随机森林分类器，则根据随机森林中各决策树的分类结果得到一个样本判别的后验概率P，当P大于概率阈值时，则认为该待检测样本为道路，反之为背景；将检测后的结果作为先验标记样本。

特征提取过程如下：

(a)设位置关系φ＝(dx,dy)为四个固定值，即(d,0),(d,d),(0,d),(-d,d)，并分别求对应的灰度共生矩阵；

(b)统计各灰度共生矩阵对应的一致性、对比度、相关性、熵(复杂度)等纹理特征；对不同的纹理特征分别求它们对于4个不同位置关系φ的均值和动态范围σ₁,σ₂,σ₃,σ₄，这8个特征即为随机森林分类器的训练特征。

2.5、P-N学习：道路检测存在出错的可能，即将道路样本判别为背景或将背景判别为道路。需要对判别错误的样本进行校正，并利用校正后的新样本训练分类器以避免类似的错误，本发明通过P-N学习来完成这个过程。

将道路跟踪看作一个时间序列过程，跟踪结果是一条连续的轨迹，则有约束，约束包括正约束和负约束，正约束为紧邻轨迹的样本被认为是正样本；负约束为远离轨迹的样本为负样本；正约束用于发现道路轨迹上的未标记数据，而负约束则用于区分道路与复杂的背景对象。

设f是由θ参数化的分类器，则P-N学习是根据已标记样本集合X_t和约束下的未标记样本集合X_u估计θ的过程，具体步骤如下：

(a)根据2.4得到的先验标记样本(X_t,Y_t)初始化随机森林分类器，得到初始的分类器参数θ⁰，其中Y_t为已标记样本集合X_t对应的标记集合；

(b)迭代执行分类器训练，在第k次迭代中，利用第k-1次训练的分类器对所有未标记的样本进行分类标记，得到校正分类结果；其中X_u为约束下的未标记样本集合，x_u为未标记样本集合，为未标记样本集合x_u对应的未标记集合，θ^k-1为第k-1次的分类器参数；

(c)校正分类结果中与所述的约束不一致的样本标记，则作为新的训练样本加入随机森林分类器训练过程，迭代上述过程直到随机森林分类器收敛或超过预设的迭代次数。

S3、利用交叉口像元结构指数进行道路交叉口的提取：

从遥感影像中获取交叉口影像，从交叉口的结构特征出发，构建像元形状与交叉口结构的量化映射关系，然后根据同类结构像元的聚集度评估交叉口的结构特征。主要思想是从交叉口的结构特征出发，构建像元形状与交叉口结构的量化映射关系，然后根据同类结构像元的聚集度评估交叉口的结构特征。其优点在于IPSI构建了像元形状特征与平面交叉口分支路段方向结构的映射关系，为交叉口结构检测提供了有力支持，定义了IPSI指数像元聚合度测度，能够根据像元中心位置确定交叉口位置。具体实施如下：

3.1、构建像元形状指数PSI：

定义围绕中心像元的一系列方向线，方向线是一系列相隔一定角度的、由中心像元朝不同方向发散的线段；根据相邻像元间的光谱异质性测度和阈值确定线段的长度，生成由方向线长度构成的直方图，取直方图均值作为PSI特征值；每条方向线都是从中心像元出发，向定义方向扩展，当待扩展像元不符合扩展约束条件时，则停止方向线扩展，并记录当前方向线的长度；

所述的扩展约束条件为：

其中，PH_d(k,x)表示当前中心像元x的邻域像元k在第d条方向线上的异质性测度，L_d(x)为中心像元x在第d个方向上的方向线的长度，T₁为像元异质性阈值，T₂为方向线长度阈值，方向线扩展条件的解释为：当前像元k与中心像元x的异质性小于T₁，并且方向线长度小于T₂时，则可以将方向线扩展至该像元；否则，停止扩展，记录当前方向线长度。

3.2、方向线距离直方图峰值检测：根据方向线特征可知，在沿同质像元的方向上，方向线能够取得较大的长度值。因此，以交叉口中心为当前中心像元生成方向线，与支路方向相近的方向线对应的长度值通常要大于非支路方向的方向线长度，这也是本发明检测道路交叉口结构的基础。为了探测出交叉口支路的方向，需要首先从方向线长度特征中检测出有效的峰值。

方向线的扩展长度与异质性阈值的设定有关，而场景的差异使得固定的阈值难以应对各种可能的光谱变异情况。本发明以交叉口中心为中心像元生成方向线；

采用如下公式设定动态异质性阈值：

T₀＝μ(PH)+λ·σ(PH)

其中，T₀为动态异质性阈值；PH是由距离阈值范围内各个方向上的像元异质性值构成的实数集合；μ和σ分别为求集合PH均值和标准差的函数，λ为权重；

根据动态异质性阈值，来获取方向线的长度，从方向线的长度特征中检测出有效的峰值；

3.3、构建交叉口像元结构指数IPSI：为了检测交叉口的结构特征，本发明提出交叉口像元结构指数IPSI。与PSI相同的是，IPSI的定义也是基于方向线长度直方图；不同的是，IPSI的定义与交叉口结构密切相关，可以看作是方向线长度直方图到交叉口结构的映射特征。具体定义如下：根据构成交叉口支路的方向角度，将圆周分为8个角度区间，每个区间对应一个可能的交叉口支路方向，给每个区间分配固定的权值，分别为1,2,4,8,16,32,64,128；

将3.2检测到的峰值对应的方向角度，向上述角度区间做映射投票，将获得多于1的投票的角度分区设定标记值为1，其余角度分区设定标记值为0；将标记值与分区权重相乘并求和，得到IPSI；

IPSI＝w₁l₁+w₂l₂+w₃l₃+w₄l₄+w₅l₅+w₆l₆+w₇l₇+w₈l₈

其中，l₁,l₂,...,l₈表示各个角度分区的标记值；w₁,w₂,...,w₈为对应分区的权重，分别为1,2,4,8,16,32,64,128。

3.4、计算指数像元聚合度，提取道路交叉口：

由交叉口的定义可知，交叉口是由不少于三条分支路段交会而成，因此IPSI至少由对应3个方向角度分区的方向线长度峰值生成，另外，交叉口中心区域对应各个支路方向都会形成方向线的长度峰值，因此具有与交叉口结构特征一致的IPSI值会在交叉口中心位置呈聚集分布态势，据此，定义IPSI指数像元聚合度AG(IPSI)：

其中，N为IPSI值等于指定值的像素数，(x_i,y_i)为其中第i个像元的行列坐标，(x_cen,y_cen)为N个像元位置的均值。AG取值越大，则像元点分布越离散，AG取值越小，则像元点越集中。

预设指标阈值T_AG，当AG>T_AG时，认为当前IPSI对应的结构特征为候选交叉口结构特征，而(x_cen,y_cen)为候选交叉口中心位置；分别获取所有IPSI同值点数N超过点数阈值T_N的像元集合，并计算对应的聚合度AG(IPSI)，选取AG(IPSI)最小值对应的IPSI值，并将其对应的方向角度结构作为检测到的当前道路交叉口。

S4、自适应聚类学习的道路网提取：

将S2提取的道路段和S3提取的道路交叉口进行连接，形成道路网，根据已知道路特征来检测遥感影像中的新增道路对象，最后对道路进行验证。其主要思想是对已提取的路段矢量进行连接构网，对新增的路段进行检测与提取，最后对道路提取的结果进行推理验证。其优点在于能够适应道路样本多样化的特点，引入的D-S证据理论道路验证推力模型保证了道路提取结果正确性。具体实施如下：

4.1、基于结合特征和交叉结构约束的路网连接：

导航矢量引导下的路段提取过程是对各路段分别进行提取，其间并未考虑路段之间的连接关系，因此提取结果路段在道路交叉位置并未连接，端点之间存在断裂。从道路网结构的完整性考虑，有必要对已提取路段进行连接处理。将S2提取的道路段和S3提取的道路交叉口，利用几何特征来约束道路段进行连接，形成道路网；所述的几何特征包括端点距离、连接段方向与已有路段方向差。

(a)路段连接几何特征。提取结果路段断裂主要发生在源导航路网的道路交会处，断裂处路段端点与待连接的路段节点相互邻近。根据常识可知，同一路段走向通常呈渐变趋势，因此，路段连接后需要保持路段方向连续的特性。利用端点距离，连接段方向与已有路段方向差这些几何特征来约束路段进行连接。

(b)交叉结构约束下的路段连接修正。基于几何特征能够完成多数路段断裂的连接任务。然而，复杂的道路网中也存在歧义结构导致错误的连接。因此，根据几何特征完成路段连接后，需要利用已知的交叉结构作为约束，对不合适的路段连接结果进行修正。

4.2、基于样本学习的新增道路提取：

将需要进行新增道路提取的遥感影像作为分割结果对象，使用SLIC影像对象化分割法，并将分割结果对象作为样本特征提取单元；根据4.1得到的道路网生成道路样本集和背景样本集；

采用灰度共生矩阵GLCM来反映不同方向的纹理特征，利用多方向Gabor滤波特征来检测所述的道路样本集中的样本影像的主方向；

利用向量相似性指数，按照特征选择方法进行降维处理；利用高斯混合模型GMM执行自适应道路样本聚类；根据2.4得到的聚类结果，将正样本集合分为多个集合，负样本保持不变；将每组正样本与负样本组合训练一个分类器，实现对特定类别道路的提取；多组道路提取结果的融合结果作为候选道路对象进行进一步的验证。

通过对已知路段的网络化连接，得到矢量路网对影像中相应道路对象的标记。对于现有路网以外的新增路段，需要根据已标记的道路特征，对其进行分类预测和提取。

(a)道路样本自动化获取。

(I)影像对象化分割。高分辨率影像空间细节信息丰富，地物光谱复杂性与像元光谱信号的多源性使得“同谱异物，同物异谱”现象广泛存在。相对于传统的基于像元的影像分析，面向对象的分类方法将具有光谱、空间同质性的像元集合作为处理单元，代替像元进行影像分析，该类方法综合考察像元及其邻域的光谱和空间特性，能够有效的区分光谱特征相似的地物，本发明使用SLIC作为影像对象化分割方法，并将分割结果对象作为样本特征提取单元。

(II)基于已知路段的样本自动标注。已知路段提取结果中包含丰富的道路语义信息，根据经验认为远离道路矢量所在位置的区域为背景地物。由此可根据已有道路提取结果生成道路样本集和背景样本集。

(b)归一化纹理样本特征。高分影像中光谱特征的高度细节化使得难以仅仅根据光谱特征完成道路提取任务。纹理与局部像元灰度的空间组织相关，在识别感兴趣的目标和对象中有着非常重要的作用。本发明采用灰度共生矩阵(GLCM)来反映不同方向的纹理特征，利用多方向Gabor滤波特征的检测样本影像的主方向。

(c)自适应道路样本聚类。本发明设计一套道路样本自适应聚类策略，使得道路样本能够根据集合内特征分布情况进行重组，使得聚类后各组样本在特征空间中呈聚集分布趋势。

首先，需要对特征进行降维。本发明提取的样本特征包括光谱、纹理以及对应的统计测度信息，考虑到影像的波段数、纹理特征的尺度等，最终样本特征向量必然是一个高维的特征向量。然而，在样本数相对较少的情况下，高维特征使得样本在统计上的渐近性质受到破坏，因此需要通过特征降维，消除无关和冗余的样本特征。本发明利用向量相似性指数，按照特征选择方法进行降维处理。

然后，利用高斯混合模型(GMM)执行自适应道路样本聚类。由于类别数K是未知的，在实际数据处理中，需要通过多次测试、比较多个成分的拟合结果来决定K值。为了能够自适应地获得类别数K，提出两个度量指标：分裂指数和合并指数。

(I)设定初始K值，对原始样本执行GMM聚类处理，得到K个高斯分布模型；

(II)构建K个高斯分布模型中心两两之间的连线集合L，并计算连线中各位置的概率值如式(4)所示：

其中，j,k∈K，p_j(x),p_k(x)为对应高斯模型在位置x的概率值，max为取极大值函数。

(III)定义合并指数(Merge Index,MI)定义如式(5)所示：

若MI>T_MI，则认为连线l_i所连接的两个高斯模型具有较大的重叠度，需要进行合并，即将总的类别数降为K-1。

(VI)将属于第k类别的样本集作为全集，进行独立的二分GMM聚类处理；计算当前样本集对应高斯模型的分裂指数(Split Index,SI)，有当SI>T_SI时，认为需要对当前样本集进行分裂，即将总的聚类类别数增加为K+1。

(V)重复执行上述操作，直至没有符合分裂和合并条件的高斯模型，得到最终的样本聚类数K。

最后，根据聚类结果将导航路网标注的正样本集合分为多个集合，负样本保持不变。将每组正样本与负样本组合训练一个分类器，实现对特定类别道路的提取。多组道路提取结果的融合结果将作为候选道路对象进行进一步的验证。

4.3、基于多特征证据模糊推理的道路验证：

本发明以D-S证据理论作为道路验证推理基础，不同于传统的基于D-S证据理论的道路提取方法使用的道路几何与光谱特征，本研究在道路验证模型中创新地融入了道路上下文特征证据。

(a)D-S证据理论基础

作为D-S证据理论的底层概念，首先将待验证对象所有可能结果的集合所构成的空间进行划分，定义为验证框架，记作Θ，并把Θ中所有子集组成的集合记作2^Θ，对于2^Θ中任何假设集合A，有m(A)∈[0,1]，并且

其中，m称为2^Θ上的概率分配函数(BPAF)，m(A)称为A的基本概率函数。

D-S证据理论定义了信任函数Bel和似然函数Pl来表示问题的不确定性，即：

信任函数Bel(A)表示对A为真的信任程度，也称为下限函数；似然函数Pl(A)表示对A为非假的信任程度，则[Bel(A),Pl(A)]为A的一个信任区间，信任区间刻画了对A所持信任度的上下限在有多个证据存在的情况下，可以使用Dempster合成法则对多个BPAF进行合成，即

其中，为n个BPAF。

(b)道路验证D-S证据模型。由于道路验证只需要根据遥感影像中观察到的道路场景特征来验证道路身份，根据D-S证据理论，取辨识框架Θ为{Y,N}，Y为表示非道路对象，N为道路对象，则有定义信度分配函数m({Y,N}+m(Y)+m(N))＝1。其中m(N)表示当前特征支持道路对象的信度，m(Y)则表示支持非道路对象的信度，而m({Y,N})＝1-m(Y)-m(N)表示根据该证据不能确定对象道路身份的信度，即支持未知的信度。

(c)道路多特征证据模型。本发明选取与道路密切相关的边缘证据模型，光谱证据模型，植被证据模型，阴影证据模型，车辆证据模型，拓扑证据模型，并对这些特征进行适合道路验证的模型化处理，定义概率分配函数。

(d)道路验证判定准则。通过对道路验证相关特征的分析与对应概率分配函数的定义，对导航数据中各路段分别进行处理，根据导航路段内特征检测结果得到特征对应的概率分配函数，然后，利用D-S证据理论的证据合成法则对特征对应的BPAF进行合成，得到综合多特征证据的概率分配函数。

根据D-S证据理论对信任函数Bel的定义，可以计算得到路段消失与存在状态下对应的信任概率Bel_i(Y),Bel_i(N)。按照最大概率分配原则，定义道路验证判定准则如下：对于路段i，若Bel_i(Y)>Bel_i(N)，则认为对象不是道路；反之，认为当前对象是道路。

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。