(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211265345.0 (22)申请日 2022.10.17 (71)申请人 辽宁工程技术大学 地址 123000 辽宁省阜新市细河区中华路 47号 (72)发明人 戴激光　申子墨　谷越　 (51)Int.Cl. G06T 7/00(2017.01) (54)发明名称 一种基于拓扑连接性的深度学习道路提取 结果优化方法 (57)摘要 本发明公开了一种基于拓扑连接性的深度 学习道路提取结果优化方法， 步骤为： 输入深度 学习道路提取结果影像数据； 对深度学习道路提 取结果的边缘提取线 段进行有序排列； 利用线 段 相位计算和线段相位约束找到断裂截面的位置； 检测断裂截面所属的道路方向、 道路宽度和断点 位置三个属性； 依据 断裂截面属性， 确定不同断 裂截面的匹配关系， 对断裂截面连接并优化。 本 发明按照断裂截面找寻、 断裂截面属性确定、 断 裂截面匹配连接三个步骤， 解决了断裂截面非规 则、 断裂截面属性信息难以提取、 断裂截面匹配 存在多义性三个问题， 可以更好优化长距离断裂 区域和局部复杂断裂区域， 对不同类型深度学习 模型进行道路提取优化具有较好的普适 性。 权利要求书1页 说明书6页 附图3页 CN 115546167 A 2022.12.30 CN 115546167 A 1.一种基于拓扑连接性的深度学习道路提取结果优化方法， 其特征在于， 包括如下步 骤： S1： 输入深度学习道路提取 结果影像数据； S2： 对深度学习道路提取 结果的边 缘提取线段进行有序排列； S3： 利用线段相位计算和线段相位约束找到断裂截面的位置； S4： 检测断裂截面所属的道路方向、 道路宽度和断点 位置三个属性； S5： 依据断裂截面属性， 确定不同断裂截面的匹配关系， 对断裂截面连接并优化。 2.根据权利要求1所述的一种基于拓扑连接性的深度学习道路提取结果优化方法， 其 特征在于， 所述 步骤S2包括以下步骤： 将边缘提取获得的线段进行有序分组， 重新构建同一地物边缘数据， 数据描述形式为 Group_li＝{li0,li1,…,lin}， 其中Group_li为第i个线段序列， lij为其中第j个线段， 一个线 段序列由多个顺序连接的线段构成。 3.根据权利要求1所述的一种基于拓扑连接性的深度学习道路提取结果优化方法， 其 特征在于， 所述S3包括以下步骤： 步骤3.1： 计算线段序列内所有 线段的相位； 步骤3.2： 依次判断相邻三条线段是否满足相位约束， 若满足则中间线段为断裂截面位 置。 4.根据权利要求1所述的一种基于拓扑连接性的深度学习道路提取结果优化方法， 其 特征在于， 所述S4包括以下步骤： 步骤4.1： 检测道路方向， 以断裂截面中心点为旋转中心， 断裂截面线段为初始旋转线 段， 以( π/180)为单元旋转并线性延伸； 二值图像假定目标类别值为1， 背 景类别值为0， 当延 伸的像元值为0时停止， 得到不同长度的延长线段组L， 选取线段组L中最长的线段Lmax作为 道路主轴线， 其方向即为道路方向； 步骤4.2： 检测道路宽度， 在Lmax上， 以步长3像素进行抽样， 垂直于道路方向得到截面线 段集{S1(B1,E1),S2(B2,E2),…,Si(Bi,Ei)}， Si(Bi,Ei)表示以Bi为起点， Ei为终点的线段； 依次 判断相邻三条线段{Sj‑1,Sj,Sj+1}(j＝2,3, …,i‑1)， 若满足方差约 束公式， 则Sj‑1， Sj， Sj+1三 条线段的均值 为道路宽度； 步骤4.3： 检测断点位置， 以道路宽度为基础， 将Lmax平移得到道路中轴线L'， L'与断裂 截面的交点 为断点位置。 5.根据权利要求1所述的一种基于拓扑连接性的深度学习道路提取结果优化方法， 其 特征在于， 所述S5包括以下步骤： 步骤5.1： 依次以步骤4.3中的断点作为基准断点， 建立半径为120m的缓冲区， 判断缓冲 区内是否有其 他断点， 如果有则进行步骤5.2， 没有则继续判断下个 基准断点； 步骤5.2： 判断基准断点与缓冲 区内断点是否满足方向约束、 路宽约束和投影约束， 如 果满足则进行步骤5.3， 不满足则返回步骤5.1； 步骤5.3： 如果满足约束的缓冲区内断点只有一个， 则直接进行连接并根据道路宽度进 行填充优化； 若缓冲区内 断点不止一个， 则利用最优截面匹配模型找到最佳匹配断点， 之后 进行填充优化。权　利　要　求　书 1/1 页 2 CN 115546167 A 2一种基于拓扑连接性的深度学习道路提取结果优化方 法 技术领域 [0001]本发明属于图像处理领域， 尤其涉及一种基于拓扑连接性的深度学习道 路提取结 果优化方法。 背景技术 [0002]深度学习具有多隐层的人工神经网络， 能够从海量标注数据中发现和学习影像中 地物目标的几何结构和上下文关系， 并将特征模型从传统的人工设计特征转变为机器自动 学习深度抽象特征， 结合分类器通过多层非线性网络实现地物的自动化识别和推理， 为复 杂场景的地物目标分析提供了有效的途径。 基于此， 将深度网络模型应用于遥感影像道路 提取领域， 既符合道路影像特征差异 性大的特点， 又避免了低效的手动特征提取， 有望从一 定程度上解决复杂场景中高精度自动提取道路的难题， 因此已成为当前的研究热点。 但是， 这些基于深度学习技术的道路提取研究， 一方面受 限于网络感受野不足问题， 难以形成长 距离的感知能力， 在遮挡路段两侧无法捕捉可靠的上下文信息， 会导致道路提取结果断裂 漏检； 此外， 受到深度学习下采样操作的影响， 狭窄路段的空间信息损失， 导致该路段特征 难以有效捕捉， 造成低等级狭窄路段出现漏检。 这些漏检现象从整体上不会大幅降低定量 精度指标， 但会导致一条道路断裂为多 条道路， 严重不利于道路的现状评价、 布局设计以及 需求规划。 因此针对遮挡和狭窄路段导致的道路漏检问题， 开展深度学习道路提取结果优 化研究， 是提升道路提取质量的重要任务。 [0003]鉴于深度学习模型的黑盒子特点， 从机理上依据道路属性进行建模效果并不如 意， 断裂道路问题始终存在。 因此， 研究人员试图采用传统方法对道路提取结果进行优化， 大致可分为二类： 第一类是从遥感影像上进 行道路优化。 例如扇形模板匹配方法、 圆形模板 匹配方法等， 此类方法依靠道路光谱纹理相似性而建模， 可以克服一部分由于道路狭窄引 起的断裂漏检问题， 但受 限于遮挡区域与道路区域纹理异质性现象， 因而道路断裂漏检 问 题依然存在； 第二类是在道路提取结果二值图像上进行优化。 该类方法基于道路特征找寻 部分可以量化的评价指标， 进而通过分析各指标值来建立道路优化模型。 例如依据道路的 拓扑连接性， 通过几何距离、 形态学方法进行优化； 基于道路的几何显著特征， 张量投票能 够实现断裂区域的优化。 但当多个断点距离相近时， 张量投票算法难以达到可靠效果。 相对 而言， 现有基于道路提取二值图像优化方法 效果较好， 多适用于 短距离、 拓扑关系简单的断 裂区域， 但当断裂区域较长或者断裂区域两侧存在多个 断点时， 其上下文拓扑关系难以解 算或者匹配错误， 这使得长距离 断裂和局部 断裂关系复杂时， 优化往往难以达到满意的效 果。 发明内容 [0004]针对上述问题， 本发明提出一种基于拓扑连接性的深度学习道路提取结果优化方 法。 该方法在不依赖原始影像的基础上， 解决了长距离 断裂和局部复杂断裂难以优化的难 题， 对不同类型深度学习模型进行道路提取优化具有较好的普适 性。说　明　书 1/6 页 3 CN 115546167 A 3