專利名稱：基于改進c-v模型的遙感圖路網(wǎng)提取的交通流量預測方法
技術領域：
本發(fā)明涉及高分辨率衛(wèi)星遙感影像處理與信息提取應用、地理信息系統(tǒng)、交通規(guī) 劃三大領域，具體涉及利用圖像識別技術實現(xiàn)路網(wǎng)提取、利用交通預測技術實現(xiàn)交通流量 預測、利用地理信息系統(tǒng)來實現(xiàn)地圖管理及流量等專題圖制作。
背景技術：
隨著我國社會經(jīng)濟的快速發(fā)展，城市化進程不斷加快，城市人口和機動車擁有量 持續(xù)增加，交通運輸需求和城市道路條件能力之間的矛盾日益突出。目前，我國很多城市交 通擁堵現(xiàn)象以及由此衍生引發(fā)的交通事故與交通環(huán)境污染等社會問題已經(jīng)極其嚴重。作為 城市命脈的交通已成為城市發(fā)展的瓶頸，嚴重地制約了社會、經(jīng)濟的發(fā)展，影響了人民群眾 的日常工作和生活。因此，加強城市交通規(guī)劃的研究，建立通暢良好的交通環(huán)境，對保證社 會和經(jīng)濟的可持續(xù)發(fā)展具有重要意義。城市交通規(guī)劃主要是指通過調查分析，模擬城市交通狀況，預測道路交通需求，分 析并規(guī)劃道路網(wǎng)絡，得到通暢良好的交通環(huán)境的過程。城市交通系統(tǒng)關系到城市經(jīng)濟發(fā) 展，涉及到各類交通環(huán)境、人口資源分布及城市功能布局等眾多領域，分析數(shù)據(jù)量龐大，模 型種類復雜，分析處理難度大，給交通規(guī)劃相關人員管理和應用帶來諸多不便。隨著計算 機技術的發(fā)展和人們越來越認識到城市交通規(guī)劃的重要性，交通規(guī)劃模型分析方法與技術 越來越先進，專業(yè)軟件也越來越多，從最早的美國UTPS系統(tǒng)到目前市場主流交通規(guī)劃軟件 TransCAD、CUBE/TRIPS、EMME/2 和國內自主開發(fā)的 TranStar、TranSolution 等。盡管它們 不再僅僅依賴于專家經(jīng)驗進行定性分析，開始借用數(shù)學手段對網(wǎng)絡交通流進行分析從而實 現(xiàn)定量分析，但多側重于數(shù)據(jù)模型的建立與求解，數(shù)據(jù)分析結果表達專業(yè)性太強，專題表達 直觀性不夠。因此，一般的交通規(guī)劃軟件都存在參數(shù)設置繁瑣，操作步驟復雜的缺陷。城市交通規(guī)劃的關鍵信息之一是地圖。傳統(tǒng)電子交通地圖和交通網(wǎng)絡的采集與獲 取主要依靠人力測繪紙質地圖繼而進行掃描矢量化得到的，由于地圖測繪工作量大，繪制 周期長，交通地圖的精度和實時性都會與當前實際交通環(huán)境存在一定的差距。隨著傳感技 術和遙感技術的發(fā)展，利用遙感影像進行地理數(shù)據(jù)的采集與獲取，使得上述問題的解決成 為可能。正常的高分辨率衛(wèi)星圖像容量都以GB為單位，受限于電腦處理能力，直接處理大 幅遙感圖像不現(xiàn)實。目前，高分辨率遙感圖像的路網(wǎng)提取算法主要有動態(tài)規(guī)劃、模板匹配、數(shù)學形態(tài) 學、水平集、邊緣檢測、區(qū)域生長等方法，其中基于水平集算法的圖像分割方法因其可以對 任意復雜的形狀進行模型化，且可以隱性解決拓撲形狀的分裂、合并等拓撲變化的特點而 備受關注。C-V模型就是一種常見的水平集分割模型。然而，傳統(tǒng)的水平集C-V模型存在以 下不足一是需要進行迭代中的初始曲線修正，即重新初始化符號距離函數(shù)，造成了計算量 增大，降低了分割速度，并且分割準確度也難以保證；二是對區(qū)域的劃分僅僅考慮到圖像的 RGB空間灰度特征，損失了彩色圖像豐富的顏色信息，由于異物同灰度值的現(xiàn)象普遍存在，勢必會造成目標的誤分割。同時，背景物體顏色的相似也嚴重地影響了路網(wǎng)的識別效果。因 此，傳統(tǒng)水平集C-V模型在圖像分割速度、效率、準確性方面都存在不足之處。
發(fā)明內容
本發(fā)明的目的是提供一種基于改進C-V模型的遙感圖路網(wǎng)提取的交通流量預測 方法。為實現(xiàn)上述目的，本發(fā)明所采取的技術方案是其基于改進C-V模型的遙感圖路 網(wǎng)提取的交通流量預測方法包括以下步驟(1)對原始遙感圖像進行預處理以提高該遙感圖像的清晰度和對比度，得到該遙 感圖像的預處理圖；將所述遙感圖像的預處理圖置于任意建立的一個平面直角坐標系中；(2)用戶在所述遙感圖像的預處理圖的路網(wǎng)中選定種子點；根據(jù)所選定的種子點 獲取所述遙感圖像的預處理圖的路網(wǎng)初始曲線，根據(jù)所述路網(wǎng)初始曲線對所述遙感圖像的 預處理圖進行分割獲得第一幅路網(wǎng)子圖，所述路網(wǎng)子圖中含有所述路網(wǎng)；(3)利用基于C-V模型的水平集方法對當前路網(wǎng)子圖進行路網(wǎng)區(qū)域提取，獲取路 網(wǎng)區(qū)域子圖，所述C-V模型的水平集方法的演化方程如式(1)所示^ = + A (A, (uRGB-C2)2-^{URGB-Cxf)+P2 (^4 (UHSI{uHSl - C3 )2 )] +"(A沴—V ( 1 )式(1)中，小為水平集函數(shù)，t為時間，押/溈為小的偏微分，S E (小)為 Dirac函數(shù)，S E (小)=H ‘ E ((t), H ‘ E (小)為正則化的Heaviside函數(shù)的導數(shù)，
墳⑷二為小二維平面中的梯度，j^^為梯度范式，Ulo為RGB空間灰
度值，uHSI為HIS空間混合通道值，ci、c2分別表示曲線內、外平均灰度值，v、入工、、為控制 演化曲線收縮或者膨脹的權重參數(shù)，c3、c4分別為HSI空間輪廓內、外的平均灰度值，入3、入4 為HIS空間權重參數(shù)，0工、0 2為RGB空間灰度信息與HSI空間混合通道信息的權重系數(shù)， U為距離函數(shù)權重參數(shù)；(4)利用形態(tài)學細化方法對步驟(3)所述的路網(wǎng)區(qū)域子圖進行路網(wǎng)中心線提取， 獲取路網(wǎng)中心線子圖；(5)利用子圖位置判定規(guī)則判斷所述遙感圖像的預處理圖中是否存在下一幅路網(wǎng) 子圖若存在下一幅路網(wǎng)子圖，則利用所述子圖位置判定規(guī)則從所述遙感圖像的預處理 圖中分割得到所述下一幅路網(wǎng)子圖，再利用自適應灰度閾值、飽和度閾值分割以及形態(tài)學 方法自動獲取該下一幅路網(wǎng)子圖中的路網(wǎng)初始曲線，然后對該下一幅路網(wǎng)子圖依次執(zhí)行步 驟(3)和步驟(4)得到該下一幅路網(wǎng)子圖相應的路網(wǎng)區(qū)域子圖和路網(wǎng)中心線子圖；若不存在下一幅路網(wǎng)子圖，則利用各路網(wǎng)子圖的路網(wǎng)中心線子圖生成路網(wǎng)圖；(6)對所述路網(wǎng)圖進行矢量化，生成拓撲路網(wǎng)圖；(7)利用“四階段”法進行交通流量預測得到交通流量預測數(shù)據(jù)。進一步地，本發(fā)明利用所述步驟(7)得到的交通流量預測數(shù)據(jù)，在所述拓撲路網(wǎng)圖中建立所述交通流量預測數(shù)據(jù)的專題圖。進一步地，本發(fā)明在步驟(5)中，利用子圖位置判定規(guī)則判斷所述遙感圖像的預處理圖中是否存在下一幅路網(wǎng)子 圖的方法為在所述平面直角坐標系中，如果當前路網(wǎng)中心線子圖中的路網(wǎng)中心線的末端 點的橫坐標和縱坐標對應地小于遙感圖像的預處理圖的像素點的最大橫坐標和最大縱坐 標，則存在下一幅路網(wǎng)子圖；否則，不存在下一幅路網(wǎng)子圖；利用所述子圖位置判定規(guī)則從所述遙感圖像的預處理圖中分割得到所述下一幅 路網(wǎng)子圖的方法為在所述平面直角坐標系中，用直線連接當前路網(wǎng)中心線子圖中路網(wǎng)中心線的首端 點和末端點，計算該直線的斜率以及該直線與橫坐標的夾角e，并以該當前路網(wǎng)中心線子 圖中路網(wǎng)中心線的末端點為圓心生成圓，根據(jù)夾角e的大小和所述圓分割下一幅路網(wǎng)子 圖，該下一幅路網(wǎng)子圖為正方形框圖并與夾角9和所述圓滿足以下關系如果-22. 5° ( 0 <22.5°，則所述圓內切于下一幅路網(wǎng)子圖的左邊，切點為該 左邊的中點；如果22. 5° ( 0 <67.5°，則所述圓同時內切于下一幅路網(wǎng)子圖的左邊和下 邊；如果67.5°彡0 < 112.5°，則所述圓內切于下一幅路網(wǎng)子圖的下邊，切點為該 下邊的中點；如果112. 5° ( 0 < 157.5°，則所述圓同時內切于下一幅路網(wǎng)子圖的下邊和右 邊；如果157. 5° ( 0 <180°或者-180° ( 0 < -157. 5°，則所述圓內切于下一 幅路網(wǎng)子圖的右邊，切點為該右邊的中點；如果-157. 5° ( 0 < -112.5°，則所述圓內切于下一幅路網(wǎng)子圖的上邊和右 邊；如果-112.5°彡0 <-67.5°，則所述圓內切于下一幅路網(wǎng)子圖的上邊，切點為 該上邊的中點；如果-67. 5° ( 0 <-22.5°，則所述圓內切于下一幅路網(wǎng)子圖的上邊和左邊。與現(xiàn)有路網(wǎng)提取方法相比，本發(fā)明的有益效果是(1)本發(fā)明通過在傳統(tǒng)的C-V模型水平集方法中引入懲罰函數(shù)避免了重新初始 化，加快了曲線迭代過程，提高了路網(wǎng)提取的速度和效率；(2)本發(fā)明在傳統(tǒng)的C-V模型水平集方法中整合RGB空間和HSI空間的各通道特 性，有效地抑制邊緣噪聲的干擾，提高了路網(wǎng)提取的準確性；(3)本發(fā)明利用子圖位置判定規(guī)則將遙感圖分割成路網(wǎng)子圖，使提取的目標路網(wǎng) 集中在少量的路網(wǎng)子圖中，明顯地消除了無目標背景對路網(wǎng)提取的干擾，提高路網(wǎng)提取的 準確性，同時大大降低了數(shù)據(jù)處理量，加快了路網(wǎng)提取過程；(4)本發(fā)明通過自適應灰度閾值、飽和度閾值分割以及形態(tài)學方法實現(xiàn)了路網(wǎng)子 圖初始曲線的自動獲取，提高路網(wǎng)識別的速度和效率；(5)本發(fā)明的遙感圖路網(wǎng)提取方法可以直接從遙感圖中提取路網(wǎng)，相比地圖測繪 成本低、周期短、實時性高；
(6)本發(fā)明的遙感圖路網(wǎng)提取方法實時性高，可以利用最新的遙感圖來提取得到 最新的路網(wǎng)，從而使本發(fā)明的交通流量預測過程成本低，交通流量預測結果準確性高、實時 性高、周期短；(7)本發(fā)明利用GISDK軟件為用戶擴展和實現(xiàn)個性化交通分析功能，交通預測過
程自動化程度高。
圖1為遙感圖路網(wǎng)提取及交通流量預測流程圖；圖2為基于子圖位置判定規(guī)則的路網(wǎng)子圖分割示意圖；圖3為子圖位置判定規(guī)則示例圖；圖4為本發(fā)明利用子圖位置判定規(guī)則前、后的道路提取結果比較圖其中，(a)為 原始路網(wǎng)圖，圖中方框為利用子圖位置判定規(guī)則生成的路網(wǎng)子圖，(b)為利用子圖位置判定 規(guī)則前的道路提取結果示意圖，(c)為利用本發(fā)明的改進C-V模型和子圖位置判定規(guī)則后 的道路提取結果示意圖；圖5為利用本發(fā)明改進C-V模型水平集方法實現(xiàn)高速公路初始曲線自動獲取的過 程示意圖其中，(a)為待分割原圖；(b)為利用灰度閾值和飽和度閾值進行自適應雙閾值 分割的結果；(c)為閾值分割后進行形態(tài)學操作的結果；(d)為對形態(tài)學操作結果輪廓跟蹤 的結果；圖6為利用本發(fā)明實現(xiàn)城區(qū)路網(wǎng)初始曲線自動獲取的過程示意圖其中，(a)為待 分割原圖；(b)為利用灰度閾值和飽和度閾值進行自適應雙閾值分割的結果；(c)為閾值分 割后進行形態(tài)學操作的結果；(d)為對形態(tài)學操作結果輪廓跟蹤的結果；圖7為不同路網(wǎng)提取方法的道路提取結果對比圖其中，(a)為原始路網(wǎng)圖，圖中 正方形框是初始化曲線傳播過程中生成的路網(wǎng)子圖，(b)為灰度圖二值分割的結果，(c)為 灰度圖的區(qū)域生長結果，(d)為基于灰度圖的水平集分割結果，(e)為基于HIS空間的C-V 分割結果，(f)為本發(fā)明的提取結果；圖8為本發(fā)明路網(wǎng)矢量化后效果圖；圖9為本發(fā)明道路流量預測專題圖。
具體實施例方式下面結合附圖和具體實施方式
對本發(fā)明作進一步的詳細描述。以下以廣東省中山市地區(qū)的遙感影像圖(QuickBird公司提供、精度0. 61m)為例 具體說明本發(fā)明交通流量預測方法的各步驟，并以完整性和正確性指標對路網(wǎng)提取結果進 行評價。為了量化地評價路網(wǎng)提取算法，需要將從遙感影像圖中提取的路網(wǎng)區(qū)域結果 (Estimate)和實際測繪所得的路網(wǎng)區(qū)域結果(GT)進行比較，并引入完整性(c)和正確性 (P)兩個指標進行評價。式(2)分別給出了完整性(c)和正確性(p)的定義
權利要求
一種基于改進C V模型的遙感圖路網(wǎng)提取的交通流量預測方法，其特征是包括以下步驟(1)對原始遙感圖像進行預處理以提高該遙感圖像的清晰度和對比度，得到該遙感圖像的預處理圖；將所述遙感圖像的預處理圖置于任意建立的一個平面直角坐標系中；(2)用戶在所述遙感圖像的預處理圖的路網(wǎng)中選定種子點；根據(jù)所選定的種子點獲取所述遙感圖像的預處理圖的路網(wǎng)初始曲線，根據(jù)所述路網(wǎng)初始曲線對所述遙感圖像的預處理圖進行分割獲得第一幅路網(wǎng)子圖，所述路網(wǎng)子圖中含有所述路網(wǎng)；(3)利用基于C V模型的水平集方法對當前路網(wǎng)子圖進行路網(wǎng)區(qū)域提取，獲取路網(wǎng)區(qū)域子圖，所述C V模型的水平集方法的演化方程如式(1)所示 <mrow><mfrac> <mrow><mo>∂</mo><mi>φ</mi> </mrow> <mrow><mo>∂</mo><mi>t</mi> </mrow></mfrac><mo>=</mo><msub> <mi>δ</mi> <mi>ϵ</mi></msub><mrow> <mo>(</mo> <mi>φ</mi> <mo>)</mo></mrow><mo>[</mo><mi>v</mi><mo>▿</mo><mo>·</mo><mrow> <mo>(</mo> <mfrac><mrow> <mo>▿</mo> <mi>φ</mi></mrow><mrow> <mo>|</mo> <mo>▿</mo> <mi>φ</mi> <mo>|</mo></mrow> </mfrac> <mo>)</mo></mrow><mo>+</mo><msub> <mi>β</mi> <mn>1</mn></msub><mrow> <mo>(</mo> <msub><mi>λ</mi><mn>2</mn> </msub> <msup><mrow> <mo>(</mo> <msub><mi>u</mi><mi>RGB</mi> </msub> <mo>-</mo> <msub><mi>c</mi><mn>2</mn> </msub> <mo>)</mo></mrow><mn>2</mn> </msup> <mo>-</mo> <msub><mi>λ</mi><mn>1</mn> </msub> <msup><mrow> <mo>(</mo> <msub><mi>u</mi><mi>RGB</mi> </msub> <mo>-</mo> <msub><mi>c</mi><mn>1</mn> </msub> <mo>)</mo></mrow><mn>2</mn> </msup> <mo>)</mo></mrow> </mrow> <mrow><mo>+</mo><msub> <mi>β</mi> <mn>2</mn></msub><mrow> <mo>(</mo> <msup><mrow> <msub><mi>λ</mi><mn>4</mn> </msub> <mrow><mo>(</mo><msub> <mi>u</mi> <mi>HSI</mi></msub><mo>-</mo><msub> <mi>c</mi> <mn>4</mn></msub><mo>)</mo> </mrow></mrow><mn>2</mn> </msup> <mo>-</mo> <msub><mi>λ</mi><mn>3</mn> </msub> <msup><mrow> <mo>(</mo> <msub><mi>u</mi><mi>HSI</mi> </msub> <mo>-</mo> <msub><mi>c</mi><mn>3</mn> </msub> <mo>)</mo></mrow><mn>2</mn> </msup> <mo>)</mo></mrow><mo>]</mo><mo>+</mo><mi>μ</mi><mrow> <mo>(</mo> <mi>Δφ</mi> <mo>-</mo> <mo>▿</mo> <mo>·</mo> <mrow><mo>(</mo><mfrac> <mrow><mo>▿</mo><mi>φ</mi> </mrow> <mrow><mo>|</mo><mo>▿</mo><mi>φ</mi><mo>|</mo> </mrow></mfrac><mo>)</mo> </mrow> <mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo></mrow> </mrow>式(1)中，φ為水平集函數(shù)，t為時間，為φ的偏微分，δε(φ)為Dirac函數(shù)，δε(φ)＝H′ε(φ)，H′ε(φ)為正則化的Heaviside函數(shù)的導數(shù)，為φ二維平面中的梯度，為梯度范式，uRGB為RGB空間灰度值，uHSI為HIS空間混合通道值，c1、c2分別表示曲線內、外平均灰度值，v、λ1、λ2為控制演化曲線收縮或者膨脹的權重參數(shù)，c3、c4分別為HSI空間輪廓內、外的平均灰度值，λ3、λ4為HIS空間權重參數(shù)，β1、β2為RGB空間灰度信息與HSI空間混合通道信息的權重系數(shù)，μ為距離函數(shù)權重參數(shù)；(4)利用形態(tài)學細化方法對步驟(3)所述的路網(wǎng)區(qū)域子圖進行路網(wǎng)中心線提取，獲取路網(wǎng)中心線子圖；(5)利用子圖位置判定規(guī)則判斷所述遙感圖像的預處理圖中是否存在下一幅路網(wǎng)子圖若存在下一幅路網(wǎng)子圖，則利用所述子圖位置判定規(guī)則從所述遙感圖像的預處理圖中分割得到所述下一幅路網(wǎng)子圖，再利用自適應灰度閾值、飽和度閾值分割以及形態(tài)學方法自動獲取該下一幅路網(wǎng)子圖中的路網(wǎng)初始曲線，然后對該下一幅路網(wǎng)子圖依次執(zhí)行步驟(3)和步驟(4)得到該下一幅路網(wǎng)子圖相應的路網(wǎng)區(qū)域子圖和路網(wǎng)中心線子圖；若不存在下一幅路網(wǎng)子圖，則利用各路網(wǎng)子圖的路網(wǎng)中心線子圖生成路網(wǎng)圖；(6)對所述路網(wǎng)圖進行矢量化，生成拓撲路網(wǎng)圖；(7)利用“四階段”法進行交通流量預測得到交通流量預測數(shù)據(jù)。FSA00000256327600013.tif,FSA00000256327600014.tif,FSA00000256327600015.tif,FSA00000256327600016.tif
2.根據(jù)權利要求1所述的基于改進C-V模型的遙感圖路網(wǎng)提取的交通流量預測方法， 其特征是利用所述步驟(7)得到的交通流量預測數(shù)據(jù)，在所述拓撲路網(wǎng)圖中建立所述交 通流量預測數(shù)據(jù)的專題圖。
3.根據(jù)權利要求1或2所述的基于改進C-V模型的遙感圖路網(wǎng)提取的交通流量預測方 法，其特征是在步驟(5)中，利用子圖位置判定規(guī)則判斷所述遙感圖像的預處理圖中是否存在下一幅路網(wǎng)子圖的 方法為在所述平面直角坐標系中，如果當前路網(wǎng)中心線子圖中的路網(wǎng)中心線的末端點的橫坐標和縱坐標對應地小于遙感圖像的預處理圖的像素點的最大橫坐標和最大縱坐標，則 存在下一幅路網(wǎng)子圖；否則，不存在下一幅路網(wǎng)子圖；利用所述子圖位置判定規(guī)則從所述遙感圖像的預處理圖中分割得到所述下一幅路網(wǎng) 子圖的方法為在所述平面直角坐標系中，用直線連接當前路網(wǎng)中心線子圖中路網(wǎng)中心線的首端點和 末端點，計算該直線的斜率以及該直線與橫坐標的夾角e，并以該當前路網(wǎng)中心線子圖中 路網(wǎng)中心線的末端點為圓心生成圓，根據(jù)夾角e的大小和所述圓分割下一幅路網(wǎng)子圖，該 下一幅路網(wǎng)子圖為正方形框圖并與夾角e和所述圓滿足以下關系如果-22. 5° ( e <22.5°，則所述圓內切于下一幅路網(wǎng)子圖的左邊，切點為該左邊 的中點；如果22. 5° ( e <67.5°，則所述圓同時內切于下一幅路網(wǎng)子圖的左邊和下邊； 如果67.5° ( 0 < 112.5°，則所述圓內切于下一幅路網(wǎng)子圖的下邊，切點為該下邊 的中點；如果112. 5° ( 0 < 157.5°，則所述圓同時內切于下一幅路網(wǎng)子圖的下邊和右邊； 如果157.5°彡0 <180°或者-180°彡0 < -157.5°，則所述圓內切于下一幅路 網(wǎng)子圖的右邊，切點為該右邊的中點；如果-157. 5° ( 0 < -112.5°，則所述圓內切于下一幅路網(wǎng)子圖的上邊和右邊； 如果-112. 5° < 0 <-67.5°，則所述圓內切于下一幅路網(wǎng)子圖的上邊，切點為該上 邊的中點；如果-67. 5° ^ 0 <-22.5°，則所述圓內切于下一幅路網(wǎng)子圖的上邊和左邊。
全文摘要
本發(fā)明公開了一種基于改進C-V模型的遙感圖路網(wǎng)提取的交通流量預測方法，包括如下步驟(1)對原始遙感圖像進行預處理；(2)選定種子點并進行首張路網(wǎng)子圖的分割；(3)利用改進C-V模型的水平集方法進行路網(wǎng)區(qū)域提??；(4)利用形態(tài)學細化的方法進行路網(wǎng)中心線的提?。?5)利用子圖位置判定規(guī)則分割下一幅路網(wǎng)子圖、利用閾值分割及形態(tài)學方法自動獲取路網(wǎng)子圖中的路網(wǎng)初始曲線；(6)路網(wǎng)矢量化；(7)交通流量預測。本發(fā)明將遙感、GIS、圖像識別、交通規(guī)劃等技術融合在一起，能夠更準確、高效、實時、廉價地更新城市道路網(wǎng)，使得交通流量預測成本更低、準確性更高、周期更短，從而有效地輔助決策者進行交通規(guī)劃決策的制定。
文檔編號G06K9/54GK101980317SQ20101027215
公開日2011年2月23日 申請日期2010年9月3日 優(yōu)先權日2010年9月3日
發(fā)明者侯迪波, 儲海兵, 唐曉芬, 張光新, 黃平捷 申請人:浙江大學