城市道路綠化結構信息高精度提取仿真

全 震,呂 靜

(1. 長春工程學院建筑學院,吉林 長春 130000;2. 吉林建筑大學建筑與規劃學院,吉林 長春 130000)

1 引言

城市道路在城市建設過程中逐漸完整化和復雜化,在城市發展過程中城市交通狀況屬于重點關注問題,作為一種地物現象道路受到越來越多人的關注[1-2]。在城市信息更新過程中,提取道路信息具有重要價值。在城市綠地中道路綠化所占比例較高,道路綠化可以提高居民在城市中生活的舒適度、調節局部地區的小氣候、優化城市生態環境,因此,在城市管理和建設過程中,提取城市道路綠化結構信息具有重要意義。

李鵬鵬[3]等人首先剪裁分塊處理點云數據,分類高地物、低矮地物,重新組合地面點與低矮地物,根據綠化帶的空間特征和點云特征提取點云數據中存在的綠化帶,確定綠化帶范圍,實現城市道路綠化結構信息的提取,該方法無法消除圖像中存在的斑點噪聲,導致信息提取精度低。蔡衡[4]等人通過布谷鳥搜索CS算法優化極限學習機,將數據樣本輸入優化后的極限學習機中,提取道路綠化信息,該方法無法完整的提取出城市道路綠化結構信息,存在信息漏提取現象,信息提取完整度低。為了解決上述方法中存在的問題,提出基于三維GIS的城市道路綠化結構信息提取方法。

2 城市道路信息采集與處理

2.1 基于三維GIS的信息采集

在三維地理信息系統(Geographic Information System,GIS)的基礎上,采用激光掃描系統[5-6]采集城市道路信息,獲取道路信息GIS數據。在同一掃描線中,激光的掃描角度不發生變化。當激光掃描系統掃描頂部天空時,不會返回激光點,前一條激光掃描線的最后一個點ati和下一條激光掃描線的起始點ati+1之間構成的掃描角具有非規律階躍特點,同時,最后一個點ati與起始點ati+1也會存在非規律階躍的GPS時間差。

在角度差或時間差的基礎上分割掃描點,獲得的二維條帶即為城市道路斷面:

(1)

式中,Δ?1描述的是掃描角度差閾值;ati+1(angle)、ati(angle)代表的是激光點ati、ati+1對應的掃描角度值;Δt代表的是GPS時間差閾值;ati+1(t＿gps)、ati(t＿gps)代表的是激光點ati、ati+1對應的瞬時GPS時間。通過上述公式獲得多條城市道路GIS數據,將獲取的GIS數據融合獲得城市道路圖像。

2.2 斑點濾波處理

經過融合GIS數據形成的城市道路圖像中存在斑點噪聲R(x,y),通過下式描述存在斑點噪聲的城市道路圖像G(x,y)

G(x,y)=D(x,y)·R(x,y)

(2)

式中,D(x,y)代表的是噪聲信號。

斑點噪聲通常表現為乘性形式,運用對數變化處理城市道路圖像,將斑點噪聲轉變為加性形式[7]

g(x,y)=d(x,y)·r(x,y)

(3)

式中,g(x,y)、d(x,y)、r(x,y)為G(x,y)、D(x,y)、R(x,y)的對數變換結果。

完成上述變換后,城市道路圖像的小波系數滿足穩態分布γ(ω)

γ(ω)=exp(Kεω-η|ω|β)

(4)

式中,K代表的是局部偏移改正系數;ε代表的是局部參數;ω為函數值;η代表的是離差;β表示特征指數。

采用均值為零的高斯隨機變量模型描述噪聲成分r,此時特征函數滿足高斯分布γr(ω)

(5)

式中,σ代表的是噪聲級別。

(6)

式中,Ad|f(d|f)描述的是d條件分布中存在的均勻損失;Z[·]屬于損失函數。

依據損失函數選取絕對誤差,在貝葉斯法則[8-9]的基礎上建立如下估計器(f)

(7)

式中,Ar(r)為噪聲對應的概率密度函數;Ad(d)為信號對應的概率密度函數。

將采集的城市道路圖像輸入上述估計器中,濾除圖像中存在的斑點噪聲,提高城市道路綠化結構信息的精度。

3 城市道路綠化結構信息提取

在提取線性特征、跟蹤運動目標和分割圖像等領域中Snakes模型具有較大優勢。Snakes模型中的能量函數通常由外部能量、內部能量和圖像能量構成。圖像能量和內部能量在不同問題中的定義存在差異。例如,提取圖像邊緣時,將圖像能量定義為負梯度。

針對城市道路圖像中的綠化特征,首先在圖像中將綠化類像素分離出來,由綠化類像素構成一幅二值圖,細化處理二值圖獲得綠化帶的中心線。綠化帶中心線受建筑物陰影的影響容易出現線段不連續的問題,且提取結構中存在一些道路線段,為解決上述問題,設定閾值,去除長度低于閾值的線段,提取城市道路綠化結構信息。

3.1 FCM聚類

由城市道路圖像構成數據集X={x1,x2,…,xk,…,xn},xk表示維數為k的向量。劃分圖像數據集X,獲得c個類別,每個類別中都存在圖像樣本,用模糊隸屬度描述每個圖像樣本屬于某一類別的程度[10-11]。通過下述模糊矩陣U表示城市道路圖像的分類結果

(8)

上述矩陣屬于c×n階矩陣,ui,k表示模糊元素,滿足如下條件

(9)

設KFCM(U,V)代表的是聚類中心vi與圖像樣本xk之間存在的加權距離平方和,其計算公式如下

(10)

式中,m∈[1,∞]代表的是加權指數。

為了獲得最小的加權距離平方和KFCM(U,V),需要獲得最佳組對(U,V)

(11)

在上述公式的基礎上完成城市道路圖像的聚類處理。

3.2 中心線提取與跟蹤

通過上述過程聚類后的綠化帶具有一定的寬度,為減少冗余信息數據量,突出綠化帶結構特征,精準提取城市道路綠化結構信息,通過細化算子細化處理城市道路圖像聚類結果。

FCM聚類處理城市道路圖像后,原始圖像轉變為二值圖像,用0表示非綠化像素點,用1表示綠化像素點,用Q1,Q2,…,Q9表示3×3領域中存在的點。圖1為3×3領域示意圖。

圖1 3×3領域

細化算子細化處理城市道路圖像聚類結果的具體過程如下:

當Q1=1且同時滿足下述條件時,刪除Q1,Q1=0:

1)2≤N(Q1)≤6,N(Q1)代表的是非零像素點Q1在3×3領域內存在的數量;

2)D(Q1)=1,D(Q1)代表的是像素點在有序序列Q2,Q3,…,Q9中完成0～1轉換的總數;

3)Q2Q4Q8=0或D(Q2)≠1,D(Q2)與D(Q1)意義相同;

4)Q2Q4Q6=0或D(Q4)≠1,D(Q4)與D(Q1)意義相同。

重復上述過程,直到刪除城市道路圖像中全部可以刪除的點為止,獲得綠化中心線。

FCM聚類結果受到建筑物陰影的影響,導致綠化中存在一些非綠化像素,同時丟失了一部分綠化像素,因此獲得的綠化中心線不是完整的。采用跟蹤算法[12-13]根據綠化的長度特性,去除中心線二值圖中存在的短線段,具體過程如下:

1)初始化處理參數,根據綠化在圖像中的特征,設定分支線段和跟蹤線段的長度閾值、長度門限。偽線段的長度低于10,在跟蹤過程中去除偽線段;

2)利用光柵掃描技術掃描城市綠化圖像[14-15],獲得綠化像素點,并對其標記,將其視為“現在點”;

3)檢查綠化像素點的3×3領域,搜索綠化像素點;

4)當綠化像素點存在于領域內時,在綠化像素點中選取新的“現在點”,并對其標記,存儲剩余的像素點,跳轉到步驟3)中;

5)當鄰域內沒有綠化像素點時,如果還有沒有跟蹤的分叉點,則終止跟蹤該分支線段,計算最近分叉點與“現在點”之間存在的距離,保留大于門限值的線段,去除小于門限值的線段。并且在其它分支點領域內選擇新的“現在點”,重復上述跟蹤過程;

6)掃描完城市道路圖像后,完成跟蹤。

3.3 綠化結構信息提取模型

用矢量B(s)=[x(s),y(s)]表示Snakes模型,其中(x,y)表示曲線坐標;s代表的是弧長。

采用Snakes模型提取城市道路綠化結構信息時,設置如下能量函數E

(12)

式中,Ect代表的是連續能量;參數α(s)描述了總能量受連續能量Ect的影響;Ecv代表的是曲率能量;參數β(s)描述了總能量受曲率能量Ecv的影響;Eim代表的是圖像能量;參數η(s)描述了總能量受圖像能量Eim的影響。

采用Snakes模型提取綠化結構信息時,圖像能量選取綠化中心線二值圖像對應的像素值。將綠化像素點的灰度值設置為255,剩余像素點在城市道路圖像中的灰度值設置為0。設f代表的是像素點對應的灰度值,Min、Max分別為f的下限值和上限值,通過(Min-f)/(Max-Min)歸一化處理城市道路圖像,當Eim=-1時,表明該點屬于綠化像素,即綠化像素點與Snakes模型節點匹配時,Eim的值最小。

提取城市道路綠化結構信息時,Snakes模型的初始化通過距離綠化較近的點完成,通過貪婪算法獲取能量最小的節點位置:

1)初始化參數,確定各個系數在能量函數中的值,以及節點的總數量;

2)計算各像素點在節點鄰域內的能量,遵循能量最小原則重新定位節點;

3)設置閾值,當位置發生變化的節點數量高于閾值時,返回步驟2)中;

4)設定閾值,當需要移動節點的總數低于該閾值時,停止迭代,連接節點獲得城市道路綠化結構。

4 實驗與分析

為了驗證基于三維GIS的城市道路綠化結構信息提取方法的整體有效性,以通過2.1節采集得到的城市道路圖像為基礎(圖2),通過MATLAB軟件展開如下測試。

圖2 城市道路綠化圖像

采用基于三維GIS的城市道路綠化結構信息提取方法、文獻[3]方法和文獻[4]方法提取圖2所示的城市綠化道路結構信息。

圖2所示的城市道路綠化圖像中存在大量的噪聲點,這些噪聲點會對綠化結構信息提取產生干擾,現采用上述方法消除圖像中存在的噪聲點,三種方法的圖像處理結果如圖3所示。

圖3 不同方法的圖像去噪結果

分析圖3可知,文獻[3]方法無法消除圖像中存在的噪聲點,文獻[4]方法在圖像去噪處理過程中降低了圖像的對比度,與文獻[3]方法和文獻[4]方法相比,所提方法的去噪效果較為明顯,因為所提方法結合了小波分解方法和貝葉斯原理對城市道路圖像展開去噪,可有效消除圖像中存在的斑點噪聲,提高圖像整體質量,為城市道路綠化信息的提取提供關鍵信息。

現采用所提方法、文獻[3]方法和文獻[4]方法對圖像中的綠化結構信息展開提取,提取結果如圖4所示。

圖4 不同方法的綠化結構信息提取結果

分析圖4可知,采用所提方法提取道路綠化結構信息時,可完整的提取出道路綠化結構信息,而文獻[3]方法的提取結果中包含了大量非綠化結構信息,文獻[4]方法存在綠化結構信息漏提取現象,通過上述測試可知,所提方法的信息提取完整度較高。

為了進一步測試上述方法的信息提取能力,選取總體精度OA和Kappa系數作為指標,對不同方法的信息提取能力展開評價

(13)

式中,a代表的是圖像樣本;n表示樣本數量;aij代表的是將第i類圖像分類到j類別中的數量。不同方法的城市道路綠化結構信息提取結果如表1所示。

表1 不同方法的信息提取能力

根據表1中的數據可知,在城市道路綠化結構信息提取過程中所提方法的總體精度高達99.1%,Kappa系數高達0.887,驗證了所提方法在城市道路綠化結構信息提取過程中具有良好的效果,信息提取精度高。

5 結束語

針對目前城市道路綠化結構信息提取方法中存在的圖像去噪效果差、信息提取完整度低和提取精度低的問題,提出基于三維GIS的城市道路綠化結構信息提取方法,該方法首先對采集的圖像展開了斑點濾波處理,其次利用Snakes模型提取城市道路綠化結構信息,經實驗表明,所提方法在圖像去噪、信息提取完整度和提取精度等方面具有較大優勢。