多源数据协同的城市道路提取

doi:10.13474/j.cnki.11-2246.2021.306

测绘通报 ›› 2021, Vol. 0 ›› Issue (10): 60-66,82.doi: 10.13474/j.cnki.11-2246.2021.306

多源数据协同的城市道路提取

邓凯¹, 杨灿灿^1,2, 尹力^1,3, 赵明伟¹, 江岭¹, 彭道黎²

1. 滁州学院实景地理环境安徽省重点实验室, 安徽滁州 239000;
2. 北京林业大学, 北京 100083;
3. 马钢(集团)控股有限公司姑山矿业公司, 安徽马鞍山 243000

收稿日期:2021-05-12 修回日期:2021-08-12 发布日期:2021-11-13
通讯作者: 杨灿灿。E-mail:yangcancan77@126.com
作者简介:邓凯(1986-),男,硕士,讲师,主要从事云计算、GIS及RS应用研究。E-mail:dengkai_you@foxmail.com
基金资助:
安徽高校自然科学研究项目重点项目（KJ2020A0721；KJ2020A0722）；安徽省高校优秀人才支持一般项目（gxyq2019093）；安徽省自然科学基金（1808085QD103）

Urban road extraction based on multi-source data

DENG Kai¹, YANG Cancan^1,2, YIN Li^1,3, ZHAO Mingwei¹, JIANG Ling¹, PENG Daoli²

1. Anhui Key Laboratory of Real Geographical Environment, Chuzhou University, Chuzhou 239000, China;
2. The College of Forestry of Beijing Forestry University, Beijing 100083, China;
3. Magang (Group) Holding Co., Ltd., Gushan Mining Company, Maanshan 243000, China

Received:2021-05-12 Revised:2021-08-12 Published:2021-11-13

摘要/Abstract

摘要： 城市道路的高精度提取可为城市三维表达、城市地形分析、城市建设规划、交通导航等提供数据基础和支撑。本文以合肥市局部城区为试验区，以开源路网、街景图像和遥感影像为数据源，在利用最大似然法进行初提取的基础上，通过空间分析、统计分析、几何量测、最小二乘拟合等方法进行粘连分割、缺失处理和交叉口细化等关键处理，构建了多源数据协同的城市道路提取方法，并对提取结果进行了精度评价和分析。试验结果表明，本文提出的城市道路提取方法优于最大似然和面向对象方法，提取总体精度为96.65%，Kappa系数为93.71%，道路宽度偏离标准差为0.03m，特别是对同物异谱、同谱异物及遮挡等造成的信息提取不全问题具有良好的改善效果。

关键词: 城市道路, 遥感影像, 开源路网, 街景影像, 几何量测, 空间分析

Abstract: The high-accuracy extraction of urban roads can provide data basis and support for many fields, for instance, three-dimensional urban expression, urban terrain analysis, urban construction planning and traffic navigation. Comprehensively combining the advantages of open source road network, street-view images and remote sensing images, and taking the part of Hefei city as the experimental area, an extraction approach for urban road is proposed. Firstly, the maximum likelihood method is used to extract the urban road. Secondly, the void is filled and the connecting areas that does not belong to the urban road are divided by using the open source road network and street view data. Thirdly, the missing parts caused by cover, like vegetation, are disposed of via the width of each road which measured by street view. Finally, the intersections of urban road are improved. Spatial analysis, statistical analysis, geometric measurement, least square fitting methods are involved in the process. To assess the performance of the proposed method, the precision of urban road extraction is evaluated and analyzed. The experimental results indicate that the urban road extraction method proposed in this paper can extract urban road with high precision and the extraction precision is 96.65%, Kappa coefficient is 93.71% and the standard deviation of road width is 0.03 m. In particular, it can improve the incomplete information extraction caused by different spectrum of the same object, different object with the same spectrum and the problem of cover.

Key words: urban road, remote sensing image, open-access road network, street view image, geometric measurement, spatial analysis

中图分类号:

P237

邓凯, 杨灿灿, 尹力, 赵明伟, 江岭, 彭道黎. 多源数据协同的城市道路提取[J]. 测绘通报, 2021, 0(10): 60-66,82.

DENG Kai, YANG Cancan, YIN Li, ZHAO Mingwei, JIANG Ling, PENG Daoli. Urban road extraction based on multi-source data[J]. Bulletin of Surveying and Mapping, 2021, 0(10): 60-66,82.

参考文献

[1] 李磊. 一种基于无人机倾斜摄影的三维路网提取方法[J]. 中国公路学报, 2019, 32(11):219-226.
[2] 杨灿灿, 江岭, 陈昕, 等. 面向城市DEM构建的地形要素分类及表达[J]. 地球信息科学学报, 2017, 19(3):317-325.
[3] YANG C, ZHAO M, WANG C, et al. Urban road DEM construction based on geometric and semantic characteristics[J]. Earth Science Informatics, 2020, 13(1):1369-1382.
[4] 郭庆胜, 刘洋, 李萌, 等. 基于网格模型的导航道路图渐进式化简方法[J]. 测绘学报, 2019, 48(11):1357-1368.
[5] 张永宏, 何静, 阚希, 等. 遥感图像道路提取方法综述[J]. 计算机工程与应用, 2018, 54(13):1-10.
[6] 赵文智, 雒立群, 郭舟晖, 等. 光谱特征分析的城市道路提取[J]. 光谱学与光谱分析, 2015, 35(10):2814-2819.
[7] SHI W, MIAO Z, DEBAYLE J. An integrated method for urban main-road centerline extraction from optical remotely sensed imagery[J]. IEEE Transactions on Geo-science & Remote Sensing, 2014, 52(6):3359-3372.
[8] 苗则朗, 史文中, 张华. 一种高分辨率影像道路中心线提取算法[J]. 中国矿业大学学报, 2013, 42(5):887-892.
[9] 何涛.无人机影像在高速公路检测中的应用分析[J]. 中国设备工程, 2019(20):108-109.
[10] 曾妮红. 基于车载LiDAR点云数据的滤波及道路标识线提取研究[D]. 武汉:中国地质大学, 2016.
[11] 蒋腾平, 王永君, 陶帅兵, 等. 功能性规则约束下的三维点云道路设施语义标注[J]. 南京师范大学学报(工程技术版), 2018, 18(4):52-58.
[12] 范雯, 何鄂龙, 李天琪, 等. 融合空谱特征的车载LiDAR点云道路标识线提取[J]. 测绘通报, 2018(8):97-101.
[13] 张爱武, 刘路路, 张希珍.道路三维点云多特征卷积神经网络语义分割方法[J]. 中国激光, 2020, 47(4):269-277.
[14] YANG W, AI T H, LU W. A method for extracting road boundary information from crowdsourcing vehicle GPS trajectories[J]. Sensors, 2018, 18(4):1261-1283.
[15] 周家香, 周安发, 陶超, 等.一种高分辨率遥感影像城区道路网提取方法[J]. 中南大学学报(自然科学版), 2013, 44(6):2385-2391.
[16] 谭媛, 黄辉先, 徐建闽, 等.基于改进Sobel算子的遥感图像道路边缘检测方法[J]. 国土资源遥感, 2016, 28(3):7-11.
[17] 张曦. 基于时频特征和支持向量机的高分辨率遥感影像道路提取[D]. 合肥:安徽大学, 2016.
[18] 陈杰, 邵权斌, 梅小明, 等.结合尺度空间的面向对象高分辨率影像城市道路提取[J]. 测绘工程, 2016, 25(12):5-11.
[19] LI P, ZANG Y, WANG C, et al. Road network extraction via deep learning and line integral convolution[C]//Proceedings of 2016 IEEE International Geoscience and Remote Sensing Symposium. Beijing:IEEE, 2016:1599-1602.
[20] CHENG G, WANG Y, XU S, et al. Automatic road detec-tion and centerline extraction via cascaded end-to-end convolutional neural network[J]. IEEE Transactions on Geoscience & Remote Sensing, 2017, 55(6):3322-3337.
[21] GAO J, WANG Q, YUAN Y. Embedding structured cont-our and location prior in siamesed fully convolutional net-works for road detection[C]//Proceedings of 2017 IEEE International Conference on Robotics and Automation. Singapore:IEEE, 2017:219-224.
[22] MOHAN R. Deep deconvolutional networks for scene pars-ing[J]. Computer Science, 2014(1):1-8.
[23] 赵阳. 基于深度学习的遥感图像道路提取[D]. 西安:西安电子科技大学, 2019.
[24] YANG B, FANG I L, LI Q. Automated extraction of road markings from mobile LiDAR point clouds[J]. Photogrammetric Engineering and Remote Sensing, 2012, 78(4):331-338.
[25] 李鹏. 城市地物点云配准与典型要素提取[D]. 徐州:中国矿业大学, 2018.
[26] HU X, LI Y, SHAN J, et al. Road centerline extraction in complex urban scenes from LiDAR data based on multiple features[J]. IEEE Transactions on Geoscience & Remote Sensing, 2014, 52(11):7448-7456.
[27] ZHANG W, LI W, ZHANG C, et al. Parcel based urban land use classification in megacity using airborne LiDAR, high resolution ortho-imagery and google street view[J]. Computers, Environment and Urban Systems, 2017, 64:215-228.
[28] VLADIMIR K, EAMONN K, ROZENN D. Automatic discovery and geotagging of objects from street view imagery[J]. Remote Sensing, 2018, 10(5):661-681.
[29] LI X, ZHANG C, LI W. Building block level urban land-use information retrieval based on google street view images[J]. GIScience & Remote Sensing, 2017. DOI:10.1080/15481603.2017.1338389.
[30] DONG R, ZHANG Y, ZHAO J. How green are the streets within the sixth ring road of Beijing- an analysis based on tencent street view pictures and the green view index[J]. International Journal of Environmental Research and Public Health, 2018, 15(7):1367-1389.
[31] 刘学军, 王美珍, 甄艳, 等.单幅图像几何量测研究进展[J]. 武汉大学学报(信息科学版), 2011, 36(8):941-947.
[32] 中华人民共和国住房和城乡建设部, 中华人民共和国国家质量监督检验疫总局. 城市道路交通标志和标线设置规范:GB 51038-2015[S]. 北京:中国计划出版社, 2015.
[33] 中华人民共和国住房和城乡建设部. 城市道路工程设计规范:CJJ 37-2012[S]. 北京:中国建筑工业出版社, 2012.
[34] 任建平, 刘勇. 基于高分辨率影像的多尺度最优分割层次模型的城市道路网提取方法[J]. 兰州大学学报(自然科学版), 2019, 55(1):42-50.

多源数据协同的城市道路提取

Urban road extraction based on multi-source data

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	李茂林, 闫庆武, 仲晓雅. 一种复合型校正植被信息的方法[J]. 测绘通报, 2022, 0(6): 49-54142.
[2]	张龚泉, 岳建平, 刘胜男, 王海龙, 杨智翔, 周航宇. 基于遥感影像的鄱阳湖地形提取方法[J]. 测绘通报, 2022, 0(5): 62-66,73.
[3]	潘建平, 付占宝, 程卫华, 陆世安, 李鑫, 孙博文, 黄桂萍. 基于地表类型的山地海绵城市生态建设评估[J]. 测绘通报, 2022, 0(5): 84-88.
[4]	陈智朗, 付振华, 朱紫阳, 王慧慧, 刘沁雯, 杨钰灵, 许耿然. 基于HRNet的高分辨率遥感影像建筑物变化信息提取[J]. 测绘通报, 2022, 0(5): 126-132.
[5]	刘小玉, 刘扬, 杜明义, 张敏, 贾竞珏, 杨恒. 基于DeeplabV3+的建筑垃圾堆放点识别[J]. 测绘通报, 2022, 0(4): 16-19,43.
[6]	王雪, 梁珂, 隋立春, 钟棉卿, 朱剑锋. 膨胀卷积与金字塔表达的深度学习模型用于农村建筑物提取[J]. 测绘通报, 2022, 0(4): 61-65.
[7]	高鸣, 周鑫鑫, 刘琦, 杨光迪, 吴长彬. 深度学习网络支持下的农房侵占耕地自动化监测[J]. 测绘通报, 2022, 0(3): 47-53.
[8]	王胜利, 朱寿红, 蒋毅. 基于CNN模型迁移的OLI影像光伏电池板场景识别[J]. 测绘通报, 2022, 0(2): 5-9.
[9]	王志一, 郭学飞, 余洋, 王娜. 多重指标体系下的京津冀城市群地质环境质量综合评价[J]. 测绘通报, 2022, 0(1): 89-95,104.
[10]	杨素妨, 杜林. 多特征流形鉴别嵌入的高分辨率遥感影像分类[J]. 测绘通报, 2021, 0(9): 37-42.
[11]	耿万轩, 周维勋, 金双根. 基于LDCNN特征提取的多核SVM高分辨率遥感影像场景分类[J]. 测绘通报, 2021, 0(8): 14-21.
[12]	苏艺凡, 党建武, 王阳萍, 杨景玉. 改进的区间二型模糊聚类遥感影像变化检测[J]. 测绘通报, 2021, 0(7): 44-51,58.
[13]	毛涛敏, 范业稳, 职爽, 张煜辉. 排水管线点和道路曲率协同下的道路表面模型获取[J]. 测绘通报, 2021, 0(7): 144-149.
[14]	聂倩, 七珂珂, 赵艳福. 融入超像素分割的高分辨率影像面向对象分类[J]. 测绘通报, 2021, 0(6): 44-49.
[15]	刘启亮, 邓敏, 侯昭怡, 郇卫华. “空间分析”课程思政改革的探索与实践[J]. 测绘通报, 2021, 0(5): 151-154.