城市道路綠化結(jié)構(gòu)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(guī)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(fā)展過程中城市交通狀況屬于重點關(guān)注問題,作為一種地物現(xiàn)象道路受到越來越多人的關(guān)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(diào)節(jié)局部地區(qū)的小氣候、優(yōu)化城市生態(tài)環(huán)境,因此,在城市管理和建設過程中,提取城市道路綠化結(jié)構(gòu)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(shù)據(jù),分類高地物、低矮地物,重新組合地面點與低矮地物,根據(jù)綠化帶的空間特征和點云特征提取點云數(shù)據(jù)中存在的綠化帶,確定綠化帶范圍,實現(xiàn)城市道路綠化結(jié)構(gòu)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(yōu)化極限學習機,將數(shù)據(jù)樣本輸入優(yōu)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(jié)構(gòu)信息,存在信息漏提取現(xiàn)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(jié)構(gòu)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(tǒng)(Geographic Information System,GIS)的基礎上,采用激光掃描系統(tǒng)[5-6]采集城市道路信息,獲取道路信息GIS數(shù)據(jù)。在同一掃描線中,激光的掃描角度不發(fā)生變化。當激光掃描系統(tǒng)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(gòu)成的掃描角具有非規(guī)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(guī)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(shù)據(jù),將獲取的GIS數(shù)據(jù)融合獲得城市道路圖像。

2.2 斑點濾波處理

經(jīng)過融合GIS數(shù)據(jù)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(xiàn)為乘性形式,運用對數(shù)變化處理城市道路圖像,將斑點噪聲轉(zhuǎn)變?yōu)榧有孕问絒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(shù)變換結(jié)果。

完成上述變換后,城市道路圖像的小波系數(shù)滿足穩(wěn)態(tài)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(shù);ε代表的是局部參數(shù);ω為函數(shù)值;η代表的是離差;β表示特征指數(shù)。

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(shù)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(shù)。

依據(jù)損失函數(shù)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(shù);Ad(d)為信號對應的概率密度函數(shù)。

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(jié)構(gòu)信息的精度。

3 城市道路綠化結(jié)構(gòu)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(yōu)勢。Snakes模型中的能量函數(shù)通常由外部能量、內(nèi)部能量和圖像能量構(gòu)成。圖像能量和內(nèi)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(gòu)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(xiàn)線段不連續(xù)的問題,且提取結(jié)構(gòu)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(jié)構(gòu)信息。

3.1 FCM聚類

由城市道路圖像構(gòu)成數(shù)據(jù)集X={x1,x2,…,xk,…,xn},xk表示維數(shù)為k的向量。劃分圖像數(shù)據(jù)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(jié)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(quán)距離平方和,其計算公式如下

(10)

式中,m∈[1,∞]代表的是加權(quán)指數(shù)。

為了獲得最小的加權(quán)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(shù)據(jù)量,突出綠化帶結(jié)構(gòu)特征,精準提取城市道路綠化結(jié)構(gòu)信息,通過細化算子細化處理城市道路圖像聚類結(jié)果。

FCM聚類處理城市道路圖像后,原始圖像轉(zhuǎn)變?yōu)槎祱D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(jié)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(nèi)存在的數(shù)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(zhuǎn)換的總數(shù);

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(jié)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(jù)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(shù),根據(jù)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(shù)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(xiàn)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(nèi)時,在綠化像素點中選取新的“現(xiàn)在點”,并對其標記,存儲剩余的像素點,跳轉(zhuǎn)到步驟3)中;

5)當鄰域內(nèi)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(xiàn)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(nèi)選擇新的“現(xiàn)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(jié)構(gòu)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(jié)構(gòu)信息時,設置如下能量函數(shù)E

(12)

式中,Ect代表的是連續(xù)能量;參數(shù)α(s)描述了總能量受連續(xù)能量Ect的影響;Ecv代表的是曲率能量;參數(shù)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(shù)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(jié)構(gòu)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(jié)點匹配時,Eim的值最小。

提取城市道路綠化結(jié)構(gòu)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(jié)點位置:

1)初始化參數(shù),確定各個系數(shù)在能量函數(shù)中的值,以及節(jié)點的總數(shù)量;

2)計算各像素點在節(jié)點鄰域內(nèi)的能量,遵循能量最小原則重新定位節(jié)點;

3)設置閾值,當位置發(fā)生變化的節(jié)點數(shù)量高于閾值時,返回步驟2)中;

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

4 實驗與分析

為了驗證基于三維GIS的城市道路綠化結(jié)構(gòu)信息提取方法的整體有效性,以通過2.1節(jié)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(jié)構(gòu)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(jié)構(gòu)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(jié)構(gòu)信息提取產(chǎn)生干擾,現(xiàn)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(jié)果如圖3所示。

圖3 不同方法的圖像去噪結(jié)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(jié)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(zhì)量,為城市道路綠化信息的提取提供關(guān)鍵信息。

現(xiàn)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(jié)構(gòu)信息展開提取,提取結(jié)果如圖4所示。

圖4 不同方法的綠化結(jié)構(gòu)信息提取結(jié)果

分析圖4可知,采用所提方法提取道路綠化結(jié)構(gòu)信息時,可完整的提取出道路綠化結(jié)構(gòu)信息,而文獻[3]方法的提取結(jié)果中包含了大量非綠化結(jié)構(gòu)信息,文獻[4]方法存在綠化結(jié)構(gòu)信息漏提取現(xiàn)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(shù)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(shù)量;aij代表的是將第i類圖像分類到j類別中的數(shù)量。不同方法的城市道路綠化結(jié)構(gòu)信息提取結(jié)果如表1所示。

表1 不同方法的信息提取能力

根據(jù)表1中的數(shù)據(jù)可知,在城市道路綠化結(jié)構(gòu)信息提取過程中所提方法的總體精度高達99.1%,Kappa系數(shù)高達0.887,驗證了所提方法在城市道路綠化結(jié)構(gòu)信息提取過程中具有良好的效果,信息提取精度高。

5 結(jié)束語

針對目前城市道路綠化結(jié)構(gòu)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(jié)構(gòu)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(jié)構(gòu)信息,經(jīng)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(yōu)勢。