結(jié)合邊緣信息優(yōu)化LSC和改進A*算法的正射影像圖鑲嵌線提取

摘要為避免正射影像圖在鑲嵌時鑲嵌線穿過視覺顯著地物，損害影像中地物的完整性，本文提出一種結(jié)合邊緣信息優(yōu)化LSC（線性譜聚類）和改進A*算法的正射影像圖鑲嵌線提取方法．首先，將經(jīng)典LSC的超像素分割理論引入正射影像圖鑲嵌線提取算法中，并提出邊緣強度因子用以優(yōu)化經(jīng)典線性譜聚類，有效利用正射影像圖中的光譜信息和邊緣信息;然后，將優(yōu)化后的LSC分別應用于兩幅正射影像的重疊數(shù)據(jù)集，得到各類地物的邊界特征圖，并通過數(shù)學形態(tài)學法去除邊界特征圖中的邊緣不整齊現(xiàn)象和孤立噪點;最后，改進傳統(tǒng)A*算法，由曼哈頓距離函數(shù)替代原有基于歐式距離測度的啟發(fā)函數(shù)，提升A*算法進行最短路徑搜索的效率，在邊界特征圖中快速搜索出最短路徑得到最優(yōu)鑲嵌線．利用真實無人機航拍正射影像圖將本文方法與相關方法進行對比分析，實驗結(jié)果表明本文所提方法可高效、高質(zhì)量地提取到影像鑲嵌線，有效繞過視覺顯著地物，減少鑲嵌線穿過地物的像元點數(shù)，滿足實際正射影像圖制作的應用需求．

關鍵詞線性譜聚類;邊界特征圖;A*算法;正射影像;鑲嵌線提取

中圖分類號TP391 文獻標志碼A

0 引言

數(shù)字正射影像（Digital Orthophoto Map，DOM）是測繪行業(yè)的主要產(chǎn)品之一，具有直觀表達豐富的地形、地物及地貌等特征的特點，在地理信息領域得到了廣泛的應用［1］．DOM的制作須選擇合適的鑲嵌線，由多張經(jīng)過數(shù)字微分糾正后的影像根據(jù)鑲嵌線拼接產(chǎn)生［2］．因此，鑲嵌線的自動提取方法是大范圍DOM制作的一項關鍵技術．影像鑲嵌線要求避開建筑物、植被等區(qū)域，不能因鑲嵌線穿過視覺顯著地物而損害影像中地物的完整性［3］．而現(xiàn)階段影像鑲嵌線依舊需要大量的人工編輯，因此研究高質(zhì)量的鑲嵌線自動提取算法有利于提高制作DOM的效率，受到了國內(nèi)外研究人員的廣泛關注［4-5］．

鑲嵌線的自動提取問題通常被轉(zhuǎn)化為最短路徑的最優(yōu)搜索問題［6］．Chon等［7］和劉瀚陽等［8］利用Dijkstra算法搜索重疊區(qū)域影像中最短路徑，并將其作為影像的鑲嵌線，但Dijkstra算法的權值確定復雜度高、計算量大，降低了影像鑲嵌線提取的效率．文獻［9-11］通過對經(jīng)典Dijkstra算法的改進，雖然進一步提高了鑲嵌線提取的質(zhì)量，但算法效率低的缺陷依然存在．上述基于Dijkstra原理的鑲嵌線提取算法均需要定義一個能量函數(shù)用于反映鑲嵌線上像元的灰度變化，但不能反映重疊區(qū)域地物的差異，缺乏對影像中地物多樣性的利用．啟發(fā)式搜索的A*算法具有計算復雜度低的優(yōu)點，被應用于處理最短路徑搜索問題［12］．文獻［13-15］根據(jù)影像的邊緣像素建立帶權無向圖，后結(jié)合A*最短路徑搜索算法實現(xiàn)正射影像鑲嵌線的提取，但提取的鑲嵌線質(zhì)量受限于邊緣檢測結(jié)果的優(yōu)劣．由于邊緣檢測算法只考慮了影像灰度差異和梯度變化，對于正射影像中各類地物豐富的光譜信息未充分利用，導致邊緣檢測結(jié)果中存在大量的非邊緣噪聲，鑲嵌線穿過視覺顯著物的現(xiàn)象未得到改善．文獻［16］在差分影像上設置代價函數(shù)，通過蟻群算法獲得最優(yōu)鑲嵌線，然而這類算法對影像光譜感知能力弱，鑲嵌線不能有效避開影像中的地物，并且蟻群算法要經(jīng)歷長時間算法迭代才能獲得最優(yōu)路徑，因此算法執(zhí)行效率不高．也有學者提出輔以其他數(shù)據(jù)的鑲嵌線自動提取算法，依靠正射影像測區(qū)范圍已有三維激光點云［17-18］、數(shù)字線畫圖（DLG）［19］、數(shù)據(jù)集矢量圖［20］、數(shù)字高程模型（DSM）［21］等數(shù)據(jù)的輔助，采用最短路徑搜索算法可有效地提取優(yōu)化的影像鑲嵌線，但輔助數(shù)據(jù)獲取困難，并且前期需要投入大量的時間和人力完成采集與制作，因此此類算法的實用性不高．

綜上所述，已有輔以其他數(shù)據(jù)的鑲嵌線自動提取算法由于數(shù)據(jù)獲取困難、輔助數(shù)據(jù)制作周期長，實用性不高．基于影像邊緣特征的最短路徑優(yōu)化方法提取影像鑲嵌線，僅利用正射影像中像素的梯度信息和灰度差異，對光譜特征未有效利用；提取到的邊緣像素中含有過量的非邊緣噪聲，不能很好地避免鑲嵌線穿過視覺顯著物的情況發(fā)生．已有最短路徑搜索算法計算復雜度高，降低了鑲嵌線自動提取的效率．線性譜聚類能利用影像中的顏色、亮度及紋理特征形成具有區(qū)域一致性的像素塊，有利于提取影像中地物的邊界線．為提高地物邊界線的提取質(zhì)量和鑲嵌線提取算法的運行效率，避免鑲嵌線穿過影像中地物的情況發(fā)生，本文將線性譜聚類的影像分割理論引入到正射影像圖鑲嵌線提取算法中，通過邊緣強度因子對其進行優(yōu)化，同時改進傳統(tǒng)A*最短路徑搜索算法，提出結(jié)合邊緣信息優(yōu)化LSC（Linear Spectral Clustering）和改進A*算法的正射影像圖鑲嵌線提取方法．首先，由線性譜聚類（LSC）和A*算法結(jié)合的方式，解決已有鑲嵌線提取算法對影像光譜信息利用的缺陷．提出邊緣強度因子對經(jīng)典線性譜聚類算法進行優(yōu)化，在類中心函數(shù)中添加邊緣強度因子，充分利用影像中的邊緣特征．然后，將優(yōu)化的線性譜聚類算法分別作用于兩幅影像的重疊區(qū)域，獲得影像中地物的邊界線，使用數(shù)字形態(tài)學的方法，去除邊界線中的孤立噪聲并獲得整齊的邊緣像素，形成候選影像鑲嵌線．最后，由曼哈頓距離函數(shù)作為啟發(fā)函數(shù)改進A*算法，在候選鑲嵌線中進行最短路徑搜索，高效地提取最終影像鑲嵌線．

1 算法原理

1.1 邊緣信息優(yōu)化的線性譜聚類算法

影像中的超像素是指影像局部具有區(qū)域一致性的像元集合而成的數(shù)據(jù)集，線性譜聚類（LSC） 超像素分割算法對噪聲具有良好的魯棒性，能有效利用影像的顏色、亮度及紋理結(jié)構等特征，避免造成過分割，生成高緊湊度的地物邊界.改進線性譜聚類超像素分割算法原理就是將影像像元數(shù)據(jù)映射到高維空間后聚類.

首先將圖像由RGB顏色空間轉(zhuǎn)為Lab顏色空間，每個像元表示為一個5維特征向量，如像元p的特征向量表示為（lp，αp，βp，xp，yp）.l，α，β分別表示Lab顏色空間中像元p的顏色分量l， α和β； l為顏色亮度，α 和β是兩個顏色通道.α的顏色包括深綠色到亮粉紅色；β包括亮藍色到黃色.x和y分別表示點p在影像中位置的橫、縱坐標.針對經(jīng)典線性譜聚類算法對邊緣信息利用的不足，提出用邊緣強度因子優(yōu)化經(jīng)典線性譜聚類算法，增強影像邊緣信息在算法中的表達能力，從而得到高質(zhì)量的地物邊緣特征，邊緣強度因子為

2 結(jié)合邊緣信息優(yōu)化LSC和改進A*算法的正射影像圖鑲嵌線提取步驟

本文將結(jié)合邊緣信息優(yōu)化LSC和改進A*算法應用于正射影像的鑲嵌線自動提取，通過對影像顏色、亮度及紋理結(jié)構和邊緣信息在高維空間的聚類，獲得具有區(qū)域一致性的地物斑塊，從而減少鑲嵌線穿過建筑物、道路等視覺顯著物的情況.流程主要步驟包括：地物邊界提取、數(shù)學形態(tài)學優(yōu)化及A*最短路徑搜索.完整流程如圖2所示.

2.1 地物邊界獲取

提取即將鑲嵌的影像A和影像B的重疊數(shù)據(jù)集，分別對重疊區(qū)域應用邊緣信息優(yōu)化的線性譜聚類算法，設置k個種子點，將圖中的視覺顯著物分割為k個超像素塊，從而得到A、B兩個影像的地物邊界線EA（i，j）和EB（i，j）.將兩幅影像的邊界線疊加，得到疊加后的邊界圖C（i，j），邊界像素為鑲嵌線可通過像素，非邊界像素則為障礙像素，邊界圖為正射影像的候選鑲嵌線.

2.2 數(shù)學形態(tài)學優(yōu)化

由2.1得到的候選鑲嵌線A=C（i，j）存在邊界不整齊和噪聲點的情況，因此采用數(shù)學形態(tài)學的方法進行優(yōu)化.使用數(shù)學形態(tài)學中的膨脹和腐蝕方法對邊界圖進行優(yōu)化.設置結(jié)構元素B，z為結(jié)構元素B的中心點.膨脹符號為，腐蝕符號為.膨脹和腐蝕計算方法分別如式（16）和式（17）所示.

2.3 改進A*最短路徑搜索算法鑲嵌線檢測

對優(yōu)化后的邊界圖使用A*算法求取最優(yōu)路徑，從而獲得影像的最佳鑲嵌線．在邊界圖中選取起始像素點s和結(jié)束像素點e，將s點放入Open列表，e點放入Close列表．Open列表存放的是鑲嵌線不能通過的像素點位置，Close表存放鑲嵌線可以通過的像素點位置．由A*算法從起始點s開始搜索，根據(jù)啟發(fā)函數(shù)判斷像元是否為鑲嵌線路徑點，若該像元點可作為鑲嵌線點，則列入Close表，否則列入Open表．不斷更新Open表和Close表，直到找到終點s，則完成最短路徑搜索任務，最短路徑即為影像的最佳鑲嵌線．

3 仿真實驗

3.1 實驗環(huán)境

為驗證本文算法的有效性和先進性，在實驗數(shù)據(jù)上進行鑲嵌線提取，并與蟻群算法、文獻［8］和文獻［13］算法做對比分析．本文在運行環(huán)境為Windows11系統(tǒng)，CPU為Intel（R） Core（TM） i7-11800H @ 2.30 GHz，內(nèi)存RAM 16 GB，GPU為NVIDIA GEFORCE RTX 3060的硬件設備上進行仿真實驗．文中所有實驗方法均在MATLAB R2021a上編程實現(xiàn)．

文中采用實驗數(shù)據(jù)為無人機搭載航拍相機獲取的某地同地區(qū)不同時間的正射影像圖重疊區(qū)域數(shù)據(jù)集，表1列出了數(shù)據(jù)集影像的詳細信息．影像分辨率分別為0.5、0.4和0.5 m，數(shù)據(jù)集1影像大小為311×300，數(shù)據(jù)集2影像大小為396×448，數(shù)據(jù)集3影像大小為448×374．

數(shù)據(jù)集包含有道路、建筑物、林地、農(nóng)田及操場等視覺顯著物（圖3），其中數(shù)據(jù)集1主要為城市地區(qū)，包括道路、建筑和綠化區(qū)等地物．數(shù)據(jù)集2主要為鄉(xiāng)村地區(qū)，包括小路、建筑、農(nóng)田和林地等地物．數(shù)據(jù)集3主要為運動場、建筑物、農(nóng)田和草地等地物．基準影像與待鑲嵌影像是幾何校正后用于提取影像鑲嵌線的數(shù)據(jù)，分別來源于影像數(shù)據(jù)采集時各自航向和旁向的重疊部分，使要鑲嵌的影像數(shù)據(jù)在采集時盡量處在攝影中心周圍，進一步減弱了影像幾何形變．而由于基準影像與待鑲嵌影像是在不同時段拍攝，設備曝光條件不同，因此影像數(shù)據(jù)存在一定的色差．為解決鑲嵌影像間色差不一致的問題，提高鑲嵌影像的質(zhì)量，本文運用直方圖匹配的方法使基準圖像和待鑲嵌影像具有相似的直方圖分布，從而達到勻色的目的．圖3c為數(shù)據(jù)集中待鑲嵌影像勻色后的結(jié)果，勻色后的待鑲嵌影像具有和基準影像一致的色調(diào)．

3.2 基于邊緣信息優(yōu)化LSC算法影像地物邊界線提取

圖4為重疊數(shù)據(jù)集影像分別經(jīng)過邊緣特征信息優(yōu)化LSC超像素分割后的結(jié)果，應用邊緣特征信息優(yōu)化的LSC算法時，數(shù)據(jù)集1、數(shù)據(jù)集2均設置超像素塊k=42，因此迭代種子點數(shù)也為42，種子點的距離d=48個像元，數(shù)據(jù)集3設置超像素塊k=56，種子點的距離d=60個像元．從圖4中可以看出，在對影像進行分割時，該方法利用影像的顏色、亮度、紋理結(jié)構及邊緣等特征，形成的地物邊界線將視覺顯著物分割，使得形成的超像素塊具有良好的區(qū)域一致性，避免了大量邊界線穿過視覺顯著物的情況．同時提取的地物邊界未產(chǎn)生大量的孤立噪聲，邊緣更加整齊．因影像的采集時間不同，影像數(shù)據(jù)中部分地物面積發(fā)生了微小的變化，當對基準影像和待鑲嵌影像分別進行LSC超像素分割時，所獲取的地物邊界結(jié)果有一定的差異．因此將基準影像和待鑲嵌影像獲取的邊界結(jié)果疊加，形成最終地物邊界線．

3.3 鑲嵌線提取結(jié)果與分析

圖5a、5b、5c與5d分別為蟻群算法、文獻［8］方法、文獻［13］的A*方法及本文方法在實驗數(shù)據(jù)集1上的鑲嵌線提取結(jié)果．從結(jié)果上看本文方法提取的鑲嵌線與視覺顯著物（建筑物、道路及綠化區(qū)）邊界重疊，穿過地物的情況較少．蟻群算法、文獻［8］和文獻［13］方法提取的鑲嵌線穿過了道路及綠化區(qū)，并且穿過地物的像素點數(shù)較多，損害了地物的完整性．圖6a、6b、6c及6d分別為蟻群算法、文獻［8］算法、文獻［13］算法及本文方法在實驗數(shù)據(jù)集2上的鑲嵌線提取結(jié)果．由數(shù)據(jù)集2中的實驗結(jié)果可見：文獻［13］中采用的A*算法提取的鑲嵌線穿過了道路，雖然未對其他地物造成影響，但損害了道路的完整性;蟻群算法和文獻［8］的方法對比文獻［13］方法，鑲嵌線穿過部分農(nóng)田和小路．本文方法將邊緣特征信息優(yōu)化的LSC超像素分割結(jié)果通過數(shù)學形態(tài)學優(yōu)化后，以地物邊界作為候選鑲嵌線，減少了鑲嵌線穿過視覺顯著物的像元數(shù)量，提取的鑲嵌線大部分與地物邊緣重疊，未對其他地物造成損害．從圖7數(shù)據(jù)集3的實驗結(jié)果中可以看出，本文方法相比其他方法得到的影像鑲嵌線穿過的地物更少，進一步驗證了本文所提算法的有效性．

由表2定量分析可得：雖然文獻［13］的A*算法得到的鑲嵌線路徑長度較短，但產(chǎn)生了過多穿過地物的像元，蟻群算法由于算法迭代次數(shù)多的原因，在提取影像鑲嵌線時耗費了更多的時間．本文方法相比蟻群算法、文獻［8］和文獻［13］的算法在數(shù)據(jù)集1的實驗中，穿過地物的像素數(shù)分別減少173、95和195個;在數(shù)據(jù)集2的實驗中，本文方法相比蟻群算法、文獻［8］和文獻［13］的算法穿過地物的像元數(shù)分別減少120、35和380個，更好地保留了地物的完整性．數(shù)據(jù)集3的實驗中，本文方法提取的影像鑲嵌線只穿過部分道路，穿過地物的像元數(shù)量僅為89個．在算法效率上，本文方法通過對經(jīng)典A*算法的改進，由曼哈頓距離函數(shù)替換傳統(tǒng)歐式距離函數(shù)，并增加了代價函數(shù)計算成本，降低了計算的冗余．對比其他方法，用時均有降低，進一步提高了算法的運行效率．

4 結(jié)論

針對已有鑲嵌線提取算法存在未利用影像光譜信息，導致鑲嵌線穿過視覺顯著地物，損害影像中地物的完整性的不足，地物邊緣不規(guī)整以及算法效率低的缺陷，本文提出結(jié)合邊緣信息優(yōu)化LSC和改進A*算法的正射影像圖鑲嵌線提取方法．

1）將經(jīng)典線性譜聚類與A*算法結(jié)合，有效利用影像的光譜特征，將影像分割成不同地物類別，得到不同地物類別的邊界線，解決已有正射影像鑲嵌線提取算法對影像光譜特征利用不足的問題．

2）引入邊緣強度因子優(yōu)化經(jīng)典線性譜聚類算法，在核函數(shù)中增加對邊緣信息項的考慮，并通過數(shù)學形態(tài)學的方法獲得了更加規(guī)整的地物邊界．

3）改進傳統(tǒng)A*算法在地物邊界中搜索最短路徑，完成鑲嵌線的提取．由曼哈頓距離函數(shù)替換歐式距離函數(shù)，提高算法運行效率．

實驗結(jié)果表明本文所提方法可高效、高質(zhì)量地提取到影像鑲嵌線，有效地繞過了視覺顯著地物，滿足實際正射影像圖制作的應用需求．

參考文獻

References

［1］ 潘俊，王密，李德仁.接縫線網(wǎng)絡的自動生成及優(yōu)化方法［J］.測繪學報，2010，39（3）：289-294

PAN Jun，WANG Mi，LI Deren.Approach for automatic generation and optimization of seamline network［J］.Acta Geodaetica et Cartographica Sinica，2010，39（3）：289-294

［2] 張劍清，潘勵，王樹根.攝影測量學［M］.2版.武漢：武漢大學出版社，2009

［3] 張劍清，孫明偉，張祖勛.基于蟻群算法的正射影像鑲嵌線自動選擇［J］.武漢大學學報·信息科學版，2009，34（6）：675-678

ZHANG Jianqing，SUN Mingwei，ZHANG Zuxun.Automated seamline detection for orthophoto mosaicking based on ant colony algorithm［J］.Geomatics and Information Science of Wuhan University，2009，34（6）：675-678

［4] 張春森，張月瑩，郭丙軒，等.密集光流法正射影像鑲嵌線智能提取［J］.武漢大學學報·信息科學版，2022，47（2）：261-268

ZHANG Chunsen，ZHANG Yueying，GUO Bingxuan，et al.Dense optical flow method for intelligently extracting seamline of orthophotos［J］.Geomatics and Information Science of Wuhan University，2022，47（2）：261-268

［5] 陳繼溢，許彪，張力，等.采用最優(yōu)生成樹的正射影像鑲嵌線快速智能檢測［J］.測繪學報，2015，44（10）：1125-1131

CHEN Jiyi，XU Biao，ZHANG Li，et al.Fast and intelligent seamline detection for orthoimage mosaicking based on minimum spanning tree［J］.Acta Geodaetica et Cartographica Sinica，2015，44（10）：1125-1131

［6] 張莎莎.基于語義分割的數(shù)字正射影像鑲嵌及其質(zhì)量評價方法研究［D］.武漢：武漢大學，2018

ZHANG Shasha.Research on orthophoto mosaicking and quality evaluation methods based on semantic segmentation［D］.Wuhan：Wuhan University，2018

［7] Chon J，Kim H，Lin C S.Seam-line determination for image mosaicking：a technique minimizing the maximum local mismatch and the global cost［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2010，65（1）：86-92

［8] 劉瀚陽，王博帥，王鳳艷，等.一種基于重疊區(qū)指數(shù)化互相關和優(yōu)化Dijkstra算法的航攝影像鑲嵌線選取方法［J］.吉林大學學報（地球科學版），2022，52（2）：662-668

LIU Hanyang，WANG Boshuai，WANG Fengyan，et al.A seamline determination method for aerial images based on exponential cross correlation and optimized Dijkstra＇s algorithm［J］.Journal of Jilin University （Earth Science Edition），2022，52（2）：662-668

［9] Wan Y C，Wang D L，Xiao J H，et al.Tracking of vector roads for the determination of seams in aerial image mosaics［J］.IEEE Geoscience and Remote Sensing Letters，2012，9（3）：328-332

［10] Wan Y C，Wang D L，Xiao J H，et al.Automatic determination of seamlines for aerial image mosaicking based on vector roads alone［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2013，76：1-10

［11] Dijkstra E W.A note on two problems in connexion with graphs［J］.Numerische Mathematik，1959，1（1）：269-271

［12] 陳松.城區(qū)正射影像鑲嵌線自動化提取模型及應用研究［D］.武漢：中國地質(zhì)大學，2019

CHEN Song.Research on automatic seamline detection model and its application for urban orthoimage mosaicking［D］.Wuhan：China University of Geosciences，2019

［13] 王作勇，陳煒.高分辨率遙感影像圖制作的鑲嵌線自動提取［J］.測繪通報，2020（6）：118-120，124

WANG Zuoyong，CHEN Wei.Automatic mosaicking seamline detection for high-resolution remote sensing mapping［J］.Bulletin of Surveying and Mapping，2020（6）：118-120，124

［14] 鄭茂騰，熊小東，朱俊鋒，等.一種基于帶權A*搜索算法的正射影像鑲嵌線網(wǎng)絡優(yōu)化方法［J］.武漢大學學報·信息科學版，2019，44（11）：1650-1658

ZHENG Maoteng，XIONG Xiaodong，ZHU Junfeng，et al.A novel seam-line network optimization method using the weighted A* algorithm for UAV imagery［J］.Geomatics and Information Science of Wuhan University，2019，44（11）：1650-1658

［15] 溫銀堂，王鐵柱，王書濤，等.基于多尺度分割的高分辨率遙感影像鑲嵌線自動提取［J］.自然資源遙感，2021，33（4）：64-71

WEN Yintang，WANG Tiezhu，WANG Shutao，et al.Automatic extraction of mosaic lines from high-resolution remote sensing images based on multi-scale segmentation［J］.Remote Sensing for Natural Resources，2021，33（4）：64-71

［16] 馬東嶺，丁寧，崔健，等.基于蟻群算法優(yōu)化正射影像鑲嵌線［J］.測繪科學，2013，38（2）：117-118，121

MA Dongling，DING Ning，CUI Jian，et al.Optimizing ortho-image mosaic seamline based on ant colony algorithm［J］.Science of Surveying and Mapping，2013，38（2）：117-118，121

［17] 吏軍平，丁亞洲，馮發(fā)杰，等.機載激光雷達點云輔助的鑲嵌線自動選擇［J］.測繪通報，2020（8）：92-95，116

LI Junping，DING Yazhou，F(xiàn)ENG Fajie，et al.Automatic seamline selection assisted by airborne LiDAR［J］.Bulletin of Surveying and Mapping，2020（8）：92-95，116

［18] 雷麗珍，林超，萬一.機載LiDAR數(shù)據(jù)輔助的高景一號衛(wèi)星影像自動鑲嵌方法［J］.測繪地理信息，2020，45（4）：100-103

LEI Lizhen，LIN Chao，WAN Yi.LiDAR data aided automatic seamline generation for super view-1 images［J］.Journal of Geomatics，2020，45（4）：100-103

［19] 湯競煌，張望.一種利用歷史DLG數(shù)據(jù)輔助優(yōu)化數(shù)字正射影像鑲嵌線生成的方法［J］.測繪通報，2016（8）：74-76

TANG Jinghuang，ZHANG Wang.A method of using historical DLG data to optimize seam line in orthophoto mosaicing［J］.Bulletin of Surveying and Mapping，2016（8）：74-76

［20] 李朋龍，董怡儲，譚攀，等.建筑物矢量輔助的正射影像鑲嵌線網(wǎng)絡選擇方法［J］.遙感信息，2019，34（3）：107-114

LI Penglong，DONG Yichu，TAN Pan，et al.A method for seamline network automatic detection in orthophoto based on building vector［J］.Remote Sensing Information，2019，34（3）：107-114

［21] 左志權，張祖勛，張劍清，等.DSM輔助下城區(qū)大比例尺正射影像鑲嵌線智能檢測［J］.測繪學報，2011，40（1）：84-89

ZUO Zhiquan，ZHANG Zuxun，ZHANG Jianqing，et al.Seamlines intelligent detection in large-scale urban orthoimage mosaicking［J］.Acta Geodaetica et Cartographica Sinica，2011，40（1）：84-89

Mosaic line extraction of orthophoto image based on optimized LSC and improved A* algorithm combined with edge information

LIU Ran1 LIU Yan1 WU Zhuohang1 LI Dongxue1 MA Qiang1

1Economic Research Institute of State Grid Liaoning Electric Power Supply Co.，LTD.，Shenyang 110065

Abstract In order to prevent the mosaic line from passing through the visually significant features of orthophoto map thus damaging its integrity，a mosaic line extraction approach for orthophoto images is proposed，which combines edge information with optimized Linear Spectral Clustering （LSC） and improved A* algorithm.First，the super-pixel segmentation theory of LSC is introduced for the mosaic line extraction，of which the classical LSC is optimized by edge intensity factor to effectively use the spectral information and edge information in orthophoto images.Second，the improved LSC is applied to the overlapping areas of two orthophoto images to obtain the boundary feature maps with various ground objects，and then the edge irregularity and isolated noise in the boundary feature maps are removed by mathematical morphology.Finally，the A* algorithm is improved by replacing the original heuristic function based on Euclidean distance measure with Manhattan distance function，and then used to search the shortest path in the boundary map to quickly obtain the optimal image mosaic line.This approach is compared with related methods by using aerial orthophoto image taken by a UAV.The results show that the proposed approach can extract mosaic lines efficiently and with high quality，during which it effectively bypasses the visual salient features and meets the application requirements of orthophoto mapping.

Key words linear spectral clustering （LSC）;boundary feature maps;A* algorithm;orthophoto map;mosaic line extraction

收稿日期2022-06-17

資助項目國網(wǎng)遼寧省電力有限公司經(jīng)濟技術研究院科技項目（SGLNJY00SJJS2100060）

作者簡介劉然，博士，主要研究方向為電力系統(tǒng)規(guī)劃與設計及遙感圖像處理．3116759029@qq.com