结合尺度空间的面向对象高分辨率影像城市道路提取

基于遥感影像的城市道路提取对于城市建设、规划和地图更新等有重要意义。针对高分辨率遥感影像城市道路网的复杂性,结合尺度空间思想提出一种面向对象的城市道路自动提取算法。在此基础上,使用Canny算子获取像元簇梯度图,并进行标记分水岭分割得到区域对象;建立城市道路与几何、光谱特征相关的道路规则,从分割结果中筛选出道路区域对象;使用形态学方法提取道路区域的骨架,并对骨架进行连接、光滑等后处理,最后输出道路网提取结果。实验结果表明,该方法用于复杂城市道路的高精度自动提取,对城市道路网更新有一定参考意义。     

一种基于邻域投票的异源光学影像SIFT匹配误差剔除方法

异源遥感影像匹配是高分影像处理中的重要环节与关键问题,但目前异源高分影像匹配精度有待提高。本文提出了一种基于邻域投票的异源光学影像SIFT匹配误差剔除方法,首先利用尺度不变性特征变换（SIFT）对特征点进行提取,随后基于邻域投票对匹配特征点进行二次约束,最后区分出待剔除误差大的匹配点,进而确定精确匹配点。为了评价本文方法的精度,分别对建筑物、道路、水体进行匹配研究,试验证实该方法可以提高上述3种地类的匹配精度,相比传统的SIFT方法平均提高了66%,同时有效地保持了结果的尺度不变性。     

车辆轨迹与遥感影像多层次融合的道路交叉口识别

交叉口是构成道路网络的基础与核心要素,起到了连接道路和承载转向的重要作用.在城市路网中,交叉口不仅数量众多、形态多样,而且结构复杂、大小不一.单一数据源对于道路交叉口的描述能力有限,难以做到道路交叉口的全面、精确识别.为此,本文设计了一种从车辆轨迹与遥感影像中识别道路交叉口的多元集成方法.首先,集成形态学处理、密度峰值聚类与张量投票提取种子交叉口,将其作为小样本集;然后,据此采用协同训练机制,分别构建基于深度卷积网络,面向车辆轨迹与遥感影像的交叉口分类器;最后,综合两模型优点,形成道路交叉口的集成分类模型.本文方法在多个层次上融合车辆轨迹与遥感影像关于交叉口的互补性描述特征,提出半监督式交叉口提取技术,无须人工标注即可有效识别复杂多样的道路交叉口.基于武汉市出租车轨迹和遥感影像的试验表明,本文方法在无人工标注样本的前提下,道路交叉口提取的准确率超过93％,召回率达到87％.     

IKONOS影像提取城市道路信息方法初探

从遥感影像中提取道路特征已有许多研究，本文基于IKONOS 1m分辨率遥感影像对城市道路的半自动提取方法进行一般性的研究，并且总结各方法的特点，说明在不同的情况，适当的选择不同的方法。     

结合形状与同质特征的遥感影像城市道路提取方法

遥感影像中的城市道路提取易受建筑物、阴影、车辆等噪声干扰,仅利用光谱特征或几何特征难以实现道路的完整提取。针对这一问题,首先从影像的梯度图出发,同质化遥感影像。接着通过形状特征,移除噪声,凸显道路信息。最后利用知觉组织约束算子筛选道路种子点,连通形成道路网。实验以QuickBird影像数据为样本,结果表明提出的算法能够有效实现城区道路提取。     

基于深度学习的遥感影像地物目标检测和轮廓提取一体化模型

随着遥感影像的分辨率不断提升,基于可见光遥感影像地物目标检测和轮廓提取的研究越来越受到关注。基于深度学习的方法提出一个利用遥感影像进行地物目标检测和轮廓提取的一体化模型,旨在解决遥感影像地物目标检测和轮廓提取中繁复的手工标注和传统算法效果不佳的难题。以船舶为研究对象,在HRSC2016遥感数据集上进行验证,单类目标检测精度可以达到79.50%,4类目标检测精度为63.45%,轮廓提取精度可以达到97.40%。结果证明,提出的模型可以实现基于遥感影像的自动化、智能化的船舶目标轮廓提取。     

多尺度高分辨率遥感影像道路提取技术研究

高分辨率遥感影像可以真实的反映各种地物信息,其空间分辨率一般可达到米级对促进道路建设发展具有十分重要的意义。本文结合高分辨率遥感影像的特点,融入多尺度技术,利用边缘特征检测的方法进行道路提取技术。实验结果表明,该方法能够有效地消除高分辨率遥感影像城市道路路面噪声的影响,大大提高了图像质量。     

像元结构指数的平面道路交叉口提取方法

针对高分辨率遥感影像中道路交叉口难以用固定几何和光谱特征描述的问题,该文提出了一种基于像元结构指数的交叉口提取方法。采用自适应光谱异质性阈值来提取像元形状特征,较好地适应了不同交叉口之间的场景特征差异;构建了像元形状与交叉口结构的量化映射关系,赋予特征语义信息,从而保证了提取结果的合理性。基于城区复杂场景高分遥感影像的交叉口提取实验表明:所提方法能够准确定位交叉口中心点,并检测道路交叉结构;另外,该方法对于交叉口支路发生变化的情况也具有适用性,定性与定量分析表明了该文方法的有效性。     

融合直角点和直角边特征的高分辨率遥感影像居民点提取方法

提出了一种融合直角点和直角边两种特征的高分辨率遥感影像居民点提取方法:首先,分别检测高分辨率遥感影像的角点和直线段,通过两种特征交叉验证确定直角点和直角边,并对二者进行栅格化;然后,基于局部直角点和直角边点的密度和距离特征生成居民点指数图像;最后,通过指数图像二值化、栅格转矢量、剔除小图斑等操作确定居民点多边形。使用3景影像进行了试验。试验结果表明,本文方法提高了居民点提取精度,其正确率、完整率、质量等3个指标的平均值比已有方法的相关值分别高6.76%、10.12%、12.14%。     

遥感影像目标的尺度特征卷积神经网络识别法

高分辨率遥感影像的目标检测与识别，是高分对地观测系统中影像信息自动提取及分析理解的重要内容。针对传统影像目标检测与识别算法中人工设计特征稳健性与普适性差的问题，本文提出基于高分辨率遥感影像目标尺度特征的卷积神经网络检测与识别方法。首先通过统计遥感影像目标的尺度范围，获得卷积神经网络训练与测试过程中目标感兴趣区域合适的尺度大小。然后根据目标感兴趣区域合适的尺度，提出基于高分辨率遥感影像目标尺度特征的卷积神经网络检测与识别架构。通过WHU-RSone数据集对本文卷积神经网络架构与Faster-RCNN架构对比测试验证。试验结果表明，本文架构ZF模型和本文架构VGG-16模型的mean average precision （mAP）分别比Faster-RCNN ZF模型和Faster-RCNN VGG-16模型提高8.17%和8.31%，本文卷积神经网络架构可获得良好的影像目标检测与识别效果。     

高分辨率遥感影像道路提取方法综述

从高分辨率遥感影像的特点出发介绍了道路在高分辨率遥感影像上所具有的特征,介绍了道路提取的基本方法和研究现状,对现有几种代表性的道路提取方法进行了详细地分析,并对高分辨率遥感影像上道路提取的研究前景进行了展望.     

国产高分辨率遥感影像农村公路核查方法及其应用

传统的农村公路核查需要人工实地抽查或通过GNSS设备进行信息采集验核，存在成本高、效率低等问题。遥感影像具有成像范围广、时效性高、成本低、能客观反映现实情况等优点。相比于传统方法，将遥感影像引入农村公路核查，能客观、准确、高效地对农村公路相关信息进行核查。本文基于国产高分辨率遥感影像，结合农村公路遥感核查业务，采用遥感影像道路提取算法，设计并实现了一种农村公路核查方法。将本方法应用于某中部省份农村公路遥感核查业务，实际应用表明该方法能有效提高现有农村公路遥感核查的工作效率。     

改进全卷积网络方法的高分二号影像农村道路提取

针对目前利用高分遥感数据提取农村道路的研究与应用少,提取结果精准度不够的问题,提出了结合空洞卷积和ASPP（Atrous Spatial Pyramid Pooling）结构的改进全卷积农村道路提取网络模型DC-Net（Dilated Convolution Network）。该模型基于全卷积的编解码结构来提取道路深度特征信息,同时针对农村道路细长的特点,在解编码层之间加入了以空洞卷积为基础的ASPP（Atrous Spatial Pyramid Pooling）结构来提取道路的多尺度特征信息,在不牺牲特征空间分辨率的同时扩大了特征感受野FOV（Field-of-View）,从而提高细窄农村道路的识别率。以长株潭城市群郊区部分区域为试验对象,以高分二号国产卫星遥感影像为实验数据,将本文提出的方法与经典的几种全卷积网络方法进行实验结果对比分析。实验结果表明：（1）本文所提出的道路提取模型DC-Net在农村道路的提取上具有可行性,整体提取平均精度达到98.72%,具有较高的提取精度;（2）对比几种经典的全卷积网络模型在农村道路提取上的效果,DC-Net在农村道路提取的精度和连结性、以及树木和阴影的遮挡方面,均表现出了较好的提取结果;（3）本文提出的改进全卷积网络道路提取模型能够有效地提取高分辨率遥感影像中农村道路的特征信息,总体提取效果较好,为提高基于国产高分影像的农村道路提取精度提供了一种新的思路和方法。     

利用可变形部件模型检测遥感影像道路交叉口

为了解决高分辨率遥感影像道路交叉口位置检测与类型识别问题,提出了一种基于可变形部件模型的道路交叉口检测方法。首先,分析了道路交叉口在高分辨率遥感影像上的表征形式;然后,借鉴面向对象的思想,利用可变形部件模型,通过训练和学习其整体和部件组成的空间布局特征获取目标对象模型参数;最后,通过滑动窗口搜索匹配方法获取道路交叉口位置和其对应的类型。由仿真与实验结果可知,此算法不仅能够自动、准确地检测道路交叉口的几何位置,而且能够识别其几何形状类型,可有效提高道路网络拓扑结构构建效率。     

兼顾连通性的U-Net网络高分辨率遥感影像道路提取

遥感影像道路提取结果中的断线一方面降低了提取精度，另一方面影响了道路形态完整性，使得提取结果不能直接应用于空间决策与分析。本文基于U-Net网络在高分辨率遥感影像道路提取时全局特征表达的优势，提出一种兼顾连通性的道路断线修复方法完善U-Net网络局部特征表达的劣势。首先，利用数据增强和扩充数据量后的样本数据作为U-Net网络的输入以此训练模型并进行最优模型的道路提取；然后，对提取结果中出现的道路断线以三次多项式曲线拟合的形式进行优化处理。实验表明，与相近网络比较，本文道路提取的精度和形态完整性有了明显的提高，查准率为86.25%，查全率为85.50%，F1-score达到了85.87%。其成果数据能直接地应用于地理决策分析，特别有利于灾后的路径规划，本文提出的方法对道路、电网、轨道、河流等线性地物分类结果中出现类似断线问题具有一定的参考意义。     

融合高分影像和LiDAR数据的城市道路提取

为避免由于城市道路复杂及树木建筑的阴影遮挡导致从遥感影像中提取道路信息不准确的问题,本文采用高分影像和LiDAR数据相融合的方法实现城市道路的提取,并使用一种基于最小面积外接矩形（MABR）的后处理改进方法进行完善。首先对试验区进行数据配准;然后应用FNEA算法进行图像分割,并使用随机森林分类法进行分类,将影像融合和对象形状指数等相关算子应用到道路提取中;最后去除植被和建筑物,完善道路填充,提取出道路完整信息。结果多伦多和台安试验区的道路完整度分别为95.41%和90.84%,准确度分别为83.07%和85.63%。本文方法可有效去除伪道路信息,提高道路提取完整度,较好地实现了道路信息提取。     

矢量数据辅助的高分辨率遥感影像道路自动提取

高分辨率遥感影像上细节信息繁杂、干扰物普遍存在,对其进行自动化道路识别与提取的相关研究仍处在探索阶段。在道路提取过程中引入矢量数据辅助,可解决初始信息获取的困难,得到可靠性较强的训练样本。为此,提出一种矢量数据辅助下的道路提取方法,能够筛选出矢量数据中包含的有效信息,引导实现对高分辨率遥感影像的道路自动提取。利用Mean-shift滤波对图像进行预处理后,首先从矢量数据获取候选种子点,并通过提炼同质区域的形状特征剔除错误候选点;然后,自动获取负样本点以进行朴素贝叶斯分类,并采用邻域质心投票算法从分类影像提取道路中心线;最后,结合像素跟踪与方向判断矢量化道路中心线,并提出一种基于矢量几何分析的断线连接与毛刺剔除方法,对提取结果进行信息修复与规整、优化。实验结果显示,该算法的提取质量达到80%以上,且具备较强的稳健性,能够适应具有不同道路辐射和分布特征的高分辨率遥感影像。     

基于面向对象与规则的Sentinel-2A影像土地覆被分类——以江西省都昌县为例

土地覆被作为地表自然和人工建造物的综合体，是开展土地科学相关研究的重要基础，在遥感大数据背景下，准确、快速、自动化进行土地覆被提取技术一直是遥感研究中的重点。本文基于eCognition软件，采用面向对象的多尺度分割法，综合考虑地物在遥感影像上的光谱、形状和纹理特征，建立多种地物提取规则。通过模糊函数、支持向量机（SVM）和阈值法对研究区的土地覆被进行分类提取，并与研究区的FROM-GLC10数据和土地利用变更数据进行了对比分析。结果表明：①研究区土地覆被分类的总体精度为97%，Kappa系数为0.96，分类精度较高；②基于10 m分辨率影像，综合使用形状、纹理、光谱信息对于道路的提取具有较好的效果，道路提取Kappa系数为0.84；③分类结果在面积和空间分布上都优于FROM-GLC10数据，与研究区实际土地变更数据保持较好的一致性。基于面向对象与规则的分类方法提取地物能够有效利用多种遥感影像特征，分类精度高，对于处理高分辨率遥感数据具有很好的优势。     

基于多重信息融合的高分辨率遥感影像道路信息提取

在高分辨率遥感影像上进行道路提取一直被认为是一项具有重要意义但很困难的工作。尤其一些与道路光谱相近的地物,分类后与道路相互连接,难以区分。基于面状道路和边缘相互验证和辅助的思想,提出一种高分辨率遥感影像上提纯道路信息的方法。该方法首先在面状和边缘两个方面同时提高提取精度,然后由他们之间的逻辑互运算分割道路与非道路对象,并应用有效的形状指数（如：极惯性矩和狭长度指数）刻画和区分道路与非道路面状目标（如楼房等）,最终达到提纯道路的目的。实验结果表明了本文方法在去除非道路目标,提纯道路网络方面的有效性。     

空间信息感知语义分割模型的高分辨率遥感影像道路提取

道路信息自动化提取已经成为遥感领域热门的研究方向,而基于深度学习的遥感影像道路信息提取方法已经取得了许多成果。但由于受到网络中卷积和池化等操作的影响,基于深度学习的道路提取方法存在着空间特征和地物细节信息丢失等问题,造成许多误提现象。针对此问题,本文设计了一种改进的道路提取语义分割网络模型,该网络以改进的ResNet网络为主体,并引入坐标卷积和全局信息增强模块,用于增强空间信息和全局上下文信息的感知能力,突出道路边缘特征进而确保道路分类的精确性。本文方法在公开道路数据集和高分数据集上获得了显著的提取效果,与其它方法相比取得了明显提高;并且,在一定程度上减少了树木、建筑阴影等自然场景因素遮挡的影响,可以完整准确地提取出道路;此外,模型对多尺度道路也可以实现有效地提取。