利用方向纹理特征从影像上搜索道路中心线

针对遥感影像道路中心线提取问题,提出利用方向纹理特征辅助道路中心线匹配搜索的思想,以人工给出的道路种子点和初始搜索方向为基础,运用方向纹理特征直接从遥感影像上匹配搜索道路的中心线。算法通过预测道路的宽度、弯曲等情况来自动调整纹理窗口的大小,因而能够很好地搜索到道路中心线,此外算法针对树木遮挡、车辆压盖设计了相应的处理策略。实验表明:该方法对遥感影像上不同类型道路均有很好的提取效果,且提取效率高于现有的道路提取算法。     

基于机载LiDAR数据的城区道路中心线提取

提出一种基于离散点的道路中心线提取方法。在利用高程、强度和几何形状等多特征逐步约束提取出条带道路点的基础上,采用迭代Meanshift算法将条带道路聚集成线状点集,并通过分段Hough变换检测出矢量道路中线。实验表明,该方法克服了传统中心线提取方法中的精度损失,提高了准确度。     

基于脊线检测的高分辨率图像道路中线提取算法

为从高分辨率图像中提取道路中心线,本文提出了一种有效的基于脊线检测的提取算法。该算法首先对原始图像进行脊线检测得到道路中心线,再利用canny算子检测道路边缘,最后与脊线检测结果算术相与得到最终结果。实验表明该算法检测结果与实际道路中心线吻合度高,简单易行,且鲁棒性好。     

顾及形态特征约束的大范围道路中心线提取算法

针对规则格网分块提取大范围路网(地级城市及以上)中心线算法在分块边界处极容易出现结构严重变形等问题，该文提出了一种顾及形态特征约束的大范围道路中心线分块提取算法。首先，基于道路面数据获取道路边线数据，计算其曲率，探测边线中的平直部分；然后，以边线中的平直部分作为分块基础，建立“转盘法”将大范围道路分割为多个小范围道路；最后，以分割的小范围道路作为处理单元，基于德洛内(Delaunay)三角网分区域进行中心线提取，并在分割边界处进行中心线拟合，完成大范围路网中心线提取，提高了中心线提取的准度和精度。以江苏省某市地理国情普查道路数据进行实验，结果表明，该文方法所提中心线形态均自然、光滑，且效率较规则分块方法提高2.5倍。     

利用动态规划半自动提取高分辨率遥感影像道路中心线

传统的基于动态规划的道路提取算法都是直接在图像域内根据道路的光谱等特征定义代价函数,当道路光谱特征发生变化时,需要重新定义新的代价函数,具有很大局限,不适用于道路特征复杂多样的高分辨率遥感影像。针对这一问题,提出了一种基于动态规划的道路中心线半自动提取算法:首先,利用阈值分割和核密度估计生成道路概率分布图;然后,根据道路概率分布图上的道路特征定义代价函数;最后,运用动态规划求解代价函数最大值来提取道路中心线。试验表明,提出的算法能够在高分辨率影像上提取各种不同光谱特征的道路中心线,取得了良好的效果。     

道路中心线提取及网络建立的算法研究

提取道路中心线并建立道路网络是网络分析和地图综合中的基本问题,本文提出了利用约束Delaunay算法形成道路约束三角形网,并在此基础上提取道路中心线,形成道路中心线及建立网络。强调在提取过程中要注意的几个关键问题,并提出了解决方法。     

结合Steger方法和影像分类的道路中心线提取

针对直接利用监督分类结果提取道路中心线过程过于复杂的问题,研究一种综合利用Steger方法和影像分类结果的道路中心线提取新策略。以影像分类结果从Steger方法获取的条带中心线中初步筛选出候选道路中心线段,根据道路的连续性和方向的一致性进行合理延伸、连接,即可实现道路中心线提取。实验证明,提取的道路中心线在完整率、准确率和提取质量方面精度较高,并在一定程度上解决了道路断裂问题。     

适应不同轨迹数据场景的道路线形组合优化提取方法

车辆轨迹数据是当前城市导航路网地图动态更新的一种重要数据源,从杂乱无序的轨迹点或轨迹线中提取并拟合道路几何形态,进而生成结构化的道路矢量地图是基于轨迹数据进行道路网地图构建与更新的关键步骤。现有的道路中心线提取方法主要采用单一的线形拟合算法进行轨迹数据拟合,然而真实道路的几何形态复杂多样和车辆轨迹数据质量参差不齐,导致单一的道路线形拟合算法只能在某些特定的数据场景下适用,无法针对不同的数据场景自适应的拟合出理想的道路中心线。此外,相比于专业测量方式采集的高频轨迹数据,出租车等采集的低频轨迹数据存在轨迹点稀疏、噪声多、定位误差大等问题,这使得从低频轨迹数据中提取理想的道路中心线仍具有挑战,尤其是针对复杂的交叉口区域。为此,本文基于分治策略的思想,提出了一种适应不同轨迹数据场景的道路线形组合优化提取方法。该方法在轨迹数据预处理的基础上,根据轨迹数据的分布特点对数据进行场景分类;进而,针对不同的数据场景匹配最优的线形拟合算法,通过组合优化策略生成理想的道路中心线。本文方法融合不同拟合算法的互补优势,可以有效解决数据分布稀疏、道路结构复杂(如自相交立交桥)等不同数据场景下的道路线形拟合问题。采...     

基于GPS车辆数据和图像配准的道路中心线提取

GPS车辆数据可提供详细的道路网信息,而它可能存在数据误差和冗余问题,可采用形态学处理中的细化操作得到近似道路中心线。针对细化操作得到的曲线弯曲度过大且存在孤立数据点、数据冗余等情况,以得到的近似道路中心线为基准线,利用霍夫变换获取图像配准的起始点,并结合图像配准得到平滑无冗余的道路中心线。以马鞍山车辆数据为例,实验结果表明,与细化操作相比,该方法在道路中心线提取质量上有了显著提高。     

一种基于方向纹理特征和卡尔曼滤波的影像道路中心线提取方法

针对传统道路中心线提取方法对场景中干扰因素比较敏感的问题,提出了一种改进的高分辨率遥感影像道路中心线搜索方法。首先利用方向纹理特征匹配计算初始道路中心点,然后根据中心点先验和观测信息迭代跟踪精确道路中心点。文章设计了多组实验验证算法的可靠性和鲁棒性,结果表明该方法对路面存在干扰因素时的改善效果明显,具有较强的稳健性和适应性。     

一种基于条纹中心线的InSAR干涉图滤波方法

干涉条纹图噪声的滤除是InSAR数据处理的关键步骤之一.针对干涉条纹图的各向异性特征!提出一种基于条纹中心线的InSAR干涉图滤波算法!考虑到干涉条纹中心线获取的复杂性!此算法采用细胞神经网络快速提取干涉条纹图的条纹中心线#通过用真实的InSAR干涉图实验证明此方法具有很好的滤波效果!滤波结果视觉特征良好,残余点减少,保持了图像的边缘和细节特征!而且降低了为滤波效果所付出的时间代价.     

改进角度纹理特征提取高分辨率遥感影像带状道路

针对目前高分辨率遥感影像的道路自动提取算法研究中的不足,该文提出了一种基于并行角度纹理特征的半自动道路提取算法:用户输入完成道路中心线上的起始点、道路方向、道路宽度等初始化工作,利用并行角度纹理特征获取道路前进方向,用抛物线参数方程构建道路轨迹模型来预测道路轨迹点,使用角度纹理特征值构建的紧质度系数和抛物线的曲率变化来约束道路轨迹点,验证失败则转入手工跟踪;往复执行以提取道路中心线。试验证明,本算法是一种稳健的道路半自动提取算法。     

一种高分辨率SAR影像道路提取方法

针对高分辨率SAR影像中细节信息损坏道路的面特征结构、影响道路提取,基于影像统计特征,给出一种结合区域生长和细节信息识别的道路提取方法。该方法通过区域生长提取呈现面特征的暗目标(道路框架),利用CFAR算法识别细节,通过形态学融合得到最终结果。为降低高分辨率影像区域异质性对提取结果影响,提出了一种自适应CFAR算法,相比之前算法可自适应删除干扰点;并引入有效表征影像统计的GA0分布。利用海南省陵水黎族自治县机载X波段高分辨率SAR数据的幅度影像进行实验,结果表明,该方法能有效提取呈面特征的道路,获得准确的道路宽度和中心线信息。     

快速提取城市道路中心线

城市道路在空间分布上具有一定的规则。我国的城市道路布局主要有方格式、扇形式等。本文针对这种布局规则的道路网,提出一种快速提取道路中心线的方法。通过对图像进行扫描,将属于一条道路的所有像素点归并到一个容器中,提取中心点并输出成道路线。同时,介绍了几种典型道路的处理方法。实验研究表明该方法可以快速、精准地提取道路中心线,具有实际应用价值。     

基于机载LiDAR和高分辨率遥感影像的道路中心线提取

利用配准的LiDAR数据生成DSM深度影像并提取建筑物轮廓,同时对QuickBird多光谱影像采用监督分类法提取植被区域。在此基础上,将建筑物和植被剔除,剩余部分利用形态学算子对道路进行修饰和完善,提取道路中心线。实验表明,基于机载LiDAR和高分辨率遥感影像的道路中心线提取方法,比单一利用遥感影像有更好的效果。     

基于自适应图像分割自动提取道路中心线

道路是城区地理空间信息中最重要的基础设施之一,从高分辨影像中自动、快速的提取道路特征,是快速更新城市道路网信息的重要途径。文中在分析道路基本特征的基础上,选择基于自适应结构元素的形态分析算法提取初始道路区域;引入面积和长宽比等形状指数,得到较精确的道路信息;最后,采用Hilditch细化算法,并进行优化处理。实验证明,该道路提取过程中无需人工设置参数,且能够得到具有较高完整性和正确性的道路中心线。     

基于机载LiDAR点云数据的城区道路提取

对于利用机载LiDAR点云数据提取城区道路提出一种新的思路。首先利用机载LiDAR点云数据的高程和强度属性对城区道路进行初始提取,获得初始道路点云;其次采用距离分割法和基于RANSAC算法的分割方法精化初始道路点云,有效剔除停车场等与道路相似的区域;最后采用数学形态学细化方法提取道路中心线。实验结果表明,该方法可以较正确和完整地提取城区道路。     

基于机载LiDAR点云数据的城区道路提取

针对利用机载LiDAR点云数据提取城区道路问题,本文提出一种新的思路。首先利用机载LiDAR点云数据的高程和强度属性对城区道路进行初始提取,获得初始道路点云;然后采用距离分割法和基于RANSAC算法的分割方法精化初始道路点云,有效剔除停车场等与道路相似的区域;最后采用数学形态学细化方法提取道路中心线。实验结果表明,该方法可以较完整地提取城区道路。     

基于不同分辨率的道路半自动跟踪

从不同分辨率航空影像道路的不同特征出发,根据影像道路特征,采用不同提取方法提取道路特征线,并对提取结果进行处理,最后利用人工判读和人工干预的方法对影像道路进行半自动跟踪.试验结果表明,该方法能很好地提取跟踪航空影像上的道路特征线.     

像元与对象特征融合的高分辨率遥感影像道路中心线提取

提出了一种融合像元-多尺度对象级特征的高分辨率遥感影像道路中心线提取方法。首先在像素级上提取影像的纹理和形状结构特征,在构建的多尺度分割集影像上提取对象的区域光谱特征。然后,将像元级特征与多尺度对象特征进行决策级融合,完成道路网的粗提取。最后,结合本文所提出的非道路区域自动去除算法和张量投票算法,实现道路中心线的精提取。不同场景、不同分辨率数据下开展的试验结果表明,该方法可有效改善传统道路提取方法易产生的"盐噪声"和非道路地物粘连现象。