基于P-N学习的高分遥感影像道路半自动提取方法

基于模板匹配的道路跟踪是半自动提取道路的主要方法。然而场景中地物干扰和道路宽度的变化降低了模板匹配的稳定性;另外,道路跟踪失败后缺乏重检测机制,使得道路提取过程中人机交互频繁。针对以上问题,提出了一种基于P-N（positive-negative）学习的高分遥感影像道路半自动提取方法。该方法由道路跟踪、检测和学习构成,关键是采用了P-N学习的策略迭代的训练分类器,通过纠正违反结构约束的样本分类结果来提高分类器性能。实验使用了不同场景下的城区高分遥感影像,与经典的模板匹配和在线学习的道路跟踪方法进行了比较。实验结果表明该方法在道路提取的精度和稳定性方面均有提升。     

基于统计信息的低反差道路半自动提取方法

从实际应用的角度,采用基于统计信息的低反差半自动道路提取方法,提取了高分辨率遥感影像中道路特征分析时经常被忽略的、目标与背景反差较小的道路段;并在高层的知识处理后,将结果返回中层及底层进行了进一步验证。