结合矢量引导的高分辨率遥感影像道路自动提取

从高分辨率遥感影像中提取道路信息具有重要的现实意义。针对现有影像分类方法无法直接获取高精度道路网信息及自动化程度低的问题,本文提出了一种基于OSM(OpenStreetMap)矢量路网辅助的道路提取方法,实现了对高分辨率遥感影像道路快速精确的自动提取。首先,采用灰度形态学的腐蚀、膨胀及开闭操作对遥感影像进行预处理;然后通过OSM路网提供的先验信息,对模糊C均值算法进行改进,并将输入的遥感影像粗分为3类;接着以粗分类结果作为分类特征,通过OSM矢量路网自动获取道路样本,使用支持向量机进行精分类,并采用粒子群优化算法选取最优分类参数;最后对分类结果进行形态学后处理,得到精确的道路网信息。利用两组Google Earth影像进行试验,结果表明,本文算法在道路网提取精度上要优于对比算法。     

OpenStreetMap辅助下的高分辨率光学影像道路损毁提取

提出了一种以高分辨率遥感影像和OpenStreetMap道路矢量数据作为数据源的道路损毁提取方法。在OpenStreetMap道路矢量数据的辅助下,利用道路在高分辨率影像上的特征,结合学习-检测的方法对损毁区域进行检测,提取疑似损毁路段,基于道路信息对损毁路段进行验证,剔除虚警。实验表明,该方法能够快速、准确地对道路损毁信息进行提取。     

基于IKONOS的道路信息提取方法研究

道路作为现代交通体系的主体,是遥感测绘工作中获取的重要地理信息。基于高分辨率遥感影像,对其特征信息进行准确并有效的提取,具有重要的意义。在分析道路的光谱和形状特征基础上,基于IKONOS高分辨率遥感影像,利用NDVI和NDBI两种方法,探究针对高分辨率遥感数据类别特征的较为有效的道路提取方法。结果表明,NDVI方法能够较有效地提高在高分辨率遥感影像上提取道路信息的精度。     

基于SOM的高分辨率遥感影像道路网自动提取

本文研究基于SOM(Self-Organizing Feature Map)神经网络学习模型的高分辨率遥感影像道路网自动提取算法。首先利用数学形态学提取遥感图像道路的初始道路区域信息,自动对原始图像进行分区并确定神经元初始权值,用SOM网络学习模型对神经元进行训练学习,经迭代获取道路网中心点位置,最后运用"中心点四邻域跟踪判别法"跟踪连接形成道路中心线。实验表明,该方法在高分辨率遥感影像道路网的提取上有较好的效果,特别在主干道路网的提取上效果更佳,对噪声干扰具有良好的鲁棒性。     

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。     

一种基于多特征及BP神经网络的高分辨率遥感影像道路提取方法

高分辨率遥感影像的道路提取能够广泛应用于自动驾驶及地图导航的研究,现有道路自动提取方法精度较低。随着人工智能技术的发展,人工神经网络算法得到推广,将其应用于高分辨率遥感影像的道路提取也在探索研究之中。提出一种基于图像分割及神经网络的高分辨率遥感影像道路提取方法,以减少大量的人工预处理工作,提高道路识别提取效率。针对传统方法用于复杂影像分析的参数难以确定的问题,首先采用影像分割技术获得影像对象,然后对影像对象进行纹理特征、形状特征、光谱特征的计算,并使用BP神经网络进行训练,形成分类模型。基于得到的分类模型进行道路的自动提取,在仿真实验中获得了较好的精度,识别准确率达到87.6%。     

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。     

面向对象的高分辨率遥感影像道路损毁识别研究

道路损毁信息的在灾后高效救援中发挥着重要作用。本文针对高分辨率遥感影像空间特征丰富、光谱分辨率低的特点,基于面向对象遥感影像分类方法,采用eCognition软件对芦山震后0.2m航空遥感影像进行道路损毁信息的提取实验。实验中结合GIS信息,首先将基于现有的道路矢量线文件生成道路矢量面文件参与分割,生成单独的道路区域对象以用于进一步处理。分割采用棋盘分割和多尺度分割,根据损毁道路影像特征创建波段比值,使用Assign算法和模糊分类算法提取出道路线、植被、损毁区和未损毁区,并将结果输出为矢量文件。根据损毁区损毁对象的周长、面积与道路宽度的关系,建立判定条件来初步判定损毁类型。最终将损毁粗判定结果与损毁路段的目视解译结果对比分析,检验该方法的准确率及可行性。结果分析表明上述方法能有效地识别出高分辨率遥感影像损毁道路信息。     

面向对象的高分辨率遥感影像道路损毁识别研究北大核心CSCD

道路损毁信息在灾后高效救援中发挥着重要作用。本文针对高分辨率遥感影像空间特征丰富、光谱分辨率低的特点,基于面向对象遥感影像分类方法,采用e Cognition软件对芦山震后0.2 m航空遥感影像进行了道路损毁信息的提取试验。试验中结合GIS信息,首先将基于现有的道路矢量线文件生成的道路矢量面文件参与分割,生成单独的道路区域对象以用于进一步处理。分割采用棋盘分割和多尺度分割,根据损毁道路影像特征创建波段比值,使用Assign算法和模糊分类算法提取出道路线、植被、损毁区和未损毁区,并将结果输出为矢量文件。根据损毁区损毁对象的周长、面积与道路宽度的关系,建立判定条件来初步判定损毁类型。最终将损毁粗判定结果与损毁路段的目视解译结果对比分析,检验该方法的准确率及可行性。结果分析表明上述方法能有效地识别出高分辨率遥感影像损毁道路信息。     

基于道路网矢量数据的遥感影像道路损毁检测

利用面向对象方法对地震后高分辨率遥感影像上的道路进行多尺度分割和分类.通过融合地震前道路网矢量数据与地震后遥感影像,提出一种基于自适应模板的道路损毁检测方法.试验结果证明,该方法能够快速、准确地对损毁信息进行提取.     

一种利用Mask R-CNN的遥感影像与矢量数据配准方法

遥感影像数据与地理信息系统（geographic information system,GIS）矢量数据的配准是遥感与GIS集成的基础。目前遥感影像与矢量数据的配准关键在于遥感影像特征的提取,而现有遥感影像特征提取方法存在特征提取不完整、配准失败和精度不高等问题。由此提出了一种基于Mask R-CNN(region-based convolutional neural network)的遥感影像与矢量数据配准方法,首先,利用Mask R-CNN模型提取影像的道路交叉口作为影像控制点;然后,依据几何拓扑关系筛选矢量数据道路交叉口作为矢量控制点,再根据遥感影像与矢量数据控制点的欧氏距离确定同名控制点;最后,以同名控制点为基础实现遥感影像与矢量数据的配准。选取上海市矢量数据和高分二号影像数据进行配准实验,实验结果表明,所提方法鲁棒性强、精度高。     

轨迹延续性与影像特征相似性结合的城市道路提取

城市道路区域检测是城市土地管理、交通规划等领域的迫切需求,而传统城市道路区域检测多使用轨迹提取、遥感解译、人工采集等单独方式,在自动化程度或提取质量上存在一定的局限性。本文结合GNSS轨迹点与高分遥感影像各自的数据优势,提出一种基于轨迹延续性与影像特征相似性的遥感影像道路区域检测方法。该方法以出租车GNSS轨迹点构建轨迹特征栅格,基于轨迹延续性在平均方向特征栅格中划分路段对象,利用道路对象的光谱特征向轨迹无法覆盖的小区内部进行拓展,以获得提取区域内较为完整的道路信息。试验证明：本文方法可以有效降低道路的同物异谱现象及阴影、树木遮挡的影响,高效地提取高分遥感影像中的道路区域。与传统的遥感影像分类方法相比,具有更高的精度与自动化程度,相较于深度学习模型具有更广的适应性。     

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。     

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。     

Road Network Extraction from High-Resolution Remote Sensing Image Using Homogenous Property and Shape Feature

According to spectral homogeneity and ribbon-like shape of road, this letter presents a simple yet effective method of delineating road networks from high-resolution remote sensing images. The proposed method consists of three main steps. First, the mean shift algorithm is utilized to detect the modes of density of image points in spectral–spatial space which contain potential road center points and then detected mode points are classified into different classes by mean shift-based clustering on the basis of spectral information. Next, the combination of Gabor filtering and tensor encoding is used to identify the road class and to extract road center points. Lastly, road network is generated from detected road center points by means of tensor voting and connected component analysis. The experimental results demonstrate good performances of the proposed method in road network extraction from high-resolution remote sensing images.     

一种改进的融合不同尺度特征的遥感影像道路提取新方法

针对高分辨率遥感影像中细小道路纹理特征不明显、信息提取困难的问题,本文提出并实现了一种融合不同尺度特征的深度学习道路提取新方法。首先引入CoT模块构建残差网络,以充分利用局部与全局上下文信息提取不同尺度道路特征;然后构建特征金字塔注意力模块,融合不同层级道路特征信息;最后使用全局注意力上采样模块结合全局背景对道路细节进行恢复。试验结果表明,该方法的召回率、交并比均优于已有方法,能够较完整准确地提取遥感影像中的道路信息,提升道路提取效率。     

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。     

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。     

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。