基于圆形模板的遥感影像道路半自动提取方法

目前,针对低分辨率遥感影像的道路提取研究已经很多,但是在中、高分辨率遥感影像中,丰富的场景信息以及路面车辆、交通标志线、绿化带或路边行树等噪声都会对道路提取产生影响,因而,道路提取仍是一项较为困难的工作.有鉴于此,本文提出了一种基于圆形模板的高分辨率遥感影像道路提取方法,以空间分辨率为0.8 m的高分2号影像为实验数据,利用区域增长、模板匹配方法,结合影像灰度、影像形态学梯度及道路中心点之间的夹角信息,用迭代内插的方法加密道路中心点,最终得到道路中心线.实验分析表明,本文方法省去了旋转角度的计算,同时延续模板匹配优势,算法简单,易于操作,实验效果较好.     

基于圆形模板的高分辨率遥感影像道路半自动提取

针对基于矩形模板匹配的道路提取方法在影像中存在较大弯曲路段提取效果不佳的问题,提出了一种基于圆形模板的半自动道路提取方法,用圆形模板取代矩形模板搜索道路中心点,省去了旋转角度计算,结合影像灰度、形态学梯度以及道路中心点之间的夹角信息,用迭代内插的方法搜索加密道路中心点,最终得到道路中心线。实验分析和比较表明,该方法在继承模板匹配的优势的同时较好的弥补了矩形模板的不足,提取效果较好。     

面向地理国情监测的道路信息半自动提取

针对目前高分辨率遥感影像道路和道路网的提取在自动化程度、效率以及精度方面的不足,结合常态化地理国情监测,提出了一种模板匹配与自适应相结合的半自动道路网提取方法。首先通过模板匹配进行初步提取,再通过人机交互精细化道路初步提取结果,最后使用自适应优化方法对提取的道路边界进行优化,得到与影像套合较好的路网半自动提取结果。     

基于高分辨率城区遥感影像的道路半自动提取方法研究

遥感影像上人工地物的自动化和智能化采集一直是摄影测量与遥感技术长期探索的一个主要课题。道路是重要的基础地理信息,随着遥感影像分辨率的提高,道路特征的复杂化对道路提取方法形成了挑战。针对高分辨率城区遥感影像道路提取中存在的问题,结合多分辨率分析思想、模板匹配原理和LSB-Snake模型,综合提出了一种适用于城区高分辨率遥感影像的道路半自动提取方法。实验表明该方法可以在很大程度上弥补LSB-Snake模型的不足,同时具有良好的抗噪声能力,可作为一种有效手段应用在城区高分辨率遥感影像的道路提取中,具有很好的交互性、可靠性和高效性。     

均值漂移与卡尔曼滤波相结合的遥感影像道路中心线追踪算法

基于模板匹配的道路追踪方法是道路提取中较实用的一类方法,但传统模板匹配方法主要以相关系数作为相似性测度,对车辆、树荫等遮挡敏感,不适用于高分辨率遥感影像道路提取。针对这一问题,本文采用一种稳健的相似性测度,设计了一种基于均值漂移的道路中心点匹配算法,克服了传统模板匹配对遮挡敏感的缺点;然后运用卡尔曼滤波,实现高分辨率遥感影像道路中心线追踪。试验表明,该方法能够准确提取高分辨率遥感影像道路中心线,对车辆、树荫等遮挡具有稳健性。     

基于遥感影像的地图道路网数据变化检测研究

在遥感影像和地图道路网数据精确配准的基础上,提出了利用缓冲区约束下的、基于知识判断的多尺度模板匹配方法检测变化的道路,对旧地图中的道路变化情况自动检测;采用自动赋初值的LSB-Snake模型半自动检测新增道路.实验表明,所提出的方法可以有效地检测道路变化,达到较高的自动化程度.     

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。     

基于角度纹理特征及剖面匹配的高分辨率遥感影像带状道路半自动提取

提出了一种基于角度纹理特征及剖面匹配相结合的高分辨率遥感影像带状道路半自动提取方法.该方法由用户输入道路起点、初始方向及宽度,使用角度纹理特征模型预测初始的道路中线点,以抛物线方程参数构建道路中线轨迹参数模型.使用计算曲率变化的方法验证道路轨迹点,对验证失败的中线点位使用剖面匹配算法进行重新预测并确定,最终提取出该道路中线轨迹.本文使用Visual C 构建了原型系统,对QuickBird及IKONOS影像中具有一定宽度的带状道路进行了提取试验,并与经典的基于剖面匹配的半自动道路提取算法和基于Snakes的半自动道路提取算法进行了对比试验.经试验验证,本算法取得了较为理想的结果.     

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。     

曲折道路遥感影像圆投影匹配改进追踪法

道路提取是遥感信息提取的重点和难点。曲折道路（如盘山公路等）方向突变现象严重,当道路的宽度有变化或受到阴影、杂物遮挡等干扰时,其提取难度进一步增大。针对该问题,本文提出一种基于改进圆投影匹配的曲折道路自动追踪方法。首先,对标准圆投影匹配进行改进,包括：（1）提出圆投影向量近似度参数,实现对圆投影模板离散近似程度和计算量的控制;提出圆投影模板最优半径确定方法,以保证获得最大道路特征条件下,减少模板匹配计算量;（2）引入干扰校正算法,在一定程度上克服了由于光照、噪声等因素造成匹配困难的问题;其次,提出基于改进圆投影匹配的道路追踪方法,并在模板匹配过程中加入自适应机制,即将已匹配道路按照一定的权重参与后续模板匹配,一定程度上克服道路形态的变化和干扰。最后,以曲折道路特征突出的山区遥感影像SPOT-5和GeoEye-1进行道路提取实验。实验结果表明,采用提出的基于改进圆投影匹配的道路追踪算法具有方向无关的特点,适用于曲折道路遥感提取。对道路中心线的提取误差约2~5m,提取准确率高于80%。     

光学遥感影像道路提取的方法综述

道路信息在多个应用领域中发挥着基础性的作用。光学遥感影像能够以较高的空间分辨率对目标地物进行精细化解译,可大幅增强地物目标的提取能力。充分利用光学遥感影像丰富的几何纹理信息,进行道路的精确提取,已成为当前遥感学界研究的热点与前沿问题。鉴于此,本文依据近年来大量相关文献,对现有的理论与方法进行了归类与总结,通过分析不同方法采用的道路特征组合,将道路提取方法划分为模板匹配、知识驱动、面向对象和深度学习4类方法,简要介绍了道路提取普适性的评价指标并对部分方法进行了分析与评价;最后对现有光学遥感影像道路提取的发展提出了建议和展望。     

多特征约束的高分辨率光学遥感影像道路提取

针对复杂场景中的遥感影像道路提取问题,论文提出了一种多特征约束的影像道路提取方法,并开展了论文方法可行性论证。该方法首先,根据道路宽度的先验知识以及道路的几何特征,提出一种改进的线段二次提取模型,利用线段长度和道路宽度确定候选道路种子点集;其次,输入道路结构信息,基于道路辐射特征对候选道路种子点进行整体匹配评价;再次,当候选道路种子无法符合辐射特征要求时,提出一种浅色机动车检测模型,以此将浅色机动车结果作为道路上下文特征,利用道路上下文特征对候选道路种子点进行分析;然后,构建道路拓扑分析模型,依据道路拓扑特征对候选道路种子点进行最终验证;最后,对提取道路种子点进行优化处理,并提出道路跟踪及拟合方法。通过不同复杂场景、不同分辨率高分辨率遥感影像下开展的不同方法实验结果对比分析表明,相对于其他商用软件ECognition和Erdas的方法,本方法自动化程度更高,运行效率高,适用于解决道路类型多样化、几何光谱噪声大的复杂场景道路提取问题。     

改进剖面匹配和EKF对SAR影像道路半自动提取

道路提取作为典型的线状目标提取,是遥感影像目标解译的研究热点。合成孔径雷达（SAR）影像包含了丰富的物理特性,能够全天时、全天候地获取影像数据,已广泛应用于道路提取中。传统的道路提取方法分为全自动和半自动方法。全自动道路提取会出现漏检和错检,需要大量的人工后处理。半自动方法结合人工干预,是对计算机的计算能力和人工解译准确性的有效折中。提出了用一种改进剖面匹配和扩展卡尔曼滤波（EKF）的方法对SAR影像道路进行半自动提取的方法。首先构建了道路提取模型,其次通过改进剖面匹配算法获取准确的观测值,最后利用EKF对观测值进行更新获取道路最优估计值。选取美国缅因州Howland地区L波段UAVSAR数据和海南陵水地区X波段机载SAR数据进行实验,结果表明,该方法在较少人工干预的情况下,能够对复杂场景道路进行有效稳健的提取。     

Road Detection from Optical Remote Sensing Imagery Using Circular Projection Matching and Tracking Strategy

A road detection method based on Circular Projection (CP) matching and tracking strategy is proposed in this paper. The CP matching is a template matching-based algorithm with rotation invariant and low computation characteristics. This advantage is beneficial for twisty roads detection. Take the good use of the advantage, we improve the CP matching to make it more applicable for road detection, including: optimal template radius selection, approximation control parameter, and anti-interference correction for suppressing brightness and random noise affects. The overall road detection is using a dual-directional tracking strategy. In road tracking, we use a fan-shaped scope to limit the direction of template matching to prevent backtracking. In tracking procedure, we propose an adaptive template matching algorithm, overcoming changes between the selected template and targets. Finally, SPOT-5 and GeoEye-1 remote sensing images are used for experiment. The experimental result shows that the proposed method is rotation invariant, flexible and fast, which is applicable to the twisty road detection. The experiment results also show that road detection error is about 2?~?5 m, and detection accuracy is higher than 80 %.     

深度卷积特征表达的多模态遥感影像模板匹配方法

多模态遥感影像间(光学、红外、SAR等)存在显著的非线性辐射差异,传统方法难以有效地提取影像间的共有特征,匹配效果不佳.鉴于此,本文将深度学习方法引入影像匹配中,提出了一种基于Siamese网络提取多模态影像共有特征的匹配方法.首先通过去除Siamese网络中的池化层和抽取特征来优化该网络,保持特征信息的完整性和位置精度,使其可有效地提取多模态影像间的共有特征,然后采用模板匹配策略,实现多模态遥感影像高精度匹配.通过利用多组多模态遥感影像进行试验,结果表明,本文方法的匹配正确率和匹配精度都优于传统的模板匹配方法.     

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。     

基于深度学习的高分辨率遥感影像建筑物提取方法

针对传统的建筑物提取方法精度较低和边界不完整等问题,本文提出基于深度学习的高分辨率遥感影像建筑物提取方法。首先,采用主成分变换非监督预训练网络结构,获得待提取遥感影像特征。其次,为减少在池化过程中影像特征信息的丢失,提出自适应池化模型,通过非下采样轮廓波变换来获取影像纹理特征,并将纹理特征输入网络中参与建筑物提取。最后,将影像特征输入softmax分类器进行分类,获得建筑物提取结果。选取典型区域进行建筑物提取试验,并与典型建筑物提取方法进行对比分析,结果表明,本文提取方法精度高,并且提取建筑物的边界清晰、完整。