10m级分辨率卫星影像道路语义模型研究

道路模型是遥感影像自动/半自动道路提取中重点研究的内容。本文首先介绍了传统的影像道路模型并指出其中不足,从语义的角度阐述了建立道路语义模型的必要性,概述了10m级分辨率卫星遥感影像道路的表现特征,分析了遥感影像道路提取涉及的各层次语义信息,建立了面向10m级分辨率卫星遥感影像的道路语义模型,详细阐述了语义模型的实现过程。将语义模型应用于笔者开发的遥感影像道路提取系统,通过新疆阿图什Spot5多光谱遥感影像道路提取试验,验证了道路语义模型的有效合理性。     

利用增量式马尔科夫随机场分割提取高空间分辨率遥感影像道路

利用遥感影像进行道路提取,能够及时提供道路更新数据。高空间分辨率遥感影像中的道路成面状,且具有复杂的道路特征。其中,车流、道路线和行人等其他非道路因素的干扰会使道路的特征变化变得复杂,对道路提取造成困难。为此,利用高斯混合模型与马尔科夫随机场模型进行前景、背景模型估计与路面区域分割,以克服路面干扰因素的影响。由于道路贯穿于遥感影像,远离道路区域的影像对道路提取并无用处,故利用局部增量式分割方法确定道路提取有效区域,在其内部进行更精确的路面提取。实验结果表明,该方法效果明显有效。     

一种针对小样本的高分辨率遥感影像道路提取方法

针对高分辨率遥感影像道路提取过程中,深度学习方法较传统提取方法虽可有效地提高地物提取的精度,但需要大量样本训练,消耗较多计算资源,且大量高质量训练样本难以获得等问题,该文提出了一种将支持向量机(SVM)与卷积神经网络(CNN)结合的适用于小样本的道路提取混合模型,该模型能够在小样本训练时保证道路提取的精度。采用数据增强、正则化等方法优化训练策略,丰富小样本道路特征库,设计结合SVM的深度卷积神经网络结构来提取道路在影像中的高维特征,降低模型计算量,减少计算时间。以谷歌高分辨率遥感影像作为实验数据,用不同训练样本量来训练模型并验证道路提取的精度;同时,将该文提出的方法与逻辑回归(LR)模型、光谱结合SVM模型以及VGG16深度学习模型进行了道路提取效果的对比分析。结果表明:该文倡导模型方法在小样本情况下可以提取较高精度道路;与其他3种方法比较,该文方法能够快速构建与训练模型,在满足精度要求的同时,极大地提高了高分辨率遥感影像道路提取的效率,为道路数据的快速更新与变化检测提供了新的技术支持。     

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%。     

高分辨率遥感影像提取道路的方法综述与思考

 介绍了高分辨率遥感影像上道路的特征、模型和道路提取的基本思想，对已有的道路提取方法进行了分析，并对道路提取问题进行思考，提出下一步的研究方向。     

改进DeepLabV3+网络的遥感影像道路综合提取方法

遥感图像复杂场景道路提取过程受树木和建筑物阴影,以及荒地、空地等因素干扰较多。针对利用DeepLabV3+网络模型进行道路提取时存在的道路信息不完整和细节信息丢失的问题,本文提出了一种改进DeepLabV3+网络的遥感影像道路提取方法。该方法以轻量级的MobileNetV2作为骨干网络进行特征提取,采用空间金字塔池化模块获得多尺度道路信息特征,从而减少道路遥感图像细节的损失,并提高网络模型的道路提取精度。在DeepGlobe数据集上进行道路提取试验的结果表明,该方法在提升准确率的基础上,有效降低了计算的复杂度;像素准确率和交并比分别达79.7%、64.3%,均优于DeepLabV3+网络及其他经典网络模型,表现出更优异的道路提取能力。     

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。     

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。     

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。     

基于纹理特征融合与核模糊聚类的道路提取

根据高分辨率遥感影像中道路方向上的纹理一致性,提出了一种基于纹理特征融合与核模糊C均值聚类的高分辨率遥感影像道路提取新算法。该算法改进了角度纹理特征的计算方式,首先与Gabor纹理特征进行融合;再利用结合空间信息的核模糊C均值聚类算法对融合特征进行聚类,从而提取高分辨率遥感影像中的道路。实验结果表明,该算法可较高精度地从高分辨率遥感影像中提取具有一定纹理的道路。     

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.     

基于端到端全卷积神经网络的道路提取

高分辨率遥感影像中道路网的提取是智能地物提取和分析的重要方面,研究遥感图像的道路提取方法具有重要科学意义。本文以马萨诸州航空影像道路数据集为试验数据,设计一种基于端到端的全卷积神经网络模型,基于此分别对郊区道路网以及城区密集道路网进行试验分析,并与传统的监督分类算法进行比较。试验结果表明,基于卷积神经网络的深度学习算法可较高精度地从高分辨率遥感影像中提取道路信息,召回率与F1评分有着25%～47%左右的提升。     

基于贝叶斯网络的高分辨率遥感影像城区道路检测方法

针对高分辨率遥感影像中的道路网检测的效果不甚理想的现状,提出一种基于贝叶斯网络的道路网检测方法。首先在已有GIS数据的引导下对遥感影像中的道路进行提取,得到大部分未变化的道路边缘信息及疑似道路边缘信息。接着利用贝叶斯网络对道路边缘信息进行判断与推理,从而提取出遥感影像中的道路网,同时得到道路网的变化信息。     

基于高分辨率遥感影像的道路网络提取算法研究

作为遥感信息分析领域的重要工作之一,高分辨率遥感影像道路提取对于地理信息建库、城市建设规划、城市地形分析与三维表达等方面具有重要的研究意义。本文提出了多种改进算法组成的遥感影像道路网络提取方法,首先使用超像素分割(Simple Linear Iterative Clustering, SLIC)算法对高分辨率遥感影像进行分割处理并使用改进K-means算法对分割后影像进行分类;其次根据绿色植被指数(Green Vegetation Index, CVI)值滤除非人工区域并使用OTSU算法分割提取得到初始道路网络;最后对提取道路网络进行优化处理得到精细化道路网络。使用广州市某地高分辨遥感影像对本文提取算法进行验证,结果表明,本文算法能够有效地提取道路信息,提高道路网络提取精度。     

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。     

基于对比度增强和形态学的遥感影像道路提取

提出了一种基于对比度增强和形态学的遥感影像道路边界与特征点提取的方法。先对遥感影像进行对比度变换增强,通过对比分析直方图均衡化和对比度分段线性增强两种方法获取的增强影像,选取区分度大的分段线性增强方法进行影像增强,然后运用数学形态法进行影像分割,实现道路和其他图像信息的有效分离。利用Krisch算子进行边缘检测提取道路的边缘信息,并基于边缘特征利用改进的Harris算子提取特征点,将提取的特征点进行拟合并用函数模型描述图像道路信息,用于后期制图中道路信息的矢量化。     

一种基于小波变换的遥感影像道路自动提取方法

遥感影像上道路的自动提取是摄影测量与遥感、计算机视觉等领域的重要课题。本文通过对图像小波系数的分析,完成道路节点的提取。随后利用基于小波变换的边缘提取算子,对道路进行边缘提取。边缘提取出来之后,以道路节点为种子点,对道路进行Snake跟踪。为保证提取效果,对图像进行了预处理。实验表明,利用本文提出的理论与方法能为道路网的自动提取与识别提供一个可靠的依据,同时也对其他地物（如建筑物）的自动提取提供一个有价值的参考。     

遥感影像道路提取现状与展望

道路提取是遥感影像处理的热点和难点,简要介绍影像处理技术发展以来道路提取的各种方法,并分析其优缺点,最后对道路提取的发展方向做了总结。     

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。     

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。