小波变换在遥感影像道路特征提取中的应用

遥感影像中的信息提取一直是图像处理的研究热点之一,阐述了在道路特征提取方面的一些经验.鉴于小波变换是检测边缘的良好工具,并结合边界跟踪,最终成功完成了道路特征的提取.     

一种基于atrous小波变换的遥感影像融合方法

针对遥感高分辨率全色影像同低分辨率多光谱影像的融合,提出了一种在àtrous小波变换基础上,可以使边缘特征增强的遥感影像融合方法。实验证明,融合后的影像不仅在很大程度上保留了多光谱影像的光谱特征,还提高了空间分辨率,特别是边缘特征得到进一步增强。     

一种基于àtrous小波变换的遥感影像融合方法

针对遥感高分辨率全色影像同低分辨率多光谱影像的融合,提出了一种在àtrous小波变换基础上,可以使边缘特征增强的遥感影像融合方法。实验证明,融合后的影像不仅在很大程度上保留了多光谱影像的光谱特征,还提高了空间分辨率,特别是边缘特征得到进一步增强。     

一种基于卷积运算的遥感影像道路提取方法

根据遥感影像道路特征,提出一种基于卷积运算和数学形态学的道路提取方法。首先通过拉普拉斯算子对图像行锐化处理;再用卷积运算获得线特征加强系数,在加强道路线特征的同时,背景灰度恒定区域被弱化;然后去除短线和块状噪声,适当地加入人工干预进行道路修剪;最后用数学形态学细化处理得到道路网。实验结果表明,该方法能有地从遥感影像中提取出道路。     

一种基于形状特征进行高分辨率遥感影像道路提取方法

提出一种基于局部灰度一致性的图像分割方法并结合形状特征进行道路提取的方法.该方法首先对图像进行分割,对分割结果使用形状特征进行道路段的选择,可以获取直线和曲线道路段,克服了许多方法只能提取直线道路段的缺点,然后在确定的道路段上选择种子点进行区域增长,从而实现自动选取种子点并提取道路网的过程,最后结合边缘信息和形态学方法规整化道路网.提出的方法能适用于高分辨率遥感图像中直线和曲线道路段的提取.经过实验分析和比较证明:该方法对于路面灰度均匀性较好和路面灰度均匀性较差的图片,都达到了较好的效果.     

基于IHS变换和小波变换的遥感影像融合

在遥感影像融合中,IHS变换法与小波变换法具有互补性,文中把这两种方法结合起来,提出了一种基于IHS变换与小波变换的影像融合方法.通过对具体影像的实验证明,该方法是有效的,达到了预期的目的.     

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Radon和树型小波变换的遥感影像居民地提取

针对频域变换的旋转不变纹理特征,提出Radon变换结合树型小波变换的纹理特征提取方法。以Radon变换处理影像将影像纹理的旋转转化成平移信息,对变换后的影像进行非完全树型小波变换。此时可以将能量作为旋转不变纹理特征,但得到的小波系数所携带信息较少,所以本文采用小波系数直方图作为纹理特征。采用此方法对居民地进行提取,实验结果表明利用该方法能得到比较有效稳定的旋转不变纹理特征,并且对不同的中小比例尺遥感影像都有较好的适应性。     

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...     

遥感影像上基于特征的道路提取方法

从遥感影像上提取道路信息是当前遥感技术应用研究的主要方向之一。文中在详细分析航空遥感影像上道路特征及目前国内外关于道路提取技术的前提下,综合考虑各种实际情况,提出了一种新的基于特征的道路提取模型。在算法实现过程中,采用了自适应分块边缘检测、多尺度侦测道路中心点、自适应对比度调整、道路中心点综合判断准则等技术手段,保证了提取结果的稳健性、准确性。实验表明该算法能够快速、稳健地从航空遥感影像上提取道路中心骨架线。     

影像与LiDAR数据信息融合复杂场景下的道路自动提取

城区的道路自动提取受场景复杂度的影响一直是极具挑战的任务,尤其是阴影和遮挡较严重地区的道路提取难度较大。结合LiDAR数据和高分辨率遥感影像,提出一种自动道路提取方法。该方法首先对滤波后的点云强度信息获取初始道路中线及道路关键点;将地面点云强度、离散度及高分辨率遥感影像光谱数据多重信息融合建立道路模型,并以优化后的道路关键点作为种子点利用动态规划计算模型最优解,进一步提取道路网。试验表明,该方法在城市复杂场景下的自动提取主要道路是有效的。     

基于单时相高分辨率遥感影像的震后道路提取研究

地震发生后,道路是生命救援及运输物资的重要通道,因此,快速有效地获取道路的信息是震后抢险救灾非常关键的一步。在震前影像及矢量数据等缺失的情况下,本文基于2014年8月3日云南鲁甸地震的单时相高分辨率World View-2遥感影像进行了震后毁损道路提取方法研究。在提出的一个震后毁损道路提取方法中,先在e Cognition软件中对影像进行多尺度分割和最邻近分类,然后在Matlab软件平台下对分类结果进行二值化,并用数学形态学技术去除偏大和偏小的地物,最后利用Hough变换进行道路检测得到毁损的路段。实验结果证明:该方法能够快速有效地提取出震后的山区道路毁损信息,可为地震应急提供信息支持。     

基于HIS变换和WT变换的遥感影像融合

遥感影像信息融合是近年来国际遥感领域的研究热点.传统的遥感影像融合主要是HIS变换法、加权平均法、PCA法等.利用小渡变换(WT)技术进行遥感影像融合是近年来的研究热点,但其直接舍弃了全色图像的低频率分量,在结果图像中容易出现分块效应.本文结合HIS变换和小波变换的互补性,提出了一种基于HIS变换和小波变换的遥感影像融合方法.通过实验、直观和定性分析,新方法既可以增强融合影像的空间细节表现能力,同时也很好地保留了多光谱影像的光谱信息.     

基于小波包变换与IHS变换的遥感图像融合

针对多光谱图像与金色图像的融合，提出了基于IHS变换和小波包变换的遥感图像融合新方法。该方法首先对多光谱图像作IHS变换得到3个分量：亮度I、色度H和饱和度S；其次利用小波包变换融合方法融合多光谱图像的亮度分量与金色图像，并用融合后的图像替代多光谱图像的亮度分量；最后作IHS反变换得到新的多光谱图像。实验分析表明，新方法的性能优于IHS变换融合方法、小波变换融合方法和基于小波变换与IHS变换融合方法，在保留多光谱图像光谱信息的基础上，增强了融合图像的空间细节表现能力。     

GVF Snake与显著特征相结合的高分辨率遥感图像道路提取

高分辨率遥感图像中的道路信息,对地理信息系统数据库的更新具有重要的意义。本文通过分析道路在遥感图像中所呈现的特性,提出了一种基于显著特征和GVF Snake的高分辨率遥感图像道路提取方法。该方法根据视觉认知理论将道路的几何特性和辐射特征作为显著特性。首先,通过融合颜色对比度和空间统计特征计算显著性图,并以输出的显著图的最大值作为GVF Snake的初始种子点;再利用区域生长法求出道路的初始边界,通过梯度矢量流模型的迭代求解,并最小化能量函数,实现道路信息的自动提取。试验结果表明,本文所提出的方法提高了不仅可以提高计算效率,还具有较好的检测精度。     

分水岭变换在遥感影像线状特征提取中的应用

在现有目标识别方法的基础上,提出一种结合目标的特性进行分水岭变换提取目标的方法。试验结果表明,这种方法可以有效地从遥感影像中提取线状特征。     

基于对象直方图G统计量的遥感影像道路提取

提出了一种基于对象直方图G统计量的遥感影像道路提取方法。首先基于标记分水岭算法分割高分辨率遥感影像获取对象像斑,提取对象光谱特征并利用SVM从影像中分离出光谱相似的建成区（道路、建筑物等）;然后从建成区选择合适的对象作为训练样本,采用G统计量度量测试样本与训练样本的LBP纹理直方图距离,以表达对象纹理特征的异质性,并利用最小距离分类器完成建成区内道路与建筑物等的分离;最后结合几何形状特征和数学形态学处理对提取的道路进行优化,获得最终的道路提取结果。试验结果表明：该方法能较好地提取出道路信息。     

基于中值滤波和小波变换的遥感影像去云

去云处理是遥感图像处理以及大气纠正的重要步骤,目前常用的遥感薄云去除法一般只能去除低频区域的云,而对高频区域的云则没有处理效果.因此,在研究传统小波算法对图像进行处理的基础上,引入了中值滤波,它将每一像素点的灰度值设置为该点邻域窗口内的所有像素点灰度值的中值,旨在对高频突变云区进行处理.而后结合主观视觉和客观统计分析两方面对结果进行评价,并且与传统小波去云比较,经分析表明,高频突变云有所减少,达到了预期目的.     

遥感影像中城市道路的提取

阐述了城市遥感影像中道路提取的特点,以及当今道路特征提取的一些研究成果。根据城市道路的特点,设计了根据植被指数先提取道路两旁的植被方法,通过面积阈值和形状指数阈值剔除图斑,以及应用数学形态学,对图像进行细化,可以提取道路目标。实验结果证明这一方法的正确性。