多源数据协同的城市道路提取

城市道路的高精度提取可为城市三维表达、城市地形分析、城市建设规划、交通导航等提供数据基础和支撑。本文以合肥市局部城区为试验区,以开源路网、街景图像和遥感影像为数据源,在利用最大似然法进行初提取的基础上,通过空间分析、统计分析、几何量测、最小二乘拟合等方法进行粘连分割、缺失处理和交叉口细化等关键处理,构建了多源数据协同的城市道路提取方法,并对提取结果进行了精度评价和分析。试验结果表明,本文提出的城市道路提取方法优于最大似然和面向对象方法,提取总体精度为96.65%,Kappa系数为93.71%,道路宽度偏离标准差为0.03m,特别是对同物异谱、同谱异物及遮挡等造成的信息提取不全问题具有良好的改善效果。     

一种高分辨率SAR影像道路提取方法

针对高分辨率SAR影像中细节信息损坏道路的面特征结构、影响道路提取,基于影像统计特征,给出一种结合区域生长和细节信息识别的道路提取方法。该方法通过区域生长提取呈现面特征的暗目标(道路框架),利用CFAR算法识别细节,通过形态学融合得到最终结果。为降低高分辨率影像区域异质性对提取结果影响,提出了一种自适应CFAR算法,相比之前算法可自适应删除干扰点;并引入有效表征影像统计的GA0分布。利用海南省陵水黎族自治县机载X波段高分辨率SAR数据的幅度影像进行实验,结果表明,该方法能有效提取呈面特征的道路,获得准确的道路宽度和中心线信息。     

Self-organised clustering for road extraction in classified imagery

The extraction of road networks from digital imagery is a fundamental image analysis operation. Common problems encountered in automated road extraction include high sensitivity to typical scene clutter in high-resolution imagery, and inefficiency to meaningfully exploit multispectral imagery (MSI). With a ground sample distance (GSD) of less than 2 m per pixel, roads can be broadly described as elongated regions. We propose an approach of elongated region-based analysis for 2D road extraction from high-resolution imagery, which is suitable for MSI, and is insensitive to conventional edge definition. A self-organising road map (SORM) algorithm is presented, inspired from a specialised variation of Kohonen's self-organising map (SOM) neural network algorithm. A spectrally classified high-resolution image is assumed to be the input for our analysis. Our approach proceeds by performing spatial cluster analysis as a mid-level processing technique. This allows us to improve tolerance to road clutter in high-resolution images, and to minimise the effect on road extraction of common classification errors. This approach is designed in consideration of the emerging trend towards high-resolution multispectral sensors. Preliminary results demonstrate robust road extraction ability due to the non-local approach, when presented with noisy input.     

结合尺度空间的面向对象高分辨率影像城市道路提取

基于遥感影像的城市道路提取对于城市建设、规划和地图更新等有重要意义。针对高分辨率遥感影像城市道路网的复杂性,结合尺度空间思想提出一种面向对象的城市道路自动提取算法。在此基础上,使用Canny算子获取像元簇梯度图,并进行标记分水岭分割得到区域对象;建立城市道路与几何、光谱特征相关的道路规则,从分割结果中筛选出道路区域对象;使用形态学方法提取道路区域的骨架,并对骨架进行连接、光滑等后处理,最后输出道路网提取结果。实验结果表明,该方法用于复杂城市道路的高精度自动提取,对城市道路网更新有一定参考意义。     

高精度矢量数据的路面三维自动建模方法

为了解决路面手工三维建模速度慢、工作量大等问题,本文面向规范化处理的高精度矢量数据,对不同路口进行精细化设计,自动生成路面三维模型.首先使用道路高精度三维信息采集软件,在获取的点云数据中半自动化提取准确的道路边线、道路标识线等矢量信息;然后针对不同路口进行精细化线形设计,提出连续四边形重建方法、弯道平滑处理方法、交叉口...     

一种机载激光雷达道路点云的半自动提取方法

针对直接从LiDAR点云数据中提取道路信息比较困难的问题,文章提出了一种基于点云分割和区域生长的机载LiDAR数据道路点云提取方法:采用曲面生长法对点云进行分割,直接得到包含道路信息的曲面点集合;应用LiDAR数据的回波强度对分割结果中的道路进行强度标定,并采用区域增长的思想实现了道路的精细提取。实验表明,该方法能够高效、准确地提取道路点云,在路桥建模方面有较强的使用价值。     

融合机载雷达和航空正射影像的道路提取

针对单一遥感数据源提取道路信息中存在的问题,该文提出一种融合多源数据的方法:采用面向对象思想,融合机载激光雷达和航空正射影像,运用对象平均强度指数进行道路精确提取。首先利用点云强度信息进行道路粗提取,再结合影像光谱信息对粗提取点云进行优化,得到"一次点云";然后通过分形网络演化算法对影像进行多尺度分割形成对象,将"一次点云"导入分割对象,利用对象平均强度辅之以对象面积完成道路精确提取。实验结果表明,该方法提取流程简单快速、无须精确配准、道路提取精度较高。     

面向林地信息提取的 Pleiades-1影像融合算法评价分析

以Pleiades-1影像为对象,以探究其面向林地信息提取的融合算法选择为视角,通过基于目视和定量特征分析、辅助面向对象分类分析的方法,为林业部门遥感影像大规模融合应用提供参考。研究认为Pansharp和GramSchmidt算法融合结果目视效果良好,各波段与原多光谱相关系数均高达0.8以上,清晰度与纹理增强明显。两种融合算法影像在不同林地层次信息提取能力各有优势,Pansharp融合结果在林地层次分类总精度可达86.55%,Gram-Schmidt融合结果则在森林类型层次具有最高的分类总精度78.76%。具体融合算法的选取需根据其应用的信息提取层次而定。     

MATLAB环境下遥感影像配准与融合技术研究

对基于高通滤波的加权融合法和HIS融合变换法在MATLAB环境下进行了算法研究与实现,结果表明在较好地保留原图像光谱信息的同时大大提高了图像空间分辨率,且提高了工作进程和效率。     

基于直线特征检测的道路边线自动提取方法

针对如何从车载激光点云数据中快速、准确地提取道路边线的问题,本文提出一种基于直线特征检测的道路边线自动提取方法。首先对原始点云进行地面滤波,删除非地面点,获取包含道路信息的地面点云,接着把点云投影到二维图像上,根据反射强度获得平均强度图像,对平均强度图像进行LSD直线检测,获得道路边线的直线段,然后进行直线连接,把检测出来的短线段连接成长直线,最后根据直线特征提取出道路边线,并且利用定量指标对提取结果进行定量分析。实验证明,该方法提取的道路边线具有较高的准确率和完整性。     

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。     

机载LiDAR点云中道路的提取方法

针对国内外许多专家学者对道路提取进行了大量的研究,但国内少有文章对这些研究进行归纳总结这一问题,该文对近年来国内外所有的研究现状进行总结概括。机载LiDAR点云进行道路提取中由于道路点云与地面点云高程相差很小、激光反射强度相近,导致道路提取一直是一个难点。文中系统阐述了从LiDAR中进行道路提取的各个过程、存在的问题以及对应的处理方法。最后,对此项研究内容进行了展望。     

基于分水岭算法的高分遥感图像道路提取优化方法

针对高分辨率遥感图像城市道路提取中存在的问题,在面向对象方法和数学形态学等理论基础上,提出了一种基于改进的分水岭分割算法的道路提取方法.在图像预处理基础上,首先使用改进的分水岭算法分割影像,提取基本的道路信息;然后利用面向对象方法提取道路基元,完善道路信息;最后将道路信息二值化,并采用数学形态学等方法进行优化,去除和修补不完善的道路.结果表明,该方法能有效地提取出城市地区的道路信息,对较复杂的道路环境也有较好的效果.     

基于高通滤波的高分辨率遥感影像城市道路提取

本文根据高分辨率遥感影像城市道路与房屋等建筑物在空间域中光谱特征差异很小,而在频率域中区别很大的特点,提出一种基于频率域的道路提取方法.在图像频率域中利用Butterworth高通滤波器对图像进行锐化增强处理,突出道路的边缘信息,将道路与建筑物初步区分开来;再对增强后的图像二值化,通过形态变换等方法对图像中的建筑物进行...     

基于多层形状特征提取与融合的城市高光谱影像解译

以前的研究往往从像素光谱的角度来解译高光谱影像,忽略了像素间的空间上下文关系。本文提出一种基于像素和对象层形状特征提取与融合的方法,把多层形状特征和光谱信息用支持向量机(SVM)输出函数方法进行融合,用于提取城市高光谱影像的形状特性,利用影像的空间关系。实验用HydICE-DC航空高光谱数据对提出的方法进行了验证,结果表明:像素级形状指数能够提供比对象级形状指数更优的结果,但像素—对象级形状特征的融合,能够给出更高的精度。     

面向对象的高分辨率卫星影像道路信息提取

本文采用面向对象方法对高分辨率卫星影像道路信息提取。首先加入建筑物矢量数据对影像分割提取出建筑物,然后采用多尺度进行分割,对分割后的对象进行最近邻采样,得到总体分类图。最后根据道路特点构建道路知识库对道路信息优化。试验表明,面向对象的道路信息提取克服了"椒盐现象",取得了较好的提取效果。     

利用局部梯度最大值的半自动道路提取

针对目前测图中半自动道路提取的现状和不足,文章提出了一种基于局部梯度最大值的道路测图算法:根据人工输入的初始条件,将影像上局部梯度最大值点作为道路边缘兴趣点,利用基于局部梯度最大值点的边缘扩展算法建立道路跟踪模型,并将该算法应用到资源三号卫星(ZY3)应用系统三线阵数字线划图生产软件中半自动道路识别。针对资源三号卫星影像乡村道路实验表明,该方法操作简便、符合作业习惯,能实时进行半自动道路测图,降低了道路测图的工作强度,提高了道路边缘的定位精度和测图效率,具有较好的应用价值。     

空间数据融合的基本框架

本文就空间数据融合的基本理论和问题进行了阐述。空间数据分为矢量数据和栅格数据,由于矢量数据的融合比较简单,本文就矢量数据的图形数据和属性数据的融合加以简单论述;主要研究了栅格数据,目前对于栅格空间数据而言主要是影像数据,本文对影像数据的融合的层次,步骤和方式等问题进行了系统研究;而且对空间数据融合存在的问题和解决的途径进行了论述。     

面向高光谱影像分类的显著性特征提取方法

针对高光谱影像分类问题,提出了一种显著性特征提取方法。首先,利用超像素分割算法将高光谱影像3个相邻波段分割为若干个小区域。然后,基于分割得到的小区域计算反映不同区域的显著性特征。最后,沿着光谱方向采用大小为3、步长为1的滑窗法获得所有波段的显著性特征。进一步将提取的显著性特征与光谱特征进行结合,并将结合后的特征输入到支持向量机中进行分类。利用Pavia大学、Indian Pines和Salinas 3组高光谱影像数据进行分类试验。试验结果表明,与传统的空间特征提取方法和基于卷积神经网络的高光谱影像分类方法相比,提取的显著性特征能够获得更高的高光谱影像分类精度,且结合光谱特征能够进一步提高分类精度。     

Discrimination and classification of mangrove forests using EO-1 Hyperion data: a case study of Indian Sundarbans

In remote sensing the identification accuracy of mangroves is greatly influenced by terrestrial vegetation. This paper deals with the use of specific vegetation indices for extracting mangrove forests using Earth Observing-1 Hyperion image over a portion of Indian Sundarbans, followed by classification of mangroves into floristic composition classes. Five vegetation indices (three new and two published), namely Mangrove Probability Vegetation Index, Normalized Difference Wetland Vegetation Index, Shortwave Infrared Absorption Index, Normalized Difference Infrared Index and Atmospherically Corrected Vegetation Index were used in decision tree algorithm to develop the mangrove mask. Then, three full-pixel classifiers, namely Minimum Distance, Spectral Angle Mapper and Support Vector Machine (SVM) were evaluated on the data within the mask. SVM performed better than the other two classifiers with an overall precision of 99.08%. The methodology presented here may be applied in different mangrove areas for producing community zonation maps at finer levels.