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。     

基于 GVF 和 Snake 模型的高分辨率遥感图像四元数空间道路提取

基于Snake模型的优势及缺陷,提出一种高分辨率多光谱图像道路提取方法。通过建立多光谱图像信息的四元数表达式,解决Snake模型应用于多光谱图像的局限性;通过多光谱图像四元数空间标记分水岭分割,获取道路初始轮廓,解决道路初始边界设置问题;通过梯度矢量流模型迭代求解,解决道路凹陷位置逼近问题,最终实现道路提取。用QuickBird 高分辨率多光谱遥感数据验证方法的可行性,与直接采用Snake 模型进行道路提取结果相比,本文所提出的方法对于高分辨率影像上的高等级道路提取具有较好的精度。     

在高分辨率遥感影像中提取无清晰连续边缘线的道路

现有的许多道路提取算法均利用道路的外边缘线信息来实现道路的提取,当边缘线清晰连续时,采用这些方法都可以取得很好的提取效果.不过,在高分辨率的城市遥感影像中,常常会存在一些低对比度区域,处于其中的道路边缘线非常之弱,以致难以直接检测出单个的边缘点.如果受到树木、房屋及车辆的干扰,这些原本就很弱的边缘还会发生断裂.通过现有方法提取具有如此边缘线的道路难度很大.本文给出一种旨在解决这一问题的新方法.首先借鉴相位编组原理形成边缘线支持区并对其进行连接;然后利用动态规划方法从支持区中检测出边缘线并对这些线进行平滑;最后连接由边缘线构成的道路段,得出道路提取结果.实验表明,本方法可以较好地提取出无清晰连续边缘线的道路,对于边缘对比度较大的道路则可取得更为令人满意的结果.     

自适应圆形模板及显著图的高分辨遥感图像道路提取

针对现有基于圆形模板匹配算法需要人工设定模板尺寸的问题,提出一种自适应圆形模板的高分辨遥感图像道路提取算法。首先引入一种改进的局部形态学梯度图,基于形态学梯度图设计了一种自动生成模板尺寸的算法;接着借助改进的道路显著图,按迭代内插的方式搜索起始点与终止点之间其他道路点,搜索过程综合利用了显著图信息和几何夹角信息,使得算法具有更好的识别效果。试验结果表明,本文算法可适用于多种不同条件的遥感图像,能更加有效地从高分辨遥感图像中提取道路信息。     

基于脊线检测的高分辨率图像道路中线提取算法

为从高分辨率图像中提取道路中心线,本文提出了一种有效的基于脊线检测的提取算法。该算法首先对原始图像进行脊线检测得到道路中心线,再利用canny算子检测道路边缘,最后与脊线检测结果算术相与得到最终结果。实验表明该算法检测结果与实际道路中心线吻合度高,简单易行,且鲁棒性好。     

一种新的基于内容遥感图像检索的图像分块策略

对常用的图像分块方法进行了说明，提出了平均块覆盖率、冗余数据比率等概念，以及平均块覆盖率和冗余数据比率是衡量CBRSIR系统分块方法优劣的重要标准这一论断。在此基础上，针对Quin-树存在的主要问题，提出了一种新的分块策略——Quin^＋-树，并将Quin^＋-树和Quad-树、Quin-树和Nona-树进行了分析和比较。实验证明，Quin^＋-树是最实用可行的CBRSIR图像分块方法。     

三维点云边缘检测和直线段提取进展与展望

从图像中提取边缘和直线段是计算机视觉研究的热门主题,近年来,随着三维点云数据质量的不断提高,从三维点云数据中提取边缘和直线段得到了很多学者的关注,已取得了一些研究成果。本文探讨了从三维点云数据中检测边缘和提取直线段的基本思想,对已有的方法和研究现状进行了较全面的综述,介绍了具有代表性的三维点云边缘检测与直线段提取方法,并对各个方法的特点和缺陷进行了分析,最后对三维点云边缘检测与直线段提取研究的前景进行了展望。     

基于模糊算子理论的道路半自动提取

提出了一种基于模糊算子理论的道路半自动提取方法。该方法在对小比例尺影像进行Sobel边缘检测的基础上，定义了12种模糊算子表示2维道路的各种可能的结构，然后在给定道路种子点附近形成的一定范围内进行搜索，提取出道路的中心线。实验结果表明，该算法速度较快并且具有较强的鲁棒性。     

一种有效的航拍图像中直线提取算法

首先对航拍图像进行小尺度高斯滤波;然后进行边缘检测,得到边缘检测幅度图像;再在边缘检测幅度图像中进行启发式搜索连接,提取出符合直线模型的直线搜索轨迹;最后根据直线搜索轨迹的判别获取直线。实验结果表明,该算法可以在航拍图像中提取出真实的直线,是一种有效的直线提取算法。     

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.     

高分辨率遥感图像道路分割算法

为了提高从高分辨率遥感图像(high-resolution remote sensing image,HRI)中提取道路信息的自动化程度和准确性,发展了一种HRI道路分割算法,主要包括光谱合并、边界合并和基于形状特征的道路区域提取等3个步骤。其中,前2个步骤是基于区域生长的图像分割算法。光谱合并综合考虑了区域的均值、方差等统计特征量,以提高分割精度;边界合并采用了基于矢量梯度的边界计算方法,以准确提取多光谱HRI中的边界强度;结合全局最优合并算法实现光谱和边界合并,以得到最优化的分割结果。在道路区域被完整分割出来的基础上,利用形状特征提取道路,采用圆形度特征区分道路和非道路。利用2景Orb View3多光谱图像进行道路提取实验的结果表明,该方法的道路提取结果总精度和Kappa系数分别在97%和0.8以上,明显优于SVM监督分类方法。     

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。     

基于边缘图与边缘方向的遥感图像检索

本文在系统介绍遥感图像检索中边缘特征描述方法的基础上,将边缘特征归纳为边缘图和边缘方向两类特征。通过对遥感目标图像库和纹理图像库上所做实验的分析,揭示了不同算法的特性,并指出综合两类特征可进一步提高算法的检索性能。     

基于多维云空间的多光谱遥感影像边缘检测研究

在云模型的基础之上,提出一种基于多维云空间的遥感影像边缘检测算法。该方法依据矢量角相似性准则并结合邻域关系进行图像区域生长,在此基础之上根据影像不同波段的数据特征建立多维云空间映射模型,将数据从图像空间映射到云空间。通过多维云的逻辑运算生成边界云并进行向量综合。利用云的数字特征反推隶属度,构建边缘模糊特征平面,并通过最大模糊熵原则确定最优阈值,对图像模糊边界进行提取。试验结果表明,该算法在多光谱遥感影像中能取得较好检测效果。     

基于高分辨率遥感影像的耕地地块提取方法研究

针对耕地地块提取问题,提出了一种基于图像分割的耕地地块提取新方法。该方法以高分辨率遥感影像为基础,借助于边缘提取和数学形态学的方法,通过边缘检测、边缘闭合、区域标号和后处理四个步骤,提取耕地地块。该方法在IDL6.3平台下编程实现。将此方法应用于北京地区QuickBird多光谱遥感影像,结果表明此方法有较好的定位精度,又在一定程度上去除了噪声,具有较好的实用性。     

基于高分辨率遥感影像的车道线提取

车道线是自动驾驶高精度地图的组成部分,利用车载摄像头和激光雷达提取车道线的研究已经比较深入。本文探讨了利用高分辨率遥感影像提取车道线的方法。首先依据直方图原则选取合适的阈值进行二值化分割,其次利用道路中线形成的缓冲区去除道路范围外的要素,然后利用形态学算子去除噪声,最后利用方向和面积因子提取不同的车道线。该方法可以降低数据采集的成本,提高采集效率。     

改进的边缘角度直方图在遥感图像检索中的应用

针对基于形状的遥感图像检索中区域分割困难这个问题,本文提出利用边缘角度直方图作为形状特征对遥感图像进行检索;针对遥感影像分辨率和颜色反差对检索性能的影响,本文提出采用多尺度分析的思想,提取图像在多个尺度上的边缘角度直方图特征进行检索。通过单一尺度边缘角度直方图特征和多尺度边缘角度直方图特征检索的对比实验,揭示了本文所提出的改进方案使遥感图像的检索精度提高了约31个百分点。     

高分辨率遥感影像的田间道路识别方法

田间道路是农田建设和管理的重要工程,其走向、宽度及通达性直接影响着农田耕作的便利程度,精准识别田间道路对农田建设效果评估具有重要意义。借助高分辨率遥感影像,本文首先基于分层分类思想,采用面向对象方法对田间道路进行识别;然后引入张量投票法、八邻域断点检测和形态学算法,对田间道路断点进行连接修复,最终得到田间道路识别结果。在河北省定州市典型案例区开展实证分析,田间道路识别的完整率、正确率、质量分别可达91%、74%、69%。