一种基于改进path opening的道路提取新方法

提出了一种基于改进path opening的高分辨率遥感影像道路提取新方法。为检测曲率较大的道路,构造了新的邻接图;为有效提取有损或有部分遮挡的道路,将path opening算法中的最大路径长度与区域的几何特征相结合,建立了道路区域的判定准则,减少了人工干预。通过多组实验结果证明,该方法对于不完整道路的提取有更好的效果。     

基于Hough变换的高分辨率遥感影像城市直线道路提取

根据高分辨率遥感影像城市直线道路特性,提出在图像分割获得道路网轮廓的基础上,使用Hough变换检测道路所在直线,对直线进行道路判断,再将所得道路段进行修剪、连接形成道路网,实现道路提取。实验结果表明,该方法能有效的从高分辨遥感影像中提取城市直线道路。     

一种面向对象的高分辨率影像道路提取方法

高分辨率遥感影像为用户提供了丰富的地表细节信息, 如何利用图像分析技术从高分辨率遥感影像中进行目标提取、更新地理信息数据库, 成为遥感信息处理研究的热点。传统的道路提取方法一般采用像素级检测方法, 仅利用了像素的光谱信息作为道路提取的依据, 无法利用影像的空间信息。提出了一种面向对象的高分辨率卫星影像道路提取方法, 并选取南京市IKONOS 影像进行了实验。首先, 对影像进行分割获取影像对象, 再通过对IKONOS 影像中道路特征的分析, 利用影像对象的光谱特征、几何特征和空间关系建立知识库, 最后, 利用知识库中的规则来提取影像中的道路。实验结果表明采用本方法能够较好地提取出实验区中的道路。     

基于改进Faster R-CNN的高分遥感影像储油罐检测与信息提取

快速获取储油罐分布、体积等信息对于估算全球各国当前石油储备具有重要意义。针对高分辨率卫星遥感影像中储油罐目标快速搜索、罐体体积估算等问题,以高分二号影像为数据源,引入深度学习方法,建立了储油罐目标遥感影像样本集,通过使用改进特征提取网络和优化区域建议网络等策略,优化原始Faster R-CNN模型。实验表明,相比原始Faster R-CNN,mAP值提高了6.39%,实现了遥感影像储油罐目标的高精度检测。之后,基于检测罐体阴影的亚像元分析准确提取阴影长度,通过遥感成像阴影空间几何关系计算罐体高度,结合Hough变换获取的罐体半径,实现了罐体体积的快速估算。利用所提出的方法可以快速检测储油罐目标,提取油罐阴影并估算油罐高度,油罐体积估算的平均相对误差为2.37%,说明该方法具有较高的可行性。     

纹理与几何特征在道路提取中的应用

提出一种利用纹理与几何特征的高分辨率遥感影像道路提取方法。首先分析高分辨率遥感影像的纹理特征,提出基于纹理特征的聚类方法,将影像大致分为道路区域和非道路区域,然后选取适当的几何特征指数,剔除道路区域中含有的非道路像素,得到初步道路信息。最后通过数学形态学处理,去除初步道路信息中由于车道线、树木影响而产生的孔洞,最后得到完整的道路信息。实验结果表明,与传统方法相比,该方法能够有效地从高分辨率遥感影像中提取道路。     

基于相位编组的高分辨率遥感影像道路信息提取

从高分辨率遥感影像中提取道路信息已有许多研究,但仍存在许多问题有待解决.本文主要研究高分辨率遥感影像上城市道路信息的提取,从四个方面开展,即:遥感影像的预处理、阀值的确定、直线与曲线的提取以及道路信患在原图上的显示.传统的相位编组方法主要针对直线的提取,本文对其进行了改进,得到了一种基于相位编组的半自动提取道路信息的方法.实验中首先结合灰度形态学与Canny算子,得出信息较全的道路边缘轮廓信息,然后根据不同形状的道路模型,运用灰度值参数对相位编组法进行改进,提取出比较准确的道路信息.针对现代城市中常见的立交桥,特别是对其曲率较大的中心部分信患,该提取方法表现出了一定的优越性和适用性,实验结果较为理想.     

基于数学形态学和Hough变换的复杂形态线状地物提取方法

为改善以Hough变换提取遥感影像中弯弧线状地物的准确性,提出了一种新算法M&H (Morphology and Hough),它将Hough变换、数学形态学、非线性拟合等方法串行递进使用,以实现复杂形态线状地物自动提取和直接生成道路矢量图的目标。经适量实例的Matlab仿真测试,证明了M&H的递进噪声去除法优于单次数学形态学降噪法,对含弯弧道路的提取性能也优于标准Hough变换。精度检验结果表明:M&H方法比常规Hough变换提取道路的欠提取率下降了约18.9%。     

一种基于区域生长与空间形状约束的高分辨率遥感图像道路提取方法

从遥感图像上快速、高效地提取道路等地理信息一直是遥感数据处理的研究热点,由于高分辨率影像的特点,仅使用光谱信息或形态特征进行道路的提取都难以得到满意的结果。本文将区域生长与空间形状约束相结合进行道路提取:首先利用道路种子点处的光谱信息进行道路区域的生长,提取光谱信息一致的道路区域,在提取出的道路条状区域的基础上,根据道路具有的形状特点,利用形态学滤波、面积滤波等方法进行高分辨率图像上的道路边线信息的确定,得到精确的道路数据。文章对高分辨率航空遥感影像进行了实验验证了该方法的有效性。     

基于Google影像的城市道路网提取及其应用

从遥感影像中提取道路信息制作专题图方法具有时效性强、周期短、操作快捷等特点。首先介绍了道路提取、处理以及专题图制作的方法与流程。其次以Google高分辨率影像为数据源,利用影像中道路的光谱和几何特征信息,结合计算机分类与形态学处理方法对实验区城市道路网络进行提取、处理和专题图的制作。实验结果表明:该方法能够清晰地提取出道路框架,满足一定的制图需求,而且对车辆、人群、阴影产生的道路内部空洞和边缘侵蚀具有很好的处理效果,具有较强的经济性和实用性。     

结合区域生长和GVF-Snake的遥感影像道路提取

基于待分割目标的灰度特征分布,提出了一种能自适应地改变生长准则参数的区域生长方法。将该自适应区域生长算法与GVF-Snake模型相结合用于高分辨率遥感影像道路提取,即用自适应区域生长方法提取出大致的道路区域,对生长出的道路图,利用数学形态学进行内部腐蚀并获得道路区域轮廓线,以该轮廓线作为GVF-Snake模型的初始轮廓,利用GVF-Snake模型进行道路跟踪,得到最终的道路提取结果。实验结果表明该方法能有效地提取高分辨率遥感影像中的道路目标,具有一定的实用性和鲁棒性。     

Straight road edge detection from high-resolution remote sensing images based on the ridgelet transform with the revised parallel-beam Radon transform

Roads are important basic geographical phenomena and the automatic recognition and extraction of road features from remote sensing images has many applications. However, automated road extraction from high-resolution remote sensing imagery is problematic. In recent years, many approaches have been explored for automatic road extraction, particularly involving road edge detection. Traditional edge detection operators such as the Canny or the Sobel operator are used frequently but there are serious problems of over- or underdetection, and time-consuming and complicated post-processing work is often required. In this paper, a new revised parallel-beam Radon transform (RPRT) approach is proposed. The traditional PRT can have problems with step values, resulting in false edge detection. To overcome these problems we introduced the RPRT, using the harmonic average of the pixel value in every strip of the Radon slice. An algorithm suitable for straight edge detection of roads in high-resolution remote sensing imagery was designed based on the ridgelet transform with the RPRT. The experimental results show that our algorithm can detect straight road edges efficiently and accurately, and avoid cumbersome and complicated post-processing work.     

基于ELM的遥感影像城市道路提取

针对高分辨率遥感影像中复杂场景道路提取不理想问题,利用极限学习机ELM的快速学习能力,提出了一种基于ELM的城市道路提取方法。首先,利用改进的布谷鸟搜索CS算法自适应地选择ELM的隐含层节点数,以提高模型的稳定性;其次,引入数据样本蕴含的判别信息,弥补ELM学习不够充分问题,进而提高ELM分类性能;最后,结合数学形态学处理,对提取道路进行优化,获得最终的道路提取效果。遥感影像道路提取实验结果表明,所提方法不仅增强了网络的稳定性,同时还提高了道路提取的精确度,能较好地提取出道路信息。     

改进随机Hough变换在心肌纤维图像直线检测中的应用

利用改进的随机Hough变换被用来对心肌纤维方向进行了检测。针对心肌纤维边缘的特点，采用窗口对投票点对加以筛选，同时利用模糊映射对Hough变换投票在变换空间加以修正，使随机Hough变换能够较好的用于复杂非规则直线段的检测，提高了利用Hough变换检测心肌纤维方向的正确率。     

遥感图像道路信息提取方法研究进展

随着卫星遥感和信息提取技术的快速发展,地理信息的自动更新成为可能。道路是重要的人工地物,是地理信息数据的重要组成部分,从遥感图像上提取道路信息以更新地理信息数据库成为近年来的研究热点之一。通过总结遥感图像道路信息自动提取的发展历程,归纳了常用的道路信息提取方法,并对各个方法的特点进行了分析,在此基础上分析了遥感图像道路信息提取中的不足,最后对以后道路信息提取的研究进行了展望。     

利用Deeplab v3提取高分辨率遥感影像道路

针对传统道路提取方法存在的道路边缘粗糙、抗干扰性弱、提取精度低等问题,提出了一种基于编码解码器的空洞卷积模型(Deeplab v3)的道路提取方法.首先,对原始高分辨率遥感影像进行标注;其次,利用标注数据集对Deeplab v3模型进行训练、测试;最后,得到高分辨率遥感影像道路提取结果.分析结果可知,该模型能够较好地提...     

Vision-based autonomous land vehicle guidance in outdoor road environments using combined line and road following techniques

An intelligent approach to autonomous land vehicle (ALV) guidance in outdoor road environments using combined line and road following and color information clustering techniques is proposed. Path lines and road boundaries are selected as reference models, called the line-model and the road-model, respectively. They are used to perform line-model matching (LMM) and road-model matching (RMM) to locate the ALV for line and road following, respectively. If there are path lines in the road, the LMM process is used to locate the ALV because it is faster than the RMM process. On the other hand, if no line can be found in the road, the RMM process is used. To detect path lines in a road image, the Hough transform is employed, which does not take much computing time because bright pixels in the road are very few. Various color information on roads is used for extracting path lines and road surfaces. And the ISODATA clustering algorithm based on an initial-center-choosing technique is employed to solve the problem caused by great changes of intensity in navigations. The double model matching procedure combined with the color information clustering process enables the ALV to navigate smoothly in roads even if there are shadows, cars, people, or degraded regions on roadsides. Some intelligent methods to speed up the model matching processes and the Hough transform based on the feedback of the previous image information are also presented. Successful navigations show that the proposed approach is effective for ALV guidance in common roads. ©1997 John Wiley & Sons, Inc.     

采用Hough变换的道路边界检测算法

基于计算机视觉的路况信息识别是当前智能交通领域的热点课题,对道路边界的检测能够有效去除路况图像中与路况特征无关的大面积区域,是提高路况信息获取实时性的关键技术之一,提出一种适用于一般场景中直线道路和弯曲道路的边界检测算法.该算法采用直方图均衡和Otsu二值分割增强道路边界特征,使用均值滤波降噪和二值形态学方法获取特征边界,最终利用分空间的Hough变换方法实现道路边界检测.实验结果表明,该方法能够准确地检测道路边界线并进行道路区域分割,为后续的路况分类工作提供了有效保障.     

基于PPMU-net的多特征高分辨率遥感道路提取

针对复杂地形条件下道路特征选取不具代表性,分割精度低的问题,提出了一种基于卷积神经网络（PPMU-net）的高分辨率遥感道路提取的方法。将3通道的高分二号光谱信息与相应的地形信息（坡度、坡向、数字高程信息）进行多特征融合,合成6通道的遥感图像;对多特征的遥感图像进行切割并利用卷积网络（CNN）筛选出含道路的图像;将只含道路的遥感图像送进PPMU-net中训练,构建出高分辨率遥感图像道路提取模型。在与U-net神经网络、PSPnet神经网络相比时,所提的方法在对高分辨率遥感道路提取时能够达到较好的效果,提高了复杂地形条件下道路分割的精度。     

High-resolution Remote Sensing Image Road Extraction Method for Improving U-Net

Accurate and efficient extraction of road information based on remote sensing image is a great significance for the establishment and maintenance of basic geographic databases. Due to the complex background information of high-resolution remote sensing images, existing algorithms cannot extract road information very well. U-Net network has good experimental results in image segmentation, but the accuracy of road segmentation results is not good. For this reason, this paper proposes a high-resolution image road extraction method based on improved U-Net network. Firstly, the U-Net-based network structure is designed and implemented. The network uses VGG16 as the network coding structure, which can extract feature semantic information better. Secondly, the use of Batch Normalization and Dropout solves the phenomenon of over-fitting that occurs during the network training process. Finally, the training data is expanded by rotation and mirror transformation, and the ELU activation function is used to improve the network training speed. The experimental results show that the method can extract road information more accurately and efficiently.