基于对象的遥感影像道路提取

根据高分辨率遥感影像道路网络的特点,提出一种基于对象的道路提取算法.首先根据道路的局部光谱特性和几何特性,使用图像分割和边缘提取算法对图像进行预处理.然后,根据贝叶斯理论,基于道路的全局几何特性和拓扑特性,建立网络的数学模型,将网络提取问题转化为全局优化问题,使用可逆跳跃马尔可夫链蒙特卡罗算法求取全局最优网络.实验结果表明,该方法充分利用了道路的各种特性,可以有效地从遥感图像中提取出道路,具有较高的精度和实用性.     

基于标值点过程的遥感影像道路网络提取

针对高分辨率遥感影像道路网络的特点,采用基于贝叶斯理论的全自动方法从遥感影像中提取道路.根据道路的局部和全局特征,使用标值点过程对道路建模,采用结合可逆跳跃马尔可夫链蒙特卡罗算法的模拟退火算法优化求得全局最优解.提出新的预处理方法得到道路的位置和方向信息,提出基于预处理的生灭转移核以降低算法的搜索空间,提出基于连接的移动转移核以加快算法的收敛速度.实验结果表明.该方法可以快速、有效地从不同的遥感影像(光学、SAR)提取道路网络.     

基于EDRNet模型的高分辨率遥感影像道路提取

针对高分辨率遥感影像道路提取结果不完整、边界质量差的问题,提出基于EDRNet模型的遥感影像道路提取方法。利用残差网络构建道路提取模型EDR1,保留道路的细节信息并加速网络收敛。通过融合多尺度、多层次的道路特征信息,设计道路提取结果优化模型EDR2。在此基础上,利用混合损失函数,提高道路提取的完整度。实验结果表明,EDRNet道路提取方法在马萨诸塞州道路数据集上的召回率、精确率和F1-score指标分别达到了84.4%、81.7%及83.0%,其结果完整且准确。     

基于传感器融合和方向可调卷积神经网络的车道检测算法研究

针对传统的卷积神经网络在复杂道路场景中无法有效地提取车道特征的问题,论文提出了一种基于传感器融合和方向可调卷积神经网络的车道检测算法.该算法首先利用激光雷达对道路场景下的道路表面激光点进行提取,然后将提取的道路点投影到图像坐标,之后将融合道路表面空间信息的二维图像作为网络输入.在提取车道特征过程中,方向可调卷积神经网络只对处于道路表面内的特征进行提取,避免了道路表面障碍物和道路旁的公共设施的干扰,实现车道线的精准检测.实验结果表明,该方法在复杂道路场景下的车道识别率可达到92.21％.     

基于数学形态学的道路遥感影像特征提取及网络分析

如何从遥感图象上提取道路特征已有多种方法，如边缘探测与追踪、线性滤波、利用各种空间关系进行道路特征识别，基于知识的道路网络提取以及数学形态学等，但尚有许多问题有待解决。为了方便GIS应用以及地图更新，提出了一种基于数学形态学的道路网络分析方法，用于对遥感图象上已分类的道路信息进行各种处理，以便得到所需的道路网络。该方法与步骤为首先将道路影像二值化，同时进行噪音去除、断线连接、细化，并通过将栅格数据转换成矢量形式来得到基本的道路网络；然后对基本道路网络进行分析、连接、选取；最后用Douglas-Peuker算法对道路进行平滑处理与表示来得到最终提取的道路网络，并以南京市江宁经济开发区SPOT、高分辨率IKONOS图象为例进行了实验。道路特征提取的结果与目视解译结果进行比较的结果表明，该道路提取方法对道路发展相对较快的区域更为有效，且提取精度较高。该方法对土地管理规划部门非常有价值，是进行GIS与地图道路更新的有效方法。     

基于门控卷积残差网络的卫星图像道路提取

针对遥感影像中道路信息容易受到建筑物、植被等非道路信息干扰的问题,提出了一种基于门控卷积残差网络的遥感影像道路提取模型.首先,该网络使用ResNet101作为网络的编码器,在使得网络足够深的同时,也保证了梯度信息的有效传导;其次,在中心部分使用ASPP多尺度特征提取模块,进一步挖掘特征图中给予的信息;最后,使用门控卷积替换普通的卷积层,它可以根据特征图中参数的重要性,自适应分配权重,作为网络的解码器部分.该方法在CVPR DeepGlobe 2018道路提取挑战赛的数据集上进行了验证,平均交并比、Dice相似系数、召回率分别达到70.20％、82.06％、82.21％,均超过该赛事冠军DlinkNet34,提升了道路提取的效果.     

一种改进U-Net的高分辨率遥感影像道路提取方法

从遥感影像中准确高效地提取道路信息,对基础地理数据库的建立与维护具有重大意义。高分辨率遥感影像背景信息复杂,导致现有算法无法较好地从中提取道路信息。U-Net网络在图像分割方面有较好的实验效果,但道路分割结果准确性不佳,因此,提出了一种改进U-Net网络的高分辨率影像道路提取方法。首先,设计基于U-Net的网络结构,将VGG16作为网络编码结构,可更好地提取特征语义信息;其次,利用Batch Normalization与Dropout解决网络训练过程中出现的过拟合;最后,对训练数据利用旋转与镜像变换进行扩充,采用ELU激活函数,提升了网络训练速度。实验结果表明：该方法可以较为准确高效地提取道路信息。     

SAR图象中道路网络提取算法研究

提出了一种利用遗传算法从高分辨率SAR图象中提取道路网络的方法。高分辨率SAR图象中目标背景复杂,同时由于受相干斑噪声的影响,很难直接从原始图象数据中提取道路特征。首先利用模糊C均值对滤波后的图象进行聚类,将道路类象素从图象中分离出来;根据聚类结果及道路特征建立数学模型,利用遗传算法搜索全局最优道路。实验结果表明该方法可以很好地从SAR图象中提取道路网络。     

基于行道树的高分辨率遥感影像道路提取研究

在城市遥感中,道路自动(半自动)提取一直是研究的重点.本文在现有道路自动(半自动)提取技术基础上,结合高分辨率遥感影像中行道树的分布特点,从地学知识出发,利用归一化植被指数、阀值分割、数学形态学算子及地理信息系统的分析功能等实现基于行道树的道路自动(半自动)提取和道路面积快速、自动计算.结论表明基于行道树的道路提取和面积计算方法具有一定的实用性.     

基于Swin Transformer的遥感影像道路提取方法

在先进的交通系统中,道路提取是最重要的任务之一。高分辨率遥感影像道路区域的提取具有复杂的背景和道路网络的异质性、高类间差异和低类内差异等特点。近几年来,卷积神经网络(CNN)在道路提取方面取得了里程碑式的进展。虽然CNN已经取得了很好的发展,但是由于卷积运算的局域性,网络无法很好地学习全局和长程语义信息交互。本文提出了Swin Transformer Unet,它结合了带有跳跃连接的U型编解码器结构和带有移位窗口的Swin Transformer模块。为了获得更好的性能,本文采用了数据增广、数据预处理等技术。本文选取马萨诸塞州道路数据集作为数据集进行道路提取实验,结果表明,所提出的网络在遥感图像道路提取中的性能优于其他U形网络,可以实现遥感影像道路的精确提取。     

基于空间网络的多阈值对象聚类

为了提高空间网络上对象聚类的准确性,发现潜在的聚类结果,分析了多阈值选择的必要性,提取了空间网络上(以道路网为例)对象的相似性特征,首次提出了基于空间网络的支持向量回归多阈值方案,并将多阈值方案应用到已有的基于道路网络的对象聚类方法中,解决了已有聚类方法中聚类阈值选择困难的问题.性能分析及实验结果表明,多阈值对象聚类方案对真实的道路网络中的对象聚类是有效的.     

基于SPUD-ResNet的遥感影像道路提取网络

针对遥感影像中道路目标细节丰富且呈带状分布的特点,造成狭长的道路结构提取困难的问题,设计并实现了一种基于SPUD-ResNet的道路提取方法。该方法利用空洞卷积构建残差网络编码器,并通过跳跃连接与对应解码器相连,有效加速网络的收敛并保留道路的细节信息;为了更有效地捕获狭长道路结构的长距离依赖关系,分别构建条形池化模块和混合池化模块,增强网络对条形道路结构特征的获取能力;利用道路结构的几何信息和结构相似性指数设计混合损失函数,精细化道路边界,去除道路提取结果中的模糊预测。在Massachusetts Roads数据集上的实验结果表明,所提方法在召回率、精确度和F1-score指标分别达到了83.4%、84.5%和83.9%,提升了道路提取的效果。     

高分辨率多光谱遥感影像中城区道路信息的自动提取

提出一种从高分辨率遥感影像提取城市区域道路网络的方法。该方法采用改进的数学形态学运算方法对影像进行分割,进而得到粗略道路信息网,然后利用道路网的几何特征实现道路与建筑物的有效区分,最后通过抽骨架的方法获得最终道路网中心线。试验数据为某一城区高分辨率卫星影像,并对最终提取的结果进行了评价,结果表明,所提出的方法能够从高分辨率多波段卫星遥感影像上精确、有效、自动提取城区道路网络。     

改进的U-Net网络在遥感影像道路提取中的应用北大核心CSCD

针对高分辨率遥感影像中道路目标结构复杂且背景地物多样的问题,设计了一种适用于高分辨率遥感影像道路提取的SM-Unet网络。为捕获孤立道路区域的长距离关系的同时也能关注局部信息,网络编码器下采样前加入条纹池化模块;为增强网络对复杂场景中道路区域上下文信息的获取能力,使道路特征表示更有辨别力,编码器最后卷积层后加入混合池化模块。为验证SM-Unet模型提取道路的能力,选择我国高分二号遥感影像为数据集开展道路提取实验。结果表明,SM-Unet网络训练的道路提取模型在精确率、召回率、F 1分值、平均交并比等评价指标上,均优于U-Net、FCN、DeepLabV3+等网络模型。同时,在道路提取的完整性方面,提取效果最优。     

基于高分辨率遥感图像的道路提取研究

道路是现代交通的主要组成部分,对于管理和更新地理信息系统数据库中的道路信息非常重要.目前,自动提取道路网络的主要数据源为遥感图像数据,但随着近年来遥感影像的地面分辨率不断提高,图像中地物信息愈加丰富,对图像中道路信息的提取难度也随之增大.文章主要展开一种利用机器学习对高分辨率遥感图像的道路提取研究.首先对高分辨遥感图进...     

卷积神经网络下的高分二号卫星影像道路提取

本文针对深度神经网络对高分二号遥感影像道路提取时细节信息丢失较多、道路周围环境考虑不充分等情况, 在已有的研究成果上, 提出一种基于全卷积神经网络遥感影像道路提取的改进方案. 方案创新研究了全卷积神经网络的算法原理, 将预调色后的高分二号影像按一定尺寸分幅输出, 将输出图像及标签对应输入于以全卷积神经网络为基础的改进网络, 通过结合残差单元以及增加网络层数得到识别精度较高的道路提取图像. 实验表明, 该方法在同一样本中对高分二号卫星影像道路提取的效果有所提升, 道路的完整性和准确性有所提高.     

基于Multi-Path RefineNet的多特征高分辨率SAR图像道路提取算法

为解决现有高分辨率SAR图像道路提取算法自动化较差、普适性不高的问题,提出了一种基于多路径优化网络的多特征提取算法。首先,对SAR图像进行Gabor变换及灰度梯度共生矩阵变换,获取丰富的道路特征信息,联结级联优化网络和残差网络形成多路径优化网络;然后,对SAR原图、获取的低级特征图和标签图进行训练,充分利用每层网络提取的道路特征获取初始分割的道路结果;最后,利用数学形态学运算连接初始道路断裂处并去除虚警。利用所提算法对不同分辨率的SAR图像进行道路提取,实验结果表明,该算法在提取SAR图像道路方面适用范围广且道路提取效果佳。     

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...     

基于彩色栅格地图噪声特征的道路提取

研究从彩色栅格交通地图中提取完整的道路网络集合的方法。在地图规范化的基础上,基于彩色栅格地图上的噪声特征,处理欠识别和误识别的道路点集集合,并以实例说明应用该方法提取道路的过程和效果。     

改进U-Net型网络的遥感图像道路提取

目的 遥感图像道路提取在城市规划、交通管理、车辆导航和地图更新等领域中发挥了重要作用,但遥感图像受光照、噪声和遮挡等因素以及识别过程中大量相似的非道路目标干扰,导致提取高质量的遥感图像道路有很大难度。为此,提出一种结合上下文信息和注意力机制的U-Net型道路分割网络。方法 使用Resnet-34预训练网络作为编码器实现特征提取,通过上下文信息提取模块对图像的上下文信息进行整合,确保对道路的几何拓扑结构特征的提取;使用注意力机制对跳跃连接传递的特征进行权重调整,提升网络对于道路边缘区域的分割效果。结果 在公共数据集Deep Globe道路提取数据集上对模型进行测试,召回率和交并比指标分别达到0.847 2和0.691 5。与主流方法U-Net和CE-Net（context encoder network）等进行比较,实验结果表明本文方法在性能上表现良好,能有效提高道路分割的精确度。结论 本文针对遥感图像道路提取中道路结构不完整和道路边缘区域不清晰问题,提出一种结合上下文信息和注意力机制的遥感道路提取模型。实验结果表明该网络在遥感图像道路提取上达到良好效果,具有较高的研究和应用价值。