Automatic road extraction method for high-resolution remote sensing images

Road extraction from high-resolution satellite images is very important. Due to image noise, the natural scene complexity, and the extraction algorithms limitations, it still needs to be further researched. In recent years, level set evolution has been used to extract the road, but it is difficult to automatically generate initial level curves for the level set evolution (LSE). In this paper, we propose an automatic approach to the generation of initial level curves and use it to extract the road. Firstly, the convolutional neural network(CNN) is used to classify the road or nonroad, then shape features are adopted to filter nonlinear features to get the accurate road region. And on this basis, we exploit tensor voting to detect the road junctions and utilize them as initial level curves; finally we fuse the results obtained by the CNN and LSE. Experiments show that this algorithm can get an accurate and complete road.     

一种利用方向模板的遥感影像道路提取方法

道路连接是自动提取道路信息的关键技术,设计了一种方向模板用于道路的自动搜索和连接,并给出基于该方向模板的道路提取方法。首先对原始遥感影像进行边缘信息增强处理,然后用增强处理后的图像作为线特征增强系数,与原图像对应相乘,增强道路线特征;再结合图像的8连通性,统计每个连通成分像素点的个数,设定阈值去除点噪声和短线段噪声,得到不连续的道路段;最后利用方向模板,在给出道路起始点和终止点的基础上,利用该模板的方向规则连接道路。实验结果表明,该方法具有很强的适应性,提取的道路精度高,效果好。     

视觉认知理论在遥感影像道路网提取中的应用

在遥感影像上,道路被认为是颜色、纹理、形状相似的狭长线状目标,整个道路网在影像上会呈现非常显著的特征,极易引起人眼的注意,称之为感兴趣区域.它是场景中最能引起用户兴趣、体现图像主要内容的区域.视觉认知理论的研究表明：通过视觉注意机制可以模拟人眼的观察过程,找出遥感影像上的显著区域.文章提出应用视觉注意机制辅助遥感影像道路网提取的思想,通过对影像的显著区域进行分析和处理,得到最终的道路网.对比实验表明该算法可以有效地提高道路网提取的准确率和完整性.     

Automatic Road Extraction Using Particle Filters from High Resolution Images

1 Introduction Automatic road extraction from digital imagery has been an active research area in computer vision, photogrammetry, remote sensing and geographic information system (GIS) communities for over two decades. A number of semiautomatic and automatic methods and algorithms for road extraction have been developed. Those approaches may involve template matching[1–2], heuristic reasoning[3–4], dynamic pro- grammming[5–6] or stochastic tracking[7–8]. Our approach to road extraction …     

基于特征的SAR图像与光学图像自动配准

针对现有配准方法在用于SAR图像和光学图像配准时,存在受SAR图像相干斑噪声影响大,手工选取配准点精度低等缺点,提出了一种基于区域特征提取的图像配准方法．对SAR图像首先进行相干斑噪声抑制,并采用图像分割的方法提取出封闭区域的边界作为特征,然后与可见光中提取的边缘利用闭合区域边缘链码的相关寻求匹配,精确配准的误差达到子象素级水平．实验结果表明,该方法能够以较高的精确度从SAR图像中提取配准控制点,从而实现了多传感器图像的自动配准．     

Attention Res-Unet: 一种高效阴影检测算法

图像中阴影像素的存在会导致图像内容的不确定性,对计算机视觉任务有害,因此常将阴影检测作为计算机视觉算法的预处理步骤. 提出全新的阴影检测网络结构,通过结合输入图像中包含的语义信息和像素之间的关联,提升网络性能. 使用预训练后的深层网络ResNeXt101作为特征提取前端,提取图像的语义信息,并结合U-net的设计思路,搭建网络结构,完成特征层的上采样过程. 在输出层之前使用非局部操作,为每一个像素提供全局信息,建立像素与像素之间的联系. 设计注意力生成模块和注意力融合模块,进一步提高检测准确率. 分别在SBU、UCF这2个阴影检测数据集上进行验证,实验结果表明,所提方法的目视效果及客观指标皆优于此前最优方法所得结果,在2个数据集上的平均检测错误率分别降低14.4%和14.9%.     

基于局部相似性测度的SAR图像多层分割

针对谱聚类算法计算复杂度高,不适用于合成孔径雷达图像分割的问题,利用谱聚类算法与权核k均值之间的等价性,提出一种基于局部相似性测度的SAR图像多层分割算法．首先提取图像中每个像素的小波纹理特征,利用每个像素点的纹理特征计算各自的局部尺度参数,进而构造像素点之间的邻接关系,然后利用最近邻规则对此邻接关系进行逐层合并,进行基础聚类和逐层细化实现像素点聚类,最终得到图像的分割结果．对人工纹理图像和SAR图像的分割结果表明了新算法避免了传统谱聚类算法对尺度参数的敏感性,获得了更优的分割性能．     

基于SAR图像的道路损毁信息提取

提出了一种基于多时相SAR图像的道路损毁信息提取方法。该方法首先采用粒子滤波进行道路中心线提取,针对山区的复杂环境对图像预处理和粒子滤波过程进行了调整,能正确识别山区道路中心线;然后,根据道路损毁在SAR图像中的特征,建立了道路损毁模型,实现了道路损毁信息提取。实验结果表明,该方法提取的道路损毁信息准确度大于80%。     

利用回波数据的高分宽测机载SAR运动误差提取方法

为实现高分辨宽测绘带SAR成像,提出一种基于回波数据的高分辨宽测绘带机载SAR运动误差提取方法,有效弥补了基于惯性测量单元/全球定位系统(INS/GPS)提取的运动误差精度低的问题.首先采用一种基于图像对比度最优的方法对SAR回波数据进行相位误差估计,然后利用加权总体最小二乘(WTLS)基于空变相位误差模型反演运动轨迹误差,最后利用得到的轨迹信息实现空变相位误差的补偿和残余距离徙动校正.实测数据处理结果证明该方法有效,相比传统自聚焦算法具有更高的估计和补偿精度.     

基于山脊边界特性的航空图像中公路检测算法

本文提出一种获取复杂航空图像中的公路线条的算法。该方法首先对图像进行高斯平滑去掉麻点或短线条等噪声,然后为了突出公路线条,通过分数阶微分模板对平滑后的图像进行图像增强,进而用一种本文提出的以短线段为检测对象的基于山脊特性的边界扫描算法对图像进行操作,获得候选的公路线条,然后用阈值滤掉尽可能多的噪声线条及噪声点,最后去除毛刺和用人工智能的方法缝合道路的间隙。为了减少计算量,对于高精度的原始图像可以进行图像缩小,缩小的倍数以不影响道路的检测为准。对缩小的图像进行上述处理后,要结合检测结果和原始图像信息将检测结果放大到原始图像的尺寸。实验结果说明：该算法适用于高分辨率遥感图像中直线和曲线道路的粗提取,而且能够达到了令人满意的提取效果。     

基于阈值分割和形态学的高分辨率遥感影像道路提取

高分辨率遥感影像道路提取已经成为相关领域的研究热点和难点,利用阈值分割法将原始影像二值化,然后利用数学形态学中腐蚀、膨胀、开运算和闭运算对阈值化的影像进行处理,分析了不同方法对道路提取的影响.最后,针对光谱特征相近的建筑物和道路,提出利用形状特征进行进一步实现道路提取.文中利用VC开发了道路提取的原型系统,并对实验结果进行了分析,证实了文中道路识别方法的有效性.     

一种基于Gaussian-Hermite矩的SAR图像分割方法

图像分割在SAR图像处理中具有很重要的意义。文中提出了一种基于Gaussian-Hermite矩的SAR图像分割方法。该方法针对合成孔径雷达(SAR)图像斑点噪声对现有分割方法带来的影响,利用Gaussian-Hermite矩的不同阶矩并结合SAR图像特征将目标从含噪背景中分割出来。实验部分同时采用了仿真数据和实测SAR数据,通过与小波能量等4种方法的分割结果进行比较,显示出了该方法的有效性。     

面向对象的道路信息识别提取分析

道路信息在城市规划和经济建设中具有非常重要的作用和意义,因而从高分辨率遥感影像中提取道路信息成为当今学术研究热点之一.针对道路信息提取中存在的问题,本文采用面向对象的方法对道路信息进行提取.论文在对影像进行多尺度分割的基础上,采用最近邻分类法结合影像的光谱信息、几何特征及纹理特征所构建的道路对象的知识库对影像中的道路信息进行提取.试验结果表明采用面向对象的方法对道路信息进行提取效果良好.     

Change detection for SAR images based on fuzzy clustering using multilevel thresholding

A new fuzzy clustering algorithm using multilevel thresholding is proposed to reduce the computational complexity of the fuzzy local information c-means (FLICM) algorithm for solving the clustering problem on the difference image of change detection for SAR images. First, the pixels in the difference image are classified into the “changed” pixels, “unchanged” pixels and unknown status pixels by the multilevel thresholding procedure. Then the unknown status pixels are clustered by the FLICM. If the neighboring pixels in the FLICM are not the unknown status pixels, their degrees of membership are set to 1 or 0. The proposed method improves the precision in the change detection for SAR images with the low computational complexity. Experimental results show that the proposed method has the better performance than fuzzy c-means (FCM) and FLICM algorithms on the change detection for SAR images and that its run time is about 70％ less than that of the FLICM algorithm.     

有监督的水平集高分辨SAR图像分割方法

针对基于统计模型的水平集SAR图像分割中参数估计耗时较多的问题,提出了一种有监督的高分辨SAR图像分割方法.该方法将Fisher分布和Gamma分布分别作为高分辨SAR图像的目标和背景统计模型,结合水平集方法推导了SAR图像分割水平集函数的能量泛函模型,通过最小化能量泛函得到曲线演化偏微分方程,实现对高分辨SAR图像的...     

注意力机制的SAR图像车辆目标检测网络

在SAR图像车辆目标检测过程中,车辆轮廓定位不仅能够提供车辆位置信息,而且还能够为车辆状态分析提供依据,是SAR图像理解的关键步骤。但SAR图像中乘性斑点噪声会对轮廓定位造成干扰,增加车辆目标检测的难度。针对这一问题,提出了一种注意力机制的SAR图像像素级车辆目标检测网络。该网络由目标筛选、目标定位和轮廓细化三个模块构成。目标筛选在一个轻量级的特征提取网络中采用通道注意力和自注意力机制,在抑制噪声影响的同时对包含目标图像进行快速筛选,并提供稳定的定位热力图;目标定位利用掩码交叉注意力机制根据定位热力图优化粗尺度特征细化目标定位,并融入细尺度信息改善目标轮廓细节;轮廓细化通过轮廓点筛选消除上采样及噪声带来的轮廓不确定点获取准确的轮廓像素点置信度。对MSTAR数据集进行车辆像素级标注,建立SAR图像车辆数据集及大场景图像数据集用于网络测试。实验结果表明,该网络具有良好的像素级检测性能,可实现大场景SAR图像中车辆目标的快速精确检测。     

多极化SAR图像目标的智能识别应用研究

针对小样本集的多极化合成孔径雷达(SAR)图像目标,提出利用迁移学习、多极化SAR图像增广以及网络架构适应性改进,实现了多极化SAR图像目标端到端的智能分类识别;利用实测机载全极化SAR目标图像进行了实验.实验结果表明,与传统机器学习SVM方法相比,基于多极化SAR深度学习方法所包含的多个神经网络隐含层能自适应地提取目标高层语义特征,其目标分类识别精度更高,从而验证了本文深度学习方法用于多极化SAR图像目标识别分类的有效性.     

基于多分辨率学习卷积神经网络的磁共振图像超分辨率重建

高分辨率磁共振图像对于医学诊断具有重要意义,本文提出一种多分辨率学习卷积神经网络,并应用于磁共振图像超分辨率。网络是一种新型深度残差网络,包含用于特征提取的残差单元、多分辨率上采样的反卷积层以及多分辨率学习层。设计的网络在低分辨率图像空间中实现图像超分辨率,采用多分辨率上采样实现多个残差单元信息融合并加速网络,多分辨率学习能够自适应地确定各分辨率上采样的高维特征图对磁共振图像超分辨重建的贡献度。实验表明,论文提出的方法能够很好地超分辨率重建磁共振图像,优于最新的深度学习方法。     

融合Ratio边缘信息的水平集SAR图像分割方法

提出了一种融合边缘和区域信息的变分水平集合成孔径雷达图像分割方法.该方法不需要去除相干斑噪声的预处理过程,利用具有恒虚警特性的Ratio算子提取合成孔径雷达图像的边缘信息,并与无边缘活动轮廓模型结合建立合成孔径雷达图像分割能量泛函模型,通过最小化能量泛函得到曲线演化偏微分方程,采用变分水平集方法求解演化方程,实现了合成孔径雷达图像的分割.分别采用模拟和真实合成孔径雷达图像对该方法进行了验证,实验结果表明,该方法实现了合成孔径雷达图像中目标与背景的正确分割,具有较好的边缘定位能力.     

基于视频的结构光光条中心提取方法

针对结构光测量系统,提出基于视频的结构光光条中心提取方法．首先,为了分析图像随时间变化的关系,将视频图像的每一帧的同一列像素提取出来,按照时间顺序排列成一幅图像．然后,把图像逆时针旋转臼角度（口角是激光平面和CCD传感器平面法线的夹角）,提取光条中心图像坐标．最后,把求得的光条中心图像坐标顺时针旋转口角,根据这个光奈中心坐标反求物体的三维轮廓．该方法利用视频图像各帧之间的相关性,有效地克服了颜色突变对光条提取的影响．实验表明,该方法能够有效降低光条中心提取的误差．