基于遗传算法的SAR图像道路网检测方法

提出了一种基于遗传算法的SAR图像道路网检测算法.该算法以道路在SAR图像中呈黑色直线状结构为基本出发点,首先检测线特征点以获取潜在道路点;接着利用基于每个连通区域上的Radon变换提取线基元;然后从图像上最长的线基元出发,以其为种子基元,在其周围确定一个搜索区域,用遗传算法选择与种子基元共线的线基元进行连接,并更新种子基元,直到完成所有的连接,得到候选道路段.为了使检测道路更准确,利用蛇模型调整道路段的位置,然后用道路的特征进行鉴别.最后检测道路的交叉点,完成整个道路网的检测.机载SAR图像的实验结果及定量分析均证明了该算法的有效性.     

彩色公路交通地图图像道路提取

根据彩色公路交通地图的图像特征,提出一种新颖的道路识别与提取方法。这种方法包括三个关键步骤。首先,根据区域的特征,提取出区域的灰度值;其次,根据道路的颜色和形状特征以及数字图像处理的一些方法（如对象的连通成分等）,识别并提取出道路的颜色;最后,为了获得完整的道路网络,一些道路连接方法被提出。这种算法已经被应用于许多彩色公路地图图像中去提取道路网络。大量成功的实例表明这个算法是非常有效的。     

一种引入角点特征的遥感图像道路提取方法

道路是遥感图像中的一种重要目标，遥感图像自动道路提取成为一个重要的研究方向。该文在对现有道路提取算法总结分析的基础上，提出一种引入角点特征的遥感图像道路提取方法，针对城市道路网的结构特点，建立了道路模型，并对算法的结构和策略进行了描述。在提取道路直线特征和角点特征基础上得到道路段，然后根据道路之间的几何关系对独立道路段进行连接得到最终结果，有效解决了以往道路提取算法中道路交叉点断裂的问题。另外为了得到准确的道路角点信息，还对该文算法中用到的角点检测方法进行了改进。最终实验结果分析表明该文道路提取算法的有效性。     

一个从多波段遥感图像提取道路网的算法

提出一个从多波段遥感图像中提取道路网的算法.首先,从多波段图像中提取直线段和平行线段,再进行融合处理,以克服图像中道路表示的不精确性.然后根据线段的局部特性,识别与道路约束模型符合程度好的路段.最后根据道路网的全局连接约束,识别与道路约束模型符合程度较弱的路段.该方法应用于三波段的卫星遥感图像,处理结果表明该方法是有效的.     

基于图模型的道路检测方法

为解决城市环境低速移动机器人的道路检测问题,提出一种基于图模型的道路检测方法.首先,将道路图像划分为子图,计算子图特征向量,生成图模型结点集.然后,提出相近半径概念,计算相近结点边权值,生成图模型边集.在此基础上,采用基于最小生成树的结点合并规则对图模型结点进行合并,实现道路图像分割.最后,通过设置取样窗口,提取道路结点,分割出道路区域.通过实验分析道路检测精度与子图尺寸及阈值参数间的关系,研究采用灰度特征进行道路检测的可行性.实验结果表明,该方法能有效检测出不同类型道路图像中的道路区域,适用于道路检测.     

基于GA的SAR图像中主干道路提取

从高分辨率合成孔径雷达(SAR)图像中提取道路及其他线性特征已成为目前遥感图像信息提取研究的热点。由于高分辨率SAR图像中，目标背景复杂，同时由于受相干斑噪声的影响，因此很难直接从原始图像数据中提取道路特征。为了能够从背景复杂，受斑点噪声干扰的高分辨率SAR图像中准确提取道路，提出了一种利用遗传算法提取主干道路的方法。该方法利用模糊C均值聚类法对滤波后的SAR图像进行无监督聚类，首先将图像分为林地、建筑物、道路等基本类，并将道路类像素从图像中分离出来，使问题得到简化；然后根据道路类像素的隶属度和道路像素灰度值的均匀特性来建立具体的道路模型；最后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图像中提取各种主干道路。     

基于支持向量机的连续超声图像集分割算法

针对传统的支持向量机（SVM）模型对连续超声图像集进行分割时需要为图像集中每张图片提取样本点来建立分割模型的问题,提出了一个对整个连续超声图像集的统一的SVM分割模型。首先,从图像的灰度直方图中提取灰度特征作为表征图像集中图像连续性的特征;其次,从图像集中选取部分图像作为样本,并从中提取像素点的灰度特征;最后,将各像素点的灰度特征与各像素点所在图像中表征图像集连续性的特征相结合,用SVM的方法训练出分割模型对整个图像集进行分割。实验结果表明,与传统SVM分割方法相比,新模型在面对大量的有连续变化的图像集的分割问题上,大幅地减少了人工选取样本点的工作量,并且在分割的准确率上也有保证。     

Dempster-Shafer证据融合形状特征的高分辨率遥感图像道路信息提取

道路提取是遥感图像目标识别和提取中一项具有重要意义而困难的任务。在遥感图像道路提取的过程中,由于道路的不同形状和图像信息的复杂性,目前在许多基于形状特征提取道路的方法中,选取形状特征阈值时具有一定的难度,且需要大量的人工干预操作,缺乏一定的通用性,因此,本文提出一种基于DS(dempster-shafer)证据理论和形状特征的道路提取方法。该方法首先对道路的几何形状特征进行分析和优化,据此设计概率分配函数,并利用DS证据理论融合形状特征以获取道路段,最后通过道路连接操作得到道路的中心线。文末通过对典型道路图像和非典型道路图像的实验表明,该方法能够降低选取形状特征阈值的难度和对人工的依赖性,能适用于高分辨率遥感图像中直线型和曲线型道路的提取,具有一定的可行性。     

遥感道路的场景感知与分类检测

基于人类视觉的感知组织和分类融合的基本原理,对遥感图像道路目标的感知模型进行了改进,改进模型分为像素、基元、结构和目标4个处理层次,比传统模型增加了道路场景的自动分类和多类型道路的整合连通2个子过程.基于该模型,提出了一种遥感图像道路检测算法,根据不同的道路场景定义了块状和线状2种不同的道路基元,并分别利用不同方法加以提取、度量和连接.2种基元的连接都采用了显著度驱动的层次性搜索策略.所有连接的路段最终都以中心主线的形式统一描述,并被整合为平滑的全局道路曲线.实验结果表明,该算法能从实际的卫星图像中检测出多种类型的道路,并具有较好的适用能力和有效性.     

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。     

基于D-S证据理论的彩色航空影像阴影提取方法

阴影特征在影像,特别是遥感影像中具有重要的意义. 本文针对彩色航空遥感影像的颜色信息进行分析, 提出了表述阴影在 RGB 和 HIS 空间的三种不同特征, 并利用 Mean Shift 分割的方法对彩色航空影像进行区域分割. 选取分割后的区域, 统计每个区域的多个颜色特征并定义相应的概率分配函数, 利用其互补特性, 使用 Dempster-Shafer(D-S) 证据理论中的合成法则对其进行合成, 最终判别区域是阴影或非阴影. 对实验图像进行阴影特征提取,取得了较好的效果     

基于遗传算法的SAR图像自动道路提取

为了有效地进行SAR图像道路目标自动提取,提出了一种基于遗传算法的SAR图像道路目标自动提取方法。该方法首先通过Frost滤波器去相干斑;然后利用乘性Duda线特征检测算子进行线特征检测,接着利用Radon变换进行线基元提取,再利用遗传算法进行线基元连接;最后利用蛇模型调整道路位置并进行道路鉴别。在星载和机载SAR图像上进行的实验以及性能定量评估结果证明了该方法的有效性。     

高分辨率遥感影像中提取复杂道路的新方法

从遥感影像中提取具有弱边缘线的道路具有相当大的难度,在综合了相位编组和动态规划两种原理的记错上,提出了针对这一问题的新方法。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,该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。     

高分辨率遥感影像道路线性要素识别

为有效从高分辨率遥感影像中自动提取道路,提出利用线性要素间的拓扑关系识别道路线性要素的方法。提取影像中的线性要素并获取其邻域的光谱属性形成有向直线段;利用提出的道路线性要素识别模型,将满足条件的有向直线段聚类生成道路要素集;利用先验知识进一步验证。该方法主要使用道路线性要素的结构信息,适用于大范围、场景复杂的遥感影像,具有较高鲁棒性,目前该方法已应用于基于高分辨率遥感影像的GPS导航道路数据的生产和更新。     

Automatic Road Extraction from Aerial Images

The paper presents a knowledge-based method for automatic road extraction from aerial photography and high-resolution remotely sensed images. The method is based on Marr's theory of vision, which consists of low-level image processing for edge detection and linking, mid-level processing for the formation of road structure, and high-level processing for the recognition of roads. It uses a combined control strategy in which hypotheses are generated in a bottom-up mode and a top-down process is applied to predict the missing road segments. To describe road structures a generalized antiparallel pair is proposed. The hypotheses of road segments are generated based on the knowledge of their geometric and radiometric properties, which are expressed as rules in Prolog. They are verified using part–whole relationships between roads in high-resolution images and roads in low-resolution images and spatial relationships between verified road segments. Some results are presented in this paper.     

从航空遥感图像中自动提取主要道路

如果能自动地从航空遥感图像中提取出道路网,将会简化城市地物目标的分类和测量过程.该文根据城市主要道路在图像中的特性进行了模型化处理,进而提出了基于直线的、自动提取的方法.算法重点考虑到成像过程中必然引入的各种噪声,用高斯分布函数模糊化直线参数,使提取具有良好的稳健性.算法中的参数选择都是通过理论分析所得,因此,提取过程实现了自动化.实验结果表明,该方法能够从实际航空遥感图像中提取出主要道路网.     

从高分辨率遥感影像中提取城市道路的新方法

在综合几种现有算法优点的基础上,提出一种新的道路提取策略。首先以角度纹理特性法分割原始影像;接着利用直线匹配原理剔除初始分割结果中的非道路地物,得到更为规则的道路条带;然后通过形态学手段获得道路中心线,并将每条中心线拆分为多段直线;结合上下文知识的马尔可夫模型被用于组织道路段的中心线,从而恢复完整道路网。实验结果表明：新方法具有良好的性能,可以从高分辨IKONOS遥感影像中提取出复杂的城市道路。     

基于特征融合的高分辨率SAR 图像道路提取

随着机载和星载高分辨率SAR图像得到越来越多的应用, 人们开始研究新的有效的解译工具。虽然一个专业判读人员或许能够通过观察图像上亮的或暗的线性结构来检测道路网, 但是道路的自动检测仍然非常困难。提出一种简单的高分辨率SAR 图像主要道路自动提取方法。该方法分为三步: 第一步, 对原始图像进行预滤波, 分别进行了两个阈值化过程, 目的是去除不感兴趣区域;第二步, 输入第一步结果, 用Hough 变换分别进行道路识别; 最后一步基于特征融合技术, 利用一定的融合方法将检测的结果进行融合。根据对实际图像检测的结果, 证明该方法对于检测高分辨率SAR图像上的主要道路是有效的。