园林景观设计中融合SVM的高分辨率遥感影像道路提取研究

为提高园林景观设计中高分辨率遥感影像道路提取的精度及效果,提出一种融合SVM的高分辨率遥感影像道路提取方法。该方法首先结合Mean Shift算法与数学形态学运算(简称MS-MMO)进行影像阴影提取;再根据阴影提取结果对原始影像阴影区域进行亮度补偿后输入SVM,得到初步提取的道路图像;然后利用高斯滤波算法进行图像平滑处理,利用边缘滤波、纹理滤波等算法去除图像中的非道路区域,得到道路区域提取图;最后基于张量投票提取道路中心线,基于“交点”搜索方法去除道路中心线上的毛刺,完成道路提取。实验结果表明,MS-MMO的具有较好的阴影提取精度及效果;根据MS-MMO输出的阴影提取结果对原始影像阴影区域进行亮度补偿后,道路提取的整体性能更高;融合SVM的高分辨率遥感影像道路提取方法提取的道路完整性、正确性、质量分别达到92.4%、92.7%、89.0%,道路提取性能较好,且道路具有连通属性,在该方法提取的道路图像上进行园林景观设计,可有效提升道路植物配置效果。     

高分辨率遥感影像道路提取

针对实际应用中高分辨率遥感影像道路提取自动化程度低的现状,提出了一种半自动的高分辨率遥感影像道路提取方法。方法采用数据预处理、尺度分割、分类以及形态优化的工作流程,对高分一号遥感影像进行道路半自动提取。数据预处理利用NDWI、DNVI获得道路潜在区域,边缘增强突出道路边缘信息;采用多尺度分割切割道路潜在区域,尺度对比法获得道路最优分割尺度;主要依据道路的光谱特征、形状特征制定分类规则集进行分类;运用形态学开启运算、闭合运算优化道路形态。实验结果表明:在样本区域内提取精度达到90%,整景影像提取精度达到80%,且可推广到具有陕北地区地貌特征的高分一号影像道路快速提取应用中。     

基于格网相交的遥感影像道路中心线提取方法

为从遥感影像中获得可用于建模的道路中心线矢量数据,首先利用成熟光谱反射(面向对象图像分类)方法,自动判读出道路范围,继而使用转化工具得出道路范围的矢量轮廓;通过添加辅助线与轮廓相交、提取线段中心点的方式得出道路中心线上的点集;最后设计工作流对点集进行排序处理,最终转化成可以用于规则建模的道路矢量数据.结果表明上述方法可有效利用遥感数据作为数字孪生几何模型的建模数据来源,同时,方法步骤可利用ModelBuilder(模型构建器)进行代码化整合,形成易于推广的端到端模式.     

基于决策树的面向对象变化信息自动提取研究

为了从不同时相的遥感影像数据中自动提取变化信息且保证其效率,本文结合面向对象分析技术,提出了一种基于决策树变化信息自动提取的新方法。该方法利用影像的特征指数及形状特征、光谱特征、纹理特征等作为特征集,将其作为知识库应用到决策树控制模型中,进而利用该模型实现自动分类。对所得到的分类后影像对象,组织分析其综合属性并作为决策规则再次分类,通过"双重分类"的方式实现面向对象的遥感影像变化信息自动提取。该方法为遥感影像变化信息自动提取提供了新的思路。     

一种利用导航轨迹数据的车道信息提取方法

基于轨迹数据提取车道级道路信息的关键在于道路中心线,然而目前已有研究大都基于先验地图或者粗略估算来获取道路中心线,这严重降低了后续车道信息提取与更新的效率和精度。为此,文章提出了一种利用导航GNSS轨迹数据自动提取车道信息的方法。首先,利用自适应K-means聚类方法对导航轨迹进行方向划分并基于轨迹的密度分布实现轨迹数据清洗;其次,根据机动车轨迹在道路上的位置分布进行拟合,实现车行方向道路中心线的提取;最后,基于约束高斯混合模型实现各个路段的车道数量和车道中心线的提取。实验结果表明,该方法可以准确地提取车道信息,其中车道数量精度为79.8%,车道中心线的位置精度接近1 m,车道宽度精度大都优于0.5 m。     

基于DeepLabV3+的遥感影像道路中心线提取北大核心CSCD

针对目前已有基于遥感影像道路中心线提取算法易受道路旁树木遮挡、建筑物及其阴影覆盖和道路上车辆等因素影响,造成提取出来的道路中心线存在断裂、不完整现象,提出了一种基于深度学习语义分割的道路掩膜,引用细化算法提取道路中心线矢量数据,对矢量道路中心线进行优化的道路中心线提取方法。首先,通过对深度学习语义分割提取出来的道路掩膜进行形态学膨胀处理,减少道路掩膜出现部分断裂、空洞、不完整现象;然后,利用细化算法,对膨胀处理后的道路掩膜提取道路中心线并进行矢量化;最后,结合出现断裂处的道路中心线间几何、空间等约束关系,进行优化处理。实验结果表明:该方法相对于其他道路中心线提取方法,具有较高的精确度、完整度,在不考虑前期深度学习样本制作、模型训练所使用时间的情况下,提取效率也优于其他方法;生成了标准格式的矢量道路中心线数据,可直接用于实际生产。     

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。     

基于无人机的道路点云数据分割提取算法

针对机载LiDAR获得道路的数据信息精确度低问题,提出基于无人机的低空扫描三维点云数据,动态拟合提取分割道路信息的算法.首先使用主成分分析法获得道路点数据的法向量,之后将高程信息和法向量信息结合,利用聚类算法获得道路的高程和法向量的范围,提取道路点云数据;其次利用多项式拟合对道路数据进行数学建模;然后通过动态多项式拟合提取出所有路面数据和路面上的资产以及行人车辆数据;最后使用区域生长算法对路面上的资产以及行人车辆数据进行分割.实验表明算法对道路上的遮挡物有很强的抗干扰能力,可以将路面提取出来并将路面上的数据分割进行分割,将本文算法与区域生长算法进行对比,本文算法对路面数据更加敏感.     

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。     

基于机载LiDAR和高分辨率遥感影像的城市道路网提取

利用单个数据源的数学形态学道路提取方法不能充分利用道路的特征,提取的道路信息不完整。针对这一缺陷,并考虑到机载LiDAR数据可以提供高程信息,提出了将机载LiDAR数据和高分辨率遥感影像数据结合起来的城市道路网的提取方法。以徐州市的机载LiDAR数据和高分辨率遥感影像数据作为实验数据,首先将两者进行精确配准,然后利用伪道路信息去除的方法分别将植被信息和建筑物信息等去除,得到基本的道路轮廓,再利用形态细化算法提取道路的中心线,最后,在ArcGIS和Matlab编程环境下实现了改进的道路修剪算法(IRT),利用该算法进行道路修剪,得到了平滑和连贯的城市道路网。经过精度评价可以看出:利用该方法可以较好地避免建筑物阴影、低矮植被群等对道路提取的影响,道路的识别精度达到84%以上。     

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取高分辨率遥感影像中的道路边缘特征,相比其他道路提取方法具有更高的提取精度和更加完整的道路信息,正确率可达到93%以上。     

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。     

基于高斯云变换的遥感图像多粒度聚类

遥感图像技术的迅猛发展,使得传统聚类方法的局限性日益凸显。针对其信息量大、结构复杂等特点,从多粒度、多层次的角度来分析与理解地学现象,能够更好地解决遥感图像的自适应聚类问题。基于云模型与混合高斯相结合的高斯云变换是一种求解多粒度问题的新方法,能够解决问题域中多粒度的生成问题,但是其时间复杂度较高以及对噪声敏感等缺点,导致对遥感图像的聚类结果不理想。因此提出一种改进的高斯云变换方法,首先通过K-Means聚类优化初始粒度的选择,其次结合幅度云综合对粒度跃升策略进行改进,然后使用一种隶属度距离进行粒度的区域划分,最终对遥感图像进行聚类。实验结果验证了所提方法的正确性和有效性。     

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.     

基于遥感分类与数学形态学的道路信息提取

利用遥感图像获得完整道路信息网一直是信息提取的热点和难点,研究了结合遥感分类和数学形态学提取道路,以期获得满意的结果。遥感分类能有效区分人工地物与自然地物,因此能避免自然地物对提取的影响;数学形态学中的腐蚀和膨胀算子对地物边缘很敏感,一直是边缘信息提取的主要方法。实验表明该思路能快速有效提取道路信息。     

L-UNet：轻量化云遮挡道路提取网络

目的 道路提取是常见的遥感应用之一。现有的基于深度卷积网络的道路提取方法往往未考虑云遮挡给道路提取带来的影响，且提取网络模型较大，不利于在移动端部署，同时缺乏用于云遮挡场景下的道路提取数据集。对此，本文提出一种轻量化的UNet网络（lightweight UNet，L-UNet），高效地实现云遮挡下的道路提取。方法 通过柏林噪声模拟云层以扩展现有道路提取数据集，进而训练L-UNet。使用移动翻转瓶颈卷积模块作为特征提取的主要结构，在深度可分离卷积的基础上加入扩展卷积和压缩激励模块，在减少参数量的同时大幅提升了分割效果。结果 在DeepGlobe道路提取扩展数据集的测试中，与D-LinkNet相比，L-UNet的交并比（intersection over union，IoU）提升了1.97%，而参数量仅为D-LinkNet的1/5。在真实云遮挡遥感图像道路提取测试中，L-UNet的性能仍然最优，与D-LinkNet和UNet相比，IoU值分别提高19.47%和31.87%。结论 L-UNet网络具有一定的云遮挡区域下道路标签生成能力，虽然在模拟云遮挡数据集下训练得到，但对于真实云遮挡仍具有较强的鲁棒性。L-UNet模型参数量很小，易于嵌入移动端。     

结合非监督分类和几何—纹理—光谱特征的高分影像道路提取

目的 目前针对复杂场景高分辨率遥感影像道路提取多采用监督分类方法,但需要人工选择样本,自动化程度低且具有不稳定性。基于像元级的方法,提取完整度低且易产生椒盐噪声;面向对象的方法易产生粘连问题。为了提高道路提取的完整度、准确度和自动化程度,提出一种基于非监督分类和几何—纹理—光谱特征的道路提取方法。方法 首先考虑光谱特征利用非监督分类进行初步分割,结合基于纹理特征分类的结果得到初始道路区域。然后根据道路特征建立一套完整的非道路区域滤除体系：边缘滤波断开道路和非道路的连接、纹理滤波滤除大面积非道路区域、形状滤波去除剩余小面积非道路区域。最后利用张量投票算法得到连贯、平滑的道路中心线。结果 选择复杂场景下的高分辨率IKONOS影像和QuickBird影像进行实验,与国内外基于像素和面向对象的两种有代表性的道路提取方法进行对比,采用完整率、正确率、检测质量3个评价指标进行定量评价。实验结果表明该方法相比于其他算法在完整率、正确率和检测质量上平均提高26.61%、5.57%和26.77%。定性分析结果表明,本文方法可以有效改善椒盐噪声和粘连现象。此外本文方法的自动化程度更高。结论 提出了一种基于非监督分类和几何—纹理—光谱特征的高分辨遥感影像道路提取方法,非监督相对于监督分类的方法有更高的自动化程度,复杂场景下的道路提取融合几何—纹理—光谱特征有效避免了基于像元级道路提取易产生的椒盐噪声现象和面向对象道路提取易产生的粘连现象。该方法适用于高分辨率遥感影像城市道路提取,能够得到较高的完整度、准确度以及自动化程度。非监督分类和多特征结合的道路提取方法有广阔的应用前景。     

利用张量投票的机载LiDAR点云道路骨架线提取

针对机载LiDAR数据中道路骨架线检测存在的噪声干扰问题,结合道路多层特征显著性,提出了一种基于道路最大宽度快速确定最小尺度因子的张量投票道路骨架线提取方法。将预处理后三维道路点云转化成二维强度图像,最小尺度因子参与图像球张量投票,利用极性特征分割道路边缘点;为了进一步增强道路线状特征,利用新的最小尺度因子再次进行球张量投票和棒张量投票,填补道路空洞,顺滑道路边界;细化处理获取道路骨架线。与数学形态学方法相比,该方法在噪声背景的道路数据中提取的道路线精度更高。     

基于改进区域生长的遥感影像道路提取

提出一种改进区域生长法的遥感影像中道路提取方法。对遥感影像进行[K]均值聚类,实现道路区域和非道路区域的初步分离,并获取区域生长的基准值,按照图像特征计算出区域生长的阈值。依据对道路特性的分析,设计了9个道路路口模型。根据设计的道路路口模型,对区域生长法进行了改进,使得道路的提取按照道路路口模型自动增长。最后通过数学形态学的手段对道路进行优化。实验结果表明使用提出方法所提取道路区域更加完整。