基于高分辨率SAR图像的道路提取算法

针对合成孔径雷达(synthetic aperture radar,SAR)图像中道路边缘的特点,提出了一种基于多条件加权法的高分辨率SAR图像道路提取算法。该算法使用FROST滤波抑制相干斑噪声,并使用OSTU算法对高分辨率SAR图像进行二值化,对二值化后的SAR图像进行膨胀与腐蚀,再使用五邻居边缘检测器与多条件加权法提取道路的一个边缘,最终使用桥连接模式提取出完整的道路边缘。实验结果表明,该算法可以消除噪声,消除障碍物的干扰,有效的提取道路边缘。     

基于平行线对检测的SAR图像主干道提取算法

为了有效地进行高分辨率SAR图像中道路目标的提取,提出了一种基于平行线对检测的主干道提取算法。处理过程分为三个层次,在低层次处理中,在经过增强Frost滤波预处理之后,采用指数加权平均比率算子对图像进行边缘检测,得到边缘像素;中层处理则先消除短线段,进行初始的路段连接,再利用平行线对检测算法,检测可能的道路段。而后在高层次处理中,进行路段的最终连接并根据建立的道路的数学模型进行道路的识别,最后通过生长判断器进行行道树干扰下路段的生长。在多幅SAR图像上进行的实验证明了该算法的有效性。     

基于道路信息的高分辨率SAR图像道路检测

针对光学图像道路提取方法不适用于高分辨SAR图像道路提取的问题,提出一种以道路宽度和平行双边缘先验信息为依据的提取算法。算法首先采用各向异性扩散滤波滤除相干斑噪声;其次采用Canny算子和ROA算子进行边缘检测,并对图像边界的信息进行了补偿;而后利用平行线检测方法提取边缘中的平行线特征;最后采用启发式连接的思想连接断裂的线基元。采用算法仿真并对SAR图像进行处理,实验结果表明,该算法对直线和曲线型的道路都具有良好的检测效果。此外,该算法还可以用于提取机场跑道、河流等其他具有平行双边缘的地物。     

一种面向SAR图像的多窗口道路边缘检测算法

道路作为一种重要地物信息,在城市规划等领域中起着不可替代作用。合成孔径雷达（SAR）具有全天候等成像特点,因此基于SAR图像已有许多道路边缘检测算法。提出一种多窗口道路边缘检测算法,来解决相干斑噪声引起的道路边缘误检率高完整性差等问题。该算法首先以加权局部熵的大小为基础,评估SAR图像中像素点落在道路上的概率,然后以该概率为依据,确定每个像素点多窗口融合的权值。最后,对不同大小窗口的边缘检测结果进行加权融合。通过对不同区域的SAR图像切片进行实验,结果表明加权融合后得到的道路边缘的完整性及对噪声的抑制效果均有所提高。     

基于模糊连接度的高分辨率SAR图像道路自动提取

针对高分辨率合成孔径雷达(SAR)图像受到乘性斑点噪声的影响,且道路环境复杂多变的问题,提出一种基于模糊连接度的高分辨率SAR图像道路自动提取方法。首先,对SAR图像进行斑点滤波,以降低斑点噪声的影响;其次,结合指数加权均值比(ROEWA)算子检测结果和模糊C均值(FCM)分割结果自动提取种子点,从而提高自动化程度;最后,利用以图像灰度和ROEWA检测算子边缘强度为特征的模糊连接度算法对种子点进行扩展提取道路,经形态学处理后得到最终结果。对两幅SAR图像进行实验,并与FCM方法分割出的道路结果进行比较,所提出的方法在提取完整率、正确率及检测质量上均优于模糊C均值方法。实验结果表明,所提出的方法能较有效地从高分辨率SAR图像中提取不同宽度和弯曲程度的道路,且无需人工输入种子点。     

一种新的高分辨率SAR图像道路提取算法

针对高分辨率SAR图像中道路目标难以有效提取的问题,提出一种新的高分辨率SAR图像道路提取算法,它结合了参数化内核图割和数学形态学算法。利用参数化内核图割对高分辨率SAR图像中的道路目标进行初级分割,用数学形态学填充空洞,平滑道路边缘;基于道路的几何特征,使用矩阵度、改进的长宽比、复杂度等因子去除虚警;针对处理过程中出现的道路断裂情况,利用数学形态学提取道路目标的中心线,同时根据线段邻近性、方向一致性准则对其断裂部分进行连接,用数学形态学还原道路宽度,得到道路提取结果。实验结果表明该算法不用进行SAR图像预处理,也可以有效抑制相干斑噪声,并且能准确、较为完整地提取道路目标。     

一种基于多尺度马尔可夫随机场的SAR图像分割算法

利用小波变换模大值边缘检测算法得到SAR图像不同尺度下的边缘信息,再利用MRF分割算法对SAR图像进行分割。实验结果表明,该方法改善了SAR图像分割的质量,有效地改善了MRF图像分割算法的方向灵敏性。     

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.     

基于数学形态学的道路提取

利用遥感图像进行道路提取已经有了一些研究,如图像分割,基于知识的道路特征识别和数学形态学等,但尚有许多问题需要解决,设计了一种基于数学形态学的遥感图像道路提取算法。该算法首先将遥感图像二值化,然后进行噪声滤除、形态学边缘检测与边缘连接。通过采用ETM+遥感图像进行实验表明,该算法与传统的边缘检测与边缘闭合的算法相比,具有更好的抗噪能力,且精度较高,具有一定的现实意义。     

SAR图像道路检测及其仿真

针对图像边缘定位易发生偏移且对噪声比较敏感的问题,传统检测方法有缺点,现从小波理论出发,提出了一种基于beamlet变换的SAR图像道路线特征提取方法。首先对未经斑点噪声抑制的原始SAR图像进行非下采样小波分解,在变换域中利用beamlet变换进行道路线特征提取,最后采用识别算法检测了道路。实验结果显示方法与传统检测算子相比,具有很好的抗噪性能,检测到更多细节特征且道路识别效果更好。     

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。     

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。     

结合张量投票和Snakes模型的SAR图像道路提取

目的 Snakes模型对曲线轮廓具有良好的拟合能力,被广泛应用于遥感图像的道路提取。但SAR图像受乘性斑点噪声影响严重,因此利用Snakes模型从SAR图像提取道路时,传统的以图像灰度负梯度为外部能量的方法难以取得理想结果。针对这一问题,利用计算机视觉中的张量投票算法可以从噪声掩盖的图像中提取显著结构特征的特点,将张量投票与Snakes模型结合从SAR图像提取道路。方法 首先利用模糊C均值分割法从SAR图像中分割出道路类,然后对道路类进行张量投票获得每点的曲线显著性值,最后以该曲线显著性值的负值作为Snakes模型外部能量从SAR图像提取道路。在Snakes模型能量最小化阶段,提出了一种优化的拟合策略,一边内插节点一边最小化Snakes模型能量。结果 利用机载和星载不同场景的SAR图像进行实验,与同类的基于Snakes模型的半自动方法相比,本文方法对曲率较大的道路仅需较少控制点即可取得较好的拟合效果;与基于MRF模型的自动方法相比,本文方法对道路提取的完整率、正确率、检测质量都优于基于MRF模型的方法,并且提取的时间远远快于基于MRF模型的方法,对于大范围的道路网提取将更为实用。结论 本文方法充分考虑到道路的几何形态特征,利用张量投票算法对该特征进行量化,并利用优化的拟合策略来最小化Snakes模型能量来提取道路。基于机载和星载SAR图像的实验表明本文方法可以较好地提取不同场景中的主要道路目标和道路网。     

地理信息库支持下的SAR 影像信息提取

在计算机辅助下如何快速的对整景高分辨率SAR影像进行信息提取已成为一个研究热点。将这一问题构建为一个系统工程来进行考虑解决。在SAR影像中, 许多目标例如河流、湖泊、主要道路、街区和居民地等地理属性信息在短期内不易发生变化, 因此可将这些地理数据集作为先验信息存于数据库中, 在随后对SAR影像的信息处理中, 可以通过预先建立的地理索引调用相应的地理信息来指导信息提取过程, 从而加快整个系统的处理进度, 满足实际工作的需求。     

A two-level Markov random field for road network extraction and its application with optical,SAR, and multitemporal data

This article introduces a method for road network extraction from satellite images. The proposed approach covers a new fusion method (using data from multiple sources) and a new Markov random field (MRF) defined on connected components along with a multilevel application (two-level MRF). Our method allows the detection of roads with different characteristics and decreases by around 30% the size of the used graph model. Results for synthetic aperture radar (SAR) images and optical images obtained using the TerraSAR-X and Quickbird sensors, respectively, are presented demonstrating the improvement brought by the proposed approach. In a second part, an analysis of different types of data fusion combining optical/radar images, radar/radar images, and multitemporal SAR (TerraSAR-X and COSMO-SkyMed) images is described. The qualitative and quantitative results show that the fusion approach improves considerably the results of the road network extraction.     

滤波器组实现SAR图像中主要道路提取

合成孔径雷达(SAR)图像中道路目标自动提取既是当前遥感技术应用中的热点又是急待解决的难点.着眼SAR图像中道路目标的自动提取,在分析SAR图像特征的基础上,绕开常见的利用边缘检测算子提取图像中道路线段的作法,通过适当选择滤波窗口在去噪的同时尽量保持道路边缘,再通过二次二维方向性滤波、去枝滤波准确高效地提取了SAR图像中的道路目标.实验证明该方法在提取SAR图像中主要道路目标时几乎不需要调整参数,人工干预少,自动化程度高.