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。     

一种高分影像城区主干道半自动提取方法

针对高分影像中过于冗余的细节信息和城区道路的复杂结构特征,提出一种基于结构线束统计匹配的城区主干道半自动提取方法。该方法由道路基线检测、线束剖面特征统计和道路模式匹配3部分构成,其核心是基于边缘统计特征的路段剖面结构表达。道路基线的确定使得剖面结构特征更加稳定;模式匹配阶段加入了道路几何结构的先验约束,从而抑制了提取结果的歧义性。实验选取了不同场景和范围下的城区高分遥感影像,定性和定量的实验分析结果表明,该方法在道路提取的精度和稳定性方面具有较好的表现,道路边界和中线的同时提取使其更具实用性。     

利用可分图斑的高分遥感影像港口检测方法

鉴于由于类型、规模、自然环境等的差异,不同港口在高分遥感影像上表现出的形状、方向、纹理等特征往往具有较大差异,因而利用低层特征在高分遥感影像上进行港口检测面临较大挑战,提出一种利用非监督提取算法提取高分遥感影像中层特征用于港口检测的方法。该方法通过对大量样本的自主学习,提取能够识别港口的可分图斑作为中层特征表达,再用词袋模型构建基于可分图斑的特征向量,并利用SVM分类器检测港口。最后,探讨了可分图斑提取算法中相关参数设置对检测结果的影响,并利用测试影像集对该方法进行了验证,结果表明其检测正确率达97.5%。     

基于PPMU-net的多特征高分辨率遥感道路提取

针对复杂地形条件下道路特征选取不具代表性,分割精度低的问题,提出了一种基于卷积神经网络（PPMU-net）的高分辨率遥感道路提取的方法。将3通道的高分二号光谱信息与相应的地形信息（坡度、坡向、数字高程信息）进行多特征融合,合成6通道的遥感图像;对多特征的遥感图像进行切割并利用卷积网络（CNN）筛选出含道路的图像;将只含道路的遥感图像送进PPMU-net中训练,构建出高分辨率遥感图像道路提取模型。在与U-net神经网络、PSPnet神经网络相比时,所提的方法在对高分辨率遥感道路提取时能够达到较好的效果,提高了复杂地形条件下道路分割的精度。     

一种决策级特征融合的高分影像道路提取算法

针对现有高分影像道路提取方法存在的难以有效融合光谱与空间特征的问题,提出了一种新的光谱和空间特征信息融合的高分辨率遥感影像道路提取算法。首先,根据道路的几何特征,引入一种新的线性形状描述子,并自适应特征选择地构建具有空间信息的形态学剖面;然后将影像光谱和空间信息进行融合,并基于支持向量机分类器获取像元层次初始道路网络;最后结合所提出的决策级融合算法,基于众数规则对像元层次的道路网络标记按分割对象执行决策,同时采用路径形态学算子对其进行精化形成最终的道路网络。实验表明,该算法有效地改善了现有道路提取算法易产生的空洞、断裂、后续处理较多等问题,且具有鲁棒性好,提取精度高等优点。     

基于格式塔形状分析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网的复杂性,模拟人眼视觉的心理感受,提出一种基于格式塔的道路分离模型,从形状学的角度对高分辨率遥感影像中的道路进行提取。首先基于光谱和纹理信息,使用分割技术提取出疑似道路的目标;然后按照疑似目标的实心度将其分类,对每一类分别进行道路目标提取。最后对3类识别出的道路信息进行验证与合并,得到连续光滑的道路提取结果。在真实的高分影像上进行实验,发现结果与人眼视觉感受一致,且总体分类精度较高,说明算法有效可行,有良好的使用价值。     

基于全卷积神经网络的多源高分辨率遥感道路提取

针对半自动道路提取方法人工参与较多、提取精度不高且较为耗时的问题提出一种基于全卷积神经网络（FCN）的多源高分辨率遥感道路提取方法。首先,对高分二号和World View图像进行分割,用卷积神经网络（CNN）分类出包含道路的图像;然后,用Canny算子提取道路的边缘特征信息;最后,结合RGB、Gray和标签图放入FCN中训练,将现有的FCN模型拓展为多卫星源输入及多特征源输入的FCN模型。选取西藏日喀则地区作为研究区域,实验结果显示,所提方法在对高分辨率遥感影像进行道路提取时能够达到99.2%的提取精度,并且有效地减少了提取所需的时间。     

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.     

纹理与几何特征在道路提取中的应用

提出一种利用纹理与几何特征的高分辨率遥感影像道路提取方法。首先分析高分辨率遥感影像的纹理特征,提出基于纹理特征的聚类方法,将影像大致分为道路区域和非道路区域,然后选取适当的几何特征指数,剔除道路区域中含有的非道路像素,得到初步道路信息。最后通过数学形态学处理,去除初步道路信息中由于车道线、树木影响而产生的孔洞,最后得到完整的道路信息。实验结果表明,与传统方法相比,该方法能够有效地从高分辨率遥感影像中提取道路。     

基于改进的K-means法的高分辨率遥感影像道路提取

针对高分辨率遥感影像中道路提取存在的特征利用问题,提出一种基于改进的K-means算法的道路提取方法。首先根据遥感影像的具体场景进行相应的预处理;在此基础上,利用改进的K-means算法融合道路的光谱特征和纹理特征对图像进行分类,得到初始道路区域;然后利用道路的几何特征滤除非道路区域;最后采用数学形态学方法完善道路信息,得到最终结果。实验结果表明,该方法能实现复杂场景中道路提取,并拥有较好的效果。     

一种面向对象的高分辨率影像道路提取方法

高分辨率遥感影像为用户提供了丰富的地表细节信息, 如何利用图像分析技术从高分辨率遥感影像中进行目标提取、更新地理信息数据库, 成为遥感信息处理研究的热点。传统的道路提取方法一般采用像素级检测方法, 仅利用了像素的光谱信息作为道路提取的依据, 无法利用影像的空间信息。提出了一种面向对象的高分辨率卫星影像道路提取方法, 并选取南京市IKONOS 影像进行了实验。首先, 对影像进行分割获取影像对象, 再通过对IKONOS 影像中道路特征的分析, 利用影像对象的光谱特征、几何特征和空间关系建立知识库, 最后, 利用知识库中的规则来提取影像中的道路。实验结果表明采用本方法能够较好地提取出实验区中的道路。     

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。     

高分辨率遥感影像中道路震害信息的识别方法

大地震之后,紧急救援物资运输迫切需要了解灾区道路的震害信息,然而当前对遥感影像中道路的震害信息提取大多是基于像素的,提取的精度普遍不高。提出了一种面向对象的道路震害信息提取方法,通过综合利用道路的多种影像特征及震前GIS矢量道路相结合来提取道路,然后依据提取道路的完整程度来识别道路震害信息。采用汶川灾区的遥感影像为例进行了实验,与目视判读的结果比较后证明该方法有效改善了信息提取的速度和精度。     

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。     

基于Lansat7 ETM+影像的城市道路信息提取研究

道路信息是遥感卫星影像中一种重要的地理专题信息，道路信息的提取在卫星数字图像自动解译方面具有理论与方法意义，如果能自动地从遥感卫星影像中提取出道路网，将会简化城市地物目标的分类和测量过程。研究结合了计算机和人在自动检测和识别上的优势，以ETM＋为数据源，提出了遥感卫星影像中道路特征半自动提取的一种方法。研究首先对ETM＋的多光谱影像和15m分辨率的全色影像进行融合，然后通过设计一个高通滤波器和统计滤波器，完成道路信息的检测与识别（其中高通滤波突出地物的线性特征、统计滤波则是消除高通滤波后的一些噪音），最后进行矢量化跟踪完成道路信息的提取。实践结果表明，该方法能够从中等分辨率遥感卫星影像中提取道路信息，取得了较好的精度效果。     

联合Fisher核编码和卷积神经网络的影像场景分类

针对高分辨率遥感影像场景分类中使用中、低层特征不能有效表达高分影像的语义信息,造成分类精度不高的问题,提出了一种联合Fisher核编码和卷积神经网络的高分影像场景分类方法。首先利用Fisher核编码框架提取影像的中层语义特征,然后利用深度卷积神经网络提取影像高层语义特征,最后融合中、高层特征利用支持向量机进行分类。实验采用迁移学习方法来克服深度卷积神经网络对训练数据量的需求。实验数据采用UC-Merced 21类和WHURS 19类2个高分影像数据集。实验结果表明,中、高层融合特征包含更丰富的场景信息,增加了目标的可区分性,相比已有方法,该方法能够有效提高分类精度;迁移学习方法能够克服深度卷积神经网络对训练数据量的依赖性。     

面向对象的高分辨率遥感影像道路自动提取实验

传统的遥感影像道路提取,主要是利用数理统计与人工解译相结合的方法。这种方法不仅精度相对较低,效率差,而且依赖参与解译的人,在很大程度上不具备重复性。本文采用面向对象的分类技术,充分利用高分辨率遥感影像中丰富的空间结构信息和地理特征信息,针对实验区中的不同道路类型,在不同尺度下自动提取出道路信息。同时,本实验还提供了一种提取道路的普遍性规则集,提高了道路提取的自动化水平。通过实验表明:该方法提取速度快、精度高。     

遥感影像道路的多点同时快速行进提取方法

研究提出了一种基于多点同时快速行进构建最短路径,提取遥感影像道路的方法。该方法依据道路灰度、梯度或边缘特征构建行进速度项,以多个道路特征点作为起始种子点,多点同时快速行进提取遥感影像最小能量图,并以起始种子点为中心点,按照最小能量值对图像区域进行划分,提取相邻区域对应起始点对行进过程中最先接触的鞍点,设定判定准则从鞍点中选取有效鞍点,剔除可能提取的错误捷径,从有效鞍点出发,沿最小能量值减小且梯度变化最快方向逆向搜索至对应起始点对提取最短路径,最终连接最短路径作为提取的道路。研究将该方法应用到ETM+、IKONOS、航空影像等遥感影像数据中,进行不同空间分辨率、不同大小、不同路网条件下道路提取的实验。结果表明该方法仅需少量的道路特征点作为先验知识,即可实现各类型道路信息的提取。提取的道路连续,无需细化、断线连接等后处理,能够实现多条道路的同时提取,具有较高的提取效率。     

光谱与形状特征相结合的道路提取方法研究

针对从遥感影像上提取道路,目前已经有很多研究,但尚有许多问题有待解决。如果仅从光谱特征分类入手提取道路,会存在“异物同谱”问题。为解决这个问题,提出了用光谱特征与形状特征相结合的方法提取道路。提出了3个形状指数描述道路的形状特征。以SPOT卫星影像为例,将高空间分辨率的全色图像与多光谱图像融合,首先基于道路光谱特征进行图像分类,然后再应用道路的形状特征去除分类图像中的“异物”目标。研究结果表明该方法能有效地从遥感影像中提取主干道路。     

结合路径形态学的高分遥感影像道路提取方法

随着光学遥感影像空间分辨率不断提高,车辆、阴影、标识牌等地物以及油返砂对道路提取构成更严重的干扰,路径形态学的道路提取方法虽可以有效地剔除这些干扰,但仍然存在道路粘连和阴影遮挡问题。针对上述两问题,首先采用Otsu方法对影像进行分割得到初始道路,其次应用路径开运算得到改进道路提取结果,然后提出形态学与路径形态学结合方法以削减道路粘连,最后基于改进圆形模板跟踪模型对断裂点进行跟踪,以解决阴影遮挡造成的道路断裂问题。通过多组影像的实验对比分析表明,该方法可以明显改善高分遥感影像道路提取效果。