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。     

结合区域生长和GVF-Snake的遥感影像道路提取

基于待分割目标的灰度特征分布,提出了一种能自适应地改变生长准则参数的区域生长方法。将该自适应区域生长算法与GVF-Snake模型相结合用于高分辨率遥感影像道路提取,即用自适应区域生长方法提取出大致的道路区域,对生长出的道路图,利用数学形态学进行内部腐蚀并获得道路区域轮廓线,以该轮廓线作为GVF-Snake模型的初始轮廓,利用GVF-Snake模型进行道路跟踪,得到最终的道路提取结果。实验结果表明该方法能有效地提取高分辨率遥感影像中的道路目标,具有一定的实用性和鲁棒性。     

基于相位编组的高分辨率遥感影像道路信息提取

从高分辨率遥感影像中提取道路信息已有许多研究,但仍存在许多问题有待解决.本文主要研究高分辨率遥感影像上城市道路信息的提取,从四个方面开展,即:遥感影像的预处理、阀值的确定、直线与曲线的提取以及道路信患在原图上的显示.传统的相位编组方法主要针对直线的提取,本文对其进行了改进,得到了一种基于相位编组的半自动提取道路信息的方法.实验中首先结合灰度形态学与Canny算子,得出信息较全的道路边缘轮廓信息,然后根据不同形状的道路模型,运用灰度值参数对相位编组法进行改进,提取出比较准确的道路信息.针对现代城市中常见的立交桥,特别是对其曲率较大的中心部分信患,该提取方法表现出了一定的优越性和适用性,实验结果较为理想.     

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方法研究进展

快速、准确地从高分辨率遥感影像中提取道路信息对于基础地理信息更新具有重要的意义。针对道路提取的众多方法与技术,首先对遥感影像道路提取中涉及的特征类型与表达方法进行了归纳;其次,参照提取层次将道路提取方法分为3种类型:基于特征、基于对象以及基于知识的道路提取,并对每一类型道路提取方法的优缺点进行了系统总结,同时也对目前高分影像道路提取中存在的问题进行了分析;最后,结合遥感与模式识别的最新发展等相关理论,对高分影像道路提取方法的发展方向进行了展望。     

高分辨率多光谱遥感影像中城区道路信息的自动提取

提出一种从高分辨率遥感影像提取城市区域道路网络的方法。该方法采用改进的数学形态学运算方法对影像进行分割,进而得到粗略道路信息网,然后利用道路网的几何特征实现道路与建筑物的有效区分,最后通过抽骨架的方法获得最终道路网中心线。试验数据为某一城区高分辨率卫星影像,并对最终提取的结果进行了评价,结果表明,所提出的方法能够从高分辨率多波段卫星遥感影像上精确、有效、自动提取城区道路网络。     

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。     

一种形态重建的遥感影像城市道路提取方法研究

以QuickBird多光谱影像为例,提出一种从高分辨率遥感影像中提取城市道路的方法。首先利用直方图均衡化对原始遥感影像作增强处理,突出影像的边缘信息。用Otsu自动阈值分割法对增强处理后的图像进行初步分割,提取出城市道路和房屋等建筑物。根据图像中各类要素的形态特征差别构建不同的标记图像,采用不同的结构元素构建道路模型,用该模型对阈值分割后的图像进行形态重构,分别提取出城市道路和建筑物。对形态重构生成的道路模块进行优化处理,提取出城市道路轮廓。实验结果表明,该方法能有效地从高分辨率遥感影像中提取出城市道路网。     

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。     

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。     

改进U-Net型网络的遥感图像道路提取

目的 遥感图像道路提取在城市规划、交通管理、车辆导航和地图更新等领域中发挥了重要作用,但遥感图像受光照、噪声和遮挡等因素以及识别过程中大量相似的非道路目标干扰,导致提取高质量的遥感图像道路有很大难度。为此,提出一种结合上下文信息和注意力机制的U-Net型道路分割网络。方法 使用Resnet-34预训练网络作为编码器实现特征提取,通过上下文信息提取模块对图像的上下文信息进行整合,确保对道路的几何拓扑结构特征的提取;使用注意力机制对跳跃连接传递的特征进行权重调整,提升网络对于道路边缘区域的分割效果。结果 在公共数据集Deep Globe道路提取数据集上对模型进行测试,召回率和交并比指标分别达到0.847 2和0.691 5。与主流方法U-Net和CE-Net（context encoder network）等进行比较,实验结果表明本文方法在性能上表现良好,能有效提高道路分割的精确度。结论 本文针对遥感图像道路提取中道路结构不完整和道路边缘区域不清晰问题,提出一种结合上下文信息和注意力机制的遥感道路提取模型。实验结果表明该网络在遥感图像道路提取上达到良好效果,具有较高的研究和应用价值。     

融合多尺度特征的遥感影像道路提取方法

针对遥感影像中由于道路信息错综复杂,导致道路提取不完整、精确度低等问题,提出一种新型遥感影像道路提取方法。融合多尺度特征改善道路提取的整体效果,基于深度残差网络设计混合空洞卷积,并通过定义卷积核各值的间距增大特征提取感受野,从而丰富多尺度特征融合模块中的浅层道路语义信息。在编码端提取特征后,利用权重分布的方法匹配感受野尺度,使用不同层级间的特征对全局先验信息进行表征,提高多尺度融合特征获取浅层道路语义信息的准确性,并将改进的多孔空间金字塔池化模块融入到深度残差网络中,挖掘并深度聚合道路浅层次和深层次的语义信息。在两种高分辨率遥感数据集Cheng_Data_Roads和Zimbabwe_Data_Roads上的实验结果表明,所提方法的F1值和MIoU值分别为91.16%和83.63%,准确率、召回率等评价指标均明显优于U-net、ResUnet、D-Linknet等语义分割方法。     

遥感图像道路提取方法综述

道路信息在现代社会中扮演着重要的角色,研究遥感图像的道路提取方法具有重要科学意义。回顾了道路提取方法的发展历程,按实现形式的不同,将已有道路提取方法分为基于像元、面向对象、深度学习三大类,并以此为线索,分析比较各类方法的适用范围与优缺点。设计实验,以多幅高分辨率卫星遥感图像为实验对象,验证对比各类典型道路提取方法的实际性能,实验结果表明,基于深度学习的道路提取方法效果最佳。最后,结合当下热门的遥感大数据与人工智能相关理论,展望了未来遥感图像道路提取方法的发展趋势。     

基于EDRNet模型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提取结果不完整、边界质量差的问题,提出基于EDRNet模型的遥感影像道路提取方法。利用残差网络构建道路提取模型EDR1,保留道路的细节信息并加速网络收敛。通过融合多尺度、多层次的道路特征信息,设计道路提取结果优化模型EDR2。在此基础上,利用混合损失函数,提高道路提取的完整度。实验结果表明,EDRNet道路提取方法在马萨诸塞州道路数据集上的召回率、精确率和F1-score指标分别达到了84.4%、81.7%及83.0%,其结果完整且准确。     

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。     

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。     

High-resolution Remote Sensing Image Road Extraction Method for Improving U-Net

Accurate and efficient extraction of road information based on remote sensing image is a great significance for the establishment and maintenance of basic geographic databases. Due to the complex background information of high-resolution remote sensing images, existing algorithms cannot extract road information very well. U-Net network has good experimental results in image segmentation, but the accuracy of road segmentation results is not good. For this reason, this paper proposes a high-resolution image road extraction method based on improved U-Net network. Firstly, the U-Net-based network structure is designed and implemented. The network uses VGG16 as the network coding structure, which can extract feature semantic information better. Secondly, the use of Batch Normalization and Dropout solves the phenomenon of over-fitting that occurs during the network training process. Finally, the training data is expanded by rotation and mirror transformation, and the ELU activation function is used to improve the network training speed. The experimental results show that the method can extract road information more accurately and efficiently.     

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。