高分辨率遥感影像中提取道路网方法综述

高分辨率遥感影像中道路网的提取是智能地物提取和分析的重要方面。针对其特点,介绍了高分辨率遥感影像上道路网提取的基本思想和步骤,从提取要素层次的角度对现有的道路网提取方法进行了分析和综述,并指出当前高分辨率遥感影像道路网提取方法需要进一步解决的遮挡、地物特征类似、地物复杂等问题。展望了未来利用高层次知识、图像融合技术、三维信息等高效提取道路网的可行性。     

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。     

基于视觉注意机制的彩色图像显著性区域提取

图像显著性区域提取是计算机视觉处理的重要步骤。结合人类视觉心理、生理模型, 提出一种基于视觉注意机制的彩色图像显著性区域提取模型。通过改进的分水岭算法对彩色图像进行预分割, 从而将原图像分成若干子区域, 在此基础上运用提出的区域化空间注意力模型对各个子区域进行显著图计算, 得到最终的显著性区域提取结果。实验结果表明, 提出的显著性区域提取算法可以很好地从彩色图像中得到与视觉注意机制相一致的结果, 且满足实时性要求, 与传统方法相比, 算法提取的区域更完整、更准确。     

基于微分几何的遥感影像上线状地物提取方法

自动识别遥感影像上的目标、快速淮确地获取所需信息是遥感数据处理的主要发展方向。通过研究微分几何理论中曲面的一些基本性质，本文介绍了一种基于微分几何的线状 地物提取方法，首先在局部区域内拟合一个二次曲面函数，然后通过该函数来估算灰度曲面的梯度和曲率，设定合适的梯度和曲率阈值来检测线状地物，最后进行后处理，消除许多噪声颗粒及小块区域。实验表明，该方法对于具有一定宽度的线状地物的检测具有较好的效果。     

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...     

一种基于高分辨率遥感影像的道路提取方法

道路等线性地物的自动提取一直是高分辨率遥感影像研究所关注的内容。论文在分析现有的各种提取方法的基础上,结合城市道路在高分辨率遥感影像上的特点,提出一种半自动的道路提取法。该方法先对遥感影像中的道路点进行采样,统计其光谱特征,然后再在道路上设置道路生长原点,从这些生长原点开始,根据统计得出的道路光谱特征对邻域点进行判断生长,最后对生长出的道路图利用数字形态学进行内部腐蚀和边界平滑处理。试验结果表明,该方法提取道路具有较高的精度和实用性。     

基于对象建模的遥感影像建筑物提取方法

研究城镇建筑物的提取是遥感影像分析应用中的一项重要内容.遥感影像建筑物结构和光谱的多样性,使结构、光谱等特征的建筑物提取变得极其复杂.根据遥感影像的建筑物纹理区别于其它空间对象纹理的特点,为提高影像分辨率,提出Gabor纹理块的遥感影像对象模型方法应用于遥感影像城镇建筑物的提取.以整个城镇为对象,以建筑物、道路、绿地等不同城镇区域为组成对象的纹理块,建立基于纹理块的对象模型,利用模型进行遥感影像对象的纹理标定,最终提取出城镇建筑物.实验结果表明方法克服了建筑物结构复杂性和多样性以及背景环境的影响,能很好地从城镇遥感影像中提取建筑物.     

基于改进UNet的遥感影像道路提取研究

传统遥感影像道路提取方法的精度较低,为此提出一种改进的UNet道路语义分割模型。首先,在编码器中引入CNN-Transformer混合结构,以增强特征提取能力。其次,将解码器中传统的上采样模块替换为双上采样模块,以提高特征提取能力和分割精度。最后,采用Hard-Swish激活函数对曲线进行平滑处理,以增强泛化能力和非线性特征提取能力。实验结果表明,该模型的平均交并比（Mean Intersection over Union,MIoU）、平均像素准确率（Mean Pixel Accuracy,MPA）和F1分数最优,优于对比模型。     

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.     

基于视觉注意机制的遥感图像显著性目标检测

显著性目标检测是遥感图像处理的重要研究领域,传统的方法通过逐个像素点的计算来实现目标检测,难以满足遥感图像大面积实时处理的要求。将视觉注意机制应用到遥感图像的显著性目标检测中,在训练阶段,将所有的目标融合成目标类,所有的背景融合成背景类,目标类的显著性均值与背景类的显著性均值的比值得到一个权重向量;在检测阶段,所有的特征图乘以权重向量得到自顶向下的显著性图;自顶向下和自底向上的显著性图融合生成全局显著性图。实验结果表明当目标和背景不是总成对出现时,该方法的检测结果优于Navalpakkam模型和Frintrop模型的检测结果。     

改进U-Net网络的遥感影像道路提取方法研究

从遥感影像中提取道路目标对智慧城市建设具有重要意义.由于遥感数据中道路及背景特征复杂多样,使用深度学习方法对道路进行提取的准确性仍然受到限制.基于U-Net网络架构设计实现了用于遥感影像道路提取的深度语义分割模型AS-Unet,该模型分为编码器和解码器两部分.在编码器部分加入通道注意力机制,对提取的丰富低层特征进行筛选...     

一种高分辨率遥感影像道路提取方法

针对空间异质性导致的道路几何纹理特征突出性下降问题, 提出一种高分辨率遥感影像道路提取方法. 首先设定跟踪模型, 依据人工输入点, 自适应提取道路中心点和道路宽度, 设计迭代内插、双向迭代两种跟踪方式以及矩形跟踪模板; 然后提出多描述子道路匹配模型, 针对道路几何纹理特征突出性不足问题, 基于道路区域地物边缘与道路方向一致的语义关系, 通过线段峰值约束的思想, 提出一种多尺度线段方向直方图(Multi-scale line segment orientation histogram, MSLSOH)描述子, 以此对跟踪方向进行预测; 针对道路几何纹理特征均质性下降问题, 从道路区域与道路非道路混合区域纹理差异性出发, 组合三角形构成扇形描述子, 突出道路影像纹理特征, 以此不仅可对预测跟踪点进行验证, 而且也可在结构信息缺失的情况下对道路进行跟踪; 最后选取不同类型、不同分辨率、不同场景的高分辨率遥感影像, 通过与其他方法的实验对比, 表明该方法能够解决道路提取过程中几何纹理特征突出性下降问题, 具有准确率高和自动化程度高的优势.     

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。     

基于模糊连接度的卫星图像道路提取新方法

论文提出一种将相对模糊连接度和道路特征相结合进行卫星图像主干道路半自动提取的新方法。首先将原始图像划分为多个目标,对每一类目标分别人工选取种子点,然后计算出图像中各像素点与每一类种子点之间的模糊连接度,将其归属于模糊连接度值最大的一类,从而分离出道路目标。接着结合道路局部特征运用模糊连接度连接断裂路段,最后根据道路走向进一步完善整个道路轮廓。SPOT图像道路提取实验表明,新方法可以取得很好的效果。     

融合纹理和形状特征的高分辨率遥感影像道路提取

提出一种结合纹理和形状特征提取道路信息的方法。首先利用灰度共生矩阵提取纹理特征,并将其应用于最大似然分类中提取面状道路,然后利用形态学方法分割道路与其相连地物,最后利用提出的3个形状指数(凹度、精密度、偏心角)有效地识别和区分了道路与非道路地物,并最终实现了提纯道路的目的。实验结果证明,该方法可以准确地提取主干道路网,剔除非道路地物的影响。     

基于SPUD-ResNet的遥感影像道路提取网络

针对遥感影像中道路目标细节丰富且呈带状分布的特点,造成狭长的道路结构提取困难的问题,设计并实现了一种基于SPUD-ResNet的道路提取方法。该方法利用空洞卷积构建残差网络编码器,并通过跳跃连接与对应解码器相连,有效加速网络的收敛并保留道路的细节信息;为了更有效地捕获狭长道路结构的长距离依赖关系,分别构建条形池化模块和混合池化模块,增强网络对条形道路结构特征的获取能力;利用道路结构的几何信息和结构相似性指数设计混合损失函数,精细化道路边界,去除道路提取结果中的模糊预测。在Massachusetts Roads数据集上的实验结果表明,所提方法在召回率、精确度和F1-score指标分别达到了83.4%、84.5%和83.9%,提升了道路提取的效果。     

高分辨率遥感影像道路提取技术研究与展望

对道路特征提取的基本思想和方法进行了探讨,对国内外最新研究状况进行了较全面的综述,介绍了具有代表性的特征提取算法,并对道路特征提取的进一步发展提出了分析和展望.     

基于高分辨率遥感图像的道路提取研究

道路是现代交通的主要组成部分,对于管理和更新地理信息系统数据库中的道路信息非常重要.目前,自动提取道路网络的主要数据源为遥感图像数据,但随着近年来遥感影像的地面分辨率不断提高,图像中地物信息愈加丰富,对图像中道路信息的提取难度也随之增大.文章主要展开一种利用机器学习对高分辨率遥感图像的道路提取研究.首先对高分辨遥感图进...