基于结点扩展的高分辨率遥感影像道路提取

基于整体矩形匹配方法、结点扩展方法、道路连续匹配终止准则等,提出了一种较完善的从高分辨率遥感影像上提取直线道路方法.利用最佳匹配矩形扩展结点进行道路的连续提取,建立道路连续匹配终止准则结束对当前道路的连续提取.该方法具有较高的自动化程度,能够快速准确地提取出影像上主要道路,较好地表示道路的边缘、宽度和方向.同时,在道路提取过程中将自动跟踪和少量人工处理有机地结合起来,使得方法具有实用性.     

级联融合边缘特征的高分辨率遥感影像道路提取

针对进行高分辨率遥感影像道路提取时常出现的识别错误和提取结果断裂等问题,提出一种级联融合边缘特征和语义特征的ACEResUNet多任务融合模型。该模型通过边缘检测任务进行道路边缘特征自动化提取,将其与改进的ResUNet模型对应的卷积单元进行特征级联融合,为语义分割道路训练提供更多的决策依据,提升道路提取结果的连通性。通过在各模型特征提取单元中引入交叉压缩注意力模块,提升模型的特征提取能力,并在改进的ResUNet模型的编解码器之间添加全局多尺度特征融合模块,获取不同尺度目标地物的全文特征信息,以提升道路最终提取结果的完整性。在DeepGlobe道路数据集上的实验结果表明,该模型的道路提取精确率和交并比分别达到了0.798和0.661,相较于VNet和ResUNet等经典模型均有提升。     

基于自适应标注样本的高分辨率影像道路提取

针对现有道路提取算法中难以大规模人工标注样本类别标签的问题,提出了一种基于自适应标注样本提取遥感影像道路的方法。首先,通过改进的模糊C均值聚类算法提取道路区域,进行初步的样本标注;其次,利用基于二次投票的集成去噪算法定位标签噪声样本,更新样本数据集;再次,将更新后的样本集投入随机森林训练并预测影像的分类结果;最后,对道路提取结果进行多方向形态学滤波去除非道路区域,得到精确的道路提取结果。通过不同分辨率、不同场景、不同方法的实验结果表明,所提方法可以自主选择并标注样本,相比传统算法具有较高的提取精度,对于高分辨率遥感影像中直线型、曲线型道路均有较好的道路提取效果。     

基于面向对象的高分辨率遥感影像道路信息提取方法

采用一种基于面向对象的道路提取方法,阐述了影像理解、影像分割、对象层次结构等几个关键思想,提出如何解决传统高分辨率影像提取道路方法,如边缘检测、滤波等存在的不足,并对高分辨率遥感影像提取道路的实用性进行思考,为下一步具体应用指明方向。     

高分辨率遥感影像分割提取构筑物评估

面向对象的影像分析已成为针对高分辨率遥感影像信息提取和行业应用的一种先进方法.该方法的实用效果,基础和关键在于对影像中所关注地物目标的影像分割提取效果.针对高分辨率遥感影像地面构筑物的提取,采用经验性符合统计比较法,把自动分割结果与人工分割提取的地面构筑物区域轮廓相对符合程度分为3个等级:良好、可以接受和不可接受,对当前应用广泛的两种多尺度影像分割方法进行了地面构筑物分割提取效果评估.     

利用最小二乘匹配算法提取影像道路网

针对遥感影像道路网提取问题,提出了利用最小二乘匹配算法进行道路网智能化提取的思想,通过对影像进行预处理、种子点选取、最小二乘匹配、道路段筛选和连接来实现道路网的提取.利用多组影像进行验证的实验结果显示:该方法能够较好地对道路网进行识别,且具有较好的鲁棒性.     

基于阈值分割与数学形态学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快速,有效的提取道路信息,一直是遥感学界研究的热点和难点问题。本文研究了一种基于阈值分割与数学形态学的高分辨率遥感影像道路提取算法,该算法不需人工给出道路种子点,方向等信息,在某种意义上提高了道路提取的自动化程度。提取过程是:首先利用阈值分割将遥感影像分割成包含道路信息的二值图像,然后利用数学形态学运算对二值图像进行处理,根据道路形态特征提取出道路区域。     

遥感影像提取改扩建道路的DLG辅助算法

随着城市化进程的加快,作为城市脉络的道路网的更新要求越来越高。基于人工测图的传统更新方式速度慢、效率低,难以满足数据更新的需求。利用数字线划地图(Digital Line Graphic,DLG)数据作为先验信息,采用基于特征的方法,从高分辨率遥感影像中提取道路,实现道路的自动更新。算法适用于DLG中以双边缘平行线对表示的城市主要道路。实验结果表明,该方法在道路拓宽、延伸等情况均有良好的效果。     

一种高分辨率遥感影像城区道路网提取方法

提出一种高分辨率影像城区道路自动提取新方法.该方法首先引用经典的Mean-Shift算法实现道路图像的初步分割,再合并灰度相似的区域,依据直方图准则选取合适的阈值进行二值化分割；然后,引入形状因子(面积、长宽比等)去除混杂在图像中与道路形状特征不相似的区域；对于仍然与道路相连的非道路区域,构造多方向形态学滤波的方法剔除,提取独立的道路区域,最后连接断裂的道路线,实现道路网的提取,并对多幅高分辨率城区影像进行试验.研究结果表明:该方法能很好地实现从复杂环境中提取道路网,特别是对直线型道路的提取精度更高.     

优化区域生长的高分辨率影像道路精确提取

鉴于区域生长存在需提供种子点及易过生长的缺陷,改进了区域生长算法对高分辨率遥感影像进行道路精确提取。首先利用格网对原始影像进行划分,将在道路灰度范围内的外边缘格网以同质性指标依次排序作为候选种子点;将满足道路连续性和一致性要求的路径格网起始点作为种子点;并通过道路指数加以验证得到最终种子点,以此避免盲目选择种子点的不足。其次在引入梯度值进行道路生长后,以二值化的彩色分量与生长结果进行信息融合方式来优化算法,达到缓解过生长的目的。实验结果表明算法是合理有效的,能够较为精确地提取出道路区。     

一种基于Hop-Along的遥感图像道路提取算法

基于数值形态学的道路提取是遥感图像处理的常见问题,通常结构元素的选取复杂多变,降低了算法的自动化程度.文章结合数值形态学和Hop-Along算法,对影像进行预处理、阈值分割,得到包含道路信息的二值影像;使用数值形态学的腐蚀运算及形态重建,得到主要道路网络;使用局部Hop-Along算法进行多线拟合,得到单像素的道路中心线.通过对高分辨率遥感图像的Matlab实验证明,算法大幅降低了选取结构元素的次数,提高了自动化程度,且保持了数值形态学的几何学特性.     

基于JSEG改进算法的高分辨率遥感影像分割

高分辨率遥感图像中细节信息丰富、地物几何结构明显,对JSEG算法进行了改进,使其对高分辨率遥感图像分割可以取得更合理的结果。算法使用增量式的生长方式完成初始分割,并综合使用颜色和形状信息对过分割区域进行合并。实验表明,改进后的算法符合高分辨率遥感图像的特点,可以得到更好的效果。     

一种高分辨率遥感影像道路提取方法

文章采用了基于核的Fisher线性判别特征分类和形状特征相结合的方法进行道路提取.首先,对标记的样本进行色彩信息的抽取;其次,利用基于核的FLD根据抽取的信息对遥感影像进行特征训练分类,将影像分为道路和非道路两类;接着利用道路的形状特征去除误提的信息;最后利用形态学对道路网进行优化处理.实验证明,本方法可以实现具有颜色信息的遥感影像道路的提取.     

采用改进YOLOv3的高分辨率遥感图像目标检测

由于高分辨率遥感图像存在目标排列密集、尺寸差别大等情况,传统算法难以准确地对其进行目标检测。在YOLOv3算法的基础上,提出一种改进的高分辨率遥感图像目标检测算法(remote sensing-YOLO,RS-YOLO)。利用K-means聚类算法对数据集进行聚类,重新设计适合遥感图像的先验框; 引入高斯模型计算预测框的不确定度,以提高网络对预测框坐标的准确度; 使用弱化的非极大值抑制算法(soft non-aximum suppression,Soft-NMS)对预测框进行处理,增强算法对密集排列目标的检测能力。实验结果表明,改进后的算法能够对高分辨率遥感图像进行有效的目标检测,以NWPU VHR-10数据集为例,RS-YOLO的平均检测精度达到了87.97%。     

基于NSCT与形状特征的遥感影像道路提取

提出一种基于非抽样Contourlet变换（NSCT）与形状特征的遥感影像道路提取算法.首先对图像进行非抽样Contourlet变换,得到不同尺度、不同方向上的变换系数,对变换系数进行增强处理并通过反变换得到增强图像;然后对增强图像进行分割处理,利用道路形状特征对分割结果进行道路提取;最后利用光谱特征对提取的道路进行判断,并利用形态学方法对道路网进行规整.对比实验结果表明：该算法取得了较好的高分辨率遥感影像道路提取效果.     

基于目标匹配的遥感图像变化检测方法

针对传统的像素级遥感图像变化检测方法中检测精度严重依赖于图像配准、辐射校正和差异图像阈值选取的问题,提出了一种基于目标匹配的目标级遥感图像变化检测方法。该方法直接作用于2幅未经配准和辐射校正的不同时相遥感图像,利用目标的区域不变矩与目标之间的角度关系对目标进行匹配,将不能匹配的目标作为变化目标,利用匹配目标对2幅图进行配准,以同时实现图像的配准与变化检测,并用配准结果对变化检测结果进行修正。实验结果表明,该方法具有较好的定性检测性能。     

基于最小二乘支持向量机和高分辨率遥感影像的大尺度区域岩性划分

基于大尺度区域分割的理念,提取高分辨率遥感图像中与岩性相关的纹理、形状、光谱信息,利用最小二乘支持向量机(LS-SVM)在非线性预测中的优势,对研究区地质岩性进行识别。首先对高分辨率图像中与岩性相关的光谱、纹理、形状、高程等特征信息进行样本选取,选取过程中以图像的纹理为主要特征信息,同时以J-M距离、转换分类度为依据选取最优特征空间,采用因子分析变换降维对特征空间进行压缩,实现特征信息最优化;然后对已知样本进行训练,建立分类模型,评价模型精度;最后利用模型对研究区进行岩性划分,并进行分类后处理。研究结果表明:基于LS-SVM的分类方法在利用高分辨率遥感图像岩性识别中表现良好,为地质岩性分类提供了一种新的方法和手段;加入纹理等信息后的LS-SVM分类模型更加利于岩性的判别。     

中低分辨率遥感影像控制点对自动提取方法

遥感影像配准是遥感影像融合与校正的基础,而控制点提取是遥感影像配准的关键。针对中低分辨率遥感影像配准时产生的控制点少且分布不均匀、正确匹配率低等问题进行研究,提出了一种自动提取其控制点对的方法。该方法采用区域匹配策略,首先将参考影像与待配准影像的公共区域进行网格划分,对2幅影像中相同地理范围的小区域进行一致编号,接着建立影像的多尺度空间,对每一个尺度影像区域块采用Harris进行角点检测,用SIFT特征描述符描述Harris角点的特征向量,最后利用区域匹配策略进行特征点的匹配。实验表明,该方法能提取出均匀分布且精度高的控制点对,有利于提高中低分辨率遥感影像配准的精度。