本文關(guān)鍵詞： 高分辨率遙感影像 道路中心線(xiàn)提取 多特征融合　出處：《西南交通大學(xué)》2017年碩士論文　論文類(lèi)型：學(xué)位論文

【摘要】：近年來(lái),隨著多平臺(tái)遙感技術(shù)與數(shù)字圖像處理技術(shù)的快速發(fā)展,高分遙感技術(shù)已經(jīng)成為了精確獲取地表信息的重要手段之一。道路網(wǎng)絡(luò)作為基礎(chǔ)地理信息的重要組成部分,在車(chē)輛導(dǎo)航,國(guó)土規(guī)劃等方面具有非常重要的作用。傳統(tǒng)的基于高分辨率遙感影像的道路提取技術(shù)中通常需要輔以人工目視解譯,該種方式雖能夠精確獲取道路網(wǎng)絡(luò)信息,但是其效率不高,智能化程度較低,無(wú)法滿(mǎn)足道路網(wǎng)絡(luò)信息自動(dòng)快速更新的需求。因此開(kāi)展高性能、智能化的道路網(wǎng)提取方法研究具有重要的現(xiàn)實(shí)意義。目前,基于高分辨率遙感影像的道路提取技術(shù)一般包括道路二值圖像提取,道路中心線(xiàn)提取兩大步驟。由于高分辨率遙感影像上下文特征復(fù)雜,同譜異物,同物異譜等現(xiàn)象更為嚴(yán)重,從而造成現(xiàn)階段自動(dòng)化提取道路網(wǎng)絡(luò)尚存在以下不足:(1)基于像素層次的道路提取算法,容易產(chǎn)生"椒鹽"和"空洞"現(xiàn)象,基于對(duì)象層次的道路提取算法,容易產(chǎn)生"粘連"現(xiàn)象,這兩種現(xiàn)象的存在較大程度上影響了道路網(wǎng)絡(luò)的后續(xù)優(yōu)化步驟;(2)初始提取的道路圖像中,非道路區(qū)域的存在影響了道路目標(biāo)的唯一性與完整性,而現(xiàn)有非道路區(qū)域去除算法存在魯棒性和普適性較差的問(wèn)題,需要利用較多的特征和進(jìn)行復(fù)雜的參數(shù)設(shè)置;(3)現(xiàn)有道路中心線(xiàn)提取效果尚存在以下不足之處,其一從影像本身的角度出發(fā),由于高分影像道路存在的車(chē)輛、建筑物陰影、同譜異物等情況,容易產(chǎn)生"斷裂"的現(xiàn)象,其二從中心線(xiàn)提取算法的角度,現(xiàn)有道路中心線(xiàn)提取算法容易產(chǎn)生"毛刺"、擬合不準(zhǔn)確等現(xiàn)象。針對(duì)現(xiàn)階段道路提取存在的不足之處,本文主要完成了以下3個(gè)方面的研究?jī)?nèi)容:(1)從影像底層的特征提取角度出發(fā),發(fā)展了顧及像素級(jí)空間特征和對(duì)象級(jí)光譜特征的多層次特征融合算法,從而有效彌補(bǔ)了單一層次信息的不足,從特征提取的角度來(lái)提高道路提取精度,有效改善了像素級(jí)道路提取存在的"椒鹽"與對(duì)象級(jí)道路提取存在的"粘連"現(xiàn)象;(2)針對(duì)現(xiàn)有非道路區(qū)域去除算法,存在過(guò)多特征組合與參數(shù)設(shè)置,本文設(shè)計(jì)了一種新的形狀描述算子,并基于OSTU自動(dòng)閾值法實(shí)現(xiàn)了非道路區(qū)域的自動(dòng)過(guò)濾,提高了道路提取算法的自動(dòng)化程度;(3)針對(duì)現(xiàn)有道路中心線(xiàn)算法容易產(chǎn)生的"毛刺"與擬合不準(zhǔn)確現(xiàn)象,引入了計(jì)算機(jī)視覺(jué)中的張量投票算法,有效地解決了上述問(wèn)題,且實(shí)現(xiàn)了斷裂道路的自動(dòng)連接,最終提高了道路目標(biāo)的完整程度。總的來(lái)說(shuō),本文構(gòu)建了一種穩(wěn)健的多特征融合方法,并實(shí)現(xiàn)了非道路區(qū)域的自動(dòng)過(guò)濾,同時(shí)提高了道路網(wǎng)絡(luò)形成時(shí)的完整性水平,最終形成了一套完整的高分辨率遙感影像道路提取算法。最后,本文設(shè)計(jì)了多組實(shí)驗(yàn)進(jìn)行了算法驗(yàn)證,并通過(guò)與現(xiàn)有道路提取算法進(jìn)行對(duì)比,無(wú)論從定性的角度還是定量的角度,本文算法均取得了更優(yōu)的結(jié)果,論證了本文算法的有效性,同時(shí)也反映出本文算法具有更高的魯棒性。
[Abstract]:In recent years, with the rapid development of multi platform remote sensing technology and digital image processing technology, high resolution remote sensing technology has become an important means of obtaining accurate ground information. The road network as an important part of basic geographic information, in vehicle navigation, plays a very important role in land planning and so on. High resolution remote sensing image road extraction technology usually needs to be complemented by visual interpretation based on the traditional ways, although the road network can accurately obtain information, but its efficiency is not high, low intelligence, unable to meet the road network information automatic rapid updating needs. Therefore to carry out high performance, intelligent road network extraction method research has important practical significance at present, the road extraction technology based on high resolution remote sensing images generally include road two value image extraction, extraction of the central line of the road two Step. As the context of high resolution remote sensing image features of complex, same spectrum, spectral variety phenomenon is more serious, resulting in current automatic road network extraction still exist in the following aspects: (1) extraction algorithm of pixel level based road, prone to "salt and pepper" and "empty" phenomenon, the extraction algorithm of the object hierarchy based on the road, prone to "adhesion" phenomenon, the two phenomena have greater influence on the subsequent optimization steps of road network; (2) the initial extraction of road image, non Road area has affected the uniqueness and integrity of the road, and the existing non road region removal algorithm are robust and universality of the problem of the poor, need to use more complex features and parameters; (3) the effect of the existing road centerline extraction still has the following shortcomings, one from the perspective of the image itself, Due to the presence of high image road vehicles, shadows, same spectrum etc., can easily lead to "break" phenomenon, the extraction algorithm from the angle of the center line, the existing road centerline extraction algorithm is easy to produce "burr", the fitting is not accurate and so on. Aiming at the deficiencies at this stage are the main road extraction. Research on the following 3 aspects: (1) from the point of view of the underlying image feature extraction of the development of multi level feature for pixel level spatial and spectral characteristics of the object level fusion algorithm, so as to effectively compensate for the lack of a single level of information, from the angle of feature extraction to improve the extraction accuracy of road, effective to improve the pixel level road extraction of "salt and pepper" with the object level of road extraction has "adhesion" phenomenon; (2) according to the existing non road region removal algorithm, there are too many feature combination and design parameters Set, this paper designed a new shape descriptor, which is based on the OSTU automatic threshold method to realize the automatic filtering of non Road area, improve the degree of automation of the road extraction algorithm; (3) according to the existing road center line algorithm is easy to produce "flash" fitting and inaccurate phenomenon, introduced the tensor voting algorithm of computer in the vision, to effectively solve the above problem, and automatically connecting the broken roads, and ultimately improve the integrity of the road target. In general, this paper constructs a robust fusion method of multi feature, and realizes the automatic filtering of non Road area, and improve the integrity level of road network when, eventually forming a complete set of extraction algorithm of high resolution remote sensing image. Finally, this paper designed several experiments are performed to verify the algorithm, and the algorithm and the extraction of roads Comparing with qualitative and quantitative methods, the algorithm achieves better results, and demonstrates the effectiveness of the algorithm. It also shows that our algorithm is more robust.

【學(xué)位授予單位】：西南交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TP751

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 滿(mǎn)旺;;高分辨率遙感鈾礦地質(zhì)勘查技術(shù)體系研究[J];廈門(mén)理工學(xué)院學(xué)報(bào);2009年03期

2 武紅宇;方毅;;基于形態(tài)學(xué)的高分辨率遙感影像道路自動(dòng)提取[J];科技視界;2012年18期

3 顧鈺培;肖蘭玲;凌婷婷;達(dá)利春;;一種基于高分辨率遙感影像的建筑物提取方法[J];測(cè)繪與空間地理信息;2014年04期

4 趙書(shū)河;;高分辨率遙感數(shù)據(jù)處理方法實(shí)驗(yàn)研究[J];地學(xué)前緣;2006年03期

5 謝謙禮;程承旗;馬廷;;一種基于高分辨率遙感影像的道路提取方法[J];計(jì)算機(jī)工程與應(yīng)用;2006年17期

6 羅軍;潘瑜春;王紀(jì)華;陸洲;曹榮龍;閻廣建;;基于高分辨率遙感影像的設(shè)施農(nóng)業(yè)資源信息采集技術(shù)研究[J];地理與地理信息科學(xué);2007年03期

7 邵蕓;郭華東;范湘濤;王爾和;朱博勤;馬建文;張風(fēng)麗;;奧運(yùn)主場(chǎng)館區(qū)工程環(huán)境高分辨率遙感監(jiān)測(cè)與虛擬仿真研究[J];遙感學(xué)報(bào);2008年04期

8 邵蕓;;奧運(yùn)主場(chǎng)館區(qū)高分辨率遙感監(jiān)測(cè)與虛擬仿真[J];高科技與產(chǎn)業(yè)化;2008年09期

9 陳世榮;馬海建;范一大;徐豐;連健;;基于高分辨率遙感影像的汶川地震道路損毀評(píng)估[J];遙感學(xué)報(bào);2008年06期

10 韓春峰;米曉飛;;基于高分辨率遙感影像的人口信息的提取綜述[J];科技資訊;2010年04期

相關(guān)會(huì)議論文 前10條

1 李艷芳;王生;;高分辨率遙感影像在公安行業(yè)的應(yīng)用分析[A];第十七屆中國(guó)遙感大會(huì)摘要集[C];2010年

2 趙書(shū)河;王培法;肖鵬峰;馮學(xué)智;;高分辨率遙感應(yīng)用研究[A];中國(guó)地理學(xué)會(huì)2006年學(xué)術(shù)年會(huì)論文摘要集[C];2006年

3 朱曉鈴;鄔群勇;;基于高分辨率遙感影像的城市道路提取方法研究[A];《測(cè)繪通報(bào)》測(cè)繪科學(xué)前沿技術(shù)論壇摘要集[C];2008年

4 張劍清;鄭順義;張勇;張宏偉;李治江;;高分辨率遙感影像的精糾正[A];第十四屆全國(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2003年

5 馬力;;基于高分辨率遙感影像的導(dǎo)航數(shù)據(jù)更新研究[A];中國(guó)地理信息系統(tǒng)協(xié)會(huì)第四次會(huì)員代表大會(huì)暨第十一屆年會(huì)論文集[C];2007年

6 陳君穎;田慶久;;高分辨率遙感植被分類(lèi)模式研究[A];第十五屆全國(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2005年

7 燕琴;張繼賢;劉玉紅;錢(qián)廣軍;;以影像序列糾正高分辨率遙感影像的應(yīng)用研究[A];全面建設(shè)小康社會(huì)：中國(guó)科技工作者的歷史責(zé)任——中國(guó)科協(xié)2003年學(xué)術(shù)年會(huì)論文集（上）[C];2003年

8 溫小歡;林廣發(fā);陳明華;陳友飛;;基于高分辨率遙感影像獨(dú)立樹(shù)冠提取方法之比較[A];中國(guó)地理學(xué)會(huì)百年慶典學(xué)術(shù)論文摘要集[C];2009年

9 羅震;楊存建;李小文;;基于高分辨率遙感影像的農(nóng)村聚落信息的提取[A];《測(cè)繪通報(bào)》測(cè)繪科學(xué)前沿技術(shù)論壇摘要集[C];2008年

10 董明;;基于高分辨率遙感影像的道路半自動(dòng)提取方法研究[A];數(shù)字測(cè)繪與GIS技術(shù)應(yīng)用研討交流會(huì)論文集[C];2008年

相關(guān)重要報(bào)紙文章 前1條

1 本報(bào)記者 崔恩慧;如何“玩轉(zhuǎn)”高分辨率遙感技術(shù)?[N];中國(guó)航天報(bào);2014年

相關(guān)博士學(xué)位論文 前10條

1 霍宏;生物視覺(jué)啟發(fā)的高分辨率遙感影像特征提取與目標(biāo)檢測(cè)研究[D];上海交通大學(xué);2014年

2 沈小樂(lè);視覺(jué)注意機(jī)制下面向?qū)ο蟾叻直媛蔬b感影像建筑物提取[D];武漢大學(xué);2014年

3 叢銘;基于視覺(jué)感知原理的高分辨率遙感影像分割與人工目標(biāo)提取研究[D];武漢大學(xué);2015年

4 李榮亞;雙態(tài)云支持下高分辨率遙感存儲(chǔ)與計(jì)算一體化研究[D];浙江大學(xué);2014年

5 陶超;高分辨率遙感影像中的城區(qū)與建筑物檢測(cè)方法研究[D];華中科技大學(xué);2011年

6 陶超;高分辨率遙感影像中的城區(qū)與建筑物檢測(cè)方法研究[D];華中科技大學(xué);2012年

7 洪亮;基于對(duì)象馬爾可夫模型的高分辨率遙感影像分割方法研究[D];武漢大學(xué);2010年

8 陳杰;高分辨率遙感影像面向?qū)ο蠓诸?lèi)方法研究[D];中南大學(xué);2010年

9 Rami Badawi（巴達(dá)衛(wèi)）;基于高分辨率遙感影像的南京典型城區(qū)綠地信息提取[D];南京大學(xué);2012年

10 張道兵;高分辨率遙感影像中交互式道路提取算法研究[D];中國(guó)科學(xué)院研究生院（西安光學(xué)精密機(jī)械研究所）;2007年

相關(guān)碩士學(xué)位論文 前10條

1 許潛金;基于高分辨率遙感影像與LiDAR點(diǎn)云的損毀建筑物提取方法研究[D];西南交通大學(xué);2015年

2 李建飛;高分辨率遙感影像中的道路信息提取與表達(dá)方法研究[D];湖南工業(yè)大學(xué);2015年

3 孫雯;微小衛(wèi)星低成本高分辨率遙感相機(jī)的設(shè)計(jì)和研制[D];蘇州大學(xué);2015年

4 程臻;面向?qū)ο蟮母叻直媛蔬b感影像全要素分類(lèi)研究[D];哈爾濱工業(yè)大學(xué);2015年

5 安麗;基于Hough變換的高分辨率遙感影像道路提取[D];東華理工大學(xué);2015年

6 陳璐璐;土地利用動(dòng)態(tài)監(jiān)測(cè)在土地執(zhí)法中的應(yīng)用[D];南京農(nóng)業(yè)大學(xué);2014年

7 白金婷;結(jié)合高分辨率遙感影像多維特征的森林分類(lèi)[D];北京林業(yè)大學(xué);2016年

8 張曦;基于時(shí)頻特征和支持向量機(jī)的高分辨率遙感影像道路提取[D];安徽大學(xué);2016年

9 劉一哲;多尺度分割技術(shù)在高分辨率遙感影像地物提取方法的研究[D];昆明理工大學(xué);2016年

10 宋納;高分辨率遙感影像道路提取方法研究[D];昆明理工大學(xué);2016年

，

本文編號(hào)：1537493