道路作為重要的人工地物和基礎(chǔ)的地理數(shù)據(jù),一直是地圖更新的重點(diǎn)目標(biāo),道路信息的提取既是重點(diǎn)也是難點(diǎn)。從遙感圖像上提取道路網(wǎng),比較有代表性的類型是基于分類和基于模板匹配的方法。在基于分類的方法中,面向?qū)ο蠓诸?其準(zhǔn)確性和形態(tài)精確性受限于圖像分割等技術(shù)環(huán)節(jié);而最新出現(xiàn)的深度學(xué)習(xí)技術(shù)則需要大樣本訓(xùn)練,對(duì)樣本量和質(zhì)量均有較高的要求。另一方面,模板匹配技術(shù)利用用戶設(shè)定的模板進(jìn)行圖像目標(biāo)的相似性匹配和搜索實(shí)現(xiàn)目標(biāo)的識(shí)別與提取,可以避免分割帶來的誤差;但模板匹配方法往往需要手工設(shè)定模板,操作繁瑣,在大范圍遙感圖像匹配任務(wù)上難以保證模板的完備性和普適性。本文針對(duì)現(xiàn)有道路網(wǎng)提取技術(shù)存在的不足,結(jié)合面向?qū)ο�、深度學(xué)習(xí)以及模板匹配技術(shù),實(shí)現(xiàn)高空間分辨率遙感影像中道路網(wǎng)的自動(dòng)提取。論文的主要工作如下:（1）基于面向?qū)ο蟮纳疃葘W(xué)習(xí)分類實(shí)現(xiàn)道路網(wǎng)粗提設(shè)計(jì)了適用于深度學(xué)習(xí)分類的樣本庫,并通過樣本庫訓(xùn)練得到深度學(xué)習(xí)分類模型。在道路網(wǎng)分類提取中,首先通過硬邊界約束的圖像分割,獲取面狀特征基元,而后設(shè)計(jì)面基元內(nèi)圖像塊投票表決的方式實(shí)現(xiàn)基元深度分類。其次提取分類圖層中的道路要素,進(jìn)行骨架計(jì)算和規(guī)則篩選,得到初始骨架路網(wǎng)。（2... 

【文章來源】：南京師范大學(xué)江蘇省 211工程院校

【文章頁數(shù)】：95 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖３．４樣本采集示意圖??

篇派??（ａ）樣本選擇?（ｂ）實(shí)驗(yàn)區(qū)樣本示例??圖３．４樣本采集示意圖??由于遙感影像數(shù)據(jù)特性的限制，直接利用現(xiàn)有ＧｏｏｇｌｅＮｅｔ模型表示遙感影像??數(shù)據(jù)特征存在以下問題：Ｉ、模型的深度特征學(xué)習(xí)方法需要大量且高質(zhì)量的訓(xùn)練??樣本，ＩＩ、最佳樣本尺度的確立，ＩＩＩ、樣本的均衡化問題。??針對(duì)以上問題，兼顧后續(xù)樣本庫數(shù)據(jù)管理的問題，需要對(duì)初始采集到的樣本??數(shù)據(jù)進(jìn)行入庫的操作。由于不同傳感器所呈現(xiàn)的地物差異較大，因此本文根據(jù)所??選實(shí)驗(yàn)區(qū)傳感器的類別分別集成了相應(yīng)的樣本庫，有關(guān)樣本庫設(shè)計(jì)的界面如圖??３．５所示。在樣本庫設(shè)計(jì)環(huán)節(jié)針對(duì)利用現(xiàn)有ＧｏｏｇｌｅＮｅｔ模型表示遙感影像數(shù)據(jù)特??征存在的問題做了以下工作：??Ｉ、

（ａ）斑塊內(nèi)取塊示意圖?（ｂ）影像塊生成具體示意圖??圖３．６圖像塊生成示意圖??將所有有效的影像塊輸出后，分別記錄每個(gè)影像塊所屬的斑塊信息。用訓(xùn)練??好的ＧｏｏｇｌｅＮｅｔ網(wǎng)絡(luò)模型對(duì)每個(gè)輸出圖像塊的類別進(jìn)行預(yù)測(cè)。最終利用多數(shù)投票??的策略（如圖３．７），根據(jù)對(duì)每個(gè)圖斑所包含的所有影像塊進(jìn)行類別投票，依次確??定每個(gè)面基元的類別。??ＲＲｒｎ?１?－？?／?Ｂ?１??國Ｌｄ??（ａ）圖斑內(nèi)影像塊類別?（ｂ）類別投票結(jié)果示意圖??圖３．７圖斑類別投票示意圖??在確定了每個(gè)面基元的類別標(biāo)簽后，得到整景影像的全要素分類結(jié)果。對(duì)于??全要素分類結(jié)果，提取出其中的道路基元，便得到初始的道路網(wǎng)斑塊。??３．?３道路骨架計(jì)算??雖然用面向?qū)ο蟮模茫危畏诸惙椒ㄌ崛〉某跏嫉缆肪W(wǎng)斑塊相比于傳統(tǒng)面向?qū)??象監(jiān)督分類方法在精度上有了很大的提升，但是所提取的道路網(wǎng)存在由于分割導(dǎo)??致的邊緣“鋸齒”現(xiàn)象，難以達(dá)到制圖輸出的目的。因此，還需結(jié)合模板匹配技??術(shù)對(duì)道路邊界加以平滑。而在面狀道路基元上難以直接運(yùn)用模板匹配技術(shù)加以平??滑。針對(duì)這一技術(shù)難點(diǎn)，本節(jié)引入道路骨架提取，基于道路骨架線自動(dòng)生成模板，??繼而模板匹配。??２１??

【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)方法用于遙感圖像處理的研究進(jìn)展[J]. 羅仙仙,曾蔚,陳小瑜,張東水,莊世芳.  泉州師范學(xué)院學(xué)報(bào). 2017(06)
[2]基于面向?qū)ο笏惴ǖ牡缆沸畔⑻崛⊙芯縖J]. 王旭,戴激光.  測(cè)繪與空間地理信息. 2017(09)
[3]均值漂移與卡爾曼濾波相結(jié)合的遙感影像道路中心線追蹤算法[J]. 曹帆之,朱述龍,朱寶山,李潤生,孟偉燦.  測(cè)繪學(xué)報(bào). 2016(02)
[4]基于改進(jìn)SLIC方法的彩色圖像分割[J]. 張亞亞,劉小偉,劉福太,張建廷.  計(jì)算機(jī)工程. 2015(04)
[5]基于圓形模板的高分辨率遙感影像道路半自動(dòng)提取[J]. 譚仁龍,萬幼川,袁芳,李剛.  測(cè)繪通報(bào). 2014(10)
[6]基于地理國情普查高分辨率遙感影像的道路提取方法研究[J]. 顧劍華,孫鑫,李紅.  測(cè)繪與空間地理信息. 2014(06)
[7]從高分辨率遙感影像中提取道路信息的方法綜述及展望[J]. 項(xiàng)皓東.  測(cè)繪與空間地理信息. 2013(08)
[8]一種改進(jìn)的快速并行細(xì)化算法[J]. 牟少敏,杜海洋,蘇平,查緒恒,陳光藝.  微電子學(xué)與計(jì)算機(jī). 2013(01)
[9]利用模板匹配和BSnake算法準(zhǔn)自動(dòng)提取遙感影像面狀道路[J]. 孟樊,方圣輝.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2012(01)
[10]指紋圖像細(xì)化的復(fù)合式算法[J]. 卞維新,徐德琴.  中國圖象圖形學(xué)報(bào). 2011(06)

博士論文
[1]高分辨率遙感影像多尺度紋理、形狀特征提取與面向?qū)ο蠓诸愌芯縖D]. 黃昕.武漢大學(xué) 2009

碩士論文
[1]高分辨率遙感影像的道路提取方法研究[D]. 鄧培榮.西安科技大學(xué) 2017
[2]高分辨率遙感影像道路提取算法研究[D]. 江中亮.中南大學(xué) 2014
[3]全色遙感影像面狀地物半自動(dòng)提取方法的研究[D]. 路威.中國人民解放軍信息工程大學(xué) 2002



本文編號(hào)：3330183