針對高分辨率遙感影像中復(fù)雜場景道路提取不理想問題,利用極限學(xué)習(xí)機(jī)ELM的快速學(xué)習(xí)能力,提出了一種基于ELM的城市道路提取方法。首先,利用改進(jìn)的布谷鳥搜索CS算法自適應(yīng)地選擇ELM的隱含層節(jié)點(diǎn)數(shù),以提高模型的穩(wěn)定性;其次,引入數(shù)據(jù)樣本蘊(yùn)含的判別信息,彌補(bǔ)ELM學(xué)習(xí)不夠充分問題,進(jìn)而提高ELM分類性能;最后,結(jié)合數(shù)學(xué)形態(tài)學(xué)處理,對提取道路進(jìn)行優(yōu)化,獲得最終的道路提取效果。遙感影像道路提取實(shí)驗(yàn)結(jié)果表明,所提方法不僅增強(qiáng)了網(wǎng)絡(luò)的穩(wěn)定性,同時(shí)還提高了道路提取的精確度,能較好地提取出道路信息。 

【文章來源】：計(jì)算機(jī)工程與科學(xué). 2020,42(01)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

不同方法道路提取圖1

為進(jìn)一步定量分析道路提取效果,驗(yàn)證本文方法的有效性和準(zhǔn)確性,通過在原始影像中隨機(jī)選取5 000個(gè)測試樣本點(diǎn),并對道路和非道路樣本點(diǎn)數(shù)量進(jìn)行個(gè)數(shù)統(tǒng)計(jì)。圖3為隨機(jī)測試樣本點(diǎn)分布圖。道路提取評價(jià)如表1和表2所示。從表2中可以看出,本文方法的正確率達(dá)到了93.5%,在道路提取完整率上遠(yuǎn)遠(yuǎn)優(yōu)于另外2種方法,達(dá)到了97.3%。相比較SVM和ELM,提取質(zhì)量分別提高了5.7%和2.6%,能夠有效地提取出完整的道路信息。

為了更好地驗(yàn)證本文方法的有效性,采用另外一幅重慶市某城區(qū)的WordView-2影像(數(shù)據(jù)大小為340×340,分辨率為1 m(如圖4a所示)),進(jìn)行驗(yàn)證實(shí)驗(yàn),不同方法的提取效果如圖4所示。從圖4可以看出,SVM和CNN均存在錯(cuò)分現(xiàn)象,致使道路提取不連續(xù)、斷裂和畸變等,道路提取不完整。本文方法能夠很好地抑制不連續(xù)和斷裂情況的發(fā)生,道路提取效果更好。道路提取評價(jià)指標(biāo)如表3所示。

【參考文獻(xiàn)】：
期刊論文
[1]基于FCM與SVM相結(jié)合的高分辨率遙感影像道路提取[J]. 洪紹軒,趙業(yè)隆,王偉軒.  測繪與空間地理信息. 2018(11)
[2]布谷鳥搜索算法綜述[J]. 張曉鳳,王秀英.  計(jì)算機(jī)工程與應(yīng)用. 2018(18)
[3]城市道路的多特征多核SVM提取方法[J]. 李洪川,楚恒,霍英海.  測繪通報(bào). 2018(02)
[4]基于判別信息極限學(xué)習(xí)機(jī)的高光譜遙感圖像分類[J]. 楊伊,閆德勤,張海英,楚永賀.  軟件導(dǎo)刊. 2017(01)
[5]融合像素—多尺度區(qū)域特征的高分辨率遙感影像分類算法[J]. 劉純,洪亮,陳杰,楚森森,鄧敏.  遙感學(xué)報(bào). 2015(02)
[6]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.  測繪與空間地理信息. 2013(08)



本文編號：3443260