隨著越來越多的高分辨率遙感衛(wèi)星的發(fā)射,我們可以獲得越來越多的高分辨率遙感影像,那么,如何從這些海量影像數(shù)據(jù)中準確高效地提取所需要的信息并對其加以利用,則成為必須解決的重大問題。在過去的幾十年中,道路作為重要的目標得到了廣泛的關(guān)注和研究。道路不僅在城市規(guī)劃與建設(shè)、旅游導航、交通管理、變化檢測和自然災害分析等領(lǐng)域具有廣泛的應(yīng)用需求,而且也被作為大多數(shù)地圖和地理信息系統(tǒng)的重要組件,為國家安全建設(shè)和制定作戰(zhàn)計劃等提供有效的幫助。近些年來,雖然高分辨率遙感圖像道路提取的研究取得了一定的進展,但是其性能仍然無法達到應(yīng)用需求,其主要影響因素包括以下三個方面:(1)同譜異物性,隨著遙感影像分辨率的不斷提高,出現(xiàn)了道路和一些停車場以及建筑物等具有相似的光譜值的情況;(2)同物異譜性,不同地區(qū)的道路材質(zhì)可能不同,且不同等級的道路的材質(zhì)也可能有所不同;(3)復雜性和遮擋性,背景越來越復雜,道路兩旁的樹木和建筑物造成的陰影以及路面上的車輛等帶來的遮擋。這些問題均會對高分辨率遙感圖像道路提取帶來巨大的挑戰(zhàn),因此本文致力于研究一系列道路提取方法來盡量克服以上的種種困難,本文的主要貢獻如下:1.在研究方向分割的基礎(chǔ)上,針對其不足我們提出了一種基于改進的方向分割和道路概率的高分辨率遙感圖像道路中心線提取算法,在該算法中,首先通過基于shear變換的方向分割來提取粗略的道路區(qū)域,然后利用樣本之間的馬氏距離、閾值化處理和信息融合來得到可靠的道路區(qū)域,緊接著利用形狀特征過濾和孔洞填充來獲得準確的道路區(qū)域,之后利用基于快速行進的方法來提取道路中心線,最后進行后處理得到比較完整的道路網(wǎng)。實驗方法表明,該算法能夠提取出比較光滑準確的道路中心線。2.為了建立一種有效的方法來準確地提取道路中心線,我們提出一種基于shear變換和改進的斷線連接的高分辨率遙感圖像道路中心線提取算法,類似地,在該算法中引入shear變換,但是我們直接將光譜信息加入到方向分割中,從而實現(xiàn)光譜空間信息分類。為了得到更加準確的道路區(qū)域,利用多方向形態(tài)學濾波剔除與道路粘連的非道路目標。為了獲得完整的道路中心線,提出一種通過構(gòu)造度量函數(shù)和引進光譜相似性的改進的斷線連接方法。本算法主要包括四個步驟:首先利用基于shear變換和光譜信息的方向分割得到初始的粗略的道路圖;然后進行孔洞填充并通過多方向形態(tài)學濾波剔除一些非道路區(qū)域;緊接著采用張量投票和多元自適應(yīng)樣條回歸提取光滑的道路中心線,最后通過我們提出的改進的斷線連接方法來得到完整的道路網(wǎng)。我們分別在高分辨率航拍圖像和衛(wèi)星圖像上驗證了該算法的有效性。3.為了保證基于水平集演化分割的道路提取方法的準確性和高效性,同時實現(xiàn)算法的自動化,我們深入研究了卷積神經(jīng)網(wǎng)絡(luò)和張量投票,利用它們提取出道路的交叉口并將其作為初始演化曲線,進一步利用基于區(qū)域的水平集演化分割實現(xiàn)道路的自動提取。在這個工作中發(fā)現(xiàn)基于卷積神經(jīng)網(wǎng)絡(luò)提取的道路區(qū)域并不能精確地定位到道路的真實邊緣,針對這個問題,引入邊緣保持濾波來進行局部優(yōu)化,從而提出了基于卷積神經(jīng)網(wǎng)絡(luò)與邊緣保持濾波的多尺度道路中心線提取算法。該算法無論是在道路提取的準確率方面還是信息完整性和連續(xù)性上都具有出色的表現(xiàn),通過實驗證明了其要優(yōu)于現(xiàn)有的幾種算法,同時實驗也證實了算法對于復雜背景也有一定的魯棒性。4.針對遙感圖像中帶標簽樣本數(shù)量有限的問題,重點研究了基于半監(jiān)督的分類方法,尤其是基于集成投影的圖像分類方法,然而它存在一些不足之處,為此,我們提出了一種基于高層特征選擇、馬爾可夫隨機場與嶺橫向方法的高分辨率遙感圖像道路中心線提取算法。其中:引入多特征自適應(yīng)稀疏表示代替特征串接,從而實現(xiàn)低層特征、中層特征到高層特征的選擇,利用得到的高層特征進行分類得到道路的估計概率,緊接著將馬爾可夫隨機場用于描述相鄰像素之間的信息,得到優(yōu)化后的道路區(qū)域。采用Gabor濾波器、非極大值抑制和嶺橫向方法來提取道路中心線,可以獲得準確且完整的道路中心線。在視覺效果和數(shù)值結(jié)果兩方面驗證了所提方法的有效性。
【學位單位】：西安電子科技大學
【學位級別】：博士
【學位年份】：2018
【中圖分類】：TP751
【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 研究背景和研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文的主要研究工作
    1.4 論文的組織和結(jié)構(gòu)
第二章 基于改進的方向分割和道路概率的高分辨率遙感圖像道路中心線提取算法
    2.1 引言
    2.2 方法介紹
        2.2.1 預處理和基于shear變換的方向分割
        2.2.2 基于光譜信息和馬氏距離的道路概率估計
        2.2.3 信息融合
        2.2.4 形狀特征過濾和孔洞填充
        2.2.5 道路中心線提取和后處理
    2.3 實驗與分析
        2.3.1 評價指標
        2.3.2 本章方法中間結(jié)果展示
        2.3.3 實驗結(jié)果與分析
    2.4 本章小結(jié)
第三章 基于shear變換和改進的斷線連接的高分辨率遙感圖像道路中心線提取算法
    3.1 引言
    3.2 算法描述
        3.2.1 基于shear變換和光譜信息的方向分割
        3.2.2 孔洞填充、形狀特征過濾和方向形態(tài)學濾波
        3.2.3 基于張量投票和MARS的道路中心線提取
        3.2.4 基于改進的斷線連接算法的道路網(wǎng)的生成
    3.3 實驗與分析
    3.4 本章小結(jié)
第四章 基于卷積神經(jīng)網(wǎng)絡(luò)的高分辨率遙感圖像道路提取算法
    4.1 引言
    4.2 卷積神經(jīng)網(wǎng)絡(luò)
    4.3 一種自動的高分辨率遙感影像道路提取方法
        4.3.1 引言
        4.3.2 基于張量投票的水平集方法及其在道路提取中的應(yīng)用
        4.3.3 實驗與分析
        4.3.4 總結(jié)
    4.4 基于卷積神經(jīng)網(wǎng)絡(luò)與邊緣保持濾波的多尺度道路中心線提取方法
        4.4.1 引言
        4.4.2 方法描述
        4.4.3 實驗與分析
        4.4.4 總結(jié)
    4.5 本章小結(jié)
第五章 基于高層特征選擇、MRF與嶺橫向方法的高分辨率遙感圖像道路中心線提取算法
    5.1 引言
    5.2 理論基礎(chǔ)介紹
    5.3 方法介紹
        5.3.1 多特征提取
        5.3.2 半監(jiān)督道路區(qū)域提取
        5.3.3 道路中心線提取
    5.4 實驗與分析
    5.5 本章小結(jié)
第六章 全文總結(jié)與研究展望
    6.1 論文工作總結(jié)
    6.2 未來工作展望
參考文獻
致謝
作者簡介

【相似文獻】

相關(guān)期刊論文 前10條

1 王曉飛;龐全;;基于圓形約束快速水平集的原生質(zhì)體細胞分割[J];中國圖象圖形學報;2013年01期

2 王曉飛;郭敏;徐秋平;;基于圖割與改進水平集的目標提取方法[J];計算機工程;2010年22期

3 叢樹民,孫樹江;用模糊相似選擇確定礦井開發(fā)最優(yōu)設(shè)計方案[J];阜新礦業(yè)學院學報(自然科學版);1989年01期

4 陶強;劉莉;;基于雙區(qū)域演化水平集的圖像分割方法[J];電子測量技術(shù);2016年09期

5 汪程軍;;基于水平集算法的唇象分割[J];科技視界;2015年12期

6 郭永彩;譚勇;高潮;;基于水平集的熱紅外運動人體目標分割算法(英文)[J];紅外與毫米波學報;2014年01期

7 馬文濤;師俊平;李寧;;水平集和無網(wǎng)格耦合法在裂紋擴展中的應(yīng)用[J];巖土力學;2012年11期

8 汪云飛;畢篤彥;史德琴;黃天軍;劉迪;;融合多尺度分析和水平集的交互式圖分割方法[J];電子與信息學報;2012年09期

9 熊瑛;;隨機漫步中一些水平集的分形維數(shù)[J];數(shù)學物理學報;2009年02期

10 李小林;梁忠;黃世國;;基于多水平集的植物圖像分割[J];福建農(nóng)林大學學報(自然科學版);2009年03期

相關(guān)博士學位論文 前10條

1 劉如意;高分辨率遙感圖像道路提取算法研究與改進[D];西安電子科技大學;2018年

2 李振華;基于水平集的結(jié)構(gòu)動力學特性優(yōu)化與原子力探針優(yōu)化設(shè)計[D];華中科技大學;2018年

3 李妍;基于變分水平集的遙感影像分割模型及算法研究[D];武漢大學;2013年

4 張迎春;基于粗糙集和擴展分水嶺變換的水平集圖像分割研究[D];大連理工大學;2018年

5 紀東升;圖像分割的水平集模型及其在醫(yī)學圖像分割中的應(yīng)用研究[D];蘭州大學;2016年

6 張玲;基于變分水平集理論的活動輪廓模型在圖像分割中的應(yīng)用研究[D];太原理工大學;2016年

7 于志強;醫(yī)學圖像分割與虛擬手術(shù)幾個關(guān)鍵問題的研究[D];上海交通大學;2007年

8 莊春剛;基于水平集的多材料結(jié)構(gòu)拓撲優(yōu)化設(shè)計方法與應(yīng)用[D];上海交通大學;2007年

9 李夢;圖像分割的變分水平集模型研究[D];重慶大學;2011年

10 覃顯晶;基于耦合可變模型的膀胱壁分割方法[D];中國科學院研究生院（西安光學精密機械研究所）;2014年

相關(guān)碩士學位論文 前10條

1 趙佳;基于多相水平集圖像分割的地震數(shù)據(jù)聚類分析算法[D];廈門大學;2017年

2 陳俊超;基于水平集的人工膝關(guān)節(jié)磨粒流加工流場分析與實驗研究[D];浙江工業(yè)大學;2018年

3 劉笑;二維空間形式上極大嚴格類空超曲面水平集的凸性[D];曲阜師范大學;2018年

4 王曉丹;基于聚類水平集的醫(yī)學圖像分割算法研究與實現(xiàn)[D];山東理工大學;2018年

5 唐文杰;基于變分水平集的醫(yī)學圖像分割模型應(yīng)用研究[D];揚州大學;2018年

6 李官生;基于雙能量泛函水平集圖像分割模型研究[D];吉林大學;2018年

7 李晨靜;基于水平集正則化的圖像分割技術(shù)研究[D];河南師范大學;2018年

8 邱慧敏;具有非正曲率的空間形式上的極小圖的一些幾何性質(zhì)[D];曲阜師范大學;2018年

9 李娜;基于改進水平集和空間結(jié)構(gòu)特征的SAR圖像水體檢測[D];西安電子科技大學;2018年

10 張揚;基于徑向基函數(shù)的參數(shù)化水平集拓撲優(yōu)化算法研究[D];華中科技大學;2016年

本文編號：2862086