IEEEJAS的个人博客分享 http://blog.sciencenet.cn/u/IEEEJAS

博文

一种高分辨率遥感影像道路提取方法

已有 1835 次阅读 2023-1-28 17:05 |系统分类:博客资讯

引用本文

 

戴激光, 朱婷婷, 张依蕾, 马榕辰, 王晓桐, 张腾达. 一种高分辨率遥感影像道路提取方法. 自动化学报, 2020, 46(11): 24612471 doi: 10.16383/j.aas.c190534

Dai Ji-Guang, Zhu Ting-Ting, Zhang Yi-Lei, Ma Rong-Chen, Wang Xiao-Tong, Zhang Teng-Da. A road extraction method for high resolution remote sensing images. Acta Automatica Sinica, 2020, 46(11): 24612471 doi: 10.16383/j.aas.c190534

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190534

 

关键词

 

语义关系,MSLSOH描述子,扇形描述子,道路提取,高分辨率,遥感影像 

 

摘要

 

针对空间异质性导致的道路几何纹理特征突出性下降问题, 提出一种高分辨率遥感影像道路提取方法. 首先设定跟踪模型, 依据人工输入点, 自适应提取道路中心点和道路宽度, 设计迭代内插、双向迭代两种跟踪方式以及矩形跟踪模板; 然后提出多描述子道路匹配模型, 针对道路几何纹理特征突出性不足问题, 基于道路区域地物边缘与道路方向一致的语义关系, 通过线段峰值约束的思想, 提出一种多尺度线段方向直方图(Multi-scale line segment orientation histogram, MSLSOH)描述子, 以此对跟踪方向进行预测; 针对道路几何纹理特征均质性下降问题, 从道路区域与道路非道路混合区域纹理差异性出发, 组合三角形构成扇形描述子, 突出道路影像纹理特征, 以此不仅可对预测跟踪点进行验证, 而且也可在结构信息缺失的情况下对道路进行跟踪; 最后选取不同类型、不同分辨率、不同场景的高分辨率遥感影像, 通过与其他方法的实验对比, 表明该方法能够解决道路提取过程中几何纹理特征突出性下降问题, 具有准确率高和自动化程度高的优势.

 

文章导读

 

近年来, 随着高分二号、高景一号、北京二号等亚米级国产卫星数据的不断普及, 利用遥感影像提取道路已逐渐成为更新道路信息的主要途径[1-2]. 有鉴于此, 国内外学者针对遥感影像道路提取开展了大量的工作. 依据研究角度的差异, 现有方法可分为: 1) 传统方法. 该方法从人工角度出发, 利用经验设计特征表达什么是道路”, 并创建相应的特征提取模型用于道路的识别和提取. 常用的特征包括几何特征、光谱纹理特征、拓扑特征、背景特征[3], 而面向对象方法[4-5]、路径形态学[6-8]、模板匹配方法[9-12]、动态轮廓模型[13-16]和水平集模型[17-18]则是运用这些特征的典型方法. 2) 深度学习方法. 该方法从数据角度出发, 利用深度学习强大的泛化能力、对任意函数的拟合能力、极高的稳定性[19], 依据先期提供的道路影像样本, 自动挖掘道路影像深度学习特征, 利用判别函数实现对像元级的道路影像概率值预测, 以此探析道路影像的内在联系[20-23].

 

虽然国内外学者提出了大量的道路提取方法, 但目前自动提取道路仍然停留在理论研究和验证阶段, 尚无普适性和实用性的算法及系统出现[24]. 例如传统方法在面对空间异质性(机动车、道路曲率变化、隔离带、阴影、视觉遮挡、相邻相似纹理地物, 且分布并不均衡) 导致道路几何纹理特征突出性下降的问题时, 自动化程度低. 而深度学习方法虽然具有泛化性强、自动化程度高等优势, 但其自身也如华为公司董事徐文伟所谈到的: 没有好的样本集就没有好的深度学习结果. 而样本需要大量人工处理, 这就造成了没有样本就没有智能问题, 使得利用深度学习进行大规模区域的道路提取应用尚处于实验室状态. 因而在第三次全国土地调查、交通运输部的农村公路普查工作中, 依然需要人工构绘, 这极大地增加了信息采集的成本.

 

作为传统方法的典型代表, 模板匹配方法已广泛应用于Erdas Easytrace, Feature Analyst, EasyFeature等软件, 是目前商业化应用程度最高的道路提取方法. 但由于模板匹配方法对道路几何纹理特征要求严格, 因而在面对空间异质性问题时, 虽然人机交互性高使得提取精度高, 但自动化程度较低. 有鉴于此, 本文在模板匹配方法的基础上, 提出一种高分辨率遥感影像道路提取方法. 该方法从高分辨率遥感影像道路语义关系角度出发, 充分利用道路内外边缘与道路方向的相似关系, 构建道路与道路非道路混合区域(以下简称混合区域”)差异分析模型, 以此完成对道路的模板匹配跟踪提取.

 1  技术流程

 2  模板参数自适应提取

 3  跟踪方式

 

本文针对场景空间异质性导致的道路几何纹理特征下降, 进而引起传统模板匹配方法出现自动化程度下降问题, 提出一种高分辨率遥感影像道路提取方法, 并进行了不同空间异质性问题的遥感影像道路提取. 主要工作包括:

1)确定了道路迭代内插与双向迭代相结合的跟踪方式, 在输入点的基础上自适应获取道路中心点及道路宽度信息, 由此自动构建了初始跟踪模板.

2)建立MSLSOH描述子. 该描述子建立了道路内部、边缘、邻域地物边缘与道路方向间的语义关系, 通过统计多尺度线段方向峰值的方式, 捕捉道路方向信息, 以此解决场景空间异质性导致的道路几何纹理特征下降问题.

3)建立扇形描述子. 该描述子针对空间异质性导致的道路影像几何纹理特征下降问题, 通过构建道路与混合区域, 突出道路的几何纹理特征. 通过多个三角形构建扇形描述子, 以此对道路跟踪点进行验证和提取.

 

通过实验分析, 本文方法较好地解决了道路提取过程中的场景空间异质性问题. 但本文方法也存在一定的限制条件, 即目前实验中的视觉遮挡、阴影遮挡仅是覆盖道路局部区域, 如何应对更大幅度的路面遮挡将是未来面临的难题之一. 同时在L型和T型路口, 道路方向出现大于45° 的变化时, 本文方法需要进行补点处理, 如何改进方法、提高自动化程度也是需要重点解决的问题.

 

作者简介

 

戴激光

辽宁工程技术大学测绘与地理科学学院副教授. 2013年获得辽宁工程技术大学博士学位. 主要研究方向为遥感影像信息提取. 本文通信作者. E-mail: daijg03@163.com

 

朱婷婷

辽宁工程技术大学硕士研究生. 2017年获得辽宁工程技术大学学士学位. 主要研究方向为遥感影像道路提取. E-mail: tingting9295@163.com

 

张依蕾

辽宁工程技术大学硕士研究生. 2018年获得辽宁工程技术大学学士学位. 主要研究方向为矢量信息分析. E-mail: zhangyilei@lntu.edu.cn

 

马榕辰

辽宁工程技术大学硕士研究生. 2018年获得辽宁工程技术大学学士学位. 主要研究方向为遥感影像特征提取. E-mail: 471820526@stu.lntu.edu.cn

 

王晓桐

辽宁工程技术大学硕士研究生. 2018年获得辽宁工程技术大学学士学位. 主要研究方向为道路信息提取. E-mail: wangxiaotong@lntu.edu.cn

 

张腾达

辽宁工程技术大学硕士研究生. 2018年获得辽宁工程技术大学学士学位. 主要研究方向为遥感影像信息提取. E-mail: zhangtengda@lntu.edu.cn



https://blog.sciencenet.cn/blog-3291369-1373865.html

上一篇:交互式箱粒子标签多伯努利机动目标跟踪算法
下一篇:未建模动态对Buck变换器滑模控制系统的影响分析
收藏 IP: 222.131.244.*| 热度|

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2024-3-29 02:29

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部