基于“高分”影像的道路养护故障检测系统实现

摘要

随着“高分”影像的发展，“高分”影像的应用走向区域化和全球化，同时已经渗透到了各个行业，成为人们生产、生活中十分重要的一部分。道路故障的及时发现对人们日常交通、道路养护部门以及出行导航都有十分重要的意义。而现在，对于农村偏远地区道路安全信息提取完全依靠人工，随着“高分”遥感影像的发展，可以将“高分”遥感影像应用于道路故障检测以提高效率。
　　本论文主要介绍基于“高分”遥感影像的道路故障检测系统实现过程。对于研究区域卫星遥感影像，通过不同地物反射的电磁波在影像上呈现的光谱和纹理特征不同以实现道路提取和道路故障的识别与发现。本文主要完成以下工作并得出相应的结论:首先，对所研究的遥感影像进行校正、配准以及融合等预处理操作以提高后续研究的精度和整体性能，对预处理各个环节的原理及操作方法做了详细的介绍;其次对所研究的遥感影像进行道路提取。选取道路样本集，统计道路样本集的光谱特征和纹理特征，基于马氏距离描述被测像素与道路样本集的相似性，基于Dempster-Shafer证据理论融合光谱特征和纹理特征进行道路提取，提取后的道路运用方向滤波、数学形态学进行道路提取优化处理;然后进行道路故障识别与发现。得到道路提取结果之后，对道路进行实时监测，运用BP神经网络对遥感影像中的道路分类以实现道路故障的识别与发现;最后使用Visual Studio2010利用面向对象的C＃语言实现基于Dempster-Shafer证据理论融合光谱特征和纹理特征的道路提取、基于BP神经网络的道路故障识别与发现，并利用Visual Studio2010中的窗体、控件实现系统设计。
　　论文完成了道路提取算法、道路故障识别与发现算法的设计，为“高分”遥感影像道路故障检测提供了技术路线，达到了预定的设计目标。

目录

声明

摘要

第1章 绪论

1．1 课题的背景与研究意义

1．2 国内外研究现状

1．3 研究的主要内容

1．4 论文的章节安排

第2章 遥感影像的预处理与分析

2．1 影像预处理

2．1．1 正射校正

2．1．2 影像的配准

2．1．3 影像的裁剪

2．1．4 预处理结果

2．2 遥感影像的纹理分析

2．2．1 纹理分析综述

2．2．2 基于灰度共生矩阵的纹理分析

2．3 本章小结

第3章 基于多特征的遥感影像道路提取

3．1 基于多特征的遥感影像道路提取

3．1．1 遥感影像的道路提取模型

3．1．2 遥感影像的道路提取路线

3．2 被测像元与道路样本集相似性描述

3．2．1 光谱特征的数学描述

3．2．2 纹理特征的数学描述

3．2．3 数学规范化处理

3．3 基于Dempster-Shafer证据理论决策融合的道路提取

3．3．1 Dempster-Shafer证据理论的基本概念

3．3．2 基于Dempster-Shafer证据理论的决策融合

3．4 道路提取算法程序流程设计及实验结果分析

3．4．1 基于D-S证据理论的道路提取算法流程

3．4．2 道路提取结果分析

3．5 目标道路提取优化处理

3．5．1 基于方向滤波的噪音去除

3．5．2 基于数学形态学的图像修正

3．5．3 道路提取优化处理结果

3．6 道路提取实验结果分析

3．7 本章小结

第4章 基于BP神经网络的遥感影像道路故障识别研究

4．1 遥感影像道路的获取

4．2 遥感影像分类方法

4．2．1 遥感影像分类概述

4．2．2 遥感影像的分类方法

4．3 BP神经网络分类算法

4．3．1 人工神经网络概述

4．3．2 BP神经网络的基本思想

4．3．3 BP神经网络算法步骤

4．4 基于BP神经网络的遥感影像分类实现

4．4．1 BP神经网络的构建

4．4．2 BP神经网络训练数据的获取

4．4．3 BP神经网络训练算法设计

4．4．4 BP神经网络分类算法设计

4．4．5 分类结果显示

4．5 分类结果的评价

4．5．1 遥感影像的分类结果评价

4．5．2 道路故障提取实验结果分析

4．6 本章小结

第5章 遥感影像道路故障识别系统的构建

5．1 系统开发环境

5．2 主界面设计

5．2．1 菜单栏的实现与介绍

5．2．2 道路样本集与故障样本集选取与显示

5．2．3 待分析遥感影像与道路故障显示模块

5．3 系统功能实现

5．3．1 道路提取模块

5．3．2 道路提取优化处理模块

5．3．3 道路故障识别模块

5．4 系统操作流程

5．5 本章小结

结论

参考文献

攻读硕士学位期间所发表的论文

致谢