道路提取

摘要： 针对目前已有基于遥感影像道路中心线提取算法易受道路旁树木遮挡、建筑物及其阴影覆盖和道路上车辆等因素影响,造成提取出来的道路中心线存在断裂、不完整现象,提出了一种基于深度学习语义分割的道路掩膜,引用细化算法提取道路中心线矢量数据,对矢量道路中心线进行优化的道路中心线提取方法。首先,通过对深度学习语义分割提取出来的道路掩膜进行形态学膨胀处理,减少道路掩膜出现部分断裂、空洞、不完整现象;然后,利用细化算法,对膨胀处理后的道路掩膜提取道路中心线并进行矢量化;最后,结合出现断裂处的道路中心线间几何、空间等约束关系,进行优化处理。实验结果表明:该方法相对于其他道路中心线提取方法,具有较高的精确度、完整度,在不考虑前期深度学习样本制作、模型训练所使用时间的情况下,提取效率也优于其他方法;生成了标准格式的矢量道路中心线数据,可直接用于实际生产。

摘要： 道路网络提取是高分辨率遥感影像数据应用研究的难点之一。针对现有的道路提取方法普遍注重区域精度而边界质量缺失考虑的问题,提出一种基于DeepLabV3+语义分割神经网络的深度学习提取道路的方法。该网络模型采用编码器-解码器网络(encoder-decoder)和多孔空间金字塔池(atrous spatial pyramid pooling,ASPP)相结合的方式,增强了对道路边界的划分效果。模型在Massachusetts roads数据集进行了道路网络提取实验。分析结果表明,基于该方法的道路提取精度优于U-Net等网络模型,F1分数达到87.27%,与其他方法相比较,该方法能够更有效、完整地从遥感图像中提取道路。

摘要： 针对利用传统笔画宽度变换(stroke width transform,SWT)提取遥感影像道路阈值无法自动确定以及精度不够高的问题,提出了一种结合改进SWT和融合多特征后的陆地移动距离(earth mover’s distance,EMD)进行高分遥感影像道路提取的方法。首先,结合连通分量分析,将笔画宽度变换改进成可自动确定提取阈值的方法,进行初步道路提取;其次,确定一个道路参考区域,利用连通区作为索引,分析道路参考区域与其他区域之间的特征相似度,通过提取纹理与光谱特征,计算加权融合后的特征EMD值,设定合理的阈值过滤大部分非道路区域,提取出其他道路区域;最后,进行形态学后处理得到最终提取结果。通过实验实现该方法并与现有道路提取方法进行对比。经过评估,证明该方法在提取不同场景的道路时均能达到理想效果且具有较高精度。

摘要： 道路是现代交通的主要组成部分,对于管理和更新地理信息系统数据库中的道路信息非常重要。目前,自动提取道路网络的主要数据源为遥感图像数据,但随着近年来遥感影像的地面分辨率不断提高,图像中地物信息愈加丰富,对图像中道路信息的提取难度也随之增大。文章主要展开一种利用机器学习对高分辨率遥感图像的道路提取研究。首先对高分辨遥感图进行预处理,然后对图像进行特征提取,利用BP神经网络对特征进行训练,最后将需要道路提取的高分辨率遥感图区域分割。对每一个区域进行目标检测时,去除图像中非道路区域,并利用形态学方法提取出区域中的道路信息。实验表明,该方法在应对建筑物、植被等对道路提取有干扰时,识别效率明显提升。

摘要： 针对现有道路提取算法中难以大规模人工标注样本类别标签的问题,提出了一种基于自适应标注样本提取遥感影像道路的方法。首先,通过改进的模糊C均值聚类算法提取道路区域,进行初步的样本标注;其次,利用基于二次投票的集成去噪算法定位标签噪声样本,更新样本数据集;再次,将更新后的样本集投入随机森林训练并预测影像的分类结果;最后,对道路提取结果进行多方向形态学滤波去除非道路区域,得到精确的道路提取结果。通过不同分辨率、不同场景、不同方法的实验结果表明,所提方法可以自主选择并标注样本,相比传统算法具有较高的提取精度,对于高分辨率遥感影像中直线型、曲线型道路均有较好的道路提取效果。

摘要： 为实现高分辨率卫星图像的道路自动提取,设计一种编码器-解码器结构的图像分割方法。针对卫星图像中乡村地区的道路提取结果不佳,以及不能对阴影区域、被遮挡区域的道路进行有效提取的问题,以不含全连接层的VGG13作为编码器的骨干网络,对解码器部分进行设计,达到对道路区域进行有效提取的目的,并对模型训练使用的损失函数进行介绍。在开始训练之前,对DeepGlobe道路提取数据集进行预处理。使用PaddlePaddle深度学习框架展开实验,改进后的方法在验证集上的IoU,acc,Kappa分别可以达到0.6194,0.9811,0.7551,对比实验结果显示,与使用DeepLabv3+和U-Net的道路提取方法相比,可以有效提升道路提取结果的准确性和完整性。

摘要： 道路在遥感影像上具有较为显著的几何形状和拓扑特征,适合采用机器识别的方法实现自动提取。面向对象方法突破了传统仅分析单一像元光谱信息的局限,能够综合运用影像的光谱信息和空间信息。采用面向对象分类的方法对高分辨率遥感影像上的道路信息进行提取,提取出的道路形态较为完整且精度可靠。实验表明:面向对象法能够较好地从高分辨率遥感影像中提取出道路信息,可用于道路的提取和更新应用。

摘要： 针对道路提取过程中特征维数过高的问题,提出了一种基于ReliefF过滤式和Wrapper封装式的特征选择方法。将粒子群优化算法(PSO)作为Wrapper的搜索算法,优化过的随机森林算法(OPRF)作为Wrapper的分类器构成PSO_OPRF封装式子集评估器,对ReliefF预选后的特征子集进行评估,降低特征维度,选出最优特征集,根据选择的特征对影像进行多层次分割分类提取城市道路网。以山西省太原市部分城区GF-2遥感影像为数据源进行道路提取,利用提出的特征选择方法所得的道路提取质量与仅使用ReliefF算法选择的特征、以传统随机森林作为分类器和以J48决策树作为分类器特征选择方法的提取质量对比。结果表明该方法的三种类型道路的提取质量分别达到0.959、0.853、0.931。

摘要： 道路提取是遥感领域的一项基本任务,随着深度学习技术的发展和进步,基于神经网络的道路提取成了一个热门方向。但是,遥感图像中道路存在细长、复杂、遮挡、宽窄不一等特点,传统方法很难在道路提取中处理好道路连通性和长跨度等问题。在本文中,我们在深度学习领域,提出了一个语义分割神经网络,命名为F-LinkNet,网络在LinkNet的基础架构之上加入特征聚合模块,有效扩大了特征感受野范围,配合编码器与解码器共享学习内容的方式,解决了在道路提取中道路连通性问题。

摘要： 城市道路信息在智能交通中扮演着重要角色,其具有明显颜色特征,但两边树木和建筑物会遮挡道路,影响道路信息的精确提取。为了提取完整的道路信息,本文提出一种半自动道路信息提取算法。首先,人机交互方式选取道路点,根据颜色特征提取粗略道路信息,部分道路信息存在缺失;其次,采用分治法,将粗略道路信息图分成四个图像块,以提高计算的效率;然后,对图像块中不连续区域进行统计,并寻找每个区域到其他区域的最小距离,设计并实现区域合并算法,将不连续的道路合并为完整道路信息,为智慧城市服务。仿真效果显示该算法有效性。

摘要： 高分辨率遥感影像包含丰富的地物信息,从中获取道路材质、宽度、等级等信息,建立并定期更新道路信息库,为交通管制、灾害应急提供可靠的信息具有重要的实用意义.受遥感影像数据量大、种类多的影响,自动从遥感影像中提取路网是一个很有挑战性的工作,而且受地形地貌的影响同等级道路在影像上表现出的亮度值是不同的,传统的遥感影像目标识别难以适应海量的遥感影像数据.近年来,深度学习技术快速发展,在目标检与识别方面的成果有目共睹,其核心算法卷积神经网络是非常崭新和有影响力的,该方法需要构建具有很多隐层的机器学习模型和分析海量的训练数据,来学习更有用的特征,从而最终提升分类或预测的准确性.本文利用卷积神经网络对影像像素进行分类,再通过道路的拓扑特征对分类结果进行优化,最后与遥感影像面向对象的分类方法进行对比.实验结果表明该方法在道路提取方面具有较高的精度.

摘要： 由于航空图像的拍摄高度和拍摄环境,各种细节信息比较明显,道路受房屋、树木、车辆以及各种阴影的影响很大,根据城市道路这一特性,提出基于聚类分割的道路提取方法.先对原始航空图像做增强处理,突出图像各部分之间的差异,用K-means聚类算法对增强处理后的图像进行初步分割;对分割后的各个子图像进行Hough直线提取,再根据图像中各要素的形态特征筛选出道路中心线,随后将提取出的各道路中心线进行连接形成道路网络.实验结果表明,该方法能有效地从道路受干扰较多的航空图像中提取出城市道路网.

摘要： 针对高分辨率SAR图像中道路目标难以有效提取的问题,本文提出一种融合MRF分割与数学形态学处理的高分辨率SAR图像道路提取算法.首先,利用直方图均衡化和增强lee滤波对SAR图像进行预处理,抑制相干斑噪声;进而利用基于ICM的MRF对SAR图像中的道路目标进行初分割,再用数学形态学填充空洞,平滑道路边缘;最后,基于道路的几何特征,使用偏心率、矩阵度、复杂度等因子去除虚警,从而提取出道路目标.实际高分辨率SAR图像的道路提取结果表明本文算法具有较高的道路提取精度.

摘要： 道路提取是遥感影像处理的热点和难点,简要介绍影像处理技术发展以来道路提取的各种方法,并分析其优缺点,最后对道路提取的发展方向做了总结.

摘要： 本文通过对粒子滤波算法的研究,根据经典跟踪模型构造了粒子的状态更新方程,并且利用MROA(改进的平均比率)算法构造了重要性权重函数,将SAR影像道路提取问题纳入了粒子滤波系统框架。实验表明：该方法能够有效的提取不规则道路轮廓,对于复杂背景环境下的道路提取具有较好的适用性。

摘要： 主要针对光谱特征不是很明显的高分辨率影像,探讨一种基于道路拓扑特征,即道路是连续的、中间没有间断的要素,对道路进行提取.利用面向对象分类的方法,首先把影像分割为对象块,人工给定一条道路的始末端,利用道路连续的拓扑特征,构建循环算法,依次查找道路中间要素,并进行连接,最终把整条道路提取出来.利用资源三号卫星数据进行了试验,结果表明,本方法能较有效地提取高分辨率影像上的道路.最后,应用该方法分别对太原市2010年和2013年同一区域影像进行道路提取,对提取的道路作后期人工编辑,并对两期数据作变化监测,统计变化区域和道路发展变化状况.

摘要： 本文提出了一种基于道路综合特征的高分辨遥感影像道路自动提取方法。首先建立一个道路角度纹理基元(ATS)模型，该模型考虑道路的光谱，几何及纹理特征，作为道路聚类的相似性量度，聚类方法用于从图像中分割出道路，然后采用数学形态学方法提取道路的中心线。实验证明该模型能精确描述高分辨遥感率影像道路特征。

摘要： 本文提出了一种基于道路综合特征的高分辨遥感影像道路自动提取方法。首先建立一个道路角度纹理基元（ATS）模型，该模型考虑道路的光谱，几何及纹理特征，作为道路聚类的相似性量度，聚类方法用于从图像中分割出道路，然后采用数学形态学方法提取道路的中心线。实验证明该模型能精确描述高分辨遥感率影像道路特征。

摘要： 利用遥感图像获取道路信息在电子导航、城市规划等中发挥着重要的作用。为了充分 利用高分辨率多光谱遥感图像中包含的光谱信息和空间结构信息，本文提出一种基于光谱、形 状和拓扑特征的道路检测与提取方法。首先根据道路的光谱特征采用区域生长方法对遥感图像进行粗分割，然后根据形状特征去除噪声，得到道路区域，再利用道路特有的线性特征找出不 连续道路区域间存在的线性拓扑关系，最终提取道路中心线。实验表明本文提出的方法提取道 路准确率高，为高分辨率多光谱遥感图像道路的检测与提取提供了一种有效的途径。

摘要： 利用分类算法对高分辨率影像中的道路进行分割时,得到的二值图像往往混杂了许多非道路区域,且道路区域呈面状,无法直接应用于生产与研究.针对这一情况,已有学者研究出数种道路提纯算法,能够对二值图像上的非道路区域进行剔除.对现有的区域部件分解算法、路径形态学算法、二值图像上的角度纹理特征方法三种道路提纯方法的原理进行了简要分析,并通过对比实验验证了三种方法的有效性,并根据实验结果对其各种算法的特点和适用范围进行了分析和总结.就实验影像的提纯效果而言，区域部件分解算法效果最优，路径形态学次之，二值图像上的角度纹理特征方法则存在较大缺陷。然而，三种方法均未能对粘连在道路旁的的大片区域实现有效剔除。如何设计算法改善当前算法的这一缺陷，是下一步研究的重点。

摘要： 本发明公开了一种基于道路轨迹和高分辨率影像的道路宽度提取方法，包括以下实施步骤，针对高分辨率遥感数据进行边缘检测，检测结果矢量化，生成矢量线，基于道路轨迹上相邻节点，依次建立缓冲区，并裁剪上一步生成的矢量线，依次计算矢量线的长度和斜率，长度与斜率与道路轨迹最接近的两条矢量线作为道路的边缘,利用中垂线和最大概率统计得到道路的宽度。本发明将已有道路矢量轨迹与实地高分辨率影像相结合，通过长度和斜率两个指标实现了边缘的自动筛选，提高了道路边缘的提取精度，降低了由于道路周围物体遮挡引起的宽度提取误差带来的影响，统计规则符合交通业务规范，具有很强的应用性。

摘要： 本发明公开了一种基于K‑Means的道路彩色激光点云中道路标线的提取方法，该方法如下：将输入的道路相关的彩色激光点云数据，提取出X、Y、Z、R、G、B六个属性值，进行数据清洗，在XYZ坐标空间进行三维和二维邻域搜索，按照平均高程差筛选出道路点云，按照其RGB色彩空间进行归一化处理，以其R、G、B三个特征值作为三个空间维度，运用K‑Means聚类算法，对道路彩色激光点云数据进行分类，得到道路的道路标线点。本发明提出在道路彩色激光点云的RGB色彩空间进行K‑Means聚类，自动提取出精准的道路标线点，具有较高的覆盖率。

摘要： 本发明涉及一种道路面和道路中心线快速构建提取方法及系统，该方法首先对待构建区域地形图进行交通线数据提取，并对提取的交通线进行代码分类、完整性筛选及数据预处理，再利用凸四边分割三角形的最大最小角特性以道路边线数据的节点为三角形顶点进行拓扑构建三角网，并利用线线叠加计算对构建的三角网进行边线外三角形剔除后进行自动拓扑构建道路面，然后基于道路面数据计算生成通过节点且垂直于节点对向边线的N组垂线段，再把N组顺序相连的中点顺序连接起来自动提取道路中轴线，并对中轴线进行优化处理生产道路中心线数据。该方法及系统有利于提高道路面和道路中心线生成提取速度和数据生产精度，进而提高电子地图更新生产的制图效率。

摘要： 本发明公开了一种基于道路轨迹和高分辨率影像的道路宽度提取方法，包括以下实施步骤，针对高分辨率遥感数据进行边缘检测，检测结果矢量化，生成矢量线，基于道路轨迹上相邻节点，依次建立缓冲区，并裁剪上一步生成的矢量线，依次计算矢量线的长度和斜率，长度与斜率与道路轨迹最接近的两条矢量线作为道路的边缘,利用中垂线和最大概率统计得到道路的宽度。本发明将已有道路矢量轨迹与实地高分辨率影像相结合，通过长度和斜率两个指标实现了边缘的自动筛选，提高了道路边缘的提取精度，降低了由于道路周围物体遮挡引起的宽度提取误差带来的影响，统计规则符合交通业务规范，具有很强的应用性。

摘要： 本发明公开了一种基于K‑Means的道路彩色激光点云中道路标线的提取方法，该方法如下：将输入的道路相关的彩色激光点云数据，提取出X、Y、Z、R、G、B六个属性值，进行数据清洗，在XYZ坐标空间进行三维和二维邻域搜索，按照平均高程差筛选出道路点云，按照其RGB色彩空间进行归一化处理，以其R、G、B三个特征值作为三个空间维度，运用K‑Means聚类算法，对道路彩色激光点云数据进行分类，得到道路的道路标线点。本发明提出在道路彩色激光点云的RGB色彩空间进行K‑Means聚类，自动提取出精准的道路标线点，具有较高的覆盖率。

摘要： 本发明涉及一种利用模型提取道路技术领域，具体地说是一种基于U‑net强化道路边缘信息的多尺度道路提取模型的方法，对原始高分影像的多光谱RGB波段和全色波段进行图像融合，利用标签制作软件制作道路分割标签进行数据扩充，用道路分割标签提取边缘标签并数据集划分，增加边缘提取任务分支，强化边缘信息，引入级联空洞卷积层，利用制作的高分遥感道路数据集训练模型，利用模型完成高分遥感道路提取，本发明同现有技术相比，通过搭建多任务学习网络，利用道路的边缘标签对道路的边缘信息进行强化学习，利用级联的空洞卷积模块实现了多尺度深度道路特征的提取与融合，最终使得提取出的道路边缘更加完整、道路主体连通性更高。

摘要： 本发明提供一种基于扩展道路形状指数的高分辨率影像道路提取方法，涉及遥感目标提取技术领域，该一种基于扩展道路形状指数的高分辨率影像道路提取方法，包括以下模块；预处理模块：以逐个图斑的方式提取高分辨率遥感影像的光谱特征和空间自相关特征，使用超像素分割方法提取图像图斑，计算每个图斑光谱特征和空间自相关特征；扩展道路形状指数提取模块：提取图像图斑后，每个图斑都通过迭代程序进行扫描和处理，通过区域扩展算法获得每个图斑的扩展区域；将道路的空间特征提取扩展到多尺度上，并通过构建具有扩展性的道路形状指数，解决传统面向对象的道路提取方法中，道路的空间形状特征描述不准确的问题。

摘要： 本发明公开了一种基于道路交叉口检测的遥感影像上城市道路提取方法，包括步骤：建立道路交叉口模型，基于遥感影像提取初始道路线；对初始道路线进行求交运算提取初始道路交叉点，并构建初始道路网络；基于影像分割和交叉口轮廓形状分析法对初始道路交叉点进行检测与验证，获取交叉点的类型及其连通的道路方向；根据交叉点的类型选取正确的交叉点，结合其连通的道路方向，构建目标城市道路网络。其显著效果是：基于道路交叉口提取城市道路，为城市道路网提取提供了稳定可靠的提取结果，完整度、准确率更高，有效克服了现有技术中算法不具备普适性、对道路特征和地物情况要求较高等不足。

摘要： 本发明公开了一种基于遥感图像道路形状特征的道路提取方法。方法首先利用道路表面局部灰度一致性和目标区域与背景灰度相差很大的特性，对预处理后遥感图像局部区域分割。然后对分割后结果结合面积和Ferret Box 最小外接矩形形状特征进行融合获取直线和曲线道路段，并对确定的道路进行区域种子增长，连接大部分路段，从而实现道路信息提取。与现有技术相比，本发明的方法不仅可以实现获取直线和曲线道路段，还可以自动提取种子点及自动获取道路网，并且不受图像转动的影响，克服了许多方法只能提取直线道路段缺点，而且更加的智能化。

摘要： 一种基于深度学习的卫星影像道路智能提取方法及装置，方法为：选择部分卫星影像图片，将图片中的道路用特定颜色进行标注，构建标注数据库；采用卷积神经网络进行自主学习，构建并利用学习模型对于新输入的卫星影像图像进行道路提取；对道路提取的结果进行判断，如果是正确，则进行道路栅格矢量化，否则返回标注数据库进行重新标注和学习；对提取出来的道路，遍历每条道路进行道路中心线提取，串联中心坐标形成矢量道路线。本发明通过提供大量的标注数据进行自主学习，然后对于新输入的卫星影像图片提取道路，并判断提取的结果，不断矫正错误，提高遥感影像道路提取的正确率和召回率。