基于QuickBird影像城市道路特征语义信息提取

快速、准确地获取城市道路信息,对于城市GIS数据更新具有重要意义。以昆明市为研究区,采用QuickBird卫星影像为数据源,开展了城市道路信息提取的特征语义信息提取实验研究。结果表明:①引入人脑认知OAR模型,提出高分辨率遥感影像城市道路认知框架,建立了道路信息提取语义模型,用数学方法和逻辑规则语言表达道路语义模型,再进行特征语义信息提取的研究思路是可行的;②采用Canny算子进行边缘检测道路、道路特征点细化、基于结点的线段追踪,进而提取对象语义信息、空间关系语义信息、局部上下文语义信息,最后通过GIS对提取的道路网络优化,实现道路网络最终提取,经检验提取道路信息长度的准确率为89.19%,宽度的准确率为71.54%,道路提取完整率为50.32%。     

改进的U-Net网络在遥感影像道路提取中的应用北大核心CSCD

针对高分辨率遥感影像中道路目标结构复杂且背景地物多样的问题,设计了一种适用于高分辨率遥感影像道路提取的SM-Unet网络。为捕获孤立道路区域的长距离关系的同时也能关注局部信息,网络编码器下采样前加入条纹池化模块;为增强网络对复杂场景中道路区域上下文信息的获取能力,使道路特征表示更有辨别力,编码器最后卷积层后加入混合池化模块。为验证SM-Unet模型提取道路的能力,选择我国高分二号遥感影像为数据集开展道路提取实验。结果表明,SM-Unet网络训练的道路提取模型在精确率、召回率、F 1分值、平均交并比等评价指标上,均优于U-Net、FCN、DeepLabV3+等网络模型。同时,在道路提取的完整性方面,提取效果最优。     

融合多尺度特征的遥感影像道路提取方法

针对遥感影像中由于道路信息错综复杂,导致道路提取不完整、精确度低等问题,提出一种新型遥感影像道路提取方法。融合多尺度特征改善道路提取的整体效果,基于深度残差网络设计混合空洞卷积,并通过定义卷积核各值的间距增大特征提取感受野,从而丰富多尺度特征融合模块中的浅层道路语义信息。在编码端提取特征后,利用权重分布的方法匹配感受野尺度,使用不同层级间的特征对全局先验信息进行表征,提高多尺度融合特征获取浅层道路语义信息的准确性,并将改进的多孔空间金字塔池化模块融入到深度残差网络中,挖掘并深度聚合道路浅层次和深层次的语义信息。在两种高分辨率遥感数据集Cheng_Data_Roads和Zimbabwe_Data_Roads上的实验结果表明,所提方法的F1值和MIoU值分别为91.16%和83.63%,准确率、召回率等评价指标均明显优于U-net、ResUnet、D-Linknet等语义分割方法。     

改进U-Net网络的遥感影像道路提取方法研究

从遥感影像中提取道路目标对智慧城市建设具有重要意义。由于遥感数据中道路及背景特征复杂多样,使用深度学习方法对道路进行提取的准确性仍然受到限制。基于U-Net网络架构设计实现了用于遥感影像道路提取的深度语义分割模型AS-Unet,该模型分为编码器和解码器两部分。在编码器部分加入通道注意力机制,对提取的丰富低层特征进行筛选,突出目标特征,抑制背景噪声干扰,从而提高深浅层信息融合准确率;为解决网络对道路目标单一尺寸的敏感问题,在编码器最后一层卷积层后面加入空间金字塔池化模块来捕获不同尺度道路特征;在解码器部分加入空间注意力机制,进行位置关系信息学习和深层次语义特征筛选,提高特征图还原能力。在Massachusetts和DeepGlobe道路数据集上进行实验,结果证明,在召回率、精度、[F1]值等评估指标上,明显优于SegNet、FCN等语义分割网络。所设计的AS-Unet网络性能优良,具有更高的分割准确率,具备一定理论和实际应用价值。     

基于SPUD-ResNet的遥感影像道路提取网络

针对遥感影像中道路目标细节丰富且呈带状分布的特点,造成狭长的道路结构提取困难的问题,设计并实现了一种基于SPUD-ResNet的道路提取方法。该方法利用空洞卷积构建残差网络编码器,并通过跳跃连接与对应解码器相连,有效加速网络的收敛并保留道路的细节信息;为了更有效地捕获狭长道路结构的长距离依赖关系,分别构建条形池化模块和混合池化模块,增强网络对条形道路结构特征的获取能力;利用道路结构的几何信息和结构相似性指数设计混合损失函数,精细化道路边界,去除道路提取结果中的模糊预测。在Massachusetts Roads数据集上的实验结果表明,所提方法在召回率、精确度和F1-score指标分别达到了83.4%、84.5%和83.9%,提升了道路提取的效果。     

一种改进U-Net的高分辨率遥感影像道路提取方法

从遥感影像中准确高效地提取道路信息,对基础地理数据库的建立与维护具有重大意义。高分辨率遥感影像背景信息复杂,导致现有算法无法较好地从中提取道路信息。U-Net网络在图像分割方面有较好的实验效果,但道路分割结果准确性不佳,因此,提出了一种改进U-Net网络的高分辨率影像道路提取方法。首先,设计基于U-Net的网络结构,将VGG16作为网络编码结构,可更好地提取特征语义信息;其次,利用Batch Normalization与Dropout解决网络训练过程中出现的过拟合;最后,对训练数据利用旋转与镜像变换进行扩充,采用ELU激活函数,提升了网络训练速度。实验结果表明：该方法可以较为准确高效地提取道路信息。     

一种高斯混合模型组合分类的机载LiDAR城区道路提取方法

城区道路自动提取一直是遥感领域研究的重点和热点之一。针对遥感影像提取易受建筑物和植被遮挡的影响,点云数据提取道路边界又较模糊的不足,提出了一种高斯混合模型组合分类的道路提取方法。该方法利用融合影像即含有色彩信息的点云数据,首先对滤波后点云中的反射强度属性,运用偏度平衡法粗提取道路点云;再对点云数据中的灰度信息和点密度属性采用高斯混合模型组合分类提取道路的种子区域,并利用强度影像扩展和约束该区域;最后运用主动轮廓法和数学形态学方法进一步优化并提取道路中心线。为验证该方法的有效性,分别采取位于国外某城市的两组LiDAR点云数据进行实验。结果表明,该方法可以有效地减弱阴影遮挡对道路提取的影响,提取的道路中心线较为平滑,道路的提取质量达到85%以上。     

纹理与几何特征在道路提取中的应用

提出一种利用纹理与几何特征的高分辨率遥感影像道路提取方法。首先分析高分辨率遥感影像的纹理特征,提出基于纹理特征的聚类方法,将影像大致分为道路区域和非道路区域,然后选取适当的几何特征指数,剔除道路区域中含有的非道路像素,得到初步道路信息。最后通过数学形态学处理,去除初步道路信息中由于车道线、树木影响而产生的孔洞,最后得到完整的道路信息。实验结果表明,与传统方法相比,该方法能够有效地从高分辨率遥感影像中提取道路。     

结合区域生长和GVF-Snake的遥感影像道路提取

基于待分割目标的灰度特征分布,提出了一种能自适应地改变生长准则参数的区域生长方法。将该自适应区域生长算法与GVF-Snake模型相结合用于高分辨率遥感影像道路提取,即用自适应区域生长方法提取出大致的道路区域,对生长出的道路图,利用数学形态学进行内部腐蚀并获得道路区域轮廓线,以该轮廓线作为GVF-Snake模型的初始轮廓,利用GVF-Snake模型进行道路跟踪,得到最终的道路提取结果。实验结果表明该方法能有效地提取高分辨率遥感影像中的道路目标,具有一定的实用性和鲁棒性。     

基于ELM的遥感影像城市道路提取

针对高分辨率遥感影像中复杂场景道路提取不理想问题,利用极限学习机ELM的快速学习能力,提出了一种基于ELM的城市道路提取方法。首先,利用改进的布谷鸟搜索CS算法自适应地选择ELM的隐含层节点数,以提高模型的稳定性;其次,引入数据样本蕴含的判别信息,弥补ELM学习不够充分问题,进而提高ELM分类性能;最后,结合数学形态学处理,对提取道路进行优化,获得最终的道路提取效果。遥感影像道路提取实验结果表明,所提方法不仅增强了网络的稳定性,同时还提高了道路提取的精确度,能较好地提取出道路信息。     

利用Deeplab v3提取高分辨率遥感影像道路

针对传统道路提取方法存在的道路边缘粗糙、抗干扰性弱、提取精度低等问题,提出了一种基于编码解码器的空洞卷积模型(Deeplab v3)的道路提取方法.首先,对原始高分辨率遥感影像进行标注;其次,利用标注数据集对Deeplab v3模型进行训练、测试;最后,得到高分辨率遥感影像道路提取结果.分析结果可知,该模型能够较好地提...     

一种引入角点特征的遥感图像道路提取方法

道路是遥感图像中的一种重要目标,遥感图像自动道路提取成为一个重要的研究方向。该文在对现有道路提取算法总结分析的基础上,提出一种引入角点特征的遥感图像道路提取方法,针对城市道路网的结构特点,建立了道路模型,并对算法的结构和策略进行了描述。在提取道路直线特征和角点特征基础上得到道路段,然后根据道路之间的几何关系对独立道路段进行连接得到最终结果,有效解决了以往道路提取算法中道路交叉点断裂的问题。另外为了得到准确的道路角点信息,还对该文算法中用到的角点检测方法进行了改进。最终实验结果分析表明该文道路提取算法的有效性。     

改进U-Net型网络的遥感图像道路提取

目的 遥感图像道路提取在城市规划、交通管理、车辆导航和地图更新等领域中发挥了重要作用,但遥感图像受光照、噪声和遮挡等因素以及识别过程中大量相似的非道路目标干扰,导致提取高质量的遥感图像道路有很大难度。为此,提出一种结合上下文信息和注意力机制的U-Net型道路分割网络。方法 使用Resnet-34预训练网络作为编码器实现特征提取,通过上下文信息提取模块对图像的上下文信息进行整合,确保对道路的几何拓扑结构特征的提取;使用注意力机制对跳跃连接传递的特征进行权重调整,提升网络对于道路边缘区域的分割效果。结果 在公共数据集Deep Globe道路提取数据集上对模型进行测试,召回率和交并比指标分别达到0.847 2和0.691 5。与主流方法U-Net和CE-Net（context encoder network）等进行比较,实验结果表明本文方法在性能上表现良好,能有效提高道路分割的精确度。结论 本文针对遥感图像道路提取中道路结构不完整和道路边缘区域不清晰问题,提出一种结合上下文信息和注意力机制的遥感道路提取模型。实验结果表明该网络在遥感图像道路提取上达到良好效果,具有较高的研究和应用价值。     

基于PPMU-net的多特征高分辨率遥感道路提取

针对复杂地形条件下道路特征选取不具代表性,分割精度低的问题,提出了一种基于卷积神经网络（PPMU-net）的高分辨率遥感道路提取的方法。将3通道的高分二号光谱信息与相应的地形信息（坡度、坡向、数字高程信息）进行多特征融合,合成6通道的遥感图像;对多特征的遥感图像进行切割并利用卷积网络（CNN）筛选出含道路的图像;将只含道路的遥感图像送进PPMU-net中训练,构建出高分辨率遥感图像道路提取模型。在与U-net神经网络、PSPnet神经网络相比时,所提的方法在对高分辨率遥感道路提取时能够达到较好的效果,提高了复杂地形条件下道路分割的精度。     

L-UNet：轻量化云遮挡道路提取网络

目的 道路提取是常见的遥感应用之一。现有的基于深度卷积网络的道路提取方法往往未考虑云遮挡给道路提取带来的影响，且提取网络模型较大，不利于在移动端部署，同时缺乏用于云遮挡场景下的道路提取数据集。对此，本文提出一种轻量化的UNet网络（lightweight UNet，L-UNet），高效地实现云遮挡下的道路提取。方法 通过柏林噪声模拟云层以扩展现有道路提取数据集，进而训练L-UNet。使用移动翻转瓶颈卷积模块作为特征提取的主要结构，在深度可分离卷积的基础上加入扩展卷积和压缩激励模块，在减少参数量的同时大幅提升了分割效果。结果 在DeepGlobe道路提取扩展数据集的测试中，与D-LinkNet相比，L-UNet的交并比（intersection over union，IoU）提升了1.97%，而参数量仅为D-LinkNet的1/5。在真实云遮挡遥感图像道路提取测试中，L-UNet的性能仍然最优，与D-LinkNet和UNet相比，IoU值分别提高19.47%和31.87%。结论 L-UNet网络具有一定的云遮挡区域下道路标签生成能力，虽然在模拟云遮挡数据集下训练得到，但对于真实云遮挡仍具有较强的鲁棒性。L-UNet模型参数量很小，易于嵌入移动端。     

从航空遥感图像中自动提取主要道路

如果能自动地从航空遥感图像中提取出道路网,将会简化城市地物目标的分类和测量过程.该文根据城市主要道路在图像中的特性进行了模型化处理,进而提出了基于直线的、自动提取的方法.算法重点考虑到成像过程中必然引入的各种噪声,用高斯分布函数模糊化直线参数,使提取具有良好的稳健性.算法中的参数选择都是通过理论分析所得,因此,提取过程实现了自动化.实验结果表明,该方法能够从实际航空遥感图像中提取出主要道路网.     

基于改进区域生长的遥感影像道路提取

提出一种改进区域生长法的遥感影像中道路提取方法。对遥感影像进行[K]均值聚类,实现道路区域和非道路区域的初步分离,并获取区域生长的基准值,按照图像特征计算出区域生长的阈值。依据对道路特性的分析,设计了9个道路路口模型。根据设计的道路路口模型,对区域生长法进行了改进,使得道路的提取按照道路路口模型自动增长。最后通过数学形态学的手段对道路进行优化。实验结果表明使用提出方法所提取道路区域更加完整。     

基于全卷积神经网络的多源高分辨率遥感道路提取

针对半自动道路提取方法人工参与较多、提取精度不高且较为耗时的问题提出一种基于全卷积神经网络（FCN）的多源高分辨率遥感道路提取方法。首先,对高分二号和World View图像进行分割,用卷积神经网络（CNN）分类出包含道路的图像;然后,用Canny算子提取道路的边缘特征信息;最后,结合RGB、Gray和标签图放入FCN中训练,将现有的FCN模型拓展为多卫星源输入及多特征源输入的FCN模型。选取西藏日喀则地区作为研究区域,实验结果显示,所提方法在对高分辨率遥感影像进行道路提取时能够达到99.2%的提取精度,并且有效地减少了提取所需的时间。