《sar影像道路提取》由会员分享，可在线阅读，更多相关《sar影像道路提取（6页珍藏版）》请在金锄头文库上搜索。
1、1、国内外研究现状：早在20世纪70年代，就开始了基于光学遥感图像的道路提取研究8。开展基于SAR图像各类道路提取方法的研究晚于光学遥感图像，且与SAR成像技术的发展息息相关。在20世纪，SAR成像以中低分辨率为主，道路呈现为线特征，道路提取通常分为先边缘检测得到边缘像素点，后边缘编组得到线特征，最后再将线连接成网络这3个阶段。按照中低分辨率图像道路提取的阶段流程，在20世纪90年代之前，严格来讲没有真正意义上SAR图像道路提取方法出现，大多数研究还处于边缘提取和边缘编组阶段。在边缘提取研究方面，Frost等人9提出的似然比边缘检测器，首开了恒虚警边缘检测研究的先河。Touzi等人10提出的均
2、值比(ROA)检测算子具有一定的代表性，在此后几年里，涌现出多个改进型ROA边缘检测算子。在边缘编组研究方面，广泛使用的直线提取算子(Hough、相位编组等)在SAR图像中皆有应用。 1990年，Samadani等人11报道了先局部边缘检测后全局道路连接的方法，被认为是第一次提出的真正意义上的SAR图像道路提取方法。嗣后，随着SAR图像应用向深度和广度发展，大量的道路提取方法涌现出来。值得一提的是，Tupin等人12开创性提出的基于Markov随机场模型道路网连接方法，对后续研究影响很大，后来出现的几篇有影响力的文章4-13-14皆是该方法的延伸。 到了21世纪，随着SAR成像技术的进一步发展
3、，对地成像观测中图像的空间分辨率得到进一步提高，多颗高分辨率SAR卫星相继发射并成功获取数据。2005年，美国成功发射雷达侦察卫星Lacrosse-5，最好分辨率达0.3 m;2007年，德国发射商业卫星TerraSAR-X聚束成像模式下分辨率可达1 m;同年，加拿大成功发射Radarsat-2，可提供全极化、超精细以及3 m分辨率波束等新的成像模式;2010年，德国将另一颗与TerraSAR-X基本相同的卫星TanDEM-X送上太空。相对于星载SAR系统，机载SAR飞行高度一般在10 km以下，成像分辨率更高，全球鹰”和“捕食者”等美国无人机载SAR传感器对地观测分辨率可达0.3 m。在高分
4、辨率SAR图像中，道路呈现为区域特征，且能表示更多的道路类型和地物细节。但是，高分辨率使得图像中的干扰被放大，环境背景变得更复杂，给道路提取带来很大的困难。充分利用高分辨率SAR图像道路的几何(平行双边缘)及辐射(灰度)特征，采用平行双边缘检测15、分类分割1 6、多尺度分析4以及道路剖面分析17等自动或半自动方法检测出道路区域，然后再连接成网络，是当前的研究现状。 总的来说，国内外开展从SAR图像中提取道路的研究己有20多年的历史。国外著名的研究机构和个人，如:法国国立布列塔尼高等电信学院(ENST) Tupin12-13，意大利帕维亚(Pavia)大学Gamba 18-20、Lisin14
5、,21、Negri4,22. 和Dell16,23,25等人，加拿大Sherbooke大学Bentabet，德国慕尼黑工业大学Hedman 27等人，在此方面做了许多创新性工作，引领着该领域研究的前进方向。国内的中国科学院电子所、清华大学、武汉大学、国防科学技术大学、中国测绘科学研究院等研究院所在此方面做了大量工作，并取得了一定的成果。国际有影响力的杂志:地理科学和遥感学报( IEEE Transactions on Geoscience and Remote Sensing、国际遥感杂志( International Journal of Remote Sensing ) ,(IEEE地球科
6、学与遥感快报(IEEE Geoscience and Remote Sensing Letters) ,摄影测量工程与遥感(Photogrammetric Engineering and Remote Sensing )等，以及一些知名的国际会议:地理科学和遥感研讨会(IEEE International Symposium on Geoscience and Remote Sensing)和SPIE组织的一些会议，收录了关于SAR图像道路提取发表的文章上百篇，与道路提取相关的SAR图像降噪、边缘检测、线特征提取以及连接等文章更是不胜枚举。瑞士的Amobe项目、意法等国针对多遥感图像应用的OT
7、B ( Orfeo Tool-box)以及我国重大专项高分辨率对地观测系统等均涉及道路这种典型的地物要素提取。2、SAR道路提取存在问题及发展趋势： SAR图像道路提取己取得了不少研究成果，但由于实际道路背景环境复杂多变，现有算法在自动化程度、速度、普适性及准确性等方面还有诸多问题有待解决。归纳起来，现有的道路提取方法存在的主要问题及发展趋势是: 1)针对高分辨率SAR图像道路提取开展的研究较少。随着成像技术的发展，SAR图像分辨率不断得到提高，应用优于0.5 m分辨率的卫星SAR图像己成为现实，高分辨率多通道、全极化SAR图像得到广泛应用是当前现状和发展趋势。然而，现有算法多数是针对中低分辨
8、率SAR图像和高分辨率的光学遥感图像，当前研究现状阻碍了高分辨率SAR图像的广泛应用，需要针对高分辨率SAR图像出现的新情况，充分利用多极化通道信息之间的冗余互补性，通过多极化通道信息之间的融合58以及SAR图像与其他遥感图像之间的融合59，提高道路特征提取的精度，实现道路网快速、完整、精确地提取必然是SAR图像道路网提取今后重点研究内容。 2)道路提取算法的鲁棒性不强。目前提取算法设置的参数偏多，依赖于经验值，且多是针对某一类来源的图像。将其应用到其他异源图像道路提取时，需人工手动调整大量的参数，方能有所适应。另外，提取算法的设计一般针对某一种道路类型。然而，实际上道路类型(高速公路、城区主
9、干道、次干道、一般街道、乡村道路等)多种多样，采用一种提取方法显然不能同时满足要求。解决此问题可借鉴光学遥感图像道路提取中采用的人工智能思想，让算法在不同的图像类型以及不同的路况背景环境下进行在线学习60。另外，借鉴多尺度、多分辨率分析的思想61，采用合适的尺度对不同宽度的道路进行抽象描述，并对多分辨率分析结果进行融合处理，是一项不错的选择。 3)道路边缘检测及线特征提取虚警率偏高。由于SAR图像中存在建筑物、树木、河流等其他地物干扰影响，现有的边缘检测算子提取出的虚假信息偏多，将道路边缘淹没在这些信息中;另外，线特征提取算子(Hough, Radon及其改进型等)仍存在多个极值点以及极值点定
10、位不准确等问题。一种可行的思路便是根据高分辨率SAR图像道路的平行双边缘性、方向性和灰度等特征，采用多个特征检测工具，并将提取出来的特征信息进行融合，充分利用不同检测工具之间的互补性，降低边缘检测和线特征提取的虚警率。另外，从初步研究成果62来看，虽然道路上的车辆、路旁的建设物以及道路附近裸露的土壤、植被区、阴影等地物干扰造成道路提取的断裂，但这些上下文知识恰恰证实了道路的存在，利用道路上下文知识降低提取虚警率具有很大的研究空间。 4)道路网全局连接的速度不快。由于前级(边缘检测和线特征提取)虚警率偏高，输入给道路网全局迭代连接的线基元数目过多，造成迭代过程耗时较长;此外，当前常用的自动全局连
11、接算法(MRF, GA)建模时，最优求解的策略也导致耗时较长，不能满足实时性的要求。有人工引导的道路种子点跟踪的策略(模板匹配、粒子滤波)不失为当前较好的选择，但存在的问题是跟踪经常中断，人机交互次数偏多。因此，为了提高连接速度，道路网自动全局连接需要研究一种方案，减少输入虚假线基元的数量，改进最优迭代求解策略;道路网半自动全局连接需提高种子点跟踪算法的稳健性，提高自动化程度;另外，将外部GIS数据作为先验信息，指导道路局部检测及全局连接26，提高道路网提取的置信度，值得深入开展研究。 SAR图像道路网提取在遥感应用领域具有不可替代的地位。经过20多年广泛研究，SAR图像道路网提取己经取得了很
12、大的进展，但由于SAR图像背景复杂、噪声干扰较大、道路类型繁多，导致当前仍然很难直接从SAR图像中提取道路网。随着SAR图像成像技术的发展、雷达回波电磁散射机理研究的深入、其他遥感图像解译技术的进步以及数学理论的推陈出新，必将给SAR图像道路网提取带来新的研究途径。3、SAR影像道路提取算法的发展：SAR图像中道路目标同机场、桥梁、大坝、河流等地面目标一样,不仅在军事上具有战略意义,而且对国民经济发展也具有重要意义。SAR图像道路提取对地图更新、目标识别、影像匹配等方面具有重要的辅助意义,是图像目标检测的一个重要内容。国内外利用计算机从SAR图像中提取道路之类的线性地物信息的研究大概有30年的
13、历史,取得了一定的成果,提出了一些实用的算法,但是与实际应用的要求还有一定的距离。回顾这几十年SAR图像道路提取技术的发展历程,最早的道路检测方法可以追溯到Fischler提出来的对于低分辨率的航空图像的道路目标提取算法:首先将两种局部检测算子结合起来进行检测,然后在一个全局的步骤上,通过图搜索或动态规划将道路网提取出来。这种方法在1990年被Samadani和Vesecky应用到SAR图像上。对于高分辨率图像，McKeown和Denlinger等构造了一个道路模型，用于道路跟踪算法。Bazohar和Cooper定义马尔可夫随机场将这种方法用于自动道路目标提取，通过检测局部最大后验概率得到道路
14、。近几年来发展了一种基于知识的自动道路提取方法。这种包括使用现有的GIS数据库或者地图及基于规则的系统，分别对图像解译进行指导。在Vosselman等的方法中，旧数据库不仅用来验证也用来检测新的道路。目前己经存在许多种道路模型，例如，Gruen andLi定义了道路的一般模型，主要包括辐射度属性和几何属性;Heipke定义了一个不同尺度上的道路模型，也包括辐射度属性和几何属性。道路段在图像上的表现形式依赖于传感器的敏感性以及分辨率，上述研究者的方法都限于分辨率为lm的高分辨率强度图像。高分辨SAR图像上的道路是一条黑色的、连续的具有一定宽度的均匀区域，表面的灰度层通常变化不大，但与周围环境的对
15、比度较大。道路通常具有常数值宽度，但其宽度随道路的类型的变化而变化，例如，主要道路大于一般小路。在真实世界和图像域，道路形成一个网，这就说明在检测道路时，应该将道路的拓扑特性考虑在内。检测到的道路可以作为种子点，来减少自动道路提取的搜索域。从另一个角度来分析目前存在的算法，都包括局部检测和全局检测两大步骤。其中不管是自动还是半自动的，其中绝大部分方法，局部检测是根据目标像素小邻域的辐射特性来检测边缘或线段，在光学图像处理中，边缘检测通常都是基于加性高斯噪声假设提出来的。而SAR图像由于受乘性斑点噪声的影响，致使这些传统的边缘检测器无法满足要求。因此，人们提出了基于统计属性邻域强度比的边缘检测算
16、子，全局连接则主要是结合某些先验知识建立道路模型，并利用动态规划、Markov随机场、方向势能等方法来将局部检测到的线段连接起来，以形成满足特定条件的道路，但这些方法主要是用来从低分辨率或中等分辨率的遥感图像中提取道路，而与低分辨率遥感图像相比，由于高分辨率遥感图像包含有更多的地面细节，即地面上很小的目标在图像上都能清楚的反映出来。因此就有可能从高分辨率图像上提取更多的道路特征;但另一方面，由于目标图像背景更加复杂，且图像中存在更多非道路特征，致使从高分辨率原始图像数据中提取道路特征几乎不可能。为使问题简化，FabioDell, Acqua等采用分级的方法来进行处理，即先将SAR图像分成林地、建筑物、道路等基本类，由于分类后的道路像素并非彼此相互连接，为此Fabio分别利用FPCWHT(Fuzzy Pyramids Connectivity W
