《道路提取_文献翻译--高分辨率遥感影像的道路半自动提取：回顾与展望-公开DOC·毕业论文》由会员分享，可在线阅读，更多相关《道路提取_文献翻译--高分辨率遥感影像的道路半自动提取：回顾与展望-公开DOC·毕业论文（15页珍藏版）》请在金锄头文库上搜索。
1、高分辨率遥感影像的道路半自动提取：回顾与展望 沈阳航空工业学院沈阳，中国; ; 摘要：道路提取是高分辨率遥感信息提取中的最活跃的研究领域之一，遥感图像不仅具有重大的理论价值，而且应用前景广阔 。本文介绍了一般的半自动道路提取方法，最新的研究工作和来自世界各地的典型方法，并分析其特点，最后对半自动道路提取研究的研究领域提出建议关键词：高分辨率、遥感影像、 道路提取;回顾;前景I介绍随着计算机技术和通信技术的飞速发展，快速获取和更新地理信息系统的要求越来越迫切。道路是非常重要的基础地理信息，道路提取对地理信息系统的发展产生了很大的影响。同时，随着传感器技术的发展，商业的空间高分辨率的卫星图像（IK
2、ONOS卫星，快鸟）已被广泛使用。这对遥感图像信息提取提供了更大的可能性和更高的精度。道路提取是遥感图像信息提取的重要组成部分，对GIS数据更新，图像匹配，目标检测 ，数字制图自动化等具有重要意义。从目前的研究状况看，道路自动提取非常困难。目前的技术尚未提供完整性和有效性都令人满意的结果，通常需要后处理手段。自动提取被限制在一定的范围内，无规律的输入，往往会导致错误的结果1。因此，研究人工干预的半自动方法快速，准确地提取道路，是一个更实际的选择。这使得从遥感影像上半自动提取道路成为一个主要的研究重点。本文从遥感影像的道路特点，给出了有关目前道路半自动提取方法的基本思路和方法的讨论。它也分析和总
3、结了近年来的半自动提取的研究结果，并分析了道路提取进一步的发展前景。II道路检测影像特征是由于景物的物理与几何特性使影像中局部区域的灰度产生明显变化而形成的。因而特征的存在意味着在该局部区域中有较大的信息量， 而在影像中没有特征的区域， 应当只有较小的信息量。A道路的基本特征如下：几何特征：在高分辨率影像上， 道路呈长条状， 其长度远大于其宽度， 道路的宽度变化比较小，曲率有一定的限制；辐射特征：有两条明显的边缘线，内部灰度变化比较均匀、与相邻区域灰度反差较大；拓扑特征：道路是相连的，并不会突然中断，从而形成网络状；上下文特性：上下文特征指的是道路相关的特征与信息，如道路旁的建筑物和行道树，还
4、包含如是城市道路还是乡村道路的全局上下文信息。道路提取结果不仅依赖于所采用的策略和方法， 而且与图像的类型有关。在高分辨率遥感影像，由于路边树木，房屋，汽车等影响因素的存在，道路表面形式的复杂，使得精确地提取道路这个过程增加了一个难度。因此，在高分辨率遥感影像，应结合道路特征进行道路提取。B道路提取的基本过程影像特征的提取，即从影像中提取有用的信息和视觉特征。按照Marr 视觉理论，视觉从最初的原始数据(2维影像数据) 到最终对3维环境的表达经历了3 个层次:要素图：它包含图像边缘点、线段、顶点、纹理等基本几何特征组成，这个层次称为低层次处理。2.5维图：它是要素图与3维图像模型之间中间表示层
5、次，包含物体表面的局部内在特征，这个层次称为中层次处理。3 维图：以物体为中心的3 维描述，它是由要素图与2.5维图得到的。它包含对物体的理解、识别等，这个层次称为高层次处理。与其他特征提取一样，道路特征提取同样遵循Marr视觉理论。道路特征提取应该在低、中、高三个层次上进行。道路特征提取一般方法主要分以下阶段， 如图1 所示。高级识别（知识等）低层次的加工（二值，格雷等）中级处理（特征等）道路输出（标识等） 预处理（校准等）图1一般道路提取阶段从不同的角度分析图像，并采取适当的算法，每个级别可以得到不同的特征提取方法。根据自动化程度，可分为自动提取和半自动提取。本文侧重于人工干预的半自动道路
6、提取方法。III.半自动道路提取研究半自动道路特征提取即利用人机交互的形式进行特征提取和识别。道路提取的常用方法包括：根据道路的特征进行道路中心线提取和道路区域特征提取。道路中心线提取的基本思想是：用户提供初始道路点(种子点)，有时还提供初始方向，然后再由计算机进行处理识别， 同时适当进行人机交互。道路区域特征提取是基于图像频谱和线性特征结合分类和数学模式提取道路的一种方法。半自动道路提取的研究已经取得了很多的好成绩。A道路中心线提取道路中心线，可以被看作是周围亮度模式的线性特性。这种线性特征消失在路的交叉口，有时它可以涵盖大型建筑物，车辆或其他障碍物的阴影。此外，道路中心线的亮度模式将保持相
7、似。我们可以看到，道路中心线是由许多短直线链接而成的曲线，因为大多数的道路是平坦的，方向不能突然改变。然后，我们将道路中心线提取转换成直线提取，降低了难度。中心线提取可分为两类：一类是通过跟踪给定的初始点和方向取得3-12。这种方法有模板匹配法3-8主动测试模式的方法9-12。另一种提取中心线是给予一系列种子点14-25。这种方法具有动态规划14-17主动模板模型18-25和在曲线拟合。1给定初始点和方向的提取方法模板匹配的基本思想是根据初始点和方向，定义一个模板，通过匹配寻找下一个中心点，完成的道路中心线提取，从而找到道路。Vosselman3（1995）提出了基于最小二乘模板匹配和卡尔曼滤
8、波跟踪算法检测道路。这种方法是根据道路几何特征提取道路。在遥感图像中，道路长度长于宽度而且其曲率的变化是不明显的。因此，垂直的横截面沿着一条道路的方向是相似的。针对这一特点，利用适当的曲线常数，可以让我们取得道路中心段的中心，同时预测宽度和方向。根据指定的路段，初步估计描述道路的位置和形状的参数。这一估计是用来预测指示段毗邻的道路模板的位置。在预测位置与模型进行模板匹配。匹配的结果是两个剖面之间的转变。这种转变是由卡尔曼滤波更新参数来描述道路的位置和形状。在下面的迭代，下一个轮廓的位置可以预测，当轮廓与模型模板匹配时，我们可以检查它并更新道路参数。道路的追踪会一直继续直到到达标准。这种方法的优
9、点是，尽管由于道路口，出口和汽车等临时障碍造成道路与模版不匹配，道路追踪剂也能够继续追踪下面的道路。缺点是分割，因为使用连续的曲线，真正的形状和它的模型之间的偏差被称为系统的噪音。使得最后结果不理想。公园4（2001）从1米分辨率的IKONOS卫星图像成功地提取道路中心线，采用自适应最小区域模板匹配方法。该算法产品模板由用户给定种子点。这种方法使用自适应最小二乘模型评估与目标模板匹配程度。更好地获取任何方向、适当曲率的道路中心线。这种算法的缺点是，给定的种子点不能离开道路中心太远，同时，种子点无法判断道路上覆盖的阴影。Baumgartner 5（2002）采用卡尔曼滤波和模板匹配的方法给出了半
10、自动道路提取的人机界面。当在提取过程中发生错误时，它可以由人工干预来方便地纠正。这是一个很好的提高道路提取准确率和精度的方式。Vandana 6（2002年）通过使用最小化和路径跟踪方法提高模板匹配，对未1 m 的IKONOS图像，有效地提取道路中心线。该算法不选择道路中心线和模板上的种子点。种子点可以自动调整位置，使在道路中心线上，这大大降低了种子选择的要求，提高了算法的利用率。F.DellAcqua7（2005）提出的方法，结合自适应定向过滤器和模板匹配来提取道路，收到很好的效果。主动测试模式是由德国9（1996）提出的，基本思路是：首先，确定道路使用的初始点和方向，采取主动设立规则的树结
11、构的试验和统计的统计模型，同时建立基于模型的结果：第二，跟踪道路。 起初这种方法只适用于低分辨率图像。Dal Poz10（2002）改变它，把它用于高分辨率的图像。他们用矩形来模拟主动测试化的战略提取道路，检测的道路中心线已被提取。不完整的道路边缘或道路宽度改变，使这种方法提取的道路中心线位置不太准确。杨云11（2007）提出基于活动窗口，综合利用上述的优点和缺点线的特点匹配新算法。该方法的基本思路是：道路中心线的点定义为中央窗口模板，寻找下一个目标窗口，匹配沿线一定范围内的窗口。为了有效抵挡中心线两侧的路面噪音，提取唯一的“兴趣”窗口“，不需要其他部分的中心线。模板匹配找到目标窗口后，该算法
12、认为，道路中心这个新的窗口，成为模板窗口。重复上述过程的匹配，将是一个系列，在位于该行的中心道路提取道路中心线。Sara Atarchi12（2008）提出了以下的方法：他们结合中值滤波和最低成本的道路提取，并收到良好的效果。第一步筛选中值滤波的图像。第二个步骤是，用户提供了种子的方向。然后，他可以计算在每一个方向的成本。我们可以遵循Whith的成本处理，如在不同的道路长度和道路方向上，以像素为单位的变化的概率，采取的各种成本。选择最小成本的方向和道路，其原来的方向行进，图像的清晰度的概率高于其他方向上，因此该算法使原来的方向，以最高的重量。成本计算公式：成本值=（方差）2/最佳常数长度从该算
13、法的结果来看优点是快速准确的提取道路。缺点是，该算法的计算更复杂。2通过一系列种子点的提取方法动态规划确定总体参数模型。模型成为表达种子点之间成本和主动模板的计算工具。Williams 14（1992）使用贪心算法来计算特征的成本。这种方法比Kass算法的结果更迅速。Gruen 15-16（1995）提出简单方法用在低清晰度的图像，然后结合主动模板和模板编程处理低分辨率和中分辨率图像。Dal Poz17（2003）Gruen成本函数的方法，增加了道路条件的边缘。动态规划算法是一种有效提取道路的方法，但积分算法需要手动选择选择种子，同时需要很大的存储容量。主动模板模型在图像区域内定义为光滑曲线的
14、能量函数。在引进的高层次的机制中，能量带动特征，动态地减少特征的能量，不断的变换初始位置，最终真实的获取边缘目标。主动模板早些时候是Kass提出的18（1998），它看起来参数的曲线，如对象的边界或图像特征，表现为能量函数和曲线的相关参数。它将边界问题转换成最低能量函数的问题。Gruen 19（1997）提出的LSB-Snake模型。其基本思路是：第一，用户提供了一系列的种子点，然后用这些点产生B样条曲线的最小二乘结构，并收到一定的原道宽度，同时设置适当的宽度。第二，从图像匹配，控制活动，模板匹配的，地理信息系统的数据支持，获得道路曲线，最后，提取道路中心线。研究人员不断改变了Snake模型来
15、提取道路中心线，构造如Ziplok Snake20（1998）双蛇21-23等模型。这些新方法，收到了良好的效果。Ramesh Marikhu 24（2007）提出了一个家庭合作的Snake模型，它能够分裂，合并，并在必要时消失。他们还提出了一种基于面向滤波，阈值，Canny边缘检测，梯度矢量流（GVF的）能量的预处理方法。他们评估了该方法在精度方面的性能，并在地面比较真实数据。合作蛇家族一贯优于单蛇在各种道路提取任务。从算法的结果来看，取得了良好的效果。王珉25也改变了蛇模型，并收到良好的效果。主动模板最不利的是，低噪音，鲁棒性并不好，难以适应在高分辨率影像中复杂的道路，更容易导致模型匹配失败。B.区域提取 道路区域的特征提取是通过数学形态学和光谱特征相结合提取道路区域和中心线的特征方法。目前，道路的辐射特征道路内部的灰度是均匀的，它与邻近地区的灰度有一个很大的反差。因此，我们建立以图像灰度特征和几何特征为基础的道路几何统计模型。道路区域提取有两种主要方法。其一是基于光谱特征和形状特征26-28，另一种是基于数学形态学29-32。1.用道路光谱特征和形状特征提取区域信息刘玉芳 26（2005）使用纹理特征提取城镇土地的信息。本质上是利用城市土地信息提取纹理特征的过程。首先，必须提取各类表面特征，纹理
