共查询到16条相似文献，搜索用时 140 毫秒
1.
为了解决高分辨率遥感影像道路交叉口位置检测与类型识别问题,提出了一种基于可变形部件模型的道路交叉口检测方法。首先,分析了道路交叉口在高分辨率遥感影像上的表征形式;然后,借鉴面向对象的思想,利用可变形部件模型,通过训练和学习其整体和部件组成的空间布局特征获取目标对象模型参数;最后,通过滑动窗口搜索匹配方法获取道路交叉口位置和其对应的类型。由仿真与实验结果可知,此算法不仅能够自动、准确地检测道路交叉口的几何位置,而且能够识别其几何形状类型,可有效提高道路网络拓扑结构构建效率。 相似文献
2.
针对遥感影像道路中心线提取问题,提出利用方向纹理特征辅助道路中心线匹配搜索的思想,以人工给出的道路种子点和初始搜索方向为基础,运用方向纹理特征直接从遥感影像上匹配搜索道路的中心线。算法通过预测道路的宽度、弯曲等情况来自动调整纹理窗口的大小,因而能够很好地搜索到道路中心线,此外算法针对树木遮挡、车辆压盖设计了相应的处理策略。实验表明:该方法对遥感影像上不同类型道路均有很好的提取效果,且提取效率高于现有的道路提取算法。 相似文献
3.
针对高分辨率SAR影像道路交叉口提取易受周围地物干扰的问题,设计了一种利用三角形检测模型提取道路交叉口的方法。该方法首先采取滤波与锐化消除道路交叉口区域噪声点并凸显道路边缘;接着根据灰度特征,通过形态学运算确定道路交叉口候选区域;最后在候选道路交叉口区域运用三角形检测模型,确认道路交叉口。使用3 m Tan DEM-X数据进行实验,结果证明算法对各种常见二维道路交叉口模型均有较好识别效果。 相似文献
4.
针对高分辨率遥感影像中道路交叉口难以用固定几何和光谱特征描述的问题,该文提出了一种基于像元结构指数的交叉口提取方法。采用自适应光谱异质性阈值来提取像元形状特征,较好地适应了不同交叉口之间的场景特征差异;构建了像元形状与交叉口结构的量化映射关系,赋予特征语义信息,从而保证了提取结果的合理性。基于城区复杂场景高分遥感影像的交叉口提取实验表明:所提方法能够准确定位交叉口中心点,并检测道路交叉结构;另外,该方法对于交叉口支路发生变化的情况也具有适用性,定性与定量分析表明了该文方法的有效性。 相似文献
5.
针对传统的遥感影像数据库中影像特征匹配效率低下的问题,该文提出一种基于多尺度模型的数据库影像特征匹配方法。为遥感影像数据库构建多尺度模型,能较高效率地在数据库中快速定位候选的匹配影像;基于搜索得到的候选影像,采用快速排序算法逐层筛选最佳匹配影像,从而实现了数据库匹配影像的精确定位。实验结果表明:所提算法不仅能高效地完成影像间特征点匹配运算,还能从数据库中精确地筛选得到最佳的匹配影像;且随着数据库中影像总数的增加,该方法的优势表现得更加明显。这一研究将为遥感影像数据库的高效、实时及动态匹配提供可能性。 相似文献
6.
10m级分辨率卫星影像道路语义模型研究 总被引：1，自引：1，他引：0
道路模型是遥感影像自动/半自动道路提取中重点研究的内容。本文首先介绍了传统的影像道路模型并指出其中不足,从语义的角度阐述了建立道路语义模型的必要性,概述了10m级分辨率卫星遥感影像道路的表现特征,分析了遥感影像道路提取涉及的各层次语义信息,建立了面向10m级分辨率卫星遥感影像的道路语义模型,详细阐述了语义模型的实现过程。将语义模型应用于笔者开发的遥感影像道路提取系统,通过新疆阿图什Spot5多光谱遥感影像道路提取试验,验证了道路语义模型的有效合理性。 相似文献
7.
《国土资源遥感》2016,(1)
道路交叉口是道路网络(简称路网)的重要组成元素,获取道路交叉口对提取路网信息、影像匹配和车辆导航等有重要作用。然而,基于遥感图像对道路交叉口自动提取的研究尚不多。针对高分辨率遥感图像中道路交叉口的特点,提出一种自动识别道路交叉口的方法。在图像预处理的基础上,首先对图像进行多尺度圆形均匀区检测,使用梯度变换和形态学变换提取可能存在道路交叉口的候选区;然后对候选区进行特征提取和进一步筛选,得到候选道路交叉口的位置中心;最后提取位置中心的角度纹理信息,通过波谷检测判断其连接属性,识别出道路交叉口。结果表明,该方法能有效提取出城市地区的道路交叉口,对于较复杂地区的道路交叉口提取也有一定的效果。 相似文献
8.
多特征约束的高分辨率光学遥感影像道路提取 总被引：1，自引：1，他引：0
针对复杂场景中的遥感影像道路提取问题,论文提出了一种多特征约束的影像道路提取方法,并开展了论文方法可行性论证。该方法首先,根据道路宽度的先验知识以及道路的几何特征,提出一种改进的线段二次提取模型,利用线段长度和道路宽度确定候选道路种子点集;其次,输入道路结构信息,基于道路辐射特征对候选道路种子点进行整体匹配评价;再次,当候选道路种子无法符合辐射特征要求时,提出一种浅色机动车检测模型,以此将浅色机动车结果作为道路上下文特征,利用道路上下文特征对候选道路种子点进行分析;然后,构建道路拓扑分析模型,依据道路拓扑特征对候选道路种子点进行最终验证;最后,对提取道路种子点进行优化处理,并提出道路跟踪及拟合方法。通过不同复杂场景、不同分辨率高分辨率遥感影像下开展的不同方法实验结果对比分析表明,相对于其他商用软件ECognition和Erdas的方法,本方法自动化程度更高,运行效率高,适用于解决道路类型多样化、几何光谱噪声大的复杂场景道路提取问题。 相似文献
9.
基于Encoder-Decoder网络的遥感影像道路提取方法 总被引：2，自引：2，他引：0
针对道路目标特点,设计实现了用于遥感影像道路提取的Encoder-Decoder深度语义分割网络。首先,针对道路目标局部特征丰富、语义特征较为简单的特点,设计了较浅深度、分辨率较高的Encoder-Decoder网络结构,提高了分割网络的细节表示能力。其次,针对遥感影像中道路目标所占像素比例较小的特点,改进了二分类交叉熵损失函数,解决了网络训练中正负样本严重失衡的问题。在大型道路提取数据集上的试验表明,所提方法召回率、精度和F1-score指标分别达到了83.9%、82.5%及82.9%,能够完整准确地提取遥感影像中的道路目标。所设计的Encoder-Decoder网络性能优良,且不需人工设计提取特征,因而具有良好的应用前景。 相似文献
10.
11.
遥感影像数据与地理信息系统（geographic information system,GIS）矢量数据的配准是遥感与GIS集成的基础。目前遥感影像与矢量数据的配准关键在于遥感影像特征的提取,而现有遥感影像特征提取方法存在特征提取不完整、配准失败和精度不高等问题。由此提出了一种基于Mask R-CNN（region-based convolutional neural network）的遥感影像与矢量数据配准方法,首先,利用Mask R-CNN模型提取影像的道路交叉口作为影像控制点; 然后,依据几何拓扑关系筛选矢量数据道路交叉口作为矢量控制点,再根据遥感影像与矢量数据控制点的欧氏距离确定同名控制点;最后,以同名控制点为基础实现遥感影像与矢量数据的配准。选取上海市矢量数据和高分二号影像数据进行配准实验,实验结果表明, 所提方法鲁棒性强、精度高。 相似文献
12.
13.
矢量数据辅助的高分辨率遥感影像道路自动提取 总被引：1，自引：0，他引：1
高分辨率遥感影像上细节信息繁杂、干扰物普遍存在,对其进行自动化道路识别与提取的相关研究仍处在探索阶段。在道路提取过程中引入矢量数据辅助,可解决初始信息获取的困难,得到可靠性较强的训练样本。为此,提出一种矢量数据辅助下的道路提取方法,能够筛选出矢量数据中包含的有效信息,引导实现对高分辨率遥感影像的道路自动提取。利用Mean-shift滤波对图像进行预处理后,首先从矢量数据获取候选种子点,并通过提炼同质区域的形状特征剔除错误候选点;然后,自动获取负样本点以进行朴素贝叶斯分类,并采用邻域质心投票算法从分类影像提取道路中心线;最后,结合像素跟踪与方向判断矢量化道路中心线,并提出一种基于矢量几何分析的断线连接与毛刺剔除方法,对提取结果进行信息修复与规整、优化。实验结果显示,该算法的提取质量达到80%以上,且具备较强的稳健性,能够适应具有不同道路辐射和分布特征的高分辨率遥感影像。 相似文献
14.
多模态遥感影像间（光学、红外、SAR等）存在显著的非线性辐射差异，传统方法难以有效地提取影像间的共有特征，匹配效果不佳。鉴于此，本文将深度学习方法引入影像匹配中，提出了一种基于Siamese网络提取多模态影像共有特征的匹配方法。首先通过去除Siamese网络中的池化层和抽取特征来优化该网络，保持特征信息的完整性和位置精度，使其可有效地提取多模态影像间的共有特征，然后采用模板匹配策略，实现多模态遥感影像高精度匹配。通过利用多组多模态遥感影像进行试验，结果表明，本文方法的匹配正确率和匹配精度都优于传统的模板匹配方法。 相似文献
15.
众源车辆轨迹数据隐含最新的道路分布信息,研究利用轨迹数据提取道路特征有益于基础路网数据的快速建库与更新。道路网由交叉口和连接交叉口的道路线构成,其中交叉口特征识别是整个道路网生成的关键。由于缺乏精细的交叉口识别模型,轨迹数据生成的道路网容易出现路口遗漏、结构失真等现象。针对这一问题,本文提出一种利用轨迹数据提取道路交叉口的方法。首先,分析车辆在交叉口与非交叉口区域移动轨迹几何形态及隐含动力学特征的变化情形;然后,利用决策树方法构建轨迹片段分类模型,并结合移动开窗式的轨迹线剖分模型建立交叉口区域变道轨迹片段提取方法;最后,依据Hausdorff距离对交叉口区域轨迹片段进行聚类,并提取中心线获得完整的道路交叉口结构。采用真实的车辆轨迹线作为测试数据,验证了本文提出方法的有效性。 相似文献
16.
道路信息自动化提取已经成为遥感领域热门的研究方向,而基于深度学习的遥感影像道路信息提取方法已经取得了许多成果。但由于受到网络中卷积和池化等操作的影响,基于深度学习的道路提取方法存在着空间特征和地物细节信息丢失等问题,造成许多误提现象。针对此问题,本文设计了一种改进的道路提取语义分割网络模型,该网络以改进的ResNet网络为主体,并引入坐标卷积和全局信息增强模块,用于增强空间信息和全局上下文信息的感知能力,突出道路边缘特征进而确保道路分类的精确性。本文方法在公开道路数据集和高分数据集上获得了显著的提取效果,与其它方法相比取得了明显提高;并且,在一定程度上减少了树木、建筑阴影等自然场景因素遮挡的影响,可以完整准确地提取出道路;此外,模型对多尺度道路也可以实现有效地提取。 相似文献