基于改进U-Net网络的城市道路提取方法研究

针对现有方法对高分辨率遥感图像的道路信息提取精度有限的问题,论文选用PyTorch作为深度学习框架,在卷积神经网络(CNN)的基础上选用U-Net模型进行改进,使用ResNet50残差模块替换原模型的卷积部分,增加模型感受野并解决梯度弥散问题,从而增加网络深度来提取目标的深层特征。实验部分使用南京玄武湖附近道路数据集作为马萨诸塞州道路数据集的补充,对比了不同道路场景下改进模型的提取效果,并利用准确率和召回率结合提取结果评价改进模型的性能,总结其适用的场景。实验结果显示,论文改进模型在马萨诸塞州道路数据集上的不同场景中的提取效果较好,而在分辨率更高的南京玄武湖附近道路数据集中的车辆或遮挡物较多路段,道路提取结果出现不连续现象。基于马萨诸塞州道路数据集,改进模型提取结果准确率约为0.8,召回率约为0.75。其中,相较于早期的U-Net网络结构,准确率提高48.14%,召回率提高19.04%;相较于近年有学者提出的改进TGCA-Net网络结构准确率提高19.40%,召回率持平。

结合尺度空间的面向对象高分辨率影像城市道路提取

基于遥感影像的城市道路提取对于城市建设、规划和地图更新等有重要意义。针对高分辨率遥感影像城市道路网的复杂性,结合尺度空间思想提出一种面向对象的城市道路自动提取算法。在此基础上,使用Canny算子获取像元簇梯度图,并进行标记分水岭分割得到区域对象;建立城市道路与几何、光谱特征相关的道路规则,从分割结果中筛选出道路区域对象;使用形态学方法提取道路区域的骨架,并对骨架进行连接、光滑等后处理,最后输出道路网提取结果。实验结果表明,该方法用于复杂城市道路的高精度自动提取,对城市道路网更新有一定参考意义。

高分辨率影像城市道路提取方法融合研究

提出一种先分割后聚类的道路提取方法,通过模糊积分的方法对多种尺度的道路提取结果进行融合研究。首先对影像进行多尺度超像素分割生成连续的不规则对象;再顾及光谱、形状和纹理特征进行SVM分类提取道路;最后对多种道路提取结果进行处理。实验结果表明该方法能够较为完整、准确地提取出高分辨率影像上的道路信息,可为城市高分影像道路快速提取提供一定的参考。

一种形态重建的遥感影像城市道路提取方法研究

以QuickBird多光谱影像为例,提出一种从高分辨率遥感影像中提取城市道路的方法。首先利用直方图均衡化对原始遥感影像作增强处理,突出影像的边缘信息。用Otsu自动阈值分割法对增强处理后的图像进行初步分割,提取出城市道路和房屋等建筑物。根据图像中各类要素的形态特征差别构建不同的标记图像,采用不同的结构元素构建道路模型,用该模型对阈值分割后的图像进行形态重构,分别提取出城市道路和建筑物。对形态重构生成的道路模块进行优化处理,提取出城市道路轮廓。实验结果表明,该方法能有效地从高分辨率遥感影像中提取出城市道路网。

城市道路的多特征多核SVM提取方法

针对高分辨率遥感影像中城市道路提取的复杂性及SVM的分类性能,提出了一种城市道路的多特征多核SVM提取方法。首先利用FCM算法将原始影像粗分为建成区和非建成区两类,剔除非建成区;然后根据分水岭分割算法分割建成区并提取分割对象的光谱特征与空间特征,以全局核函数和局部核函数加权组合的方式构建多核SVM对建成区进行二次分类,去除建成区中的建筑物等非道路信息;最后利用数学形态学处理,获得最终的道路提取结果。试验结果表明:文中所提方法能够较精确地提取城市道路信息,分类精度高于单核SVM提取及其他对比方法。