论文部分内容阅读
道路信息是信息时代的基础地理数据。在快速发展的高分辨率遥感技术和计算机技术的推动下,利用高分辨率遥感影像进行快速且高效的路网自动提取已成为当前遥感应用研究领域的热点和难点。针对遥感运用研究领域低等级道路提取问题,本文通过构建融合多个道路显著图实现了基于高分遥感影像的低等级道路信息自动提取。该算法一方面以简单的线性迭代聚类(SLIC0)分割得到的超像素为基础,分别构建道路先验知识显著图、形状显著图、延伸性显著图以及监督学习结果显著图。另一方面则通过融合道路显著图提取出道路信息并进行优化处理。本文主要工作内容如下:(1)对SLIC0分割后的地物超像素进行光谱、纹理特征的表征描述分析。以超像素为标记对象,依靠构建的地物可分离性特征集,利用支持向量机(SVM)监督分类提取道路超像素。重点统计分析了在引入的HSV颜色量化空间下低等级道路色彩的分布情况,发现95%以上的道路超像素分布在量化的灰度空间内。(2)分析了常用视觉显著性模型对于高分遥感影像中道路信息提取的适用性。视觉显著性模型常用先验知识中边界和局部对比度先验知识能够有效作用于道路显著图的构建。同时发现在常用视觉显著性模型中谱残差(SR)算法能够有效筛选出部分非道路信息。(3)依靠道路自身视觉特征构建多个道路显著图。在边界先验知识分析下构建基于背景信息的显著图,同时融合局部对比度先验知识下构建的反映上下文差异的局部信息显著图从而得到先验知识显著图;在超像素聚类下分析了多个显著道路区域形状特征的参数并融合构建道路形状显著图;为显著贴合道路两边边缘的道路超像素,对每个超像素按照相似度进行延伸,在多边缘参数描述融合下构建了道路延伸性显著图。构建的显著图从多角度且有针对性地对道路信息进行显著。(4)多特征规则下干扰超像素筛选后的道路提取与优化处理。针对多维特征描述下训练得到的道路结果部分缺失和识别错误问题,在干扰超像素剔除规则定义下构建SVM监督学习结果显著图。融合SVM监督学习结果显著图、道路先验知识显著图以及道路形状显著图后得到路网信息并进行孔洞填充、边缘优化以及区域连接。实验发现该算法针对低等级道路提取的F-measure值达到80%左右。