一种高分辨率遥感影像快速自动道路提取方法

从高分辨率遥感影像中提取城市道路的新方法周绍光;刘娟娟;陈仁喜【摘要】在综合几种现有算法优点的基础上,提出一种新的道路提取策略.首先以角度纹理特性法分割原始影像;接着利用直线匹配原理剔除初始分割结果中的非道路地物,得到更为规则的道路条带;然后通过形态学手段获得道路中心线,并将每条中心线拆分为多段直线;结合上下文知识的马尔可夫模型被用于组织道路段的中心线,从而恢复完整道路网.实验结果表明:新方法具有良好的性能,可以从高分辨IKONOS 遥感影像中提取出复杂的城市道路.【期刊名称】《计算机工程与应用》【年(卷),期】2010(046)032【总页数】4页(P216-219)【关键词】道路提取;角度纹理特性;直线匹配;马尔可夫随机场【作者】周绍光;刘娟娟;陈仁喜【作者单位】河海大学测绘工程系,南京,210098;河海大学测绘工程系,南京,210098;河海大学测绘工程系,南京,210098【正文语种】中文【中图分类】TP391.411 引言对道路提取方法的研究，已经有30多年的历史。

早期的研究主要是针对低、中分辨率影像，通常的方法都是假定道路为宽度等于一个到几个像素的线状特征。

这种类型的道路提取研究方法很多，如经典的Hough变换及各种改进方法[1-2]；基于幅度和梯度的相位编组方法[3]；还有需要先获取种子点的动态规划方法及蛇模型道路提取方法[4-5]等。

随着高分辨率卫星的不断发射升空，高分辨率遥感影像成为一种重要的数据源。

从高分辨率遥感影像中提取道路以更新GIS数据，成为新的研究热点。

Yongguan Xiao[6]等人提出基于边缘平行线的提取方法。

贾承丽等人[7]提出了一种在SAR图像中自动提取道路的方法。

该方法首先对图像进行相干斑抑制，然后提取图像上的线特征；继而利用遗传算法进行连接；最后用蛇模型调整候选道路段的位置，并根据线特征幅度图对候选道路段进行鉴别，并试验验证了算法的有效性。

不过，更多的研究者则希望先将道路从背景中分割出来，再对分割后的粗糙道路条带进行处理来获取完整道路。

基于遥感影像的道路边缘提取方法设计遥感影像道路边缘提取方法是地理信息系统和计算机视觉领域中的一个重要问题。

道路边缘提取方法可以应用于交通规划、智能驾驶、城市规划等领域。

在这篇文章中，我们将介绍一种基于遥感影像的道路边缘提取方法设计。

首先，我们需要获取高分辨率的遥感影像数据。

可以使用卫星图像、无人机图像或者航空影像等不同的遥感数据源。

这些数据应当包含大量的道路图像，以便我们能够从中提取道路边缘信息。

接下来，图像预处理是道路边缘提取的重要步骤。

主要包括去噪、灰度化、图像增强等操作。

去噪操作可以通过应用高斯滤波器或者中值滤波器来实现。

灰度化操作将彩色图像转换为灰度图像，简化了后续算法的计算复杂度。

图像增强可以通过直方图均衡化或者对比度增强等方法来增强图像的可见性。

在预处理之后，我们可以使用边缘检测算法来提取道路边缘。

常用的边缘检测算法有Canny算法、Sobel算法和Laplacian算法等。

这些算法可以通过对图像梯度或者二阶导数进行计算，来检测出像素值发生剧烈变化的位置，从而找到道路的边缘。

然而，传统的边缘检测算法通常会受到光照、噪声等因素的干扰，容易产生边缘断裂、无关边缘等问题。

因此，我们可以结合机器学习算法来提高道路边缘的准确性和稳定性。

可以训练一个基于深度学习的神经网络模型，使用标注好的道路边缘数据来进行模型训练，并通过该模型来对未知图像进行道路边缘的推断。

常用的深度学习模型有卷积神经网络（CNN）、循环神经网络（RNN）等。

另外，为了提高道路边缘提取的效果，我们还可以加入其他信息来辅助边缘提取，例如地理信息、交通标志等。

通过将这些信息与遥感影像数据进行融合，可以提高道路边缘的定位和精度。

最后，在道路边缘提取完成之后，我们还需要进行边缘的后处理。

常用的后处理方法有边缘连接、边缘平滑等。

边缘连接可以将离散的边缘点连接成边缘线，边缘平滑可以通过滤波或者插值等方法来去除不连续性和噪声。

总结起来，基于遥感影像的道路边缘提取方法设计主要包括图像预处理、边缘检测、机器学习算法、辅助信息融合和后处理等步骤。

高分辨率遥感影像的地物提取随着现代科技的发展，高分辨率遥感影像的应用越来越广泛，除了科研和监测用途，它还广泛应用于城市规划、自然资源管理、气候变化监测、国土安全等领域。

在遥感影像中，地物提取是一项重要的任务，该任务旨在从遥感影像中自动或半自动地提取感兴趣的地物，如建筑物、道路网络、森林等。

本文将探讨高分辨率遥感影像的地物提取技术。

一、遥感影像与地物提取遥感影像是指使用高分辨率卫星、航空器或无人机拍摄的图像，可以提供广阔的范围和多光谱相交的信息。

遥感影像可以捕捉地表的不同特征，如植被、土壤、建筑物等。

然而，遥感影像并不直接提供地物信息，因此需要对遥感影像进行地物提取。

地物提取是从遥感影像中自动或半自动地识别和提取地物的过程。

它是实现遥感应用的重要基础，如土地利用、资源管理、环境研究等。

在过去，地物提取主要基于人工解释和数字化，随着计算机技术的进步和遥感数据量的增加，由算法自动或半自动地提取地物的方法得到广泛应用。

二、高分辨率遥感影像的地物提取方法高分辨率遥感影像相对于低分辨率遥感影像存在较大差异，因此其地物提取方法也有所不同。

通常，高分辨率遥感影像的地物提取方法主要分为基于像素和基于对象两种。

1. 基于像素的地物提取基于像素的地物提取方法通常将像素分类为地物和非地物，其步骤包括：1）特征提取：通常采用灰度、纹理、形状、方向、局部二值模式等特征提取方法。

2）分类方法：包括二元分类和多元分类。

二元分类通常采用最大似然估计、支持向量机等方法。

多元分类可以使用决策树、随机森林等方法。

基于像素的地物提取方法的优点是运算速度快，可以提防噪声和光照等干扰因素，缺点是无法对地物形状和空间分布进行准确的提取。

2. 基于对象的地物提取基于对象的地物提取方法通常将遥感影像分割成不同的对象，再将对象分类为地物和非地物，其步骤包括：1）图像分割：通常采用区域生长、标度空间分割等方法将遥感影像分割成不同的对象。

2）特征提取：通常采用形状、纹理、对称性、光谱等特征提取方法。

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201911209125.4(22)申请日 2019.11.30(71)申请人 武汉汉达瑞科技有限公司地址 430000 湖北省武汉市东湖开发区关山大道1号光谷软件产业园4.1期E3栋1001室(72)发明人 胡翔云　魏域君　李小凯　邓凯　王有年　(74)专利代理机构 武汉蓝宝石专利代理事务所(特殊普通合伙) 42242代理人 王振宇(51)Int.Cl.G06K 9/00(2006.01)G06K 9/62(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)(54)发明名称一种遥感影像道路提取方法及系统(57)摘要本发明实施例提供了一种遥感影像道路提取方法及装置，方法包括：基于训练后的深度卷积神经网络，预测道路节点以及各节点之间的连接性，所述深度卷积神经网络是对已标注真实道路区域的高分辨率遥感影像进行有监督训练得到的；基于所述道路节点以及各节点之间的连接性，恢复道路拓扑结构，以重建道路网。

本发明实施例提供的基于一种遥感影像道路提取方法及装置，对连接性强的节点之间进行连接，显著的提升了提取道路的连续性，且本发明对于细小道路和较宽道路生成的道路节点显著性图和连接性图没有差别，在训练时是同等对待的，在细小道路提取上效果较好，显著提高了最终得到的道路提取结果的精度。

权利要求书2页 说明书8页 附图2页CN 111126166 A 2020.05.08C N 111126166A1.一种遥感影像道路提取方法，其特征在于，包括：基于训练后的深度卷积神经网络，预测道路节点以及各节点之间的连接性，所述深度卷积神经网络是对已标注真实道路区域的高分辨率遥感影像进行有监督训练得到的；基于所述道路节点以及各节点之间的连接性，恢复道路拓扑结构，以重建道路网。

2.根据权利要求1所述的遥感影像道路提取方法，其特征在于，所述基于训练后的深度卷积神经网络，预测道路节点以及各节点之间的连接性，包括：预测与原始影像尺寸相同的道路节点显著性图和节点连接性图；基于非极大值抑制法，从所述道路节点显著性图中提取道路节点；根据已提取的道路节点和所述节点连接性图，预测道路节点之间的连接性。

高分辨率遥感影像道路提取方法综述随着遥感技术的不断发展，高分辨率遥感影像已经成为获取地表信息的重要手段之一。

在城市规划、交通规划、环境监测等方面，道路信息是其中非常重要的一部分。

因此，高精度的道路提取方法在这些领域中具有重要的应用价值。

本文将综述当前常见的高分辨率遥感影像道路提取方法。

1. 基于像素的方法基于像素的方法是最基础的道路提取方法，它通过分析像素的灰度值和纹理来识别道路。

常见的像素级道路提取方法包括阈值分割、边缘检测和纹理分析等。

这些方法简单易懂，但是对于复杂的道路环境，其精度和鲁棒性会受到影响。

2. 基于特征的方法基于特征的方法是在像素级道路提取方法的基础上发展而来的。

它不仅考虑像素的灰度值和纹理，还考虑道路的形状、方向、宽度等特征。

常见的基于特征的道路提取方法包括形态学滤波、直线检测、区域生长等。

这些方法能够提高道路提取的精度和鲁棒性，但是需要进行大量的参数调整和图像前处理。

3. 基于深度学习的方法近年来，随着深度学习技术的发展，基于深度学习的道路提取方法也逐渐成为研究热点。

它不需要复杂的图像前处理和参数调整，只需要通过大量的训练数据进行模型训练即可。

常见的基于深度学习的道路提取方法包括卷积神经网络、循环神经网络、条件随机场等。

这些方法在道路提取方面取得了很好的效果，但是需要大量的训练数据和计算资源。

综上所述，高分辨率遥感影像道路提取方法包括基于像素的方法、基于特征的方法和基于深度学习的方法。

不同的方法有不同的适用范围和优缺点，需要根据实际情况选择合适的方法。

在未来的研究中，应该结合多种方法，以达到更高的精度和鲁棒性。

基于深度学习的高分辨率遥感影像道路自动提取研究1. 引言1.1 研究背景和意义随着遥感技术的飞速发展，高分辨率遥感影像已经成为地理空间信息获取的主要手段。

从高分辨率遥感影像中自动提取道路信息，对于城市规划、交通管理、灾害监测等领域具有重要的应用价值。

然而，传统的基于图像处理的方法在道路提取中往往受到噪声、阴影、光谱变异等因素的干扰，难以实现高精度、高效率的自动提取。

深度学习技术的兴起为遥感影像道路自动提取提供了新的解决方案。

通过深度学习模型的学习和优化，可以从复杂的遥感影像中准确地提取出道路信息，大大提高了道路提取的精度和效率。

1.2 国内外研究现状国内外学者在基于深度学习的遥感影像道路提取方面进行了大量的研究。

早期的研究主要集中在利用卷积神经网络（CNN）进行道路提取，通过设计不同的网络结构和训练策略来提高提取精度。

近年来，随着全卷积网络（FCN）和U-Net等模型的提出，研究者开始尝试利用这些模型进行遥感影像的道路提取，取得了显著的效果。

此外，还有一些研究将深度学习与其他技术相结合，如条件随机场（CRF）、图模型等，以进一步提高道路提取的准确性。

1.3 研究目标和方法本文的研究目标是基于深度学习技术，设计并实现一种高精度、高效率的高分辨率遥感影像道路自动提取方法。

为实现这一目标，本文将采用以下研究方法：首先，对高分辨率遥感影像进行预处理，包括辐射定标、大气校正、正射校正等步骤，以提高影像质量；其次，设计一种基于深度学习的道路提取模型，通过大量的训练数据对模型进行训练和优化；最后，对提取结果进行后处理和优化，以提高道路提取的准确性和完整性。

2. 高分辨率遥感影像数据预处理2.1 数据来源和特性本文所采用的高分辨率遥感影像数据主要来源于卫星遥感平台。

这些数据具有高空间分辨率、多光谱特性和丰富的地物信息。

然而，由于受到大气条件、传感器误差等因素的影响，原始遥感影像往往存在辐射失真、几何变形等问题，需要进行预处理以消除这些影响。

从高分辨率遥感影像中提取城市道路的新方法摘要：道路是城市交通的重要组成部分，如何高效地从遥感影像中提取道路信息一直是遥感图像处理中的研究热点。

本文提出了一种基于卷积神经网络和局部特征的新方法，实现了对高分辨率遥感影像中道路的自动提取和识别。

该方法在多个数据集上进行了测试和验证，结果表明其具有较高的准确性和鲁棒性，可为城市规划和交通管理等领域提供有效的支持。

关键词：遥感影像，道路提取，卷积神经网络，局部特征，城市规划一、引言随着城市化进程的不断推进，城市交通问题日益突出，道路建设和交通管理也成为城市规划和管理的重要任务。

遥感技术作为一种非接触式、高效率的信息获取方式，已被广泛用于城市规划和交通管理中。

而道路作为城市交通的重要组成部分，如何高效地从遥感影像中提取道路信息一直是遥感图像处理中的研究热点。

传统的道路提取方法主要基于图像处理和计算机视觉技术，如边缘检测、形态学变换、区域生长等。

然而，这些方法往往受到遥感影像本身的特点、光照条件、遮挡等因素的影响，容易出现漏检、误检等问题。

因此，如何提高道路提取的准确性和鲁棒性，成为当前道路提取研究的重要方向。

近年来，深度学习技术的发展为道路提取带来了新的思路和方法。

卷积神经网络（CNN）是深度学习的重要组成部分，其具有自动特征提取、端到端训练等优势，已被广泛用于图像分类、目标检测等领域。

在道路提取方面，CNN也被应用于道路提取模型的设计和训练中，取得了不错的效果。

然而，基于CNN的道路提取方法仍存在一些问题。

一方面，CNN需要大量的训练样本和计算资源，训练过程复杂，容易出现过拟合等问题。

另一方面，遥感影像中的道路具有多样性、复杂性和不规则性，对于CNN的特征提取和分类能力提出了更高的要求。

因此，如何进一步提高CNN在道路提取中的性能，成为当前道路提取研究的重要问题。

本文提出了一种基于卷积神经网络和局部特征的新方法，实现了对高分辨率遥感影像中道路的自动提取和识别。

从高分辨率遥感影像中提取城市道路的新方
法
高分辨率遥感影像在城市规划和交通管理中发挥了至关重要的作用。

然而，在这些影像中提取城市道路依然是一项具有挑战性的任务。

本
文将介绍一种新方法，该方法可以在高分辨率遥感影像中准确地提取
城市道路。

第一步：影像预处理
首先，需要对影像进行预处理，以减少噪音和消除不必要的信息。

这
涉及到影像增强和过滤。

影像增强可以提高影像中的对比度和清晰度，使道路更加明显。

过滤可以去除不相关的信息，如树木和建筑。

第二步：图像分割
图像分割是将图像划分为多个区域的过程。

通过对影像进行图像分割，可以更好地识别道路区域。

目前，常用的图像分割算法包括基于边缘
检测的方法、阈值化方法和区域生长方法等。

第三步：提取道路特征
提取道路特征是指在分割后的图像中标记和提取道路的像素，以求得
道路的几何和拓扑特征。

这可以通过多种方法实现，如基于形态学操
作的方法、基于纹理的方法等。

第四步：道路拟合和重建
最后，需要对提取的道路特征进行拟合和重建。

道路拟合是基于检测
到的道路特征生成道路中心线的过程。

道路重建是基于检测到的道路
特征重建整条道路的过程。

这可以通过多种数学模型来实现，如三次
B样条曲线等。

总结：
该新方法以高分辨率遥感影像为主要数据来源，采用图像处理、图像
分割、道路特征提取、道路拟合和重建等技术手段，实现了准确地提
取城市道路。

该方法在城市规划和交通管理等领域具有重要应用价值。

第４６卷　第４期２０２４年４月系统工程与电子技术ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓＶｏｌ．４６　Ｎｏ．４Ａｐｒｉｌ２０２４文章编号：１００１ ５０６Ｘ（２０２４）０４ １１６７ ０７　网址：ｗｗｗ．ｓｙｓ ｅｌｅ．ｃｏｍ收稿日期：２０２３０１１９；修回日期：２０２３０４０７；网络优先出版日期：２０２３０５１９。

网络优先出版地址：ｈｔｔｐ：∥ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／１１．２４２２．ＴＮ．２０２３０５１９．１３３６．００６．ｈｔｍｌ基金项目：自然资源部矿山地质灾害成灾机理与防控重点实验室项目（２０２２ ０８）；陕西省自然科学基础研究计划（２０２３ ＪＣ ＱＮ ０２９９）；中央高校基本科研业务费（ＸＪＳ２２１３０７）资助课题 通讯作者．引用格式：陈雪梅，刘志恒，周绥平，等．基于ＨＲＮｅｔ的高分辨率遥感影像道路提取方法［Ｊ］．系统工程与电子技术，２０２４，４６（４）：１１６７ １１７３．犚犲犳犲狉犲狀犮犲犳狅狉犿犪狋：ＣＨＥＮＸＭ，ＬＩＵＺＨ，ＺＨＯＵＳＰ，ｅｔａｌ．Ｒｏａｄｅｘｔｒａｃｔｉｏｎｆｒｏｍｈｉｇｈ ｒｅｓｏｌｕｔｉｏｎｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓｂａｓｅｄｏｎＨＲＮｅｔ［Ｊ］．ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓ，２０２４，４６（４）：１１６７ １１７３．基于犎犚犖犲狋的高分辨率遥感影像道路提取方法陈雪梅１，２，刘志恒１，２， ，周绥平１，余　航１，刘彦明１（１．西安电子科技大学空间科学与技术学院，陕西西安７１０１２６；２．自然资源部矿山地质灾害成灾机理与防控重点实验室，陕西西安７１００５４） 摘　要：高分辨率遥感影像中，传统的道路提取方法存在着精度低、鲁棒性低的问题，提出基于高分辨率网络（ｈｉｇｈ ｒｅｓｏｌｕｔｉｏｎｎｅｔ，ＨＲＮｅｔ）实现高分辨率遥感影像道路分割。

对ＨＲＮｅｔ进行改进，将相同分辨率的ＨＲＮｅｔ子网的输出与输出层结果进行拼接并输入非局部块，两个损失函数Ｃｒｏｓｓ ｅｎｔｒｏｐｙＬｏｓｓ和ＤｉｃｅＬｏｓｓ用来解决道路数据集样本不平衡问题。

从高分辨率遥感影像中提取城市道路的新方法近年来，随着高分辨率遥感技术的不断发展，从高分辨率遥感影像中提取城市道路一直是遥感领域的一个重要研究课题。

传统的提取方法主要基于图像分割、特征提取和分类等技术，然而由于城市道路的复杂性和多样性，这些方法存在着一些局限性。

为了克服传统方法的局限性，近年来提出了一些新的方法。

一种新的方法是基于深度学习的城市道路提取方法。

深度学习是一种模仿人类神经系统的机器学习方法，它通过多层的神经网络来学习输入数据的高级特征。

通过深度学习，可以利用大量的遥感影像数据进行训练，从而有效地提取城市道路。

该方法首先利用卷积神经网络（CNN）来提取遥感影像中的特征，然后采用全卷积神经网络（FCN）将特征图分割为像素级别的道路和非道路区域。

接着，在全卷积神经网络的基础上，利用条件随机场（CRF）对像素进行细化和改进，以进一步提升道路提取的精度。

另一种新的方法是基于生成对抗网络（GAN）的城市道路提取方法。

生成对抗网络是一种包含生成器和判别器的对抗模型，在训练过程中，生成器和判别器相互竞争和博弈，以提高生成器生成样本的质量。

通过生成对抗网络，可以利用已知的道路样本生成更多的道路样本，从而扩充训练数据集，并提升道路提取的准确性和鲁棒性。

此外，还有一些新的方法结合了传统方法和深度学习方法，以提高城市道路提取的效果。

例如，可以通过形态学操作来改善传统方法中的道路分割结果，然后再利用深度学习方法对分割结果进行进一步的优化和改进。

总之，从高分辨率遥感影像中提取城市道路的新方法主要包括基于深度学习的方法、基于生成对抗网络的方法以及结合传统方法和深度学习方法的方法。

这些方法在提高道路提取的精度和鲁棒性方面取得了一定的成果，但仍需要进一步的研究和改进。

未来，随着遥感技术的进一步发展和深度学习算法的不断优化，将有更多更有效的方法被提出来。

第33卷第6期2010年12月测绘与空间地理信息G E O M A TI C S＆sPA T I A L l N FO R M A Tl oN TE C H N ol JoG YV01．33．N o．6D ee．，2010一种新的高分辨率遥感图像道路提取方法王振国1，万幼川1，毛虎2(1．武汉大学遥感信息工程学院，湖北武汉430079；2．烟台市开发区国土资源局，山东烟台264006)摘要：根据高分辨率遥感影像中道路宽度变化均匀、局部方向稳定等几何特征，提出了一种基于距离约束的高分辨率影像道路的提取方法。

该方法根据图像相邻边缘像素闯的距离值，依次提取道路边缘像素和道路曲线段，然后编组连接各个道路段，实现道路提取。

关键词：高分辨率遥感影像；道路提取；间距矩阵中图分类号：T P75文献标识码：B文章编号：1672—5867(2010)06—0149—03AN ew M et hod of E xt r act i ng R oa d f r om H i gh—r e sol ut i onR e m ot e Sens i ng I m a geW A N G Z hen—gu01，W A N Y o u—ch uan l，M A O H u2(1．S c hool of R e m ot e Se n s i ng an d I nfor m at i on E ngi neer i ng，W uhan U ni ver s i t y，W uhan430079，C hi na；2．L a nd R es o ur ce B ur e au of D evel o pm ent Z o ne i n Y ant a i，Y a nt ai264006，C hi na)A b s t r ac t：A c cor di ng t o t he ge om et r i c char a ct er i st i c s of hi l gh—r esol ut i on r em ot e se ns i ng i m a ge suc h as t he uni f or m of c h a ng e i n t he w i dt h and t he s t ab i l i t y of t he l ocal or i e nt at i on of t he r oad，t hi s paper pr esent s an a p pr o a ch t o ext r act r oa ds bas e d o n di st anc e co n-st r ai nt s．A cco r di ng t o t he di st anc e bet w ee n adj ace nt edge pi xel s i n t he i m a ge，sequ ent i al l y t he e xper i m ent s ext r act e dge pi xel s and r o ad c u r ve se gm ent s，m ar s ha l l i ngand l i nk t h ose C H I V e se gm ent s and get t he r o ad ex t r ac t ed f i nal l y．T he e xper i m ent s i ndi c at e t h at t he pr o pos ed a p proa ch i sef fi ci ent f or ext r ac t i ng r oa d f r omr em ot e se ns i ng i m age．K e y w or ds：hi gh—r esol ut i on r em ot e se ns i ng i m a g e；r o a d ext r act i on；d i st an ce m at r i xO引言20世纪90年代以来，随着卫星技术的发展，遥感图像逐渐成为道路提取的重要数据来源。