遥感影像道路网自动提取的研究_李燕

ISSN100029825 Jou rnal of Softw are　软件学报2000,11(7):957～964从航空遥感图像中自动提取主要道路Ξ文贡坚　王润生(国防科学技术大学A TR国防科技重点实验室　长沙　410073)E2m ail:rs w ang@摘要　如果能自动地从航空遥感图像中提取出道路网,将会简化城市地物目标的分类和测量过程.该文根据城市主要道路在图像中的特性进行了模型化处理,进而提出了基于直线的、自动提取的方法.算法重点考虑到成像过程中必然引入的各种噪声,用高斯分布函数模糊化直线参数,使提取具有良好的稳健性.算法中的参数选择都是通过理论分析所得,因此,提取过程实现了自动化.实验结果表明,该方法能够从实际航空遥感图像中提取出主要道路网.关键词　道路提取,直线提取,遥感图像分析,图像理解.中图法分类号　T P391随着计算机性能的提高以及图像理解技术的发展,可以利用计算机来提高城市地物目标测绘的自动程度,以便快速、及时地提供反映城市发展的数据.在城市地物目标的自动测绘中,关键问题是如何对各个目标进行分类、定位以及最后对其数据进行测量.由于城市中目标类很多,如建筑物、公园、运动场、空地、道路网等,且每个目标类结构复杂、形状各异,若采用从图像中逐个提取目标的方法,则既不科学,又难于实现.然而我们注意到,城市中的道路可以成为分析与解释城市的主要线索,城市中的道路网将其分成许多街区,每个街区中的地物目标分布常常是有规律的.因此,首先从城市遥感图像中提取出道路网,进而分析由其分割出的各街区,作相应的目标识别和测量,将会大大简化整个处理过程.如何在实际图像中检测道路,关键问题是建立合适的道路模型.城市中不同类型的道路应有不同的模型.目前,文献中一般认为道路路面上灰度分布比较均匀,因而从图像灰度特性出发,结合道路的几何特征来建立道路模型.基于这种模型的典型方法有相关跟踪法、边缘连接法[1]以及稳健估计的方法[2]等,它们大多采用半自动方式.Barzohar等人[3]提出了一种自动提取方法,他们根据道路应遵循的5个假设条件来建立道路几何统计模型,然后利用最大后验概率准则估计出道路的边缘和一些其他特征.这类模型比较适合于一般道路和城市中的小街道,但不适合于作为城市主要组成部分的主要道路(或称主干道).主干道的特点是路面上有许多对相互平行的直线,如在主干道路面上有许多分道线、交通管理线、车道线,它们使得路面上灰度分布不均匀,不适合前一种模型.在现有文献中很少见到自动提取这类道路的方法,本文将致力于研究这个问题.主要道路是一类复杂目标.复杂目标不同于一般刚体,它难以用固定的参数描述,只能用一些抽象的语句来描述.在设计识别算法时,应考虑如何用图像特征参数来证实模型中的抽象语句,故要设计一个万能的算法来完成大量复杂目标的识别是非常困难的.国内外关于识别复杂目标的论文不多[4,5],也没有系统地提出一套识别复杂目标的方案.通过查阅一些资料并结合多年研究的实践,我们认为,虽然难以设计一个具体算法去识别大量的复杂目标,但可以按统一的流程与思路来设计一类具体目标的识别方法[6,7]:(1)识别用的数据建立在中层描述符号上;(2)根据目标在人脑的印象并查看大量实际图像,总结目标在图像中的特性并由此抽象出目标的模型;Ξ本文研究得到国家863高科技项目基金(N o.8632308213202(4))资助.作者文贡坚,1972年生,博士生,主要研究领域为图像分析与理解,目标识别与测量.王润生,1941年生,教授,博士生导师,主要研究领域为图像分析与理解,信息融合.　本文通讯联系人:文贡坚,长沙410073,国防科学技术大学A TR国防科技重点实验室　本文1999203209收到原稿,1999206229收到修改稿(3)分析目标模型,确定识别目标所用的主要中层描述符号,挑选适合提取此符号的算法;(4)根据模型中的每一个条件,计算合适的特征参数来证实模型;(5)用实际图像验证算法,修改目标模型、算法以及一些参数.本文将具体按照上述流程来提取主要道路.本文第1节分析主要道路在图像中的特性及其模型.第2节根据主要道路的模型,以直线符号为基础设计了提取主要道路的算法.第3节给出实验结果以及结论.1　主要道路在图像中的特性及其模型在讨论之前,定义道路段为方向一致且连通的一段道路.依据大量的实际航空遥感图像和主要道路的结构,我们总结出主要道路在图像中的特性如下:(1)主要道路是相互连通的,且一幅图像覆盖的区域是有限的,因此每一道路段的两端只有两种情况,一种是与另一道路段相交,另外一种是延伸至图像的边界外;(2)每一道路段上至少存在一对与之方向一致,并贯穿整段街道的平行直线,这些直线一般是道路的边线、路面上的分道线以及车道线等;(3)在路面上存在少量与道路方向不太一致的直线,如与道路方向垂直的交通管理线等;(4)主要道路的路径较直,因此每一道路段的长度不会太短;(5)每一道路段路面宽度基本上一致;(6)道路两侧的树木、房屋的阴影、路面上的汽车等物体的遮挡,使得道路上的直线断开;(7)路面上各分道线、车轮线、交通线等的影响,使得路面上的灰度分布不均匀.根据主要道路在图像中的特性,我们抽象其模型为:(1)整个道路网由一些道路段相互连接而成;(2)每一道路段的模型为:①其长度均大于一门限,宽度一致;②路面上至少有一对贯穿其平行线段,但它们可能是间断的;③路面上灰度分布并不均匀.2　主要道路的提取方法根据主要道路的模型,它的提取过程大致分为两步:第1步提取各道路段;第2步连接道路段形成道路网.下面分别加以讨论.2.1　提取道路段提取道路段是整个算法的关键.根据道路段的模型,它在图像上主要表现为线性特征,故以直线为基础来设计算法.直线的提取由我们自行开发的图像符号化、特征提取工具系统[6]完成,这里,我们选用了相位编组法[8,9].整个算法的流程如图1所示.在图1中,L 为道路段模型要求其最短的长度.这样,它能贯穿子块图像的最大尺寸为L s ×L s ,其中L s =22×L .下面将表述算法中的两个主要部分.A .在每一子块图像提取道路段,图2为其整个流程图.A .1.将直线变换成极坐标表示.设子块图像大小为L r ×L c ,整个图像的中心为(x c ,y c ),直线两端点坐标为(x 1,y 1),(x 2,y 2)(如图3所示),—859—J ou rna l of S of t w a re 软件学报　2000,11(7)变换后直线由以下参数来描述:它到图像中心的距离d ,与水平方向的夹度Η,则有k =-(y 2-y 1)(x 2-x 1),　d = y c -y 1+k ×(x c -x 1) 1+k 2,　Α=a tan (k ),(1)a tan ()是反正切函数,返回值[0,Π).x cro ss =y c -y 1k +x 1,　Η=Α x cross >x c Α+Π　o therw ise .(2)A .2.将直线投影至极坐标系中.考虑到噪声和一些不确定因素的影响,提取直线的参数(d ,Η)将不精确,我们将这些参数模糊化成服从高斯分布的连续函数.假设子块图像共有K 条直线,对于第i (1≤i ≤K )条直线,其变换后参数为m d i ,m Ηi ,参数的方差与直线的长度有关[9],具体表达式如下:Ρd =C d ,ΡΗi =CΗl i ,(3)其中Ρd ,ΡΗi 分别为d ,Η的方差;C d ,C Η为常数;l i 为直线长度.则每一条直线在极坐标平面上投影为二维高斯函数:P i (d ,Η)=l i 2ΠΡd ΡΗi exp -12(d -m d i )2Ρ2d +(Η-m Ηi )2Ρ2Ηi .(4)为了数字化处理,应量化极坐标系,假设角度分辨率为∃Η,距离分辨率为∃d ,量化后其值为V i (m ,n ),则有V i (m ,n )=∫(m +12)∃d (m -12)∃d ∫(n +12)∃Η(n -12)∃ΗP i (d ,Η)d Ηd d ,0≤m ≤M ,0≤n ≤N ,(5)其中M =[d m ax ∃d ]+1,N =[2Π ∃Η]+1,[x ]表示不超过x 的最大整数,d m ax 为所有直线到中心距离的最大值.在极坐标中,每一点需计算以下数据:直线的投影值S (m ,n ),角度值Η(m ,n )和距离值D (m ,n ).S (m ,n )=∑K i =1Vi (m ,n ) Η(m ,n )=1S (m ,n )∑K i =1Vi (m ,n )m Ηi D (m ,n )=1S (m ,n )∑K i =1V i(m ,n )m d i .(6)A .3.检查极坐标平面上是否存在高值点.在划分图像时,要求子块图像能覆盖最短的道路段.因而若子块图像中存在候选道路段,则在极坐标平面上—959—文贡坚等:从航空遥感图像中自动提取主要道路存在一点,使得S (m ,n )≥T h ,其中(见附录):T h =C 1×C 2×L s C 1=12Π∫∃d 0exp -x 22Ρ2d d x C 2=12Π∫∃Η0exp -x 22Ρ2Ηd x,(7)我们称这样的点为高值点.A .4.以高值点为种子,填充极坐标平面,并计算其能量.在填充之前,先对S (m ,n )作一处理,令S (m ,n )=S (m ,n ),　S (m ,n )≥T l0, O therw ise ,(8)其中T l =0.5×T h .我们称S (m ,n )>0的点为贡献点,记与高值点相连通的贡献点区域为R ,则其能量为E R =∑R S (m ,n ).(9)A .5.判断区域R 是否为候选道路段,并计算道路段参数.理想道路段可以视为一对平行线段,它可以用下面几个参数来描述:线段与水平方向的夹角R oad Η,平行线段间的距离R oad D ,平行线段中心线到图像中心(x c ,y c )的距离R oad d ,道路段的长度R oad l 以及中心线两端点坐标(x s ,y s ),(x e ,y e ).它们的计算方法如下:R oad Η=1E R ∑RS (m ,n )Η(m ,n )R oad D =D m ax -D m inR oad d =(D m ax +D m in ) 2,(10)其中D m ax ,D m in 分别为区域R 中D (m ,n )的最大值和最小值.中心线两端点坐标是参数为(R oad d ,R oad Η)的直线与子块图像边界的交点,道路段的长度为R oad l =(x s -x e )2+(y s -y e )2.(11)根据道路段模型,路面上至少有一对贯穿其平行线段,因此,若区域R 为候选道路段,则要求E R ≥2.0×R oad l .(12)B.将子块图像中的道路段编组,形成候选道路段.图1是将原始图像划分成互不重叠的图像子块,这样会使处于子块图像交界处的短道路段不能被任何子块覆盖,因而不能够提取出该道路段.下面的方法可解决这一问题:在划分原始图像时,子块图像在长、宽上各覆盖一半,即如图4所示,先用实线划分图像,然后再用虚线划分.在A 部分中已经提取出各子块图像可能存在的道路段,并得到它们的参数,但它们大多是道路段中的一段,并非模型中所描述的道路段.要得到长道路段,需将各子块图像得到的道路段进行编组,使每一组对应于一条道路段,因此,编组的原则是:(1)它们的参数R oad Η和R oad d 应相近;(2)它们所在的子块图像相互连通.每一组道路段形成一条长道路段.长道路段的参数计算方法是:(1)R oad Η,R oad d 和R oad D 是通过组内各道路段对应参数由它们的能量E R 加权平均获得;(2)中心线两端点坐标是参数为(R oad d ,R oad Η)的直线与包含该组所有道路段所在子块图像的最小矩形的交点,其长度的计算见公式(11).2.2　连接道路段,形成道路网由上面得到的道路段,还存在两个问题:一个是一段长度大于L 的平行线对也将视为道路段;另一个是道路—069—J ou rna l of S of t w a re 软件学报　2000,11(7)段的两端点坐标求取不精确.要解决这些问题,需利用主要道路模型中要求各道路段是相互连通的这一条件.具体连接算法如下:(1)检查每一道路段的各个端点是否靠近图像边界,其准则是道路段中心线与图像边界的交点到最近一个端点的距离不大于L 2.若靠近边界,则将道路段该端点置上标志,并把该端点换成交点;(2)对于每一道路段,记与之相交的道路段数目为m .先将m 置为0,然后与其他道路段的中心线求交点,若交点离两道路段最近一端点的距离均不大于L 2(若交点夹在道路段两端点之间,则其距离为0),则将m 加1;(3)若道路段两端点均置上了标志,则它两端均靠近图像边界,为一道路段;(4)若道路段只有一个端点置上标志,且其参数m 小于1,则将它删除,并把与之相交的道路段的参数m 减1;(5)若道路段两个端点均未置上标志,且其参数m 小于2,则将它删除,并把与之相交的道路段的参数m 减1;(6)重复步骤(4)和(5),直到没有任何处理为止;(7)若道路段只有一个端点A 置上标志,且其参数m 大于0,则将它的另一端点置为离A 点最远的交点;(8)若道路段两个端点均未置上标志,且其参数m 大于1,则将道路段的两个端点置为相距最远的两个交点.3　实验结果及结论3.1　实验结果我们用国内某城市的航空遥感图像测试了本文提供的方法,下面给出一些主要的实验结果.在实验中,各参数选择一致,它们是L =400,C d =2.0,C Η=0.3,∃d =2.0,∃Η=2Π72.首先演示整个算法过程,如图5所示.其中,图5(a )是原始图像,尺寸为1340×884;图5(b )是从各子块图像中提取出的道路段,每一道路段由3条直线标示,两条边缘线(用白线标出)和一条中心线(用黑线标出);图5(c )是合并各子块图像中的道路段,形成长的候选道路段;图5(d )是连接道路段,形成道路网的结果,道路网用白色标出.为了使结果清楚,图5(b )和(c )的原始图像灰度压缩为32级.(a )(b )(c )(d )F ig .5　D emon strate the w ho le p rocess of th is algo rithm图5　演示整个算法过程如图6所示为大量图像的结果.图6(a )和(c )分别是一幅大小为1768×2680的图像,图6(b )和(d )分别是所提—169—文贡坚等:从航空遥感图像中自动提取主要道路取的道路网.(a )(b)(c )(d )F ig .6　R esu lts fo r som e large i m ages图6　对一些大图像的实验结果3.2　结　论本文提出了一种自动地从航空遥感图像中提取主要道路的方法.我们从图像的中层描述符号出发,根据主要道路在图像上的特性建立了其模型,并设计了一套完整的算法对其进行提取.从理论和实验结果可以看出,它有以下几个优点:(1)设计过程中综合考虑了主要道路的理想模型和实际情况中存在的种种干扰,因此适应范围较广;(2)通过模糊直线的参数,使算法对噪声不敏感;(3)各参数的选择是从理论分析所得,因而具有较高的自动性.这个算法不仅可以成功地用于自动检测城市中的主要道路,而且可以提取野外的高等级公路.参考文献1　N evatia R ,Babu K .L inear feature extracti on and descri p ti on .Computer Graph ics I m age P rocessing ,1980,13(3):257～269—269—J ou rna l of S of t w a re 软件学报　2000,11(7)2　N etanyahu N S ,Ph ilom in V ,Ro senfeld A et al .Robust detecti on of straigh t and circular road segm ents in no isy aeriali m ages .Pattern R ecogniti on ,1997,30(10):1673～16863　Barzohar M ,Cooper M.A utom atic finding of m ain roads in aerial i m ages by using geom etric stochastic models andesti m ati on .IEEE T ransacti ons on Pattern A nalysis M ach ine Intelligence,1996,18(7):707～7214　H uertas A ,Co le W ,N evatia R .D etecting runw ays in comp lex airpo rt scenes .Computer V isi on ,Graph ics ,and I m ageP rocessing ,1990,51(2):107～1455　H uertas A ,N evatia R .D etecting buildings in aerial i m ages .Computer V isi on ,Graph ics ,and I m age P rocessing ,1988,41(2):131～1526　W en Gong 2jian .R esearch on the new w ay to i m age analysis [M S T hesis ].Changsha :N ati onal U niversity of D efense T echno logy ,1997(文贡坚.图像分析新途径的研究[硕士学位论文].长沙:国防科学技术大学,1997)7　W ang R un 2sheng .I m age U nderstanding .Changsha :N ati onal U niversity of D efense T echno logy P ress ,1995(王润生.图像理解.长沙:国防科学技术大学出版社,1995)8　Burns J ,H anson A ,R isem an E .Extracting straigh t lines .IEEE T ransacti ons on Pattern A nalysis M ach ine Intelligence ,1986,8(4):425～4559　N acken P .A m etric fo r line segm ents .IEEE T ransacti ons on Pattern A nalysisM ach ine Intelligence ,1993,15(12):1312～1318附录设直线参数为(d ,Η),长度为l ,由上文中的公式(4)和(5)以及高斯函数的特性,V i (m ,n )在m =d ∃d +0.5,n =Η∃Η+0.5([x ]表示不超过x 的整数)时取到最大值,且其最大值为V i (m ,n )m ax =C 1×C 2×lC 1=12Π∫(m +12)∃d -d (m -12)∃d -d exp -x 22Ρ2d d x C 2=12Π∫(n +12)∃Η-Η(n -12)∃Η-Ηexp -x 22Ρ2Ηd x .(13)为了使V i (m ,n )m ax 的值只与l 有关,我们取它的最小值,即在式(13)中,C 1,C 2取最小值,它们的最小值为C 1m in =12Π∫∃d 0exp -x 22Ρ2d d x C 2m in =12Π∫∃Η0exp -x22Ρ2Ηd x.(14)在式(14)中,∃d 和Ρd 是预先给定的常值,因此C 1m in 也为常量.实际中常取∃d =Ρd ,这时,C 1m in =0.3418.由于ΡΗ与直线长度l 有关,故C 2m in 是变化的,但在实际中,常常有∃ΗµΡΗ,所以取C 2m in =0.5.—369—文贡坚等:从航空遥感图像中自动提取主要道路Automa tic Extraction of M a i n Roads from Aer i a l Rem ote Sen si ng I magesW EN Gong 2jian W AN G R un 2sheng(A T R K ey L aboratory of D ef ense S cience and T echnology N ational U niversity of D ef ense T echnology Chang sha 410073)Abstract T he classificati on and m easu ring p rocedu re fo r geom etrical ob jects of a city w ill be si m p lified if itsm ain road netw o rk cou ld be au tom atically ex tracted from aerial remo te sen sing i m ages .In th is paper ,anau tom atic app roach fo r ex tracting m ain city roads based on straigh t lines is developed ,in w h ich m ain city roads are modeled acco rding to their characteristics in the i m age .T he new m ethod pu ts emphases on dealing w ith all k inds of no ise from the i m aging p rocess ,and u ses Gau ssian distribu ti on to b lu r param eters of straigh t lines in o rder to en su re ex tracti on robu stness.A ll param eters of th is m ethod are acqu ired by theo retic analysis so that the ex tracti on p rocess is au tom atic .T he experi m en tal resu lts show that the m ain road netw o rk can be ex tractedfrom real aerial remo te sen sing i m ages.Key words Road ex tracti on ,straigh t line ex tracti on ,remo te sen sing i m age analysis ,i m age understanding .敬告作者 《软件学报》创刊以来,蒙国内外学术界厚爱,收到许多高质量的稿件,其中不少在发表后读者反映良好,认为本刊保持了较高的学术水平.但也有一些稿件因不符合本刊的要求而未能通过审稿.为了帮助广大作者尽快地把他们的优秀研究成果发表在我刊上,下面特列举一些审稿过程中经常遇到的问题,请作者投稿时尽量予以避免,以利大作的发表.1.读书偶有所得,即忽忙成文,未曾注意该领域或该研究课题国内外近年来的发展情况,不引用和不比较最近文献中的同类结果,有的甚至完全不列参考文献.2.做了一个软件系统,详尽描述该系统的各个方面,如像工作报告,但采用的基本上是成熟技术,未与国内外同类系统比较,没有指出该系统在技术上哪几点比别人先进,为什么先进?一般来说,技术上没有创新的软件系统是没有发表价值的.3.提出一个新的算法,认为该算法优越,但既未从数学上证明比现有的其他算法好(例如降低复杂性),也没有用实验数据来进行对比,难以令人信服.4.提出一个大型软件系统的总体设想,但很粗糙,而且还没有(哪怕是部分的)实现,很难证明该设想是现实、可行、先进.5.介绍一个现有的软件开发方法,或一个现有软件产品的结构(非作者本人开发,往往是引进的,或公司产品),甚至某一软件的使用方法.本刊不登载高级科普文章,不支持在论文中引进广告色彩.6.提出对软件开发或软件产业的某种观点,泛泛而论,技术含量少.本刊目前暂不开办软件论坛,只发表学术文章,但也欢迎材料丰富,反映现代软件理论或技术发展,并含有作者精辟见解的某一领域的综述文章.7.介绍作者做的把软件技术应用于某个领域的工作,但其中软件技术含量太少,甚至微不足道,大部分内容是其他专业领域的技术细节,这类文章宜改投其他专业杂志.8.其主要内容已经在其他正式学术刊物上或在正式出版物中发表过的文章,一稿多投的文章,经退稿后未作本质修改换名重投的文章.本刊热情欢迎国内外科技界对《软件学报》踊跃投稿.为了和大家一起办好本刊,特提出以上各点敬告作者.并且欢迎广大作者和读者对本刊的各个方面,尤其是论文的质量多多提出批评建议.—469—J ou rna l of S of t w a re 软件学报　2000,11(7)。

道路信息自动化和半自动提取研究综述姓名：******学号：******专业：地图学与地理信息系统学院：*******道路信息自动化和半自动提取研究综述摘要:道路信息作为一种重要的基础地理信息，可以作为提取其他地物目标的线索和参考系，具有很强的现实意义。

从遥感影像自动提取人工地物,特别是线状地物(主要是道路),不仅是摄影测量与遥感领域的难题,也是计算机视觉与图像理解研究的重点之一。

本文首先阐述了道路提取的基本思想以及与道路提取有关的背景知识，然后介绍了国内外比较成熟的理论与技术，最后总结并展望了道路提取的发展趋势。

关键词：道路提取，自动化道路提取，半自动道路提取Abstract：Road information as a kind of important basic geographic information, and other features can be extracted the clues and reference of the target has a strong practical significance. Automatic extraction of artificial from remote sensing image features, especially linear feature (mainly road), not only is a difficult problem in the field of photogrammetry and remote sensing, is also the emphasis of research in computer vision and image understanding. Firstly, this paper expounds the basic ideas and road extraction road extraction related background knowledge, and then more mature theory and technology at home and abroad is introduced, finally summarized and prospected the development trend of road extraction.Key words: road feature extraction; automatic road extraction; semi-automatic road extraction随着实时、全天候、大面积获得地面高分辨率、高精度、多时相、多光谱的数字影像成为可能。

(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。

基于深度学习的遥感影像自然资源信息自动提取技术研究摘要：遥感影像作为丰富的地面载体，可以为自然资源监测监管等业务提供影像支撑。

遥感技术能够全面、快速、有效地探查自然资源的分布情况，帮助自然资源部门摸清自然资源现状，及时掌握自然资源变化信息，辅助行使“两统一”职责。

当前，遥感已成为自然资源调查监管的重要手段。

遥感影像解译技术是随着遥感技术的产生发展而来的。

目前，精准的遥感信息提取主要靠人工目视解译来完成。

面对海量、多源、多时相的遥感影像数据，低效率的人工解译已经无法满足快速获取信息的需求。

为了建立高效的自然资源遥感监测服务体系，迫切需要开展高精度自动化信息提取技术研究，实现目标快速识别和信息提取。

关键词：深度学习；遥感影像；自然资源；信息自动提取技术1遥感影像配准中常用网络结构相较于早期的浅层神经网络，深层神经网络具有更多的隐藏层。

一般认为，网络隐藏层越多，其对复杂函数的拟合效果越好，即深层神经网络能够学习到数据更为本质的特征。

随着深度学习技术的不断发展，越来越多神经网络被应用于遥感影像处理领域。

其中，卷积神经网络CNN(Convolutional Neural Networks)、全卷积神经网络FCN(Fully Convolutional Networks)、孪生神经网络（Siamese Networks)是遥感影像配准中较为常用的网络结构。

CNN由卷积层、池化层与全连接层构成。

卷积层负责提取影像局部特征，池化层通过对提取特征进行下采样，以实现减少数据量，抑制模型过拟合的目的。

CNN通过多层次的“卷积—池化”操作提取影像深层语义特征，再由网络末端的全连接层对提取到的局部特征进行整合并输出分类结果。

由于卷积操作得到的特征仅仅与影像局部区域有关，所以CNN提取到的特征通常具有强鲁棒性。

FCN在CNN的基础上，进行了如下改动：（1）将全连接层替换为卷积层，使网络的输入数据尺寸不受约束；（2）引入转置卷积层，可以对压缩后的特征图进行上采样，增大数据尺寸，以实现对影像所有像元的分类。

遥感图像中的道路提取
李伟
【期刊名称】《自动化博览》
【年(卷),期】2006(23)5
【摘要】道路撮是遥感图像中信息提取的一个研究热点，不仅具有理论价值也具有很广阔的应用前景，道路与人们生活休戚相关，而手工提取的方法远远不能满足地理信息系统（GIS）数据获取与更新的需要，因此从遥感图像自动提取道路的研究就显得尤为迫切。

【总页数】4页(P20-23)
【作者】李伟
【作者单位】中国科学院自动化所模式识别国家重点实验室,北京,100080
【正文语种】中文
【中图分类】TP391
【相关文献】
1.一种高分辨率遥感图像中居民区道路提取方法 [J], 满亢;鲍远律;马璐
2.基于ENVI的高分辨率遥感图像在道路提取中的应用研究 [J], 王艳梅
3.基于多标记像素匹配的高分辨率遥感图像道路提取 [J], 杨蕴; 李玉; 赵泉华
4.一种基于超像素分割的遥感图像道路提取方法 [J], 翟银凤;王一帆
5.基于线性方向特征的高分辨率遥感图像道路提取研究 [J], 高海峰;赵好好
因版权原因，仅展示原文概要，查看原文内容请购买。

遥感影像中道路自动提取方法研究的开题报告一、选题背景随着城市化进程的加快，道路建设已成为城市规划和交通建设的重要组成部分。

道路网络的快速发展对道路信息的快速获取、处理与建立更为迫切的需求。

传统的道路调查方法需要耗费大量的人力、物力与财力，效率低下，成本高昂。

遥感技术因其具有广覆盖面、空间信息的连续性、全天候观测等优点成为道路自动提取的有效手段。

因此，在遥感遥感影像中道路自动提取方法研究领域具有重要的应用价值。

二、选题意义1.促进城市规划与管理。

通过遥感遥感影像中道路自动提取方法的研究，可以提高道路信息的获取效率和准确性，促进城市规划与管理的科学化和现代化。

2.优化交通规划与建设。

道路信息的准确性和全面性对交通规划与建设至关重要。

通过道路自动提取方法的研究，可以提高道路信息的准确性和全面性，为交通规划与建设提供重要的支持。

3.加速智慧交通建设。

随着智慧交通建设的不断推进，道路信息的精确性会对智慧交通的运营产生重大影响。

因此，发展道路自动提取技术，将为智慧交通的建设提供有利的支持。

三、研究内容本文主要研究遥感遥感影像中道路自动提取方法，包括以下内容：1.遥感遥感影像预处理。

对遥感遥感影像进行预处理，包括影像的读取、图像增强、噪声去除等操作。

2.道路特征提取。

利用较好的特征描述方法，提取道路的边缘、纹理、颜色等特征。

3.道路区域分割。

根据道路特征和图像分割技术进行道路区域的分割。

4.道路细化与结构化。

道路提取完毕后，为了去除噪声和细节，进行道路的细化和结构化处理。

5.实验数据与结果分析。

进行实验数据的采集和处理，并对实验结果进行分析和总结。

四、研究方法本文主要采用图像处理、机器学习、计算机视觉等方法进行道路自动提取方法的研究。

1.图像处理。

图像预处理是道路自动提取的基础，通过预处理对图像的清晰度、对比度等进行优化，为道路自动提取提供更好的基础。

2.机器学习。

利用机器学习的方法，识别道路特征集，包括颜色、形态和纹理等，以实现道路自动提取的目标。

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。

遥感影像中道路的提取方法研究随着城市化进程的加速，道路的规模和数量不断增加，道路网络的建设和维护对城市的发展至关重要。

然而，传统的道路提取方法需要大量的人力和时间，效率低下。

近年来，随着遥感技术的快速发展，利用遥感影像进行道路提取成为一种高效且准确的方法。

遥感影像是通过卫星或无人机等载体获取的地球表面的图像，具有全面、连续和高分辨率的特点，因此成为道路提取的理想数据源。

研究人员通过分析遥感影像中道路的特征和纹理等信息，提出了多种道路提取方法。

首先，基于阈值分割的方法是最简单且常用的道路提取方法之一。

该方法通过设定合适的阈值，将遥感影像中的道路和背景区分开来。

然而，由于道路在遥感影像中的亮度和纹理等方面的变化较大，单一的阈值往往难以满足不同场景下的需求。

其次，基于图像特征的方法可以提高道路提取的准确性。

这种方法通过提取遥感影像中道路的纹理、颜色和形状等特征，利用机器学习算法进行分类。

例如，可以使用支持向量机（SVM）或随机森林（Random Forest）等算法进行训练和分类，从而实现自动化的道路提取。

此外，基于深度学习的方法在道路提取中也表现出了良好的效果。

深度学习是一种模拟人脑神经网络的机器学习方法，通过多层次的神经网络结构进行图像特征的学习和提取。

研究人员通过构建卷积神经网络（CNN）等深度学习模型，将遥感影像中的道路和非道路进行准确的分类。

综上所述，遥感影像在道路提取中具有广泛的应用前景。

基于阈值分割、图像特征和深度学习等方法可以提高道路提取的准确性和效率。

随着遥感技术的不断发展，道路提取方法将更加精确和自动化，为城市规划和交通管理等领域提供有力支持。