一种基于水平集方法提取高分辨率遥感影像中主要道路信息的算法
基于改进水平集方法的高分辨率遥感图像道路提取
基于改进水平集方法的高分辨率遥感图像道路提取唐晓芬;侯迪波;俞丞;潘强;张光新;周泽魁【期刊名称】《传感技术学报》【年(卷),期】2010(023)002【摘要】提出了一种基于改进水平集方法的遥感图像道路提取实用方法.针对水平集分割方法速度较慢以及对区域划分仅仅考虑灰度特征等不足,提出一种改进算法,通过引入罚甬数项,并整合RGB空间和HSI空间的各通道信息,构造了一类基于多空间信息且无需重新初始化的水平集演化方程.同时针对遥感图像幅值大的特点,建立整图划分若干子图的划分方法,使提取的目标道路集中在少量子图中,减少了无目标背景干扰.利用QuickBird 0.61 m分辨率遥感图像进行道路信息提取试验,并建立评价指标对算法结果进行量化评价和分析.结果表明,研究的方法可较好地抑制区域背景噪声的干扰,快速准确地提出完整的道路区域,在道路交通规划辅助决策等领域具有重要的应用前景.【总页数】6页(P229-234)【作者】唐晓芬;侯迪波;俞丞;潘强;张光新;周泽魁【作者单位】浙江大学控制科学与工程学系,工业控制技术国家重点实验室,杭州310027;浙江大学控制科学与工程学系,工业控制技术国家重点实验室,杭州310027;浙江省城乡规划设计研究院,杭州310007;浙江省城乡规划设计研究院,杭州310007;浙江大学控制科学与工程学系,工业控制技术国家重点实验室,杭州310027;浙江大学控制科学与工程学系,工业控制技术国家重点实验室,杭州310027【正文语种】中文【中图分类】TP391.41【相关文献】1.改进Snake模型的高分辨率遥感图像道路提取 [J], 唐伟;赵书河2.基于时频特征的高分辨率遥感图像道路提取 [J], 张曦;胡根生;梁栋;鲍文霞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.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5.一种改进的基于结构张量的高分辨率遥感图像道路提取算法 [J], 滕鑫鹏;宋顺林;詹永照因版权原因，仅展示原文概要，查看原文内容请购买。
基于高分辨率遥感影像的道路特征信息提取方法
基于高分辨率遥感影像的道路特征信息提取方法作者：傅刚来源：《西部资源》2016年第06期摘要：高分辨率遥感影像越来越丰富，使得高分辨率影像的信息提取要求也越来越高，特别是对道路这种特殊的地物而言，其提取的准确性对后续应用有很大影响。
本文总结了高空间分辨率遥感影像中道路的物理和几何特征、已有道路提取方法及未来的发展方向。
关键词：高分辨率；道路提取；遥感影像随着遥感技术的发展，越来越多的商业化卫星可以提供相当高分辨率的遥感影像数据，目前已达米级甚至亚米级，目前主流的高分辨率卫星及其空间分辨率如表1所示。
这些高分辨率遥感影像为很多应用提供了有利的条件，例如土地资源调查、地理数据更新、土地利用和土地覆盖变化监测等。
准确快速地从遥感影像中提取感兴趣信息是遥感的一个热门研究方向。
其中，道路信息的提取更是研究热点，因为道路不仅是基础的地理信息，而且为提取其他地物提供了参考[1]。
本文分析了道路在遥感影像中的特征，然后对目前在遥感中常用的道路提取方法进行了分析和对比，最后对遥感中道路提取方法的发展方向进行了展望。
1. 道路特征提取的原理道路在高空间分辨率的遥感影像上，通过人工解译是很容易被识别和提取出来的，这主要是因为道路的物理和几何特性与其他地物有明显的区别，因此，只有明确道路的特征，然后才可以通过计算机进行自动识别。
道路的特征可以大体分为两类，一类是物理特征，一类是几何特征[2]。
物理特征主要指道路的成分，通常与其他地物不同，例如，水泥路、柏油路等。
在遥感影像上，这一点就体现在辐射特征的不同上，道路的辐射特征与相邻其他地物的辐射特征差异明显，这在一定程度上可以通过监督方法，自动提取出道路。
几何特征包括道路的形状特征、拓扑特征及上下文特征。
道路的形状通常为长条状，长度与宽度之比非常大，而且道路的变化较小，即使是弯道，也有曲率的限制。
拓扑特征是指道路通常是相互交叉的，以道路网的形式存在。
上下文特征主要是指道路上的标志、高速路中间的绿化带以及行人斑马线等[3]。
从高分辨率遥感影像中提取城市道路的新方法
从高分辨率遥感影像中提取城市道路的新方法在过去的几十年里，高分辨率遥感影像已经成为了城市规划和管理的重要工具。
通过分析这些影像，可以提取出城市道路的位置和特征，为城市交通规划和交通状况监测提供数据支持。
然而，由于城市道路的复杂性和多样性，现有的方法在提取精度、处理速度和适应性方面仍然存在一些局限性。
因此，本文提出了一种新的方法，旨在解决这些问题。
首先，本方法采用了一种基于深度学习的图像分割算法。
该算法通过训练一个深度卷积神经网络，将道路区域和非道路区域分割开来。
为了训练网络，我们使用了大量的标记数据，其中包括城市道路和非道路的遥感影像样本。
通过训练，网络可以学习到道路的特征，并能够准确地提取出道路区域。
其次，本方法利用了多尺度处理技术。
由于遥感影像中的道路尺度各异，为了提高提取精度，我们采用了多尺度处理技术。
具体而言，我们首先将原始遥感影像进行分割，得到一系列不同尺度的子图像。
然后，针对每个子图像，我们分别使用图像分割算法提取道路区域。
最后，将得到的道路区域进行合并和优化，以得到最终的道路提取结果。
此外，本方法还引入了半监督学习的思想。
传统的道路提取方法通常需要大量的标记数据，这在实际应用中往往是难以获得的。
为了克服这个问题，我们使用了一种半监督学习的方法。
具体而言，我们首先用少量的标记数据训练网络，然后使用网络提取道路区域，并将提取结果与原始影像进行比较。
通过比较结果，我们可以发现一些错误的提取区域，并将其标记为非道路区域。
然后，我们使用这些新的标记数据重新训练网络，以提高提取精度。
最后，我们对我们的方法进行了大量的实验证明了其有效性和准确性。
通过与传统的道路提取方法进行比较，我们的方法在准确度和处理速度方面都取得了显著的改进。
我们还对不同尺度的影像进行了实验，结果表明我们的方法对于不同尺度的道路都具有很好的提取能力。
综上所述，我们提出的新方法在高分辨率遥感影像中提取城市道路方面有着显著的优势。
一种基于高分辨率遥感影像的道路提取方法
一
种基 于高分辨率遥感影像 的道路提取方法
谢谦 礼 ｔ 程承 旗 １ 马 廷２
（ 北京 大 学遥 感所 ， 北京 １ ０ ７ ） ０ ８ １ （ 国科 学院地 理科 学 与资源研 究所 资 源与环境 信 息 国家重点 实验 室 北京 ｌｏ ｏ ） 中 ｏ ｌ １
．
Ｅ—ｍａｌ ｘ ｉ： ｑｌ ｑａ ＠ｐ ｕｅ ｕｃ ｉｎ ｋ ．ｄ ．ｎ
—
摘 要 道 路 等 线性 地 物 的 自动 提 取 一 直是 高分 辨 率 遥 感 影像 研 究 所 关 注 的 内容
，
论 文 在 分 析 现 有 的 各 种 提 取 方 法 的 基 础 上 ， 合 城 市道 路 在 高分 辨 率 遥 感 影像 上 的特 点 提 出一 种 半 自动 的道 路 提 取 法 。该 ： 法 先 对遥 感 影 像 中的 道路 点 结 ５ － －
Ｘ ｅ Ｑｉｎｉ Ｃ ｅ ｇ Ｃ ｅ ｇ ｉ Ｍａ Ｔ ｎ ￣ ｉ ａｌ ｈ ｎ ｈ ｎ ｑ ｉｇ
（ ｓ ｔｔ ｏ ｅ ｔ ｅｓ ｇ Ｐ ｋｎ ｎｖｒｉ ， ｅ ｉｇ １ ０ ７ ） Ｉ ｔｕｅ ｆＲ ｍｏｅＳ ｎｉ ，ｅ ｉｇ Ｕ ｉ ｓ ｙＢ ｉｎ ０ ８ １ ｎｉ ｎ ｅ ｔ ｊ
ｉ ｔｈ ｖ ａ ｌｄ ｓ ｍｅ ｐ ｘ ｌ ｎ ｋ ｎ ｓａ ｉ ｉ ｌ ｃ ｌｕ ａ ｉ ｆ ｔ ｅｒ ｐ ｃ ｒ Ｔ ｅ ａ ｅ ｓ ｔ ｎ ｏ ｇ ｎ ｐ ｘ ｌ ｆ ｓ ａ ｅ ｓ ｍｐ ｅ ｏ ｉｅｓ ａ ｄ ｍａ ｅ ｔｔ ｔ ａ ａｃ ｌｔ ｎ ｏ ｈ ｉ ｓ ｅ ｔ ｍ、 ｈ ｎ ｗｅ ｈ ｖ ｅ ａ ｒ ｉ ａ ｉ ｅ ｎ ｒ ｓｃ ｏ ｕ ｉ ｌ ｉ
（ｔ ｅ Ｋ ｙ Ｌ ｂ ｏ ｅｏｒｅ ｎ ｎ ｉ ｎ ｎ ｎｏｍ ｔ ｎ Ｓ ｓ ｍ． ｓ ｔｔ ｏ ｅ ｇａ ｈ ｃｅ ｃ ＆ Ｓａ ｅ ａ ． ｆＲ ｓｕｃｓａ ｄ Ｅ ｖｒ ｍｅｔＩｆｒ ａｉ ｙｔ Ｉ ｔｕｅ ｆＧ ｏｒｐ ｙ Ｓ ｉ ｅ ｔ ｏ ｏ ｅ ｎｉ ｎ
高分遥感影像中道路信息提取方法综述
高分遥感影像中道路信息提取方法综述冯鹏;高峰【摘要】The importance,general steps and basic ideas of road information extraction are elaborated in this paper. The road information extraction methods of high-resolution remote sensing images are classified according to different road characteris-tics. It is in the hope that a road information extraction method with strong universality can be found to yield twice the result with half the effort. On this basis,and in combination with the current development direction of science and technology and the basic thought of road feature extraction,the prospect of research on road feature extraction is pointed out.%阐述了道路信息提取的重要性和一般步骤及基本思路,通过对高分辨率遥感图像中道路信息提取方法利用道路特征的不同进行了分类整理,并对经典方法进行分析,希望能对找到一种具有普适性的道路提取方法起到事半功倍的效果.在此基础上结合当前科技发展的方向,从道路提取的基本思想出发,对道路特征提取研究的前景做出展望.【期刊名称】《现代电子技术》【年(卷),期】2015(038)017【总页数】5页(P53-57)【关键词】高分辨率;遥感影像;道路特征提取;图像处理【作者】冯鹏;高峰【作者单位】国防科学技术大学 ATR国家重点实验室,湖南长沙 410073;国防科学技术大学 ATR国家重点实验室,湖南长沙 410073【正文语种】中文【中图分类】TN911.73-34进入新世纪以来，高分辨率遥感卫星的使用越来越多，海量高分辨率遥感图像的获得，深刻的影响着人们日常生活和科技发展，例如电子导航地图、自然灾害预警、土地利用检测等。
基于分水岭算法的高分遥感图像道路提取优化方法
基于分水岭算法的高分遥感图像道路提取优化方法蔡红玥;姚国清【摘要】To tackle the problems existent in road information extraction from high resolution remote sensing,the authors put forward an improved approach to road extraction based on watershed segmentation according to the basic theories of object-oriented method and mathematical morphology.Firstly,the image is processed by improved watershed segmentation to extract basic road information after preprocessing.Then object-oriented method is used to extract road per-parcel so as to optimize the road extraction results.Finally,after binary image processing,the incomplete results can be removed and corrected by using mathematical morphological transformation.Experimentation shows that the proposed method can extract urban road information efficiently and process the roads from the complex urban context fairly satisfactorily.%针对高分辨率遥感图像城市道路提取中存在的问题,在面向对象方法和数学形态学等理论基础上,提出了一种基于改进的分水岭分割算法的道路提取方法.在图像预处理基础上,首先使用改进的分水岭算法分割影像,提取基本的道路信息;然后利用面向对象方法提取道路基元,完善道路信息;最后将道路信息二值化,并采用数学形态学等方法进行优化,去除和修补不完善的道路.结果表明,该方法能有效地提取出城市地区的道路信息,对较复杂的道路环境也有较好的效果.【期刊名称】《国土资源遥感》【年(卷),期】2013(025)003【总页数】5页(P25-29)【关键词】道路提取;高分辨率遥感图像;分水岭;面向对象方法;数学形态学【作者】蔡红玥;姚国清【作者单位】中国地质大学(北京)信息工程学院,北京 100083;中国地质大学(北京)信息工程学院,北京 100083【正文语种】中文【中图分类】TP750 引言道路是地图绘制、路径分析和应急处理的重要基础地理数据。
基于改进变分水平集方法的遥感影像道路提取
基于改进变分水平集方法的遥感影像道路提取【摘要】本文旨在提出一种应用于高分辨率遥感影像道路提取的方法——改进的变分水平集方法。
该方法通过在GACV（Geodesic-Aided C-V）模型中，引入基于PCA（Principal Component Analysis）彩色区域生长的目标识别函数，基于Beltrami框架的彩色梯度流和一个用于表征水平集函数与符号距离函数近似程度的惩罚项，实现了对算法的改进。
该方法适用于复杂背景下感兴趣目标的提取，已通过实验得以验证。
【关键词】GACV模型；彩色区域生长；改进变分水平集方法；高分辨率遥感影像；道路提取0 引言长期以来，遥感影像道路提取被认为是遥感、计算机视觉、GIS等领域的研究热点之一。
在高分辨率遥感影像中，道路表现为具有一定长度和宽度，拓扑结构复杂的一类地物[1]，且受非目标地物（车辆、行人、树木阴影等）影响较大。
因此，在高分辨率遥感影像上进行道路提取一直被认为是一项很具难度的工作。
活动轮廓模型是一种自上而下的能够有效融合上层知识和底层图像特征的处理过程，特别适用于建模以及提取任意形状的变形轮廓等。
已有许多学者将活动轮廓模型应用于道路提取，并取得了一定的研究成果[1-2]，但是这些已有的方法有的仅适用于乡村等背景简单的场景[2]；有的人工干预较多，且时间效率较低[1]。
水平集表达模型作为活动轮廓模型研究的一个重要分支，当提取对象是图像中的所有目标的边界时，水平集表达模型是一种很有效的方法[3-7]。
但是，如果仅需要提取感兴趣的目标，特别是对于背景比较复杂的图像，则利用该方法进行目标提取就变得很具难度。
本文以城区高分辨遥感影像主干道路为研究对象，在现有研究成果的基础上，提出一种适用于提取复杂背景下感兴趣目标的变分水平集方法，并在第3节，利用多幅QuickBird卫星高分辨率遥感影像对该模型的有效性进行了验证。
实验结果表明该模型能够较精确地从复杂背景中提取出道路，具有较强的抗干扰能力。
高分辨率遥感图像中道路提取方法研究的开题报告
高分辨率遥感图像中道路提取方法研究的开题报告一、选题背景及意义随着遥感技术的不断发展，高分辨率遥感图像得到了越来越广泛的应用，其中包括道路交通建设规划、城市规划、交通监控等方面。
然而，高分辨率遥感图像中道路的自动提取一直是一个难题。
传统的人工判读方法工作量大且效率低，且计算机自动提取算法复杂，提取精度不够高，这为道路的信息获取和道路网络的建立造成了困难。
因此，研究高分辨率遥感图像中道路的自动提取方法，对于提高道路的自动化提取效率、优化城市规划和交通管理具有重要意义。
二、研究目标本课题旨在研究有效的适应高分辨率遥感图像中道路特征的自动提取算法，以提高道路信息的获取效率和提取精度。
三、研究内容及技术路线3.1 高分辨率遥感图像中的道路特征分析通过对高分辨率遥感图像中道路特征和非道路特征的分析，提取出道路特征的关键指标，在道路自动提取过程中起到指导作用。
3.2 高分辨率遥感图像中道路自动提取算法的研究与改进基于图像处理的特征提取方法和计算机视觉方法的道路自动提取算法，提高自动提取算法的准确性和鲁棒性。
针对传统算法的不足，采用深度学习等机器学习方法进行改进。
3.3 高分辨率遥感图像中道路自动提取实验与结果分析建立高分辨率遥感图像数据集，应用上述自动提取算法进行道路自动提取，并对结果进行统计分析和比较，为算法的进一步优化提供指导和参考。
四、研究预期结果设计一种适应高分辨率遥感图像中道路特征的自动提取算法，并通过实验进行验证，在提取精度和效率方面得到显著提升。
五、研究可行性分析高分辨率遥感图像中的道路自动提取算法一直是遥感图像处理中的难点问题，但随着深度学习方法的出现和发展，在这一领域开展的研究已经具备可行性。
本课题的实现需要大量遥感图像数据和算法处理平台，但目前已经有成熟的数据集和相关的处理平台，因此可行。
同时，本课题的研究成果可以在城市规划、道路网络建设等领域得到广泛应用，具有很高的应用前景和市场价值。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第31卷第5期2010年5月宇 航 学 报Journal of AstronauticsVol.31May No.52010一种基于水平集方法提取高分辨率遥感影像中主要道路信息的算法吴学文,徐涵秋(福州大学环境与资源学院,空间数据挖掘与信息共享教育部重点实验室,福州350108)摘 要:以IKONOS 多光谱影像为例,提出了一种从高分辨率遥感影像提取城市主要道路的方法。
首先,利用矢量图像梯度算法获取道路的边缘。
然后,通过分析各类地物在IKONOS 多光谱波段中的光谱特征,发现绿光与近红外波段的差值影像,不仅能较为有效地区分道路与植被、水体和裸土的信息,而且能减小道路建筑材质不同引起的道路光谱信息的异质性。
再利用旋转不变Gabor 小波方法获取影像的纹理特征,进一步区分道路与建筑物。
在水平集理论框架下,用速度函数将道路的梯度、光谱、纹理特征结合起来,用快速行进算法提取道路。
最后,用数学形态学方法进行提取结果的优化。
为验证上述方法的实用性,将该方法应用于两个云覆盖情况不同的实验区,结果表明用该方法能有效地从IKONOS 影像中提取主要道路信息,且在薄云覆盖区域依然有效。
关键词:遥感;主要道路提取;水平集方法;IKONOS 影像中图分类号:TP753 文献标识码:A 文章编号:1000-1328(2010)05-1495-08DOI :10.3873 j.issn.1000-1328.2010.05.038收稿日期:2009-11-21; 修回日期:2010-01-15基金项目:国家教育部高等学校科技创新工程重大项目培育基金(706037)0 引言在城市遥感影像中,道路是一种重要的地物,是分析和解释城市各类目标的主要线索[1],它的提取对于城市GI S 数据库的更新、交通流分析、智能交通系统、灾害应急系统、网络电子地图服务等都具有重要的意义。
从遥感影像中提取道路专题信息的研究至今已有30多年的历史,并已经成为计算机视觉与遥感领域的研究热点之一。
早期道路提取方法主要针对中分辨率的遥感影像,道路往往被抽象为连续平滑的曲线[2],其提取方法也基本等同于图上线性特征的提取[3]。
随着影像空间分辨率的提高,一些道路提取方法将道路模型简化为具有一定宽度的连续均质条带[4-6]。
而实际上,道路使用的建筑材料不同,在同一幅影像中往往呈现明显的亮度差异。
因此这些将道路假设为 均质条带 的方法仅适用于建筑材料单一的道路的提取。
根据人为参与程度不同,又可将道路提取方法分为自动化提取和半自动化提取两类。
以现有的人工智能水平,遥感影像道路提取尚不可能实现真正意义上的完全自动化,仍然需要一定的人为干预[7,8]。
所以,目前仍以半自动化道路提取研究为主。
半自动化道路提取的一种主要思想就是人工选取初始道路种子点,根据道路在影像中的特征,按照一定的约束机制将种子点扩展成道路。
如Gruen 等通过手动选择道路种子点,利用动态规划方法跟踪道路网络[9]。
Amo 等则应用区域竞争的算法扩展道路[10]。
但这两种方法仅适用于全色图像。
针对Landsat E TM+多光谱影像,曹广真等使用快速行进水平集方法进行道路种子点扩展[11]。
但其设计的速度函数,需要有雷达影像的参与,不适用于仅有多光谱光学影像的情况。
IKONOS 影像是一种商用的高分辨率遥感影像,其多光谱影像具有蓝、绿、红和近红外4个波段,且空间分辨率均为4米。
从I KONOS 影像中提取城市主要道路,已成为城市遥感的重要应用之一。
城市主要道路,在城市中连接各主要分区,起集散交通的作用。
它在I KONOS 多光谱影像中的主要特征是,主要道路之间相互连通,具有较大的长度和一定的宽度,具有相对明晰的边缘,不同材质的道路具有较大的亮度差异,路面纹理相对平滑。
根据这些特征,本文通过快速行进方法中的速度函数将影像道路的梯度特征、光谱特征、纹理特征结合起来,提出了一种利用水平集方法从I KONOS多光谱影像提取主要道路信息的技术。
1 研究方法1.1 影像预处理由于遥感影像受大气影响较大,尤其在可见光波段的大气效应会使影像的灰度值叠加上明显的虚高值,因此应先进行大气校正去除大气对辐射传输的影响,以获得较为正确的地物光谱反射特征。
本研究辐射校正使用公式(1)[12]:=(L -L h)T v(E0cos z T z)+E down(1)式中: 为像元在传感器处的反射率; 为波段号; L 为传感器处辐射值,IKONOS影像DN值与L 的转换关系为:L =104DN /(Caef Bw )[13],单位为W/(m2 ster m),Caef 为波段 的辐射校正系数, Bw 为波段 的光谱宽度,单位为nm;L h为程辐射,可通过最暗像元获得,单位与L 相同;E o= ESUN /d2,ESUN 为大气顶部的平均太阳辐照度,单位为W/(m2 m);d为日地天文单位距离; z为太阳天顶角;T v为地物到传感器的大气透过率;T z 为太阳到地物的大气透过率;E down为下行大气散射辐照度,通常忽略不计。
根据Chavze的C OST模型, T z=Cos z,T v=Cos v, v为传感器角度。
由于计算后的反射率值介于0~1之间,所以必须再将其转换为0~2047之间的11-bit整数。
以上参数可以从影像元数据和文献[13]中获得。
1.2 水平集理论与方法从城市高分辨率遥感图像中提取道路时,往往受到地物的光谱异质性、地表覆盖物的复杂性等因素干扰。
为了能准确地提取道路,应充分利用道路在影像中的梯度、光谱和纹理特征。
而水平集(LS)方法可以有效地将以上三者结合起来,在充分利用图像自身特征上具有优越的性能。
其基本理论是由Osher和Sethian于1988年提出的[14]。
自提出以来,在图像分割领域得到了广泛的应用,成为二十多年来该领域研究的热点之一。
水平集(Level set:LS)方法的基本思想是将随时间变化的平面闭合曲线嵌入三维空间曲面 (x, y)中,隐含地将曲线表达为该曲面的一条等值线,然后通过曲面的演化来求解曲线的运动[15]。
水平集函数 (x,y)演化满足式(2):t+F =0(2)其中 t为LS函数,描述t时刻的曲面状态; 表示 的梯度范数;F为曲线法线方向的运动速度。
快速行进算法(Fast marching:FM)[15]是一种快速水平集方法,仅适用于法向运动速度F符号不变情况。
T ij为界面的零水平集到达点(i,j)的时间。
到达时间函数T满足如下Eikonal方程(3):T F=1(3)以上方程的稳定解可由式(3)得到:max(D-x ij T,0)2+min(D+x ij T,0)2+max(D-y ij T,0)2+min(D+y ij T,0)2=1F2ij(4)其中,D+x ij T和D+y ij T为T在x方向和y方向的前向差分,D-x ij T和D-y ij T为T ij在x方向和y方向的后向差分。
该方程表明了,快速行进方法的边界传播方向是从T比较小的点流向T比较大的点。
初始化一个已知点,使其到达时间为0,FM方法类似于从该点出发不断的扩展。
本文利用该方法进行道路提取的基本步骤如图1。
图1 实验技术路线图Fig.1 T echnical flowchart1.3 快速行进算法中速度函数的构建利用快速行进算法提取道路的关键是,通过获取道路的梯度特征、光谱特征、纹理特征,构造一个适用于道路提取的速度函数F,使得目标轮廓演化终止在正确的位置。
F的特点是在道路区域内较大,在道路边缘和其它地物类型区域迅速减小。
1496宇航学报第31卷1.3.1 多光谱影像梯度特征梯度是构建速度函数F的重要一项,目的是促成目标轮廓演化停止在梯度较大处。
获取多光谱影像梯度特征的传统方法是将各个波段的影像分别处理,但各个波段图像的梯度特征并不完全一致,很难获得统一的梯度信息。
Chung等将传统灰度标量图像的 梯度 概念扩展到了多通道矢量图像,将图像中的多个通道作为一个整体来处理[16]。
对于m维矢量图像有I(x,y)=(I(1)(x,y), ,I(m)(x, y)),将其看成是m维Euclidean空间中以(x,y)为参数的曲面,I(x,y)上任一给定方向的弧长微元为d I,则|d I|2也可以表示为式(5):|d I|2=d xd yTAd xd y(5)其中A=m i=1( I(i)/ x)2 m i=1( I(i)/ x)( I(i)/ y) mi=1( I(i)/ x)( I(i)/ y) m i=1( I(i)/ y)2m表示图像的维度,该矩阵A的最大特征值表示了图像I(x,y)在点(x,y)上的最大变化率,可认为是该矢量图像在该点的梯度模值。
该方法集中了各分量图像的变化,可应用于IKONOS多光谱影像梯度特征的获取。
在地物轮廓明晰连续的情况下,仅仅依靠梯度项构造速度函数,利用水平集方法即可达到提取地物的目的。
但在高分辨率影像中道路边缘存在一些不连续和模糊的情况。
单纯依靠梯度特征,往往使得道路的轮廓演化越界到其它地类。
因此在构建速度函数时,还应考虑道路的光谱和纹理特征。
1.3.2 光谱特征不同地物对电磁波的反射特性不同,这是从遥感图像上识别地物的最重要依据之一。
道路建筑材料以水泥混凝土和沥青混合料为主[17]。
如图2(a)为IKONOS多光谱影像中城市主要地物的光谱曲线图。
其中,道梅1和道路2分别为水泥混凝土道路和沥青混合料道路的光谱曲线。
由图可知,沥青混合料道路光谱曲线处于水泥混凝土道路光谱曲线的下方,主要因为沥青是一种有机材料,它的反射率相对于水泥混凝土道路反射率要低一些,在影像上要偏暗一些。
这种道路建筑材料反射率的不同,使得道路在多光谱影像中差异性较大。
因此,在各个多光谱波段或各个多光谱波段构成的特征空间中,很难用某一种标准将所有道路完整地提取出来。
但从图2(a)中可发现两字道路的光谱曲线在形状上具有一定的相似性,都表现为从蓝光到绿光波段上升,随后逐渐下降。
这主要是因为这两种道路建筑材料使用的集料成分基本相似,均以砂石材料为主,约占80%[17]。
图2(a)中水体和植被的光谱曲线均有比较鲜明的特征:水体在蓝光和绿光波段的亮度值较之近红外波段高出许多,且总体亮度值低于道路;植被在近红外波段上的亮度值骤然升高。
这两种地物在各个多光谱波段上与道路均有较好的区分。
裸土的光谱曲线与两类道路的光谱曲线相互交错在一起,因此裸土与道路在I KONOS四个多光谱波段组成的特征空间中的差异性较小,甚至小于道路内部的差异性。
因此裸土与道路在影像中比较难区分。
但是,无论是道路1还是道路2,在绿光波段的亮度值要大于近红外波段的亮度值,而裸土在近红外波段上的亮度值却大于绿光波段。