基于支持向量机的遥感影像道路提取

发布时间：2020-03-29 23:56

【摘要】：遥感技术目前得到了快速发展,对于遥感影响的处理也获得了广泛的研究,其中将计算机影像处理技术应用到遥感影像道路信息提取,相比于传统的实地测绘可以大大地提高时间效率,对于科研及民用有较高的应用价值,可以大幅减少人工操作次数。现阶段,随着卫星获取数据能力的大幅度提升,获取数据的分辨率也获得了大幅度提升,我们可以从卫星拍摄的遥感影像中分辨出建筑物,道路等相关信息。通过对相关信息的分类处理并获取感兴趣区域,对于研究及应用具有较重要的意义。在卫星获取的遥感影像中,我们首先根据道路固有的形状,采用改进的GVF-Snake分割算法对道路进行分割,并根据遥感影像中道路所具有的各种特征及相关信息,对支持向量机(SVM)进行训练进而对道路及非道路部分信息进行分类。最后提出一种新的轮廓骨架提取算法对道路骨架进行提取,从而将道路信息提取出来。为了将遥感影像中的道路部分分割出来,本文提出了一种基于GVF-Snake的改进算法,通过将感兴趣的道路部分分割出来,以便于分析道路部分特征。由于GVF-Snake算法是基于影像梯度进行运算,当影像边缘较模糊时,容易将道路边缘区分错。相应地本文提出了利用道路最小宽度对GVF-Snake进行迭代约束,实验证明,可以很好地限制GVF-Snake在道路边缘部分的迭代问题。遥感影像中的信息可以被认为分类成道路数据及非道路数据。本文中我们采用了支持向量机对其进行分类操作。对于道路部分的获取,本文采用改进的GVF-Snake算法对道路信息进行分割提取,并采用手工方式选择遥感影像中的非道路信息,我们将获取到的两类信息作为训练数据。通过使用道路信息及非道路信息这两类训练数据对支持向量机进行训练,从而完成对于卫星遥感影像中的道路及非道路的分类操作,实现对道路信息的提取。本文对轮廓骨架提取及连通进行了研究及改进。本文首先研究了传统的骨架提取算法,即OPENCV中的最大圆盘算法,该算法只是简单地对影像进行骨架提取,并没有考虑骨架的连通性。我们首先使用Hough变换对提取的骨架进行直线检测,通过直线检测确定出影像中的哪些点位于同一线段内,并对线段进行判断,线段间是否符合连通性。由于影像信息模糊导致的断连,采用延长线进行连接,对于局部区域是曲线的部分路段我们采用膨胀算法进行了连通。并对毛刺进行了消除。最终,我们采用上面提出的三个步骤对遥感影像进行了道路信息的提取操作,提取结果基本能够满足使用,证明了本文提出的改进算法能够有效地提高道路提取效率,并具有较高的准确率。本文算法的实现在科研和应用领域中有一定的应用价值。
【图文】：

线性不可分,线性可分,数据映射,高维空间

二维平面线性不可分，三维空间线性可分将低维数据映射到高维空间需要使用核函数，目前经常使用的有如下两

迭代,位置,位置算法,道路

图 3.4 迭代中轮廓点的位置算法在进行迭代的过程中，种情况，如果轮廓上的点度的 1/4），则道路已经被压色区域中，需要对该点进迭代。Point(x,ydelta,y+delta)Point(x,y)Distance(x,xy定后，对于迭代后的新的轮大于道路距离的 1/2 时，该离的 1/4 时，如果该点已经域，则对该点进行修正并恢
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP751

【参考文献】