结合面向对象深度学习分类与模板匹配的道路网提取研究
发布时间：2021-08-08 15:09
道路作为重要的人工地物和基础的地理数据,一直是地图更新的重点目标,道路信息的提取既是重点也是难点。从遥感图像上提取道路网,比较有代表性的类型是基于分类和基于模板匹配的方法。在基于分类的方法中,面向对象分类,其准确性和形态精确性受限于图像分割等技术环节;而最新出现的深度学习技术则需要大样本训练,对样本量和质量均有较高的要求。另一方面,模板匹配技术利用用户设定的模板进行图像目标的相似性匹配和搜索实现目标的识别与提取,可以避免分割带来的误差;但模板匹配方法往往需要手工设定模板,操作繁琐,在大范围遥感图像匹配任务上难以保证模板的完备性和普适性。本文针对现有道路网提取技术存在的不足,结合面向对象、深度学习以及模板匹配技术,实现高空间分辨率遥感影像中道路网的自动提取。论文的主要工作如下:（1）基于面向对象的深度学习分类实现道路网粗提设计了适用于深度学习分类的样本库,并通过样本库训练得到深度学习分类模型。在道路网分类提取中,首先通过硬边界约束的图像分割,获取面状特征基元,而后设计面基元内图像块投票表决的方式实现基元深度分类。其次提取分类图层中的道路要素,进行骨架计算和规则筛选,得到初始骨架路网。（2...
【文章来源】：南京师范大学江苏省 211工程院校
【文章页数】：95 页
【学位级别】：硕士
【部分图文】：
图３．４样本采集示意图??
篇派??（ａ）样本选择?（ｂ）实验区样本示例??图３．４样本采集示意图??由于遥感影像数据特性的限制，直接利用现有ＧｏｏｇｌｅＮｅｔ模型表示遥感影像??数据特征存在以下问题：Ｉ、模型的深度特征学习方法需要大量且高质量的训练??样本，ＩＩ、最佳样本尺度的确立，ＩＩＩ、样本的均衡化问题。??针对以上问题，兼顾后续样本库数据管理的问题，需要对初始采集到的样本??数据进行入库的操作。由于不同传感器所呈现的地物差异较大，因此本文根据所??选实验区传感器的类别分别集成了相应的样本库，有关样本库设计的界面如图??３．５所示。在样本库设计环节针对利用现有ＧｏｏｇｌｅＮｅｔ模型表示遥感影像数据特??征存在的问题做了以下工作：??Ｉ、
（ａ）斑块内取块示意图?（ｂ）影像块生成具体示意图??图３．６图像块生成示意图??将所有有效的影像块输出后，分别记录每个影像块所属的斑块信息。用训练??好的ＧｏｏｇｌｅＮｅｔ网络模型对每个输出图像块的类别进行预测。最终利用多数投票??的策略（如图３．７），根据对每个图斑所包含的所有影像块进行类别投票，依次确??定每个面基元的类别。??ＲＲｒｎ?１?－？?／?Ｂ?１??國Ｌｄ??（ａ）图斑内影像块类别?（ｂ）类别投票结果示意图??图３．７图斑类别投票示意图??在确定了每个面基元的类别标签后，得到整景影像的全要素分类结果。对于??全要素分类结果，提取出其中的道路基元，便得到初始的道路网斑块。??３．?３道路骨架计算??虽然用面向对象的ＣＮＮ分类方法提取的初始道路网斑块相比于传统面向对??象监督分类方法在精度上有了很大的提升，但是所提取的道路网存在由于分割导??致的边缘“锯齿”现象，难以达到制图输出的目的。因此，还需结合模板匹配技??术对道路边界加以平滑。而在面状道路基元上难以直接运用模板匹配技术加以平??滑。针对这一技术难点，本节引入道路骨架提取，基于道路骨架线自动生成模板，??继而模板匹配。??２１??
【参考文献】：
期刊论文
[1]深度学习方法用于遥感图像处理的研究进展[J]. 罗仙仙,曾蔚,陈小瑜,张东水,庄世芳. 泉州师范学院学报. 2017(06)
[2]基于面向对象算法的道路信息提取研究[J]. 王旭,戴激光. 测绘与空间地理信息. 2017(09)
[3]均值漂移与卡尔曼滤波相结合的遥感影像道路中心线追踪算法[J]. 曹帆之,朱述龙,朱宝山,李润生,孟伟灿. 测绘学报. 2016(02)
[4]基于改进SLIC方法的彩色图像分割[J]. 张亚亚,刘小伟,刘福太,张建廷. 计算机工程. 2015(04)
[5]基于圆形模板的高分辨率遥感影像道路半自动提取[J]. 谭仁龙,万幼川,袁芳,李刚. 测绘通报. 2014(10)
[6]基于地理国情普查高分辨率遥感影像的道路提取方法研究[J]. 顾剑华,孙鑫,李红. 测绘与空间地理信息. 2014(06)
[7]从高分辨率遥感影像中提取道路信息的方法综述及展望[J]. 项皓东. 测绘与空间地理信息. 2013(08)
[8]一种改进的快速并行细化算法[J]. 牟少敏,杜海洋,苏平,查绪恒,陈光艺. 微电子学与计算机. 2013(01)
[9]利用模板匹配和BSnake算法准自动提取遥感影像面状道路[J]. 孟樊,方圣辉. 武汉大学学报(信息科学版). 2012(01)
[10]指纹图像细化的复合式算法[J]. 卞维新,徐德琴. 中国图象图形学报. 2011(06)
博士论文
[1]高分辨率遥感影像多尺度纹理、形状特征提取与面向对象分类研究[D]. 黄昕.武汉大学 2009
硕士论文
[1]高分辨率遥感影像的道路提取方法研究[D]. 邓培荣.西安科技大学 2017
[2]高分辨率遥感影像道路提取算法研究[D]. 江中亮.中南大学 2014
[3]全色遥感影像面状地物半自动提取方法的研究[D]. 路威.中国人民解放军信息工程大学 2002
本文编号：3330183
【文章来源】：南京师范大学江苏省 211工程院校
【文章页数】：95 页
【学位级别】：硕士
【部分图文】：
图３．４样本采集示意图??
篇派??（ａ）样本选择?（ｂ）实验区样本示例??图３．４样本采集示意图??由于遥感影像数据特性的限制，直接利用现有ＧｏｏｇｌｅＮｅｔ模型表示遥感影像??数据特征存在以下问题：Ｉ、模型的深度特征学习方法需要大量且高质量的训练??样本，ＩＩ、最佳样本尺度的确立，ＩＩＩ、样本的均衡化问题。??针对以上问题，兼顾后续样本库数据管理的问题，需要对初始采集到的样本??数据进行入库的操作。由于不同传感器所呈现的地物差异较大，因此本文根据所??选实验区传感器的类别分别集成了相应的样本库，有关样本库设计的界面如图??３．５所示。在样本库设计环节针对利用现有ＧｏｏｇｌｅＮｅｔ模型表示遥感影像数据特??征存在的问题做了以下工作：??Ｉ、
（ａ）斑块内取块示意图?（ｂ）影像块生成具体示意图??图３．６图像块生成示意图??将所有有效的影像块输出后，分别记录每个影像块所属的斑块信息。用训练??好的ＧｏｏｇｌｅＮｅｔ网络模型对每个输出图像块的类别进行预测。最终利用多数投票??的策略（如图３．７），根据对每个图斑所包含的所有影像块进行类别投票，依次确??定每个面基元的类别。??ＲＲｒｎ?１?－？?／?Ｂ?１??國Ｌｄ??（ａ）图斑内影像块类别?（ｂ）类别投票结果示意图??图３．７图斑类别投票示意图??在确定了每个面基元的类别标签后，得到整景影像的全要素分类结果。对于??全要素分类结果，提取出其中的道路基元，便得到初始的道路网斑块。??３．?３道路骨架计算??虽然用面向对象的ＣＮＮ分类方法提取的初始道路网斑块相比于传统面向对??象监督分类方法在精度上有了很大的提升，但是所提取的道路网存在由于分割导??致的边缘“锯齿”现象，难以达到制图输出的目的。因此，还需结合模板匹配技??术对道路边界加以平滑。而在面状道路基元上难以直接运用模板匹配技术加以平??滑。针对这一技术难点，本节引入道路骨架提取，基于道路骨架线自动生成模板，??继而模板匹配。??２１??
【参考文献】：
期刊论文
[1]深度学习方法用于遥感图像处理的研究进展[J]. 罗仙仙,曾蔚,陈小瑜,张东水,庄世芳. 泉州师范学院学报. 2017(06)
[2]基于面向对象算法的道路信息提取研究[J]. 王旭,戴激光. 测绘与空间地理信息. 2017(09)
[3]均值漂移与卡尔曼滤波相结合的遥感影像道路中心线追踪算法[J]. 曹帆之,朱述龙,朱宝山,李润生,孟伟灿. 测绘学报. 2016(02)
[4]基于改进SLIC方法的彩色图像分割[J]. 张亚亚,刘小伟,刘福太,张建廷. 计算机工程. 2015(04)
[5]基于圆形模板的高分辨率遥感影像道路半自动提取[J]. 谭仁龙,万幼川,袁芳,李刚. 测绘通报. 2014(10)
[6]基于地理国情普查高分辨率遥感影像的道路提取方法研究[J]. 顾剑华,孙鑫,李红. 测绘与空间地理信息. 2014(06)
[7]从高分辨率遥感影像中提取道路信息的方法综述及展望[J]. 项皓东. 测绘与空间地理信息. 2013(08)
[8]一种改进的快速并行细化算法[J]. 牟少敏,杜海洋,苏平,查绪恒,陈光艺. 微电子学与计算机. 2013(01)
[9]利用模板匹配和BSnake算法准自动提取遥感影像面状道路[J]. 孟樊,方圣辉. 武汉大学学报(信息科学版). 2012(01)
[10]指纹图像细化的复合式算法[J]. 卞维新,徐德琴. 中国图象图形学报. 2011(06)
博士论文
[1]高分辨率遥感影像多尺度纹理、形状特征提取与面向对象分类研究[D]. 黄昕.武汉大学 2009
硕士论文
[1]高分辨率遥感影像的道路提取方法研究[D]. 邓培荣.西安科技大学 2017
[2]高分辨率遥感影像道路提取算法研究[D]. 江中亮.中南大学 2014
[3]全色遥感影像面状地物半自动提取方法的研究[D]. 路威.中国人民解放军信息工程大学 2002
本文编号：3330183
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3330183.html
