基于ELM的遥感影像城市道路提取

发布时间：2021-10-18 18:17

　　针对高分辨率遥感影像中复杂场景道路提取不理想问题,利用极限学习机ELM的快速学习能力,提出了一种基于ELM的城市道路提取方法。首先,利用改进的布谷鸟搜索CS算法自适应地选择ELM的隐含层节点数,以提高模型的稳定性;其次,引入数据样本蕴含的判别信息,弥补ELM学习不够充分问题,进而提高ELM分类性能;最后,结合数学形态学处理,对提取道路进行优化,获得最终的道路提取效果。遥感影像道路提取实验结果表明,所提方法不仅增强了网络的稳定性,同时还提高了道路提取的精确度,能较好地提取出道路信息。 

【文章来源】：计算机工程与科学. 2020,42(01)北大核心CSCD

【文章页数】：6 页

【部分图文】：

不同方法道路提取图1

为进一步定量分析道路提取效果,验证本文方法的有效性和准确性,通过在原始影像中随机选取5 000个测试样本点,并对道路和非道路样本点数量进行个数统计。图3为随机测试样本点分布图。道路提取评价如表1和表2所示。从表2中可以看出,本文方法的正确率达到了93.5%,在道路提取完整率上远远优于另外2种方法,达到了97.3%。相比较SVM和ELM,提取质量分别提高了5.7%和2.6%,能够有效地提取出完整的道路信息。

为了更好地验证本文方法的有效性,采用另外一幅重庆市某城区的WordView-2影像(数据大小为340×340,分辨率为1 m(如图4a所示)),进行验证实验,不同方法的提取效果如图4所示。从图4可以看出,SVM和CNN均存在错分现象,致使道路提取不连续、断裂和畸变等,道路提取不完整。本文方法能够很好地抑制不连续和断裂情况的发生,道路提取效果更好。道路提取评价指标如表3所示。

【参考文献】：
期刊论文
[1]基于FCM与SVM相结合的高分辨率遥感影像道路提取[J]. 洪绍轩,赵业隆,王伟轩.  测绘与空间地理信息. 2018(11)
[2]布谷鸟搜索算法综述[J]. 张晓凤,王秀英.  计算机工程与应用. 2018(18)
[3]城市道路的多特征多核SVM提取方法[J]. 李洪川,楚恒,霍英海.  测绘通报. 2018(02)
[4]基于判别信息极限学习机的高光谱遥感图像分类[J]. 杨伊,闫德勤,张海英,楚永贺.  软件导刊. 2017(01)
[5]融合像素—多尺度区域特征的高分辨率遥感影像分类算法[J]. 刘纯,洪亮,陈杰,楚森森,邓敏.  遥感学报. 2015(02)
[6]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)



本文编号：3443260