高分辨率遥感图像的道路提取与车辆检测

发布时间：2017-08-12 14:06

  本文关键词：高分辨率遥感图像的道路提取与车辆检测

  更多相关文章： 高分辨率遥感图像 道路提取 分割算法 车辆检测

【摘要】：随着高分辨率遥感技术的发展,影像的纹理细节越来越丰富,这为遥感信息提取带来了更多的机遇和挑战。作为重要的地物骨架,道路信息的提取有着广泛的应用前景和研究价值。由于道路在低分辨率影像和高分辨率影像中表现的形式不同,有些传统的道路提取方法不再适用。本文立足于高分辨率遥感图像针对高分一号、高分二号、北京二号三种数据源进行了基于分割的道路提取方法的研究。此外,高分辨率的影像显露出许多道路细节信息,使得车辆的检测与识别成为可能。本文使用高分二号数据源提出了基于双阈值的车辆检测方法的改进,主要工作如下:论文首先研究了基于聚类分割的道路提取方法,采用了基于模糊C均值聚类和改进的K-means聚类两种算法对影像进行分割。聚类后的结果包括和道路光谱特征相似的建筑物等其他地物,接下来又结合了数学形态学和形状滤波等操作对结果进行后处理。山区道路形状细长、方向多变,在影像中常常会出现因树木阴影造成的断裂。而山区道路的断裂距离与道路宽度的比值相对较大,使得传统的形态学等断路连接算法效果不佳。本文提出了一种基于凸包函数距离阈值的道路连接方法,对于山区断裂道路的连接起到了很好的效果。接下来,论文研究了基于改进的分水岭分割算法的道路提取,引入基于自适应阈值的前景标记和基于形态学重建的背景标记来修改梯度图像,很好得消除了原始方法中过分割的现象。在得到分割结果之后,利用形状、光谱等信息提取出道路。最后,论文提出了一种改进的车辆检测算法。通过双阈值对道路中亮、暗色车辆进行检测,再对结果进行噪声及干扰地物去除、阴影去除等后处理。由于高分二号数据源中部分亮色车辆由于暗色车窗的影响会造成一定误检现象,本文提出了一种整车检测与处理算法,并证明了其有效性。
【关键词】：高分辨率遥感图像 道路提取 分割算法 车辆检测
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP751
【目录】：

• 摘要4-5
• Abstract5-8
• 第1章 绪论8-18
• 1.1 研究背景及意义8-9
• 1.2 国内外研究现状9-13
• 1.2.1 道路提取发展现状9-11
• 1.2.2 分割算法的研究现状11-12
• 1.2.3 车辆检测的研究现状12-13
• 1.3 数据源和场景介绍13-15
• 1.3.1 数据源选取说明13-14
• 1.3.2 道路场景描述14-15
• 1.4 论文主要研究内容及结构安排15-18
• 第2章 基于聚类分割的道路提取算法18-33
• 2.1 引言18
• 2.2 改进后的K-means聚类分割18-22
• 2.3 模糊C均值聚类分割22-25
• 2.4 后处理与道路提取25-29
• 2.4.1 数学形态学理论25-26
• 2.4.2 形状特征后处理26-27
• 2.4.3 基于凸包的断裂道路连接27-29
• 2.5 实验与结果分析29-32
• 2.6 本章小结32-33
• 第3章 基于改进分水岭算法的道路提取33-45
• 3.1 引言33
• 3.2 分水岭分割原理及改进33-36
• 3.2.1 分水岭分割概述33-35
• 3.2.2 本研究改进技术流程35-36
• 3.3 基于自适应阈值梯度的分水岭分割前景标记提取36-41
• 3.3.1 彩色向量空间梯度描述36-38
• 3.3.2 用结合边缘信息的自适应阈值梯度实现前景标记提取38-41
• 3.4 基于形态学的分水岭分割背景标记提取及道路后处理41-43
• 3.4.1 距离变换进行背景标记41-42
• 3.4.2 道路后处理42-43
• 3.5 道路提取结果分析43-44
• 3.6 本章小结44-45
• 第4章 道路车辆的检测与提取45-53
• 4.1 引言45
• 4.2 基于改进双阈值的车辆检测算法45-47
• 4.3 阴影及干扰地物去除47-49
• 4.4 整车检测与处理49-51
• 4.5 实验与结果分析51-52
• 4.6 本章小结52-53
• 结论53-55
• 参考文献55-62
• 致谢62

，

本文编号：661958