基于遥感影像的道路提取算法研究

论文摘要

随着遥感技术的快速发展,遥感影像的分辨率不断提高。目前高分辨率遥感影像已在基础地理数据更新、国土资源调查、土地利用变化检测等方面广泛应用。在遥感影像中,道路信息不但是一种非常重要的基础地理信息数据,而且还可以作为提取其它地物目标的参考和线索,它的正确提取对高分辨率遥感影像的深入应用具有重要的意义。在高分辨率遥感影像上利用各种遥感影像分割方法分割出道路目标信息,而后再进一步进行道路目标提取是遥感影像道路提取方法之一。影像分割是指把影像分成各具特性的区域并提取出感兴趣目标的技术和过程。影像分割作为信息提取的技术前提,是从影像处理到影像分析的关键步骤,对于推动遥感技术应用和发展具有十分重要的意义。在遥感影像上,道路呈现出长形带状特征,需要将道路目标和其它区域目标分离出来,在此基础上才有可能对道路目标做进一步提取。因此本文运用遥感影像分割与分类技术来提取道路特征,重点研究了遥感影像分割算法。在系统分析当今遥感影像分割技术的方法和理论研究现状的基础上,本文研究了Markov随机场模型与K均值（K-means）聚类这两种分割影像算法,并提出了支持向量机（SVM）分类结合模糊C均值（FCM）聚类的混合模型分割影像算法（此混合模型算法为本论文的独特之处）,并对其进行了改进,以便适合于遥感影像道路类别提取的条件；然后使用数学形态学相关知识来实现道路目标的提取；最后将这三种分割算法提取的道路效果进行视觉与定量分析比较。精度评价表明,SVM结合FCM混合模型提取道路的精度高于Markov随机场、K-means聚类；SVM结合FCM混合模型提取道路的精确度为94.57%,Markov随机场为85.43%,K-means聚类为82.18%。本文研究的主要目的是如何实现高分辨率遥感影像道路目标的识别与提取。在研究过程中,采用各种遥感影像分割算法分割出道路信息,其主要内容有：1、在对遥感影像进行分割之前首先进行预处理,预处理的好坏将直接影响影像的分割效果,特别在影像增强方面,所以本文总结了一些比较常用的影像增强方法,并应用到遥感影像预处理中；2、本文对Markov随机场模型、K-means聚类、SVM分类结合FCM聚类的混合模型这三种分割算法进行了重点研究,并对其进行了改进,以便适合于遥感影像道路提取的条件；3、得到较好的分割结果后,道路类别中存在各种“噪声”,本文采用数学形态学影像处理方法对分割结果进一步处理,实现了道路信息提取；最后对这三种分割算法提取的道路网效果进行对比实验。

论文目录

• 摘要
• ABSTRACT
• 目录
• 1 绪论
• 1.1 研究背景和意义
• 1.2 高分辨率遥感影像道路特征提取国内外研究现状
• 1.3 本文的研究内容和文章结构
• 1.4 论文的内容安排
• 2 高分辨率遥感影像预处理
• 2.1 高分辨率遥感影像预处理
• 2.1.1 影像增强及其常用方法
• 2.1.2 遥感影像增强实验分析
• 2.2 遥感影像分割技术
• 2.2.1 图像分割定义
• 2.2.2 图像分割的分类
• 2.3 小结
• 3 Markov随机场在遥感影像道路提取中的应用
• 3.1 Markov随机场模型
• 3.1.1 Markov随机场
• 3.1.2 Markov随机场和Gibbs分布的等价关系
• 3.1.3 MAP-MRF图像分割模型
• 3.2 Markov随机场的分割算法
• 3.2.1 ICM采样算法特点
• 3.2.2 Gibbs采样算法特点
• 3.2.3 SA算法特点
• 3.2.4 改进的SA算法特点
• 3.3 Markov分割遥感影像及提取道路
• 3.4 小结
• 4 K-means聚类算法及其在遥感影像道路提取中的应用
• 4.1 K-means聚类
• 4.2 K-means聚类分割算法分析
• 4.3 K-means聚类分割遥感影像及提取道路
• 4.4 小结
• 5 SVM结合FCM混合模型在遥感影像道路提取中的应用
• 5.1 FCM聚类原理
• 5.2 支持向量机分类原理
• 5.2.1 线性支持向量机模型
• 5.2.2 非线性支持向量机
• 5.2.3 多类分类和分类参数选择问题
• 5.3 SVM结合FCM混合模型分割遥感影像及提取道路
• 5.3.1 SVM-FCM混合模型
• 5.3.2 SVM-FCM分割遥感影像及提取道路
• 5.4 实验结果评价
• 5.4.1 视觉分析
• 5.4.2 定量分析
• 5.5 小结
• 6 总结及展望
• 6.1 本文工作总结
• 6.2 今后工作展望
• 致谢
• 参考文献
• 附录A