高分遙感影像信息處理與信息提取

1、高分遙感影像信息處理與信息提取 第1頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四提綱遙感處理與信息提取簡(jiǎn)介遙感圖像處理遙感圖像分類遙感圖像專題信息提取與目標(biāo)識(shí)別遙感圖像變化檢測(cè)第2頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四遙感信息提取的概念遙感信息提取，是遙感成像過(guò)程的逆過(guò)程，是從遙感對(duì)地面實(shí)況的模擬影像中提取有關(guān)信息、反演地面原型的過(guò)程。需要根據(jù)專業(yè)的要求，運(yùn)用物理模型、解譯特征標(biāo)志和實(shí)踐經(jīng)驗(yàn)與知識(shí)，定性、定量地提取出物理量、時(shí)空分布、功能結(jié)構(gòu)等有關(guān)信息。 主要方法應(yīng)用數(shù)據(jù)源空間分辨率光譜分辨率時(shí)間分辨率定量遙感反演模型大氣、海洋、生態(tài)環(huán)境動(dòng)態(tài)監(jiān)測(cè)MODIS

2、、AVHRR低高高遙感分類監(jiān)督與非監(jiān)督分類土地覆蓋與土地利用、農(nóng)林TM、SPOT4、CBERS中中中目標(biāo)識(shí)別分割、模式識(shí)別城市、軍事、設(shè)施SPOT5、IKONOS、QuickBird高低中第3頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四 以影像為主要類型的空間數(shù)據(jù)獲取能力得到不斷提高，而高分辨率遙感更是逐漸成為了面向社會(huì)發(fā)展、經(jīng)濟(jì)建設(shè)、國(guó)防安全和社會(huì)大眾需求等最重要的空間信息來(lái)源，我國(guó)中長(zhǎng)期科學(xué)和技術(shù)發(fā)展規(guī)劃中明確提出要建設(shè)高分辨率對(duì)地觀測(cè)系統(tǒng)，系統(tǒng)建成后將全面應(yīng)用服務(wù)于各行各業(yè)。影像數(shù)據(jù)處理、分析、理解和決策應(yīng)用等構(gòu)成了遙感應(yīng)用的技術(shù)鏈，而信息提取與目標(biāo)識(shí)別更是遙感從數(shù)據(jù)轉(zhuǎn)換

3、為信息進(jìn)而開(kāi)展應(yīng)用服務(wù)的核心技術(shù)。由于高空間分辨率遙感影像的特點(diǎn)，高精度、高效率目標(biāo)自動(dòng)識(shí)別問(wèn)題一直是極大的技術(shù)難點(diǎn)，已經(jīng)是大規(guī)模應(yīng)用的瓶頸。 高分辨率遙感應(yīng)用中的主要問(wèn)題第4頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四高分辨率遙感信息提取中的主要問(wèn)題應(yīng)用瓶頸問(wèn)題：數(shù)據(jù)量和空間計(jì)算復(fù)雜性驟增，影像噪聲更為明顯，周圍環(huán)境影響加大，同物異譜和同譜異物現(xiàn)象普遍存在，這些因素給遙感影像數(shù)據(jù)處理與分析帶來(lái)了新的難題，極大地影響了高空間分辨率影像信息提取和目標(biāo)識(shí)別的精度與效率； 如何解決：與傳統(tǒng)的主要依賴于波譜信息的處理與分析方法相比較，必須更多地考慮圖像的結(jié)構(gòu)、形態(tài)、分布等空間特征信息，

4、這也是伴隨圖像理解和高效能計(jì)算技術(shù)發(fā)展的新一代遙感信息處理與分析技術(shù)。 第5頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四遙感信息提取機(jī)理地學(xué)現(xiàn)象與過(guò)程地學(xué)認(rèn)知地面目標(biāo)過(guò)程時(shí)序分解抽象空間位置空間信息屬性特征波譜信息時(shí)間時(shí)相信息綜合度綜合與分解性遙感信息地理空間影像空間第6頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四高分辨率遙感影像處理 圖像輻射校正影像幾何糾正、 配準(zhǔn)、影像拼接影像增強(qiáng) 影像融合. 第7頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四2004-12-17輻射校正輻射校正（radiometric correction） ：消除輻射量失真

5、。利用遙感器觀測(cè)目標(biāo)物輻射或反射的電磁能量時(shí)，從遙感器得到的測(cè)量值與目標(biāo)物的光譜反射率或光譜輻射亮度等物理量是不一致的，這是因?yàn)闇y(cè)量值中包含太陽(yáng)位置及角度條件、薄霧等大氣條件所引起的失真。為了正確評(píng)價(jià)目標(biāo)物的反射特性及輻射特性，必須消除這些失真。引起輻射畸變的因素：遙感器的靈敏度特性、太陽(yáng)高度及地形、大氣等。第8頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四輻射校正 由遙感器引起的誤差或由太陽(yáng)高度引起的誤差，一般在數(shù)據(jù)生產(chǎn)過(guò)程中由生產(chǎn)單位根據(jù)遙感器參數(shù)進(jìn)行校正，而不需要用戶進(jìn)行自行處理。用戶一般考慮大氣影響引起的輻射畸變。第9頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，

6、星期四幾何校正圖像的幾何校正（geometric correction）是指從具有幾何畸變的圖像中消除畸變的過(guò)程，從而建立圖像上的像元坐標(biāo)與目標(biāo)物的地理坐標(biāo)間的對(duì)應(yīng)關(guān)系，并使其符合地圖投影系統(tǒng)的過(guò)程。第10頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四由遙感器引起的圖像幾何畸變第11頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四幾何畸變校正幾何校正的方法系統(tǒng)性校正：當(dāng)知道了消除圖像幾何畸變的理論校正公式時(shí)，可把該式中所含的與遙感器構(gòu)造有關(guān)的校準(zhǔn)數(shù)據(jù)（焦距等）及遙感器的位置、姿態(tài)等的測(cè)量值代入到理論校正式中進(jìn)行幾何校正。該方法對(duì)遙感器的內(nèi)部畸變大多是有效的?？墒窃诤芏?/p>

7、情況下，遙感器的位置及姿態(tài)的測(cè)量值精度不高，所以外部畸變的校正精度也不高。 第12頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四幾何畸變校正幾何校正的方法非系統(tǒng)性校正：利用控制點(diǎn)的圖像坐標(biāo)和地圖坐標(biāo)的對(duì)應(yīng)關(guān)系，近似地確定所給的圖像坐標(biāo)系和應(yīng)輸出的地圖坐標(biāo)系之間的坐標(biāo)變換式。坐標(biāo)變換式經(jīng)常采用1次、2次等角變換式，2次、3次投影變換式或高次多項(xiàng)式。坐標(biāo)變換式的系數(shù)可從控制點(diǎn)的圖像坐標(biāo)值和地圖坐標(biāo)值中根據(jù)最小2乘法求出。 第13頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四幾何畸變校正幾何校正的方法復(fù)合校正：把理論校正式與利用控制點(diǎn)確定的校正式組合起來(lái)進(jìn)行校正。 分階段

8、校正的方法，即首先根據(jù)理論校正式消除幾何畸變（如內(nèi)部畸變等），然后利用少數(shù)控制點(diǎn)，根據(jù)所確定的低次校正式消除殘余的畸變（外部畸變等）； 提高幾何校正精度的方法，即利用控制點(diǎn)以較高的精度推算理論校正式中所含的遙感器參數(shù)、遙感器的位置及姿態(tài)參數(shù)。 第14頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四幾何畸變校正 常用的是一種通用的精校正方法，適合于在地面平坦，不需考慮高程信息，或地面起伏較大而無(wú)高程信息，以及傳感器的位置和姿態(tài)參數(shù)無(wú)法獲取的情況時(shí)應(yīng)用。有時(shí)根據(jù)遙感平臺(tái)的各種參數(shù)已做過(guò)一次校正，但仍不能滿足要求，就可以用該方法作遙感影像相對(duì)于地面坐標(biāo)的配準(zhǔn)校正，遙感影像相對(duì)于地圖投影坐

9、標(biāo)系統(tǒng)的配準(zhǔn)校正，以及不同類型或不同時(shí)相的遙感影像之間的幾何配準(zhǔn)和復(fù)合分析，以得到比較精確的結(jié)果。第15頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四幾何精糾正的一般過(guò)程收集資料；導(dǎo)入影像數(shù)據(jù)；選取地面控制點(diǎn)（GCP），確定其空間坐標(biāo)；確定糾正所需的幾何校正模型；確定輸出影像范圍；插值和像元幾何位置變換方法；像元的灰度重采樣產(chǎn)生糾正后的數(shù)字影像第16頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四控制點(diǎn)的選取幾何校正的第一步便是位置計(jì)算，首先是對(duì)所選取的二元多項(xiàng)式求系數(shù)。這時(shí)必須已知一組控制點(diǎn)坐標(biāo)。 控制點(diǎn)數(shù)目的確定其最低限是按未知系數(shù)的多少來(lái)確定的。一次多項(xiàng)式有6個(gè)

10、系數(shù)，就需要有6個(gè)方程來(lái)求解，需3個(gè)控制點(diǎn)的3對(duì)坐標(biāo)值，即6個(gè)坐標(biāo)數(shù)。 2次多項(xiàng)式有 12個(gè)系數(shù)，需要 12個(gè)方程（6個(gè)控制點(diǎn)）。依次類推，n次多項(xiàng)式，控制點(diǎn)的最少數(shù)目為(n+1)(n+2)/2。實(shí)際工作表明，選取最少數(shù)目的控制點(diǎn)來(lái)校正圖像，效果往往不好。在圖像邊緣處，在地面特征變化大的地區(qū)，如河流拐彎處等，由于沒(méi)有控制點(diǎn)，而靠計(jì)算推出對(duì)應(yīng)點(diǎn)，會(huì)使圖像變形。因此，在條件允許的情況下，控制點(diǎn)數(shù)的選取都要大于最低數(shù)很多。第17頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四控制點(diǎn)的選取控制點(diǎn)選取的原則一般來(lái)說(shuō)，控制點(diǎn)應(yīng)選取圖像上易分辨且較精細(xì)的特征點(diǎn)，這很容易通過(guò)目視方法辨別，如道路交

11、叉點(diǎn)、河流分叉處、海岸線彎曲處、飛機(jī)場(chǎng)、城廓邊緣等。特征變化大的地區(qū)應(yīng)多選些。圖像邊緣部分一定要選取控制點(diǎn)，以避免外推。此外，盡可能滿幅均勻選取，特征實(shí)在不明顯的大面積區(qū)域（如沙漠），可用求延長(zhǎng)線交點(diǎn)的辦法來(lái)彌補(bǔ)，但應(yīng)盡可能避免這樣做，以避免造成人為的誤差。 第18頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四二次多項(xiàng)式校正數(shù)學(xué)模型基本數(shù)學(xué)模型形式用最小二乘法通過(guò)GCP數(shù)據(jù)進(jìn)行曲面擬合求系數(shù)：待求系數(shù)的個(gè)數(shù)：M=(n+1)(N+2)/2第19頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四重采樣方法一對(duì)輸入圖像的各個(gè)像元在變換后的輸出圖像坐標(biāo)系上的相應(yīng)位置進(jìn)行計(jì)算，把

12、各個(gè)像元的數(shù)據(jù)投影到該位置上第20頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四重采樣方法二對(duì)輸出圖像的各個(gè)像元在輸入圖像坐標(biāo)系的相應(yīng)位置進(jìn)行逆運(yùn)算，求出該位置上的像元數(shù)據(jù)，保持圖像行列數(shù)不變。此系目前多數(shù)軟件中通常采用的方法。第21頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四圖像內(nèi)插法一：最近鄰法（NN，Nearest Neighborhood）最近鄰法：以距內(nèi)插點(diǎn)最近的觀測(cè)點(diǎn)的像元值為所求的像元值。該方法最大可產(chǎn)生1/2像元的位置誤差，但優(yōu)點(diǎn)是不破壞原來(lái)的像元值，處理速度快。第22頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四圖像內(nèi)插法二：雙線性

13、內(nèi)插法（BL，Bi-Linear）使用內(nèi)插點(diǎn)周圍的4個(gè)觀測(cè)點(diǎn)的像元值，對(duì)所求的像元值進(jìn)行線性內(nèi)插。該方法的缺點(diǎn)是破壞了原來(lái)的數(shù)據(jù)，但具有平均化的濾波效果。第23頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四圖像內(nèi)插法三： 3次卷積內(nèi)插法（CC，cubic convolution）使用內(nèi)插點(diǎn)周圍的16個(gè)觀測(cè)點(diǎn)的像元值，用3次卷積函數(shù)對(duì)所求像元值進(jìn)行內(nèi)插。該方法的缺點(diǎn)是破壞了原來(lái)的數(shù)據(jù)，但具有圖像的均衡化和清晰化的效果，可得到較高的圖像質(zhì)量。第24頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四遙感圖像配準(zhǔn)圖像配準(zhǔn)（或圖像匹配）是評(píng)價(jià)兩幅或多幅圖像的相似性以確定同名點(diǎn)的過(guò)

14、程。圖像配準(zhǔn)算法就是設(shè)法建立兩幅圖像之間的對(duì)應(yīng)關(guān)系,確定相應(yīng)幾何變換參數(shù),對(duì)兩幅圖像中的一幅進(jìn)行幾何變換的方法。 第25頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四圖像配準(zhǔn)參考圖像（主圖像） 待配準(zhǔn)圖像（輔圖像） 配準(zhǔn)圖像第26頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四用詞說(shuō)明各種圖像配準(zhǔn)的文獻(xiàn)都會(huì)出現(xiàn)“配準(zhǔn)、匹配、幾何校正”三個(gè)詞，它們的含義比較相似。一般兩幅圖像之間用“配準(zhǔn)（register, registration）”；尋找同名特征(點(diǎn)) 的過(guò)程叫“匹配（match, matching）”; 根據(jù)主輔圖像之間的幾何變換關(guān)系，對(duì)輔圖像進(jìn)行逐像素處理變?yōu)榕?/p>

15、準(zhǔn)圖像的過(guò)程叫做“幾何校正（geometric correction）”。第27頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四配準(zhǔn)方法分類按照配準(zhǔn)算法所利用的圖像信息，可以分為基于區(qū)域的方法和基于特征的方法 ?；趨^(qū)域的匹配主要是模板匹配和基于相位（頻率）的匹配方法；基于特征的匹配包括基于特征點(diǎn)集的匹配和基于線特征（圖像中邊緣信息）的匹配算法。按自動(dòng)化程度可以分為人工、半自動(dòng)和全自動(dòng)三種類型 。第28頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四模板匹配模板匹配法是在一幅影像中選取一個(gè)的影像窗口作模板，大小通常為55或77，然后通過(guò)相關(guān)函數(shù)的計(jì)算來(lái)找到它在搜索圖中的

16、坐標(biāo)位置。 第29頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四相似性測(cè)度用以下測(cè)度來(lái)衡量T和Si,j的相似程度：根據(jù)施瓦茲不等式， ，并且在 比值為常數(shù)時(shí)取極大值為1。但實(shí)際上兩幅不同圖像的P值介于0和1之間，很難達(dá)到理想值。根據(jù)經(jīng)驗(yàn)取某個(gè)閾值P0，如果P P0，則匹配成功； P河灘地河流居民地（城市縣城鄉(xiāng)鎮(zhèn)集村）菜地水田，居民地與河流、菜地易混。TM2：同TM1。TM3：道路河灘地城市河流鄉(xiāng)鎮(zhèn)縣城集村菜地水田，城市與河灘地、河流，鄉(xiāng)鎮(zhèn)與河流,集村與菜地易混。TM4：菜地水田集村道路鄉(xiāng)鎮(zhèn)河灘地縣城河流城市TM5：道路菜地集村河灘地鄉(xiāng)鎮(zhèn)城市縣城水田河流TM6：城市縣城鄉(xiāng)鎮(zhèn)集村河流

17、水田河灘地菜地道路TM7：道路城市鄉(xiāng)鎮(zhèn)河灘地縣城集村菜地水田河流第81頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四TM圖像上的居民地識(shí)別提取基于光譜知識(shí)的居民地提取模型城鎮(zhèn)： TM5TM4 TM4-TM7K2鄉(xiāng)村 TM4-TM5K1 TM3-TM7K2第82頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四數(shù)據(jù)源：DMC+4 “北京一號(hào)”小衛(wèi)星系統(tǒng)基于GABOR濾波的居民地提取方法第83頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四南京師范大學(xué) 地理科學(xué)學(xué)院第84頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四居民地的紋理特征表現(xiàn)第85頁(yè)，共

18、133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四(a)(b)(c)(d)(e)(f)Extraction of several residential areas (from left to right, up to down): (a) source (b)segmentation with Gabor filtering (c)result with opening (d) 1st scale (e) 8th scale (f)13th scale第86頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四(a)(b)(c)(d)第87頁(yè)，共133頁(yè)，2022年，5月20日，1

19、7點(diǎn)18分，星期四南京師范大學(xué) 地理科學(xué)學(xué)院基于水陸關(guān)聯(lián)信息的橋梁提取第88頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四南京師范大學(xué) 地理科學(xué)學(xué)院橋梁識(shí)別整體框架1234第89頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四2022/9/790船舶提取方法高分辨率遙感影像水體與陸地分割基于灰度的自動(dòng)、半自動(dòng)分割基于SVM的區(qū)域分類水體與陸地二值分割圖像分割后處理水體多邊形矢量化與特征表達(dá)船舶基元水體邊界的凸向檢測(cè)疑似船舶區(qū)域形體約束：長(zhǎng)度、寬度、長(zhǎng)寬比、形狀規(guī)整度、面積對(duì)稱度第90頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四2022/9/791 大型

20、船舶提取方法五 高分遙感目標(biāo)識(shí)別算法實(shí)現(xiàn)基元?dú)w并和目標(biāo)分類第91頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四92線要素提取中低分辨率的遙感圖像上（如TM圖像），道路一般僅為一到幾個(gè)像素寬，為此適合采用邊緣檢測(cè)的方式進(jìn)行提取 。高分辨率遙感圖像上（如“北京一號(hào)”小衛(wèi)星），道路達(dá)到十余個(gè)乃至幾十個(gè)像素，呈現(xiàn)條帶狀（為統(tǒng)一起見(jiàn)，我們?nèi)苑Q其為線狀地物）。內(nèi)部細(xì)節(jié)信息更為豐富，造成更為突出的同物異譜現(xiàn)象，為其自動(dòng)提取帶來(lái)更大困難。 在遙感圖像特征地物提取中，線狀地物道路是一個(gè)非常重要的課題，無(wú)論在民用方面還是軍用方面都具有重要的意義。第92頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)1

21、8分，星期四道路提取概述：泛概念層次預(yù)處理（校正、濾波）低層次處理（二值化、灰度、邊緣、紋理、頂點(diǎn)、方向等）中層次處理（特征分析、選擇、綜合）高層次處理（知識(shí)、智能、規(guī)則、學(xué)習(xí)、理解、識(shí)別）道路目標(biāo)（標(biāo)識(shí)、表示、應(yīng)用）第93頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四道路提取概述道路網(wǎng)絡(luò)提取按實(shí)現(xiàn)方式可分為自動(dòng)與半自動(dòng)提取兩大類;按其實(shí)現(xiàn)的步驟，一般可大致分為以下幾個(gè)基本步驟: 1）道路特征的增強(qiáng)； 2）道路“種子點(diǎn)”的確定，確定可能的道路點(diǎn); 為此，人們提出了各種道路檢測(cè)算子，有基于像素分類、邊 緣檢測(cè)和模板匹配等方法； 3）將“種子點(diǎn)”擴(kuò)展成段; 有基于規(guī)則的邊緣點(diǎn)自動(dòng)連接

22、、動(dòng)態(tài)規(guī)劃等等； 4）道路段的確認(rèn)、自動(dòng)連接，并形成道路網(wǎng)絡(luò); 這一步驟涉及到自動(dòng)編組算法、顧及上下文知識(shí)的連接假設(shè)生成和假設(shè)驗(yàn)證、地物語(yǔ)義關(guān)系表達(dá)、多源數(shù)據(jù)的融合等高層次自動(dòng)圖像解譯方法。第94頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四半自動(dòng)道路提取半自動(dòng)道路特征提取即利用人機(jī)交互的形式進(jìn)行特征提取和識(shí)別，其主要思想是人工首先提供初始道路點(diǎn)（種子點(diǎn)）有時(shí)還提供初始方向，然后再由計(jì)算機(jī)進(jìn)行處理識(shí)別，同時(shí)適當(dāng)進(jìn)行人機(jī)交互，這方面已有很多研究，并取得了較好的效果。第95頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四96國(guó)內(nèi)外研究現(xiàn)狀道路提取一般可以歸納為全自動(dòng)提取方

23、法及半自動(dòng)提取方法。 在全自動(dòng)提取方面在半自動(dòng)提取方面1）基于平行線對(duì)的道路提取2）基于二值化和知識(shí)的道路提取3）基于窗口模型特征的道路提取4）多分辨率提取算法1）基于像素與背景的算子模型的道路提取2）基于樹(shù)結(jié)構(gòu)的特征判別模型的道路提取3）基于最小二乘B樣條曲線的道路提取4）基于類與模糊集的道路網(wǎng)絡(luò)提取5）動(dòng)態(tài)規(guī)劃方法6）基于邊緣跟蹤的方法7）利用統(tǒng)計(jì)和結(jié)構(gòu)信息的提取算法8）Snakes模型第96頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四半自動(dòng)方法a) 基于像素與背景的算子模型的道路提取c) 基于最小二乘樣條曲線的道路提取d) 基于類與模糊集的道路網(wǎng)絡(luò)提取動(dòng)態(tài)規(guī)劃的方法提取遙

24、感影像道路特征、應(yīng)用模板匹配和神經(jīng)網(wǎng)絡(luò)半自動(dòng)道路特征提取方法第97頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四全自動(dòng)提取方法基于平行線對(duì)的道路提取 基于二值化和知識(shí)的道路提取基于窗口模型特征的道路提取第98頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四方法列表（適宜低精度圖象）第99頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四方法列表：（適宜高精度圖象） 第100頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四各種道路表現(xiàn)形式第101頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四剖面建模第102頁(yè)，共133頁(yè)，2022年，

25、5月20日，17點(diǎn)18分，星期四“掃描蛇”道路追蹤第103頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四兩種不同的道路色調(diào)第104頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四道路剖面建模(1)1）設(shè)某個(gè)道路檢測(cè)連線區(qū)間為: X = 0, k , 則連線下像元灰度值是位置的函數(shù)：2）則連線內(nèi)任意位置的灰度梯度為 ：3）梯度極大的位置集合定義： 4）梯度極小的位置集合 ： 第105頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四道路剖面建模(2)(5) 則可能的道路剖面是X 上的某個(gè)子區(qū)間，構(gòu)成可能道路剖面集合 第106頁(yè)，共133頁(yè)，2022年，5月20

26、日，17點(diǎn)18分，星期四道路剖面建模(3)(6)做如下特征函數(shù)定義 剖面寬度： 剖面灰度最大值: 剖面灰度最小值：剖面灰度均值：剖面外周邊環(huán)境的灰度均值：剖面最大灰度差：剖面和周圍地物灰度差：第107頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四道路剖面建模(4)(7) 則合適的道路剖面集合滿足如下條件： Ini_w是初始道路寬度，Tw+, Tw-, Tin, Tout 是預(yù)先設(shè)置的閾值。其中，Tw+, Tw- 是當(dāng)前道路寬度和初始寬度的比值的上下限，Tin是內(nèi)部灰度差的上限, Tout是道路內(nèi)部灰度和周圍環(huán)境的灰度差的下限。設(shè)置以上參數(shù)的依據(jù)是道路建模的假設(shè)條件。如果同時(shí)有多個(gè)

27、合適剖面，可挑選寬度最接近初始寬度的一個(gè)。 第108頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四算法流程: 以一條道路為例步驟1：設(shè)置道路追蹤的起始連線步驟2：起始連線兩側(cè)的剖面分析、追蹤得到道路邊界 步驟2.1: 從起始連線開(kāi)始，根據(jù)道路走向45度方位角為界，區(qū)分橫向道路與縱向道路，橫向道路選擇縱向掃描線，縱向道路選擇橫向掃描線; 步驟2.2: 以約1.2倍起始路寬的寬度（可調(diào)節(jié)），在某個(gè)掃描扇面的角度范圍內(nèi)，做若干個(gè)追蹤方向上的剖面檢測(cè)連線，即派遣若干條“掃描蛇”；根據(jù)剖面的灰度分布、梯度極值、寬度等特征信息搜索每個(gè)蛇節(jié)上的合適剖面，并進(jìn)行投票登記； 步驟2.3: 選擇票數(shù)

28、最多的一條蛇，選擇其尾部合適剖面作為下一個(gè)開(kāi)始追蹤的剖面位置，并登記道路端點(diǎn)信息； 步驟2.4: 重復(fù)子步驟1,2,3,直到本次追蹤結(jié)束； 步驟3：結(jié)果的矢量化表達(dá)第109頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四實(shí)例分析：小衛(wèi)星全色影象第110頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四放大的局部第111頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四間斷道路提取第112頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四南京師范大學(xué) 地理科學(xué)學(xué)院交叉道路提取第113頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四Quickb

29、ird 影象道路提取第114頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四115主動(dòng)輪廓模型研究主動(dòng)輪廓模型（Active Contour Model ），也稱 “蛇”（ Snakes）模型，是Kass等人在1987年提出的。模型的主要思想就是從一條初始曲線出發(fā)，在一定規(guī)則的約束下，經(jīng)過(guò)不斷地演化，運(yùn)動(dòng)曲線最終可以將目標(biāo)分離出來(lái)。這樣，在實(shí)際應(yīng)用中結(jié)合一定的先驗(yàn)知識(shí)，針對(duì)具體的任務(wù)，有選擇的利用相關(guān)信息，便可以達(dá)到更方便、更準(zhǔn)確的目的。第115頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四116主動(dòng)輪廓模型研究主動(dòng)輪廓模型可以表示為定義在s0,1上的參數(shù)曲線，即：v

30、(s)=(x(s),y(s)。輪廓上的總能量可以定義為：第116頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四117基于Snakes模型的道路位置優(yōu)化技術(shù)路線第117頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四118基于Snakes模型的道路位置優(yōu)化鄉(xiāng)村區(qū)域道路網(wǎng)提取 正確提取的比率分別為暗道路94.4%、亮道路95.0%。在利用Snakes模型優(yōu)化之后，均方根誤差有明顯下降，暗道路由4.4下降到1.2，亮道路由3.5下降到0.9 ，提取結(jié)果更加接近于真實(shí)道路。第118頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四119基于Snakes模型的道路位置

31、優(yōu)化城郊道路網(wǎng)提取 道路正確識(shí)別率約93.8，通過(guò)Snakes模型的優(yōu)化后，均方根誤差由5.7降低到1.2 。第119頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四120基于Snakes模型的道路位置優(yōu)化城市區(qū)域道路網(wǎng)絡(luò)提取 在城市區(qū)域，正確識(shí)別率下降到68.3%。通過(guò)Snakes模型的優(yōu)化后，均方根誤差由5.9降低到1.1 。第120頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四121基于Snakes模型的道路位置優(yōu)化河流網(wǎng)絡(luò)提取 在算法參數(shù)沒(méi)有修改的情況下，方法取得了很好的提取效果，其正確識(shí)別率達(dá)到了93%，顯示了方法的普適性，通過(guò)Snakes模型的優(yōu)化后，均方

32、根誤差由5.2降低到1.1 。 第121頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四遙感圖像變化檢測(cè)遙感圖像變化檢測(cè)是利用對(duì)同一地區(qū)在不同時(shí)期拍攝的兩幅遙感圖像，采用圖像處理和模式識(shí)別等手段，檢測(cè)出該地區(qū)的地物變化信息的過(guò)程，它在環(huán)境、農(nóng)業(yè)、水利和軍事等諸多領(lǐng)域都有著非常廣泛的應(yīng)用。像素級(jí)：比值法、差值法、回歸、植被指數(shù)法、主成分分析等等。特征級(jí)目標(biāo)級(jí)第122頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四123像素級(jí)變化檢測(cè)傳統(tǒng)的基于像元的變化檢測(cè)方法，僅從像元本身的光譜特征進(jìn)行分析，能夠描述與提取的特征非常有限，進(jìn)而造成變化檢測(cè)效果欠佳。我們從圖中所標(biāo)注的區(qū)域可

33、以看出，該區(qū)域沒(méi)有發(fā)生變化，但是卻誤檢為變化區(qū)域，并且結(jié)果圖中存在大量的“椒鹽”噪聲。 (a)第一時(shí)相數(shù)據(jù) （b）第二時(shí)相數(shù)據(jù)（c）結(jié)果圖 第123頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四124基于多特征證據(jù)融合的變化檢測(cè)高空間分辨率遙感圖像所具有的地物細(xì)節(jié)明顯、光譜混淆現(xiàn)象嚴(yán)重的特點(diǎn)造成單純依據(jù)圖像灰度特征的變化檢測(cè)方法變得不太適用。為此，依據(jù)更為穩(wěn)定的圖像特征，進(jìn)行高空間分辨率遙感圖像的變化檢測(cè)，逐漸成為研究的熱點(diǎn)。不同的視覺(jué)特征反映了圖像不同側(cè)面并互為補(bǔ)充，單獨(dú)使用某一特征進(jìn)行變化檢測(cè)都有可能造成漏檢或誤檢 ，為此，應(yīng)該考慮綜合利用多特征進(jìn)行變化檢測(cè)。本方法對(duì)邊緣、紋理、梯度等多證據(jù)進(jìn)行證據(jù)融合，實(shí)現(xiàn)了多種變化證據(jù)的綜合利用。第124頁(yè)，共133頁(yè)，2022年，5月20日，17點(diǎn)18分，星期四125證據(jù)理論簡(jiǎn)介證據(jù)理論作為一種數(shù)學(xué)工具，它允許人們對(duì)不精確、不確定性問(wèn)題進(jìn)行建模，并進(jìn)行推理。證據(jù)理論可以根據(jù)各源信息對(duì)系統(tǒng)整體進(jìn)行歸納和估計(jì)，做出正確的決策。證據(jù)理論是建立在一個(gè)非空集合 U上的理論，稱為U辨別框架 ，它由一系列互斥且窮舉的元素組成。對(duì)于問(wèn)題域中任意命題 A，都應(yīng)屬于冪集 2U，則可在2U上