基于GMM-MRF的高分辨率遙感影像道路提取算法研究的中期報(bào)告

基于GMM-MRF的高分辨率遙感影像道路提取算法研究的中期報(bào)告一、研究背景及意義高分辨率遙感影像的道路提取一直是圖像處理領(lǐng)域的研究熱點(diǎn)問(wèn)題之一。道路提取在城市規(guī)劃、地圖制作、交通管理等領(lǐng)域有著廣泛的應(yīng)用。然而，由于道路的形態(tài)、材質(zhì)、顏色等特征復(fù)雜多樣，再加上遙感圖像采集過(guò)程中存在噪聲、云層等干擾因素，道路提取問(wèn)題一直未得到很好的解決。當(dāng)前，道路提取算法主要分為基于規(guī)則、基于像素、基于特征和深度學(xué)習(xí)等四類(lèi)方法。其中，深度學(xué)習(xí)方法近年來(lái)得到了廣泛關(guān)注，但其需要大量的數(shù)據(jù)和計(jì)算資源，同時(shí)對(duì)于遙感影像的魯棒性仍然存在挑戰(zhàn)。因此，基于特征的方法被廣泛采用，并取得了不錯(cuò)的效果。本文將基于GMM-MRF模型，結(jié)合圖像分割、MRF優(yōu)化等方法，提出一種高效、魯棒的基于特征的道路提取算法，旨在提高道路提取算法的精度和效率。二、研究?jī)?nèi)容及方法1.GMM-MRF模型概述本文提出的算法中采用GMM-MRF模型，即基于高斯混合模型(GMM)和馬爾可夫隨機(jī)場(chǎng)(MRF)的模型。具體來(lái)說(shuō)，通過(guò)構(gòu)建GMM對(duì)遙感圖像進(jìn)行分割，得到像素點(diǎn)的類(lèi)別信息，然后以此為基礎(chǔ)，通過(guò)MRF優(yōu)化對(duì)圖像進(jìn)行道路提取。2.圖像分割算法本文采用了一種基于顏色空間和紋理特征的圖像分割算法。該算法首先將RGB圖像轉(zhuǎn)換到Lab色彩空間，然后利用均值漂移算法對(duì)圖像進(jìn)行分割，得到初步的圖像分割結(jié)果。接著，結(jié)合灰度共生矩陣(GLCM)特征對(duì)圖像進(jìn)行進(jìn)一步的細(xì)分割。3.MRF優(yōu)化算法基于圖像分割得到的類(lèi)別信息，可以構(gòu)建相應(yīng)的MRF模型，以優(yōu)化道路提取的結(jié)果。本文采用了基于最大后驗(yàn)概率(MAP)準(zhǔn)則的MRF優(yōu)化方法，即通過(guò)最小化MRF能量函數(shù)，得到最優(yōu)的道路提取結(jié)果。三、預(yù)期成果及意義本文預(yù)期在道路提取算法方面取得一定的進(jìn)展，具體有以下幾點(diǎn)意義：1.提供了一種高效、魯棒的基于特征的道路提取方法；2.綜合運(yùn)用了圖像分割、GMM-MRF模型和MRF優(yōu)化等方法，為道路提取問(wèn)題提供了一種新的解決方案；3.通過(guò)實(shí)驗(yàn)驗(yàn)證，本文提出的算法比常用的方法有更好的提取效果和魯棒性。四、進(jìn)度安排1.初步搭建GMM-MRF模型，已完成；2.完善圖像分割算法，進(jìn)行實(shí)驗(yàn)驗(yàn)證，目前正在進(jìn)行；3.設(shè)計(jì)MRF優(yōu)化算法，進(jìn)行實(shí)驗(yàn)驗(yàn)證，計(jì)劃在下一階段完成；4.對(duì)整個(gè)算法進(jìn)行測(cè)試和分析，進(jìn)一步完善算法。五、參考文獻(xiàn)[1]LiB,ManjunathBS,MitraSK.Roadextractionfromaerialimageryusinggraphcuts[J].IEEETransactionsonImageProcessing,2007,16(3):686-699.[2]王耀華,楊銳,王海東.基于能量?jī)?yōu)化的遙感圖像道路提取方法[J].南京大學(xué)學(xué)報(bào)(自然科學(xué)),2010,46(4):425-431.[3]吳慧敏,薛毅.基于灰度共生矩陣的圖像分割算法[J].光學(xué)精密工程,2015,23(11):3206-3213.[4]李清,楊