论文部分内容阅读
合成孔径雷达(SAR)系统由于其全天时、全天候等特有的优势,在遥感的各个领域都有着非常重要的应用。其中,道路作为重要的地物目标,在城市结构提取,道路网规划建设等任务具有重要的意义。因此,SAR图像道路网提取成为了近年来重要的研究课题。在低分辨率SAR图像中,道路主要表现为具有较低曲率的线特征。在高分辨率SAR图像中,多表现为双边缘包围对的较暗区域。同时,随着分辨率的提高,也放大了各类干扰的影响,比如建筑区域的强边缘响应,道路上车辆以及树木的遮掩等。因此,本文对高分辨率SAR图像道路区域检测与道路网提取课题进行研究,研究的主要内容如下: 1.对传统的SAR图像边缘检测算子进行分析,利用多方向ROEWA算子进行道路区域检测。本文首先对于SAR图像的成像原理进行简介,分析了SAR图像特有的噪声——乘性斑点噪声的产生机理以及统计模型。根据乘性斑点噪声的统计模型,介绍了两个SAR图像中具有恒虚警率的ROA算子和ROEWA算子。ROEWA算子被广泛应用于SAR图像中的线状目标检测中。本文分析了ROEWA算子中的特点,利用图像处理中的仿射变换生成多方向ROEWA算子的变换模板,多方向ROEWA算子可以提取每个边缘点的边缘方向。最后,利用德国星载SAR卫星Terra-SAR北京城区的数据验证了本文算法的有效性。 2.利用可导滤波器检测道路候选点。SAR图像情况错综复杂,道路可能延任意方向保持其连续性。因此,传统的方法很难适应所有的道路方向,当滤波器的方向与该点道路方向出现偏差时难以获得好的结果。而可导滤波器可以将同一滤波器的任意方向表示为几个有限个数的滤波器的线性组合。所以,可导滤波器可以仅仅通过计算原始SAR图像对于几个有限滤波器的响应,从而求得该滤波器以任意方向对于原始SAR图像的滤波结果,避免了传统方法的不足。 3.利用卷积神经网络提取SAR图像中道路的纹理信息,并对传统道路网链接的方法进行改进,提出了基于卷积神经网络的道路网提取框架。近年来,卷积神经网络广泛应用于传统光学图像处理中,并且实验结果取得了前所未有的突破。这些实验证明了由卷积神经网络提取图像中的纹理特征好于由人类依据经验设计滤波器提取的图像特征。随着SAR图像分辨率的提高,SAR图像中道路呈现出丰富的纹理信息。因此,本文采用卷积神经网络来提取SAR图像中的纹理特征,求取道路候选点,并结合道路的几何特征进行全局道路网的链接。