论文部分内容阅读
从遥感影像上以自动(半自动)化的方式进行道路提取一直是遥感领域的研究热点和难点之一。目前道路提取涉及了遥感、计算机视觉、模式识别领域的众多理论和技术,产生了很多具有针对性的技术和方法。道路的特征描述和提取方法是道路提取的两个核心问题。在道路特征描述方法方面,现有研究存在着使用特征描述能力不够、多源数据综合优势发挥不足等问题。在道路提取方法方面,则存在着对数据依赖性过高、扩展能力差的问题。针对上述问题,本文围绕道路特征描述和道路提取方法两个核心问题开展研究,研究工作包括:(1)提出基于非下采样Contourlet域-隐马尔可夫链(Non-SubsampledContourlet Transform-Hidden Markov Chain, NSCT-HMC)模型的几何特征提取方法。该方法以NSCT作为基本的影像多尺度几何分析工具,利用HMC模型对NSCT子带系数进行统计建模,获得其潜在的统计规律。通过对统计模型的离散化,得到最终NSCT-HMC特征,从而实现对道路几何特征进行深层次描述。(2)提出基于NSCT域统计模型变换结合梯度先验约束的两步超分辨率重建方法。通过构建最大后验概率(Maximum A-posteriori Probability, MAP)的超分辨率模型,以NSCT域超分辨率结果作为高分辨率影像的初值,通过迭代对MAP模型进行求解。通过超分辨率重建,为提取更加精细的道路几何特征提供了数据源。(3)以流形理论作为基本理论框架,提出基于联合保持投影(Joint PreservedMapping, JPM)的多源影像特征融合方法。该方法充分考虑了高维遥感影像特征的非线性特性,通过建立统一的模型,将不同源、不同尺度的几何特征和光谱特征进行有机的融合。(4)基于学习的道路提取方法框架。为了使道路提取方法具有扩展性,本文结合样本学习构建道路提取的方法框架。该框架以道路样本为数据基础,通过学习获取特征融合与超分辨率重建参数,从而降低了方法对数据的依赖性。最后,本文选择具有不同背景、不同道路形态的遥感影像进行道路提取实验,并与已有经典方法进行对比分析。实验表明,提出的道路提取方法在适用性和准确性方面均具有较大优势。