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。