论文部分内容阅读
遥感数据获取能力的不断增强,为地理信息要素的快速更新提供了日益丰富的数据源。道路作为城市的“骨架”,是重要的地理信息要素,与城市发展、交通运输及战场环境分析等有着紧密联系。利用遥感数据快速、准确地提取道路信息是近年来广受关注的研究热点之一。现有的道路提取方法,在道路网提取质量、提取效率和自动化程度等方面与应用需求差距较大。本文针对基于高分辨率遥感影像、机载LiDAR点云和融合两种数据源提取道路网的提取技术进行深入研究,提出几种改进的思路和方法,通过试验验证了改进方法的有效性。论文的主要工作和创新点如下:(1)提出了一种基于改进K-means算法的高分辨率遥感影像道路提取方法。针对传统的K-means聚类算法存在着易受噪声干扰、迭代计算量大等问题,首先对影像进行预处理,采用多方向形态学开闭重建方法剔除道路车辆,利用导向滤波方法去除噪声干扰,以及通过对比度增强的方法提高道路与非道路的对比度;为简化道路网提取模型,将K-means聚类数K取值为2(道路类和非道路类);并采用GPU对聚类算法并行加速,提高处理效率。通过多组试验验证了改进的K-means算法具有良好的抗噪性,且提取效率得到明显提升。(2)提出了一种基于机载LiDAR点云偏度平衡的道路提取方法。该方法针对基于点云提取道路面临的计算量大、易受噪声干扰等问题,设计一种利用偏度平衡算法提取机载LiDAR点云道路的方法。首先,对点云数据构建高效的KD树索引关系,实现快速邻域搜索;其次,采用基于坡度特征的区域生长方法提取道路点,在有效避免噪声干扰的同时,也提高搜索效率;然后,通过偏度平衡算法自动计算强度滤波时的最优强度阈值;最后,结合道路的空间位置特征精化道路网。通过试验分析,证明了该方法能从点云数据中提取出正确率较高的道路网,且自动化程度高。(3)提出了一种融合高分辨率遥感影像和机载LiDAR点云的道路提取方法。该方法基于遥感影像和点云数据的特征,融合两种数据实现优势互补提取高质量的道路。首先,依据偏度平衡算法提取LiDAR点云中的初始道路点;然后,采用SLIC超像素分割方法分割影像,并将提取的初始道路点和分割后的遥感影像融合,获得完整度较高的初始道路网;最后,利用局部灰度一致性检测分离出停车场、广场等,再采用张量投票算法对道路进一步精化并检测道路交叉口。通过设置多组对比试验,验证了融合影像和点云数据提取道路比依赖单一数据提取道路效果更优,完整率可达到93.59%,正确率达到89.45%,整体质量达到84.23%。