论文部分内容阅读
从一幅图像中分割出具有“网络”形式(即相交在交点的分支)的对象,这一问题来自多个领域的应用要求。例如,遥感图像中道路和河流网络的分割,以及医学图像中血管网络的分割。从遥感图像中检测道路对很多应用都至关重要。近些年,随着小于米级别的商业超高分辨率(very high resolution,VHR)图像的出现,为遥感图像的信息提取带来新的契机。但也带来很多困难,这导致已有的道路提取算法的失效。
本论文的目标是开发和验证鲁棒的方法,从密集城区的VHR光学卫星图像中半自动地提取道路网络。VHR图像本身很复杂,而且网络区域可能有任意的拓扑,所以这是一个难题。我们的模型构造于最新提出的高阶主动轮廓(higher-order active contour,HOAC)相位场框架的基础上。与文献中的工作相比,我们做出以下两点主要贡献。从应用的角度看,向着VHR光学卫星图像的自动道路提取系统的实现迈进一大步。从模型的角度看,构造新的用于网络建模的HOAC能量,引入不同类型的形状先验,并对模型进行多分辨率分析。
本论文首先简要地介绍我们要处理的问题,然后给出在主动轮廓和道路提取领域的综述。接下来的章节详细地介绍我们的方法、实现及结果:
①为了处理VHR图像中存在信息的复杂性,第四章提出多分辨率统计数据模型,以及多分辨率约束的先验模型。它们都可以综合从粗略分辨率剑精确分辨率的分割结果。
②第五章,在道路地图更新的特例中,提出特定先验模型,它是从过时的地理信息系统(GIS)数字地图中导出得到的。HOAC模型描述道路网络通用的几何形状,而这一特定先验项可以平衡这一通用先验知识的作用。
③然而,传统的HOAC模型存在一个严重局限:网络分支宽度被约束为网络分支的最大曲率半径,从而对直且窄的分支,或者高度弯曲且宽的分支不能有效建模。为了解决这个问题,第六章引入两个新的模型:一个带有额外的非线性非局部HOAC项,而另一个带有额外的线性非局部HOAC项。
两者都可对分支宽度和分支曲率实现分离控制,从而在相同宽度的条件下提供更好的延伸性。但是,线性项有着更多的优点。从计算角度来看,它效率更高;而且它能够同时对多个宽度建模。为了解决这些模型的参数选择这一难题,对一个给定宽度的长杆,我们分析这些能量的稳定性条件,并说明如何严格地选择能量函数的参数。
在VHR快鸟((≌)0.61m/像素)卫星图像上的实验,以及与其它算法的比较,显示出我们模型的优越性。