遥感影像道路提取技术研究进展

随着遥感卫星技术的发展，可获得的遥感影像数据的时空分辨率、光谱分辨率等精度越来越高，而道路的提取在智能交通、城市规划等领域都具有很重要的意义。所以大量专家深入地对遥感影像进行研究，采用多种方法进行道路信息的提取研究。胡进军等人[4]利用影像对象的光谱特征、几何特征和空间关系建立知识库，然后根据知识库中的规则来提取影像中的道路。实验结果表明采用本方法能够较好地提取出实验区中的道路。孙晓霞等人[5]利用面向对象的道路提取方法，实现分别利用道路的几何特征和光谱特征作为进行影像对象分类的规则限制，从而实现道路提取的目的。该方法中需要先构建知识库，在当时的技术以及影像分辨率条件下很难实现。唐伟等人[6]利用面向对象的影像分割技术得到道路均值对象，然后挖掘高空间分辨率遥感影像中描述道路的纹理、几何和光谱特征，构建道路对象的知识库实现了城郊重要道路信息的提取。与最大似然法相比提取结果充分利用道路形状和纹理信息能克服光谱特征的噪声现象提取道路准确率高为高空间分辨率遥感影像道路信息提取提供了一种新的途径。GUO Q和WANG Z[7]提出了一种自监督学习框架下的道路提取算法。首先，结合光谱和形状特征选择正样本提取道路，构造随机森林分类器，得到像素属于后验分布的概率，将形状特征和后验分布概率相结合，以面向对象的方式形成最终道路网，再运用张量投票算法对道路进行后处理，去除毛刺，平滑道路等。李洪川[8]等在此基础上提出利用多特征多核SVM提取算法对建成区进行二次分类提取城市道路，较精确地提取了城市道路。楚恒等[9]在标记分水岭的基础上，引入了直方图G统计量来实现道路的提取，利用光谱特征分离出建成区，再利用G统计量和纹理直方图对建成区内的道路和建筑进行划分，有效地提取出了城市道路。均值漂移（Mean Shift）算法是一种将数据分类为不同类别的聚类技术，不需要特定的对象，在道路提取过程中通过非监督的方法将道路对象进行聚类。梁茜亚等人[10] 采用多尺度分割方法进行影像对象分割，然后对需要提取的自然道路进行特征分析，通过计算光谱、几何特征参数及随机选取道路样本统计样本特征值。选出能表达自然道路特征的参数构建道路提取规则集，进而结合多种方法的组合应，最终通过最邻近分类法实现对道路的初步提取，采用阈值分类法等分类算法优化道路信息。Maboud等[11]将高分辨率遥感影像平滑去噪，利用多分辨率分割算法将图像分割成多个目标；然后通过模糊推理系统来定义每个对象的道路隶属描述符，再利用蚁群算法的后续步骤来区分道路对象。Stein等[12]提出了一种基于对象的方法，从分形网络进化方法获得初始分割，去除植被和阴影得到感兴趣的道路区域。