一种自动的高分辨率遥感影像道路提取方法

doi:10.3969/j.issn.1001-2400.2017.01.018

西安电子科技大学学报

一种自动的高分辨率遥感影像道路提取方法

刘如意1;宋建锋1;权义宁1;许鹏飞2;雪晴1;杨云3;苗启广1

(1. 西安电子科技大学计算机学院，陕西西安 710071;
2. 西北大学信息科学与技术学院，陕西西安 710127;
3. 西安测绘研究所地理信息工程国家重点实验室，陕西西安 710054)

收稿日期:2016-01-20 出版日期:2017-02-20 发布日期:2017-04-01
通讯作者: 苗启广(1972-) ，男，教授，E-mail：qgmiao@126.com
作者简介:刘如意(1989-) ，女，西安电子科技大学博士研究生，E-mail：ruyi198901210121@126.com
基金资助:
国家自然科学基金资助项目(61472302，61272280，U1404620，41271447)；教育部新世纪优秀人才支持计划资助项目(NCET-12-0919)；中央高校基本科研业务费专项资金资助项目(K5051203020，JB150313，K5051303018, BDY081422)；陕西省自然科学基金资助项目(2014JM8310, 2010JM8027)；西安市科技局资助项目(CXY1441(1))；地理信息工程国家重点实验室开放研究基金资助项目(SKLGIE2014-M-4-4)

Automatic road extraction method for high-resolution remote sensing images

LIU Ruyi1;SONG Jianfeng1;QUAN Yining1;XU Pengfei2;XUE Qing1;YANG Yun3;MIAO Qiguang1

(1. School of Computer Science and Technology, Xidian Univ., Xi'an 710071, China;
2. School of Information Science and Technology, Northwest Univ., Xi'an 710127, China;
3. State Key Lab. of Geo-information Engineering, Xi'an Research Institute of Surveying and Mapping, Xi'an 710054, China)

Received:2016-01-20 Online:2017-02-20 Published:2017-04-01
Contact: MIAO Qiguang

摘要/Abstract

摘要：

从高分辨率遥感影像中提取道路有着非常重要的意义，但是受到遥感影像噪声、复杂的自然场景和已有算法的局限性的影响，道路提取有待于进一步研究．近些年来水平集方法被用于提取道路，但是初始水平演化曲线的确定却是一个大的难点．笔者提出一种自动的水平集分割方法，并将其用于道路检测中．首先，将卷积神经网络用于道路的粗分类．然后，利用形状特征和孔洞填充方法得到比较准确的道路区域．在此基础上，利用张量投票来提取道路的交叉口，并将其轮廓作为水平集演化的初始曲线进行水平集分割．最后，结合卷积神经网络分类和水平集分割的优势，得到比较完整的道路区域，并保持了道路的边缘．实验结果表明，该方法能自动地提取准确完整的道路区域．

关键词: 卷积神经网络, 形状特征分析, 张量投票, 水平集分割, 信息融合

Abstract:

Road extraction from high-resolution satellite images is very important. Due to image noise, the natural scene complexity, and the extraction algorithms limitations, it still needs to be further researched. In recent years, level set evolution has been used to extract the road, but it is difficult to automatically generate initial level curves for the level set evolution (LSE). In this paper, we propose an automatic approach to the generation of initial level curves and use it to extract the road. Firstly, the convolutional neural network(CNN) is used to classify the road or nonroad, then shape features are adopted to filter nonlinear features to get the accurate road region. And on this basis, we exploit tensor voting to detect the road junctions and utilize them as initial level curves; finally we fuse the results obtained by the CNN and LSE. Experiments show that this algorithm can get an accurate and complete road.

Key words: convolutional neural network(CNN), shape feature, tensor voting, level set, information fusion

刘如意;宋建锋;权义宁;许鹏飞;雪晴;杨云;苗启广. 一种自动的高分辨率遥感影像道路提取方法[J]. 西安电子科技大学学报, 2017, 44(1): 100-105.

LIU Ruyi;SONG Jianfeng;QUAN Yining;XU Pengfei;XUE Qing;YANG Yun;MIAO Qiguang. Automatic road extraction method for high-resolution remote sensing images[J]. Journal of Xidian University, 2017, 44(1): 100-105.

参考文献

［1］左娟, 李勇军. 结合纹理与形状特征的高分辨率遥感影像道路提取［J］. 测绘, 2013, 36(3): 111-113.
ZUO Juan, LI Yongjun. Road Extraction from High Resolution Remote Sensing Image Based on Texture and Shape Feature ［J］. Surveying and Mapping, 2013, 36(3): 111-113.
［2］ DAL POZ A P, ZANIN R B, do VALE G M. Automated Extraction of Road Network from Medium-and High-resolution Images ［J］. Pattern Recognition and Image Analysis, 2006, 16(2): 239-248.
［3］ POULLIS C, YOU S. Delineation and Geometric Modeling of Road Networks ［J］. ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65(2): 165-181.
［4］ UNSALAN C, SIRMACEK B. Road Network Detection Using Probabilistic and Graph Theoretical Methods ［J］. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(11): 4441-4453.
［5］ SHI W Z, MIAO Z L, WANG Q M, et al. Spectral-spatial Classification and Shape Features for Urban Road Centerline Extraction ［J］. IEEE Geoscience and Remote Sensing Letters, 2014, 11(4): 788-792.
［6］ KARANTZALOS K, ARGIALAS D. A Region-based Level Set Segmentation for Automatic Detection of Man-made Objects from Aerial and Satellite Images ［J］. Photogrammetric Engineering ＆ Remote Sensing, 2009, 75(6): 667-677.
［7］ LI Z B, SHI W Z, WANG Q M, et al. Extracting Man-made Objects from Remote Sensing Images via Fast Level Set Evolutions ［J］. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(2): 883-899.
［8］ CIRESAN D C, MEIER U, GAMBARDELLA L M, et al. Convolutional Neural Network Committees for Handwritten Character Classification ［C］//Proceedings of the International Conference on Document Analysis and Recognition. Piscataway: IEEE Computer Society, 2011: 1135-1139.
［9］ MEDIONI G, LEE M S, TANG C K. A Computational Framework for Segmentation and Grouping［M］. New York: Elsevier, 2000: 260.
［10］ JIA J Y, TANG C K. Inference of Segmented Color and Texture Description by Tensor Voting ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2004, 26(6): 771-786.
［11］龚丁禧, 曹长荣. 基于卷积神经网络的植物叶片分类［J］. 计算机与现代化, 2014(4): 12-15.
GONG Dingxi, CAO Changrong. Plant Leaf Classification Based on CNN［J］. Computer and Modernization, 2014(4): 12-15.
［12］ FARABET C, COUPRIE C, NAJMAN L, et al. Learning Hierarchical Features for Scene Labeling ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(8): 1915-1929.
［13］ MIAO Z L, SHI W Z, ZHANG H, et al. Road Centerline Extraction from High-resolution Imagery Based on Shape Features and Multivariate Adaptive Regression Splines ［J］. IEEE Geoscience and Remote Sensing Letters, 2013, 10(3): 583-587.
［14］程江华, 高贵, 库锡树, 等. 高分辨率SAR 图像道路交叉口检测与识别新方法［J］. 雷达学报, 2012, 1(1): 100-108.
CHENG Jianghua, GAO Gui, KU Xishu, et al. A Novel Method for Detecting and Identifying Road Junctions from High Resolution SAR Images ［J］. Journal of Radars, 2012, 1(1): 100-108.
［15］苗则朗. 基于多特征的高分辨率遥感影像道路提取算法研究［D］. 徐州: 中国矿业大学, 2014.
［16］ SIRONI A, LEPETIT V, FUA P. Multiscale Centerline Detection by Learning a Scale-space Distance Transform ［C］//Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Washington: IEEE Computer Society, 2014: 2697-2704.

[1]	万鹏武,姚媛媛,闫千里,陈煜飞. 能时频域信息融合的信源被动定位[J]. 西安电子科技大学学报, 2021, 48(6): 105-114.
[2]	李源,崔玉爽,王伟. 一种基于字词双通道网络的文本情感分析方法[J]. 西安电子科技大学学报, 2021, 48(6): 179-186.
[3]	于浩洋,尹良,李书芳,吕顺. 生成对抗网络小样本雷达调制信号识别算法[J]. 西安电子科技大学学报, 2021, 48(6): 96-104.
[4]	董如婵,焦李成,赵进,沈维燕. 一种深度融合机制的遥感图像目标检测技术[J]. 西安电子科技大学学报, 2021, 48(5): 128-138.
[5]	孙彦景,魏力,张年龙,云霄,董锴文,葛敏,程小舟,侯晓峰. 联合DD-GAN和全局特征的井下人员重识别方法[J]. 西安电子科技大学学报, 2021, 48(5): 201-211.
[6]	周鹏,杨军. 采用神经网络架构搜索的遥感影像分割方法[J]. 西安电子科技大学学报, 2021, 48(5): 47-57.
[7]	杨云航,闵连权. 采用空洞卷积的多尺度融合草图识别模型[J]. 西安电子科技大学学报, 2021, 48(5): 92-99.
[8]	张宇浩,程培涛,张书豪,王秀美. 一种自适应权重学习的轻量超分辨率重建网络[J]. 西安电子科技大学学报, 2021, 48(5): 15-22.
[9]	陈昌川,王海宁,黄炼,黄涛,李连杰,黄向康,代少升. 一种基于局部表征的面部表情识别算法[J]. 西安电子科技大学学报, 2021, 48(5): 100-109.
[10]	宋建锋,苗启广,王崇晓,徐浩,杨瑾. 注意力机制的多尺度单目标跟踪算法[J]. 西安电子科技大学学报, 2021, 48(5): 110-116.
[11]	回海生,张雪英,吴泽林,李凤莲. 一种主辅路径注意力补偿的脑卒中病灶分割方法[J]. 西安电子科技大学学报, 2021, 48(4): 200-208.
[12]	王平,江雨泽,赵光辉. 目标检测的多尺度定位提升算法[J]. 西安电子科技大学学报, 2021, 48(3): 85-90.
[13]	郭泽坤,田隆,韩宁,王鹏辉,刘宏伟,陈渤. 采用CNN-SSD的雷达HRRP小样本目标识别方法[J]. 西安电子科技大学学报, 2021, 48(2): 7-14.
[14]	成磊,王玥,田春娜. 一种添加残差注意力机制的视觉目标跟踪算法[J]. 西安电子科技大学学报, 2020, 47(6): 148-157.
[15]	孔鑫,陈刚,龚国良,鲁华祥,毛文宇. 一种面向卷积神经网络加速器的高性能乘累加器[J]. 西安电子科技大学学报, 2020, 47(4): 55-63.

一种自动的高分辨率遥感影像道路提取方法

Automatic road extraction method for high-resolution remote sensing images

PDF (PC)

赞

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 10