光学遥感影像道路提取的方法综述(10)
(1)多角度道路提取体系的构建。道路属于人造地物,在影像中呈现复杂性和多变性的特点,而人类对地物识别往往是一个组合推理的过程,这需要足够的道路冗余信息。现有道路提取方法对道路性质的刻画并不完备,难以避免存在信息提取机理的局限性。而光学遥感影像也仅能表达道路一定空间与尺度上的性质,因此本文认为多角度道路提取体系的构建刻不容缓:
1)多方法互补的道路提取体系。在方法研究上,强化多种方法的协同。由于当前道路提取方法在机理上存在局限性,例如模板匹配方法对道路点特征(道路中心点、轮廓点等)的设定要求严格,而面向对象方法更加侧重于区域分割的稳定性,以此类推各类方法均有各自的优点与适用范围。充分利用各类道路信息提取方法的优势,形成不同道路提取模型间的有效互补,由此发展方法互补体系可能提高道路提取的精度与稳定性。
2)多数据协同处理体系。在数据的处理上,应注重多数据的同化与融合。目前中国光学、干涉雷达、激光测高等多类型卫星应用体系正在逐步形成,而开放式的众包数据(OpenstreetMap、DataMine、中国出租车轨迹、滴滴轨迹数据等)种类日趋完善,利用不同类型数据的优势,构建多数据协同处理体系必将是未来道路提取的研究方向。
(2)多层次道路提取体系构建。道路提取是一个复杂的技术过程,试图一次性完整解决该问题目前看来是不现实的。虽然目前已有方法采用多层次方式(Maboudi 等,2016,2018),但完整性地结合各种方法机理,构建多层次道路提取体系研究尚未开展,而这也是本文认为今后需要深入钻研的方向。图15 为本文尝试提出多层次道路提取体系,仅供读者参考:
1)基于传统方法的样本集制作模型。充分利用传统方法,一方面可以发挥该类方法效率高的优势,另一方面也可大幅降低样本集的制作时间。而在影像中直接提取标签集,已有相关工作开展。例如Brust 等(2015)人工选取检测影像道路样本区域;
2)构建符合道路提取的深度学习网络模型。深度学习可弥补传统方法对语义关系分析的不足,利用正样本与负样本,通过学习提高道路提取的精度,解决遮挡、模糊等传统方法难以处理的瓶颈问题;
3)建立基于传统方法的后处理模型。经过大量实验证明,通过深度学习模型提取的道路结果依然存在断裂、误提取、边缘模糊等问题,如图15所示在后处理阶段可充分利用传统方法,以此优化深度学习道路提取结果。例如Alshehhi 等(2017)对深度学习影像分类结果采用传统方法进行后处理优化。
图15 多层次道路提取体系Fig.15 Fusion of traditional methods and deep learning
Alshehhi R and Marpu P R. 2017. Hierarchical graph-based segmenta‐tion for extracting road networks from high-resolution satellite im‐ages. ISPRS Journal of Photogrammetry and Remote Sensing,126:245-260[DOI:10.1016/]
Alshehhi R,Marpu P R,Lee Woon W L and Mura M ‐neous extraction of roads and buildings in remote sensing imag‐ery with convolutional neural networks. ISPRS Journal of Photo‐grammetry and Remote Sensing,130:139-149[DOI:10.1016/j.is‐]
Ameri F and Valadan Zoej M J. 2015. Road vectorisation from highresolution imagery based on dynamic clustering using particle swarm optimisation. Photogrammetric Record, 30(152): 363-386[DOI:10.1111/phor.]
Amini J,Lucas C,Saradjian M,Azizi A and Sadeghian logic system for road identification using IKONOS images. The Photogrammetric Record, 17(99): 493-503 [DOI: 10.1111/]
Auclair-Fortier M F, Ziou D,Armenakis C and Wang S. 1999. Survey of Work on Road Extraction in Aerial and Satellite Images. Uni‐versity of Sherbrooke:6-11
Baatz M and Sch?pe segmentation:an optimi‐zation approach for high quality multi-scale image segmentation//Proceedings of Angewandte Geographische Informationsverarbei‐tung :Wichmann:12-23
Babaali K O, Zigh E, Djebbouri M and Kadiri M. 2014. Survey of some new road extraction methods. The International Journal of Engineering and Science(IJES),3(11):28-33
Bajcsy R and Tavakoli M. 1976. Computer recognition of roads from satellite Transactions on Systems,Man,and Cyber‐netics,SMC-6(9):623-637[DOI:10.1109/]
Baumgartner A, Steger C, Mayer H, Eckstein W and Ebner H. road extraction based on multi-scale, grouping, and context. Photogrammetric Engineering and Remote Sensing, 65(7):777-785.
Blaschke T,Hay G J,Kelly M,Lang S,Hofmann P,Addink E,Queiroz Feitosa R,van der Meer F,van der Werff H,van Coillie F and Tie‐de D. 2014. Geographic object-based image analysis-towards a new paradigm. ISPRS Journal of Photogrammetry and Remote Sensing,87:180-191[DOI:10.1016/]
文章来源:《光学与光电技术》 网址: http://www.gxygdjs.cn/qikandaodu/2021/0622/593.html
上一篇:安科色选全球销量超台
下一篇:放大光学增强内镜在结直肠息肉诊疗决策中的应