CN106504219B - 有约束的路径形态学高分辨率遥感影像道路增强方法 - Google Patents
有约束的路径形态学高分辨率遥感影像道路增强方法 Download PDFInfo
- Publication number
- CN106504219B CN106504219B CN201610958523.6A CN201610958523A CN106504219B CN 106504219 B CN106504219 B CN 106504219B CN 201610958523 A CN201610958523 A CN 201610958523A CN 106504219 B CN106504219 B CN 106504219B
- Authority
- CN
- China
- Prior art keywords
- path
- image
- road
- operator
- remote sensing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000002708 enhancing effect Effects 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000000877 morphologic effect Effects 0.000 claims abstract description 5
- 241000282693 Cercopithecidae Species 0.000 claims abstract description 4
- 230000004927 fusion Effects 0.000 claims abstract description 3
- 230000000007 visual effect Effects 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 238000000151 deposition Methods 0.000 claims 1
- 238000010191 image analysis Methods 0.000 claims 1
- 238000006467 substitution reaction Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000000155 melt Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- FNMKZDDKPDBYJM-UHFFFAOYSA-N 3-(1,3-benzodioxol-5-yl)-7-(3-methylbut-2-enoxy)chromen-4-one Chemical compound C1=C2OCOC2=CC(C2=COC=3C(C2=O)=CC=C(C=3)OCC=C(C)C)=C1 FNMKZDDKPDBYJM-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种有约束的路径形态学增强高分辨率遥感影像道路的方法，包括：输入高分辨率遥感影像(主要是高分二号遥感影像)，进行影像预处理，包括影像裁剪，影像配准，影像融合，得到对比度较强的待处理影像；利用路径形态学方法构造一组由细长、定向的结构元素组成的路径算子，在此基础上构造有约束的路径算子，对灰度影像像素值按从小到大排序并依次作为阈值进行二值化，进而通过路径算子对二值影像提取类线状信息来对道路信息进行增强，最后对增强后的道路影像进行阈值处理、适当的平滑并用红色标注，得到完整的效果较好的道路增强影像。本发明能有效识别高分辨率遥感影像中的道路信息，为道路变化检测提供辅助信息。
Description
技术领域
本发明属于遥感影像处理技术领域，主要涉及影像处理技术中的路径形态学方法，具体涉及一种改进后的路径形态学增强影像中的道路信息的方法。
背景技术
国外道路检测与识别方面的研究可追溯到20世纪70年代，由于国内的卫星遥感发射技术和计算机技术发展相对落后，对于遥感道路的检测与识别研究发展相对较晚，大概起始于80年代中后期。近年来，随着空间技术和传感器技术的飞速发展，遥感信息已成为一个不可或缺的地理信息数据源，遥感不断向着高空间分辨率、高光谱分辨率和高时间分辨率的方向发展，同时由于数据获取成本的降低，可以大量获取遥感数据卫星影像数据和航空摄影影像数据，使得遥感影像的深入应用成为可能。
但是目前对于遥感数据的利用仅仅停留在人工判读、识别和计算机辅助应用阶段，对影像数据进行深入的数据挖掘，开展更加广泛的应用，还远远不足。同时由于人工智能、模式识别、影像处理技术的限制，使得数据获取的速度远远高于数据(信息的自动提取和处理)识别和利用的程度，导致大量的数据闲置。近年来国家不断推进信息化的建设，尤其是在国家十一五和十二五规划纲要中明确提出加快国家基础地理信息的建设和数字城市的发展。这就更加加快了各级部门和单位对高分辨率影像数据的获取和利用，利用高分辨率影像数据生产数据，进行三维模型数据的采集，进行地物(如道路、房屋等)的自动更新提取，用于更新基础地理信息库，与人工矢量化相比，信息的自动提取将节省巨大的人力，物力和财力。
道路网络信息提取一直是遥感信息处理与分析的重要组成部分，受到了广泛关注，对区域规划、汽车导航、影像匹配、军事目标侦查等具有重要意义。道路作为地理信息系统中的基础数据，道路信息能否及时更新直接影响到在地图绘制、路径分析和应急处理等方面的应用。
随着空间技术的飞速发展，高分辨率遥感影像因具有覆盖范围广、精度高的特点而成为一种重要的地理信息数据源。如今从海量影像数据中获取有意义信息的自动技术还相对滞后，从遥感影像中提取道路的自动化程度不高，主要是靠目视识别。现有的技术已经不能满足遥感影像处理方面的所面临的挑战。同时，随着分辨率的提高，影像中道路的特征也更加复杂。过多的纹理和细节信息对道路信息的检测产生干扰，加大了道路信息自动提取的难度。近几年来，虽然在遥感影像道路自动提取的研究领域提出了很多方法，但目前还没有成熟可靠的流程。因此，研究从高分辨率影像中检测与提取道路信息具有重要的理论和实际意义。
道路是非常重要的基础地理信息，在国防、经济、城市发展中发挥着重大的作用，道路信息的自动提取可以为城市地形图的快速更新、交通管理、汽车导航、城市规划，基础地理信息数据库的更新等，提供方便快捷的方式，同时带来巨大的经济和社会效益。因而研究遥感影像道路自动提取的理论和方法，具有重要的学术价值和应用前景。
发明内容
(一)发明目的
本发明的目的是：针对高分辨率遥感影像中道路信息提取问题，提供一种路径形态学的道路增强方法，能够较好地增强遥感影像中的道路信息。
(二)技术解决方案
本发明提供了一种有约束的路径形态学高分辨率遥感影像道路增强方法，包含以下步骤：
步骤1、对高分辨率遥感影像进行影像预处理，包括影像裁剪，影像配准，影像融合。
步骤2、基于影像像素点，利用路径形态学方法构造一组由细长、定向的结构元素组成的路径算子，并在此基础上构造有约束的路径算子。
步骤3、对已经进行阈值处理的影像应用有约束路径算子提取类线状信息，在影像所在的维度上选定固定数量的方向路径，以降低算法的复杂度，并选取适当的路径长度，使得待处理遥感影像中的道路信息能最大限度地增强。
步骤4、把灰度影像像素值排序，按从小到大的顺序依次取相同值作为阈值将灰度影像二值化，然后循环运用步骤2，3增强道路像素点。
步骤5、对经过所述步骤4处理后增强的道路信息的影像，进行适当的阈值处理以得到道路信息并对得到的道路进行平滑处理和红色标注，最终得到道路信息的影像。
所述步骤2中的路径形态学方法，是在数学形态学的基础上发展而来的，其基本思想是利用具有一定形态的结构元素，去量测和增强影像中的对应形状，以达到对影像分析和识别的目的。
构造路径算子的方法为：
设E是一幅二值影像，在E上定义邻接关系表示在E中某像素点的八邻域中x到y存在一条边。这种关系是非对称的，即它是有方向性的，由影像域E中的像素点与邻接关系构成一幅有向图。如果表示x是y的前继点，y是x的后继点。利用这种邻接关系，在影像域E上定义膨胀运算：
即E上子集X的膨胀由所有X中结点的后继点组成。如图2所示，b1，b2，b3为的后继结点，则
相应地，是b的前继结点。即：
若则称为长度为L的δ-路径，相反称为长度为L的路径。给定E中的路径定义为路径元素的集合：
用ΠL表示所有长度为L的δ-路径的集合，把包含在E的子集X中长度为L的δ-路径的集合定义为ΠL(X)，即：
定义αL(X)为X中长度为L的所有路径元素的并集：
把αL(X)称作path opening，即路径开运算。图3表示长度为6的路径开运算的结果，即α6(x)，图中黑点表示E中的子集X。
路径闭运算(path closing)与开运算是互补定义的，即调换前景和背景，对影像做路径开运算等价于闭运算。
所述步骤3中，对已经进行阈值处理的影像应用有约束路径算子提取类线状信息，在选择路径传播方向时，需要枚举所有可能的方向，为了得到非固定方向的开放路径，需要得到每一个可能路径方向的上确界。例如，在二维影像中，每个像素点只有八邻域，而且上下，左右，两个斜对角线是共线的，因此在二维影像中只有四个可能的方向，分别是0°，90°，45°和-45°。在d维图像中，可能的方向计算公式为：
Nd＝(3d-1)/2
路径算子主方向确定后，依据步骤2中的路径算子理论，在影像路径所在的维度上选择有约束方向的路径，使得在主方向上同样长度的路径在能够包含更多的像素点的同时能有效避免路径过度曲折带来的算法难度增大的问题。具体算法实现如下：
分别构造顺着主方向和逆着主方向的两条路径，记为λ+、和λ-、约束的路径长度λc是沿着主方向且只能沿主方向计算的，无约束情况下路径可以沿各个方向传播，所以，经过一个像素点p的路径总长度的计算公式如下：
其中，
所述步骤4中，对灰度影像进行二值化，并运用步骤2，3的操作，先构建有约束路径算子，后计算选中的像素点的路径长度λ(p)，若λ(p)的值大于定义的路径长度值L，则保留像素点的像素值，否则将像素点灰度值置为当前的阈值。
(三)技术效果
本发明与现有的技术方案相比具有如下的优点和有益效果：本发明在运用路径形态学方法增强道路信息的方法上进行改进，提出了一种有约束的路径形态学增强道路信息的方法。通过构造一组由细长、定向的结构元素组成的路径算子来增强道路信息，对那些有狭长、线状结构的路径增强效果尤其显著。与传统的直线型结构元素相比，路径算子的特点在于不是完全笔直的，它们能够灵活地适应直线和略微弯曲的结构，对于道路信息的增强能够更加完全。改进后的方法，在算法时间复杂度和空间复杂度上都有了明显的简化，而且可应用于任何维度的影像以及浮点影像。在原方法的基础上引入了有约束路径的概念，增加了长度精度和旋转不变性。
附图说明
图1是本发明实施例的有约束的路径形态学高分辨率遥感影像道路增强方法流程图；
图2是路径形态学中构造路径的方法；
图3是路径形态学中路径开运算演示图；
图4分别是最大曲折，无约束和有约束情况下构造出的主方向上具有相同长度的路径；
图5是待处理的城郊区域道路灰度图；
图6是过本发明方法处理后的最终道路增强影像。
具体实施方式
本发明以高分辨率遥感影像(已转化为灰度影像)为例，说明有约束的路径形态学高分辨率遥感影像道路增强方法的具体实施方式。实验影像为城郊区的高分辨率遥感道路影像，如图5所示。下面结合附图对本发明进一步说明。
如图1所示，是本发明实施例的有约束的路径形态学增强高分辨率遥感影像道路的流程图，本实施例包括如下步骤：
步骤1、对高分辨率遥感影像进行影像预处理，包括影像裁剪，影像配准，影像融合。
利用ENVI软件将感兴趣区域裁剪下来以减少运算量，影像配准是以全色波段作为底图，将多光谱波段影像进行配准，得到配准后的影像，接着使用多光谱影像与全色波段影像融合得到实验用的高分辨率影像。我们取第一波段作为实验用的灰度影像，并且将灰度影像的像素值拉伸到0-255。具体的转化方式是，计算灰度影像的最大最小值，根据I(p)＝(I(p)-min(I))/(max(I)-min(I))*255得到最终的像素值。
步骤2、基于影像像素点，利用路径形态学方法构造一组由细长、定向的结构元素组成的路径算子，并在此基础上构造有约束的路径算子。
步骤3、对已经进行阈值处理的影像应用有约束路径算子提取类线状信息，在影像所在的维度上选定固定数量的方向路径，以降低算法的复杂度，并选取适当的路径长度，使得待处理遥感影像中的道路信息能最大限度地增强。
在此实验中，我们取4个方向作为主方向，分别是0度，45度，90度，-45度。选取的路径算子的长度为150，即路径算子若包含有150个像素点，则将其视为道路路径像素点。
步骤4、把灰度影像像素值排序，按从小到大的顺序依次取相同值作为阈值将灰度影像二值化，然后循环运用步骤2，3增强道路像素点。
将灰度影像进行像素值排序，按从小打大的次序依次取值进行二值化，每次得到的像素点的路径长度计算方法为：分别构造顺着主方向和逆着主方向的两条路径，记为λ+、和λ-、约束的路径长度λc是沿着主方向计算的，无约束情况下路径可以沿各个方向传播，所以，经过一个像素点p的路径总长度的计算公式如下：
其中，
计算选中的像素点的路径长度λ(p)，若λ(p)的值大于定义的路径长度值L即150，则保留像素点的像素值，否则将像素点灰度值置为当前二值化的阈值。
我们依次进行4个主方向的像素点选取，最后得到一个包含所有可能是道路像素点的影像。
步骤5、对经过所述步骤4处理后增强的道路信息的影像，进行适当的阈值处理以得到道路信息并对得到的道路进行平滑处理和红色标注，最终得到道路信息的影像。
经过步骤4的处理，我们得到了所有路径算子长度大于150的像素点。根据路面反射率较高得到的影像像素值偏高的先验知识，取一个合适的阈值进行排除非路面的像素点，本次实验我们取的阈值为150，经过处理后得到道路像素点信息。在此基础上，可以进行数学形态学处理，对像素点之间的小型空洞进行填充，已达到平滑影像的目的。
将步骤1中得到的灰度影像扩充为3维影像，将上述得到的道路像素点对应的灰度影像像素点赋值为(255，0，0)，即对应的像素点显示为红色标注。最终的结果图见图6。
实验结果表明，通过本技术方案，可以有效的得到基本道路信息。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。
Claims (5)
1.一种有约束的路径形态学高分辨率遥感影像道路增强方法，其特征在于包含以下步骤：
步骤1、对高分辨率遥感影像进行影像预处理，包括影像裁剪，影像配准，影像融合；
步骤2、基于影像像素点，利用路径形态学方法构造一组由细长、定向的结构元素组成的路径算子，并在此基础上构造有约束的路径算子；
步骤3、对已经进行阈值处理的影像应用有约束路径算子提取类线状信息，在影像所在的维度上选定固定数量的方向路径，以降低算法的复杂度，并选取路径长度，使得待处理遥感影像中的道路信息增强；
具体算法实现如下：分别构造顺着主方向无约束路径，顺着主方向约束路径，逆着主方向无约束路径和逆着主方向约束路径；所述顺着主方向无约束路径长度为λ+，顺着主方向约束路径长度为逆着主方向无约束路径长度为λ-，逆着主方向约束路径长度为经过一个像素点p的路径总长度的计算公式如下：
其中，
步骤4、把灰度影像像素值排序，按从小到大的顺序依次取值作为阈值将灰度影像二值化，然后循环运用步骤2，3增强道路像素点；
步骤5、对经过所述步骤4处理后增强的道路信息的影像，进行阈值处理以得到道路信息并对得到的道路进行平滑处理和红色标注，最终得到道路信息；
其中，所述步骤2中的有约束的路径算子是指：在路径算子构成的的定向有向图中，存在zig-zag线条，具体是说本身为45度方向上的邻接结构用横向和纵向的邻接关系组合来替代，这样，路径算子长度会被拉长，影响道路识别率；约定路径算子的奇偶邻接结构，奇数步选择定向的任意方向，偶数步选择定向的主方向，这样能够减少zig-zag线条的影响。
2.如权利要求1所述的有约束的路径形态学高分辨率遥感影像道路增强方法，其特征在于，所述步骤2中的路径形态学是指：路径形态学是在数学形态学的基础上发展而来的，其基本思想是利用具有一定形态的结构元素，去量测和提取图像中的对应形状，以达到对图像分析和识别的目的；路径形态学针对具有狭长、线状结构的物体，可以构造出一组由细长、定向的结构元素组成的路径算子。
3.如权利要求1所述的有约束的路径形态学高分辨率遥感影像道路增强方法，其特征在于，所述步骤3中的对已经进行阈值处理的影像应用有约束路径算子提取类线状信息是指：在二值影像中，若定义北为主方向，则东北，西北，北为可选择的路径方向，构建一条以北方向为主方向的路径算子；同理，在二维图像中，定义0度，45度，90度，-45度方向为路径主方向，以主方向为中心构造路径算子并进行道路检索；定义适当路径算子的长度，即路径算子中包含的像素点的最大个数，就可以得到二值影像的道路信息。
4.如权利要求3所述的有约束的路径形态学高分辨率遥感影像道路增强方法，其特征在于，所述步骤4中的灰度影像道路检索是指：将灰度影像中的所有像素点的值进行排序，按从小到大的顺序，依次取出像素值作为阈值进行二值化，根据步骤2，3中的方法进行处理，先构建有约束路径算子，后对有限主方向进行道路检索；将灰度影像中不同层级的像素值依次进行二值化，循环利用步骤2，3方法进行道路检索，最后得到最终的道路检索影像。
5.如权利要求1所述的有约束的路径形态学高分辨率遥感影像道路增强方法，其特征在于，所述步骤5中的阈值处理是指：依据不同的影像像素值，设定不同的阈值，去掉一些非道路的类线状物；红色标注的方法是设立与原影像图相同的3维临时影像，将阈值处理得到的道路像素点对应位置的临时影像像素点进行RGB值的设定，最终得到有红色标注的道路影像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610958523.6A CN106504219B (zh) | 2016-11-04 | 2016-11-04 | 有约束的路径形态学高分辨率遥感影像道路增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610958523.6A CN106504219B (zh) | 2016-11-04 | 2016-11-04 | 有约束的路径形态学高分辨率遥感影像道路增强方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106504219A CN106504219A (zh) | 2017-03-15 |
| CN106504219B true CN106504219B (zh) | 2019-07-12 |
Family
ID=58321511
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610958523.6A Active CN106504219B (zh) | 2016-11-04 | 2016-11-04 | 有约束的路径形态学高分辨率遥感影像道路增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106504219B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416345B (zh) * | 2018-02-08 | 2021-07-09 | 海南云江科技有限公司 | 一种答题卡区域识别方法和计算设备 |
| CN109522787B (zh) * | 2018-09-30 | 2020-10-09 | 广州地理研究所 | 一种基于遥感数据的细小道路识别方法 |
| CN110288572B (zh) * | 2019-06-13 | 2021-09-21 | 北京理工大学 | 血管中心线自动提取方法及装置 |
| CN111582659B (zh) * | 2020-04-16 | 2023-09-19 | 北京航空航天大学青岛研究院 | 一种山地作业难度指数计算方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3867890B2 (ja) * | 2001-07-18 | 2007-01-17 | 日立ソフトウエアエンジニアリング株式会社 | 画像処理方法および装置 |
| CN101714252A (zh) * | 2009-11-26 | 2010-05-26 | 上海电机学院 | Sar图像中道路的提取方法 |
| CN103870824A (zh) * | 2014-03-28 | 2014-06-18 | 海信集团有限公司 | 一种在人脸检测跟踪过程中的人脸捕捉方法及装置 |
| CN104616281A (zh) * | 2014-11-28 | 2015-05-13 | 天津工业大学 | 一种应用于双灯丝灯泡的在线检测距离的方法 |
-
2016
- 2016-11-04 CN CN201610958523.6A patent/CN106504219B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3867890B2 (ja) * | 2001-07-18 | 2007-01-17 | 日立ソフトウエアエンジニアリング株式会社 | 画像処理方法および装置 |
| CN101714252A (zh) * | 2009-11-26 | 2010-05-26 | 上海电机学院 | Sar图像中道路的提取方法 |
| CN103870824A (zh) * | 2014-03-28 | 2014-06-18 | 海信集团有限公司 | 一种在人脸检测跟踪过程中的人脸捕捉方法及装置 |
| CN104616281A (zh) * | 2014-11-28 | 2015-05-13 | 天津工业大学 | 一种应用于双灯丝灯泡的在线检测距离的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 遥感影像中的道路半自动提取技术研究;唐剑波;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20080715(第7期);全文 * |
| 高分辨率遥感影像的道路检测研究;史媛;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160115(第1期);摘要，正文第10、21、26-35页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106504219A (zh) | 2017-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113298818B (zh) | 基于注意力机制与多尺度特征的遥感图像建筑物分割方法 | |
| CN111259906B (zh) | 含多级通道注意力的条件生成对抗遥感图像目标分割方法 | |
| CN111127493A (zh) | 基于注意力多尺度特征融合的遥感图像语义分割方法 | |
| CN106504219B (zh) | 有约束的路径形态学高分辨率遥感影像道路增强方法 | |
| CN105869173A (zh) | 一种立体视觉显著性检测方法 | |
| CN109241982A (zh) | 基于深浅层卷积神经网络的目标检测方法 | |
| CN111652892A (zh) | 一种基于深度学习的遥感影像建筑物矢量提取及优化方法 | |
| Lu et al. | Cascaded multi-task road extraction network for road surface, centerline, and edge extraction | |
| CN112712546A (zh) | 一种基于孪生神经网络的目标跟踪方法 | |
| CN109993803A (zh) | 城市色调的智能分析与评价方法 | |
| Montserrat et al. | Logo detection and recognition with synthetic images | |
| Chen et al. | ASF-Net: Adaptive screening feature network for building footprint extraction from remote-sensing images | |
| Zhu et al. | Change detection based on the combination of improved SegNet neural network and morphology | |
| Li et al. | Gated auxiliary edge detection task for road extraction with weight-balanced loss | |
| Cheng et al. | Remote sensing image segmentation method based on HRNET | |
| CN112766102A (zh) | 一种基于空谱特征融合的无监督高光谱视频目标跟踪方法 | |
| Jia et al. | Collaborative contrastive learning for hyperspectral and LiDAR classification | |
| Pang et al. | Multihead attention mechanism guided ConvLSTM for pixel-level segmentation of ocean remote sensing images | |
| Chen et al. | Colorization of infrared images based on feature fusion and contrastive learning | |
| Gan et al. | Object detection in remote sensing images with mask R-CNN | |
| Feng et al. | Improved deep fully convolutional network with superpixel-based conditional random fields for building extraction | |
| Musat et al. | Depth-sims: Semi-parametric image and depth synthesis | |
| Qin et al. | Research on image colorization algorithm based on residual neural network | |
| CN113963265A (zh) | 一种复杂遥感陆地环境小样本小目标快速检测识别方法 | |
| Hu et al. | PolyRoad: Polyline Transformer for Topological Road-boundary Detection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |