CN107463944A - 一种利用多时相高分辨率sar图像的道路信息提取方法 - Google Patents
一种利用多时相高分辨率sar图像的道路信息提取方法 Download PDFInfo
- Publication number
- CN107463944A CN107463944A CN201710560986.1A CN201710560986A CN107463944A CN 107463944 A CN107463944 A CN 107463944A CN 201710560986 A CN201710560986 A CN 201710560986A CN 107463944 A CN107463944 A CN 107463944A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- image
- msup
- pixel
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种利用多时相高分辨率SAR图像的道路目标提取方法,通过SAR传感器获取待处理的n(n≥2)幅多时相单视复数SAR图像,然后进行多视处理、图像配准、辐射校正、平滑滤波图像预处理操作,从平滑滤波图像中提取出后向散射信息,然后利用path closing和阈值分割的方法从平滑滤波图像中获取道路候选点,再根据配准图像以及后向散射系数图像,采用基于聚类方法的相干系数估计方法提取相干系数,然后结合后向散射系数和相干系数,采用支持向量机(SVM)方法从道路候选点中提取道路目标,最后再次利用path closing方法剔除孤立点和短目标,得到最终的道路分布图。
Description
技术领域
本发明属于图像处理技术领域,更为具体地讲,涉及一种利用多时相高分辨率SAR图像的道路信息提取方法。
背景技术
星载合成孔径雷达(SAR)系统每天能够获得大量高质量的对地观测图像。在这些SAR图像中,道路作为一种典型的人造地物,是构成现代交通体系的主要部分,也是地图和地理信息系统(GIS)中主要的记录和标识对象。道路目标信息提取研究具有重要的地理、经济、军事意义。特别是在应急救灾过程中,能在复杂地形、恶劣天气的情况下实时获取道路交通的基本信息和状况就显得尤为重要。此外,道路交通设施分布极广,且每年变化较大,人工地面调查方式虽然准确,但需耗费大量的人力物力,实施难度大。更重要的是,这种方式不能作为一种经常性的调查手段,而SAR则提供了一种更为高效的手段。目前,高质量的SAR图像一景可以涵盖数十平方公里面积范围,具有覆盖面广、信息量大、可重复使用、便于计算机分析存储、快速经济等优点。更重要的是,SAR具有全天时、全天候工作的优点,弥补了光学遥感图像容易受天气、光照影响的缺点。
尽管SAR具有许多优势且应用前景广泛,但目前对SAR图像数据的解译仍有许多待解决的难题。目前,尚无一套通用的SAR图像道路信息提取方法。基于单时相SAR数据的道路提取方法仅仅利用了SAR图像的幅度信息,通过一些线特征的局部检测方法进行道路初步提取,再对初步提取结果进行全局连接,实现道路目标信息的提取。但是,由于道路、水体以及阴影等在SAR图像上具有相似的幅度特征,基于单时相SAR数据的道路提取方法往往难以将其区分。
发明内容
本发明的目的在于克服现有技术的不足,提供一种利用多时相高分辨率SAR图像的道路信息提取方法,利用道路在SAR图像中的特征,实现大面积区域道路信息提取,具有效率高、成本低特点。
为实现上述发明目的,本发明一种利用多时相高分辨率SAR图像的道路信息提取方法,其特征在于,包括以下步骤:
(1)、图像采集及预处理
在同一目标区域获取不同时相的n(n≥2)幅原始单视复数SAR图像;
对n幅原始单视复数SAR图像进行多视处理和图像配准,得到n幅初始SAR图像;再对n幅初始SAR图像进行辐射校正、平滑滤波处理,得到n幅标准SAR图像;
(2)、从标准SAR图像中提取后向散射系数图像
按照如下公式,计算n幅标准SAR图像中每个像素点的后向散射系数;
其中,表示第i幅标准SAR图像中第j个像素点的后向散射系数,表示第i幅标准SAR图像中第j个像素点的像素值;
对n幅标准SAR图像中每个像素点的后向散射系数取算数平均,得到一幅后向散射系数图像Iσ;
(3)、从标准SAR图像中提取道路候选点图像
(3.1)、利用gamma变换对每幅标准SAR图像进行增强处理,得到n幅增强图像S;
其中,表示第i幅标准SAR图像中第j个像素点增强后的像素值,γ为大于0的参数;
(3.2)、利用path closing算法对每幅增强图像S进行处理,再利用预设阈值进行二值化处理,得到n幅道路候选点图像;
(3.3)、对n幅道路候选点图像取并集,得到最终道路候选点图像IC;
其中,Ii表示第i幅道路候选点图像;
(4)、从初始SAR图像中提取相干系数图像;
任意选取两幅初始SAR图像以及对应的后向散射系数图像,利用聚类方法计算所有道路候选点的相干系数,其中,道路候选点j的相干系数为:
其中,和分别表示选取的两幅初始SAR图像中与同质样本点集Ω(j)中像素点坐标位置相同的像素点的值,*表示对复数取共轭运算,Ω(j)表示道路候选点j的同质样本点集,N为用于计算的同质样本点数;
对所有道路候选点进行上述相干系数计算操作,得到道路候选点的相干系数图像di,k;
同理,对n幅初始SAR图像可以计算得到幅相干系数图像,对于每个道路候选点,取幅相干系数图像中相同坐标位置处相干系数最大值作为该道路候选点的最终相干系数,再非道路候选点的相干系数设置为0,由此得到最终相干系数图像Id;
(5)、支持向量机SVM分类
根据后向散射系数图像Iσ和最终相干系数图像像Id,利用支持向量机SVM方法将道路候选点划分为道路与非道路两类;
(6)、分类结果处理
根据支持向量机分类结果,剔除非道路的道路候选点,得到由道路候选点组成二值图像,再利用path closing方法处理该二值图像,剔除孤立点和短目标,得到最终的道路分布图。
本发明的发明目的是这样实现的:
本发明一种利用多时相高分辨率SAR图像的道路目标提取方法,通过SAR传感器获取待处理的n(n≥2)幅多时相单视复数SAR图像,然后进行多视处理、图像配准、辐射校正、平滑滤波图像预处理操作,从平滑滤波图像中提取出后向散射信息,然后利用pathclosing和阈值分割的方法从平滑滤波图像中获取道路候选点,再根据配准图像以及后向散射系数图像,采用基于聚类方法的相干系数估计方法提取相干系数,然后结合后向散射系数和相干系数,采用支持向量机(SVM)方法从道路候选点中提取道路目标,最后再次利用path closing方法剔除孤立点和短目标,得到最终的道路分布图。
同时,本发明一种利用多时相高分辨率SAR图像的道路目标提取方法还具有以下有益效果:
(1)、本发明利用道路在SAR图像中的辐射特征、几何特征和相干性特征进行道路分布信息提取,能够在高分辨率SAR图像中有效地把道路从水体、阴影等其他低后向散射目标中区分出来;
(2)、本发明不需要借助数字高程模型(DEM)等辅助数据即可剔除SAR图像中的阴影,降低辅助数据要求的同时提高了SAR图像道路提取的精度;
(3)、本发明能够实现大面积区域道路信息提取,具有效率高、成本低特点。
附图说明
图1是本发明一种利用多时相高分辨率SAR图像的道路目标提取方法流程图;
图2是原始单视复数SAR图像;
图3是平滑滤波处理后的标准SAR图像;
图4是后向散射系数图像;
图5是利用path closing方法提取道路候选点的提取结果图像;
图6是基于聚类方法的相干系数估计方法提取相干系数的提取结果图像;
图7是SVM分类结果图像;
图8是道路分布图像。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明一种利用多时相高分辨率SAR图像的道路目标提取方法流程图。
在本实施例中,如图1所示,本发明一种利用多时相高分辨率SAR图像的道路信息提取方法,包括以下步骤:
S1、图像采集及预处理
在同一目标区域,利用通过卫星遥感系统或者机载遥感系统获取不同时相的n(n≥2)幅原始单视复数SAR图像;
图像处理时,要求获取覆盖同一区域的至少两幅高分辨率单视复数SAR图像,SAR图像之间的时间基线为若干天或者若干十天;
在本实施例中,通过安装在TerraSAR-X遥感卫星上的SAR成像系统获得的3幅高分辨率遥感影像,影像获取时间分别为2014-05-20、2014-05-31、2014-06-11,图像覆盖区域中心位置经纬度坐标为30°40’33.9”N 103°58’27.1”E,位于某省某市某立交桥附近,原始单视复数SAR图像如图2所示;
对3幅原始单视复数SAR图像进行多视处理和图像配准,得到3幅初始SAR图像;
在本实施例中,原始的单视复数图像距离向分辨率约为0.60m,方位向分辨率为0.23m,方位向4视后分辨率为0.92m。以2014-05-20获取的影像为主图像对其他图像进行配准,多视和配准步骤由SNAP软件完成;
再对3幅初始SAR图像进行辐射校正、平滑滤波处理,得到3幅标准SAR图像;
在本实施中,辐射校正与平滑滤波由SNAP软件完成,其中,平滑滤波方法为refined Lee滤波方法,3幅标准SAR图像如图3所示。
S2、从标准SAR图像中提取后向散射系数图像
按照如下公式,计算3幅标准SAR图像中每个像素点的后向散射系数,3幅标准SAR图像的后向散射系数图像如图4所示;
其中,表示第i幅标准SAR图像中第j个像素点的后向散射系数,表示第i幅标准SAR图像中第j个像素点的像素值;
对3幅标准SAR图像中每个像素点的后向散射系数取算数平均,得到一幅后向散射系数图像Iσ;
S3、从标准SAR图像中提取道路候选点图像
S3.1、利用gamma变换对每幅标准SAR图像进行增强处理,增大道路区与背景区的可区分程度,得到3幅增强图像S,如图5(a)所示;
其中,表示第i幅标准SAR图像中第j个像素点增强后的像素值,γ为大于0的参数,在本实施例中取γ=0.5;
S3.2、利用path closing算法对每幅增强图像S进行处理,如图5(b)所示,再利用预设阈值T=0.25进行二值化处理,得到3幅道路候选点图像,如图5(c)所示;
S3.3、对3幅道路候选点图像取并集,得到最终道路候选点图像IC,如图5(d)所示;
其中,Ii表示第i幅道路候选点图像;
S4、从初始SAR图像中提取相干系数图像;
任意选取两幅初始SAR图像以及对应的后向散射系数图像,利用聚类方法计算所有道路候选点的相干系数,其中,道路候选点j的相干系数为:
其中,和分别表示选取的两幅初始SAR图像中与同质样本点集Ω(j)中像素点坐标位置相同的像素点的值,*表示对复数取共轭运算,Ω(j)表示道路候选点j的同质样本点集,N为用于计算的同质样本点数;
对所有道路候选点进行上述相干系数计算操作,得到道路候选点的相干系数图像di,k;
同理,对3幅初始SAR图像可以计算得到3幅相干系数图像,对于每个道路候选点,取3幅相干系数图像中相同坐标位置处相干系数最大值作为该道路候选点的最终相干系数,再非道路候选点的相干系数设置为0,由此得到最终相干系数图像Id;
在本实施例中,对3幅不同时相的SAR图像两两之间提取相干系数得到如图6(a)所示的3幅相干系数图像。最终的道路选点相干系数图像如图6(b)所示。
下面我们对同质样本点集Ω(j)的确定方法进行详细说明,具体为:
1)、以道路候选点j为中心,确定一个21×21个像素点大小的窗口,窗口选取的同质像素点数为150,并将该道路候选点j设为初始聚类中心C0,并添加至Ω(j)中;
2)、计算窗口中不属于Ω(j)的像素点Cm到聚类中心C0的距离D(Cm,C0),将距离最小的像素点添加至该道路候选点的同质样本集Ω(j)中;
其中,D(Cm,C0)的计算方法为:
定义像素点Cm的特征向量为:
其中,m为像素点标号,和分别表示像素点在两幅不同初始SAR图像中的后向散射系数,xm和ym分别表示像素点在初始SAR图像中的行列坐标位置;
像素点Cm与聚类中心C0之间的距离D(Cm,C0)为:
D(Cm,C0)=Dσ+λDxy
其中,
表示聚类中心C0的特征向量,λ为控制聚类紧密度的参数;
3)、更新聚类中心C0,其中,为当前同质样本点集Ω(j)中像素点的特征向量,M表示当前同质样本点集Ω(j)中像素点个数;
聚类中心更新后返回步骤2)进行重复迭代,直至满足步骤4)时,迭代停止;
4)、当同质样本集Ω(j)中像素点个数达到设定的上限值NTh,或者是同质样本集Ω(j)中像素点后向散射系数的离散系数CV大于设定的阈值CVTh时,迭代停止;
其中,离散系数CV的计算公式为:
其中,ξi和ξk分别表示选取的两幅初始SAR图像中与同质样本集Ω(j)中像素点坐标位置相同的像素点的后向散射系数的标准差,μi和μk分别表示选取的两幅初始SAR图像中与同质样本集Ω(j)中像素点坐标位置相同的像素点的后向散射系数的均值。
S5、支持向量机SVM分类
根据后向散射系数图像Iσ和最终相干系数图像像Id,利用支持向量机SVM方法将道路候选点划分为道路与非道路两类;
在本实施例中,支持向量机的训练样本由人工选取产生,即根据先验知识从道路候选点图像中选取一定数量的道路像素点和非道路像素点。核函数选用线性核。最终的分类结果如图7所示。
S6、分类结果处理
根据支持向量机分类结果,剔除非道路的道路候选点,得到由道路候选点组成二值图像,再利用path closing方法处理该二值图像,剔除孤立点和短目标,得到最终的道路分布图。
在本实施例中,剔除非道路的道路候选点组成的二值图像如图8(a)所示,利用path closing方法处理得到的道路分布结果如图8(b)所示。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (4)
1.一种利用多时相高分辨率SAR图像的道路信息提取方法,其特征在于,包括以下步骤:
(1)、图像采集及预处理
在同一目标区域获取不同时相的n(n≥2)幅原始单视复数SAR图像;
对n幅原始单视复数SAR图像进行多视处理和图像配准,得到n幅初始SAR图像;再对n幅初始SAR图像进行辐射校正、平滑滤波处理,得到n幅标准SAR图像;
(2)、从标准SAR图像中提取后向散射系数图像
按照如下公式,计算n幅标准SAR图像中每个像素点的后向散射系数;
<mrow>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mi>j</mi>
</msubsup>
<mo>=</mo>
<mn>10</mn>
<mo>&times;</mo>
<msub>
<mi>log</mi>
<mn>10</mn>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>DN</mi>
<mi>i</mi>
<mi>j</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
其中,表示第i幅标准SAR图像中第j个像素点的后向散射系数,表示第i幅标准SAR图像中第j个像素点的像素值;
对n幅标准SAR图像中每个像素点的后向散射系数取算数平均,得到一幅后向散射系数图像Iσ;
<mrow>
<msup>
<mi>&sigma;</mi>
<mi>j</mi>
</msup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>/</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mi>j</mi>
</msubsup>
</mrow>
(3)、从标准SAR图像中提取道路候选点图像
(3.1)、利用gamma变换对每幅标准SAR图像进行增强处理,得到n幅增强图像S;
<mrow>
<msubsup>
<mi>s</mi>
<mi>i</mi>
<mi>j</mi>
</msubsup>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>DN</mi>
<mi>i</mi>
<mi>j</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mi>&gamma;</mi>
</msup>
</mrow>
其中,表示第i幅标准标准SAR图像中第j个像素点增强后的像素值,γ为大于0的参数;
(3.2)、利用path closing算法对每幅增强图像S进行处理,再利用预设阈值进行二值化处理,得到n幅道路候选点图像;
(3.3)、对n幅道路候选点图像取并集,得到最终道路候选点图像IC;
<mrow>
<msub>
<mi>I</mi>
<mi>C</mi>
</msub>
<mo>=</mo>
<msubsup>
<mo>&cup;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
</mrow>
其中,Ii表示第i幅道路候选点图像;
(4)、从初始SAR图像中提取相干系数图像;
任意选取两幅初始SAR图像以及对应的后向散射系数图像,利用聚类方法计算所有道路候选点的相干系数,其中,道路候选点j的相干系数为:
<mrow>
<msubsup>
<mi>d</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
<mi>j</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msubsup>
<mi>s</mi>
<mi>i</mi>
<mi>m</mi>
</msubsup>
<msubsup>
<mi>s</mi>
<mi>k</mi>
<mrow>
<mi>m</mi>
<mo>*</mo>
</mrow>
</msubsup>
</mrow>
<mo>|</mo>
</mrow>
<msqrt>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msup>
<mrow>
<mo>|</mo>
<msubsup>
<mi>s</mi>
<mi>i</mi>
<mi>m</mi>
</msubsup>
<mo>|</mo>
</mrow>
<mn>2</mn>
</msup>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msup>
<mrow>
<mo>|</mo>
<msubsup>
<mi>s</mi>
<mi>k</mi>
<mi>m</mi>
</msubsup>
<mo>|</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
</mrow>
其中,和分别表示选取的两幅初始SAR图像中与同质样本点集Ω(j)中像素点坐标位置相同的像素点的值,*表示对复数取共轭运算,Ω(j)表示道路候选点j的同质样本点集,N为用于计算的同质样本点数;
对所有道路候选点进行上述相干系数计算操作,得到道路候选点的相干系数图像di,k;
同理,对幅初始SAR图像可以计算得到幅相干系数图像,对于每个道路候选点,取幅相干系数图像中相同坐标位置处相干系数最大值作为该道路候选点的最终相干系数,再非道路候选点的相干系数设置为0,由此得到最终相干系数图像Id;
(5)、支持向量机SVM分类
根据后向散射系数图像Iσ和最终相干系数图像像Id,利用支持向量机SVM方法将道路候选点划分为道路与非道路两类;
(6)、分类结果处理
根据支持向量机分类结果,剔除非道路的道路候选点,得到由道路候选点组成二值图像,再利用path closing方法处理该二值图像,剔除孤立点和短目标,得到最终的道路分布图。
2.根据权利要求1所述的一种利用多时相高分辨率SAR图像的道路信息提取方法,其特征在于,所述的同质样本点集Ω(j)的确定方法为:
1)、以道路候选点j为中心,确定一个W×W个像素点大小的窗口,并将该道路候选点j设为初始聚类中心C0,并添加至Ω(j)中;
2)、计算窗口中不属于Ω(j)的像素点Cm到聚类中心C0的距离D(Cm,C0),将距离最小的像素点添加至该道路候选点的同质样本集Ω(j)中;
3)、更新聚类中心C0,其中,为当前同质样本点集Ω(j)中像素点的特征向量,M表示当前同质样本点集Ω(j)中像素点个数;
聚类中心更新后返回步骤2)进行重复迭代,直至满足步骤4)时,迭代停止;
4)、当同质样本集Ω(j)中像素点个数达到设定的上限值NTh,或者是同质样本集Ω(j)中像素点后向散射系数的离散系数CV大于设定的阈值CVTh时,迭代停止。
3.根据权利要求2所述的一种利用多时相高分辨率SAR图像的道路信息提取方法,其特征在于,所述D(Cm,C0)的计算方法为:
定义像素点Cm的特征向量为:
<mrow>
<msup>
<mi>C</mi>
<mi>m</mi>
</msup>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mi>m</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>&sigma;</mi>
<mi>k</mi>
<mi>m</mi>
</msubsup>
<mo>,</mo>
<msup>
<mi>x</mi>
<mi>m</mi>
</msup>
<mo>,</mo>
<msup>
<mi>y</mi>
<mi>m</mi>
</msup>
<mo>&rsqb;</mo>
</mrow>
<mi>T</mi>
</msup>
</mrow>
其中,m为像素点标号,和分别表示像素点在两幅不同初始SAR图像中的后向散射系数,xm和y m分别表示像素点在初始SAR图像中的行列坐标位置;
像素点Cm与聚类中心C0之间的距离D(Cm,C0)为:
D(Cm,C0)=Dσ+λDxy
其中,
<mrow>
<msub>
<mi>D</mi>
<mi>&sigma;</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mi>m</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mn>0</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&sigma;</mi>
<mi>k</mi>
<mi>m</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>&sigma;</mi>
<mi>k</mi>
<mn>0</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mi>x</mi>
<mi>y</mi>
</mrow>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mi>m</mi>
</msup>
<mo>-</mo>
<msup>
<mi>x</mi>
<mn>0</mn>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>y</mi>
<mi>m</mi>
</msup>
<mo>-</mo>
<msup>
<mi>y</mi>
<mn>0</mn>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
表示聚类中心C0的特征向量,λ为控制聚类紧密度的参数。
4.根据权利要求2所述的一种利用多时相高分辨率SAR图像的道路信息提取方法,其特征在于,所述离散系数CV的计算公式为:
<mrow>
<mi>C</mi>
<mi>V</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>&xi;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&mu;</mi>
<mi>i</mi>
</msub>
</mfrac>
<mo>+</mo>
<mfrac>
<msub>
<mi>&xi;</mi>
<mi>k</mi>
</msub>
<msub>
<mi>&mu;</mi>
<mi>k</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中,ξi和ξk分别表示选取的两幅初始SAR图像中与同质样本集Ω(j)中像素点坐标位置相同的像素点的后向散射系数的标准差,μi和μk分别表示选取的两幅初始SAR图像中与同质样本集Ω(j)中像素点坐标位置相同的像素点的后向散射系数的均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710560986.1A CN107463944B (zh) | 2017-07-11 | 2017-07-11 | 一种利用多时相高分辨率sar图像的道路信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710560986.1A CN107463944B (zh) | 2017-07-11 | 2017-07-11 | 一种利用多时相高分辨率sar图像的道路信息提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107463944A true CN107463944A (zh) | 2017-12-12 |
CN107463944B CN107463944B (zh) | 2019-09-24 |
Family
ID=60543855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710560986.1A Active CN107463944B (zh) | 2017-07-11 | 2017-07-11 | 一种利用多时相高分辨率sar图像的道路信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107463944B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108896009A (zh) * | 2018-04-29 | 2018-11-27 | 天津大学 | 一种基于有效相干性的大型线状结构体沉降监测方法 |
CN112270675A (zh) * | 2020-11-11 | 2021-01-26 | 中山大学 | 一种基于极化雷达遥感影像的城市内涝区域检测方法 |
CN113408457A (zh) * | 2021-06-29 | 2021-09-17 | 西南交通大学 | 一种联合高分影像和视频图像的道路信息智能提取方法 |
CN113985404A (zh) * | 2021-12-30 | 2022-01-28 | 湖南师范大学 | 一种高分辨率跑道外来物探测系统及其相位漂移校正方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102176014A (zh) * | 2011-01-19 | 2011-09-07 | 西安理工大学 | 一种多时相sar图像城市区域变迁变化检测方法 |
CN102831423A (zh) * | 2012-07-26 | 2012-12-19 | 武汉大学 | 一种sar图像道路提取方法 |
CN103065307A (zh) * | 2012-12-25 | 2013-04-24 | 上海交通大学 | 非精确配准下sar/spot图像的区域融合检测方法 |
CN104951789A (zh) * | 2015-07-15 | 2015-09-30 | 电子科技大学 | 一种基于全极化sar图像的快速滑坡提取方法 |
US20160033639A1 (en) * | 2014-08-04 | 2016-02-04 | University Of Seoul Industry Cooperation Foundation | Method and apparatus for stacking multi-temporal mai interferograms |
CN105551049A (zh) * | 2015-12-28 | 2016-05-04 | 清华大学 | 基于港区水域提取的极化sar图像大型港口检测方法 |
-
2017
- 2017-07-11 CN CN201710560986.1A patent/CN107463944B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102176014A (zh) * | 2011-01-19 | 2011-09-07 | 西安理工大学 | 一种多时相sar图像城市区域变迁变化检测方法 |
CN102831423A (zh) * | 2012-07-26 | 2012-12-19 | 武汉大学 | 一种sar图像道路提取方法 |
CN103065307A (zh) * | 2012-12-25 | 2013-04-24 | 上海交通大学 | 非精确配准下sar/spot图像的区域融合检测方法 |
US20160033639A1 (en) * | 2014-08-04 | 2016-02-04 | University Of Seoul Industry Cooperation Foundation | Method and apparatus for stacking multi-temporal mai interferograms |
CN104951789A (zh) * | 2015-07-15 | 2015-09-30 | 电子科技大学 | 一种基于全极化sar图像的快速滑坡提取方法 |
CN105551049A (zh) * | 2015-12-28 | 2016-05-04 | 清华大学 | 基于港区水域提取的极化sar图像大型港口检测方法 |
Non-Patent Citations (1)
Title |
---|
FANGHONG XIAO 等: "Road detection in high-resolution SAR images using Duda and path operators", 《IGARSS 2016》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108896009A (zh) * | 2018-04-29 | 2018-11-27 | 天津大学 | 一种基于有效相干性的大型线状结构体沉降监测方法 |
CN112270675A (zh) * | 2020-11-11 | 2021-01-26 | 中山大学 | 一种基于极化雷达遥感影像的城市内涝区域检测方法 |
CN112270675B (zh) * | 2020-11-11 | 2021-04-16 | 中山大学 | 一种基于极化雷达遥感影像的城市内涝区域检测方法 |
CN113408457A (zh) * | 2021-06-29 | 2021-09-17 | 西南交通大学 | 一种联合高分影像和视频图像的道路信息智能提取方法 |
CN113985404A (zh) * | 2021-12-30 | 2022-01-28 | 湖南师范大学 | 一种高分辨率跑道外来物探测系统及其相位漂移校正方法 |
CN113985404B (zh) * | 2021-12-30 | 2022-03-25 | 湖南师范大学 | 一种高分辨率跑道外来物探测系统及其相位漂移校正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107463944B (zh) | 2019-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Esch et al. | Breaking new ground in mapping human settlements from space–The Global Urban Footprint | |
Ban et al. | Global land cover mapping using Earth observation satellite data: Recent progresses and challenges | |
Kalantar et al. | Drone-based land-cover mapping using a fuzzy unordered rule induction algorithm integrated into object-based image analysis | |
CN103645480B (zh) | 基于激光雷达和图像数据融合的地形地貌特征构建方法 | |
Esch et al. | TanDEM-X mission—new perspectives for the inventory and monitoring of global settlement patterns | |
CN102629378B (zh) | 基于多特征融合的遥感图像变化检测方法 | |
Kirthika et al. | Automated road network extraction using artificial neural network | |
CN107463944B (zh) | 一种利用多时相高分辨率sar图像的道路信息提取方法 | |
Jiang et al. | An optimized deep neural network detecting small and narrow rectangular objects in Google Earth images | |
Zhou | Urban High-Resolution Remote Sensing: Algorithms and Modeling | |
Nivedita Priyadarshini et al. | A comparative study of advanced land use/land cover classification algorithms using Sentinel-2 data | |
Alahmadi et al. | A comparison of small-area population estimation techniques using built-area and height data, Riyadh, Saudi Arabia | |
Li et al. | An aerial image segmentation approach based on enhanced multi-scale convolutional neural network | |
Gao et al. | Road extraction using a dual attention dilated-linknet based on satellite images and floating vehicle trajectory data | |
Mhangara et al. | Road extraction using object oriented classification | |
Zhou et al. | A large-scale mapping scheme for urban building from Gaofen-2 images using deep learning and hierarchical approach | |
Cai et al. | Deep learning-based building height mapping using Sentinel-1 and Sentienl-2 data | |
Li et al. | 3DCentripetalNet: Building height retrieval from monocular remote sensing imagery | |
Oșlobanu et al. | Built-up area analysis using Sentinel data in metropolitan areas of Transylvania, Romania | |
CN107392926A (zh) | 基于前期土地专题图的遥感影像特征选择方法 | |
Sharma | Vehicle detection and classification in 1-m resolution imagery | |
Naito et al. | Damage detection method for buildings with machine-learning techniques utilizing images of automobile running surveys aftermath of the 2016 Kumamoto Earthquake | |
Lu et al. | Autonomous vision-based safe area selection algorithm for UAV emergency forced landing | |
McKee et al. | Effect of Image Classification Accuracy on Dasymetric Population Estimation | |
Avudaiamma et al. | Automatic building extraction from VHR satellite image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |