CN108108721A - 一种利用高光谱进行道路提取的方法 - Google Patents
一种利用高光谱进行道路提取的方法 Download PDFInfo
- Publication number
- CN108108721A CN108108721A CN201810017448.2A CN201810017448A CN108108721A CN 108108721 A CN108108721 A CN 108108721A CN 201810017448 A CN201810017448 A CN 201810017448A CN 108108721 A CN108108721 A CN 108108721A
- Authority
- CN
- China
- Prior art keywords
- mrow
- road
- noise
- carried out
- spectrum
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Abstract
本发明公开一种利用高光谱进行道路提取的方法,高光谱图像数据经过预处理后,首先进行非监督分类方法对区域地物开展分类,之后对高光谱图像进行边缘提取,并在此基础上提取线状特征,实现对道路的探测,接下来在道路的区域结合道路不同材质的光谱特征得到道路分类结果。
Description
技术领域
本发明涉及一种利用光谱图像进行道路提取的方法,属于遥感图像定性分析的应用领域。
背景技术
在进行城市区域规划过程中,往往需要对区域中的道路进行重新调查,获取道路的分布,道路是否是沥青、水泥、石子或土路,如果采用人工调查的方式,往往需要耗费大量的人力物力。
而利用光谱遥感图像,就可以利用计算机的优势,在短时间内获取精确的大范围的道路情况。
发明内容
本发明要解决的技术问题是提供一种利用高光谱进行道路提取的方法。
为了解决上述技术问题,本发明采用以下技术方案:
提供一种利用高光谱进行道路提取的方法,结合非监督和有监督方法,提高道路提取的有效性,该方法包括如下步骤:
(1)首先对高光谱图像进行最小噪声分离(Minimum Noise Fraction,MNF),消除噪声。最小噪声分离用于判定图像数据内在的维数,分离数据中的噪声,其本质上是两次层叠的主成分变换。第一次变换基于估计的噪声协方差矩阵,用于分离和重新调节数据中的噪声,这步操作使变换后的噪声数据只有最小的方差且没有波段间的相关。第二次变换是对噪声白化数据的标准主成分变换。MNF变换后的波段具有不同物理与数学意义,比如MNF波段1代表整个波段的亮度背景,光谱信息主要体现在2~6波段,噪声也逐渐出现。考虑到光谱信息主要在2~6波段,所以后续处理步骤只在MNF1~6波段进行。
(2)进行非监督分类,获取不同的区域。非监督分类根据待分类样本特征参数的统计特征,建立决策规则来进行分类,不需要事先知道类别特征。把各样本的空间分布按相似性分割或合并成一群集,每一群集代表的地物类别。可以采用经典的KNN(k-NearestNeighbor)等算法。
(3)对非监督分类的结果进行边缘提取。不同于传统的边缘提取直接在灰度或彩色图像上提取,这里边缘提取在无监督分类结果图上提取,是一种面向对象的边缘提取。在对象发生变化的地方标记为边缘。
(4)对边缘提取结果进行处理,获取线特征。主要对边缘结果根据霍夫变换提取线特征。霍夫变换线特征提取主要利用极坐标系直线用参数极径和极角(r,θ)表示,由于对于每一个给定点,所有通过它的直线将在极坐标系得到一条正弦曲线,如果比较多的正弦曲线相交于一点,则认为这些点构成了一条直线。
(5)提取不同道路如土路、石质路、水泥路、柏油路等光谱曲线,分析其光谱特征。该工作可以采用两种,一是根据公开的实验室采集光谱进行分析,比如美国USGS光盘库,二是实地调研,采集光谱曲线。建议有条件的情况下,采用实地调研光谱,因为每个地理环境形成的道路光谱曲线由于成分不一样,具有明显的光谱差异。
(6)对提取的线特征进行分类,获取不同材质的道路结果。可以采用最简单的光谱角匹配方法来确定道路的不同材质。给定两条光谱x和y,传统光谱角的定义如下,角度越小表明两条光谱间的相似性越大。
有益效果:
1、本发明所提供的方法考虑了无监督和有监督的优势,可以提高光谱图像道路提取的精度。
2、本发明所提供的方法适用于城市道路调查等多种领域。
附图说明
图1是本发明实施道路提取流程图。
具体实施方式
下面结合实施例及附图对发明进一步说明,但不用来限制本发明的范围。
如图1所示,本发明提供一种利用高光谱进行道路提取的方法,结合非监督和有监督方法,提高道路提取的有效性,该方法包括如下步骤:
(1)首先对高光谱图像进行最小噪声分离(Minimum Noise Fraction,MNF),消除噪声。最小噪声分离用于判定图像数据内在的维数,分离数据中的噪声,其本质上是两次层叠的主成分变换。第一次变换基于估计的噪声协方差矩阵,用于分离和重新调节数据中的噪声,这步操作使变换后的噪声数据只有最小的方差且没有波段间的相关。第二次变换是对噪声白化数据的标准主成分变换。MNF变换后的波段具有不同物理与数学意义,比如MNF波段1代表整个波段的亮度背景,光谱信息主要体现在2~6波段,噪声也逐渐出现。考虑到光谱信息主要在2~6波段,所以后续处理步骤只在MNF1~6波段进行。
(2)进行非监督分类,获取不同的区域。非监督分类根据待分类样本特征参数的统计特征,建立决策规则来进行分类,不需要事先知道类别特征。把各样本的空间分布按相似性分割或合并成一群集,每一群集代表的地物类别。可以采用经典的KNN等算法。
(3)对非监督分类的结果进行边缘提取。不同于传统的边缘提取直接在灰度或彩色图像上提取,这里边缘提取在无监督分类结果图上提取,是一种面向对象的边缘提取。在对象发生变化的地方标记为边缘。
(4)对边缘提取结果进行处理,获取线特征。主要对边缘结果根据霍夫变换提取线特征。霍夫变换线特征提取主要利用极坐标系直线用参数极径和极角(r,θ)表示,由于对于每一个给定点,所有通过它的直线将在极坐标系得到一条正弦曲线,如果比较多的正弦曲线相交于一点,则认为这些点构成了一条直线。
(5)提取不同道路如土路、石质路、水泥路、柏油路等光谱曲线,分析其光谱特征。该工作可以采用两种,一是根据公开的实验室采集光谱进行分析,比如美国USGS光盘库,二是实地调研,采集光谱曲线。建议有条件的情况下,采用实地调研光谱,因为每个地理环境形成的道路光谱曲线由于成分不一样,具有明显的光谱差异。
(6)对提取的线特征进行分类,获取不同材质的道路结果。可以采用最简单的光谱角匹配方法来确定道路的不同材质。给定两条光谱x和y,传统光谱角的定义如下,角度越小表明两条光谱间的相似性越大。
本发明所提供的方法考虑了无监督和有监督的优势,可以提高光谱图像道路提取的精度。本发明所提供的方法适用于城市道路调查等多种领域。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。
Claims (1)
1.一种利用高光谱进行道路提取的方法,其特征在于,是一种结合非监督和有监督方法提高道路提取的有效性的道路提取方法,该方法包括如下步骤:
(1)首先对高光谱图像进行最小噪声分离,消除噪声,最小噪声分离用于判定图像数据内在的维数,分离数据中的噪声,其本质上是两次层叠的主成分变换:第一次变换基于估计的噪声协方差矩阵,用于分离和重新调节数据中的噪声,这步操作使变换后的噪声数据只有最小的方差且没有波段间的相关;第二次变换是对噪声白化数据的标准主成分变换;MNF变换后的波段具有不同物理与数学意义;
(2)进行非监督分类,获取不同的区域:非监督分类根据待分类样本特征参数的统计特征,建立决策规则来进行分类,不需要事先知道类别特征;把各样本的空间分布按相似性分割或合并成一群集,每一群集代表的地物类别;采用KNN算法;
(3)对非监督分类的结果进行边缘提取:直接在灰度或彩色图像上提取,所述边缘提取在无监督分类结果图上提取,是一种面向对象的边缘提取;在对象发生变化的地方标记为边缘。
(4)对边缘提取结果进行处理,获取线特征:主要对边缘结果根据霍夫变换提取线特征;霍夫变换线特征提取主要利用极坐标系直线用参数极径和极角(r,θ)表示,由于对于每一个给定点,所有通过它的直线将在极坐标系得到一条正弦曲线,如果比较多的正弦曲线相交于一点,则认为这些点构成了一条直线;
(5)提取不同道路的光谱曲线,分析其光谱特征:根据公开的实验室采集光谱进行分析或实地采集光谱曲线;
(6)对提取的线特征进行分类,获取不同材质的道路结果:采用光谱角匹配方法确定道路的不同材质,给定两条光谱x和y,传统光谱角的定义如下:
<mrow>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>S</mi>
<mi>A</mi>
<mi>M</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>,</mo>
<mi>Y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>arccos</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>X</mi>
<mo>&CenterDot;</mo>
<mi>Y</mi>
</mrow>
<mrow>
<mo>|</mo>
<mi>X</mi>
<mo>|</mo>
<mo>|</mo>
<mi>Y</mi>
<mo>|</mo>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
角度越小表明两条光谱间的相似性越大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810017448.2A CN108108721A (zh) | 2018-01-09 | 2018-01-09 | 一种利用高光谱进行道路提取的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810017448.2A CN108108721A (zh) | 2018-01-09 | 2018-01-09 | 一种利用高光谱进行道路提取的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108108721A true CN108108721A (zh) | 2018-06-01 |
Family
ID=62218903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810017448.2A Pending CN108108721A (zh) | 2018-01-09 | 2018-01-09 | 一种利用高光谱进行道路提取的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108108721A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613371A (zh) * | 2020-12-16 | 2021-04-06 | 上海大学 | 一种基于密集连接卷积神经网络高光谱图像道路提取方法 |
WO2021068573A1 (zh) * | 2019-10-09 | 2021-04-15 | 华为技术有限公司 | 一种障碍物检测方法、装置、设备及介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101299237A (zh) * | 2008-06-05 | 2008-11-05 | 北京航空航天大学 | 一种基于信息量维数序列的高光谱数据监督分类方法 |
CN101950361A (zh) * | 2010-09-06 | 2011-01-19 | 中国科学院遥感应用研究所 | 一种基于光谱匹配度的遥感影像专题信息自适应提取方法 |
CN102012528A (zh) * | 2010-11-23 | 2011-04-13 | 北京理工大学 | 一种稀疏植被地区的高光谱遥感油气勘探方法 |
CN102879099A (zh) * | 2012-08-08 | 2013-01-16 | 北京建筑工程学院 | 一种基于高光谱成像的壁画信息提取方法 |
CN103034863A (zh) * | 2012-12-24 | 2013-04-10 | 重庆市勘测院 | 一种结合核Fisher与多尺度提取的遥感影像道路获取方法 |
CN103500343A (zh) * | 2013-09-30 | 2014-01-08 | 河海大学 | 基于mnf变换结合扩展属性滤波的高光谱影像分类方法 |
CN103839275A (zh) * | 2014-03-27 | 2014-06-04 | 中国科学院遥感与数字地球研究所 | 高光谱图像的道路提取方法及装置 |
US8799345B1 (en) * | 2009-08-24 | 2014-08-05 | The United States Of America As Represented By The Secretary Of The Air Force | Low order multiple signal classification (MUSIC) method for high spectral resolution signal detection |
CN103984946A (zh) * | 2014-05-23 | 2014-08-13 | 北京联合大学 | 一种基于K-means的高分辨率遥感地图道路提取方法 |
CN106199557A (zh) * | 2016-06-24 | 2016-12-07 | 南京林业大学 | 一种机载激光雷达数据植被提取方法 |
CN106682675A (zh) * | 2016-12-29 | 2017-05-17 | 中国电子科技集团公司第五十四研究所 | 一种面向高光谱图像的空谱联合特征提取方法 |
CN106886609A (zh) * | 2017-03-31 | 2017-06-23 | 中国科学院地理科学与资源研究所 | 街区式农村居民地遥感快速标注方法 |
-
2018
- 2018-01-09 CN CN201810017448.2A patent/CN108108721A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101299237A (zh) * | 2008-06-05 | 2008-11-05 | 北京航空航天大学 | 一种基于信息量维数序列的高光谱数据监督分类方法 |
US8799345B1 (en) * | 2009-08-24 | 2014-08-05 | The United States Of America As Represented By The Secretary Of The Air Force | Low order multiple signal classification (MUSIC) method for high spectral resolution signal detection |
CN101950361A (zh) * | 2010-09-06 | 2011-01-19 | 中国科学院遥感应用研究所 | 一种基于光谱匹配度的遥感影像专题信息自适应提取方法 |
CN102012528A (zh) * | 2010-11-23 | 2011-04-13 | 北京理工大学 | 一种稀疏植被地区的高光谱遥感油气勘探方法 |
CN102879099A (zh) * | 2012-08-08 | 2013-01-16 | 北京建筑工程学院 | 一种基于高光谱成像的壁画信息提取方法 |
CN103034863A (zh) * | 2012-12-24 | 2013-04-10 | 重庆市勘测院 | 一种结合核Fisher与多尺度提取的遥感影像道路获取方法 |
CN103500343A (zh) * | 2013-09-30 | 2014-01-08 | 河海大学 | 基于mnf变换结合扩展属性滤波的高光谱影像分类方法 |
CN103839275A (zh) * | 2014-03-27 | 2014-06-04 | 中国科学院遥感与数字地球研究所 | 高光谱图像的道路提取方法及装置 |
CN103984946A (zh) * | 2014-05-23 | 2014-08-13 | 北京联合大学 | 一种基于K-means的高分辨率遥感地图道路提取方法 |
CN106199557A (zh) * | 2016-06-24 | 2016-12-07 | 南京林业大学 | 一种机载激光雷达数据植被提取方法 |
CN106682675A (zh) * | 2016-12-29 | 2017-05-17 | 中国电子科技集团公司第五十四研究所 | 一种面向高光谱图像的空谱联合特征提取方法 |
CN106886609A (zh) * | 2017-03-31 | 2017-06-23 | 中国科学院地理科学与资源研究所 | 街区式农村居民地遥感快速标注方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021068573A1 (zh) * | 2019-10-09 | 2021-04-15 | 华为技术有限公司 | 一种障碍物检测方法、装置、设备及介质 |
CN112613371A (zh) * | 2020-12-16 | 2021-04-06 | 上海大学 | 一种基于密集连接卷积神经网络高光谱图像道路提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alonzo et al. | Urban tree species mapping using hyperspectral and lidar data fusion | |
CN102879099B (zh) | 一种基于高光谱成像的壁画信息提取方法 | |
CN101299237B (zh) | 一种基于信息量维数序列的高光谱数据监督分类方法 | |
CN104778470B (zh) | 基于组件树和霍夫森林的文字检测和识别方法 | |
CN103366378B (zh) | 基于条件直方图形状一致性的无参考型图像质量评价方法 | |
CN108537286B (zh) | 一种基于关键区域检测的复杂目标精准识别方法 | |
CN103632363A (zh) | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 | |
CN105842173A (zh) | 一种高光谱材质鉴别方法 | |
CN105046188A (zh) | Modis混合像元分解森林信息提取方法 | |
CN102393914A (zh) | 一种基于支持向量机分类树的地基云图识别方法 | |
Li et al. | GIS-based detection of grain boundaries | |
CN111401426A (zh) | 基于伪标签学习的小样本高光谱图像分类方法 | |
CN103839078A (zh) | 一种基于主动学习的高光谱图像分类方法 | |
CN111950530A (zh) | 农作物种植结构提取的多特征优选与融合方法 | |
CN102663401A (zh) | 一种图像特征提取和描述方法 | |
CN104680185A (zh) | 基于边界点重分类的高光谱图像分类方法 | |
CN112257711B (zh) | 一种铁路货车地板破损故障检测方法 | |
CN108108721A (zh) | 一种利用高光谱进行道路提取的方法 | |
Schäfer et al. | Classifying Land Cover from Satellite Images Using Time Series Analytics. | |
CN114170511A (zh) | 基于Cascade RCNN的路面裂缝病害识别方法 | |
CN114332534B (zh) | 一种高光谱图像小样本分类方法 | |
CN103927547A (zh) | 一种用于对岩屑荧光图像进行快速分析方法 | |
CN105469099B (zh) | 基于稀疏表示分类的路面裂缝检测和识别方法 | |
CN101067659A (zh) | 一种遥感图像分类方法 | |
CN102222235A (zh) | 基于对象集成高度信息的面向对象的高光谱分类处理方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180601 |
|
WD01 | Invention patent application deemed withdrawn after publication |