CN112017160A - 一种基于多策略组合的多源遥感影像道路材质精细提取方法 - Google Patents

一种基于多策略组合的多源遥感影像道路材质精细提取方法 Download PDF

Info

Publication number
CN112017160A
CN112017160A CN202010778197.7A CN202010778197A CN112017160A CN 112017160 A CN112017160 A CN 112017160A CN 202010778197 A CN202010778197 A CN 202010778197A CN 112017160 A CN112017160 A CN 112017160A
Authority
CN
China
Prior art keywords
data
road
image
wave band
representing
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
Application number
CN202010778197.7A
Other languages
English (en)
Other versions
CN112017160B (zh
Inventor
张蕴灵
傅宇浩
肖国峰
杨璇
龚婷婷
潘佩珠
王群
孙雨
孙伟伟
任凯
杨刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Highway Engineering Consultants Corp
CHECC Data Co Ltd
Original Assignee
China Highway Engineering Consultants Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Highway Engineering Consultants Corp filed Critical China Highway Engineering Consultants Corp
Priority to CN202010778197.7A priority Critical patent/CN112017160B/zh
Publication of CN112017160A publication Critical patent/CN112017160A/zh
Application granted granted Critical
Publication of CN112017160B publication Critical patent/CN112017160B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Neurology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种基于多策略组合的多源遥感影像道路材质精细提取方法，充分利用多源遥感数据的特性，首先对数据进行预处理，根据道路的光谱特性进行了波段选择，然后通过所提出的分步融合方法对多源遥感数据进行融合，提升数据空间分辨率，并通过软件辅助对道路进行粗提取，最后通过提取并集合多种特征，建立特征级融合框架对道路进行道路材质精细提取，根据辅助数据对结果进行精校正并制图。本发明提出的方法在提升数据质量的同时精细的提取了各种材质的道路，具有简易的操作性与很强的实用性，具有重要的实际应用意义。

Description

一种基于多策略组合的多源遥感影像道路材质精细提取方法
技术领域
本发明属于光学遥感图像处理技术领域，是一种基于多策略组合的多源遥感影像道路材质精细提取方法。
背景技术
道路是交通运输的命脉，地域连接的纽带，也是为城市发展运送人流、物流的重要通道，作为城市发展的主要动力，交通对生产要素的流动、城镇体系的发展有着决定性的影响。道路交通的发展促进了聚集经济效应的充分发挥，推动了城市向外分散型发展。此外，便利的交通推动沿线经济的产业结构升级。近年来，随着城市和乡村的快速发展，道路交通也取得了很大的发展，但是道路交通设计问题亟待解决，只有充分了解已有的道路布局，以及道路的类型，才能有利于道路交通建设的更好推进。
传统的采样分析方法无法满足监测的时效性要求，更无法反映道路的空间分布范围和动态变化。相比而言，利用光学遥感技术监测道路具有监测范围广、速度快、成本低且便于长期动态监测的优势，能够较好反映道路的空间分布及变化，从而为后续的城市发展及道路规划奠定基础。
当前，基于高分辨率遥感影像的道路提取算法主要包括初始道路二值图像提取、精细化道路获取、中心线获取。高分辨率遥感影像上道路的特征呈现方式多样且复杂。目前高分辨率遥感影像上的道路可以归纳为以下几类：复杂的上下文特征：对于郊区等发展区域，道路网的上下文特征较为单一。但是对于城市核心地段，由于车辆、树木、行人、斑马线等分布复杂，因此，具有复杂的上下文特征，这为基于高分辨率遥感影像的道路提取，带来了极大的挑战。复杂的光谱特征：在高分辨率遥感影像上，相同地物间光谱差异较大，而不同地物间光谱差异较小，比如不同材质构建的道路，相同材质构建的道路与建筑物等，导致单纯依靠光谱特征来区分不同地物，更为困难。复杂的形状特征：在高分辨率遥感影像上，道路的宽度、长度、曲率等形状因子，呈现各异，比如道路交叉口通常呈现出复杂的环形形状特征，难以用一种或者几种简单的形状特征进行描述。复杂的纹理特征：在高分辨率遥感影像，不同地物间呈现出相同的纹理分布，因此呈现出了复杂的纹理特征。
发明内容
针对上述问题，本发明提出一种基于多策略组合的多源遥感影像道路材质精细提取方法，充分利用了不同道路的光谱特性进行波段选择，提升计算效率；利用多源遥感数据的空间与光谱特性进行融合，提升影像质量；通过对影像进行多特征提取，提升道路材质的分类精度。
本发明利用多源遥感数据进行道路材质精细提取的方法，通过下述步骤完成：
步骤1：对高光谱数据，多光谱数据与全色数据进行预处理。
步骤2：实地采样获取遥感影像中不同地物的样本点信息，分析样本点的光谱曲线，将光谱曲线之间分离度大的波段进行选取。
步骤3：高光谱数据，多光谱数据和全色数据进行分步融合，包括：
高光谱数据重合波段与多光谱数据进行融合，得到融合后的重合波段。
高光谱数据不重合波段与多光谱数据进行融合，得到融合后的不重合波段。
融合后的重合波段与全色数据进行融合。
融合后的不重合波段与全色数据进行融合。
最终得到与全色数据相同空间分辨率的高光谱数据。
步骤4：对各类道路进行粗提取，将提取的道路与高空间分辨率影像进行对比，对道路影像进行手动调整。
步骤5：根据提取出的道路影像进一步提取道路的纹理特征，光谱特征以及形状特征，通过建立决策树，实现特征级融合并对道路进行非监督的道路材质精细提取。
步骤6：利用高空间分辨率影像对步骤5中的分类图进行精校正，通过对比道路步骤5中的分类图与高空间分辨率影像，对道路材质分类影像进行手动调整并进行制图。
本发明的优点在于：
1、本发明基于多策略组合的多源遥感影像道路材质精细提取方法，不仅在重合波段可以得到很好的效果，而且在不重合波段也同样可以取得很好的效果，
2、本发明基于多策略组合的多源遥感影像道路材质精细提取方法，适用于空间分辨率比例非常大的数据集进行融合，这优于目前存在的其他方法。
2、本发明基于多策略组合的多源遥感影像道路材质精细提取方法，提出的特征级融合分类的流程框架便于操作、实用性强，将地物的多特征相结合有利于提升道路材质的分类精度。
3、本发明基于多策略组合的多源遥感影像道路材质精细提取方法，实现了精细的道路材质提取，具有简易的操作性，很强的实用性。
附图说明
图1为本发明基于多策略组合的多源遥感影像道路材质精细提取方法流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明的技术方案为一种利用多源遥感数据进行道路材质精细提取的技术，包括以下步骤：
本方法作为基于多源遥感数据进行道路材质精细提取的方法，包括以下步骤：
步骤1：数据预处理
本发明采用的数据为现有高光谱数据(HS)，多光谱数据(MS)与全色数据(PAN)，并对图像进行预处理，包括辐射定标，大气校正，正射校正，影像配准与影像裁剪。
步骤2：通过实地采样获取遥感影像中不同地物的样本点信息，分析样本点的光谱曲线，将光谱曲线之间分离度大的波段进行选取。
步骤3：高光谱数据，多光谱数据和全色数据进行分步融合。
3.1、采用步骤2经过预处理与波段选择的高光谱数据与多光谱数据进行融合，首先对高光谱数据数据进行插值，匹配多光谱数据数据的像素尺寸并进行分波段：重合波段、不重合波段。
3.2、高光谱数据重合波段与多光谱数据融合。
a、计算插值后高光谱数据重合波段的强度分量
Figure BDA0002619253630000031
Figure BDA0002619253630000032
其中，
Figure BDA0002619253630000033
表示高光谱数据数据的重合波段的上采样图像，k代表第k个光谱波段；B为高光谱数据的波段数量；wk代表第k个波段的权重；上述
Figure BDA0002619253630000034
可以通过计算数据间的最小均方根误差得到，具体方法如下：
P＝MSI/b (2)
其中，P为多光谱数据的均值图像，b为多光谱数据数据的波段数量，MSI为多光谱数据；
之后，通过MATLAB软件对P进行滤波，得到被滤波的多光谱数据数据的均值图像PL与高光谱数据的重合波段计算wk：
Figure BDA0002619253630000041
最后将得到的wk返回代入式1，求得
Figure BDA0002619253630000042
b、对步骤1中预处理后的多光谱数据进行导向滤波：
Figure BDA0002619253630000043
其中，Wz为第z个滑动窗口；
Figure BDA0002619253630000044
为
Figure BDA0002619253630000045
的第t个像素；
Figure BDA0002619253630000046
为被滤波的多光谱数据的第t个像素；az和bz为系数，可通过求解下列线性回归方法获取:
Figure BDA0002619253630000047
其中，ε为正则化参数；MSIt为多光谱数据的第t个像素。
c、、利用神经网络训练被滤波的多光谱数据图像与高光谱数据强度分量之间的关系。
神经网络主要包含输入层、隐含层和输出层，隐含层的第j个神经元的输出结果aj为：
Figure BDA0002619253630000048
其中，
Figure BDA0002619253630000049
是
Figure BDA00026192536300000410
的第i个神经元，
Figure BDA00026192536300000411
是输入层第i个神经元转为隐含层第j个神经元的权重,
Figure BDA00026192536300000412
为偏置项,
Figure BDA00026192536300000413
与
Figure BDA00026192536300000414
中的上角标“1”代表通过计算得到的第一次的权重与偏置，f(·)为激活函数:
Figure BDA00026192536300000415
输出层第j个神经元的输出值Ap可以通过以下公式获取:
Figure BDA00026192536300000416
其中，f(·)为激活函数。
其中，
Figure BDA00026192536300000417
为隐含层第j个神经元转为输出层相应值的权重,b2为输出层偏置项，上角标“2”代表得到更新的第二次的权重与偏置。
上式(6)～(8)可通过以下更新规则求解：
Figure BDA0002619253630000051
b2＝b2+β·(Ap-Ar)·Ap·(1-Ap) (10)
Figure BDA0002619253630000052
Figure BDA0002619253630000053
其中，α和β是学习参数，Ar为目标值。Hi为输入数据的第i个神经元。
d、将得到的神经网络映射到到步骤1中预处理后的多光谱数据中得到高空间分辨率的强度分量：
Figure BDA0002619253630000054
Figure BDA0002619253630000055
其中，
Figure BDA0002619253630000056
代表步骤B中得到的高光谱数据重合波段的强度分量；NET代表得到的神经网络，w为权重矩阵，b为偏置矩阵，
Figure BDA0002619253630000057
代表映射出的用于替换
Figure BDA0002619253630000058
的高空间分辨率的强度分量。
e、通过成分替换得到最终的重合波段融合数据:
Figure BDA0002619253630000059
Figure BDA00026192536300000510
其中，
Figure BDA00026192536300000511
为融合的重合波段；gk为第k个波段的增益系数；cov(·)为图像间的协方差；
Figure BDA00026192536300000512
为
Figure BDA00026192536300000513
的方差。
3.2：高光谱数据不重合波段与多光谱数据数据融合
高光谱数据不重合波段与多光谱数据数据融合方法为：
Figure BDA00026192536300000514
Figure BDA00026192536300000515
Figure BDA00026192536300000516
其中，PCA代表主成分分析算法，ob＝[1,…,θ]和nob＝[θ+1,…,B]分别为高光谱数据的重合波段与不重合波段，θ为重合波段的波段数量；
Figure BDA00026192536300000517
为主成分分析(PCA)的前向变换矩阵，
Figure BDA00026192536300000518
代表数据的主成分。
随后通过神经网络训练高光谱数据数据重合波段与不重合波段的第一主成分间的关系：
Figure BDA0002619253630000061
其中，
Figure BDA0002619253630000062
为第一主成分。
使用预测出的第一主成分替换不重合波段的第一主成分，然后进行PCA逆变换可得到高空间分辨率的不重合波段，具体公式为(21)-(22):
Figure BDA0002619253630000063
Figure BDA0002619253630000064
其中，
Figure BDA0002619253630000065
为融合的不重合波段，
Figure BDA0002619253630000066
为数据除第一主成分外的其他成分，T为转置运算。
Figure BDA0002619253630000067
为通过神经网络预测出的重合波段的第一主成分。
3.3、：通过步骤3.1与步骤3.2的方法对
Figure BDA0002619253630000068
与全色数据进行融合；
步骤3.4：通过步骤3.1与步骤3.2的方法融合
Figure BDA0002619253630000069
与全色数据，最终得到与全色数据相同空间分辨率的高光谱数据。
步骤4：对各类道路进行粗提取，将提取的道路与高空间分辨率影像进行对比，对道路影像进行手动调整。
对道路进行了粗提取的具体方法为：
Figure BDA00026192536300000610
Figure BDA00026192536300000619
Figure BDA00026192536300000611
其中，
Figure BDA00026192536300000612
表示道路轮廓曲线，R和L代表道路中心线左侧与右侧，(x，y)表示像素位置坐标，w′表示道路半宽，
Figure BDA00026192536300000613
为道路中心线，的单位法向量，
Figure BDA00026192536300000614
表示
Figure BDA00026192536300000615
的外部能量函数，I为图像函数，
Figure BDA00026192536300000616
为对I求取梯度的矢量微分算符。
步骤5：根据步骤4中所提取出的道路影像进一步提取道路的纹理特征，光谱特征以及形状特征，通过建立决策树，实现特征级融合并对道路进行非监督分类，得到道路分类图，具体如下：
5.1、根据步骤7中所提取出的道路影像进一步提取道路的纹理特征：
Figure BDA00026192536300000617
式(26)即为纹理特征提取公式，其中f代表主成分影像，
Figure BDA00026192536300000618
为变薄操作；
Figure BDA0002619253630000071
为变厚操作，T′表示一系列递增的属性阈值，T‘＝{T1,T2,…,Tn}，n表示属性阈值的数量。对于Ti,Tj∈T‘(i≤j)，有
Figure BDA0002619253630000072
i表示属性图层，λ表示属性阈值。∏i表示通过变薄与变厚操作后得到的矩阵。
5.2、根据步骤7中所提取出的道路影像进一步提取道路形状特征：
Figure BDA0002619253630000073
Figure BDA0002619253630000074
式(27)～(28)增强了步骤7中所提取出的道路影像的梯度并且形成一个边缘。其中，S为步骤7中所提取出的道路影像的几何结构，I表示步骤7中所提取出的道路影像，Bf衡量了图像与采样点间的一致性。
Figure BDA0002619253630000075
为总的激活边，
Figure BDA0002619253630000076
为其中的一个样本，γ为偏置项，Bp对几何结构的先验信息进行编码，C2表示边缘信息的集合，e表示其中的一个边缘信息，wl(e)衡量了e的长度。
Figure BDA0002619253630000077
Figure BDA0002619253630000078
式(29)-(30)对图像的形状特征进行了识别。其中，Se表示与e相连的像素，μ为权衡参数，
Figure BDA0002619253630000079
为图像中第i个像素的梯度，ne为与边缘e正交的单位向量，β为权重参数，
Figure BDA00026192536300000710
计算了顶点处激活边的连接性。
5.3、建立特征级融合框架对道路的纹理特征，光谱特征以及形状特征进行分类：
Figure BDA00026192536300000711
其中，
Figure BDA00026192536300000712
表示纹理特征中第i个像素的特征值，
Figure BDA00026192536300000713
表示光谱特征中第i个像素的特征值，
Figure BDA00026192536300000714
表示形状特征中第i个像素的特征值，λ，
Figure BDA00026192536300000715
和τ为权重参数，Overfe为综合特征值。
Figure BDA0002619253630000081
其中，当
Figure BDA0002619253630000082
小于ε时则判定像素i属于road1，当
Figure BDA0002619253630000083
在ε与θ之间时则判定像素i属于road2，当
Figure BDA0002619253630000084
在θ与η之间时则判定像素i属于road3，当
Figure BDA0002619253630000085
大于η时则判定像素i属于road4，ε，θ和η为先验阈值。上述road1、road2、road3、road4分别为不同材质的道路，road1为沥青道路、road2为水泥道路、road3为砖铺路、road4为土路。
步骤6：利用高空间分辨率影像对步骤5中的分类图进行精校正，通过对比道路步骤5中的分类图与高空间分辨率影像，对道路材质分类影像进行手动调整并进行制图。
本发明提出的基于多源遥感数据进行道路精细识别的方法，充分利用多源遥感数据的特性，首先对数据进行预处理，根据道路的光谱特性进行了波段选择，然后通过所提出的分步融合方法对多源遥感数据进行融合，提升数据空间分辨率，并通过对道路进行粗提取，最后通过提取并集合多种特征，建立特征级融合框架对道路进行精细识别，根据辅助数据对结果进行精校正并制图。该发明提出的方法在提升数据质量的同时精细的识别了各种道路类型，具有简易的操作性与很强的实用性。通过该发明对区域内的道路进行分析与研究，可为未来道路和城市的规划与发展提供了重要的基础保障。从理论研究角度出发，该发明能够为其他典型地物的识别工作提供参考和借鉴，从实际应用的角度，其能够在城市发展，应急救灾生命线重建等方面提供相关技术支撑。因此，本发明提出的方法具有重要的实际应用意义。

Claims (5)

1.一种基于多策略组合的多源遥感影像道路材质精细提取方法，其特征在于：包括以下步骤：
步骤1：对高光谱数据，多光谱数据与全色数据进行预处理；
步骤2：实地采样获取遥感影像中不同地物的样本点信息，分析样本点的光谱曲线，将光谱曲线之间分离度大的波段进行选取；
步骤3：高光谱数据，多光谱数据和全色数据进行分步融合，包括：
高光谱数据重合波段与多光谱数据进行融合，得到融合后的重合波段；
高光谱数据不重合波段与多光谱数据进行融合，得到融合后的不重合波段；
融合后的重合波段与全色数据进行融合；
融合后的不重合波段与全色数据进行融合，
最终得到与全色数据相同空间分辨率的高光谱数据；
步骤4：对各类道路进行粗提取，将提取的道路与高空间分辨率影像进行对比，对道路影像进行手动调整；
步骤5：根据提取出的道路影像进一步提取道路的纹理特征，光谱特征以及形状特征，通过建立决策树，实现特征级融合并对道路进行非监督的道路材质精细提取；
步骤6：利用高空间分辨率影像对步骤5中的分类图进行精校正，通过对比道路步骤5中的分类图与高空间分辨率影像，对道路材质分类影像进行手动调整并进行制图。
2.如权利要求1所述一种基于多策略组合的多源遥感影像道路材质精细提取方法，其特征在于：高光谱数据重合波段与多光谱数据融合方法为：
a、计算插值后高光谱数据重合波段的强度分量
Figure FDA0002619253620000011
Figure FDA0002619253620000012
其中，
Figure FDA0002619253620000013
表示高光谱数据数据的重合波段的上采样图像，k代表第k个光谱波段；B为高光谱数据的波段数量；wk代表第k个波段的权重；上述
Figure FDA0002619253620000014
可以通过计算数据间的最小均方根误差得到，具体方法如下：
P＝MSI/b (2)
其中，P为多光谱数据的均值图像，b为多光谱数据数据的波段数量，MSI为多光谱数据；
之后，通过MATLAB软件对P进行滤波，得到被滤波的多光谱数据数据的均值图像PL与高光谱数据的重合波段计算wk：
Figure FDA0002619253620000021
最后将得到的wk返回代入式1，求得
Figure FDA0002619253620000022
b、对步骤1中预处理后的多光谱数据进行导向滤波：
Figure FDA0002619253620000023
其中，Wz为第z个滑动窗口；
Figure FDA0002619253620000024
为
Figure FDA0002619253620000025
的第t个像素；
Figure FDA0002619253620000026
为被滤波的多光谱数据的第t个像素；az和bz为系数，可通过求解下列线性回归方法获取：
Figure FDA0002619253620000027
其中，ε为正则化参数；MSIt为多光谱数据的第t个像素；
c、利用神经网络训练被滤波的多光谱数据图像与高光谱数据强度分量之间的关系；
神经网络主要包含输入层、隐含层和输出层，隐含层的第j个神经元的输出结果aj为：
Figure FDA0002619253620000028
其中，
Figure FDA0002619253620000029
是
Figure FDA00026192536200000210
的第i个神经元，
Figure FDA00026192536200000211
是输入层第i个神经元转为隐含层第j个神经元的权重，
Figure FDA00026192536200000212
为偏置项，
Figure FDA00026192536200000213
与
Figure FDA00026192536200000214
中的上角标“1”代表通过计算得到的第一次的权重与偏置，f(·)为激活函数：
Figure FDA00026192536200000215
输出层第j个神经元的输出值Ap可以通过以下公式获取：
Figure FDA00026192536200000216
其中，f(·)为激活函数；
其中，
Figure FDA00026192536200000217
为隐含层第j个神经元转为输出层相应值的权重，b2为输出层偏置项，上角标“2”代表得到更新的第二次的权重与偏置；
上式(6)～(8)可通过以下更新规则求解：
Figure FDA0002619253620000031
b2＝b2+β·(Ap-Ar)·Ap·(1-Ap) (10)
Figure FDA0002619253620000032
Figure FDA0002619253620000033
其中，α和β是学习参数，Ar为目标值；Hi为输入数据的第i个神经元；
d、将得到的神经网络映射到到步骤1中预处理后的多光谱数据中得到高空间分辨率的强度分量：
Figure FDA0002619253620000034
Figure FDA00026192536200000318
其中，
Figure FDA0002619253620000035
代表步骤B中得到的高光谱数据重合波段的强度分量；NET代表得到的神经网络，w为权重矩阵，b为偏置矩阵，
Figure FDA0002619253620000036
代表映射出的用于替换
Figure FDA0002619253620000037
的高空间分辨率的强度分量；
e、通过成分替换得到最终的重合波段融合数据：
Figure FDA0002619253620000038
Figure FDA0002619253620000039
其中，
Figure FDA00026192536200000310
为融合的重合波段；gk为第k个波段的增益系数；cov(·)为图像间的协方差；
Figure FDA00026192536200000311
为
Figure FDA00026192536200000312
的方差。
3.如权利要求1、2所述一种基于多策略组合的多源遥感影像道路材质精细提取方法，其特征在于：高光谱数据不重合波段与多光谱数据融合方法为：
高光谱数据不重合波段与多光谱数据数据融合方法为：
Figure FDA00026192536200000313
Figure FDA00026192536200000314
Figure FDA00026192536200000315
其中，PCA代表主成分分析算法，ob＝[1，…，θ]和nob＝[θ+1，…，B]分别为高光谱数据的重合波段与不重合波段，θ为重合波段的波段数量；
Figure FDA00026192536200000316
为主成分分析(PCA)的前向变换矩阵，
Figure FDA00026192536200000317
代表数据的主成分；
随后通过神经网络训练高光谱数据数据重合波段与不重合波段的第一主成分间的关系：
Figure FDA0002619253620000041
其中，
Figure FDA0002619253620000042
为第一主成分；
使用预测出的第一主成分替换不重合波段的第一主成分，然后进行PCA逆变换可得到高空间分辨率的不重合波段，具体公式为(21)-(22)：
Figure FDA0002619253620000043
Figure FDA0002619253620000044
其中，
Figure FDA0002619253620000045
为融合的不重合波段，
Figure FDA0002619253620000046
为数据除第一主成分外的其他成分，T为转置运算；
Figure FDA0002619253620000047
为通过神经网络预测出的重合波段的第一主成分。
4.如权利要求1所述一种基于多策略组合的多源遥感影像道路材质精细提取方法，其特征在于：道路粗提取方法为：
Figure FDA0002619253620000048
Figure FDA0002619253620000049
Figure FDA00026192536200000410
其中，
Figure FDA00026192536200000411
表示道路轮廓曲线，R和L代表道路中心线左侧与右侧，(x，y)表示像素位置坐标，w′表示道路半宽，
Figure FDA00026192536200000412
为道路中心线，的单位法向量，
Figure FDA00026192536200000413
表示
Figure FDA00026192536200000414
的外部能量函数，I为图像函数，
Figure FDA00026192536200000415
为对I求取梯度的矢量微分算符。
5.如权利要求1所述一种基于多策略组合的多源遥感影像道路材质精细提取方法，其特征在于：道路材质精细提取方法为：
a、对道路影像进一步提取道路的纹理特征：
Figure FDA00026192536200000416
式(26)即为纹理特征提取公式，其中f代表主成分影像，
Figure FDA00026192536200000417
为变薄操作；
Figure FDA00026192536200000419
为变厚操作，T′表示一系列递增的属性阈值，T‘＝{T1，T2，...，Tn}，n表示属性阈值的数量；对于Ti，Tj∈T‘(i≤j)，有
Figure FDA00026192536200000418
i表示属性图层，λ表示属性阈值；Πi表示通过变薄与变厚操作后得到的矩阵；
b、对道路影像进一步提取道路形状特征：
Figure FDA0002619253620000051
Figure FDA0002619253620000052
式(27)～(28)增强了步骤7中所提取出的道路影像的梯度并且形成一个边缘；其中，S为步骤7中所提取出的道路影像的几何结构，I表示步骤7中所提取出的道路影像，Bf衡量了图像与采样点间的一致性；
Figure FDA0002619253620000053
为总的激活边，
Figure FDA0002619253620000054
为其中的一个样本，γ为偏置项，Bp对几何结构的先验信息进行编码，C2表示边缘信息的集合，e表示其中的一个边缘信息，wl(e)衡量了e的长度；
Figure FDA0002619253620000055
Figure FDA0002619253620000056
式(29)-(30)对图像的形状特征进行了识别；其中，Se表示与e相连的像素，μ为权衡参数，
Figure FDA0002619253620000057
为图像中第i个像素的梯度，ne为与边缘e正交的单位向量，β为权重参数，
Figure FDA0002619253620000058
计算了顶点处激活边的连接性；
c、建立特征级融合框架对道路的纹理特征，光谱特征以及形状特征进行分类：
Figure FDA0002619253620000059
其中，
Figure FDA00026192536200000510
表示纹理特征中第i个像素的特征值，
Figure FDA00026192536200000511
表示光谱特征中第i个像素的特征值，
Figure FDA00026192536200000512
表示形状特征中第i个像素的特征值，λ，
Figure FDA00026192536200000513
和τ为权重参数，Overfe为综合特征值；
Figure FDA00026192536200000514
其中，当
Figure FDA00026192536200000515
小于ε时则判定像素i属于road1，当
Figure FDA00026192536200000516
在ε与θ之间时则判定像素i属于road2，当
Figure FDA0002619253620000061
在θ与η之间时则判定像素i属于road3，当
Figure FDA0002619253620000062
大于η时则判定像素i属于road4，ε，θ和η为先验阈值。
CN202010778197.7A 2020-08-05 2020-08-05 一种基于多策略组合的多源遥感影像道路材质精细提取方法 Active CN112017160B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010778197.7A CN112017160B (zh) 2020-08-05 2020-08-05 一种基于多策略组合的多源遥感影像道路材质精细提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010778197.7A CN112017160B (zh) 2020-08-05 2020-08-05 一种基于多策略组合的多源遥感影像道路材质精细提取方法

Publications (2)

Publication Number Publication Date
CN112017160A true CN112017160A (zh) 2020-12-01
CN112017160B CN112017160B (zh) 2023-04-25

Family

ID=73499151

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010778197.7A Active CN112017160B (zh) 2020-08-05 2020-08-05 一种基于多策略组合的多源遥感影像道路材质精细提取方法

Country Status (1)

Country Link
CN (1) CN112017160B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906528A (zh) * 2021-02-05 2021-06-04 北京观微科技有限公司 一种融合多源卫星遥感数据的城市建筑物材质分类方法
CN113063741A (zh) * 2021-03-12 2021-07-02 中国科学院空天信息创新研究院 一种基于光谱特征的城市建筑材质提取方法及装置
CN113421277A (zh) * 2021-08-25 2021-09-21 中科星图股份有限公司 基于遥感图像的道路提取及异常监控的方法和装置
CN113920431A (zh) * 2021-10-12 2022-01-11 长光卫星技术有限公司 一种适用于高分辨率遥感影像的融合方法
CN114663767A (zh) * 2022-04-03 2022-06-24 国交空间信息技术（北京）有限公司 一种遥感影像沙埋路段识别方法
CN114821333A (zh) * 2022-05-16 2022-07-29 中国人民解放军61540部队 一种高分辨率遥感影像道路材质识别方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190287216A1 (en) * 2018-03-19 2019-09-19 Mitsubishi Electric Research Laboratories, Inc. Systems and Methods for Multi-Spectral Image Super-Resolution
CN110751036A (zh) * 2019-09-17 2020-02-04 宁波大学 一种基于分波段及分块策略的高光谱/多光谱影像快速融合方法
WO2020134856A1 (zh) * 2018-12-29 2020-07-02 长沙天仪空间科技研究院有限公司 一种遥感卫星系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190287216A1 (en) * 2018-03-19 2019-09-19 Mitsubishi Electric Research Laboratories, Inc. Systems and Methods for Multi-Spectral Image Super-Resolution
WO2020134856A1 (zh) * 2018-12-29 2020-07-02 长沙天仪空间科技研究院有限公司 一种遥感卫星系统
CN110751036A (zh) * 2019-09-17 2020-02-04 宁波大学 一种基于分波段及分块策略的高光谱/多光谱影像快速融合方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SUPATTRA PUTTINAOVARAT 等: "Multi-spectral and Topographic Fusion for Automated Road Extraction", 《HTTPS://WWW.DEGRUYTER.COM/DOCUMENT/DOI/10.1515/GEO-2018-0036/HTML》 *
XUKUN LUO 等: "A Novel Adversarial Based Hyperspectral and Multispectral Image Fusion", 《HTTPS://WWW.MDPI.COM/2072-4292/11/5/492/HTM》 *
孟祥超 等: "基于多分辨率分析的GF-5 和GF-1 遥感影像空—谱融合", 《遥感学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906528A (zh) * 2021-02-05 2021-06-04 北京观微科技有限公司 一种融合多源卫星遥感数据的城市建筑物材质分类方法
CN112906528B (zh) * 2021-02-05 2021-10-26 北京观微科技有限公司 一种融合多源卫星遥感数据的城市建筑物材质分类方法
CN113063741A (zh) * 2021-03-12 2021-07-02 中国科学院空天信息创新研究院 一种基于光谱特征的城市建筑材质提取方法及装置
CN113063741B (zh) * 2021-03-12 2022-09-09 中国科学院空天信息创新研究院 一种基于光谱特征的城市建筑材质提取方法及装置
CN113421277A (zh) * 2021-08-25 2021-09-21 中科星图股份有限公司 基于遥感图像的道路提取及异常监控的方法和装置
CN113421277B (zh) * 2021-08-25 2021-12-14 中科星图股份有限公司 基于遥感图像的道路提取及异常监控的方法和装置
CN113920431A (zh) * 2021-10-12 2022-01-11 长光卫星技术有限公司 一种适用于高分辨率遥感影像的融合方法
CN114663767A (zh) * 2022-04-03 2022-06-24 国交空间信息技术（北京）有限公司 一种遥感影像沙埋路段识别方法
CN114821333A (zh) * 2022-05-16 2022-07-29 中国人民解放军61540部队 一种高分辨率遥感影像道路材质识别方法及装置

Also Published As

Publication number Publication date
CN112017160B (zh) 2023-04-25

Similar Documents

Publication Publication Date Title
CN112017160A (zh) 一种基于多策略组合的多源遥感影像道路材质精细提取方法
CN111582194B (zh) 基于多特征lstm网络的多时相高分辨率遥感影像的建筑物提取方法
CN110263717B (zh) 一种融入街景影像的土地利用类别确定方法
CN111898543B (zh) 一种融合几何感知与图像理解的建筑物自动提取方法
CN103914678B (zh) 基于纹理与植被指数的撂荒地遥感识别方法
CN111487643B (zh) 一种基于激光雷达点云和近红外影像的建筑物检测方法
CN112861802B (zh) 基于时空深度学习融合技术的农作物全自动化分类方法
CN110008908A (zh) 一种基于高分遥感影像的草原围栏提取方法
CN116597143A (zh) 基于图卷积神经网络的高分辨率遥感图像语义分割方法
CN113780307A (zh) 一种区域年度最大蓝绿空间信息提取方法
Lak et al. A new method for road detection in urban areas using high-resolution satellite images and Lidar data based on fuzzy nearest-neighbor classification and optimal features
CN114943902A (zh) 基于多尺度特征感知网络的城市植被无人机遥感分类方法
Tang et al. Assessing the visibility of urban greenery using MLS LiDAR data
Guo et al. Dual-concentrated network with morphological features for tree species classification using hyperspectral image
Engstrom et al. Evaluating the Relationship between Contextual Features Derived from Very High Spatial Resolution Imagery and Urban Attributes: A Case Study in Sri Lanka
CN116091911A (zh) 一种地震勘探工区建筑物自动识别方法及系统
Yang et al. Urban roads network detection from high resolution remote sensing
CN113642663B (zh) 一种卫星遥感影像水体提取方法
CN115018859A (zh) 基于多尺度空间嵌套的城市建成区遥感提取方法及系统
Shackelford et al. A fuzzy classification approach for high-resolution multispectral data over urban areas
Fawzy et al. A Shallow Neural Network Model for Urban Land Cover Classification Using VHR Satellite Image Features
Forghani et al. Object-based classification of multi-sensor optical imagery to generate terrain surface roughness information for input to wind risk simulation
Wang et al. Multimodal Remote Sensing Data Classification Based on Gaussian Mixture Variational Dynamic Fusion Network
Nishchal et al. Pansharpening and semantic segmentation of satellite imagery
CN117115566B (zh) 利用全季节遥感影像的城市功能区识别方法及系统

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20221209

Address after: Floor 9, block a, Jiahao International Center, 116 Zizhuyuan Road, Haidian District, Beijing 100097

Applicant after: ZHONGZI DATA CO.,LTD.

Applicant after: CHINA HIGHWAY ENGINEERING CONSULTING Corp.

Address before: 100089 courtyard 17, Changyun palace, West Third Ring Road, Haidian District, Beijing

Applicant before: CHINA HIGHWAY ENGINEERING CONSULTING Corp.

GR01 Patent grant
GR01 Patent grant