遥感影像上线性特征的半自动提取.docVIP

遥感影像上线性特征的半自动提取 摘要 自动识别遥感影像上的目标，快速、准确地获取所需信息是遥感数据处理的主要发展方向。从分析遥感影像上道路曲基本特征出发，探讨了道路提取的基本思想，总结了国内外关于道路半自动提取的现状，综述了常用的提取算法．提出了对该问题的思考和设想。 关键词 遥感影像 线状目标 特征提取 遥感技术是现代高科技之一，借助遥感手段获取信息具有周期短、信息量丰富等优势。但如何从海量影像数据中及时、准确地获取所需信息并加以利用．一直是我们需要解决的重大问题，完全靠传统的人工判读和识别．效率和精度都无法保证。利用计算机对遥感影像目标进行自动识别，是当前遥感信息处理的主要发展方向。遥感影像线状目标的自动提取是一个经典研究项目，在地图更新、目标识别、地壳形变观测、灾害检测、资源应用、影像匹配等方面有着广泛的应用和重要意义，值得我们特别关注。 根据提取线状地物的自动化程度，分为全自动和半自动两种方式。全自动提取无疑是遥感影像目标识别与提取的发展方向和最终目标。但由于遥感影像的复杂性和多样性．对道路网，河流，机场等人工地物的自动提取涉及到计算机视觉、人工智能、模式识别与图像理解等诸多方面。因此，尽管自动提取线状地物的研究已经进行了许多年，国内外专家在这方面做了大量的探讨和努力，但至今还没有一种针对各种道路类型和比例尺(分辨率)影像的通用提取策略和算法，“在可预见将来”全自动提取是不现实的，因此，充分利用人与计算机各自的优点，将人的“识别”能力与计算机的“量测”与“定位”能力相结合，采取人机交互方式进行半自动提取是目前条件下提取道路行之有效的方法。 1 遥感影像上道路提取的基本思想 1.1 道路的基本特征 欲得到较好的道路提取效果，必须充分了解道路在遥感像片上的影像特征。影像特征是由于景物的物理与几何特征使影像中局部区域的灰度产生明显变化而形成的。存在特征的局部区域信息量较大，没有特征的局部区域信息量较小。有关道路特征的描述很多，比较全面的是Vosselman等总结的道路特征：(1)几何特征：长条状(一定的长度．大的长宽比)，曲率有一定的限制，宽度变化比较小，方向变换比较慢；(2)辐射特征：内部灰度比较均匀，与其相邻区域灰度反差较大，一般有两条明显的边缘线(边缘梯度较大)；(3)拓扑特性：不会突然中断，相互有交叉．连成网络；(4)功能特征：一般都有指向，与村庄、城镇等居民地或人工设施相连接；(5)关联特征：与道路相关的影像特征，如高架道路产生的阴影可能遮断道路表面的树木，路边的行树等。 1.2道路提取的基本过程 按照Mart视觉理论，视觉从最初的原始资料(2维影像资料)到最终对3维环境的表达经历了低、中、高3个层次。从遥感影像中提取其中的道路信息，也应该从低到高在这3个层次上进行，根据道路的特征，在每个层次上对遥感影像采取不同的算法，将这些算法加以适当结合，是提取道路特征的有效途径。 2 国内外半自动道路提取现状与方法分析 2.1半自动道路提取的思路 半自动道路提取是相对全自动提取而言的．它采用人机交互的形式进行道路特征的提取和识别。其主要思想是由人工首先在道路上或道路附近提供初始道路点(种子点)，有时还提供初始方向，然后再由计算机根据人工点进行识别处理。通过适当的人工干预，保证提取的准确性。这种方式较好地结合了人与计算机各自的优势．在目前计算机识别能力不高的情况下，具有较高的实用价值。 2.2半自动道路提取现状 目前由于半自动道路提取更具有实用性，国内外测绘界、计算机视觉、模式识别与人工智能等领域都对遥感影像上线状特征(道路)半自动提取进行了深入研究， 取得了很大的成绩，有的成果已具备初步的实用价值。但由于对遥感影像理解的复杂性，现有的提取算法基本上还是处于试验阶段，其实用性、通用性、准确性等方面离大规模实际应用的要求还有较大差距。 2.3道路半自动提取现有方法综述 道路半自动提取算法一般由道路影像增强，确定道路点；根据上一步结果，进一步发现一些道路“种子点”；跟踪、扩展“种子点”，形成道路段：连接与显示道路这几步组成。算法大多是基于对遥感影像线状地物的灰度特征和几何约束的整体优化加以设计。模板匹配、动态规划、可变模型或Snakes方法、最小二乘B 样条与Snakes相结合的LSB—Snakes等各种方法，其区别主要在于优化计算的手段不同。以下是一些常见的算法： (1)最小二乘模板匹配算法 给出特征点的初始值，以最小二乘平差模型估计模板与影像之间的几何变形参数。该算法可靠方便地加入各种约束条件，解算和精度评定方法比较成熟．可获得较高的精度。 (2)Snakes或Active Contour模型算法 该算法源自计算机视觉．将影像