一、基于启发式图搜索的遥感影像道路半自动提取（论文文献综述）
曹琪[1]（2021）在《基于对象化深度学习的饮用水源地线状风险源提取研究》文中进行了进一步梳理
胡艳[2]（2018）在《高分辨率遥感影像典型地物交互式提取研究》文中研究说明随着遥感技术的迅速发展,遥感影像向高空间、高光谱、高时间分辨率方向发展,使得影像上地物的颜色、纹理、形状等特征信息更加突出。因此,利用高分辨率遥感影像对地物进行精确识别成为可能。但由于遥感影像的复杂性,计算机自动解译无法满足精度要求,在实际应用中多依靠人工目视解译,然而这种方式需要耗费大量人力物力,且效率较低,面对大量的遥感数据已经显得严重不足。基于以上考虑,交互式提取方法是目前一种可行的代替方案。该方法充分发挥人的识别能力与计算机的处理能力,不仅保证了解译精度,同时也提高了解译效率。本文以交互式提取高分辨率遥感影像上典型地物为研究目标,分别对影像上直角建筑物和自然地物的交互式提取方法进行了研究,研究内容如下:（1）探索直角建筑物的交互式提取方法。针对直角建筑物具有星形形状这一特点,提出了一种基于多星形形状约束图割的交互式提取方法。算法首先在人工建筑物上画一条线,自动得到包含目标建筑物的影像图块,然后对该影像块进行预处理和过分割,再利用多星形先验图割方法得到建筑物图斑,最后结合线段方向直方图和角点拟合分组对建筑物图斑规则化,从而获取建筑物准确轮廓。实验在两幅不同地区和不同空间分辨率的高分航空影像上验证了本文方法的准确性、高效性和稳定性。（2）探索面状自然地物的交互式提取方法。针对水域、林地、梯田、裸露地等含有丰富颜色与纹理信息的面状自然地物,提出了一种基于全连接条件随机场的交互式提取方法。算法首先以对影像过分割为基础,提取每个对象的颜色与纹理特征,然后通过人工交互标记前景样本估计前景背景模型,再建立全连接条件随机场模型描述影像的全局信息,最后利用高维高斯滤波支持下的均值场估计方法实现模型推断,从而获取目标轮廓。通过对一幅高分辨率遥感影像上多种地物进行提取实验,实验结果证明了本文方法的有效性。
吕臻[3]（2017）在《高分辨率遥感影像道路提取与变化检测关键技术研究》文中研究表明随着在国民经济中高分辨率遥感卫星影像被广泛应用,从遥感影像中获取更丰富、更全面和更精确的信息已经成为遥感图像分析技术的主流,而道路信息在国民经济生活、交通产业、地理信息学科研究中占有很重要的地位,这使得道路信息提取成为遥感应用的重要目标之一。但是,对于不断变化更新的道路信息,传统人工操作效率低下且费时费力,因此,结合遥感技术、电子技术和图像识别技术,研究自动高效的提取遥感影像道路信息方法,对于道路监控、地图及时更新及GPS导航都有重要意义。论文以高分辨率影像道路信息提取为核心,首先给出了基本的理论依据,然后设计了一种影像预处理方法,并提出了一种基于多特征稀疏模型的道路提取方法,进一步以高分辨率影像道路变化检测为例探索了基于矢量数据检测道路信息变化的新方法。论文的主要工作具体如下:1、提出一种遥感影像增强和融合预处理方法:（1）从高分遥感影像道路提取出发,分析了预处理中存在的噪声干扰问题,从影像增强方面提出一种基于顾及影像配准和点扩散函数估计超分辨率重建的影像增强方法,通过对多张原始影像进行超分辨率重建处理,为道路提供精细尺度的几何特征、更加丰富的纹理和几何信息。首先根据多张影像间几何和辐射的差异性,构建包含几何形变和辐射变化的降质模型,利用全局最优化法得到模型参数;然后利用点扩散函数的正则项约束,实现对原始影像的点扩散函数估计:最后依据获得的变换参数和点扩散函数初值,采用AM算法估计高分辨率影像。通过对资源三号和ALOS-PRISM卫星影像进行增强试验,结果表明本文方法能获得较好的视觉效果和质量指标。（2）在影像超分重建增强处理的基础上,从多源影像配准与融合两个阶段出发,针对传统方法在对遥感影像配准与融合处理上的不足,利用MPICH并行模型,实现遥感影像快速配准,并提出一种基于改进Pansharp算法的高质量、快速融合方法。通过对资源三号卫星影像试验分析,验证了该方法能够很好的融合影像,具有更高的效率。2、提出一种基于多特征稀疏模型的道路提取方法。针对传统道路提取方法计算量大的缺点,从道路特征描述和道路提取算法两个方面研究道路信息提取:1)深入挖掘道路在遥感影像上的表现特征,构建道路目标的稀疏表示多特征模型,目的在于增强道路与其他地物的区分能力;2)构建具有鲁棒性、高效的高分影像道路提取方法框架,利用给定的初始点,缓冲区内通过核函数跟踪方法确定局部最优值,获取道路种子点。通过对Quick Bird、资源三号与高分二号卫星影像进行试验,结果证明该方法有效的处理了复杂道路提取中的关键难点问题,并通过与模板匹配方法和基于geodesic方法对比分析,验证了该方法在效果和效率上的优势。3、提出一种矢量信息辅助的道路变化检测方法。首先在矢量与影像配准的基础上,结合边缘提取方法、模板匹配理论和基于稀疏模型跟踪策略获取并检测道路变化信息;然后根据检测出的不同时相道路变化信息,生成道路变化专题图。通过对不同时相的Worldview和资源三号卫星影像进行试验,结果表明该方法能够在不同的道路状况下（路面变化、损毁、遮挡等）获得有效的变化检测结果。
方鑫鑫[4]（2017）在《高分辨率城市遥感影像半自动道路提取方法研究》文中提出目前,从高分辨率遥感影像中进行道路信息的提取已经成为摄影测量与遥感、计算机视觉、模式识别及人工智能等领域的研究热点之一。国内外学者对高分辨率遥感影像道路自动提取方法进行了多年的研究,但仍未取得突破性进展。与之相对应,半自动道路提取方法由于充分结合了人的认知能力和计算机的分析能力,取得了一些显着性的成果。但现有的半自动道路提取方法的通用性不高,自动化程度较低。为此,本文提出基于圆形模板匹配的半自动道路提取方法,以期在通用性和自动化程度这两个方面有所提高。首先,通过滤波对比实验,选取L0滤波对影像进行平滑处理。其次,在人机交互的模式下选取道路种子点,利用自适应校正机制提取道路的先验信息,初始化建立圆形模板,以此避免当操作员选点错误时造成道路提取精度下降问题的发生;然后,建立圆形模板的灰度直方图,计算圆形模板的灰度值、直方图的峰值比率,结合圆形模板的纹理方差值,作为圆形模板匹配的判断依据;接着,针对模板追踪匹配过程中干扰道路提取的情况进行分析,构建障碍物的跨越机制、道路模板和道路主方向的动态更新机制,同时基于拓扑连通性开展误检测种子点的剔除研究;最后,基于抛物线模型对道路种子点进行拟合,生成道路中心线。通过多组不同类型高分辨率遥感影像的道路提取实验,结果表明:与其他方法相比,本文方法能快速有效地提取道路信息,并且具有一定的鲁棒性与优越性。
李小凯[5]（2016）在《高分辨率遥感影像面状地物交互式提取方法研究》文中研究指明随着技术的发展,遥感数据量急速扩大,而与之对应的解译技术却没有突破性进展。虽然学者们对计算机自动解译进行了大量研究,然而众多成果大多还停留在实验阶段,由于问题的复杂性,计算机自动解译短期内无法满足生产要求,实际应用均是靠人工目视解译,这个方式需要耗费大量人力物力,效率低下,面对遥感的大数据已经显得严重不足。基于以上考虑,交互式提取方法是目前一种可行的替代方案。该方法充分发挥人的识别能力和计算机的计算能力,保证精度的前提下可以显着提高生产效率。本文以高分辨率遥感影像交互式地物提取为研究目标,探索目标地物有效的提取方法。论文主要研究内容包括：1)探索自然地物提取方法。针对林地、水系、裸露地、田地等包含丰富光谱、纹理、几何信息的一类地物,提出了一种基于全连接条件随机场的交互式提取方法。算法在分水岭过分割的基础上,利用用户交互获得的前景标记样本估计前背景模型,然后利用全连接条件随机场来描述影像的全局特征,接着在均值场估计的框架下利用高维高斯快速滤波方法实现模型的快速推断,最后进行轮廓优化。2)探索直角建筑物提取方法。建筑物中大部分均具有直角特性,利用这一点提出了一种模型驱动的方法。算法首先利用线段方向直方图探测建筑物的主方向,接着把建筑物旋转至这个方向。然后将影像规则化过分割为一系列小矩形,以小矩形为节点建立GraphCut模型并集成矩形形状约束,然后利用mincut/maxflow求得模型的最优解。3)探索LiDAR点云辅助下的一般建筑物的提取方法。基于光谱的方法在边界模糊、前背景相似的情况下容易出错,若集成高程信息则可提高算法的稳定性。本文以LiDAR为数据源,结合影像内外方位元素,利用扫描线滤波算法和Z-Buffer算法求取每个像素对应地面点的高程值。现实中非直角的建筑物也比较常见,与自然地物不同,建筑物通常具有明显的线特征和角点特征,基于这一点,提出了一种基于三角网过分割的交互式提取方法,并集成高程信息。利用三角形来充分利用影像中的点线特征,然后以三角形为基本单位建立GraphCut模型并集成星型形状约束,接着进行模型求解和轮廓优化。
冯鹏,高峰[6]（2015）在《高分遥感影像中道路信息提取方法综述》文中提出阐述了道路信息提取的重要性和一般步骤及基本思路,通过对高分辨率遥感图像中道路信息提取方法利用道路特征的不同进行了分类整理,并对经典方法进行分析,希望能对找到一种具有普适性的道路提取方法起到事半功倍的效果。在此基础上结合当前科技发展的方向,从道路提取的基本思想出发,对道路特征提取研究的前景做出展望。
冯鹏[7]（2015）在《基于高分辨率遥感图像的道路信息提取方法研究》文中研究指明道路信息尤其是道路损毁信息是重大自然灾害发生后应急救援指挥的重要信息支撑,对灾区的应急救援指挥工作有十分重要的意义。随着最近几次大的地质自然灾害发生后,基于无人机技术和航空遥感技术强大的信息搜集作业的广泛应用,灾后应急救援工作水平有了质的飞跃和新的突破。航空遥感作业为应急救援提供了大量的高分辨率的灾区实时影像。在图像提供的大量信息中人们首先关注的是通往灾区的道路损毁情况,因为这关系着千千万万生命的存亡。快速准确提取出通往灾区的道路损毁信息就成了应急救援技术研究领域开展研究的重要方向。道路信息易受背景和各种噪声的影响,一直是目标自动识别领域的难点。本文深入研究分析了已有道路网提取和道路损毁信息提取的方法,在结合灾区道路实际状况和应急救援指挥需要的基础上,提出了以下两个新的算法:（1）提出了一种基于道路条状特征并含有道路方向的道路矢量模板匹配方法,来提取道路信息。首先是根据道路的几何特征建立了矢量道路模板,然后再将整幅影像分块分析,最终将道路连接成网或贯通整幅影像。此方法能高效提取出灾区道路信息,并能提供准确的道路边缘和中心线信息,为下步的道路损毁信息提供了有力的支持。（2）提出了一种利用矢量线段进行道路横截面扫描的“线扫描”方法来提取道路损毁信息。首先人工设定道路横截面灰度矩阵（一维数组）,然后将这个数组赋给垂直于道路中心线且长度为道路宽度的直线段上各点,然后这个直线段沿道路中心线轨迹按一定的步距进行扫描,将异常点标记出来,也就是将道路损毁信息提取出来。此法能极为详细的对道路表面的变化信息提取出来,为判断道路的损毁程度提供了准确的信息支撑。
杨娟[8]（2014）在《基于GMM-MRF的高分辨率遥感影像道路提取算法研究》文中研究表明在遥感影像中，道路信息不仅是一种重要的基础地理信息，而且可以作为提取其他地物目标的线索和参考，它的正确提取对高分辨率遥感影像的应用具有重要的意义。然而，高分辨率遥感影像中信息丰富，道路目标越来越多，且存在树木、建筑物的阴影或遮挡等造成的各种干扰，因此研究高分辨率遥感影像中的道路提取具有重要的理论意义和实用价值。高斯混合模型和马尔可夫随机场（GMM-MRF）作为一种纹理分割算法，可以很好地描述待分割图像的灰度变化率、边缘的几何特征以及纹理基元的排列等信息，能够将图像的先验知识转化为先验分布模型，能有效表征图像数据的空间相关性，在图像处理中有很高的应用价值。本文的工作重点是围绕GMM-MRF在遥感影像道路提取方面的应用而展开。本文的主要内容如下：1.基于GMM-MRF和模糊连接度的高分辨率遥感影像道路半自动提取算法：首先对高分辨率遥感影像进行GMM-MRF纹理分割，把原始影像分成3类；然后从分割结果上人工选取1个道路点作为种子点，并计算各像素点相对于种子点的模糊连接度，通过模糊连接度的比较确定初步的目标区域；接着采用形状指数方法和形态学运算对目标区域进行后处理；最后采用映射方法和道路位置评估指标对后处理结果进行客观评价，结果显示该算法能准确地得到道路区域。2.基于GMM-MRF和协方差矩阵的自动道路提取算法：首先用GMM-MRF纹理分割方法把高分辨率遥感影像分成3类，然后计算出每一类的协方差矩阵均值，选取均值最大的一类作为目标，其余的作为背景，从而把图像二值化，得到包含道路的二值图像；接着采用上述同样的后处理方法对提取结果进行后处理；最后采用上述同样的评估方法对后处理结果进行评价。3.在VC++6.0上开发了基于GMM-MRF纹理分割模型的高分辨率遥感影像道路提取系统。该系统实现了遥感影像的几何校正、灰度化处理和归一化等预处理，基于GMM-MRF的高分辨率遥感影像分割、基于GMM-MRF和模糊连接度的半自动道路提取、基于GMM-MRF和协方差矩阵的自动道路提取遥感影像道路提取等算法。
靳彩娇[9]（2013）在《高分辨率遥感影像道路提取方法研究》文中认为道路作为基础地理信息的重要组成部分，其识别和精确定位对于影像理解、GIS数据获取以及作为其它重要目标的参照体都有重要意义。本文从遥感测绘生产作业需求出发，以多源高空间分辨率卫星遥感影像的道路特征为研究对象，利用角度纹理特征对遥感影像道路提取进行探索和研究，采用基于角度纹理特征模板和基于灰度模板匹配相结合的道路提取算法，重点研究了道路宽度属性和道路中心线等的智能提取以及道路轨迹预测模型。论文主要工作和创新点总结如下：1.在综述遥感影像道路提取研究现状的基础上，对现有模型和方法存在的问题进行了分析，详细介绍了纹理特征的作用与提取方法，为建立新的提取模型奠定基础。2.从角度纹理特征概念出发，利用角度纹理特征建立道路提取模型。针对种子点对道路提取结果影响较大的特点，研究了种子点自动校正的方法，并利用单个或三个种子点自动获取道路宽度和初始方向，提高道路提取的自动化程度，实验验证该算法能够有效地提取高分辨率遥感影像上的主要道路。3.在角度纹理提取模型中加入车辆遮挡处理策略，对角度纹理提取模型进行了改进，提高算法的可靠性和提取结果的正确性。4.利用影像道路特征的灰度相似性，实现了基于灰度模板匹配构建道路提取模型的方法，改进了模板匹配测度，先将模板纹理特征测度的方差、均值和能量二阶矩归一化后，然后加权计算相似性匹配测度。5..采用道路轨迹预测模型，利用抛物线拟合、线性回归分析以及曲率约束条件，优化道路提取中心线结果。6.实现基于角度纹理特征模型和基于灰度模板匹配模型相结合提取道路中心线的原型系统设计，并对提取结果进行评价和分析。
邓少平[10]（2013）在《高分辨率极化SAR影像典型线状目标半自动提取》文中进行了进一步梳理合成孔径雷达（Synthetic Aperture Radar, SAR）作为主动式的微波传感器,具有全天候、全天时的优点,在军用和民用中均发挥着越来越重要的作用。随着雷达技术的发展,数据获取能力得到快速增长,SAR呈现出多波段、多极化、高分辨率的特点。与数据获取能力相比,影像解译技术的发展却相对滞后。其中线状目标提取更是影像解译的重要内容之一,如道路、输电线等典型线状目标的提取与监测在国民经济建设和国防建设中均具有重要意义,然而受到斑点噪声及目标的复杂性等因素影响,典型线状目标提取的可靠性仍面临着较大挑战。高分辨率极化SAR影像包含丰富的空间信息和完整的目标后向散射信息,为这一问题的解决提供了新的途径。如何利用高分辨率极化SAR影像中的丰富信息成为当前线状目标提取的关键问题之一线状目标提取可分为半自动和自动两类,全自动方法是当前研究的热点,也是线状目标提取研究的最终方向,但基于线状的解译理论与技术实现全自动提取还需要一段很长的时间,而半自动提取技术能够融合计算机的精准快速计算能力和作业员的可靠识别能力,是当前条件下一种面向工程应用的较好处理方法,具有重要的实用价值,也是当前研究的热点。道路和输电线作为SAR影像上非常重要的两类典型线目标,是SAR影像线状目标提取技术领域重点研究的对象。道路由于类别多样,形态各异,且受斑点噪声影响,尤其受桥梁（天桥）、车辆等地物严重干扰等问题,提取困难；而输电线存在信杂比极低的问题,基于功率的传统方法难以奏效。本文重点针对道路和输电线的半自动提取问题,利用高分辨率极化SAR影像,从地物散射特性和几何特性出发,深入研究了斑点噪声抑制、边缘检测、基于极化SAR影像单类分类的道路种子点提取、道路半自动跟踪和基于极化相干性的输电线检测等关键技术,提出了从预处理、初级处理等通用处理到道路和输电线等典型目标专用处理的技术路线,从而实现了典型线状目标——道路和输电线的半自动提取。主要研究内容如下：首先针对SAR滤波既要保持线状特征又要抑制斑点噪声的问题,提出了一种保持空间结构特征和散射特性的滤波方法。该方法在空间结构丰富的区域,使用了边缘、线状和方形同质窗,能减少虚假边缘和降低真实边缘的模糊,侧重于保持空间结构的完整性；在同质区域内,滤波仅在相同散射机制的像素间进行,侧重于极化信息的保持；最后根据空间结构类型,自适应融合前后两者的滤波结果。然后通过实验定性和定量地评价了该方法在斑点噪声抑制、空间结构和散射机制保持方面的性能。其次为克服斑点噪声的影响,充分发挥极化数据的优势,结合自适应极化最优对比增强技术（Adaptive Optimal Polarimetry Contrast Enhancement, AOPCE）和均值比（Ratio of Averaging, ROA）算子提出了一种自适应对比增强-均值比（AOPCE-ROA）边缘检测算法,能得到不同极化方式下边缘响应的最大值,并推导了其快速处理方法,最后从理论上分析了其余ROA算子的关系,并推广到了更一般的情况。同时,利用模拟数据和真实数据进行了实验,结果表明该方法利用极化合成技术,提高了极化信息利用率,更好地克服了噪声影响,得到了更好的边缘检测结果。接着针对道路提取中只对道路类别感兴趣而很少关心其他类别的问题,将基于结构风险最小化和核思想的支持向量数据描述单类分类算法引入极化SAR影像的监督分类中,并讨论了极化SAR单类分类中的特征选择与分类参数优化问题,通过实验验证了该算法在小样本单类监督分类中的有效性。在此基础上,综合极化支持向量数据描述单类分类的结果和线状特征检测结果,提出了道路种子点指数,并用于自动提取道路种子点,实验表明该方法提高了道路跟踪中初始化的效率。然后针对SAR影像上道路受其它地物干扰严重的问题,在自适应贝叶斯滤波框架下,提出了初始化→预测→观测→校正的道路迭代跟踪方法。该方法建立了道路跟踪的离散系统模型,利用基于线性畸变模型的加权最小二乘多视匹配方法获取道路中心观测值,并基于自适应贝叶斯滤波方法充分地利用已有观测值,通过自适应地调整步长迭代的方法实现道路跟踪。利用开发的道路跟踪原型软件系统进行了实验,结果表明改进方法充分利用了贝叶斯两种实现形式卡尔曼滤波和粒子滤波的优势,提高了道路提取的效率。最后利用偶极子对输电线的极化散射特性进行了建模,,先分析了影响输电线后向散射的雷达入射角和极化方位角,然后根据输电线和背景杂波的方位向对称性差异,基于同极化和交叉极化的相干系数及其分布,提出了该特殊线状目标的恒虚警率检测方法。其中相干系数在Hough域进行估首,保证了样本总数足够多且都来自可能的输电线像素,提高了估首精度；对沿着方位向满足方位对称的输电线,人为引入极化方位角,使输电线与背景得到有效区分。最后使用模拟数据和机载P波段极化SAR影像验证了所提方法的有效性。
二、基于启发式图搜索的遥感影像道路半自动提取（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于启发式图搜索的遥感影像道路半自动提取（论文提纲范文）
（2）高分辨率遥感影像典型地物交互式提取研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景与意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题研究意义 |
| 1.2 遥感影像地物交互式提取研究现状 |
| 1.3 本文的主要工作 |
| 1.4 本文各章节安排 |
| 2 基于星形形状先验的GraphCuts模型 |
| 2.1 引言 |
| 2.2 星形形状 |
| 2.2.1 .单星形形状 |
| 2.2.2 多星形形状 |
| 2.3 GraphCuts模型 |
| 2.3.1 图论简介 |
| 2.3.2 常见基于图论的分割方法 |
| 2.4 融合星形形状先验的能量函数 |
| 2.5 本章小结 |
| 3 基于多星形约束图割的直角建筑物交互式提取 |
| 3.1 引言 |
| 3.2 用户交互 |
| 3.3 星形形状约束下的建筑物图斑获取 |
| 3.3.1 影像预处理 |
| 3.3.2 超像素分割 |
| 3.3.3 获取建筑物图斑 |
| 3.4 建筑物图斑轮廓规则化 |
| 3.4.1 建筑物主方向探测 |
| 3.4.2 图斑轮廓规则化 |
| 3.5 实验与分析 |
| 3.5.1 实验数据 |
| 3.5.2 实验结果与分析 |
| 3.6 本章小结 |
| 4 条件随机场理论概述 |
| 4.1 引言 |
| 4.2 条件随机场 |
| 4.3 全连接条件随机场 |
| 4.3.1 全连接条件随机场模型 |
| 4.3.2 均值场估计 |
| 4.3.3 基于高维高斯滤波的消息传递 |
| 4.4 本章小结 |
| 5 基于全连接条件随机场的面状自然地物交互式提取 |
| 5.1 引言 |
| 5.2 前景样本获取 |
| 5.2.1 影像过分割 |
| 5.2.2 基于区域的最大相似性融合 |
| 5.3 特征提取 |
| 5.3.1 颜色特征 |
| 5.3.2 纹理特征 |
| 5.4 模型建立与求解 |
| 5.4.1 一元势函数估计 |
| 5.4.2 二元势函数估计 |
| 5.5 实验与分析 |
| 5.5.1 实验数据 |
| 5.5.2 实验结果与分析 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间论文发表与科研情况 |
（3）高分辨率遥感影像道路提取与变化检测关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感数据源的选择 |
| 1.2.2 遥感影像道路提取 |
| 1.2.3 遥感影像道路变化检测 |
| 1.3 论文研究内容 |
| 1.4 论文的组织与安排 |
| 2 高分辨率遥感影像道路提取与变化检测理论基础 |
| 2.1 影像预处理 |
| 2.1.1 影像配准 |
| 2.1.2 影像融合 |
| 2.2 经典的遥感影像道路提取方法 |
| 2.2.1 模板匹配法 |
| 2.2.2 动态规划方法 |
| 2.2.3 基于Snake模型的方法 |
| 2.2.4 道路跟踪方法 |
| 2.2.5 聚类和区域分割方法 |
| 2.3 道路提取方法评估 |
| 2.4 本章小结 |
| 3 道路信息提取中的遥感影像预处理方法研究 |
| 3.1 遥感影像预处理方法原理与问题分析 |
| 3.2 基于超分辨率重建的影像增强 |
| 3.2.1 超分辨率重建原理与典型方法 |
| 3.2.2 联合影像配准和点扩散函数估计的超分辨重建 |
| 3.3 高分辨率遥感影像融合 |
| 3.3.1 遥感影像快速配准 |
| 3.3.2 基于改进Pansharp算法的遥感影像融合 |
| 3.4 试验与分析 |
| 3.4.1 基于超分辨率重建的影像增强试验 |
| 3.4.2 影像融合试验 |
| 3.4.3 影像预处理试验 |
| 3.5 本章小结 |
| 4 基于稀疏模型的道路提取方法研究 |
| 4.1 稀疏表示理论 |
| 4.1.1 稀疏表示原理 |
| 4.1.2 稀疏模型求解方法 |
| 4.2 基于稀疏表示的道路模型 |
| 4.2.1 基于稀疏表示的道路目标建模 |
| 4.2.2 道路目标特征提取 |
| 4.2.3 道路目标特征融合策略 |
| 4.3 基于核函数的道路目标跟踪框架 |
| 4.3.1 目标表示 |
| 4.3.2 相似性度量函数 |
| 4.3.3 目标定位 |
| 4.4 基于稀疏模型的道路提取 |
| 4.4.1 道路半自动提取 |
| 4.4.2 基于矢量的道路提取 |
| 4.5 试验与分析 |
| 4.5.1 基于稀疏模型的道路提取试验 |
| 4.5.2 基于初始位置的道路半自动提取试验 |
| 4.5.3 矢量辅助的道路提取试验 |
| 4.6 本章小结 |
| 5 矢量辅助的高分辨率影像道路变化检测方法研究 |
| 5.1 道路矢量数据与影像配准 |
| 5.1.1 矢量预处理 |
| 5.1.2 相似性测度 |
| 5.1.3 特征提取 |
| 5.1.4 配准变换函数 |
| 5.2 矢量信息辅助的高分辨率影像道路变化检测 |
| 5.2.1 基于ISEF+Hough的道路变化检测 |
| 5.2.2 基于模板匹配的道路变化检测 |
| 5.2.3 基于稀疏模型跟踪的道路变化检测 |
| 5.3 试验与分析 |
| 5.3.1 矢量与影像数据配准试验 |
| 5.3.2 矢量辅助的道路变化检测试验 |
| 5.3.3 多时相影像道路变化检测试验 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 本文主要研究工作及创新点 |
| 6.2 进一步研究工作与展望 |
| 参考文献 |
| 攻博期间发表的科研成果目录 |
| 致谢 |
（4）高分辨率城市遥感影像半自动道路提取方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 自动化道路提取方法的研究现状 |
| 1.2.2 半自动道路提取方法的研究 |
| 1.3 主要研究内容 |
| 2 影像预处理及道路特征分析 |
| 2.1 遥感影像滤波 |
| 2.1.1 滤波方法 |
| 2.1.2 实验结果对比分析 |
| 2.2 道路影像表达 |
| 2.2.1 道路的分类 |
| 2.2.2 道路影像特征表达 |
| 2.3 小结 |
| 3 基于圆形模板的道路提取方法 |
| 3.1 种子点选取 |
| 3.2 种子点追踪 |
| 3.2.1 圆形模板的初始化 |
| 3.2.2 匹配追踪机制 |
| 3.2.3 追踪中断的处理机制 |
| 3.3 道路中心线检测模型 |
| 3.3.1 道路的误取点去除 |
| 3.3.2 道路轨迹模型 |
| 3.4 道路提取流程 |
| 3.5 小结 |
| 4 实验结果与分析 |
| 4.1 数据源分析 |
| 4.2 评价指标的选择 |
| 4.3 实验结果与分析 |
| 4.4 小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（5）高分辨率遥感影像面状地物交互式提取方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究目的和意义 |
| 1.2 国内外相关研究现状 |
| 1.2.1 高分辨率遥感影像地物提取方法综述 |
| 1.2.2 交互式地物提取方法研究现状 |
| 1.2.3 常用交互方式对比 |
| 1.3 主要研究内容 |
| 1.4 论文组织 |
| 第2章 基于全连接条件随机场的自然地物提取 |
| 2.1 引言 |
| 2.2 条件随机场简介 |
| 2.2.1 条件随机场 |
| 2.2.2 高阶条件随机场 |
| 2.2.3 分层条件随机场 |
| 2.2.4 全连接条件随机场 |
| 2.3 自然地物交互式提取 |
| 2.3.1 过分割 |
| 2.3.2 特征提取 |
| 2.3.3 模型的建立与求解 |
| 2.3.4 边界优化 |
| 2.3.5 部分结果 |
| 2.4 本章小结 |
| 第3章 矩形形状约束下的直角建筑物屋顶提取 |
| 3.1 引言 |
| 3.2 图论在分割中的应用 |
| 3.2.1 图论简介 |
| 3.2.2 常见基于图论的分割方法 |
| 3.3 直角建筑物屋顶交互式提取 |
| 3.3.1 用户交互 |
| 3.3.2 主方向探测 |
| 3.3.3 规则化过分割 |
| 3.3.4 矩形形状约束下的直角建筑物屋顶提取 |
| 3.3.5 一般直角建筑物屋顶提取 |
| 3.3.6 部分结果 |
| 3.4 本章小结 |
| 第4章 LiDAR点云辅助下的一般建筑物屋顶提取 |
| 4.1 引言 |
| 4.2 一般建筑物屋顶交互式提取 |
| 4.2.1 基于扫描线的LiDAR点云滤波 |
| 4.2.2 高程影像生成 |
| 4.2.3 边界提取及跟踪 |
| 4.2.4 Harris角点提取 |
| 4.2.5 基于三角网的过分割 |
| 4.2.6 星型形状约束下的建筑物屋顶提取 |
| 4.2.7 目标提取与边界优化 |
| 4.2.8 部分结果 |
| 4.3 本章小结 |
| 第5章 交互式方法实验与分析 |
| 5.1 引言 |
| 5.2 自然地物交互式提取算法实验结果及分析 |
| 5.2.1 测试数据 |
| 5.2.2 结果评价和对比 |
| 5.3 直角建筑物屋顶交互式提取算法实验结果及分析 |
| 5.3.1 测试数据 |
| 5.3.2 结果评价和对比 |
| 5.4 一般建筑物屋顶交互式提取算法实验结果及分析 |
| 5.4.1 点云滤波及高程影像生成 |
| 5.4.2 一般建筑物提取结果及评价 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读博士期间发表的论文和科研情况 |
| 后记 |
（6）高分遥感影像中道路信息提取方法综述（论文提纲范文）
| 1 道路提取的一般步骤和基本思路 |
| 2 高分辨率影像上提取道路的现状 |
| 2.1 基于灰度特性的方法 |
| 2.2 基于线、面特征的道路网提取方法 |
| 2.3 基于知识的道路网提取方法 |
| 3 道路提取研究发展趋势 |
| 3.1 上下文信息 |
| 3.2 基于多领域知识融合的方法 |
（7）基于高分辨率遥感图像的道路信息提取方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题依据 |
| 1.2 国内外研究现状 |
| 1.3 本文主要工作及结构安排 |
| 第二章 道路信息提取的基本框架 |
| 2.1 道路特征分析 |
| 2.1.1 遥感影像的获取 |
| 2.1.2 道路特征分析 |
| 2.2 道路损毁信息特征分析 |
| 2.3 道路信息损毁提取的思路 |
| 2.3.1 遥感影像中道路信息的提取 |
| 2.3.2 道路损毁信息的提取 |
| 2.3.3 道路损毁信息的评估 |
| 2.4 小结 |
| 第三章 基于矢量模板的道路信息提取方法研究 |
| 3.1 道路信息提取的步骤 |
| 3.2 图像预处理 |
| 3.2.1 图像预处理 |
| 3.2.2 图像去冗余信息处理 |
| 3.3 矢量模板提取道路信息 |
| 3.3.1 道路矢量模板的建立 |
| 3.3.2 道路矢量模板建立依据 |
| 3.3.3 道路矢量模板建立依据 |
| 3.4 实验结果及分析 |
| 3.4.1 实验结果 |
| 3.4.2 实验分析 |
| 3.5 小结 |
| 第四章 利用线扫描方式的道路损毁信息提取方法研究 |
| 4.1 线扫描的基础 |
| 4.2 线扫描的应用 |
| 4.3 线扫描应用结果及分析 |
| 4.3.1 实验结果 |
| 4.3.2 实验分析 |
| 4.4 小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 方法研究展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（8）基于GMM-MRF的高分辨率遥感影像道路提取算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 遥感影像道路提取国内外研究现状 |
| 1.3 论文主要研究内容及章节安排 |
| 第2章 遥感影像道路提取相关知识 |
| 2.1 遥感影像预处理 |
| 2.1.1 遥感影像的校正处理 |
| 2.1.2 灰度化 |
| 2.1.3 归一化 |
| 2.2 道路的图像特征 |
| 2.3 道路图像特征在道路提取中的应用 |
| 2.3.1 辐射特征 |
| 2.3.2 几何特征 |
| 2.3.3 背景特征 |
| 2.3.4 拓扑特征 |
| 2.4 本章小结 |
| 第3章 基于 GMM-MRF 和模糊连接度的半自动道路提取 |
| 3.1 引言 |
| 3.2 基于 GMM- MRF 的图像分割 |
| 3.2.1 GMM 模型参数估计 |
| 3.2.2 MRF 随机场与 Gibbs 随机场 |
| 3.2.3 基于 GMM 和 MRF 的图像分割 |
| 3.3 基于模糊连接度的道路提取 |
| 3.3.1 模糊连接度的相关基本理论 |
| 3.3.2 模糊连接度在道路提取中的算法研究 |
| 3.3.3 基于形状指数方法和形态学运算的后处理 |
| 3.4 实验结果与分析 |
| 3.5 本章小结 |
| 第4章 基于 GMM-MRF 和协方差矩阵的自动道路提取 |
| 4.1 引言 |
| 4.2 协方差矩阵 |
| 4.3 基于协方差矩阵的自动道路提取 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第5章 高分辨率遥感影像道路提取软件的开发 |
| 5.1 软件结构 |
| 5.2 软件界面设计 |
| 5.3 道路提取软件开发 |
| 5.3.1 图像预处理功能开发 |
| 5.3.2 道路提取功能开发 |
| 5.4 系统软件开发关键技术 |
| 5.5 系统运行结果 |
| 5.6 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间所发表的学术论文目录 |
（9）高分辨率遥感影像道路提取方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 高分辨率遥感数据获取技术发展 |
| 1.1.2 遥感影像数据解译的需求 |
| 1.1.3 遥感影像道路提取的意义 |
| 1.2 道路提取的研究现状及发展动态 |
| 1.2.1 道路特征模型与提取技术的研究现状 |
| 1.2.2 现有道路提取软件 |
| 1.2.3 存在的问题和发展趋势 |
| 1.3 论文的主要研究内容及结构安排 |
| 第二章 高分辨率遥感影像道路特征分析与处理 |
| 2.1 高分辨率遥感影像数据的特点 |
| 2.2 高分辨率影像道路特征与面临的问题 |
| 2.2.1 高分辨率遥感影像地物特征 |
| 2.2.2 高分辨率遥感影像道路特征 |
| 2.2.3 高分辨率遥感影像道路提取面临的问题 |
| 2.3 道路特征增强 |
| 2.3.1 灰度直方图增强 |
| 2.3.2 中值滤波 |
| 2.4 纹理信息提取与描述 |
| 2.4.1 纹理的概念 |
| 2.4.2 纹理特征提取方法 |
| 2.5 本章小结 |
| 第三章 基于角度纹理特征模板的道路提取模型 |
| 3.1 角度纹理特征 |
| 3.2 基于角度纹理特征模板的道路模型构建 |
| 3.2.1 模型构建的基本思想 |
| 3.2.2 种子点的自动校正和初始化 |
| 3.2.3 角度纹理特征提取 |
| 3.3 车辆遮挡处理策略 |
| 3.4 实验流程及结果分析 |
| 3.4.1 基于角度纹理特征模板提取道路的流程 |
| 3.4.2 实验验证与结果分析 |
| 3.5 本章小结 |
| 第四章 基于灰度模板匹配的道路提取模型 |
| 4.1 基于灰度模板匹配提取道路模型的建立 |
| 4.1.1 模型构建的基本思路 |
| 4.1.2 灰度模板匹配测度 |
| 4.2 基于灰度模板匹配的道路提取模型的步骤 |
| 4.3 实验验证与结果分析 |
| 4.4 本章小结 |
| 第五章 道路轨迹预测模型和原型系统实现 |
| 5.1 道路轨迹模型原理 |
| 5.1.1 道路轨迹模型 |
| 5.1.2 多元线性回归模型 |
| 5.1.3 曲率剔除误差点 |
| 5.1.4 道路轨迹优化过程 |
| 5.2 原型系统设计 |
| 5.3 实验与分析 |
| 5.3.1 实验平台 |
| 5.3.2 实验主要成果 |
| 5.3.3 结果效率和质量评价 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 下一步工作的展望 |
| 致谢 |
| 参考文献 |
| 作者简历 |
（10）高分辨率极化SAR影像典型线状目标半自动提取（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1. 研究背景与意义 |
| 1.2. 研究现状与存在的问题 |
| 1.2.1. 极化SAR相干斑抑制 |
| 1.2.2. 极化SAR影像边缘检测 |
| 1.2.3. 高分辨率影像道路跟踪 |
| 1.2.4. 输电线检测 |
| 1.3. 本文研究内容和组织结构 |
| 第二章 保持线状特征的极化SAR影像滤波方法 |
| 2.1. 引言 |
| 2.2. 保持结构特征和散射特性的SAR影像滤波 |
| 2.2.1. 保持空间结构信息的滤波 |
| 2.2.2. 保持散射机制信息的滤波 |
| 2.2.3. 基于结构信息的滤波器融合 |
| 2.3. 实验与讨论 |
| 2.3.1. 旧金山湾AIRSAR影像 |
| 2.3.2. Flevoland AIRSAR影像 |
| 2.3.3. 结果分析与比较 |
| 本章小结 |
| 第三章 基于极化最优对比增强改进的ROA边缘检测 |
| 3.1. 引言 |
| 3.2. SAR边缘检测研究现状 |
| 3.2.1. 单极化SAR边缘检测现状及问题 |
| 3.2.2. 极化SAR边缘检测现状与问题 |
| 3.2.3. 基于复Wishart卡方检验的POLCFAR法 |
| 3.3. 自适应OPCE改进的ROA边缘检测 |
| 3.3.1. 目标最优极化对比增强理论 |
| 3.3.2. AOPCE-ROA算法 |
| 3.3.3. 快速AOPCE-ROA算法 |
| 3.4. 实验与讨论 |
| 3.4.1. 实验数据描述 |
| 3.4.2. 实验与分析 |
| 3.4.3. 讨论 |
| 本章小结 |
| 第四章 SVDD单类分类道路种子点提取方法 |
| 4.1. 引言 |
| 4.2. 单类分类问题与SVDD基本原理 |
| 4.2.1. 单类分类问题 |
| 4.2.2. SVDD在遥感中应用的现状 |
| 4.2.3. SVDD基本原理 |
| 4.2.4. 核函数的使用 |
| 4.3. 极化SAR影像SVDD单类分类 |
| 4.3.1. SAR影像分类极化特征提取 |
| 4.3.2. 训练样本选择 |
| 4.3.3. 交叉验证参数寻优 |
| 4.3.4. 单类分类精度评价 |
| 4.3.5. 实验与分析 |
| 4.4. 基于SVDD单类分类的道路种子点提取 |
| 4.4.1. 道路种子点提取方法 |
| 4.4.2. 实验结果分析 |
| 本章小结 |
| 第五章 基于自适应贝叶斯滤波的道路半自动跟踪方法 |
| 5.1. 引言 |
| 5.2. 基于种子点的道路初始化 |
| 5.2.1. 道路初始化方法综述 |
| 5.2.2. 基于种子点的道路初始化 |
| 5.2.3. 道路初始化实验 |
| 5.3. 道路预测与观测模型 |
| 5.4. 贝叶斯滤波 |
| 5.4.1. 贝叶斯滤波概述 |
| 5.4.2. 卡尔曼滤波 |
| 5.4.3. 粒子滤波 |
| 5.5. 模板匹配获取道路观测值 |
| 5.5.1. 多视加权最小二乘剖面匹配 |
| 5.5.2. 矩形模板匹配 |
| 5.5.3. 模型的获取 |
| 5.5.4. 观测值精度的作用及其影响 |
| 5.6. 贝叶斯滤波道路跟踪 |
| 5.6.1. 基于贝叶斯滤波的道路跟踪 |
| 5.6.2. 终止条件 |
| 5.6.3. 自适应步长迭代策略 |
| 5.6.4. 种子点在跟踪中的辅助作用 |
| 5.6.5. 双滤波器自适应协调工作 |
| 5.7. 实验结果与分析 |
| 5.7.1. 算法分步实验 |
| 5.7.2. 综合实验 |
| 本章小结 |
| 第六章 HOUGH域相干性估计的输电线检测 |
| 6.1. 引言 |
| 6.2. 输电线极化散射特性建模 |
| 6.2.1. 极化方位角影响 |
| 6.2.2. 雷达截面积影响 |
| 6.3. HOUGH域相干性估计的输电线检测 |
| 6.3.1. 输电线目标极化特征提取 |
| 6.3.2. Hough域相干性估计 |
| 6.3.3. 输电线提取的流程 |
| 6.4. 实验 |
| 6.4.1. 数据描述 |
| 6.4.2. 实验结果与分析 |
| 6.4.3. 讨论 |
| 本章小结 |
| 第七章 总结与展望 |
| 7.1. 论文的主要工作和创新性成果 |
| 7.2. 进一步研究的展望 |
| 参考文献 |
| 附录：博士学习期间承担的项目和发表的论文 |
| 致谢 |
四、基于启发式图搜索的遥感影像道路半自动提取（论文参考文献）
- [1]基于对象化深度学习的饮用水源地线状风险源提取研究[D]. 曹琪. 南京师范大学, 2021
- [2]高分辨率遥感影像典型地物交互式提取研究[D]. 胡艳. 西安科技大学, 2018(12)
- [3]高分辨率遥感影像道路提取与变化检测关键技术研究[D]. 吕臻. 武汉大学, 2017(01)
- [4]高分辨率城市遥感影像半自动道路提取方法研究[D]. 方鑫鑫. 辽宁工程技术大学, 2017(05)
- [5]高分辨率遥感影像面状地物交互式提取方法研究[D]. 李小凯. 武汉大学, 2016(01)
- [6]高分遥感影像中道路信息提取方法综述[J]. 冯鹏,高峰. 现代电子技术, 2015(17)
- [7]基于高分辨率遥感图像的道路信息提取方法研究[D]. 冯鹏. 国防科学技术大学, 2015(03)
- [8]基于GMM-MRF的高分辨率遥感影像道路提取算法研究[D]. 杨娟. 湖南大学, 2014(04)
- [9]高分辨率遥感影像道路提取方法研究[D]. 靳彩娇. 解放军信息工程大学, 2013(02)
- [10]高分辨率极化SAR影像典型线状目标半自动提取[D]. 邓少平. 武汉大学, 2013(10)