论文部分内容阅读
本文主要对遥感图像里面的道路进行精确提取,重点研究四个部分:对遥感图像进行预处理、提取道路遥感图像的特征、对遥感图像进行分类识别以及在道路图像中提取出道路架构。遥感图像的细节信息以及对比度不够强,不容易提取其特征,为了解决这一问题,本文改进了传统的中值滤波,通过对改进前后图像峰值信噪比、标准差和平均绝对误差的分析说明,改进后的滤波不仅平滑了遥感图像里面的噪声,也明显加强了遥感图像的细节信息以及对比度。在此基础上,研究了图像的频域特征和纹理特征,通过分析图像的频谱图来提取图像的频域特征;分别通过基于差分分析、灰度共生矩阵的方法和基于Gabor小波函数的方式分析出图像基于纹理的基本特征。接着为了提高分类识别的准确率,又提出特征融合的方式,分别计算各特征的权重,对单一的特征进行加权融合,得出融合特征。针对本文提取的道路图像的特征,将支持向量机作为最终的分类器,对提取的特征进行训练。实验结果表明,基于单一特征的图像分类识别,不能准确地识别出道路图像,而本文通过融合特征的算法提高了分类识别的准确率,将分类识别出来的道路类图像再进行后续的分析。对三种不同类型的道路类遥感图像分别采取了三种分割方法,首先针对道路遥感图像的光谱特征研究阈值分割,分别使用传统的阈值分割和基于遗传算法的阈值分割对道路图像进行分割,实验结果证明,基于遗传算法的阈值分割的结果明显优异,而且同时还提高了分割的效率;接着,又使用边缘检测的方式分割边缘跳跃较为明显的道路图像,并改进了Prewitt算子,改进后的算法效果明显优于其他边缘算法;针对更为复杂的道路图像,提出一种改进的小波分割算法,实验证明,该算法不仅有很好的鲁棒性,而且在对相对复杂道路类遥感图像进行分割操作的时候,体现出了其良好的分割性能。基于初步分割出来的道路二值图像的特点,分别使用基于区域特征、形状特征对分割出来的图像进行道路提取。针对这两种方法提取结果存在的两个问题:提取出来的道路存在很多粘连区域以及由于受道路周围地物影响形成的断裂处和孔洞,提出一种基于区域以及形状特征的融合特征进行提取,同时加大区域面积和长宽比的阈值,通过对这三种提取的方法的比较分析发现,融合特征提取的方法能够比较完整的提取出道路。再使用形态学滤波的方法对提取出来的道路进行修正,以此来平滑提取后道路的信息、填充细微的孔洞。实验结果证明,本文的方法提取的结果具有较高的提取准确度以及较强的鲁棒性,对各种形式的道路都能够准确地提取。