英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料
IEEE地球科学与遥感快报，第一卷。 3，NO。3，2006年7月
改善在开发利用定向滤波高分辨率图像中的城市道路提取，感知组织，和简单的地理概念
Paolo Gamba, Senior Member, IEEE, Fabio Dellrsquo;Acqua, Member, IEEE, andGianni Lisini, Member, IEEE
摘要：在这文章中，从高分辨率的光学/合成孔径雷达网络（SAR）图像来检测城市道路问题已经被处理。为此，这文章提出了关于城市道路方向分布的领先的知识区域。特别是，该文章提出能够获取这些道路的主要方向上的自适应滤波过程并提高提取效果。提取道路元素后，丢弃多余的部分，避免差距，一个特殊的感知分组算法设计发为共线以及邻近的概念。最后，从该道路网络拓扑来考虑，需检查道路交叉口和规范整体图案使用这些焦点。提议的程序在一对非常高分辨率的图像上检测，一个来自光学传感器和一个来自SAR传感器。实验表明，增加的完整性和质量指标为所提取的道路网。
关键词：感知组织，街道提取，城市遥感。
- 介绍
重新使用自动或半自动地图更新遥控遥感影像是一个重要的研究领域。一个遥感图像的数量不断增加的今日有着不同类型的传感器，和一定程度的自动化可以大大加快地图更新的过程。这篇文章提出了最相关的应用解决方案，一种高分辨率雷达或光学数据：在城市地区的路网检测。虽然道路检测已经考虑了高分辨率图像，但仍在研究成果中存在偏差，尤其是在城市地区，道路可能是隐藏或可不见的，并且它们的图案是非常复杂的。此外，由于影响产生的图像的几何问题，在微波区域的高分辨率数据可能不能被完全考虑到。因此，一些具体的程序为了城市路网的提取，尝试并尽量减少在道路元素检测出现错误，而且也利用道路的特点和道路网络拓扑提高整体效果。
更具体地说，这项工作的目的在于改善国家的艺术，通过引进开发了一套关于市区很合理的假设的三个步骤。 首先，本地城市道路往往沿着两个主要方向一致，不一定正交。这对现代城镇来说显然是正确的，但即使在欧洲的中世纪小镇中心，也能发现圆形公路，在局部范围内这种假设是正确的。此外，道路往往被连接，并且死端道路往往比外面市区少。最后，道路交叉口密集的地方，但在局部范围与不一定与全球道路方向一致。
所有这些假设都基于道路的几何特性，为了道路的完整框架网络提取，应通过无线电来补充指标特性。事实上，仅通过考虑这两个方面这将有可能区别道路和它的环境。这个问题已经在文献中已经讨论，主要是利用边缘检测[1]，有时加上分类[2]或多个阈值[3]。然而，这些步骤可能是不够的，尤其是在城市环境中，其中，由于建筑物，植被，汽车，和其他城市的对象影响道路的形状是有偏差的。如果地面空间分辨率想要识别道路标记和类似详细信息，需要一种更为复杂的情境模式[4]。
当空间分辨率是在米级，路网密集的中心城市需要被注意，则要一个适当的局部自适应定向过滤器来检测这个网络。方向滤波器长期以来一直在图像处理中用来增强细节和作为第一步骤到自适应边缘提取。在遥感应用中，它们已在[5]中Prewitt算子已经分解提出为“相”的通道，以减少方向由被利用随后的边缘提取程序。使用类似的方法只有垂直和水平方向已被提出[6]。最近和最有趣的关于这方面的工作是[7]，其中一个用于定向自适应形态学技术过滤在更广泛的讨论的上下文中提出的数学形态学的施加到最新进展遥感问题。该方法需要一个多尺度当地分析方向元件（线段）。这个允许计算一个形态定向信息和确定形态学滤波器的最佳大小和方向得到应用。虽然很有意思，方法确实不考虑这些情况，其中多个过滤器应可以考虑，例如在道路结面积。在这文章中提出的程序稍微不太复杂和有对性的根据上述的假设市区。
在这文章中，我们建议实行一个比较标准准则，根据经典概念[8]，但掺入更高级别的方向滤波器信息。因此，所提出的算法可以被标记为一个信息自适应方向性滤波器。该想法是，选择用于后续的滤波方向不由位置附近决定进行处理，但约线性特性在一个较大的区域中的信息出于兴趣。作为这一选择的结果，低级别的滤波过程由更高级别的功能的输出馈送提取方案，它提供了一个精致的输入。
- 提议的程序
提议的程序的概念流程是最容易通过四个步骤，即，1）的自适应定向滤波装置描述2）候选道路区域选择; 3）直线特征提取; 4）道路正规化。自适应在这篇文章中提出的方向滤波算法是基于在上述所列的假设中的第一个。在城市地区，的确，它们沿着两个对准的道路的一个规则的栅格主方向。这是真实的任意比例，具有可比城市结构中非常古老或最近的城市带真实的规划体系。然而，由于人类的习惯在一些地区居民区不是结构化的，并且在世界上房屋有很多形状。
据有关城市环境这种“先天”的知识，这个过程需要执行一个非常简单的线性模糊变换（FHT），在[10]提到过。 FHT是众所周知的霍夫改编的一个模糊输入。围绕在当前本地窗口位置它看起来在任何方向有限长度线（段）。因此，它适合用于提取笔直的道路，高速公路，和分析大多数的市区。然而，在大多数道路中这个程序很容易波动。这种波动通常会产生误报和小随机取向的线性元素。需要注意的是，虽然在技术文献中许多提取已经开发了，但真的是很难获得线性特征提取程序的任何情况。在城市更是如此地区，那里的历史中心可能有一个非常复杂的结构体。在所进行的测试中，据报道FHT是最有效的提取，但使用其他的方法也不错。
因此，FHT被施加到一个阈值和二值化版本原始图像，并且所提取的道路段是存储在列表中。为了确定最佳的候选滤波方向，围绕当前象素位置上的窗口被认为是与所有的道路的方向的直方图相交的这个窗口段计算。在这个高峰直方图定义占主导地位的线性特征的方向区，并用作后续定向滤波猜测。特别是，一个逐行扫描计算用于每个位图像线性特征的方向在当地直方图周边区，并提供输出的最佳滤波方向。当然，也不是所有直方图分析可以提供方向，能够提供或一个或多个方向。如果没有提取线性特征相交本地窗口，没有主导方向被发现，并且执行随后的定向滤波是垂直和水平的。如果只找到一个直方图的峰值，相同的方向被认为是两次。最后，如果两个或更占优势的方向被发现，上两个最高峰在
直方图被使用。在此过程中的主要参数是根据该方向的本地窗口中直方图的宽度计算。很显然，要使该宽度一致，它应连接到地面空间分辨率图像。一个很好的规则可以预见到，它必须是足够的大来包括段的一个显著量，以避免高估一个或几个非常靠近其他的段的方向;另一方面，为了包含不同主方向的城市地区，这个窗口不能过大。一个很好的折衷办法，其中是在研究这个城市区域启发式发现的，就是是选择宽度S = 20 / R方形窗（像素），其中r是的地面取样距离数据。计算直方图之后，用这个算法尝试计算本地的两个最高峰。然后，采用两个预计算方向的滤波器来过滤原始图像，其内核适于局部提取两个直方图方向的最大值。作为双滤波过程的结果，从原始图像中，产生两个不同滤波输出，其中他们每个都是首先没有在被监督中提取，而且提升了他们的对准方向。这个过程中的一个绘制例子如图1所示。前一步骤的输出突出局部区域，其中边缘可以发现，并且以此为点，在道路地区之间。为了选取在候选地区中更好的一个，首先需要滤波器输出一个合适的阀值。选取一个非常低的门槛，对于阈值的选取是没有简单的技术可用的。这样做的原因的选择是在丢弃的错误报告中该后续的候选区域选择算法是相当有效的。因此，这个选择设定在选择的区域中为阈值图像上的空值，其中背景来自图1。如果非常多的非道路区域由于低阀值而被考虑到的话，那就算做完了。
图1.自适应方向性滤波器应用于实际中的一小子样本
城市地区的高分辨率合成孔径雷达（SAR）图像。
该选择方法是基于如下[3]中提出的方法，区域的滤波算法，但是用的是全新的和精致的处理步骤。该算法从一个随机选择的平方窗口（五个像素）开始，这个窗口被选择用来能够估量足够数量的线性特性的方向。然后，窗口的位置要尽可能围绕候选区域来适应。 这是通过窗口边界的输出v扫描完成边界标识符总和，，其中至少有一个黑色（即，路）的像素，[见图2（a）〕。根据这个值，如图窗口移动如图2（b）。让我们认定mod（·）是模运算：当v mod（3）=0，则根据图例2这V/3识别窗口的角应该移动。;当v mod（3）=/0和v mod（5）=0时，不需要移动;在所有剩余的情况下，V mod（5）可以确定边界和方向。
经过中心，窗口用双斜线检测。其中d1和d 2两条对角线识别，其中oplus;表示加法模2。一个图形区域表示是不是通过在图3中来看更助于理解，（1）沿两条对角线检查黑白之间改变的次数。在至少一种情况下两中变化必然存在，未检查的对角线可以开始或者结束一条道路（黑色）的像素。
图2.运动检测窗口定心。 （一）窗口标签
边框和角。 （二）允许的边界扫描诉值和对应的窗口的动作。
图3.经过（上排）或不使用窗口的例子（下排）双角测试。
如果该窗区域通过了测试，更远而且更好的窗口移动被用来平衡检测过的拉长区域周围的两个白色区域。只有水平和垂直运动是允许的，经过重新定位后，更远的对角测试可以进行。最后，测试的区域被应用，并且占据窗口小于60％的区域被保存。 对于那些没有通过该试验的区域，在窗口被放大多达16times;16像素。如果测试仍假，则区域被丢弃。
此过程的最后步骤涉及到检查经过检测的细长形状的边界的主方向。此步骤的目地是丢弃有关领域，例如丢弃区域图像的高度对比（即，纹理）份，其不规则形状，不适合道路的局部线性结构。如果一个区域被选择时，与一组原型相似的性线性特征应该被考虑到。这个步骤的原因有两个。一方面，为了简化跟踪程序，搜索一个区域的模型。另一方面，通过识别原型，尽可能的量化候选区域的“质量”，还能提供一个有效且有质量的选择过程。为了避免保持一个巨大的原型数据库，只考虑16个基本原型。由于可能工作在一个细致分辨空间的数据上，并选择平均宽度大于一个像素的候选区间，相似性搜索被复制到两个边缘区，整体识别过程计算在最后的试验比较，如在详述[3]。一旦最佳原型被选择时，能够允许其进一步沿着原来的平方分析区域的候选区域的道路两侧跟踪，使用图像中最好且实用的方法和附近相同的维度。在图4（b）中展示了该过程，人工
图图像建议在图4（a）当新的感兴趣的区域包括上述测试不通过的组时，这是这种情况，例如，当路交叉口发生，跟踪停止。
图4.候选选择和线性特征提取的处理步骤程序。 （一）人造数据样本。所选道路的区域（b）的跟踪。 （C）通过FHTd线性特征提取）问题，是由于公路立交桥。
对于道路提取的目的，有必要施加一个例行程序，旨在检测选定区域的线的元素。为了保持它的简单，线性特征提取进行再次使用FHT。在图4（c）中，FHT被施加到该结果的前一步骤（预过滤 丢弃例程），用来提供道路网络的整体结构。
结果在图4中显示，但是，虽然FHT能够提取许多道路元素，但捕捉到地方道路弯道时，对于FHT提取一个小窗口应该考虑到，并因此，可能会发生同样的道路多次提取。此外，由于错误的本地的方向滤波器发生相同的错误，例如道路方向突然发生变化，一些路段可能丢失，这也可能是由于实场景的影响，如道路立交桥，[见图4（d）〕。
为了恢复这些地方的错误和重建更寻常的道路，一个基于感知分组概念的最终处理算法添加到道路提取过程。该基本思想是允许通过简化的道路网络，用于例如，连接段地方是“合理的”，他们属于同样的道路。为了定量地确定这个选择，人们可以使用的连续性，共线性，和接近概念。
知觉组织已经在该领域被大量应用，图像判读[11]，人造结构识别[14]，以及，当然还有，道路网络分析[12]。关于这一问题提供的丰富的技术文献应该尊重，所提的方法是很基本的，因此可以进一步精制，但很适合用在城市道路网络的正规化区域。此外，能够认为通过从相似的图片多次提取可以获得输入候选片段。因此，我们的感知组织方式允许道路候选连接到中间（或任何其他点，但其他段的极端）。这意味着，我们寻找（路）路口时，然而路口被拒绝，例如，在[12]。这些问题更复杂的不是考虑它的方法，而是全路网通过一个建模的方法进行优化，在图[15]，[16]中可见。这些方法是比这篇文章中的方法更有效，而目前更有效方法并不是为了取代它们，而是改善和完善他们的意见。事实上，它是基于一个本地的分析，全球性的方法。然而，它补充了他们，可减少计算量，经过道路候选区域分组其经常呈指数级增长。
在我们的程序有着另一个专门步骤，是由于需要丢弃多个部分重叠的段，并减少他们最佳拟合折线。如上文回忆说，这方面的需求来自执行道路段的多次提取，并遵循以下在先前各节中的算法，这是不寻常在感知分组算法，其中输入段不是多余的。更具体地，执行的算法基于四个处理步骤，具有预处理和后处理过程。预处理查找段非常接近较长的和非常相似的方向：他们很可能是误报，就像隔壁的大楼的墙壁。在这种情况下，更短的一个被丢弃，因为我们期望要一个长度段的质量标尺。同样的后处理是指忽略尚存的正规化短段，因为它们很可能在错误的认定下被分离。该算法的核心是由以下步骤代替。首先，段在它们的方向充分相似（即，共线）的，并用极端比相互接近定的阈值（它们满足邻近）连接。这是需要类似的预处理之一，然后进行“下一个重叠”段的新的搜索。该第三步是（可能长）链的简化段。它们被降低到最好近似的逐步线性函数。然后，执行最后的结果检查，通过观察与其他段落方向极其接近的候选区域来计算交点。
应当强调，这种过程由六个参数决定：Md：二者之间的最大距离（近），这可以被认为是只有一个（邻近）平行的段; Me：两个极端之间的最大允许距离，一个假设的连续性的线段; Ma：执行最大角度段共线之间的宽容; Mg：对潜在的交叉极端之间最大间隙段和预测的交点（交叉点接近）;Mp：提取出的路径和最佳分段线性逼近之间的最大位移; Ml：允许的最小长度短隔离段。
而前三个参数是和感知分组概念密切相关的，第四个在第二第三假设中实施，在介绍这文章里介绍。可
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[146273]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
