面向?qū)ο蟮母叻直媛视跋竦牡缆诽崛?/h1>
2021-07-21 03:04:26孫國強(qiáng)趙慧敏
北京測繪 2021年5期
孫 瑤 孫國強(qiáng) 趙慧敏
(1. 江蘇海洋大學(xué) 海洋技術(shù)與測繪學(xué)院, 江蘇 連云港 222000; 2. 山東科技大學(xué)測繪與空間信息學(xué)院, 山東 青島 266590)
0 引言
隨著遙感影像分辨率的不斷提高,影像中包含的空間信息也不斷地變多,從影像中提取更多更詳細(xì)的信息也就顯得更加重要。道路作為城市交通的主體,不僅是重要的地理空間信息,也是文化、政治交流的重要方式。因此道路信息對城市的發(fā)展、交通的管理都具有重要的意義[1]。道路信息是影像信息的重要組成部分,道路的提取方法也多種多樣。如利用像元的方法、面向?qū)ο蟮姆椒ㄒ约半S著計算機(jī)科學(xué)和圖像處理技術(shù)的快速發(fā)展帶來的機(jī)器學(xué)習(xí)、深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)等更高效快速準(zhǔn)確地提取方法[2]。像元的提取方法主要是利用不同的地物的光譜差異性進(jìn)行分類,羅慶洲等利用將光譜特性和幾何特性相結(jié)合的方法對道路進(jìn)行提取,該方法可以將和道路相聯(lián)結(jié)的地物分割開來[3];GAETANO等[4]首先使用Canny算子對道路進(jìn)行邊緣信息的檢測,對結(jié)果再使用距離函數(shù)計算出中心線的位置,使用圖割論提取最終的道路圖;面向?qū)ο蟮姆椒▽⑻崛∫乜醋髡w,對這個整體分析其具體的特征信息,根據(jù)得到的信息再建模,繼而分割和提取;余長慧等[5]使用分水嶺分割算法先將影像分割成多個小區(qū)域,提取道路階段選擇面向?qū)ο蟮鸟R爾科夫隨機(jī)場方法,該方法對影像的分割結(jié)果比較依賴;吳學(xué)文等[6]采用了一種快速提取道路的方法,通過Gabor小波計算得到紋理特征,并且結(jié)合了遙感影像中的各種波段的差值數(shù)據(jù);劉如意等[7]使用卷積神經(jīng)網(wǎng)絡(luò)的方法提取道路,將像素分類成道路部分和非道路部分,再進(jìn)行孔洞填充即得到比較完整的道路結(jié)構(gòu)。本文基于面向?qū)ο蟮姆謥硭枷?對高分辨率影像下的道路進(jìn)行信息提取,通過多種特征組合也能夠比較快地提取得到道路信息。
1 面向?qū)ο蟮姆指?/h2>
面向?qū)ο蟮姆椒ǖ乃枷胧窃谡麄€分類的過程中針對地物的復(fù)雜程度先剔除簡單無關(guān)的信息,從簡單到復(fù)雜,一步一步找出需要的地物,從而達(dá)到地物從易到難的提取流程。本文是基于eCognition進(jìn)行的面向?qū)ο蟮姆指罘诸?其中主要的分割方法包括多尺度分割、棋盤分割、四叉樹分割和光譜差異分割等,本文使用多尺度分割和光譜差異分割的方法進(jìn)行道路的提取[8]。
多尺度分割技術(shù)是一種自下而上的分割方法:先將影像進(jìn)行單個像素的分割分析,得到大量的分割對象,再將相鄰的像素對象根據(jù)其之間的差異性的大小來進(jìn)行合并的操作,進(jìn)而得到最終的分割對象,得到的對象內(nèi)部像素間的差異性最小,不同對象之間的差異性最大。其中分割參數(shù)主要是分割的尺度大小,光譜信息以及波段所占的權(quán)重比等。使用F表示表征異質(zhì)性,其計算公式為
F=ω1×f1+(-ω1)×f2
(1)
式(1)中:ω1是使用者定義的形狀權(quán)重;f1為形狀異質(zhì)性;f2為光譜異質(zhì)性。f1與f2的計算公式為
f1=ω2×h1+(-ω2)×h2
(2)
(3)
式(2)和(3)中,ω2為用戶規(guī)定的緊致度權(quán)重;h1,h2分別表示形狀的緊致度和平滑度參數(shù);n代表數(shù)據(jù)的波段總數(shù);μi為波段所占的權(quán)重;σi表示得到波段i的標(biāo)準(zhǔn)差。式(2)中h1,h2的計算方式為
(4)
式中,E,N和L分別是對象的邊界長度、對象內(nèi)部的像素的總數(shù)和包含對象的矩形周長。
2 分類方法
在面向?qū)ο蟮姆诸惙椒ㄖ谐Ｓ玫挠凶钹徑诸惡碗`屬度函數(shù)分類,由于道路具有比較特殊的特征,因此選擇隸屬度進(jìn)行分類。在針對不同的對象時,發(fā)現(xiàn)其某個特征的閾值在某個范圍相對特殊,即可使用該閾值進(jìn)行分類,比如常用的水體提取所使用的水體指數(shù)、植被指數(shù)等[9]。
在使用隸屬度分類時,可針對所提取的對象設(shè)置規(guī)則,由于隸屬度分類構(gòu)建的是模糊的規(guī)則集,在使用隸屬度函數(shù)分類時,可以選擇模糊的方式也可以使用具體的規(guī)則。一個隸屬度函數(shù)對應(yīng)一種特征，可根據(jù)對象特征的取值范圍來區(qū)分地物。這便是最簡單的分類方式。但是往往在實際情況中,一個隸屬度函數(shù)是不夠的。一般是使用“與、或、非”的方式來進(jìn)行組合,多個規(guī)則集進(jìn)行組合進(jìn)而形成一種新的特征,而這種特征對需要提取的對象具有良好的適用性[10]。
對于模糊集合的運(yùn)算本質(zhì),計算方式是計算每一個點的隸屬度,然后在得到結(jié)果的基礎(chǔ)上再進(jìn)行運(yùn)行算,假設(shè)有兩個模糊集A和B,在同一個論域u上具有相同的定義,針對A,B的運(yùn)算方式如下:
(1)等于:βA(u)=βB(u);
(2)包含:βA(u)≥βB(u),B也可以說是A的模糊子集;
(3)交并運(yùn)算:βA∪B(u)=βA(u)∨βB(u)
βA∩B(u)=βA(u)∧βB(u)
其中∨表示取最大值,∧表示取最小值;
對于一般常用的隸屬度函數(shù)一般有三種:Z形,S形,n形。其中Z形一般表示的模糊集是在坐標(biāo)系的最左邊,如圖1所示；S形是在坐標(biāo)系的最右邊,如圖2所示;n形是表示一些模糊集是在坐標(biāo)系的中間的一部分，如圖3所示。
圖1 Z形隸屬度函數(shù)
圖2 S形隸屬度函數(shù)
圖3 n形隸屬度函數(shù)
3 面向?qū)ο蟮牡缆诽崛?/h2>
在本次實驗中選取了worldview-2衛(wèi)星影像,可以提供0.5 m全色圖像和1.8 m分辨率的多光譜圖像。在高分辨率影像下的道路形態(tài),特征更加完整和豐富。實驗選取連云港城鎮(zhèn)一處的區(qū)域,該區(qū)域存在面積較大的農(nóng)田,具有在幾何性質(zhì)基本相同、光譜特異性不同的河流地物,可以和道路對象進(jìn)行對比;實驗區(qū)的高樓較少,平房居多;主要道路呈“Y”字形,在提取前針對道路對象進(jìn)行分析,選擇合適的特征，實驗區(qū)域如圖4所示。
(1)幾何特征:道路具有相對明顯的幾何特征,整個道路呈現(xiàn)帶狀分布,而且不會突然消失。道路的兩條邊界線一般是平行分布,所以同一條道路的寬度大致相同,而且道路的長寬比值比一般地物的比值都要大。
(2)輻射紋理特征:由于同一段路的質(zhì)地較為均勻,其組成的材料一樣,進(jìn)而顯示比旁邊地物更加明亮,在計算灰度值和紋理值時也更加均勻。
(3)拓?fù)涮卣?一般沒有單獨(dú)存在的一條道路,道路相互交錯聯(lián)結(jié)進(jìn)而形成了道路網(wǎng),道路交叉的地方即是網(wǎng)的結(jié)點,也就是路口,一般路口是“T”“Y”“十”形。
3.1 特征選取
在使用隸屬度函數(shù)分類時,要針對不同的場景、不同的對象選取最適宜的特征,使其在一定的閾值范圍內(nèi)應(yīng)與其他地物有比較明顯的差異區(qū)別[11]。針對道路對象選擇以下特征:
(1)均值
(5)
式(5)中,Vj、n分別表示對象中第j個像元的值和像元的個數(shù);L表示波段。
(2)亮度
(6)
式(6)中,n是波段個數(shù);αj是分割后對象波段j的值。
(3)長寬比
(7)
(8)
(9)
式中,A為分割對象的面積；R為長寬比；W為寬度;L為長度。
(4)標(biāo)準(zhǔn)差
(10)
式(10)中,Vj表示分割后的對象第j個像元的值;βb表示像元均值;b表示波段;n表示像元數(shù)目。
(5)建筑物指數(shù)
IBA=(Blue-Nir)/(Blue+Nir)
(11)
式(11)中,IBA是代拍建筑物指數(shù)BAI;Blue是藍(lán)色波段的反射值;Nir是近紅外波段的反射值。
3.2 影像分割
在使用面向?qū)ο蟮姆诸惙椒〞r,首先需要對影像使用多尺度分割,在面向?qū)ο蟮亩喑叨确指钪?由于沒有統(tǒng)一的固定參數(shù),需要根據(jù)選取的對象進(jìn)行多次調(diào)節(jié)參數(shù)達(dá)到理想值。主要調(diào)試參數(shù)為分割尺度(Scale),形狀因子(Shape),緊致度(Compactness),其中分割尺度主要對分割后的對象進(jìn)行控制,分割后的形狀是由緊致度和形狀因子來控制,通過形狀來控制色彩的準(zhǔn)則[12]。選取多組參數(shù)進(jìn)行調(diào)試,對比結(jié)果如圖5所示。
圖5 不同分割尺度效果圖
從圖5可以看出,在形狀因子和緊致度參數(shù)一致的情況下分割尺度越小分割對象越小;在只有形狀因子改變的情況下,形狀因子越大分割對象的大小差異越小、越完整;在只改變緊致度參數(shù)時,緊致度越小分割后的對象越破碎。經(jīng)過多組的實驗進(jìn)行比較,分割參數(shù)越大,可以看出地物分割后的面積越大,就會分割越明顯的不同地物,也不利于后面的優(yōu)化分割操作,選80 0.4 0.6為分割參數(shù)時,試驗區(qū)分割效果較為理想,道路分割后的圖斑相對完整,能夠與相鄰地物大致區(qū)分開來,但是邊界鋸齒狀嚴(yán)重,不夠光滑,并且也存在道路小圖斑。圖6是利用光譜特性進(jìn)行優(yōu)化分割,可以將細(xì)小的斑塊進(jìn)行合并,能夠看出主要道路經(jīng)過分割合并大致聯(lián)結(jié)在一起。
圖6 eCognition分割結(jié)果圖
3.3 提取結(jié)果
選取了光譜均值、長寬比、標(biāo)準(zhǔn)差等特征進(jìn)行分類提取后道路對象如圖7所示。對提取后的主要道路對象進(jìn)行二值化計算,得到道路的二值圖,進(jìn)而進(jìn)行數(shù)學(xué)形態(tài)學(xué)的腐蝕操作。對已經(jīng)二值化的道路操作可收縮道路骨架,更加有利于之后的細(xì)化追蹤，如圖8所示。將細(xì)化追蹤結(jié)果與影像疊加顯示，如圖9所示。
圖7 eCognition道路提取結(jié)果圖
圖9 細(xì)化道路與影像疊加圖
4 結(jié)束語
從實驗的結(jié)果可以看出,使用面向?qū)ο蟮姆椒▽χ饕缆愤M(jìn)行分割和提取可以取得比較好的結(jié)果,實驗區(qū)域的“Y”字形路口,在進(jìn)行尺度分割時需要大量調(diào)試參數(shù),利用道路對象與周圍場景的差異性,選取其與相鄰地物差別較大的幾何特征,光譜特征組合成模糊集合,通過多特征的隸屬度函數(shù)分類進(jìn)行提取,能夠?qū)⒅饕缆穼ο筇崛〕鰜?。同時面向?qū)ο蟮姆椒ㄍ瑯舆m合各種數(shù)據(jù)源,根據(jù)所需要分類提取的地物來選擇不同的特征,其結(jié)果都是相對可觀的。利用面向?qū)ο蟮姆椒ㄟM(jìn)行道路的半自動提取,主要的道路得到了比較好的結(jié)果,對接下來的城市中比較復(fù)雜的路網(wǎng)結(jié)構(gòu)、非主要道路的提取提供了好的基礎(chǔ)和可行的方法;但是由于分割后的對象邊界不夠光滑,鋸齒狀嚴(yán)重,導(dǎo)致后續(xù)的優(yōu)化操作會使得道路邊緣處有一些分叉現(xiàn)象。針對這樣的問題,在今后的實驗和研究中要尋求更好的解決方案。
猜你喜歡
春日暖陽ELLE世界時裝之苑(2024年5期)2024-05-14 09:45:39 財產(chǎn)的五大尺度和五重應(yīng)對內(nèi)蒙古民族大學(xué)學(xué)報(社會科學(xué)版)(2020年2期)2020-11-06 09:08:52 面向?qū)ο蟮挠嬎銠C(jī)網(wǎng)絡(luò)設(shè)計軟件系統(tǒng)的開發(fā)電子測試(2018年15期)2018-09-26 06:01:34 面向?qū)ο蟮臄?shù)據(jù)交換協(xié)議研究與應(yīng)用電測與儀表(2017年24期)2017-12-19 05:15:24 宇宙的尺度太空探索(2016年5期)2016-07-12 15:17:55 M87的多波段輻射過程及其能譜擬合高師理科學(xué)刊(2016年8期)2016-06-15 20:27:45 面向?qū)ο骔eb開發(fā)編程語言的的評估方法現(xiàn)代計算機(jī)(2016年12期)2016-02-28 18:35:25 日常維護(hù)對L 波段雷達(dá)的重要性西藏科技(2015年4期)2015-09-26 12:12:58 9時代英語·高三(2014年5期)2014-08-26 17:01:17 L波段雷達(dá)磁控管的使用與維護(hù)河南科技(2014年18期)2014-02-27 14:14:53
孫 瑤 孫國強(qiáng) 趙慧敏
(1. 江蘇海洋大學(xué) 海洋技術(shù)與測繪學(xué)院, 江蘇 連云港 222000; 2. 山東科技大學(xué)測繪與空間信息學(xué)院, 山東 青島 266590)
0 引言
隨著遙感影像分辨率的不斷提高,影像中包含的空間信息也不斷地變多,從影像中提取更多更詳細(xì)的信息也就顯得更加重要。道路作為城市交通的主體,不僅是重要的地理空間信息,也是文化、政治交流的重要方式。因此道路信息對城市的發(fā)展、交通的管理都具有重要的意義[1]。道路信息是影像信息的重要組成部分,道路的提取方法也多種多樣。如利用像元的方法、面向?qū)ο蟮姆椒ㄒ约半S著計算機(jī)科學(xué)和圖像處理技術(shù)的快速發(fā)展帶來的機(jī)器學(xué)習(xí)、深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)等更高效快速準(zhǔn)確地提取方法[2]。像元的提取方法主要是利用不同的地物的光譜差異性進(jìn)行分類,羅慶洲等利用將光譜特性和幾何特性相結(jié)合的方法對道路進(jìn)行提取,該方法可以將和道路相聯(lián)結(jié)的地物分割開來[3];GAETANO等[4]首先使用Canny算子對道路進(jìn)行邊緣信息的檢測,對結(jié)果再使用距離函數(shù)計算出中心線的位置,使用圖割論提取最終的道路圖;面向?qū)ο蟮姆椒▽⑻崛∫乜醋髡w,對這個整體分析其具體的特征信息,根據(jù)得到的信息再建模,繼而分割和提取;余長慧等[5]使用分水嶺分割算法先將影像分割成多個小區(qū)域,提取道路階段選擇面向?qū)ο蟮鸟R爾科夫隨機(jī)場方法,該方法對影像的分割結(jié)果比較依賴;吳學(xué)文等[6]采用了一種快速提取道路的方法,通過Gabor小波計算得到紋理特征,并且結(jié)合了遙感影像中的各種波段的差值數(shù)據(jù);劉如意等[7]使用卷積神經(jīng)網(wǎng)絡(luò)的方法提取道路,將像素分類成道路部分和非道路部分,再進(jìn)行孔洞填充即得到比較完整的道路結(jié)構(gòu)。本文基于面向?qū)ο蟮姆謥硭枷?對高分辨率影像下的道路進(jìn)行信息提取,通過多種特征組合也能夠比較快地提取得到道路信息。
1 面向?qū)ο蟮姆指?/h2>
面向?qū)ο蟮姆椒ǖ乃枷胧窃谡麄€分類的過程中針對地物的復(fù)雜程度先剔除簡單無關(guān)的信息,從簡單到復(fù)雜,一步一步找出需要的地物,從而達(dá)到地物從易到難的提取流程。本文是基于eCognition進(jìn)行的面向?qū)ο蟮姆指罘诸?其中主要的分割方法包括多尺度分割、棋盤分割、四叉樹分割和光譜差異分割等,本文使用多尺度分割和光譜差異分割的方法進(jìn)行道路的提取[8]。
多尺度分割技術(shù)是一種自下而上的分割方法:先將影像進(jìn)行單個像素的分割分析,得到大量的分割對象,再將相鄰的像素對象根據(jù)其之間的差異性的大小來進(jìn)行合并的操作,進(jìn)而得到最終的分割對象,得到的對象內(nèi)部像素間的差異性最小,不同對象之間的差異性最大。其中分割參數(shù)主要是分割的尺度大小,光譜信息以及波段所占的權(quán)重比等。使用F表示表征異質(zhì)性,其計算公式為
F=ω1×f1+(-ω1)×f2
(1)
式(1)中:ω1是使用者定義的形狀權(quán)重;f1為形狀異質(zhì)性;f2為光譜異質(zhì)性。f1與f2的計算公式為
f1=ω2×h1+(-ω2)×h2
(2)
(3)
式(2)和(3)中,ω2為用戶規(guī)定的緊致度權(quán)重;h1,h2分別表示形狀的緊致度和平滑度參數(shù);n代表數(shù)據(jù)的波段總數(shù);μi為波段所占的權(quán)重;σi表示得到波段i的標(biāo)準(zhǔn)差。式(2)中h1,h2的計算方式為
(4)
式中,E,N和L分別是對象的邊界長度、對象內(nèi)部的像素的總數(shù)和包含對象的矩形周長。
2 分類方法
在面向?qū)ο蟮姆诸惙椒ㄖ谐Ｓ玫挠凶钹徑诸惡碗`屬度函數(shù)分類,由于道路具有比較特殊的特征,因此選擇隸屬度進(jìn)行分類。在針對不同的對象時,發(fā)現(xiàn)其某個特征的閾值在某個范圍相對特殊,即可使用該閾值進(jìn)行分類,比如常用的水體提取所使用的水體指數(shù)、植被指數(shù)等[9]。
在使用隸屬度分類時,可針對所提取的對象設(shè)置規(guī)則,由于隸屬度分類構(gòu)建的是模糊的規(guī)則集,在使用隸屬度函數(shù)分類時,可以選擇模糊的方式也可以使用具體的規(guī)則。一個隸屬度函數(shù)對應(yīng)一種特征，可根據(jù)對象特征的取值范圍來區(qū)分地物。這便是最簡單的分類方式。但是往往在實際情況中,一個隸屬度函數(shù)是不夠的。一般是使用“與、或、非”的方式來進(jìn)行組合,多個規(guī)則集進(jìn)行組合進(jìn)而形成一種新的特征,而這種特征對需要提取的對象具有良好的適用性[10]。
對于模糊集合的運(yùn)算本質(zhì),計算方式是計算每一個點的隸屬度,然后在得到結(jié)果的基礎(chǔ)上再進(jìn)行運(yùn)行算,假設(shè)有兩個模糊集A和B,在同一個論域u上具有相同的定義,針對A,B的運(yùn)算方式如下:
(1)等于:βA(u)=βB(u);
(2)包含:βA(u)≥βB(u),B也可以說是A的模糊子集;
(3)交并運(yùn)算:βA∪B(u)=βA(u)∨βB(u)
βA∩B(u)=βA(u)∧βB(u)
其中∨表示取最大值,∧表示取最小值;
對于一般常用的隸屬度函數(shù)一般有三種:Z形,S形,n形。其中Z形一般表示的模糊集是在坐標(biāo)系的最左邊,如圖1所示；S形是在坐標(biāo)系的最右邊,如圖2所示;n形是表示一些模糊集是在坐標(biāo)系的中間的一部分，如圖3所示。
圖1 Z形隸屬度函數(shù)
圖2 S形隸屬度函數(shù)
圖3 n形隸屬度函數(shù)
3 面向?qū)ο蟮牡缆诽崛?/h2>
在本次實驗中選取了worldview-2衛(wèi)星影像,可以提供0.5 m全色圖像和1.8 m分辨率的多光譜圖像。在高分辨率影像下的道路形態(tài),特征更加完整和豐富。實驗選取連云港城鎮(zhèn)一處的區(qū)域,該區(qū)域存在面積較大的農(nóng)田,具有在幾何性質(zhì)基本相同、光譜特異性不同的河流地物,可以和道路對象進(jìn)行對比;實驗區(qū)的高樓較少,平房居多;主要道路呈“Y”字形,在提取前針對道路對象進(jìn)行分析,選擇合適的特征，實驗區(qū)域如圖4所示。
(1)幾何特征:道路具有相對明顯的幾何特征,整個道路呈現(xiàn)帶狀分布,而且不會突然消失。道路的兩條邊界線一般是平行分布,所以同一條道路的寬度大致相同,而且道路的長寬比值比一般地物的比值都要大。
(2)輻射紋理特征:由于同一段路的質(zhì)地較為均勻,其組成的材料一樣,進(jìn)而顯示比旁邊地物更加明亮,在計算灰度值和紋理值時也更加均勻。
(3)拓?fù)涮卣?一般沒有單獨(dú)存在的一條道路,道路相互交錯聯(lián)結(jié)進(jìn)而形成了道路網(wǎng),道路交叉的地方即是網(wǎng)的結(jié)點,也就是路口,一般路口是“T”“Y”“十”形。
3.1 特征選取
在使用隸屬度函數(shù)分類時,要針對不同的場景、不同的對象選取最適宜的特征,使其在一定的閾值范圍內(nèi)應(yīng)與其他地物有比較明顯的差異區(qū)別[11]。針對道路對象選擇以下特征:
(1)均值
(5)
式(5)中,Vj、n分別表示對象中第j個像元的值和像元的個數(shù);L表示波段。
(2)亮度
(6)
式(6)中,n是波段個數(shù);αj是分割后對象波段j的值。
(3)長寬比
(7)
(8)
(9)
式中,A為分割對象的面積；R為長寬比；W為寬度;L為長度。
(4)標(biāo)準(zhǔn)差
(10)
式(10)中,Vj表示分割后的對象第j個像元的值;βb表示像元均值;b表示波段;n表示像元數(shù)目。
(5)建筑物指數(shù)
IBA=(Blue-Nir)/(Blue+Nir)
(11)
式(11)中,IBA是代拍建筑物指數(shù)BAI;Blue是藍(lán)色波段的反射值;Nir是近紅外波段的反射值。
3.2 影像分割
在使用面向?qū)ο蟮姆诸惙椒〞r,首先需要對影像使用多尺度分割,在面向?qū)ο蟮亩喑叨确指钪?由于沒有統(tǒng)一的固定參數(shù),需要根據(jù)選取的對象進(jìn)行多次調(diào)節(jié)參數(shù)達(dá)到理想值。主要調(diào)試參數(shù)為分割尺度(Scale),形狀因子(Shape),緊致度(Compactness),其中分割尺度主要對分割后的對象進(jìn)行控制,分割后的形狀是由緊致度和形狀因子來控制,通過形狀來控制色彩的準(zhǔn)則[12]。選取多組參數(shù)進(jìn)行調(diào)試,對比結(jié)果如圖5所示。
圖5 不同分割尺度效果圖
從圖5可以看出,在形狀因子和緊致度參數(shù)一致的情況下分割尺度越小分割對象越小;在只有形狀因子改變的情況下,形狀因子越大分割對象的大小差異越小、越完整;在只改變緊致度參數(shù)時,緊致度越小分割后的對象越破碎。經(jīng)過多組的實驗進(jìn)行比較,分割參數(shù)越大,可以看出地物分割后的面積越大,就會分割越明顯的不同地物,也不利于后面的優(yōu)化分割操作,選80 0.4 0.6為分割參數(shù)時,試驗區(qū)分割效果較為理想,道路分割后的圖斑相對完整,能夠與相鄰地物大致區(qū)分開來,但是邊界鋸齒狀嚴(yán)重,不夠光滑,并且也存在道路小圖斑。圖6是利用光譜特性進(jìn)行優(yōu)化分割,可以將細(xì)小的斑塊進(jìn)行合并,能夠看出主要道路經(jīng)過分割合并大致聯(lián)結(jié)在一起。
圖6 eCognition分割結(jié)果圖
3.3 提取結(jié)果
選取了光譜均值、長寬比、標(biāo)準(zhǔn)差等特征進(jìn)行分類提取后道路對象如圖7所示。對提取后的主要道路對象進(jìn)行二值化計算,得到道路的二值圖,進(jìn)而進(jìn)行數(shù)學(xué)形態(tài)學(xué)的腐蝕操作。對已經(jīng)二值化的道路操作可收縮道路骨架,更加有利于之后的細(xì)化追蹤，如圖8所示。將細(xì)化追蹤結(jié)果與影像疊加顯示，如圖9所示。
圖7 eCognition道路提取結(jié)果圖
圖9 細(xì)化道路與影像疊加圖
4 結(jié)束語
從實驗的結(jié)果可以看出,使用面向?qū)ο蟮姆椒▽χ饕缆愤M(jìn)行分割和提取可以取得比較好的結(jié)果,實驗區(qū)域的“Y”字形路口,在進(jìn)行尺度分割時需要大量調(diào)試參數(shù),利用道路對象與周圍場景的差異性,選取其與相鄰地物差別較大的幾何特征,光譜特征組合成模糊集合,通過多特征的隸屬度函數(shù)分類進(jìn)行提取,能夠?qū)⒅饕缆穼ο筇崛〕鰜?。同時面向?qū)ο蟮姆椒ㄍ瑯舆m合各種數(shù)據(jù)源,根據(jù)所需要分類提取的地物來選擇不同的特征,其結(jié)果都是相對可觀的。利用面向?qū)ο蟮姆椒ㄟM(jìn)行道路的半自動提取,主要的道路得到了比較好的結(jié)果,對接下來的城市中比較復(fù)雜的路網(wǎng)結(jié)構(gòu)、非主要道路的提取提供了好的基礎(chǔ)和可行的方法;但是由于分割后的對象邊界不夠光滑,鋸齒狀嚴(yán)重,導(dǎo)致后續(xù)的優(yōu)化操作會使得道路邊緣處有一些分叉現(xiàn)象。針對這樣的問題,在今后的實驗和研究中要尋求更好的解決方案。
猜你喜歡
ELLE世界時裝之苑(2024年5期)2024-05-14 09:45:39
內(nèi)蒙古民族大學(xué)學(xué)報(社會科學(xué)版)(2020年2期)2020-11-06 09:08:52
電子測試(2018年15期)2018-09-26 06:01:34
電測與儀表(2017年24期)2017-12-19 05:15:24
太空探索(2016年5期)2016-07-12 15:17:55
高師理科學(xué)刊(2016年8期)2016-06-15 20:27:45
現(xiàn)代計算機(jī)(2016年12期)2016-02-28 18:35:25
西藏科技(2015年4期)2015-09-26 12:12:58
時代英語·高三(2014年5期)2014-08-26 17:01:17
河南科技(2014年18期)2014-02-27 14:14:53
