关键字 |
| 遥感，Liss IV数据，近红外波段，高斯同态滤波，分割技术。 |
我的介绍。 |
| 在遥感中，通过安装在飞机或航天器平台上的传感器来测量earthâÂ′Â′s表面发出的能量。能量可以反射阳光，因此所记录的图像在许多方面类似于我们从飞机上看到的earthâÂ′Â′的表面，尽管遥感中使用的波长通常超出了人类的视觉范围。电磁能由几种机制产生，包括电子能级的变化、电荷的加速、放射性物质的衰变以及原子和分子的热运动。太阳内部的核反应会产生全光谱的电磁辐射，这些辐射在太空中传播而不会发生重大变化。当这种辐射接近地球时，它会在到达EarthâÂ′Â′s表面之前穿过大气层。有的是从EarthÃ①Â的表面向上反射的;正是这种辐射构成了照片和类似图像的基础。现有不同类型的卫星数据，如全色数据(单波段)、多光谱数据(最多10个波段)和高光谱数据(10至200个波段及以上)。Liss IV数据就像一个多光谱数据，包含绿色波段(0.52 ~ 0.59μm)、红色波段(0.62 ~ 0.68 μm)和近红外波段(0.77 ~ 0.86 μm)，每数字数的分辨率为5米。红外波段仅应用于图像增强和分割技术。 |
2相关工作 |
| 一种利用矢量道路辅助生成航空图像拼接接缝的新方法[3]。一种利用立体航空图像进行农村地区三维道路提取的半自动方法。基于动态规划算法的道路提取策略为目标空间中的道路提取问题提供了解决方案。提取过程首先测量立体对图像中的几个种子点，然后将这些种子点转换为物体空间参考系统。该方法是有效的，通常能提供准确的道路中心线[4]。该方法利用道路分段的特性，开发自定义算子，准确地推导出道路分段。自定义算子包括定向形态学增强、定向分割和细化。在IKONOS, Quick Bird, CARTOSAT-2A[5]的各种图像上系统地评估了该算法。提出了一种基于方向的累积投票技术来评估道路各路段的可靠性。最后，将推断出的道路特征反投影到深度和强度图像上，验证其有效性。 Although experimental results show a good completeness and correctness, the proposed method is limited only to linear road extraction [6]. A road damage extraction method based on object-oriented change detection method using road vector data overlaid on post-earthquake image. It is complex to identify all kinds of road damages in earthquakes. For the purpose of traffic capacity analysis, focusing on roads in good condition will simplify the problem, no matter how the roads are destroyed. The whole road line is provided by road network vector of appropriate scale [7]. The common road extraction from high-resolution imagery is based on spectral information only; it is difficult to separate road features from background completely, and a thinning algorithm always results in short spurs which reduce the smoothness of the road centerline. To overcome the aforementioned shortcomings of the common existing road centerline algorithms, this letter presents a new method to extract the road centerline from high-resolution imagery based on shape features and multivariate adaptive regression splines (MARS), in which potential road segments were obtained based on shape features and spectral feature, followed by MARS to extract road centrelines. Two experiments are performed to evaluate the accuracy of the proposed method [8]. Above works are road extracted from various satellite images except Liss IV data. |
3提出工作 |
| A.研究区域 |
| 研究区域位于印度泰米尔纳德邦。该研究范围位于泰米尔纳德邦马杜拉伊地区。从以上信息报告的范围和经度值得考虑。以上信息围绕电磁范围传递速度集中了街道、建筑、植被区域、山川、水键等多种项目的超自然数据。另一方面，这些信息只保护了海洋或海洋以外的区域表面。 |
| B.特征选择 |
| 本文的工作就是从上述遥感信息中提取道路信息。光的源头和电磁范围的幻影数据路的幻影数据极好地反映在近红外波段。从近红外波段提取的道路信息，用于测绘和全球定位系统。近红外波段是从三个波段中选择的。这样，我们就不需要在这三个波段上进行组合。这一近红外波段必须包含不同类型的街道，例如，国家高速公路、州高速公路和马杜赖市街道在这一波段内。 |
| C.Input形象 |
| 输入图像考虑测试图像选取区域，仅从近红外波段裁剪。公路分为国道、国道、十字路口、农村公路、机场等六种类型。每张图像大小为256 × 256像素，从原始数据裁剪而无需调整大小。这些图像可能裁剪没有损失的信息和原始图像文件格式。这个波段已经记录了5.8米每像素的分辨率，因此裁剪的图像有256x256像素，它可能覆盖地球表面1.280平方公里。利用现有算法和提出的算法对从原始数据中裁剪的区域图像进行道路检测。 |
| 上述输入图像可能在各种滤波技术中给出，用于增强和从图像中去除噪声，并完成此预处理步骤。增强后的图像进行道路分割测试。 |
D:高斯同态滤波器图像增强 |
| 图像增强是遥感数据特征提取的一个广泛的研究领域和预处理。在图像处理系统中，有许多图像处理增强技术。其中非常重要的域是空间域和频率域。噪声是图像中不需要的组成部分，它出现在图像中有很多原因。同态滤波是一种基于频域的图像增强技术。这是图像处理和符号处理的一种通用技术，涉及到一个非线性映射到各个域，其中应用线性滤波技术，然后映射到原始域。同态滤波是同时对图像的亮度进行归一化和提高对比度。这里用同态滤波器去除高斯噪声。 |
高斯噪声 |
| 高斯噪声是概率密度函数等于正态分布的统计噪声，也称为高斯分布[9][10]。数字图像中高斯噪声的主要来源是在采集过程中产生的。例如，这些传感器噪声是由低照明[11]引起的。在数字图像处理系统中，使用空间滤波器和频率滤波器可以降低高斯噪声，但可能会导致密封良好的图像边缘模糊，并对应于阻塞的高频[12]。噪声所能承受的高斯值是高斯分布的。高斯随机变量z的概率密度函数p由 |
 eq。(1) |
| 其中z为灰度级，μ为平均值，σ为标准差[13]。该高斯噪声应用于同态滤波技术。因此，它被称为基于高斯噪声的同态滤波或高斯同态滤波器。在同态滤波中，通过取图像强度的对数使光照和反射率相加。因此，图像的这些分量可以在频域内线性分离。增加高频分量，假设低频分量主要代表图像中的反射率，假设低频分量主要代表图像中的照度。 |
| 同态滤波器的作用是降低低频，增加高频。对于遥感图像，通过同态滤波将对比度扩展到较低的灰度级，增强了对比度。在对数强度域[14]中用于抑制低频和放大高频的高通滤波器。最后一步是应用指数函数对对数变换进行逆变换，得到基于高斯的同态滤波图像。图5.1 ~ 5.6为高斯同态滤波结果，表1.1为高斯同态滤波器的PSNR值。 |
四、比较分析 |
| 利用现有的基于遗传算法和基于主动轮廓模型的分割算法对liss iv数据中的道路提取进行了比较。 |
a .基于遗传算法的分割 |
| 在遗传算法中，一组被称为染色体的字符串，编码优化问题的候选解决方案，朝着更好的解决方案进化。进化通常从一个群体随机产生的个体开始，并在几代中发生。在每一代中，评估群体中每个个体的强度，并从当前群体中随机选择多个个体(基于它们的适应度)并进行修改(交叉和突变)以形成新的群体。图像分割是将输入图像分割成不重叠区域的过程。每个区域都是同质且相互连接的。任何两个空间相邻区域的并集都不是齐次的。 |
| 分割图像中的各个区域必须满足同质性和连通性。如果所有的区域皮满足每一个或多个像素属性(如强度、颜色、纹理等)定义的同质条件，则该区域被认为是同质的。如果区域内任何两个像素之间存在连接路径，则该区域被连通。如果I是所有图像像素的集合，H(.)是定义在连通像素组上的同质谓词，则图像分割是将I分成连通子集{S1,S2，.....，Sn}如此 |
 (2)式。 |
| 同质谓词是 |
 eq。(3) |
| 这种图像划分的计算具有很高的组合复杂度。没有针对所有分割情况的通用解决方案。由于求解空间很大，遗传算法被许多研究者采用。应用GAÃⅱÂ′Â′s对各种分割技术参数进行优化，并开发新技术。现代分割技术之一是由能量函数和可能的形状变形引起的形状描述。在红外图像中道路边界检测中，道路形状用不规则参数椭球来描述 |
 eq。(4) |
| 对图像进行形状拟合，采用最小的能量函数。 |
 (5)式。 |
 eq。(6) |
| 你在哪里pw是后壁和U的能量函数年代为间隔能量，gmax(j)为向椭球边界法线方向的最大梯度。 |
| 每个椭圆轮廓被编码为一个染色体，基因包含椭圆轮廓的谐波分量和两个位置元素。遗传算法尝试用最小能量函数U引导轮廓线对超声心动图图像进行最优分割，提取心脏边界。通过可调参数范围将图像知识纳入优化过程，实现精细分割。这种方法允许分割心脏边界不完整的图像，并增加对噪声的抵抗力。Lucia Ballerini利用遗传算法对蛇类算法参数优化进行了广泛的研究。Cagnoni等人利用弹性轮廓模型对医学图像进行分割，以寻找特定的解剖结构。他们使用遗传算法优化蛇形算法的能量函数，从而将轮廓驱动到最优位置。 |
B.基于主动轮廓模型的分割 |
| 像蛇一样的主动轮廓模型的基本思想是进化出一条曲线，并受到给定图像的约束，以便检测图像中的道路或线条。例如，从待检测对象周围的一条曲线开始，该曲线向其内部法线移动，并必须在对象[15]的边界上停止。 |
| 在经典的蛇形和活动轮廓模型中，使用边缘检测器，根据图像的梯度，在期望物体的边界上停止进化曲线。因为所有这些经典的蛇形和活动轮廓模型都依赖于边缘函数，依赖于图像梯度来停止曲线演化，这些模型只能检测到由梯度定义的边缘的物体。在实践中，离散梯度是有界的，在边缘上停止函数永远不为零，曲线可能会穿过边界。如果图像噪声很大，那么各向同性平滑高斯必须很强，这也会平滑边缘。有不同的活动轮廓模型，不包含停止边缘函数，即不基于图像梯度的停止过程模型。停止项基于Mumford-Shah分割技术。通过这种方式，我们得到了一个可以检测有或没有梯度的轮廓的模型，例如具有非常光滑边界的物体，甚至具有不连续边界的物体。此外，我们的模型具有水平集公式，内部轮廓被自动检测，初始曲线可以在图像中的任何位置。活动轮廓模型详见[15]。 |
五、业绩结果 |
| 这些算法在MATLAB中实现并进行了测试。以上算法仅使用精度等性能指标进行比较。我们考虑了使用性能指标的特定数据的最佳道路分割算法。我们的结果表明，基于性能指标的liss iv数据中的道路提取，并确定了最佳的分割算法，如基于主动轮廓模型的分割。主动轮廓模型分割结果如图1.1至图11.6所示。表1给出了遗传算法(GA)和活动轮廓模型(ACM)的精度值。图1.7显示了GA和ACM的性能变化。工作流程图如图1.8所示。 |
 |
六、结论及未来工作 |
| 结果表明，基于遗传算法的道路分割和基于主动轮廓模型的道路分割是一种比较有效的方法。最后，基于性能指标评价的主动轮廓模型适用于Liss IV数据中的道路提取。Liss IV红外波段每像素有5.8米分辨率，所以这是低能见度，从Liss IV数据中提取街道道路非常复杂。我们可以在未来的工作中使用非常高分辨率的图像，比如1米以下的分辨率适合从卫星图像中提取街道道路。 |
表格一览 |
 |
| 表1 |
|
|
数字一览 |
|
|
|
参考文献 |
- 约翰·理查兹。贾秀平，“遥感数字图像分析-导论第四届EditionÃⅱÂ′Â′，施普林格柏林海德堡纽约，ISBN-13 978-3-540-25128-6。
- James B.Campbell和Randolph H. Wynne，“远程介绍Sensingâ '  '，第五版，吉尔福德出版物，ISBN 978-1-60918-176-5。
- 万友川，王栋梁，肖建华，王翔，余永胜，徐敬忠，“基于矢量道路的航空图像拼接拼接方法”，遥感学报，2012年5月，第9卷第3期
- Aluir P. Dal Poz, Rodrigo A. B. Gallis, João F. C. da Silva和Érico F. O. Martins，“利用立体航空图像提取农村地区的物体空间道路”，IEEE地球科学与遥感通讯，第9卷，第4期，2012年7月。
- D. Chaudhuri, N. K. Kushwaha，和A. Samal，“基于方向形态学增强和分割技术的高分辨率卫星图像半自动道路检测”，《IEEE应用地球观测和遥感选刊》，第5卷，第5期，2012年10月。
- 赵家平，尤素雅，黄静，基于机载激光雷达数据的道路网络快速提取与更新，电子工程学报，2012
- 龚丽霞，安立强，刘明忠，张景发，“基于高分辨率RsImage的道路损伤检测”，电子工程学报，2012
- 苗泽朗，石文忠，张华，王欣欣，“基于形状特征和多元自适应回归样条的高分辨率图像中线提取”，遥感学报，2013年5月，第3期
- TudonBarbu，“基于扩散多孔介质流的变化图像去噪方法”，2013。Doi: 10.1555 / 2013/856876。
- 巴里·特鲁克斯主编，《声学生态学手册》，剑桥街头出版社，1999年。
- philippecattin，图像恢复:信号和图像处理导论，MIAC，巴塞尔大学，2013。
- Robert fisher, Simon Perkins, Ashley walker, Erik Wolfart，“图像合成噪声生成”。
- 黄涛，g.y yg, G.Tang，“一种快速二维中值滤波算法”，IEEE trans。声学，语音信号处理，第27卷，no。1，第13-18页，1979。
- Douglas B.williams和Vijay Madisetti，“数字信号处理手册”，1999。
- Tony F. Chan和Luminita A. Vese，“无边缘的活动轮廓”，IEEE图像处理汇刊，第10卷，第2期，2001年2月。
- Manisha Sharma和VandanaChouhan。(2012)。目的评价图像分割算法参数。国际工程与先进技术杂志(IJEAT) ISSN: 2249 - 8958，第2卷，第2期。
|
传记 |
| T.Ganesh Kumar和Manish T.I是蒂鲁奈维利Manonmaniam Sundaranar大学计算机科学与工程系的研究学者。他们拥有印度蒂鲁奈维利Manonmaniam Sundaranar大学计算机科学与工程硕士学位。Dr.D.Murugan是印度蒂鲁奈维利Manonmaniam Sundaranar大学计算机科学与工程系的副教授。他是两项资助研究项目的首席研究员，如印度政府、科学与工程研究委员会、印度政府科学技术部的教资会重大项目。 |
菜单
eq。(1)
(2)式。
eq。(3)
eq。(4)
(5)式。
eq。(6)
