利用高分辨率SAR和光学影像的道路提取方法研究文献综述

 2023-08-16 16:22:26
  1. 文献综述（或调研报告）：
  2. 引言

随着遥感技术的发展，道路提取已成为重要的研究课题。道路作为城市系统的骨架，在土地利用和经济活动方面有着具足轻重的作用。有些路面位于成像困难的区域，此时光学传感器很难获取影像，SAR传感器可以不受大气条件的影响，因此可以提供广阔的地球空间覆盖范围。因此，从SAR图像中提取道路是光学遥感器的合适补充或替代。因为光谱特征的复杂和多变性以及道路本身会被其他物体遮挡的不定性，SAR影像提取道路的研究一直在不断进行并取得许多进展。

  1. 研究现状

上个世纪90年代，如何从影像中提取道路已经成为一个值得被研究的问题，提取方法有自动的也有半自动的，通常使用的方法是两步分析法。第一步是特征提取步骤，即增强图像中的道路特征。有多种技术可以解决，1986年Canny使用边缘检测的方法[1]，1999年Chanussot，Mauris和Lambert使用了形态算子来提取[2]，基于Touzi等人开发的基于统计隔性的比率检测算法，大大降低了提点的影响[3]，Dellrsquo;Acqua，Gamba和Lisini等人采用自适应方向滤波[4]，2006年Gamba，Dellrsquo;Acqua和Lisini提出了道路屏蔽滤波器[5]，2010年Deng等人利用基于粒子滤波的高频SAR图像进行道路联合检测[6]，2017年Xu等人利用贝叶斯框架提高了路段提取的准确性[7]。第二步为全局道路网络优化，即利用结构/上下文信息提取最终路网的高层步骤，多从三个步骤进行，先选择种子点，再将种子点连接成一-条线，最后确定这些线路并将其链接起来以形成道路网络。这一步的研究有1995年Vosselman和Dekncht使用的跟踪方法[8]、1996年Barzohar和Cooper使用的动态编程[9]和1998年Tupin等人使用马尔可夫随机场（MRFs）的全局成本函数最小化的工作[10]，2002年Jeon，Jang和Hong的其他工作也使用遗传算法进行这一步[11]，2014年Liu等人使用粒子滤波和蛇模型，改进了粒子多样性会丢失、跟踪过程可能会意外结束的的问题[12]。

在数据融合方面，1997年Hall和Llinas介绍了多传感器数据融合[13]，包括了一些应用、过程模型和应用技术的识别。当涉及到图像融合来解决路网提取问题时，2006年Lisini等人使用特征层次的融合，以改善道路提取的高分辨率图像[14]。2011年Lisini，Gamba和Luebeck提出了一种利用光学和SAR数据提取不同特征道路的方法，并提供了从不同来源融合结果的可能性，利用x波段和p波段的后向散射特性从机载双波段SAR图像中提取道路[15]。2012年Huang等人提出了一种基于新特征融合方法的路线提取方法，即利用两种线状特征的互补信息[16]。2013年，He等人提出了一个基于决策级融合的光学和合成孔径雷达图像新的立体道路网络提取框架[17]。2016年Perciano等人提出了一种新的融合方法，使用了多源数据和新马尔可夫网络(MRF)，能够检测具有不同特征的道路，并减少了约30%的大小使用图模型[18]。

虽然在从SAR图像中提取道路网络方面取得了许多成就，但这类数据受到相关噪声的严重影响，使用现有的方法难以获得良好的结果。由于这项任务的高度复杂性和难度，还有一些问题需要解决。2011年Subash使用扩展的卡尔曼滤波和有效的粒子滤波来从光学图像中自动提取道路[19]。2014年Lu等人的工作有一定的进展，其中作者提出了一种新的方法，基于区域增长算法，这是适用于不同分辨率的SAR图像，该方法以加权比值线检测器作为第一步，采用区域生长法作为第一步，第二步是优化网络[20]。2014年He等人的工作使用了多尺度线性特征检测器和波束线框架，提出了改进的圆形道路表示方法[21]。2019年Zeng等人提出一种路网提取框架，有效去除道路伪边缘并利用一种改进的RG(IRG)算法来重构路网信息[22]。

关于图形模型，许多不同的概念可以使用图表来定义，并且大量的实际问题可以使用这种方法来建模。特别是，概率图模型在不同的研究领域发现了许多发展和应用，因为它们适合通过模拟邻域关系来表示离散数据。此外，这些模型还为定义与图相关的函数处理的理论算法提供了一种有趣的方法。图形模型已经成为图像处理和分析的统一表示，主要是因为它的离散性和数学简单性。特别是MRFs和相关模型，已经被用来解决图像处理的主要问题，如分割/分类，图像处理，特征提取。深度卷积神经网络(Deep Convolutional Networks, DCN)于2012年在ImageNet分类挑战中首次展示了较高的有效性，此后其性能一直在快速提高。2018年Corentin等人做了在高分辨率SAR卫星图像中用于道路分割的三种全卷积神经网络(Fully Convolutional Neural Networks, FCNN)的评估，证明了拟合良好的全卷积神经网络(Fully Convolutional Networks, FCN)作为SAR图像中道路候选提取器的有效性[23]。

  1. 总结

上述算法在某些应用中可以实现良好的性能，但是针对道路提取过程中的噪声影响仍有待研究。为了解决这个问题，尽可能地减少在高分辨率SAR影像的道路提取的过程中存在的相干斑噪声干扰，可以先利用粒子滤波从光学影像中提取道路，得到疑似道路类，使用形态算子提取道路边缘信息，然后利用伪边缘去除算法将边缘信息优化，通过形态学相关算法进行路网的重构，以实现高分辨率SAR影像的道路提取。随着研究的深入，提高高分辨率SAR影像道路提取的精度将成为研究工作的重点。高分辨率SAR可以为道路信息的自动实时监测提取提供全天候条件下详细的地面数据和图像，快速、高效、准确地从高分辨率SAR影像上提取道路有待进一步研究。

参考文献

  1. Canny, J. A computational approach to edge detection. IEEE Trans. Pattern Anal. Mach. Intell. 1986, 6, 679–698.
  2. Chanussot, J.; Mauris, G.; Lambert, P. Fuzzy fusion techniques for linear features detection in multitemporal SAR images. IEEE Trans. Geosci. Remote Sens. 1999, 37, 1292–1305.
  3. Touzi, R.; Lopes, A.; Bousquet, P. A statistical and geometrical edge detector for SAR images. IEEE Trans. Geosci. Remote Sens. 1988, 26, 764–773.
  4. Dellrsquo;Acqua, F., P. Gamba, and G. Lisini. 2005. “Road Extraction Aided by Adaptive Directional Filtering and Template Matching.” In Proc. of URBAN, Vol. 34 (on CD–ROM) Tempe, AZ, March.
  5. Gamba, P., F. Dellrsquo;Acqua, and G. Lisini. 2006. “Improving Urban Road Extraction in High-Resolution Images Exploiting Directional Filtering, Perceptual Grouping, and Simple Topological Concepts.” IEEE Geoscience and Remote Sensing Letters 3 (3): 387–391. doi:10.1109/LGRS.2006.873875.
  6. QIMING DENG, YILUN CHEN and JIAN YANG. Joint detection of roads in multifrequency SAR images based on a particle filter. International Journal of Remote Sensing Vol. 31, No. 4, 20 February 2010, 1069-1077.
  7. Rui Xu, Chu He, Xinlong Liu, Dong Chen and Qianqing Qin . Bayesian Fusion of Multi-Scale Detectors for Road Extraction from SAR Images. International Journal of Geo-Information,20 January 2017.
  8. Vosselman, G., and J. De Knecht. 1995. “Road Tracing by Profifile Matching and Kalman Filtering.” In Proc. Workshop on Automatic Extraction of ManMade Objects from Aerial and Space Images, 2265–2275. Birkhuser Verlag.
  9. Barzohar, M., and D. B. Cooper. 1996. “Automatic Finding of Main Roads in Aerial Images by Using Geometric-Stochastic Models and Estimation.” IEEE Transactions on Pattern Analysis and Machine Intelligence 18: 707–721. doi:10.1109/34.506793.
  10. Tupin, F., H. Maicirc;tre, J.-M. Nicolas, and E. Pechersky. 1998. “Detection of Linear Features in SAR Images: Application to Road Network Extraction.” IEEE Transactions on Geoscience and Remote Sensing 36: 434–453. doi:10.1109/36.662728.
  11. Jeon, B.-K., J.-H. Jang, and K.-S. Hong. 2002. “Road Detection in Spaceborne SAR Images Using a Genetic Algorithm.” IEEE Transactions on Geoscience and Remote Sensing 40 (1): 22–29. doi:10.1109/36.981346.
  12. Junyi Liu, Haigang Sui, Mingming Tao, Kaimin Sun amp; Xin Mei. Road extraction from SAR imagery based on an improved particle filtering and snake model. International Journal of Remote Sensing, 34:22, 8199-8214, DOI: 10.1080/01431161.2013.835082.
  13. Hall, D. L., and J. Llinas. 1997. “An Introduction to Multisensor Data Fusion.” Proceedings of the IEEE 85 (1): 6–23. doi:10.1109/5.554205.
  14. Lisini, G., C. Tison, F. Tupin, and P. Gamba. 2006. “Feature Fusion to Improve Road Network Extraction in High-Resolution SAR Images.” IEEE Geoscience and Remote Sensing Letters 3 (2): 217–221. doi:10.1109/LGRS.2005.862526.
  15. Lisini G., P. Gamba, and D. Luebeck. 2011. “Road Extraction in Urban and Rural Environments Exploiting a Dual-Band SAR System.” 2011 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Vancouver, BC, 3610–3613. doi:10.1109/IGARSS.2011.6050005.
  16. Huang, Z., J. Zhang, L. Wang, and F. Xu. 2012. “A Feature Fusion Method for Road Line Extraction from Remote Sensing Image.” Geoscience and Remote Sensing Symposium (IGARSS), 2012 IEEE International, Munich, 52–55. doi:10.1109/IGARSS.2012.6351639.
  17. He, C., B. Shi, Y. Zhang, X. Xu, and M. Liao. 2014. “Road Extraction for SAR Imagery Based on the Combination of Beamlet and a Selected Kernel.” IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Quebec City, 2257–2260. doi:10.1109/IGARSS.2014.6946919.
  18. T. Perciano, F. Tupina , R. Hirata Jr. b and R. M. Cesar Jr. A two-level Markov random fifield for road network extraction and its application with optical, SAR, and multitemporal data. International Journal of Remote Sensing, 2016 VOL. 37, NO. 16, 3584-3610.
  19. Subash, J. 2011. “Automatic Road Extraction from Satellite Images Using Extended Kalman Filtering and Effificient Particle Filtering.” International Journal of Distributed and Parallel Systems (IJDPS) 2: 135–152.
  20. Lu, P., K. Du, W. Yu, R. Wang, Y. Deng, and T. Balz. 2014. “A New Region Growing-Based Method for Road Network Extraction and Its Application on Difffferent Resolution SAR Images.” IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing PP (99): 1–12.
  21. He, C., B. Shi, Y. Zhang, X. Xu, and M. Liao. 2014. “Road Extraction for SAR Imagery Based on the Combination of Beamlet and a Selected Kernel.” IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Quebec City, 2257–2260. doi:10.1109/IGARSS.2014.6946919.
  22. Tao Zeng , Qiang Gao , Zegang Ding , Member, IEEE, Jing Chen , and Gen Li. Road Network Extraction From Low-Contrast SAR Images. IEEE GEOSCIENCE AND REMOTE SENSING LETTERS, VOL. 16, NO. 6, JUNE 2019.
  23. Corentin Henry , Seyed Majid Azimi , and Nina Merkle. Road Segmentation in SAR Satellite Images With Deep Fully Convolutional Neural Networks. IEEE GEOSCIENCE AND REMOTE SENSING LETTERS, VOL. 15, NO. 12, DECEMBER 2018.

剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付

以上是文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章