Semi automatic road extraction from digital images
Abstract
Road extraction from digital images is of fundamental importance in the context of automatic mapping, effective urban planning and updating GIS databases. Very high spatial resolution (VHR) imagery acquired by airborne and space borne sensors is the main source for accurate road extraction. Manual techniques are fading away as they are time consuming and costly. Hence, road extraction method that is significantly more automated has become a research hotspot in remote sensing information processing. This paper proposes a semi-automatic approach to extract different road types from high-resolution remote sensing images. The approach is based on edge detection and SVM and mathematical morphology method. First the outline of the road is detected based on Canny operator. Then, Full Lambda Schedule merging method combines adjacent segments. Then the entire image was classified using Support Vector Machine (SVM) and various spatial, spectral, and texture attributes to form a road image. Finally, the quality of detected roads is improved using morphological operators. The algorithm was systematically evaluated on a variety of satellite images from Worldview, QuickBird and UltraCam airborne Images. The results of the accuracy evaluation demonstrate that the proposed road extraction approach can provide high accuracy for extraction of different road types.
Keywords
- Road extraction;
- SVM;
- Full Lambda;
- Morphological operators
1. Introduction
Road extraction from aerial and satellite images is of great importance for urban and transportation planning, urban disaster management and automotive navigation (Mena, 2003).
With the development of high resolution optical satellite imagery, large volumes of spatial and spectral data are available. In order to take advantage of these data accurate and efficient information extraction methods are crucial in remote sensing (Salehi et al., 2010). Manually extracting roads from digital imagery, although has high accuracy, but in terms of time and cost is not cost-effective especially when the scenes are very complex. Therefore, it is urgent to develop a semi-automatic/automatic road extraction method. In the literature, an automatic method implies a fully automatic process. An automatic road extraction method based on different Morphological direction filtering and road intersections is presented byAhmed and Rahman (2011). An automatic road detection approach in urban region based on preprocessing to reduce the unwanted objects and extraction of road segments using texture progressive analysis and normalized cut method is proposed by Senthilnath et al. (2009). Pankaj et al. proposed a road network segmentation technique using adaptive global thresholding along with morphological operations (Singh and Garg, 2013). Road regions are segmented using average intensity values, and morphological operators are used for further processing. They gave experimental result for an image and evaluated their work by measuring quality parameters. Theoretically, a fully automatic approach requires no human intervention, but this is not practical (Subash, 2011). There are some limiting factors of automatic extraction of roads such as background coverage, features in the neighborhood of the road, complications such vehicles on roads, bridges, and their shadows. Moreover, problems that are created by shadows, clouds, error of sensor, etc., increase the complexity. In semi-automatic method, operator plays an important role at the first stage of extraction of the road. Therefore, human knowledge plays an important role in the correct identification and segregation of different objects. A semi automatic road network extraction method based on neural-dynamic tracking framework is presented inWang et al. (2015) and Chaudhuri et al. (2012) proposed a semi-automatic method for urban road extraction based on customized directional morphological filter and a set of post-processing steps, including hole-filling, pruning, and segment linking (Huangensp;et al., 2014 ; Sghaier and Lepage, 2016) applied multi kernel SVM for multi-index learning, to separate the road class from other classes a set of indices such as morphological shadow index, morphological building index and variation indices based on the wavelet transform were employed. Miao et al. (2015) presented a semi-automatic object-based method. The proposed method consisted of five main steps. First, satellite images were segmented to generate objects. Then, object-based Frangirsquo;s filter (OFF) and object-based shape filter (OSF) were applied to compute object features to select road candidates. After that, the road class is extracted using the support vector machine (SVM) based on the extracted f
剩余内容已隐藏，支付完成后下载完整资料
从数字图像里半自动法提取道路
摘要
从数字图像里进行道路提取，对于自动映射、有效的城市规划和更新地理信息系统数据库有着根本的重要性。高的空间分辨率（VHR）图像的机载和星载传感器是进行准确的道路提取的主要来源。手工技术正在逐渐消失，因为进行手工提取需要消耗大量时间，也有十分昂贵的人工成本。因此，更加自动化的道路提取方法已经成为了遥感信息处理领域的研究热点。本文提出了一种半自动的方法来从高分辨率遥感图像中提取不同的道路类型。该方法是基于边缘检测和SVM和数学形态学方法。首先基于Canny算子检测道路轮廓。接着，用完整的lambda调度合并方法结合相邻段。然后，对整个图像进行分类，使用支持向量机（SVM）和各种空间、光谱和纹理属性来形成道路图像。最后，检测到的道路质量通过运用形态学算子得到了提高。从Worldview、 QuickBird和ultracam机载图像里关于各种卫星图像对这个算法进行了评价。精度评价结果表明，所提出的道路提取方法可以提供高精度提取不同的道路类型。
关键词 ：道路提取；SVM；Full Lambda；形态学算子
1. 简介
从空中和卫星图像的道路提取对于城市和交通规划，城市灾害管理和汽车导航是非常重要的。（曼娜，2003）。随着高分辨率光学卫星图像的发展，大量的空间和光谱数据能够轻松得到。为了充分利用这些准确的数据和有效的信息提取方法，遥感是至关重要的（萨利希等人，2010）。手动提取的数字图像的道路，虽然具有较高的精度，但在时间和成本方面是不符合成本效益的，特别在场景非常复杂的情况下。因此，迫切需要开发一种半自动道路自动提取方法。在文献中，自动的方法意味着一个完全自动化的过程。
Ahmed 和 Rahman提出了一种基于不同形态方向滤波和道路交叉口的道路自动提取方法。Senthilnath等人提出了一种自动的道路检测方法：在城市地区，基于预处理以减少不必要的对象和使用纹理递进分析道路段提取的归一化方法（2009）。Pankaj等人提出了基于自适应技术的使用形态学操作的公路网综合分割阈值法（Singh and Garg，2013）。道路区域分割使用平均强度值，形态算子用于进一步处理。通过测量质量参数，他们给出了实验结果的图像和评估他们的工作。从理论上讲，一个完全自动化的方法不需要人工干预，但这是不现实的（Subash，2011）。有一些限制因素的自动提取的道路，如背景覆盖、附近的道路上的物体、障碍物如车辆在道路上、桥梁和他们的影子。此外，阴影、云、传感器的问题等等，增加了复杂性。在半自动方法中，算子在道路提取的第一阶段起着重要的作用。因此，人类知识对于正确识别和分离不同的对象起着重要的作用。Wang和其他人提出了一种基于神经网络动态跟踪框架的半自动道路网提取方法（2015）。Chaudhuri等人提出半自动提取方法研究城市道路定向形态滤波器处理步骤。包括孔填充，修剪，和段连接（黄等人，2014 ）应用多核支持向量机来多指标的学习，将道路等级从其他类等一系列形态的影子指数、形态分类指数和变化指数基于小波变换采用中分离开来。Miao等人提出了一种基于对象的半自动的方法，提出的方法包括五个主要步骤。首先，卫星图像被分割以产生对象。然后，将基于对象的Frangi过滤器（OFF）和基于对象的形状过滤器（OSF）应用于计算对象特征以选择候选人。之后，基于提取的特征集，使用支持向量机（SVM）提取道路类。最后，叠加投票（TV），主动轮廓和几何信息进行整合，消除道路间隙，提高道路平滑度。在最近的一项研究中（Khesali等人，2016），提出了基于两种融合方法的半自动路径提取方法，包括神经网络和基于知识的融合。第一种方法包括两个阶段：使用每个数据集的单独道路检测和使用神经网络获得的结果的融合。 第二种方法是使用狭窄道路和基于知识的植被灰度级阈值的的融合。在本研究中，为了实现提出的半自动提取系统，首先对图像进行预处理，包括对比度增强，使用直方图线性调整。 然后，使用全Lambda方法进行图像分割，并使用SVM算法进行图像分类和提取道路。 最后，为了去除与课程无关的噪点和像素，并提高系统的准确性，使用了形态破坏和关闭功能。
本文的主要目的是提出一种结合边缘检测和SVM技术半自动的提取不同类型道路的方法。作为应用，所提出的方法用于从诸如worldview，QuickBird和UltraCam图像的高分辨率遥感图像中提取道路。
2.材料和方法
2.1. 数据
在本研究中，使用了设拉子地区的UltraCam空中数码相机图像（a），Ahvaz的WorldView图像（b）以及德黑兰的QuickBird图像（c）。 UltraCam空中数码相机在蓝色，绿色，红色和近红外光谱范围内产生大小为2672times;4008像素的多光谱图像，同时产生尺寸为7500times;11,500像素的全色图像。 在全色带中，像素的物理尺寸为9mu;，这导致高的空间分辨率和高度。 例如，在330和1.400米的高度，全色和多光谱带的分离将分别为3和12.5厘米（Leberl和Gruber，2005）。
2.2. 方法
在本文中，提出了半自动方法来检测高分辨率卫星图像中的道路，即WorldView和QuickBird以及UltraCam航空图像。所提出的方法是基于四个主要步骤的。 首先，canny边缘检测器用于从图像中分割道路。 其次，适用于组合相邻段的全Lambda日程表合并方法。 第三，支持向量机（SVM）用于对整个图像进行分类。 最后，进行诸如膨胀、侵蚀、打开和关闭技术之类的形态操作以去除不需要的物体。
2.2.1 图像分割
图像分割的主要目的是将图像划分为具有类似属性的区域，如灰度级、颜色、纹理、亮度、对比度等。图像分割的概念是基于灰度级的不连续性或相似性。在图像中，对象和背景之间的边界或重叠对象之间的边界可以被定义为边。如果假设每个物体的强度是持续的，并且与相邻物体的强度相比较，强度的任何显着变化都可以被定义为边缘。执行边缘检测有许多方法。然而，最多可以分为三类：梯度（一阶导数逼近）、拉普拉斯算子（Zero Cross Detection）和图像近似算法。 Canny边缘检测器计算平方梯度幅度。高度的梯度大小的局部最大值被标识为边。在图像被分割之后，其相邻区域可以被合并以根据它们的相似度形成较少片段的分割。完整的lambda调度算法（FLSA）被开发为一种快速有效的合并算法。
Redding等人的完整的lambda调度算法（1999）用于图像分割保持了所有相邻对的对的合并成本（由Mumford-Shah功能测量）的列表，并且在每个步骤中选择从列表合并的最佳对。这是通过使用Mumford-Shah能量功能和复杂的数据结构完成的。这种功能还通过根据边界的总体模型复杂度折中所有区域的总模型拟合误差来提供分割的“好”度量。根据这个观点，良好的分割不仅允许图像模型具有小的总误差，而且具有简单的边界。因此，目的是找到最小化功能的分割。在Mumford-Shah能量函数中，对边界复杂度的模型拟合误差的折衷由lambda;表示的正则化参数控制。参数lambda;作为边界复杂度的加权应用。因此，如果lambda;增加，边界复杂度的惩罚就会增加，导致较粗的分割。相反，如果lambda;减小，边界复杂度的降低就会降低，导致更精细的分割。
2.2.2. 支持向量机分类（SVM）
支持向量机是用于分类和归一化的监督学习方法之一。 SVM分类的基本思想是将多维数据映射到更高维度的空间，使得有一个云页面，可以用于原始数据的线性区分。 SVM使用内核技巧，转换数据，然后根据此转换找到可能的结果之间的最佳边界。换句话说，它执行非常复杂的转换，然后确定如何根据定义的输出或标签分离数据。可以应用四种不同的SVM内核对图像进行分类。这些内核包括：线性、多项式、径向基函数（RBF）、以及在这项研究中使用径向基函数的S形。 Gamma、罚分和纹理核大小的参数分别为0.03,100和3。阈值也被认为是5％，这意味着任何一个信任度小于5％的细分类别将被设置为未分类。最佳分类的标准被确定为可以线性分析的几何数据收集。假设有L个观察结果，每个观察都包括输入向量是双态向量（-1或 1）的对。因此，不同类别之间的边界（边际）最大化，并防止课堂间的干扰（Zhang 等人，2012）。基于使用线性模型难以分离它们的类的训练数据，支持向量机最优化分类，通过重复，数据转换和拟合云页面在n维空间中分离这些类，使用拉格朗日乘数和核函数（例如多项式）。支持向量机与人工神经网络方法类似，需要进行输入层和输出层的多对和多类策略。由于SVM本质上是二进制分类器（Melgani和Bruzzone，2004），但是存在可以适应与遥感研究相关的多类任务的策略。两种常见方法是一对一（1A1）和一对一（1AA）技术。如前所述，SVM分类本质上是一种二进制（two-class）分类技术，必须对其进行修改，以处理现实世界中的多类任务。从卫星图像推导土地覆盖信息。实现这种适应的两种常见方法包括1A1和1AA技术。 1AA方法代表了最早和最常见的SVM多类方法（Melgani和Bruzzone，2004），并且涉及将N类数据集划分为N个两类情况。另一方面，1A1方法涉及为每对产生N（N-1）/ 2台机器的机器构造机器。当应用于测试点时，每个分类给获胜者一票，该点被标记为具有最多票数的类。这种方法可以进一步修改，以给予投票过程的权重。在本实验中，使用1A1技术将二进制SVM分类器扩展到多类任务。
2.2.3. 形态运算符
在本研究中，使用形态学运算符进行后处理，提高获得的道路类的准确性。在这项研究中使用的最重要的运营商是开放和Erode。形态函数是基于集理论在图像处理中的应用。一般来说，操作人员会去除非道路噪声和像素，填补道路上的空白，提高分类精度。为了这个目的，打开操作者被用于获得的二进制图像以去除粗糙度。该部分中使用的结构元件的尺寸取决于所得图像的深度和粗糙度。如打开运算符的数学定义可以证明，该运算符获得的图像是原始图像的一个子集，这样可以确保在二进制图像中不添加非1值的区域。打开操作者作用于二进制图像导致图像的窄连接已经被去除并且获得平滑的图像。接下来，使用腐蚀形态算子去除较小的部分，提取最佳区域（Gonzalez等人，2007）。
2.2.4. 精度评估
为了评估提取的道路的准确性，从图像中选择前100个样本，然后将这些样本中的一半用作分类的训练区域，并将其他样本用于准确度评估，并计算混淆矩阵及其参数 ，包括总体准确性和kappa系数的分类误差。 精度评估分两个阶段进行。 第一阶段是应用后处理操作员，其参数由OA，Kappa，C，O显示，其代表总体准确性，kappa系数，佣金错误和省略错误。 第二步是在应用形态运算符后估计精度和误差。 通过比较这些参数在应用形态运算符之前和之后的相应值，可以理解这些运算符改进其结果的作用。
2.2.5. 评估道路提取结果
将提出的方法的性能与从图像中手动提取的地面实况进行比较。 将应用形态运算符前后得到的结果与本参考文献进行比较，。针对各种卫星和机载图像的方法，对总体精度和卡帕系数等精度进行了评估。
评价结果表明，一般来说，提取精度，在应用形态学运算符后，分类误差（O，C）会降低，从而导致道路提取结果更好。 Kappa系数也表现出相比随机分类最差的分类精度，如图像后处理后的整体精度。 kappa系数的分类精度的提高比整体精度参数更重要。
由于区域特征缺乏多样性，道路和背景灰度的明显差异，UltraCam航空图像与其他图像相比具有更准确的结果。 在World View图像中，由于像素和背景之间的相似性较大，并且其交叉路口与UltraCam航空图像的精度也较低。 QuickBird图像也是由于道路像素和背景像素的城市复杂纹理和更多的相似性，道路形状不同，结果不太准确，提出的方法在成功道路提取方面面临困难。
实验结果与讨论
尽可能地，我们尝试使用具有不同形式道路的图像来检查所提出的方法的优点和局限性。 提出的UltraCam航空图像方法的不同步骤的结果如图所示。使用自适应坎尼边缘检测器的分段结果如图（b）所示。图（a）是所需区域的原始图像。 使用自适应坎尼边缘检测器的分段结果如图（b）所示。 所得道路区域分割图像由一些不需要的区域组成。 图（c）是监督SVM分类的结果。图（d）是在应用形态运算符之前从图像中提取的道路，3（e），显示了应用形态学运算符后的结果。可以看出，应用这些运算符可以消除图像上的非道路噪声和像素，并填补道路中的间隙，提高提取精度。
图（a）-（e）说明了非城市地区世界景观形象的道路提取阶段。图（a）所示的区域的原始图像。图（b），使用canny操作符显示分割图像。图（c）示出了图像上的监督分类SVM的结果。所得到的图像由于道路上的物体或沿着道路的树木而具有孔，如绿色圈圈区域所示。图 （d）显示了在应用形态运算符之前提取的道路。使用形态打开操作进一步过滤所得图像以除去不需要的部分。因此，使用形态运算符提高了提取道路的精度，如图（e）所示。
提出的方法在交汇路上实施如图 （a）-（e），从市区的QuickBird图像显示道路提取阶段。图（a）示出了所需区域的原始图像。图（b）通过使用canny边缘检测器显示分割图像。在这个形象中，由于道路有交叉路口，还有桥路通道，所提出的方法面临一些困难。如图所示。如图（c）所示，使用SVM的图像分类，特别是在角落和十字路口的图像分类精度较低，道路像素专用于非道路像素，反之亦然。在图（d），表明在应用形态运算符之前提取的道路，可以发现差异和困难，这些地区的道路提取是困难的。图（e）中使用形态算子，已经删除了一些不需要的地方。 剩余内容已隐藏，支付完成后下载完整资料
资料编号：[137798]，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。
