基于SLIC超像素的高分辨率遥感影像城镇道路提取.docx

基于SLIC超像素的高分辨率遥感影像城镇道路提取
基于SLIC超像素的高分辨率遥感影像城镇道路提取
摘要：
城镇道路的准确提取在城市规划、交通管理等领域具有重要意义。遥感影像作为获取城市地表信息的重要数据源之一，可以通过图像处理技术来进行道路提取。本文提出一种基于SLIC（SimpleLinearIterativeClustering）超像素的方法来提取高分辨率遥感影像中的城镇道路。首先，利用SLIC算法将原始影像分割为一组基本的超像素。然后，通过颜色特征和纹理特征，对超像素进行分类，将道路类别与非道路类别进行区分。最后，通过形态学操作和连通性分析来消除噪声并连接道路片段，得到完整的道路网络。实验结果表明，该方法在提取城镇道路方面具有较高的准确性和鲁棒性。
关键词：城镇道路提取；遥感影像；SLIC超像素；颜色特征；纹理特征；形态学操作；连通性分析
1.引言
城镇道路作为城市交通网络的重要组成部分，对城市的发展和规划具有重要意义。提取城镇道路在城市规划、交通管理、资源分配等方面具有广泛的应用。传统的道路提取方法主要基于图像处理技术，包括边缘检测、阈值分割、模型拟合等方法，然而，由于道路的复杂性和遥感影像的噪声、光照差异等因素的影响，传统方法在准确性和鲁棒性方面存在一定的局限性。
2.相关工作
近年来，基于超像素的图像分割方法在目标检测、图像处理等领域取得了显著的成果。SLIC超像素算法是一种基于密度聚类的超像素分割方法，能够快速且准确地将图像分割为各个具有语义一致性的超像素。在城镇道路提取方面，一些研究采用SLIC超像素分割方法来提取道路，但这些方法往往只能得到道路的局部片段，无法获得完整的道路网络。
3.方法
本文提出一种基于SLIC超像素的城镇道路提取方法。首先，将高分辨率遥感影像使用SLIC超像素算法进行分割，得到一组基本的超像素。然后，根据超像素的颜色特征和纹理特征，对超像素进行分类，将道路类别与非道路类别进行区分。在分类过程中，我们采用支持向量机（SVM）作为分类器，通过训练样本的特征进行判别。最后，通过形态学操作和连通性分析来消除噪声并连接道路片段，得到完整的道路网络。
4.实验结果
我们在一组高分辨率遥感影像上进行了实验，比较了我们提出的方法与其他道路提取方法的准确性和鲁棒性。实验结果表明，我们的方法在提取城镇道路方面具有较高的准确性和鲁棒性。与传统方法相比，我们的方法能够获得更完整的道路网络，并且对噪声和光照差异具有较好的鲁棒性。
5.结论
本文提出了一种基于SLIC超像素的城镇道路提取方法，该方法通过分割、分类和连接的步骤来提取高分辨率遥感影像中的道路。实验结果表明，我们的方法在准确性和鲁棒性方面具有显著的优势。未来可以进一步研究该方法在大规模遥感影像上的应用，并结合其他方法进行进一步改进。
参考文献：
[1]Ren,F.,Kong,Y.,&Peng,X.(2018).RoadExtractionfromHigh-ResolutionAerialImagesUsingaLarge-ScaleClassificationAlgorithm.RemoteSensing,10(6),954.
[2]Zhang,L.,Zhang,C.,&Du,B.(2015).EffectiveRoadExtractionfromHigh-ResolutionSatelliteImagesBasedonSaliencyAnalysis.RemoteSensing,7(2),2097-2127.
[3]Li,F.,Pan,F.,&Guo,Y.(2017).RoadExtractionfromVHRRemoteSensingImageryBasedonMultifeatureFusionandImprovedSaliencyAnalysis.IEEETransactionsonGeoscienceandRemoteSensing,55(9),5055-5068.
[4]Liu,J.,Zhang,L.,&Li,H.(2019).RoadExtractionfromHigh-ResolutionRemoteSensingImagesUsingSpatialContextualFeaturesandConditionalGenerativeAdversarialNetworks.RemoteSensing,11(4),474.