自适应聚类学习的道路网提取方法

doi:10.13474/j.cnki.11-2246.2018.0345

测绘通报 ›› 2018, Vol. 0 ›› Issue (11): 30-35.doi: 10.13474/j.cnki.11-2246.2018.0345

自适应聚类学习的道路网提取方法

陈光^1,2, 薛梅^1,2, 陈良超^1,2, 眭海刚³

1. 重庆市勘测院, 重庆 401121;
2. 智慧城市时空大数据重庆市工程研究中心, 重庆 401121;
3. 武汉大学测绘遥感信息工程国家重点实验室, 湖北武汉 430079

收稿日期:2018-02-24 出版日期:2018-11-25 发布日期:2018-11-29
作者简介:陈光(1984-),男,博士,高级工程师,主要研究方向为遥感影像处理与信息提取、三维GIS应用。E-mail:teddycg@qq.com
基金资助:
国家重点研发计划（2018YFB0505400）；重庆市社会事业与民生保障科技创新专项（cstc2017shmsA120008）；2018年重庆市技术创新与应用示范（产业类）重大主题专项（cstc2018jszx-cyztzx0057）

Extraction Method of Road Network Based on Adaptive Clustering Learning

CHEN Guang^1,2, XUE Mei^1,2, CHEN Liangchao^1,2, SUI Haigang³

1. Chongqing Survey Institute, Chongqing 401121, China;
2. Chongqing Engineering Research Center of Spatiotemporal Big Data in Smart City, Chongqing 401121, China;
3. State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China

Received:2018-02-24 Online:2018-11-25 Published:2018-11-29

摘要/Abstract

摘要：

针对复杂场景道路样本特征异质性导致的分类器过拟合问题，本文提出了一种基于自适应聚类学习的道路网自动提取方法。方法以高分辨率遥感影像和旧时相路网矢量数据为输入，在矢量数据引导下自动获取对象化的正负样本；提出了一种道路样本自适应聚类策略，根据集合内特征分布情况重组样本，并分别训练分类器进行道路提取；最后利用多数投票方法集成多组道路提取结果。基于大场景数据的试验结果表明，本文方法能够有效地顾及不同特征的道路对象，定量的试验比对结果进一步表明了方法的适用性。

关键词: 道路提取, 聚类, 遥感影像, 导航路网, 支撑向量机, 面向对象

Abstract:

Aiming at the problem of over fitting of classifiers caused by the heterogeneity of road samples in complex scenes,this paper proposes an automatic road-network extraction method based on adaptive clustering learning.Method takes high resolution remote sensing image and older road-network as input data.Positive and negative samples are automatically acquired by the guiding of road-network.Then authors present an adaptive clustering method for road samples,which is based on the feature distribution in sample-set.Road extraction results are integrated by the majority voting method.The experimental results based on large scene data show that the proposed method can effectively take into account the different features of road objects.Quantitative experimental comparison of the results further shows the applicability of the method.

Key words: road extraction, clustering, remote sensing image, navigation road network, SVM, object-oriented

中图分类号:

P237

陈光, 薛梅, 陈良超, 眭海刚. 自适应聚类学习的道路网提取方法[J]. 测绘通报, 2018, 0(11): 30-35.

CHEN Guang, XUE Mei, CHEN Liangchao, SUI Haigang. Extraction Method of Road Network Based on Adaptive Clustering Learning[J]. 测绘通报, 2018, 0(11): 30-35.

参考文献

[1] 张道兵,刘波,王宏琦.基于平行活动围道模型的高分辨率遥感影像城区主干道路段提取[J].光子学报,2007,36(7):1345-1350.
[2] GROTE A,HEIPKE C,ROTTENSTEINER F.Road Network Extraction in Suburban Areas[J].The Photogrammetric Record,2012,27(137):8-28.
[3] 吴田军,骆剑承,夏列钢,等.迁移学习支持下的遥感影像对象级分类样本自动选择方法[J].测绘学报,2014,43(9):908-916.
[4] ACHANTA R,SHAJI A,SMITH K,et al.SLIC Superpixels Compared to State-of-the-art Superpixel Methods[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,34(11):2274-2282.
[5] 汤玉奇.面向对象的高分辨率影像城市多特征变化检测研究[D].武汉:武汉大学,2013.
[6] 吴一全,宋昱,周怀春.基于灰度熵多阈值分割和SVM的火焰图像状态识别[J].中国电机工程学报,2013(20):66-73.
[7] 黄昕.高分辨率遥感影像多尺度纹理、形状特征提取与面向对象分类研究[D].武汉:武汉大学,2009.
[8] GALLOWAY M M.Texture Analysis Using Gray Level Run Lengths[J].Computer Graphics and Image Processing,1975,4(2):172-179.
[9] 黄非非.基于LBP的人脸识别研究[D].重庆:重庆大学,2009.
[10] 谭璐.高维数据的降维理论及应用[D].长沙:国防科学技术大学,2005.
[11] DEVIJVER P A,KITTLER J.Pattern Recognition:A Statistical Approach[M].London:Prentice-Hall,1982.
[12] SONG M,CIVCO D.Road Extraction Using SVM and Image Segmentation[J].Photogrammetric Engineering and Remote Sensing,2004,70(12):1365-1371.
[13] HUANG X,ZHANG L.Road Centreline Extraction from High-resolution Imagery Based on Multiscale Structural Features and Support Vector Machines[J].International Journal of Remote Sensing,2009,30(8):1977-1987.
[14] SHI W,MIAO Z,DEBAYLE J.An Integrated Method for Urban Main-road Centerline Extraction from Optical Remotely Sensed Imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(6):3359-3372.
[15] WIEDEMANN C,HEIPKE C,MAYER H,et al.Empirical Evaluation of Automatically Extracted Road Axes[J].Empirical Evaluation Techniques in Computer Vision,1998:172-187.

自适应聚类学习的道路网提取方法

Extraction Method of Road Network Based on Adaptive Clustering Learning

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	董迪, 魏征, 曾纪胜. 1995—2019年北莉岛人工水产养殖遥感监测[J]. 测绘通报, 2022, 0(7): 1-6.
[2]	李茂林, 闫庆武, 仲晓雅. 一种复合型校正植被信息的方法[J]. 测绘通报, 2022, 0(6): 49-54142.
[3]	任月娟, 葛小三. 改进DeepLabV3+网络的遥感影像道路综合提取方法[J]. 测绘通报, 2022, 0(6): 55-61.
[4]	罗鸿, 廖雨, 杨存建. 基于高分影像的乡村聚落提取与空间重构[J]. 测绘通报, 2022, 0(6): 62-65,92.
[5]	张龚泉, 岳建平, 刘胜男, 王海龙, 杨智翔, 周航宇. 基于遥感影像的鄱阳湖地形提取方法[J]. 测绘通报, 2022, 0(5): 62-66,73.
[6]	潘建平, 付占宝, 程卫华, 陆世安, 李鑫, 孙博文, 黄桂萍. 基于地表类型的山地海绵城市生态建设评估[J]. 测绘通报, 2022, 0(5): 84-88.
[7]	陈智朗, 付振华, 朱紫阳, 王慧慧, 刘沁雯, 杨钰灵, 许耿然. 基于HRNet的高分辨率遥感影像建筑物变化信息提取[J]. 测绘通报, 2022, 0(5): 126-132.
[8]	刘小玉, 刘扬, 杜明义, 张敏, 贾竞珏, 杨恒. 基于DeeplabV3+的建筑垃圾堆放点识别[J]. 测绘通报, 2022, 0(4): 16-19,43.
[9]	丁永辉, 张勤, 杨成生, 王猛, 丁辉. 基于高分遥感的金沙江流域滑坡识别——以巴塘县王大龙村为例[J]. 测绘通报, 2022, 0(4): 51-55.
[10]	王雪, 梁珂, 隋立春, 钟棉卿, 朱剑锋. 膨胀卷积与金字塔表达的深度学习模型用于农村建筑物提取[J]. 测绘通报, 2022, 0(4): 61-65.
[11]	高鸣, 周鑫鑫, 刘琦, 杨光迪, 吴长彬. 深度学习网络支持下的农房侵占耕地自动化监测[J]. 测绘通报, 2022, 0(3): 47-53.
[12]	王胜利, 朱寿红, 蒋毅. 基于CNN模型迁移的OLI影像光伏电池板场景识别[J]. 测绘通报, 2022, 0(2): 5-9.
[13]	高雨, 胡召玲, 樊茹. 高分辨率影像融合算法对滨海湿地土地利用分类精度的影响[J]. 测绘通报, 2022, 0(1): 116-120.
[14]	杨素妨, 杜林. 多特征流形鉴别嵌入的高分辨率遥感影像分类[J]. 测绘通报, 2021, 0(9): 37-42.
[15]	孟秋宇, 宋子昂, 王金, 葛志金. 利用浮动车GPS轨迹识别与提取城市道路交叉口[J]. 测绘通报, 2021, 0(9): 59-63.