留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

改进剖面匹配和EKF对SAR影像道路半自动提取

赵金奇 杨杰 李平湘 邓少平 李小娟 路嘉铭

赵金奇, 杨杰, 李平湘, 邓少平, 李小娟, 路嘉铭. 改进剖面匹配和EKF对SAR影像道路半自动提取[J]. 武汉大学学报 ● 信息科学版, 2017, 42(8): 1144-1150. doi: 10.13203/j.whugis20150200
引用本文: 赵金奇, 杨杰, 李平湘, 邓少平, 李小娟, 路嘉铭. 改进剖面匹配和EKF对SAR影像道路半自动提取[J]. 武汉大学学报 ● 信息科学版, 2017, 42(8): 1144-1150. doi: 10.13203/j.whugis20150200
ZHAO Jinqi, YANG Jie, LI Pingxiang, DENG Shaoping, LI Xiaojuan, LU Jiaming. Semi-automatic Road Extraction from SAR Images Using an Improved Profile Matching and EKF[J]. Geomatics and Information Science of Wuhan University, 2017, 42(8): 1144-1150. doi: 10.13203/j.whugis20150200
Citation: ZHAO Jinqi, YANG Jie, LI Pingxiang, DENG Shaoping, LI Xiaojuan, LU Jiaming. Semi-automatic Road Extraction from SAR Images Using an Improved Profile Matching and EKF[J]. Geomatics and Information Science of Wuhan University, 2017, 42(8): 1144-1150. doi: 10.13203/j.whugis20150200

改进剖面匹配和EKF对SAR影像道路半自动提取

doi: 10.13203/j.whugis20150200
基金项目: 

国家自然科学基金 91438203

国家自然科学基金 61371199

国家自然科学基金 41501382

国家自然科学基金 41601355

城市空间信息工程北京市重点实验室经费 2014204

测绘行业公益项目 201412002

湖北自然科学基金 2015CFB328

湖北自然科学基金 2016CFB246

国家基础测绘科技计划 2016KJ0103

地理空间信息工程国家测绘地理信息局重点实验室资助 201406

GF-3卫星图像陆表地物目标识别技术 03-Y20A10-9001-15/16

详细信息
    作者简介:

    赵金奇, 博士, 主要从事PolSAR影像图像处理研究。masurq@whu.edu.cn

    通讯作者: 杨杰, 博士, 教授。yangj@whu.edu.cn
  • 中图分类号: P237

Semi-automatic Road Extraction from SAR Images Using an Improved Profile Matching and EKF

Funds: 

The National Natural Science Foundation of China 91438203

The National Natural Science Foundation of China 61371199

The National Natural Science Foundation of China 41501382

The National Natural Science Foundation of China 41601355

Beijing Key Laboratory of Urban Spatial Information Engineering 2014204

Public Welfare Project of Surveying and Mapping Interest 201412002

Hubei Provincial Natural Science Foundation 2015CFB328

Hubei Provincial Natural Science Foundation 2016CFB246

National Basic Technology Program of Surveying and Mapping 2016KJ0103

National Administration of Surveying, Mapping and Geo-Information Through the Key Laboratory of Geo-Informatics 201406

Technology of Target Recognition Based on GF-3 03-Y20A10-9001-15/16

More Information
    Author Bio:

    ZHAO Jinqi, PhD, specializes in PolSAR image processing. E-mail: masurq@whu.edu.cn

    Corresponding author: YANG Jie, PhD, professor. E-mail: yangj@whu.edu.cn
图(8) / 表(4)
计量
  • 文章访问数:  992
  • HTML全文浏览量:  76
  • PDF下载量:  256
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-10-09
  • 刊出日期:  2017-08-05

改进剖面匹配和EKF对SAR影像道路半自动提取

doi: 10.13203/j.whugis20150200
    基金项目:

    国家自然科学基金 91438203

    国家自然科学基金 61371199

    国家自然科学基金 41501382

    国家自然科学基金 41601355

    城市空间信息工程北京市重点实验室经费 2014204

    测绘行业公益项目 201412002

    湖北自然科学基金 2015CFB328

    湖北自然科学基金 2016CFB246

    国家基础测绘科技计划 2016KJ0103

    地理空间信息工程国家测绘地理信息局重点实验室资助 201406

    GF-3卫星图像陆表地物目标识别技术 03-Y20A10-9001-15/16

    作者简介:

    赵金奇, 博士, 主要从事PolSAR影像图像处理研究。masurq@whu.edu.cn

    通讯作者: 杨杰, 博士, 教授。yangj@whu.edu.cn
  • 中图分类号: P237

摘要: 道路提取作为典型的线状目标提取,是遥感影像目标解译的研究热点。合成孔径雷达(SAR)影像包含了丰富的物理特性,能够全天时、全天候地获取影像数据,已广泛应用于道路提取中。传统的道路提取方法分为全自动和半自动方法。全自动道路提取会出现漏检和错检,需要大量的人工后处理。半自动方法结合人工干预,是对计算机的计算能力和人工解译准确性的有效折中。提出了用一种改进剖面匹配和扩展卡尔曼滤波(EKF)的方法对SAR影像道路进行半自动提取的方法。首先构建了道路提取模型,其次通过改进剖面匹配算法获取准确的观测值,最后利用EKF对观测值进行更新获取道路最优估计值。选取美国缅因州Howland地区L波段UAVSAR数据和海南陵水地区X波段机载SAR数据进行实验,结果表明,该方法在较少人工干预的情况下,能够对复杂场景道路进行有效稳健的提取。

English Abstract

赵金奇, 杨杰, 李平湘, 邓少平, 李小娟, 路嘉铭. 改进剖面匹配和EKF对SAR影像道路半自动提取[J]. 武汉大学学报 ● 信息科学版, 2017, 42(8): 1144-1150. doi: 10.13203/j.whugis20150200
引用本文: 赵金奇, 杨杰, 李平湘, 邓少平, 李小娟, 路嘉铭. 改进剖面匹配和EKF对SAR影像道路半自动提取[J]. 武汉大学学报 ● 信息科学版, 2017, 42(8): 1144-1150. doi: 10.13203/j.whugis20150200
ZHAO Jinqi, YANG Jie, LI Pingxiang, DENG Shaoping, LI Xiaojuan, LU Jiaming. Semi-automatic Road Extraction from SAR Images Using an Improved Profile Matching and EKF[J]. Geomatics and Information Science of Wuhan University, 2017, 42(8): 1144-1150. doi: 10.13203/j.whugis20150200
Citation: ZHAO Jinqi, YANG Jie, LI Pingxiang, DENG Shaoping, LI Xiaojuan, LU Jiaming. Semi-automatic Road Extraction from SAR Images Using an Improved Profile Matching and EKF[J]. Geomatics and Information Science of Wuhan University, 2017, 42(8): 1144-1150. doi: 10.13203/j.whugis20150200
  • 利用合成孔径雷达(synthetic aperture radar,SAR)影像进行线目标提取是遥感影像目标解译的研究热点。在众多线目标(道路、桥梁、海岸线、河流等)提取中,道路提取占有重要地位。从SAR影像中提取道路是典型线状目标提取的研究热点[1],广泛应用于道路制图、城市规划、构建城市道路网和GIS数据库更新等诸多领域。根据是否需要人机交互,可以将SAR影像道路提取方法分为自动和半自动两种[2]。道路的复杂性和多样性使得SAR影像道路在全自动提取后依然需要大量的人工后处理[3],因此道路全自动提取近期还难以实现。

    半自动道路提取方法主要针对道路初始化、预测、观测、校正进行研究实现道路提取。在道路初始化问题上,有单点法[4]、两点法[5]、辐轮算法[6]、相位编码圆盘[7]等;在道路预测问题上,主要通过状态转移模型[8-10]来获取道路的预测值;在观测值获取问题上,主要有最小二乘模板匹配[4, 10, 11]等;在校正问题上,主要有贝叶斯滤波[5, 9, 12]等。本文针对SAR影像道路提取中人工干预次数多,提取精度不高等问题,在分析SAR影像道路特性的基础上,构建了道路提取模型,通过道路提取模型获取的预测值和改进剖面匹配获取的观测值结合扩展卡尔曼滤波(extended Kalman filter, EKF)算法对SAR影像中道路进行半自动提取,实现在人工干预尽可能少的同时对道路进行精准提取。

    • 道路的基本特征包括几何特征、辐射特征、拓扑特征、功能特征、上下文特征等[10, 13]。本文利用的道路特性具体如下。① 几何特性:道路呈长条状,在有限长度内,道路的宽度基本保持不变,道路弯曲变化是有限的,小于一定阈值,这为生成目标剖面提供了理论基础;② 辐射特性:在有限长度内,道路的材质不变,表现为有限长度道路区域内灰度值相同,为剖面匹配提供了理论依据;③ 拓扑特性:在有限长度的道路段内,道路不会无故中断。

      在对SAR影像道路特性进行分析的基础上,假设道路满足局部线性,且道路点的获取满足随机过程并能利用合适的离散状态空间模型来表示。通过构建道路预测模型(式(1))和道路观测模型(式(2))的离散方程实现对道路提取模型的构建[9, 10]

      $$ {x_k} = f\left( {{x_{k - 1}}} \right) + {w_k} $$ (1)
      $$ {\mathit{\boldsymbol{z}}_k} = \mathit{\boldsymbol{h}}\left( {{x_k}} \right) + {\mathit{\boldsymbol{v}}_k} $$ (2)

      式中,f(xk-1)表示为预测策略;xk表示第k个时刻道路系统状态;wk代表系统噪声;h(xk)表示为观测矩阵;zk表示观测值;vk代表观测噪声。

      图 1表示道路提取模型,其中实心圆表示道路最优估计值,空心圆表示观测模型提取的观测值,×型表示预测值。假设道路系统状态可以表示为四维矢量,利用图 1几何关系将式(1) 具体化,如式(3) 所示,其中dt表示人工步长。

      图  1  道路提取模型

      Figure 1.  Model of Road Extraction

      $$ {\mathit{\boldsymbol{x}}_k} = \left[ {\begin{array}{*{20}{c}} {{r_k}}\\ {{c_k}}\\ {{\varphi _k}}\\ {{{\hat \varphi }_k}} \end{array}} \right] = \left[ {\begin{array}{*{20}{c}} {{r_k} + {\rm{d}}t \cdot \sin \left( {{\varphi _k} + {{\hat \varphi }_k} \cdot {\rm{d}}t} \right)}\\ {{c_{k - 1}} + {\rm{d}}t \cdot \cos \left( {{\varphi _k} + {{\hat \varphi }_k} \cdot {\rm{d}}t} \right)}\\ {{\varphi _k} + {{\hat \varphi }_k} \cdot {\rm{d}}t}\\ {{{\hat \varphi }_k}} \end{array}} \right] $$ (3)
    • 在道路提取过程中,观测值作为影像的局部特征,是道路提取关键步骤之一,道路场景的复杂性(车辆、隔离带、两旁树林等)使得传统剖面匹配[8, 10, 11]易受到周边地物的影响,降低匹配精度;本文对参与匹配的参考剖面和目标剖面分别进行多视处理,抑制剖面中局部突变值对剖面匹配的影响,提高匹配精度;同时为进一步提高获取观测值精度,将参考剖面中的像素与目标剖面上对应的像素做灰度差平方处理,并对参考剖面中道路面上的像素增加灰度差平方的权重对不在道路上的像素保持灰度差平方的权重不变。改进剖面匹配算法的具体算法流程如下。

      1) 初始化。在垂直道路方向两侧选择两点生成参考剖面,获取人工初始化参数,包括道路中心点坐标、道路方向、道路宽度W、参考剖面长度L

      2) 生成目标剖面。通过道路预测模型得到下一时刻道路的预测状态,设定搜索夹角(道路曲率)在一定的范围内(一般φ≤20°)。以系统状态预测值为中心,利用φ和dt获得目标剖面的长度LT

      $$ {L_T} = 2 \cdot {\rm{d}}t \cdot \tan \varphi + L $$ (4)

      3) 剖面多视处理。平行于参考剖面/目标剖面,每隔一个像素生成一个长度与参考剖面/目标剖面相同的剖面,对每个剖面上对应的像素多视处理,消除局部突变值的影响;

      4) 加权差分和。将参考剖面中的像素与目标剖面上对应的像素做灰度差平方处理,并将参考剖面中道路面上的像素灰度差平方的权值设为2,不在道路上的像素灰度差平方的权值设为1:

      $$ \begin{array}{*{20}{c}} {M\left[ j \right] = \sum\limits_{i = 0}^{L - 1} {{\rm{Weight}}\left( k \right)} \times \left( {{g_i}\left( {{x_{{\rm{ref}}}},{y_{{\rm{ref}}}}} \right) - } \right.}\\ {{{\left. {{{g'}_{\left( {i + j} \right)}}\left( {{x_{{\rm{search}}}},{y_{{\rm{search}}}}} \right)} \right)}^2}} \end{array} $$ (5)

      式中,Weight(k)表示道路的权重,在道路面上的部分权重设置为2,非道路部分权重值设为1;gi(xref, yref)表示参考剖面的灰度值;g(i+j)(xsearch, ysearch)表示目标剖面的灰度值。

      5) 观测值的获取。计算式(5) 最小值对应的位置,即为提取的最优观测值。

    • Kalman滤波通过概率密度函数递归处理获取系统状态最优估计。由于Kalman滤波只能在线性系统上进行处理,EKF通过局部线性化将Kalman滤波扩展到非线性系统,实现对非线性系统目标的提取。本文利用EKF前一时刻已获得的最优估计系统状态结合预测模型获取当前时刻系统状态的先验概率密度,通过改进剖面匹配获取最新的观测值和获得的先验概率得到当前时刻系统状态的后验概率密度(最优估计)。EKF过程包括预测和更新。

      预测阶段:

      $$ {{\hat x}_{k\left| {k - 1} \right.}} = f\left( {{{\hat x}_{k - 1\left| {k - 1} \right.}}} \right) $$ (6)
      $$ {\mathit{\boldsymbol{P}}_{k\left| {k - 1} \right.}} = {\mathit{\boldsymbol{Q}}_k} + {{\mathit{\boldsymbol{\hat F}}}_k}{\mathit{\boldsymbol{P}}_{k - 1\left| {k - 1} \right.}}\mathit{\boldsymbol{\hat F}}_k^{\rm{T}} $$ (7)

      更新阶段:

      $$ {{\hat x}_{k\left| k \right.}} = {{\hat x}_{k\left| {k - 1} \right.}} + {\mathit{\boldsymbol{K}}_k}\left( {{z_k} - {\mathit{\boldsymbol{H}}_k}{{\hat x}_{k\left| {k - 1} \right.}}} \right) $$ (8)
      $$ {\mathit{\boldsymbol{P}}_{k\left| k \right.}} = \left( {\mathit{\boldsymbol{I}} - {\mathit{\boldsymbol{K}}_k}{\mathit{\boldsymbol{H}}_k}} \right){\mathit{\boldsymbol{P}}_{k\left| {k - 1} \right.}} $$ (9)

      式(8) 中Kalman增益表示如下:

      $$ {\mathit{\boldsymbol{K}}_k} = {\mathit{\boldsymbol{P}}_{k\left| {k - 1} \right.}}\mathit{\boldsymbol{H}}_k^{\rm{T}}{\left( {{\mathit{\boldsymbol{H}}_k}{\mathit{\boldsymbol{P}}_{k\left| {k - 1} \right.}}\mathit{\boldsymbol{H}}_k^{\rm{T}} + {\mathit{\boldsymbol{R}}_k}} \right)^{ - 1}} $$ (10)

      式中,Pk|k为系统状态协方差; Pk|k-1为预测状态协方差。式(9) 表明EKF获取的估计值是系统状态的最优估计。$\boldsymbol{\hat F}$表示线性化过程,通过雅克比矩阵获得,如式(11) 所示,其中$u = {\mathit{\Phi }_{k\left| {k-1} \right.}}$;Qk表示系统状态的噪声协方差矩阵,和道路宽度W有关,如式(12) 所示;Hk表示观测矩阵,如式(13) 所示。

      $$ {{\mathit{\boldsymbol{\hat F}}}_k} = \left[ {\begin{array}{*{20}{c}} 1&0&{ - {\rm{d}}t\cos u}&{\frac{{ - {\rm{d}}{t^2}\cos u}}{2}}\\ 0&1&{ - {\rm{d}}t\sin u}&{\frac{{ - {\rm{d}}{t^2}\sin u}}{2}}\\ 0&0&1&{{\rm{d}}t}\\ 0&0&0&1 \end{array}} \right] $$ (11)
      $$ {\mathit{\boldsymbol{Q}}_k} = \left[ {\begin{array}{*{20}{c}} {0.04W}&0&0&0\\ 0&{0.04W}&0&0\\ 0&0&{0.02}&0\\ 0&0&0&{0.01} \end{array}} \right] $$ (12)
      $$ {\mathit{\boldsymbol{H}}_k} = \left[ {\begin{array}{*{20}{c}} 1&0&0&0\\ 0&1&0&0 \end{array}} \right] $$ (13)

      EKF道路提取算法流程如下。

      图  2  道路提取流程图

      Figure 2.  Flowchart of Road Extraction

    • 利用美国缅因州Howland地区L波段UAVSAR数据和我国机载SAR系统X波段海南陵水地区数据来验证本文提出算法的效率和准确性。两个实验区的Pauli-RGB合成图如图 3所示,图 3(a)为美国缅因州Howland地区,影像大小为2 101像素×1 771像素,选取影像中两块区域进行道路提取实验;图 3(b)为中国海南陵水地区,影像大小为4 702像素×7 893像素,分别选取影像中的3块区域进行道路提取有效性检验。

      图  3  实验数据

      Figure 3.  Experiment Data

    • 半自动提取一般对结果的完整性、效率、精准度进行评价[5]。由于道路半自动提取过程中加入了人工干预使得道路的完整性和精准度得到了保障,因此本文主要关注算法效率问题。由于人工干预(人工的初始化,发现错误道路点和错误道路点的修正)需要消耗大量的时间,这成为决定半自动道路提取的效率的关键因素[14]

    • 在剖面匹配获取观测值的过程中,需要充分利用道路的几何特性,为了验证本文提出方法的有效性,在道路提取过程中利用空滤波器(最优估计值=观测值)对图 3 (a)中的区域1进行半自动道路提取的对比实验,如图 4所示。图 4(a)为传统剖面匹配获取的结果,在道路被遮挡且道路周围出现弱散射地物时,传统剖面匹配提取结果出现偏离实际位置的错误点;图 4(b)为改进剖面匹配提取的结果,在道路被遮挡且道路周围出现弱散射地物时匹配算法受到的影响较小,能够准确地提取道路中心点。该实验结果表明,本文方法能够有效提高道路提取精度。通过对参考剖面和目标剖面进行多视处理的方法,有效解决了道路面上突变目标(道路被遮挡)的影响;而在差方和算法中加大道路面权重,使得匹配更加关注道路面的相似性,从而道路提取受周边弱散射地物的影响较小,增强了算法的鲁棒性,为下一步进行EKF提供了准确的观测值。

      图  4  对比实验

      Figure 4.  Contrast Test

    • 图 3(a)中的区域2的道路段分别进行加权剖面匹配和EKF两组提取实验。道路提取结果如图 5所示,其中×型表示道路的预测值,空心圆表示道路的观测值,实心点表示道路最优估计值。当道路发生较大幅度弯转时,道路获取预测值不准确,虽然改进剖面匹配(图 5(c))能够获取较为精确的观测值,但是由于错误预测值的累积,遇到弱散射地物的干扰出现错误的提取结果,并中断道路提取;而在EKF提取道路时(图 5(f)),在道路拐弯处由于预测值出现较大的误差,在跨过拐弯处后,EKF提取结果失败,道路中断提取,经过人工干预能够准确完成后续的道路提取。实验表明, 由于改进剖面匹配不依赖道路预测值,错误预测值对道路估计值的影响较小,但错误预测值影响匹配中目标剖面的位置,当错误预测值产生并且周围有其他复杂场景(弱散射地物、遮挡等)时,改进剖面匹配出现提取道路点偏离道路的现象。而EKF最终的获取结果依赖道路的预测值和观测值,错误的道路预测值影响最终的提取结果。但是EKF有着严格的检查机制,在发生错误后能够及时停止道路提取,最大程度上避免出现错误提取点,提高道路提取的准确度。当道路发生偏转并出现弱散射地物干扰时,改进剖面匹配(图 5(d))不能够很好适应道路场景的变化出现错误提取点;EKF算法(图 5(g))有效利用观测值和预测值信息,对复杂道路场景有较好的适应能力,实现对道路中心点的准确提取。通过对该区域提取结果进行定量分析(表 1),改进剖面匹配进行了3次人工干预并出现10个错误点,EKF在效率(2次人工干预)和准确率(1个错误点)上均优于改进剖面匹配算法。因此,实验表明EKF能够准确对道路进行提取,有较强的错误检测机制,较好地控制错误点的产生,并能够发现错误并终止提取过程,鲁棒性较强;EKF在加入较少人工干预的同时能够准确地完成道路提取,较为高效。

      图  5  原始影像及道路提取实验结果

      Figure 5.  Raw Imagery and Road Extraction Results

      表 1  改进剖面匹配与EKF对比实验

      Table 1.  Contrast Test Between Improved PM and EKF

      方法 提取总点数 错误点个数 人工干预次数
      改进剖面匹配 94 10 3
      EKF 80 1 2

      选择海南陵水地区3组不同场景(图 3(b))进行道路提取有效性实验。

      实验1  对图 6(a)大小为1 048像素×1 360像素区域进行道路提取,提取结果如图 6(c)所示,图 6(c)右上角图为红色区域1细节图;右下角图为红色区域2细节图。道路被严重遮挡,难以获得观测值,EKF通过已有的观测值进行预测跨过遮挡区域,继续道路提取;区域2道路发生弯转,道路宽度变宽,且道路被树木部分遮挡,预测值获取出错,EKF坚实的数学理论基础能够充分利用观测值和预测值信息,减小错误预测值对道路提取点的干扰。在对此区域进行提取的过程中,只进行了一次人工干预(道路初始化),即可对当前区域道路进行准确的提取。由表 2可知,利用EKF进行道路提取所花费的时间(4 124 ms)远远少于人工绘制(图 6(b))的时间(49 000 ms)。

      图  6  实验1道路提取结果

      Figure 6.  Raw Imagery and Road Extraction Result of Experiment 1

      表 2  实验1中EKF提取道路点结果

      Table 2.  Extraction Result by EKF of Experiment 1

      提取方法 提取总
      点数
      错误
      点数
      提取
      总时间/ms
      人工干预
      次数
      人工 27 0 49 000 27
      EKF 44 0 4 124 1

      实验2  对图 7(a)大小为428像素×561像素区域进行道路提取,提取结果如图 7(c)所示。道路中段被两旁树木严重干扰,观测值很难获取,EKF能够对每个时刻道路中心点进行准确提取。在对此区域进行提取的过程中,只进行了一次人工干预(初始化),即可对当前区域道路进行准确提取。由表 3可知,利用EKF道路提取花费的时间(1 108 ms)远远少于人工绘制(图 7(b))的时间(18 820 ms)。

      图  7  实验2道路提取结果

      Figure 7.  Raw Imagery and Road Extraction Result of Experiment 2

      表 3  实验2中EKF提取道路点结果

      Table 3.  Extraction Result by EKF of Experiment 2

      提取方法 总点数 错误点数 总时间
      /ms
      人工干预
      次数
      人工 18 0 18 820 18
      EKF 21 0 1 108 1

      实验3  对图 8(a)大小为684像素×766像素的区域进行道路提取。实验结果如图 8(c)所示,道路发生弯转且道路两旁场景发生变化,道路出现错误提取,EKF能够快速检测到这种错误的道路提取点,避免错误点的产生。通过人工干预重启道路提取算法,在道路遮挡区域,EKF能够利用已获取的观测值跨过遮挡区域(图 8(c))。对此区域进行提取的过程中,进行了两次人工干预(初始化和纠正错误点),即对当前区域道路进行准确的提取。如表 4所示,利用EKF进行道路提取所花费的时间(4 807 ms)远远少于人工绘制道路点(图 8(b))的时间(34 000 ms)。

      图  8  实验3道路提取实验结果

      Figure 8.  Raw Imagery and Road Extraction Result of Experiment 3

      表 4  实验3中EKF提取道路点结果

      Table 4.  Extraction Result by EKF of Experiment 3

      提取方法 提取总
      点数
      错误
      点数
      提取
      总时间/ms
      人工干预
      次数
      人工 27 0 34 000 27
      EKF 32 2 4 807 2

      实验表明, 本文提出方法在保证道路提取准确性的同时,大大提高了提取效率,并对道路面遮挡,拐弯处复杂场景和道路周边场景变化等问题有较好的适应性。

    • 本文利用EKF对SAR影像道路进行半自动提取,并对其中关键技术环节进行改进,通过改进剖面匹配算法获取准确的观测值,并利用EKF获取道路系统状态的最优估计。分别采用了UAVSAR和国产机载数据中不同场景对方法进行验证,取得了理想的结果,表明本文提出的道路提取方法具有较高的可靠性和应用性。但本文方法对在拐弯处且道路周边有弱散射地物的地区道路提取效果精度不高,今后将进行剖面匹配模板的自适应更新,进一步提高算法的鲁棒性。

参考文献 (14)

目录

    /

    返回文章
    返回