一种高分辨率遥感影像道路信息提取系统技术方案
A road information extraction system for high resolution remote sensing image
【技术实现步骤摘要】
一种高分辨率遥感影像道路信息提取系统
本专利技术属于道路影像信息提取
，尤其涉及一种高分辨率遥感影像道路信息提取系统。
技术介绍
城市道路交通系统主要由路网系统、交通流和交通监测、控制系统构成。路网系统是交通流运行的载体，交通检测和控制系统指导车流有序通过路网中的冲突点。路网系统和交通监测和控制系统好比沟渠和沟渠之间的控制阀门，通过阀门的控制，控制道路上的交通流有序的通过路网节点，最终使个体车辆到达其行驶的目的地。遥感是指非接触的，远距离的探测技术。一般指运用传感器/遥感器对物体的电磁波的辐射、反射特性的探测。遥感是通过遥感器这类对电磁波敏感的仪器，在远离目标和非接触目标物体条件下探测目标地物。然而，现有城市道路影像提取技术，获取的影像清晰度不高，画面昏暗不清、对比度下降、颜色饱和度下降；同时采集的影像信息处理效不高。综上，现有技术存在的问题是：现有城市道路影像提取技术，获取的影像清晰度不高，画面昏暗不清、对比度下降、颜色饱和度下降；同时采集的影像信息处理效不高。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种高分辨率遥感影像道路信息提取系统。本专利技术是这样实现的，一种高分辨率遥感影像道路信息提取系统，所述高分辨率遥感影像道路信息提取系统包括：影像采集模块，与数据处理模块连接，用于通过卫星获取遥感图像，并发送给数据处理模块；所述影响采集模块SAR图像变化检测方法包括：(1)对同一地域不同时间的两幅SAR原始图像分别进行去噪处理，得到去噪后图像I1和去噪后图像I2；(2)分别利用对数比算子和均值比算子，对得到的去噪后图像I1和去噪后图像I2进...
【技术保护点】
一种高分辨率遥感影像道路信息提取系统，其特征在于，所述高分辨率遥感影像道路信息提取系统包括：影像采集模块，与数据处理模块连接，用于通过卫星获取遥感图像，并发送给数据处理模块；所述影响采集模块SAR图像变化检测方法包括：(1)对同一地域不同时间的两幅SAR原始图像分别进行去噪处理，得到去噪后图像I1和去噪后图像I2；(2)分别利用对数比算子和均值比算子，对得到的去噪后图像I1和去噪后图像I2进行运算，得到对数比值差异图Xl和均值比值差异图Xm，计算公式如下：
【技术特征摘要】
1.一种高分辨率遥感影像道路信息提取系统，其特征在于，所述高分辨率遥感影像道路信息提取系统包括：影像采集模块，与数据处理模块连接，用于通过卫星获取遥感图像，并发送给数据处理模块；所述影响采集模块SAR图像变化检测方法包括：(1)对同一地域不同时间的两幅SAR原始图像分别进行去噪处理，得到去噪后图像I1和去噪后图像I2；(2)分别利用对数比算子和均值比算子，对得到的去噪后图像I1和去噪后图像I2进行运算，得到对数比值差异图Xl和均值比值差异图Xm，计算公式如下：其中，μ1，μ2分别表示I1和I2的局部均值；(3)对得到的对数比值差异图Xl和均值比值差异图Xm进行特征描述，得到对应的特征描述矩阵XL和特征描述矩阵XM；(4)对得到的特征描述矩阵XL和特征描述矩阵XM，利用各列向量的欧氏距离度量其相似度，分别构造对应的相似度矩阵，亲和矩阵W1和W2；(5)对得到的亲和矩阵W1和W2，利用基于亲和矩阵融合谱聚类方法对其进行聚类；(6)使用k-means聚类方法将输出的特征向量f进行聚类，将得到的像素聚类结果，按照对数比值差异图Xl或均值比值差异图Xm中对应像素的排列顺序，恢复为原始图像的尺寸，得到最终的变化检测结果图，输出结果；数据处理模块，与影像采集模块、无线通信模块、显示模块连接，用于对影像采集模块采集的数据进行分析处理；所述无线通信模块基于用户的位置信息以及当前时间段内统计到的视频请求信息，对用户进行聚类处理包括用户的位置信息用当前的位置坐标来描述：li＝(xi,yi)；其中xi，yi分别表示用户i的横纵坐标值，对于用户i，构建一个内容请求频率向量：ni＝(ni,1,ni,2,...,ni,c)；其中ni,c表示用户i请求内容c的次数，每个用户对应一个内容请求向量，该向量反映了用户的内容请求偏好；基于用户的位置信息和内容请求偏好信息对用户进行聚类，具有相似内容请求偏好且位置相近的用户分到一个多播组，使用余弦相似度准则来计算两个用户间的相似度，用如下公式计算：其中β是一个0-1之间的权重系数；使用K-Means聚类方法，对小区内所有的用户D进行聚类，ui＝{li,ni}表示用户i的聚类信息，聚类的目的是将原始用户分成C类D＝{D1,…,DC}，数学模型上是对下式求最小值：其中γk为用户群的中心；所述基于用户的位置信息以及当前时间段内统计到的视频请求信息，对用户进行聚类处理具体步骤如下：步骤一，从D中随机取C个用户，作为C个用户群的中心；步骤二，根据相似度的计算公式，计算剩下的用户到C个用户群中心的相似度，将用户划分到相似度最高的用户群；步骤三，根据聚类结果，更新C个用户群的中心γk＝{lk,nk}，用如下公式：其中mi是一个0-1之间的权重系数，重复步骤二和步骤三，直到聚类中心不再发生变化；所述根据用户聚类结果，根据每个用户群的位置信息，计算出每个用户群中心位置的水平方位角和垂直仰角具体包括：采用有源天线波束赋形模型，基站对每个用户群有一个特定波束，即对每个用户群设置一个特定的电子下倾角和垂直半功率带宽的波束，基站坐标为原点O(0,0,HBS)，用户群k的质心为γk，位置坐标为(xk,yk,zk)，垂直仰角和水平方位角为基于聚类后的用户群位置信息，用户群质心的水平方向角和垂直仰角通过下面的公式求出：显然，垂直仰角和水平方位角的取值范围为θ1∈(0,π),所述基站天线波束实现对用户群的精确对准具体包括：步骤一，将调整波束的电子下倾角、电子水平角和半功率带宽，使波束的辐射方向对准用户群的中心位置，使半功率带宽范围覆盖用户群中的所有用户，基站到用户的下倾角和水平角将调整为：其中，和θk为基站基于用户聚类结果，利用用户群的中心位置计算出来的用户群中心的水平方位角和垂直仰角；步骤二，确定波束宽度，用户群的覆盖区域为一个圆点在用户群中心的圆形，则该圆形区域的半径为该用户群中离中心位置最远的用户与中心的距离，即：其中(xk,yk)为用户群k的中心γk的坐标，则第k个波束的垂直半功率带宽为：所述采用有源天线阵列的天线模型，并确定基站到用户的信道增益模型具体包括：步骤一，根据每个用户的位置信息以及所属的用户群波束，计算出每个用户位置的实际水平方位角和垂直仰角，计算出用户i相对于基站的水平方位角和垂直仰角θi'，若用户i属于多播组k，则用户i的实际水平方位角和垂直仰角等于：步骤二，有源天线阵列的天线模型：3D天线增益模型采用3GPP标准中提出的有源天线阵列辐射模型，天线增益模型表示如下：其中，为下倾角为0时的有源天线单阵元的天线增益模型，和θ为用户实际位置上的方位角和垂直仰角，ρ为阵列天线的相关系数，wm,n和vm,n分别为权值因子和用户偏移相位，分别表示如下：m＝1,2,...NH；n＝1,2,...NV；m＝1,2,...NH；n＝1,2,...NV；其中，θetilt表示天线波束的下倾角，表示天线的水平转向角，针对不同的用户群，天线的θetilt和的配置不同；步骤三，基站到用户的信道增益模型，采用多播信道增益模型，在一个多播组中的用户以相同的速率接受数据，基站的传输速率超过了该群中的某个用户的最大承受速率，则这个用户将不能正常解码该数据，基站以用户群中最小的速率传输数据，因此用户群k中基站到用户的等效信道增益等于该用户群中用户的最差信道增益，即：其中表示用户i(i∈Dk)在载波n上的信道增益，由3部分组成：快衰落、基站到用户的路径损耗和用户的3D天线增益，如下表达式：其中，F和PL分别表示快衰落和路径损耗，表示第k个波束到用户i的3D天线增益；所述提出用户群分簇算法，根据用户群的位置信息，对用户群进行分簇处理具体包括：基于图论的知识对用户群进行分簇，定义波束间的干扰图G＝(V,E)，其中V表示波束的集合，作为干扰图的顶点，E表示波束间的干扰系数，作为干扰图的边，定义指示函数e(vk,vm)(k≠m)指示波束k和波束m间的干扰：其中Ok和Om分别表示用户群k和用户群m的半径，rth表示两个波束间干扰忽悠不计的门限距离，另外，定义e(vk,vk)＝0，表示波束自身不存在干扰，根据指示函数，构建一个二值干扰矩阵：定义波束的干扰度：当dG(vk)＝0时，称vk为零度节点；分簇的具体步骤如下：步骤一，用顶点集合V构建干扰矩阵AG，初始化迭代因子h＝1，孤立节点集合分簇集合节点集合步骤二，找到所有的零度节点vk，更新S＝S∪vk；剩余节点集合记为Φ1＝V-S；步骤三，分簇：a)找节点k＝argmax(dG(vk))，令干扰矩阵的第k行、第k列为0，更新节点集合Bh＝Bh∩vk；b)循环执行a)直到AG＝0；c)更新Φh＝Φh-...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。