一种基于多策略组合的多源遥感影像道路材质精细提取方法技术

本发明专利技术公开一种基于多策略组合的多源遥感影像道路材质精细提取方法，充分利用多源遥感数据的特性，首先对数据进行预处理，根据道路的光谱特性进行了波段选择，然后通过所提出的分步融合方法对多源遥感数据进行融合，提升数据空间分辨率，并通过软件辅助对道路进行粗提取，最后通过提取并集合多种特征，建立特征级融合框架对道路进行道路材质精细提取，根据辅助数据对结果进行精校正并制图。本发明专利技术提出的方法在提升数据质量的同时精细的提取了各种材质的道路，具有简易的操作性与很强的实用性，具有重要的实际应用意义。

【技术实现步骤摘要】
一种基于多策略组合的多源遥感影像道路材质精细提取方法
本专利技术属于光学遥感图像处理
，是一种基于多策略组合的多源遥感影像道路材质精细提取方法。
技术介绍
道路是交通运输的命脉，地域连接的纽带，也是为城市发展运送人流、物流的重要通道，作为城市发展的主要动力，交通对生产要素的流动、城镇体系的发展有着决定性的影响。道路交通的发展促进了聚集经济效应的充分发挥，推动了城市向外分散型发展。此外，便利的交通推动沿线经济的产业结构升级。近年来，随着城市和乡村的快速发展，道路交通也取得了很大的发展，但是道路交通设计问题亟待解决，只有充分了解已有的道路布局，以及道路的类型，才能有利于道路交通建设的更好推进。传统的采样分析方法无法满足监测的时效性要求，更无法反映道路的空间分布范围和动态变化。相比而言，利用光学遥感技术监测道路具有监测范围广、速度快、成本低且便于长期动态监测的优势，能够较好反映道路的空间分布及变化，从而为后续的城市发展及道路规划奠定基础。当前，基于高分辨率遥感影像的道路提取算法主要包括初始道路二值图像提取、精细化道路获取、中心线本文档来自技高网...

【技术保护点】
1.一种基于多策略组合的多源遥感影像道路材质精细提取方法，其特征在于：包括以下步骤：/n步骤1：对高光谱数据，多光谱数据与全色数据进行预处理；/n步骤2：实地采样获取遥感影像中不同地物的样本点信息，分析样本点的光谱曲线，将光谱曲线之间分离度大的波段进行选取；/n步骤3：高光谱数据，多光谱数据和全色数据进行分步融合，包括：/n高光谱数据重合波段与多光谱数据进行融合，得到融合后的重合波段；/n高光谱数据不重合波段与多光谱数据进行融合，得到融合后的不重合波段；/n融合后的重合波段与全色数据进行融合；/n融合后的不重合波段与全色数据进行融合，/n最终得到与全色数据相同空间分辨率的高光谱数据；/n步骤4...

【技术特征摘要】
1.一种基于多策略组合的多源遥感影像道路材质精细提取方法，其特征在于：包括以下步骤：
步骤1：对高光谱数据，多光谱数据与全色数据进行预处理；
步骤2：实地采样获取遥感影像中不同地物的样本点信息，分析样本点的光谱曲线，将光谱曲线之间分离度大的波段进行选取；
步骤3：高光谱数据，多光谱数据和全色数据进行分步融合，包括：
高光谱数据重合波段与多光谱数据进行融合，得到融合后的重合波段；
高光谱数据不重合波段与多光谱数据进行融合，得到融合后的不重合波段；
融合后的重合波段与全色数据进行融合；
融合后的不重合波段与全色数据进行融合，
最终得到与全色数据相同空间分辨率的高光谱数据；
步骤4：对各类道路进行粗提取，将提取的道路与高空间分辨率影像进行对比，对道路影像进行手动调整；
步骤5：根据提取出的道路影像进一步提取道路的纹理特征，光谱特征以及形状特征，通过建立决策树，实现特征级融合并对道路进行非监督的道路材质精细提取；
步骤6：利用高空间分辨率影像对步骤5中的分类图进行精校正，通过对比道路步骤5中的分类图与高空间分辨率影像，对道路材质分类影像进行手动调整并进行制图。


2.如权利要求1所述一种基于多策略组合的多源遥感影像道路材质精细提取方法，其特征在于：高光谱数据重合波段与多光谱数据融合方法为：
a、计算插值后高光谱数据重合波段的强度分量



其中，表示高光谱数据数据的重合波段的上采样图像，k代表第k个光谱波段；B为高光谱数据的波段数量；wk代表第k个波段的权重；上述可以通过计算数据间的最小均方根误差得到，具体方法如下：
P＝MSI/b(2)
其中，P为多光谱数据的均值图像，b为多光谱数据数据的波段数量，MSI为多光谱数据；
之后，通过MATLAB软件对P进行滤波，得到被滤波的多光谱数据数据的均值图像PL与高光谱数据的重合波段计算wk：



最后将得到的wk返回代入式1，求得
b、对步骤1中预处理后的多光谱数据进行导向滤波：



其中，Wz为第z个滑动窗口；为的第t个像素；为被滤波的多光谱数据的第t个像素；az和bz为系数，可通过求解下列线性回归方法获取：



其中，ε为正则化参数；MSIt为多光谱数据的第t个像素；
c、利用神经网络训练被滤波的多光谱数据图像与高光谱数据强度分量之间的关系；
神经网络主要包含输入层、隐含层和输出层，隐含层的第j个神经元的输出结果aj为：



其中，是的第i个神经元，是输入层第i个神经元转为隐含层第j个神经元的权重，为偏置项，与中的上角标“1”代表通过计算得到的第一次的权重与偏置，f(·)为激活函数：



输出层第j个神经元的输出值Ap可以通过以下公式获取：



其中，f(·)为激活函数；
其中，为隐含层第j个神经元转为输出层相应值的权重，b2为输出层偏置项，上角标“2”代表得到更新的第二次的权重与偏置；
上式(6)～(8)可通过以下更新规则求解：



b2＝b2+β·(Ap-Ar)·Ap·(1-Ap)(10)






其中，α和β是学习参数，Ar为目标值；Hi为输入数据的第i个神经元；
d、将得到的神经网络映射到到步骤1中预处理后的多光谱数据中得到高空间分辨率的强度分量：






其中，代表步骤B中得到的高光谱数据重合波段的强度分量；NET代表得到的神经网络，w为权重矩阵，b为偏置矩阵，代表映射出的用于替换的高空间...

【专利技术属性】
技术研发人员：张蕴灵，傅宇浩，肖国峰，杨璇，龚婷婷，潘佩珠，王群，孙雨，孙伟伟，任凯，杨刚，
申请(专利权)人：中国公路工程咨询集团有限公司，
类型：发明
国别省市：北京;11