-
公开(公告)号：CN109271928A
公开(公告)日：2019-01-25
申请号：CN201811074936.3
申请日：2018-09-14
Applicant: 武汉大学
Abstract: 本发明公开了一种基于矢量路网融合与高分遥感影像验证的道路网自动更新方法，该方法首先将历史道路矢量、新时期导航路网矢量与遥感影像配准；然后依次采用粗匹配和精匹配的方法对历史道路矢量和新时期导航路网矢量进行融合，找出未变化的道路和疑似变化的道路；之后从高分遥感影像上提取边缘特征、光谱特征和植被特征构建多特征验证模型，验证疑似变化的道路是否为道路，由此发现道路变化；最后根据几何特征将未变化道路和变化道路进行路网融合，得到更新后的道路网。本发明从矢量路网中挖掘出位置、几何、拓扑、语义信息，结合高分辨率遥感影像中道路的场景特征来提取道路网，具有较强的实用性和较高的准确率。
-
公开(公告)号：CN105956544B
公开(公告)日：2019-04-09
申请号：CN201610273785.9
申请日：2016-04-28
Applicant: 武汉大学
IPC: G06K9/00
Abstract: 一种基于结构指数特征的遥感影像道路交叉口提取的方法，该方法首先根据路网矢量中的线条交叉信息获取待检测交叉口位置集合；根据交叉口位置和缓冲半径获取交叉口影像切片，并通过多方向形态学滤波增强处理剔除路面显著的小尺寸干扰地物。交叉口结构检测主要分两个层次来执行：平面交叉口结构检测和道路立体交叉结构检测。当平面交叉口结构检测结果与导航路网中的交叉口结构不一致时，认为可能是由于分离式立体交叉造成的伪检测结果，进一步采用道路立体交叉结构检测方法做进一步的检测和验证。考虑到复合道路交叉结构的广泛存在，利用先验道路交叉模型作为约束，对已提取的邻近道路交叉进行结构化组织。
-
公开(公告)号：CN109271928B
公开(公告)日：2021-04-02
申请号：CN201811074936.3
申请日：2018-09-14
Applicant: 武汉大学
Abstract: 本发明公开了一种基于矢量路网融合与高分遥感影像验证的道路网自动更新方法，该方法首先将历史道路矢量、新时期导航路网矢量与遥感影像配准；然后依次采用粗匹配和精匹配的方法对历史道路矢量和新时期导航路网矢量进行融合，找出未变化的道路和疑似变化的道路；之后从高分遥感影像上提取边缘特征、光谱特征和植被特征构建多特征验证模型，验证疑似变化的道路是否为道路，由此发现道路变化；最后根据几何特征将未变化道路和变化道路进行路网融合，得到更新后的道路网。本发明从矢量路网中挖掘出位置、几何、拓扑、语义信息，结合高分辨率遥感影像中道路的场景特征来提取道路网，具有较强的实用性和较高的准确率。
-
公开(公告)号：CN106778605B
公开(公告)日：2020-05-05
申请号：CN201611153399.2
申请日：2016-12-14
Applicant: 武汉大学
Abstract: 本发明提供一种导航数据辅助下的遥感影像道路网自动提取方法，包括以下步骤：导航数据与遥感影像配准；利用矢量数据进行道路段的提取；利用交叉口像元结构指数进行道路交叉口的提取；自适应聚类学习的道路网提取：将提取的道路段和的道路交叉口进行连接，形成道路网，根据已知道路特征来检测遥感影像中的新增道路对象，最后对道路进行验证。本发明采用遥感影像与导航路网数据作为输入数据源，综合利用导航路网数据中的位置、几何、拓扑、语义信息和高分遥感影像中的场景特征。结合现实道路结构先验知识等，完成自动化道路网要素数据提取任务。具有较强的实用性，准确度较高。
-
公开(公告)号：CN105975913A
公开(公告)日：2016-09-28
申请号：CN201610273017.3
申请日：2016-04-28
Applicant: 武汉大学
Abstract: 本发明提供一种基于自适应聚类学习的道路网提取的方法，包括已提取路段矢量的连接构网，新增路段检测与提取；道路提取结果的推理验证三方面内容。路段连接构网过程综合考虑了道路的几何特征和已检测的道路交叉结构约束，从而保证路段连接结果的合理性。新增道路自动提取是道路提取研究领域的难点，在已有道路矢量语义标记的前提下，依然需要解决高分遥感影像道路特征异质性和多样性的问题。从样本自适应聚类与多分类器道路样本分类结果融合作为新增道路提取的研究思路。最后，从道路提取结果的正确性要求出发，引入D‑S证据理论对道路提取结果进行验证，并根据各类特征与道路的关系定义相应的验证概率分布函数。
-
Patent Agency Ranking
公开(公告)号：CN111126427A
公开(公告)日：2020-05-08
申请号：CN201911022565.9
申请日：2019-10-25
Applicant: 武汉大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于遥感影像的OpenStreetMap路网数据质量评价的方法，该方法首先对OSM路网数据进行了简化，得到初始道路骨架，然后将路网与影像进行配准；利用道路的边缘特征、光谱特征以及植被特征构建贝叶斯网络模型进行验证，将OSM路网数据中可靠的路段作为基础路网骨架；其次通过U-Net模型在遥感影像中提取道路，用以弥补OSM路网中未覆盖的新增道路骨架，从遥感影像中提取的道路也会经贝叶斯网络模型验证，与已有的基础路网股价融合得到完整的路网骨架。最后，将影像网格化划分子研究区，通过计算三项路网评价因子：位置精度、长度完整性以及网格内部的最小外接多边形，得到评价区域内的OSM路网数据质量的评价参考图。
-
公开(公告)号：CN105975913B
公开(公告)日：2020-03-10
申请号：CN201610273017.3
申请日：2016-04-28
Applicant: 武汉大学
Abstract: 本发明提供一种基于自适应聚类学习的道路网提取的方法，包括已提取路段矢量的连接构网，新增路段检测与提取；道路提取结果的推理验证三方面内容。路段连接构网过程综合考虑了道路的几何特征和已检测的道路交叉结构约束，从而保证路段连接结果的合理性。新增道路自动提取是道路提取研究领域的难点，在已有道路矢量语义标记的前提下，依然需要解决高分遥感影像道路特征异质性和多样性的问题。从样本自适应聚类与多分类器道路样本分类结果融合作为新增道路提取的研究思路。最后，从道路提取结果的正确性要求出发，引入D‑S证据理论对道路提取结果进行验证，并根据各类特征与道路的关系定义相应的验证概率分布函数。
-
公开(公告)号：CN105956542A
公开(公告)日：2016-09-21
申请号：CN201610272080.5
申请日：2016-04-28
Applicant: 武汉大学
IPC: G06K9/00
Abstract: 本发明提供一种结构线束统计匹配的高分遥感道路提取方法。该方法由道路基线检测、线束剖面特征统计和道路模式匹配组成。道路基线检测是根据边缘分段编组结果统计最优编组连线对象；线束剖面特征统计是将道路基线作为水准线，计算线束中各对象与基线之间的距离，并构成一维特征向量作为道路剖面结构特征；道路模式匹配则是基于道路边线相对于中线对称分布的结构特征构建混合高斯模型，将模型与剖面统计特征进行移动匹配以检测最佳道路中线和边线位置；后处理阶段需要根据地物特征对道路提取结果进行验证和修正。本发明充分利用了高分遥感影像中的丰富的线特征，结合人工种子点作为先验信息，具有较强的实用性。
-
公开(公告)号：CN111126427B
公开(公告)日：2022-04-01
申请号：CN201911022565.9
申请日：2019-10-25
Applicant: 武汉大学
IPC: G06K9/62 , G06V10/778 , G06V10/84 , G06V10/764
Abstract: 本发明公开了一种基于遥感影像的OpenStreetMap路网数据质量评价的方法，该方法首先对OSM路网数据进行了简化，得到初始道路骨架，然后将路网与影像进行配准；利用道路的边缘特征、光谱特征以及植被特征构建贝叶斯网络模型进行验证，将OSM路网数据中可靠的路段作为基础路网骨架；其次通过U‑Net模型在遥感影像中提取道路，用以弥补OSM路网中未覆盖的新增道路骨架，从遥感影像中提取的道路也会经贝叶斯网络模型验证，与已有的基础路网股价融合得到完整的路网骨架。最后，将影像网格化划分子研究区，通过计算三项路网评价因子：位置精度、长度完整性以及网格内部的最小外接多边形，得到评价区域内的OSM路网数据质量的评价参考图。
-
公开(公告)号：CN105956542B
公开(公告)日：2019-12-10
申请号：CN201610272080.5
申请日：2016-04-28
Applicant: 武汉大学
IPC: G06K9/00
Abstract: 本发明提供一种结构线束统计匹配的高分遥感道路提取方法。该方法由道路基线检测、线束剖面特征统计和道路模式匹配组成。道路基线检测是根据边缘分段编组结果统计最优编组连线对象；线束剖面特征统计是将道路基线作为水准线，计算线束中各对象与基线之间的距离，并构成一维特征向量作为道路剖面结构特征；道路模式匹配则是基于道路边线相对于中线对称分布的结构特征构建混合高斯模型，将模型与剖面统计特征进行移动匹配以检测最佳道路中线和边线位置；后处理阶段需要根据地物特征对道路提取结果进行验证和修正。本发明充分利用了高分遥感影像中的丰富的线特征，结合人工种子点作为先验信息，具有较强的实用性。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.016 seconds)
