高分辨率遥感图像道路交叉口自动提取
蔡红玥1,2, 姚国清3
1.中科遥感科技集团有限公司,天津 300384
2.天津市高分遥感信息技术企业重点实验室,天津 300384
3.中国地质大学(北京)信息工程学院,北京 100083
通讯作者:姚国清(1964-),男,教授,主要研究方向为遥感与地理信息系统和计算机应用技术。Email:gqyao@cugb.edu.cn

第一作者简介: 蔡红玥(1989-),女,硕士研究生,主要研究方向为遥感信息处理与应用。Email:redmoon1126dida@163.com

摘要

道路交叉口是道路网络(简称路网)的重要组成元素,获取道路交叉口对提取路网信息、影像匹配和车辆导航等有重要作用。然而,基于遥感图像对道路交叉口自动提取的研究尚不多。针对高分辨率遥感图像中道路交叉口的特点,提出一种自动识别道路交叉口的方法。在图像预处理的基础上,首先对图像进行多尺度圆形均匀区检测,使用梯度变换和形态学变换提取可能存在道路交叉口的候选区; 然后对候选区进行特征提取和进一步筛选,得到候选道路交叉口的位置中心; 最后提取位置中心的角度纹理信息,通过波谷检测判断其连接属性,识别出道路交叉口。结果表明,该方法能有效提取出城市地区的道路交叉口,对于较复杂地区的道路交叉口提取也有一定的效果。

关键词: 道路交叉口; 自动提取; 高分辨率遥感图像; 形态学; 多尺度; 角度纹理; 波谷检测
文献标志码:A 文章编号:1001-070X(2016)01-0063-09 doi: 10.6046/gtzyyg.2016.01.10
Auto-extraction of road intersection from high resolution remote sensing image
CAI Hongyue1,2, YAO Guoqing3
1. ChinaRS Geoinformatics Co., Ltd, Tianjin 300384, China
2. Tianjin High Resolution Remote Sensing Information Technology Enterprise Key Lab, Tianjin 300384, China
3. College of Information Engineering, China University of Geosciences(Beijing), Beijing 100083, China
Abstract

Road intersection is one of the most important parts of road network, and extraction of road intersection information plays a significant role in such aspects as road network extraction, image registration and vehicle navigation. However, the research on extracting road intersections from remote imagery is insufficient. In view of the characteristics of road intersections in high resolution remote sensing imagery, the authors propose an approach to auto-extraction of road intersection in this paper. On the basis of image preprocessing, detection of homogeneous circular area by multi-scale structure elements was firstly used to extract alternative road intersections, which included gradient transformation and morphological transformation. Secondly, feature extraction for alternative road intersections was processed in order to further refine the result and get the central position for each choice. Finally, angular texture signature was extracted for each central position and road intersections were identified by valley finding. The experimental results show that the method presented in this paper can extract urban road intersections efficiently and has fairly good accuracy for complex urban context.

Keyword: road intersection; autoextraction; high resolution remote sensing image; mathematical morphology; multi-scale; angular texture signature; valley finding
0 引言

道路是重要的地理信息, 在地理信息系统数据更新、地图绘制和应急事务处理等领域有着重要的地位。近年来, 高分辨率遥感图像(简称高分图像)越来越多地得到人们的关注, 从高分图像数据中进行目标检测与识别已成为重要的研究课题。目前, 研究人员已提出了很多基于高分图像提取道路网络(简称路网)的方法[1, 2, 3, 4], 其中一些依赖于道路种子点[5, 6]和道路拓扑信息[7, 8], 发现道路交叉口的复杂性是道路提取的不利因素[9, 10]

道路交叉口作为道路交汇的枢纽, 是路网的重要组成元素, 提供了道路的连接性、拓扑关系和方向等信息, 在导航[11]等领域有广泛的应用。其具有稳定、可靠的特征, 可以作为道路提取的种子点及影像匹配的控制点。然而, 基于高分遥感图像对道路交叉口自动提取的研究尚不多。

目前针对道路交叉口自动提取的方法总体上分为间接法和直接法2类。间接法[12, 13]提取的道路交叉口是道路线特征提取后的产物, 该方法将线性道路的交叉点视为道路交叉口, 其结果受道路提取精度的影响, 适用性不强。早期的直接法借鉴拐点检测[14]和模板匹配[15]。这2种方法已不能满足对道路交叉口检测的需求, 不仅会检测出过多的伪角点, 对高分图像也不适用。Barsi等[16]提取图像的均值、方差、边缘等信息, 训练后利用神经网络对滑动窗口的中心点进行判断; 但该方法需要选取训练点, 也不符合自动提取道路交叉口的目的。陈晓飞等[17]利用线性目标相位的对称性设计道路交叉口的特征模板, 对道路交叉口候选区进行检测; 然后通过提取道路交叉口一定范围内的线特征, 进一步从统计和几何形状2个方面进行验证。该方法准确率较高, 但本质上还是直接法与间接法的结合。

近年来, 基于Haverkamp[18]提出的角度纹理信息(angular texture signature, ATS)的道路特征提取方法取得了一些成果。周绍光等[19]和Wan等[20]利用ATS对高分图像中的道路和非道路进行了分割。张睿等[21]和Hu等[22]利用ATS在高分图像中判断道路局部路段的延伸方向, 确定道路种子点的位置。陈卓等[23]和程江华等[24]则结合LiDAR和SAR的影像特征提取矩形模板内的ATS特征, 对道路交叉口的位置及形状进行提取, 取得了不错的效果; 然而高分全色图像没有高程信息, 其光谱和纹理信息也比雷达图像更为复杂, 故该方法对高分图像并不完全适用。因此, 如何结合高分图像的影像特征提出针对高分全色图像的道路交叉口提取方法, 具有重要意义。

针对上述情况, 本文提出一种从高分图像中自动识别道路交叉口的方法。首先利用梯度变换和形态学变换检测均匀圆形区域; 再利用几何和光谱信息进一步提取候选道路交叉口; 最后提取角度纹理信息, 通过波谷检测获取连接属性, 识别出道路交叉口。该方法无需预先提取道路信息, 能较准确地提取出高分遥感图像中的道路交叉口, 对复杂场景中的道路交叉口提取也有一定的适应性。

1 研究方法

道路交叉口自动提取技术流程包括图像预处理、多尺度圆形均匀区检测、候选道路交叉口特征提取和角度纹理特征精提取4部分(图1)。

图1 道路交叉口自动提取技术流程Fig.1 Technical flow chart of road intersection automatic extraction

1.1 图像预处理

中值滤波能够在平滑细小噪声(如道路中的车辆等)的同时保留图像边缘信息, 起到简化图像的作用, 从而减少梯度检测中跳跃边界的产生。此外, 由于实验用图像的部分影像偏暗, 对比度较差, 采用直方图均衡化处理增强了道路与周边环境的色调差异。

1.2 多尺度圆形均匀区检测

本文设定道路交叉口的连接中心在遥感图像中呈类圆形的均匀区域。多尺度圆形均匀区检测的目的就是获取可能存在道路交叉口的区域, 排除明显不是道路交叉口的干扰区。先使用梯度变换获取图像的均匀程度, 再利用多个尺度的结构元作为探针对道路交叉口可能存在的区域进行检测。

1.2.1 Roberts梯度变换

理想状况下, 高分图像中的道路交叉口表现为“ T” 、“ Y” 、“ +” 、“ L” 等形状且灰度较一致的区域。虽然道路交叉口形状多样, 但在无复杂干扰的情况下, 道路交叉口的连接中心呈现灰度比较均匀的似圆形区域(图2)。

图2 道路交叉口模型Fig.2 Model of road intersection

梯度可以表示灰度值变化的程度, Roberts算子的定位精度较高, 能够保留矩形的角点信息[25]。本文采用Roberts算子进行梯度变换, 即

G[f(x, y)]=|f(x, y)-f(x+1, y+1)|+|f(x+1, y)-f(x, y+1)| , (1)

式中f(x, y)为像素的灰度值。Roberts梯度变换检测结果见图3(b), 灰度均匀的区域相对较暗。

图3 多尺度圆形均匀区检测Fig.3 Detection of circular homogeneous area by multi-scale structure elements

1.2.2 多尺度形态学运算

形态学的基本思想是利用一定形态的结构元作为探针, 提取图像中目标的形状结构信息。因其在描述形态特征上具有独特的优势, 已广泛应用于图像的分析和识别。灰度形态学闭运算是形态学变换的一种, 在保持图像基本不变的基础上可滤掉比结构元小的暗细节。道路交叉口的影像经Roberts变换后表现为似圆形的暗区域, 选择圆形结构元进行形态学闭运算, 可滤除比道路交叉口小的暗区域, 从而达到道路交叉口检测的目的。实验证明, 结构元尺寸(圆形结构元的直径)的选择要略大于道路宽度且小于道路交叉口圆形的内径, 以更好地滤除非道路交叉口的区域。

在一个研究区内, 可能有不同等级(宽度)的道路, 结构元的大小决定了提取道路交叉口的尺度大小。图3(c)和(d)分别为对图3(b)进行结构元大小为9和15的形态学闭运算的结果, 其中具有模板形状特征的地物表现为与模板大小相近的连通暗区域, 否则为亮区域或较大的连通暗区域。红框内为一个较宽的道路交叉口, 其在图3(d)中表现为道路交叉口特征, 在图3(c)中则没有表现为交叉口特征。黄色框内的窄道路交叉口在图3(c)中符合道路交叉口特征, 在图3(d)中则不符合。因此, 当图像中有不同等级的道路时, 可以利用多个不同大小的圆形模板分级提取道路交叉口; 当仅需要提取某一等级的道路交叉口时, 可以通过设定模板的大小来提取特定宽度的道路交叉口。

1.2.3 候选道路交叉口特征提取

道路交叉口在形态学闭运算的结果中表现为与结构元大小相近的连通暗区域, 利用二值化和暗连通区域的几何特征与光谱特征, 剔除比结构元宽的道路及建筑物等其他地物的影响, 提取出道路交叉口的候选区, 并计算得到候选道路交叉口的中心点坐标。

首先选取一个较小的阈值对闭运算的结果进行二值化, 得到道路交叉口的候选区(图4(a)黄线圈闭的范围)。

图4 候选道路交叉口特征提取Fig.4 Feature extraction for candidate road intersections

在道路交叉口候选区中, 还要去除比结构元宽的道路, 这些区域表现为较大面积的暗区域(例如图4(a)中的区域A)。因此, 选取一个较大的面积阈值, 以去除二值化后的大面积区域。同时, 为了减少噪声的影响, 将二值化图像中“ 8-连通” 面积小于8的区域去除。计算二值化图像中各连通域的外接矩形, 将外接矩形中心作为候选道路交叉口的位置坐标(图4(b)中的绿色矩形为连通区的外接矩形, 红色十字丝为矩形中心)。梯度运算只考虑了灰度的均匀特征, 导致部分建筑物也会与道路交叉口混淆(如图3中蓝色框处)。利用道路光谱的先验信息, 进一步筛选和定位候选道路交叉口(图4(d))。

1.3 道路交叉口提取

候选道路交叉口特征提取后的结果几乎包含了所有的道路交叉口, 但还有部分建筑物等与道路交叉口光谱特征相似的区域没有被剔除。角度纹理特征能够描述道路交叉口周围光谱的分布特征, 利用波谷检测(局部极小值检测)提取出道路交叉口所连接各道路的主方向, 从而进一步辅助识别道路交叉口, 去除不符合道路交叉口几何特征的候选道路交叉口。

1.3.1 角度纹理特征提取

ATS是以某一点为中心, 用多个角度旋转的矩形采集的一组特征值, 以角度为横坐标、特征值为纵坐标, 构成角度纹理图。可以依据角度纹理图的形状特征对图像中的点进行分类, 区分道路与其他地物。由于沿道路方向的灰度均匀性远优于其他方向, 统计矩形内方差特征生成的角度纹理图(图5), 在道路方向处会出现明显的波谷。若存在2个较明显的波谷, 且其角度相差近似180° , 则该点可能位于连续路段上(图5(a)); 若存在3~4个波谷, 该点可能位于道路交叉口(图5(b)); 其他地物则没有明显的波谷特征(图5(c))。

图5 角度纹理方差特征Fig.5 Angular texture signature for variance feature

依据高分图像特点以及相关实验结果, 小尺度(较窄)道路中由于没有明显的地物噪声(如人行道、天桥等), 基于方差特征的角度纹理图可以较好地反映道路特征; 而大尺度(较宽)道路交叉口周围通常都存在复杂的交通标志或交通设施(图6(a)中的A处), 在其方差特征的角度纹理图中, 沿道路方向的波谷信息不明显(图6(b)), 因而影响对道路交叉口的进一步判断。

图6 方差与相似数目特征角度纹理图对比(旋转参数: l=55, w=4, θ =10, Thresholdcolor=40)Fig.6 Comparison between angular texture signatures for variance and similar number

因此, 本文对大尺度道路交叉口角度纹理特征的提取采用了一个统计矩形模板内相似像素数目(简称“ 相似数目” 特征)的方法, 具体描述如下:

设定矩形模板长度为l, 宽度为w, 以道路交叉口候选点为中心、角度θ 为间隔进行旋转, 共生成360个模板。令中心点像素的光谱值为color_center, 判断每个矩形模板中各个点point_temp与中心点像素光谱值的相似性(相似性指标为|point_temp-color_center|< Thresholdcolor), 并统计每个模板内符合相似性指标的像素点个数num(θ i)。由于后续步骤中要进行波谷点计算, 故以

f(θ i)=lw-num(θ i)(2)

作为角度纹理特征值。在适当情况下, 该特征可以处理因交通标志和其他噪声造成道路阻断的情况(图 6(b)和(c))。对于因修建时间不同、材质不同造成的道路光谱特征不一致现象, 由于该方法对每个道路交叉口的判断是基于不同位置的候选中心点, 因而可以避免使用统一的分割阈值[24]提取道路信息, 具有一定的自适应性。

1.3.2 波谷检测

道路交叉口的进一步提取是确定与道路交叉口连接的道路个数。角度纹理特征提取后, 形成一维角度纹理图f(θ i)(0≤ i≤ 360))。f(θ i)中沿道路的方向表现为波谷, 通过检测f(θ i)中的波谷数目可确定候选道路交叉口的连接信息。本文对文献[24]中求波谷方法做了改进, 具体方法如下:

1)确定初始波谷点。若f(θ i)=0或f(θ i)≤ f(θ i+1), f(θ i)≤ f(θ i-1)且f(θ i)< median[f(θ i)]/2, 则f(θ i)为波谷点v(θ i)。median[f(θ i)]为所有f(θ i)的中值。

2)确定波峰点。若f(θ i)≥ median[f(θ i)]/2且f(θ i)≥ f(θ i+1), f(θ i)≥ f(θ i-1), 则f(θ i)为波峰点p(θ i)。

3)去除伪波谷点。对于一个波谷点v(θ i), 其左右临近的2个波峰点分别为p(θ left)和p(θ right); p(θ max)=max[p(θ left), p(θ right)], 如果v(θ i)/p(θ max)≥ 0.6, 则认为该波谷不够深, 将其从波谷点中剔除(图7)。

图7 伪波谷点去除Fig.7 Remove false valleys

4)修正连续的波谷值(该条件只用于相似数目特征)。较宽的道路因包含多个矩形区域而形成2个以上连续的波谷, 通常这些波谷值的大小相近且趋近于0。选取这些波谷点的中间位置作为修正后波谷的位置。若2个连续波谷的间距较小(如小于30° ), 则认为中间的波峰为突变, 将波峰位置处也视为波谷区域, 重新计算波谷的位置(图8(a)— (c)为波谷检测结果, (e)— (g)为其对应的角度纹理图)。

5)合并邻近波谷点。v(θ i)和v(θ j)为2个临近波谷点, 如果ij|≤ 30° ij|≥ 330° , 则将2个波谷点合并, 取min(v(θ i), v(θ j))作为新的波谷点的位置(图8(d))。

图8-1 波谷检测Fig.8-1 Valley finding

图8-2 波谷检测Fig.8-2 Valley finding

1.3.3 道路交叉口的确定

角度纹理图中波谷点所对应的方向为道路交叉口连接的道路方向, 通过波谷点的数目及方向可以判断中心点是否为道路交叉口(图9)。

图9 候选道路交叉口方向提取Fig.9 Direction extraction for candidate road intersections

确定道路交叉口的步骤:

1)设波谷个数为N, 若N< 2或N≥ 5(研究范围内的道路的支路最多为4), 则中心点不是道路交叉口。

2)若存在2个波谷v(θ i)和v(θ j), 且 |θi-θj|-180°≤ 30° , 则中心点为非道路交叉口; 否则为道路交叉口。

3)若3≤ N≤ 4, 则中心点为道路交叉口。

2 实验结果与分析

为验证本文方法的有效性, 选择3景具有代表性的城市全色遥感图像(图10— 12), 其空间分辨率为0.6~0.7 m。

图10 道路交叉口提取实验一Fig.10 Experiment 1 of road intersection extraction

图11 道路交叉口提取实验二Fig.11 Experiment 2 of road intersection extraction

图12 道路交叉口提取实验三Fig.12 Experiment 3 of road intersection extraction

3景影像中都存在不同等级的道路, 因此采用多尺度的结构元提取道路交叉口。图10中由于不存在人行道和过街天桥对宽道路交叉口的影响, 依据影像中道路的情况, 采用大小为9和15的结构元提取方差角度纹理特征。图11图12由于存在较宽的道路交叉口和复杂的交通标志, 采用方差和相似像素数目这2种特征提取角度纹理。根据道路特征, 图11选取了大小为11和21的结构元。图12由于道路等级较为复杂, 选取了9, 13和15这3个尺度的结构元。实验的具体参数如表1所示, 道路交叉口提取结果如图10— 12所示。

表1 实验参数 Tab.1 Experimental parameters

比较图10(a)(b)和图11(a)(b)的结果可以看出, 不同尺度的结构元素可以较准确地提取出该尺度下的道路交叉口。候选道路交叉口的提取结果基本包含了图像中所有的道路交叉口, 且精提取过程可以利用道路交叉口的形状有效地排除建筑物的干扰(图10(a)和图11(a)中区域1)。处于道路直线路段上的候选道路交叉口(图10(a)和图11(a)中区域2)也可以在ATS精提取中剔除。对于较宽的道路, 基于相似像素数目的角度纹理特征可以克服交通设施遮挡影响, 将道路交叉口提取出来(图11(b)中区域3)。

由于影像的复杂性, 道路周边的建筑物有时会对角度纹理图的形状特征产生干扰。如图10(b)中的区域3, 呈“ L” 型的建筑物会表现出道路交叉口特征而被误当作道路交叉口提取出来。与道路呈垂直粘连特征的建筑区域(图11(a)中的区域4), 容易被当作道路交叉口。当大尺度道路上有较多复杂交通标志、设施时(图12中区域1), 也会影响对道路交叉口的判断。

因此, 本文提出的方法能够有效地将高分图像中不同尺度下的道路交叉口提取出来, 对有交通设施影响的较宽道路也有一定的适应性。但复杂的交通标记、阴影、建筑物等噪声会影响道路交叉口提取的准确性。

3 结论

1)针对高分辨遥感图像特点和道路交叉口的影像特征, 本文提出了一种自动提取道路交叉口的方法。多尺度圆形均匀区检测及梯度变换和多尺度结构元的形态学变换能有效提取出各尺度下可能存在道路交叉口的候选区, 并充分利用道路交叉口的几何、光谱信息进一步筛选道路交叉口, 获取道路交叉口的位置中心; 基于2种特征的角度纹理图的波谷检测能够识别道路交叉口的连接属性, 可以辅助道路交叉口的识别, 对大尺度和小尺度下的道路交叉口具有一定的适用性。实验证明, 该方法能较准确地提取出高分辨率图像中的道路交叉口, 对较复杂场景中的道路交叉口提取也有一定的效果。

2)本文提出的道路交叉口提取算法还有一定的局限性: ①粗提取中假设的道路交叉口模型要求道路的灰度较均匀, 如果道路中有较多的交通标记、阴影等噪声, 道路交叉口提取的准确度将会降低; ②在候选道路特征提取时, 需要提供一些经验参数; ③在将多个尺度的道路交叉口提取结果融合时, 可能会有重叠和聚集的道路交叉口, 还需通过人工干预对这些道路交叉口进行编辑后处理或选择适当的聚类方法进行修正。

如何更好地利用道路特征有效地去除高分图像中各种噪声的干扰, 准确、自动地提取出道路交叉口, 仍是需要今后进一步研究的内容。

The authors have declared that no competing interests exist.

参考文献
[1] Talal T M, El-Sayed A, Hebaishy M, et al. Extraction of roads from high-resolution satellite images with the discrete wavelet transform[J]. Sensing and Imaging: An International Journal, 2013, 14(1/2): 29-55. [本文引用:1]
[2] 王双, 曹国. 一种基于改进path opening的道路提取新方法[J]. 计算机科学, 2014, 41(2): 285-289.
Wang S, Cao G. New method for road extraction based on modified path opening algorithm[J]. Computer Science, 2014, 41(2): 285-289. [本文引用:1]
[3] Shi W Z, Miao Z L, Wang Q M, et al. Spectral-spatial classification and shape features for urban road centerline extraction[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(4): 788-792. [本文引用:1]
[4] 周绍光, 陈超, 岳建平, . 形状先验和图割的高分辨率遥感影像道路段提取[J]. 测绘学报, 2014, 43(1): 60-65.
Zhou S G, Chen C, Yue J P. Extracting roads from high-resolution RS images based on shape priors and graph cuts[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(1): 60-65. [本文引用:1]
[5] 林祥国, 张继贤, 刘正军, . 用改进的剖面匹配算子提取高分辨率遥感影像上带状道路[J]. 测绘科学, 2009, 34(4): 64-66, 126.
Lin X G, Zhang J X, Liu Z J, et al. Semi-automatic extraction of ribbon road form high resolution remotely sensed imagery by improved profile matching algorithm[J]. Science of Surveying and Mapping, 2009, 34(4): 64-66, 126. [本文引用:1]
[6] Niu X T. A semi-automatic framework for highway extraction and vehicle detection based on a geometric deformable model[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2006, 61(3/4): 170-186. [本文引用:1]
[7] Trinder J C, Wang Y D. Knowledge-based road interpretation in aerial images[J]. International Archives of Photogrammetry and Remote Sensing, 1998, 32(4): 635-640. [本文引用:1]
[8] Gamba P, Dell’Acqua F, Lisini G. Improving urban road extraction in high-resolution images exploiting directional filtering, perceptual grouping, and simple topological concepts[J]. IEEE Geoscience and Remote Sensing Letters, 2006, 3(3): 387-391. [本文引用:1]
[9] 顾丹丹, 汪西莉. 结合区域生长和水平集的遥感影像道路提取[J]. 计算机应用, 2010, 30(2): 433-436, 440.
Gu D D, Wang X L. Road extraction from remote sensing images combining region growing with level set[J]. Journal of Computer Applications, 2010, 30(2): 433-436, 440. [本文引用:1]
[10] 李伟. 遥感图像中的道路提取[J]. 自动化博览, 2006, 23(5): 20-23.
Li W. Road extraction from remote sensing images[J]. Automation Panorama, 2006, 23(5): 20-23. [本文引用:1]
[11] 吴亮, 胡云安. 参考道路交叉点的飞行器视觉辅助导航[J]. 北京航空航天大学学报, 2010, 36(8): 892-895.
Wu L, Hu Y A. Scheme for vision-aided navigation in flight with reference of road intersections[J]. Journal of Beijing University of Aeronautics and Astronautics, 2010, 36(8): 892-895. [本文引用:1]
[12] Laptev I, Lindeberg T, Eckstein W, et al. Automatic extraction of roads from aerial images based on scale space and snakes[J]. Machine Vision and Applications, 2000, 12(1): 23-31. [本文引用:1]
[13] Chiang Y Y, Knoblock C A, Shahabi C, et al. Automatic and accurate extraction of road intersections from raster maps[J]. GeoInformatica, 2009, 13(2): 121-157. [本文引用:1]
[14] Mokhtarian F, Suomela R. Robust image corner detection through curvature scale space[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998, 20(12): 1376-1381. [本文引用:1]
[15] Koutaki G, Uchimura K. Automatic road extraction based on cross detection in suburb[C]//Bouman C A, Miller E L. Computational Imaging II. San Jose, CA: SPIE, 2004: 337-344. [本文引用:1]
[16] Barsi A, Heipke C. Detecting road junctions by artificial neural networks[C]//Proceedings of the 2nd GRSS/ISPRS Joint Workshop on Remote Sensing and Data Fusion over Urban Areas. Berlin, Germany: IEEE, 2003: 129-132. [本文引用:1]
[17] 陈晓飞, 薛峰, 王润生. 航空照片中道路交叉口的自动检测[J]. 模式识别与人工智能, 2000, 13(1): 83-86.
Chen X F, Xue F, Wang R S. Intersections automatic detection in aerial photos[J]. Pattern Recognition and Artificial Intelligence, 2000, 13(1): 83-86. [本文引用:1]
[18] Haverkamp D. Extracting straight road structure in urban environments using IKONOS satellite imagery[J]. Optical Engineering, 2002, 41(9): 2107-2110. [本文引用:1]
[19] 周绍光, 刘娟娟, 陈仁喜. 从高分辨率遥感影像中提取城市道路的新方法[J]. 计算机工程与应用, 2010, 46(32): 216-219.
Zhou S G, Liu J J, Chen R X. New method to extract roads in urban area from high-resolution remote sensing imagery[J]. Computer Engineering and Applications, 2010, 46(32): 216-219. [本文引用:1]
[20] Wan Y C, Shen S H, Song Y, et al. A road extraction approach based on fuzzy logic for high-resolution multispectral data[C]//Proceedings of the 4th International Conference on Fuzzy Systems and Knowledge Discovery. Haikou: IEEE, 2007: 203-207. [本文引用:1]
[21] 张睿, 张继贤, 李海涛. 基于角度纹理特征及剖面匹配的高分辨率遥感影像带状道路半自动提取[J]. 遥感学报, 2008, 12(2): 224-232.
Zhang R, Zhang J X, Li H T. Semi-automatic extraction of ribbon roads from high resolution remotely sensed imagery based on angular texture signature and profile match[J]. Journal of Remote Sensing, 2008, 12(2): 224-232. [本文引用:1]
[22] Hu J X, Razdan A, Femiani J C, et al. Road network extraction and intersection detection from aerial images by tracking road footprints[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(12): 4144-4157. [本文引用:1]
[23] 陈卓, 马洪超, 李云帆. 结合角度纹理信息和Snake方法从LiDAR点云数据中提取道路交叉口[J]. 国土资源遥感, 2013, 25(4): 79-84. doi: DOI: 106046/gtzyyg. 2013. 04. 13.
Chen Z, Ma H C, Li Y F. Extraction of road intersection from LiDAR point cloud data based on ATS and Snake[J]. Remote Sensing for Land and Resources, 2013, 25(4): 79-84. doi: DOI:10.6046/gtzyyg.2013.04.13. [本文引用:1]
[24] 程江华, 高贵, 库锡树, . 高分辨率SAR图像道路交叉口检测与识别新方法[J]. 雷达学报, 2012, 1(1): 91-95.
Cheng J H, Gao G, Ku X S, et al. A novel method for detecting and identifying road junctions from high resolution SAR images[J]. Journal of Radars, 2012, 1(1): 91-95. [本文引用:2]
[25] 冯伍, 张俊兰, 苗秋瑾. 几种典型边缘检测算子的评估[J]. 电子设计工程, 2011, 19(4): 131-133.
Feng W, Zhang J L, Miao Q J. Evaluation of several typical edge detection operator[J]. Electronic Design Engineering, 2011, 19(4): 131-133. [本文引用:1]