結(jié)合高斯馬爾可夫隨機(jī)場(chǎng)紋理模型與支撐向量機(jī)在高分辨率遙感圖像

1、󰀁4619(2005)03󰀁0271󰀁06󰀁󰀁󰀁文章編號(hào):1007結(jié)合高斯馬爾可夫隨機(jī)場(chǎng)紋理模型與支撐向量機(jī)在高分辨率遙感圖像上提取道路網(wǎng)汪󰀁閩,駱劍承,周成虎,明冬萍,陳秋曉,沈占峰(中國(guó)科學(xué)院地理科學(xué)與資源研究所,資源與環(huán)境信息系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室,北京󰀁100101)摘󰀁要:󰀁在高分辨率遙感圖像上,道路網(wǎng)的同物異譜現(xiàn)象更為突出,因此其提取難度更大。提出了一種馬爾可夫隨機(jī)場(chǎng)紋理模型與支撐向量機(jī)分類(lèi)相結(jié)合的道路網(wǎng)提取方法。其基本過(guò)程是:

2、利用高斯馬爾科夫隨機(jī)場(chǎng)模型6個(gè)歸一化特征值進(jìn)行支撐向量機(jī)的分類(lèi)得到道路斑塊,利用形態(tài)學(xué)算子對(duì)其進(jìn)行初步連接并提取軸線,然后通過(guò)斑塊軸線的啟發(fā)式連接得到最終道路網(wǎng)。試驗(yàn)證明方法是有效的。關(guān)鍵詞:󰀁高分辨率遙感;馬爾科夫隨機(jī)場(chǎng)紋理模型;支撐向量機(jī);道路網(wǎng);信息提取中圖分類(lèi)號(hào):󰀁TP751󰀁1󰀁󰀁󰀁文獻(xiàn)標(biāo)識(shí)碼:󰀁A了更大困難。1󰀁引󰀁言由于道路目標(biāo)復(fù)雜的光譜與形狀特征,在遙感圖像上進(jìn)行道路網(wǎng)提取一直被認(rèn)為是一項(xiàng)具有相當(dāng)難度的工作1。遙感工作者們對(duì)此問(wèn)題進(jìn)行了

3、大量不懈的努力,如Barzohar等2正是由于高分辨率圖像的復(fù)雜光譜特征,造成特征空間中地物目標(biāo)往往非線性可分。為此,如果采用簡(jiǎn)單的線性分類(lèi)模型或單峰高斯分類(lèi)模型不一定完全能夠?qū)⑻卣骺臻g中的各個(gè)類(lèi)別有效地區(qū)分開(kāi)來(lái),所以必須采用非線性的復(fù)雜映射模型以建立分類(lèi)判別函數(shù)。支撐向量機(jī)(SupportVectorMachine,SVM)是一種進(jìn)行非線性復(fù)雜分類(lèi)任務(wù)的有效工具。其基本思想可以概括為:首先通過(guò)非線性變換將輸入空間變換到一個(gè)高維空間,然后在新空間中求取最優(yōu)分類(lèi)面,而這種非線性變換通過(guò)定義適當(dāng)?shù)膬?nèi)積函數(shù)(核函數(shù))實(shí)現(xiàn)9提出結(jié)合幾何特征與統(tǒng)計(jì)模型的道路網(wǎng)檢測(cè)方法;Tupin等3結(jié)合線性形狀特征與馬

4、爾可夫隨機(jī)場(chǎng)紋理模型進(jìn)行SAR圖像上的道路網(wǎng)提取;文貢堅(jiān)等4結(jié)合統(tǒng)計(jì)模型的直線抽取方式進(jìn)行道路提取;Shackelford等5利用形狀與光譜特征進(jìn)行城市道路網(wǎng)檢測(cè)等等。但是,足夠可靠和實(shí)用化的軟件至今尚未出現(xiàn)。有關(guān)這方面的分類(lèi)綜述性文獻(xiàn),可參見(jiàn)文獻(xiàn)6。近年來(lái),隨著IKONOS、QuickBird、SPOT󰀁5等高空間分辨率遙感衛(wèi)星的相繼發(fā)射,高分辨率遙感衛(wèi)星數(shù)據(jù)的處理與應(yīng)用逐步成為遙感應(yīng)用領(lǐng)域的研究熱點(diǎn)。由于高分辨遙感圖像信息的高度細(xì)節(jié)化,在雙向反射率因子(BRDF)的影響下,造成同一地物的不同部分灰度可能不一致7,8;加之地物陰影、相互遮蓋、云層遮蓋等因素,高分辨率遙感圖像的

5、󰀁同物異譜󰀁現(xiàn)象更為突出,󰀁異物同譜󰀁現(xiàn)象依舊存在,這為信息提取,特別是本文所關(guān)注的道路提取工作帶來(lái)󰀁󰀁收稿日期:2004󰀁03󰀁11;修訂日期:2004󰀁05󰀁10。SVM具有學(xué)習(xí)速度快、自適應(yīng)映射能力強(qiáng)等特點(diǎn)。通過(guò)設(shè)置核函數(shù)類(lèi)型、擴(kuò)散范圍等SVM參數(shù)后,SVM將樣本特征空間的劃分問(wèn)題轉(zhuǎn)換為高維特征空間的線性分類(lèi)問(wèn)題,通過(guò)有限的支撐向量點(diǎn)的線性組合建立分類(lèi)決策函數(shù)。研究表明,SVM在學(xué)習(xí)、分類(lèi)效率、可表達(dá)性等方面要優(yōu)于神經(jīng)網(wǎng)絡(luò)方法10

6、。本文利用高斯馬爾可夫隨機(jī)場(chǎng)紋理模型提取遙感圖像的基本特征,利用支撐向量機(jī)非線性映射模型進(jìn)行分類(lèi)得到道路斑塊,再利用啟發(fā)式連接規(guī)則進(jìn)行道路軸線連接以獲得最終道路網(wǎng)。試驗(yàn)證明,方法是可行的?；痦?xiàng)目:國(guó)家自然科學(xué)基金(40401039),863計(jì)劃(2002AA135230),中國(guó)博士后科學(xué)基金資助。作者簡(jiǎn)介:汪閩(1975󰀁󰀂)男,浙江衢州人。中國(guó)科學(xué)院資源與環(huán)境信息系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室博士后。主要研究方向?yàn)檫b感圖像智能信息提取,空間數(shù)據(jù)挖掘。已發(fā)表論文10余篇。2󰀁高斯馬爾可夫隨機(jī)場(chǎng)紋理模型與支撐向量機(jī)2󰀁1󰀁高斯

7、馬爾可夫隨機(jī)場(chǎng)(GaussianMarkovRandomField,GMRF)󰀁󰀁設(shè)S=s1,s2,󰀁,sn表示n個(gè)位置(Site)的集合,xs是定義在s󰀁S處的未觀察隨機(jī)變量,X=xs,s󰀁S表示一個(gè)隨機(jī)場(chǎng)。對(duì)于si和sj,如果P(xsi|xs1,xs2,󰀁,xsn)與xsj有關(guān),則sj是si的一個(gè)鄰點(diǎn),󰀁s是s的鄰點(diǎn)集,󰀁=󰀁s,s󰀁S是S的鄰域系統(tǒng)?；鶊F(tuán)(Clique)是包含若干位置的集合,它或者只含有一個(gè)元素,或者其中任一個(gè)都是

8、其余的鄰點(diǎn)。設(shè)󰀁s是xs的取值域,󰀁=x=(xs1,xs2,󰀁,xsn)󰀁xsi󰀁󰀁si,1󰀁i󰀁n是所有可能狀態(tài)的集合。若對(duì)任意s󰀁S和x󰀁󰀁,有P(x)>0且󰀁P(xs|xr,r󰀁s,r󰀁S)=P(xs|xr,r󰀁󰀁s)(1)則稱(chēng)X是關(guān)于鄰域系統(tǒng)󰀁的MRF。如果X滿(mǎn)足高斯分布,則X就是一個(gè)GMRF。本文利用2次GMR

9、F計(jì)算樣本像元的6個(gè)特征值進(jìn)行分類(lèi)。其計(jì)算公式如下11:f(m,n)=(t,s)󰀁N󰀁󰀁(t,s)f(m-t,n-s)+e(m,n)󰀁(2)式中,N=(1,1),(1,0),(1,-1),(0,1),(0,-1),(-1,1),(-1,0),(-1,-1),且e(m,n)󰀁N(0,2,對(duì)于0󰀁󰀁󰀁每個(gè)像元,用最小均方差估計(jì)(LSE)訓(xùn)練計(jì)算其以其為中心的窗口內(nèi)的灰度均值、方差和特征參數(shù)󰀁)具有0均值和協(xié)方差矩陣󰀁=󰀁&#

10、983041;󰀁0󰀁(t,s),(t,s)󰀁N,公式如下:r(0,0)󰀁r(0,1)󰀁󰀁r(0,2)󰀁󰀁r(1,0)r(0,1)󰀁r(0,0)󰀁󰀁r(0,1)󰀁󰀁r(1,-1)r(0,2)󰀁r(0,1)󰀁󰀁r(0,0)󰀁󰀁r(1,-2)r(1,0)󰀁r(1,-1)󰀁r(1,-2)

11、󰀁r(0,0)󰀁2=r(0,0)-r(t,s)=(t,s)󰀁N󰀁(1,1)󰀁(1,0)󰀁(1,-1)󰀁(0,1)=r(1,1)r(1,0)r(1,-1)r(0,1)(3)󰀁󰀁(t,s)r(t,s)(4)(5)(6)qf(m,n)f(m-t,n-s)Nw(m,󰀁n)󰀁W󰀁=N󰀁f(m,n)w(m,n)󰀁W式中,Nw是窗口W內(nèi)像元個(gè)數(shù)。由于相關(guān)函數(shù)的對(duì)稱(chēng)性,只需估計(jì)4個(gè)b

12、3041;值。以此6個(gè)特征,進(jìn)行歸一化后,構(gòu)成特征空間,進(jìn)行分類(lèi)。2󰀁2󰀁支撐向量機(jī)(SupportVectorMachine,SVM)我們用支撐向量機(jī)解決非線性可分的特征矢量分類(lèi)問(wèn)題。SVM求取最優(yōu)分類(lèi)面的優(yōu)化函數(shù)定義如下:Q(󰀁)=󰀁󰀁󰀁(7)i-i󰀁jyiyj(xi󰀁xj)2i,󰀁i=1j=1式中,n為樣本個(gè)數(shù),y為類(lèi)別編號(hào),󰀁i是函數(shù)優(yōu)化時(shí)的Lagrange系數(shù)。x為樣本。對(duì)應(yīng)的判別函數(shù)為:f(x)=sgn(i=1nnH(x,x

13、󰀁)=(x󰀁x󰀁)+1徑向基函數(shù)形如:n(9)if(x)=sgn󰀁󰀁iexp-i=1󰀁2其中󰀁定義寬度,內(nèi)積核為:(10)H(x,x󰀁)=exp-(11)󰀁關(guān)于SVM原理的較詳細(xì)論述,可參見(jiàn)文獻(xiàn)9,這里不再贅述。3󰀁技術(shù)路線整個(gè)算法包括了以下幾個(gè)主要步驟:iyiK(xi,x)+󰀁󰀁nb)(8)3󰀁1󰀁選取樣本點(diǎn)并計(jì)算GMRF紋理特征首先,樣本采集并標(biāo)記樣本點(diǎn)的歸屬類(lèi)別屬性,

14、這里我們劃分兩類(lèi):道路樣本與非道路樣本(包括建筑物、水體、植被、云區(qū)和其他不可分辨區(qū)域)。采用GMRF紋理描述方法對(duì)一定大小窗口內(nèi)的區(qū)域進(jìn)行式中,sgn為符號(hào)函數(shù),b為分類(lèi)的閾值。常用的內(nèi)積核包括多項(xiàng)式、徑向基函數(shù)、神經(jīng)網(wǎng)絡(luò)SIGMOID函數(shù)等,比如:q階多項(xiàng)式的內(nèi)積核:定量的表達(dá),我們只取像素點(diǎn)(m,n)鄰域中的4個(gè)像素點(diǎn)對(duì)應(yīng)的權(quán)重󰀁(1,1),󰀁(1,0),󰀁(1,-1),󰀁(0,1),和參數(shù)󰀁,󰀁一起構(gòu)成了像素點(diǎn)(m,n)的GMRF6維特征矢量。設(shè)置GMRF模板窗口大小,然后計(jì)算每個(gè)樣本點(diǎn)的G

15、MRF特征向量,對(duì)應(yīng)相應(yīng)的類(lèi)別標(biāo)號(hào),組成樣本特征向量數(shù)據(jù)集。由于樣本特征向量各維的標(biāo)量不盡相同,因此采用歸一化手段將特征維大小統(tǒng)一到0󰀁1的范圍中,以保證特征空間劃分的有效性。3󰀁2󰀁SVM學(xué)習(xí)與分類(lèi)在建立了樣本數(shù)據(jù)集的基礎(chǔ)上,就可以采用SVM監(jiān)督分類(lèi)方法建立分類(lèi)判別模型,然后對(duì)未分類(lèi)數(shù)據(jù)進(jìn)行類(lèi)別歸屬的劃分。首先,設(shè)置SVM訓(xùn)練參數(shù),包括核函數(shù)類(lèi)型、核函數(shù)形狀,進(jìn)行訓(xùn)練,得到?jīng)Q策函數(shù),然后將訓(xùn)練樣本集重新代入SVM分類(lèi)決策函數(shù),計(jì)算歸屬類(lèi)別,得到分類(lèi)誤差矩陣,以顯示SVM分類(lèi)器的分類(lèi)效果。如果分類(lèi)精度偏低,則返回到SVM參數(shù)設(shè)置步驟,重新調(diào)整學(xué)習(xí)

16、參數(shù)。通過(guò)訓(xùn)練,得到SVM分類(lèi)判別函數(shù)后,就可以對(duì)圖像進(jìn)行區(qū)域劃分。首先設(shè)置圖像尺度,然后按照尺度在圖像上挪動(dòng)像素點(diǎn),然后以像素點(diǎn)為中心計(jì)算一定窗口內(nèi)的GMRF值,歸一化后代入SVM決策函數(shù),如獲得類(lèi)別標(biāo)號(hào)為C,則該像素點(diǎn)為中心的窗口范圍內(nèi)的區(qū)域的主要成分為C。對(duì)圖像上一定尺度下的所有窗口都標(biāo)號(hào)后,就獲得初始區(qū)域劃分圖像,這里就是道路、非道路分類(lèi)圖像。3󰀁3󰀁分類(lèi)后處理與道路塊提取由于分類(lèi)精度、噪聲等因素的影響,分類(lèi)存在許多錯(cuò)漏,因此這時(shí)得到的道路是間斷的道路塊,初始劃分圖像可能會(huì)表現(xiàn)得比較零碎。我們使用了數(shù)學(xué)形態(tài)學(xué)的一對(duì)開(kāi)閉算子進(jìn)行分類(lèi)后處理。這是由于:開(kāi)運(yùn)算

17、是先對(duì)圖像進(jìn)行腐蝕后膨脹操作,閉運(yùn)算是先膨脹后腐蝕,因此利用開(kāi)運(yùn)算可去除圖像的斑點(diǎn)狀噪聲,利用閉運(yùn)算可進(jìn)行相鄰圖斑的連接并填充內(nèi)部孔洞。利用這兩個(gè)算子,就可進(jìn)行相鄰路塊的合并、過(guò)度稀疏、破碎圖斑的刪除,得到󰀁干凈󰀁的路塊圖層,并初步連接了間斷路塊。算子的模板大小需根據(jù)噪聲斑塊大小交互確定。3󰀁4󰀁圖像細(xì)化與矢量化得到道路塊之后,對(duì)其進(jìn)行細(xì)化處理以提取軸線。然后通過(guò)線條追蹤的方法,將軸線點(diǎn)集用矢量的形式記錄下來(lái)。3󰀁5󰀁軸線連接得到道路網(wǎng)由于道路塊間存在間隔,因此軸線間還需要完成一個(gè)相互連接以構(gòu)建道路

18、網(wǎng)的工作。由于細(xì)化過(guò)程中可能產(chǎn)生許多毛刺狀短路段,會(huì)對(duì)后繼連接操作有影響,因此需指定長(zhǎng)度參數(shù)將其刪除。為此,我們指定了一個(gè)最小路段長(zhǎng)度參數(shù),刪除這些短的懸掛線,并設(shè)置路段的搜索半徑,搜索張角,此二參數(shù)控制了路段的頭尾搜索區(qū)的大小與形狀;然后搜索軸線集中較為適合的軸線(長(zhǎng)且直),根據(jù)其走向、搜索半徑,搜索張角構(gòu)造頭尾扇形搜索區(qū)域,對(duì)落入其搜索區(qū)且距其最近的軸線進(jìn)行連接,就得到最終道路網(wǎng)。4󰀁實(shí)驗(yàn)4󰀁1󰀁實(shí)驗(yàn)1󰀁󰀁實(shí)驗(yàn)數(shù)據(jù)采用IKONOS全色影像,空間分辨率1m。實(shí)驗(yàn)參數(shù)設(shè)置如下:道路寬度10m,路段搜索張角45

19、83041;,刪除短路段160m,采用高斯核函數(shù)訓(xùn)練SVM,從樣本庫(kù)中抽取樣本2512個(gè),其中道路樣本300個(gè),非道路樣本2212個(gè),SVM總體分類(lèi)精度99󰀁4%,KAPPA為97󰀁3%。表1󰀁分類(lèi)誤差矩陣Table1󰀁Errormatrixoftheclassification實(shí)際道路道路非道路總計(jì)29010300實(shí)際非道路422082212總計(jì)29422182512樣本訓(xùn)練后,根據(jù)訓(xùn)練樣本對(duì)全圖進(jìn)行分類(lèi),得到道路斑塊圖(圖1(b),分析圖1(b)結(jié)果可知,分類(lèi)存在不少錯(cuò)誤,造成非道路區(qū)域存在斑點(diǎn)狀偽道路塊,而且道路塊之間存在空

20、隙。因此,我們利用一對(duì)先開(kāi)后閉的形態(tài)學(xué)算子進(jìn)行后處理,就可基本去除類(lèi)似斑點(diǎn)噪聲狀的偽路塊,并初步連接了相互間存在間隔的路段(見(jiàn)圖1(b)箭頭處和圖1(c)相應(yīng)位置),并填充了路塊內(nèi)的小洞。而后,我們對(duì)圖1(c)進(jìn)行軸線提取并矢量化,得到圖1(d)軸線圖層。由于細(xì)化過(guò)程中可能會(huì)出現(xiàn)主干軸線上存在大量的毛刺狀短路段,為此根據(jù)短路段參數(shù)去除這些懸掛路段,防止對(duì)后繼連接操作產(chǎn)生干擾。而后,我們進(jìn)行剩余軸線的啟發(fā)式連接,將相互間接近的路段連接起來(lái)(見(jiàn)圖1(d)箭頭處,圖1(e)相應(yīng)位置),就可以得到最終路網(wǎng)。對(duì)圖1(e)分析可知,方法能夠提取出主干路網(wǎng)。但是,由于高分辨率遙感圖像光譜特征的復(fù)雜性,以及支

21、撐向量機(jī)分類(lèi)精度、形態(tài)學(xué)后處理對(duì)路塊形狀具有一定影響等因素,在道路網(wǎng)空間分布較為復(fù)雜的區(qū)域存有路段偏移、丟失、錯(cuò)分、粘連等缺點(diǎn),這則有待于進(jìn)一步研究改進(jìn)。圖1󰀁實(shí)驗(yàn)1:(a)實(shí)驗(yàn)區(qū);(b)SVM分類(lèi)結(jié)果;(c)形態(tài)學(xué)后處理結(jié)果;(d)細(xì)化結(jié)果;(e)提取的道路網(wǎng)Fig.1󰀁Experiment1:(a)Testingarea;(b)ClassificationofSVM;(c)Resultaftermorphologicaloperations;(d)Skeleton;(e)Roadnetwork4󰀁2󰀁實(shí)驗(yàn)2遷移實(shí)驗(yàn)區(qū)至圖2(a

22、)處,由于采用的是同類(lèi)數(shù)據(jù),道路的紋理特征同圖1(a)比較接近,因此我們未在此處采集樣本,以檢驗(yàn)方法的有效性。使用同一樣本庫(kù),道路提取參數(shù)和實(shí)驗(yàn)1相同,提取的道路結(jié)果如圖2(b)所示(篇幅所限,這里只給出最終結(jié)果圖)。由圖2可知,主要的道路網(wǎng)基本能夠被提取出來(lái),但除同實(shí)驗(yàn)1一樣有道路位置偏移的缺點(diǎn)外,也存在道路由于無(wú)合適紋理樣本而未能提取的現(xiàn)象。對(duì)于這種情況,在實(shí)際應(yīng)用時(shí)的補(bǔ)償辦法是在缺失處補(bǔ)充適量樣本訓(xùn)練支撐向量機(jī)?？偟恼f(shuō)來(lái),方法可在合適選擇代表性樣區(qū)進(jìn)行分類(lèi)器訓(xùn)練的前提下,完成大尺度范圍內(nèi)高分辨率遙感影像主干路網(wǎng)的初步提取工作。需要指出,對(duì)于不同來(lái)源的遙感數(shù)據(jù),或路網(wǎng)紋理特征發(fā)生明顯變化的

23、情況下,一般需要重新采集或補(bǔ)充樣本進(jìn)行分類(lèi)器訓(xùn)練以提取路網(wǎng)。圖2󰀁實(shí)驗(yàn)區(qū)2:(a)實(shí)驗(yàn)區(qū);(b)提取結(jié)果Fig.2󰀁Experimentarea2:(a)Testingarea;(b)Resultoftheextraction3󰀁FlorenceTupin,HenriMaitre,Jean󰀁FrancoisMangin,etal.Dec󰀁5󰀁結(jié)󰀁論本文結(jié)合GMRF的紋理特征表達(dá)和SVM的非線性分類(lèi)能力,提出了一種在高分辨率遙感圖像上道路網(wǎng)提取的新方法,并通過(guò)試驗(yàn)證明了方法的有效性。本

24、方法實(shí)質(zhì)上是一種道路網(wǎng)提取的半自動(dòng)方法,需要用戶(hù)進(jìn)行道路󰀁非道路樣本采樣計(jì)算紋理特征值訓(xùn)練支撐向量機(jī)分類(lèi)器。為此,我們?cè)O(shè)計(jì)并構(gòu)建了分類(lèi)樣本庫(kù),實(shí)現(xiàn)在實(shí)際使用時(shí)一次采樣多次使用的自動(dòng)化目標(biāo)。由于高分辨率遙感影像復(fù)雜的光譜特征,特別是道路目標(biāo)較其它對(duì)象在光譜、形狀特征上更為復(fù)雜的特點(diǎn),本方法還有很大的改進(jìn)空間。例如:(1)本方法中,只著重考慮了路網(wǎng)斑塊紋理特征,可進(jìn)一步結(jié)合形體特征、環(huán)境知識(shí)(如道路往往和橋梁連接,而橋梁提取則相對(duì)較容易)等等,進(jìn)一步提高分類(lèi)精度與算法普適性;(2)本文的路網(wǎng)軸線連接規(guī)則相對(duì)簡(jiǎn)單,需要研究更智能與魯棒性的路網(wǎng)軸線連通搜索策略。參考文獻(xiàn)(Referen

25、ces)1󰀁CaiT,WangRS.AnAlgorithmforExtractingRoadNetworkfromMulti󰀁BandRemoteSensingImagesJ.JournalofSoftware,2001,12(6):943󰀁948.蔡濤,王潤(rùn)生.一個(gè)從多波段遙感圖像提取道路網(wǎng)的算法J.軟件學(xué)報(bào),2001,12(6):943󰀁948.2󰀁BarzoharM,CooperDB.AutomaticFindingofMainRoadsinAreialImagesbyUsingGeometric♦

26、41;StochasticModelsandEstimationJ.IEEETransactionsonPatternAnalysisandMachineIntelligence,1996,18(7):707󰀁721.tectionofLinearFeaturesinSARImages:ApplicationtoRoadNet󰀁workExtractionJ.IEEETransactionsonGeoscienceandRemoteSensing,1998,36(2):434󰀁453.4󰀁WenGJ,WangRS,Automati

27、cExtractionofMainRoadsfromAeri󰀁alRemoteSensingImagesJ.JournalofSoftware,2000,11(7):957󰀁964.文貢堅(jiān),王潤(rùn)生.從航空遙感圖像中自動(dòng)提取主要道路J.軟件學(xué)報(bào).2000,11(7):957󰀁964.5󰀁AaronKShackelford,CurtHDavis.FullyAutomatedRoadNetworkExtractionfromHigh󰀁ResulutionSatelliteMultispectralImageryA.IGA

28、RSS2003,C.France,2003.6󰀁FortierA,ZiouD,ArmenaldsC,etal.SurveyofWorkonRoadExtractioninAerialandSatelliteImages,TechnicalReport.EB/OL.URL:7󰀁MaT.TechnologicalModelforHighResolutionSatelliteImagesandInformationProcessingJ.InformationofRemoteSensing,2001,3:6󰀁10.馬廷.高分辨率衛(wèi)星影像及其信息處理的技

29、術(shù)模型,遙感信息J.2001,3:6󰀁10.8󰀁ChengCQ,MaT.AutomaticallyExtractionofLinearFeaturesfromHighResolutionRemotelySensedImageryJ.JournalofRemoteSensing,2003,7(1):26󰀁30.程承旗,馬廷.高分辨率衛(wèi)星圖像上的線性特征的自動(dòng)提取J.遙感學(xué)報(bào),2003,7(1):26󰀁30.9󰀁BianZQ,ZhangXG.PatternRecognitionM.Beijing:QinghuaUniv

30、ersityPress.2000.邊肇祺,張學(xué)工.模式識(shí)別M.北京:清華大學(xué)出版社,2000.10󰀁LuoJC,ZhouCH,LeungYee,etal.SupportVectorMachineforSpatialFeatureExtractionandClassificationofRemotelySensedIm󰀁ageryJ.JournalofRemoteSensing,2002,6(1):50󰀁55.駱劍承,周成虎,梁怡等.支撐向量機(jī)及其遙感影像空間特征提取和分類(lèi)的應(yīng)用研究J.遙感學(xué)報(bào),2002,6(1):50󰀁55.11

31、󰀁ZhouSH.UnsupervisedTextureSegmentation.Via.GaussianMarkovRandomField(GMRF)ModelEB/OL.URL:/shaohua/papers/739jtexsegreport.doc,2001,3.ExtractionofRoadNetworkfromHighResolutionRemoteSensedImagerywiththeCombinationofGaussianMarkovRandomFieldTextureModelandSupportVectorMac

32、hineWANGMin,LUOJian󰀁cheng,ZHOUCheng󰀁hu,MINGDong󰀁ping,CHENQiu󰀁xiao,SHENZhan󰀁feng(TheStateKeyLaboratoryofResources&EnvironmentalInformationSystem,InstituteofGeographicalSciencesandNaturalResources,ChineseAcademyofSciences,A1,DatunRoad,Anwai,Beijing󰀁100101,China)Abstract:󰀁Extractingroadnetworkfromhighresolutionremotelysensedimageryismuchdifficultthanfromtheotherres