城市道路数据更新对城市土地管理、道路交通规划等领域都具有重要意义[1-3]。当前路网数据更新方法主要包括轨迹提取、遥感解译及实地测绘采集等[4-5]。实地测绘采集城市道路区域的人工及设备成本高,同时作业效率较低;遥感影像解译会受到时空分辨率、遥感影像质量等因素的限制,如大范围高分遥感影像内部的道路由于存在材质不同、遮挡干扰、拍摄时间不一致等问题[6],导致不同区域内道路的光谱特征存在一定差异。道路的光谱特征不一致会对影像自动化解译工作造成严重干扰,最终提取效果难以达到高标准[7]。
基于高分遥感影像的道路提取方法由传统的遥感影像监督分类、面向对象分类方法[8-9],逐渐向机器学习卷积神经网络[10-11]、图神经网络[12]等方向不断发展。文献[13]提出的基于卷积神经网络的道路区域与建筑区域提取方法,在美国的高分遥感影像数据集中达到了90%以上的提取精度,文献[14]构建的GL-Dense-U-Net卷积神经网络对U-Net进行改进,使提取出的道路具有更加完整的拓扑属性,整体精度达到95%以上。但是深度学习训练出的模型通常难以在不同传感器、不同分辨率下拍摄的遥感影像中取得较好的提取效果,若遥感影像的质量较低,影像中存在较多的地物、云层遮挡,被遮挡的道路无法正确识别。与此同时,训练数据集的构建同样需要人工进行标注保证准确性,否则训练时可能出现模型不收敛或过拟合的问题。
基于浮动车数据的路网提取同样是近年来的热点研究方向[15],浮动车数据中携带的车辆位置信息是道路存在的真实反映[16]。文献[17]通过隐马尔可夫模型提取失配轨迹,根据失配轨迹点构建的Delaunay三角网和山脊线相结合来获取新增道路骨架线,最终通过延长处理融合至现有路网数据中,实现路网的快速更新。在高精度路网提取方面,文献[18]提出的基于浮动车数据的车道级路网变化探测方法可以有效地通过高精度轨迹数据计算出城市高等级路网。但是浮动车轨迹数据的覆盖不完全的特性导致社区内部或不允许车辆进入的区域轨迹数据缺失,提取的道路区域无法包含社区内的低等级道路。
以上研究没有综合GNSS轨迹点与高分遥感影像数据各自的优势来提取道路。因此,本文利用出租车载客行驶过程中记录并上传的GNSS定位轨迹点以及高分辨率遥感影像数据,提出了一种基于轨迹延续性与影像特征相似性的城市道路提取方法:首先将GNSS轨迹转为轨迹特征栅格,包括密度特征栅格和方向特征栅格;然后,基于密度特征栅格进行轨迹自适应过滤,排除一些低频轨迹像素区域,得到高置信的轨迹栅格图;接着,通过定义轨迹连续性,利用方向特征栅格分割轨迹并构建路段对象;最后,结合路段对象的光谱特征相似性提取与之邻接的道路区域,实现高分遥感影像下的分区自动化提取。该方法结合了两种数据的优势,利用轨迹数据探测高等级道路,并在提取出高等级道路的基础上,利用道路对象的影像光谱特征相似性探测小区内部区域,以获取提取区域内轨迹数据无法覆盖范围内的道路信息。
1 研究方法如图 1所示,本文所提出的算法思路为:首先输入GNSS轨迹点数据P和高分遥感影像数据F,将GNSS轨迹点转化为轨迹密度特征栅格D与平均方向特征栅格Dir;然后通过卷积窗口自适应过滤方式得到的高可信轨迹栅格M,并与Dir取交集以排除平均方向特征栅格中的干扰像素。接着基于方向连续性的路段对象划分方法,在Dir中将连续的轨迹划分为离散的路段对象集LS。最后判断每个路段对象L内的可拓展像素位置,构建可拓展像素位置集合E,并通过拓展方法将周围影像特征相似的像素位置并入道路对象,对所有道路对象执行拓展运算后即完成了城市道路区域的提取。
1.1 基于卷积窗口的轨迹自适应过滤
基于GNSS轨迹的语义特征构建密度特征栅格D与平均方向特征栅格Dir,特征栅格易受到噪声干扰产生位于非道路区域的轨迹特征像素。如图 7(a)、(c)、(e)所示,特征栅格中的噪声像素容易出现在直线道路两侧,交叉路口转角及复杂道路对象内部,噪声像素会使分割出的道路对象中产生较多无效对象。为减少其对道路区域提取的干扰,需进行卷积窗口轨迹自适应过滤。根据GNSS点的轨迹密度分布特征,定位准确的轨迹点多集中在道路内部,而定位漂移点存在一定的位移,所以整体密度分布为道路中心线处密度最高,而向两侧密度逐渐降低直至为0。因此在密度特征栅格D中,通过排除高密度区域周围的低密度像素可以有效减少噪声像素的干扰。与此同时,不同等级道路上的轨迹点密度存在差异,导致使用单一阈值进行全局分割会误删低等级道路。通过卷积窗口运算的方式可以充分考虑各窗口内部的密度分布特征,实现自适应阈值的轨迹过滤得到高置信轨迹栅格[19]。
卷积窗口的大小为m×m,步长为n,则卷积窗口运算定义为先在水平方向每次移动n个像素位置,水平方向执行完毕后垂直方向移动n个像素位置,直至遍历全部像素区域的局部性计算方法,每次计算矩形窗口中执行特定运算F(图 2)。对具有row行,col列的密度特征栅格而言,完整的进行一次卷积运算需要在横向执行p次,纵向执行q次,见式(1)
m与n可根据需求进行设置,但一般要求m>n以保证所有像素位置均被处理。首先开辟大小为row×col的零矩阵M,用于存储过滤结果,接着对运算方法F设置以下参数:定义前景概率fp,用于确定前景密度阈值fd;背景概率bp,用于确定背景密度阈值bd,fd与bd由式(2)计算
式中,maxdensity为每个m×m窗口中的最大轨迹密度值。bd用于判断像素位置是否属于道路,密度大于bd的像素位置直接保留,若密度小于bd,则判断8邻域内是否有2个或以上的像素位置密度值大于fd,若存在则保留,否则将该像素位置设定为非道路。考虑到部分道路像素宽度为1,因此大于fd的像素个数设定为2。
密度特征栅格D窗口内的所有像素位置Dij首先按式(3)计算
若Mij=-1则进一步使用式(4)计算
式中,S(Dij)表示Dij的8邻域中Dxy≥fd的数量。所有像素位置被全部处理完毕后,Mij为一个二值矩阵,其中0表示非道路区域,1表示道路区域。
计算得到M后,根据式(5)保留Dir中的高置信像素位置,移除误差像素位置
式中,Dirij=-1表示该像素位置不存在平均方向特征。
1.2 基于轨迹连续性的路段对象划分绝大多数在同一道路上行驶的车辆具有相同或相反的行驶方向,因此平均方向特征栅格中连续且方向一致的轨迹栅格可以归并为同一道路对象。本文利用区域生长算法[20]实现路段对象的划分,为实现平均方向特征栅格中路段对象的提取,提出了一种连续性度量函数C(Dirij, L)来检测像素与路段对象间是否存在连续性,函数如式(6)所示
式中,n为当前路段对象中的轨迹像素数量,Dirij为位于i行j列的平均方向值,Ldirm依次为路段对象中所有像素位置的平均方向值。Dirij与Ldirm的夹角范围为0, 180,因此C(Dirij, L)∈[-1, 1],C(Dirij, L)数值越小,表明方向相似性越低,反之越高。
具体的路段对象划分方法为:首先设定相似性阈值s,用于判断像素是否可与路段对象合并。在平均方向特征栅格中选取任意未被处理的道路像素位置Dirij,初始化路段对象L;在L中选取任意未拓展像素位置Lm,寻找其8邻域内的未处理像素位置Dirxy,计算Dirxy与L的连续性,若C(Dirxy, L)>s则将Dirxy加入路段对象L中;重复生长流程直至无法继续拓展为止,此时即完成了一条路段对象的提取。接着重复上述路段提取流程直至所有道路像素位置均被标记为已处理,此时基于轨迹连续性的路段对象划分完成,划分结果为路段对象集合LS。本文方法的分割效果仅受到Δdir的影响,一般来说Δdir越小,分割出的道路对象越细致,反之则越完整。道路对象的划分是道路在影像中分区提取的重要基础,完整的道路对象具有更加稳定的光谱特征,可以更好地代表其周边的道路区域,对后续的道路区域提取具有较大的帮助。在道路交叉口处的车辆行驶方向角较为混乱,平均方向值在该区域一致性低,因此直线道路在交叉处被自然切断。
1.3 基于影像特征相似性的道路区域拓展提取以上得到的每一个独立的道路对象,可以根据其周围像素与道路对象的影像特征相似性执行道路区域拓展,从而将与道路对象影像特征相似性高的像素位置加入至道路对象中。由于每一个道路对象仅代表其周边区域中道路的影像光谱特征,因此对所有道路对象进行基于光谱相似性的拓展,即可以实现城市道路的分区自动化提取。分区提取充分考虑到各影像区域内道路对象的光谱特性,采用样本数据多样化的形式,降低了高分遥感影像中“同物异谱”现象的干扰。
影像特征相似性是路段对象L的影像特征与其周边像素位置Fxy影像特征的相似程度,用于度量周边像素是否属于路段对象。由于分类过程中仅存在道路样本的影像特征,因此采用路段对象的特征均值与特征标准差确定相似性范围。特征相似度S(L, Fxy)的定义如式(7)所示
式中,a为影像特征波段的数量;Fixy为位于x行y列的像素位置在第i波段的影像特征值;Li为路段对象L在第i波段的影像特征平均值。S(L, Fxy)的数值越大表示目标像素位置与道路对象间的相似度越低,反之相似程度越高。
基于影像特征相似性的道路区域拓展方法中需要设置minpix,|maxstd|两个参数,其中minpix为路段对象内最少应包含的像素数量,若某一路段对象内部像素数量较少,则其不足以代表其所在区域的道路区域特征。|maxstd|为路段对象内部影像特征标准差模的最大值,若路段对象影像特征标准差的模|objstd|大于|maxstd|,则认为路段对象内部缺乏同质性,无法作为样本进行拓展。其中|maxstd|与遥感影像特征波段的数量有关,按式(8)计算
式中,a为特征波段的数量,ρ为特征敏感度,特征敏感度与遥感影像的光谱数值有关,一般来说对比度越高的影像ρ值越大,反之则越小;|objstd|按式(9)计算
式中,Fxy为第i特征波段位于x行y列的特征像素值,E(Fi)为路段对象内所有像素在第i特征波段的期望。
依据影像特征相似性以及方法参数的定义,城市道路区域拓展提取的方法为:对于LS内任意路段对象L,若其满足|objstd|>|maxstd|且内部像素数大于minpix,寻找位于L边界处的像素位置构建可拓展像素位置集合E。从E中任意取出一个像素位置进行拓展运算,寻找其M邻域内不在任何路段对象内且具有影像特征相似性的像素,将该像素加入路段对象L与可拓展像素位置集合E,重复上述流程直至E中不存在任何像素为止。具有影像特征相似性的判断条件如式(10)所示
式中,Lstd为路段对象L的影像特征标准差。对LS中所有路段对象L进行拓展后,最终提取结果为路段对象中包含像素的并集。
由于阴影与部分建筑在HIS空间中相较于道路部分具有更高的Hue值,一般大于240。基于提取完成的结果使用彩色变换[21]排除处于阴影中的道路对象与部分建筑物区域。再使用数学形态学中的基本算法对二值图像进行形态学后处理[22],移除提取结果中的阴影与部分建筑区域,对结果执行闭运算,排除结果中的孤立像素点并对部分间断区域进行连接,使最终结果具有更好的连续性。
2 试验与对比 2.1 试验数据本文采用的武汉市出租车GNSS轨迹数据来源于市区内运营的出租车,数据存储以自然日为单位,每日可以采集的轨迹点数量约为6000万个,以“csv”的格式进行存储,整体的数据量每日大约为6GB。该出租车GNSS轨迹点数据集主要包含7个字段,分别为:司机编号、经度、纬度、速度、瞬时方向角、时间和定位精度,如图 4所示。
本文采用的高分遥感影像为“高分2号”卫星采集的武汉区域影像,坐标系为WGS-84,该遥感影像的空间分辨率为2m,具有红、绿、蓝、近红外4个常规波段,总计4460行,4521列,试验区域真彩色合成影像如图 11(a)所示。如图 5所示,试验区域整体较为复杂且包含多种复杂道路对象,如立交桥、铁路、社区内部道路等;与此同时,影像中存在道路被阴影遮挡,树木遮挡等情况。
由于国内浮动车的轨迹数据在采集时使用GCJ-02火星坐标系,与高分遥感影像的WGS-84地理坐标系存在位置偏差。因此在执行处理前需要统一多源数据的坐标系,此处首先将浮动车数据通过坐标运算转换至WGS-84地理坐标系。同时,由于地理坐标系在计算两点间距离、方向角等指标时较为复杂,因此在本文中统一转换至WGS84_World_Mercator投影坐标系中进行计算。需要注意的是,在进行处理前请仔细检查轨迹数据和遥感影像数据坐标系统的一致性,否则轨迹对象无法在影像中学习正确的道路光谱特征。一般情况下,坐标不一致的情况均可以采用坐标转换的方式保证坐标系统的一致性,若坐标系统一致后仍存在偏差则可以进一步使用空间校正方法进行细节配准。
2.2 试验结果与精度评估轨迹特征栅格的分辨率与高分遥感影像保持一致为2m,便于后续的叠置分析。依据GNSS轨迹点携带的语义信息,计算轨迹密度特征栅格Mdensity与平均方向栅格Mdir。综合考虑影像范围及数据质量,构建采用轨迹连线法[23],在轨迹连线经过的栅格中增加对应属性数值得到统计总和。基于GNSS轨迹点的位置及语义信息使用上述流程构建轨迹密度栅格和行驶方向栅格如图 6所示。轨迹点向轨迹栅格的转换在一定程度上降低了误差点对整体结果的影响,不仅在空间范围内统计了每个栅格区域内的密度、方向和速度特征,而且将海量GNSS轨迹数据转换至有限的计算范围内,简化了后续的运算复杂度。
根据武汉市区内部道路特点,在影像空间分辨率为2m的前提下,设置参数组{m=360, n=360, fp=0.6, bp=0.4}通过卷积窗口自适应过滤处理后得到的高置信轨迹栅格如图 7(b)、(d)、(f)所示。过滤后的轨迹栅格相较于原始轨迹特征栅格具有更强的代表性,道路边界、交叉路口与复杂道路对象内部的低密度区域得到了有效抑制。
图 8展示了参数s=0.9时基于轨迹连续性的路段对象提取结果,图 8(b)中用不同颜色展示了像素数量大于500的5个完整道路对象,可以看出本文方法可以实现直线道路区域路段对象的有效分割。如图 8(d)所示,对于复杂道路对象而言,其方向变化快速且连续,因此圆盘状的道路枢纽区域被划分为数量较多的路段对象。
遥感影像特征可以分为光谱特征、纹理特征以及几何特征,由于道路在高分遥感影像中的纹理特征不明显,因此选用B、G、R、NIR 4个光谱特征进行计算[24],因此参数a=4。在此基础上设定minpix=20,ρ=10,执行基于影像特征相似性的分区道路区域提取。图 9(a)中的绿色区域为使用轨迹数据生成的高置信道路骨架,红色区域为基于骨架的影像特征拓展出的道路区域。本文方法的提取结果一定程度上结合了轨迹与遥感影像所携带的优质信息,保留了高置信轨迹并利用其空间位置的影像特征获取覆盖范围更广的道路区域。图 9(b)表明本文方法可以基于区域外侧的道路特征对内部的道路区域进行提取。图 9(c)表明未被轨迹覆盖的主干道区域同样可以基于本文方法进行拓展提取,并得到较好覆盖率。但是本文方法由于缺少其余地物的光谱样本进行辅助分类也存在一定的缺陷,由于轨迹覆盖区域被认定为绝对正确的道路光谱样本,那么如果轨迹存在的区域并不能反映真正的道路光谱特征,则会产生错误分类。如图 9(d)所示,若一个完整的道路对象被植被、阴影覆盖或是由于投影差的存在被较高的建筑覆盖等情况,那么如图 9(e)所示,该道路对象在结果中会存在大量的非道路区域。
值得一提的是这一特性在一些情况下可以得到更优的效果,如图 10(a)所示,若一片区域内的大部分道路均被植被遮挡,且周围不存在大面积植被,提取结果如图 10(b)所示,提取出的行道树范围即为真实存在的道路范围。
2.3 精度对比
在原始高分遥感影像中采集道路区域与非道路区域的样本,通过计算混淆矩阵与Kappa系数进行分类精度评估[25]。影像分类方法可以分为非监督分类、监督分类与结合深度学习的分类方法,本文分别选用k-means[26]、最大似然法[27]以及U-Net卷积神经网络深度学习方法[28]进行对比测试。图 11展示了上述主流的基于单源数据的影像分类方法以及基于GNSS轨迹点使用栅格方法的提取结果。其中k-means方法聚类数量为6类;监督分类选取了道路、建筑、植被、水体、阴影、裸地等6类样本进行分类;卷积神经网络方法使用其训练好的模型直接进行预测,由于每一景影像的大小限制为1024×1024像素,因此对原始影像切割后再预测,最终将预测结果拼接成完整的试验区域。表 1中展示了各传统方法及本文方法的混淆矩阵和Kappa系数。
提取方法 | 道路正分 | 道路漏分 | 道路错分 | 非道路正分 | Kappa |
k-means | 73628 | 57574 | 88013 | 173380 | 0.2122 |
最大似然法 | 70924 | 60278 | 23490 | 237903 | 0.4845 |
U-Net模型 | 15295 | 86606 | 1103 | 211740 | 0.1855 |
道路骨架 | 60695 | 70507 | 5092 | 256301 | 0.5059 |
本文方法 | 101752 | 29450 | 33329 | 228064 | 0.6433 |
从混淆矩阵及Kappa系数的数值上可以看出,基于非监督分类与监督分类的遥感影像分类方法在原始遥感影像质量不高时难以达到较高的分类精度;基于U-Net卷积神经网络的提取方法在试验区域内的提取结果连续性很差,高等级道路存在大量缺失;而仅基于GNSS轨迹点的提取方法忽略了大量存在于社区内部的低等级道路。在试验区域内,传统方法Kappa系数均处在小于0.5的区间内,本文方法有效利用了GNSS轨迹数据与高分遥感影像数据各自的优势,在高分遥感影像中提取出更多的道路信息,其Kappa系数为0.6433,明显高于传统分类方法。
3 结论与展望本文通过轨迹数据与高分遥感影像数据相结合,充分发挥多源数据的优势,弥补了各单一数据源道路区域提取算法中的不足。本文的提取方法上分为3步:构建轨迹特征栅格,高置信轨迹提取以及以路段对象为样本的道路区域拓展提取,实现了城市内部复杂环境下高分遥感影像的道路区域提取。试验证明,在高分遥感影像存在干扰、轨迹点未覆盖社区内部道路的前提下,本文方法可以有效挖掘GNSS轨迹点数据与高分遥感影像中携带的道路信息,最终融合提取出城市道路区域。本文方法的提取结果虽Kappa系数未达到0.8以上,但相较于传统的影像分类提取城市道路的方法Kappa系数低于0.6的分类结果而言,已经有了较大的提升。同时,本文方法具有极高的自动化程度,仅需确定算法初始参数即可进行道路提取,无须进行烦琐的采样工作。在单一数据源不能较好的提取城市道路信息的前提下,通过本文方法可以有效提升提取效率与精度;相较于依赖于高质量数据的算法,本文方法具有更广泛的应用前景。
但是本文算法仍存在如下不足:①算法提取精度依赖于多源数据的质量,高质量的轨迹点与高分遥感影像可以大幅提升本文算法的提取精度。在精度需求较高的应用中,可以对GNSS轨迹点与高分遥感影像数据进行一定的预处理,以提升提取结果的质量。②算法中的参数设定在遇到与试验区域差异较大数据源时,可能无法通过默认参数得到高精度提取,下一步需要根据多源数据的特点,动态计算最优的算法参数及内部阈值,提升算法的普适性及稳健性。③本文方法最终的提取是一种影像分类结果,虽较好地反映出高分遥感影像中的道路区域,但经过处理后结果仍然不是连续且边界明确的道路对象,栅格转矢量后会出现少量的拓扑异常现象,需进一步进行拓扑校正。④目前的轨迹数据中缺乏高程值信息,因此对城市内多层道路结构的提取仍然存在困难。若轨迹数据中携带高程信息,则可以首先依据轨迹高程值对轨迹数据集进行多层划分,或计算密度特征栅格中轨迹点的高程值分布,若存在多个高程峰值,则说明该区域存在多层道路,后续转为道路对象时需重构拓扑关系并进行位置偏移,实现更好的可视化效果。这几个不足也是未来研究的重点方向。
[1] |
中国城市规划设计研究院.中国主要城市道路网密度监测报告[R].北京: 中国城市规划设计研究院, 2018. China Academy of Urban Planning and Design. Annual report on road network density in major Chinese cities[R]. Beijing: China Academy of Urban Planning and Design, 2018. |
[2] |
邓艳玲.基于交通轨迹数据的路网现势性动态检测更新算法研究[D].福州: 福建工程学院, 2016. DENG Yanling. Dynamic detection and update algorithm for changes of road network based on the traffic trajectory data[D]. Fuzhou: Fujian University of Technology, 2016. |
[3] |
PEI Hongxing, ZHAI Renjian, WU Fang, et al. Automatic matching of multi-scale road networks under the constraints of smaller scale road meshes[J]. Journal of Geodesy and Geoinformation Science, 2019, 2(4): 73-83. DOI:10.11947/j.JGGS.2019.0408 |
[4] |
任建平.利用高分辨率遥感影像提取城市路网信息[D].兰州: 兰州大学, 2018. REN Jianping. Urban road network information extraction method using very high resolution remote sensing image[D]. Lanzhou: Lanzhou University, 2018. |
[5] |
向红梅, 谭立力, 曾光清. 基础地理空间数据库增量更新与动态管理方法[J]. 测绘科学, 2016, 41(11): 189-193. XIANG Hongmei, TAN Lili, ZENG Guangqing. Dynamic managing and incremental update of basic geographical database[J]. Science of Surveying and Mapping, 2016, 41(11): 189-193. |
[6] |
RICHARDS J A. Remote sensing digital image analysis[M]. Berlin: Springer, 2013.
|
[7] |
DEMETRIADES-SHAH T H, STEVEN M D, CLARK J A. High resolution derivative spectra in remote sensing[J]. Remote Sensing of Environment, 1990, 33(1): 55-64. |
[8] |
ZHENG Yu. Trajectory data mining:an overview[J]. ACM Transactions on Intelligent Systems and Technology, 2015, 6(3): 29. |
[9] |
LIN Wenjie, LI Yu, ZHAO Quanhua. High-resolution remote sensing image segmentation using minimum spanning tree tessellation and RHMRF-FCM algorithm[J]. Journal of Geodesy and Geoinformation Science, 2020, 3(1): 52-63. DOI:10.11947/j.JGGS.2020.0106 |
[10] |
MAGGIORI E, TARABALKA Y, CHARPIAT G, et al. Convolutional neural networks for large-scale remote-sensing image classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(2): 645-657. |
[11] |
GONG Jianya, JI Shunping. Photogrammetry and deep learning[J]. Journal of Geodesy and Geoinformation Science, 2018, 1(1): 1-15. DOI:10.11947/j.JGGS.2018.0101 |
[12] |
WANG Qi, LIU Shaoteng, CHANUSSOT J, et al. Scene classification with recurrent attention of VHR remote sensing images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(2): 1155-1167. |
[13] |
MNIH V. Machine learning for aerial image labeling[D]. Toronto: University of Toronto, 2013: 20-33.
|
[14] |
XU Yongyang, XIE Zhong, FENG Yaxing, et al. Road extraction from high-resolution remote sensing imagery using deep learning[J]. Remote Sensing, 2018, 10(9): 1461. |
[15] |
SHE Shiying, ZHONG Haoyu, FANG Zhixiang, et al. Extracting flooded roads by fusing GPS trajectories and road network[J]. ISPRS International Journal of Geo-Information, 2019, 8(9): 407. |
[16] |
ZOU Xinyan, FANG Zhixiang, ZHONG Haoyu, et al. Inertia mutation energy model to extract roads by crowd sourcing trajectories[J]. IEEE Access, 2019, 7: 186393-186408. |
[17] |
黄窈蕙, 范文涛, 刘柳杨. 利用轨迹数据进行道路网更新及轨迹融合[J]. 测绘通报, 2018(8): 119-123. HUANG Yaohui, FAN Wentao, LIU Liuyang. Research on road network updating and trajectory integratory based trajectory data[J]. Bulletin of Surveying and Mapping, 2018(8): 119-123. DOI:10.13474/j.cnki.11-2246.2018.0258 |
[18] |
YANG Xue, TANG Luliang, STEWART K, et al. Automatic change detection in lane-level road networks using GPS trajectories[J]. International Journal of Geographical Information Science, 2018, 32(3): 601-621. |
[19] |
蒋鹏, 秦小麟. 复杂背景下的自适应前景分割算法[J]. 中国图象图形学报, 2011, 16(1): 37-43. JIANG Peng, QIN Xiaolin. Robust foreground detection with adaptive threshold estimation[J]. Journal of Image and Graphics, 2011, 16(1): 37-43. |
[20] |
MEHNERT A, JACKWAY P. An improved seeded region growing algorithm[J]. Pattern Recognition Letters, 1997, 18(10): 1065-1071. |
[21] |
SUN T Y, TSAI S J, CHAN V. HSI color model based lane-marking detection[C]//Proceedings of 2006 IEEE Intelligent Transportation Systems Conference. Toronto, Ont, Canada: IEEE, 2006: 1168-1172.
|
[22] |
HARALICK R M, STERNBERG S R, ZHUANG Xinhua. Image analysis using mathematical morphology[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1987, PAMI-9(4): 532-550. |
[23] |
MCGHEE R B, NILSEN R N. The extended resolution digital differential analyzer:a new computing structure for solving differential equations[J]. IEEE Transactions on Computers, 1970, C-19(1): 1-9. |
[24] |
ZHU Banghe, LIU Shutian. Optical image encryption based on the generalized fractional convolution operation[J]. Optics Communications, 2001, 195(5-6): 371-381. |
[25] |
CONGALTON R G, GREEN K. Assessing the accuracy of remotely sensed data:principles and practices[M]. 3rd ed. New York: CRC Press, 2019.
|
[26] |
LIKAS A, VLASSIS N, VERBEEK J J. The global k-means clustering algorithm[J]. Pattern Recognition, 2003, 36(2): 451-461. |
[27] |
MURSHUDOV G N, VAGIN A A, DODSON E J. Refinement of macromolecular structures by the maximum-likelihood method[J]. Acta Crystallographica Section D, Biological Crystallography, 1997, 53(3): 240-255. |
[28] |
ZHANG Zhengxin, LIU Qingjie, WANG Yunhong. Road extraction by deep residual U-Net[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(5): 749-753. |