基于遥感图像的交通信息提取研究与实现

论文摘要

高分辨率遥感图像中蕴含了丰富的交通信息,包括道路网和路面上车辆的数量和分布等,是交通规划与管理所需交通信息很好的来源。本论文以目前广泛应用的QuickBird(“快鸟”)卫星遥感图像为基础数据,进行了一系列交通信息提取研究,提出了一系列交通信息提取技术和具体的方法流程。论文首先从分析遥感图像及其中的交通信息特征入手,总结出高分辨率遥感图像本身的特点,尤其是其中道路网和车辆的表现形态,道路网包括路段、交叉口两类表现形式,车辆形态则包括车队的形态和个体车辆的形态。另一方面,论文总结了目前适用于遥感图像的几种重要的图像处理方法,对彩色图像的颜色模型进行对比,选定HSI模型作为论文后续研究涉及颜色的技术的实用颜色模型。在此基础上,论文对道路网和车辆信息的提取分别展开了深入的研究,并通过实验验证方法的可行性。在道路网信息提取的研究中,论文先进行道路路段的提取,提出了灰度形态学方法、纹理分析方法和基于颜色信息的道路网提取方法三项技术,其中前两种不考虑图像的彩色信息,然后对三种方法的优劣进行了对比分析。在道路路段提取的基础上,论文给出了道路交叉口的提取方法和实验结果,对平面交叉口和立体交叉分别研究。在车辆信息提取的研究中,论文提出了不考虑颜色特性的基于形态学的车辆信息提取和基于颜色信息的车辆信息提取两项技术,其中开发了车辆颜色筛选、移动窗口计数等新方法。最后,在单个车辆提取的基础上,论文进行了车辆信息应用的研究,包括路段交通密度和车辆排队长度的测算。实验结果表明,本论文提出的各方法流程取得了一定程度的效果。通过论文中对一些方法的对比分析可以发现,不同的方法适用于不同的交通信息提取,需要根据实际所需的交通信息类型选择合适的方法进行操作。本论文成果对于推动遥感产业成果在交通领域中的应用,以及提高交通运输领域的信息化程度都具有现实意义。

论文目录

• 摘要
• ABSTRACT
• 第1章 引言
• 1.1 研究背景及意义
• 1.2 技术路线
• 1.3 实验环境
• 1.3.1 Matlab Image Processing Toolbox
• 1.3.2 ERDAS IMAGINE
• 1.3.3 论文构成
• 第2章 遥感图像中交通信息提取技术研究现状
• 2.1 遥感图像中道路网提取技术综述
• 2.1.1 遥感图像路段提取技术综述
• 2.1.2 遥感图像交叉口提取技术综述
• 2.2 遥感图像中交通流信息提取技术综述
• 2.3 彩色图像处理技术综述
• 第3章 遥感图像及其中的交通信息特征分析
• 3.1 遥感图像概述
• 3.1.1 遥感图像的特点
• 3.1.2 数字图像简介
• 3.2 遥感图像中的道路形态
• 3.2.1 文献中描述的道路形态
• 3.2.2 QuickBird 遥感影像中的道路形态
• 3.3 遥感图像中的车辆形态
• 3.3.1 文献中描述的车辆形态
• 3.3.2 QuickBird 遥感影像中的车辆形态
• 第4章 本文所用图像科学相关原理
• 4.1 图像科学概述
• 4.2 数学形态学
• 4.3 纹理分析
• 4.4 HOUGH变换
• 4.5 颜色模型
• 4.5.1 RGB 模型
• 4.5.2 HSI 模型
• 4.5.3 颜色模型转换和对比分析
• 第5章 遥感图像中道路网自动提取技术研究
• 5.1 基于灰度图的道路网提取技术研究
• 5.1.1 形态学方法
• 5.1.2 纹理分析方法
• 5.2 基于颜色信息的道路网提取技术研究
• 5.2.1 方法总体框架
• 5.2.2 道路元素样本库的建立
• 5.2.3 道路颜色筛选
• 5.2.4 二值形态学后处理
• 5.2.5 不同来源图像的道路提取方法
• 5.3 基于灰度图和彩色信息的道路网提取技术对比分析
• 5.4 道路交叉口信息提取技术研究
• 5.4.1 平面交叉
• 5.4.2 立体交叉
• 第6章 遥感图像中车辆信息自动提取技术研究
• 6.1 基于形态学的车辆信息提取技术研究
• 6.1.1 技术流程
• 6.1.2 移动窗口法
• 6.1.3 实验及结果
• 6.2 基于颜色信息的车辆信息提取技术研究
• 6.2.1 方法总体框架
• 6.2.2 车辆颜色特征分析及样本库的建立
• 6.2.3 车辆颜色筛选
• 6.2.4 形态学后处理和车辆计数
• 6.2.5 不同来源遥感图像中车辆信息提取方法
• 6.3 遥感图像中车辆信息提取结果的应用
• 6.3.1 路段交通密度
• 6.3.2 车辆排队长度
• 第7章 总结与展望
• 参考文献
• 致谢
• 个人简历、在学期间发表的学术论文与研究成果