王艷梅，王根杰，劉海娟

（安徽三聯(lián)學院，安徽 合肥 230601）

高分辨率遙感影像提取道路方法研究進展

王艷梅，王根杰，劉海娟

（安徽三聯(lián)學院，安徽 合肥 230601）

道路是重要的人工地物，是基礎地理信息的重要組成部分，從高分辨率遙感影像上提取道路信息成為研究的熱點.本文一開始簡明論述了道路在高分辨率的影像上的基本特點，并且講述了道路進行提取的基本辦法與思想，然后介紹了提取道路信息主要方法，包括自動提取和半自動自取.最后，對道路信息提取研究進行了展望.

道路；高分辨率遙感圖像；特征；方法

1 引言

道路是一種非常重要人工地面建筑，它是地理信息的基礎組成部分，也是城市發(fā)展進程中更新較快的要素.基礎地理信息數(shù)據(jù)的價值體現(xiàn)在其現(xiàn)勢性，所以，我們要收取道路的基本現(xiàn)狀.傳統(tǒng)的道路信息獲取的方法存在很多漏洞，比如需要大量的人力和物力來進行完成，并且還存在收集數(shù)據(jù)的速度慢，周期長，工作量大，工作人員對收集工作產生厭倦，導致工作人員一味的收集信息而不去解決更高層次的問題和應用研究.在此背景下，很多學者開始探索自動的道路信息提取方法，一方面使工作人員從大量繁重的數(shù)據(jù)生產中解放出來，另一方面可以實現(xiàn)道路信息的自動化提取，實現(xiàn)道路信息數(shù)據(jù)的實時更新.隨著遙感技術的發(fā)展及其商業(yè)化應用，越來越多的高分辨率遙感影像成為應用的主體.利用計算機從遙感影像中提取道路信息成為國內外學者研究的熱點，國外從20世紀7 0年代開始研究，國內起步較晚，始于90年代.經(jīng)過多年的研究，在此領域內匯聚了多學科知識，如模式識別、人工智能、計算機視覺、數(shù)學形態(tài)學等，出現(xiàn)許多理論與技術創(chuàng)新.因此，本文首先探討了如何在高分辨率遙感影像上進行道路提取的基本思想，緊隨其后分析并且總結了現(xiàn)有道路提取的方法措施，在此基礎上，對道路信息的獲取方式提出了比較可行的研究探討方向.

2 道路特征獲取的基本思想

因為景物與景物之間存在物理和幾何上的差異，導致景象中一些部分的灰度產生比較大的變化，我們將這種現(xiàn)象叫做景象特征.特征區(qū)域越大也就說明包含的信息量就越大，特征區(qū)域小的區(qū)域意味著有較小的信息量.人眼很容易在遙感影像上找到道路是因為我們知道道路的特征，如果讓計算機從遙感影像上識別出道路，我們首先要將道路的特征輸入計算機，然后計算機依據(jù)收到的道路特征信息來辨別影像上的道路.道路有以下幾種基本特征：

（1）幾何特征.因為道路的長度比寬度大的很多，這就使得在高分辨率遙感影像上，看到的都是條狀的，道路的寬度沒有發(fā)生較大的變化，曲率也要受到限制.

（2）輻射特征.在影像上道路的兩個邊緣非常明顯，相鄰位置的灰度和邊緣內部的灰度的反差是比較明顯的.

（3）道路通常都是互通的，并且組成了道路網(wǎng)絡，道路的突然中斷是非常少見的.

（4）上下文特征.這一特征包含和道路所處的環(huán)境有牽連的信息、和道路現(xiàn)實特征相關的信息、道路與地面建筑物有關的信息.

道路在獲取它所有特征的時候都要按照Marr視覺理論來進行，要從低到中再到高的步驟進行.首先是低層次的處理，在處理過程中使用不同的采集方法對不同要素提取信息，信息中包含紋理、方向及邊緣等，應該注意到，這個低層的信息中沒有和道路有關系的知識信息.其次是中層處理，中層處理的信息是相對低層來說的，它將低層的處理結果進行更為細致的選擇、分析、重組和綜合，中層處理中用到了道路有關知識——幾何假設.最后是高層處理中，要綜合運用道路的相關知識，結合得到的各要素結構、關系等對道路進行理解和識別.

3 遙感影像提取道路方法與研究

一般情況下，人們依據(jù)對公路信息獲取的自動化方式，將獲取信息的方法分成了兩種：半自動信息獲取和自動化信息獲取.

3.1 半自動方式

半自動化獲取方式是利用人機交互的方式對道路的特征信息進行獲取和辨別的方式.這個方法中最重要的一步是需要人提供道路的種子點，有時還需要知道初始的方向，然后利用計算機來對公路特征信息進行辨別和處理，并且要適應當前的人機交互，從而確保識別的準確性.這種提取方法一般分為四步：第一步，增強影像特征；第二步，確定道路種子點；第三步，對種子點進行跟蹤和擴展，并形成道路段；第四步，將道路段連接起來，組成道路網(wǎng)絡.下面介紹幾種目前常用的方法.

3.1.1 動態(tài)規(guī)劃方法

動態(tài)規(guī)劃方法具備將較為復雜的問題簡化為較為簡單問題的能力，因此，才講動態(tài)規(guī)劃法應用到道路信息獲取中.動態(tài)規(guī)劃方法利用問題的最優(yōu)性原理，以自底向上的方式從子問題的最優(yōu)解逐步構造出整個問題的最優(yōu)解.在應用此方法進行道路信息提取時，首先組建道路的數(shù)學模型，然后再依據(jù)模型來組合代價函數(shù)與邊界條件的表達式[2].動態(tài)規(guī)劃方法的特點是用一個最優(yōu)化的問題代替了道路特征識別的問題，并且利用道路上的像元來描述最優(yōu)化問題的解.

3.1.2 模板匹配方法

所謂模板就是一幅已經(jīng)知道的小圖像.模板匹配就是在一幅已知圖像中有所需目標的大圖像中進行目標搜尋，且該目標和模板有著相同的尺寸、圖像和方向，并且通過一定的算法可以在大圖中找到目標，確定其位置[3].運用模板匹配法的重點在于如何知道匹配，才能成功有效的獲得有價值的道路信息.

3.1.3 Snakes模型方法

Snakes模型方法也稱為動態(tài)輪廓模型方法.采取Snakes模型方法進行道路特征提取的過程就是用一個能量函數(shù)將影像中的各個特征以及連續(xù)性、平滑性約束起來，通過求解能量函數(shù)的最小值，從而達到了獲取道路特征的目的.

在Snakes模型基礎上，運用這個方法來獲取道路特征，大多數(shù)情況是將初始點設置在道路的旁邊，種子點的給定分為兩種：人工給定和自動給定[4].

3.1.4 邊緣跟蹤法

邊緣跟蹤法是：首先要給定種子點的初始位置和初始方向，然后再進行邊緣跟蹤，一直到邊緣的終止點，再將這個終止點當作一個新的種子點.1994年HeipkeC提出基于邊緣跟蹤的方法[5]，后經(jīng)XIAOYongguan等的改進使用紋理進行濾波得到初始種子點.

3.2 自動獲取道路特征

自動獲取道路特征的方法是利用對道路影像特征的認識與理解，自動將道路的位置進行定位.經(jīng)過多年的研究，目前已有很多自動提取道路的方法.但是這種方法還沒有應用于各類道路中，只是在辨別某一類道路上獲得了成績，有一定的應用價值.

3.2.1 平行線方法

由于道路的邊緣是一對平行線，在進行獲取道路特征的時可以利用這一特點，可以得到喝多算法.利用平行線方法提取道路信息最重要的是連接好的邊緣中產生表示道路平行的這一特征，以及識別平行線對是否為道路的識別策略.

3.2.2 面向對象方法

當運用面向對象方法進行道路信息提取時，分析的基本單元不再是單個像元，而是具有實際意義的影像對象.影像對象是與影像相對應的影像分析單元，對象的大小由分割尺度的大小決定.其優(yōu)點是能夠有效的應對高分辨率遙感影像所出現(xiàn)的噪聲問題，像光譜、形狀、紋理等[6]多種特征，可以進行綜合應用.其缺點是提取效果過分依賴于分割質量的好壞.

3.3.3 數(shù)學形態(tài)學方法

數(shù)學形態(tài)學方法的基本思路是使用擁有特殊形態(tài)結構的方法

利用具有一定形態(tài)的結構元素去度量和提取圖像中的相應形狀，最終實現(xiàn)分析和識別圖像的目的.在運用數(shù)學形態(tài)學方法進行道路信息提取時，圖像中的像素被分成兩類：道路和環(huán)境，對邊緣進行跟蹤來得到線性特征，然后將得到的線性特征利用知識規(guī)劃進行道路識別，最后對結果進行細節(jié)處理[7].其優(yōu)點是能夠較好的提取出道路骨架.

4 道路特征提取研究展望

道路信息提取已取得了一些成果，但由于現(xiàn)實情況的復雜性和多樣性，很多方法只適用于提取某一類型的道路.道路信息的自動識別距生產應用仍有一段距離.很多問題需要進一步研究解決.

4.1 上下文信息的充分利用

道路的上下文信息十分豐富，利用好上下文信息對提取道路信息具有重要作用.道路模型中的各組成成分之間的上下文關系必須和不同的上下文區(qū)域相適應，例如在城區(qū)影像上，最重要的上下文信息就是車輛、道路標示線、行道樹.馬力等總結了不同類型的上下文信息及其獲取方式，概括了其在道路信息提取中的應用類型，并且通過舉實例進行了相關分析[8].

4.2 基于不同分辨率的道路信息提取

低分辨率遙感影像雖然丟失了大部分的細節(jié)信息，但是卻能夠很好的表現(xiàn)道路的骨架和拓撲信息，而且不易受噪聲的影響.高分辨率遙感影像雖然能夠很好的提供細節(jié)信息，但放大了噪聲，易受外部環(huán)境的影響.如果將兩者的優(yōu)點結合起來提取道路信息，既可以提取道路細節(jié)信息又不易受外部環(huán)境的影響.

4.3 與其他領域研究的相關結合

道路信息提取涉及到如數(shù)學形態(tài)學、計算機視覺、圖像處理、模式識別等很多學科，是一項十分復雜的工程.因此，在研究探討道路信息提取方法的過程中，應充分運用這些學科的最新研究成果，積極推動道路信息提取方法的發(fā)展.

〔1〕戚浩平，王煒，田慶久.高空間分辨率衛(wèi)星遙感數(shù)據(jù)在城市交通規(guī)劃中的應用研究[J]，公路交通科技，2004,21(6): 109-112.

〔2〕Geman D,Jedynak B.Detection of Roads in Satellite Images[C].International Geosciences and Remote Sensing Symposium,1991,4:2473-2477.

〔3〕Suetens P,Fua P,Hanson A J.Computational Strategies for Object Recognition[J].ACM Computing Surveys, 1992,24(1):5-61.

〔4〕李培華,張?zhí)镂?主動輪廓模型（蛇模型）綜述[J].軟件學報，2000,11(6):751-757.

〔5〕HeipkeC.Semi-automaticExtraction ofRoadsfrom Aerial Images.IAPRS Com?workshop,Munich,1994.

〔6〕唐偉,趙書河,王培法.面向對象的高空間分辨率遙感影像道路信息的提取[J].地球信息科學,2008,10(2):257-262.

〔7〕申邵洪，宋楊.高分辨率多光譜遙感影像中城區(qū)道路信息的自動提取[J].遙感應用，2007(5):73-77.

〔8〕馬力，陳軍.上下文信息在道路提取中的分類與應用[J].地理信息世界，2008,6(4):58-60.

P273.3

A

1673-260 X（2013）10-0039-02

安徽省高等學校省級自然科學研究項目（2011B066）