江 滔

（中鐵第四勘察設(shè)計(jì)院集團(tuán)有限公司 武漢 430063）

影像地圖作為新型地圖的一種表現(xiàn)形式，將矢量和遙感影像有機(jī)結(jié)合并在線動(dòng)態(tài)瀏覽，科學(xué)、直觀的反映地理環(huán)境和地理現(xiàn)象，已經(jīng)成為地理信息可視化的主要趨勢(shì).然而，由于投影、數(shù)據(jù)模型、數(shù)據(jù)采集以及地圖綜合等眾多方面的差異，影像地圖上的道路矢量與遙感影像在直接套合時(shí)容易存在空間位置不一致的情況（如圖1所示），需要對(duì)道路矢量進(jìn)行調(diào)整以與遙感影像相配準(zhǔn).

圖1 道路矢量與影像空間位置不一致Fig.1 Inconsistency between road vector and imagery

現(xiàn)有的配準(zhǔn)方法多基于人工操作，工作量較大，用于道路矢量空間位置調(diào)整的時(shí)間占據(jù)了影像地圖生產(chǎn)處理時(shí)間中相當(dāng)大的比例，直接影響了影像地圖的生產(chǎn)效率.已有不少學(xué)者對(duì)自動(dòng)化的道路矢量與遙感影像配準(zhǔn)方法進(jìn)行了研究.張劍清等基于廣義點(diǎn)攝影測(cè)量的原理，提出了一種TM 影像與矢量數(shù)據(jù)配準(zhǔn)的方法［1］，該模型建立了矢量數(shù)據(jù)與影像之間的整體映射模型，難以處理道路矢量與影像的局部不一致.有學(xué)者將道路交叉點(diǎn)作為配準(zhǔn)控制點(diǎn)［2－3］，利用局部的交叉點(diǎn)匹配建立矢量數(shù)據(jù)與影像的局部對(duì)應(yīng)關(guān)系.Fortier的方法假設(shè)影像上的線段較亮，這一假設(shè)并不能總是滿足［2］.Chen提出了AMS （Automatic Multi－Source）自動(dòng)多源配準(zhǔn)的方法［3］，這種方法利用局部模板匹配從SVM 分類后的像元中提取道路交叉點(diǎn)，在Delaunay三角剖分上進(jìn)行線性拉伸以配準(zhǔn)道路.但這種方法需要知道道路的寬度、方向等較明確的幾何先驗(yàn)信息以建立局部匹配模版.如果缺乏足夠的信息，難以從影像上穩(wěn)健的提取出交叉點(diǎn)，基于交叉點(diǎn)匹配的配準(zhǔn)方法難以實(shí)現(xiàn).

為改進(jìn)上述問題，本文提出一種基于主動(dòng)輪廓線模型的道路矢量與影像配準(zhǔn)方法，可在先驗(yàn)信息匱乏的情況下實(shí)現(xiàn)道路矢量與影像的自動(dòng)配準(zhǔn).

1 方法

1.1 主動(dòng)輪廓線模型

主動(dòng)輪廓線模型（Active Contour Models）又稱為Snakes模型，它可以填充圖像處理中圖像低級(jí)特征與高級(jí)幾何特征之間的鴻溝［4］.其主要思想是利用偏微分方程，將曲線的變形歸結(jié)為能量約束.數(shù)據(jù)點(diǎn)的位置在能量最小化的過程中被移動(dòng)，而且曲線上的所有點(diǎn)都被影像產(chǎn)生的引力所影響［5］.通過優(yōu)化曲線的位置，不斷的移動(dòng)曲線逼近影像特征.

主動(dòng)輪廓線可看作是一條由一系列點(diǎn)集構(gòu)成的參數(shù)化曲線v（s）＝（x（s），y（s））.其中s∈［0，1］，是歸一化的曲線長(zhǎng)度，x（s），y（s）是主動(dòng)輪廓線上點(diǎn)集的x，y坐標(biāo).主動(dòng)輪廓線的總能量被定義為：

Eing（v（s））是圖像能，它驅(qū)使主動(dòng)輪廓線靠近圖像特征.Eint是內(nèi)部能，它控制著主動(dòng)輪廓曲線的自然變形，Econ是常量能，允許在主動(dòng)輪廓曲線變形時(shí)加以更高水平的限制，Kass介紹了這種附加能量的形式［4］.

在主動(dòng)輪廓曲線能量最小化的過程中，參數(shù)化曲線v（s）＝（x（s），y（s））逐漸逼近影像特征.

1.2 基于主動(dòng)輪廓線模型的曲線移動(dòng)逼近

主動(dòng)輪廓線模型在能量最小化的過程中逐漸逼近影像特征，可利用主動(dòng)輪廓線模型，在缺乏先驗(yàn)信息的情況下，通過影像本身的能量約束將參數(shù)化的矢量曲線逐漸逼近影像特征.

一方面，道路在高分辨率遙感影像上呈現(xiàn)為狹長(zhǎng)的條帶狀，幾乎沒有劇烈的彎曲.因此，在矢量曲線移動(dòng)逼近的過程中，可由主動(dòng)輪廓線模型里內(nèi)部能Eint控制曲線的平滑.內(nèi)部能中的α（s），β（s）項(xiàng)控制了Esnake曲線能量最小化過程中彈性能和曲率能的貢獻(xiàn).可通過設(shè)較大的α（s）和β（s）較小的以保證道路的平直或設(shè)定較小的α（s）和較大的β（s）以保證道路的光滑.

另一方面，將矢量道路曲線移動(dòng)靠近影像上的道路，可由主動(dòng)輪廓線模型里圖像能Eing（v（s））控制矢量參數(shù)化曲線靠近影像的道路特征.如果用梯度定義圖像能，則矢量道路曲線向著道路邊緣梯度增大的方向移動(dòng).

這樣，在圖像能和內(nèi)部能的整體作用下，矢量道路曲線在移動(dòng)的時(shí)候保持整體曲線的平滑，并且逐漸靠近影像上的道路特征.在整體能量達(dá)到最小時(shí)，矢量曲線在保持平滑的同時(shí)與道路套合在一起.基于主動(dòng)輪廓線模型的曲線移動(dòng)逼近流程可以用圖2來表示.

圖2 基于主動(dòng)輪廓線模型的曲線移動(dòng)逼近流程Fig.2 Workflow of the conflation

基于主動(dòng)輪廓線模型的配準(zhǔn)方法將道路矢量通過坐標(biāo)轉(zhuǎn)換和初始化得到主動(dòng)輪廓曲線的離散坐標(biāo)串，并從影像上通過動(dòng)態(tài)閾值分割提取獲取道路矢量對(duì)應(yīng)的道路特征.在圖像能和內(nèi)部能的整體作用下，主動(dòng)輪廓曲線進(jìn)行平滑移動(dòng)，并且逐漸逼近提取的道路特征.在整體能量達(dá)到最小時(shí)，道路矢量曲線與道路特征疊合，從而實(shí)現(xiàn)道路矢量與影像的配準(zhǔn).

采用動(dòng)態(tài)閾值分割的方法將影像分割為數(shù)個(gè)內(nèi)部灰度均勻一致的區(qū)域［6］，并對(duì)每一塊影像分割區(qū)域進(jìn)行標(biāo)記.計(jì)算每一塊影像分割區(qū)域的形狀特征參數(shù).包括面積參數(shù)、橢圓長(zhǎng)軸參數(shù)r1和最大內(nèi)切圓半徑參數(shù)rin.橢圓長(zhǎng)軸參數(shù)和最大內(nèi)切圓半徑參數(shù)如圖3所示.

圖3 形狀特征參數(shù)Fig.3 Shape parameters

根據(jù)道路的形狀特征，通過面積參數(shù)選取具有一定大小的影像分割區(qū)域，通過橢圓長(zhǎng)軸選取具有一定長(zhǎng)度的影像分割區(qū)域，通過最大內(nèi)切圓半徑選取具有一定寬度的影像分割區(qū)域，通過三種形狀特征將道路與非道路分隔開來，選取出與道路矢量特征相一致的影像分割區(qū)域.道路影像分割不提取精確的道路數(shù)據(jù)，其目的是為主動(dòng)輪廓線模型提供遙感影像上道路的粗略位置信息，從而通過圖像能驅(qū)動(dòng)主動(dòng)輪廓線逼近影像道路特征.

將道路矢量經(jīng)坐標(biāo)轉(zhuǎn)換和離散化，得到初始化的主動(dòng)輪廓曲線，該曲線為由點(diǎn)集構(gòu)成的參數(shù)化曲線v（s）＝（x（s），y（s））.

傳統(tǒng)的圖像能的定義對(duì)初始位置的依賴較大，不能收斂到凹陷的邊界，采用梯度矢量流GVF（Gradient vector flow）能量作為圖像能［7］.定義f（x，y）為灰度圖像的邊緣圖像，則f（x，y）的梯度場(chǎng)為?f（x，y），把梯度場(chǎng)向圖像邊沿迭代擴(kuò)散，形成擴(kuò)散的梯度矢量流場(chǎng)，v（x，y）＝（u（x，y），v（x，y）），梯度矢量流能量定義為：

f是從圖像中獲取的邊緣圖，▽2為拉普拉斯算子，參數(shù)μ控制第一項(xiàng)和第二項(xiàng)的權(quán)重.

對(duì)參數(shù)化曲線的每個(gè)離散點(diǎn)可列能量最小化方程：

構(gòu)建方程：

令α＝β，b＝－α－4β，c＝2α＋6β，則方程可以表示為

迭代求解能量方程組，計(jì)算得到離散坐標(biāo)串和結(jié)點(diǎn)的新位置坐標(biāo)，當(dāng)新位置坐標(biāo)與上一位置坐標(biāo)的差值小于預(yù)先設(shè)定的閾值條件，則將新位置坐標(biāo)記為最終結(jié)果，參數(shù)化曲線逐漸逼近道路特征，最終得到與影像精確配準(zhǔn)的矢量參數(shù)化曲線.

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)區(qū)位于云南山區(qū)，實(shí)驗(yàn)區(qū)內(nèi)有約4km的道路通過，道路沿山勢(shì)彎曲.獲取了實(shí)驗(yàn)區(qū)2011年SPOT－5 衛(wèi)星全色影像，經(jīng)正射糾正處理后重采樣得到分辨率為3.5 m 的全色正射影像.同時(shí)獲取了該區(qū)域的矢量數(shù)據(jù)，該數(shù)據(jù)來源于較早年代的1∶25萬地形圖.將其疊加在所獲取的正射遙感影像上，如圖4 所示，黑色直線為從1∶25萬地形圖數(shù)字化得到的道路矢量數(shù)據(jù)，該數(shù)據(jù)較為陳舊且精度較低，將該區(qū)域道路數(shù)據(jù)以直線表示.

可以看到，因?yàn)楝F(xiàn)勢(shì)性和精度的差異，矢量數(shù)據(jù)與影像無法準(zhǔn)確套合.為了生產(chǎn)更高精度的與現(xiàn)勢(shì)性一致的影像地圖，需要調(diào)整矢量數(shù)據(jù)的位置.傳統(tǒng)作業(yè)方法利用人工手動(dòng)調(diào)整，本文實(shí)驗(yàn)采用基于主動(dòng)輪廓線模型的矢量與影像配準(zhǔn)方法，以正射遙感影像為基準(zhǔn)，自動(dòng)調(diào)整矢量數(shù)據(jù)的位置.

圖4 原始道路矢量與影像套合Fig.4 Original road vector（black）and imagery

2.2 實(shí)驗(yàn)過程

主動(dòng)輪廓線模型可以通過影像本身的能量約束，將參數(shù)化的矢量道路曲線逐漸逼近影像道路.

圖5為初始化的道路主動(dòng)輪廓曲線.對(duì)影像進(jìn)行分割以獲取道路的粗略位置信息，設(shè)置面積參數(shù)為5個(gè)像素，橢圓長(zhǎng)軸參數(shù)為5個(gè)像素，最大內(nèi)切圓半徑為3個(gè)像素，提取出影像的道路特征（如圖6所示）.

圖7所示為主動(dòng)輪廓線的自動(dòng)逼近過程，分別為迭代求解能量方程組中循環(huán)迭代50，100，150，200，250，300次的主動(dòng)輪廓線位置.

圖5 矢量曲線初始化Fig.5 Initialization of road contour

圖6 影像道路特征提取Fig.6 Road feature segmentation

圖7 利用主動(dòng)輪廓線模型調(diào)整道路矢量Fig.7 Road deformation by active contour model

主動(dòng)輪廓曲線自動(dòng)調(diào)整位置，最終得到了與影像上的山區(qū)道路位置較一致的矢量道路曲線.圖8為最終道路矢量與影像配準(zhǔn)的結(jié)果.

圖8 最終配準(zhǔn)結(jié)果Fig.8 Final result of the conflation

對(duì)比圖4和圖8，與原始數(shù)據(jù)相比，配準(zhǔn)后的道路矢量與影像的空間位置一致性得到明顯提升.

圖9為另一實(shí)驗(yàn)區(qū)的實(shí)驗(yàn)結(jié)果.

分析實(shí)驗(yàn)可以看到，在缺乏先驗(yàn)知識(shí)的情況下，從影像提取的道路特征只需影像的主要特征（如圖6，圖9b），基于主動(dòng)輪廓線模型的配準(zhǔn)方法避免了利用先驗(yàn)知識(shí)定義局部模版進(jìn)行匹配.通過分割可獲取影像上道路的粗略位置，盡管在道路分割中存在噪聲，道路矢量的離散化參數(shù)曲線在能量最小化的過程中仍自動(dòng)移動(dòng)逼近地物特征，取得了較好的配準(zhǔn)結(jié)果.

圖9 另一實(shí)驗(yàn)區(qū)實(shí)驗(yàn)結(jié)果Fig.9 Another experiment results

3 結(jié)論

本文針對(duì)道路矢量與影像空間位置不一致的問題，提出了一種基于主動(dòng)輪廓線模型的道路矢量與影像配準(zhǔn)方法，該方法在缺乏先驗(yàn)知識(shí)的情況下，避免了使用交叉點(diǎn)模版匹配的困難，利用道路矢量的主動(dòng)輪廓曲線移動(dòng)逼近道路的影像特征，實(shí)現(xiàn)了道路矢量與影像的自動(dòng)配準(zhǔn).

本文提出的方法改進(jìn)了影像地圖生產(chǎn)中道路矢量與影像的配準(zhǔn)的自動(dòng)化程度，為提高影像地圖生產(chǎn)效率提供了一種有效的技術(shù)手段.該方法針對(duì)單條道路數(shù)據(jù)與影像的配準(zhǔn)，對(duì)于多條道路形成的道路網(wǎng)數(shù)據(jù)配準(zhǔn)，需充分利用其網(wǎng)絡(luò)拓?fù)湫再|(zhì).下一步研究將在本文的基礎(chǔ)上擴(kuò)展到具有拓?fù)渚W(wǎng)絡(luò)的道路矢量與影像的自動(dòng)配準(zhǔn)，并在大量數(shù)據(jù)測(cè)試的基礎(chǔ)上研究將該研究成果應(yīng)用于矢量數(shù)據(jù)的自動(dòng)更新等領(lǐng)域.

［1］張劍清，董 明，張宏偉.TM 影像與GIS矢量數(shù)據(jù)的自動(dòng)配準(zhǔn)［J］.武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2005，30（11）：950－954.

［2］Fortier M A，Ziou D，Armenakis C，et al，Automated correction and updating of road databases from high resolution imagery［J］.Canadian Journal of Remote Sensing，2001，27（1）：76－89.

［3］Chen C C，Knoblock C A，Shahabi C.Automatically conflating road vector data with orthoimagery［J］.GeoInformatica，2006，10：495－530.

［4］Kass M，Witkin A，and Terzopoulos D.Snakes：Active Contour Models［J］.International Journal of Computer Vision，1988，1（4）：321－331.

［5］Cohen L D.On active contour models and balloons［C］∥CVGIP：Image Understanding.March，1991，53（2）：211－218.

［6］Steger C，Ulrich M，Wiedemann C.Machine Vision Algorithms and Applications［M］.Weinheim：Wiley－VCH，2008.

［7］Xu C Y，Jerry L P.Snakes，shapes，and gradient vector flow［J］，IEEE Transactions on Imagery Processing，1998，7（3）：359－369.