王代堃，王志恒，杜霄蒙，陳雨苗

(天津城建大學(xué) a. 地質(zhì)與測(cè)繪學(xué)院；b. 土木工程學(xué)院，天津 300384)

地質(zhì)與測(cè)繪

基于面向?qū)ο蠹夹g(shù)的低山區(qū)公路信息提取研究
——以廣西省玉林市為例

王代堃a，王志恒a，杜霄蒙b，陳雨苗a

(天津城建大學(xué) a. 地質(zhì)與測(cè)繪學(xué)院；b. 土木工程學(xué)院，天津 300384)

針對(duì)高分辨率遙感影像提取公路信息中存在的對(duì)豐富特征信息利用不夠充分的問(wèn)題，基于GeoEye_1衛(wèi)星影像，提出一種綜合考慮公路光譜屬性、紋理屬性、空間屬性等特征的面向?qū)ο蠊沸畔⑻崛〖夹g(shù)．針對(duì)GeoEye_1數(shù)據(jù)的不同波段，采用試誤法建立適用于公路特征提取的綜合分類規(guī)則，并進(jìn)行提?。詈?，以目視結(jié)果作為參考，對(duì)基于各波段的提取結(jié)果精度進(jìn)行驗(yàn)證．結(jié)果表明，基于藍(lán)光波段提取的公路信息精度最高，在選取的六個(gè)抽樣區(qū)域的提取精度分別達(dá)到84%，68%，78%，68%，83%和66%，平均精度達(dá)到74.7%．研究成果對(duì)高分辨率遙感影像在山區(qū)公路信息提取中的應(yīng)用具有一定的參考價(jià)值．

山區(qū)公路；信息提?。幻嫦?qū)ο蠹夹g(shù)；規(guī)則分類；GeoEye_1

山區(qū)公路是山區(qū)與外界聯(lián)系的重要通道．傳統(tǒng)的公路提取方法大多是基于像素的，比較典型的有基于最小二乘B樣條曲線的方法[1]，基于類與模糊集的道路網(wǎng)絡(luò)提取[2]和利用動(dòng)態(tài)規(guī)劃方法提取道路特征[3]等．近年來(lái)，影像的空間分辨率已經(jīng)達(dá)到1～2,m甚至是厘米級(jí)，傳統(tǒng)的基于像素的提取方法不能取得很好的效果．為了解決這個(gè)問(wèn)題，一些學(xué)者開(kāi)始嘗試使用面向?qū)ο骩4-8]的分類提取方法，并取得了比較理想的提取結(jié)果．通過(guò)對(duì)已有的研究成果分析發(fā)現(xiàn)，GeoEye_1遙感影像在細(xì)微地物的解譯與判讀方面有突出優(yōu)勢(shì)，在面向?qū)ο蠹夹g(shù)的提取中能夠更加充分的利用山區(qū)公路的屬性信息，得到較好的提取結(jié)果，但目前利用面向?qū)ο蠹夹g(shù)提取道路的研究成果采用的影像大多是基于Quickbird影像[4-8]，也有部分研究是基于IKONOS影像[6]，對(duì)GeoEye_1影像只有較少的應(yīng)用實(shí)例，同時(shí)，提取的道路目標(biāo)大多是城鎮(zhèn)道路[8]，而鮮有對(duì)山區(qū)的公路的相關(guān)研究．

筆者在對(duì)GeoEye_1高分辨率衛(wèi)星影像中山區(qū)公路的光譜特征、幾何特征、紋理特征以及空間特征等進(jìn)行分析的基礎(chǔ)上，采用面向?qū)ο蠹夹g(shù)對(duì)GeoEye_1的紅、綠、藍(lán)、近紅外和全色五個(gè)波段分別進(jìn)行山區(qū)公路信息的提取，并對(duì)提取結(jié)果進(jìn)行對(duì)比和精度評(píng)價(jià)，最終確定針對(duì)GeoEye_1的低山區(qū)公路面向?qū)ο筇崛〉淖罴巡ǘ危?/p>

1 研究區(qū)概況

研究區(qū)位于廣西壯族自治區(qū)玉林市興業(yè)縣石南鎮(zhèn)，北緯22°41' 52"至22°46' 36"，東經(jīng)109°52' 11"至109°57' 14"．地處廣西東南部，粵桂兩省交界處．該地區(qū)地形主要為丘陵臺(tái)地與山地，氣候?qū)儆趤啛釒Ъ撅L(fēng)氣候，年均溫度22,℃，雨量充沛．

實(shí)驗(yàn)區(qū)主要道路為連接南鄉(xiāng)村和六聯(lián)村的四級(jí)鄉(xiāng)道，該路段依山傍水而建，屬于典型的山區(qū)公路，如圖1所示．本實(shí)驗(yàn)區(qū)選取GEOEYE_1高分辨率衛(wèi)星數(shù)據(jù)，影像分辨率多光譜波段為2 m，全色波段為0.5，拍攝時(shí)間為2009年9月27日．

圖1 廣西省玉林市南鄉(xiāng)村—六聯(lián)村山區(qū)公路

2 GeoEye_1影像中研究區(qū)山區(qū)公路的主要特征

充分認(rèn)識(shí)山區(qū)公路在GeoEye_1影像中的具體特征，有利于從原始影像中找到有利的判別標(biāo)志和相關(guān)參數(shù)．本文在前人研究的基礎(chǔ)上[9-10]，結(jié)合覆蓋研究區(qū)的影像具體情況，分析該地區(qū)公路在GeoEye_1影像上的特征，詳見(jiàn)表1．

表1 山區(qū)公路的主要特征

3 技術(shù)路線與研究方法

基于GeoEye_1影像的山區(qū)公路面向?qū)ο筇崛≈饕ǎ簲?shù)據(jù)預(yù)處理、面向?qū)ο筇崛∫约皩?duì)比驗(yàn)證三個(gè)部分，詳見(jiàn)圖2．首先對(duì)原始影像進(jìn)行必要的預(yù)處理，然后進(jìn)行面向?qū)ο蠹夹g(shù)提取，包括圖像分割，斑塊合并，亮度閾值合并以及選擇屬性計(jì)算項(xiàng)，之后進(jìn)行山區(qū)公路特征提取工作，該階段采用規(guī)則分類的方法對(duì)山區(qū)公路的光譜特征、紋理特征、空間特征進(jìn)行綜合考慮，從而確定出具體的提取規(guī)則，最后進(jìn)行結(jié)果分析．

3.1 影像預(yù)處理

對(duì)于原始影像進(jìn)行適當(dāng)?shù)奶幚砜梢蕴岣呙嫦驅(qū)ο蠓诸惖木龋谟跋穹指钸^(guò)程中，灰度差異較小但分屬不同地物類型的相鄰像元，分割后易被合并為一個(gè)對(duì)象，造成目標(biāo)錯(cuò)提、漏提．為此，須對(duì)原始影像進(jìn)行預(yù)處理，增大提取目標(biāo)與背景的反差，以取得更好的分割效果．

圖2 山區(qū)公路提取技術(shù)路線

3.2 面向?qū)ο蠓诸?/p>

面向?qū)ο蠓诸惣夹g(shù)就是盡可能按照人類認(rèn)識(shí)世界的方法和思維方式來(lái)分析和解決問(wèn)題的系統(tǒng)方法[11]．該方法將影像對(duì)象的鄰近像元這一集合作為研究對(duì)象，從而識(shí)別感興趣的光譜要素，它能充分利用高分辨率影像的各波段的光譜、紋理和空間信息對(duì)圖像進(jìn)行分類.

3.2.1 影像分割

影像分割是面向?qū)ο蠹夹g(shù)提取的基礎(chǔ)和重要階段，它能夠使地物目標(biāo)的異質(zhì)性最大．通過(guò)像素相似的特征值，包括亮度、光譜、顏色等，影像分割技術(shù)將整個(gè)圖像分割成與真實(shí)世界的對(duì)象相對(duì)應(yīng)的對(duì)象，進(jìn)一步更加真實(shí)地模擬現(xiàn)實(shí)世界[12]．一般而言，分割閾值采用試誤法來(lái)確定，并通過(guò)目視解譯方法來(lái)判斷其效果．

3.2.2 斑塊合并

為解決圖像過(guò)度分割問(wèn)題，采用Full Lambda-Schedule Algorithm算法將細(xì)小斑塊合并到更大尺度的斑塊中，即在斑塊的光譜和空間信息的基礎(chǔ)上對(duì)臨近斑塊進(jìn)行合并，如果一對(duì)臨近斑塊的合并結(jié)果小于設(shè)定的合并閾值時(shí)，就進(jìn)行合并計(jì)算[13]．

3.2.3 亮度閾值合并

該過(guò)程主要解決過(guò)度分類后帶來(lái)的點(diǎn)要素信息的提取問(wèn)題，它針對(duì)柵格數(shù)據(jù)進(jìn)行操作，基于當(dāng)前區(qū)域均值圖像的第一波段中斑塊的亮度值來(lái)進(jìn)行分類．

3.2.4 選擇屬性計(jì)算項(xiàng)

該過(guò)程是在針對(duì)每一個(gè)斑塊對(duì)象的光譜、紋理和空間等屬性的基礎(chǔ)上，對(duì)圖像進(jìn)行分類．具體包括：① 光譜屬性，每一個(gè)波段的最小值、最大值、平均值和標(biāo)準(zhǔn)差；② 紋理屬性，包括對(duì)象的范圍、平均、方差和熵；③ 空間屬性，包括對(duì)象的面積、長(zhǎng)度等14類．

3.3 特征提取

本研究采用基于規(guī)則分類的特征提取方法，在分析目標(biāo)地物屬性的基礎(chǔ)上，建立合適的分類方法，給分割后的對(duì)象賦予相應(yīng)的特定要素規(guī)則．通過(guò)選擇光譜、紋理和空間屬性中的特定類別，并通過(guò)對(duì)比分析，建立針對(duì)目標(biāo)地物提取的最佳規(guī)則．

3.4 結(jié)果輸出與分析

將最終的提取結(jié)果以矢量圖的格式導(dǎo)出，再以從基礎(chǔ)地理信息數(shù)據(jù)中獲得的公路信息為參考，對(duì)基于各波段提取的分類結(jié)果進(jìn)行對(duì)比分析，以面積作為評(píng)價(jià)指標(biāo)，確定基于GeoEye_1影像提取公路信息的最佳波段．

4 山區(qū)道路提取實(shí)驗(yàn)

4.1 發(fā)現(xiàn)對(duì)象

4.1.1 圖像分割

本研究的對(duì)象為四級(jí)山區(qū)公路，寬度通常為4～6 m，因此分割時(shí)選擇的尺度也不宜過(guò)大，但對(duì)于全色波段來(lái)說(shuō)，其分辨率更高，許多細(xì)小的地物都能夠被識(shí)別，分割尺度要相對(duì)較大，否則分割對(duì)象將過(guò)于細(xì)碎，不能很好的將公路信息提?。?jīng)過(guò)反復(fù)試驗(yàn)，最終確定紅光波段的分割尺度為30，綠光波段的分割尺度為30，藍(lán)光波段的分割尺度為50，全色波段的分割尺度為70，分割效果如圖3所示．

圖3 分割尺度

4.1.2 斑塊合并

在圖像分割的基礎(chǔ)上，將屬于同一性質(zhì)但被分割的對(duì)象進(jìn)行合并，使得分割效果更加準(zhǔn)確、合理．通過(guò)對(duì)不同波段的合并尺度進(jìn)行實(shí)驗(yàn)，最終確定藍(lán)光波段的合并尺度為30，紅光波段的合并尺度為10，綠光波段的合并尺度為10，全色波段的合并尺度為20，合并效果如圖4所示．

圖4 合并效果

4.1.3 亮度閾值合并與選擇屬性計(jì)算項(xiàng)

最后，在面向?qū)ο蠓诸悤r(shí)，為解決過(guò)度分類后帶來(lái)的點(diǎn)要素信息的提取問(wèn)題，對(duì)于實(shí)驗(yàn)中的所有波段，都要進(jìn)行亮度閾值合并．而對(duì)于屬性計(jì)算項(xiàng)，在接下來(lái)的分類規(guī)則中，對(duì)不同的波段，會(huì)采用不同的光譜屬性，紋理屬性和空間屬性，所以這三個(gè)屬性項(xiàng)都選擇，以便于下一階段的分析使用．

4.2 基于規(guī)則分類的特征提取

通過(guò)發(fā)現(xiàn)對(duì)象中的圖像分割，斑塊合并等操作，已經(jīng)將目標(biāo)區(qū)的遙感影像劃分成若干有意義的分離區(qū)域，形成了基本的影像對(duì)象，但最終公路提取的準(zhǔn)確度取決于規(guī)則分類中規(guī)則的確定．根據(jù)波段的特點(diǎn)和山區(qū)公路的的特征建立適當(dāng)?shù)囊?guī)則，并通過(guò)對(duì)實(shí)際分類效果的對(duì)比分析，確定基于GeoEye_1影像提取山區(qū)公路信息的規(guī)則，詳見(jiàn)表2．

表2 分類規(guī)則詳細(xì)信息

研究發(fā)現(xiàn)若選定屬性的閾值設(shè)定過(guò)高，則會(huì)把公路對(duì)象錯(cuò)誤劃分為背景對(duì)象；若選定屬性的閾值設(shè)定過(guò)低，則會(huì)把背景類對(duì)象也分類為道路對(duì)象，造成結(jié)果的不準(zhǔn)確．最終的閾值確定需要不斷試驗(yàn)才可以確定．接下來(lái)以藍(lán)光波段屬性1的建立過(guò)程為例進(jìn)行討論．選擇光譜屬性的平均值“Avgband”作為屬性1，可以看出，圖5a中的閾值設(shè)置為150，效果十分不理想，公路無(wú)法與周圍地物相區(qū)分，說(shuō)明公路對(duì)象的特征值都比較高，故通過(guò)試誤法繼續(xù)增大閾值，最終確定的屬性1的閾值為296.1，如圖5b所示，公路輪廓清晰可見(jiàn)，之前與周圍地物無(wú)法區(qū)分的現(xiàn)象得到很大改善．然后在屬性1的基礎(chǔ)上，將屬性2設(shè)置為紋理屬性中的核內(nèi)組成該區(qū)域的像素方差“Tx_variance”，核是一個(gè)像素?cái)?shù)組用于將像素區(qū)分為不同的像素集．最終的閾值確定為187.1，設(shè)置后效果如圖5c所示，山區(qū)公路周邊的干擾因素進(jìn)一步減少．

圖5 藍(lán)光波段屬性確定過(guò)程

圖6 近紅外分類規(guī)則效果

對(duì)于近紅外波段，圖6是用光譜屬性與紋理屬性提取的效果預(yù)覽．可看出對(duì)于近紅外波段，無(wú)論是用光譜屬性還是紋理屬性都不能很好地提取道路信息．

5 實(shí)驗(yàn)結(jié)果與分析

整體上看，四種波段提取結(jié)果的山區(qū)公路對(duì)象網(wǎng)絡(luò)都較清晰，需要通過(guò)定量的方法進(jìn)一步判斷不同波段提取效果的好壞．

在定性分析的基礎(chǔ)上，通過(guò)目視解譯的方法，從研究區(qū)遙感影像上提取公路信息，并將其作為準(zhǔn)確度評(píng)價(jià)的標(biāo)準(zhǔn)．通過(guò)抽樣的方法，對(duì)基于不同波段提取的公路信息精度進(jìn)行評(píng)價(jià)，對(duì)公路的不同路段建立6個(gè)面積提取樣區(qū)，如圖7中的正方形藍(lán)色區(qū)域1—6，樣區(qū)的設(shè)立充分考慮到公路周邊地物的不同特征，如樣區(qū)1中的路段橫穿居民區(qū)，樣區(qū)2，3，4中的路段進(jìn)入山區(qū)，樣區(qū)3，6中的公路鄰河而建，樣區(qū)4，5中的公路處于彎道地段．

圖7 實(shí)驗(yàn)區(qū)公路主要干路緩沖區(qū)建立與區(qū)域面積提取

基于空間分析，得到6個(gè)樣區(qū)內(nèi)不同波段及目視解譯提取的公路的面積，如表3所示．

表3 提取樣區(qū)內(nèi)不同波段及目視解譯的公路面積提取結(jié)果 m2

根據(jù)表3中的6個(gè)樣區(qū)內(nèi)不同波段的公路面積提取結(jié)果，分別與樣區(qū)內(nèi)目視解譯的山區(qū)公路面積進(jìn)行比較，從而得出準(zhǔn)確度的大?。我惶崛訁^(qū)內(nèi)具體的比較公式如下

其中：A為光的提取準(zhǔn)確度；S提取為某光的公路提取面積；S目視為該區(qū)域內(nèi)對(duì)應(yīng)的目視解譯提取的公路面積．

按公式運(yùn)算后得到的不同波段公路面積提取準(zhǔn)確度如表4所示．通過(guò)對(duì)比發(fā)現(xiàn)，藍(lán)光波段在6個(gè)區(qū)域內(nèi)的公路面積提取準(zhǔn)確度都是最高的，分別達(dá)到了84%，68%，78%，68%，83%，66%，其平均準(zhǔn)確度為74.5%．

表4 提取樣區(qū)內(nèi)不同波段的公路面積提取準(zhǔn)確度

6 結(jié) 論

本文基于GeoEye_1衛(wèi)星影像，結(jié)合山區(qū)公路自身的特征及其在影像上的表現(xiàn)，提出一種綜合考慮公路光譜屬性、紋理屬性、空間屬性等特征的面向?qū)ο蠊沸畔⑻崛〖夹g(shù)，并以廣西壯族自治區(qū)南鄉(xiāng)村和六聯(lián)村的四級(jí)鄉(xiāng)道1997年的部分影像作為實(shí)驗(yàn)數(shù)據(jù)，進(jìn)行山區(qū)公路提取實(shí)驗(yàn)，并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行精度評(píng)定，得出以下結(jié)論：

(1)基于高分辨遙感影像，應(yīng)用面向?qū)ο蠓诸惙椒ㄌ崛」沸畔?，由于充分考慮公路在影像上的空間、光譜和紋理特征，可以達(dá)到較高的提取精度；

(2)通過(guò)對(duì)比分析發(fā)現(xiàn)，在GeoEye_1四個(gè)波段中，基于藍(lán)光波段的公路信息提取精度最高，6個(gè)提取樣區(qū)的提取準(zhǔn)確度分別達(dá)到84%，68%，78%，68%，83%，66%，其中部分樣區(qū)提取準(zhǔn)確度較其他波段高出30%～50%．

同時(shí)，藍(lán)光波段的提取效果在今后也有需要改進(jìn)的地方．其一，部分樣區(qū)的解譯精度仍然不夠準(zhǔn)確，如部分提取區(qū)的精度只接近70%，還需進(jìn)一步提高；其二，對(duì)山區(qū)公路周圍屬性相似地物的誤提取現(xiàn)象仍較為突出，尤其當(dāng)周圍地物復(fù)雜時(shí)，會(huì)影響提取精度，如提取區(qū)1覆蓋的居民區(qū)，對(duì)居民地的誤提取要比全色波段嚴(yán)重，今后可以嘗試和全色波段先進(jìn)行融合，再建立適當(dāng)?shù)囊?guī)則進(jìn)行提?。?/p>

［1］ GRUEN A，LI Haihong. Semi-Automatic linear feature extraction by dynamic programming and LSB-snakes[J]. Photogrammetric Engineering and Remote Sensing，1997，63(8)：985-995.

［2］ STEGER C，MAYER H，RADIG B. The role of grouping for road extraction[C]// Automatic Extraction of Manmade Objects from Aerial and Space Images. Basel：Birkhaeuser Verlag，1997，245-255.

［3］ GRUEN A，LI Haihong. Road extraction from aerial and satellite images by dynamic programming[J]. ISPRS Journal of Photogrammetry and Remote Sensing，1995，50(4)：11-20.

［4］ 朱曉鈴，鄔群勇. 基于高分辨率遙感影像的城市道路提取方法研究[J]. 資源環(huán)境與工程，2009，23(3)：296-299.

［5］ 袁 華，章皖秋，郭洪江. 基于面向?qū)ο蠹夹g(shù)的Quick Bird遙感影像分類[C]// 2010 International Conference on Remote Sensing(ICRS 2010). 杭州：Asia Pacific Environmental Science Research Center，2010：473-476.

［6］ 孫曉霞，張繼賢，劉正軍. 利用面向?qū)ο蟮姆诸惙椒◤腎KONOS全色影像中提取河流和道路[J]. 測(cè)繪科學(xué)，2006，31(1)：62-63

［7］ 黃 亮，左小清，張曉曉. 面向?qū)ο蟮牡缆沸畔⒆R(shí)別提取分析[J]. 昆明理工大學(xué)學(xué)報(bào)：理工版，2010，35(6)：6-10.

［8］ 唐 靜，吳俐民，左小清. 面向?qū)ο蟮母叻直媛市l(wèi)星影像道路信息提取[J]. 測(cè)繪科學(xué)，2011，36(5)：98-99.

［9］ VOSSELMAN G ，DE KNECHT J. Road tracing by profile matching and Kaiman filtering [C]// Automatic Extraction of Man-made Objects from Aerial and Space Images. Birkhauser：Basel，1995：265- 274.

［10］ 陳昌鳴. 面向?qū)ο蟮母叻直媛蔬b感影像農(nóng)村公路專題信息提取[D]. 重慶：重慶交通大學(xué)，2011.

［11］ 何 軍，蹤 程，劉云生. 面向?qū)ο蠹夹g(shù)在土地檢測(cè)系統(tǒng)中的應(yīng)用[J]. 天津城市建設(shè)學(xué)院學(xué)報(bào)，2007，13(3)：219-222.

［12］ 汪東川. 土地利用/覆蓋格局時(shí)空動(dòng)態(tài)分析與模擬—以藉河流域?yàn)槔齕D]. 北京：中國(guó)科學(xué)院研究生院，2010.

［13］ 胡卓瑋，王志恒，魏 錸，等. 基于 RS 與 GIS 混合編程的公路水毀災(zāi)情信息提取[J]. 自然災(zāi)害學(xué)報(bào)，2013，22(1)：94-101.

Study of Information Extraction of Hilly Highway Based on Object-oriented Technology： the Case of Yulin City，Guangxi Province

WANG Dai-kuna，WANG Zhi-henga，DU Xiao-mengb，CHEN Yu-miaoa
(a. School of Geology and Geomatics；b. School of Civil Engineering，Tianjin Chengjian University，Tianjin 300384，China)

Abundant feature information is not fully used in the information extraction of highways based on high resolution remote sensing image. Based on GeoEye_1 satellite image，this paper proposes an object-oriented mountain highway information extraction method which takes into account spectral properties，texture features，and space features of the highways. First，the general classification rule is established according to the highway characteristics of the high resolution remote sensing image and the coefficient values are determined by trial-error method. Then，the extraction experiment is conducted on different band respectively. Finally，the extraction result is compared with the visual interpretation result both on whole area and the sampling area. The results show that the image of blue band has the highest accuracy to extract the information of the mountain highway of the study area. The accuracy of the six sampling areas are 84%，68%，78%，69%，83%and 66%，with the 74.7% average accuracy. The result has certain reference value for the study on object-oriented extraction along highways in mountain areas.

mountain highway；information extraction；object-oriented technology；regular classification；Geoeye_1

P237：TP751

A

2095-719X(2014)02-0101-06

2013-11-12；

2014-02-24

天津城建大學(xué)本科生科研立項(xiàng)(2012-2013) A類重點(diǎn)扶持項(xiàng)目(21-21124809A)

王代堃（1992—），男，山西長(zhǎng)治人，天津城建大學(xué)本科生．