楊 燕，黃彥麗，馬 靜

（1. 青海省基礎(chǔ)地理信息中心，青海 西寧 810001）

機(jī)載激光雷達(dá)系統(tǒng)LiDAR是一種新型的綜合應(yīng)用激光測距儀、IMU、GPS的快速測量系統(tǒng)，可以直接聯(lián)測地面物體各個(gè)點(diǎn)的三維坐標(biāo)[1,2]。由于LiDAR只能獲得地面目標(biāo)的高程信息，卻不能獲得其語義信息，將LiDAR數(shù)據(jù)與高分辨率遙感影像結(jié)合，研究目標(biāo)特征的提取，具有重要的學(xué)術(shù)價(jià)值和應(yīng)用前景。本文利用數(shù)學(xué)形態(tài)學(xué)的理論和方法，根據(jù)高分辨率遙感影像中道路的特點(diǎn)[3]，結(jié)合LiDAR點(diǎn)云數(shù)據(jù)，對高分辨率衛(wèi)星遙感影像中的道路中心線提取進(jìn)行研究，試圖獲得一種比較合適的道路中心線提取方法。

1 原理及流程

本文的研究基于Matlab7.8、ENVI7.0和ArcGIS10平臺，截取部分徐州市城區(qū)的遙感影像和機(jī)載LiDAR點(diǎn)云數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。遙感影像是空間分辨率為0.67 m的QuickBird多光譜影像（包括R、G、B三個(gè)波段，已完成影像融合），機(jī)載LiDAR點(diǎn)云數(shù)據(jù)的空間分辨率為5 m，如圖1。

基于機(jī)載LiDAR和高分辨率遙感影像提取道路中心線的基本思想是，首先利用配準(zhǔn)的LiDAR數(shù)據(jù)生成DSM深度影像，基于DSM深度影像提取建筑物輪廓；然后利用遙感影像的多光譜波段采用監(jiān)督分類的方法提取植被；在此基礎(chǔ)上，采用減法運(yùn)算將建筑物和植被剔除，剩下部分利用一系列形態(tài)學(xué)算子，如形態(tài)學(xué)濾波器、形態(tài)重建、形態(tài)開閉運(yùn)算等對道路進(jìn)行修飾和完善，并提取道路中心線；最后，根據(jù)準(zhǔn)確率、遺漏誤差、冗余誤差3個(gè)參數(shù)指標(biāo)來定量分析道路提取的效果。提取流程如圖2。

2 基于機(jī)載LiDAR和高分辨率遙感影像的道路中心線提取

2.1 點(diǎn)云和影像配準(zhǔn)

針對LiDAR點(diǎn)云數(shù)據(jù)和高分辨率遙感影像的配準(zhǔn)問題，國內(nèi)外學(xué)者作了廣泛研究[4,5]。雖然都能較準(zhǔn)確地進(jìn)行LiDAR數(shù)據(jù)與影像的配準(zhǔn)，但過程大多比較復(fù)雜。本文基于ArcGIS平臺，通過尋找遙感影像和LiDAR點(diǎn)云數(shù)據(jù)上的同名建筑物的質(zhì)心進(jìn)行配準(zhǔn)，方法簡單高效，主要步驟如下；①將LiDAR點(diǎn)云數(shù)據(jù)轉(zhuǎn)換成ArcGIS支持的點(diǎn)數(shù)據(jù)；②以QB數(shù)據(jù)為基準(zhǔn)數(shù)據(jù)，將點(diǎn)數(shù)據(jù)的xy坐標(biāo)各加39 000 000，完成粗配準(zhǔn)；③將點(diǎn)數(shù)據(jù)轉(zhuǎn)換成TIN；④對照高分辨率遙感影像找到TIN對應(yīng)的區(qū)域；⑤對照TIN數(shù)據(jù)，在點(diǎn)數(shù)據(jù)和遙感影像上尋找同一建筑物的質(zhì)心，作為同名點(diǎn)；⑥尋找大約7個(gè)左右的均勻分布的同名質(zhì)心點(diǎn)；⑦利用ArcGIS中的Georeference工具進(jìn)行配準(zhǔn)。配準(zhǔn)結(jié)果如圖3所示，左圖為點(diǎn)云數(shù)據(jù)生成的TIN與點(diǎn)的對照圖，右圖為影像和點(diǎn)的對照圖。

2.2 基于LiDAR數(shù)據(jù)的建筑物提取

從圖3可以看出，建筑物輪廓在用LiDAR點(diǎn)云數(shù)據(jù)構(gòu)建的TIN上很明顯，那是因?yàn)榻ㄖ锵鄬τ诘孛鎭碚f具有較高的高程。根據(jù)這一點(diǎn)，將配準(zhǔn)后的點(diǎn)生成DSM，然后將生成的DSM轉(zhuǎn)換成灰度深度影像，利用深度直方圖分割提取建筑物邊緣信息，如圖4所示。

2.3 基于高分辨率遙感影像的植被提取

植被信息在高分辨率遙感影像上表現(xiàn)為深綠色或淺綠色區(qū)域。分別選擇馬爾科夫距離分類器和神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行分類，結(jié)果如圖5所示。可以看出，兩種分類器提取的植被信息都比較準(zhǔn)確，但神經(jīng)網(wǎng)絡(luò)分類器運(yùn)行時(shí)間大大長于馬爾科夫距離分類器。

2.4 道路輪廓的提取

在以上步驟基礎(chǔ)上，將獲得的建筑物信息和植被信息疊加到一幅圖像上，獲得一幅二值圖像，如圖6a；然后用同樣大小的圖像減去疊加圖像，得到基本的道路輪廓，如圖6b。

2.5 基于形態(tài)學(xué)處理的道路信息提取

2.5.1 圖像非道路圖斑的去除

經(jīng)過以上處理，圖6b中的非道路圖斑主要表現(xiàn)為尺寸較小的點(diǎn)狀信息。為了去除這些噪聲，根據(jù)圖像的特征，選擇尺寸逐漸增大的圓形結(jié)構(gòu)元素進(jìn)行形態(tài)濾波，處理后的結(jié)果如圖7a。

2.5.2 道路信息的細(xì)化和修剪

利用形態(tài)濾波將非道路圖斑去除后，道路網(wǎng)絡(luò)仍存在一些不足，如道路截?cái)?、道路中的孔洞和邊緣存在“毛刺”等現(xiàn)象，需要進(jìn)一步完善。

1）道路細(xì)化。道路提取的最終目的是得到矢量化的地理信息并添加到數(shù)據(jù)庫中，在完善道路的基礎(chǔ)上提取道路中心線構(gòu)成矢量道路網(wǎng)絡(luò)。形態(tài)細(xì)化道路可以獲取一個(gè)像素寬度的道路中心線，如圖7b。

2）道路修剪。道路經(jīng)過細(xì)化后所得的道路中心線有許多“毛刺”，這些“毛刺”或是非道路部分，或是一些小岔路，需要進(jìn)行處理。基于道路知識使用如下兩個(gè)規(guī)則連接縫隙和去除短線段?；贏rcGIS平臺進(jìn)行處理，最終提取的道路中心線如圖7c，疊加圖像如圖7d。

規(guī)則1 對于一條線段M，如果存在一條線段N在相反方向或接近相反的方向指向線段M，并且存在一個(gè)縫隙（小于6個(gè)像素）在線段M和N之間，那么線段M和N應(yīng)該被連接起來。

規(guī)則2 如果一條短線段（小于6個(gè)像素）從一個(gè)十字或T型結(jié)點(diǎn)開始，而且沒有其他線段在相反或近似相反的方向指向這條短線段，這條短線段應(yīng)該被去除。

3 精度評價(jià)及結(jié)果分析

3.1 完整性分析

為了評估提取的道路的準(zhǔn)確性，把提取的目標(biāo)與原始遙感影像重疊，結(jié)果如圖8。圖8a為未結(jié)合LiDAR數(shù)據(jù)，高分辨率遙感影像結(jié)合數(shù)學(xué)形態(tài)學(xué)的道路中心線提?。粓D8b為基于機(jī)載LiDAR和高分辨率遙感影像結(jié)合數(shù)學(xué)形態(tài)學(xué)的道路中心線提取?？梢钥闯?，本文方法提取的道路目標(biāo)很好地表示了原始道路的位置和方向。盡管受樹木、建筑物陰影等影響存在個(gè)別位置錯(cuò)誤，但提取目標(biāo)和原始目標(biāo)之間的位置基本符合，提取出的道路非常接近原始圖像上的道路。而未結(jié)合LiDAR數(shù)據(jù)提取的道路中心線完整性非常差。

3.2 精度分析

以遙感圖像提取道路的識別精度、遺漏誤差、冗余誤差作為評價(jià)因子來評價(jià)提取結(jié)果。這3個(gè)參數(shù)的計(jì)算公式如下：

這里，遺漏的道路是錯(cuò)誤地被識別為背景的道路，錯(cuò)分的道路是被錯(cuò)誤地定義為道路的一部分背景。道路的總長度是指真實(shí)的道路網(wǎng)總長度，真實(shí)的道路網(wǎng)利用一種更精確的方法從原始圖像中測量。統(tǒng)計(jì)結(jié)果見表1～表3。

表1 基于數(shù)學(xué)形態(tài)學(xué)提取的道路信息

表2 結(jié)合LiDAR數(shù)據(jù)和高分辨率遙感影像提取的道路信息

表3 2種方法道路提取精確度的統(tǒng)計(jì)信息/%

3.3 結(jié)果分析

觀察表3可得，利用數(shù)學(xué)形態(tài)學(xué)從遙感圖像中提取道路的識別精度為30.48%，遺漏誤差為55.79%，錯(cuò)分誤差只有4.17%；而利用LiDAR數(shù)據(jù)和高分辨率遙感影像提取道路信息的識別精度達(dá)到98.35%，遺漏誤差只有2.28%，錯(cuò)分誤差為18.44%。對比表1和表2也可以看到，綜合利用LiDAR數(shù)據(jù)和高分辨率遙感影像的道路提取方法，正確識別的道路長度是利用數(shù)學(xué)形態(tài)學(xué)方法正確識別的道路長度的3倍還要多。

從實(shí)驗(yàn)可以發(fā)現(xiàn)，針對道路信息的識別精度，基于機(jī)載LiDAR和高分辨率遙感影像的道路提取方法比數(shù)學(xué)形態(tài)學(xué)方法有很大提高；同時(shí)，數(shù)學(xué)形態(tài)學(xué)方法有較高的遺漏誤差，而基于機(jī)載LiDAR和高分辨率遙感影像的道路提取方法有較高的錯(cuò)分誤差。這是因?yàn)?，利用?shù)學(xué)形態(tài)學(xué)方法主要提取的是城市主干道路，它們在遙感影像上所占的像素一般較寬，部分寬度較窄的道路被遺漏；而基于機(jī)載LiDAR和高分辨率遙感影像的道路提取方法的識別精度主要取決于前期的基于LiDAR數(shù)據(jù)的建筑物信息的提取精度和基于高分辨率遙感影像的植被信息的提取精度，若把建筑物信息或植被信息錯(cuò)誤地識別為道路，則易造成錯(cuò)分誤差。從疊加圖中可以看出，基于機(jī)載LiDAR和高分辨率遙感影像的道路提取方法提取出來的錯(cuò)誤道路大多分布于圖像邊緣，原因是該方法沒有利用道路的幾何特征，易把邊緣地物錯(cuò)分為道路。

4 結(jié) 語

本文綜合利用徐州市的LiDAR點(diǎn)云數(shù)據(jù)，提出了機(jī)載LiDAR和高分辨率遙感影像相結(jié)合的道路信息提取方法，并通過形態(tài)學(xué)相關(guān)算法實(shí)現(xiàn)了道路中心線的最終提取。實(shí)驗(yàn)表明，將機(jī)載LiDAR數(shù)據(jù)與高分辨率遙感影像結(jié)合進(jìn)行特定地物目標(biāo)的提取，在GIS空間數(shù)據(jù)庫更新、自動(dòng)制圖、車載導(dǎo)航、旅游交通圖更新、數(shù)字三維城市構(gòu)建等領(lǐng)域有良好的研究前景。

[1]史文中，朱長青，王昱.從遙感影像提取道路特征的方法綜述與展望[J].測繪學(xué)報(bào),2001,30(3)：257-262

[2]田正杰.高分辨率遙感影像道路分割與提取算法研究[D].西安：西安科技大學(xué)，2009

[3]李光耀，胡陽.高分辨率遙感影像道路提取技術(shù)研究與展望[J].遙感信息，2008(1)：91-95

[4]張宏偉.矢量與遙感影像的自動(dòng)配準(zhǔn)[D].武漢：武漢大學(xué)，2004

[5]鄧非.LiDAR數(shù)據(jù)與數(shù)字影像的配準(zhǔn)和地物提取研究[D].武漢：武漢大學(xué)，2006

[6]鄭麗，潘建平.基于數(shù)學(xué)形態(tài)學(xué)的遙感圖像道路提取[J].鐵道勘察，2010(1)：12-15

[7]Zhu C，Shi W，Pesaresi M.The Recognition of Road Network from High-resolution Satellite Remotely Sensed Data Using Image Morphological Characteristics [J].International Journal of Remote Sensing，2005，26(24)：5 493-5 508

[8]左娟.基于數(shù)學(xué)形態(tài)學(xué)的高分辨率遙感影像城市道路提取[D].南昌：江西理工大學(xué)，2009