摘要：隨著遙感影像分辨率的提高，從高分辨率遙感影像中進行道路網(wǎng)提取，可以為交通信息提供瞬時、準確、可靠的數(shù)據(jù)，為交通規(guī)劃提供極大的幫助。提出利用高分辨率遙感影像中道路的光譜信息特征提取路網(wǎng)的方法?？紤]到高分辨率遙感影像光譜信息的復雜性，首先對遙感影像光譜信息進行K均值聚類，實現(xiàn)道路類和非道路類分離；同時，獲取區(qū)域生長的判決條件和判斷閾值，然后在道路類上運用區(qū)域生長的方法提取路網(wǎng)；最后，運用數(shù)學形態(tài)學等處理優(yōu)化路網(wǎng)。實驗證明，該方法從高分辨率遙感影像提取路網(wǎng)有較高的準確度和適用性。

關(guān)鍵詞：高分辨率遙感影像；光譜信息；道路提?。籏均值；區(qū)域生長

DOIDOI：10.11907/rjdk.143740

中圖分類號：TP301

文獻標識碼：A 文章編號文章編號：16727800（2015）001002703

基金項目基金項目：國家自然科學基金項目（61170102；61350011）；交通運輸部重點項目（2012-364-208-802-2）；湖南省自然科學基金項目（11JJ3070）；湖南省自然科學基金重點課題（12JJ2036）；湖南省自然科學基金面上課題（14JJ2115）；湖南省教育廳科研項目（12A039）；湖南工業(yè)大學研究生創(chuàng)新基金項目（CX1404）

作者簡介作者簡介：李建飛（1989-），男，河南上蔡人，湖南工業(yè)大學計算機與通信學院碩士研究生，研究方向為遙感影像處理；文志強（1973-），男， 湖南湘鄉(xiāng)人，博士， 湖南工業(yè)大學計算機與通信學院副教授、 碩士生導師，研究方向為圖像處理、模式識別。

0 引言

高分辨率遙感影像具有覆蓋范圍大、信息客觀真實、成本低、獲取方便等優(yōu)點，被廣泛應用。隨著分辨率的提高，遙感影像所包含的信息更加豐富、詳細，這為使用高分辨率遙感影像監(jiān)測地表環(huán)境和人類活動提供了基礎(chǔ)[1]。

基于遙感影像的道路提取，一直受到學者的關(guān)注。現(xiàn)有研究主要運用光譜、紋理等特征來提取道路。如邊緣連接法，利用光譜差異提取道路邊緣[2]；數(shù)學形態(tài)學提取法，根據(jù)光譜信息，運用數(shù)學形態(tài)學相關(guān)原理提取道路網(wǎng)[3]；基于形態(tài)分割的方法[4]等。隨著分辨率的提高，光譜信息越來越復雜，道路上的車輛、道路兩邊的建筑物等投影對道路造成很大的干擾。因此，單憑一種方法從高分辨率遙感影像提取路網(wǎng)有一定的難度，路網(wǎng)的完整性難以保證。

本文在運用高分辨率遙感影像光譜信息的基礎(chǔ)上，利用 kmeans與區(qū)域生長結(jié)合提取路網(wǎng)。運用kmeans聚類將道路與非道路分離，并獲取道路類的質(zhì)心和道路類中所有像素點對與質(zhì)心的標準偏差，其質(zhì)心作為區(qū)域生長的判決值，標準偏差作為區(qū)域生長判斷閾值。種子點在人工干預下在道路類中選擇，并在道路類中進行區(qū)域生長提取道路網(wǎng)。

1 提取道路方法

1.1 道路基本特性

高分辨率遙感影像中的道路包含以下基本特性[5]：①主干路、次干路、支路的是相互連通的；②每一條道路段路面寬度以及其路面內(nèi)光譜特性基本一致；③由于路面護欄、分道線、車輪線、交通線等影響，使得道路面的灰度分布不均勻。

1.2 道路提取方法

本文采用kmeans聚類分離出道路類；然后在在道路類中采用區(qū)域生長提取路網(wǎng)；最后經(jīng)過噪聲去除、數(shù)學形態(tài)學處理以及細化等處理實現(xiàn)路網(wǎng)的優(yōu)化。本文研究的路網(wǎng)提取流程如圖1所示。

圖2是在kmeans基礎(chǔ)上進行區(qū)域生長的算法流程圖，該算法具體說明如下：

第一步：對影像進行K均值聚類，將道路和非道路及其它分為K類。K值的選擇是關(guān)鍵的一步，K值直接關(guān)系著道路類是否分完整；由K值的大小設(shè)置其初始中心值，這樣能提高算法的收斂速度。設(shè)像素點到類中心的距離為D（像素值之間的距離），其步驟如下：

圖1 路網(wǎng)提取流程

圖2 算法流程

（1）將類的初始中心設(shè)置為{{0，0，0}，{255/（K-1），255/（K-1），255/（K-1）}，{2*255/（K-1），2*255/（K-1），2*255/（K-1）}，……，{255，255，255}}。

（2）在第n次迭代中，對所有的點求到每個中心的歐氏距離D，將該點歸到距離最短的中心所在的類中。

（3）利用求均值的方法求出中心值，進而更新該類的中心值。

（4）對于每個聚類中心，利用（2）和（3）的迭代法更新后，中心值保持不變，迭代結(jié)束。

實驗中計算像素點到類中心的歐氏距離： 其中R、G、B分別代表3個通道的像素值。

D=（R1-R2）2+（G1-G2）2+（B1-B2）2（1）

實驗驗證如圖3所示，對于本圖K=3聚類效果較好，為下一步區(qū)域生長提供了基礎(chǔ)數(shù)據(jù)。

第二步：聚類結(jié)束后，將道路類的中心作為區(qū)域生長的判斷條件，求出道路類中的像素的灰度值與中心點的標準偏差Saj，作為區(qū)域生長判斷的閾值。采用標準偏差作為閾值，當?shù)缆伏c比較少時，標準偏差比標準差更能反映對中心點的偏離度；當?shù)缆伏c相對較多時，標準偏差和標準差的值相當，故標準偏差更能準確評估某一點對于道路類質(zhì)點的偏離度，能更好地判斷是否隸屬于道路點。其中，a=B，G，R，j為屬于道路的類的個數(shù)， n的值為道路這一類中包含像素個數(shù)。

區(qū)域生長法是一種被廣泛使用的經(jīng)典方法，其空間和時間開銷都比較大。為了實現(xiàn)快速提取路網(wǎng)，選擇在道路類中進行區(qū)域生長，初始種子點選擇在道路類中的一點。道路點的判斷正確與否直接關(guān)系著路網(wǎng)的完整性，本文采用式（4）來判斷，設(shè)影像道路上某一點P0，其光譜值為P0a。區(qū)域生長步驟如下：

（1）在圖像道路類中各個類順序掃描，找到一個還沒有歸屬的像素點P1。

（2）以P1為中心，考慮到P1的4鄰域像素Pi，如果P1滿足生長準則式（4），則將Pi與P1合并，同時將Pi壓入堆棧。

（3）從堆棧中取出一個像素，把它作為P1，返回步驟（2）。

（4）當堆棧為空時，返回步驟（1）。

（5）重復步驟Step1-Step4直到圖像中道路所有類中的每一個點都有歸屬時，生長則結(jié)束。

2 實驗結(jié)果與分析

用某城市的高分辨率遙感影像驗證本文提出的方法。實驗結(jié)果如圖4，其中原始影像尺寸800*780；圖4（a）通過kmeans聚類后的圖像，道路類與非道路類分離出來；圖4（b）在kmeans類的基礎(chǔ)上在原圖上進行區(qū)域生長，效果不是很理想；圖4（c）區(qū)域生長后，噪聲去除，但路網(wǎng)還有較多斷裂；圖4（d）通過數(shù)學形態(tài)學處理，斷裂處連接和內(nèi)部斑點消除。

為驗證算法的適用性，與經(jīng)典區(qū)域生長相比較。選取某郊區(qū)的圖像（見圖5（a））作試驗，運行結(jié)果如圖5（b）、（c）、（d）所示。

為評估道路提取的效果，采用人工判讀定義參考圖6，并參考文獻[69]作下列統(tǒng)計：①參考道路長度；②檢出道路長度；③檢出的錯誤道路長度。采用以下3個指標進行評估路網(wǎng)，檢測率PD=檢出的正確道路長度/參考道路長度；虛警率PF=檢出的錯誤道路長度/參考道路長度；檢測質(zhì)量θ=檢出的正確道路長度/（參考道路中未檢測出的長度+檢出的道路長度），得到表1數(shù)據(jù)。

由表1可以看出，運用本文算法提取的道路，在檢測率上，不論是郊區(qū)還是城區(qū)道路都遠遠高于經(jīng)典算法；在虛警率上，不論是郊區(qū)還是城市道路都遠遠低于經(jīng)典算法；重要評價參數(shù)檢測質(zhì)量θ，本文算法在郊區(qū)道路上θ=91.20%、城區(qū)道路θ=85.66%，而經(jīng)典算法在這兩種道路上的θ分別為70.02%、73.67%。本文算法不論是城市道路還是郊區(qū)道路都明顯優(yōu)于經(jīng)典區(qū)域生長算法。

3 結(jié)語

本文提出了一種從高分辨率遙感影像中提取路網(wǎng)的方法。該方法是利用遙感影像的光譜特性，先對其kmeans聚類，得到道路類與非道路類。在此基礎(chǔ)上利用區(qū)域生長方法提取道路網(wǎng)，比單純利用區(qū)域生長精度更高。