徐 南，周紹光

(河海大學地球科學與工程學院，南京 210098)

0 引言

隨著遙感技術的快速發(fā)展，遙感應用越來越廣泛。如何充分利用遙感圖像的高分辨率特征快速提取和識別目標地物成為目前遙感領域的一個熱點問題[1－3]。遙感圖像中道路的識別與提取更是當前的一個研究難點和焦點問題[4－6]。

對于高分辨率遙感圖像，利用道路幾何特征提取道路信息是一種經(jīng)典的方法，國內(nèi)外很多專家對此作了大量研究，例如:鐘家強等[7]利用道路的線特征檢測道路網(wǎng);肖鵬峰等[8]通過相位一致性對道路進行檢測;朱昌盛等[9]采用平行線從遙感圖像中提取道路主干道;梅小明等[10]利用Beamlet變換算法提取道路的線狀特征;賈承麗等[11]通過Hough變換進行目標道路檢測;雷小奇等[12]綜合幾何形狀特征進行道路提取;李燕等[13]利用啟發(fā)式搜索算法跟蹤提取道路信息;周紹光等[14]則采用相位編組法和動態(tài)規(guī)劃法提取道路。

現(xiàn)有方法一般基于2點假設來提取道路:①道路邊緣線清晰連續(xù);②道路為規(guī)則直線或連續(xù)平滑曲線?；谏鲜黾僭O，傳統(tǒng)方法先使用Canny算子檢測邊緣，再利用Hough變換或直線擬合方法提取道路[15]。對于理想的道路，上述方法可獲得較好的提取效果;但大部分道路在遙感圖像中并不是直線或規(guī)則曲線，道路上的車輛、分隔欄以及道路兩旁建筑物與樹木的陰影等也會影響道路影像的質量;大部分道路的邊緣并不是直線或連續(xù)平滑曲線，即使是局部邊緣也難以用一個簡單的數(shù)學方程來嚴格描述，在這種情況下往往會使傳統(tǒng)方法難以奏效。

針對現(xiàn)有方法的上述不足，本文提出如下幾點改進:①使用方向模板檢測圖像中的邊緣線，解決道路影像對比度低、邊緣線較弱的問題;②將邊緣圖切割成子塊，提取出長度大于給定閾值的直線段，解決傳統(tǒng)方法難以顧及道路局部幾何信息的問題;③向直線段兩端延伸并進行投票，連接處于彎曲邊緣線的直線段;④使用一種新方法去除毛刺、分叉和雜亂結構，得到道路網(wǎng)。改進后的方法可以較好地提取復雜遙感圖像中帶有一定曲率、對比度較低、受噪聲影響嚴重的道路邊緣線信息。

1 道路邊緣線提取

1.1 圖像邊緣檢測流程

對于一般較為清晰的圖像，可采用Canny算子檢測并細化邊緣;而對于較為復雜的高分辨率圖像，邊緣影像對比度較低，可通過方向模板法獲得邊緣信息，其流程如下:

1)計算圖像各像元的梯度;

2)根據(jù)梯度方向將像元劃分為若干類(本文取8類，見圖1);

圖1 方向梯度劃分Fig.1 Division of gradient direction

3)提取梯度模大于給定閾值的像元為邊緣點。

基于上述操作，對8個方向上的邊緣點分別提取分塊子線段并通過投票連接子線段，去除毛刺和雜亂邊緣線，取其并集形成最終道路網(wǎng)。

1.2 分塊子線段提取

高分辨率遙感圖像中的道路受道路兩旁樹木和建筑物的陰影以及道路上車輛等多種因素的影響，一般難以形成直線或者連續(xù)平滑邊緣;但局部道路可被認為是直線段，因此本文通過選取合適的m0×m0子塊，以保證每個子塊中只包含1～2條較長的短直線段。對于每個子塊，獲取子線段的方法如圖2所示。

圖2 子塊中線段提取Fig.2 Extraction of line segments in sub－ block

提取各子塊中直線段的步驟如下:

1)檢測第i個子塊中邊緣像元個數(shù)，若像元個數(shù)小于給定閾值Psub，則認為該子塊中無直線段，進入下一子塊;否則在子塊中找出距離最大的2個點p1(c1，r1)和 p2(c2，r2);

2)計算p1和p2兩點間的距離 d(p1，p2)，記為d12;設d0為線段最短長度閾值，若d12＜d0，則該子塊無直線段，i=i+1，轉至步驟1);

3)連接p1和p2兩點，形成直線段，以該線段為中軸線向兩側擴展為以W0為寬度(W0為奇數(shù))并與子塊邊框相交的帶狀區(qū)域，若落在該帶狀區(qū)域中的邊緣像元點個數(shù)小于給定閾值Pline，則將2個端點歸零，轉至步驟1);否則認為該帶狀區(qū)域內(nèi)存在一條直線段，保存該直線段及其相關信息，并將已檢測出來的直線像元歸零，轉至步驟1);

4)若完成圖像遍歷，則跳出循環(huán);否則轉入下一子塊，i=i+1。

1.3 投票與子線段連接

經(jīng)過上述分塊提取子線段，可獲得各子塊中的直線段;但這些直線段難以自動形成較好的道路邊緣線，在道路端頭、拐彎以及受噪聲影響嚴重處會存在斷裂和遺漏。因此，在此處采用基于直線段投票的方法來連接各子線段，依次形成以各子線段中點為中心、W0為寬度、L0為長度的平行四邊形投票區(qū)域，對各投票區(qū)域進行投票。各直線段投票區(qū)域如圖3所示。

圖3 直線段投票區(qū)域示意圖Fig.3 Voting zone of straight－ line segment

投票數(shù)組的計算流程如下:

1)設置與原圖像大小相同的投票數(shù)組Mm，n，各元素初始化為零，用來存放各像元票數(shù);

2)順次計算每條子線段的斜率和截距，以各子線段中點為中心，構造寬度為W0、長度為L0的平行四邊形投票區(qū)域Ck，將落入Ck中的像元所對應投票數(shù)組元素 Mc，r加上 1，即

3)遍歷所有直線段所對應的投票區(qū)域，獲得投票矩陣Mm，n，篩選出票數(shù)大于給定閾值v0的點作為潛在道路點集 Rm，n，即

4)將上述潛在道路點集與分塊道路邊緣圖做并集，填補各道路之間的斷裂和遺漏，細化邊緣線，去除長度小于給定閾值的道路和部分孤立點，以獲得連接好的道路。

1.4 毛刺和雜亂結構去除

通過上述處理，可基本提取出遙感圖像中的道路;但依然會有部分道路與道路旁的建筑物或者其他微小地物存在粘連的現(xiàn)象，這會對最終的道路邊緣線提取造成不利影響，因此必須將道路旁附著的毛刺和一些雜亂邊緣線去除，步驟如下:

1)對于每個道路邊緣連通成分comp1，找到其端點集，記為ep1;進行若干次腐蝕運算后，端點集記為ep2;再以邊緣線圖像comp1為掩模、以端點集ep2為種子點進行受限膨脹運算，去除較短的毛刺，此時邊緣連通成分記為comp2;

2)尋找每個道路連通域comp2中的端點集ep3和交叉點集cp1，如果端點數(shù)量等于2，則該道路不需要處理，此類道路屬于集合R1;否則，認為該道路存在毛刺或分叉，此類道路屬于集合R2。篩選出每2個端點之間在該連通域中的最長路徑作為主要道路，計算交叉點至各端點的距離;若該距離大于給定閾值，則該端點至交叉點之間的通路作為次要道路，否則作為毛刺剔除。道路集合R2經(jīng)處理后為集合R20;

3)取集合R1和集合R20的并集Ru=R1∪R20，并篩選出其中連通域面積(因為該圖像已經(jīng)過細化運算，所以面積亦即連通域的長度)大于閾值C0的連通域;

4)使用連通域形狀指數(shù)對上述運算的結果進一步篩選，計算每個連通域的形狀指數(shù)，去除形狀指數(shù)小于一定閾值并且連通域面積小于一定閾值的連通域，將篩選出來的連通域集合作為最終的道路邊緣集合。

上述步驟2)中搜索主要道路的詳細步驟如下:①對第i個連通域，搜索出其ne個端點，若ne≤2，該連通域無毛刺，i=i+1;②對于第j個端點Ej和第 k 個端點 Ek，其中 j，k=1，2…，ne并且 j≠k，使用F(Ej，Ek)表示Ej與Ek之間的最短距離;③選擇Rmaini=max{F(Ej，Ek)}作為第i個連通成分中的主要道路。經(jīng)過上述①—③步驟操作之后，可能會依然存在如圖4所示的雜亂結構。

圖4 雜亂邊緣線Fig.4 Mess edge lines

為去除上述雜亂結構，定義形狀指數(shù)S，即

式中:Plen為連通成分像元個數(shù);△r為連通區(qū)域最小包絡矩形的行像元差;△c為邊緣線最小包絡矩形的列像元差。按照上述步驟提取出的道路邊緣線一般呈長條形，其形狀指數(shù)S會明顯小于2，而雜亂邊緣線的形狀指數(shù)會大于2。因此，選取適當?shù)拈撝礢0可有效地去除圖4中的雜亂邊緣線。多次實驗表明，當S0=2時，可取得較好的效果。

2 實驗與結果分析

本文以2景IKONOS圖像為例，檢驗新算法提取道路邊緣線的效果(圖5—7)。

圖5－1 本文方法對圖像I的實驗結果Fig.5－1 Experimental results for image I by method proposed in this paper

圖5－2 本文方法對圖像I的實驗結果Fig.5－2 Experimental results for image I by method proposed in this paper

實驗過程中的參數(shù)取值情況如下:m0=20，n0=20，w0=3，W0=3，v0=3，d0=7，Psub=18，Pline=15，S0=2。采用本文方法，從圖像Ⅰ中提取出大部分道路邊緣線(圖5)。

作為對比，給出了使用經(jīng)典Hough變換方法提取的結果(圖6)。

圖6 Hough變換法對圖像I的實驗結果Fig.6 Experimental results of image I by Hough transform method

圖像Ⅱ的影像信息比較復雜，故對過短的邊緣 線沒有作為結果輸出(圖7)。

圖7－1 本文方法對圖像Ⅱ的實驗結果Fig.7－1 Experimental result of imageⅡ by method proposed in this paper

對于圖像Ⅰ和圖像Ⅱ，影像地物較為復雜，且對比度較低，使用Canny算子難以提取出完整邊緣，故采用方向模板方法進行邊緣檢測。

對比圖5(d)和圖6(b)可以看出，本文算法能夠較好地提取出高分辨率遙感圖像中的道路;而經(jīng)典的Hough變換只能檢測出部分短直線，對于彎曲或不甚規(guī)則的道路邊緣監(jiān)測則無能為力，且檢測出來的邊緣斷裂嚴重。圖7中的遙感圖像更為復雜，地物種類繁多，道路有一定曲率，部分道路影像對比度較低，但本文方法能提取出絕大部分道路的邊緣線。

為更加清楚地看出本文算法中的投票過程，特放大局部圖像，以觀察其投票前后的變化(圖8)。

圖8 局部圖像投票前后變化Fig.8 Changes of local image before and after voting

在圖8中:(a)圖給出局部放大的遙感圖像;(b)圖為投票連接之前的局部圖像，存在較多斷裂和遺漏;(c)為投票連接后的局部圖像，各段直線之間能夠很好地連接。通過對比可以看出，采取延伸投票之后可以很好地連接發(fā)生彎曲的線段或各分塊中的子線段，形成連續(xù)完整的道路邊緣線。

一般文獻定義查全率(precision)和查準率(recall)2種指標[16]，用于研究圖像分類中這2個指標的相互關系。本文借助這2種指標衡量2景固定圖像的道路提取精度，即

式中:N1為道路邊緣總段數(shù);n1為被正確提取出的道路邊緣總段數(shù);Pleni為第i個道路邊緣的長度。

式中:N2為被提取出的邊緣線總段數(shù);n2為被正確提取出的道路邊緣線總段數(shù);Plenj為第j個道路被提出的邊緣線的長度。

本文實驗中，2景圖像的查全率分別為86.3%和90.1%，查準率分別為90.3%和92.7%。

已發(fā)表的論文中一般只計算出道路邊緣線提取結果的查全率(比如文獻[14])，經(jīng)比較發(fā)現(xiàn)，本文方法提取道路邊緣線結果的查全率優(yōu)于上述文獻。

3 結論

1)傳統(tǒng)邊緣檢測算子如Canny算子難以檢測出弱邊緣線，而方向模板法利用相位信息和圖像像元之間的連通關系可獲取圖像中的弱邊緣線;經(jīng)典Hough變換和基于最小二乘方法的魯棒性較差，無法檢測出存在彎曲、低對比度、受噪聲影響嚴重的道路。本文將所獲得的8個方向的邊緣圖分別進行分塊，搜索子線段;以一定寬度向線段兩邊延伸形成平行四邊形投票區(qū)域，篩選出潛在道路點以連接子線段，選取長度大于給定閾值的線段作為最終道路邊緣線;去除毛刺和雜亂邊緣線，取8個方向道路邊緣線的并集，獲得最終道路網(wǎng)。

2)使用本文方法對2景IKONOS圖像進行實驗的結果表明，本文算法對于存在彎曲、對比度較低的高分辨率遙感圖像可以識別，并能提取出較為清晰的道路邊緣線，而對于邊緣清晰的道路影像則具有更好的提取效果。

[1]明冬萍，駱劍承，沈占鋒，等.高分辨率遙感影像信息提取與目標識別技術研究[J].測繪科學，2005，30(3):18－20.Ming D P，Luo J C，Shen Z F，et al.Research on information extraction and target recognition from high resolution remote sensing image[J].Science of Surveying and Mapping，2005，30(3):18－20.

[2]劉曉沐，季 艷，萬壽紅.單源可見光遙感圖像中的水域識別[J].儀器儀表學報，2006，27(6):2086－2087.Liu X M，Ji Y，Wan S H.Waters recognition in single－source visible remote sensing image[J].Chinese Journal of Scientific Instrument，2006，27(6):2086－2087.

[3]張偉偉，毛政元.一種面向高空間分辨率遙感影像的路口自動定位新方法[J].國土資源遙感，2012，24(1):13－16.Zhang W W，Mao Z Y.A new approach to automatic positioning of road junctions in high spatial resolution remotely sensed imagery[J].Remote Sensing for Land and Resources，2012，24(1):13－16.

[4]高芳琴，吳健平.遙感圖像識別中線性地物提取方法研究[J].儀器儀表學報，2005，25(4):653－656.Gao F Q，Wu J P.Detecting linear object in remote sensing image recognition[J].Chinese Journal of Scientific Instrument，2005，25(4):653－656.

[5]吳 亮，胡云安.遙感圖像自動道路提取方法綜述[J].自動化學報，2010，36(7):912－922.Wu L，Hu Y A.A survey of automatic road extraction from remote sensing images[J].Aota Automatica Sinica，2010，36(7):912－922.

[6]董占杰，毛政元.基于道路綠地特征的遙感影像道路信息提取方法研究[J].國土資源遙感，2011，23(2):43－46.Dong Z J，Mao Z Y.Methodological research on road extraction based on characteristics of road greenbelts in remotely sensed imagery[J].Remote Sensing for Land and Resources，2011，23(2):43－46.

[7]鐘家強，王潤生.一種基于線特征的道路網(wǎng)變化檢測算法[J].遙感學報，2007，11(1):27－32.Zhong J Q，Wang R S.A road network change detection algorithm based on linear feature[J].Journal of Remote Sensing，2007，11(1):27－32.

[8]肖鵬峰，馮學智，趙書河，等.一種基于相位一致的高分辨率遙感圖像特征檢測方法[J].遙感學報，2007，11(3):303－310.Xiao P F，F(xiàn)eng X Z，Zhao S H，et al.Feature detection from high－resolution remotely sensed imagery based on phase[J].Journal of Remote Sensing，2007，11(3):303－310.

[9]朱昌盛，周 偉，關 鍵.基于平行線對檢測的SAR圖像主干道提取算法[J].中國圖形圖象學報，2011，16(10):1908－1917.Zhu C S，Zhou W，Guan J.Main roads extraction from SAR imagery based on parallel pairs detection[J].Journal of Image and Graphics，2011，16(10):1908－1917.

[10]梅小明，張良培，李平湘.利用Beamlet變換算法提取遙感圖像直線[J].計算機科學，2007，34(12):230－232.Mei X M，Zhang L P，Li P X.Line extraction in remote sensing image with Beamlet transform[J].Computer Science，2007，34(12):230－232.

[11]賈承麗，匡綱要，粟 毅.基于Hough變換的高分辨SAR圖像道路目標檢測[J].國防科技大學學報，2009，26(1):50－55.Jia C L，Kuang G Y，Su Y.Road extraction from the high－ resolution SAR imagery using Hough transform[J].Journal of National University of Defense Technology，2009，26(1):50－55.

[12]雷小奇，王衛(wèi)星，賴 均.一種基于形狀特征進行高分辨率遙感影像道路提取方法[J].測繪學報，2009，38(5):457－465.Lei X Q，Wang W X，Lai J.A method of road extraction from high－ resolution remote sensing images based on shape features[J].Acta Geodaetica et Cartographica Sinica，2009，38(5):457－465.

[13]李 燕，余旭初.基于啟發(fā)式圖搜索的遙感影像道路半自動提取[J].測繪學院學報，2002，19(4):268－271.Li Y，Yu X C.Semi－ automatic extraction of roads from satellite imagery based on heuristic graph search[J].Journal of Institute of Surveying and Mapping，2002，19(4):268－271.

[14]周紹光，徐 勇.在高分辨率遙感影像中提取無清晰連續(xù)邊緣線的道路[J].測繪學報，2008，37(3):301－307.Zhou S G，Xu Y.To extract roads with no clear and continuous boundaries in remote sensing images[J].Acta Geodaetica et Cartographica Sinica，2008，37(3):301－307.

[15]韓秋蕾，朱 明，姚志軍.基于改進Hough變換的圖像線段特征提取[J].儀器儀表學報，25(4):436－439.Han Q L，Zhu M，Yao X J.Line segment feature extraction based on improved Hough transform[J].Chinese Journal of Scientific Instrument，25(4):436－ 439.

[16]Martin D R，F(xiàn)owlkes C C，Malik J.Learning to detect natural image boundaries using local brightness，color，and texture cues[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2004，26(5):530－549.