張采芳，田　巖，鄭毓勇

(1. 文華學(xué)院，湖北 武漢 430074； 2. 華中科技大學(xué)電子與信息工程系，湖北 武漢 430074)

Road Extraction from High-resolution Remote Sensing Image

Based on Optimal Scale

ZHANG Caifang, TIAN Yan, ZHENG Yuyong

?

基于最優(yōu)尺度的高分辨率遙感影像道路提取

張采芳1，田巖2，鄭毓勇2

(1. 文華學(xué)院，湖北 武漢 430074； 2. 華中科技大學(xué)電子與信息工程系，湖北 武漢 430074)

Road Extraction from High-resolution Remote Sensing Image

Based on Optimal Scale

ZHANG Caifang, TIAN Yan, ZHENG Yuyong

摘要：遙感影像道路提取一直是遙感應(yīng)用的重點(diǎn)研究方向之一。傳統(tǒng)的基于像素級的道路提取方法側(cè)重于考慮影像的像素信息，并沒有考慮到地物目標(biāo)之間的空間依賴性。本文針對高分辨率遙感影像，提出了一種新的面向?qū)ο蟮牡缆诽崛》椒ǎ浠舅枷胧抢玫缆返亩喑叨忍匦?，將不同尺度的道路提取結(jié)果進(jìn)行集成，得到最終的道路提取結(jié)果。方法的主要過程是首先建立不同的圖像尺度層，根據(jù)道路對象內(nèi)部的同質(zhì)性和道路與背景間的異質(zhì)性給出道路提取的最優(yōu)尺度層；其次，在道路的最優(yōu)尺度上提取道路的主干道；最后依次在各小尺度層上通過道路生長的方法實現(xiàn)道路的完整提取。試驗結(jié)果表明本文所提方法能明顯提高道路的提取精度。

關(guān)鍵詞：面向?qū)ο?；高分辨率影像；道路提?/p>

一、 引言

道路的自動識別和提取對影像理解、地理信息系統(tǒng)數(shù)據(jù)庫更新、城市規(guī)劃等都有重要的理論和現(xiàn)實意義。在快速發(fā)展的高分辨率遙感技術(shù)的推動下，利用高分辨率遙感影像提取道路的研究得到了廣泛的關(guān)注。

目前國內(nèi)外的學(xué)者已經(jīng)對道路提取算法進(jìn)行了大量的研究，如Snake模型[1-4]、水平集方法[5]、動態(tài)規(guī)劃法[6]、模板匹配法[7]、面向?qū)ο蠓╗8]等。文獻(xiàn)[9]利用邊緣信息與顏色信息將影像分成很多小圖斑，然后根據(jù)相應(yīng)的準(zhǔn)則將之合并形成道路條帶。文獻(xiàn)[10]基于全色波段與多光譜波段的融合，采用K-均值法分割出面狀道路，并結(jié)合道路邊緣和形狀特性提取道路。文獻(xiàn)[11]首先對影像進(jìn)行分割獲取影像對象；其次利用影像對象的光譜特征、幾何特征和空間關(guān)系建立道路知識庫；最后利用知識庫中的規(guī)則來提取影像中的道路。上述方法雖然能提取出道路信息，但是對于圖像中多種道路并存的情況其提取結(jié)果并不太理想。

高分辨率影像中的道路存在以下兩個特征：①不存在遮擋的各路面點(diǎn)的光譜較為相近，這為道路提取的完整性提供了可能，但同時與道路光譜相似的點(diǎn)會誤判為道路(如建筑屋頂?shù)?；同時高分影像的道路面存在由斑馬線、汽車、行人等造成的與道路光譜差異較大的噪聲點(diǎn)，這又破壞了路面的完整性。②由于道路具有通達(dá)性、連續(xù)性和良好的規(guī)則性，因此高分影像上的道路也具有連續(xù)性，但是由于車輛、天橋和路邊樹木等遮擋物，又給圖像上道路的連續(xù)性帶來了影響。本文針對高分辨率影像的特點(diǎn)，基于面向?qū)ο蟮乃枷?，融合最?yōu)層和其他各層的提取，提出一種面向?qū)ο蟮男滦偷缆诽崛》椒ā?/p>

二、 基于多層融合的面向?qū)ο蟮缆诽崛?/p>

圖像對象是指圖像分割后若干同質(zhì)像素的集合。高分辨率影像為圖像對象的形成提供了數(shù)據(jù)上保證?？紤]到實際情形中，不同材質(zhì)、不同幾何形態(tài)的多種道路會同時存在，因此本文在基于面向?qū)ο蠓指畹幕A(chǔ)上，提出了一種新的面向?qū)ο蟮牡缆诽崛》椒āＫ惴ǖ幕舅枷胧?，首先在道路的最?yōu)尺度上提取主干道；然后依次在各個小尺度層上通過道路生長的方法提取出完整的道路。本文提出的面向?qū)ο蟮牡缆诽崛×鞒倘鐖D1所示。

按照圖1所示，本文提出的道路提取方法包含如下步驟：①多尺度對象層構(gòu)造；②最優(yōu)尺度層的道路對象提??；③ 按照從最優(yōu)尺度層逐次向下各層提取道路。

1. 多尺度對象層構(gòu)造

面向?qū)ο蠖喑叨确指畹墓ぷ髁鞒淌切枰獙b感影像數(shù)據(jù)進(jìn)行分水嶺分割，產(chǎn)生最初的對象，此時，圖像的最小組成單元已經(jīng)不再是像素，而是一個個具有實際意義的同質(zhì)性很高的小區(qū)域，要對這個小對象進(jìn)行合并，必須建立起這些小對象之間的鄰域關(guān)系。領(lǐng)域關(guān)系的建立是利用RAG來完成的，將原來的以像素為基本單元的圖像轉(zhuǎn)換成以對象為基本單元的結(jié)構(gòu)，如圖2所示。

圖1　融合多層的面向?qū)ο蟮缆诽崛》椒?/p>

圖2　分割圖像及其對應(yīng)的區(qū)域鄰接圖

從小尺度向大尺度合并的過程中，當(dāng)兩個對象之間的異質(zhì)性值滿足合并條件時，就將這兩個對象進(jìn)行合并，在底層上連接這兩個對象的弧也消失。在合并對象的同時需要更新對象和對象之間的鄰區(qū)關(guān)系和異質(zhì)性值。

兩個對象之間的異質(zhì)性具體計算方法為

h=wcolor×hcolor+wshape×hshape

(1)

其中

wcolor=1-wshape

(2)

wshape=wsmooth+wcompact

(3)

wsmooth=(1-compact)×wshape

(4)

wcompact=compact×wshape

(5)

而光譜同質(zhì)性、形光滑度和緊湊度的計算方法為

(6)

式中，C為波段標(biāo)記；wc為該波段的權(quán)值；nobj_1、nobj_2、nmerge分別表示待合并的兩個對象的像素個數(shù)和合并后對象的像素個數(shù)；σobj_1、σobj_2、σmerge分別為合并前兩個對象的方差和合并后整體的方差。這樣，兩個對象的異質(zhì)性值的計算表達(dá)式可以改寫為

hshape=wcompact×hcompact+wsmooth×hsmooth

(7)

(8)

(9)

式中，lobj_i(i=1,2)分別表示兩個合并前對象的周長；lmerge表示兩個對象合并成一個新對象后的周長；bobj_i(i=1,2)分別表示合并前兩個對象的外包矩形周長；bmerge表示合并成一個大的對象后的外包矩形周長；nobj_i(i=1,2)分別表示兩個待合并對象的面積(即對象的個數(shù)和空間分辨率的乘積)；nmerge表示將兩個對象合并成一個新對象后的面積。

將某一個待合并層的所有對象按照同質(zhì)性高低進(jìn)行排序，并且依次將每個對象作為種子點(diǎn)，在該對象的鄰區(qū)中尋找一個最佳的合并對象；找到待合并對象后，如果這個對象還沒有合并，就將兩個對象合起來，更新兩個對象間的異質(zhì)性，將兩個對象合并起來之后的新對象作為種子點(diǎn)，在新對象的鄰區(qū)中繼續(xù)尋找最佳的合并對象，直到兩個相鄰對象的異質(zhì)性最小仍然大于合并尺度時，合并過程停止。繼續(xù)下一種子點(diǎn)進(jìn)行合并，直至所有種子點(diǎn)都被處理完畢。

經(jīng)過上面的系列合并之后，在預(yù)先設(shè)定的尺度層上，就會形成該尺度下由所有對象組成的鏈表。從縱向角度觀察，最后會形成一個金字塔形狀的對象層體系，最下面一層是分水嶺分割的結(jié)果(尺度為0)，每一層的對象都是在下層的對象基礎(chǔ)上合并形成的。

2. 最優(yōu)尺度層上的道路提取

所謂道路的最優(yōu)尺度層，是指在該層上的每個道路對象具備均一性，同時還要求道路對象與其相鄰對象差異最大。在道路提取的初始階段，對最優(yōu)層上的所有對象逐一判斷，利用道路規(guī)則將道路對象和非道路對象進(jìn)行標(biāo)識。圖像多尺度分割的特性是尺度越大，道路的形狀特性越好，在該層上的主干道路越容易被提取出來；但同時一些小的或規(guī)則性不強(qiáng)的道路對象會被遺漏掉。因此如何判斷最優(yōu)尺度成為該步驟的一個關(guān)鍵問題。以下給出最優(yōu)尺度的提取過程：

1) 通過分水嶺分割[12]，將圖像分成許多小面斑，即形成圖像對象。

2) 將小尺度面斑逐步合成大尺度面斑，形成多尺度面斑。

3) 在每個尺度上，計算道路對象和其他類別對象間的差異以及道路對象內(nèi)部的差異，當(dāng)前者最大，后者最小時對應(yīng)的圖層即為最優(yōu)層。

圖3給出了最優(yōu)層上的道路提取過程。

圖3　最優(yōu)層上的道路提取流程圖

對于道路提取算法，本文采取Adaboost學(xué)習(xí)方法，訓(xùn)練過程描述如下：

1) 為每類地物選擇一系列的訓(xùn)練樣本(x1,y1)、(x2,y2)、…、(xn,yn)，其中yi=0表示正樣本(即該類地物的樣本)；yi=1表示負(fù)樣本；n為樣本集中的樣本總數(shù)。

式中，m+l=n。

3) 設(shè)置迭代次數(shù)T，每次迭代，從特征庫中選擇一個最好的弱分類器，每次迭代過程如下：

a. 對所有的樣本權(quán)重進(jìn)行求和并作歸一化處理

b. 對于使用的特征庫中的所有特征fj(j=1,2,…,K，特征數(shù)量為K)，都可以找到一個錯誤率最小的特征h(x,fj,p,θ)，并利用計算出的所有特征對樣本進(jìn)行分類，計算出每種分類情況下加權(quán)錯誤率εt

c. 選取加權(quán)錯誤率最小的那個特征t，錯誤率越小說明在這次循環(huán)中，該特征越能更好地將不同地物分開，在εfj(j=1,2,…,K)中選取錯誤率εt最小對應(yīng)的特征

d. 獲取最佳的弱分類器，調(diào)整整個樣本空間的權(quán)重

式中，ei=0表示樣本xi分類正確；ei=1表示樣本xi分類錯誤，即將錯誤的樣本權(quán)重通過某種方式進(jìn)行提高，同時在此次分類中被正確識別的樣本權(quán)重保持不變

4) 當(dāng)所有的T次迭代完成后，就能得到該類地物的一個強(qiáng)分類器

上述過程中，t為第t次迭代選出特征的權(quán)重；T為迭代次數(shù)，由用戶自己設(shè)置，同時也是整個訓(xùn)練過程中所選擇出的特征數(shù)目。

3. 最優(yōu)層以下尺度層上的道路提取

在最優(yōu)尺度上，道路網(wǎng)中的主干道大部分能被提取出來，此時由于對象的形狀特性較為明顯，因此虛檢情況較少?？紤]到部分道路會被漏檢，因此可以從下一層上繼續(xù)提取，最后將各層提取的道路合并，以得到最終的道路提取結(jié)果。

在此過程中，為了避免道路對象提取過程中出現(xiàn)大量孤立的道路，僅對下一層上已識別的道路鄰區(qū)進(jìn)行判斷。其過程是：取小尺度下的對象，判斷該對象是否已被標(biāo)識為道路，如果沒有被識別為道路，就判斷下一個對象；若已被識別為道路，則遍歷這個道路對象的鄰區(qū)，找到最佳的一個鄰區(qū)，最后判斷這個鄰區(qū)是否滿足該層下的道路特征。圖4為最優(yōu)層以下的各圖層道路提取流程。

圖4　 最優(yōu)層以下的尺度層上的道路提取

按照上述方法，以當(dāng)前層下的道路對象進(jìn)行生長，當(dāng)?shù)缆穼ο蟮泥弲^(qū)被識別為道路后，繼續(xù)判斷這個鄰區(qū)的鄰區(qū)中是否存在道路。在圖4的流程中，每次僅判斷道路對象的鄰區(qū)是否為道路，而對鄰區(qū)的鄰區(qū)是否為道路對象則不進(jìn)行處理，即每次只生長一次。

為了實現(xiàn)道路對象的不斷生長，在上面道路提取的基礎(chǔ)上，判斷每一循環(huán)所有對象中被識別為對象的個數(shù)，如果被識別出的道路對象為0，說明該層下的所有對象均已被識別；如果識別的對象數(shù)目不為0，則下一次循環(huán)需要以這些對象為種子繼續(xù)生長。

三、試驗結(jié)果及分析

為了測試本文所提方法的有效性，本節(jié)選擇GeoEye-1衛(wèi)星遙感數(shù)據(jù)進(jìn)行試驗，該數(shù)據(jù)可以在該衛(wèi)星公司的網(wǎng)站上下載。按照道路類型應(yīng)該盡量多和背景復(fù)雜的原則，選取澳大利亞霍巴特地區(qū)，該場景除了包含道路外，還包含了其他一些常見的地物類型，如房屋、裸地、草地、林地、水域等。該數(shù)據(jù)的其他相關(guān)信息詳細(xì)說明如下：

1) 影像數(shù)據(jù)來源：GeoEye-1衛(wèi)星，空間分辨率為2 m；

2) 影像獲取時間：2011年10月；

3) 影像規(guī)格：778像素×801像素；

4) 影像數(shù)據(jù)量：4.79 MB；

5) 波段信息：450～510 nm (藍(lán)色波段)、510～580 nm (綠色波段)、655～690 nm(紅色波段)、780～920 nm (近紅外波段)；

6) 中心經(jīng)緯度：42°.882 377 7(南緯)，147°.323 474 9(東經(jīng))。

該測試圖及相應(yīng)的參考圖如圖5所示，其中圖5(b)中的白色曲線即為道路參考圖。

圖5　測試區(qū)域RGB真彩色圖及道路參考圖

利用本文所提出的方法對圖5(a)進(jìn)行道路提取的結(jié)果如圖6(a)所示，圖6(b)為傳統(tǒng)的單一層上的道路提取結(jié)果。對比圖5(b)和圖6(a)可以看出，本文方法能夠?qū)缀跛械牡缆诽崛〕鰜恚缆返倪B通性和完整性表現(xiàn)較好。對比圖6(a)和圖6(b)則可看出，傳統(tǒng)的單一尺度的方法存在大量的雜亂點(diǎn)，同時道路的完整性較差。經(jīng)統(tǒng)計，本文方法的正確率為96.1%,漏檢率為1.4%，虛檢率為3.5%；而單一尺度的正確率為92.3%，漏檢率為5%，虛檢率為6.4%，上述定量指標(biāo)驗證了本文方法的有效性。

圖6　面向?qū)ο蟮牡缆诽崛〗Y(jié)果

四、 結(jié)束語

本文針對高分辨率圖像的道路提取提出了一種以最優(yōu)層為主，更小尺度層為輔的方法。主要意義在于：①面向道路目標(biāo)提取，研究了一種多尺度圖層構(gòu)建方法，并給出了最優(yōu)圖層的提取方法；②為了完整的提取道路，將圖像最優(yōu)層和其他更低層相結(jié)合以達(dá)到道路提取完整性的目的。GeoEye-1遙感影像試驗的結(jié)果表明，本文所提出的方法具有良好的性能表現(xiàn)。

參考文獻(xiàn)：

[1]MAYER H,LAPTEV I, BAUMGARTNER A,et al.Automatic Road Extraction Based Multi-scale Modeling，Context，and Snakes[J].International Archives of Photogrammetry and Remote Sensing，1997(30)：106-113.

[2]TANG Wei,ZHAO Shuhe.Road Extraction in Quaternion Space from High Spatial Resolution Remote Sensed Images Basing on GVF Snake Model[J]．Journal of Remote Sensing，2011,15(5)：1040-1052.

[3]GRUEN A, LI H. Semi-automatic Linear Feature Extraction by Dynamic Programming and LSB-Snakes[J].Photogrammetric Engineering and Remote Sensing. 1997,63(8):985-995.

[4]Gruen A, Adaptive Least Squares Correlation——A Powerful Image Matching Technique [J]. South African Journal of Photogrammetry, Remote Sensing and Cartography，1985,14(3):175-187.

[5]LU Bibo，KU Yongxia，WANG Hui．Automatic Road Extraction Method Based on Level Set an Shape Analysis[C]∥lntelligent Computation Technology and Automation，Second International Conference. Changsha:[s.n.]，2009：500-514．

[6]POZ A，VALE G．Dynamic Programming Approach for Semi-automated Road Extraction from Medium and High Resolution Images[J]．International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences，2003，34(8)：87-91．

[7]LIN Xiangguo,ZHANG Jixian,ZHENG Jun,et al．Semiautomatic Road Tracking by Template Matching and Distance Transform[C]∥Urban Remote Sensing Event．Shanghai:[s.n.]，2009：l-7．

[8]胡進(jìn)剛，張曉東，沈欣，等. 一種面向?qū)ο蟮母叻直媛视跋竦缆诽崛》椒╗J]. 遙感技術(shù)與應(yīng)用，2006，21(3)：184-188.

[9]GROTE A，BUTENUTH M，HEIPKE C． Road Extraction in Suburban Aeas Based on Normalized Cuts[C]∥International Archives of Photogrammetry，Remote Sensing and Spatial Information Sciences.Munich:[s.n.]，2007：51-56.

[10]李曉峰，張樹清，韓富偉，等．基于多重信息融合的高分辨率遙感影像道路信息提取[J]．測繪學(xué)報，2008，37(2)：178-184．

[11]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.

引文格式： 張采芳，田巖，鄭毓勇. 基于最優(yōu)尺度的高分辨率遙感影像道路提取[J].測繪通報，2015(1)：90-94.DOI:10.13474/j.cnki.11-2246.2015.0018

作者簡介：張采芳(1975—),女，碩士，講師，研究方向為圖像處理、模式識別。E-mail：316651876@qq.com

基金項目：湖北省高等學(xué)校優(yōu)秀中青年科技創(chuàng)新團(tuán)隊計劃(T201431)；地理空間信息工程國家測繪地理信息局重點(diǎn)實驗室開放研究基金(201110)

收稿日期：2014-07-31

中圖分類號：P237

文獻(xiàn)標(biāo)識碼：B

文章編號：0494-0911(2015)01-0090-05