林 鵬，阮 仁 宗,王 玉 強(qiáng),陶 婷

(1.河海大學(xué)地球科學(xué)與工程學(xué)院，江蘇 南京 210098;2.山東省減災(zāi)中心,山東 濟(jì)南250012)

一種基于面向?qū)ο蟮某擎?zhèn)道路自動(dòng)提取方法研究

林 鵬1，阮 仁 宗1,王 玉 強(qiáng)2,陶 婷1

(1.河海大學(xué)地球科學(xué)與工程學(xué)院，江蘇 南京 210098;2.山東省減災(zāi)中心,山東 濟(jì)南250012)

城鎮(zhèn)地物類型復(fù)雜多樣，道路狹窄且易與周圍地物混合，這導(dǎo)致城鎮(zhèn)背景下的道路信息提取存在困難。該文以安徽省滁州市部分區(qū)域?yàn)閷?shí)驗(yàn)區(qū)，使用資源三號衛(wèi)星影像，采用面向?qū)ο蟮姆椒?，利用光譜特征、形狀特征等信息，在對象級基礎(chǔ)上通過復(fù)合向量機(jī)的方法進(jìn)行城鎮(zhèn)背景下的道路信息循環(huán)拾取，并利用形態(tài)學(xué)方法對提取的結(jié)果進(jìn)行了分類后處理。研究結(jié)果表明，該文提出的道路提取方法具有可行性。

道路;面向?qū)ο?知識規(guī)則；循環(huán)提??；數(shù)學(xué)形態(tài)學(xué)

0 引言

研究道路提取不僅可以為車輛導(dǎo)航提供準(zhǔn)確的數(shù)據(jù)源，而且可以為城鄉(xiāng)規(guī)劃、管理及決策提供科學(xué)依據(jù)[1,2]。城鎮(zhèn)道路具有更新速度快的特點(diǎn)，這使得道路信息的快速準(zhǔn)確提取具有重要的現(xiàn)實(shí)意義。目前，利用高分辨率遙感數(shù)據(jù)進(jìn)行道路提取主要有基于像元與面向?qū)ο髢煞N方法[3]?；谙裨牡缆沸畔⑻崛≈饕玫缆返墓庾V特征進(jìn)行分析[4]，并沒有充分利用地物的空間特征(如形狀特征、紋理特征、空間關(guān)系等)。隨著遙感圖像空間分辨率的提高，基于像元的遙感信息提取方法已經(jīng)不能滿足實(shí)際應(yīng)用的需求。面向?qū)ο蟮姆诸惣夹g(shù)不僅利用地物的光譜特征，還利用地物之間的關(guān)系特征(如語義關(guān)系、拓?fù)潢P(guān)系、形狀特征等)。眾多研究表明，在高分辨率影像分類上，面向?qū)ο蟮姆椒ū然谙裨姆诸惙椒ㄓ兄黠@的優(yōu)勢[5-7]，面向?qū)ο蟮姆诸惤Y(jié)果不僅有更高的精度，還可以抑制雜斑的生成并提高空間信息的利用效率。

目前道路的提取往往針對于較大規(guī)模的城市，對于小城鎮(zhèn)中廣泛存在的水泥路、礫石路進(jìn)行提取的研究較少。城鎮(zhèn)地物類型復(fù)雜多樣，道路狹窄且易與周圍地物混合，這導(dǎo)致城鎮(zhèn)背景下的道路信息提取存在困難[8,9]。本文采用面向?qū)ο蟮乃枷?利用國產(chǎn)的資源三號衛(wèi)星的高空間分辨率圖像,充分利用道路的多種特征信息，通過一種道路自動(dòng)拾取的方法進(jìn)行城鎮(zhèn)背景下的道路信息提取，并采用數(shù)學(xué)形態(tài)法進(jìn)行道路后處理，以期提高道路信息提取的精度。

1 研究區(qū)與數(shù)據(jù)

本文的實(shí)驗(yàn)區(qū)位于安徽省滁州市西部城鎮(zhèn)，研究區(qū)面積10 km2,土地覆蓋類別分為人工地物(道路、城鎮(zhèn)居民地、工礦用地)和非人工地物(植被、水體、裸地、耕地)。道路中的瀝青公路主要為國道、省道等高速路，路面較寬，在假彩色圖像上呈暗色調(diào)；水泥路面主要分布在鄉(xiāng)鎮(zhèn)之間，路面寬度低于瀝青公路，在遙感影像上亮度較高，極易與居民地、建筑物混淆；礫石路為瀝青公路與水泥公路的支干或受損造成的，延伸到耕地中，在影像上亮度較暗，在假彩色影像上呈灰白色。城鎮(zhèn)居民用地分布較集中，具有一定的紋理特征，屋頂在遙感影像上呈現(xiàn)出多樣性；工礦用地位于城鎮(zhèn)邊緣，形狀較為規(guī)則，無植被覆蓋。

本文數(shù)據(jù)主要來自于資源三號衛(wèi)星多光譜遙感器所采集的影像[10]，獲取時(shí)間為2013年1月18日。在全色波段的分辨率為2.1 m，多光譜波段的分辨率為5.8 m，對精確道路提取提供了保證。對獲得的影像數(shù)據(jù)進(jìn)行預(yù)處理：1)參照ZY-3衛(wèi)星輻射定標(biāo)系數(shù)進(jìn)行全色波段和多光譜波段的輻射定標(biāo)和大氣校正；2)利用地面控制點(diǎn)進(jìn)行幾何校正；3)基于AWT算法進(jìn)行全色波段與多光譜波段融合(圖1)。

2 研究方法

本實(shí)驗(yàn)區(qū)中，道路穿插于建筑之間，加之各類建筑與道路的組成材料相同，所以混淆現(xiàn)象較為嚴(yán)重。因此，本文重點(diǎn)是如何準(zhǔn)確地區(qū)分道路與建筑物。此外，研究區(qū)的植被、裸地、水體、工礦用地等地物也會(huì)對道路的提取產(chǎn)生一定的影響。為精確地進(jìn)行道路提取，在結(jié)合本研究區(qū)實(shí)際情況的基礎(chǔ)上，首先將植被、水體等非人工地物排除，然后對人工地物進(jìn)行細(xì)分。

圖1 研究區(qū)影像(預(yù)處理前后比較)

Fig.1 Image of study area(comparing before with after preprocessing)

2.1 影像分割

本文采用多尺度分割方法，基于影像對象的特征，解決產(chǎn)生斑塊與真實(shí)地物邊界擬合問題。分割對象的平均異質(zhì)性最小化與像素的平均異質(zhì)性最小化是影像分割的標(biāo)準(zhǔn)[11-13]。當(dāng)異質(zhì)性大于等于給定的尺度時(shí)，區(qū)域會(huì)停止生長，區(qū)域內(nèi)像元合并形成對象。異質(zhì)性的計(jì)算公式如下：

(1)

式中：f指圖像對象異質(zhì)性，wcolor為光譜異質(zhì)性權(quán)重，wc為數(shù)據(jù)層的權(quán)重,σc為數(shù)據(jù)層上光譜標(biāo)準(zhǔn)差，wcpt為緊密度異質(zhì)性，l為對象長度，b為目標(biāo)多邊形最短邊，n為像元個(gè)數(shù)。

為準(zhǔn)確選擇分割尺度，減少主觀經(jīng)驗(yàn)造成的誤差，本文選用ESP方法進(jìn)行處理。它是以局部方差的標(biāo)準(zhǔn)偏差均值(LV)代表某塊影像檢查窗口中影像對象異質(zhì)性，以變化率值(ROC)表示當(dāng)前分割尺度與下一級分割尺度比值，用ROC-LV曲線反映不同分割尺度下局部方差LV的動(dòng)態(tài)變化，ROC曲線中起伏最明顯的波峰對應(yīng)的尺度值則為最佳分割尺度(圖2)。根據(jù)圖2結(jié)果，對52、64、96、110四個(gè)尺度進(jìn)行試驗(yàn)。通過分割地物離散性與像元純度對比，分割尺度為52時(shí)效果最好,所以，本文最終確定尺度為52、形狀因子為0.4、平滑度因子為0.5的多尺度分割。

圖2 ESP圖

Fig.2 Image of ESP segmentation

2.2 影像特征提取

影像在經(jīng)過多尺度分割后，得到具有一定同質(zhì)性的像元集合體，形成對象。對象在原有光譜特征的基礎(chǔ)上，根據(jù)地物成像狀態(tài)提供了幾何特征、紋理特征，以及通過分析和發(fā)掘不同尺度分割層圖斑、圖斑所屬類別之間的拓?fù)潢P(guān)系和上下文語義得到的關(guān)系特征，可以進(jìn)行更加精確的地物分類提取。根據(jù)現(xiàn)有研究成果，本文選用特征如表1[2-9]。

為提高分類地物的準(zhǔn)確性，減少冗余特征的選擇以及分類過程中的計(jì)算量，需從上述特征中選取能夠更好區(qū)分道路與非道路的特征，以便達(dá)到最為滿意的提取效果。為更好地確定不同特征對不同地物的影響效果以及對道路的區(qū)分性，對每一特征隨機(jī)選取20個(gè)對象作為樣本，記錄每個(gè)對象對應(yīng)的特征值，對每個(gè)特征值進(jìn)行歸一化處理，并繪制散點(diǎn)圖進(jìn)行分析(圖3)。

由于建筑與水泥路之間以及裸地、植被與礫石路之間在光譜信息上存在著較高的相似性，僅通過波段組合及波段相互運(yùn)算難以進(jìn)行道路的精確提取。在亮度值方面，水體的亮度值明顯低于其他地物，礫石路的亮度值與植被和裸地較為相似，水泥路亮度較高，但與大部分建筑相互混合而難以區(qū)分。土壤亮度指數(shù)方面，裸地與部分建筑發(fā)生混分，礫石路與植被較為相似。但在歸一化植被指數(shù)中，植被與其他地物明顯不同，可以較為精確地進(jìn)行提取。道路指數(shù)方面，水泥路與礫石路的值并未得到較為明顯的體現(xiàn)。紋理特征的非相似性統(tǒng)計(jì)中，水泥路與建筑混分情況嚴(yán)重，而植被與裸地的值普遍偏低。在形狀指數(shù)中，水泥路、礫石路、水體的值偏高。密度指數(shù)中，水泥路、水體、礫石路的值較低，但也同部分建筑區(qū)域值類似。而在長寬比上，道路與水體由于地物特點(diǎn)導(dǎo)致值明顯偏高。最后，確定采用光譜特征、紋理特征與自定義特征結(jié)合的方法進(jìn)行水體、植被、裸地的初步粗提取，減少誤分割面積的同時(shí)提高道路提取效率。然后，在未分類地物中采用幾何特征與語義特征相結(jié)合的方法對道路進(jìn)行提取。初步提取流程如圖4所示。

表1 特征值選擇

Table 1 Choice of characteristic value

特征參數(shù)表達(dá)式說明光譜特征均值(Mean)μL=1n·∑ni=1vivi為影像對象的像元值,n為個(gè)數(shù)標(biāo)準(zhǔn)差(Std)δL=1n-1·∑nLi=1νi-μL()2νi為像元值,μL為對象均值亮度(B)b=1nL·∑nLi=1μinL為波段個(gè)數(shù),μi為影像斑塊的i波段值最大差值(MaxDif)d=CLmax-CLminb影像斑塊內(nèi)最大最小波段值之差與亮度之比幾何特征紋理特征語義特征自定義特征長度(L)l=A·rA為面積,r為長寬比寬度(W)w=A/rA為面積,r為長寬比長寬比(L/W)r=lw=eig1(S)eig2(S),eig1(S)>eig2(S)協(xié)方差矩陣的特征值比值,較大的特征值是分?jǐn)?shù)的分子形狀指數(shù)(SI)si=bl4×Ab1為邊界長度,A為面積密度(Density)d=n1+Var(X)+Var(Y)對象面積除以對象半徑非相似性DIS=∑n-1i=0,j=0Pi,j×|i-j|反映圖像的不均勻性熵ENT=-∑n-1i=0,j=0Pi,j(lnPi,j)反映圖像的信息量方差VAR=∑n-1i=0,j=0(1-μ)2×Pi,j,μ=1n2·∑n-1i=0,j=0Pi,j反映圖像紋理的非均質(zhì)特性相鄰關(guān)系relborderofadjacentclass相鄰某確定類別與圖斑共享的邊界長度除以總邊界長度相鄰關(guān)系existenceofadjacentclass圖斑的相鄰類別中是否存在某確定類別相離關(guān)系Distancetoisolatedclass圖斑與某確定類別的最鄰近圖斑的距離SBIρNIR2+ρR2土壤亮度指數(shù)[14]NDVI(ρNIR-ρR)/(ρNIR+ρR)歸一化植被指數(shù)[15,16]GRVI(ρG-ρR)/(ρG+ρR)道路指數(shù)[17]

圖3 歸一化特征值散點(diǎn)圖

Fig.3 The scatter plot of normalized eigenvalue

圖4 初步提取流程

Fig.4 The flow chart of preliminary extraction

為保證道路提取的完整性，在對上述地物進(jìn)行提取篩除時(shí)，進(jìn)行較為嚴(yán)格的閾值選取以避免對道路錯(cuò)分類。生成待處理地物中的地物類型為水泥路、礫石路和建筑3種，但仍存在著面積較大的裸地區(qū)域以及水體、植被中尚未被提取出的部分。城鎮(zhèn)建筑在影像上有著較強(qiáng)的亮度值，易與礫石路、植被等地物進(jìn)行區(qū)分，但會(huì)與水泥路發(fā)生混淆。為保證道路提取的完整性，首先依據(jù)亮度值對高亮地物(主要以建筑與水泥路為主)與暗地物(以礫石路、植被、其他作物為主)進(jìn)行區(qū)分；然后，采用語義特征與幾何特征相結(jié)合的方法，依據(jù)道路與非道路地物的幾何特征的差異性對亮地物與暗地物中道路進(jìn)行循環(huán)提取。在選出初始道路的基礎(chǔ)上，以這些道路為起始點(diǎn)，通過與道路之間的關(guān)聯(lián)性向相鄰的對象類尋找，直到找不到合適分類結(jié)果為止。進(jìn)行道路提取時(shí)，人工閾值的選取往往會(huì)造成主觀誤差，降低道路提取精度，而采用適宜分類器進(jìn)行處理則會(huì)較好地避免這種問題。本文采用支持向量機(jī)(SVM)分類器對地物進(jìn)行道路提取，具體流程如圖5。

根據(jù)亮度信息對待處理地物進(jìn)行大類劃分：呈亮地物主要為水泥材質(zhì)構(gòu)成的道路與建筑物，而呈暗地物中主要為礫石路及非道路地物。為對道路進(jìn)行精確提取，對亮地物對象進(jìn)行二次分割，并通過SVM分類器根據(jù)密度、長寬比、形狀指數(shù)提取出初始道路；以初始道路作為種子點(diǎn)，根據(jù)對象形狀特征向外進(jìn)行自動(dòng)道路拾取。但因?yàn)槌擎?zhèn)中道路與建筑地物特征的相似性，當(dāng)循環(huán)7次后，開始有建筑被誤分為道路，此時(shí)應(yīng)停止循環(huán)。暗地物中，根據(jù)亮度信息排除部分非道路地物，將剩余地物與呈亮地物中未分地物進(jìn)行細(xì)分割并第二次進(jìn)行初始道路選取。當(dāng)?shù)匚镏袩o法尋找出符合要求的道路，則拾取終止，進(jìn)行道路合并并進(jìn)行優(yōu)化處理。

圖5 道路信息提取流程

Fig.5 Flow chart of the extraction of road information

2.3 分類結(jié)果優(yōu)化

由于地物特征的相似性造成的地物混分情況，以及道路不連貫、道路邊緣平整等問題，需要對分類結(jié)果進(jìn)一步優(yōu)化。首先，對分類后道路類進(jìn)行融合處理，然后采用參數(shù)排除錯(cuò)分并使得主干路基本顯示。其次，針對道路不連貫、不規(guī)則問題，采用數(shù)學(xué)形態(tài)法進(jìn)行處理[18]。

膨脹和腐蝕是兩種最基本和最重要的變換或運(yùn)算，也是其他變換或運(yùn)算的基礎(chǔ)。在以下公式中，A為待處理圖像,B為結(jié)構(gòu)元素。

(1)膨脹利用結(jié)構(gòu)元素對影像的補(bǔ)集進(jìn)行填充[19]。

(2)

(2)腐蝕是對一個(gè)圖像進(jìn)行探測，以便找出在圖像內(nèi)部可以放下該基元的區(qū)域。

(3)

本文中主要按照圖6的生長方式，通過開運(yùn)算將斷線道路連接[20]，并通過形態(tài)學(xué)閉運(yùn)算改善地物內(nèi)部出現(xiàn)孔洞以及細(xì)縫現(xiàn)象。通常經(jīng)過數(shù)學(xué)形態(tài)法處理后，圖像發(fā)生明顯變化，最后的道路提取結(jié)果如圖7所示(見封2)。

圖6 變化方向

Fig.6 Direction of dilation

3 結(jié)果分析與討論

從圖7中可以看出,基于像元的道路提取結(jié)果中，礫石路與裸地等難以區(qū)分，水泥路與建筑物發(fā)生嚴(yán)重混淆。道路不完整、不連貫，錯(cuò)分、漏分較多，結(jié)果圖中噪聲多，“同物異譜”、“同譜異物”現(xiàn)象嚴(yán)重。在面向?qū)ο蟮奶崛〗Y(jié)果中，從位置和方向上看，原始圖像中主要道路都能被很好地提取出來。在經(jīng)過形態(tài)學(xué)處理并且通過斷點(diǎn)連接等優(yōu)化措施后，取得了較好的結(jié)果。為對最后的道路提取結(jié)果進(jìn)行定量分析，本文基于混淆矩陣對研究區(qū)道路進(jìn)行精度評價(jià)[21]，結(jié)合谷歌地球高分辨率影像以及實(shí)地調(diào)查數(shù)據(jù)和其他輔助數(shù)據(jù)，在圖像上隨機(jī)選取1 000個(gè)點(diǎn)作為檢驗(yàn)數(shù)據(jù)進(jìn)行精度評價(jià)(表2)。

表2 研究區(qū)道路精度評價(jià)Table 2 Accuracy assessment of road extraction using confusion matrix

由精度評價(jià)誤差矩陣可知，水泥路與礫石路的提取結(jié)果中，生產(chǎn)精度分別達(dá)0.82與0.84，用戶精度分別達(dá)0.80與0.85，同時(shí)基本保證了道路間的連續(xù)性和完整性，可證明本文道路提取方法的可行性。其中，水體與水泥路、礫石路之間都得到了很好的區(qū)分，植被與水泥路之間的區(qū)分度也較高，幾乎不存在混分情況。但水泥路與建筑、礫石路與裸地、礫石路與植被三者之間存在著較為嚴(yán)重的錯(cuò)分、漏分情況，這主要是因?yàn)檠芯繉ο笪挥卩l(xiāng)鎮(zhèn)，地物光譜信息類似，地物復(fù)雜程度高，而道路所占像元較少且較為分散，易與其他地物混淆。此外，分割尺度的選擇對道路提取也有著一定的影響，尺度選擇不當(dāng)使得毗鄰大面積植被區(qū)域的礫石路部分混分到植被區(qū)中。

為驗(yàn)證本研究方法的可推廣性，選取同一時(shí)相、同一傳感器、相似地物類型的不同區(qū)域影像進(jìn)行道路提取。選擇2013年1月18日安徽省滁州市與蚌埠市交界處(117°32′～117°35′E，32°82′～32°85′N)的資源三號影像，實(shí)現(xiàn)從源影像到道路信息的提取，并保證分類精度，道路提取結(jié)果如圖8所示(見封2)。

4 結(jié)論

本文主要借鑒了面向?qū)ο笥跋穹治鲋械亩喑叨确指罴夹g(shù)和模糊邏輯的分類方式，采用影像對象代替?zhèn)鹘y(tǒng)的像元，通過ESP方法選擇最佳分割因子，使得分割結(jié)果接近于實(shí)際地物，保證道路對象的純凈度。通過選用光譜特征、紋理特征對研究區(qū)進(jìn)行初步分類，對非道路地物進(jìn)行逐一排除，并利用道路的幾何特征、語義特征，采用支持向量機(jī)的分類方法自動(dòng)對道路進(jìn)行循環(huán)提取，主要是通過確定初始道路對象并將其作為種子點(diǎn)按照設(shè)定條件自動(dòng)向外進(jìn)行道路的對象級拾取。最后，引入數(shù)學(xué)形態(tài)法進(jìn)行面向?qū)ο蟮牡缆奉悢帱c(diǎn)連接以及邊緣優(yōu)化，在保證道路連接的前提下進(jìn)行基于膨脹和腐蝕的開運(yùn)算和閉運(yùn)算，使得道路邊界具有平整性。

該提取流程尚存在有待完善的地方,如因?yàn)榉指畛叨鹊膯栴}而導(dǎo)致的道路錯(cuò)分與漏分、道路自動(dòng)提取時(shí)的誤判情況等。如果能夠更廣泛地利用其他特征輔助道路提取，可能會(huì)進(jìn)一步提高道路提取精度，這是今后需繼續(xù)研究的內(nèi)容。

[1] 吳亮,胡云安.遙感圖像自動(dòng)道路提取方法綜述[J].自動(dòng)化學(xué)報(bào),2010,36(7):921-922.

[2] 蔡紅玥,姚國清.基于分水嶺算法的高分遙感圖像道路提取優(yōu)化方法[J].國土資源遙感,2013,25(3):25-29.

[3] QIU X M,WU S S,MIAO X.Incorporating road and parcel data for object-based classification of detailed urban covers from NAIP images[J].Giscience & Remote Sensing,2014,51(5):498-520.

[4] OUYANG Z T,ZHANG M Q,XIE X,et al.A comparison of pixel-based and object-oriented approaches to VHR imagery for mapping saltmarsh plants[J].Ecological Information,2011,6(2):136-146.

[5] VOLTERSEN M,BERGER C,HESE S,et al.Object-based land cover mapping and comprehensive feature calculation for an automated derivation of urban structure types at block level[J].Remote Sensing of Environment,2014,154:192-201.

[6] LI X X,SHAO G F.Object-based land-cover mapping with high resolution aerial photography at a county scale in Midwestern USA[J].Remote Sensing,2014(6):11372-11390.

[7] 何勇,陳昌鳴.基于eCongnition的面向?qū)ο筠r(nóng)村公路提取[J].重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版),2012,32,(6):1194-1197.

[8] 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].測繪科學(xué),2006,31(1):62-63.

[9] 雷小奇,王衛(wèi)星,賴均.一種基于形狀特征進(jìn)行高分辨率遙感影像道路提取方法[J].測繪學(xué)報(bào),2009,38(5):457-464.

[10] 國家測繪地理信息局衛(wèi)星測繪應(yīng)用中心.Zy-3資源三號測繪衛(wèi)星用戶指南[S].2012.

[11] DEFINIENTS IMAGE GMBH.eCognition User Guide[S].Germany,2004.

[12] BAATZ M,BENZ U,DEHGHANI S.eCognition Developer 8.0.1-User Guide[S].Germany:Trimble,2010.

[13] 黃亮,左小清,馮沖.基于Canny算法的面向?qū)ο笥跋穹指頪J].國土資源遙感,2011(4):26-30.

[14] KAUTH R J,THOMAS G S.The tasseled cap——a graphic description of the spectral-temporal development of agriculture crops as seen by Landsat[A].Pros Symposium on Machine Processing of Remotely Sensed Data[C].Purdure University,West Lafayette,Indiana，1976.41-51.

[15] ROUSE J J W,HAS R H,SCHELL J A,et al.Monitoring vegetation systems in the Great Plains with ERTS[J].NASA Special Publication,1974,3,309-351.

[16] DEERING D W ,ROUSE J W.Measuring′forage production′of grazing units from Landsat MSS data[A].Internation Symposion on Remote Sensing of Environment[C].2002,83(1):195-213.

[17] SINGH S M.Simulation of solar zenith angle effect on global vegetation index(GRVI)data[J].International Journal of Remote Sensing,1988,9(2):237-248.

[18] 崔屹.圖象處理與分析——數(shù)學(xué)形態(tài)學(xué)方法及應(yīng)用[M].北京:科學(xué)出版社,2000.

[19] 潘建平,鄔明權(quán).基于數(shù)學(xué)形態(tài)學(xué)的道路提取[J].計(jì)算機(jī)工程與應(yīng)用,2008，44(11):232-240.

[20] 安如,馮學(xué)智,王慧麟.基于數(shù)學(xué)形態(tài)學(xué)的道路遙感影像特征提取及網(wǎng)絡(luò)分析[J].中國圖象圖形學(xué)報(bào),2003(7):798-804.

[21] CONGALTON R G.A review of assessing the accuracy of classifications of remotely sensed data[J].Remote Sensing of Environment,1991,37(1):35-46.

Research on Extraction of Road Based on Object Oriented in an Urban Context

LIN Peng1,RUAN Ren-zong1，WANG Yu-qiang2，TAO Ting1

(1.School of Earth Sciences and Engineering,Hohai University,Nanjing 210098；2.Shandong Province Disaster Reduction Center,Jinan 250012,China)

Roads is characterized by rapid update in an urban context.This makes it significant that the information on road is extracted quickly and precisely.The roads in urban areas are characterized as being complex,various and sometimes narrow.This makes it difficult to extract road features in an urban context due to the existence of a large number of mixture pixels.In this paper,a part of Chuzhou,Anhui is taken as test area and Ziyuan 3 imagery is used to explore the effective method of road extraction in an urban context.Based on object-oriented image analysis,multiple features are fed into support vector machine for the extraction of roads in an urban context.These features include spectral features,shape feature and other features.Finally,the results are processed by using morphology method.The research shows that the proposed method is effective and road extraction results are satisfying.

road;object-oriented;rule-based;loop extraction;mathematical morphology

2015-03-20；

2015-11-16

中國科學(xué)院戰(zhàn)略性先導(dǎo)科技專項(xiàng)(XDA05050106);生態(tài)十年專項(xiàng)(STSN-01-05)

林鵬(1992-)，男，碩士研究生，主要從事城市遙感與GIS應(yīng)用研究。E-mail:1093539758@qq.com

10.3969/j.issn.1672-0504.2016.01.010

TP75

A

1672-0504(2016)01-0049-06