張 曦，胡根生,2，梁 棟,2，鮑文霞,2

（1.安徽大學(xué) 電子信息工程學(xué)院，安徽 合肥 230601；2.安徽大學(xué) 計(jì)算智能與信號(hào)處理教育部重點(diǎn)實(shí)驗(yàn)室，安徽 合肥 230039）

基于時(shí)頻特征的高分辨率遙感圖像道路提取

張 曦1，胡根生1,2，梁 棟1,2，鮑文霞1,2

（1.安徽大學(xué) 電子信息工程學(xué)院，安徽 合肥 230601；2.安徽大學(xué) 計(jì)算智能與信號(hào)處理教育部重點(diǎn)實(shí)驗(yàn)室，安徽 合肥 230039）

針對(duì)傳統(tǒng)的遙感圖像道路提取算法存在錯(cuò)漏率較高的問(wèn)題，提出一種基于時(shí)頻特征提取和域自適應(yīng)學(xué)習(xí)分類器的高分辨率航空遙感圖像道路提取新算法。首先利用地統(tǒng)計(jì)學(xué)抽取道路的時(shí)域紋理特征和三維小波變換抽取道路的頻域光譜特征，構(gòu)成高分辨率航空?qǐng)D像中的道路特征。然后使用抽取的道路特征訓(xùn)練由遷移支持向量機(jī)模型構(gòu)建的域自適應(yīng)分類器，并對(duì)高分辨率航空遙感圖像進(jìn)行道路粗提取。最后，結(jié)合道路形態(tài)特征，用數(shù)學(xué)形態(tài)學(xué)方法處理粗分類后的道路，獲得提取后的完整道路。仿真實(shí)驗(yàn)表明，所提方法能有效降低高分辨率航空遙感圖像道路提取中非道路目標(biāo)的干擾，提高道路提取的精確性。

高分辨率遙感影像；道路提??；地統(tǒng)計(jì)學(xué)；三維小波變換；遷移學(xué)習(xí)

高分辨率遙感影像具有高時(shí)相性、獲取方便快捷、高空間分辨率、信息容量大等特點(diǎn)。利用高分辨率遙感影像進(jìn)行道路的識(shí)別和提取，已成為圖像處理、計(jì)算機(jī)視覺(jué)和圖像理解等的重點(diǎn)研究課題之一，其研究成果不僅有益于豐富基礎(chǔ)地理信息，同時(shí)在軍事國(guó)防、城市規(guī)劃、環(huán)境監(jiān)測(cè)和農(nóng)業(yè)調(diào)查等領(lǐng)域也有著廣泛應(yīng)用。

目前多數(shù)文獻(xiàn)給出的遙感圖像道路提取大致可以分為3個(gè)步驟，即道路的特征提取、圖像的分割和道路的修補(bǔ)。Hu等針對(duì)LiDAR數(shù)據(jù)采用自適應(yīng)Meanshift檢測(cè)道路中心點(diǎn)，再使用張量投票法增強(qiáng)道路的顯著線性特征，然后利用加權(quán)霍夫變換提取道路中心線[1]。該方法只針對(duì)特定的LiDAR數(shù)據(jù)，不適合一般的航空高分辨率遙感圖像。區(qū)域分割法是較為經(jīng)典的航空遙感圖像道路提取方法，Lefèvre等利用矩形區(qū)域提取道路分塊，然后采用形態(tài)濾波器連接這些道路分塊獲取完整道路[2]；Ma等用區(qū)域分割法將道路分割后，采用形態(tài)特征與數(shù)學(xué)形態(tài)學(xué)方法完成復(fù)雜道路的提取[3-4]；若道路周邊有相鄰的房屋、停車場(chǎng)等地物目標(biāo)，該方法難以區(qū)分道路與非道路目標(biāo)，且道路中心線有毛刺。利用回歸預(yù)測(cè)、分類等方法也可以獲得較好的道路提取結(jié)果，Song等利用基于目標(biāo)的濾波器獲取道路的光譜和形狀特征，再運(yùn)用SVM分類器、GANMM等將圖像粗分為道路組和非道路組，根據(jù)形狀相似準(zhǔn)則采用區(qū)域增長(zhǎng)法修補(bǔ)道路組中被遮掩的道路[5-6]，Miao等采用張量投票法提取道路中心線[7]，該類方法對(duì)于復(fù)雜道路口處的圖像提取不夠清晰，會(huì)出現(xiàn)漏提現(xiàn)象。近年來(lái)很多智能學(xué)習(xí)算法，比如蟻群算法或者人工神經(jīng)網(wǎng)絡(luò)算法等已被用來(lái)抽取道路信息[8-9]，但蟻群算法存在收斂速度慢，神經(jīng)網(wǎng)絡(luò)算法存在過(guò)擬合等問(wèn)題。

針對(duì)傳統(tǒng)道路提取算法中存在的問(wèn)題，本文考慮道路像元之間存在空間變化性和相關(guān)性以及光譜信息中的“異物同譜”或“同物異譜”等現(xiàn)象，利用地統(tǒng)計(jì)學(xué)抽取道路的時(shí)域紋理特征和三維小波變換抽取道路的頻域光譜特征構(gòu)成高分辨率航空?qǐng)D像中的道路特征。由于傳統(tǒng)的分類算法對(duì)于樣本來(lái)自不同分布的有限標(biāo)簽?zāi)Ｊ降姆诸惡突貧w預(yù)測(cè)并不魯棒，本文利用遷移支持向量機(jī)模型構(gòu)建的域自適應(yīng)分類器，對(duì)高分辨率航空遙感圖像進(jìn)行道路粗分類，提高分類的泛化能力。最后對(duì)粗分類后的道路利用數(shù)學(xué)形態(tài)學(xué)的方法進(jìn)行修補(bǔ)，獲得最終的完整道路。

1 道路圖像特征抽取

1.1 紋理特征抽取

本文利用地統(tǒng)計(jì)學(xué)抽取高分辨率航空?qǐng)D像中道路的紋理特征。地統(tǒng)計(jì)學(xué)研究的對(duì)象是區(qū)域化變量，以變異函數(shù)為主要工具，研究樣本在空間分布上的空間相關(guān)性和變化性[10]。變異函數(shù)定義為在任意方向上，相距h的2個(gè)區(qū)域變化量Z（x）與Z（x+h）的方差。假設(shè)區(qū)域變化量Z（x）滿足（準(zhǔn)）二階平穩(wěn)條件，則變異函數(shù)γ（h）定義為：

式中，Z（xi）與Z（xi+h）分別為在空間位置xi和xi+h上的變量的屬性值；N（h）是xi和xi+h之間像元對(duì)的數(shù)目，i=1，2，…，N（h）。

將變異函數(shù)引入到二維區(qū)域變化中，設(shè)Z（i，j）為二維區(qū)域變化量，則東西方向上的變異函數(shù)為：

式中，Z（i，j）為像元（i，j）的屬性值；h為2點(diǎn)之間的距離，N（h）為相距為h的點(diǎn)對(duì)個(gè)數(shù)。

南北方向上的變異函數(shù)為：

西北-東南方向上的變異函數(shù)為：

東北-西南方向上的變異函數(shù)為：

利用移窗法，分別計(jì)算窗口內(nèi)上述四個(gè)方向上的變異函數(shù)值，用來(lái)描述航空高分辨率遙感圖像道路的紋理特征。

1.2 光譜特征抽取

本文結(jié)合三維小波變換抽取航空高分辨率遙感圖像的光譜特征。同一時(shí)間同一地點(diǎn)獲取的多波段航空高分辨率遙感圖像可構(gòu)成三維圖像，其中兩維是空間方向，另外一維是譜方向。對(duì)該三維圖像進(jìn)行1次三維小波分解，可產(chǎn)生LLL、LLH、LHL、LHH、HLL、HLH、HHL和HHH 8個(gè)子代。本文選取一個(gè)低頻子代LLL和3個(gè)光譜差異子代LLH、LHH、HLH用來(lái)描述航空高分辨率遙感圖像的光譜特征。

2 道路圖像粗分類

2.1 域自適應(yīng)分類器

傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)、SVM等機(jī)器學(xué)習(xí)算法對(duì)于樣本來(lái)自不同分布的有限標(biāo)簽?zāi)Ｊ降姆诸惡突貧w預(yù)測(cè)并不魯棒，遷移學(xué)習(xí)的目的在于借助相關(guān)場(chǎng)景的數(shù)據(jù)來(lái)提高當(dāng)前場(chǎng)景系統(tǒng)的泛化能力[11]。域自適應(yīng)學(xué)習(xí)方法是一類重要的遷移學(xué)習(xí)方法，能有效利用源域中大量標(biāo)簽數(shù)據(jù)來(lái)學(xué)習(xí)僅有少量標(biāo)簽數(shù)據(jù)的目標(biāo)域[12-14]。本文利用遷移最小方差支持向量機(jī)模型構(gòu)建域自適應(yīng)分類器，實(shí)現(xiàn)道路圖像的粗分類。

遷移支持向量機(jī)學(xué)習(xí)是在標(biāo)準(zhǔn)SVM決策函數(shù)基礎(chǔ)上增加一個(gè)“Δ函數(shù)”，使其在不同域中能更好地自適應(yīng)，即遷移支持向量機(jī)的決策函數(shù)為[15]：

式（8）對(duì)應(yīng)的拉格朗日形式為：

式中，αi≥0為拉格朗日乘子，根據(jù)Karush-Kuhn-Tucker（KKT）條件得到：

根據(jù)上述KKT條件可以得到如下線性方程組：

式中，y=（y1，…，yn）T；Ω=ZZT，Z=[y1Φ（x1），y2Φ（x2），…，yNΦ（xN）]；I=（1，…，1）T；a=（α1，…，αN）T；I為單位矩陣。

設(shè)a*、b*是上述線性方程組的解，則遷移支持向量機(jī)的決策函數(shù)式（7）可以表示為：

式中，K（xi，xj）是核函數(shù)，比如可以取RBF核

2.2 粗分類步驟

采用上述由遷移支持向量機(jī)模型構(gòu)建的域自適應(yīng)分類器進(jìn)行航空高分辨率遙感圖像道路粗分類，步驟如下：

1）從多源多時(shí)相高分辨率航空遙感圖像中獲取道路和非道路圖像樣本集。

2）利用地統(tǒng)計(jì)學(xué)抽取樣本的時(shí)域紋理特征，利用三維小波變換抽取樣本的頻域光譜特征，結(jié)合時(shí)域紋理特征和頻域光譜特征構(gòu)成樣本的特征向量集合。

3）利用樣本的特征向量集合訓(xùn)練由遷移支持向量機(jī)模型構(gòu)建的域自適應(yīng)分類器，獲取式（15）所示的決策函數(shù)。

4）抽取待分類高分辨率航空遙感圖像時(shí)域紋理特征和頻域光譜特征構(gòu)建特征向量，利用步驟3）的決策函數(shù)對(duì)整幅高分辨率航空遙感圖像進(jìn)行道路和非道路的粗分類。流程圖如圖1所示。

圖1 道路粗分類流程圖

經(jīng)過(guò)粗分類，圖像被分為待定道路目標(biāo)以及非道路目標(biāo)2種情況。其中，待定道路目標(biāo)包括實(shí)際道路以及極少量的紋理特性和光譜特性都與道路相近的城市區(qū)域，例如停車場(chǎng)、裸露的地面等。由于高分辨率遙感圖像道路細(xì)節(jié)非常清楚，粗分類后，樹(shù)木以及道路的車道線等會(huì)在分類后的道路中存留漏洞和不連貫地帶裂縫，為此，我們利用道路形態(tài)特征和數(shù)學(xué)形態(tài)學(xué)方法處理粗分類后的待定道路目標(biāo)，獲得最終的完整道路。

3 數(shù)學(xué)形態(tài)學(xué)處理

本文選取道路的面積、長(zhǎng)寬比、矩形度來(lái)描述道路目標(biāo)的幾何形態(tài)特征。高分辨率航空遙感圖像中的道路目標(biāo)經(jīng)粗分類和二值化處理后，其面積不會(huì)很小，因此計(jì)算分類后各區(qū)域的面積，通過(guò)設(shè)定一個(gè)閾值濾除掉小面積非道路目標(biāo)的斑塊。道路具有的獨(dú)特的線性特征，與房頂、停車場(chǎng)等非道路目標(biāo)相比，道路目標(biāo)的長(zhǎng)寬比更大，因此可以利用長(zhǎng)寬比提取出具有明顯線性特征的區(qū)域。矩形度定義為目標(biāo)圖像的面積和最小矩形的面積之比，反映了目標(biāo)圖像與矩形的近似程度。

利用上述形態(tài)特征，采用數(shù)學(xué)形態(tài)學(xué)方法處理粗分類后的待定道路目標(biāo)。數(shù)學(xué)形態(tài)學(xué)中的膨脹算法能夠解決道路提取時(shí)因車輛或車道線所產(chǎn)生的孔洞問(wèn)題，腐蝕算法能夠消除目標(biāo)的邊界，消除因膨脹運(yùn)算而產(chǎn)生的噪點(diǎn)。閉運(yùn)算即先膨脹后腐蝕，填平道路孔洞以及裂縫的同時(shí)使斷連的道路連接，平滑道路邊界。

4 實(shí) 驗(yàn)

為了驗(yàn)證本文所提方法的有效性，本部分進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)所用數(shù)據(jù)為安徽省淮北市某地區(qū)的高分辨率航拍彩色圖像，圖像大小為512×512，空間分辨率為1．5 m。這些地區(qū)的道路環(huán)境復(fù)雜，包含了居民區(qū)、工廠、停車場(chǎng)、植被、裸地等非道路目標(biāo)，道路目標(biāo)則包含了主干道、次干道與支路等多尺度的城市道路，見(jiàn)圖2。結(jié)合地統(tǒng)計(jì)學(xué)紋理抽取和SVM分類的道路提取方法、文獻(xiàn)[16]的道路提取方法和基于數(shù)學(xué)形態(tài)學(xué)的道路提取方法被用來(lái)與本文所提方法進(jìn)行比較分析。本文方法所取參數(shù)為：地統(tǒng)計(jì)學(xué)滑窗大小為7×7，非抽樣三維小波的分解水平為2，遷移最小方差支持向量機(jī)的參數(shù)由網(wǎng)格搜索法確定。不同方法的道路提取結(jié)果如圖3所示。

圖2 實(shí)驗(yàn)所用源圖像

從圖3中可以看出，結(jié)合地統(tǒng)計(jì)學(xué)紋理抽取和SVM分類的道路提取方法，將圖像中長(zhǎng)條形的建筑物邊緣、圍墻等誤識(shí)別為道路；文獻(xiàn)[16]的道路提取方法和基于數(shù)學(xué)形態(tài)學(xué)的道路提取方法將大量與道路相連接的裸地、停車場(chǎng)、廠房等地物誤識(shí)別為道路；本文將紋理特征和光譜特征相結(jié)合構(gòu)建道路特征，并用遷移支持向量機(jī)分類方法提取道路，較好地去除了其他地物的干擾。

對(duì)于高分辨率航空遙感圖像道路提取效果的評(píng)價(jià)可用定量分析方法。本文采用完整性、正確性和質(zhì)量這三個(gè)經(jīng)典的精度指標(biāo)作為道路提取效果的定量度量標(biāo)準(zhǔn)[17]：

圖3 不同方法的道路提取結(jié)果

式中，E1，E2，E3分別為完整性、正確性和質(zhì)量指標(biāo)；TP（true positive）、FP（false positive）、FN（false negative）分別為正報(bào)、誤報(bào)和漏報(bào)。定量評(píng)價(jià)結(jié)果如表1所示。

表1 不同方法的定量評(píng)價(jià)結(jié)果/%

從表1可以看出，除完整性指標(biāo)外，本文道路提取方法的正確性指標(biāo)和質(zhì)量指標(biāo)均高于其他3種方法。本文方法的完整性指標(biāo)低是因?yàn)樵诶帽疚姆椒ㄟM(jìn)行道路粗分類時(shí)將道路中的汽車、遮住道路的植被等分割出去，在提升準(zhǔn)確性的同時(shí)，降低了道路的平滑性。文獻(xiàn)[16]方法和數(shù)學(xué)形態(tài)學(xué)方法將圖像中汽車以及與道路相連接的裸地、停車場(chǎng)、廠房、路邊植物等地物誤識(shí)別為道路。數(shù)學(xué)形態(tài)學(xué)中的開(kāi)、閉運(yùn)算方法雖在平滑道路邊緣有著極大的優(yōu)勢(shì)，但這將使得道路的覆蓋范圍過(guò)寬，完整性指標(biāo)雖高，但過(guò)多地將非道路目標(biāo)提取為道路會(huì)嚴(yán)重影響提取道路的準(zhǔn)確性與質(zhì)量。綜合而言，本文所提道路提取方法取得了更好的道路提取效果。

5 結(jié) 語(yǔ)

融合時(shí)域紋理特征與頻域光譜特征等多種特征，訓(xùn)練由遷移支持向量機(jī)模型構(gòu)建的域自適應(yīng)分類器，并對(duì)高分辨遙感影像進(jìn)行道路粗提取，然后結(jié)合道路形態(tài)特征，使用數(shù)學(xué)形態(tài)學(xué)方法處理粗提取后的影像，獲得提取后的完整道路，最后提取道路中心線，建立道路骨架。實(shí)驗(yàn)結(jié)果表明，本文提出的方法能夠有效降低高分辨率航空遙感圖像道路提取中非道路目標(biāo)的干擾，提高道路提取的精確性。多種特征相融合，為道路提取提供了一個(gè)良好的途徑，但依然很難獲得一個(gè)通用的線性特征用于不同尺度的遙感圖像，對(duì)此還需要進(jìn)行進(jìn)一步的研究。

[1] Hu X, Li Y, Shan J, et al． Road Centerline Extraction in Complex Urban Scenes From LiDAR Data Based on Multiple Features[J]．IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(11):7 448-7 456

[2] Lefèvre S, Courtrai L． Road Network Extraction from Remote Sensing Using Region-based Mathematical Morphology[C]．International Workshop on Pattern Recognition in Remote Sensing (PRRS 2014),2014

[3] Ma H,Cheng X,Wang X,et al．Road Information Extraction from High Resolution Remote Sensing Images Based on Threshold Segmentation and Mathematical Morphology[C]．2013 6th International Congress on．IEEE,2013(2):626-630

[4] 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(cè)繪學(xué)報(bào),2009(5):457-465

[5] Song M,Civco D．Road Extraction Using SVM and Image Segmentation[J]．Photogrammetric Engineering & Remote Sensing,2004,70(12):1 365-1 371

[6] Shi W,Miao Z,Debayle J．An Integrated Method for Urban Main-road Centerline Extraction from Optical Remotely Sensed Imagery[J]．IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(6):3 359-3 372[7] Miao Z,Shi W,Gamba P,et al．An Object-Based Method for Road Network Extraction in VHR Satellite Images[J]．IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8( 10):4 853-4 862

[8] Yin Dandong,Du Shihong,Wang Shaowen,et al． A Direction-Guided Ant Colony Optimization Method for Extraction of Urban Road Information from Very-High-Resolution Images[J]．IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015,8(4): 785-794

[9] Mokhtarzade M,Zoej M J V．Road Detection from High-Resolution Satellite Images Using Artificial Neural Networks[J]．International Journal of Applied Earth Observation and Geoinformation, 2007, 9(1): 32-40

[10] 劉愛(ài)利,王培法,丁園園．地統(tǒng)計(jì)學(xué)概論[M]．北京:科學(xué)出版社,2012

[11] Pan S J,Yang Q．A Survey on Transfer Learning[J]．IEEE Transactions on Knowledge and Data Engineering, 2010, 22(10): 1 345-1 359

[12] Pan S J,Tang I W,Kwok J T,et al．Domain Adaption Via Transfer Component Analysis[J]． IEEE Transactions on Neural Networks, 2011, 22( 2):199-210

[13] Duan L X,Tsang I W,Xu D．Domain Transfer Multiple Kernel Learning [J]．IEEE Transactions on Pattern Analysis and Machine Intelligence,2012, 34(3):465-479

[14] Bruzzone L,Marconcini M．Domain Adaptation Problems:a DASVM Classification Technique and a Circular Validation Strategy[J]．IEEE Transactions on Pattern Analysis and Machine Intelligence,2010,32(5):770-787

[15] Yang J,Yan R,Hauptmann A G．Cross-domain Video Concept Detection Using Adaptive SVMS[C]．15th Proc of Int Conf on Multimedia, 2007

[16] Ma H,Cheng X,Wang X,et al．Road Information Extraction from High Resolution Remote Sensing Images Based on Threshold Segmentation and Mathematical Morphology[C]．6th International Congress on Image and Signal Processing (CISP), 2013( 2): 626-630

[17] Wiedemann C,Heipke C,Mayer H,et al．Empirical Evaluation of Automaticallyextracted Road Axes[J]． Empirical Evaluation Techniques in Computer Vision,1998: 172-187

P237.3

B

1672-4623（2016）06-0018-04

10.3969/j.issn.1672-4623.2016.06.006

張曦，碩士，研究方向?yàn)檫b感影像道路提取。

2016-03-11。

項(xiàng)目來(lái)源：國(guó)家自然科學(xué)基金資助項(xiàng)目（61401001）；安徽省自然科學(xué)基金資助項(xiàng)目（1408085MF121）。