徐 豐，董 亮，蔡肖芋

（1.民政部國(guó)家減災(zāi)中心,北京 100124；2.山西工程職業(yè)技術(shù)學(xué)院 建筑工程系，山西 太原 030009；3.武漢大學(xué) 測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079）

OpenStreetMap輔助下的高分辨率光學(xué)影像道路損毀提取

徐 豐1，董 亮2，蔡肖芋3

（1.民政部國(guó)家減災(zāi)中心,北京 100124；2.山西工程職業(yè)技術(shù)學(xué)院 建筑工程系，山西 太原 030009；3.武漢大學(xué) 測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079）

提出了一種以高分辨率遙感影像和OpenStreetMap道路矢量數(shù)據(jù)作為數(shù)據(jù)源的道路損毀提取方法。在OpenStreetMap道路矢量數(shù)據(jù)的輔助下，利用道路在高分辨率影像上的特征，結(jié)合學(xué)習(xí)-檢測(cè)的方法對(duì)損毀區(qū)域進(jìn)行檢測(cè)，提取疑似損毀路段，基于道路信息對(duì)損毀路段進(jìn)行驗(yàn)證，剔除虛警。實(shí)驗(yàn)表明，該方法能夠快速、準(zhǔn)確地對(duì)道路損毀信息進(jìn)行提取。

高分辨率影像；OpenStreetMap；學(xué)習(xí)-檢測(cè)；道路損毀提取

道路是國(guó)家經(jīng)濟(jì)和軍事的動(dòng)脈，是交通運(yùn)輸和物資輸送的重要保障，對(duì)軍事和民用都有很重要的意義。根據(jù)道路損毀信息提取所用的信息源可將道路損毀提取方法分為3類[1]：①基于災(zāi)后單時(shí)相影像的提取方法，主要是使用目視判讀和分類的方法；②基于災(zāi)前-災(zāi)后多時(shí)相影像的提取方法[2]，利用災(zāi)前、災(zāi)后數(shù)據(jù)采用變化檢測(cè)的方式進(jìn)行損毀提?。虎刍跒?zāi)前先驗(yàn)信息-災(zāi)后影像多源信息融合的提取方法[3-5]，利用道路矢量數(shù)據(jù)、DEM、LiDAR數(shù)據(jù)等輔助道路損毀提取。與基于災(zāi)后單時(shí)相影像檢測(cè)方法相比，通過災(zāi)前-災(zāi)后不同時(shí)相資料利用變化檢測(cè)方法進(jìn)行對(duì)比分析的研究較多，且識(shí)別精度相對(duì)較高。道路對(duì)象，特別是主要道路，通常比較穩(wěn)定，自然條件下變化較小，根據(jù)災(zāi)前GIS道路網(wǎng)數(shù)據(jù)判斷災(zāi)后發(fā)生變化的道路具有較高的可靠性[6]，且能克服災(zāi)前影像數(shù)據(jù)不完備的問題。

高分辨率遙感影像上的道路灰度均勻、結(jié)構(gòu)規(guī)整、排列有序。毀滅性的地震會(huì)使路面產(chǎn)生裂紋、位錯(cuò)、下沉或懸浮，坍塌、滑坡和泥石流等次生災(zāi)害會(huì)使巖土體在道路表面累積。災(zāi)后被破壞的道路在高分辨率遙感影像上無(wú)論是光譜、幾何、拓?fù)湟约吧舷挛奶卣鞫紩?huì)發(fā)生顯著變化，導(dǎo)致災(zāi)后道路信息提取面臨很大的困難。

本文提出了一種基于OpenStreetMap道路矢量數(shù)據(jù)與Learning-Detection高分辨率遙感影像的道路損毀提取方法。主要步驟為：①在道路矢量數(shù)據(jù)的引導(dǎo)下利用Learning-Detection方法在遙感影像上提取疑似道路損毀區(qū)；②結(jié)合道路上下文信息對(duì)疑似損毀區(qū)域進(jìn)行篩選，選出損毀道路路段。具體流程如圖1所示。

圖1 道路損毀檢測(cè)流程圖

1 基于L-D的疑似損毀路段檢測(cè)

災(zāi)害損毀會(huì)引起道路本身特性的變化。災(zāi)前矢量數(shù)據(jù)較容易獲取，本文依托災(zāi)前矢量提供的先驗(yàn)信息，快速、高效地檢測(cè)出道路上的損毀斷裂區(qū)。Tracking-Learning-Detection（TLD）是Kalal[7]提出的一種對(duì)視頻中單個(gè)物體長(zhǎng)時(shí)間跟蹤的算法。本文采用基于L-D（學(xué)習(xí)-檢測(cè)）的方法對(duì)疑似損毀道路進(jìn)行檢測(cè)。

首先，以道路矢量數(shù)據(jù)作為先驗(yàn)信息進(jìn)行引導(dǎo)追蹤，使用L-D的檢測(cè)方式，邊檢測(cè)邊追蹤邊學(xué)習(xí)更新；然后，采用自適應(yīng)的多尺度檢測(cè)窗口滑動(dòng)搜索道路損毀區(qū)域。本文使用多尺度檢測(cè)窗口策略來(lái)確定道路最佳匹配模板，檢測(cè)器是一個(gè)級(jí)聯(lián)分類器，用作道路圖像的檢測(cè)過濾；最后利用模板匹配方法尋找最近似道路圖像，找出錯(cuò)誤分類并及時(shí)更新模板，避免出現(xiàn)類似錯(cuò)誤，以便得到更精確的道路損毀區(qū)域。

1.1 基于輻條法的初始模板提取

在高分影像中，道路是條帶狀結(jié)構(gòu)，道路的路寬在局部、小范圍內(nèi)是穩(wěn)定的，與其周邊地物有明顯的對(duì)比，因此，本文采用輻條法來(lái)提取初始模板。首先，在某一點(diǎn)位采用多方向的輻條距離計(jì)算，為此設(shè)定了一定角度的張量來(lái)避免多方向延伸導(dǎo)致的計(jì)算失敗，根據(jù)多方向計(jì)算的距離值來(lái)求得各獨(dú)立點(diǎn)處的輻條距離；然后，在一條道路上隨機(jī)選擇一定數(shù)量的點(diǎn)位進(jìn)行計(jì)算；最后使用統(tǒng)計(jì)特征值來(lái)作為最初的高度。

由初始點(diǎn)發(fā)射的輻條與邊線的交點(diǎn)距離初始點(diǎn)的長(zhǎng)度不一樣，這些交點(diǎn)投影到道路矢量方向上的垂直距離構(gòu)成一個(gè)距離統(tǒng)計(jì)剖面圖，如圖2。計(jì)算各交點(diǎn)到投影點(diǎn)的距離，得到距離的集合，計(jì)算集合的平均值即可獲得初始模板的寬度 。

圖2 輻條法示意圖

1.2 基于級(jí)聯(lián)分類器的疑似損毀道路圖元檢測(cè)

道路不同路段的寬度存在差異，本文提出一種基于多尺度檢測(cè)窗口的級(jí)聯(lián)分類器的方法檢測(cè)道路損毀圖元。

1）多特征檢測(cè)器。一定范圍內(nèi)的道路特征相對(duì)穩(wěn)定，表現(xiàn)為灰度趨于一致、道路紋理特征穩(wěn)定。災(zāi)后由于滑坡泥石流、洪水等影響，道路表面會(huì)有碎石、土方、倒塌房屋碎片、水體等，導(dǎo)致?lián)p毀路段光譜特征發(fā)生明顯變化，如亮度變亮或者變暗，道路紋理也會(huì)變得粗糙、無(wú)規(guī)則，可利用這些特征作為損毀檢測(cè)匹配的依據(jù)。用一定尺寸的掃描窗對(duì)影像進(jìn)行掃描，每掃描一個(gè)位置就形成一個(gè)包圍框，包圍框內(nèi)的圖像區(qū)域稱為一個(gè)圖元（patch）。 計(jì)算初始圖基元和圖元的特征值，為匹配檢測(cè)和損毀路段識(shí)別作準(zhǔn)備。

2）自適應(yīng)多尺度檢測(cè)窗口。由于固定檢測(cè)窗口受道路寬度的變化或周圍環(huán)境的影響，本文采用自適應(yīng)多尺度的檢測(cè)窗口來(lái)檢測(cè)圖元內(nèi)的影像與初始模板的匹配情況。檢測(cè)窗口分為搜索框和匹配框兩級(jí)模板，搜索框定義為沿道路搜索的緩沖區(qū)，由于受配準(zhǔn)精度和初始模板計(jì)算誤差的影響，搜索框可以增加緩沖區(qū)范圍；匹配框是在搜索框里進(jìn)行搜索的滑動(dòng)模板，根據(jù)特征檢測(cè)器進(jìn)行特征計(jì)算，尋找最優(yōu)匹配的檢索范圍。

3）級(jí)聯(lián)分類器。根據(jù)多特征檢測(cè)器的特征計(jì)算方法進(jìn)行滑動(dòng)檢測(cè)時(shí)，為了提高檢測(cè)的效率和精度，采用3級(jí)分類器進(jìn)行匹配和損毀區(qū)域的檢測(cè)。3級(jí)分類器分別是方差分類器、隨機(jī)森林分類器和最鄰近相關(guān)性分類器，其中方差分類器是將匹配框內(nèi)圖元的灰度值方差與標(biāo)準(zhǔn)框內(nèi)的灰度值方差進(jìn)行比較，先進(jìn)行粗篩選，將方差大于一定閾值的過濾，提高后續(xù)計(jì)算效率。

2 基于上下文的道路損毀驗(yàn)證

由于道路兩側(cè)植被對(duì)道路的遮擋、路邊高大建筑物的陰影對(duì)道路的遮擋以及路上車輛對(duì)道路局部紋理特征的影響，會(huì)導(dǎo)致道路光譜信息發(fā)生改變，但這些改變與道路的損毀有明顯區(qū)別，也比較穩(wěn)定。陰影會(huì)導(dǎo)致影像偏黑，植被在光學(xué)影像上主要也是以植被顏色為主，較容易剔除。排除以上幾種干擾后剩下的就是損毀道路。

1）植被檢測(cè)。色彩不變量（color invariants）由獨(dú)立視點(diǎn)、表面方向、光照方向和光照強(qiáng)度等色彩模型構(gòu)成[8]。由于缺少近紅外波段，因此需要探索基于 RGB影像的植被色彩不變量。實(shí)驗(yàn)表明，從綠光波段中減去藍(lán)光波段有利于檢測(cè)植被區(qū)域。由綠光波段和藍(lán)光波段構(gòu)成的色彩不變量如式（1）所示[9]。

其中，i、j是對(duì)應(yīng)的圖像上行列號(hào)；I（i， j， g）, I （i， j，b）則是影像中對(duì)應(yīng)像素在綠光波段與藍(lán)光波段的像素值；R 和C 為影像I的行列數(shù)。

根據(jù)Otsu 算法的最大類間方差原則，從指數(shù)影像中確定分割閾值Tc，將大于閾值Tc的像素標(biāo)記為候選植被對(duì)象，小于閾值Tc的對(duì)象被標(biāo)記為非植被對(duì)象。

歸一化處理強(qiáng)度影像I 后，根據(jù)閾值Ti分割強(qiáng)度影像，得到明暗分類標(biāo)記影像；然后根據(jù)色彩不變量進(jìn)行分割，標(biāo)記影像V 與明暗標(biāo)記反轉(zhuǎn)后影像作邏輯操作，如式（2）所示，得到最終的植被檢測(cè)結(jié)果影像。

2）陰影檢測(cè)。陰影在遙感影像上表現(xiàn)為灰度值較低的特性。本文使用陰影色彩不變量指數(shù)Shorter來(lái)檢測(cè)陰影[10]，如式（3）所示。

其中，i， j 為對(duì)應(yīng)的像素行列號(hào)；I（i， j， r） 、 I （i， j， g）、I（i， j，b ）分別為影像中對(duì)應(yīng)像素在紅光波段、綠光波段與藍(lán)光波段的像素值；R 和C 為影像I 的行列數(shù)。類似于植被檢測(cè)方法，利閾值Ts標(biāo)記候選陰影對(duì)象。

3）車輛檢測(cè)。高分遙感影像上的車輛特征提取比較復(fù)雜，本文采用的車輛提取方法包括對(duì)象增強(qiáng)處理與候選對(duì)象提取兩個(gè)步驟。

3 實(shí)驗(yàn)與結(jié)果分析

為了驗(yàn)證本文方法的有效性，以四川省北川羌族自治縣某地區(qū)和四川省蘆山縣寶盛鄉(xiāng)某地區(qū)3組地震后影像和OpenStreetMap矢量道路數(shù)據(jù)為數(shù)據(jù)源，提取由地震引發(fā)的道路阻塞路段。實(shí)驗(yàn)影像數(shù)據(jù)描述表1所示。

表1 實(shí)驗(yàn)數(shù)據(jù)描述

圖3展示了實(shí)驗(yàn)中利用Learning-Detection方法得到的疑似損毀區(qū)檢測(cè)結(jié)果。共有14處疑似損毀路段，再利用上下文信息特征剔除掉非道路損毀區(qū)域，得到道路損毀檢測(cè)結(jié)果。

圖3 道路損毀檢測(cè)

從實(shí)驗(yàn)的結(jié)果可以看出，基于矢量引導(dǎo)的道路損毀提取策略可以將疑似損毀道路檢測(cè)出來(lái)，偽損毀路段經(jīng)過驗(yàn)證后也能有效剔除。從表2數(shù)據(jù)看出道路信息提取的準(zhǔn)確度高，漏檢率低于10%。

表2 實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)

4 結(jié) 語(yǔ)

本文利用GIS數(shù)據(jù)作為引導(dǎo)，提出了基于Learning-Detection的檢測(cè)方法來(lái)提取疑似道路損毀區(qū)，并利用上下文信息對(duì)疑似區(qū)進(jìn)行偽損毀路段判斷。實(shí)驗(yàn)證明，該方法能夠快速、準(zhǔn)確地對(duì)損毀信息進(jìn)行提取。由于損毀信息的復(fù)雜性，在利用上下文信息時(shí)還需要考慮更多的影響因素，同時(shí)由于影像對(duì)損毀信息表現(xiàn)的局限性，如何更加有效地描述災(zāi)害損毀在高分影像上的特征，并準(zhǔn)確提取損毀區(qū)域是今后進(jìn)一步研究的問題。

[1] 柳稼航,楊建峰,魏成階,等．震害信息遙感獲取技術(shù)歷史、現(xiàn)狀和趨勢(shì)[J]．自然災(zāi)害學(xué)報(bào),2004,13(6):46-53

[2] 張璽銳．基于SAR圖像的道路損毀信息提取方法研究[D]．成都:電子科技大學(xué),2013

[3] 陳世榮,馬海建,范一大,等．基于高分辨率遙感影像的汶川地震道路損毀評(píng)估[J]．遙感學(xué)報(bào),2008,12(6):949-955

[4] 徐陽(yáng),李清泉,唐爐亮．基于道路矢量數(shù)據(jù)的遙感影像道路損毀檢測(cè)[J]．測(cè)繪通報(bào),2011(4):14-16

[5] 秦軍,曹云剛,耿娟．汶川地震災(zāi)區(qū)道路損毀遙感評(píng)估模型[J]．西南交通大學(xué)學(xué)報(bào),2010,45(5):768-773

[6] LI Deren．Remotely Sensed Images and GIS Data Fusion for Automatic Change Detection [J]． International Journal of Image and Data Fusion,2010,1(1):99-108

[7] KALAL Z, MATAS J, MIKOLAJCZYK K,et al． P-N learning: Bootstrapping Binary Classifiers by Structural Constraints[J]． 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition． 2010: 49-56

[8] GEVERS T, STOKMAN H M G． Classifying Color Transitions into Shadow-geometry, Illumination, Highlight or Material Edges[C]//Image Processing, 2000． Proceedings． 2000 International Conference on． IEEE, 2000, 1: 521-524

[9] SHORTER N, KASPARIS T． Automatic Vegetation Identification and Building Detection from a Single Nadir Aerial Image[J]． Remote Sensing． 2009, 1(4): 731-757

P237

B

1672-4623（2016）12-0004-03

10.3969/j.issn.1672-4623.2016.12.002

徐豐，碩士，副研究員，主要從事災(zāi)害遙感、SAR應(yīng)用等方面研究。

2016-03-17。

項(xiàng)目來(lái)源：高分辨率對(duì)地觀測(cè)系統(tǒng)重大專項(xiàng)技術(shù)研究與開發(fā)項(xiàng)目（03-Y20A10-9001-15/16）；高分三號(hào)針對(duì)陸地目標(biāo)的SAR圖像質(zhì)量控制研究技改項(xiàng)目。