賴俊瑋

摘 要：基于面向?qū)ο笏枷耄褂酶叻忠惶栍跋駥M州市開發(fā)區(qū)城市道路進(jìn)行提取。利用分水嶺分割算法對影像進(jìn)行分割后，通過水體和植被的特征提取出道路潛在區(qū)域，結(jié)合最能區(qū)別道路與其他地物的光譜特征和幾何特征，利用eCognition的最鄰近分類器提取出道路目標(biāo)。

關(guān)鍵詞：面向?qū)ο?；道路提??；影像分割；eCognition

引言

隨著遙感科學(xué)技術(shù)的發(fā)展，高分辨率遙感數(shù)據(jù)越來越多，高分辨率能反映出豐富的地物細(xì)節(jié)與結(jié)構(gòu)紋理信息。道路信息是高分遙感影像上的重要地物信息之一，如何從海量的高分影像數(shù)據(jù)中提取出道路目標(biāo)已經(jīng)成為目前遙感領(lǐng)域研究的重點。

然而，隨著現(xiàn)代社會的發(fā)展，城市建設(shè)的深入，遙感影像上反映的地物信息越來越豐富，影像上的地物細(xì)節(jié)也越來越復(fù)雜，道路目標(biāo)更清晰，同時噪聲也隨之而來，極容易存在“同物異譜”及“同譜異物”現(xiàn)象，如建筑物，車輛等，這使得在高分影像中的道路提取難度也隨之增大。傳統(tǒng)的道路提取方法都是基于像元及光譜信息來對影像進(jìn)行分析處理，雖然近年來出現(xiàn)很多新的算法。但從根本上還是從像元的角度分析遙感影像，不會考慮像元內(nèi)部的紋理特征及像元間的關(guān)聯(lián)信息，這樣就很容易產(chǎn)生“胡椒鹽現(xiàn)象”，從而提取的精度也不高；然而，面向?qū)ο蟮挠跋穹治龇椒?，通過結(jié)合多種影像特征，比如光譜特征、幾何特征、紋理特征以及上下文特征綜合分析往往能取得較基于像元提取的方法更高的精度。因此將面向?qū)ο蟮姆椒☉?yīng)用到高分影像道路提取中能取得更高的研究意義及應(yīng)用價值。

1 面向?qū)ο蟮牡缆诽崛》椒?/p>

在高分辨率遙感圖像道路自動提取的方法中，有很多方法需要先對道路進(jìn)行整體粗提取，然后針對提取出的道路進(jìn)行后處理來完善路網(wǎng)的結(jié)構(gòu)。本文的技術(shù)路線歸根于這種設(shè)計思想和道路的四個影像特征（光譜特征、幾何特征、上下文特征和拓?fù)涮卣鳎?。為了充分挖掘高分辨率影像中的道路特征，首先對圖像進(jìn)行預(yù)處理來消除部分噪聲。然后采用改進(jìn)的分水嶺算法進(jìn)行圖像分割獲取影像對象，這是面向?qū)ο笥跋穹治龅谋匾h(huán)節(jié)。在道路特征提取中采用了多尺度分析的方法，分別對主干道路和次要路段采用不同的灰度、長寬比等特征指標(biāo)進(jìn)行提取。最后，采用拓?fù)溥B接和數(shù)學(xué)形態(tài)學(xué)方法處理道路提取過程中產(chǎn)生的道路中斷并去除部分影像噪聲，在更高層次上進(jìn)一步完善道路提取的結(jié)果。

1.1 改進(jìn)的分水嶺分割算法

雖然分水嶺的分割速度很快，但由于該算法對微弱邊緣的敏感性較強，受噪聲的影響分割結(jié)果存在過度分割現(xiàn)象。這種分割結(jié)果存在大量的分割區(qū)域，不僅增加后續(xù)分析的代價，而且過多的瑣碎區(qū)域使得地物的形狀特征也不能很好的應(yīng)用，本文通過選擇適當(dāng)?shù)木钟蛲|(zhì)性閾值、剔除局部極小值小面積區(qū)域、去除小斑塊和區(qū)域合并來解決過分割問題。

1.2 面向?qū)ο蟮牡缆诽卣魈崛?/p>

面向?qū)ο蟮倪b感信息提取方法主要是依據(jù)影像對象特征來描述地物目標(biāo)的重要屬性信息。分水嶺變換將圖像分割為影像對象后可以得到比較完整的影像對象，但由于“異物同譜”現(xiàn)象的存在，道路對象還不能提取出來。但是，道路影像對象在幾何特征、輻射特征等方面與其他影像對象有很大的區(qū)別。本文基于道路對象的輻射特征、幾何特征和上下文特征，采用面向?qū)ο蠓椒?，對影像對象的特征因子做定量描述，進(jìn)而提取道路信息。

2 面向?qū)ο蟮牡缆诽崛嶒?/p>

選取江西省贛州市某城區(qū)為研究區(qū)，采用2016年5月30日的高分辨率遙感影像。數(shù)據(jù)全色波段的分辨率是1米。原圖如圖1所示。

在進(jìn)行道路特征提取之前先對遙感影像進(jìn)行一些預(yù)處理，其中包括直方圖均衡化，中值濾波。然后將全色影像與多光譜影像進(jìn)行融合，對其進(jìn)行分水嶺變換，選擇合適的閾值對分割結(jié)果進(jìn)行同質(zhì)性閾值合并，然后去除小斑塊和區(qū)域合并，此時道路對象基本已經(jīng)合并在一起，還需要綜合利用多種特征將其與其他地物區(qū)分開。因為植被、水體的光譜特征與道路的光譜特征差異較大，因此可以分別利用NDVI指數(shù)和NDWI指數(shù)去除植被、水體，提取出道路潛在區(qū)域。選取6種光譜特征和幾何特征進(jìn)行試驗建立道路特征知識庫，分別為不對稱性，密度，長寬比，面積，長度，矩形度。由于不同等級道路的寬度和長度不一致，將研究區(qū)內(nèi)的道路分為主干路和次要路，對其分別提取。最終提取結(jié)果如圖2所示。

3 結(jié)束語

從該結(jié)果可以看出，該提取方法基本能夠較完善的提取出整個實驗區(qū)的道路，可以看出面向?qū)ο蠓椒ň哂斜容^大的優(yōu)勢，通過分水嶺分割算法，將影像內(nèi)的邊緣信息完整檢測出來，綜合利用閾值合并和去除小斑塊和區(qū)域合并極大地提高了信息提取質(zhì)量。最后利用多種道路特征區(qū)分道路和其他地物。當(dāng)然還有一些不足的地方，比如提取結(jié)果很以來分割質(zhì)量，這也就需要道路能與背景地物能有較大的反差。綜合來看，利用面向?qū)ο蟮姆椒ㄌ崛〉缆纺繕?biāo)還是可行的。

參考文獻(xiàn)

[1]張聰穎，田淑芳.基于ENVI Zoom面向?qū)ο蟮母叻直媛视跋竦牡缆诽崛D].中國地質(zhì)大學(xué)（北京）地球科學(xué)與資源學(xué)院1001-8972.20

10.23.044.

[2]申真.基于面向?qū)ο蟮母叻直媛蔬b感影像道路提取研究[D].江西理工大學(xué)，2012.

[3]蔡紅 .高分辨率遙感圖像城市道路自動提取方法研究[D].中國地質(zhì)大學(xué)（北京），2015.