傅剛

摘要：高分辨率遙感影像越來越豐富，使得高分辨率影像的信息提取要求也越來越高，特別是對道路這種特殊的地物而言，其提取的準(zhǔn)確性對后續(xù)應(yīng)用有很大影響。本文總結(jié)了高空間分辨率遙感影像中道路的物理和幾何特征、已有道路提取方法及未來的發(fā)展方向。

關(guān)鍵詞：高分辨率；道路提?。贿b感影像

隨著遙感技術(shù)的發(fā)展，越來越多的商業(yè)化衛(wèi)星可以提供相當(dāng)高分辨率的遙感影像數(shù)據(jù)，目前已達(dá)米級甚至亞米級，目前主流的高分辨率衛(wèi)星及其空間分辨率如表1所示。這些高分辨率遙感影像為很多應(yīng)用提供了有利的條件，例如土地資源調(diào)查、地理數(shù)據(jù)更新、土地利用和土地覆蓋變化監(jiān)測等。準(zhǔn)確快速地從遙感影像中提取感興趣信息是遙感的一個(gè)熱門研究方向。其中，道路信息的提取更是研究熱點(diǎn)，因?yàn)榈缆凡粌H是基礎(chǔ)的地理信息，而且為提取其他地物提供了參考[1]。本文分析了道路在遙感影像中的特征，然后對目前在遙感中常用的道路提取方法進(jìn)行了分析和對比，最后對遙感中道路提取方法的發(fā)展方向進(jìn)行了展望。

1. 道路特征提取的原理

道路在高空間分辨率的遙感影像上，通過人工解譯是很容易被識別和提取出來的，這主要是因?yàn)榈缆返奈锢砗蛶缀翁匦耘c其他地物有明顯的區(qū)別，因此，只有明確道路的特征，然后才可以通過計(jì)算機(jī)進(jìn)行自動(dòng)識別。道路的特征可以大體分為兩類，一類是物理特征，一類是幾何特征[2]。

物理特征主要指道路的成分，通常與其他地物不同，例如，水泥路、柏油路等。在遙感影像上，這一點(diǎn)就體現(xiàn)在輻射特征的不同上，道路的輻射特征與相鄰其他地物的輻射特征差異明顯，這在一定程度上可以通過監(jiān)督方法，自動(dòng)提取出道路。

幾何特征包括道路的形狀特征、拓?fù)涮卣骷吧舷挛奶卣?。道路的形狀通常為長條狀，長度與寬度之比非常大，而且道路的變化較小，即使是彎道，也有曲率的限制。拓?fù)涮卣魇侵傅缆吠ǔＪ窍嗷ソ徊娴模缘缆肪W(wǎng)的形式存在。上下文特征主要是指道路上的標(biāo)志、高速路中間的綠化帶以及行人斑馬線等[3]。

基于以上特征，我們可以在高、中、低三個(gè)層次上進(jìn)行道路特征提取。低層次主要依賴各種基本要素，包括特征點(diǎn)、線、面，邊緣及紋理等，這一層次較少涉及道路的相關(guān)知識；中層次是在低層次結(jié)果的基礎(chǔ)上，對多種特征進(jìn)行分析、整合、精簡等，形成一定的結(jié)構(gòu)化；高層次則要求利用道路的相關(guān)知識及規(guī)則，從而識別道路。

2. 道路特征提取現(xiàn)狀

目前，通過計(jì)算機(jī)對道路進(jìn)行提取，大體可以分為兩種，一種是監(jiān)督道路提取，一種是全自動(dòng)道路提取。

2.1 監(jiān)督道路提取

監(jiān)督道路提取主要是采用人機(jī)交互的模式。首先，由人工選取道路的起始點(diǎn)和起始方向，然后設(shè)置規(guī)則，由計(jì)算機(jī)進(jìn)行處理識別，通常在識別過程中，還需要進(jìn)行適當(dāng)?shù)慕换?，以此確保識別的精度。這一過程通常包含如下四個(gè)步驟：第一，對遙感影像的道路特征進(jìn)行增強(qiáng)；第二，確定道路的起始點(diǎn)和起始方向；第三，擴(kuò)展和跟蹤起始點(diǎn)，提取道路段；第四，將各個(gè)道路段連接，從而形成道路網(wǎng)[4]。

具體方法包含五種：分別是動(dòng)態(tài)規(guī)劃法、基于模型法、主動(dòng)試驗(yàn)法、模板匹配法、概率論法和基于知識的方法。

動(dòng)態(tài)規(guī)劃法通常將識別問題轉(zhuǎn)化為最優(yōu)化問題，即將道路起始點(diǎn)與其他點(diǎn)之間賦予代價(jià)函數(shù)，然后計(jì)算點(diǎn)與點(diǎn)之間的最優(yōu)路徑。這種方法最早是從低分辨率遙感影像道路提取中發(fā)展來的，實(shí)驗(yàn)表明，這種方法對于道路邊界提取效果一般，但是對道路中心線提取精度較高。

基于模型法即將影像的各種特征通過函數(shù)表達(dá)出來，然后對該函數(shù)求極值從而提取目標(biāo)。常用的模型有Snakes及其多種改進(jìn)算法（例如，LSB-Snakes， Ziplok Snakes， Double Snake），Active Contour模型等[5]。

主動(dòng)試驗(yàn)法是通過選定道路起始點(diǎn)和起始方向從而獲得道路的統(tǒng)計(jì)模型特征，以此建立決策樹；然后，用決策樹對道路進(jìn)行跟蹤提取。在高分辨率影像中，通常要假定道路段為矩形，結(jié)合主動(dòng)試驗(yàn)法提取道路中心線。這種方法由于有限制條件，因此對道路中心線的提取效果一般。

模板匹配法即用戶首先選取感興趣的特征點(diǎn)，然后為這些特征點(diǎn)定義一個(gè)特征模板，最后將其他點(diǎn)與特征模板進(jìn)行匹配，當(dāng)相似度達(dá)到要求的時(shí)候即匹配成功。

概率論法將道路的邊緣假定為一個(gè)隨機(jī)過程路徑，該隨機(jī)過程是基于統(tǒng)計(jì)模型驅(qū)動(dòng)的。通過后驗(yàn)概率判定道路是否被準(zhǔn)確提取。

基于知識的方法是通過人工的認(rèn)識轉(zhuǎn)化為判定道路的規(guī)則，以此來提取道路。這種方法的思路是首先提取道路片段，然后將對該道路片段的認(rèn)識轉(zhuǎn)化為道路識別規(guī)則，然后用建立的規(guī)則對影像其他部分的道路進(jìn)行提取。這種方法的好處是在建立規(guī)則的時(shí)候，可以采用多種特征，而這些特征又不存在冗余，所以該方法不僅準(zhǔn)確率高，而且速度快。但是這種方法對于操作人員的專業(yè)知識要求較高，不僅要有遙感知識，還要有其他多學(xué)科的知識。

2.2 全自動(dòng)道路提取

全自動(dòng)道路提取即不加入人工干預(yù)，直接設(shè)定規(guī)則，由計(jì)算機(jī)自行判斷并提取。這類方法包括平行線法、中心線探測法和統(tǒng)計(jì)模型法等。

平行線法是從道路的幾何特征出發(fā)，因?yàn)榈缆愤吘壙梢钥闯墒且唤M平行線，因此，根據(jù)這一特征可以設(shè)計(jì)一種道路邊緣提取算法。這種方法在數(shù)學(xué)形態(tài)學(xué)中可以簡化為三個(gè)過程：一是影像分割及直線提??；二是降低影像分辨率提取道路輪廓；三是根據(jù)上一步驟提取的道路輪廓線，從第一步驟提取的直線中確定道路邊緣[6]。

中心線探測法即道路中心線檢測，通常對影像進(jìn)行分割，然后在分割的基礎(chǔ)上，提取中心線，再結(jié)合道路的灰度特征、幾何特征對中心線周圍的區(qū)域進(jìn)行合并，最終形成道路網(wǎng)。

統(tǒng)計(jì)模型法不依賴于某個(gè)因素，因此適合道路提取這種相對復(fù)雜的地物?？梢酝ㄟ^幾何概率分布模型，設(shè)置窗口，對道路進(jìn)行檢測提取。這種方法對道路有一定的要求，包括道路寬度變化不能太大、局部輻射亮度變化較小、道路曲率較大、背景差異明顯、長寬比較大等。當(dāng)然，一般的全自動(dòng)道路提取都應(yīng)該滿足這些條件。

3. 遙感影像道路提取展望

目前，利用高空間分辨率影像進(jìn)行道路提取的研究已經(jīng)很多，每種方法都有一定的適用性，但是畢竟現(xiàn)實(shí)世界中的道路無論從材料還是設(shè)計(jì)都具有很大的多樣性及復(fù)雜性，而研究中提到的方法往往只能解決某一種或幾種類型的道路提取，并且這些方法的自動(dòng)化程度、算法效率及精度方面也有較大差異，因此，距離實(shí)際應(yīng)用還有很長的路要走。

首先，對道路特征的挖掘。目前的大部分道路提取算法都只利用了道路的一種或幾種較為基本的特征，由此建立的模型也相對簡單。那么，對于高空間分辨率的遙感影像而言，道路的紋理特征比中低分辨率影像要明顯的多，因此，如何在已有算法中結(jié)合高分辨率影像中道路的紋理特征是一個(gè)值得研究的方向[7]。

其次，多維模型的建立。遙感影像是二維圖像，但是表達(dá)的是三維世界，因此，在三維到二維的過程中，必然有很多有用的信息被損失掉?？梢钥紤]，用多幅影像，來構(gòu)建三維模型，這樣可以建立道路與其他地物之間更具體的聯(lián)系，由此得到適合道路特征提取的多維模型。

再次，多方法嵌套使用。大部分的單一方法都是針對某種類型的道路，當(dāng)現(xiàn)實(shí)情況比較復(fù)雜的時(shí)候，這些單一方法就不再適用了。因此，如何將多種方法有機(jī)地結(jié)合起來形成新的方法體系也是一個(gè)值得研究的問題。多方法嵌套不僅提高了方法的適用性，也在一定程度上提升了全自動(dòng)的可能。

第四，結(jié)合面向?qū)ο蟮乃枷?。面向?qū)ο笫菍⑷舾上裨喜橐粋€(gè)對象，再對對象進(jìn)行分析研究的方法。這種方法的大致步驟包括以下四步：影像分割得到對象，對對象進(jìn)行特征提取，將提取的特征組合成模型，根據(jù)模型提取道路。這種方法目前在道路提取中已經(jīng)獲得不錯(cuò)的效果[8]。

最后，多學(xué)科結(jié)合。道路在現(xiàn)實(shí)世界中是相當(dāng)復(fù)雜的，因此道路提取涉及很多學(xué)科的問題，包括數(shù)學(xué)、計(jì)算機(jī)視覺和計(jì)算機(jī)圖形學(xué)等。因此，在道路提取的研究過程中，要充分結(jié)合其他學(xué)科的方法及最新研究成果，將這些方法在更高的層次進(jìn)行結(jié)合，最終可以提升道路提取的精度。

參考文獻(xiàn)：

[1] 李光耀， 胡陽. 高分辨率遙感影像道路提取技術(shù)研究與展望[J]. 遙感信息， 2008（1）：91-95.

[2] 吳亮， 胡云安. 遙感圖像自動(dòng)道路提取方法綜述[J]. Acta Automatica Sinica， 2010， 36（7）：912-922.

[3] 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）：457-465.

[4] 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.

[5] 唐偉， 趙書河. 基于GVF和Snake模型的高分辨率遙感圖像四元數(shù)空間道路提取[J]. 遙感學(xué)報(bào)， 2011， 15（5）：1040-1052.

[6] 朱長青， 王耀革， 馬秋禾，等. 基于形態(tài)分割的高分辨率遙感影像道路提取[J]. 測繪學(xué)報(bào)， 2004， 33（4）：347-351.

[7] 胡海旭， 王文， 何厚軍. 基于紋理特征與數(shù)學(xué)形態(tài)學(xué)的高分辨率影像城市道路提取[J]. 地理與地理信息科學(xué)， 2008， 24（6）：46-49.

[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] 張美香， 白亞彬. 基于高分辨率遙感影像的城市規(guī)劃設(shè)計(jì)研究[J]. 西部資源， 2014（1）.