聶琳真 凃圣偲 侯獻軍

(武漢理工大學汽車工程學院 武漢 430070)

基于數(shù)學形態(tài)學的遙感影像高速公路提取*

聶琳真 凃圣偲 侯獻軍

(武漢理工大學汽車工程學院 武漢 430070)

針對高速公路的光譜特性和區(qū)域特性，提出了一種從遙感影像提取高速公路中心線的方法.該方法采取改進的數(shù)學形態(tài)增強算法，基于灰度的閾值分割技術(shù)，并結(jié)合一系列的形態(tài)學后處理，對Google Earth全色圖像進行二維數(shù)據(jù)提取，得到道路中心線.結(jié)果表明，該流程算法能準確、高效地提取高速公路.

道路提??；高速公路；遙感影像；數(shù)學形態(tài)學

0 引 言

為建立駕駛模擬器視景系統(tǒng)中的三維真實道路模型，首先要獲得道路平面數(shù)據(jù)[1].傳統(tǒng)獲得道路數(shù)據(jù)的方法主要是通過地面測量，基于遙感影像提取道路信息的研究始于20世紀70年代后期，90年代進入高速發(fā)展期[2].Wang等[3]把道路提取的方法分為基于類的方法、基于知識的方法、數(shù)學形態(tài)學、活動輪廓模型和動態(tài)規(guī)劃.Shi等[4]提出了一套完整的方法，包含4個步驟，能從光學衛(wèi)星影像中提取城市道路的中心線.Li等[5]提出了一種分層的方法來實現(xiàn)城市道路提取.Zhang等[6]基于頻譜特點分析和一致增強擴散模型提出了一種對遙感影像興趣部分的提取方法.汪夕明[7]在研究方案的基礎(chǔ)上，利用道路清晰、灰度基本一致、沒有干擾的圖像，針對道路形態(tài)特點，對縱橫道路選取數(shù)學形態(tài)學和模板匹配方法，多方向道路選取活動輪廓模型、脈沖耦合神經(jīng)網(wǎng)絡(luò)、支持向量機和模糊 C 均值方法進行研究，根據(jù)圖像的性質(zhì)設(shè)計了不同的操作流程和一系列實驗，完成了對不同圖像的道路提取.Chaudhuri 等[8]提出了一種可變結(jié)構(gòu)元素的形態(tài)學算法，并針對高分辨率遙感影像中城市道路特征，提出了包括圖像增強、圖像分割、孔洞填充、面積濾波、長度濾波、去除分支、段鏈接一系列處理流程，實現(xiàn)了半自動道路提取.

其中存在的主要問題可歸納如下：自動道路提取可以在節(jié)省時間和精力的同時構(gòu)建并更新道路空間數(shù)據(jù)庫，然而完全自動化的算法在準確性上尚有欠缺，目前尚且沒有可用的全自動道路提取算法；使用高分辨率衛(wèi)星遙感影像可以獲得更高的精度，但由于噪聲和人工因素，又使計算更加復雜；國內(nèi)外多數(shù)道路提取方法都是針對城市道路，針對高速公路的很少.

針對高速公路的光譜特征和區(qū)域特征，本文采用改進的數(shù)學形態(tài)增強算法，結(jié)合基于灰度的閾值分割和多步形態(tài)學后處理，對Google Earth全色圖像進行數(shù)據(jù)處理，得到道路中心線.

1 道路平面數(shù)據(jù)檢測算法

1.1 RGB圖像轉(zhuǎn)換為灰度圖像

為簡化處理方法、加快處理速度，需要將彩色RGB的高分辨率遙感影像轉(zhuǎn)換成灰度圖像.彩色RGB圖像里每個像素有3個顏色通道，即：Red紅色、Green綠色及Blue藍色；灰度圖像中里只有2個顏色通道，即黑和白.由于人眼對色彩的敏感程度不一樣，所以降維時應該對3種顏色賦予不同的加權(quán).根據(jù)人類視覺敏感特性，人眼對綠色最為敏感，紅色次之，藍色最不敏感，對3種顏色進行加權(quán)：

Grey=0.299R+0.587G+0.114B

圖1為利用上述代碼轉(zhuǎn)化出的灰度圖像，從轉(zhuǎn)化結(jié)果中可以看出利用人眼視覺敏感特性轉(zhuǎn)化出的灰度圖像內(nèi)，各個物體分層較為明顯，根據(jù)灰度的不同人眼能夠輕易的分辨出各個物體.

圖1 高速公路G50某段RGB圖像轉(zhuǎn)換為灰度圖像

1.2 改進的數(shù)字形態(tài)學增強

圖像增強的目的在于改善圖像的視覺效果，使圖像中感興趣的部分得到增強，讓圖像的判讀變得容易，以及改善高階處理目標和背景的差距，為后續(xù)操作提供可能性[9].在道路提取中，一個效果好的圖像增強處理能夠有效地減少(或者增加)道路灰暗區(qū)域(或者明亮區(qū)域)在原圖中的亮度，與此同時能夠弱化圖像中的非目標區(qū)域.目前針對圖像增強的技術(shù)有很多，如線性空間濾波、非線性空間濾波等[10].圖像增強處理后的效果好壞，不僅與增強算法有關(guān)，還與處理的圖像特點有關(guān)[11].本文采用一種可變結(jié)構(gòu)元素的形態(tài)學的圖像增強算法，該算法針對每一個像素的領(lǐng)域特征自動選擇最優(yōu)的結(jié)構(gòu)元素，結(jié)合灰度形態(tài)學的腐蝕、膨脹及開、閉操作相互組合實現(xiàn).

形態(tài)學開操作能夠抑制比結(jié)構(gòu)元素小的明亮區(qū)域，而形態(tài)學閉操作與之相反，能夠抑制比結(jié)構(gòu)元素小的灰暗區(qū)域，因此，它們經(jīng)常被組合使用，形成形態(tài)學濾波器，起到細化圖像，消除噪聲的作用.文中改進的形態(tài)學增強算法，在結(jié)合開、閉操作形成形態(tài)學濾波器的同時，還引入了遵循遙感影像中道路方向的結(jié)構(gòu)元素.這樣處理有兩個主要目的：①先使用形態(tài)學開操作，然后在進行閉操作，這樣可以消除明亮背景的灰暗噪聲，或者消除灰暗背景的明亮噪聲；②大多數(shù)基于空間濾波的增強方法主要考慮的是目標區(qū)域及非目標像素，尤其是在較寬區(qū)域的像素，會使較寬的區(qū)域出現(xiàn)失真.相較于上述方法，根據(jù)道路特點，按照道路模板的方向，引入了帶有方向的結(jié)構(gòu)元素，由于在這個方向上道路的灰度是均勻的，所以不會造成較寬的道路區(qū)域出現(xiàn)失真，讓目標區(qū)域能很容易的被分離出來.

采用的定向形態(tài)學增強技術(shù)，關(guān)鍵在于方向結(jié)構(gòu)元素的方向的選擇.結(jié)構(gòu)元素探測的效果與其大小和形狀有關(guān)，選取4個方向(0°，45°，90°和135°方向)，大小為5(5正方形結(jié)構(gòu)元素進行探測，見表1.

表1 結(jié)構(gòu)元素

在構(gòu)建完方向結(jié)構(gòu)元素后，就可以開始進行形態(tài)學增強操作，其過程如下.

對于圖像f中的每一個像素(x,y)：

1) 計算平均灰度

d=1,…,4

2) 計算標準差

σd(x,y)=

d=1,2，3,4

3) 找出標準差σd(x,y),d=1,2，3,4的最小的方向，得到方向dmin.

4) 用方向dmin對應的結(jié)構(gòu)元素對該像素(x,y)進行腐蝕操作.

5) 將得到的圖像對比度拓展到[0,255]范圍，得到g(x,y).

對于圖像g中的每一個像素(x,y)：

6) 計算平均灰度值.

d=1,2，3,4

7) 計算標準差

σd(x,y)=

d=1,2，3,4

8) 找出標準差σd(x,y),d=1,2，3,4的最小的方向，得到方向dmin.

9) 用方向dmin對應的結(jié)構(gòu)元素對該像素(x,y)進行膨脹操作.

10) 將得到的圖像對比度拓展到[0,255]范圍，得到h(x,y).

11) 以相反的順序重復以上步驟(先膨脹后腐蝕) .圖2為高速公路G50某段增強效果.

1.3 基于灰度的閾值分割

閾值分割是一種簡單基礎(chǔ)的分割方法，因其擁有編寫方便、計算量小、處理速度快及分割準確的優(yōu)點，而受到了廣泛的使用.閾值分割的原理可表示為：通過設(shè)置灰度閾值，Matlab檢測圖像所有的像素點，并將像素點的灰度值與閾值進行比較，灰度大于或等于閾值的像素部分將會轉(zhuǎn)換成前景像素(1值)，灰度小于閾值的像素點將會轉(zhuǎn)換成背景像素(0值)，從而完成前景與背景的分割.可表示為

在Matlab中，前景像素(1值)顯示為白色，背景像素(0值)顯示為黑色，即實現(xiàn)了圖像二值化.首先應讀取定向形態(tài)學增強后的遙感影像，然后再根據(jù)經(jīng)驗與道路特征得到閾值分割的閾值.

1.4 孔洞填充

噪聲干擾造成一些地區(qū)分割后有白色小洞.提出一個簡單而有效的算法.圖像分割得到一個二進制圖像，其中道路標記為1，非道路標記為0.為填補小洞，首先將圖像反轉(zhuǎn)，即把路標記為0，非道路標記為1，并計算所有非道路的面積.然后,利用與2.5中相同的基于面積的過濾方法，刪除小區(qū)域，再反轉(zhuǎn)這張照片，便得到一張沒有白色小洞的圖片，見圖3.

圖3 孔洞填充效果

1.5 基于面積的過濾

孔洞填充后的圖像中仍有許多非道路區(qū)域為1值(顯白色)，分布在整個圖像，當?shù)缆诽崛〕蔀檠芯康闹攸c時，應該將這些部分從圖像中去除掉.因為獨立的道路區(qū)域面積相對于獨立的1值非道路區(qū)域面積大得多，所以采用了基于面積的過濾方法，利用Matlab中基于面積過濾的函數(shù)，一次性將全部孤立的1值非道路區(qū)域去除掉.

1.6 圓滑處理

若是直接對基于面積過濾后的圖像進行細化，會形成封閉小圓圈，見圖4.所以在圖像細化前必需對基于面積過濾后的圖像進行圓滑處理，用二值形態(tài)學運算解決這一問題.形態(tài)學開操作能夠抑制比結(jié)構(gòu)元素小的明亮區(qū)域，而形態(tài)學閉操作與之相反，能夠抑制比結(jié)構(gòu)元素小的灰暗區(qū)域.因此將其組合使用，形成形態(tài)學濾波器.

圖4 圓滑處理

1.7 圖像細化

為了提取出道路的中心線及方便去除細小分支，需要對道路進行細化處理.細化處理是在保持原型狀的基礎(chǔ)上，對原圖像進行一層層的剝除，直至最后只剩下反應圖像形狀的中心線為止.圖像細化可以分為迭代算法和非迭代算法，選取細化效果較好的迭代算法進行細化，流程圖見圖5.

圖5 圖像細化流程圖

1.8 去除小分支

許多小狀非道路線性結(jié)構(gòu)與主要道路相連.這些結(jié)構(gòu)的特點是一段連接到主要道路，而另一端未連接并自己延伸，同時這些結(jié)構(gòu)的長度相比主要道路的長度小得多.在細化后的圖像中，這些小結(jié)構(gòu)稱為小分支.提出了一種去除細小分支的算法，能夠準確地確定的主要道路,刪除這些小的分支，該算法的流程圖見圖6.

圖6 取出小分支算法的流程圖

圖7為去小分支前后的示意圖，由圖7可知，使用該算法進行去除小分支處理后，與主道路相連的小分支完全被出去，前景部分只留下了主道路，得到了最終提取出的道路圖像，證明了該算法的有效性.

圖7 去小分支

2 實驗結(jié)果與評價

圖8為高速公路G50某段的道路提取過程.圖8a)為從Google Earth獲取的原始圖像，首先把它轉(zhuǎn)化成灰度圖像，見圖8b).然后用5×5變化的結(jié)構(gòu)元素對圖8b)進行定向的形態(tài)學開閉運算，并加以對比度拓展，得到圖8c).相比原灰度圖像，增強后的道路部分明顯比非道路部分更加顯著，視覺上也更加直觀.再以195為閾值，對圖8c)進行閾值分割，得到圖8d).在圖8d)中，雖然能夠看出大致的道路輪廓，但還含有許多噪聲，而且道路中還存在著許多小黑點，也就是孔洞，那么就需要先進行孔洞的填充，見圖8e).為進一步過濾掉圖片中的許多小白塊，也就是孤立的噪聲，采用基于面積的過濾，設(shè)置面積閾值為10 000，得到圖8f).可以看到除了主道路外其他的前景元素都被消除，整體的過濾效果較好，道路輪廓已經(jīng)得到，但還有部分噪聲與道路連通，為了準確的提取出主道路，需要進一步的去除.圖8h)為細化后的道路，含有少數(shù)小分支，將其去除后得到最后的結(jié)果，見圖8i).

圖8 高速公路G50某段提取結(jié)果

圖9為對某交叉口進行道路提取的結(jié)果，過程與圖8相似.相比于圖8中的曲線道路，高速公路交叉口更為復雜，更加難以提取，但以此方法依然可以以相對其他算法更快的速度，比較清晰的提取該道路.從圖9e)中可以清楚的看到該交叉口的輪廓，但也不難發(fā)現(xiàn)，在細化并去除小分支后，匝道與主道路連接點處理的并不完美，匝道沒有主道路相切.另一方面，該結(jié)果還不能完整的體現(xiàn)道路重疊部分的三維層次，在建立三維實景道路模型的過程中還需要進一步的處理.

圖9 某高速公路交叉口提取結(jié)果

3 結(jié) 束 語

在充分借鑒國內(nèi)外最新相關(guān)理論技術(shù)和應用成果的基礎(chǔ)上，提出了一套針對高速公路的半自動遙感影像道路提取方法.該方法針對國內(nèi)高速公路的光譜特征和區(qū)域特征，基于Google Earth全色圖像，采取多個步驟，使用改進的數(shù)字形態(tài)學相關(guān)算法，提取道路中心線.該算法的主要步驟是:道路增強,道路分割,孔洞填充,基于面積過濾,圓滑處理,圖像細化，去除與道路段連接的細小分支.結(jié)果表明該算法高效、準確.

[1]李勛祥.基于虛擬現(xiàn)實的駕駛模擬器視景系統(tǒng)關(guān)鍵技術(shù)與藝術(shù)研究[D].武漢:武漢理工大學,2006.

[2]史文中,朱長青,王昱.從遙感影像提取道路特征的方法綜述與展望[J].測繪學報,2001,30(3):257-262.

[3]WANG W X, YANG N, ZHANG Y, et al. A review of road extraction from remote sensing images[J]. Journal of Traffic and Transportation Engineering,2016,3(3):271-282.

[4]SHI W Z, MIAO Z L, JOHAN D. 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):3359-3372.

[5]LI M M, ALFRED S, WIETSKE B,et al. Region-based urban road extraction from VHR satellite images using binary partition tree[J]. International Journal of Applied Earth Observation and Geoinformation,2016,44,217-225.

[6]ZHANG L B, WANG Y, LI X W, et al. Region of interest extraction based on spectrum saliency analysis and coherence enhancing diffusion model in remote sensing images[J]. Neurocomputing,2016,207:630-644.

[7]汪夕明.遙感影像道路提取方法研究與實現(xiàn)[D].北京:清華大學,2011.

[8]CHAUDHURI D, KUSHWAHA N K, SAMAL A. Semi-automated road detection from high resolution satellite images by directional morphological enhancement and segmentation techniques[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2012,5(5):1538-1544.

[9]王雙.高分辨率遙感影像道路提取方法研究[D].南京:南京理工大學,2014.

[10]左娟.基于數(shù)學形態(tài)學的高分辨率遙感影像城市道路提取[D].南昌:江西理工大學,2009.

[11]高木娟.基于數(shù)學形態(tài)學及紋理特征的QuickBird影像道路分割技術(shù)研究[D].長春:東北師范大學,2007.

Highway Road Extraction from Remote Sensing Image Based on Mathematical Morphology

NIE Linzhen TU Shengcai HOU Xianjun

(School of Automotive Enginnring,Wuhan University of Technology, Wuhan 430070, China)

Based on the spectral characteristics and regional characteristics of the highway, this paper proposes a method to extract the center line of the highway from remote sensing image. The method includes the improved mathematical morphological enhancement algorithm, threshold segmentation technique based on the gray-level. Besides, it is combined with a series of morphological post processing and extracts the road centerline of road from Google Earth panchromatic image. The results show that the process algorithm can accurately and efficiently extract the highway.

road extraction; highway; remote sensing; mathematical morphology

2017-04-06

*國家自然科學基金項目資助(51405359)

P237

10.3963/j.issn.2095-3844.2017.03.007

聶琳真(1986—)：女，博士，副教授，主要研究領(lǐng)域為汽車智能化、駕駛行為、虛擬現(xiàn)實