魏國武，王 琦，張陽陽，陳永生

(1. 遼寧地質(zhì)工程職業(yè)學(xué)院，遼寧 丹東 118008； 2. 東北大學(xué)資源與土木工程學(xué)院，遼寧 沈陽 110819)

道路綜合特征下高分辨率遙感影像的提取

魏國武1，王 琦2，張陽陽2，陳永生2

(1. 遼寧地質(zhì)工程職業(yè)學(xué)院，遼寧 丹東 118008； 2. 東北大學(xué)資源與土木工程學(xué)院，遼寧 沈陽 110819)

針對(duì)在高分辨率遙感影像中如何提高道路信息提取的準(zhǔn)確度和信息量這一問題，通過對(duì)影像光譜和紋理特征的分析，將影像特征按照2種光譜特征和3種紋理特征進(jìn)行分類，進(jìn)而改善傳統(tǒng)的圖像分割方法，選擇灰度級(jí)數(shù)和像素對(duì)的相對(duì)方向、距離和窗口大小作為參數(shù)，再通過灰度共生矩陣運(yùn)算獲取影像的紋理信息，通過對(duì)這些紋理特征的綜合比較分析，最后確定角二階矩、熵和對(duì)比度作為道路紋理特征統(tǒng)計(jì)量；再通過對(duì)圖像像元分析比較，將圖像像元標(biāo)準(zhǔn)差和灰度均值作為道路信息提取的光譜特征；在對(duì)道路綜合特征分析基礎(chǔ)上，再通過對(duì)遙感圖像幾何特征分析，最后利用數(shù)學(xué)形態(tài)學(xué)的開運(yùn)算、閉運(yùn)算、腐蝕、細(xì)化等模型算法對(duì)遙感圖像進(jìn)行精細(xì)化處理，得到道路提取較好的結(jié)果。該方法可用于復(fù)雜路況的道路信息提取。

高分辨率遙感影像；紋理特征；光譜特征；數(shù)學(xué)形態(tài)學(xué)；道路提取

隨著空間技術(shù)、傳感器技術(shù)和計(jì)算機(jī)技術(shù)的快速發(fā)展，高分辨率遙感影像開始廣泛應(yīng)用于城市地理信息系統(tǒng)的更新，對(duì)高分辨率遙感影像道路網(wǎng)的自動(dòng)提取一直是遙感影像數(shù)據(jù)應(yīng)用的研究熱點(diǎn)。隨著我國高分遙感影像數(shù)據(jù)分辨率的不斷提高，遙感影像的廣泛深入應(yīng)用更是迫在眉睫，對(duì)海量圖像數(shù)據(jù)的認(rèn)知、解釋和自動(dòng)處理成為社會(huì)信息化過程中面臨的重要技術(shù)問題。尤其隨著我國城鎮(zhèn)化速度的加快，有關(guān)城市道路的各種地理信息及時(shí)更新也成為城市發(fā)展、用地、經(jīng)濟(jì)活動(dòng)等內(nèi)容的重要經(jīng)濟(jì)技術(shù)指標(biāo)。及時(shí)更新城鎮(zhèn)道路網(wǎng)信息對(duì)城市的宏觀管理、交通運(yùn)輸、城鎮(zhèn)規(guī)劃、人們出行電子導(dǎo)航、應(yīng)急事務(wù)處理等具有非常重要的意義。然而隨著高分遙感影像信息量的不斷豐富，遙感影像椒鹽噪聲的干擾也隨之增加，這給道路信息的提取增加了難度。

本文項(xiàng)目數(shù)據(jù)采用分辨率為1 m的2014年9月沈陽市QuickBird遙感影像，處理軟件選用ENVI 5.1，數(shù)值計(jì)算及可視化軟件選用Matlab 2012。

1 道路提取方法

該方法首先進(jìn)行圖像預(yù)處理，其次利用改進(jìn)的K-均值圖像分割方法得到二值化圖像，然后利用數(shù)學(xué)形態(tài)學(xué)原理與圖像幾何特征對(duì)二值化圖像進(jìn)行形態(tài)處理，得到最終的道路中心線，最后將提取的道路中心線與原始影像疊加進(jìn)行精度評(píng)定。

1.1 圖像預(yù)處理

1.1.1 圖像濾波

圖像預(yù)處理主要是對(duì)圖像進(jìn)行增強(qiáng)和去云霧處理，以去除不相關(guān)噪聲，提高圖像質(zhì)量突出所需信息，有利于分析判讀作進(jìn)一步處理。本文數(shù)據(jù)為2014年9月采集的沈陽市QuickBird遙感影像，分辨率為1 m，無需云霧處理。圖像增強(qiáng)方法有多種，包括空間濾波、彩色變換、圖像運(yùn)算、多光譜變換等，但具體方法要結(jié)合具體的試驗(yàn)圖像數(shù)據(jù)需要選擇。本文經(jīng)過試驗(yàn)對(duì)比分析,采用形態(tài)學(xué)開閉濾波器對(duì)試驗(yàn)圖像進(jìn)行去噪處理。形態(tài)學(xué)開運(yùn)算能夠去除比結(jié)構(gòu)元素小的亮噪聲，閉運(yùn)算能夠去除比結(jié)構(gòu)元素小的暗噪聲。試驗(yàn)結(jié)果表明，在選擇合適的結(jié)構(gòu)元素的情況下，形態(tài)學(xué)開閉濾波器比均值濾波和中值濾波去除噪聲效果較好。如圖1、圖2所示。

圖1 遙感圖像濾波

圖2 形態(tài)學(xué)開閉濾波結(jié)果

1.1.2 圖像灰度處理

為使項(xiàng)目獲得的彩色遙感圖像的紋理特征后續(xù)能繼續(xù)進(jìn)行分割處理，需將彩色圖像轉(zhuǎn)換成灰度圖像。即將24位彩色圖像用RGB數(shù)模中3個(gè)通道分別進(jìn)行描述。本文利用Matlab作為工具將圖2(a)彩色圖像轉(zhuǎn)換為灰度影像，如圖3所示。

g=0.3R+0.59G+0.11B

(1)

圖3 加權(quán)法轉(zhuǎn)換后灰度圖像

1.2 基于綜合特征的圖像數(shù)據(jù)分割

1.2.1 基于灰度共生矩陣模型的紋理特征量選擇

Ohanian通過大量試驗(yàn)比較分析得出一些可在圖像數(shù)據(jù)處理時(shí)參照使用的有益結(jié)論，并給出了幾種紋理測量技術(shù)的比較結(jié)果，光譜方法和灰度游程長度法的紋理特征測量技術(shù)效果遠(yuǎn)不如灰度共生矩陣法。另外從統(tǒng)計(jì)特征的角度來講，分?jǐn)?shù)維、馬爾科夫模型及Gabor濾波器特性均不如灰度共生矩陣優(yōu)越。因此，本文選取灰度共生矩陣法對(duì)遙感圖像相關(guān)紋理特征進(jìn)行提取。

可從灰度共生矩陣上計(jì)算出的二階統(tǒng)計(jì)函數(shù)一共有14個(gè)，這是由Haralick等定義的，即二階矩(能量)、熵、對(duì)比度、相關(guān)性、方差、均勻性、密度、粗糙度、規(guī)則性、直線性、方向性、頻率、相位等，這些信息從不同方面反映了影像的灰度分布、紋理粗細(xì)度等信息量，但它們并非獨(dú)立存在，如密度不獨(dú)立于頻率，方向性只用于方向性紋理。通過試驗(yàn)和資料分析，對(duì)比度、相關(guān)性、二階矩、熵、均勻性5種統(tǒng)計(jì)量反映遙感圖像特征的效果最好，具體如下。

(1) 能量(二階矩)可表示為

(2)

二階矩也稱為能量，是灰度共生矩陣各元素平方和，可用來探測灰度均勻分布的程度和圖像紋理粗細(xì)度。f1小說明圖像紋理細(xì)，能量?。籪1大說明紋理粗，能量大。

(2) 對(duì)比度(慣性矩)可表示為

(3)

通過對(duì)比度可知，圖像效果模糊，即紋理溝紋淺的對(duì)比度?。环粗?，紋理溝紋深的對(duì)比度越大，圖像效果越清晰。從這個(gè)以意義上來說對(duì)比度反映的是圖像的清晰度。

(3) 相關(guān)性可表示為

(4)

(4) 熵可表示為

(5)

在遙感圖像數(shù)據(jù)處理中，若紋理復(fù)雜，共生矩陣中元素大小差異就小，熵就具有較大值；若圖像灰度均勻，共生矩陣中元素大小差異就大，熵就具有較小值。因此，熵反映了遙感圖像中紋理的復(fù)雜程度或非均勻度。

(5) 均勻性可表示為

(6)

均勻性即局部平穩(wěn)性，是度量圖像紋理局部變化的多少。

通過獲取遙感圖像的特征矢量說明上述所討論的問題。首先選取像元距離d為1，窗口大小為5×5像素，并在4個(gè)方向取均值。在遙感圖像上對(duì)紋理特征各參數(shù)進(jìn)行統(tǒng)計(jì)分析，根據(jù)項(xiàng)目研究目標(biāo)，選取房屋、裸地、綠地、道路典型樣本進(jìn)行數(shù)據(jù)處理并分析，數(shù)據(jù)整理結(jié)果見表1，根據(jù)數(shù)據(jù)處理結(jié)果繪制的紋理特征參數(shù)對(duì)比圖如圖4所示。

表1 典型地物紋理特征參數(shù)

圖4 典型地物紋理特征參數(shù)對(duì)比

從表1和圖4可以看出，道路地物的紋理特征與非道路地物的紋理特征在相關(guān)性和均勻性方面差異比較小，但道路地物與非道路地物在角二階矩和熵所反映的地物紋理特征差異較大；另外，道路地物與非道路地物在對(duì)比度方面所反映出來的差異也比較大。說明反應(yīng)明顯的是角二階矩和熵及對(duì)比度，運(yùn)用這幾項(xiàng)紋理特征參數(shù)進(jìn)行道路目標(biāo)的提取是可行的。

1.2.2 光譜特征選取

在遙感數(shù)據(jù)圖像數(shù)據(jù)處理中，光譜特征的提取主要是基于圖像光譜的統(tǒng)計(jì)特征、地學(xué)特征及地物光譜曲線特征等信息。在對(duì)遙感影像數(shù)據(jù)進(jìn)行地物信息提取時(shí)，比較常用的有一階統(tǒng)計(jì)量灰度的均值、二階統(tǒng)計(jì)量方差與標(biāo)準(zhǔn)差等方法。根據(jù)大量研究結(jié)果和相關(guān)文獻(xiàn)介紹，遙感圖像的模式識(shí)別過程中為了能對(duì)地物信息特征充分有效地提取，在數(shù)據(jù)處理時(shí)既要使用一階統(tǒng)計(jì)特征量，也要充分利用二階統(tǒng)計(jì)特征量，進(jìn)而提高圖像的分類精度。這也是本文研究選擇均值與標(biāo)準(zhǔn)差作為光譜特征量的主要原因。

1.2.3 基于道路紋理與光譜特征的圖像分割

(7)

獲得每個(gè)像元的特征向量后，將光譜特征和紋理特征相似區(qū)域歸類為同類區(qū)域，然后利用改進(jìn)后的K-均值聚類算法進(jìn)行分析，進(jìn)一步進(jìn)行數(shù)據(jù)處理，即對(duì)同類區(qū)域中的異類區(qū)域進(jìn)行分割提取去除，以便獲得最佳的圖像道路分割結(jié)果。分割過程如圖5所示。

圖5 圖像分割流程

根據(jù)前述數(shù)據(jù)處理方法獲得取的遙感圖像分割提取處理結(jié)果如圖6所示。

圖6 基于紋理特征和光譜綜合特征的圖像分割結(jié)果

從圖6中可以看出，同時(shí)考慮紋理特征和光譜特征的道路圖像分割結(jié)果基本上將道路與周圍地物比較清楚地分割出來，基本避免了遙感圖像誤分割和漏分割現(xiàn)象。

1.3 基于數(shù)學(xué)形態(tài)學(xué)方法與道路形狀特征剔除干擾圖斑

按照上述方法對(duì)圖像進(jìn)行道路地物分割時(shí)，當(dāng)某類地物的光譜特征和紋理特征與道路的紋理特征和光譜特征相同或十分相似時(shí)，就會(huì)產(chǎn)生某種程度的連接，進(jìn)而導(dǎo)致不能進(jìn)行完全分割。如城市主干道路旁邊的樓房屋頂與道路的紋理特征和光譜特征十分相似，在這類地區(qū)按照上述方法進(jìn)行圖像道路信息分割時(shí)，往往會(huì)使非道路圖斑不能徹底去除，從而造成在獲得的道路圖像上會(huì)遺留一部分非道路圖斑。針對(duì)該現(xiàn)象，本文首先利用形態(tài)開運(yùn)算分離出道路與非道路圖斑，再利用圖像幾何特征中的面積與長寬比進(jìn)行分析，根據(jù)圖像特征選擇尺寸合適的面積與長寬比參數(shù)，在Matlab軟件中對(duì)圖像進(jìn)行處理，最后得到去除全部噪聲圖斑的道路圖像。運(yùn)算結(jié)果如圖7所示。

圖7 圖斑去除效果

1.4 基于數(shù)學(xué)形態(tài)學(xué)剔除道路干擾圖斑

通過綜合特征方法和數(shù)學(xué)形態(tài)學(xué)算法進(jìn)行道路信息提取和去斑后，即可把道路的基本輪廓提取出來，但提取出的圖像道路信息在道路中心存在孔洞，在道路邊緣存在毛刺，甚至出現(xiàn)道路截?cái)喱F(xiàn)象等。為解決這些不足，首先基于形態(tài)學(xué)閉運(yùn)算連接斷線道路，填充道路孔洞(如圖8所示)，然后利用形態(tài)學(xué)細(xì)化方法去掉毛刺提取道路中心線，這樣道路信息完善后即可根據(jù)道路中心線的提取結(jié)果形成矢量化路網(wǎng)。然后還要進(jìn)一步對(duì)道路網(wǎng)信息進(jìn)行形態(tài)細(xì)化，以獲得具有一個(gè)像素寬度的完整的道路中心線道路網(wǎng)信息圖像，經(jīng)形態(tài)細(xì)化后的道路圖像結(jié)果如圖9所示，最終得到矢量化的地理信息并添加到數(shù)據(jù)庫中。

圖8 道路連接并填充空洞

圖9 道路細(xì)化成果

1.5 提取成果檢核

為檢驗(yàn)所提取道路信息網(wǎng)絡(luò)的準(zhǔn)確性，筆者將提取的目標(biāo)和道路的中心線與原始遙感圖像進(jìn)行疊加，如圖10所示，可以看出提取的道路目標(biāo)位置及中心線與原始道路目標(biāo)位置和方向都有較好的吻合效果。

圖10 疊加結(jié)果

2 結(jié) 語

本文首先綜合使用圖像紋理信息和光譜特征，然后結(jié)合圖像幾何特征及道路連續(xù)性，再輔以數(shù)學(xué)形態(tài)學(xué)算法及其精細(xì)化算法處理，最后運(yùn)用改進(jìn)的K-均值聚類對(duì)圖像進(jìn)行分割，提高了圖像分割的效果，可快速利用圖斑面積等特征去除非道路圖斑，進(jìn)而得到比較完善的道路網(wǎng)信息提取結(jié)果。該方法可用于路況比較復(fù)雜地區(qū)道路網(wǎng)信息的提取。

[1] GUERRERO J. Tutorial III：Image Processing and Analysis with Matlab[C]∥Proceedings of International Conference on Electrical,Communications,and Computers.Cholula:IEEE,2009.

[2] 董立菊,于戈.一種有效的圖像二值化方法[J].東北大學(xué)學(xué)報(bào),2004,25(12):1149-1152.

[3] 王大鵬, 姜挺. 基于模糊算子理論的道路半自動(dòng)提取[J],測繪科學(xué)技術(shù)學(xué)報(bào),2004, 21(3):187-189.

[4] HARALICK R M,SHANMYGAM K, DINSTEIN I H. Textual Features for Image Classification[J]. IEEE Transactions on Systems,Man and Cybernetics, 1973，3(6):610-621.

[5] OHANIAN P P, DUBES R C. Performance Evaluation for Four Classes of Texture Features[J]. Pattern Recognition, 1992, 25(8)：819-833.

[6] HARALICK R M. Statistical and Structural Approaches to Texture[J]. Proceeding of the IEEE, 1979，67(5):768-804.

[7] BARALDI A,PAMIGGIANI F.An Investigation of Textural Characteristics Associated with Gray Level Co-occurrence Matrix Statistical Parameters[J]. IEEE Transactions on Geoscience and Remote Sensing, 1995,33(2):293-304.

[8] MA Hongbin，ZHANG Cun, YANG Shengfei, et al. Object-oriented Information Extraction from High Resolution Remote Sensing Imagery[C]∥Proceedings of 2nd International Congress on Image and Signal Processing. Tianjin:IEEE,2009.

[9] MANJUNATH B S, MA W Y. Texture Features for Browsing and Retrieval of Image Data[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1996,18(8)：837-842.

[10] 袁方, 孟增輝, 于戈. 對(duì) K-means 聚類算法的改進(jìn)[J].計(jì)算機(jī)工程與應(yīng)用, 2004，40(36)：177-178.

[11] 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．

[12] 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].測繪通報(bào)，2012(S0):1-4.

[13] 楊志剛，張世奇.高分辨率遙感影像下線特征提取方法比較[J].測繪通報(bào)，2015(8):66-69.

[14] 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.

[15] 胡張武.高分辨率遙感影像道路信息提取方法研究[J].測繪通報(bào),2011(8):13-16.

[16] 胡華龍，吳冰，黃邵美.結(jié)合Gabor紋理與幾何特征的高分辨率遙感影像城區(qū)道路提取方法[J].測繪科學(xué)技術(shù)學(xué)報(bào)，2015,32(4)：395-400.

[17] 夏春林，張靜，褚廷有.基于高分辨率城區(qū)遙感影像的道路半自動(dòng)提取方法研究[J].測繪科學(xué)，2008，33(5)：140-142.

The Extraction Method of High Resolution Remote Sensing Image Based on Road Comprehensive Feature

WEI Guowu1,WANG Qi2,ZHANG Yangyang2,CHEN Yongsheng2

(1. Liaoning Geology Engineering Vocational College, Dandong 118008,China;2. School of Resources and Civil Engeering, Northeastern University, Shenyang 110819,China)

Aimed at improving roads in high resolution remote sensing image information extraction accuracy and the amount of information， this paper focuses on improving the image from the segmentation, and introduces texture and spectral characteristics of the image. An image clustering segmentation method based on combined features is proposed. We divide integrated features into three kinds of texture features and spectral characteristics.By selecting the size of the window from the gray levels and the relative orientation of the pixels on the four parameters, gray level dependence matrix extracts image texture features, after contrast five kinds of suitable texture characteristics for remote sensing image, this paper chooses contrast, angle second order moment and entropy as the texture characteristics, and chooses average gray image pixel and standard deviation as spectral features. Finally, based on segmentation image, which segmented by the comprehensive features of road, using image geometric characteristics and mathematical morphology such as open operation, corrosion, closed operation, refined, and the image processing algorithm to get the final road extraction results. The experimental results show that the method can be used to complex road information extraction.

high-resolution remote sensing images; the texture characteristics; spectral features; mathematical morphology; road extraction

魏國武,王琦,張陽陽,等.道路綜合特征下高分辨率遙感影像的提取[J].測繪通報(bào)，2017(8)：31-35.

10.13474/j.cnki.11-2246.2017.0249.

2016-12-19

國家自然科學(xué)基金青年項(xiàng)目(41104104)

魏國武(1966—)，男，教授，主要研究方向?yàn)閿z影測量與遙感技術(shù)在工程測量中的應(yīng)用。E-mail: neu_mhb@163.com

P237

A

0494-0911(2017)08-0031-05