連仁包，王衛(wèi)星，李 娟

1. 福州大學(xué)物理與信息工程學(xué)院，福建 福州 360018； 2. 福建江夏學(xué)院電子信息科學(xué)學(xué)院，福建 福州 360018

隨著遙感技術(shù)的發(fā)展，遙感圖像的空間分辨率越來越高，為人們的生產(chǎn)生活帶來了更多的應(yīng)用，亞米級(jí)以上分辨率的遙感數(shù)據(jù)已經(jīng)成為目前主流的消費(fèi)指標(biāo)[1]，而遙感圖像中的道路提取是其重要的一類應(yīng)用。但高分辨率遙感圖像同時(shí)也帶來了更多的干擾信息，對(duì)機(jī)器自動(dòng)識(shí)別地面目標(biāo)提出了更高的挑戰(zhàn)[2]。對(duì)于道路識(shí)別而言，在中低分辨率的遙感圖像中，道路目標(biāo)呈現(xiàn)為線狀或細(xì)條狀的特征，之前以該特征為道路模型提出了一系列算法，但這些算法在高分辨率影像中幾乎都不再適用，因此研究高分辨率遙感圖像的道路提取算法成為目前的研究熱點(diǎn)[3]。

根據(jù)人工干預(yù)的程度，可以將遙感道路提取分為人工提取、半自動(dòng)提取和自動(dòng)提取[4]。自動(dòng)道路提取，可以分為識(shí)別、測(cè)量、校驗(yàn)3個(gè)步驟，由于遙感圖像中存在大量異物同譜的現(xiàn)象[5]，讓計(jì)算機(jī)自動(dòng)識(shí)別和校驗(yàn)道路目標(biāo)存在很大的困難。目前比較現(xiàn)實(shí)的算法是半自動(dòng)算法，該類算法充分利用了人工的識(shí)別、檢驗(yàn)?zāi)芰陀?jì)算機(jī)的精確定位能力，以確保在較快的速度下提取可靠的道路信息[6]。目前，研究人員已經(jīng)提出多種較為有效的半自動(dòng)道路提取算法。常見的有以下幾種：活動(dòng)輪廓模型法[7-12]、紋理與形狀特征法[13-14]、最短路徑法[2，15]、模板匹配法[16-20]、概率統(tǒng)計(jì)法[21-22]等。文獻(xiàn)[3]提出了一種平行角紋理跟蹤算法，其本質(zhì)是一種矩形模板算法。該算法充分利用道路基元的紋理特征來克服陰影和車輛遮擋對(duì)道路提取的不利影響，具有較高的穩(wěn)健性，但該算法無法應(yīng)對(duì)道路寬度和角度急劇變化的情況。文獻(xiàn)[16]提出一種最小二乘相關(guān)匹配的矩形模版算法，對(duì)彎曲道路具有一定的適應(yīng)性，但對(duì)人工初始種子比較敏感。文獻(xiàn)[19]提出了一種曲折道路自動(dòng)追蹤的算法，將二維的像素灰度匹配轉(zhuǎn)換為一維的區(qū)域灰度特征匹配，提高了模板匹配效率，同時(shí)較好地解決了道路方向突變的問題，但該算法過度依賴圖像灰度信息，無法應(yīng)對(duì)異物噪聲干擾問題。文獻(xiàn)[20]提出了一種圓形模板匹配算法。該算法結(jié)合圖像灰度和形態(tài)學(xué)梯度信息，采用迭代內(nèi)插的方法搜尋最優(yōu)道路中心點(diǎn)，算法效率較高。但該算法也存在諸多問題，比如模板尺寸需要人工設(shè)定、搜索中心點(diǎn)過程中容易受到道路兩邊平滑區(qū)域的干擾，中心點(diǎn)的概率估計(jì)需要人為設(shè)定過多參數(shù)，且參數(shù)的比重難以估計(jì)等。本文提出了一種改進(jìn)的圓形模板匹配算法。該算法基于改進(jìn)的局部形態(tài)學(xué)梯度圖自動(dòng)計(jì)算模板尺寸，利用道路顯著圖和幾何形狀信息搜索道路中心點(diǎn)，克服了道路兩側(cè)的平滑區(qū)域?qū)Φ缆分行狞c(diǎn)搜索的干擾，且所需人工設(shè)定的參數(shù)更少，參數(shù)更具直觀的物理意義，提高了算法的適應(yīng)性和實(shí)用性。

1 道路提取算法

1.1 高分辨遙感道路特征

在高分辨率遙感圖像中，道路具有明顯特征：①道路的幾何形狀表現(xiàn)為一條帶狀目標(biāo)；②道路表面的灰度具有較高的一致性，且與道路兩旁的目標(biāo)具有較強(qiáng)的反差，但不同傳感器拍攝的圖像可能呈現(xiàn)截然不同的光譜特性，此特性對(duì)某些道路識(shí)別算法(特別是基于機(jī)器學(xué)習(xí)的算法)會(huì)帶來困擾[23]，本文在試驗(yàn)部分對(duì)該問題給出了闡述；③道路的幾何形狀多變，城市道路段一般是直線或者以一定角度緩慢變化的平滑曲線，但鄉(xiāng)村道路可能呈現(xiàn)較大的彎度突變；④城市道路更容易受到噪聲干擾，即城市道路常因建筑物陰影、車輛和行道樹覆蓋等噪聲而使道路灰度突變，而鄉(xiāng)村道路干擾噪聲相對(duì)較少。

1.2 改進(jìn)的局部形態(tài)學(xué)梯度圖

為了自動(dòng)計(jì)算圓形模板的尺寸，本文引入了一種改進(jìn)的局部形態(tài)學(xué)梯度圖。形態(tài)學(xué)梯度算子是一種非線性差分邊緣檢測(cè)算子，利用結(jié)構(gòu)算子E(s,t)對(duì)灰度圖像G(x,y)進(jìn)行形態(tài)學(xué)膨脹、腐蝕、開運(yùn)算、閉運(yùn)算等操作(式(1)—(4))。傳統(tǒng)的形態(tài)學(xué)梯度=膨脹-腐蝕，如文獻(xiàn)[20]的做法。本文采用改進(jìn)的形態(tài)學(xué)梯度算法[24]，如式(5)所示，具有更好的性能，使得平滑區(qū)域響應(yīng)更低，同時(shí)增強(qiáng)了邊緣信息，如圖1所示。圖1(a)為原始圖像，比較圖1(b)與圖1(c)的效果，可以發(fā)現(xiàn)改進(jìn)的梯度圖假邊緣信息更少，同時(shí)提升了邊緣的強(qiáng)度，使本文后續(xù)的模板尺寸自動(dòng)估算更精確。

圖1 改進(jìn)與傳統(tǒng)的形態(tài)學(xué)梯度圖效果對(duì)比Fig.1 Comparison with traditional morphological gradient

(1)

G⊙E(x,y)=max{G(x-s,y-t)+E(s,t)}

(2)

G°E=(G⊙E)⊕E

(3)

G·E=(G⊕E)⊙E

(4)

Eg=(G°E)⊕E-(G·E)⊙E

(5)

NEg(x,y)=Eg(x,y)/max(Eg)

(6)

形態(tài)學(xué)梯度圖的計(jì)算復(fù)雜度較大，一張N×N的圖像，使用M×M的結(jié)構(gòu)算子，式(5)的計(jì)算量為7×M2×N2，而工業(yè)生產(chǎn)中，道路矢量化的圖像尺寸一般是5000×5000像素(按0.5 m分辨率的航拍圖像6.25 km2的圖幅計(jì))，計(jì)算全圖的形態(tài)學(xué)梯度圖效率極低。在本文算法中，形態(tài)學(xué)梯度圖僅用于計(jì)算每次提取的初始模板尺寸。為此本文提出局部形態(tài)學(xué)梯度圖的概念，即以用戶初始種子點(diǎn)為中心，截取一小片方形子圖，按式(5)計(jì)算子圖的形態(tài)學(xué)梯度圖。為方便自動(dòng)計(jì)算圓形模板半徑，本文對(duì)形態(tài)學(xué)梯度圖進(jìn)行了歸一化處理，如式(6)所示，后文提到的形態(tài)學(xué)梯度值均為歸一化的值。

1.3 自適應(yīng)模板生成

圓形模板匹配主要依靠模板內(nèi)的局部灰度信息來識(shí)別道路位置，模板尺寸太小或太大均不利于道路中心位置的精確定位，合理的模板直徑應(yīng)約等于道路的寬度。本文利用改進(jìn)的局部形態(tài)學(xué)梯度圖，自動(dòng)估算模板半徑，同時(shí)自動(dòng)將人工種子點(diǎn)調(diào)整到道路中心位置。首先人工粗略地在道路區(qū)域選取一個(gè)種子點(diǎn)，算法生成局部形態(tài)學(xué)梯度圖，然后以種子點(diǎn)附近一定范圍內(nèi)(范圍大小可以根據(jù)圖像分辨率自動(dòng)設(shè)定)的每個(gè)像素為圓心，生成半徑為一個(gè)像素的等大圓形模板，記錄所有模板投影內(nèi)的形態(tài)學(xué)梯度值之和(簡(jiǎn)稱梯度和)的最小值，然后半徑增加一個(gè)像素，重復(fù)以上步驟。經(jīng)過對(duì)大量圖片的試驗(yàn)發(fā)現(xiàn)，當(dāng)梯度和最小值剛超過半徑值的模板為最佳模板。其原理為,路面灰度具有較高的一致性，在梯度圖中呈現(xiàn)為黑色區(qū)域，而道路兩旁的其他目標(biāo)與路面灰度具有較大的反差，在梯度圖中呈現(xiàn)為強(qiáng)烈的邊緣，當(dāng)不斷擴(kuò)大的模板碰到邊緣信息后，梯度和的值將會(huì)出現(xiàn)急劇的增大，很容易超過半徑值。圖2顯示了某次模板自動(dòng)生成過程，其中圖2(a)為人工選擇的道路種子點(diǎn)，圖2 (b)為自動(dòng)生成的圓形模板，圖2(c)顯示了半徑與梯度和的關(guān)聯(lián)關(guān)系?？梢园l(fā)現(xiàn)當(dāng)半徑為8時(shí)，梯度和發(fā)生了劇烈的變化，因此取8為最佳半徑。

圖2 模板尺寸自動(dòng)估計(jì)原理Fig.2 The principle of automatic estimation of template size

自適應(yīng)模板生成算法的步驟如下：

輸入：

歸一化局部形態(tài)學(xué)梯度圖，初始道路種子點(diǎn)。

處理：

步驟1——初始化模板半徑為1。

步驟2——以種子點(diǎn)附近鄰域的每個(gè)像素為圓心，計(jì)算每個(gè)模板內(nèi)的形態(tài)學(xué)梯度的累計(jì)值。

步驟3——獲取所有梯度累計(jì)值的最小值，如果梯度值累計(jì)值小于半徑，則半徑長(zhǎng)度增加1個(gè)像素，轉(zhuǎn)到步驟2，否則轉(zhuǎn)到步驟4。

步驟4——記錄當(dāng)前的模板半徑和模板中心坐標(biāo)。

輸出：

模板半徑和模板中心坐標(biāo)。

1.4 改進(jìn)的顯著圖

為了搜索道路中心點(diǎn)，本文定義如式(7) 所示的顯著圖。該顯著圖改進(jìn)自文獻(xiàn)[2]，其中，avg(template)為最佳模板內(nèi)的圖像灰度平均值，因此顯著圖信息不再依賴于道路上的某個(gè)點(diǎn)的灰度，使得顯著圖信息更加穩(wěn)定可靠。原圖中與道路目標(biāo)灰度相似的區(qū)域在顯著圖中具有更低的灰度值，如圖3(b)所示。顯著圖中灰度越低的區(qū)域，屬于道路目標(biāo)的概率越大，為算法后續(xù)的迭代內(nèi)插道路中心點(diǎn)搜索提供了更加精確的概率估計(jì)。

W(x,y)=|G(x,y)-avg(template)|

(7)

圖3 道路顯著圖Fig.3 Saliency map of road

1.5 中間點(diǎn)搜索算法

道路一般是直線或者緩慢變化的光滑曲線，而光滑曲線可以用直線段無限逼近，因此本文沿用并改進(jìn)了文獻(xiàn)[20]的迭代內(nèi)插道路中間點(diǎn)搜索方案。首先種子點(diǎn)按用戶點(diǎn)擊順序排列，連接每對(duì)相鄰種子，在連接線的中垂線上搜尋最優(yōu)的道路中心點(diǎn)，然后將該道路中心點(diǎn)視為新的人工種子點(diǎn)，重新搜索每對(duì)種子點(diǎn)間的最優(yōu)道路中心點(diǎn)，直到所有相鄰種子點(diǎn)的歐氏距離小于指定閥值為止，最后用直線段連接所有種子點(diǎn)，如圖4所示。

圖4 中間點(diǎn)搜索示意圖Fig.4 Illustration of midpoint search

最優(yōu)道路中心點(diǎn)的判定如式(8)—(12)所示，其中W為顯著圖，PL為中垂線，a、b為比例參數(shù)。

WSTD=avg{W(x,y)|x,y∈初始種子模板內(nèi)的坐標(biāo)}

(8)

Wi=avg{W(xi,yi)|xi,yi∈中垂線上第i個(gè)模板內(nèi)的坐標(biāo)}

(9)

Wmax=max{|Wi-WSTD|i為中垂線上的模板編號(hào)}

(10)

(11)

(12)

參數(shù)a、b在公式中具有明顯的物理意義，即增大a表示目標(biāo)之間的灰度相似更重要，增大b表示最佳道路中心點(diǎn)應(yīng)更靠近首尾種子點(diǎn)的連線上。參數(shù)b有兩個(gè)作用：第1，避免兩條距離較近的道路在提取中間點(diǎn)的時(shí)候“串道”；第2，增加參數(shù)b的值，可以有效解決車輛、行道樹、建筑物陰影等產(chǎn)生的干擾問題。算法的具體步驟如下：

輸入：

種子點(diǎn)序列pts，顯著圖W，參數(shù)a、b，模板半徑r，中間點(diǎn)間距閥值d。

處理：

步驟1——根據(jù)式(8)統(tǒng)計(jì)WSTD，設(shè)p1、p2為序列pts第1、第2個(gè)種子點(diǎn)。

步驟2——計(jì)算p1p2連線的中點(diǎn)p0及p1p2的歐氏距離L，并更新種子點(diǎn)間距的最大值。

步驟3——在p1p2的中垂線上[-L/2～L/2]的范圍內(nèi)移動(dòng)p0的坐標(biāo)，按式(9)計(jì)算L個(gè)測(cè)試模板內(nèi)顯著圖平均值Wi，并計(jì)算對(duì)應(yīng)的L個(gè)中心夾角θi=∠p1p0p2。

步驟4——按式(10)計(jì)算L個(gè)測(cè)試模板的顯著圖差異最大值Wmax。

步驟5——按式(11)計(jì)算L個(gè)測(cè)試模板的似然概率fi。

步驟6——取L個(gè)測(cè)試模板的似然概率最大值，如式(12)，以該模板的圓心作為新的種子插入到pts，放在p1、p2之間。

步驟7——如果p2為最后一個(gè)種子點(diǎn)，則轉(zhuǎn)到步驟8，否則令p1=p2，p2為下一個(gè)種子點(diǎn)，轉(zhuǎn)到步驟2。

步驟8——如果種子點(diǎn)的間距最大值小于d，則轉(zhuǎn)向輸出，否則轉(zhuǎn)到步驟2。

輸出：

所有道路中心點(diǎn)序列。

本文的道路中心點(diǎn)搜索算法相比文獻(xiàn)[18，20]的算法具有如下3個(gè)優(yōu)點(diǎn)：第1，搜索過程不再依賴形態(tài)學(xué)梯度圖，而改為顯著圖，因道路兩旁的平滑區(qū)域與路面的平滑區(qū)域在形態(tài)學(xué)梯度圖中具有相似的特征，容易產(chǎn)生識(shí)別錯(cuò)誤；第2，本文算法減少了一個(gè)算法參數(shù)，且參數(shù)的物理意義更加明顯；第3，在一個(gè)路段提取過程中，如果存在大量中間點(diǎn)的Wi與WSTD差距較大，則可判定本次的中間點(diǎn)搜索失敗，提醒用戶介入，提高了算法實(shí)用性。

2 試驗(yàn)分析與對(duì)比

為了檢驗(yàn)本文算法的性能和改進(jìn)效果，分別采用文獻(xiàn)[2]、文獻(xiàn)[20]和本文算法對(duì)多張高分辨衛(wèi)星遙感圖像和航拍圖像進(jìn)行了試驗(yàn)和對(duì)比分析。

2.1 種子點(diǎn)敏感度試驗(yàn)

為了測(cè)試本文算法對(duì)用戶種子點(diǎn)的敏感程度，對(duì)一張空間分辨率為0.3 m的航拍圖像做了多次試驗(yàn)，結(jié)果如圖5所示。圖5(b)中首尾的白色圓形模板是自動(dòng)生成的，無須人工設(shè)定閥值，黑色圓圈為迭代內(nèi)插搜索得到的最佳中間點(diǎn)模板。從試驗(yàn)結(jié)果圖可以看出，不論用戶選點(diǎn)的初始位置如何偏離道路中心線，本文算法均能將模板調(diào)整到道路中心位置，說明本文算法對(duì)用戶選點(diǎn)不敏感，用戶只需將種子點(diǎn)落子道路上即可。

圖5 用戶選點(diǎn)敏感度測(cè)試Fig.5 Sensitivity test of seed points

2.2 不同光譜道路的提取試驗(yàn)

為檢驗(yàn)算法在不同光譜特性情況下的提取效果，分別對(duì)QuickBird分辨率為0.6 m的城市衛(wèi)星圖像和分辨率為0.5 m的鄉(xiāng)村航空?qǐng)D像進(jìn)行試驗(yàn)，效果如圖6所示。雖然不同類型傳感器捕獲的道路光譜特性不同，只要滿足路面灰度平滑、道路目標(biāo)與背景有明顯的反差，就不影響形態(tài)學(xué)梯度圖和顯著圖的生成，進(jìn)而保證了算法的有效性。

圖6 不同光譜特性的道路提取結(jié)果Fig.6 Road extraction results of different spectral characteristics

2.3 曲折道路的提取試驗(yàn)

曲折道路提取是道路提取算法的難點(diǎn)，本文算法也不例外。圖6的試驗(yàn)結(jié)果表明，在彎曲度較小時(shí)，本文算法依然有效，但彎曲度一旦過大，將出現(xiàn)模板匹配錯(cuò)誤，如圖7(a)所示。本文算法為了提高執(zhí)行效率，在中間點(diǎn)搜索的過程中，限制了中垂線的總長(zhǎng)度為相鄰種子點(diǎn)的間距，如果彎道過于彎曲，真實(shí)道路將會(huì)出現(xiàn)在中垂線范圍之外。如圖7(a)所示，其中白色曲線為錯(cuò)誤提取的道路信息，虛線為起始點(diǎn)與終止點(diǎn)之間連線，點(diǎn)虛線為第一次迭代搜索中間點(diǎn)的中垂線范圍，可以看出真實(shí)的道路中心點(diǎn)(白色圓圈)超出了中垂線搜索范圍，造成模板匹配錯(cuò)誤。增長(zhǎng)中間點(diǎn)的搜索范圍即可解決此問題，但必然會(huì)降低算法在平緩道路情況下的搜索效率，用戶可在彎道處多設(shè)一個(gè)種子點(diǎn)來解決該問題，如圖7(b)所示。

2.4 噪聲干擾試驗(yàn)

行道樹遮蓋、建筑物的陰影阻隔以及道路上的車輛，是構(gòu)成遙感圖像中道路提取的主要干擾信息，任何以局部灰度信息為主要依據(jù)的算法，均會(huì)受到不同程度的影響[23]。本文算法綜合利用了局部灰度信息和道路幾何信息，外加人工介入輔助，可以較好地克服這些噪聲的影響。圖8(a)—圖8(c)為3組噪聲干擾試驗(yàn)，每組試驗(yàn)左側(cè)為原始圖，右側(cè)為模板生成情況，白色圓圈代表算法根據(jù)人工種子點(diǎn)自適應(yīng)生成的模板，黑色圓圈代表算法迭代內(nèi)插搜索得到的最佳中間點(diǎn)模板。圖8(a)是一幅分辨率為0.6 m的QuickBird遙感圖像，道路上分布大量的陰影噪聲，算法參數(shù)為a=1、b=25。從圖中可以看出，在加大參數(shù)b的比重后，迫使中間點(diǎn)夾角加大，將中間點(diǎn)“逼向”真實(shí)道路區(qū)域，但受陰影噪聲影響，提取的道路信息稍微偏離了道路中心線。圖8(b)是一幅分辨率為0.6 m的pleiades-1遙感圖像，道路上布滿了車輛噪聲，算法參數(shù)為a=1、b=1，可以看出路面車輛噪聲對(duì)本文算法的影響較低。圖8(c)為一幅分辨率為0.6 m的Google地圖，道路被大量的行道樹覆蓋。為了能夠正確找到真實(shí)道路，在道路拐彎處多設(shè)了一個(gè)人工種子點(diǎn)，算法參數(shù)為a=1、b=10，說明綠化覆蓋對(duì)算法影響較大，需要更多的人工介入才能解決。

圖7 彎曲道路提取試驗(yàn)Fig.7 Experiments of extracting winding road

圖8 算法對(duì)不同噪聲的表現(xiàn)Fig.8 The performance of the algorithm against different noises

2.5 改進(jìn)效果試驗(yàn)

本文算法從多個(gè)方面對(duì)文獻(xiàn)[20]的算法進(jìn)行改進(jìn)，為了檢驗(yàn)本文算法的改進(jìn)效果，用相同的人工種子點(diǎn)和模板尺寸，分別用文獻(xiàn)[20]算法和本文算法對(duì)同一幅航空影像進(jìn)行道路中心線提取，試驗(yàn)結(jié)果如圖9所示。圖9(a)為一幅分辨率為0.6 m的鄉(xiāng)村道路航拍圖像；圖9(b)是文獻(xiàn)[20]算法的提取結(jié)果，算法參數(shù)α=1、β=1、γ=1；圖9(c)為本文算法的提取結(jié)果，算法參數(shù)a=1、b=1。文獻(xiàn)[20]的算法出現(xiàn)了大量的模板匹配錯(cuò)誤，因該算法在搜索道路中心點(diǎn)的過程中依賴于形態(tài)學(xué)梯度圖，但本圖像的道路兩側(cè)出現(xiàn)較多的平滑區(qū)域，且形態(tài)學(xué)梯度圖對(duì)平滑區(qū)域的響應(yīng)是相同的，從而無法區(qū)分不同類型的平滑區(qū)域。本文算法依賴顯著圖搜索道路中間點(diǎn)，圖中道路和背景反差較大，算法很容易根據(jù)顯著圖識(shí)別真實(shí)的道路位置。試驗(yàn)結(jié)果表明本文算法具有更好的識(shí)別效果。

圖9 算法改進(jìn)效果試驗(yàn)Fig.9 Experiments of the improvement of the algorithm

3 路網(wǎng)提取試驗(yàn)

3.1 圖像去霧預(yù)處理

遙感圖像通常受到空氣中的細(xì)小顆粒、水滴等因素的影響，使得圖像呈現(xiàn)“朦朧”的效果，從而影響算法的識(shí)別效率。圖10(a)是路網(wǎng)提取試驗(yàn)原始圖像的一個(gè)局部，從中可以看出圖像的霧化嚴(yán)重。為了得到更好的道路顯著圖，本文利用文獻(xiàn)[25]的算法，對(duì)原始航拍圖像進(jìn)行去霧處理，效果如圖10(b)所示。視覺對(duì)比可以看出去霧后的圖像使道路更加清晰，且道路與周圍的其他物體反差更強(qiáng)。

圖10 圖像去霧預(yù)處理Fig.10 Image preprocessing by haze removal

3.2 路網(wǎng)提取結(jié)果

圖11是利用本文算法提取路網(wǎng)的試驗(yàn)結(jié)果。試驗(yàn)選取一幅地面分辨率為0.6 m(航攝比例尺1∶15 000)的航拍圖像，其中白色虛線為算法提取的道路，灰色的條狀為人工提取的參考路網(wǎng)(含道路位置和緩沖寬度)，黑色小點(diǎn)為算法提取過程中人工設(shè)置的種子點(diǎn)。圖中道路寬度不一、噪聲類型多樣、干擾程度迥異，可充分檢驗(yàn)算法的優(yōu)缺點(diǎn)。試驗(yàn)共分21個(gè)路段分別進(jìn)行道路提取。對(duì)于被樹木嚴(yán)重覆蓋的路段，適當(dāng)提高算法參數(shù)b的值，算法將提取到接近直線的道路信息，使得提取的道路信息可以穿越遮擋的異物；對(duì)于低噪聲的路段，提高算法參數(shù)a的值，使之主要依靠顯著圖信息定位道路位置。算法最后對(duì)提取的曲線施加Bézier曲線平滑，使提取的結(jié)果更加貼近真實(shí)的道路形狀。

3.3 算法性能比較

為了檢驗(yàn)算法性能，通過人工提取參考路網(wǎng)，并按文獻(xiàn)[23]定義如式(13)的評(píng)估參數(shù)，其中TP(true positive)、FP(false positive)、FN(false negative)

分別表示正確提取、錯(cuò)誤提取和未提取的道路。道路緩沖寬度不固定，以實(shí)際寬度為準(zhǔn)(圖11灰色條形)，提取的道路坐標(biāo)落在道路緩沖范圍內(nèi)即為正確。表1給出了本文和文獻(xiàn)[2，20]的結(jié)果對(duì)比，其中總耗時(shí)包含人工選點(diǎn)、參數(shù)設(shè)置、算法識(shí)別以及部分路段返工操作的時(shí)間。從表中可以看出，文獻(xiàn)[2]的算法雖然種子點(diǎn)數(shù)、參數(shù)數(shù)目最少，且完成度最高，但該算法在每個(gè)路段提取時(shí)都需要兩次計(jì)算最短測(cè)地路徑，耗時(shí)較長(zhǎng)，且算法過度依賴圖像的灰度信息，受限于試驗(yàn)素材的強(qiáng)干擾信息，正確率較低。文獻(xiàn)[20]的算法需要設(shè)置更多的參數(shù)，且參數(shù)的配比難以人為判定，因此增加了返工次數(shù)，也增加了模板誤匹配情況，降低了路網(wǎng)提取的正確率。本文算法在模板匹配過程中主要依賴道路顯著圖和道路幾何信息，更容易根據(jù)路段的實(shí)際情況設(shè)置合理的參數(shù)配比。具體而言，對(duì)于具有大量干擾因素的平緩路段適當(dāng)提高參數(shù)b的比重，對(duì)于平滑的彎曲路段適當(dāng)提高參數(shù)a的比重，對(duì)于強(qiáng)噪聲的彎曲道路需適當(dāng)增加人工種子點(diǎn)，并提高參數(shù)b的比重。另外，由于模板具有一定的尺寸，造成路段首尾存在小段道路未能有效提取，因此本文和文獻(xiàn)[20]的算法在完成度上均不如文獻(xiàn)[2]，該問題可以通過自然延伸路段到圖像邊界或其他路段來解決。

(13)

3.4 路網(wǎng)準(zhǔn)確性分析

從圖11的結(jié)果可以看出，大部分路段的提取結(jié)果均較好地貼近真實(shí)的道路中心線，但仍然存在部分路段偏離嚴(yán)重。如圖11下部的一個(gè)路段(標(biāo)①處),由于該路段寬度過大，且初始種子點(diǎn)處的路面灰度不均勻，造成自動(dòng)生成的圓形模板無法完全覆蓋整條道路寬度，從而使提取的結(jié)果與真實(shí)的道路中心線有較大的偏離。另外，由于本試驗(yàn)的素材存在嚴(yán)重的綠化噪聲干擾，導(dǎo)致提取的部分路段出現(xiàn)一定偏差和震蕩現(xiàn)象(標(biāo)②處)。路網(wǎng)準(zhǔn)確性問題的根本原因在于本算法主要根據(jù)圖像的顯著圖來尋找道路中心點(diǎn)，在圖像條件較好情況下，可以提取到較為精確的道路中心線，如圖6和圖9所示，而當(dāng)?shù)缆坊叶炔痪鶆蚧虍愇锔蓴_嚴(yán)重情況下將無法保證路網(wǎng)的準(zhǔn)確性，通過適當(dāng)增設(shè)人工種子點(diǎn)并提高參數(shù)b的比重，可在一定程度上解決中心線偏離或震蕩問題，這也體現(xiàn)了半自動(dòng)提取方式的優(yōu)勢(shì)所在。相較于文獻(xiàn)[2]和文獻(xiàn)[20]的道路提取結(jié)果(如圖12所示，分別用虛線和實(shí)線表示)，本文算法在路網(wǎng)準(zhǔn)確性方面有一定程度的提高。

圖11 路網(wǎng)提取試驗(yàn)Fig.11 Road network extraction experiment

圖12 文獻(xiàn)[2]和文獻(xiàn)[20]的試驗(yàn)結(jié)果Fig.12 The extraction results of literature [2] and literature [20]

4 總 結(jié)

模板匹配是高分辨率遙感圖像中道路信息提取的常用手段，矩形模板及其變種因模板更貼近道路條狀模型而更為常見，但矩形模板存在更多的人工介入、難以適應(yīng)彎曲道路及抗干擾性差等缺點(diǎn)，而圓形模板在這些方面表現(xiàn)出更好的性能。本文提出了一種改良的圓形模板算法。與前人的圓形模板及矩形模板相比，該算法可根據(jù)形態(tài)學(xué)梯度圖自動(dòng)計(jì)算模板尺寸，同時(shí)在內(nèi)插道路中間點(diǎn)搜索過程中引入顯著圖，使得算法更加有效，且算法參數(shù)更少，參數(shù)物理意義更直觀，提高了算法的實(shí)用性。本文算法在道路彎度過大或干擾噪聲過于復(fù)雜的情況下需要增加少量的人工干預(yù)，如何克服這方面不足，有待進(jìn)一步的研究。