程效猛，鄭 浩，眭海剛，馮文卿

(1. 武漢大學(xué)測繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079； 2. 裝備項(xiàng)目管理中心，北京 100034)

道路是一種極其重要的人工地物，是地形圖和GIS系統(tǒng)的主要組成數(shù)據(jù)之一[1]。近年來，高分辨率遙感影像越來越得到人們的關(guān)注，從高分影像數(shù)據(jù)中進(jìn)行道路的檢測與識(shí)別已成為重要的研究課題[2]。如果能自動(dòng)地從遙感影像中提取道路網(wǎng)，將會(huì)簡化城市地物目標(biāo)的分類和測量過程[3]。利用已有的矢量數(shù)據(jù)來獲取先驗(yàn)信息,替代人工干預(yù)，對于提高遙感影像中道路提取的穩(wěn)定性和可靠性將會(huì)有很大幫助。

矢量路網(wǎng)數(shù)據(jù)輔助下的道路提取方法是國內(nèi)外道路提取的研究熱點(diǎn)，已吸引一批學(xué)者展開相關(guān)研究。Mailard和Cavayas首先提出了地圖匹配法用來更新數(shù)據(jù)庫，根據(jù)舊的道路尋找新的道路[4]。吳曉燕等在已有矢量下建立緩沖區(qū)，在緩沖區(qū)內(nèi)部檢測道路點(diǎn)和道路段，但是對于新增道路的提取需要人工干預(yù)[5]。丁磊等從矢量數(shù)據(jù)獲取可信的訓(xùn)練樣本，利用樸素貝葉斯方法對影像進(jìn)行分類[6]。Cao利用OSM路網(wǎng)數(shù)據(jù)來輔助提取復(fù)雜場景下的道路中線，根據(jù)影像的色調(diào)和飽和度特征進(jìn)行聚類來區(qū)分道路與背景地物[7]。總結(jié)來看，這些算法的不足之處在于，利用分類方法提取出的道路位置不是十分準(zhǔn)確，在場景較為復(fù)雜的區(qū)域會(huì)出現(xiàn)錯(cuò)分、斷裂等現(xiàn)象，導(dǎo)致道路網(wǎng)整體提取精度不高，并且有時(shí)需要引入人工干預(yù)。

本文采用OSM道路網(wǎng)數(shù)據(jù)作為引導(dǎo)矢量，提出一種利用高分辨率遙感影像進(jìn)行道路自動(dòng)提取的方法。首先采用灰度形態(tài)學(xué)濾波的方式對影像進(jìn)行預(yù)處理，通過OSM路網(wǎng)提供的先驗(yàn)信息對模糊C均值(fuzzy C-means,FCM)算法進(jìn)行改進(jìn)，并將輸入的遙感影像粗分為3類；接著以粗分類結(jié)果作為分類特征，通過OSM矢量路網(wǎng)自動(dòng)獲取道路樣本，利用支持向量機(jī)(support vector machine,SVM)對粗分類結(jié)果進(jìn)行精分類，并采用粒子群優(yōu)化(particle swarm optimization,PSO)算法對SVM進(jìn)行最優(yōu)參數(shù)的選取，以提高分類精度；最后對二值化分類結(jié)果進(jìn)行形態(tài)學(xué)處理，得到精確的道路網(wǎng)信息。

1 算法原理介紹

1.1 影像預(yù)處理

高分辨率遙感影像中含有很豐富的地物細(xì)節(jié)，非目標(biāo)噪聲繁多，在進(jìn)行目標(biāo)地物特征提取時(shí)，首先要對影像進(jìn)行預(yù)處理。形態(tài)學(xué)能夠利用結(jié)構(gòu)元素探測圖像中目標(biāo)的結(jié)構(gòu)信息，抗噪聲能力比較強(qiáng)[8]。本文應(yīng)用灰度形態(tài)學(xué)的膨脹、腐蝕及開閉操作方式對遙感影像進(jìn)行去噪和增強(qiáng)處理。

1.2 改進(jìn)的FCM聚類算法

針對SVM在分類過程中無法獲取高精度道路網(wǎng)的問題[9]，本文首先利用FCM對遙感影像進(jìn)行粗分類，以擴(kuò)大不同類別之間的距離，然后采用SVM進(jìn)行精細(xì)分類，降低分類的誤判率。但是FCM算法聚類效果往往受到初始聚類中心的影響，收斂結(jié)果易陷入局部極小值的問題，為此筆者提出了一種改進(jìn)的FCM聚類算法。

通過OSM矢量路網(wǎng)提供的先驗(yàn)信息給出了一種簡潔快速的初始聚類中心選取規(guī)則。本文利用FCM將遙感影像粗分為3類，需要選取3個(gè)初始聚類中心。首先將矢量路網(wǎng)節(jié)點(diǎn)所在位置的像素點(diǎn)作為第1類樣本，計(jì)算出中心點(diǎn)位置，作為第1類的聚類中心；接著利用矢量路網(wǎng)生成道路緩沖區(qū)，覆蓋道路區(qū)域，選取道路區(qū)域附近的相同數(shù)量背景點(diǎn)作為第2類樣本，計(jì)算出中心點(diǎn)位置，作為第2類的聚類中心；最后在遠(yuǎn)離第1類和第2類樣本點(diǎn)的區(qū)域選取相同數(shù)量的像素點(diǎn)作為第3類樣本點(diǎn)，計(jì)算出中心點(diǎn)位置，作為第3類的聚類中心。聚類中心計(jì)算公式如下

(1)

式中，ICi為第i類的聚類中心；sj為樣本點(diǎn)；p為樣本個(gè)數(shù)。

本文選取影像灰度的均值和方差作為影像聚類的特征，充分利用一階和二階統(tǒng)計(jì)特征進(jìn)行了有效的特征提取[10]。

1.3 樣本點(diǎn)的采集

本文利用OSM矢量路網(wǎng)節(jié)點(diǎn)選取SVM分類所需要的正負(fù)樣本點(diǎn)。FCM聚類將影像粗分為3類，確定了道路的大致范圍。因此在選取正樣本點(diǎn)時(shí)，只需將落在道路區(qū)域矢量節(jié)點(diǎn)位置的像素點(diǎn)作為正樣本點(diǎn)即可，這樣可以排除無效的樣本點(diǎn)。

根據(jù)經(jīng)驗(yàn)認(rèn)為遠(yuǎn)離道路矢量所在位置的區(qū)域?yàn)楸尘暗匚?。因此以O(shè)SM矢量路網(wǎng)為中心做緩沖區(qū)，覆蓋道路區(qū)域，將過渡區(qū)域外的范圍視為背景地物，在背景地物中選取負(fù)樣本點(diǎn)，如圖1所示。

圖1 負(fù)樣本采集

利用OSM矢量路網(wǎng)信息能夠自動(dòng)獲取足夠多的樣本點(diǎn)，為后續(xù)的SVM分類提供可靠的樣本支撐。

1.4 支持向量機(jī)分類

SVM是進(jìn)行遙感影像分類和地物目標(biāo)信息提取的常用方法。它能很好地解決分類樣本容量小、非線性、高維數(shù)等在分類中遇到的較為困難的問題，具有較強(qiáng)的泛化能力[11]，然而支持向量機(jī)的參數(shù)選擇的恰當(dāng)與否會(huì)對數(shù)據(jù)的訓(xùn)練和收斂性帶來很大的影響。PSO不僅具有全局尋優(yōu)能力，而且具有高效的收斂性和較強(qiáng)的局部尋優(yōu)能力[12]。本文以徑向基函數(shù)(RBF)作為核函數(shù)，利用PSO方法，探討如何尋找SVM分類器最佳參數(shù)。

(2)

(3)

使用粒子群算法對SVM的參數(shù)進(jìn)行優(yōu)化選擇，主要過程如圖2所示。

圖2 PSO尋找SVM最優(yōu)參數(shù)流程

1.5 二值影像后處理

利用OSM矢量路網(wǎng)提供的先驗(yàn)信息去除房屋等建筑物對分類后圖像的影響。首先根據(jù)Canny算子求取地物邊緣，然后將邊緣像素點(diǎn)的8鄰域作為邊緣點(diǎn)，增大邊緣線的寬度，得到邊緣輪廓圖。接著利用邊緣輪廓圖對二值道路圖進(jìn)行掩膜，消除其他地物與道路的連接[13]。然后利用OSM矢量路網(wǎng)生成道路成緩沖區(qū)，根據(jù)新舊路網(wǎng)相互連接的假設(shè)，與矢量路網(wǎng)道路緩沖區(qū)相接的為道路區(qū)域，與道路區(qū)域已斷開的房屋等建筑物區(qū)域?yàn)榉堑缆穮^(qū)域。當(dāng)去除房屋等建筑物的非道路圖斑后，利用閉運(yùn)算連接斷開的道路段，通過背景填充的方法填充孤立的孔洞，使整個(gè)道路區(qū)域變得完整。采用形態(tài)學(xué)腐蝕和膨脹運(yùn)算，形成整個(gè)道路網(wǎng)。

2 試驗(yàn)結(jié)果及分析

為驗(yàn)證本文方法的有效性和普適性，利用Matlab實(shí)現(xiàn)了本文所提出的道路提取算法，采用Google Earth影像數(shù)據(jù)進(jìn)行試驗(yàn)，所選兩個(gè)地區(qū)的道路分布和光譜輻射信息具有較大差異，并與直接采用FCM算法和傳統(tǒng)的SVM算法進(jìn)行了比較。選取了2016年安徽省兩個(gè)不同區(qū)域的影像作為試驗(yàn)區(qū)域，分辨率均為1 m，大小分別為1816×1648像素和1234×1090像素，并從官網(wǎng)下載了每個(gè)區(qū)域?qū)?yīng)的OSM矢量路網(wǎng)作為引導(dǎo)矢量。利用本文算法分別對兩幅影像進(jìn)行處理，得到的試驗(yàn)結(jié)果如圖3、圖4 所示。

圖3 試驗(yàn)1區(qū)域

試驗(yàn)1區(qū)包含較多的建筑物區(qū)域和空地，同譜異物帶來很強(qiáng)的干擾，并且存在較多寬度不同的道路。從SVM分類結(jié)果來看，本文算法對不同寬度的道路有較強(qiáng)的適應(yīng)性，能夠?qū)⒋蟛糠值缆诽崛〕鰜?，后處理的過程中除了少數(shù)區(qū)域外，能夠去除建筑物干擾，并且保留了寬度較小的道路。試驗(yàn)2區(qū)有大量的房屋和其他建筑物，對道路提取形成了很強(qiáng)的干擾。但是從分類結(jié)果來看，本文算法對道路和背景有很好的區(qū)分性，具有較強(qiáng)的抗干擾能力，能夠區(qū)分密集建筑物區(qū)域中的道路，經(jīng)過形態(tài)學(xué)后處理，可以得到準(zhǔn)確、完整的道路網(wǎng)。

直接使用FCM算法及傳統(tǒng)的SVM算法進(jìn)行對比試驗(yàn)，對上述試驗(yàn)2區(qū)域的影像進(jìn)行處理，得到的道路分類結(jié)果如圖5、圖6所示。

圖4 試驗(yàn)2區(qū)域

圖5 FCM分類結(jié)果

圖6 傳統(tǒng)SVM分類結(jié)果

從分類結(jié)果中可以看到，使用FCM算法對試驗(yàn)區(qū)進(jìn)行分類后，分類結(jié)果中仍然存在大量的干擾，無法將具有明顯光譜差異的建筑物與道路區(qū)分開來，并且房屋與道路之間有很強(qiáng)的黏滯現(xiàn)象，分類效果不明顯。直接使用傳統(tǒng)SVM方法效果比FCM分類效果要好，去除了大部分的干擾物，但是從試驗(yàn)2區(qū)來看，對于復(fù)雜區(qū)域，傳統(tǒng)的SVM容易存在錯(cuò)分和漏分的現(xiàn)象，分類精度不高。

為了對試驗(yàn)結(jié)果進(jìn)行定量化評(píng)估，選取了完整性(Completeness)、正確性(Correctness)、質(zhì)量(Quality)的定量評(píng)價(jià)結(jié)果[14-15]，得到的精度評(píng)價(jià)結(jié)果見表1。從表1中的試驗(yàn)結(jié)果精度對比中可以看出，本文算法對于不同場景的道路提取具有良好的穩(wěn)健性，并且為全自動(dòng)提取，提高了效率。

表1 定量評(píng)價(jià) (%)

3 結(jié) 語

針對目前遙感影像分類的道路提取方法存在道路位置定位不準(zhǔn)確，容易出現(xiàn)錯(cuò)分、漏分的現(xiàn)象及自動(dòng)化程度低的問題，本文提出了一種基于OSM矢量路網(wǎng)的全自動(dòng)道路提取方法。利用OSM提供的先驗(yàn)信息改進(jìn)分類算法，提出的SVM結(jié)合FCM策略能夠很好地提高道路網(wǎng)提取的精度，并且提升了道路提取的自動(dòng)化程度。通過算法對比及精確評(píng)價(jià)證明本文所提出算法的精確性和有效性。但是本文算法未能完全解決道路遮擋問題和同譜異物現(xiàn)象帶來的干擾，試驗(yàn)結(jié)果中仍存在信息丟失和誤提取等問題，需在下一步研究中進(jìn)行改善。