陳 光，薛 梅，陳良超，眭海剛

(1. 重慶市勘測(cè)院，重慶 401121； 2. 智慧城市時(shí)空大數(shù)據(jù)重慶市工程研究中心，重慶 401121； 3. 武漢大學(xué)測(cè)繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079)

現(xiàn)有的新增道路提取方法大多都是針對(duì)不同影像類別、比例尺、影像區(qū)域和道路類型進(jìn)行試驗(yàn)[1]，從特征組合和分類方法兩方面進(jìn)行改進(jìn)提取結(jié)果，學(xué)者們?cè)噲D尋找一套通用的特征組合和有效的分類模型來完成針對(duì)所有類型道路的提取任務(wù)。然而，高分遙感影像道路網(wǎng)提取任務(wù)具有其特殊性，盡管遙感影像中的道路具有一些共同的特征，但是道路的多樣性和場(chǎng)景的復(fù)雜性使得道路之間常常表現(xiàn)出明顯的特征差異[2]?，F(xiàn)有基于樣本學(xué)習(xí)的提取方法在處理高分影像數(shù)據(jù)時(shí)主要存在兩方面的問題：①道路在不同場(chǎng)景中表現(xiàn)多樣；在不同源影像上也存在特征差異，難以用固定的特征和規(guī)則實(shí)現(xiàn)普適的道路提取任務(wù)。②基于有監(jiān)督的道路提取，依賴于采樣的絕對(duì)隨機(jī)性，但是實(shí)現(xiàn)采樣的隨機(jī)性非常困難，一旦采樣過程中存在任何偏見，提取結(jié)果就會(huì)存在差異。

基于上述分析，研究道路提取方法時(shí)，必須從道路特征的差異性出發(fā)，針對(duì)不同類型的道路發(fā)掘?qū)俚奶卣?，以此來完成?duì)道路的精細(xì)化提取。本文提出一種基于自適應(yīng)聚類學(xué)習(xí)的道路網(wǎng)提取方法。

1 方法理論

方法處理流程如圖1所示。其主要由3部分構(gòu)成：樣本特征自動(dòng)獲取，樣本自適應(yīng)聚類，道路分類融合與驗(yàn)證。首先，針對(duì)分類樣本選擇困難的問題，利用已知道路矢量進(jìn)行自動(dòng)樣本標(biāo)注，獲取全影像域的道路樣本和背景樣本；然后，針對(duì)高異質(zhì)性樣本特征訓(xùn)練分類器時(shí)導(dǎo)致的過擬合問題，提出自適應(yīng)道路樣本聚類策略，利用聚類后的樣本分別訓(xùn)練分類器并提取道路對(duì)象；最后對(duì)多分類器道路提取結(jié)果進(jìn)行合并與驗(yàn)證。

圖1 道路網(wǎng)提取方法總體框架

1.1 道路樣本特征自動(dòng)化獲取方法

遙感影像分類訓(xùn)練樣本與特征的自動(dòng)化快速獲取已成為遙感大規(guī)模應(yīng)用面臨的瓶頸問題[3]，遙感道路提取也不例外。本文使用SLIC[4]作為影像對(duì)象化分割方法，并將分割結(jié)果對(duì)象作為樣本特征提取單元(如圖2所示)。相對(duì)于傳統(tǒng)的基于像元的影像分析，面向?qū)ο蟮姆诸惙椒軌蚓C合考察像元及其鄰域的光譜和空間特性，從而有效區(qū)分特征相似的地物[5]。

注：影像信息：IKONOS 1 m;參數(shù)：對(duì)象大小20,緊致度0.1。圖2 道路影像SLIC分割試驗(yàn)

道路樣本標(biāo)記基于已知舊時(shí)相路網(wǎng)矢量數(shù)據(jù)的語義信息進(jìn)行。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)楸尘暗匚铩Ｓ纱丝筛鶕?jù)已有道路提取結(jié)果生成道路樣本集和背景樣本集，具體流程如下：

(1) 柵格化道路矢量數(shù)據(jù)，以半徑rroad生成結(jié)構(gòu)元素Sroad并執(zhí)行形態(tài)學(xué)膨脹運(yùn)算，生成道路樣本蒙版影像Xroad；以半徑rgap、rgap>rroad生成結(jié)構(gòu)元素Sgap并執(zhí)行形態(tài)學(xué)膨脹運(yùn)算，生成蒙版影像Xgap，輔助背景樣本蒙版樣本的生成；以半徑rbg、rbg>rgap生成結(jié)構(gòu)元素Sbg并執(zhí)行形態(tài)學(xué)膨脹運(yùn)算，將運(yùn)算結(jié)果與Xgap邏輯取反后的影像按位執(zhí)行邏輯與運(yùn)算，得到背景樣本蒙版影像Xbg

(1)

式中，X為待處理影像；⊕為形態(tài)學(xué)膨脹運(yùn)算符號(hào)；結(jié)構(gòu)元素半徑rroad、rgap、rbg需要根據(jù)導(dǎo)航路網(wǎng)矢量線對(duì)應(yīng)的寬度信息和影像分辨率設(shè)置，蒙版影像生成示意圖如圖3所示。

圖3 蒙版影像生成示意圖

(2) 分別將道路樣本蒙版影像和背景樣本蒙版影像與道路對(duì)象化分割結(jié)果疊加，統(tǒng)計(jì)每個(gè)分割對(duì)象內(nèi)部屬于道路蒙版的像素?cái)?shù)量nroad和屬于背景蒙版像素的數(shù)量nbg，判定對(duì)象屬于道路對(duì)象還是背景對(duì)象

(2)

式中，1標(biāo)識(shí)對(duì)象為道路樣本；-1標(biāo)識(shí)對(duì)象為背景樣本；0標(biāo)識(shí)非樣本對(duì)象；N為對(duì)象總數(shù)；Tarea為有效面積比閾值。

根據(jù)文獻(xiàn)[6—7]中對(duì)光譜特征和紋理統(tǒng)計(jì)特征的描述，本文選擇對(duì)象的光譜和紋理特征作為訓(xùn)練特征。高分影像中光譜特征的高度細(xì)節(jié)化使得難以僅僅根據(jù)光譜特征完成道路提取任務(wù)。紋理與局部像元灰度的空間組織相關(guān)，在識(shí)別感興趣的目標(biāo)和對(duì)象中有著非常重要的作用。本文以光譜特征和紋理特征聯(lián)合構(gòu)成分類器訓(xùn)練特征向量，具體包括：光譜特征維數(shù)為15(紅、綠、藍(lán)波段的均值、標(biāo)準(zhǔn)差、熵；色調(diào)均值、標(biāo)準(zhǔn)差；飽和度均值、標(biāo)準(zhǔn)差；亮度均值、標(biāo)準(zhǔn)差)，灰度共生矩陣(GLCM)[8]紋理特征維數(shù)為24(紅、綠、藍(lán)波段GLCM的均值、方差、熵、角二階矩、同質(zhì)性、對(duì)比度、不相似性、相關(guān)性)，局部二值模式(LBP)[9]紋理特征維數(shù)為18(紅、綠、藍(lán)波段LBP的均值、標(biāo)準(zhǔn)差、偏度、峰度、能量、熵)，共57維特征。以圖2中試驗(yàn)數(shù)據(jù)正負(fù)訓(xùn)練樣本特征值的均值構(gòu)建特征直方圖，如圖4所示。圖中垂直虛線左側(cè)為光譜特征，右側(cè)為紋理特征。對(duì)比直方圖發(fā)現(xiàn)，正負(fù)樣本的多個(gè)特征之間具有明顯的差異，表現(xiàn)出較好的區(qū)分性。

圖4 訓(xùn)練樣本特征均值直方圖面

1.2 道路樣本自適應(yīng)聚類

從道路樣本的獲取過程和實(shí)際道路場(chǎng)景的多樣性可知，道路樣本必然是混雜了不同等級(jí)、不同場(chǎng)景道路，其特征集合中包含有類似的特征表現(xiàn)，而更多的特征則表現(xiàn)出較大的差異。直接利用此類樣本訓(xùn)練分類器將導(dǎo)致過擬合問題，即為了得到與樣本一致假設(shè)而使得訓(xùn)練出來的分類器過于精細(xì)復(fù)雜，判別規(guī)則過于嚴(yán)格，這將導(dǎo)致分類器對(duì)于訓(xùn)練樣本以外的、任何與樣本數(shù)據(jù)稍有不同的檢測(cè)數(shù)據(jù)都會(huì)產(chǎn)生非道路的判別結(jié)果。本文提出一種道路樣本自適應(yīng)聚類策略，使得道路樣本能夠根據(jù)集合內(nèi)特征分布情況進(jìn)行重組，使得聚類后各組樣本在特征空間中呈聚集分布趨勢(shì)。

首先，由于在樣本數(shù)相對(duì)較少的情況下，高維特征使得樣本在統(tǒng)計(jì)上的漸近性質(zhì)受到破壞[10]，因此需要通過特征降維，消除無關(guān)和冗余的樣本特征。本文利用Devijver[11]提出的向量相似性指數(shù)，按照黃昕[7]提出的特征選擇方法進(jìn)行降維處理，本文不作贅述。

然后，利用高斯混合模型(GMM)執(zhí)行自適應(yīng)道路樣本聚類。由于類別數(shù)K未知，在實(shí)際數(shù)據(jù)處理中，需要通過多次測(cè)試、比較多個(gè)成分的擬合結(jié)果決定K值。為了能夠自適應(yīng)地獲得類別數(shù)K，本節(jié)提出2個(gè)度量指標(biāo)：分裂指數(shù)和合并指數(shù)。

(1) 設(shè)定初始K值，對(duì)原始樣本執(zhí)行GMM聚類處理，得到K個(gè)高斯分布模型。

(3)

式中，j、k∈K；pj(x)、pk(x)為對(duì)應(yīng)高斯模型在位置x的概率值；max為取極大值函數(shù)。

(3) 定義合并指數(shù)(merge index，MI)，即

(4)

若MI>TMI，則認(rèn)為連線li所連接的2個(gè)高斯模型具有較大的重疊度，需要進(jìn)行合并，即將總的類別數(shù)降為K-1。

(5) 重復(fù)執(zhí)行上述操作，直至沒有符合分裂和合并條件的高斯模型，得到最終的樣本聚類數(shù)K。

最后，根據(jù)聚類結(jié)果將矢量路網(wǎng)標(biāo)注的正樣本集合分為多個(gè)集合，負(fù)樣本保持不變。將每組正樣本與負(fù)樣本組合訓(xùn)練一個(gè)分類器，實(shí)現(xiàn)對(duì)特定類別道路的提取。

1.3 道路分類和融合

本文選擇支撐向量機(jī)(SVM)分類器[12]執(zhí)行道路分類提取(黃昕[7]在其博士論文中通過試驗(yàn)證實(shí)了SVM分類器對(duì)于光譜-結(jié)構(gòu)的混合特征分類的適用性)?；诟鹘M樣本特征訓(xùn)練分類的結(jié)果對(duì)應(yīng)了不同類型的道路。根據(jù)各類道路樣本的道路提取結(jié)果，生成道路標(biāo)記圖像，設(shè)P(Tn)為像素p在樣本組n對(duì)應(yīng)的屬性，則有

(5)

利用多數(shù)投票方法集成多組道路標(biāo)記結(jié)果

(6)

式中，Mp代表像素p在不同樣本組上被標(biāo)記為道路的次數(shù)。多組融合規(guī)則定義為

(7)

式中，P是對(duì)每個(gè)像素的最終類別標(biāo)記。如果一個(gè)像素在不少于1個(gè)樣本組的分類結(jié)果中被標(biāo)記為道路，則該像素對(duì)應(yīng)道路；否則，該像素標(biāo)記結(jié)果為非道路?？紤]路網(wǎng)提取結(jié)果的連通特性，本文最后根據(jù)幾何特征對(duì)混入道路提取結(jié)果的非道路對(duì)象作進(jìn)一步的剔除，得到最終的道路提取結(jié)果。

2 試驗(yàn)與分析

試驗(yàn)數(shù)據(jù)對(duì)應(yīng)區(qū)域?yàn)槎鯛柖嗨故谐菂^(qū)局部，數(shù)據(jù)包括遙感影像與裁切后的導(dǎo)航路網(wǎng)。遙感影像為QuickBird多波段合成影像，導(dǎo)航路網(wǎng)為OpenStreetMap路網(wǎng)裁切數(shù)據(jù)，影像與路網(wǎng)矢量均具有相同的WGS-84大地坐標(biāo)系，直接疊置顯示后具有很好的位置套合效果(如圖5所示)。影像范圍內(nèi)的待提取道路為典型的城區(qū)道路，包括較寬的主干道和較窄的支路，主干道上具有明顯的綠化帶和行道線，而支路對(duì)應(yīng)的光譜特征相對(duì)均一。部分路段存在陰影遮擋的情況。試驗(yàn)數(shù)據(jù)具體描述信息見表1、表2。

表1 城區(qū)試驗(yàn)數(shù)據(jù)描述信息

表2 城區(qū)導(dǎo)航數(shù)據(jù)描述信息

圖5 道路提取試驗(yàn)數(shù)據(jù)

按照本文多樣本組分類融合道路提取方法，執(zhí)行基于導(dǎo)航路網(wǎng)的自動(dòng)樣本標(biāo)記與特征獲取。樣本標(biāo)記影像如圖6所示，正樣本標(biāo)記影像展示了范圍內(nèi)的道路對(duì)象，整體來看，道路光譜特征存在漸變的差異；從細(xì)部看，主干道中包含綠化帶對(duì)象，從而使得局部路面光譜具有較大差異，并且受綠化帶和行道線的影響，主干道與支路的紋理特征也具有較大差異。負(fù)樣本則主要對(duì)應(yīng)道路兩旁的建筑物、裸土和植被對(duì)象，其中部分建筑物對(duì)象的光譜特征與道路較為相近。

圖6 樣本標(biāo)記影像

樣本標(biāo)記與特征統(tǒng)計(jì)信息見表3。原始的樣本特征維數(shù)為57維，包括文中提到的光譜和紋理特征，通過特征選擇去除相關(guān)特征和特征抽取后的特征維數(shù)為4維；自適應(yīng)混合高斯模型聚類處理將原始正樣本分為3組具有較大特征差異的樣本組。

表3 樣本標(biāo)記與特征信息

利用3組正樣本與負(fù)樣本分別訓(xùn)練SVM分類模型，模型參數(shù)與訓(xùn)練測(cè)試分類精度見表4。3個(gè)分類模型在最優(yōu)參數(shù)配置下對(duì)測(cè)試樣本集的分類精度均超過94%。

表4 分類模型訓(xùn)練參數(shù)

比對(duì)原始影像與分類結(jié)果的細(xì)部圖像能夠發(fā)現(xiàn)各分類器提取結(jié)果的差異(如圖7所示)。分類器1提取結(jié)果主要為綠化帶(如圖7(a)、(b)所示)，在對(duì)象化處理過程中，部分路段與植被對(duì)象特征混合，因而提取結(jié)果中還包括部分較窄的分支路段；分類器2由大部分正樣本特征集合訓(xùn)練所得，其提取結(jié)果為影像域內(nèi)的主要道路對(duì)象(如圖7(c)、(d)所示)；分類器3的提取結(jié)果則與斑馬線、行道線等對(duì)象對(duì)應(yīng)(如圖7(e)、(f)所示)。

圖7 各分類器提取結(jié)果局部對(duì)比

各分類器的提取結(jié)果相互補(bǔ)充，融合處理后得到整體的道路提取結(jié)果(如圖8(a)所示)，最后根據(jù)形狀特征剔除部分非道路碎屑對(duì)象，得到最終的道路提取結(jié)果。道路提取結(jié)果保持了相對(duì)較為完整路網(wǎng)。對(duì)于新增道路，提取結(jié)果并不完整，但是仍然獲得了路段的主體部分。將本方法道路提取結(jié)果與路網(wǎng)矢量疊加，如圖8(b)所示。圖中可以清晰地看出新增道路提取結(jié)果，包括圖中右上角新增的主路，右側(cè)南北走向的支路，下方多條相交路段等。

圖8 道路網(wǎng)提取試驗(yàn)結(jié)果

為驗(yàn)證方法的有效性，選擇2種主流道路網(wǎng)提取方法執(zhí)行比對(duì)試驗(yàn)。選擇的方法包括：Huang提出的多尺度道路提取方法[13]和Shi提出的基于形態(tài)學(xué)特征的道路提取方法[14]。對(duì)比方法試驗(yàn)結(jié)果如圖9所示。

圖9 道路提取方法對(duì)比提取試驗(yàn)結(jié)果

定量評(píng)估采用的評(píng)價(jià)指標(biāo)包括：完整性、正確性和質(zhì)量[15]。精度指標(biāo)統(tǒng)計(jì)結(jié)果見表5。3種方法的道路提取結(jié)果均具有較好的完整性；從正確性來看，本文方法提取結(jié)果中包含的非道路對(duì)象較少，提取結(jié)果的整體質(zhì)量較高。

表5 道路提取試驗(yàn)精度驗(yàn)證統(tǒng)計(jì)

3 結(jié) 語

本文根據(jù)道路特征多樣化的特點(diǎn)，提出了基于自適應(yīng)聚類學(xué)習(xí)的道路網(wǎng)提取方法，針對(duì)提取方法中的各技術(shù)點(diǎn)展開研究，包括：基于導(dǎo)航路網(wǎng)矢量標(biāo)記的自動(dòng)化道路正負(fù)樣本的選擇與特征提??；根據(jù)樣本特征的聚集性將道路樣本分為多組樣本，分別訓(xùn)練分類器并提取不同特征的道路對(duì)象；通過融合處理將基于各分類器獲得的道路提取結(jié)果進(jìn)行融合。文中提出的道路樣本聚類學(xué)習(xí)的思想，充分考慮了不同等級(jí)、不同場(chǎng)景下道路對(duì)象的多樣性，從而在全局影像域內(nèi)兼顧不同等級(jí)和場(chǎng)景的新增道路對(duì)象提取。試驗(yàn)以大場(chǎng)景新增道路提取任務(wù)為目標(biāo)進(jìn)行方法驗(yàn)證，定性和定量的分析結(jié)果表明了本文方法的有效性。當(dāng)前對(duì)地觀測(cè)數(shù)據(jù)獲取的頻率和分辨率逐步提高，路網(wǎng)數(shù)據(jù)快速更新的需求日益迫切，本文方法提供了新的思路，具有一定的現(xiàn)實(shí)意義。