王鈺，何紅艷，譚偉，齊文雯

(1.北京空間機(jī)電研究所，北京 100094；2.先進(jìn)光學(xué)遙感技術(shù)北京市重點(diǎn)實驗室，北京 100094)

0 引言

道路信息作為基礎(chǔ)地理信息的重要組成部分，在城市規(guī)劃、車輛導(dǎo)航、自動化駕駛等方面具有重要的作用。遙感技術(shù)的快速發(fā)展，使得遙感圖像的分辨率不斷提高，同時越來越多的中、高分辨率遙感數(shù)據(jù)可以免費(fèi)獲取，數(shù)據(jù)源已經(jīng)不是制約道路信息提取的關(guān)鍵因素。利用遙感圖像提取道路信息通常依據(jù)人工目視判讀，自動化程度和提取速度方面效率較低，且容易出現(xiàn)錯誤。因此，研究一種自動的道路提取算法具有非常重要的意義[1]。

目前國內(nèi)外研究者利用遙感圖像提取道路信息已經(jīng)取得一定的研究成果。例如，傅罡等利用一種改進(jìn)的圓投影匹配追蹤算法，在山區(qū)曲折的實驗場景下，取得了較為理想的實驗結(jié)果[2]；Shi等提出一種改進(jìn)的形態(tài)學(xué)空間濾波算法，利用該算法對圖像中的線性目標(biāo)進(jìn)行增強(qiáng)，然后利用一種簡單的閾值方式，從而快速有效地提取道路信息，對于復(fù)雜的城市道路，該類算法存在一定的不足[3]。上述方法均從像元級的角度出發(fā)，并沒有深入挖掘同類目標(biāo)間的統(tǒng)計關(guān)系，對于上下文信息簡單的郊區(qū)道路能夠得到一定的實驗結(jié)果，但對于道路情景、同物異譜復(fù)雜的區(qū)域容易產(chǎn)生椒鹽與空洞現(xiàn)象[4]。面向?qū)ο蟮牡缆诽崛∷惴ㄓ行Ы鉀Q了這一問題，其以對象分割識別單元，從而有效改善了空洞現(xiàn)象，例如Huang等利用一種多尺度分割手段，分別提取圖像的圓度、長寬比等特征，然后利用一種機(jī)器學(xué)習(xí)分類器，有效識別了場景較為復(fù)雜的道路網(wǎng)絡(luò)[5]。但是，該類方法仍然缺乏對道路這一對象的深層次特征挖掘，對于環(huán)形等復(fù)雜形狀道路，使用長寬比等形狀特征難以描述，甚至有可能對光譜特征造成的一定干擾，從而導(dǎo)致提取結(jié)果精度較低。同時，在利用遙感圖像進(jìn)行多維度特征組合提取時，容易產(chǎn)生Huge現(xiàn)象，且大大增加了內(nèi)存開銷，影響了提取的運(yùn)行效率[6]。

對現(xiàn)有利用高分辨率遙感圖像進(jìn)行道路提取方法分析可知，現(xiàn)有算法不足之處在于：1)沒有深入挖掘圖像中道路的深層特征；2)多特征融合缺乏有效的增強(qiáng)手段。本文從這兩個角度出發(fā)，設(shè)計了一種有效的高分辨率遙感圖像多特征融合的道路提取算法，該算法能夠提取一種描述道路對象更為準(zhǔn)確的空間特征，并引入了一種更為有效的多特征融合算法，從而提高道路信息的提取精度。

1 研究方法

本文算法的技術(shù)流程如1圖所示，其主要包括：首先以多尺度分割算法為基礎(chǔ)，完成對圖像的對象描述；再利用本文構(gòu)建的新的空間特征，實現(xiàn)道路對象的空間特征提??；之后利用多特征融合的方式，將對象級光譜特征與空間特征進(jìn)行有效融合，并利用一種小樣本、高效的機(jī)器學(xué)習(xí)分類器對道路網(wǎng)絡(luò)進(jìn)行初始提取；最后利用本文的形狀特征，對初始道路網(wǎng)絡(luò)進(jìn)行有效優(yōu)化，得到最終的道路網(wǎng)絡(luò)。

圖1 本文算法技術(shù)流程

1.1 道路特征提取

對于高分辨率遙感圖像，存在著同類地物光譜間差異較大，而不同類地物光譜間差異較少，僅僅依靠光譜特征進(jìn)行地物識別準(zhǔn)確性較低。因此，空間特征的輔助加入，能夠有效提高識別精度，如Chen等針對依靠光譜特征難以從圖像中提取大棚信息，通過融合灰度共生矩陣等紋理特征，有效識別出了大范圍的大棚覆蓋區(qū)域[7]。但該類方法是從像元的角度出發(fā)，對于高分辨率遙感圖像難以有效的表達(dá)，使得椒鹽現(xiàn)象嚴(yán)重，而面向?qū)ο蟮膱D像分析方法能夠有效克服這一缺點(diǎn)。對象的形成通常需要圖像分割、聚類等預(yù)處理手段，分割尺度的最優(yōu)選擇是對象形成的關(guān)鍵，為了提高算法的自動化程度與效率，本文以過分割作為對象形成方法，不需要考慮最優(yōu)尺度，該類方法能夠有效保持對象的勻質(zhì)性，且提高了算法的效率。本文采用的分割算法為多尺度分割算法，目前已經(jīng)在商業(yè)軟件eCognition中得到了很好的應(yīng)用。

高分辨率遙感圖像上的道路網(wǎng)絡(luò)，普遍呈現(xiàn)狹長的形狀特征，研究者提取了經(jīng)典的長寬比、填充度等線性形狀特征，將其應(yīng)用到道路提取上得到了較好的實驗效果。但對于復(fù)雜的道路形狀，如環(huán)形道路等，該類形狀特征則缺乏有力的形狀描述。因此，研究一種適合描述復(fù)雜形狀的線性特征非常必要。本文從該角度出發(fā)，基于二階矩設(shè)計了一種更為有效的形狀描述算子——二階矩形狀特征，該特征的計算公式為：

(1)

(2)

式中：i表示分割后第i個對象;n表示分割后形成的對象個數(shù);xm與ym表示第i個對象的質(zhì)心位置;xi與yi表示第i個對象內(nèi)任意像元;lengthi表示某一對象內(nèi)第i個像元與質(zhì)心的歐式距離;SM表示二階矩特征。

為了說明本文的二階矩特征作為道路特征的有效性，本文分別提取了長寬比特征和二階矩特征并進(jìn)行對比，實驗效果如圖2所示。

從圖2可以看出，本文構(gòu)建的二階矩特征對于線性形狀描述更為有效，從而在特征層次上大大提升了道路與其他地物的區(qū)分度，為下一步識別道路提供可靠的前提。

本文以圖像分割為基礎(chǔ)，提取圖像的光譜特征，分別計算各個對象的像元灰度均值，以該值作為該對象的光譜特征，從而實現(xiàn)對象級光譜特征提取。

圖2 不同形狀特征對比

1.2 基于Kernal集成的多特征融合

空間特征的有效融合能夠改善同譜異物現(xiàn)象，但是隨著空間特征維度的增加，高維特征有可能會產(chǎn)生Huge現(xiàn)象，對于地物的識別并不會有效提升[8]。目前常用的道路提取算法中，特征的融合方式通常采用矢量疊加等[9]，盡管該類方法是一種有效的特征融合方式，能夠很好的保持各類特征的信息，但是高維的空間特征可能會影響光譜特征，從而降低實驗精度。張春森等提出了一種概率融合的多特征融合方法[10]，該類方法分別從空間和光譜兩個角度出發(fā)，以特征權(quán)重的方式進(jìn)行特征融合，得到了有效的實驗結(jié)果，但是其特征權(quán)重的獲取，需要人工獲取樣本，影響了算法的自動化程度。對于構(gòu)建的空間特征，如何有效地與光譜特征進(jìn)行融合，從而有效減少特征維度，提高算法精度與效率是一個亟待解決的問題[11]。Fauvel等設(shè)計了一種Kernal集成的多特征融合算法[12]，將構(gòu)建的形態(tài)學(xué)空間特征與光譜特征，以Kernal核函數(shù)的方式進(jìn)行有效的融合，在高分辨率遙感圖像分類中得到了很好的應(yīng)用。基于Kernal集成的多特征融合能夠有效保持特征的原始信息，充分利用各個特征的優(yōu)點(diǎn)。因此，本文采用Kernal集成將二階矩空間特征與光譜特征進(jìn)行有效的融合。基于Kernal的多特征融合，其主要公式為：

k=u1k1+u2k2

(3)

式中：k1表示光譜特征核函數(shù)；k2表示二階矩特征核函數(shù)；k表示新合成的核函數(shù)；u1和u2表示不同特征的合成權(quán)重。

利用公式(3)將二階矩空間特征與光譜特征進(jìn)行有效的融合，能夠同時利用空間特征和光譜特征的優(yōu)點(diǎn)，從而提高從高分辨率遙感圖像中提取道路的精度。

1.3 基于SVM的道路網(wǎng)絡(luò)初提取

利用1.2節(jié)中構(gòu)建的Kernal核函數(shù)，本文選擇一種經(jīng)典的機(jī)器學(xué)習(xí)分類器—支持向量機(jī)(surpport vector machine，SVM)進(jìn)行樣本訓(xùn)練預(yù)測等[13-14]。SVM在小樣本的條件下，仍然能夠有效地進(jìn)行分類預(yù)測，且具有一定的抗噪性。在樣本有限的情況下，適合本文的道路提取算法?；赟VM的道路網(wǎng)絡(luò)初提取步驟如下：

步驟1：利用Kernal將二階矩空間特征與光譜特征進(jìn)行融合，構(gòu)建出新的Kernal核函數(shù)；

步驟2：以上一步驟中的Kernal核函數(shù)作為SVM新的核函數(shù)，完成樣本訓(xùn)練；

步驟3：利用訓(xùn)練出的模型，完成道路網(wǎng)絡(luò)的初始提取。

其中，對于樣本選擇，本文采用二分類的方式完成，即只判定道路與非道路類。兩類的樣本個數(shù)分別為各自真實分布的5%。SVM分類器中核心參數(shù)C、g等通過五倍交叉驗證完成獲取最優(yōu)值。

利用圖像分割形成的標(biāo)記矩陣，以眾數(shù)規(guī)則方式完成道路網(wǎng)絡(luò)的對象級提取，其主要思想是通過判定該對象類道路像元與非道路像元的個數(shù)比較，從而完成道路的對象級提取，改善了椒鹽與空洞現(xiàn)象。

1.4 基于二階矩的道路網(wǎng)絡(luò)精細(xì)化

利用SVM提取的初始道路網(wǎng)絡(luò)，不可避免的存在非道路區(qū)域，需要將這些區(qū)域進(jìn)行去除，從而保存道路網(wǎng)絡(luò)的唯一性與完整性。傳統(tǒng)的方法通常使用面積閾值、長寬比等方式進(jìn)行去除，且需要多個形狀特征進(jìn)行組合，為了更加有效自動化去除非道路區(qū)域，本文利用圖像分割后得到二階矩形狀特征進(jìn)行去除。再次使用二階矩形狀特征的好處在于：1)無需重新計算二階矩特征，提高了算法的效率；2)能夠更為有效地去除非道路區(qū)域，提高了算法的精度。

2 實驗與分析

為了驗證本文算法的有效性，選擇不同衛(wèi)星遙感器、不同成像分辨率、不同場景的高分辨遙感圖像作為數(shù)據(jù)源進(jìn)行實驗，并且通過不同算法進(jìn)行對比，對比算法的選擇主要考慮以下2個方面，1)選取不同的特征融合算法進(jìn)行對比，本文選擇Huang等提出的常用的矢量疊加進(jìn)行對比，其中經(jīng)過參數(shù)調(diào)優(yōu)，設(shè)置為：分割尺度分別為10、20、30、40，人工選取5%真實訓(xùn)練樣本；2) 選取現(xiàn)有較優(yōu)算法進(jìn)行對比，如Miao等提出的算法[15]，其從道路邊緣的角度出發(fā)，結(jié)合改進(jìn)長寬比、面積閾值去除非道路得到精化道路網(wǎng)絡(luò)，其中參數(shù)設(shè)定，經(jīng)過多次實驗確定最優(yōu)參數(shù)為二值化閾值0.001、長寬比過濾閾值15、面積閾值200。對道路提取結(jié)果從定性和定量兩個角度進(jìn)行評價，從定量的角度出發(fā)[16]，利用完整率、正確率、檢測質(zhì)量3個指標(biāo)評價不同算法的精度。

2.1 實驗1 IKONOS遙感圖像

實驗1數(shù)據(jù)選取澳大利亞Hobart地區(qū)的Ikonos遙感圖像，可見光多光譜的成像分辨率為4 m，全色波段成像分辨率為1 m，選擇融合后空間分辨率1 m的圖像進(jìn)行實驗，圖像大小為800像素×1 000像素，實驗圖像及真實道路網(wǎng)絡(luò)分布如圖3所示。

圖3 實驗1圖像及真實道路網(wǎng)絡(luò)

實驗1不同算法對比實驗結(jié)果如圖4所示。從圖4可以看出，采用本文算法對于道路的邊緣保持的更加完整，而采用Miao等提出的算法提取的道路網(wǎng)絡(luò)，盡管邊緣保持較好，但是仍然有部分的道路網(wǎng)絡(luò)沒有提取出來，這是由于最優(yōu)參數(shù)難以確定，且以單閾值的方式來判定全局存在不足之處。采用Huang等提出的算法提取的道路，對于邊緣部分難以保持，且對于同譜異物區(qū)域得不到有效的實驗結(jié)果。本文算法總體效果最好，對于邊緣部分與其他區(qū)域均得到的實驗結(jié)果相對較優(yōu)，完整識別出了道路網(wǎng)絡(luò)，而Miao等提出的算法漏提取較多。為了進(jìn)一步說明本文算法的有效性，選取圖中小區(qū)域進(jìn)行局部對比，如圖5所示。Huang等提出的算法提取的道路，在邊緣出現(xiàn)粘合的現(xiàn)象且道路網(wǎng)絡(luò)不夠準(zhǔn)確。Miao等提出的算法提取的道路容易出現(xiàn)中斷的情況，道路網(wǎng)絡(luò)不夠完整。本文提出的算法能夠較好地保持道路網(wǎng)絡(luò)形狀。

圖4 實驗1不同算法對比實驗結(jié)果

圖5 實驗1不同算法局部對比

2.2 實驗2 QuickBird遙感圖像

為了驗證不同分辨率和不同場景下，算法的可靠性，實驗2數(shù)據(jù)選取了美國Texas地區(qū)的QuickBird遙感圖像，可見光多光譜成像分辨率為2.16 m，波段組合為RGB真彩色圖像，圖像大小為805像素×650像素。實驗圖像及真實道路網(wǎng)絡(luò)分布如圖6所示。

圖6 實驗2圖像及真實道路網(wǎng)絡(luò)

實驗2不同算法對比實驗結(jié)果如圖7所示，從圖7可以看出，在復(fù)雜道路環(huán)境場景下，采用本文的算法仍然能夠完整地提取出道路網(wǎng)絡(luò)，邊緣保持完整。采用Huang等提出的算法提取的道路，對于邊緣部分難以保持，相似地物出現(xiàn)粘合現(xiàn)象，受同譜異物的影響存在著錯誤提取。采用Miao等提出的算法提取的道路雖然能夠提取出道路網(wǎng)絡(luò)，但存在一定的漏提取且對細(xì)節(jié)特征道路的隔離帶進(jìn)行了過渡平滑。本文算法得到道路提取效果最佳，道路網(wǎng)絡(luò)完整，邊緣清晰。為了進(jìn)一步說明本文算法的可靠性，選取圖中小區(qū)域進(jìn)行局部對比，如圖8所示。Huang等提出的算法提取的道路，由于同譜異物的影響，提取出較多的非道路區(qū)域。Miao等提出的算法提取的道路出現(xiàn)較多的鹽噪聲，道路網(wǎng)絡(luò)不夠完整。本文提出的算法能夠較好地保持道路形狀，鹽噪聲較少。

利用不同衛(wèi)星遙感器、不同成像分辨率、不同場景的高分辨遙感圖像提取道路信息，從定性的角度來看，在目視效果上本文的算法均優(yōu)于其他算法(如圖4和圖7所示)，提取道路網(wǎng)絡(luò)更為完善，存在較少的漏提取和鹽噪聲。表1給出兩次實驗利用完整率、正確率、檢測質(zhì)量3個指標(biāo)評價不同算法精度的結(jié)果。定量分析表明，本文的算法在3個指標(biāo)方面均優(yōu)于其他算法，再次驗證了本文算法的有效性。

圖7 實驗2不同算法對比實驗結(jié)果

圖8 實驗2不同算法局部對比

算法實驗1實驗2完整率正確率檢測質(zhì)量完整率正確率檢測質(zhì)量文獻(xiàn)[5]0.906 00.551 50.531 50.893 00.582 00.597 4文獻(xiàn)[15]0.667 90.714 00.553 60.712 50.731 80.614 2本文算法0.917 00.724 40.679 80.922 70.752 00.703 5

3 結(jié)束語

本文構(gòu)建了一種新的形狀特征，有效提高了道路網(wǎng)絡(luò)的提取精度，引入一種新的多特征融合算法，有效利用了光譜與空間特征，改善了同譜異物問題，提高了道路提取的總體效果。但本文算法仍然需要人工選取正負(fù)訓(xùn)練樣本，效率方面仍然存在一定的不足之處。有待進(jìn)一步研究一種自動化的樣本獲取方法，有效提高算法的自動化程度和運(yùn)算效率。