黃巍， 黃輝先， 徐建閩， 劉嘉婷

(1.湘潭大學(xué)信息工程學(xué)院，湘潭 411105; 2.華南理工大學(xué)土木與交通學(xué)院，廣州 510640)

0 引言

隨著遙感技術(shù)和計算機技術(shù)的發(fā)展，遙感影像富含的海量信息得到越來越多的重視，應(yīng)用的意義隨之增大。其中道路信息對智能交通、智慧城市乃至智慧地球的建設(shè)具有重要作用。然而由于地物的復(fù)雜性，精準(zhǔn)識別提取道路信息成為當(dāng)前研究的重要課題。

目前，道路的提取方法大致可以分為基于區(qū)域的提取方法和基于邊緣的提取方法2類?；趨^(qū)域的提取方法主要是在“區(qū)域”(即在某種標(biāo)準(zhǔn)方面(如光譜信息、紋理信息等)相一致且位置上相鄰的像素群)上，根據(jù)區(qū)域的某些特征(如面積特征、周長特征等)來完成影像的分類和目標(biāo)的識別[1-2]。該方法的提取效果很大程度上受標(biāo)準(zhǔn)選擇的影響，對人員先驗知識的要求較高?；谶吘壍奶崛》椒ㄖ饕谟跋裉荻仍谶吘壣系淖兓匦赃M行道路的提取[3-5]。然而高空間分辨遙感影像所蘊含的豐富地物信息會對邊緣的判斷造成較大的混淆，并且由于傳感器和天氣環(huán)境的影響，成像時會產(chǎn)生一定的噪聲，這給應(yīng)用傳統(tǒng)光學(xué)影像邊緣檢測方法進行道路信息提取增加了難度。

針對基于邊緣的道路提取方法所存在的問題，本文提出了一種基于Canny邊緣檢測思想的改進遙感影像道路邊緣提取方法。首先,采用一種結(jié)合中值濾波與自適應(yīng)高斯濾波的方法替換傳統(tǒng)Canny邊緣檢測方法的平滑強度固定的高斯濾波方法來對影像進行降噪； 然后,在經(jīng)過Canny算法的梯度求取以及固定常數(shù)的雙閾值邊緣判斷部分，通過對粗略邊緣影像像素點的局部特性進行分析，來自適應(yīng)地選擇高、低閾值判斷是否為邊緣點，以期在道路提取中抑制噪聲的干擾、保留邊緣細節(jié)，并有效解決遙感影像豐富地物中梯度變化較小的邊緣誤判問題，從而提高道路提取的完整性和準(zhǔn)確度，為地理信息系統(tǒng)提供準(zhǔn)確的基礎(chǔ)地理信息。

1 Canny邊緣檢測方法

用于圖像邊緣檢測的方法有很多，常用的邊緣檢測算子有Sobel，Log，Prewitt和Roberts等。這些算法的實現(xiàn)較為簡單，檢測較快，但是易受噪聲干擾，如果將其應(yīng)用于遙感影像邊緣檢測中將會出現(xiàn)干擾邊緣多、邊緣不連續(xù)或者道路細節(jié)丟失等情況。

基于最優(yōu)化思想的Canny邊緣檢測方法可以彌補其他梯度算子的不足，被認為是最成功也是應(yīng)用最廣泛的灰度邊緣檢測方法。本文在遙感影像邊緣檢測中借鑒Canny方法的實現(xiàn)思想，依照Canny方法的檢測步驟完成邊緣的提取。

Canny方法在實現(xiàn)上主要有4個步驟[6]：

1)平滑影像降噪。采用高斯函數(shù)G(x,y)對影像f(x,y)進行卷積，得到平滑影像g(x,y)，即

(1)

g(x,y)=f(x,y)×G(x,y)，

(2)

式中σ為平滑尺度參數(shù)。

2)計算梯度幅值和方向。選用合適的梯度算子計算降噪后影像各像素點的梯度大小和方向。

3)非極大值抑制(non-maximum suppression，NMS)。為了準(zhǔn)確地定位邊緣點位置，對各像素點的梯度值采取非極大值的抑制手段。在當(dāng)前像素點的鄰域內(nèi)，通過比較該點的梯度幅值，若大于沿梯度方向上相鄰2個像素點灰度值的梯度幅值，那么判斷該點是可能的邊緣點； 否則判斷該點為非邊緣點。

4)高、低閾值檢測與邊緣連接。通過上述步驟處理后得到的邊緣只是粗略的邊緣，還要將其經(jīng)過高、低閾值的檢測處理來剔除偽邊緣點。將小于低閾值的點排除，大于高閾值的點確定為邊緣點； 若介于兩者之間則標(biāo)記為弱邊緣點，再判斷此弱邊緣點與邊緣點是否相連接，若是，則將此點記為邊緣點。

2 影像濾波降噪

遙感影像在采集、轉(zhuǎn)換和傳送等過程中易因儀器和外界環(huán)境而產(chǎn)生噪聲，因此在進行遙感影像邊緣檢測和道路提取前，需要采用適當(dāng)?shù)姆椒▉頊p少噪聲。但是平滑降噪的同時容易模糊原影像，使遙感影像的邊緣細節(jié)保留能力降低。為此，本文采用一種能降噪又能較好地保留邊緣細節(jié)的基于目標(biāo)尺度的自適應(yīng)高斯濾波器替換傳統(tǒng)Canny方法中的高斯濾波器，在高斯濾波前先使用中值濾波來平滑因地物信息增加造成的較多椒鹽噪聲，然后再求得各像素點的目標(biāo)尺度并與高斯函數(shù)結(jié)合，針對不同像素點來自適應(yīng)地改變平滑強度進行濾波降噪。

2.1 中值濾波

中值濾波是一種依據(jù)排序理論的非線性濾波方式。通過將中心像素點鄰域里的所有像素的灰度值按大小順序排列，再用這些像素灰度值的中值來代替該中心像素點的灰度值。通過中值濾波能夠去除較大的孤立噪聲點。

2.2 目標(biāo)尺度

目標(biāo)尺度的概念最早由Saha等[7]在2000年提出。對于二維圖像而言是一種表征局部區(qū)域各像素灰度相似程度的量。不同于傳統(tǒng)的空間尺度概念，它是空間中某點基于鄰域半徑搜索和鄰域相似度的計算，用滿足條件的鄰域半徑表征像素點的局部特征的量，表示的是一種目標(biāo)的局部范圍內(nèi)形態(tài)學(xué)層面上的大小。2005年，Chen[8]用數(shù)學(xué)語言較為嚴謹?shù)孛枋龀隽四繕?biāo)尺度，即定義空間中任意像素點(x，y)的R(R≥0,R∈Z)鄰域Nxy(R)及邊界區(qū)域Bxy(R)分別為

Nxy(R)={(x,y)||x-i|≤R,|y-j|≤R}，

(3)

Bxy(R)={(i,j)|(i,j)∈Nxy(R)-Nxy(R-1)} ，

(4)

式中(i，j)為邊界區(qū)域上所有像素點的坐標(biāo)。

圖1為R=2時像素點(x，y)的鄰域與邊界區(qū)域示意圖，其中鄰域為白色區(qū)域和灰色區(qū)域，邊界區(qū)域為灰色區(qū)域。

圖1 R=2鄰域圖Fig.1 Neighbourhood of R=2

點(x，y)與其邊界區(qū)域的相似程度Uxy(R)定義為

(5)

式中： |Bxy(R)|為邊界區(qū)域像素點個數(shù)；I為像素點的灰度值；σμ為影像梯度分布統(tǒng)計參數(shù)。根據(jù)高斯分布的3σ原則，99.7%的分布在均值的3σ區(qū)域范圍內(nèi)，故

σμ=μd+3σd，

(6)

式中μd和σd分別為影像中所有像素梯度值在去除20%高梯度值后的梯度均值和標(biāo)準(zhǔn)差[9]。

對于影像中的像素點，其目標(biāo)尺度Rxy為

s.t.?R∈Z(0≤R

(7)

式中Ts為相似度閾值常數(shù)，根據(jù)文獻[7]，Ts取值范圍一般為[0.75,0.85]。

求取目標(biāo)尺度Rxy的具體實現(xiàn)步驟為：

1)設(shè)置初始條件，包括初始目標(biāo)像素點(x，y)(一般選取影像左上端的第1個點)，閾值Ts，初始鄰域R=1。

2)根據(jù)式(5)計算像素點(x，y)的邊界相似度。

3)若Uxy(R)≥Ts，則R=R+1，并返回到步驟2)； 若Uxy(R)

4)重復(fù)執(zhí)行步驟2)和步驟3)，直到各像素點遍歷截止。

2.3 自適應(yīng)目標(biāo)尺度平滑濾波

通過引入目標(biāo)尺度自適應(yīng)改變平滑尺度σ和模板大小來對不同的像素(x，y)進行不同尺度的平滑濾波，以達到兼顧平滑噪聲和保留邊緣細節(jié)的目的。自適應(yīng)高斯濾波函數(shù)為

(8)

式中：σxy為自適應(yīng)平滑尺度參數(shù)；lxy為模板大小參數(shù)。通過式(7)求得的目標(biāo)尺度Rxy，令σxy=lxy=Rxy，最后將求出的G(x,y,σxy)離散化為(2lxy+1)×(2lxy+1)大小的模板并將模板與給定影像做卷積即可得出平滑影像。

3 雙閾值選取方法

經(jīng)過降噪處理、梯度求取以及NMS后得到的是粗略邊緣影像，還要進一步根據(jù)高、低閾值來判斷粗略邊緣上的點是否為邊緣點。高、低閾值的設(shè)置直接關(guān)系到邊緣檢測的精度，是邊緣提取的關(guān)鍵。若閾值太高則可能導(dǎo)致邊緣線的破裂，若閾值太低則會容易將噪聲和梯度變化較小的邊界誤判為影像邊緣。而合適的閾值不但能夠抑制噪聲，而且還能減少偽邊緣的產(chǎn)生。

由于遙感影像受光照、場景等變化因素的影響，在某一部分分割效果良好的閾值在其他部分的效果不一定就好。高、低閾值的取值無法是一個確定不變的值，因此，本文采用以隨位置變化的函數(shù)值作為灰度閾值的自適應(yīng)閾值方法。

除非目標(biāo)有明顯的邊界，否則灰度閾值的大小對分割目標(biāo)的邊界定位和整體尺寸有很大的影響，這意味著尺寸(特別是面積)的測量對于灰度閾值的選取很敏感[10]，合適的面積尺寸范圍亦成為選取閾值的重要因素，對閾值的準(zhǔn)確、客觀的選取具有重要意義。跟據(jù)上文目標(biāo)尺度的定義，若某像素點的目標(biāo)尺度為Rxy，則在該點的Rxy×Rxy鄰域范圍內(nèi)，影像為相對平滑的同質(zhì)區(qū)域。因此可以在目標(biāo)尺度這樣一個面積尺寸范圍內(nèi)來進行灰度閾值的選取。

基于上述討論，本文提出了一種基于目標(biāo)尺度的局部統(tǒng)計特性的雙閾值選取方法：

1)對于影像中每一像素點(x，y)，求得該點目標(biāo)尺度Rxy。

2)在該點的Rxy×Rxy鄰域范圍內(nèi)，求得高、低閾值Hxy和Lxy，即

Hxy=(mxy+3σxy)(1-Ts)，

(9)

Lxy=0.4Hxy，

(10)

式中：σxy和mxy分別為該像素點Rxy×Rxy鄰域范圍內(nèi)各像素的標(biāo)準(zhǔn)差和均值，分別表征了該局部區(qū)域的對比度和平均灰度特性[11]； 閾值Ts的取值同公式(7)。

從而對于不同的點有不同的閾值來進行邊緣判斷和邊緣連接。高于高閾值Hxy的點判斷為邊緣點，低于低閾值Lxy的點判斷為非邊緣點。介于高、低閾值中間的點再根據(jù)是否和高于高閾值的邊緣點有連接來判斷是否為邊緣點。

4 實驗結(jié)果及分析

為了驗證本文方法效果，在Matlab2016平臺下將本文方法與傳統(tǒng)Canny方法以及結(jié)合Otsu算法選取閾值的Otsu-Canny方法進行仿真實驗對比，實驗影像為2幅空間分辨率為0.61 m的QuickBird全色波段遙感影像。具體實驗內(nèi)容包括： ①定性分析，將原始影像和添加噪聲的影像分別進行實驗得到邊緣檢測結(jié)果圖，從視覺上直觀地比較檢測結(jié)果及算法抗噪性； ②定量分析，采用評價指標(biāo)來進行客觀的邊緣檢測效果評價； ③引入形狀特征參數(shù)完成道路邊緣提取的精細化處理并進行結(jié)果精度評價。

4.1定性分析

圖2為原始影像的邊緣檢測結(jié)果。其中圖2(b)和(f)為傳統(tǒng)Canny方法的檢測結(jié)果，可以看到，傳統(tǒng)Canny方法將梯度變化較小的像素誤判為邊緣，產(chǎn)生的邊緣較為凌亂，特別是在影像1左上角道路邊緣部分、十字路口右上角圓圈內(nèi)以及影像2的道路兩側(cè)的平地部分有較多的誤判。圖2(c)和(g)為Otsu-Canny方法，該方法在進行邊緣判斷時，受到的干擾較大，檢測出較多的虛假邊緣。圖2(d)和(h)為本文方法結(jié)果，可看出本文方法抗噪性較好，邊緣較為完整，道路的誤判率更低。

(a) 影像1(b) 影像1傳統(tǒng)Canny方法(c) 影像1 Otsu-Canny方法(d) 影像1本文方法

(e) 影像2(f) 影像2傳統(tǒng)Canny方法(g) 影像2 Otsu-Canny方法(h) 影像2本文方法

圖2原始灰度影像檢測結(jié)果

Fig.2Contrastwithoutnoiseofimage

圖3為高斯噪聲標(biāo)準(zhǔn)差為10和椒鹽噪聲密度0.05%的遙感影像的邊緣檢測結(jié)果。從結(jié)果圖可以明顯看出，前2種方法去噪能力差、受干擾影響較大，檢測到輪廓線較為零散，且誤判多、產(chǎn)生了許多虛假邊緣。而本文算法受噪聲干擾非常小，邊緣判斷準(zhǔn)確、邊緣輪廓清晰，線段平滑、連續(xù)性好。

(a) 影像1(b) 影像1傳統(tǒng)Canny方法(c) 影像1Otsu-Canny方法(d) 影像1本文方法

(e) 影像2(f) 影像2傳統(tǒng)Canny方法(g) 影像2Otsu-Canny方法(h) 影像2本文方法

圖3標(biāo)準(zhǔn)差10高斯噪聲和椒鹽噪聲0.05%影像檢測結(jié)果

Fig.3ContrastofimagewithGaussnoiseandsaltandpeppernoise

4.2 定量分析

為了驗證算法的通用性和定性評價的可靠性，對影像1和影像2在無噪聲和有噪聲環(huán)境下進行了對比實驗，采用Abdou等[12]提出的從邊緣線的丟失、錯誤檢測以及邊緣點定位誤差等方面綜合考慮的品質(zhì)因素P來評價邊緣檢測效果，即

(11)

式中：II為理想邊緣像素數(shù)量；IA為實際檢測出的邊緣像素數(shù)量；d為理想邊緣像素i與實檢邊緣像素的距離； α為常數(shù)，通常取0.1。P值越大表示檢測效果越好。

圖4和圖5分別為影像1和影像2的高斯噪聲—品質(zhì)因素曲線圖和椒鹽噪聲—品質(zhì)因素曲線圖?？梢钥吹奖疚姆椒ㄔ诓煌瑥姸仍肼曄碌倪吘墮z測評價結(jié)果品質(zhì)因素值始終高于其他2種方法的品質(zhì)因素值。從客觀上表明本文方法的邊緣檢測效果較好，特別是在噪聲環(huán)境下更優(yōu)于其他2種方法，說明本文方法抗噪性更強。

(a) 影像1(b) 影像2

圖4高斯噪聲—品質(zhì)因素曲線圖

Fig.4FigureofmeritversusGaussnoisedensity

(a) 影像1(b) 影像2

圖5椒鹽噪聲—品質(zhì)因素曲線圖

Fig.5Figureofmeritversussaltandpeppernoisedensity

4.3 道路提取后處理及結(jié)果

本文方法克服了其他邊緣算法抗噪性較差、邊緣點判斷準(zhǔn)確性較低的缺點，由誤檢、漏檢造成的雜亂邊緣干擾較少、連續(xù)性也較好，因此可以依據(jù)邊緣形狀特征來判別邊緣的類別，通過統(tǒng)計邊緣線的尺寸，將大片面積和小片面積區(qū)域的邊緣區(qū)分開[13]。定義一個形狀特征描述參數(shù)L，對于灰度圖像而言參數(shù)L表示邊緣線的周長，對于二值圖像參數(shù)L則表示邊緣所包含的像素點的個數(shù)，統(tǒng)計圖像中的邊緣線，將小于參數(shù)L的邊緣線剔除，實現(xiàn)道路邊緣精細化處理。本文實驗中L為邊緣線像素點個數(shù)，影像1和影像2分別取值55和175，得到圖6(a)和(c)。最后通過對道路邊緣線進行映射來評價提取結(jié)果，將邊緣線標(biāo)紅疊加到原始遙感影像上。如圖6(b)和(d)所示可以直觀地看到道路邊緣提取的準(zhǔn)確性較高，漏判、誤判很少，提取效果明顯。

(a) 影像1道路提取結(jié)果(b) 影像1道路疊加圖(c) 影像2道路提取結(jié)果(d) 影像2道路疊加圖

圖6道路邊緣提取結(jié)果

Fig.6resultsofimagedetection

5 總結(jié)

本文從遙感影像的自身特征出發(fā)，在傳統(tǒng)Canny邊緣檢測方法的思想上，提出了一種改進的遙感影像道路提取方法。

1)針對遙感影像受噪聲影響較大的問題，利用一種平滑尺度自適應(yīng)的高斯濾波器對影像進行降噪處理。該方法對噪聲的抑制效果明顯。

2)為了客觀、準(zhǔn)確地選取閾值來判斷邊緣點，采用基于目標(biāo)尺度的局部特性雙閾值選取方法，從而改善影像中豐富地物造成的邊緣漏檢、誤檢現(xiàn)象。

3)本文方法參數(shù)的設(shè)定無需人工參與，自動化程度較高，能通過較為簡單的方法完成道路邊緣線的提取且準(zhǔn)確度較高。但是有少量與道路邊緣線粘連的毛刺被提取出來，如何解決這一問題將是下一步研究的工作。