楊 蘊(yùn)，李 玉，趙泉華

(遼寧工程技術(shù)大學(xué)測繪與地理科學(xué)學(xué)院遙感科學(xué)與應(yīng)用研究所，遼寧阜新123000)

0 引 言

隨著遙感技術(shù)的發(fā)展，新一代遙感傳感器提供非常高的分辨率，可以獲得大量具有精細(xì)空間結(jié)構(gòu)的光譜數(shù)據(jù).為了利用這些數(shù)據(jù)，準(zhǔn)確且有效的信息提取方法在遙感應(yīng)用中至關(guān)重要，而道路提取作為高分辨率遙感圖像信息提取的新興領(lǐng)域，對于交通規(guī)劃、災(zāi)害管理和汽車導(dǎo)航等具有重要意義.但從高分辨率遙感圖像中提取道路存在較多困難，因為道路易受光照變化的影響，各路段可能具有不同的顏色，道路標(biāo)志線等局部特征也增加了提取難度.因此，需要開發(fā)新的方法來提取高分辨率遙感圖像中的道路.

近十幾年來，基于視覺的道路提取一直很活躍，提出了許多方法，可粗略的分為3 類：基于手工、半自動和自動的方法.基于手工法是由專家手工完成，但高分辨率遙感圖像的道路手工提取是一項復(fù)雜而艱巨任務(wù)，逐漸被人們棄用，而具有較大自動化程度的道路提取方法已成為遙感應(yīng)用的一個研究熱點(diǎn).在已有文獻(xiàn)中，自動方法意味著一個完全自動的過程.如楊先武等[1]提出了一種基于頻率域的高分辨率遙感影像城市道路提取方法，利用高通濾波器對圖像進(jìn)行銳化增強(qiáng)，突出道路的邊緣信息，再對增強(qiáng)后的圖像二值化以提取路段.周家香等[2]提出了一種高分辨率遙感影像城區(qū)道路網(wǎng)提取方法，首先利用Mean-Shift算法和直方圖準(zhǔn)則選擇閾值進(jìn)行二值化分割實(shí)現(xiàn)道路粗提取，后通過構(gòu)造多方向形態(tài)學(xué)濾波對分割結(jié)果進(jìn)行精細(xì)化處理.理論上，道路全自動提取方法不需要人為干預(yù)，但這是不切實(shí)際的，因為高分辨率圖像的使用對自動提取道路添加了一些限制因素，如背景覆蓋，道路上的車輛及其陰影等復(fù)雜因素.

在半自動方法中，人為給予一些先驗信息，例如種子點(diǎn)，在道路的正確識別中起著重要作用.如施海亮等[3]提出基于Snakes 模型的高分辨率遙感影像城區(qū)道路提取方法，以人為選定的初始種子點(diǎn)開始，利用Snakes模型進(jìn)行線性特征提取.由于模型的非凸性，它有可能收斂到局部極值點(diǎn)甚至發(fā)散，但其最大的缺陷是無法進(jìn)行拓?fù)渥兓荒苓m用于類型復(fù)雜且形狀各異的道路.譚仁龍等[4]針對基于滑動矩形模板匹配提取效果不佳的問題，提出一種基于滑動圓形模板的半自動道路提取方法，取得了較好的結(jié)果.但由于滑動圓形模板的形狀限制，使其在道路邊緣處理不佳；由于模板的單一性，使其難以從具有復(fù)雜場景的高分辨率遙感圖像中完整地提取不同類型的道路.

為能夠?qū)?fù)雜場景中的不同類型道路進(jìn)行完整提取，提出一種基于多標(biāo)記像素匹配的高分辨率遙感圖像道路提取方法.首先，為了減少光照變化對提取的影響，選取與照明強(qiáng)度弱相關(guān)的色相特征作為初始匹配項；然后，以矩形框的方式標(biāo)記不同類型的道路，利用t檢驗法剔除其匹配項中由于不同顏色的道路標(biāo)志線、窨井蓋和反光物等引起的異常值，從而確定閾值來匹配道路像素點(diǎn)，利用局部紋理算子對匹配結(jié)果進(jìn)行篩選；最后，利用道路區(qū)域的形態(tài)特征對匹配結(jié)果進(jìn)行優(yōu)化處理得到最終提取結(jié)果.

1 算法描述

設(shè)I=(is：s∈S)為定義在圖像域S，大小為M×N的待提取彩色遙感圖像，其中，S={s=(m,n)：m=1,2,…,M,n=1,2,…,N}，M和N分別是I的行數(shù)和列數(shù)，s為像素索引，(m,n)表示像素格點(diǎn)位置，is為第s個像素的RGB 矢量，is=(isR,isG,isB)T，isR、isG和isB分別是is在RGB空間的三通道值.

1.1 顏色空間轉(zhuǎn)換

為降低照明變化導(dǎo)致I顏色值的可變性，將I由RGB 顏色空間轉(zhuǎn)換到Lab 顏色空間.由于RGB顏色空間不能直接轉(zhuǎn)換為Lab 顏色空間，需將RGB顏色空間先轉(zhuǎn)換到XYZ顏色空間，而常用的轉(zhuǎn)換矩陣有BT2020、BT709 和DCIP3 這3 種類型[5].BT709 矩陣可將RGB 和XYZ 在同等范圍映射，故利用BT709矩陣進(jìn)行轉(zhuǎn)換.對任一像素is存在如下關(guān)系

式中：(is)XYZ表示is的XYZ 矢量，和isZ分別是is在XYZ 空間的三通道值.將其由XYZ 顏色空間轉(zhuǎn)換到Lab 顏色空間，關(guān)系式為

式中：下標(biāo)L，a，b 表示Lab 顏色空間的三通道；(is)L表示從黑色到白色的亮度，(is)L∈[0,100] ；(is)a和(is)b為像素s的色相特征，它們提供與照明無關(guān)的像素顏色信息；Xn，Yn和Zn是參考白點(diǎn)的刺激值(用于標(biāo)準(zhǔn)化)；映射函數(shù)f(?)的表達(dá)式為

1.2 多類型道路標(biāo)記

以繪制矩形框的方式在I中對不同類型的道路進(jìn)行手動標(biāo)記，作為匹配模板，記為R={R1,R2,…,Rk,…,RK} ，k為標(biāo)記框索引，K為手動標(biāo)記矩形框個數(shù).對任一標(biāo)記框Rk，k∈{1,2,…,K}，利用1.1 節(jié)的顏色空間轉(zhuǎn)換公式獲取其在Lab顏色空間a 通道和b 通道的不同元素，構(gòu)成向量Uka=(ak1,ak2,…,akl,…,aKL)，Ukb=(bk1,bk2,…,bkl,…,bKL)，其中，l為元素索引，akl和bkl分別是第k個標(biāo)記框在a 通道和b 通道的第l個值，L為不同元素的個數(shù).Rk可能包括不同顏色的其他目標(biāo)，在Uka和Ukb內(nèi)表現(xiàn)為異常值，若以這些異常值為模板，對后續(xù)的像素標(biāo)記會造成不可逆的錯誤.因此，利用t 檢驗法剔除Uka和Ukb內(nèi)由噪聲引起的異常值.

對Uka=(ak1,ak2,…,akl,…,aKL)，假設(shè)其第j(j∈{1,2,…,L} )個值akj為可疑異常值，分別計算其不包含akj的均值ak和標(biāo)準(zhǔn)偏差σk，即

當(dāng)統(tǒng)計量滿足關(guān)系式

則akj為異常值，Cp(L)為統(tǒng)計量的臨界值，可表示為

式中：tp(L-2 )是自由度為(L-2 )的t分布的p分位數(shù)[5]，遍歷Uka的所有值對第k個標(biāo)記矩形框在a通道中的異常值進(jìn)行剔除，記為.同理對Ukb=(bk1,bk2,…,bkl,…,bkL)處理得到b 通道中剔除異常值的.

1.3 多標(biāo)記像素匹配

對第k個道路模板，以和為種子點(diǎn)來匹配各像素點(diǎn)，取其區(qū)間值為閾值，即

式中：Tka和Tkb分別是以第k(k∈{1,2,…,K})個標(biāo)記矩形框構(gòu)建的道路模板閾值，對任一像素is，將(is)a和(is)b與閾值相比較，若其都在閾值區(qū)間，即

式中：?表示“且”.若滿足式(12)，則標(biāo)記此像素為道路點(diǎn).遍歷所有像素點(diǎn)，從而得到對不同類型道路的粗匹配結(jié)果E={e(m,n)：m=1,2,…,M,n=1,2,…,N} ，e(m,n)∈{0,255}.e(m,n)=255，標(biāo)記為道路；e(m,n)=0，標(biāo)記為非道路.

E中確定的道路像素點(diǎn)利用文獻(xiàn)[6]提出的面向局部紋理特征與模板的紋理特征相比較，由皮爾森積矩相關(guān)系數(shù)為準(zhǔn)則對其進(jìn)行篩選.以LO(R,P)作為像素點(diǎn)的局部紋理描述符，其中，R為像素鄰域的半徑，P為鄰域內(nèi)的像素數(shù)目.對任一待定道路像素點(diǎn)e，其圖像位置為(xe,ye)，鄰域像素p的坐標(biāo)為(xp,yp)，ie和ip是像素e和p的光譜矢量，計算ie和ip之間的絕對差異dp為

式中：ieR、ipR，ieG、ipG和ieB、ipB分別是像素e和p的RGB 空間三通道值.由此可得像素e處的局部紋理描述符 ，同理計算矩形模板Rk中各像素點(diǎn)的差異，然后計算所有沿同一方向的差異的平均值，即

對待選像素點(diǎn)e，計算Le和Lk的皮爾遜積矩相關(guān)系數(shù)，可表示為

1.4 道路識別

高分辨遙感圖像場景具有復(fù)雜性，使一些對象在光譜或紋理上與道路極其相似，造成道路粗提取結(jié)果E′中存在大小不同的零星偽道路區(qū)域，為此利用道路區(qū)域大范圍連通特點(diǎn)和形態(tài)特征對E′進(jìn)行精細(xì)化處理.

利用道路區(qū)域大范圍連通特點(diǎn)，對E′進(jìn)行柵格掃描，搜索像素值e′(m,n =)255 且位置相鄰的像素點(diǎn)組成連通區(qū)域，以像素為單位統(tǒng)計每個區(qū)域的面積.如果小于閾值，那么此區(qū)域就被刪除，大于閾值的被保留，同理刪除圖像背景中較小連通區(qū)域.去除小面積偽道路的提取結(jié)果為E1，基于連通域標(biāo)定的偽道路去除算法流程如圖1所示.

對去除小面積偽道路后的提取結(jié)果進(jìn)行精確道路識別，由最小外接矩形窗緊致包絡(luò)E1中的連通區(qū)域，利用矩形窗的幾何結(jié)構(gòu)近似表征所包絡(luò)連通區(qū)域的形態(tài)特征[7].根據(jù)道路條帶狀的形態(tài)學(xué)特征，用于識別道路區(qū)域的分類準(zhǔn)則為

式中：Lr和Wr分別是第r個矩形窗的長和寬；T為最小外接矩形窗長寬比的閾值，本文T ＞5，大于T的被判定為真實(shí)道路，反之為偽道路.由此得到道路最終提取結(jié)果Z={z(m,n)：m=1,2,…,M,n=1,2,…,N}.

圖1 基于連通域標(biāo)定的偽道路去除算法流程Fig.1 Flow chart of pseudo road removal algorithm based on connected domain calibration

2 實(shí)驗討論與分析

本文實(shí)驗運(yùn)行環(huán)境為Windows 7，32位操作系統(tǒng)，具有4 G 內(nèi)存，處理器為Intel(R)Core(TM)CPU 32 G 的個人計算機(jī).通過MATLAB R2015b編寫程序?qū)Π煌愋偷缆穮^(qū)域的高分辨率遙感圖像進(jìn)行提取實(shí)驗.

2.1 實(shí)驗數(shù)據(jù)及設(shè)置

采用從中景視圖網(wǎng)獲取的高分辨彩色遙感影像數(shù)據(jù)對本文方法進(jìn)行驗證.圖2為4幅含有不同類型道路的高分辨率遙感圖像，其中，圖2(a)和(b)是分辨率為0.5 m，尺度分別為981 pixel×954 pixel和400 pixel × 600 pixel 的WordView-2 圖像，圖2(c)和(d)是分辨率為0.4 m，尺度分別為512 pixel×385pixel和320pixel×353pixel的GeoEye-1圖像.

為驗證所提方法的優(yōu)越性，利用全自動方法[2]和滑動圓形模板匹配的方法[4]作為對比算法，對結(jié)果從視覺和統(tǒng)計分析角度進(jìn)行比較.文獻(xiàn)[2]的方法說明進(jìn)行半自動化提取的必要性，文獻(xiàn)[4]的方法表明，結(jié)合像素光譜和紋理的像素匹配在識別完整度和提取精度方面的優(yōu)勢.

2.2 道路標(biāo)記

由圖2的原始圖像可以看出，在同一場景下可含有不同類型的道路，其顏色和紋理不同，這不利于道路的完整提取.為此，將不同類型的道路以繪制矩形框(本文選擇15 pixel×15 pixel)的方式對圖3(a1)～(d1)進(jìn)行標(biāo)記，其中對圖3(a1)～(d1)的標(biāo)記框個數(shù)K分別為4、4、3和3，各標(biāo)記結(jié)果的放大圖如圖3(a2)～(d2)所示.

圖2 原始圖像Fig.2 Original image

圖3 道路標(biāo)記Fig.3 Road marking

2.3 本文方法實(shí)驗結(jié)果及分析

本文方法提取的道路粗結(jié)果如圖4(a1)～(d1)所示，由于光譜特征的相似，使得粗提取結(jié)果中存在零星的偽道路，為此利用道路區(qū)域大范圍連通特點(diǎn)和其形態(tài)特征對粗提取結(jié)果進(jìn)行精細(xì)化處理，結(jié)果如圖4(a2)～(d2)所示.

圖4 本文方法提取結(jié)果Fig.4 Extraction results of this paper

為了在視覺上對本文方法進(jìn)行定性評價，將提取的道路結(jié)果疊加在原始圖像上，結(jié)果如圖5(a)～(d)所示.

由疊加圖可以看出，本文方法提取結(jié)果涵蓋了圖中所有類型的道路，且提取結(jié)果邊界與實(shí)際道路邊界幾乎完全吻合，說明本文方法在提取道路類型的完備性和提取道路邊界定位的準(zhǔn)確性.

圖5 本文方法定性評價結(jié)果Fig.5 Qualitative evaluation results of this paper

對提出方法進(jìn)行定量評價，采用Modava提出的一種基于鄰域像素的評價標(biāo)準(zhǔn)[8]，將手工提取道路的邊界線用作評價的標(biāo)準(zhǔn)邊緣，以其為中心建立半徑為5 pixel 的緩沖區(qū)，計算所提取的道路邊界線落入不同半徑緩沖區(qū)的累加百分比，其結(jié)果如表1所示.由表1可以看出，本文方法得到的邊界線與手工邊界線在半徑為2 pixel 時，精度均達(dá)到80%以上，說明本文方法具有較高的準(zhǔn)確性.

表1 本文方法在不同緩沖區(qū)半徑內(nèi)的提取精度Table1 Extraction accuracy of this method in different buffer radius

2.4 對比算法道路提取結(jié)果及分析

對比算法實(shí)驗結(jié)果如圖6所示，由圖6和圖4(a2)～(d2)對比可以看出：文獻(xiàn)[2]和[4]的方法在提取具有顯著性視覺特征的道路時，具有類似的結(jié)果；在提取不具有顯著性視覺特征的道路時，正確率和完整性方面文獻(xiàn)[2]比文獻(xiàn)[4]更低；文獻(xiàn)[4]雖在精度上有所提高，但由于模板自身幾何特性，使道路邊界呈現(xiàn)模板的輪廓形狀，特別是在如道路4場景中，道路寬度較小，形態(tài)變化較大，造成相鄰道路被連通.相比而言，本文以手工標(biāo)記為模板，在綜合考慮色相和紋理特征的基礎(chǔ)上，以像素為基元進(jìn)行匹配，可以很好地實(shí)現(xiàn)不同類型道路的提取.

圖6 文獻(xiàn)[2]和文獻(xiàn)[4]提取結(jié)果Fig.6 Extraction results of in Ref.[2]and Ref.[4]

將圖6提取結(jié)果疊加在原始圖像上，結(jié)果如圖7 所示.由圖7和圖5對比可以看出，與文獻(xiàn)[2]和[4] 方法相比，本文方法提取得到的邊界線與實(shí)際邊界線的吻合性更好.因此，驗證了所提方法的可行性和有效性.

同樣，基于鄰域像素的評價標(biāo)準(zhǔn)對對比算法進(jìn)行定量評價，結(jié)果如表2所示.

圖7 文獻(xiàn)[2]和文獻(xiàn)[4]方法定性評價結(jié)果Fig.7 Qualitative evaluation results of in Ref.[2]and Ref.[4]

表2 對比算法在不同緩沖區(qū)半徑內(nèi)的提取精度Table2 Extraction accuracy of comparison algorithms in different buffer radius

對比表1和表2可以看出：當(dāng)完全重疊時，文獻(xiàn)[2]、文獻(xiàn)[4]和本文方法的平均提取精度分別為9.26%、14.06%和26.24%，考慮到標(biāo)準(zhǔn)邊界線的偏差，三者的提取精度相差不大；當(dāng)達(dá)到半徑為2 pixel 時，文獻(xiàn)[2]和[4]平均提取精度分別為50.57%和62.24%，本文方法均已達(dá)到80%以上，說明本文方法具有較高的準(zhǔn)確性.隨著緩沖區(qū)的半徑增大，本文方法提取精度始終大于文獻(xiàn)[2]和[4]，且優(yōu)越性更加顯著.

3 結(jié) 論

本文針對高分辨率遙感圖像的道路提取不完整和誤提取問題，提出一種基于多標(biāo)記像素匹配的高分辨率遙感圖像道路提取方法.利用簡單地標(biāo)記多類型道路提供正確的匹配模板，由色相特征的像素匹配可達(dá)到道路區(qū)域的過提取效果，后經(jīng)局部紋理特征對匹配像素進(jìn)行篩選降低了計算復(fù)雜度，充分利用道路區(qū)域的形態(tài)特征對真實(shí)道路區(qū)域進(jìn)行劃定，為高分辨遙感圖像的道路提取問題提供了一個較為可行的解決方案.