(西南科技大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，四川 綿陽 621010)

0 引言

高分遙感影像道路提取在各個(gè)領(lǐng)域發(fā)揮著重要的作用，如汽車導(dǎo)航、城市規(guī)劃、資源探測、智能交通、地理信息更新等。道路的提取精度對各類地物的識別效果、自然災(zāi)害預(yù)警、軍事目標(biāo)偵察與打擊、無人駕駛路徑規(guī)劃等研究領(lǐng)域也有重要影響[1]。針對遙感圖像道路提取的問題，國內(nèi)外學(xué)者提出了各類算法與模型。目前，道路的提取方法大致可分為基于像元和基于對象的提取方法。Zhao等[2]提出一種利用光譜特征與統(tǒng)計(jì)特征的監(jiān)督分類方法，該算法主要針對遙感區(qū)域面積較小情況下的道路提取。Shi等[3]使用自適應(yīng)領(lǐng)域?qū)崿F(xiàn)光譜特征空間分類，對區(qū)分道路類與非道路類有較好效果，對于圓形交叉入口等復(fù)雜場景具有局限性。Mu等[4]提出基于灰度特征的Otsu閾值法來分割圖像，該方法的精度還需要改進(jìn)。Cheng等[5]根據(jù)圖像的紋理特征和幾何特征提出了基于對象的圖像分割方法，該方法對農(nóng)村和郊區(qū)等道路較少的區(qū)域有較好的提取效果，但對城鎮(zhèn)提取道路網(wǎng)提取效果還需要改進(jìn)。

部分研究著力于從獲取的道路條帶中提取道路中心線[6]，其中細(xì)化算法[7]比較常用，但該算法會產(chǎn)生“毛刺”現(xiàn)象，不能得到平滑和精確的道路中心線。Cao等[8]利用均值漂移算法和卡爾曼濾波提取道路的中心線，對車輛、樹蔭等遮擋區(qū)域具有較好的穩(wěn)定性，有待改進(jìn)之處在于需要人工提供道路中心點(diǎn)模板，自動(dòng)化程度需要提高。Ozertem等[9]提出子空間約束的均值漂移算法來獲取精確的道路中心線，但該方法屬于有偏估計(jì)，影響了結(jié)果的精確性。Cao等[10]提出一種融合像元與對象特征的中心線提取方法，有效的改善了傳統(tǒng)方法中易產(chǎn)生“鹽噪聲”和非道路地物粘連的現(xiàn)象，但需要借助于地表真實(shí)訓(xùn)練樣本。中心線的提取結(jié)果中，會因?yàn)檎系K物等各種因素造成道路信息提取不完整，出現(xiàn)“毛刺”和“斷裂”現(xiàn)象。

針對“毛刺”與“斷裂”的問題，本文提出一種新的“交點(diǎn)”搜索規(guī)則，使用基于交點(diǎn)的“毛刺”去除算法對道路中心線中的“毛刺”進(jìn)行去除。提出一種基于“待連接點(diǎn)”的連接方法對“斷裂道路”進(jìn)行連接，得到光滑和完整的道路中心線提取圖。

1 中心線提取流程

1.1 基于SVM的高分遙感影像道路提取

本文采用文獻(xiàn)[11]中的方法對遙感影像進(jìn)行分類，算法完整流程如下：

1)利用支持向量數(shù)據(jù)描述(SVDD)對高分遙感影像進(jìn)行處理，得到初始道路與非道路樣本數(shù)據(jù)。

2)利用SVM(支持向量機(jī))訓(xùn)練初始樣本，得到初始的道路圖。結(jié)合形態(tài)學(xué)分割和直線匹配得到直線匹配圖。

3)根據(jù)樣本點(diǎn)與超平面之間的距離選出候選道路與非道路樣本數(shù)據(jù)。

4)候選點(diǎn)在直線匹配圖中依然是道路，則保留該道路候選點(diǎn)，否則刪除該點(diǎn)，對非道路候選點(diǎn)也采用同樣的方式處理。

5)將4)中選出的道路與非道路賦予一定的權(quán)重，與初始樣本集代入到SVM訓(xùn)練，當(dāng)?shù)螖?shù)小于30次時(shí)，返回第3)步，否則進(jìn)行第6)步。

6)對訓(xùn)練模型進(jìn)行篩選，得到正確率最高的訓(xùn)練模型，最后通過形態(tài)學(xué)處理獲得道路提取圖。

圖1 本文算法流程圖

1.2 道路中心線提取

得到初始道路提取圖之后，需要對非道路區(qū)域進(jìn)行去除，本文采用文獻(xiàn)[12]中的方法來去除干擾區(qū)域。

1)使用邊緣濾波將道路和非道路區(qū)域之間的連接斷開。現(xiàn)實(shí)的道路區(qū)域交叉處是平滑和連通的，因?yàn)榈缆放c非道路區(qū)域的材質(zhì)不同，所以它們的連接處會存在邊緣現(xiàn)象。根據(jù)這一特點(diǎn)，利用Canny算子提取原始全色影像的邊緣，邊緣存在的位置不應(yīng)該存在道路，因此可以將道路提取圖中的邊緣存在處設(shè)置為背景區(qū)域，這樣就可以將道路區(qū)域與非道路區(qū)域隔離開。

2)使用紋理濾波對大面積非道路區(qū)域進(jìn)行去除。選擇一個(gè)略大于道路寬度的窗口對圖像進(jìn)行遍歷，并計(jì)算窗口內(nèi)影像的方差。設(shè)道路區(qū)域像素點(diǎn)的值為1，背景點(diǎn)為0，當(dāng)窗口遍歷到大面積非道路區(qū)域內(nèi)部時(shí)，像素值都為1，方差較小，設(shè)置一個(gè)閾值，將方差小于閾值的區(qū)域判定為非道路區(qū)域進(jìn)行去除。

3)使用形狀濾波對剩余小面積非道路區(qū)域進(jìn)行去除。由于道路是狹長的連通區(qū)域，因此都有較大的面積和長寬比，利用線性特征指數(shù)，對采用邊緣濾波和紋理濾波之后的圖像進(jìn)行形狀濾波，去除剩余的一些小面積區(qū)域和長寬比較小的區(qū)域(如房屋)。從而得到最終的道路提取圖。

接著使用文獻(xiàn)[13]的方法對提取的道路圖進(jìn)行中心線提取。該方法是一種快速并行的細(xì)化算法。具體步驟為：

1)首先，用矩陣T來定義二值化后的影像，其中每個(gè)像素T(i，j)的值為1或者0(目標(biāo)像素值為1，背景像素值為0)。

2)在并行影像處理中，在第n次迭代中給予點(diǎn)的新值取決于其自身的值以及在第(n-1)次迭代時(shí)其八鄰域的值，使得可以同時(shí)處理所有影像點(diǎn)。為了保持骨架的連通性，將每次迭代分為兩個(gè)子項(xiàng)。

3)在第一個(gè)子過程中，如果滿足以下條件，則輪廓點(diǎn)P1將從數(shù)字模式中刪除：

(1)2≤B(P1)≤6

(2)A(P1)=1

(3)P2*P4*P6=0

(4)P4*P6*P8=0

其中:B(p1)表示中心像素P1周圍目標(biāo)像素(對應(yīng)值為1)的數(shù)量。A(P1)表示按順時(shí)針方向P2->P9的過程中出現(xiàn)01模式的數(shù)量。

4)第二個(gè)子過程中，(1)和(2)條件不變，(3)和(4)條件變?yōu)椋?/p>

(3)P2*P4*P8=0

(4)P2*P8*P8=0

執(zhí)行完上面的兩個(gè)步驟之后，就完成了一次骨架算法，多次迭代上述過程，就可以得到始的路網(wǎng)提取圖。

2 中心線去“毛刺”流程

使用傳統(tǒng)的骨架細(xì)化算法得到的道路中心線會產(chǎn)生“毛刺”現(xiàn)象，“毛刺”現(xiàn)象會影響道路信息的準(zhǔn)確性，為了得到平滑的路網(wǎng)信息，需要對“毛刺”現(xiàn)象進(jìn)行去除。

2.1 尋找“交點(diǎn)”

本文中心線去“毛刺”算法的思想是：首先找到圖像中線段的“交點(diǎn)”，然后通過“交點(diǎn)”來計(jì)算各條線段的長度，最后設(shè)置閾值，刪除小于閾值的線段，即可消除“毛刺”現(xiàn)象。本文中將道路區(qū)域設(shè)置為黑色目標(biāo)點(diǎn)，其他區(qū)域?yàn)榘咨尘包c(diǎn)，算法流程如下：

1)首先，將目標(biāo)點(diǎn)與其八鄰域內(nèi)的像素點(diǎn)用數(shù)字標(biāo)記。

如圖2所示，中心的黑色區(qū)域?yàn)槟繕?biāo)點(diǎn)，數(shù)字代表中心點(diǎn)與其八鄰域的標(biāo)記。

2)“交點(diǎn)”至少為2條線段交匯處，因此根據(jù)目標(biāo)點(diǎn)與其八鄰域內(nèi)其他點(diǎn)的分布情況，枚舉出一個(gè)目標(biāo)點(diǎn)成立為“交點(diǎn)”的所有條件，如圖2所示。通過圖2中的規(guī)則，搜索圖像中的“交點(diǎn)”。

圖2 中心點(diǎn)與八鄰域

如圖3所示，圖中包括“交點(diǎn)”的成立條件和終止條件，例如中心點(diǎn)為黑色目標(biāo)點(diǎn)時(shí)，當(dāng)目標(biāo)點(diǎn)的八鄰域內(nèi)1、3、7位置也為目標(biāo)點(diǎn)時(shí)，中心點(diǎn)成立為“交點(diǎn)”。但如果2或者4的位置也存在目標(biāo)點(diǎn)時(shí)，則中心點(diǎn)5不是“交點(diǎn)”。終止條件為空時(shí)表示：當(dāng)中心點(diǎn)周圍有成立條件中的3個(gè)點(diǎn)為目標(biāo)點(diǎn)時(shí)，中心點(diǎn)恒為“交點(diǎn)”。

成立終止成立終止成立終止1372、4246348138224834961392、62493796、816742674681682681794、82798

圖3 “交點(diǎn)”成立規(guī)則

如圖4所示，左圖表示1、3、7位置是目標(biāo)點(diǎn)時(shí)，中心點(diǎn)成立為“交點(diǎn)”，右圖表示，1、3、7位置存在目標(biāo)點(diǎn)，同時(shí)2位置也是目標(biāo)點(diǎn)時(shí)，中心點(diǎn)不成立為“交點(diǎn)”。

圖4 1、3、7情況圖解

2.2 設(shè)置閾值，去除“毛刺”

根據(jù)圖3中的搜索規(guī)則，遍歷圖像，找出圖中的所有“交點(diǎn)”，當(dāng)圖像中的“交點(diǎn)”搜索完成之后，以“交點(diǎn)”為起點(diǎn)，計(jì)算“交點(diǎn)”周圍各條線段的長度，如果線段的長度小于設(shè)置的閾值時(shí)，則刪除該線段。對圖像中的所有“交點(diǎn)”進(jìn)行操作之后，可以將圖像中小于閾值的“毛刺”去除，得到平滑的道路中心線。

3 斷裂道路連接流程

得到光滑的道路中心線之后，圖像中還存在道路斷裂的現(xiàn)象，為了得到完整的路網(wǎng)信息，本文提出一種新的斷裂道路連接的方法。

3.1 尋找“待連接點(diǎn)”

算法的第一步是找到所有可能需要連接的點(diǎn)，將其稱為“待連接點(diǎn)”，即出現(xiàn)斷裂現(xiàn)象線段的“終點(diǎn)”。搜索“待連接點(diǎn)”分為以下幾個(gè)步驟：

1)以黑色目標(biāo)點(diǎn)為中心的八鄰域內(nèi)只存在一個(gè)黑色點(diǎn)時(shí)，該目標(biāo)點(diǎn)為“待連接點(diǎn)”。

2)以黑色目標(biāo)點(diǎn)為中心的八鄰域內(nèi)存在兩個(gè)級以上的黑色點(diǎn)時(shí)，設(shè)黑色目標(biāo)像素點(diǎn)的值為1，白色背景像素點(diǎn)的值為0，如果八鄰域內(nèi)只出現(xiàn)一次0→1模式，則該目標(biāo)點(diǎn)為“待連接點(diǎn)”。

如圖5所示，圖5中左圖只存在一個(gè)0→1模式，中心黑色點(diǎn)為“待連接點(diǎn)”，圖4中右圖存在兩個(gè)0→1模式，中心黑色點(diǎn)不為“待連接點(diǎn)”。

圖5 0→1模式示意圖

3.2 連接斷裂道路

圖像中的“待連接點(diǎn)”搜索完成之后，開始連接斷裂道路。斷裂道路的連接分為以下幾個(gè)步驟：

3.2.1 “待連接點(diǎn)”的方向計(jì)算

首先對“待連接點(diǎn)”的方向進(jìn)行計(jì)算。設(shè)“待連接點(diǎn)”為P1，與其相連的八鄰域內(nèi)的黑色目標(biāo)點(diǎn)為P，則矢量P-P1的方向?yàn)椤按B接點(diǎn)”P1的方向。圖6顯示了“待連接點(diǎn)”可能的8個(gè)方向。

圖6 待連接點(diǎn)方向

3.2.2 斷裂連接

計(jì)算出所有“待連接點(diǎn)”的方向之后，設(shè)置2個(gè)閾值：低閾值r與高閾值R。連接方式分為兩種：

1)直接連接兩個(gè)“待連接點(diǎn)”。

2)以“待連接點(diǎn)”O(jiān)為圓心，高閾值R為半徑，O的方向所處象限為搜索范圍，搜索與O距離最近的黑色目標(biāo)點(diǎn)，并與O相連。設(shè)“待連接點(diǎn)”的坐標(biāo)為(i，j)，例如其方向?qū)儆诘谝幌笙?，則搜索范圍S為：(X[j，j+R]，Y[i-R,i])，且目標(biāo)點(diǎn)與“待連接點(diǎn)”的距離小于R(如圖7所示)。

當(dāng)兩個(gè)“待連接點(diǎn)”之間的距離小于低閾值r時(shí)，采用1)中連接方式。當(dāng)以“待連接點(diǎn)”為圓心，低閾值為半徑的圓內(nèi)不存在其他“待連接點(diǎn)”時(shí)，采用2)中連接方法。

圖7 O點(diǎn)搜索范圍

4 實(shí)驗(yàn)與結(jié)論

4.1 實(shí)驗(yàn)結(jié)果

本文實(shí)驗(yàn)數(shù)據(jù)采用某城區(qū)空間分辨率為1 m的GF-2號可見光數(shù)據(jù)，影像大小為900×900像素。影像中包含了道路、居民地、綠地、土地等主要城市用地類型。使用SVM分類得到的結(jié)果如圖8(a)所示，通過形態(tài)學(xué)對分類圖進(jìn)行處理得到效果如圖8(b)所示，利用細(xì)化算法對形態(tài)學(xué)處理之后的圖像進(jìn)行道路中心線提取，并設(shè)置小閾值去除部分“毛刺”現(xiàn)象，效果如圖8(c)所示。對圖8(c)進(jìn)行“斷裂”連接，低閾值r設(shè)置為30，高閾值R設(shè)置為50，得到效果如圖8(d)所示。最后設(shè)置大閾值再次對圖中較長的“毛刺”進(jìn)行去除，得到如圖8(e)所示的光滑和完整的路網(wǎng)，圖8(f)為提取的路網(wǎng)與原始圖像的疊加。

圖8 各階段效果顯示

4.2 精度評價(jià)

為了對結(jié)果進(jìn)行量化評價(jià)，采用完整性、正確率、提取質(zhì)量3個(gè)指標(biāo)對提取結(jié)果進(jìn)行定量評價(jià)[14]:

(1)

(2)

(3)

式(1)～(3)中:CP、CR、QL分別表示完整率、爭取率、提取質(zhì)量，表示匹配的提取道路長度，F(xiàn)P表示未匹配的道路長度，TN表示匹配的參考實(shí)際道路長度，F(xiàn)N表示未匹配的實(shí)際道路長度。經(jīng)過計(jì)算，本實(shí)驗(yàn)中完整率(CP)為92.8%，正確率(CR)為93.6%，提取質(zhì)量為87.2%，提取精度良好，具體數(shù)據(jù)如表1所示。

表1 本文算法精度評價(jià)

4.3 結(jié)論

本文提出一種解決高分遙感影像道路中心線提取過程中“毛刺”和“斷裂”現(xiàn)象的方法。首先利用SVM對遙感影像進(jìn)行分類，得到初始的道路提取圖。然后通過邊緣濾波、紋理濾波和形狀濾波去除非道路區(qū)域，得到道路提取圖，接著利用細(xì)化算法得到道路中心線，尋找影像中的“交點(diǎn)”，并利用“交點(diǎn)”對其周圍線段進(jìn)行搜索，設(shè)置小閾值去除部分“毛刺”。接著根據(jù)“待連接點(diǎn)”連接斷裂的道路中心線，最后設(shè)置大閾值對圖中較長“毛刺”進(jìn)行去除，得到光滑和完整的道路中心線提取圖。實(shí)驗(yàn)數(shù)據(jù)證明了該方法的有效性。