吳激濤 劉 榮

(東華理工大學(xué) 測繪工程學(xué)院, 江西 南昌 330013)

0 引言

道路對于城市的治理和建設(shè)起著至關(guān)重要的作用,隨著遙感影像分辨率越來越高,道路成了一種地物信息的重要獲取源,因此尋求一種快速、精確的道路提取方法成為遙感影像處理的熱門研究方向[1]。

傳統(tǒng)的道路提取方法可分為模板匹配法、SNAKES模型法、邊緣檢測算子與光譜和紋理信息相結(jié)合的方法、根據(jù)影像紋理和影像光譜對影像分類后進(jìn)行提取等[2]。上述方法都是基于影像像素的,因此,當(dāng)目標(biāo)道路周圍的地物較為復(fù)雜，在處理分辨率較高的影像時(shí)會(huì)受到比較嚴(yán)重的噪聲影響,提取的精度和效率也會(huì)隨之降低。

本文使用的方法是基于超像素分割算法(Simple Linear Iterative Clustering, SLIC)和自適應(yīng)閾值分割算法(OTSU算法是由日本學(xué)者OTSU于1979年提出的一種對圖像進(jìn)行二值化的高效算法)相結(jié)合的道路提取方法。相比傳統(tǒng)方法,使用本文方法對影像聚類時(shí)受到的圖像中噪聲的影響會(huì)更小,使K-means(K均值聚類算法)聚類后的影像更加準(zhǔn)確,用綠色植被指數(shù)(Green Vegetation Index, GVI)將植被信息濾除,使用OTSU算法將過濾后影像進(jìn)行分割，獲取影像中的人工區(qū)域,通過面積特征指數(shù)將人工區(qū)域的非道路部分濾除,最后使用區(qū)域生長算法使提取的道路網(wǎng)更為完整。

1 SLIC與OTSU結(jié)合的道路提取方法

SLIC超像素分割與OTSU自適應(yīng)閾值相結(jié)合的道路提取的主要步驟:

(1)對原影像使用SLIC超像素分割算法進(jìn)行分割。

(2)使用改進(jìn)的K-means聚類算法對分割后的超像素影像進(jìn)行非監(jiān)督分類。

(3)通過計(jì)算獲得影像的GVI值,根據(jù)GVI值濾除分類后影像的植被和水體部分。

(4)使用OTSU算法對過濾后的影像進(jìn)行基于自適應(yīng)閾值的分割。

(5)再結(jié)合面積特征指數(shù)和數(shù)學(xué)形態(tài)學(xué)對影像進(jìn)行處理。

(6)最后使用區(qū)域生長算法處理提取后的道路網(wǎng)以獲取較為完整的道路網(wǎng)。

1.1 SLIC算法分割原始影像

ACHANTA等提出的SLIC算法[3]與現(xiàn)有的分割方法相比具有更加高效的記憶效率,其根據(jù)像素的顏色和距離進(jìn)行聚類分割。算法的主要步驟:

(2)種子點(diǎn)變換,在n×n的領(lǐng)域內(nèi)(通常n=3)對種子點(diǎn)和周圍所有像素點(diǎn)的梯度值進(jìn)行計(jì)算,并且將種子點(diǎn)移動(dòng)至該領(lǐng)域內(nèi)梯度最小的位置,以此可以避免種子點(diǎn)落在梯度值較大的邊緣輪廓上,使之后的聚類效果更為準(zhǔn)確。

(3)分配聚類標(biāo)簽,同標(biāo)準(zhǔn)的K-means聚類算法在整幅影像中搜索不同,SLIC算法的搜索范圍為2S×2S的固定區(qū)域,以此加速聚類算法收斂,如圖1所示。

圖1 聚類搜索方式

(4)距離度量,針對每一個(gè)搜索到的像素點(diǎn)分別計(jì)算其與該種子點(diǎn)的歐式距離,其中距離分為顏色距離和空間距離兩類,其計(jì)算公式如下[4]:

(1)

(2)

(3)

(4)

每一個(gè)像素點(diǎn)都會(huì)有一個(gè)相對于附近種子點(diǎn)的距離,通常情況下將其中最小距離所對應(yīng)的種子點(diǎn)作為該像素點(diǎn)的聚類中心,從而避免每一個(gè)像素點(diǎn)同時(shí)被多個(gè)不同的種子點(diǎn)搜索到。

(5)迭代優(yōu)化,重復(fù)步驟(1)到(4)直到誤差收斂為止,一般迭代10次即可。

(6)連通性增強(qiáng),SLIC算法在連接性上并不具有強(qiáng)制性,可能會(huì)保留一些孤立像素或是一些多連通像素,因此需要使用連通分量算法對分割后影像進(jìn)行校正。

1.2 K-means算法對分割后影像聚類

針對傳統(tǒng)K-means聚類算法,本文做出了相應(yīng)的改進(jìn),將K-means算法中的顏色空間由RGB(Red，Green，Blue，紅綠藍(lán))轉(zhuǎn)換為HSV(色相(Hue)、飽和度(Saturation)、亮度(Value)),相比于RGB顏色空間,HSV色彩空間可以更好地模擬人眼對顏色的識(shí)別,從而使影像信息的分類更為精確[5]。在聚類之前先對影像進(jìn)行去相關(guān)拉伸增強(qiáng)圖像中的顏色差異[6],保證聚類結(jié)果更加符合要求。

K-means聚類的目標(biāo)函數(shù)[7]為

(5)

K-means算法的步驟可以分為[8]

(1)選擇K個(gè)對象作為初始聚類。

(2)以最近的聚類中心為基準(zhǔn)分配每一個(gè)像素,然后計(jì)算出每個(gè)像素到集群中心的空間距離。

(3)計(jì)算每個(gè)聚類集群的顏色通道,第K個(gè)聚類集群的均值為[9]

(6)

(4)將聚類中心移動(dòng)至計(jì)算所得的均值上。

(5)將像素分配至最近的聚類中心上。

(6)重復(fù)迭代(3)到(5)步,直至均值收斂。

1.3 根據(jù)GVI值過濾植被信息

通過綠色植被指數(shù)將影像中的植被信息濾除，保留目標(biāo)區(qū)域中的人工區(qū)域[10]。

綠色植被指數(shù)的計(jì)算公式為

(7)

式中,G和R分別代表綠色波段和紅色波段的反射值,V的值在-1～1之間,各類地物的V值分布區(qū)域如表1所示。

表1 綠色植被指數(shù)分布區(qū)域

根據(jù)其分布區(qū)間及影像中具體的地物信息,選擇合適的閾值對影像中的植被區(qū)域進(jìn)行過濾。

1.4 使用OTSU算法提取道路網(wǎng)

OTSU算法是基于圖像的灰度特性,以自適應(yīng)閾值為參照將圖像分割成為背景部分和目標(biāo)部分,兩個(gè)部分之間的間類方差越大,則表示兩部分之間的差異性越大,因此通過OTSU算法對圖像進(jìn)行分割的錯(cuò)分概率最小[11]。

OTSU算法的主要步驟:

(2)通過設(shè)置閾值T將圖像分割為前景圖像(道路)和背景圖像(其他地物)[12]，則前景圖像的像素灰度級別為[0,T],而背景圖像的像素灰度級別為[T+1,L-1]。

因此對前后景像素的選擇概率分別為

(8)

(3)前后景影像的平均灰度值分別為

(9)

由此可以計(jì)算出所有像素的灰度均值為:

μ=μ1×ω1+μ2×ω2

(10)

(4)確定最大間類方差:

g=ω1×(μ-μ1)2+ω2×(μ-μ2)2

(11)

對提取得到的人工區(qū)域使用最大間類方差法,可以將其分割為道路區(qū)域和其他離散區(qū)域,從而獲得較為獨(dú)立的道路網(wǎng)[13]。

1.5 提取后處理

經(jīng)過OTSU分割得到的道路網(wǎng)仍然會(huì)存在一些非道路部分的噪點(diǎn)和一些間斷路面,因此需要對其進(jìn)行后處理。

(1)由于道路網(wǎng)面積要遠(yuǎn)大于非道路部分面積,因此可以使用面積特征指數(shù)對其進(jìn)行降噪處理[14],對S

(2)再使用基于數(shù)學(xué)形態(tài)學(xué)的方法對降噪后的影像進(jìn)行膨脹和腐蝕運(yùn)算[15]。

(3)針對過濾后影像中的間斷和鏤空路面,本文采用區(qū)域生長算法對其處理[16],在區(qū)域內(nèi)布下一個(gè)種子點(diǎn)作為生長起點(diǎn),然后讓種子點(diǎn)和它周圍的像素點(diǎn)一一比對,將性質(zhì)相似的像素點(diǎn)進(jìn)行整合,且繼續(xù)生長,直至包括滿足條件的所有像素點(diǎn),從而獲得完整獨(dú)立的道路網(wǎng)。

2 實(shí)驗(yàn)過程與結(jié)果分析

本文所有實(shí)驗(yàn)操作都基于MATLAB編程軟件完成,選擇的兩幅影像均為高分辨率谷歌遙感影像,其各波段空間分辨率為0.3,通過兩次實(shí)驗(yàn)的對比驗(yàn)證本文方法的可行性。

2.1 實(shí)驗(yàn)一

選取的影像中包含的主要地物有植被、土壤,水體,房屋和道路。首先使用SLIC超像素分割算法對原始影像進(jìn)行分割聚類,超像素大小設(shè)置為10,超像素正交指數(shù)為0.085。

再對影像根據(jù)地物類別的不同進(jìn)行分類,將地物分為五類,針對傳統(tǒng)K-means聚類算法在道路提取中表現(xiàn)出的不足,本文提出使用了加以改進(jìn)的K-means聚類算法,使其對真實(shí)色彩的分辨能力更加準(zhǔn)確,在對色彩相似的地物進(jìn)行分類時(shí)的精度有所提高。圖2(a)為傳統(tǒng)K-means算法聚類后的圖像,圖2(b)為改進(jìn)的K-means算法聚類后的圖像,圖2(c)為改進(jìn)的K-means算法對SLIC分割后影像聚類后的圖像,與傳統(tǒng)算法所聚類的結(jié)果相對比,改進(jìn)后的算法聚類的結(jié)果明顯更加準(zhǔn)確且有較高的整體性,并且可以發(fā)現(xiàn)對SLIC分割后的影像進(jìn)行聚類,各類別會(huì)有更好的完整性,相應(yīng)的噪點(diǎn)也會(huì)更少。

圖2 對影像聚類后的結(jié)果

接著計(jì)算影像的GVI指數(shù),對影像中的非人工區(qū)域進(jìn)行過濾,實(shí)驗(yàn)中GVI指數(shù)取0.1。再使用OTSU算法將過濾后影像區(qū)域分為道路和非道路兩部分,并將非道路部分濾除,由于過濾后影像中仍然存在一些離散的噪點(diǎn),因此使用中值濾波對影像進(jìn)行平滑降噪處理,圖3(a)是經(jīng)過OTSU算法處理后所得到的結(jié)果,圖3(b)是中值濾波平滑處理后所得的結(jié)果。

圖3 OTSU提取道路結(jié)果

取面積特征指數(shù)Sk=1 000對提取后影像中的噪點(diǎn)加以去除以獲得較為獨(dú)立的道路圖像,圖4(a)是結(jié)合面積特征指數(shù)處理后的圖像。由于獲取的道路圖像會(huì)存在一些間斷和鏤空處,因此需要結(jié)合使用膨脹算法和區(qū)域生長算法對提取后的影像進(jìn)行處理,獲得較為完整的道路圖像;圖4(b)是經(jīng)過數(shù)學(xué)形態(tài)學(xué)膨脹處理后的圖像,圖4(c)是區(qū)域生長算法處理后的圖像,圖4(d)為目視解譯獲得的道路圖像。

圖4 道路提取結(jié)果

通過觀察可以看出使用本文方法提取的道路信息在形態(tài)上與目視解譯所獲得的道路影像幾乎吻合,并且有著一定的完整性,同時(shí)在道路周圍幾乎不存在干擾噪點(diǎn),說明其還具備相對較強(qiáng)的獨(dú)立性,因此可以說明本文提出的道路提取方法是可靠的。

2.2 實(shí)驗(yàn)二

選取高架路段的遙感影像,其包含的主要地物有房屋、土壤、植被、道路四類。路段附近有大量的樹蔭遮蓋,在路段中央還有高架上層道路的陰影遮蓋,因此提取的道路會(huì)有比較多的缺失和間斷。本文使用的提取后處理方式可以較好地處理這樣的情況從而獲得更為準(zhǔn)確的道路圖像。圖5(a)為實(shí)驗(yàn)二的原始影像,圖5(b)為使用本文方法提取的道路圖像,圖5(c)為目視解譯獲取的道路圖像。通過對比可以看出,使用本文方法提取的道路在保持獨(dú)立性的前提下依然有著較高完整性和準(zhǔn)確度,證明本文方法具有良好的道路提取能力。

圖5 實(shí)驗(yàn)二提取結(jié)果

2.3 提取道路的定量評價(jià)及分析

本文對道路提取質(zhì)量的定量評價(jià)采用完整度α和精確度β兩個(gè)指標(biāo)作為評價(jià)標(biāo)準(zhǔn)[17]。

(12)

α代表提取所得的道路影像面積與實(shí)際道路面積之間的比值,α越趨近于1說明提取道路的完整度越高;β表示提取所得道路缺失和多出的部分在實(shí)際道路面積中的占比,β越趨近于0說明提取的道路越精確。

表2中列出了實(shí)驗(yàn)一和實(shí)驗(yàn)二的評價(jià)結(jié)果,實(shí)驗(yàn)一的道路完整度為0.955 0,實(shí)驗(yàn)二的道路完整度為0.986 0,均有著較高的完整性,說明本文方法有著較高的道路提取效率;實(shí)驗(yàn)一與實(shí)驗(yàn)二提取道路的準(zhǔn)確性分別為0.057 7和0.012 6,可以證明本文方法在道路提取時(shí)有著良好的可靠性。

表2 定量分析結(jié)果

3 結(jié)束語

本文使用了SLIC算法與OTSU算法相結(jié)合的道路提取方法,對原始影像進(jìn)行超像素分割,從而獲得超像素影像,使用改進(jìn)的K-means聚類算法對超像素聚類,再根據(jù)GVI值過濾得到影像中的人工區(qū)域,對過濾后影像使用OTSU算法閾值分割從而獲得較為獨(dú)立的道路圖像,最后結(jié)合面積特征指數(shù),膨脹算法和區(qū)域生長算法對提取后的道路圖像進(jìn)行處理,去除圖像中的離散區(qū)域,補(bǔ)全道路圖像中的間斷處和鏤空處,獲得完整且獨(dú)立的道路網(wǎng)。通過兩次實(shí)驗(yàn)的結(jié)果可以證明本文所用方法在提取高分辨率遙感影像中的道路信息時(shí)具有良好的表現(xiàn)。