梁永剛

（遼寧省自然資源事務(wù)服務(wù)中心—遼寧省基礎(chǔ)測繪院,遼寧 錦州 121003）

0.引言

自20世紀(jì)60年代以來，遙感衛(wèi)星技術(shù)的快速發(fā)展為獲取地球表面的光譜信息及空間信息提供了海量的數(shù)據(jù)源，并以此提升了基礎(chǔ)的數(shù)字圖像處理分析、遙感數(shù)據(jù)采集、空間數(shù)據(jù)庫建立和空間數(shù)據(jù)共享等技術(shù)的應(yīng)用和發(fā)展[1]。高分辨率衛(wèi)星影像的發(fā)展使得目標(biāo)提取、地圖更新以及提取高精度的GIS信息等成為可能[2]。道路在高空間分辨率遙感影像中具有一定的規(guī)律，通常表現(xiàn)為具有一定長度和寬度的長條形面狀地物，傳統(tǒng)的道路提取都是基于影像像元的灰度特征進行分析，如，基于邊緣跟蹤法[3]、基于最小二乘B樣條曲線[4]等，在準(zhǔn)確性、實用性與推廣性等方面還有較大不足。

傳統(tǒng)的道路提取方法是以空間上單個像元為基本研究單元，僅依據(jù)影像上的光譜特征信息進行提取?？梢姡瑐鹘y(tǒng)的提取方法并沒有充分利用高分辨率衛(wèi)星影像具有的海量信息，造成了“資源浪費”[5]。由于高分辨率遙感影像中相同地物具有不同的光譜特征即同物異譜，不同地物具有相似光譜特征即同譜異物，故僅以影像上單個像元作為基本單元來進行分析，給遙感影像道路提取帶來了新的問題[6]。在道路提取方面，國內(nèi)外已有不少重要的理論與技術(shù)，許多道路提取算法主要是針對不同類型的道路（高速道路、非高速道路）、不同遙感圖像類別（光學(xué)圖像、雷達圖像）、不同的區(qū)域（城鎮(zhèn)或鄉(xiāng)村）、不同的圖像空間分辨率而提出了許多不同策略道路提取算法。面向?qū)ο蟮姆椒軌蚓C合運用影像的光譜信息和空間信息，將相鄰像素作為一個整體，建立不同的策略來識別對象，更符合高分辨率影像的視覺判別[7]。本文對比分析了基于高分辨率影像進行道路提取的各種方法，采用面向?qū)ο蟮姆椒ㄟM行道路信息提取試驗，并對提取結(jié)果進行比較評析。

1.道路提取的基本方法

道路在高分辨率影像上常呈長條形面狀的幾何特征，其長寬比其他地物要大，道路的寬度沒有明顯的變化；一般道路與背景之間都有兩條明顯的邊緣且與其相鄰區(qū)域灰度反差比較大，除土石道路外大部分的道路在影像上的灰度值分布較為均勻，顏色差異較?。煌ǔ５缆范际窍噙B的，不會出現(xiàn)突然中斷的現(xiàn)象，并形成路網(wǎng)；具有完整性、連接性以及與周邊區(qū)域關(guān)聯(lián)的上下文特征。

根據(jù)道路提取方法的自動化程度可以分為半自動道路提取和全自動提取兩種。道路的半自動提取主要采用人機交互，充分發(fā)揮計算機在“量測”方面的優(yōu)勢與人在“識別”方面的優(yōu)勢。基本思路可以分為四個步驟：（1）道路圖像特征加強；（2）道路種子點的確定；（3）將種子點連接成線；（4）確認(rèn)并將線路連接到道路網(wǎng)中。目前，半自動提取取得了令人滿意的結(jié)果，已經(jīng)應(yīng)用于特定地區(qū)的一些半自動提取算法已被商業(yè)化運用。全自動道路提取方法基本思想是先通過對影像上的道路特征分析和理解，再對影像上的道路位置進行自動準(zhǔn)確定位，但是由于高分辨率影像中具有結(jié)構(gòu)復(fù)雜、信息豐富等特點，這些信息既包括河流水體、地形地貌、森林植被這樣的自然特征，又包含建筑物和交通道路這樣的人工地物，此外這些特征之間還具有相當(dāng)復(fù)雜的關(guān)系，沒有一種簡單的方式來描述影像中的地物之間是何關(guān)系。

2.面向?qū)ο蟮牡缆诽崛嶒?/h2>

2.1 實驗過程

實驗數(shù)據(jù)采用某一地區(qū)的QuickBird高分辨率遙感影像，該影像包括四個多光譜波段，各波段分辨率均為2.44m；一個全色波段，分辨率為0.61m。

利用面向?qū)ο蠓ㄌ崛〉缆返募夹g(shù)流程如下：首先，通過幾何校正、影像配準(zhǔn)、影像融合、直方圖均衡化等一系列操作對影像進行預(yù)處理；再對預(yù)處理后的影像進行分割，獲取影像對象，即影像上的同質(zhì)區(qū)域；在對多邊形對象的光譜特征、幾何特征與紋理特征進行充分分析的基礎(chǔ)上，建立道路提取知識庫體系；最后，利用知識庫中的規(guī)則對分割出的影像對象做檢測匹配，提取出道路信息。主要技術(shù)流程（如圖1所示）：

圖1 道路提取流程圖

2.1.1 影像預(yù)處理

首先，對遙感影像進行預(yù)處理，預(yù)處理分為幾何校正、影像配準(zhǔn)、影像融合與直方圖均衡化等。幾何校正是采用一定的數(shù)學(xué)模型來改正和消除遙感影像上各地物的方向、大小、形狀、空間位置等特征與在參照坐標(biāo)系統(tǒng)中的表達不一致時所產(chǎn)生的影像形變。常用的幾何校正方法有基于共線方程的幾何糾正、基于多項式的幾何糾正、有理函數(shù)模型等，本實驗采用基于多項式的幾何糾正方法對各個波段的影像分別進行幾何校正處理。在影像配準(zhǔn)環(huán)節(jié)，將覆蓋實驗區(qū)的兩幅遙感影像進行匹配，通過坐標(biāo)變換使兩幅影像處于同一地理坐標(biāo)下，最后通過影像的重采樣，將新的灰度值重新賦予空間變換后的影像。接下來對多光譜影像進行波段融合運算處理，融合后的影像比原始影像在空間和時間上擁有更加豐富、更加精準(zhǔn)的信息，不僅突出了影像上有用的專題信息，還能夠有效地消除或減少影像上多余、無用的信息，提高了影像的光譜分辨率和空間分辨率。最后，進行直方圖均衡化處理，調(diào)整影像的灰度值，以增加影像灰度值之間的差異，改善亮度在直方圖上的分布。尤其是當(dāng)前影像上的道路與背景的灰度值差異相當(dāng)接近的時候，通過直方圖均衡化后，能夠增大目標(biāo)與影像相鄰地物灰度值的反差，使道路在影像上更加清晰，而不影響影像整體效果。

2.1.2 影像分割

影像分割是提取面向?qū)ο蠓椒ǖ闹匾徊?，分割的質(zhì)量將直接影響提取結(jié)果。影像分割處理時，經(jīng)過不斷調(diào)整分割比例的閾值，使所有對象的異質(zhì)性在給定的閾值范圍內(nèi)，最終將分割閾值設(shè)定為62，合并閾值設(shè)定為50。分割后的每個多邊形對象不僅包含像素固有的光譜信息，還包含多邊形對象的形狀信息和紋理信息。分割結(jié)果（如圖2所示）：

圖2 分割后影像

2.1.3 建立知識庫

分割處理后，根據(jù)道路的幾何特征、光譜特征和紋理特征，對原始遙感影像進行分析后，建立能夠充分體現(xiàn)道路特征的知識庫，使知識庫中的規(guī)則能夠有效區(qū)分道路與其他地物。一般來說，道路通常具有一定的寬度，呈長條狀，長寬比大、方向變化較慢、寬度變化相對較小等幾何特征；具有與其相鄰區(qū)域灰度反差較大且內(nèi)部灰度值比較均勻，邊緣梯度較大等光譜特征；道路之間具有相互交叉形成網(wǎng)絡(luò)，且城市道路通常與建筑物相鄰的拓?fù)涮匦浴８鶕?jù)上述對遙感圖像路面特征的分析，將這些形狀、紋理、光譜等特征作為提取規(guī)則添加到知識庫中。

2.1.4 初步提取

先從遙感影像中提取出主要道路，由于影像上的道路灰度值差異較大，因此建立了兩種道路類進行提取，分別將兩種道路類提取規(guī)則命名為road1、road2。道路類road1的提取規(guī)則：影像對象在近紅外波段的灰度值的平均值的范圍為[40，80]，在藍光波段的灰度值的平均值的范圍為[50，150]，在綠光波段的灰度值的平均值的范圍為[55，255]，影像對象的面積的取值范圍為[400，30000]，影像對象的長度大于250，延伸性大于1.95。道路類road2的規(guī)則：影像對象在近紅外波段的灰度值的平均值的范圍為[0，150]，在藍光波段的灰度值的平均值的范圍為[100，229]，在綠光波段的灰度值的平均值的范圍為[200，255]，在紅光波段的灰度值的平均值的范圍為[100，220]，影像對象的面積取值范圍為[400，30000]，影像對象的長度大于250，延伸性大于1.95。

2.1.5 提取結(jié)果修正

利用面向?qū)ο蠓軌蜉^好地從高分辨率遙感影像中提取出道路，但提取結(jié)果仍有不足之處，出現(xiàn)了錯分與漏分的現(xiàn)象以及道路不連續(xù)的現(xiàn)象。產(chǎn)生這些現(xiàn)象的原因主要包括相機不一致的光譜響應(yīng)、大氣擾動、不正確的定標(biāo)和相機角度等，導(dǎo)致影像上道路的灰度值超出所設(shè)定的范圍，從而未能夠提取出道路信息；道路周圍的樹木和建筑物對道路產(chǎn)生遮擋，導(dǎo)致在分割過程中將一條道路分割成多個對象，使提取后的道路大都呈現(xiàn)出斷裂的現(xiàn)象，過多的樹木甚至將整段道路遮擋，無法從影像中提取出完整道路；在分割過程中由于道路與周圍地物的灰度值相似，容易將道路與周圍的建筑物識別為同一對象；某些地物與道路在灰度值與形狀上具有相似性，在提取過程中會將這些地物誤提取為道路。

針對上述影響提取精度的因素，采取如下改進方法：反復(fù)調(diào)整知識庫中的規(guī)則，直到提取的結(jié)果到達一定的準(zhǔn)確度；通過人工參與判讀識別的方法，進行少量人工修正。修正前后的提取結(jié)果（如圖3、圖4所示）：

圖3 初步提取結(jié)果圖

圖4 修正后的道路提取結(jié)果

2.2 分析與評價

從提取結(jié)果可以看出，使用面向?qū)ο蠓軌蜉^好地提取出實驗區(qū)的道路，提取結(jié)果形態(tài)完好且具有較高的可利用性。面向?qū)ο蠓椒ㄅc傳統(tǒng)的基于像元的提取方法相比，具有以下優(yōu)點：

（1）通過影像分割能夠處理噪聲區(qū)域和周邊的孤立像元，將這些像元一起融入特定的影像對象中，而在影像分析時該影像區(qū)域則表現(xiàn)為同一影像對象；

（2）綜合運用道路的多種特征，不僅充分表達了影像上道路的形狀、空間、光譜特征，而且綜合其幾何特征與空間特征等相關(guān)輔助信息，有效地提高了提取結(jié)果的質(zhì)量，但是，面向?qū)ο蠓ㄒ泊嬖谝恍┚窒扌?，它需要道路與周圍的背景有較大反差，但實際上，在城市的高分辨率遙感影像中，由于傳感器拍攝角度的問題，導(dǎo)致高層建筑物可能會對道路產(chǎn)生遮蔽，且道路周圍的建筑物與道路的灰度特征相近，這為影像分割尺度的選擇帶來困難，可以借助其他信息來輔助影像分割和提取。

3.結(jié)束語

本文采用面向?qū)ο蠓椒ㄔ诟叻直媛蔬b感影像中進行道路提取，對面向?qū)ο蠓椒ㄔ谟跋裉卣魈崛≈械膬?yōu)勢和不足進行了分析和總結(jié)。面向?qū)ο笸黄屏藗鹘y(tǒng)方法僅分析單一像元光譜信息的弊端，以對象為基本單元，有效運用了遙感影像上對象之間的上下文關(guān)系，進而建立專家知識庫，在基于遙感影像的道路的提取和更新應(yīng)用等方面，具有一定的實際意義和推廣性。但如何確定最佳分割尺度和構(gòu)建功能更完善的知識庫，是需要進一步研究的問題。