郭杜杜， 王慶慶， 趙 亮， 王 洋

（新疆大學(xué)a.交通運(yùn)輸工程學(xué)院；b.機(jī)械工程學(xué)院，烏魯木齊 830046）

0 引 言

道路作為交通四要素（人、車、路、環(huán)境）的重要組成部分，一直是交通信息采集的重要目標(biāo)［1］。目前交通行業(yè)主要是采用全球定位系統(tǒng)（Global Positioning System，GPS）與人工核查相結(jié)合的方式進(jìn)行道路信息數(shù)據(jù)的采集，存在數(shù)據(jù)收集周期時(shí)間長，成本高，數(shù)據(jù)受主觀因素影響大，質(zhì)量得不到保障等問題［2］。道路網(wǎng)信息的自動(dòng)提取和建立，對于我國規(guī)模日益龐大的道路網(wǎng)建設(shè)、養(yǎng)護(hù)和監(jiān)管起著重要作用，也為無人駕駛領(lǐng)域的研究提供基礎(chǔ)數(shù)據(jù)。

近年來，通過高分遙感影像進(jìn)行道路信息提取并矢量化已成為道路網(wǎng)數(shù)據(jù)獲取的重要來源。連仁包等［3］將局部形態(tài)學(xué)梯度圖引入傳統(tǒng)圓形模板匹配算法，減少人工設(shè)定的參數(shù)，提高算法的適應(yīng)性；Liu等［4］對道路幾何特征進(jìn)行推斷，構(gòu)建農(nóng)村公路幾何知識(shí)庫，利用知識(shí)推理實(shí)現(xiàn)路網(wǎng)提??；Cheng 等［5］引入半監(jiān)督方法，結(jié)合多尺度濾波和多向非最大抑制算法，提取出平滑完整的路網(wǎng)中心線。賀浩等［6］基于道路語義特征信息設(shè)計(jì)了一種編解碼的深度學(xué)習(xí)網(wǎng)絡(luò)，實(shí)現(xiàn)道路中心線的提取。基于深度學(xué)習(xí)的提取方法需要大量的訓(xùn)練樣本，提取成本較高，基于模板匹配、面向?qū)ο蟮确椒ㄌ崛⌒Ч患眩藶閰?shù)設(shè)定較多，對道路網(wǎng)自動(dòng)提取效果的測試和優(yōu)化仍需要繼續(xù)探索。

本文以城市區(qū)域原始高分遙感影像為研究對象，使用卷積濾波和線性均衡算法，抑制噪聲信息，清晰化道路邊緣；對道路和非道路地物進(jìn)行多尺度分割和最近鄰特征匹配，實(shí)現(xiàn)道路初步提??；利用形態(tài)學(xué)閉運(yùn)算對初步提取結(jié)果進(jìn)行后處理和路網(wǎng)融合，最終實(shí)現(xiàn)城市區(qū)域路網(wǎng)的快速提取和矢量化。

1 實(shí)驗(yàn)總體設(shè)計(jì)

圖1 所示為本文道路網(wǎng)提取實(shí)驗(yàn)總體框架。根據(jù)道路網(wǎng)提取實(shí)驗(yàn)的需求，選擇適當(dāng)分辨率的高分遙感影像數(shù)據(jù)，結(jié)合道路及環(huán)境特點(diǎn)進(jìn)行圖像預(yù)處理，實(shí)現(xiàn)道路初步提取，其次對初步提取的道路進(jìn)行優(yōu)化，接著對提取的道路進(jìn)行路網(wǎng)融合，最終實(shí)現(xiàn)道路網(wǎng)的提取。

圖1 道路網(wǎng)提取實(shí)驗(yàn)總體框架

2 實(shí)例驗(yàn)證

2.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)采用的影像是空間分辨率為2 m，包含3 個(gè)波段的衛(wèi)星高分遙感影像，圖2 所示為某區(qū)域的原始高分遙感影像截圖。

圖2 原始影像

2.2 實(shí)驗(yàn)過程

2.2.1 圖像預(yù)處理

圖像預(yù)處理采用卷積濾波［7］的圖像去噪方法和線性均衡［8］（Linear Equalization，LE）的圖像增強(qiáng)方法。采用的LE方法是將直方圖累積在2% ～98%之間的像元值拉伸，取直方圖累積在2%處對應(yīng)的光譜值為最小值，98%處對應(yīng)的光譜值為最大值。若像元值在最小值和最大值之間，則將其拉伸至0 ～255；若像元值小于最小值，則將其改為對應(yīng)的最小值；若像元值大于最大值，則將其改為255。

圖3 所示為圖像預(yù)處理后的效果。由圖可見，預(yù)處理后的圖像中道路噪點(diǎn)減少，道路邊緣明顯清晰，將有助于減少下一步道路提取的“椒鹽”現(xiàn)象［9］。

圖3 預(yù)處理后影像

2.2.2 多尺度分割

多尺度分割利用的是一種自上而下的分割原理，但其本質(zhì)卻是一個(gè)不斷自下而上合并的過程［10］。該過程依據(jù)光譜、形狀、紋理等多種特征，按照同質(zhì)性原則不斷進(jìn)行區(qū)域合并，直到所有合并后的區(qū)域都比設(shè)置的分割尺度小，則多尺度分割過程完成。具體分割流程如圖4 所示。

圖4 多尺度分割流程

采用ESP2 工具［11］對影像自動(dòng)進(jìn)行最佳分割尺度的找尋，該工具以不同的分割尺度下影像對象同質(zhì)性的局部方差（Local Variance，LV）作為分割對象層的平均標(biāo)準(zhǔn)差，并用LV的變化率值（Rate of Change of LV，ROC-LV）來衡量分割效果，當(dāng)LV呈現(xiàn)峰值時(shí)，即為最佳分割尺度。最終將最佳分割尺度可視化，見圖5。

圖5 最佳分割尺度

經(jīng)過對LV 的各個(gè)峰值進(jìn)行篩選，確定的各區(qū)域分割具體參數(shù)為分割尺度90，顏色因子0.4，形狀因子0.8，光滑度0.6 以及緊致度0.4。最終的分割結(jié)果如圖6 所示。

圖6 分割結(jié)果

2.2.3 最鄰近分類初步提取

采用最鄰近分類算法［12］進(jìn)行圖像分割后的道路提取。最鄰近分類算法是利用基于對象特征定義的隸屬度函數(shù)進(jìn)行分類。在最鄰近分類的過程中，會(huì)對照選擇的代表性樣本，在需要分類的對象中尋找與代表性樣本最接近的其他對象。判別是否接近的依據(jù)是待分類對象的隸屬度值是否超過一定的閾值。具體如下：

（1）建立樣本庫。通過選定道路對象特征和非道路對象特征構(gòu)成樣本庫，建立的樣本庫將是后面進(jìn)行道路和非道路類別劃分的重要依據(jù)。

（2）最鄰近特征的配置。對選定的樣本進(jìn)行最近鄰特征的配置，主要選取樣本對象的各個(gè)波段的光譜，均值、亮度、標(biāo)準(zhǔn)差以及長寬比和密度等參數(shù)特征對知識(shí)特征庫進(jìn)行構(gòu)建。

（3）分類算法的執(zhí)行。根據(jù)建立的樣本庫以及配置的相應(yīng)特征進(jìn)行道路和非道路類別的提取。算法執(zhí)行過程中的計(jì)算步驟：

步驟1計(jì)算待分類樣本與代表性樣本之間的距離。

步驟2根據(jù)計(jì)算的距離d進(jìn)行隸屬度函數(shù)z（d）的判別。

式中：k為調(diào)節(jié)參數(shù)，決定z（d）的增長；functionslope為調(diào)節(jié)因子，決定隸屬度函數(shù)的寬窄，參數(shù)值越小，函數(shù)越窄，一般默認(rèn)值為0.2。

步驟3根據(jù)計(jì)算得出的隸屬度值來進(jìn)行待分類對象的判別。

該區(qū)域的道路目標(biāo)提取結(jié)果如圖7 所示，初步提取的結(jié)果中道路斷裂的情況較為明顯，且道路邊緣存在“鋸齒形”現(xiàn)象。

圖7 初步提取結(jié)果

2.2.4 后處理及路網(wǎng)融合

形態(tài)學(xué)閉運(yùn)算具備能夠彌合小裂縫而保持總的位置和形狀不變的優(yōu)點(diǎn)，是圖像處理與分析中常用的一種方法。形態(tài)學(xué)閉運(yùn)算包含“膨脹”和“腐蝕”兩部分內(nèi)容，其定義式如下：

式中：·為卷積運(yùn)算符；⊕和Θ 為膨脹和腐蝕；a 和b為運(yùn)算對象。

形態(tài)學(xué)閉運(yùn)算流程如圖8 所示，其中A 表示初始圖像，B表示卷積核，C 表示膨脹后圖像，D 表示腐蝕后的最終圖像。首先進(jìn)行“膨脹”操作，“膨脹”的本質(zhì)是求局部區(qū)域內(nèi)像素點(diǎn)的最大值［13］。膨脹的具體實(shí)現(xiàn)過程就是將圖像或圖像的一部分區(qū)域（見圖8 中A區(qū)域）與卷積核（見圖8 中B區(qū)域）進(jìn)行卷積。卷積核可以是任意的形狀和大小，它擁有一個(gè)單獨(dú)定義出來的參考點(diǎn)。通常情況下，卷積核是一個(gè)小的帶有參考點(diǎn)和實(shí)心正方形或者圓形。卷積核B 與A 區(qū)域及進(jìn)行卷積計(jì)算，即計(jì)算卷積核B 覆蓋區(qū)域像素點(diǎn)的最大值，并把這個(gè)最大值賦值給參考點(diǎn)指定的像素，最終實(shí)現(xiàn)A區(qū)域的逐漸增長；接著對“膨脹”過后的C區(qū)域進(jìn)行“腐蝕”，“腐蝕”則是求局部區(qū)域內(nèi)像素點(diǎn)的最小值［14］。腐蝕的過程則是將卷積核B 與C 區(qū)域進(jìn)行卷積計(jì)算，計(jì)算卷積核B 覆蓋區(qū)域像素點(diǎn)的最小值，并把這個(gè)最小值賦值給參考點(diǎn)指定的像素，實(shí)現(xiàn)圖像中的C區(qū)域逐漸縮減，實(shí)現(xiàn)斷裂部分的填補(bǔ)，最終達(dá)到D區(qū)域的效果。

圖8 閉運(yùn)算示意圖

對初步提取道路的斷裂部分進(jìn)行形態(tài)學(xué)閉運(yùn)算，使得斷裂的道路能夠連接起來，同時(shí)使得提取的道路邊緣更加平滑，如圖9 所示。

圖9 道路提取優(yōu)化

對提取出的道路對象進(jìn)行道路類別像素級(jí)的連貫融合，使得提取的道路網(wǎng)形狀更加清晰，并將提取出的道路矢量圖附加在原始影像上，最終提取結(jié)果見圖10。

圖10 最終提取結(jié)果

3 精度評價(jià)

3.1 評價(jià)指標(biāo)

為對道路網(wǎng)提取的精度進(jìn)行全面客觀的評價(jià)，本文基于混淆矩陣［15］計(jì)算生產(chǎn)者精度、用戶精度、總體精度以及Kappa 系數(shù)［16］4 個(gè)指標(biāo)。生產(chǎn)者精度指的是算法準(zhǔn)確判定的像元數(shù)與該類總像元數(shù)的比值；用戶精度指的是用戶準(zhǔn)確判定的像元數(shù)與該類總像元數(shù)的比值；總體精度指的是被準(zhǔn)確分類的像元總數(shù)與所有像元總數(shù)的比值；Kappa 系數(shù)是利用了整個(gè)誤差矩陣的信息，它通常被認(rèn)為能夠更準(zhǔn)確地反映整體的分類精度。其中，Kappa系數(shù)的具體評價(jià)標(biāo)準(zhǔn)可以分為5個(gè)等級(jí)，如表1 所示。

表1 Kappa系數(shù)評價(jià)標(biāo)準(zhǔn)表

3.2 評價(jià)結(jié)果

通過過驗(yàn)證標(biāo)注得出道路目標(biāo)提取區(qū)域的矢量文件。并將此矢量文件與提取的結(jié)果進(jìn)行疊加驗(yàn)證，得出此區(qū)域道路網(wǎng)目標(biāo)提取的誤差矩陣評價(jià)，具體評價(jià)結(jié)果如表2 所示。

表2 誤差矩陣評價(jià)結(jié)果

誤差矩陣的評價(jià)結(jié)果主要由混淆矩陣評價(jià)、單一類別精度評價(jià)和總體類別精度評價(jià)三部分組成。實(shí)驗(yàn)區(qū)域的誤差矩陣提取結(jié)果顯示提取的總體精度都達(dá)到了0.95以上，道路單一類別的提取精度也在0.95 以上；Kappa系數(shù)達(dá)到了0.967，由Kappa系數(shù)值對應(yīng)的評價(jià)結(jié)果標(biāo)準(zhǔn)（見表1）可以看出，道路提取的效果良好。

4 結(jié) 語

本文將多種圖像處理算法進(jìn)行融合，設(shè)計(jì)了一整套針對衛(wèi)星遙感影像的道路網(wǎng)自動(dòng)提取流程。將提出的方法應(yīng)用于原始遙感影像案例驗(yàn)證，并準(zhǔn)確地提取出道路網(wǎng)拓?fù)湫畔ⅲY(jié)果表明：提取的總體精度達(dá)到0.95以上；Kappa系數(shù)達(dá)到了0.967。從而證明了本文的方法有效性。下一步的研究可以在道路網(wǎng)拓?fù)浣Y(jié)構(gòu)提取的基礎(chǔ)上，進(jìn)行道路的長度、寬度等信息的提取。