劉志江

（寧波市交通建設(shè)工程試驗檢測中心有限公司，浙江 寧波 315042）

0 引言

公路是國家發(fā)展的命脈，是經(jīng)濟發(fā)展的血管，更是帶動地方全方位發(fā)展的重要基礎(chǔ)建設(shè)，國家通過多年的建設(shè)與積累，基本已做到各行政村或自然村之間至少有一條進(jìn)村或出村的道路，即“村村通”工程［1］。通過“村村通”工程的建設(shè)與應(yīng)用，廣大群眾的交通出行便利性都有了極大地提升，并且為當(dāng)?shù)氐慕?jīng)濟發(fā)展提供了重要的進(jìn)出渠道。“村村通”工程道路需要定時巡查與質(zhì)檢，每年都投入大量人力物力進(jìn)行，尤其是道路信息，傳統(tǒng)的道路信息提取與巡查是工作人員驅(qū)車前往，并在圖上進(jìn)行勾畫［2］。該方法提取道路信息的時效性較差，且在山區(qū)等地況復(fù)雜區(qū)域，不能及時到達(dá)?；诖饲闆r，本研究采用遙感技術(shù)，對“村村通”工程的道路信息進(jìn)行遙感提取，以此提升該工作的時效性［3］。遙感技術(shù)作為一門新興的技術(shù)，已廣泛地應(yīng)用到道路信息遙感提取研究之中去。許超等利用非監(jiān)督分類法提取城市硬質(zhì)建筑表面信息，決策樹分類法提取城市水體信息，多重濾波處理對線性地物提取方面的優(yōu)勢提取道路信息完成主要地物信息的提取后，對各項提取指標(biāo)進(jìn)行動態(tài)變化識別及分析［4］。肖遠(yuǎn)煥等利用監(jiān)督分類算法，通過實地采集的樣本進(jìn)行道路信息提取，結(jié)果顯示監(jiān)督分類在道路信息的提取中具有更高的精度［5］。徐喬等在應(yīng)用較多的監(jiān)督分類基礎(chǔ)上，采用隨機森林分類方法進(jìn)行道路信息遙感提取，結(jié)果顯示：隨機森林算法的分類精度整體優(yōu)于監(jiān)督分類與非監(jiān)督分類，且通過調(diào)整決策因子，道路信息提取的完整性更好［6］。王旭等采用面向?qū)ο蠓诸惙椒ǎ嬎阒笖?shù)特征擴充特征空間庫，將所有的特征空間導(dǎo)入到面向?qū)ο笏惴ㄖ?，進(jìn)行遙感識別，以此提升遙感提取精度，最終的道路提取精度優(yōu)于特征豐富前的提取精度［7］。

隨著國產(chǎn)高分辨率衛(wèi)星的發(fā)射升空，國產(chǎn)高分辨率衛(wèi)星影像也越來越多地應(yīng)用到道路信息遙感提取中。本研究選用國產(chǎn)高分一號衛(wèi)星（GF1）、高分二號衛(wèi)星（GF2）影像作為研究數(shù)據(jù)，采用面向?qū)ο蠓诸愃惴ǎㄟ^計算影像的空間特征，并篩選最優(yōu)特征，最終進(jìn)行道路信息遙感提取，分析國產(chǎn)高分辨率衛(wèi)星影像在道路信息提取中的適用性。

1 數(shù)據(jù)及原理介紹

1.1 數(shù)據(jù)介紹

高分專項是《國家中長期科學(xué)與技術(shù)發(fā)展規(guī)劃綱要（2006—2020 年）》確定的16 個重大科技專項之一，該項目于2010 年實施?！笆濉币?guī)劃期間，GF1、GF2 等陸續(xù)發(fā)射升空，實現(xiàn)了高時間分辨率、高空間分辨率的對地高效觀測平臺，并且突破了亞米級，被廣大遙感從業(yè)者稱為“中國的全球觀測系統(tǒng)”。

GF1 是國內(nèi)第一顆高分辨率對地觀測光學(xué)遙感衛(wèi)星，成功發(fā)射于2013 年4 月26 日，配置了2 臺2 m全色和8 m 多光譜的高分辨率相機。GF1 突破了高空間分辨率、多光譜與高時間分辨率結(jié)合的遙感技術(shù)，多載荷圖像拼接融合技術(shù)，高精度高穩(wěn)定度姿態(tài)控制技術(shù)，5—8 年壽命可靠衛(wèi)星技術(shù)，高分辨率數(shù)據(jù)處理與應(yīng)用等關(guān)鍵技術(shù)，對于推動我國衛(wèi)星工程水平的提升，提高我國高分辨率數(shù)據(jù)自給率，具有重大戰(zhàn)略意義。GF1 影像效果如圖1 所示。

圖1 GF1 影像效果圖

GF2 是目前我國民用分辨率最高的陸地觀測光學(xué)衛(wèi)星，于2014 年8 月19 日成功發(fā)射。GF2 衛(wèi)星影像的空間分辨率可達(dá)0.8 m，搭載有2 臺高分辨率1 m 全色和4 m 米多光譜相機，標(biāo)志著我國遙感衛(wèi)星及應(yīng)用業(yè)務(wù)進(jìn)入了亞米級的“高分時代”。GF2 的亞米級空間分辨率、高定位精度和快速姿態(tài)機動能力等特點，有效地提升了我國衛(wèi)星綜合觀測效能，使我國高分辨率遙感衛(wèi)星技術(shù)達(dá)到了國際先進(jìn)水平。GF2 影像效果如圖2 所示。

圖2 GF2 影像效果圖

1.2 面向?qū)ο蠓诸?/h3>

面向?qū)ο蠓诸愃惴ㄊ窃诒O(jiān)督分類、非監(jiān)督分類算法的基礎(chǔ)上發(fā)展而來的一種高精度遙感分類算法［8］。不同于傳統(tǒng)的監(jiān)督分類與非監(jiān)督分類，面向?qū)ο蠓诸愃惴ú皇轻槍δ骋粋€或某一區(qū)域像元樣本進(jìn)行樣本計算，而是結(jié)合非監(jiān)督分類算法中的聚類分析算法、最鄰近優(yōu)選算法，以及監(jiān)督分類算法中的樣本特征計算、異常值剔除等，進(jìn)行的算法優(yōu)化。面向?qū)ο蠓诸愃惴ㄊ紫葘τ跋襁M(jìn)行多尺度分割，將影像分割成一個個細(xì)小的圖斑，分割原理是非監(jiān)督分類中的聚類分析等算法，該算法根據(jù)臨近像元的特征進(jìn)行歸類與劃分；然后將樣本套合到分割的圖斑，以圖斑替代樣本，對圖斑進(jìn)行基于像元光譜的計算，并剔除精度較差的圖斑，以此提升圖斑樣本的精度［9］；之后將圖斑導(dǎo)入到算法中進(jìn)行填圖，最終得到高精度的分類成果。

本研究在面向?qū)ο蟮幕A(chǔ)上，進(jìn)行特征擴充，并選取對道路信息具有較高相關(guān)性的特征，以此提升道路信息提取的精度。特征擴充主要包括紋理特征、指數(shù)特征、光譜特征［10］，結(jié)果如表1 所示。擴充后的特征有16 個，在此基礎(chǔ)上，通過ENVI+IDL等工具進(jìn)行特征計算與最優(yōu)特征篩選，并導(dǎo)入到面向?qū)ο蠓诸愃惴ㄖ?，以此達(dá)到道路信息的完整識別與提取。

表1 特征空間構(gòu)建

2 結(jié)果分析

2.1 最優(yōu)分割與特征擴充

采用ENVI 等遙感專用軟件，對GF1 影像與GF2 影像進(jìn)行多尺度分割，并通過不斷調(diào)整分割尺度，獲取各地物類型的最優(yōu)分割尺度。其中，2 種影像的最優(yōu)分割尺度結(jié)果如圖3 所示。

圖3 GF1、GF2 道路最優(yōu)分割尺度示意圖

由圖3 可知：GF1 衛(wèi)星影像的最優(yōu)分割尺度為80，在該尺度下，各地物類型較好地分割開來，其中，對于耕地內(nèi)的裸地，也與建筑裸地較好地分割開來，道路信息的分割效果嚴(yán)格按照道路像元邊界進(jìn)行分割。而GF2 衛(wèi)星影像的最優(yōu)分割尺度為75，得益于GF2 的亞米級像元分辨率，地物的紋理表達(dá)更清晰，通過分割，將地物信息更加詳細(xì)地分割開來，如，耕地內(nèi)的各地塊、獨棟建筑與居民樓等信息。

通過來回調(diào)換分割閾值，可進(jìn)行各地物的分割對象選取。采集各地物的對象作為樣本，分別采集居民地、耕地、裸地、水體、道路5 大類。對采集的樣本，結(jié)合影像信息，進(jìn)行特征計算與擴充，共計算影像的8 個紋理特征、4 個指數(shù)特征：通過計算指數(shù)特征，擴大水體、耕地與居民地的分類窗口；通過計算紋理特征，擴大裸地、道路的分類窗口。以此提升分類精度。

2.2 面向?qū)ο蠓诸?/h3>

通過特征擴充與篩選后的影像分割，分割后的圖斑最大限度地避免了“異物同譜”現(xiàn)象的參與，達(dá)到了分割圖斑最純凈的目的。將分割后的樣本對象，導(dǎo)入到面向?qū)ο蠓诸愃惴ㄖ羞M(jìn)行遙感解譯，得到結(jié)果如圖4 所示：圖4（a）為GF1 衛(wèi)星影像的分類效果，圖4（b）為GF2 衛(wèi)星影像的分類效果。

圖4 GF1、GF2 面向?qū)ο蠓诸愂疽鈭D

由圖4 可知：整體來說，2 種衛(wèi)星影像的分類效果整體一致，居民地、水體、耕地等信息均識別了出來；GF1 衛(wèi)星影像的識別效果，建筑物多為連片識別，而GF2 更傾向于獨棟識別，GF2 影像的建筑物識別中，雖然識別效果較精細(xì)，但部分硬化地表錯分較多；道路的識別中，GF1 影像更多地識別出了主干道，而GF2 識別得更加詳細(xì)，如，田間的道路也均識別了出來，但GF2 把更多的裸地也錯誤識別成了道路。究其原因，GF2 的像元分辨率較高，對地表信息分類更精細(xì)，也造成了相近類型的錯誤識別，出現(xiàn)“過分類”現(xiàn)象。

2.3 整體精度驗證

本研究采用預(yù)留的20% 樣本對本研究中劃分的5 類地物的分類精度進(jìn)行精度驗證，本研究劃分的5 大類，基本涵蓋了地表覆蓋類型。本研究的分類結(jié)果精度驗證方法主要為預(yù)留驗證樣本進(jìn)行精度驗證，驗證結(jié)果如表2、表3 所示。整體來說GF2衛(wèi)星影像的分類精度更高；道路的整體分類精度GF1 優(yōu)于GF2，主要是因為GF2 的道路分類出現(xiàn)了“過分類”現(xiàn)象，但通過分析，GF2 的道路提取結(jié)果更精細(xì)。

表2 GF1 面向?qū)ο蠓诸惥闰炞C

表3 GF2 面向?qū)ο蠓诸惥闰炞C

2.4 局部精度分析

采用局部分析方法分析GF1 與GF2 影像的提取效果，結(jié)果如圖5 所示，圖5（a）為GF1 影像的平原地區(qū)“村村通”道路提取效果。

圖5 “村村通”道路提取效果圖

由圖5 可知：影像上的硬化道路均識別了出來，道路提取效果嚴(yán)格按照道路走向，涇渭分明，并且各個村莊之間的道路均未出現(xiàn)斷頭路現(xiàn)象，相對于GF2 的平原地區(qū)道路提取效果，未出現(xiàn)“過分類”的現(xiàn)象，而GF2 的平原地區(qū)分類效果存在邊界過于詳細(xì)、嚴(yán)格按照像元邊界的現(xiàn)象，這就造成了道路兩旁到其他地類過渡區(qū)域的“過分類”。而GF1 影像的平原地區(qū)的“村村通”道路提取成果中，耕地內(nèi)的土質(zhì)道路未參與到道路信息的提取中來，是因為本研究通過指數(shù)特征與光譜特征計算，將土質(zhì)道路的特征與硬化道路的特征進(jìn)行了計算與對比，并擴大了2 條道路的特征差異，避免了在分類過程中錯誤識別與劃分，整體提高的“村村通”道路提取的精度。

圖5（b）為GF2 影像的山地地區(qū)“村村通”道路提取效果，由圖5（b）可知：山地地區(qū)“村村通”道路曲折蜿蜒，遙感提取較麻煩，GF1 影像在山地地區(qū)的道路識別中具有一定的局限性。因為山地地區(qū)林地較多，易造成遮擋，對道路信息的提取具有較大的影響。而GF1 影像的像元分辨率為2 m，對遮擋部分道路的提取更加困難。本研究結(jié)合GF2 影像，將道路信息準(zhǔn)確地識別了出來。通過計算植被指數(shù)特征，針對遮擋區(qū)域的混合像元，進(jìn)行了重新劃分。道路的紋理特征優(yōu)先劃定了線性地物特征，基于GF2 影像的像元信息，根據(jù)線性地物特征以及林地混合像元分析，將其劃定到道路特征圖斑中，以此提升山地地區(qū)的道路提取精度。

2.5 GF影像適用性討論

通過本研究的試驗，GF 系列衛(wèi)星影像在道路信息提取中具有較好的適用性與較高的精度。本研究采用GF1 與GF2 影像進(jìn)行“村村通”道路信息提取，結(jié)果顯示：GF1 在平原地區(qū)提取精度較好，且與GF2 影像的提取效果相差不大；但在山地地區(qū)，GF1 衛(wèi)星影像的提取效果較差，針對樹林遮擋的地區(qū)，GF1 本身像元分辨率較高，不能較好地計算相應(yīng)的特征，并且在區(qū)分混合像元時不理想。GF2 影像在山地地區(qū)的提取效果整體優(yōu)于GF1，因為GF2影像的分辨率優(yōu)勢，可為山地地區(qū)較窄、較曲折的道路提供更好的數(shù)據(jù)源，同時給易造成斷頭路的樹木遮擋地區(qū)以及土質(zhì)道路影響地區(qū)的時空特征計算提供便利。但GF2 影像的過境周期較差，GF1 影像可達(dá)到逐月覆蓋，這給道路信息提取與更新提供了較好的數(shù)據(jù)源。相比于GF1，GF2 影像雖可進(jìn)行更高精度的道路提取，但在信息更新優(yōu)勢上弱于GF1。整體來說，GF1 衛(wèi)星與GF2 衛(wèi)星各有利弊，結(jié)合應(yīng)用GF 系列衛(wèi)星，可在“村村通”道路信息提取中發(fā)揮更大的優(yōu)勢。

3 結(jié)語

本研究采用擴充與篩選后的特征庫作為新的特征空間，導(dǎo)入到面向?qū)ο蠓诸惙椒ㄟM(jìn)行基于GF系列衛(wèi)星影像的“村村通”道路信息遙感識別與提取，以此研究GF 系列衛(wèi)星影像在道路信息提取中的適用性，結(jié)果如下：

GF 系列衛(wèi)星影像在“村村通”道路信息提取中具有較好的適用性與較高的精度；

通過擴充面向?qū)ο筇卣鲙?、?yōu)化道路的訓(xùn)練模型，提升了地表信息遙感提取的精度，獲取了較完整的道路信息；

綜合對比GF1 與GF2 影像在道路提取中的適用性得出：GF1 與GF2 影像均具有較高的道路提取精度，GF1 在主干道的提取中具有更高的分類精度，道路兩旁地表混淆較少，如在平原地區(qū)道路提取中；而GF2 的提取效果出現(xiàn)了“過分類”現(xiàn)象，但局部道路提取精度優(yōu)于GF1 衛(wèi)星影像，如在山地地區(qū)。

雖然本研究取得了較理想的成果，但仍存在一定的問題：首先，本研究選用的GF2 影像未考慮時相問題，GF2 影像的重訪周期較長，較難獲取及時性的高質(zhì)量影像；其次，本研究僅僅選取了一小部分地區(qū)，未涉及更大的區(qū)域，在廣域的道路提取中，本研究的道路模型適用性有待驗證。