摘要：本文研究了基于道路軌跡預測模型的遙感影像分類方法，回顧遙感圖像道路提取的研究背景，分析了影響道路提取的關鍵因素，包括圖像分辨率和算法的自動化程度。文章詳細闡述了道路要素的遙感影像提取方法，包括快速道路、主干道和次干道的提取策略。在快速道路提取方面，采用面向對象分類思想和規(guī)則集構建技術；在主干道提取中，則利用循環(huán)規(guī)則集構建和數學形態(tài)學處理相結合的方法；對于次干道提取，文章提出了圖像預處理和次干道線特征提取的步驟。這些方法為遙感影像中的道路分類和提取提供了有效的技術支撐。

關鍵詞：高分辨率遙感影像；道路提??；道路軌跡預測模型

中圖分類號：P208 文獻標識碼：A doi：10.12128/j.issn.1672-6979.2024.08.006

引文格式：張名華，張洪軍，石建，等.基于道路軌跡預測模型的遙感影像分類方法研究［J］.山東國土資源，2024，40（8）：37-41.ZHANG Minghua，ZHANG Hongjun，SHI Jian， et al. Study on Remote Sensing Image Classification Method Based on Road Trajectory Prediction Model［J］.Shandong Land and Resources，2024，40（8）：37-41.

0 引言

城市的發(fā)展與經濟密切相關，而道路作為重要的地理元素在其中扮演著關鍵角色。因此，及時更新和準確記錄道路信息對有效的城市規(guī)劃至關重要。通過高分辨率遙感影像來識別道路要素具有重要意義［1-5］。隨著時間的推移，高分辨率遙感圖像數據的復雜性逐漸提升。這些數據詳盡地呈現了道路和其他目標物體，并融合了一系列潛在干擾因素，比如街道兩旁的樹木、建筑物投射下的陰影、行駛車輛、交通標志以及道路標線等各種信息。在當今社會背景下，借助現代科技手段對高分辨率遙感圖像中的道路進行提取具有重要的科學研究意義。

1 遙感圖像道路提取的研究

1.1 遙感圖像道路提取特征

高分辨率遙感圖像具有以下特征：道路在圖像中呈帶狀分布，并且在一定長度上，寬度變化不大。通過顏色或灰度差異可觀察到明顯的邊緣信息突出，道路通常具有相對較長的長度，因此可以與非道路目標區(qū)分開來［6］。

1.2 影響道路提取的因素

1.2.1 圖像分辨率

地物在圖像中的表現形式受分辨率直接影響，增加分辨率可以使各種地物的細節(jié)清晰可見，而低分辨率圖像則可能導致這些細節(jié)模糊或消失。然而，高分辨率圖像雖然提供了更多道路細節(jié)信息，但也會放大各種地物對道路的干擾，從而對道路提取產生影響［7-8］。相比之下，在低分辨率圖像中，道路呈線狀結構，以黑色細線的形式表現出來，并與背景灰度有明顯差異，它具有一定的方向和長度，可以簡單地將其抽象為線［9］。

在高分辨率圖像中，道路通常呈現為亮度變化明顯且被雙側邊緣包圍的暗長條狀區(qū)域，同時還存在各種干擾因素，如圖像中天然的斑點噪聲、道路旁邊樹木和建筑物的遮擋，以及道路上車輛、護欄和天橋等金屬物體的強反射等。這些干擾因素會破壞道路在圖像中的連續(xù)性，并增加道路提取的難度［10］。在高分辨率圖像中，道路具有明顯且平行的雙側邊緣特征，并且其寬度基本保持恒定，這是進行道路提取時可以利用的先驗信息之一［11-12］。

1.2.2 算法的自動化程度

道路提取可以根據算法的自動化程度分為半自動道路提取和自動道路提取兩類［13］。半自動算法主要基于圖像中線狀地物的形狀特征和灰度特征進行整體優(yōu)化設計。道路的自動定位提取是通過局部或全局方法對圖像中道路特征進行分析實現的［14-16］。國內外許多專家和學者在自動道路提取算法上進行了大量研究和探索，并取得了一定成果，例如HeiPte提出的分級式多分辨率方法［17］、Barozhar和Cooper提出的結合最大后驗估計和動態(tài)規(guī)劃的提取算法，以及基于窗口模型特征的提取算法等［18］。

2 道路要素的遙感影像提取方法

城市道路分4個等級，快速路（城市快速路）、主干道、次干道、支路，主要的區(qū)別是速度，以及涉及的車速和斷面的布置。設計車速：快速路60 km/h到100 km/h，城市主干道60 km/h到80 km/h，次干道40 km/h［19］。不同道路的遙感影像表現也不相同，快速路、主干道、次干道在圖像上規(guī)律性更加明顯。

本文主要對快速路、主干道、次干道展開研究。

2.1 快速道路提取方法

2.1.1 面向對象分類思想

在分類影像時，面向對象的方法與傳統的影像分析方式明顯不同。它通過詳細劃分圖像、將噪聲區(qū)域整合到特定圖像對象中，并利用目標物體獨特特征消除這些干擾。典型的面向對象影像分類流程包括2個關鍵步驟：對象生成和要素提取［20］。

利用異質性最小的區(qū)域合并算法，多尺度影像分割方法對影像進行有效切割。分割尺度直接影響多邊形對象的大小，根據具體情況靈活選擇不同的分割尺度數值來完成多尺度影像分割任務，這些值直接決定了生成對象層內多邊形面積和數量［21］，決定其質量的均值性因子包括顏色因子和形狀因子2個屬性因子。

隸屬度函數是一種模糊函數，用于準確定義影像對象與特定類別之間的歸屬程度。通過利用邏輯運算符的簡單組合，可以計算隸屬度值，實現類變量分配。隸屬度函數的引入使得處理不同向量空間和取值范圍的特征變得可能；進而，它們將更容易地組織和編輯每個特定類別中的特征［22］。利用隸屬度函數的方法可以有效地組合不同特征范圍之間的信息，為分類任務提供有益的輔助工具。

2.1.2 規(guī)則集構建

在易康環(huán)境中，運用基于面向對象的分類理念結合多尺度分割技術來處理快速路所在區(qū)域影像。由于快速道與周邊地物在光譜方面具有顯著差異，利用這種差異性能夠有效地進行道路分割。觀察和分析快速路的長寬比、長度以及光譜特征等屬性，并建立起知識庫，從而更全面地提取出快速路信息。考慮到快速路與其周圍環(huán)境具有規(guī)則形狀和明顯光譜對比的特點，在圖像分割過程中，能夠更準確地將快速路與其他區(qū)域加以區(qū)別。

通過分割技術，可以根據道路的幾何特征，如長寬比和長度，進行識別，并借助光譜特征來區(qū)分道路與其他地物對象。除了考慮長度、寬長比、NDVI指數等基本參數之外，在結合相似性特征設定適當閾值的基礎上，建立高效快速的道路元素提取解譯專庫，實現更精確的道路信息提取和解譯。

2.2 主干道提取方法

2.2.1 循環(huán)規(guī)則集構建

在遙感影像中，元素物體的內部同質性常導致邊界不連續(xù)。為解決這一問題，通常將整個影像劃分為多個特定含義的子區(qū)域，有助于影像分割。在進行道路要素分類提取之前，必須確定適用的分割參數用于處理選定的影像，以確保最終分割結果中道路要素各自獨立，這樣可有效促進后續(xù)道路提取工作的準確性和高效性。

在易康環(huán)境下，運用整合相鄰要素和標準化植被指數等重要因素的方法來建立一個循環(huán)式知識儲備體系。該體系的目標是實現道路起點和終點之間的無縫連接，并推動道路地區(qū)提取任務的有序進行。

在圖1中呈現的是初步提取出的道路。在這一階段，識別道路面臨著周圍高樓建筑物投射出的影子以及邊界凸顯部分干擾等光譜異質物體的挑戰(zhàn)，利用形態(tài)學膨脹腐蝕運算對初步提取的道路進行毛刺去除及填補缺失部分，在ArcGIS中利用編輯工具對剩余的凸出進行處理，達到道路邊界的平滑效果，最終完成道路要素的提取。

2.2.2 數學形態(tài)學處理

圖像的質量可通過形態(tài)學操作進行預處理來提升，這一過程包括消除小黑色間隙、平滑邊界毛刺以及清除白色亮點噪聲等方法。此外，還能對圖像特征和幾何參數進行詳細描述和定義，例如周長、面積、方向和骨架結構等內容進行完善分析。

A是待處理的原圖像，B是定義的結構元素，Z是膨脹操作后新圖像中的像素點。則B對A進行的膨脹運算定義為：

在對A進行B的擴展過程中，首先需要將B的坐標原點旋轉90度以得到-B，然后再將圖像平移X。根據這個背景設定，可以描述A和B之間的圖像聯系是存在非零集合。換言之，通過基本結構的4個元素B快速展開邏輯運算所顯示出來的圖像A集合，在滿足以下條件時成立：當A、B的位移與至少一個非交點相交時，可以獲得一個非零四元素集合，在其中B的坐標原點包含著重要意義。

2.2.3 數學形態(tài)學處理腐蝕運算

A為待處理圖像，B為結構元素，Z為腐蝕操作后新圖像中的像素點。A被B腐獨，定義為：

在公式2中，（B）x指的是將模板B進行X距離的平移。腐蝕運算的終點是關于線性距離X所有可能平行移動操作的集合。必須確保通過對模板B進行平行移動后，依然能夠讓B完全包含在A內部。如果模板B是用戶自定義的，則集合AB包含了在模板移動過程中可以填充到A外部各個模板坐標原點的位置信息。

在道路要素的初步提取過程中，面臨著多方面挑戰(zhàn)。這些挑戰(zhàn)包括選擇分割參數、周圍行道樹和建筑物陰影的干擾等因素，導致了初步提取的道路要素邊界顯示出不夠平滑的情況（圖1）。為了解決這一問題，借鑒了形態(tài)學領域中膨脹和腐蝕運算原理，并采用了膨脹運算來將區(qū)域外部邊界轉換為實體對象，并對邊界進行向外拓展處理。透過綜合利用膨脹和腐蝕操作，成功地消除了道路要素邊緣毛刺并填補了缺失部分，在處理上取得顯著效果。最后，在ArcGIS軟件中手動編輯，進一步消除了道路要素邊緣的突出部分，實現對道路邊界的平滑處理以達到更精確的結果。

首先，處理原始道路要素時，采用了一個尺寸為5×5的全1矩陣作為結構元素進行循環(huán)膨脹操作（圖2）。然后，利用半徑為3的圓形結構元素對象對膨脹后的結果進行循環(huán)腐蝕操作（圖3）?？傮w而言，腐蝕是一個逐步進行的過程，它通過消除邊界點并使邊界逐漸向內部收縮來實現改善，在ArcGIS中人工編輯去除這些凸出部分，使道路邊界達到平滑的效果。

在ArcGIS編輯器中，有多種方法可以調整要素的形狀。除了添加折點和全面編輯外，還可以利用功能如內部分割、鏡像、延伸、切割線要素、移動以及復制線要素來處理多邊形要素。另外，使用裁剪面功能可以消除道路要素邊界的突出部分，達到使邊界更加平滑的效果。

道路提取效果的最終呈現如圖4所示。采用面向對象分類、形態(tài)學膨脹與腐蝕運算，加上后續(xù)的ArcGIS編輯處理，成功改善了路面要素的識別準確率。盡管如此，在某些區(qū)域仍有一些遺漏情況存在，主要源自建筑物陰影造成的影響。此外，在道路上部分位置可能出現邊界錯分問題，因為其光譜特征與周圍環(huán)境相似導致錯判。

2.3 次干道提取方法

2.3.1 圖像預處理

增強影像對比度實際上是增加原始圖像各部分之間反差的程度。在實際應用中要突出顯示某些地物時，可以采用擴大原始圖像中某兩個灰度級之間的范圍來進行優(yōu)化來實現這一目標。

對于包含此類尺度表現形態(tài)的道路影像，進行形態(tài)學預處理的目的是突出道路輪廓，增強其清晰度和顯著性。這樣識別道路起點和方向時會更加方便，為進一步捕捉該類道路線特征奠定了牢固基礎［23］。

2.3.2 次干道線特征提取

根據直線型道路曲率變化較小的特性，在道路起點開始，利用道路曲率保持穩(wěn)定屬性的特點來建立一條連續(xù)性增長規(guī)則，以此作為搜索符合要求像素點的依據。逐步按照這一生長規(guī)則尋找符合條件的像素點，并將它們融入目標道路點中。沿著道路曲率方向重復這一過程，直到覆蓋其他端點位置的像素。最后，連接所有目標道路點以構建提取出的直線型道路輪廓線。

為了計算道路曲率，需要明確定義圖像區(qū)域內3個種子點的坐標位置。首先，選擇道路的一個端點作為起始種子點，并利用道路曲率作為增長規(guī)則執(zhí)行區(qū)域生長算法。在生長過程中，根據這一準則不斷合并符合條件的像素點來生成目標道路點集。當達到另一個端點時停止生長，并連接所有目標點以完成道路線特征提取過程（圖5）。

3 結語

本研究在遙感影像道路分類領域取得了顯著的進展。分析遙感圖像道路提取的特征和影響因素，以及詳細闡述不同道路類型的提取方法，為遙感影像的道路自動分類和提取提供了實用的技術路線。特別是，面向對象分類思想、規(guī)則集構建技術、數學形態(tài)學處理以及圖像預處理等方法的綜合運用，有效提高了道路提取的自動化程度和精度。未來，隨著遙感技術的不斷發(fā)展和算法的不斷優(yōu)化，相信遙感影像在道路分類和提取方面的應用將更加廣泛和深入。

參考文獻：

［1］張現峰，劉乾忠，宮昌華.基于歷史衛(wèi)星遙感影像對城區(qū)空間形態(tài)演變的研究［J］.山東國土資源，2023，39（7）：39-45．

［2］李陽，關純安，劉浩.基于高分遙感影像和矢量數據的海域使用現狀調查與分析［J］.山東國土資源，2023，39（6）：52-59．

［3］程忠，黃明輝.基于MobileViT輕量化網絡的遙感圖像分類方法研究［J］.南方農機，2023，54（16）：81-83.

［4］顧旭璐，郭中華，閆梓旭，等.基于YOLOv5s 6.0的飛機遙感圖像分類研究［J］.寧夏工程技術，2023，22（2）：187-192.

［5］李蕾.一種改進的SVM遙感圖像分類方法［J］.北京測繪，2023，37（6）：903-907.

［6］梁錦濤，陳超，張自力，等.一種融合指數與主成分分量的隨機森林遙感圖像分類方法［J］.自然資源遙感，2023，35（3）：35-42.

［7］楊星，宋玲玲，王時繪.基于改進的ResNeXt網絡結構的遙感圖像分類［J］.計算機科學，2023，50（增刊1）：282-287.

［8］張立亭，夏文生，羅亦泳，等.改進雙重注意力機制結合ResNet50的遙感圖像分類［J］.測繪科學，2023，48（4）：98-105.

［9］張雷雨，曾毅，李勝輝，等.加權的判別性協同表示方法用于高光譜遙感圖像分類［J］.無線電工程，2023，53（6）：1359-1367.

［10］馮甜甜，唐斌.基于面向對象遙感圖像分類的城市綠地提取及動態(tài)分析［J］.測繪，2023，46（1）：27-31.

［11］范迎迎，張姍姍.基于深度主動學習的高光譜遙感圖像分類方法［J］.東北師大學報（自然科學版），2022，54（4）：64-70.

［12］蔣正鋒，何韜，施艷玲，等.融合卷積注意力機制與深度殘差網絡的遙感圖像分類［J］.激光雜志，2022，43（4）：76-81.

［13］車思韜，郭榮佐，李卓陽，等.注意力機制結合殘差收縮網絡對遙感圖像分類［J］.計算機應用研究，2022，39（8）：2532-2537.

［14］周子涵，倪歡，馬林飛.面向高光譜遙感圖像分類的連續(xù)空間依賴增強型空—譜卷積神經網絡［J］.地理與地理信息科學，2021，37（6）：32-40.

［15］劉春容，寧芊，雷印杰，等.改進殘差神經網絡在遙感圖像分類中的應用［J］.科學技術與工程，2021，21（31）：13421-13429.

［16］李彥甫，范習健，楊緒兵，等.基于自注意力卷積網絡的遙感圖像分類［J］.北京林業(yè)大學學報，2021，43（10）：81-88.

［17］姜亞楠，張欣，張春雷，等.基于多尺度LBP特征融合的遙感圖像分類［J］.自然資源遙感，2021，33（3）：36-44.

［18］楊敏航，陳龍，劉慧，等.基于圖卷積網絡的多標簽遙感圖像分類［J］.計算機應用研究，2021，38（11）：3439-3445.

［19］關偉，何蜀燕.基于統計特性的城市快速路交通流狀態(tài)劃分［J］.交通運輸系統工程與信息，2007，7（5）：42-49.

［20］葛振強.基于改進DeepLabv3+的道路分割算法［J］.現代信息科技，2024，8（4）：132-135.

［21］侯建行，陳穎，李翔，等.融合卷積和上下文變壓器的遙感圖像配準［J］.計算機工程與設計，2024，45（2）：500-507.

［22］張銀勝，單夢姣，鐘思遠，等.基于改進DeeplabV3+的遙感圖像道路分割模型［J］.國外電子測量技術，2024，43（1）：189-198.

［23］陳國軍，朱燕寧，耿潤田，等.基于iHDODC-LinkNet網絡的遙感圖像道路提取方法［J］.光電子·激光，2024，35（1）：51-58.

Study on Remote Sensing Image Classification Method Based on Road Trajectory Prediction Model

ZHANG Minghua1，ZHANG Hongjun2，SHI Jian2，ZHAO Chunli1，ZHENG Weian2，LI Tianhe2

Abstract：In this paper， remote sensing image classification method has been studied based on road trajectory prediction model， research background of remote sensing image road extraction has been reviewed， and key factors affecting road extraction have been analyzed， including image resolution and algorithm automation degree . Remote sensing image extraction methods of road elements， including the extraction strategies of fast road， main road and secondary road. In the aspect of fast path extraction， object-oriented classification and rule set construction technology are adopted. In main road extraction， the method combining the construction of cyclic rule set and mathematical morphology processing has been used. For sub-trunk extraction， the steps of image preprocessing and sub-trunk feature extraction have been proposed. These methods will provide effective technical support for road classification and extraction in remote sensing images.

Key words：High-resolution remote sensing image; road extraction; road trajectory prediction model

收稿日期：2024-04-11；修訂日期：2024-05-29；編輯：王敏

基金項目：山東省自然資源廳2024年省級基礎測繪項目（魯自然資字〔2024〕32號）

作者簡介：張名華（1974—），女，山東龍口人，高級工程師，主要從事測繪地理信息、土地登記等方面工作；E-mail：119932336@qq.com

*通訊作者：張洪軍（1984—），男，山東濟陽人，高級工程師，主要從事基礎測繪數據生產與項目管理等工作；E-mail：361852524@qq.com