基于高分辨率ＳＡＲ圖像的道路自動提取
2008-12-31 00:00:00胡華劉瑩王勛徐斌朱夏君
計算機應用研究 2008年12期
（浙江工商大學 計算機與信息工程學院， 杭州 310018）
摘 要：
在傳統算法的基礎上，用多條件加權法進行道路邊緣點的判斷，充分利用道路的物理特性，將道路邊緣點像素上下文特性作為判斷的條件，以實現道路邊緣線段的識別。橋接模式的思想是根據道路邊緣線平行且寬度一定的特性，通過算法找出兩條邊緣線段之間的對應點，連接對應點以實現道路提取。經實驗測試，該算法能消除地物間的影響和噪聲干擾，有效地提高了道路提取的精度和速率。
關鍵詞：道路提取; 遙感圖像; 多條件加權; 橋接模式
中圖分類號：TP751 文獻標志碼： A
文章編號：10013695(2008)12369403
Automatic road extraction in highresolution SAR images
HU Hua， LIU Ying， WANG Xun， XU Bin， ZHU Xiajun
(College of Computer Science Information Engineering， Zhejiang Gongshang University， Hangzhou 310018， China)
Abstract:
Based on the traditional algorithm， the paper presented a new method which used multiweighted terms to judge the road edge. Made full use of the physical characteristics of the road， and made the road edge pixels context as a judge， in order to recognize the edges segment of the road. According to the characteristics of the road parallel lines and certain width， bridgelink mode found out the corresponding points on two marginalized segment and connected the onetoone points in order to achieve road extraction. Experimental results demonstrate the algorithm can eliminate features and noise， effectively improve the accuracy and velocity of the road extraction.
Key words：road extraction; remote sensing image; multiweighted terms; bridgelink mode
高分辨率SAR圖像中的道路信息是一種重要的地理專題信息，道路信息的提取研究也一直是遙感圖像自動識別研究中一個活躍的研究主題。道路信息提取不僅在衛星數字圖像自動解釋方面具有理論與方法意義，而且可以利用提取的道路信息作為數據源，對地理信息系統數據庫進行自動更新，實現道路自動檢測與識別。這是數字城市、道路監控等領域非常重要的課題[1~3]。
目前在地面影像的獲取方面，因處理理論和算法的相對滯后，處理效果與所需要的信息之間相差甚遠，主要存在以下幾個問題：a）影像中目標的多樣性與復雜性。植被、房屋等不同地物間信息的相互影響與干擾使得要提取出感興趣的目標變得非常困難。b）邊緣相對的問題。公路與環境背景間的反差是相對的，沒有絕對，只有相對的邊緣線段，因此要把公路從場景中提取出來，邊緣的確定規則很重要。c）公路本身的問題。在遙感影像中，公路既可能由于圖像質量而出現間斷現象，也可能因其受到行人、車輛、陰影而出現干擾現象[4，5]。
針對目標的多樣性與復雜性和邊緣相對的問題，本文采用多條件加權法進行道路邊緣點的判斷，充分利用道路的物理特性，考慮道路邊緣灰度值突變特性，將道路邊緣點像素上下文特性作為判斷的條件，以實現邊緣線段的識別。另外采用橋接模式實現道路的提取。其思想是：兩條平行線段的組成點之間是一一對應的，若搜索出道路的一條邊緣線段，根據該邊緣線段上的點以及道路邊緣線段平行、寬度一定等特性，確定道路另一邊緣線段上對應的點，兩對應點之間連線上的所有點都可認為是道路粒子，以實現道路提取。用該方法可以消除公路本身出現的干擾問題。
1 傳統的道路提取思想
對道路自動提取而言，可以集中體現為既包含道路全局特征也包含局部特征的道路模型。因此，如何在實際圖像中檢測道路，關鍵問題是對現實世界中的道路進行正確的描述和理解，建立合適的道路模型。
單單對一幅影像圖進行處理和識別，道路必須滿足一定的物理和幾何要求，如:a)道路寬度變化比較小；b)道路方向變化慢；c)道路具有一定的長度；d) 道路一般呈帶狀或線狀；e)有一定的彎曲度，但局部曲率一般不大，曲率變化較平緩；f）道路表面必須是平坦的、堅實的，道路的局部曲率有一上限；g）道路一般是相互連接而形成道路網絡等。但由于面對的是數字圖像，而不是真實的道路，這些道路的物理與幾何特性并不能直接用于道路提取規則的構建中，需要建立對道路在數字影像上的外觀進行描述的道路模型，在此基礎上構建出用于道路提取的各種規則。
傳統的道路提取大體有如下幾種：a）線性特征提取法。利用微分幾何方法對圖像進行線特征強化后進行線段提取，根據道路的拓撲性質進行線段的聚合分類；其缺點是前期處理要求高且誤差較大。b）邊緣檢測提取法。 該方法利用道路與其他地物的像素值差異提取道路邊緣；其缺點是容易受圖像質量影響，當圖像干擾較多或者像素差值較小時，誤差較大。c）路段連續判斷提取法。 其原理是利用路段有一定長度的直線性質，對影像中的任一點向各方向作放射性的路段判斷， 若超過給定長度則認為是路段；其缺點是受路面上汽車、 行人影響較大[6]。d）提取道路中心線法[7]。其缺點也是受路面干擾點比較大。
2 道路提取算法改進
21 預處理
對圖像進行濾波處理，比較采樣點XK與周圍八鄰域像素點的均值X K(X K=∑ 8 i=0 XKi/8)的差值大于給定閾值filter，則將采樣點像素值設為X K；否則仍保持遠像素值不變。該處理方式在于消除道路上的噪聲點。圖像濾波以后，再重新對圖像進行銳化操作，比較采樣點X K
與周圍八鄰域像素點的均值XK的差值大于給定閾值sharpen，則將采樣點像素值設為XK-C；否則仍保持遠像素值不變。該處理方法在于突顯道路邊緣，有利于后續道路點的提取。
22 多條件加權法進行道路邊緣點的判斷
如何確定道路的邊緣線段是判斷道路的關鍵，道路邊緣點的判定規則關系到道路的準確提取。傳統的道路邊緣點識別算法僅僅依靠單獨的像素點灰度進行閾值分水嶺的劃分或用一系列模板進行標定[8，9]。但是這種算法太過單一，沒有充分利用道路的物理特性，另外也易受噪聲點的干擾。總結傳統的各種識別算法[10~12]，筆者提出了利用多條件加權法進行道路邊緣點的判斷規則。
道路邊緣點是道路和區域之間的銜接點。既然是邊緣就具有灰度值突變的特點，考慮像素上下文，將此作為判斷邊緣點的一個條件。 考察點八鄰域分別與考察點差值的平方和是否超過某一閾值，即認為該考察點與周圍環境存在像素突變的特性：
aK=∑ 8 i=0 (XK-XKi)2（1）
如果是在道路或者區域內部，則由于考察點與周圍像素差值較小，所得aK較小；而邊緣點由于與周圍像素相差較大，所得結果aK較大。合理地設置閾值，將此作為判斷的一個結果。
對道路進行采樣，得到平均道路的灰度值R。邊緣灰度值是漸變的過程，因此邊緣點與道路灰度值之差存在一閾值，將此作為判斷的另一個結果。
bK=abs(XK-R)（2）
綜合式（1）（2），得出判斷道路邊緣點的公式
MK=λaK+ηbK
MK=λ[∑ 8 i=0 (XK-XKi)2]+η[abs(XK-R)]（3）
其中：λ、η均為權值，可根據圖片質量選取大小，一般認為λ=1，η=1。所得MK若大于設定的閾值K（K值可根據圖像質量確定），則可認為是邊緣點。
23 基于五鄰域的道路邊緣線段識別
道路、邊緣、區域之間灰度是漸變的過程。以圖1道路邊緣點搜索模型為例，搜索到首個道路邊緣點P0后，對于東西走向的道路而言，可以分為左右兩部分進行考慮。例如向右搜索，對考察點P0利用模板MR，其五個為1方向的鄰域點利用式（3）看是否滿足，并且判斷考察點與搜索到的前個道路邊緣點的差值最小的作為后續道路邊緣點P1；將P1作為考察點繼續搜索，直至右半部分全部搜索完畢。回到初始邊緣點P0向左搜索，對考察點P0利用模板ML，其五個為1方向的鄰域點利用式（3）看是否滿足，并且判斷考察點與搜索到的前道路邊緣點的差值最小的作為后續道路邊緣點P6；將P6作為考察點繼續搜索，直至左半部分全部搜索完畢。若南北走向道路，選用模板MA、MB，步驟同上。如圖1所示，P9，P8，P7，P6，P0，P1，P2，P3，P4，P5為搜索出來的道路的一組邊緣點。MR、ML、MA、MB模板如下所示：
24 橋接模式的道路提取
利用以上方法提取出道路的一條邊緣線段，可以用橋接模式搜索到該線段上的邊緣點對應另一條邊緣線段上的點，以搜索出另一邊緣線段，提取整條道路。其算法思想如圖2所示。
如圖2所示，對于已經識別出的一邊緣點P0，該點法線為L0，沿法線L0方向搜索滿足道路邊緣特征的點，判斷原則用式（3）。若搜索到R0滿足該條件，則可認為R0為P0所對應的在另一邊緣線段上的點，P0與R0之間的成分均可認為是道路因子。同理邊緣點P1，該點切線的法線為L1，沿法線方向且距離P1約為P0R0長度的區域塊中，搜索滿足道路邊緣特征的點，判斷原則用式（3），并且考察點與搜索到的前個道路邊緣點的差值最小的作為后續道路邊緣點。若搜索到R1滿足該條件，則可認為R1為P1所對應的在另一邊緣線段上的點，P1與R1之間的成分均可認為是道路因子……。反復搜索，利用已經提取的一條道路邊緣的構成點P0，P1，P2，…，Pn，用以上方式搜索出對應的另一邊緣的構成點R0，R1，R2，…，Rn。而P0R0，P1R1，P2R2，…，PnRn連線之間的像素點均可認為是道路因子。這樣一種道路提取方式是在對應兩點之間搭橋連線的模式，稱其為橋接模式。
橋接模式充分利用道路的寬度一定、兩條邊緣線段長度一致且相互平行等特征，無須考察每個點。在識別R0后，根據P0R0的長度，直接考慮一塊區域內的像素特征，便得到P1，P2，…，Pn所對應的R1，R2，…，Rn。無須保存每個道路點，只需保存邊緣點，兩對應點之間的連線可認為是道路因子，將整條道路提取出來，這消除了道路上行人、車輛等的影響。例如圖2中道路上的黑影塊假設為干擾點，由于道路的寬度一定，利用橋接模型不會對道路邊緣點識別和道路提取產生影響。如R7，R6，R0，R1，R2，R3，R4，R5為利用橋接模式搜索出來的另一組道路邊緣點。
25 算法步驟
綜上所述，道路提取的主要步驟如下：
a)對整幅圖像進行濾波、銳化等預處理操作。
b)設定初始道路生長點，沿垂直方向向上搜索道路粒子，利用多條件加權法進行首個道路邊緣點的判斷，若搜索到滿足條件的首個道路邊緣點，轉c)；若沒有搜索到，沿水平方向向右搜索道路粒子，直至搜索到滿足條件的首個道路邊緣點。
c)基于五鄰域的后續道路邊緣點的判斷，提取道路的一邊緣線段。
d)按照橋接算法搜索出道路的另一邊緣線段，提取道路。
e)將兩對應點之間的像素點灰度值設為255，其余非道路點部分像素點灰度值設為0。
3 測試結果
以一幅71×48杭州市遙感影像圖為例，圖3中，（a）為原始圖像；傳統中心線提取道路方法測試結果如（b）所示；邊緣檢測提取道路的結果如（c）所示。而按照本文的道路提取方式，預處理中濾波閾值filter=10， 銳化閾值sharpen=7，道路邊緣點判斷條件中權值λ=1，η=1，參數aK=170，K=185，測試結果如（d）所示；參數aK=185，K=202，測試結果如（e）所示。可見結果（e）效果較精確，對該圖閾值設置可確定。
利用橋接模式提取道路，可以排除植被、房屋等不同地物間信息的相互影響，排除道路上車輛、行人、陰影的干擾。圖4為兩幅分別在建筑物、植被環境下的影像圖道路提取的測試結果。
4 結束語
利用多條件加權法可以進行道路邊緣點的判斷，比單獨判斷像素點的灰度進行閾值分水嶺的劃分更加準確。充分利用道路的物理特性，將道路邊緣點具有灰度值突變的特點、像素上下文特性作為判斷的條件。 橋接模式道路提取方式充分利用道路的寬度一定、兩條邊緣線段長度一致且相互平行等特征， 只需提取一條邊緣線后，即可相繼提取另一邊緣線；無須保存 每個道路點，只需保存邊緣點，兩對應點之間的連線可認為是道路因子，將整條道路提取出來。利用道路寬度一定，該算法很好地消除了因為道路上的汽車、 行人、陰影等所引起的小范圍誤差， 排除不同地物間信息的影響，并平滑了邊界，具有更高的精度。該算法中道路提取的閾值設置和精度提取還依靠圖像的質量和道路環境特征，計算機自適應能力還有待后續工作的進一步進行。總的來說，將該算法用于影像圖中道路提取的確能夠取得較好的效果。 參考文獻：
[1]JIN Xiaoying， DAVIS C H. Automatic road extraction from highresolution multispectral IKONOS imagery[C]//Proc ofIEEE International Geoscience and Remote Sensing Symposium. 2003:17301732.
[2] TUPIN F， MAITRE H， MANGIN J F， et al. Detection of linear features in SAR images application to road network extraction[J].IEEE Trans on Geoscience and Remote Sensing ， 1998， 36 (2):434453.
[3]JEON B K， JANG J H， HONG Kisang. Road detection in spaceborne SAR imagesusing a genetic algorithm[J].IEEE Trans on Geoscience and Remote Sensing ， 2002， 40 (1):2229.
[4] BURNS J B， HANSON A R， RISEMAN E M. Extracting straight lines[J].IEEE Trans on Pattern Analysis and Machine Intelligence ， 1986， 8 (4):425445.
[5] 陳衛熔，王超，張紅.基于特征融合的高分辨率SAR圖像道路提取[J].遙感技術與應用，2005， 20 (1):137140.
[6] 謝謙禮，程承旗，馬廷.一種基于高分辨率遙感影像的道路提取方法[J].計算機工程與應用，2006， 42 (17):188190.
[7] 楊云，朱長青，張德.高分辨率遙感影像上道路中心線的半自動提取[J].計算機輔助設計與圖形學學報，2007， 19 (6):781785.
[8] 賈承麗，匡綱要.SAR圖像自動道路提取[J].中國圖象圖形學報，2005， 10 B(10):12181223.
[9] 賈承麗，趙凌君，吳其昌，等.基于遺傳算法的SAR圖像道路網檢測方法[J].計算機學報，2007， 30 (7):11861194.
[10] 張祖勛，張宏偉，張劍清.機遇直線特征的遙感影像自動絕對定向[J].中國圖象圖形學報，2005， 10 B(2):213217.
[11] HU Xiangyun， TAO C V. Automatic highway extraction from highresolution imagery by an energy minimizing based perceptual grouping method[J].Geomatica ， 2004， 58 (1):4150.
[12] ZHU Changqing， SHI W， PESARESI M， et al. The recognition of road network from highresolution satellite remotely sensed data using images morphological characteristics[J].International Journal of Remote Sensing ， 2005， 26 (24):54935508.
