利用雙窗口檢測和粒子濾波提取高分辨率SAR圖像道路中心點

程江華 關永峰 庫錫樹 孫即祥

(國防科技大學電子科學與工程學院 長沙 410073)

1 引言

在各類星載或機載成像傳感器中，SAR具有卓越的空間信息獲取能力，能夠全天候工作，在國防、環境等方面具有重要的戰略意義，自誕生之日起就受到了普遍關注。特別是近幾年來，隨著成像技術的發展，從不同星載或機載SAR傳感器中獲得了大量的高分辨率 SAR 圖像，這些圖像描述的地表信息更豐富，地物目標的細節更清晰。道路作為典型的地物目標，是地理信息系統(GIS)的重要組成部分，在城市規劃、交通控制、GIS數據庫更新、應急響應等諸多領域有著極其廣泛的應用。

高分辨率道路提取方法主要分為自動和半自動兩大類。自動提取方法將道路的先驗知識融合進算法中，大致分為線特征提取和連接兩個步驟，是未來的發展方向及目標。雖然分辨率圖像表現的細節更加清晰，但是各種噪聲干擾對提取的影響也加劇；另外，算法需要結合具體某類圖像道路的先驗知識，設置大量的參數，算法的穩健性、適用性不強；一般情況下，處理結果需要后期人工檢驗和調整。就目前的圖像處理及模式識別技術水平，實現高分辨率SAR圖像道路的自動提取非常困難。半自動提取方法能夠將機器的快速計算和人的解譯技巧進行有效結合[1]，是當前研究的熱點和主流。

半自動提取方法一般分為局部道路特征提取和全局道路跟蹤兩個步驟[1-4]。局部道路特征信息主要有局部道路區域的方向、寬度和中心點坐標等；全局道路跟蹤是根據局部道路特征提取計算獲得的方向、寬度和中心點坐標等信息估計下一個道路中心點，并將獲得的中心點連成道路網絡。此類方法中，文獻[1]根據相鄰矩形模板間均方誤差最小的準則，實現了主干道中心點的跟蹤提取；文獻[2]根據目標模板間距離的遠近給參考模板組設定加權系數，提出當前模板與參考模板組相匹配的策略，克服道路中噪聲對模板匹配的影響；文獻[4]交替使用擴展卡爾曼濾波(正常情況)和粒子濾波(遇到障礙或路口)進行道路中心點跟蹤連接。該類方法存在的普遍問題是：(1)為確定道路方向、中心點坐標和道路寬度等初始信息，需手動輸入兩個以上初始點，且后續跟蹤效果易受初始點影響；(2)模板類型及尺寸固定，不能適應不同類型(高速公路、城區主干道、次干道、一般街道等)道路跟蹤；(3)一般針對加性噪聲模型的光學遙感圖像，不能滿足低信噪比SAR圖像乘性噪聲抗干擾要求；(4)方向、中心點坐標、寬度等觀測值和估計值計算存在相關關系，一旦跟蹤失敗，不能自動糾正；(5)采用固定的步進長度進行跟蹤，遇到護欄、綠化帶、車輛、天橋等地物干擾時，不能跳過，需要人工引導，增加了人機交互次數。

為減少初始點的數目對后續跟蹤的影響，提高算法的抗干擾性及適應性能力，本文提出了針對高分辨率SAR圖像道路半自動提取新的框架。該方法分為局部道路檢測和全局粒子濾波道路跟蹤這兩個步驟。本文結構安排為：第2節詳細闡述局部道路檢測，第3節介紹全局粒子濾波道路跟蹤，第4節給出實驗結果及分析，第5節得出結論。

圖1 高分辨率SAR圖像道路邊緣情況

2 局部道路檢測

在高分辨率SAR圖像中，道路不再表現為線特征，而是呈現出由雙邊緣包圍的較長的暗區域(圖1(a))。因此，可通過尋找雙邊緣平行線或搜索狹長的暗同態區域檢測道路。然而，由于強乘性噪聲及護欄、綠化帶、車輛、天橋等地物的干擾，在部分區域道路和周圍地物區分不明顯，有時人眼也難以分辨(圖1(b))；道路與周圍建筑物粘連，使得原本連續的道路雙邊緣變成單邊緣(圖1(c))，路旁建筑物、樹木等遮擋使得部分路段甚至沒有邊緣(圖1(d))。因此，采用常規的邊緣檢測方法很難有效解決道路中的干擾及遮擋問題。

本文提出采用雙窗口模型，在外窗口區域采用非線性結構張量[5]提取局部道路區域的方向，在內窗口采用最佳搜索法計算出道路寬度和中心點坐標，如圖2所示。

2.1 雙窗口模型

在傳統道路局部區域計算中，通常采用長寬固定，方向可變矩形窗口模型[1]，算法簡單實用，但不能適應不同寬度情況道路提取；或采用長度固定、寬度和方向可變的矩形窗口模型[2]，能夠根據道路的不同情況進行自適應窗口大小，但是在沒有邊緣的道路遮擋區域，窗口的寬度會無序擴大(圖1(d))，脫離實際的道路寬度。

圖2 本文提出的SAR圖像道路網提取流程圖

本文結合固定窗和可變窗的優點，提出采用雙窗口模型(圖3(a))。外窗口形狀為方形，大小固定，便于快速計算道路方向。內窗口轉向為外窗口計算得到的方向，形狀為矩形，長度固定，寬度可變，規定內窗口不超過外窗口區域，避免在無邊緣的情況下窗口的寬度無約束擴大。

圖3 雙窗口模型示意圖

2.2 方向計算

外窗口大小位置確定后，在窗內計算道路的主方向。傳統局部主方向計算通常采用邊緣點梯度方向直方圖統計求極值的方法。使用較為廣泛的有：邊緣方向直方圖法[5](EDH)，以及其改進形式 對稱邊緣方向直方圖[6](SEDH)等。這類方法的計算效果易受邊緣檢測性能的影響，特別是在乘性相干斑噪聲干擾的低信噪比SAR圖像中，邊緣方向直方圖的極值不明顯，可能出現多個極值現象。而線性結構張量[7]能保持圖像中的重要結構信息，可用于道路主方向提取。但該方法在高斯濾波的同時，也降低了圖像邊緣的對比度。為克服其不足，本文針對SAR圖像乘性噪聲干擾情況，提出采用非線性結構張量[8]計算局部主方向。

定義圖像I在點(i,j)處的梯度為：?Ii,j=((Ii,j)x,(Ii,j)y)T，則在該點結構張量表示為

G(J)的特征值為

假設大的特征值λ1對應特性向量ω1，小的特征值λ對應特性向量ω，反之亦然。則

那么點(i,j)處的方向：θi,j=arctan(2u'12/在外窗口區域內，局部道路主方向的計算流程如下：

(1)先利用式(2)計算每點的結構張量，然后依次計算對應的特征值和特征向量，通過特征向量，計算得到該點的方向；

(2)統計各點的方向值，形成方向直方圖；

(3)求方向直方圖中的峰值，該峰值對應外窗口區域內的主方向。

2.3 寬度和中心點計算

道路的寬度信息決定了中心點的坐標位置。以往半自動道路提取方法中，道路的寬度信息在跟蹤的初始階段由人工初始輸入三點來確定[3]，存在跟蹤過程易受初始點影響的問題；或是在跟蹤開始時，根據初始輸入的兩點，結合道路的雙邊緣特征，自動計算道路寬度[2]。該方法需要滿足雙邊緣條件，不能應用于受遮擋的單邊緣或無邊緣情況。本文采用內窗口先平移后擴大方式，在外窗口范圍內自動搜索道路的寬度，具體流程如下：

(1)初始化 以外窗口計算得到的局部道路主方向為內窗口的方向，以外窗口的中心點為內窗口的初始中心點，形狀為矩形；

(2)平移 以原始中心點為中心，垂直于道路方向，固定步進長度，在外窗口范圍內進行平移，求解系列平移窗口的方差均值；

(3)擴大 以步驟(2)平移中求得系列平移窗口方差均值的最小值窗口為擴大的初始窗口，垂直于道路方向，固定步進長度，在外窗口范圍內進行內窗口雙向擴大，求解系列擴大窗口的方差均值；

(4)計算 以步驟(3)平移中求得的系列擴大窗口方差均值的最小值窗口為該區域道路的最佳搜索匹配窗口，以該窗口的寬度為道路的寬度，以該窗口的中心為道路的中心。

本文方法無需人工輸入多點，無需滿足雙邊緣條件。由于采用了具有一定面積的矩形區域，因此可降低道路上干擾物對搜索結果的影響。另外，給內窗口的搜索設定了范圍，這樣不至于在道路被遮擋處內窗口無限制擴大。

3 全局粒子濾波跟蹤

將道路中心點的跟蹤看成一個時間序列過程，在輸入初始點后，跟蹤算法根據初始狀態預測下一狀態，到達下一狀態后，根據觀測值更新預測值。這樣周而復始的循環，直到滿足停止條件，跟蹤過程結束。

假定動態時變系統預測方程和觀測方程分別為

其中sk表示第k個道路中心點的狀態值，uk表示過程噪聲；zk表示第k個道路中心點的觀測值，vk表示測量噪聲。

定義狀態向量sk為3維向量，按照圖4所示，預測方程具體形式為

其中()為中心點坐標，θk表示中心點方向，dk為中心點步進間距，(i=1,2,3)為過程轉換噪聲。觀測方程具體形式為

圖4 道路中心點狀態轉換示意圖

根據貝葉斯跟蹤理論，如果已知初始概率密度函數p(s0/z0)=p(s0)，則狀態預測方程和狀態更新方程分別為

粒子濾波是一種非線性、非高斯動態系統的實時推理算法，采用了蒙特卡洛思想近似公式(9)，式(10)，其核心思想是利用一系列隨機樣本的加權和表示后驗概率密度，通過求和來近似積分操作。定義為粒子，則后驗概率密度方程可近似為

假定觀測值呈正態分布，則觀測值的似然函數為

其中li為粒子與觀測值的歐氏距離。則全局粒子濾波道路中心點跟蹤的流程如下：

(1)初始化 以輸入的一個道路中心點為中心，形成內外窗口。外窗口計算局部方向，內窗口根據計算方向值進行旋轉，并估計道路寬度。在道路寬度范圍內，以輸入點為中心，隨機產生N個粒子，并初始化權值=1 /N,i=1,…,N。

(2)預測 由于重要性密度函數q(sk/z1:k)選擇根據式(7)預測下一狀態1,2,…。

(3)更新 根據k時刻的測量值zk(由第 2節計算得到)，更新每個粒子的權值，并歸一化為。

(4)輸出 根據式(11)和步驟(3)得到的權值，求得期望，作為當前道路中心點的濾波輸出。并計算有效粒子個數=效粒子數門限)，則轉入步驟(5)進行重采樣；否則，轉入步驟(2)，進行下一中心點的預測。

(5)重采樣 保持粒子數N不變，復制權值大的粒子，代替權值小的粒子。轉入步驟(2)，進行下一中心點的預測。

在跟蹤的過程中，計算測量值zk時，存在由于遮擋或路口道路寬度太寬，造成外窗口內無邊緣方向。本文采用可變步進間距dk克服其影響。無遮擋時，dk為常量；遇到遮擋時，保持原來的方向，dk增大跳過遮擋物；當連續跳躍4次以上時，則認為跟蹤失敗，將控制權交給用戶，重新初始化起點，進行跟蹤。另外，當跟蹤器到達圖像邊緣時，也將控制權交給用戶，重新跟蹤。

4 實驗結果及分析

為了測試本文方法的有效性，選擇3幅分辨率為1 m的機載高分辨率SAR圖像切片進行實驗。圖5(a)外窗口中，存在明顯的雙邊緣道路區域。圖5(b)為采用邊緣方向直方圖法計算得到的結果，圖5(c)為采用本文提出的結構張量直方圖得到的結果。從圖5(b)中可以看出，在乘性噪聲干擾的低信噪比SAR圖像中，直接計算圖像的邊緣點梯度方向得到的直方圖，存在多個極值，且極值不明顯。而結構張量由于在計算梯度的同時保存了邊緣信息，可有效提取道路方向。圖5(c)中存在明顯的雙峰，且峰值之間相差約 180°的相角，進一步證明外窗口區域中存在雙邊緣。

圖6切片1中部分區域道路上帶有車輛、鐵護欄等高亮噪聲干擾(窗2，窗3)，部分區域具有一定曲率(窗4，窗5)。實驗結果表明，本文方法中外窗口能夠有效檢測出道路的方向，內窗口能夠根據方向進行旋轉，并根據方差值進行平移和擴大。圖7切片2中有部分區域(窗3，窗4)被道路旁的高大建筑物遮擋，造成窗3計算得到的結果與前一窗2的結果相差甚遠，窗4中無主方向，這些判斷為方向提取失敗。本文根據道路方向變換比較平緩的特性，采用可變步長的方法。在有邊緣方向區域，固定步長為200；遇到遮擋等情況，步長每次增加40，方向保持不變，當步進到窗口5位置時，重新捕獲到了道路區域。圖6，圖7中外窗口大小均為120×120，內窗口長度為80，寬度根據道路方差均值自動調整。表1為切片1，切片2道路中心點跟蹤過程數據。

圖6 切片1道路中心點跟蹤圖

另外，傳統跟蹤方法[1-4]輸入需要 2-3個初始點，用于確定道路的起點、方向及寬度等信息。而本文只需輸入1個起始點，道路的方向和寬度自動計算。且在后續的跟蹤過程中，道路方向及中心點坐標的觀測值與估計值相獨立，這樣一旦跟蹤失敗，能夠自動糾正。由于 SAR圖像道路上各種干擾存在，其灰度值變換較大，依靠灰度模板匹配的傳統方法[1-4]實現跟蹤很難奏效，且需要不斷地比對、更新模板[2]。本文采用了雙窗口方法，無需依靠模板匹配。傳統跟蹤[1,3]方法遇到障礙物遮擋時，需要人工引導重新指定方向點，交互次數多。本文方法能夠跳過遮擋，重新實現自動跟蹤，交互次數少。

圖7 切片2道路中心點跟蹤圖

5 結論

道路上各種干擾物的存在以及道路周圍各種地物遮擋的影響，使得傳統的基于模板匹配的遙感圖像道路提取方法在高分辨率 SAR圖像道路提取中不再適用。本文根據高分辨率SAR圖像的特點及道路干擾物具有方向性的特征，提出了雙窗口局部檢測和粒子濾波全局跟蹤相結合的道路提取方法。實驗結果表明，本文方法可有效降低路面高亮地物對道路局部檢測的干擾，能夠跳過遮擋物的影響，無需進行模板匹配，有效實現道路中心點的跟蹤。

表1 切片1，切片2道路中心點跟蹤數據

[1]Kim Tae-jung,Park Seung-Ran,Soo Jeong,et al..Tracking road centerlines from high resolution remote sensing images by least squares correlation matching[J].Photogrammetric Engineering＆Remote Sensing,2004,70(12): 1417-1422.

[2]Zhou Jun,Bischof W F,and Caelli T.Road tracking in aerial images based on human-computer interaction and Bayesian filtering[J].Photogrammetry＆Remote Sensing,2006,61(2):108-124.

[3]Lin Xiang-guo,Liu Zheng-jun,Zhang Ji-xian,et al..Combining multiple algorithms for road network tracking from multiple source remotely sensed imagery: a practical system and performance evaluation[J].Sonsors,2009,9(2):1237-1257.

[4]Movaghati S,Moghaddamjoo A,and Tavakoli A.Road extraction from satellite images using particle filtering and extended kalman filtering[J].IEEE Transactions on Geoscience and Remote Sensing,2010,48(7): 2807-2817.

[5]Jain K A and Vailaya A.Image retrieval using color and shape[J].Pattern Recognition,1996,29(8): 1233-1244.

[6]唐亮,謝維信,黃建軍,等.一種新的道路描述子: 對稱邊緣方向直方圖[J].電子學報,2005,33(1): 7-11.Tang Liang,Xie Wei-xin,Huang Jian-jun,et al..A new method for main roads description: symmetrical edge orientation histogram[J].Acta Electronica Sinica,2005,33(1):7-11.

[7]張道兵,張慧,張正,等.一種穩健的道路主方向提取算法[J].光子學報,2007,36(S1): 326-330.Zhang Dao-bing,Zhang Hui,Zhang Zheng,et al..A Robust main direction extraction method for road segment[J].Acta Photonica Sinica,2007,36(S1): 326-330.

[8]Brox T,Weickert J,Burgeth B,et al..Nonlinear structure tensors[J].Image and Vision Computing,2006,24(1): 41-55.

[9]鑒福升,徐躍民,陰澤杰.多模型粒子濾波跟蹤算法研究[J].電子與信息學報,2010,32(6): 1271-1276.Jian Fu-sheng,Xu Yue-min,and Yin Ze-jie.Research of multiple model particle filter tracking algorithms[J].Journal of Electronics＆Information Technology,2010,32(6):1271-1276.