高分辨率SAR圖像道路交叉口檢測與識別新方法

程江華 高 貴 庫錫樹 孫即祥

(國防科技大學電子科學與工程學院 長沙 410073)

合成孔徑雷達(Synthetic Aperture Radar,SAR)是一種主動式微波傳感器，具有全天時、全天候、強穿透等工作特點，能夠提供地物表面粗糙度、內部結構和介電常數等可見光和紅外光傳感器難以獲取的信息，因此在遙感成像領域得到廣泛應用。道路網是重要的基礎地理信息，在城市區域高分辨率遙感圖像中，近80%的目標是建筑物和道路網。交叉口既是道路網中基本而重要的組成元素，也是穩定且可靠的特征，能提供道路的位置、連接性、方向性等信息，在輔助導航(巡航導彈或無人機)[1]、道路網自動匹配[2]、GIS數據變化檢測及自動更新[3]等領域應用廣泛。道路交叉口還可作為道路網半自動提取方法(種子點生長、跟蹤、Snake模型等)的初始種子點，其正確檢測有助于提高道路網提取的質量[4]。

在低分辨率遙感圖像[5]和光柵地圖[6]中，道路交叉口表現為點目標(2條或2條以上的道路線在某點交叉)，傳統方法是在道路交叉口檢測之前先行提取道路線特征[5－6]。Iisaka等[5]先將SAR圖像分割為重疊的局部子圖像，然后在子圖像用Hough變換提取線特征，最后將線的交叉點確定為道路交叉口。受噪聲干擾影響，通常提取出的線存在斷裂情況，需要對線進行內插或外插，得到線的交叉點，進而確定為道路交叉口[6]。由于計算線特征本身復雜度較高，且成像向高分辨率發展，因此該類方法適用性不強。

在中高分辨率遙感圖像中，道路交叉口表現為區域特性。通常利用道路交叉口區域的灰度、邊緣、方向、幾何形狀等多種特征共同進行檢測。歸納起來，大致分為兩類：

(1)直接檢測法。Barsi等人[7]將圖像的均值、方差、邊緣等信息用于訓練前向神經網絡，在滑動窗口中判斷是否存在道路交叉口。該方法無需先行提取道路網，但存在虛警率偏高的問題。陳曉飛等人[8]先檢測道路候選區域，然后通過提取直線的方法估計道路交叉口的中心、道路的數目及方向，最后從統計和幾何形狀兩個方面共同驗證道路交叉口，該方法存在準確率高、魯棒性強的特點，但本質上還是沿襲先行線特征提取的思路。外部GIS數據等先驗知識有助于檢測道路交叉口。Mehdi等人[4]首先借助于外部數據的拓撲和幾何信息，獲取連接到交叉口的道路數量、交叉口的大致位置及道路的寬度等信息，然后提取交叉口的形狀，最終得到高分辨率航空圖像鄉村道路簡單交叉口的提取結果。該類方法存在的缺點是需要依賴外部GIS數據。

(2)間接檢測法。道路交叉口是道路網提取的附帶產物。Negri等人[9]以最大程度保留交叉口信息為準則，使用圓形窗口計算多特征值，在此基礎上采用矩形窗口獲取道路線段和交叉口，并在馬爾科夫方程中約束線段必須經過交叉口，最終迭代得到道路網。該方法閾值設置偏多，且多依賴經驗，自動化程度不高。Hu等人[10]使用種子點跟蹤的方法獲取道路樹形結構，交叉口作為樹形結構的分叉點，根據Bays準則對樹形結構進行裁剪，最終獲得道路網。該方法適用于光學遙感圖像，且需要手動輸入種子點。

經過 20多年的研究，人們盡管提出大量的道路網絡提取方法。然而，僅有少數針對于光學遙感圖像的道路交叉口檢測方法，鮮有開展高分辨率SAR圖像道路交叉口檢測的文獻，與其重要性極不匹配。

本文針對當前現狀，考慮到SAR圖像與光學遙感圖像的差異：道路與附近地物的灰度差異不大，且受不同干擾的影響，同時結合高分辨率SAR圖像道路交叉口的灰度及形狀等特征，提出一種直接檢測識別道路交叉口的新方法。本文結構安排為：第2節詳細闡述道路交叉口的類型特征，第 3節給出檢測識別方法，第4節實驗結果及分析，第5節得出結論。

2 道路交叉口類型及特征

2.1 類型

在道路網規劃中，交叉口的設置、形狀、規模等都有具體的規定。本文參照文獻[4]的分類方法，將其大致歸納為3類：

(1)簡單平面交叉口。包含3個及3個以上的道路分叉，沒有中間環島。常見的有“T”、“Y”、“＋”、“L”等幾何形狀。在臨近交叉口區域，根據交通安全規則，道路寬度一般固定且有平行雙邊緣。

(2)復雜平面交叉口。不僅包含3個及3個以上的道路分叉，還有中間環島。

(3)立體交叉口。道路不在同一個平面上相交形成的立體交叉，主要由立交橋、引道和坡道等組成，可分為分離式和互通式兩種。

本文只研究簡單平面交叉口檢測識別方法。

2.2 特征

在高分辨率SAR圖像中，由于道路兩旁建筑物等地物的二次回波反射、路面瀝青材料吸波、后向散射等共同影響，道路表現為雙邊緣包圍的暗長區域。“T”、“Y”、“＋”、“L”等平面交叉口的灰度較一致，具有一定的形狀。然而，由于各種噪聲干擾的影響，實際情況下高分辨率SAR圖像道路交叉口呈現以下特性：

(1)交叉口區域內的車輛、崗哨等干擾會造成其灰度不一致，存在雜散亮點或區域；

(2)交叉口區域附近的紅綠燈架、天橋、鐵護欄等金屬地物具有強雷達回波反射特性，會形成較亮的噪聲干擾，破壞交叉口的形狀；

(3)道路兩旁的建筑物、綠化帶、鐵護欄等，會造成交叉口附近區域道路的平行雙邊緣不明顯，甚至被打斷；

(4)SAR固有乘性相干斑噪聲干擾，造成道路交叉口區域與周圍地物的對比度不明顯。

鑒于繁多的干擾類型及復雜的背景環境，高分辨率 SAR圖像道路交叉口檢測識別是個艱巨的研究課題。

3 道路交叉口直接檢測識別方法

SAR圖像背景雜波的統計分布極為復雜，很難用某一概率密度函數具體描述雜波的分布特性，以此進行分類識別。另外，根據第2節分析知，各類噪聲干擾物的存在，以及道路交叉口區域與附近地物對比度不明顯。這些因素增加了道路交叉口區域的分割和識別難度。

本文借鑒SAR圖像自動目標識別的一般流程，根據道路交叉口的灰度及形狀特征，提出一種道路交叉口位置檢測及形狀識別的新方法(圖1)。該方法分為兩個步驟：全局區域檢測和局部形狀識別。全局區域檢測用于去除明顯不是道路交叉口的區域，并得到候選區域的中心點坐標；局部形狀識別用于去除遮擋陰影及水體等灰度特征類似于道路交叉口區域的其他干擾區域，最終識別出道路交叉口類型。該方法無需依賴外部GIS數據，無需預先提取道路網線特征。

3.1 全局區域檢測

形態學是基于探測的思想，利用結構元素作為探針，獲取圖像目標的形狀結構特征。形態學作為典型的非線性方法，廣泛應用于圖像預處理、形狀分割和識別等諸多領域，在描述物體形態特征上具有獨特的優勢。

與周圍其他地物灰度值相比，道路、交叉口、遮擋產生的陰影、水體等地物要素整體灰度值低，是圖像中的暗目標，表現為“波谷”。底帽(Bottom Hat)變換是灰值形態學變換的一種，也叫做波谷檢測器，可用來尋找圖像的灰度谷值(暗目標)，定義為圖像閉操作與原始圖像之差：

其中，f為原始圖像，f?b為閉運算，b為結構元素。盡管道路交叉口區域形狀類型多樣，但交叉口與道路連成一體，連接中心呈現灰度較均勻的類圓形區域特征。因此，選擇圓形結構元素，有利于突出這種特征，便于后續提取。結構元素的尺寸選擇小于圖像中最小道路交叉口區域的內徑，但大于一般道路寬度，這樣便于模糊掉道路區域。

經過底帽變換后，尚有大量的雜散噪聲干擾，采用閉運算不僅可濾除比結構元素小的噪聲，且可填充被噪聲干擾所破壞的缺口形狀。

閉運算后，整個圖像呈現較明顯的幾種類型目標，交叉口區域等地物要素表現為最暗區域，通過計算圖像灰度最小值，并與之比較，可得到二值化圖像：

其中，設置δ體現實際情況下不同道路交叉口區域灰度均值存在的微小差異。

進一步對二值化圖像連通域進行標記，計算面積，并獲取中心點坐標，步驟如下：

(1)在二值化圖像中任選一未被標記的非零像素，對該像素賦標記值，并按“8-鄰域”的順序搜索附近非零未標記像素，賦同樣的標記值，直到搜索完該連通區域未被標記的所有非零像素。轉向步驟(2)。

(2)判斷其是否搜索完整幅圖像。若是，轉向步驟(3)；若不是，則反轉向步驟(1)。

(3)對不同標記值的連通區域計算像素點個數，作為該區域的面積；并計算該區域上下左右 4個邊緣角點坐標，這4個邊緣角點坐標的中心位置作為該區域的中心點坐標。

3.2 局部形狀識別

圖1 本文提出的道路交叉口檢測識別流程圖

經過形態學變換區域檢測后，得到候選區域的中心點坐標，并可去除大部分明顯與道路交叉口灰度值有差別的區域。但遮擋陰影、水體等與道路交叉口灰度值相接近的區域卻無法區分。道路交叉口連接多條道路，呈現出中間為類圓形，四周有多條方向不同的道路與之連接的形狀特征，有別于遮擋陰影、水體等其他地物要素。利用這一特征與其他地物要素進行區分，是一個自然的思路。一旦識別出與之連接的道路個數，則可確定道路交叉口的形狀并剔除遮擋陰影、水體等其他地物區域。

Hu等人[10]提出了一種獨特的光學遙感圖像道路方向計算方法。該方法首先以道路中心點為圓心，固定線長旋轉一圈，以直線上像素點與圓心點灰度值之差大于所有直線上像素點灰度值的均方根為準則，搜索道路的邊緣Ci(圖2(a))，形成2維角度距離圖(圖 2(b))；接著以角度為橫軸，以道路邊緣點到中心點的距離為縱軸，將2維角度距離圖轉化為1維(圖2(c))；最后通過計算1維角度距離圖中峰值點對應的角度來確定道路大致的方向。從圖 2(c)可以看出，存在3個波峰，且有兩個波峰對應的角度差近似 180°，則道路交叉口的類型為類“T”型。受此啟發，如果計算出道路交叉口區域與之連接的道路主方向，并得到不同主方向道路的個數，則可確定交叉口的類型。

與光學遙感圖像不同，由于高分辨率 SAR圖像受相干斑噪聲及路面各種地物干擾的影響，根據2.2節所述，道路的邊緣變得更加模糊，連續的道路區域被干擾物遮擋打斷，直接采樣文獻[10]的方法不能正確得到與交叉口相連的道路方向及類型。如圖3(a)所示，實際道路交叉口為“＋”型。然而，由于交叉口正上方干擾的存在，正上方道路沒有被檢測出(圖 3(b))，1維角度距離圖(圖 3(c))中只顯示3個明顯的波峰。因此，該道路交叉口被誤判為“T”型。

為減弱 SAR圖像中噪聲及干擾對道路交叉口檢測的影響，本文提出在應用文獻[10]方法之前，先采用非線性擴散濾波[11]濾除道路候選區域內的SAR圖像乘性噪聲；然后再采用多閾值Otsu分割算法[12]提取出道路區域，減少地物干擾的影響；最后采用矩形模板代替直線，減少分割出不光滑道路邊緣的影響，并進行旋轉獲取道路方向，識別出交叉口形狀。

圖2 文獻[10]道路方向計算示意圖

圖3 文獻[10]道路方向計算方法應用于SAR圖像結果

3.2.1 非線性擴散濾波

由于高分辨率SAR圖像道路邊緣不明顯，采用一般的Lee,Frost等乘性濾波器雖然去斑效果較好，但邊緣信息保持不夠。非線性擴散濾波主要優點在去噪的同時能夠保持邊緣信息。為了便于說明問題，先給出常用P-M非線性擴散方程模型：

3.2.2 多閾值Otsu分割

在道路交叉口區域圖像中，除了存在低灰度值道路外，還存在灰度值與之接近的綠化帶等地物，以及高亮度的車輛、鐵護欄、紅綠燈架、天橋、金屬屋頂等地物。采用單閾值 Otsu分割方法易將綠化帶等地物誤分為道路。安成錦等人[12]通過實驗證明：多閾值Otsu較之單閾值遞歸Otsu，能夠更好地提取出SAR圖像水域輪廓，且漏警率低。SAR圖像水域區域及周邊地物的灰度特征類似于道路區域，因此多閾值Otsu同樣適合于分割道路區域。

設圖像f有L級灰度，存在m個待分類，則需要有m?1個閾值T1,…Tk,…,Tm?1，將圖像f分為m類，其類間方差σB為

其中，ωi為第i類的概率，μi為第i類的灰度均值，μ為圖像f的均值。

類間方差越大，說明類間的差別性越大，誤分的概率越小。類間方差最大值所對應的一組閾值T1,…Tk,…,Tm?1就是所求的最佳分割閾值。

經過多閾值Otsu分割后，得到m類目標。將灰度值最低的道路區域分為一類，賦值為“0”；將其他的m? 1類合并為另一類，賦值為“1”，進行二值化。對尚有部分孤立的小區域，通過計算連通區域的大小，濾除孤立的小區域，并進行形態學孔洞填充。

3.2.3 矩形旋轉形狀識別

道路交叉口區域經過多閾值 Otsu分割及后續的濾除孤立小區域、孔洞填充后，得到的二值化圖像邊緣仍不光滑，直接采用 Hu等人[10]提出的直線旋轉獲取道路方向的方法易造成道路交叉口形狀誤判。本文提出采用矩形模板代替直線，可克服個別非光滑邊緣像素對方向計算的影響；另外，在交叉口附近，出于交通安全考慮，道路一般設計的較直，矩形模板從形狀上與道路區域較相似。

定義道路交叉口區域中心點為p，矩形寬度為w，長度為l。矩形模板圍繞中心點p，以角度θi=2πi/n進行旋轉，n為圍繞中心點p旋轉的矩形模板個數，則圖像中的任意矩形模板可用R(i,p,w,l,n)唯一表示。計算每個矩形模板所包含像素灰度值的均值，形成1維角度均值圖m(θi)。

根據1維角度均值圖，相對于文獻[10]求波峰點的方法，本文按照下列規則求取正確的波谷點：

(1)計算所有波谷點：如果m(θi)=0，或m(θi)＜m(θi?1)且m(θi)＜m(θi+1)，則認為m(θi)為波谷點p(θi)；

(3)合并鄰近波谷點：設p(θi)和p(θj)為 2 個波谷點，若°，且m(θi)≤m(θj)，則可能道路較寬，包含2個以上的矩形區域，選p(θj)為這2個波谷點合并后的波谷點；

(4)去除偽波谷點：設p(θi)為波谷點，p(θj)和p(θk)為 2 個鄰近的波峰點，且p(θj)和p(θk)將p(θi)夾在中間。如果，則 2個相鄰波峰之間的波谷深度不夠，將p(θi)去除。

正確的波谷點對應實際道路的主方向，可得到道路交叉口的類型：

(1)“L”型：存在 2 個峰值點p(θi)和p(θj)，且°；

(2)“T”型：存在 3 個峰值點p(θi),p(θj)和p(θk)，且存在某 2個峰值點角度差近似 180°，假設；

(3)“Y”型：存在 3 個峰值點p(θi),p(θj)和p(θk)，且存在某2個峰值點，假設；

(4)“＋”型：存在 4 個峰值點p(θi),p(θj),p(θm)和p(θn)，且存在兩兩峰值點角度差近似180°，假設。

4 實驗結果及分析

為測試本文方法的有效性，選擇2幅中電集團38所提供分辨率為1 m的機載高分辨率SAR圖像切片進行實驗。圖4和圖5為本文全局區域檢測過程實驗結果。其中，圖 4(a)大小為 1224×852，圖5(a)大小為677×632，底帽變換結構元素b為15，底帽變換和閉運算后得到候選區域的輪廓線(圖4(b)，圖5(b))，接著二值化(閾值δ為5)。從圖4(c)和圖 5(c)中可以看出，底帽變換加閉運算能夠完全檢測出道路交叉口中心點，但由于遮擋陰影、水體等與交叉口灰度值相類似的干擾區域存在，造成過檢測情況。圖6為本文局部形狀識別過程實驗結果。其中，圖 6(a)為圖 4(c)中的區域 1，大小固定為200×200，矩形窗寬度為 8，長度為 80，旋轉步進角度6°。

圖7為從圖4(c)和圖5(c)中選擇出的5個代表性區域(大小與圖 6(a)一樣)角度均值圖，包含了多種干擾情況。在圖4(c)區域1中，正上方道路口區域幾乎完全被遮擋住(圖 6(b))，由于采用了矩形窗的方法，通過計算矩形內均值，可有效克服遮擋的影響。從圖6(d)中可以看出，相對于文獻[10]方法只能檢測出3個波峰(圖3(c))，造成誤判為“T”型，本文方法能夠有效克服正上方干擾的影響，得到 4個完美的波谷(360°與 0°方向一致)，從而正確地判斷為“＋”型。在圖4(c)區域2中，道路與建筑物前停車場粘連，造成道路突然變寬，誤以為道路交叉口。本文方法通過剔除小波谷點和波谷不深點，可將其排除開。在圖4(c)區域3中，右上方道路上存在與道路方向平行的綠化帶干擾，本文矩形窗口內灰度求平均方法能克服此干擾，正確判斷出交叉口類型。圖5(c)區域4中高大建筑物形成的陰影干擾與圖5(c)區域5中水體區域，其大小及灰度值類似于道路交叉口區域，但經矩形窗旋轉一周后，搜索不到明顯的波谷，因此本文方法可將其排除出。

圖4 切片1道路交叉口全局區域檢測

圖5 切片2道路交叉口全局區域檢測

圖6 圖4(c)區域1道路交叉口局部形狀識別

圖7 部分代表性區域角度均值圖

表1 部分代表性道路交叉口候選區域實驗數據統計

表1為圖4(c),圖5(c)區域1-區域5代表性區域的實驗數據統計，從以上分析可以得出，本文方法可有效克服道路上遮擋、道路與建筑物粘連、綠化帶干擾、建筑物陰影干擾以及水體干擾等的影響，準確地識別出高分辨率SAR圖像道路交叉口的類型。

5 結論

高分辨率SAR圖像細節豐富、地物繁多、背景復雜，道路交叉口附近存在各種干擾，且道路與周圍地物的對比度不明顯。采用先提取線特征，然后搜索線交點為交叉口的傳統道路交叉口提取方法很難奏效。本文提出一種道路交叉口直接檢測識別的新方法，該方法先全局檢測搜索交叉口候選區域中心點，然后再局部識別其類型。實驗結果證明，本文方法可有效克服遮擋、粘連、綠化帶等干擾的影響，能夠去除陰影及水體等灰度值類似于道路交叉口區域的其他干擾區域。該方法無需依賴外部 GIS數據，無需預先提取道路線特征。