基于分水嶺算法的高分遙感圖像道路提取優化方法

蔡紅玥，姚國清

(中國地質大學(北京)信息工程學院，北京 100083)

0 引言

道路是地圖繪制、路徑分析和應急處理的重要基礎地理數據。目前，從遙感圖像中獲取道路信息還主要靠人工目視識別，而手工提取方法遠遠不能適應數據更新的速度。高分辨率遙感衛星數據的應用越來越引起人們的重視，如何結合高分辨率遙感圖像的影像特征和道路特點實現道路的自動化提取，已成為道路信息提取關注的焦點之一。模板匹配［1］和Snakes 模型［2］等傳統方法因僅依據像元的灰度特征，難以解決高分辨率遙感圖像的噪聲和“異物同譜”問題。盡管基于紋理［3］和分層聚類等方法考慮了影像特征信息，但依然不能充分利用形狀和空間關系等影像特征。人工智能和計算機視覺知識方法是近些年發展的方向［4－5］，但尚處于研究中，離實際應用還有一定距離。針對目前高分辨率遙感圖像城市道路提取技術［6－7］存在的問題，本文提出基于改進分水嶺算法的道路提取優化方法。分水嶺算法能夠根據圖像固有的拓撲地貌特征將影像分割成各個連通的封閉區域，使圖像轉化為影像基元的組織形式，彌補了基于像元分析的不足。對該算法易出現的過度分割問題，本文采用了面向對象方法［8－9］，利用道路的幾何、拓撲特性和地物的空間關系，修補了被斑馬線和陰影等細節信息中斷的道路;采用數學形態學［10－11］中常用的圖像優化方法完善道路提取結果。結果證明本文方法對城市地區道路提取具有一定的實際意義。

1 研究方法

本文提出的道路提取優化流程包括圖像預處理、圖像分割、道路特征優化以及道路特征后處理(圖1)。

圖1 道路提取流程圖Fig.1 Flow chart of road extraction

1.1 圖像預處理

由于實驗使用的QuickBird 原始圖像整體偏暗，因此首先使用直方圖均衡化來增大道路與周邊環境的差異;然后采用中值濾波處理，在保持圖像邊緣的同時有效去除椒鹽噪聲，以緩解分水嶺過度分割情況，減少跳躍性邊界的產生(圖2)。

圖2 QuickBird 圖像Fig.2 QuickBird image

1.2 圖像分割

圖像分割采用分水嶺算法，該算法為浸沒模型的區域生長型分水嶺模型［12］，是通過選擇合適的局域同質性閾值、剔除小面積集水盆、去除小斑塊和區域合并來進行優化的。局域同質性閾值將梯度圖像中小于該閾值的像元視為局部極小值，各個局部極小值的連通區域對應一個初始集水盆。隨著閾值的增大，相鄰的位于該閾值水平面以下的集水盆將被逐漸合并。其變化關系如圖3 所示。

圖3 局域同質性閾值與區域數目關系Fig.3 Relationship between local homogeneity threshold and region number

根據分割狀況，可選取使集水盆增加與融合達到平衡的閾值(即圖3 中5～8 之間的值)，分割效果比較理想。此外，剔除無意義的小面積初始集水盆，也是緩解過度分割的另一個方法。

區域合并是緩解過度分割的經典算法。本文通過最小面積閾值(MinRegion)和區域間最大平均灰度差(MaxGray_R)來約束合并過程，即如果分割結果中的最小區域小于MinRegion、且該最小區域與其各鄰接區域的最小灰度差小于MaxGray_R，則合并;否則不合并。

圖4 去除小斑塊規則Fig.4 Principle of merging small patches

分水嶺分割算法優化前后的對比如圖5 所示。

圖5 分水嶺分割算法優化前(左)后(右)對比Fig.5 Comparing between watershed segmentation algorithms before(left)and after(right)optimization

1.3 道路特征優化

分水嶺變換將圖像分割為不同地物的影像基元。因道路具有較大的長度及長寬比，且交叉相連成網絡，并具有樹和陰影等背景特征，故采用面向對象方法，充分利用道路的幾何、拓撲、輻射和上下文等特征來進一步優化道路提取結果。選取的特性指標有道路的長度、長寬比和矩形度，采用的方法是方向性延伸和遮擋處理算法。

1.3.1 面向對象

在面向對象方法中，道路的長度、長寬比和矩形度的計算都依賴于基元的最小外接矩形。最小外接矩形的計算方法如圖6 所示。

圖6 旋轉基元求最小外接矩形Fig.6 Minimum bounding rectangle calculated by rotating per-parcel

以基元初始水平外接矩形的中心點為軸，旋轉基元并計算不同旋轉角度下其水平外接矩形的面積，當外接矩形的面積最小時，旋轉角度記為θ0;再將基元以角度θ0反轉，即可得到基元的最小外接矩形(圖6 中深灰背景的矩形)。本文以每次旋轉增加1°，共旋轉180°的方法來計算。道路斑塊中包含大量的道路交叉口，其長度與建筑物相近，但建筑物的矩形度較高。矩形度為基元面積與最小外接矩形面積之比，是區別道路斑塊和建筑物的重要形狀指數。

1.3.2 方向性延伸

實驗發現，道路基元在影像上的最大特點是有較長的長度，據此特性可以提取出道路的主干道。由道路中斷形成的道路斑塊在灰度和形狀特性上往往與其他地物區別不大;但由于道路是連通的網絡，曲率也有一定限制，所以道路斑塊在位置上基本處于道路主干道的延長線上。根據上述原理，采用羅慶洲等［13］提出的方向性延伸法(圖7)對道路進行提取。

圖7 方向性延伸方法示意圖Fig.7 Sketch map of directional extension method

在圖7 中，A 和B 為待判斷斑塊，C 為道路。經細化在C 中心線端點O 的延長線方向做一扇形(POQ)，扇形的掃描半徑(OP)和角度(∠POQ)由閾值確定。由圖7 看出，斑塊A 與扇形相交判定為道路，則斑塊B 為非道路;然后再對斑塊A 做相同處理，反復迭代，直至沒有新的斑塊歸入道路為止。

利用幾何和輻射特征提取出的主干道路和采用方向性延伸方法處理后的結果如圖8 所示。

圖8 主干道路提取結果Fig.8 Results of trunk road extraction

1.3.3 遮擋處理

由于道路沿線陰影和綠化帶的存在，常會使道路影像邊緣出現缺失。朱曉玲等［14］對此提出了遮擋處理方法:由于遮擋目標與道路有公共邊，若公共邊占遮擋對象整個邊界的比例大于0.5，則將遮擋目標歸為道路，并反復迭代(圖9)。

圖9 遮擋處理原理Fig.9 Principle of covering processing

這種方法雖然能夠填補缺失的道路，但由于將整個遮擋對象都視為道路，依然影響道路的規整性。本文采取與最小外接矩形計算方法相似的算法對遮擋處理進行了優化。首先檢測遮擋目標與道路鄰接的所有像元，然后求出這些像元的最小外接矩形(圖9 中有斜線的矩形)，并將其作為道路。在道路彎曲程度不大的情況下，該方法的應用效果較好，而且無論公共邊界占整個遮擋對象邊界的比例有多大，都可以將缺失的道路整齊填補。

1.4 道路特征后處理

利用面向對象方法優化道路提取結果后，道路的主體信息已經被提取出來;再利用形態學等方法在不改變道路整體信息的情況下，對道路信息進一步完善(包括填補空洞和連接中斷的道路等)。

數學形態學的基本思想是利用一定形態的結構元量測和提取圖像中對應的形狀，以達到對圖像分析和識別的目的。它主要用于圖像的邊緣檢測、形態分析、骨架化和圖像恢復重建等［15－16］。本文使用的方法有開閉運算、細化、裁剪和形態學重建。

圖像的離散性造成旋轉過程中出現孔洞，本文采用元素值為1 的3 像元×3 像元的結構元進行閉運算(先膨脹、后腐蝕)來充填遮擋處理后道路信息中的空洞(圖10)。閉運算還可以用來連接縫隙較小的道路中斷。

圖10 閉運算填充孔洞Fig.10 Results of closing operation to fill holes

對于建筑與道路粘連的情況及孤立的非道路信息，首先用開運算(先腐蝕、后膨脹)將纖細處粘結的地物分開，計算各區域的面積，最后將小面積區域剔除。用類似的方法將小面積背景區域賦值為道路，可填補道路孔洞。

此外，設計適當長度和方向的結構元進行形態學重建［17］以及使用全方位搜索開閉運算［18］可以進一步刪除非道路信息。采用Hilditch 細化算法提取道路中心線后，裁剪算法［19］和剔除短線段［20］可去除多余的寄生分量，優化方向性延伸的結果。

2 結果與分析

圖11(a)為0.6～0.7 m 空間分辨率的Quick-Bird 城市影像，道路提取結果如圖11(b)所示。

圖11 道路提取實驗一Fig.11 Experiment Ⅰof road extraction

在道路提取實驗中，提取主干道是道路特征提取的關鍵一步，要求在提取結果中盡量減少非道路信息的存在，因為后續操作將依賴于本步驟的結果。另外，本實驗將中等路段分為長度大于25個像元和小于25個像元的基元。長度大的中等路段主要因為灰度差異未能在第一步作為主干道路被提取出來，故優先考慮這類道路;長度小的路段與建筑物的相似度高，則利用形狀因子和矩形度加以判斷。從提取結果(圖11(b))可以看出，除部分長度較短的支路和影像邊緣的道路有所遺漏外，大部分道路都被比較完整地提取出來。

另一組道路提取實驗結果如圖12 所示。

圖12 道路提取實驗二Fig.12 Experiment Ⅱof road extraction

3 結論與建議

實驗證明，本文提出的方法能比較準確地提取出道路信息，對較復雜的道路環境也有很好的效果。改進的分水嶺算法可以快速、有效地對遙感圖像進行分割，并在一定程度上緩解過度分割現象;面向對象方法充分利用了道路的幾何和拓撲等特征，可用于完善道路的提取結果;二值形態學不僅能夠輔助上述方法的實現，還能夠進一步優化道路提取結果。

本文提出的道路提取流程還有很多方面有待進一步完善。首先基于影像基元的分析方法依賴于圖像分割結果，本文沒有考慮圖像中的紋理信息，圖像也僅為灰度圖，緩解過度分割的優化方法也較為簡單，在合并規則與運行速度上還有待提高;在面向對象方法中，沒有使用諸如支持向量機的分類器和知識庫，只是利用形狀特征進行簡單提取;道路的上下文特征也有待挖掘。如何利用這些信息輔助道路的提取，結合多方面和多領域的知識，使道路提取更智能和自動化，是今后進一步研究的內容;如何建立有效的評估準則對提取出的道路進行準確性評價，也是需要研究的問題。

［1］胡翔云，張祖勛，張劍清.航空影象上線狀地物的半自動提取［J］.中國圖像圖形學報，2002，7(2):137－140.Hu X Y，Zhang Z X，Zhang J Q.Semiautomatic extraction of linear object from aerial image［J］.Journal of Image and Graphics，2002，7(2):137－140.

［2］丁美琳，李光耀，張巧芳.Snakes 模型在衛星圖片道路提取中的應用［J］.計算機技術與發展，2010，20(1):71－73.Ding M L，Li G Y，Zhang Q F.Application of road extraction in satellite images based on snakes model［J］.Computer Technology and Development，2010，20(1):71－73.

［3］張 睿，張繼賢，李海濤.基于角度紋理特征及剖面匹配的高分辨率遙感影像帶狀道路半自動提取［J］.遙感學報，2008，12(2):224－232.Zhang R，Zhang J X，Li H T.Semi－automatic extraction of ribbon roads from high resolution remotely sensed imagery based on angular texture signature and profile match［J］.Journal of Remote Sensing，2008，12(2):224－232.

［4］林麗群，肖 俊.結合先驗知識和圖像特征的道路提取方法［J］.計算機工程與應用，2011，47(33):236－239.Lin L Q，Xiao J.Combined prior knowledge and image characteristics for lane detection method［J］.Computer Engineering and Applications，2011，47(33):236－239.

［5］寧亞輝，雷小奇，王功孝，等.Dempster－ Shafer 證據融合形狀特征的高分辨率遙感圖像道路信息提取［J］.中國圖象圖形學報，2011，16(12):2183－2190.Ning Y H，Lei X Q，Wang G X，et al.Road extraction from highresolution remote sensing images based on Dempster－Shafer evidence theory and fusion shape features［J］.Journal of Image and Graphics，2011，16(12):2183－2190.

［6］董占杰，毛政元.基于道路綠地特征的遙感影像道路信息提取方法研究［J］.國土資源遙感，2011，23(2):43－46.Dong Z J，Mao Z Y.Methodological research on road extraction based on characteristics of road greenbelts in remotely sensed imagery［J］.Remote Sensing for Land and Resources，2011，23(2):43－46.

［7］馬 歡，楚 恒，王汝言.紋理與幾何特征在道路提取中的應用［J］.計算機與現代化，2012(7):96－99.Ma H，Chu H，Wang R Y.Application of texture and geometrical characteristics in road extraction［J］.Computer and Modernization，2012(7):96－99.

［8］盧昭羿，左小清，黃 亮，等.面向對象的投影互分割道路變化檢測［J］.國土資源遙感，2012，24(3):60－64.Lu Z Y，Zuo X Q，Huang L，et al.Road change detection using object－oriented projective interactive partition［J］.Remote Sensing for Land and Resources，2012，24(3):60－64.

［9］許高程，畢建濤，王星星，等.面向對象的高分辨率遙感影像道路自動提取實驗［J］.遙感信息，2012(2):108－111.Xu G C，Bi J T，Wang X X，et al.An experiment of automatic road extraction from high－resolution remote sensing image based on object－oriented technology［J］.Remote Sensing Information，2012(2):108－111.

［10］劉小丹，劉 巖.基于Hough 變換和路徑形態學的城區道路提取［J］.計算機工程，2012，38(6):265－268.Liu X D，Liu Y.Urban road extraction based on Hough transform and path morphology［J］.Computer Engineering，2012，38(6):265－268.

［11］楊先武，韋春桃，呂建剛，等.基于形態重建的高分辨率遙感影像城市道路提取［J］.測繪通報，2012(1):45－47.Yang X W，Wei C T，Lü J G，et al.Urban road extraction of high resolution remote sensing images based on shape reconstruction［J］.Bulletin of Surveying and Mapping，2012(1):45－47.

［12］潘婷婷，李朝峰.基于區域生長型分水嶺算法的衛星圖像道路提取方法［J］.計算機工程與設，2008，29(19):4987－5013.Pan T T，Li C Z.Road extraction method of satellite image based on region－ growth watersheds algorithm［J］.Computer Engineering and Design，2008，29(19):4987－5013.

［13］羅慶洲，尹 球，匡定波.光譜與形狀特征相結合的道路提取方法研究［J］.遙感技術與應用，2007，22(3):339－344.Luo Q Z，Yin Q，Kuang D B.Research on extracting road based onits spectral feature and shape feature［J］.Remote Sensing Technology and Application，2007，22(3):339－344.

［14］朱曉玲，鄔群勇.基于高分辨率遙感影像的城市道路提取方法研究［J］.資源環境與工程，2009，23(3):296－299.Zhu X L，Wu Q Y.Study on the method of extracting city roads from the high resolution remote sensing image［J］.Resources Environment and Engineering，2009，23(3):296－299.

［15］潘建平，鄔明權.基于數學形態學的道路提取［J］.計算機工程與應用，2008，44(11):232－240.Pan J P，Wu M Q.Road detection based on morphology［J］.Computer Engineering and Application，2008，44(11):232－240.

［16］胡海旭，王 文，何厚軍.基于紋理特征與數學形態學的高分辨率影像城市道路提取［J］.地理與地理信息科學，2008，24(6):46－49.Hu H X，Wang W，He H J.City road extraction from high resolution remote sensing imagery based on texture and mathematical morphology［J］.Geography and Geo－Information Science，2008，24(6):46－49.

［17］Vincent L.Morphological grayscale reconstruction in image analysis:Applications and efficient algorithms［J］.IEEE Transaction on Image Process，1993，2(2):176－201.

［18］申邵洪，宋 楊，萬幼川，等.高分辨率多光譜遙感影像中城區道路信息的自動提取［J］.遙感應用，2007(8):73－77.Shen S H，Song Y，Wan Y C，et al.An approach for automatic road extraction in dense urban area from high－resolution multispectral satellite imagery［J］.Remote Sensing Information，2007(8):73－77.

［19］Gaetano R，Zerubia J，Scarpa G.Morphological road segmentation in urban areas from high resolution satellite images［C］//Digital Signal Processing(DSP).Corfu Greece:IEEE，2011:1－8.

［20］Zhu C，Shi W，Pesaresi M.The recognition of road network from high－ resolution satellite remotely sensed data using image morphological characteristics［J］.International Journal of Remote Sensing，2005，26(24):5493－5508.