國外遙感影像道路網提取研究現狀

李衛東，陳永楓，楊 陽，李潤生

國外遙感影像道路網提取研究現狀

李衛東1，陳永楓1，楊 陽1，李潤生2

（1.解放軍第153醫院信息科，鄭州 450002；2.解放軍信息工程大學，鄭州 450001）

交叉口是道路網中重要組成部分，對道路網拓撲結構組建及道路高層信息處理意義重大。本文對現階段國內外遙感影像道路交叉口提取現狀進行了介紹，介紹了不同算法的特點，為后續道路網提取工作奠定了理論基礎。

道路提取；遙感影像；研究現狀

1 引言

在過去近四十年中，國內外相關學者對半自動、自動影像道路提取方法做了大量研究，許多道路提取策略（算法）取得了令人滿意的結果。這些提取算法綜合利用不同遙感影像上道路所呈現的特征信息制定滿足特定任務需求的提取規則或策略，構建符合道路特征的道路模型，一般而言，使用的道路特征越豐富，提取結果越好。根據道路網提取過程中知識的使用程度，將高分辨率影像道路網提取分為三類：①基于像素的道路網提取；②基于區域的道路網提取；③基于知識的道路網提取。本節分別對三種方法的基本原理及國內外研究現狀進行分析總結，這部分工作是后續展開研究的基礎。在遙感影像道路網提取中，準確地對交叉口位置定位可顯著提高道路網提取的精度和效率。在中低分辨率道路網提取任務中，交叉口被看作連接3個或更多道路分支的點對象，在高分辨率影像中，交叉口是具有一定形狀的面對象，無法用點對象對其描述表達。針對高分辨率影像的道路交叉口提取方法研究是高分辨率遙感影像處理應用領域的難點問題，也是長期被研究者忽略的問題。對道路交叉口進行檢測是算法的基礎和關鍵，目前道路交叉口提取方法可分為三類：基于道路的提取方法、基于影像的提取方法、基于知識的提取方法。

2 基于道路的交叉口提取方法

基于道路的交叉口提取方法是先檢測道路，然后根據道路相交原理獲得交叉口結點。

Ruiz和Rubio等（2011）提出了一種基于紋理特征描述的自動道路交叉口位置檢測方法［1］，通過機器學習的方法對不同區域交叉口樣本影像進行學習，獲取交叉口紋理特征分布特點，然后利用紋理特征描述對影像進行分割，通過計算分割區域中心軸線交點獲取交叉口位置。

Li和Briggs（2012）采用基于道路的方法提取高分辨率影像交叉口［2］，在影像分割基礎上利用道路幾何特征與寬度不變特征篩選道路段，然后將道路段交點作為道路交叉口。張偉偉和毛政元（2012）提出基于Hough變換的影像道路交叉口提取方法［3］，通過提取同質區域、去除干擾因素地物、Hough直線變換、求直線交點等步驟完成交叉口的定位。

3 基于影像的交叉口提取方法

基于影像的道路交叉口提取方法通過統計分析影像上道路交叉口的輻射、形狀等特征，構造交叉口檢測算子（或模版），利用檢測算子對影像進行搜索，獲取交叉口區域位置。基于影像的交叉口檢測方法是目前最常見的方法，包括基于模版匹配的交叉口檢測、基于微分幾何的交叉口檢測等、基于形狀約束的交叉口檢測。

Cheng和Jin等（2012，2013）利用形態學方法及形狀識別方法 （Parallelepiped Angular Texture Signature，PATS）直接從SAR影像上提取交叉口并識別其類型［4］。Chai等（2013）利用目標結構一致性特點檢測交叉口結點［5］，算法通過輸入樣本信息、樣本學習、監督分類、結果評價等步驟完成四類交叉口位置的檢測。

李剛（2010）綜合利用影像上道路交叉口區域灰度、形狀、紋理特征對交叉口進行識別［6］，通過預提取（提取顏色、紋理、方向特征）與識別（區域標記、形狀特征提取分析）兩步完成交叉口的提取。

4 基于知識的交叉口提取方法

基于知識的交叉口提取方法在提取過程中引入外部數據（地理坐標、高程信息等）作為輔助信息進行粗提取，然后利用交叉口自身特征進行篩選。張偉偉和毛政元（2012）利用矢量數據中提供的幾何與屬性信息提高了提取的準確率［3］。陳卓等（2013）借助高程信息采用角度紋理信息與Snake算法從LiDAR點云數據中提取道路交叉口［6-9］，提取過程需要大量外部數據支撐，操作步驟復雜，且Snake算法提取效果受初始輪廓影響較大，對于大面積影像而言，其收斂速度慢，提取效率較低。

以上三種方法都可對交叉口進行檢測，但也存在不足之處。基于道路的提取方法對影像道路提取的精度依賴性較大，由于目前全自動道路檢測并不成熟，故這種方法適用性較差。基于知識的提取方法需有完備、準確的外部數據支持，目前高分辨率影像更新周期越來越短，矢量、高程等信息很難及時與影像保持一致，這對提取的效果影響較大。基于影像的提取方法直接從影像上獲取交叉口信息，能充分利用影像原始信息，有一定的實用價值。

［1］RuizJ.J.,Rubio T.J.,Urena M.A.Automatic Extraction ofRoad Intersections from Images Based on Texture Characterization［J］.Survey Rev,2011,43(321)：212-225.

［2］Li Y,Briggs R.An Automated System for Image-to-Vector Georeferencing［J］.Cartography and Geographic Information Science,2012,39(4)：199-217.

［3］張偉偉，毛政元.一種面向高空間分辨率遙感影像的路口自動定位新方法［J］.國土資源遙感，2012，1（3）：13-16.

［4］Cheng J.H.,Gao G.,Ku X.S.,Sun J.X.A Novel Method for Detecting and Identifying Road Junctionsfrom High Resolution SAR Images［J］.Journal of Radars,2012,1：100-108.

［5］Chai D,Forstner W,Lafarge F.Recovering Line-Networks in Images by Junction-Point Processes［C］.Computer Vision and Pattern Recognition(CVPR),2013 IEEE Conference on. IEEE,2013：1894-1901.

［6］李剛.遙感圖像中城市道路交叉口提取方法研究［D］.哈爾濱工業大學，2010.

［7］陳卓，馬洪超，李云帆.結合角度紋理信息和Snake方法從LiDAR點云數據中提取道路交叉口 ［J］.國土資源遙感，2013，25（4）：79-84.

［8］袁叢洲，張金芳，彭進.高分辨率遙感影像道路線性要素識別［J］.計算機工程與應用，2012，48（18）：142-147.

［9］周昀罡.基于知識的道路信息提取方法研究［D］.成都：四川師范大學，2013.

P237

A

10.3969/j.issn.1001-0270.2015.06.22

2015-06-02