基于最優尺度的高分辨率遙感影像道路提取

張采芳，田　巖，鄭毓勇

(1. 文華學院，湖北 武漢 430074； 2. 華中科技大學電子與信息工程系，湖北 武漢 430074)

Road Extraction from High-resolution Remote Sensing Image

Based on Optimal Scale

ZHANG Caifang, TIAN Yan, ZHENG Yuyong

?

基于最優尺度的高分辨率遙感影像道路提取

張采芳1，田巖2，鄭毓勇2

(1. 文華學院，湖北 武漢 430074； 2. 華中科技大學電子與信息工程系，湖北 武漢 430074)

Road Extraction from High-resolution Remote Sensing Image

Based on Optimal Scale

ZHANG Caifang, TIAN Yan, ZHENG Yuyong

摘要：遙感影像道路提取一直是遙感應用的重點研究方向之一。傳統的基于像素級的道路提取方法側重于考慮影像的像素信息，并沒有考慮到地物目標之間的空間依賴性。本文針對高分辨率遙感影像，提出了一種新的面向對象的道路提取方法，其基本思想是利用道路的多尺度特性，將不同尺度的道路提取結果進行集成，得到最終的道路提取結果。方法的主要過程是首先建立不同的圖像尺度層，根據道路對象內部的同質性和道路與背景間的異質性給出道路提取的最優尺度層；其次，在道路的最優尺度上提取道路的主干道；最后依次在各小尺度層上通過道路生長的方法實現道路的完整提取。試驗結果表明本文所提方法能明顯提高道路的提取精度。

關鍵詞：面向對象；高分辨率影像；道路提取

一、 引言

道路的自動識別和提取對影像理解、地理信息系統數據庫更新、城市規劃等都有重要的理論和現實意義。在快速發展的高分辨率遙感技術的推動下，利用高分辨率遙感影像提取道路的研究得到了廣泛的關注。

目前國內外的學者已經對道路提取算法進行了大量的研究，如Snake模型[1-4]、水平集方法[5]、動態規劃法[6]、模板匹配法[7]、面向對象法[8]等。文獻[9]利用邊緣信息與顏色信息將影像分成很多小圖斑，然后根據相應的準則將之合并形成道路條帶。文獻[10]基于全色波段與多光譜波段的融合，采用K-均值法分割出面狀道路，并結合道路邊緣和形狀特性提取道路。文獻[11]首先對影像進行分割獲取影像對象；其次利用影像對象的光譜特征、幾何特征和空間關系建立道路知識庫；最后利用知識庫中的規則來提取影像中的道路。上述方法雖然能提取出道路信息，但是對于圖像中多種道路并存的情況其提取結果并不太理想。

高分辨率影像中的道路存在以下兩個特征：①不存在遮擋的各路面點的光譜較為相近，這為道路提取的完整性提供了可能，但同時與道路光譜相似的點會誤判為道路(如建筑屋頂等)；同時高分影像的道路面存在由斑馬線、汽車、行人等造成的與道路光譜差異較大的噪聲點，這又破壞了路面的完整性。②由于道路具有通達性、連續性和良好的規則性，因此高分影像上的道路也具有連續性，但是由于車輛、天橋和路邊樹木等遮擋物，又給圖像上道路的連續性帶來了影響。本文針對高分辨率影像的特點，基于面向對象的思想，融合最優層和其他各層的提取，提出一種面向對象的新型道路提取方法。

二、 基于多層融合的面向對象道路提取

圖像對象是指圖像分割后若干同質像素的集合。高分辨率影像為圖像對象的形成提供了數據上保證。考慮到實際情形中，不同材質、不同幾何形態的多種道路會同時存在，因此本文在基于面向對象分割的基礎上，提出了一種新的面向對象的道路提取方法。算法的基本思想是，首先在道路的最優尺度上提取主干道；然后依次在各個小尺度層上通過道路生長的方法提取出完整的道路。本文提出的面向對象的道路提取流程如圖1所示。

按照圖1所示，本文提出的道路提取方法包含如下步驟：①多尺度對象層構造；②最優尺度層的道路對象提取；③ 按照從最優尺度層逐次向下各層提取道路。

1. 多尺度對象層構造

面向對象多尺度分割的工作流程是需要對遙感影像數據進行分水嶺分割，產生最初的對象，此時，圖像的最小組成單元已經不再是像素，而是一個個具有實際意義的同質性很高的小區域，要對這個小對象進行合并，必須建立起這些小對象之間的鄰域關系。領域關系的建立是利用RAG來完成的，將原來的以像素為基本單元的圖像轉換成以對象為基本單元的結構，如圖2所示。

圖1　融合多層的面向對象道路提取方法

圖2　分割圖像及其對應的區域鄰接圖

從小尺度向大尺度合并的過程中，當兩個對象之間的異質性值滿足合并條件時，就將這兩個對象進行合并，在底層上連接這兩個對象的弧也消失。在合并對象的同時需要更新對象和對象之間的鄰區關系和異質性值。

兩個對象之間的異質性具體計算方法為

h=wcolor×hcolor+wshape×hshape

(1)

其中

wcolor=1-wshape

(2)

wshape=wsmooth+wcompact

(3)

wsmooth=(1-compact)×wshape

(4)

wcompact=compact×wshape

(5)

而光譜同質性、形光滑度和緊湊度的計算方法為

(6)

式中，C為波段標記；wc為該波段的權值；nobj_1、nobj_2、nmerge分別表示待合并的兩個對象的像素個數和合并后對象的像素個數；σobj_1、σobj_2、σmerge分別為合并前兩個對象的方差和合并后整體的方差。這樣，兩個對象的異質性值的計算表達式可以改寫為

hshape=wcompact×hcompact+wsmooth×hsmooth

(7)

(8)

(9)

式中，lobj_i(i=1,2)分別表示兩個合并前對象的周長；lmerge表示兩個對象合并成一個新對象后的周長；bobj_i(i=1,2)分別表示合并前兩個對象的外包矩形周長；bmerge表示合并成一個大的對象后的外包矩形周長；nobj_i(i=1,2)分別表示兩個待合并對象的面積(即對象的個數和空間分辨率的乘積)；nmerge表示將兩個對象合并成一個新對象后的面積。

將某一個待合并層的所有對象按照同質性高低進行排序，并且依次將每個對象作為種子點，在該對象的鄰區中尋找一個最佳的合并對象；找到待合并對象后，如果這個對象還沒有合并，就將兩個對象合起來，更新兩個對象間的異質性，將兩個對象合并起來之后的新對象作為種子點，在新對象的鄰區中繼續尋找最佳的合并對象，直到兩個相鄰對象的異質性最小仍然大于合并尺度時，合并過程停止。繼續下一種子點進行合并，直至所有種子點都被處理完畢。

經過上面的系列合并之后，在預先設定的尺度層上，就會形成該尺度下由所有對象組成的鏈表。從縱向角度觀察，最后會形成一個金字塔形狀的對象層體系，最下面一層是分水嶺分割的結果(尺度為0)，每一層的對象都是在下層的對象基礎上合并形成的。

2. 最優尺度層上的道路提取

所謂道路的最優尺度層，是指在該層上的每個道路對象具備均一性，同時還要求道路對象與其相鄰對象差異最大。在道路提取的初始階段，對最優層上的所有對象逐一判斷，利用道路規則將道路對象和非道路對象進行標識。圖像多尺度分割的特性是尺度越大，道路的形狀特性越好，在該層上的主干道路越容易被提取出來；但同時一些小的或規則性不強的道路對象會被遺漏掉。因此如何判斷最優尺度成為該步驟的一個關鍵問題。以下給出最優尺度的提取過程：

1) 通過分水嶺分割[12]，將圖像分成許多小面斑，即形成圖像對象。

2) 將小尺度面斑逐步合成大尺度面斑，形成多尺度面斑。

3) 在每個尺度上，計算道路對象和其他類別對象間的差異以及道路對象內部的差異，當前者最大，后者最小時對應的圖層即為最優層。

圖3給出了最優層上的道路提取過程。

圖3　最優層上的道路提取流程圖

對于道路提取算法，本文采取Adaboost學習方法，訓練過程描述如下：

1) 為每類地物選擇一系列的訓練樣本(x1,y1)、(x2,y2)、…、(xn,yn)，其中yi=0表示正樣本(即該類地物的樣本)；yi=1表示負樣本；n為樣本集中的樣本總數。

式中，m+l=n。

3) 設置迭代次數T，每次迭代，從特征庫中選擇一個最好的弱分類器，每次迭代過程如下：

a. 對所有的樣本權重進行求和并作歸一化處理

b. 對于使用的特征庫中的所有特征fj(j=1,2,…,K，特征數量為K)，都可以找到一個錯誤率最小的特征h(x,fj,p,θ)，并利用計算出的所有特征對樣本進行分類，計算出每種分類情況下加權錯誤率εt

c. 選取加權錯誤率最小的那個特征t，錯誤率越小說明在這次循環中，該特征越能更好地將不同地物分開，在εfj(j=1,2,…,K)中選取錯誤率εt最小對應的特征

d. 獲取最佳的弱分類器，調整整個樣本空間的權重

式中，ei=0表示樣本xi分類正確；ei=1表示樣本xi分類錯誤，即將錯誤的樣本權重通過某種方式進行提高，同時在此次分類中被正確識別的樣本權重保持不變

4) 當所有的T次迭代完成后，就能得到該類地物的一個強分類器

上述過程中，t為第t次迭代選出特征的權重；T為迭代次數，由用戶自己設置，同時也是整個訓練過程中所選擇出的特征數目。

3. 最優層以下尺度層上的道路提取

在最優尺度上，道路網中的主干道大部分能被提取出來，此時由于對象的形狀特性較為明顯，因此虛檢情況較少。考慮到部分道路會被漏檢，因此可以從下一層上繼續提取，最后將各層提取的道路合并，以得到最終的道路提取結果。

在此過程中，為了避免道路對象提取過程中出現大量孤立的道路，僅對下一層上已識別的道路鄰區進行判斷。其過程是：取小尺度下的對象，判斷該對象是否已被標識為道路，如果沒有被識別為道路，就判斷下一個對象；若已被識別為道路，則遍歷這個道路對象的鄰區，找到最佳的一個鄰區，最后判斷這個鄰區是否滿足該層下的道路特征。圖4為最優層以下的各圖層道路提取流程。

圖4　 最優層以下的尺度層上的道路提取

按照上述方法，以當前層下的道路對象進行生長，當道路對象的鄰區被識別為道路后，繼續判斷這個鄰區的鄰區中是否存在道路。在圖4的流程中，每次僅判斷道路對象的鄰區是否為道路，而對鄰區的鄰區是否為道路對象則不進行處理，即每次只生長一次。

為了實現道路對象的不斷生長，在上面道路提取的基礎上，判斷每一循環所有對象中被識別為對象的個數，如果被識別出的道路對象為0，說明該層下的所有對象均已被識別；如果識別的對象數目不為0，則下一次循環需要以這些對象為種子繼續生長。

三、試驗結果及分析

為了測試本文所提方法的有效性，本節選擇GeoEye-1衛星遙感數據進行試驗，該數據可以在該衛星公司的網站上下載。按照道路類型應該盡量多和背景復雜的原則，選取澳大利亞霍巴特地區，該場景除了包含道路外，還包含了其他一些常見的地物類型，如房屋、裸地、草地、林地、水域等。該數據的其他相關信息詳細說明如下：

1) 影像數據來源：GeoEye-1衛星，空間分辨率為2 m；

2) 影像獲取時間：2011年10月；

3) 影像規格：778像素×801像素；

4) 影像數據量：4.79 MB；

5) 波段信息：450～510 nm (藍色波段)、510～580 nm (綠色波段)、655～690 nm(紅色波段)、780～920 nm (近紅外波段)；

6) 中心經緯度：42°.882 377 7(南緯)，147°.323 474 9(東經)。

該測試圖及相應的參考圖如圖5所示，其中圖5(b)中的白色曲線即為道路參考圖。

圖5　測試區域RGB真彩色圖及道路參考圖

利用本文所提出的方法對圖5(a)進行道路提取的結果如圖6(a)所示，圖6(b)為傳統的單一層上的道路提取結果。對比圖5(b)和圖6(a)可以看出，本文方法能夠將幾乎所有的道路提取出來，道路的連通性和完整性表現較好。對比圖6(a)和圖6(b)則可看出，傳統的單一尺度的方法存在大量的雜亂點，同時道路的完整性較差。經統計，本文方法的正確率為96.1%,漏檢率為1.4%，虛檢率為3.5%；而單一尺度的正確率為92.3%，漏檢率為5%，虛檢率為6.4%，上述定量指標驗證了本文方法的有效性。

圖6　面向對象的道路提取結果

四、 結束語

本文針對高分辨率圖像的道路提取提出了一種以最優層為主，更小尺度層為輔的方法。主要意義在于：①面向道路目標提取，研究了一種多尺度圖層構建方法，并給出了最優圖層的提取方法；②為了完整的提取道路，將圖像最優層和其他更低層相結合以達到道路提取完整性的目的。GeoEye-1遙感影像試驗的結果表明，本文所提出的方法具有良好的性能表現。

參考文獻：

[1]MAYER H,LAPTEV I, BAUMGARTNER A,et al.Automatic Road Extraction Based Multi-scale Modeling，Context，and Snakes[J].International Archives of Photogrammetry and Remote Sensing，1997(30)：106-113.

[2]TANG Wei,ZHAO Shuhe.Road Extraction in Quaternion Space from High Spatial Resolution Remote Sensed Images Basing on GVF Snake Model[J]．Journal of Remote Sensing，2011,15(5)：1040-1052.

[3]GRUEN A, LI H. Semi-automatic Linear Feature Extraction by Dynamic Programming and LSB-Snakes[J].Photogrammetric Engineering and Remote Sensing. 1997,63(8):985-995.

[4]Gruen A, Adaptive Least Squares Correlation——A Powerful Image Matching Technique [J]. South African Journal of Photogrammetry, Remote Sensing and Cartography，1985,14(3):175-187.

[5]LU Bibo，KU Yongxia，WANG Hui．Automatic Road Extraction Method Based on Level Set an Shape Analysis[C]∥lntelligent Computation Technology and Automation，Second International Conference. Changsha:[s.n.]，2009：500-514．

[6]POZ A，VALE G．Dynamic Programming Approach for Semi-automated Road Extraction from Medium and High Resolution Images[J]．International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences，2003，34(8)：87-91．

[7]LIN Xiangguo,ZHANG Jixian,ZHENG Jun,et al．Semiautomatic Road Tracking by Template Matching and Distance Transform[C]∥Urban Remote Sensing Event．Shanghai:[s.n.]，2009：l-7．

[8]胡進剛，張曉東，沈欣，等. 一種面向對象的高分辨率影像道路提取方法[J]. 遙感技術與應用，2006，21(3)：184-188.

[9]GROTE A，BUTENUTH M，HEIPKE C． Road Extraction in Suburban Aeas Based on Normalized Cuts[C]∥International Archives of Photogrammetry，Remote Sensing and Spatial Information Sciences.Munich:[s.n.]，2007：51-56.

[10]李曉峰，張樹清，韓富偉，等．基于多重信息融合的高分辨率遙感影像道路信息提取[J]．測繪學報，2008，37(2)：178-184．

[11]朱曉鈴，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.

引文格式： 張采芳，田巖，鄭毓勇. 基于最優尺度的高分辨率遙感影像道路提取[J].測繪通報，2015(1)：90-94.DOI:10.13474/j.cnki.11-2246.2015.0018

作者簡介：張采芳(1975—),女，碩士，講師，研究方向為圖像處理、模式識別。E-mail：316651876@qq.com

基金項目：湖北省高等學校優秀中青年科技創新團隊計劃(T201431)；地理空間信息工程國家測繪地理信息局重點實驗室開放研究基金(201110)

收稿日期：2014-07-31

中圖分類號：P237

文獻標識碼：B

文章編號：0494-0911(2015)01-0090-05