用于自動識別遙感圖像路網信息的改進模糊連接度方法

鄭　瑾　　柳　肅　　孫　煒(湖南大學建筑學院　長沙　410082)(湖南大學電氣與信息工程學院　長沙　410082)

?

用于自動識別遙感圖像路網信息的改進模糊連接度方法

鄭瑾*①柳肅①孫煒②
①(湖南大學建筑學院長沙410082)
②(湖南大學電氣與信息工程學院長沙410082)

摘要：針對遙感圖像中路網信息的自動識別問題，該文將小波模極大值邊緣檢測方法和模糊連接度方法結合，提出一種改進的模糊連接度方法。采用小波模極大值邊緣檢測方法進行模糊連接度種子點的自動選擇，解決傳統模糊連接度理論中種子點難以自動選擇的問題。在此基礎上，對傳統的模糊相似度計算公式進行簡化，在保證路網識別準確性的同時，大大減少了計算量。采用來自Quickbird高分辨商業遙感衛星的3組影像進行實驗，驗證了該文提出的路網識別方法具有較高的準確性和計算速度。

關鍵詞：遙感圖像；路網信息識別；模糊連接度；小波模極大值；圖像邊緣檢測

1　引言

對交通路網信息的準確調查和測繪是做好交通規劃方案的重要前提。傳統的交通路網測繪方法大多還是基于人工方式，耗時費力，準確度較低，無法適應我國交通路網建設的快速發展。遙感技術是目前發展迅速的獲取地理信息的新型技術手段[1]。從遙感圖像中識別路網信息可以快速監測交通路網信息的變化情況，可廣泛應用于路網規劃、車輛導航、應急救災、施工監管以及國防軍事等領域。

圍繞遙感圖像路網識別技術，國內外學者開展了相關研究，文獻[2]提出一種T型模板匹配方法，使用角度紋理特征進行初始道路點定位，使用灰度最小二乘匹配進行最佳道路點的預測，克服了路邊樹木陰影和車輛遮擋形成的噪聲，但是不能很好地適應道路輻射突變的情形，對道路交叉口的處理需要大量的人工干預。文獻[3]提出基于改進粒子濾波和Snake模型的方法，利用粒子濾波來選擇道路種子點，再利用Snake模型把種子點連接成道路。文獻[4]研究了數學形態學的方法，對二值影像使用形態開運算去除細小噪聲，結合形態腐蝕和形態重建運算獲取路網信息，利用形態閉運算完善路網信息。該方法在提取影像中道路細節信息上很有優勢，但一定程度上依賴于初始影像分割結果，對道路的形狀變化比較敏感。文獻[5-7]給出了基于圖像分割和邊緣檢測的方法，這些方法利用遙感圖像中道路具有明顯邊界的特征來提取道路的邊緣，但是容易丟失圖像細節，邊緣連續性較差。文獻[8]利用DS證據理論融合形狀特征以獲取道路的中心線，降低了幾何特征閾值選取的難度，減少了人工干預操作。

文獻[9]在1979年提出了模糊連接度理論，此后，1995年文獻[10]提出了用模糊連接度描述不同像素連接緊密程度的圖像分割方法，并成功應用于醫學圖像分割等多個領域。模糊連接度理論運用“模糊相似性”來描述圖像像素間的相似關系，其目標識別具有“相似性、連接性”的特點，與路網的遙感圖像特征相符。所以模糊連接度理論比較適合用于遙感圖像路網信息的自動識別。但傳統模糊連接度理論的種子點自動選擇比較困難，計算量偏大[11，12]。針對這些問題，本文改進了傳統的模糊連接度理論，首先，采用小波模極大值邊緣檢測方法進行種子點自動選擇；然后，根據小波模極大值邊緣檢測過程中已包含了圖像灰度梯度信息的特點，去除了傳統模糊相似度計算公式中的灰度部分，簡化了計算，在保證路網識別準確性的同時，提高了計算實時性；最后，基于傳統模糊連接度方法判別閾值難以選取的問題，給出了一種自動判別方法，提高了路網信息識別的準確性。

2　傳統模糊連接度理論

設c和d是2維圖像上兩個像素點，顯然從c到d的路徑有很多條，路徑數量與c，d之間的距離以及圖像分辨率有關，本文假設其為n條。用PCDi來表示第i條從c到d的路徑，則PCDi由一系列相鄰的像素點組成，其中，=d 。

其中，a和b是兩個相鄰像素點，f(a)和f(b)是點a 和b的灰度值。h1和h2是灰度和梯度的標準高斯函數。w1和w2是表示灰度和梯度對模糊相似性影響的權重，。和的樣本統計均值和方差用a1，β1，α2，β2表示。則

將c和d之間所有路徑的連接強度值的最大值定義為c和d之間的模糊連接度，則從整體的角度描述了c和d的相關性。

為了采用模糊連接度理論在圖像中識別特定的目標，需要先在圖像中人工或自動地定義明確屬于該對象的起始點o，即所謂的“種子點”。然后計算圖像中其它像素點與種子點之間的模糊連接度，如果模糊連接度大于一定的閾值，則判斷該像素點屬于該對象，否則不屬于該對象。

3　基于改進模糊連接度的遙感圖像路網信息自動識別

由于模糊連接度理論是采用“模糊連接度”來描述像素之間相似關系的，其識別出的目標內部像素具有“相似性”和“連接性”的特征，與背景反差大，這與遙感圖像中交通路網對象具有的灰度均勻、彼此連接、與背景區分度高的特征相符，所以采用模糊連接度理論進行遙感圖像中路網信息的識別可以取得較高的識別精度。

3.1基于小波模極大值圖像邊緣提取的模糊連接度種子點自動選取

種子點的選取對于運用模糊連接度理論進行對象的準確識別具有十分關鍵的作用。傳統的種子點選取方式往往依賴人工目視判別，效率低下且容易受人為干擾。本文基于小波變換良好的時域與頻域特性[13，14]，采用小波模極大值方法對遙感圖像進行邊緣提取[15]，以其提取的圖像邊緣作為種子點，從而實現種子點的自動選取。

在X-Y平面上定義一個函數θ(x，y)，如果其在整個平面上的積分等于1，且在x2+ y2趨于無窮時收斂到0，則該函數是一個2維平滑函數。灰度圖像f(x，y)經該函數在尺度s作用下的小波變換分量可定義為

其中，

對于二進制小波變換，則有

3.2 模糊連接度算法的改進

本文將采用小波模極大值法提取的邊緣點作為種子點，運用模糊連接度理論進一步準確識別出交通路網。由于在小波模極大值邊緣提取算法中已經包含了梯度信息，所以傳統模糊相似度uki的計算公式(1)可以簡化為

這樣可以大大減少模糊連接度的計算量。

傳統的模糊連接度圖像識別理論通過判斷圖像中所有其它像素點與種子點之間的模糊連接度是否大于一定的閾值，來判斷該像素點是否屬于識別的目標。但是閾值的選取十分困難，過大過小都會造成目標識別的不準確。本文設計了一種背景點與種子點模糊連接度比較的方法來解決這個問題。該方法在選取種子點的同時，也選取出背景點，如果圖像中某像素點與所有種子點的模糊連接度的最大值大于其與所有背景點的模糊連接度的最大值，則該像素點屬于交通路網，否則屬于背景。詳細流程如下：

步驟1將圖像邊緣檢測之后的結果進行二值化處理，邊緣上的點用白色表示，背景上的點用黑色表示。用點集表示邊緣上的所有點，將其用作種子點；用點集2，…，n}表示背景上的所有點。用p(x，y)表示圖像中坐標為(x，y)的點，初始化x =0，y =0；

步驟2根據式(5)分別計算p(x，y)與所有種子點的模糊連接度的最大值Ups以及與所有背景點的模糊連接度的最大值Upk：

否則，則認為p(x，y)屬于背景，將該點加入背景點集K，即

步驟4令x=x +1，轉至步驟2，如果x達到圖像橫向邊界則退出循環；

步驟5令y=y +1，轉至步驟2，如果y達到圖像縱向邊界則退出循環，結束。

通過上述流程可以遍歷判斷圖像中的所有像素點是否屬于種子點集，最終得到的種子點集S就是圖像中交通路網的點集。

4　實驗驗證

基于Matlab2013環境(電腦處理器：INTEL 4 核I53470，內存：8 GB)，從高分辨商業遙感衛星Quickbird采集的遙感圖像中選取了一幅分辨率為0.6 m的圖像來進行路網信息識別，如圖1(a)所示，該圖包含了豐富的路網信息和多種干擾。如式(11)所示，本文改進的模糊相似度的計算僅需要計算像素的灰度，所以對圖1(a)進行灰度化處理得到圖1(b)。采用小波模極大值法對圖1(b)進行邊緣檢測，再經二值化后得到圖1(c)。將其中白色的邊緣點用作種子點，將黑色的點作為背景點，運用本文第3.2節給出的路網識別流程，可以得到路網信息如圖1(d)所示，可以看出圖1(d)去除了圖1(c)中的非道路邊緣噪聲，并填充了道路邊緣之間的間隙，取得了很好的路網提取效果。

為了驗證所提方法的通用性，選取另外兩幅遙感圖像進行路網信息識別實驗，識別結果如圖2和圖3所示。圖2中包含了大量的農田，與道路的區分度較高。而圖3中則包含了較多的建筑物，由于道路和建筑物的房頂光譜特征相近，所以在邊緣提取的時候造成了較多的噪聲，如圖3(c)所示，雖然如此，由于本文提出的改進模糊連接度識別方法具有“相似性”和“連接性”的特征，所以道路識別過程中能夠很好地去除建筑物造成的干擾，取得很好的識別效果，如圖3(d)所示。

圖1　驗證實驗1

圖2　驗證實驗2

圖3　驗證實驗3

為了對上述3個實驗的結果進行量化分析，用識別準確的路網像素點數量占實際路網像素點數量的比例來表示提取準確率，將本文所提出的改進模糊連接度的路網自動提取方法與文獻[11]的基于傳統模糊連接度的方法、文獻[12]的基于紋理-模糊連接度的方法、文獻[3]提出的基于改進粒子濾波和Snake模型的方法，文獻[4]的數學形態學方法，文獻[5～7]的圖像分割和邊緣檢測方法等遙感圖像道路信息自動提取方法的結果進行了比較。因為文獻[2]和文獻[8]的方法需要人工干預，所以本文不與其進行比較。3個驗證實驗的比較結果如表1～表3所示。結果顯示，本文所提出的方法具有更高的準確率和更快的計算速度。

表1　驗證實驗1的結果比較

表2　驗證實驗2的結果比較

表3　驗證實驗3的結果比較

5　結論

本文改進了基于模糊連接度的遙感圖像路網信息識別方法，通過采用小波模極大值方法對圖像進行邊緣檢測，將檢測到的邊緣點用作模糊連接度的“種子點”，解決了種子點的自動準確選擇問題；進一步在邊緣檢測的基礎上，運用模糊連接度的“相似性和連接性”識別道路信息，并根據小波模極大值邊緣檢測中已包括了圖像梯度信息的情況，對傳統模糊相似度計算公式進行了簡化，提高了計算速度；通過比較像素點與背景點、像素點與種子點模糊連接度最大值的方法，解決了傳統模糊連接度圖像識別方法中判斷閾值難以選擇的問題，提高了識別的準確性。對3組高分辨衛星遙感圖像中的路網信息識別實驗表明，本文方法具有精度較高、速度快的優點。

參考文獻

[1]王雷，馮學智，都金康，等.遙感影像分類與地學知識發現的集成研究[J].地理研究，2001，20(5):637-643.WANG Lei，FENG Xuezhi，DU Jinkang，et al.On the integration between image classification and geographical knowledge discovery[J].Geographical Research，2001，20(5):637-643.

[2]林祥國，張繼賢，李海濤，等.基于T型模板匹配半自動提取高分辨率遙感影像帶狀道路[J].武漢大學學報信息科學版，2009，34(3):293-296.LIN Xiangguo，ZHANG Jixian，LI Haitao，et al.Semiautomatic extraction of ribbon road from high resolution remotely sensed imagery by a T-shaped template matching[J].Geomatics and Information Science of Wuhan University，2009，34(3):293-296.

[3]LIU Junyi，SUI Haigang，TAO Mingming，et al.Road extraction from SAR imagery based on an improved particle filtering and snake model[J].International Journal of Remote Sensing，2013，34(22):8199-8214.

[4]李利偉，劉吉平，尹作為.基于數學形態學的高分辨率遙感影像道路提取[J].遙感信息，2005(3):9-11.LI Liwei，LIU Jiping，and YIN Zuowei.Road extraction from high resolution remote sensing image based on mathematic morphology[J].Remote Sensing Information，2005(3):9-11.

[5]MATKAN A A，HAJEB M，and SADEGHIAN S.Road extraction from Lidar data using support vector machine classification[J].Photogrammetric Engineering and Remote Sensing，2014，80(5):409-422.

[6]MA Hairong，CHENG Xinwen，WANG Xin，et al.Road information extraction from high resolution remote sensing images based on threshold segmentation and mathematical morphology[C].Proceedings of the 2013 6th International Congress on Image and Signal Processing，Hangzhou，2013，2:626-630.

[7]勞小敏，張哲倫，張豐，等.基于鄰域總變分和邊緣檢測的遙感影像道路提取[J].浙江大學學報(理學版)，2013，40(6):705-709.LAO Xiaomin，ZHANG Zhelun，ZHANG Feng，et al.Road extraction from remote sensing images based on neighborhood total variation and edge detection[J].Journal of Zhejiang University(Science Edition)，2013，40(6):705-709.

[8]寧亞輝，雷小奇，王功孝，等.Dempster-Shafe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 Yahui，LEI Xiaoqi，WANG Gongxiao，et al.Road extraction from high-resolution remote sensing images based on Dempster-Shafer evidence theory and fusion shape features[J].Journal of Image and Graphics，2011，16(12):2183-2190.

[9]ROSENFELD A.Fuzzy digital topology[J].Inform Control，1979，40:76-87.

[10]UDUPA K J and SAMARASEKERA S.Fuzzy connectedness and object definition:theory，algorithm and application in image segmentation[J].Graphical Model and Image Processing，1995，58(3):246-261.

[11]魏敏，李朝峰.基于模糊連接度的衛星圖像道路提取新方法[J].計算機工程與應用，2006，42(13):230-232.WEI Min and LI Chaofeng.Relative-fuzzy-connectedness based road extraction new method from remote sensing image[J].Computer Engineering and Application，2006，42(13):230-232.

[12]錢廈，盛慶紅，宗鵬.基于紋理-模糊連接度的遙感影像道路自動提取[J].計算機工程與應用，2011，47(34):187-189.QIAN Xia，SHENG Qinghong，and ZONG Peng.Automatic road extraction from remote sensing images based on texture-fuzzy connectedness[J].Computer Engineering and Applications，2011，47(34):187-189.

[13]吳光文，王昌明，包建東，等.基于自適應閾值函數的小波閾值去噪方法[J].電子與信息學報，2014，36(6):1340-1347.doi:10.3724/SP.J.1146.2013.00798.WU Guangwen，WANG Changming，BAO Jiandong，et al.A wavelet threshold de-noising algorithm based on adaptive threshold function[J].Journal of Electronics ＆ Information Technology，2014，36(6):1340-1347.doi:10.3724/SP.J.1146.2013.00798.

[14]郝巖，許建樓.迭代重加權的小波變分修復模型[J].電子與信息學報，2013，35(12):2916-2920.doi:10.3724/SP.J.1146.2012.01561.HAO Yan and XU Jianlou.Iteratively reweighted based wavelet variational inpainting model[J].Journal of Electronics ＆ Information Technology，2013，35(12):2916-2920.doi:10.3724/SP.J.1146.2012.01561.

[15]田巖巖，齊國清.基于小波變換模極大值的邊緣檢測方法[J].大連海事大學學報，2007，33(1):102-106.TIAN Yanyan and QI Guoqing.Edge detection based on wavelet transfer module maxima[J].Journal of Dalian Maritime University，2007，33(1):102-106.

鄭瑾：女，1975年生，講師，博士生，研究方向為新型區域規劃方法研究.

柳肅：男，1956年生，教授，研究方向為地域建筑文化研究.

孫煒：男，1975年生，教授，研究方向為智能信息處理方法研究.

An Improved Fuzzy Connectedness Method to Recognize Automatically the Road Network Information from Remote Sensing Image

ZHENG Jin①LIU Su①SUN Wei②
①(College of Architecture，Hunan University，Changsha 410082，China)
②(College of Electrical and Information Engineering，Hunan University，Changsha 410082，China)

Abstract:To recognize automatically road network from remote sensing image，an improved fuzzy connectedness method is proposed by combining traditional fuzzy connectedness theory with wavelet modulus maximum algorithm.The wavelet modulus maximum image edge detection algorithm is used to solve the problem of selecting seed points automatically in traditional fuzzy connectedness theory.On this basis，traditional fuzzy similarity computational formula is simplified.This can reduce the cost of calculation greatly without reducing the recognition accuracy.Three high-resolution remote sensing images from the satellite Quickbird are processed in the experiments to prove the effectiveness of the proposed method.The results show that the proposed road network recognition method has high accuracy and rapid computation speed.

Key words:Remote sensing image; Road network information recognition; Fuzzy connectedness; Wavelet modulus maximum; Image edge detection

*通信作者：鄭瑾zheng.jin@163.com

收稿日期：2015-05-12；改回日期：2015-10-19；網絡出版：2015-12-04

DOI:10.11999/JEIT150563

中圖分類號：TP751.1

文獻標識碼：A

文章編號：1009-5896(2016)02-0413-05