道路綜合特征下高分辨率遙感影像的提取

魏國武，王 琦，張陽陽，陳永生

(1. 遼寧地質工程職業學院，遼寧 丹東 118008； 2. 東北大學資源與土木工程學院，遼寧 沈陽 110819)

道路綜合特征下高分辨率遙感影像的提取

魏國武1，王 琦2，張陽陽2，陳永生2

(1. 遼寧地質工程職業學院，遼寧 丹東 118008； 2. 東北大學資源與土木工程學院，遼寧 沈陽 110819)

針對在高分辨率遙感影像中如何提高道路信息提取的準確度和信息量這一問題，通過對影像光譜和紋理特征的分析，將影像特征按照2種光譜特征和3種紋理特征進行分類，進而改善傳統的圖像分割方法，選擇灰度級數和像素對的相對方向、距離和窗口大小作為參數，再通過灰度共生矩陣運算獲取影像的紋理信息，通過對這些紋理特征的綜合比較分析，最后確定角二階矩、熵和對比度作為道路紋理特征統計量；再通過對圖像像元分析比較，將圖像像元標準差和灰度均值作為道路信息提取的光譜特征；在對道路綜合特征分析基礎上，再通過對遙感圖像幾何特征分析，最后利用數學形態學的開運算、閉運算、腐蝕、細化等模型算法對遙感圖像進行精細化處理，得到道路提取較好的結果。該方法可用于復雜路況的道路信息提取。

高分辨率遙感影像；紋理特征；光譜特征；數學形態學；道路提取

隨著空間技術、傳感器技術和計算機技術的快速發展，高分辨率遙感影像開始廣泛應用于城市地理信息系統的更新，對高分辨率遙感影像道路網的自動提取一直是遙感影像數據應用的研究熱點。隨著我國高分遙感影像數據分辨率的不斷提高，遙感影像的廣泛深入應用更是迫在眉睫，對海量圖像數據的認知、解釋和自動處理成為社會信息化過程中面臨的重要技術問題。尤其隨著我國城鎮化速度的加快，有關城市道路的各種地理信息及時更新也成為城市發展、用地、經濟活動等內容的重要經濟技術指標。及時更新城鎮道路網信息對城市的宏觀管理、交通運輸、城鎮規劃、人們出行電子導航、應急事務處理等具有非常重要的意義。然而隨著高分遙感影像信息量的不斷豐富，遙感影像椒鹽噪聲的干擾也隨之增加，這給道路信息的提取增加了難度。

本文項目數據采用分辨率為1 m的2014年9月沈陽市QuickBird遙感影像，處理軟件選用ENVI 5.1，數值計算及可視化軟件選用Matlab 2012。

1 道路提取方法

該方法首先進行圖像預處理，其次利用改進的K-均值圖像分割方法得到二值化圖像，然后利用數學形態學原理與圖像幾何特征對二值化圖像進行形態處理，得到最終的道路中心線，最后將提取的道路中心線與原始影像疊加進行精度評定。

1.1 圖像預處理

1.1.1 圖像濾波

圖像預處理主要是對圖像進行增強和去云霧處理，以去除不相關噪聲，提高圖像質量突出所需信息，有利于分析判讀作進一步處理。本文數據為2014年9月采集的沈陽市QuickBird遙感影像，分辨率為1 m，無需云霧處理。圖像增強方法有多種，包括空間濾波、彩色變換、圖像運算、多光譜變換等，但具體方法要結合具體的試驗圖像數據需要選擇。本文經過試驗對比分析,采用形態學開閉濾波器對試驗圖像進行去噪處理。形態學開運算能夠去除比結構元素小的亮噪聲，閉運算能夠去除比結構元素小的暗噪聲。試驗結果表明，在選擇合適的結構元素的情況下，形態學開閉濾波器比均值濾波和中值濾波去除噪聲效果較好。如圖1、圖2所示。

圖1 遙感圖像濾波

圖2 形態學開閉濾波結果

1.1.2 圖像灰度處理

為使項目獲得的彩色遙感圖像的紋理特征后續能繼續進行分割處理，需將彩色圖像轉換成灰度圖像。即將24位彩色圖像用RGB數模中3個通道分別進行描述。本文利用Matlab作為工具將圖2(a)彩色圖像轉換為灰度影像，如圖3所示。

g=0.3R+0.59G+0.11B

(1)

圖3 加權法轉換后灰度圖像

1.2 基于綜合特征的圖像數據分割

1.2.1 基于灰度共生矩陣模型的紋理特征量選擇

Ohanian通過大量試驗比較分析得出一些可在圖像數據處理時參照使用的有益結論，并給出了幾種紋理測量技術的比較結果，光譜方法和灰度游程長度法的紋理特征測量技術效果遠不如灰度共生矩陣法。另外從統計特征的角度來講，分數維、馬爾科夫模型及Gabor濾波器特性均不如灰度共生矩陣優越。因此，本文選取灰度共生矩陣法對遙感圖像相關紋理特征進行提取。

可從灰度共生矩陣上計算出的二階統計函數一共有14個，這是由Haralick等定義的，即二階矩(能量)、熵、對比度、相關性、方差、均勻性、密度、粗糙度、規則性、直線性、方向性、頻率、相位等，這些信息從不同方面反映了影像的灰度分布、紋理粗細度等信息量，但它們并非獨立存在，如密度不獨立于頻率，方向性只用于方向性紋理。通過試驗和資料分析，對比度、相關性、二階矩、熵、均勻性5種統計量反映遙感圖像特征的效果最好，具體如下。

(1) 能量(二階矩)可表示為

(2)

二階矩也稱為能量，是灰度共生矩陣各元素平方和，可用來探測灰度均勻分布的程度和圖像紋理粗細度。f1小說明圖像紋理細，能量小；f1大說明紋理粗，能量大。

(2) 對比度(慣性矩)可表示為

(3)

通過對比度可知，圖像效果模糊，即紋理溝紋淺的對比度小；反之，紋理溝紋深的對比度越大，圖像效果越清晰。從這個以意義上來說對比度反映的是圖像的清晰度。

(3) 相關性可表示為

(4)

(4) 熵可表示為

(5)

在遙感圖像數據處理中，若紋理復雜，共生矩陣中元素大小差異就小，熵就具有較大值；若圖像灰度均勻，共生矩陣中元素大小差異就大，熵就具有較小值。因此，熵反映了遙感圖像中紋理的復雜程度或非均勻度。

(5) 均勻性可表示為

(6)

均勻性即局部平穩性，是度量圖像紋理局部變化的多少。

通過獲取遙感圖像的特征矢量說明上述所討論的問題。首先選取像元距離d為1，窗口大小為5×5像素，并在4個方向取均值。在遙感圖像上對紋理特征各參數進行統計分析，根據項目研究目標，選取房屋、裸地、綠地、道路典型樣本進行數據處理并分析，數據整理結果見表1，根據數據處理結果繪制的紋理特征參數對比圖如圖4所示。

表1 典型地物紋理特征參數

圖4 典型地物紋理特征參數對比

從表1和圖4可以看出，道路地物的紋理特征與非道路地物的紋理特征在相關性和均勻性方面差異比較小，但道路地物與非道路地物在角二階矩和熵所反映的地物紋理特征差異較大；另外，道路地物與非道路地物在對比度方面所反映出來的差異也比較大。說明反應明顯的是角二階矩和熵及對比度，運用這幾項紋理特征參數進行道路目標的提取是可行的。

1.2.2 光譜特征選取

在遙感數據圖像數據處理中，光譜特征的提取主要是基于圖像光譜的統計特征、地學特征及地物光譜曲線特征等信息。在對遙感影像數據進行地物信息提取時，比較常用的有一階統計量灰度的均值、二階統計量方差與標準差等方法。根據大量研究結果和相關文獻介紹，遙感圖像的模式識別過程中為了能對地物信息特征充分有效地提取，在數據處理時既要使用一階統計特征量，也要充分利用二階統計特征量，進而提高圖像的分類精度。這也是本文研究選擇均值與標準差作為光譜特征量的主要原因。

1.2.3 基于道路紋理與光譜特征的圖像分割

(7)

獲得每個像元的特征向量后，將光譜特征和紋理特征相似區域歸類為同類區域，然后利用改進后的K-均值聚類算法進行分析，進一步進行數據處理，即對同類區域中的異類區域進行分割提取去除，以便獲得最佳的圖像道路分割結果。分割過程如圖5所示。

圖5 圖像分割流程

根據前述數據處理方法獲得取的遙感圖像分割提取處理結果如圖6所示。

圖6 基于紋理特征和光譜綜合特征的圖像分割結果

從圖6中可以看出，同時考慮紋理特征和光譜特征的道路圖像分割結果基本上將道路與周圍地物比較清楚地分割出來，基本避免了遙感圖像誤分割和漏分割現象。

1.3 基于數學形態學方法與道路形狀特征剔除干擾圖斑

按照上述方法對圖像進行道路地物分割時，當某類地物的光譜特征和紋理特征與道路的紋理特征和光譜特征相同或十分相似時，就會產生某種程度的連接，進而導致不能進行完全分割。如城市主干道路旁邊的樓房屋頂與道路的紋理特征和光譜特征十分相似，在這類地區按照上述方法進行圖像道路信息分割時，往往會使非道路圖斑不能徹底去除，從而造成在獲得的道路圖像上會遺留一部分非道路圖斑。針對該現象，本文首先利用形態開運算分離出道路與非道路圖斑，再利用圖像幾何特征中的面積與長寬比進行分析，根據圖像特征選擇尺寸合適的面積與長寬比參數，在Matlab軟件中對圖像進行處理，最后得到去除全部噪聲圖斑的道路圖像。運算結果如圖7所示。

圖7 圖斑去除效果

1.4 基于數學形態學剔除道路干擾圖斑

通過綜合特征方法和數學形態學算法進行道路信息提取和去斑后，即可把道路的基本輪廓提取出來，但提取出的圖像道路信息在道路中心存在孔洞，在道路邊緣存在毛刺，甚至出現道路截斷現象等。為解決這些不足，首先基于形態學閉運算連接斷線道路，填充道路孔洞(如圖8所示)，然后利用形態學細化方法去掉毛刺提取道路中心線，這樣道路信息完善后即可根據道路中心線的提取結果形成矢量化路網。然后還要進一步對道路網信息進行形態細化，以獲得具有一個像素寬度的完整的道路中心線道路網信息圖像，經形態細化后的道路圖像結果如圖9所示，最終得到矢量化的地理信息并添加到數據庫中。

圖8 道路連接并填充空洞

圖9 道路細化成果

1.5 提取成果檢核

為檢驗所提取道路信息網絡的準確性，筆者將提取的目標和道路的中心線與原始遙感圖像進行疊加，如圖10所示，可以看出提取的道路目標位置及中心線與原始道路目標位置和方向都有較好的吻合效果。

圖10 疊加結果

2 結 語

本文首先綜合使用圖像紋理信息和光譜特征，然后結合圖像幾何特征及道路連續性，再輔以數學形態學算法及其精細化算法處理，最后運用改進的K-均值聚類對圖像進行分割，提高了圖像分割的效果，可快速利用圖斑面積等特征去除非道路圖斑，進而得到比較完善的道路網信息提取結果。該方法可用于路況比較復雜地區道路網信息的提取。

[1] GUERRERO J. Tutorial III：Image Processing and Analysis with Matlab[C]∥Proceedings of International Conference on Electrical,Communications,and Computers.Cholula:IEEE,2009.

[2] 董立菊,于戈.一種有效的圖像二值化方法[J].東北大學學報,2004,25(12):1149-1152.

[3] 王大鵬, 姜挺. 基于模糊算子理論的道路半自動提取[J],測繪科學技術學報,2004, 21(3):187-189.

[4] HARALICK R M,SHANMYGAM K, DINSTEIN I H. Textual Features for Image Classification[J]. IEEE Transactions on Systems,Man and Cybernetics, 1973，3(6):610-621.

[5] OHANIAN P P, DUBES R C. Performance Evaluation for Four Classes of Texture Features[J]. Pattern Recognition, 1992, 25(8)：819-833.

[6] HARALICK R M. Statistical and Structural Approaches to Texture[J]. Proceeding of the IEEE, 1979，67(5):768-804.

[7] BARALDI A,PAMIGGIANI F.An Investigation of Textural Characteristics Associated with Gray Level Co-occurrence Matrix Statistical Parameters[J]. IEEE Transactions on Geoscience and Remote Sensing, 1995,33(2):293-304.

[8] MA Hongbin，ZHANG Cun, YANG Shengfei, et al. Object-oriented Information Extraction from High Resolution Remote Sensing Imagery[C]∥Proceedings of 2nd International Congress on Image and Signal Processing. Tianjin:IEEE,2009.

[9] MANJUNATH B S, MA W Y. Texture Features for Browsing and Retrieval of Image Data[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1996,18(8)：837-842.

[10] 袁方, 孟增輝, 于戈. 對 K-means 聚類算法的改進[J].計算機工程與應用, 2004，40(36)：177-178.

[11] 雷小奇，王衛星，賴均. 一種基于形狀特征進行高分辨率遙感影像道路提取方法[J].測繪學報, 2009,38(5):457-465．

[12] 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].測繪通報，2012(S0):1-4.

[13] 楊志剛，張世奇.高分辨率遙感影像下線特征提取方法比較[J].測繪通報，2015(8):66-69.

[14] 雷小奇，王衛星，賴均.一種基于形狀特征進行高分辨率遙感影像道路提取方法[J].測繪學報，2009,38(5):457-465.

[15] 胡張武.高分辨率遙感影像道路信息提取方法研究[J].測繪通報,2011(8):13-16.

[16] 胡華龍，吳冰，黃邵美.結合Gabor紋理與幾何特征的高分辨率遙感影像城區道路提取方法[J].測繪科學技術學報，2015,32(4)：395-400.

[17] 夏春林，張靜，褚廷有.基于高分辨率城區遙感影像的道路半自動提取方法研究[J].測繪科學，2008，33(5)：140-142.

The Extraction Method of High Resolution Remote Sensing Image Based on Road Comprehensive Feature

WEI Guowu1,WANG Qi2,ZHANG Yangyang2,CHEN Yongsheng2

(1. Liaoning Geology Engineering Vocational College, Dandong 118008,China;2. School of Resources and Civil Engeering, Northeastern University, Shenyang 110819,China)

Aimed at improving roads in high resolution remote sensing image information extraction accuracy and the amount of information， this paper focuses on improving the image from the segmentation, and introduces texture and spectral characteristics of the image. An image clustering segmentation method based on combined features is proposed. We divide integrated features into three kinds of texture features and spectral characteristics.By selecting the size of the window from the gray levels and the relative orientation of the pixels on the four parameters, gray level dependence matrix extracts image texture features, after contrast five kinds of suitable texture characteristics for remote sensing image, this paper chooses contrast, angle second order moment and entropy as the texture characteristics, and chooses average gray image pixel and standard deviation as spectral features. Finally, based on segmentation image, which segmented by the comprehensive features of road, using image geometric characteristics and mathematical morphology such as open operation, corrosion, closed operation, refined, and the image processing algorithm to get the final road extraction results. The experimental results show that the method can be used to complex road information extraction.

high-resolution remote sensing images; the texture characteristics; spectral features; mathematical morphology; road extraction

魏國武,王琦,張陽陽,等.道路綜合特征下高分辨率遙感影像的提取[J].測繪通報，2017(8)：31-35.

10.13474/j.cnki.11-2246.2017.0249.

2016-12-19

國家自然科學基金青年項目(41104104)

魏國武(1966—)，男，教授，主要研究方向為攝影測量與遙感技術在工程測量中的應用。E-mail: neu_mhb@163.com

P237

A

0494-0911(2017)08-0031-05