應用FMH模型的城市高分辨率遙感影像道路提取探究

（武漢市洪山建設投資有限責任公司，湖北 武漢 430000）

一、發展現狀

遙感可以通過非接觸式傳感器或衛星獲取有關地球上物體的信息。隨著遙感衛星和傳感器的快速發展，遙感影像的分辨率越來越高。道路是遙感影像記錄的典型人工地物之一，道路提取在城市規劃和交通運輸中起著至關重要的作用。高分辨率城市影像中的道路以密集分布的結構規則為主要特征，在遙感影像中，它是一條具有特定寬度和灰度的直線帶。

近年來，從高分辨率遙感影像中提取道路信息的理論和實驗研究得到了極大的發展。美國懷俄明州立大學教授Naveen Chandra提出了一種基于認知視角的道路網絡提取方法，能夠檢測出道路的主要部分、彎曲區域和交叉點。東華理工大學安麗等人引入了一種多特征稀疏模型來表示目標道路的外觀，采用一種新的稀疏約束正則mean shift算法道路跟蹤，具有良好的準確性。此外，閾值分割和數學形態學在道路區域提取中都起到了很好的作用。模糊C均值也適用于道路提取，中科院遙感所博士徐超利用Hough變換從高分辨率影像中提取道路信息，因為大多數城市道路是直的。

本文提出一種新的城市道路提取模型。該模型采用模糊C均值、形態學和Hough變換，稱之為FMH。在對影像預處理后，采用模糊C均值算法將影像分為道路部分和非道路部分。對結果進行侵蝕操作，去除非道路部分,將局部Hough變換應用到子區域中提取道路特征。最后，采用擴張和細化相結合的方法將斷裂的部分連接在一起，獲得更好的可視化效果。

二、研究方法

基于高分辨率遙感影像的城市道路提取模型FMH使用的算法，技術流程如圖1所示。

（一）模糊C均值聚類（FCM）

圖1 技術流程圖

聚類是一種非監督的分類模式。模糊C均值聚類，又稱模糊ISODATA，是一種常用的聚類方法。隸屬度函數表示屬于集合A的任何對象X的程度，其范圍在0～1之間。對于每個類別，所有樣本都可以定義為一個特定的模糊集。FCM算法可以最大限度地提高同一類別中元素的相似度，同時最小化不同類別中元素的相似度。

模糊C均值聚類的隸屬度函數表示每一類樣本的隸屬度。該算法將n個向量劃分為c個模糊群。當判別函數最小時，可以得到每個模糊群的聚類中心。判別函數是：

每個類中xj的總成員函數等于1：

通過計算可以得到使式（1）最小化的必要條件：

算法的過程是迭代修改聚類中心和隸屬度函數。當判別函數小于設定值或保持不變時，得到聚類結果。

（二）數學形態學

在模糊C均值后，將影像分為道路和非道路兩部分。然而，聚類是根據灰度進行的。大量的車輛、屋頂等地面物體也有與道路相似的灰度，其中許多被歸為公路類，所以需要進一步處理非道路區域。采用數學形態學是因為道路的形態特征比較明顯。

數學形態學利用影像的形態和結構特征處理影像。它具有簡單、處理速度快等明顯優點。數學形態學算子可用于優化影像的原始數據。該功能包括保持它們的基本形狀特征，并詳細排除一些不相關的結構。經過適當的形態學處理，道路區域將變得更加完整。形態擴張定義為：

形態侵蝕定義為：

f(x,y)表示灰度影像，b(x,y)表示指定的結構元素，Df和Db表示它們的定義域。

選取一定長度的直線基元路面作為結構元素，對聚類后的影像進行侵蝕。

提取線元素后，道路區域形狀不規則，還有一定程度的骨折。為了平滑道路區域和連接道路裂縫，可以再次使用線元素放大影像，通過八度模板匹配方法實現形態細化，最后得到單像素寬度的道路信息。

（三）局部Hough變換

在對原始數據進行模糊C均值聚類和數學形態學處理后，仍然存在大量的非道路區域。Hough變換用于提取道路區域直線特征的直線基元。Hough變換是從數字影像中提取直線的經典算法，基本原理是利用點和線的對偶性將影像維數中的每一點轉化為參數空間中的曲線。如果影像維度中的某些點共線，則它們在參數空間中的相應曲線在某個點處相交。同樣，在參數空間中的同一點相交的所有曲線對應于影像空間中直線上的點。

在影像空間中，一條直線可以由參數方程（7）表示。直線如圖2所示：

從參數方程可以看出，直線上的任何點（確定值和θ）對應參數空間中的正弦曲線。影像空間中同一直線上的點與參數空間中許多正弦曲線的交點映射。也可以說，參數空間中的交點對應于影像空間中的唯一直線。

圖2 直線的極坐標

Hough變換的核心是通過局部模式（a點）的識別來實現影像全局模型的提取。與其他線性檢測方法相比，Hough變換具有明顯的優勢。Hough變換特別有效，即使影像上的目標點是稀疏的。

Hough變換在處理遙感影像時具有良好的抗噪聲和抗斷裂能力。然而，并不是所有的道路都能穿透整個影像。如果在整個影像中使用Hough變換，將檢測到與某條道路在同一條線上的一些非道路點或噪聲。另外，在整個影像中道路長度不相同的情況下，需要設置提取直線的閾值。較小的閾值可能會導致大量非道路點混合在一起。但如果門檻太大，只會檢測出幾條較長的道路，剩下的道路將被移除。因此，對影像進行整體Hough變換很難取得良好的效果。

在這種情況下，利用局部Hough變換完成道路的提取。首先，整個影像被分割成一些小窗口。為了保證線段的完整性，窗口之間存在一定的重疊。然后逐個迭代掃描，根據閾值對每個窗口進行Hough變換。最后，合并每個窗口的結果以獲得路線圖。這樣，在每個子窗口中都可以檢測到長距離的道路，并且可以消除遠處共線噪聲的干擾。

三、實驗結果

（一）實驗數據集和參數設置

基于兩景2019年5月拍攝的2m分辨率高分一號衛星影像（命名為影像1和影像2）。兩幅影像的大小是540像素×540像素。在圖1中，道路幾乎是垂直和水平的。這幅影像的其他地面物體包括大量的居民樓和綠化帶。然而，影像2的道路并非都是水平或垂直的。除了圖1中的非道路對象外，圖2中還有一條河從上到下橫穿。參數設置如下。在FCM聚類中，類別c的個數設為3，權重系數m設為2。在形態侵蝕中，0。和90。方向均采用長3個像素、寬1個像素的直線模板，操作次數是5次。在局部Hough變換中選擇的子窗口的大小為270像素×270像素，閾值為150像素。膨脹模板與侵蝕模板相同，操作的次數是10次。

（二）結果分析

圖3中的影像顯示了我們的模型基于圖1的處理過程。圖3中（a）為原始全色影像，（b）為灰度化和直方圖均衡化的結果，均衡后，道路與其他地物的對比度增強。（c）為對（b）實施模糊C均值聚類后的影像二值化的結果。在二值化影像中，道路類別為白色，其他兩個類別為黑色，除道路區域外，還有其他地面對象也被分類為道路類別。在不同方向的線路侵蝕和組合結果后，大量的非道路區域被移除或削弱，如圖3（d）所示。利用局部Hough變換提取每個窗口中的長線段。圖3（e）所示為已移除非道路區域的提取道路區域。對于上述結果，執行行擴張操作，（f）所示為擴張道路，道路區域的孔洞被填滿，破碎的道路在一定程度上連通。最后，對放大后的影像進行形態學細化，（g）所示為僅具有一個像素寬度的道路提取結果，提取的結果與（h）所示的原始影像疊加。

圖3 基于圖像1的城市道路提取結果

圖4 基于圖像2的城市道路提取結果

圖4中的影像通過處理影像2的過程。盡管有些路段成了曲線或斷裂。對影像2全過程處理后，提取出主要道路的信息。通過對兩幅不同影像的處理，可以看出新模型具有很好的道路提取效果。

四、結語

本文提出了一種新的基于FMH城市高分辨率圖像道路提取模型。該模型包括模糊C均值、形態學和局部Hough變換。經過預處理后，利用道路的灰度特征進行模糊C均值聚類，將圖像分為道路區域和非道路區域。然后，通過形態侵蝕和局部Hough變換去除非道路區域并提取道路區域。最后，進行形態擴張和細化操作，將斷裂的部分連接在一起，以獲得更好的可視化效果。實驗證明了該FMH模型的有效性。