多源遙感數據的道路提取技術研究現狀及展望

賈建鑫，孫海彬，蔣長輝，王躍明，王廷槐，陳勁松，陳育偉*

（1.中國科學院深圳先進技術研究院空間信息研究中心，廣東深圳518055；2.中國科學院上海技術物理研究所中國科學院智能紅外感知重點實驗室，上海200083；3.芬蘭地球空間研究所攝影測量與遙感部，基爾科努米FI-02430；4.中國科學院上海技術物理研究所中國科學院空間主動光電技術重點實驗室，上海200083；5.華為赫爾辛基研究院，赫爾辛基FI-00180）

1 引 言

遙感圖像道路提取既是土地利用檢測［1］、地理信息系統更新［2］、自然災害預警［1］、軍事打擊［3］等傳統行業應用的必要步驟，又是數字城市［3］、智能交通［4］等支撐傳統基礎設施轉型，進而形成融合基礎設施的新基建領域中關鍵技術之一。目前用于道路提取的遙感數據主要包括高空間分辨率圖像、多光譜/高光譜圖像、SAR（Synthetic Aperture Radar）圖像和激光/點云圖像，每種遙感圖像道路提取技術都有各自的特點和優勢。近年來，隨著高光譜成像系統儀器水平的提升，其在道路信息提取方面的應用效果逐漸提升，并在路面材料識別、路況檢測等方面凸顯出巨大的潛力。

本文首先介紹了基于四種遙感數據源道路提取技術的發展現狀，對不同遙感圖像道路提取技術的特點進行了分析和探討，然后回顧了高光譜成像技術的發展，列舉并分析了航天、航空和無人機不同平臺的高光譜數據在道路提取方面的應用現狀，最后對本文的內容進行了總結和展望。

2 道路提取技術的現狀分析

目前用于道路提取的主要遙感數據有高空間分辨率圖像、多光譜/高光譜圖像、SAR圖像和激光/點云圖像，其技術特點和應用舉例如表1所示，下面分別結合每種遙感技術的特點對道路提取的發展現狀展開介紹。

高空間分辨率圖像（簡稱高分圖像）包含了地物豐富的紋理、形狀、結構、鄰域關系等信息，成為一種重要的地理信息數據源。道路作為地物信息的重要組成部分，利用高空間分辨率遙感影像提取道路信息建立城市道路網結構，是高分圖像處理中最重要也是最困難的技術之一。高分圖像的道路提取首先需要明確道路的特征信息，包括道路的輻射特征、幾何特征、拓撲特征、上下文特征等。通過對道路信息的分析，首先提取圖像中的特點、紋理及邊緣等各種要素信息，結合道路特征信息，對提取的圖像信息進行綜合分析、選擇和重組，與道路要素的結構關系、模型及與道路有關的規則信息進行融合，提取道路信息識別道路［5］。隨著低空無人機技術的發展，遙感圖像的分辨率已由亞米級提高到厘米級［6-7］，影像中地物的細節更加豐富，遙感影像將呈現出過多的紋理和細節信息，且噪聲干擾更加嚴重，增加了道路信息提取的難度。許多在中分辨率圖像中相對成熟的目標提取算法很難應用于高分辨率圖像道路信息提取，亟需探索應用于超高分辨率圖像的智能道路信息提取算法。

多光譜遙感圖像因其具有較高的空間分辨率和少量光譜特征已被廣泛地應用于道路信息提取。常用的數據源主要是衛星多光譜圖像，包括Quickbird，Ikonos［8-10］，Wordview系列［11］，Landsat系列衛星［12］以及我國的高分一、二號衛星等。高光譜遙感圖像因其波段數量多（一般幾百個波段）、譜段連續等特點，不僅被用于常規的道路提取，而且在路況條件檢測、路面材料識別、路面坑槽、裂縫缺陷檢測等方面展示出較大的應用潛力。航天、航空以及無人機不同平臺的高光譜成像系統在道路提取、識別的應用范圍和特點也不相同。目前航天、航空平臺的高光譜儀器由于空間分辨率的不足，在路面坑槽、裂縫缺陷等方面的精度還不是很高，未來隨著儀器水平的提高以及光譜、紋理結合使用等算法的發展，高光譜遙感圖像在道路提取、檢測等方面的應用優勢將愈加凸顯。

表1 基于四種遙感圖像的道路信息提取技術特點和應用舉例Tab.1 Characteristics and application examples of road information extraction based on four remote sensing technology

從遙感圖像里提取道路是制圖學中最重要的應用之一，早在上個世紀七十年代，就有人開始嘗試將這種繁重的手工任務改進成為自動化處理［13］。毫無疑問，路網提取通常使用的方法是使用正下方觀測的航空照片，但是星載SAR，由于其全天候的覆蓋能力和高效的覆蓋范圍，很早就被嘗試用于路網提取。星載高空間分辨率的合成孔徑雷達，可以有效提供約1 m分辨率的地面影像，對于相關的地物提取，提供了一種經濟、有效、且魯棒性好（穿透云霧）的空間觀測手段。與低分辨率SAR圖像不同，通過高空間分辨率SAR圖像提取道路，像素間的語義信息變得非常重要，道路檢測從直線/邊緣檢測變成了地物檢測，需要充分利用道路目標的各種特征。

LiDAR（Light Detection and Ranging）通過主動發射激光脈沖來獲取目標的三維坐標信息，具有精度高、速度快等優點，并且不受環境光照變化等環境因素的影響，已經發展成為一種快速和高效的高精度、高密度數據采集技術，這項技術的出現為城市道路的提取提供了一種全新的手段。目前，隨著機載LiDAR技術的興起，更多的學者以高分辨率的數碼影像與LiDAR點云融合的聯合使用方式來提取城市的道路網［14］。基于機載LiDAR點云的城市道路提取通常包含點云預處理、點云濾波、道路點云提取和城市道路網提取幾個步驟或者處理流程［15-17］。

不同的遙感數據具有自身的特點，將多種遙感數據結合應用于道路提取，發揮各自的優勢，一直以來都是眾多研究者關注的熱點。羅慶州等［18］以SPOT衛星影像為例，將高空間分辨率的全色圖像與多光譜圖像融合使用。首先基于道路光譜特征進行圖像分類，然后再應用道路的形狀特征去除分類圖像中的“異物”目標，該方法能有效地從遙感影像中提取主干道路。曹廣真、金亞秋［19］提出了一種將多光譜遙感圖像和雷達遙感圖像進行特征融合，實現城區道路半自動提取的方法。雷達圖像中的道路信息彌補了多光譜圖像中城市道路受高大建筑物、植被等地物陰影的覆蓋而使圖像容易斷裂的缺點，而多光譜圖像的道路信息則有助于降低雷達圖像中噪聲的干擾以及線性水體與道路的混淆。該方法分別用于上海市不同區域、不同分辨率、不同極化方式的衛星遙感雷達圖像（ERS-2，Radarsat-1 SAR）與陸地衛星多光譜圖像（Landsat ETM+）的融合，進行道路信息的提取，取得了較好的效果。曾妮紅等［20］針對單一遙感數據源提取道路信息中存在的問題，采用面向對象的思想，提出一種融合機載激光雷達和航空正射影像，運用對象平均強度指數進行道路精確提取的方法。該方法提取流程簡單快速、無須精確配準、道路提取精度較高。

3 不同遙感數據道路提取的主要方法

3.1 高空間分辨率圖像的道路提取方法

早在20世紀70年代，中、低分辨率的遙感影像就被用來提取道路信息，歷經50年探索和積累，國內外學者提出了許多有價值的模型和方法。但在此過程中，遙感影像的空間分辨率極大提升，使傳統的道路信息提取模型和方法的效果大幅度下降［34-35］。高分辨率遙感圖像道路提取的難度受到道路信息差異大、噪聲多樣等影響。以鄉村道路和城市道路為例：圖像中的鄉村道路具有密度低、交叉點少、田地和森林覆蓋范圍大等特點，這決定了鄉村道路輻射特征與其他地物差異大，因此利用輻射特征進行提取較好；而城市路面寬廣、輻射特征接近、邊緣清晰、紋理豐富，反而不利于采用輻射特征提取道路信息。高分辨率圖像中道路的噪聲較多，典型的如薄霧噪聲，此類噪聲目視相對容易識別，但計算機識別難度極大［36］。

現階段，在眾多高分辨率圖像道路提取算法中，根據提取道路的自動化程度，道路提取方法分為半自動和自動兩大類。半自動提取根據人工提供道路的初始點或初始方向，利用特定的跟蹤方法或曲線擬合模型提取道路信息，主要算法包括：邊緣跟蹤法［37］、Snake模型算法［38］、影像分割法［39-40］、動態規劃法［41］、模板匹配［42］。半自動化提取方法的特點是一般適用于中低分辨率的遙感影像，而不太適用于高分辨率的遙感影像。自動道路提取則是綜合運用道路拓撲特征、上下文特征等多方面的特征信息，利用模式識別、計算機視覺、人工智能與影像理解等手段，提取和識別道路信息。比較具有代表性的道路自動提取方法有基于平行線對算法、基于窗口模型的道路提取算法、直線條帶提取法、脊線探測法等［43］。自動化道路提取的優點是不需要過多的人工干預，智能化程度較高，但受限于現階段人工智能水平和相關算法的成熟度，自動化道路提取算法仍沒有十分成熟的模型，一直是高分圖像信息提取領域研究的重點。

3.2 多光譜/高光譜圖像的道路提取方法

目前多光譜/高光譜圖像的道路提取方法很多來自于高空間分辨率圖像的道路提取方法，不過圖像數據的維數增加，尤其是高光譜圖像加入了大量的光譜特征。根據算法的自動化程度也可以分為半自動和自動化提取兩大類，半自動提取需要人工指定種子點或者設置道路的起始點，自動化提取則沒有人為的主觀干預，由計算機自動實現道路的提取［37，44-46］。將包含豐富光譜特征的高光譜圖像和高分辨率圖像結合使用，為實現道路的高精度自動化提取帶來了希望。

道路在遙感影像上具有一定的圖像特征，包括輻射特征、幾何特征、拓撲特征和上下文特征（背景特征）［47］。根據提取過程中使用的特征層次，光譜遙感影像道路提取又可以分為基于像素特征、面向對象和基于知識的道路提取三類。常用的基于像素特征的方法根據使用的特征不同，可以分為模板匹配［48］、邊緣檢測［49］和形態學方法［50］。基于對象的道路提取一般是采用分割或區域增長的方法，先將影像分為不同的圖斑［51-52］，再按照制定的規則對圖斑進行篩選、連接、細化、組織，最后構成網絡［53-54］。近年來逐漸興起并迅速發展的張量投票［12］、機器學習［55］和深度學習［56］屬于基于知識的道路提取方法。隨著相關技術的發展，近年來基于深度學習的信息提取方法逐漸被應用于高光譜圖像分類中［57-58］，并在高光譜圖像的道路提取和路面檢測中有了新的突破［59］。每種道路提取方法都有自己的特點和優勢，基于像素的道路提取方法處理較簡單，但不能充分利用影像中的信息。面向對象方法優點在于影像分割能夠有效地解決高分辨率影像中的噪聲問題，將噪聲的部分與周圍的像元合并后劃分到特定的影像對象中。但該方法的缺點在于提取效果很大程度上取決于影像分割結果的質量［60］。基于知識的道路提取如深度學習方法，良好的道路特征表達能力提高了道路提取的精度，但模型復雜、訓練難、對海量樣本及對較高計算能力硬件的依賴影響了利用深度學習提取道路方法的大范圍推廣應用。所以在實際應用中，需要根據使用遙感數據集自身的特點和影像中道路的特征情況，選擇合適的提取方法。

3.3 SAR圖像的道路提取方法

基于SAR圖像的道路提取方法主要是以1990年Samadani等提出的先局部邊緣檢測后全局道路連接的方法為基礎［61］，隨后研究人員在速度、精度和普適性方面進行了改進和創新。局部檢測按照圖像分辨率大小，分為中低分辨率和高分辨率SAR圖像局部檢測兩大類；在全局道路連接中，按照自動化的程度分為自動和半自動化兩類。程江華、周岳勇等［62-63］對不同分類方法的特點進行了較詳細的總結，本文不再重復敘述。

一般來說，基于SAR圖像的路網提取常常采用層進式手段，首先對于局部原始地物進行圖像分割，比如提取直線特征，然后在全局范圍內，通過語義的知識，將提取出來的線段連接成為網絡。對于農村地區的路網提取，往往首先將森林和鄉鎮地物進行排除后，再進行路網提取。對于城市場景，由于受到遮擋和路旁建筑、樹木的地物疊置效應，通常采用多角度觀測SAR影像，來緩解沿軌方向的道路無法觀測的情況。

對于傳統低分辨率的SAR圖像，常用的方法是利用一個局部的準則來評估目標像素和鄰近小區域的輻射特征，將背景中的直線特征提取出來［64］。局部的準則主要是將道路和周圍環境的邊界提取出來，這些提取出來的局部的分段，通過一些全局的待檢結構知識，最終連接成網絡。與低分辨率SAR圖像不同，在高空間分辨率SAR圖像提取道路中，像素間的語義信息變得非常重要，道路檢測從直線/邊緣檢測變成了地物檢測，需要充分利用道路目標的各種特征。比如Huber和Lang［65］就提出一種道路檢測方法，聯合考慮了道路側緣存在和道路中心的連續性。有意思的是，這些方法主要通過從SAR圖像中提取符合道路的幾何/結構語義內容，區域的反射特性往往被忽略和低估。與此相反，反射特征在F.Dell’Acqua［25，66］的研究中則被考慮，通過提出的分類器將辨識為道路的像素進行聚類。也有科學家通過使用改進的霍夫變換將聚類為道路的像素轉換為直線或者曲線的分段，分段方法拋棄了反射均勻的區域，而在失去統計均勻性的區域進行邊緣提取［67］。顯而易見的是，如果采用線性或者曲線檢測的方法，只是部分使用了高分辨率SAR圖像的信息，而道路可以作為具備獨特統計特征的圖像分段，這一獨特的統計特征可以通過分類進行研究。如Lisini［68］提出了一種用于城市場景下道路提取的方法，該方法在特征層面融合了基于統計信息的分類結果和線性結構信息的檢測結果，來提高提取道路的數量和改善結果的相似性。

3.4 激光/點云圖像的道路提取方法

基于機載LiDAR點云的城市道路提取通常包含點云預處理、點云濾波、道路點云提取和城市道路網提取四個處理流程。（1）由于掃描方式的不同，原始的點云數據一般都是離散分布，比較散亂，同時由于地物的復雜性，可能存在數據缺失，需要對其進行有效的組織和去噪。點云常用的組織方法有不規則三角網、KD樹和規格格網等［69-71］。由于外界因素的影響或者儀器本身的原因，點云數據會存在一些噪聲，常用的去燥方法包括基于形態學運算的點云去噪算法、基于內插擬合方法的噪聲點云去除方法等［72-75］。（2）機載點云中，包含了大量物體的點云信息，不僅僅是地面點云信息，還包括車輛、樹木、行人等，在提取道路信息之前，需要將點云進行分割，提取有效的點云信息。主要有數學形態學方法、不規則三角網方法、曲面擬合方法、聚類分割方法等［76-79］。（3）完成非地面點云去除之后，需要從地面點云中提取道路點云。通常道路點云提取方法都是基于道路點云的以下特點。道路一般比較平坦，高程變化小；道路點云的回波強度值具有一定的一致性。通過高程變化和強度值約束提取道路點云。常用的方法有層次分類法、不規則三角網TIN法等。Clode［27］提出一種層次分類法，在利用道路點云高程變化和強度值約束的基礎上，引入鄰域點云密度的輔助分類地面點云和非地面點云。（4）獲得道路點云之后，最后進行路網的提取，一般有兩種途徑，提取道路中心線或者提取道路輪廓。提取中心線方法主要有聚類分析法、數字形態法、多步長匹配方法等［26，80］。在輪廓提取方法方面，主要有動態輪廓法、a-shape方法、幾何特征法等［28，81-82］。其中動態輪廓法借鑒圖像處理中的邊界提取方法，a-shape直接處理點云數據，通過設置不同的a可以高精度的提取邊界。

4 高光譜成像技術的道路提取應用現狀

近年來，隨著技術的發展和儀器水平的提升，航天、航空以及無人機等不同平臺的高光譜成像儀在道路提取、路面檢測等方面均有應用。由于平臺自身和儀器的特點，不同平臺的高光譜儀器在道路應用的范圍和效果也存在著差異。

星載高光譜成像儀可以實現較大的幅寬且平臺的穩定性較好，適用于大面積作業，但儀器的空間分辨率較低，而且離地面距離較遠受到大氣的影響較多，主要用于道路主干道如高速公路的識別和提取。目前用于道路提取的星載高光譜儀器主要是美國EO-1衛星的Hyperion高光譜成像儀。Sun利用EO-1 Hyperion衛星高光譜數據，通過道路查找、道路跟蹤和道路連接三個步驟完成了影像的路網提取，在道路查找的過程中采用了圖像中的光譜信息來尋找道路特征，并且定性比較了幾種不同的道路特征提取方法，但沒有給出定量的提取精度結果［83］。由于衛星高光譜圖像數據較少，獲取成本較高，目前用于道路提取的公開報道不多。我國在2018年發射的“高分五號”衛星搭載的高光譜成像儀，其綜合性能指標高于Hyperion，在道路提取方面的應用值得期待。

機載高光譜成像儀相比衛星平臺的載荷而言可以獲取較高的空間、光譜分辨率，但其作業效率不如星載儀器，主要用于城市道路的提取和路況條件的檢測等。目前用于道路提取的機載高光譜儀器主要有AVIRIS，CASI，HyMap，HYDICE，AsiaFenix［84］等。2001年Gardner等［85］利用AVIRIS在美國圣巴巴拉市的高光譜數據集，通過多端元光譜分析的方法繪制城市表面典型地物種類，然后利用Q-tree濾波器將使用同種材料、光譜曲線相似的屋頂和道路區分開，從目視結果上看基本能提取影像中的主要道路，但是對于被植被遮擋的道路提取和路網連通性方面還有欠缺；Noronha等［32］利用AVIRIS的城市高光譜數據集，結合野外采集的基于城市主要地物表面材料的光譜數據庫，開展了提取道路中心線、測路面狀況和城市土地利用類型的最佳多光譜儀器設計三方面的研究。但其道路提取效果不是很高，總體分類精度約為73.5%，Kappa系數約為72.5%；黃昕、張良培［30］基于HYDICE和HyMAP機載高光譜圖像數據，利用自適應mean-shift分析方法對圖像中道路、房屋、草地等六類主要城市地物進行了精確分類，總體分類精度在97%以上，其中道路分類精度在95%以上；Resende等［86］利用CASI-1500機載高光譜數據，研究了城市中瀝青道路的提取，通過ISODATA非監督分類和最大似然監督分類定性顯示出該高光譜圖像可以提取出城市中的主要瀝青道路，但沒有給出具體的提取精度；2012年Mohammadi［87］利用HyMap機載高光譜圖像數據，研究了城市道路中使用材料的分類和瀝青路況狀態，主要區分了瀝青道路、水泥路和碎石路，并在此基礎上區分了瀝青道路中良好、中等和較差三種路況狀態。但是實驗結果受到數據集空間分辨率的限制，且其中仍有大量的未分類像素，需要做進一步的研究來改進所采用的方法，從而減少未分類像素的數量。目前一些公開的機載高光譜數據集，如Pavia center，University Area，Indian Pine高光譜數據集也被用于道路分類、識別等方面的研究［88］。2012年廖文志等［31］提出了采用方向形態學和半監督特征提取的方法，對三個高光譜數據集進行了分類研究，其道路的分類精度最高可以達到97%以上，但分類精度和訓練樣本數、提取的特征數有密切關系；苗澤朗、史文中等［32］研究了基于形狀特征和多元自適應回歸樣條的高分辨率圖像的道路中心線提取，該方法結合形狀特征和光譜信息從高分辨率遙感影像中提取道路段，然后利用多變量自適應回歸樣條函數提取道路中心線，將此方法應用于Pavia center高光譜數據集，道路中心線的提取正確率高達99%。由于該方法基于均勻表面性質，因此適合高分辨率圖像，而不適用于低分辨率圖像。另外該方法的主要限制是必須手動確定方法中的閾值。

除了衛星和航空高光譜載荷，近年來逐漸興起的無人機高光譜成像系統因其成本低、分辨率指標高等特點越來越受到關注，可以應用于特定區域的路況檢測、路面材料識別等［59，89］。但由于飛行高度較低，其作業效率不如航空和衛星平臺的儀器，尤其是對于一般的民用無人機，搭上高光譜成像系統后，單塊電池的作業時間通常不足半小時，這也是目前限制其應用和發展的主要原因。

高光譜圖像數據預處理水平的高低決定了其應用效果的好壞，在道路信息提取方面亦是如此。高光譜圖像的預處理主要包括輻射定標、光譜定標、幾何糾正和大氣校正等。對于道路識別等定性方面的應用，需要做好幾何糾正和相對輻射定標，而對于路面材料識別等定量方面的應用，還需要高精度的絕對輻射定標、光譜定標和大氣校正。目前，較好的機載高光譜成像儀的絕對輻射定標精度可以做到2%～5%，光譜定標精度優于0.5 nm，幾何糾正精度優于1個像元，大氣校正精度一般是7%以內，公開報道大氣校正精度最高的（1%）是美國JPL實驗室的AVIRISNG儀器［90］。星載高光譜成像儀相對于機載儀器而言儀器平臺比較穩定，但因距離較遠，受大氣影響比較嚴重，如我國高分五號衛星搭載的可見短波紅外高光譜成像儀，其絕對輻射定標精度優于5%，可見模塊的光譜定標精度為0.39 nm，短波紅外為0.65 nm［91］。

5 總結與展望

高分辨率成像、多光譜/高光譜成像、激光/點云成像和SAR成像是目前道路信息提取的主要遙感技術手段。高光譜成像技術因其圖譜合一、譜段連續等特點在道路提取方面已經取得了較大的成果，在路況檢測、路面材料識別方面也展現出巨大的潛力，現將本文的內容總結和展望如下：

（1）不同的遙感數據源具有各自的特點，如高分辨率圖像的空間分辨率高并包含了地物豐富的紋理、形狀、結構、鄰域關系等信息，多光譜/高光譜圖像的數據維數多且光譜特征豐富，SAR成像和激光/點云成像受云霧、光照等外部環境因素的影響較小，具有全天候工作的優勢。將不同的遙感數據結合使用，發揮各自的優勢，是目前和未來道路信息提取的一個重要發展方向。

（2）目前衛星高光譜數據相對較少，主要用于圖像中道路主干道的提取，機載高光譜數據相對較多，在城市道路提取、識別、路面檢測等方面均有較多的研究并取得了較高的道路提取精度，近年來逐漸興起的無人機高光譜成像系統主要用于路面材料的識別。未來需要結合不同平臺系統的高光譜數據源的特點，根據自己的實際需求選擇合適的數據源。

（3）想要進一步提升高光譜成像技術在路況檢測、路面材料識別等方面的應用效果，需要發揮高光譜成像作為“定量遙感”技術的優勢。一方面需要進一步提高其儀器性能，如與路面裂縫檢測密切相關的空間分辨率的指標，另一方面需要提高輻射定標、幾何校正和大氣校正等預處理的精度。機器學習、深度學習等技術的發展為高光譜道路提取帶來了新的活力，但在發展算法模型的同時需要結合高光譜數據的特點，提升算法的泛化能力和運行效率。