基于高分辨率遙感影像的道路信息提取

梁永剛

（遼寧省自然資源事務服務中心—遼寧省基礎測繪院,遼寧 錦州 121003）

0.引言

自20世紀60年代以來，遙感衛星技術的快速發展為獲取地球表面的光譜信息及空間信息提供了海量的數據源，并以此提升了基礎的數字圖像處理分析、遙感數據采集、空間數據庫建立和空間數據共享等技術的應用和發展[1]。高分辨率衛星影像的發展使得目標提取、地圖更新以及提取高精度的GIS信息等成為可能[2]。道路在高空間分辨率遙感影像中具有一定的規律，通常表現為具有一定長度和寬度的長條形面狀地物，傳統的道路提取都是基于影像像元的灰度特征進行分析，如，基于邊緣跟蹤法[3]、基于最小二乘B樣條曲線[4]等，在準確性、實用性與推廣性等方面還有較大不足。

傳統的道路提取方法是以空間上單個像元為基本研究單元，僅依據影像上的光譜特征信息進行提取。可見，傳統的提取方法并沒有充分利用高分辨率衛星影像具有的海量信息，造成了“資源浪費”[5]。由于高分辨率遙感影像中相同地物具有不同的光譜特征即同物異譜，不同地物具有相似光譜特征即同譜異物，故僅以影像上單個像元作為基本單元來進行分析，給遙感影像道路提取帶來了新的問題[6]。在道路提取方面，國內外已有不少重要的理論與技術，許多道路提取算法主要是針對不同類型的道路（高速道路、非高速道路）、不同遙感圖像類別（光學圖像、雷達圖像）、不同的區域（城鎮或鄉村）、不同的圖像空間分辨率而提出了許多不同策略道路提取算法。面向對象的方法能夠綜合運用影像的光譜信息和空間信息，將相鄰像素作為一個整體，建立不同的策略來識別對象，更符合高分辨率影像的視覺判別[7]。本文對比分析了基于高分辨率影像進行道路提取的各種方法，采用面向對象的方法進行道路信息提取試驗，并對提取結果進行比較評析。

1.道路提取的基本方法

道路在高分辨率影像上常呈長條形面狀的幾何特征，其長寬比其他地物要大，道路的寬度沒有明顯的變化；一般道路與背景之間都有兩條明顯的邊緣且與其相鄰區域灰度反差比較大，除土石道路外大部分的道路在影像上的灰度值分布較為均勻，顏色差異較小；通常道路都是相連的，不會出現突然中斷的現象，并形成路網；具有完整性、連接性以及與周邊區域關聯的上下文特征。

根據道路提取方法的自動化程度可以分為半自動道路提取和全自動提取兩種。道路的半自動提取主要采用人機交互，充分發揮計算機在“量測”方面的優勢與人在“識別”方面的優勢。基本思路可以分為四個步驟：（1）道路圖像特征加強；（2）道路種子點的確定；（3）將種子點連接成線；（4）確認并將線路連接到道路網中。目前，半自動提取取得了令人滿意的結果，已經應用于特定地區的一些半自動提取算法已被商業化運用。全自動道路提取方法基本思想是先通過對影像上的道路特征分析和理解，再對影像上的道路位置進行自動準確定位，但是由于高分辨率影像中具有結構復雜、信息豐富等特點，這些信息既包括河流水體、地形地貌、森林植被這樣的自然特征，又包含建筑物和交通道路這樣的人工地物，此外這些特征之間還具有相當復雜的關系，沒有一種簡單的方式來描述影像中的地物之間是何關系。

2.面向對象的道路提取實驗

2.1 實驗過程

實驗數據采用某一地區的QuickBird高分辨率遙感影像，該影像包括四個多光譜波段，各波段分辨率均為2.44m；一個全色波段，分辨率為0.61m。

利用面向對象法提取道路的技術流程如下：首先，通過幾何校正、影像配準、影像融合、直方圖均衡化等一系列操作對影像進行預處理；再對預處理后的影像進行分割，獲取影像對象，即影像上的同質區域；在對多邊形對象的光譜特征、幾何特征與紋理特征進行充分分析的基礎上，建立道路提取知識庫體系；最后，利用知識庫中的規則對分割出的影像對象做檢測匹配，提取出道路信息。主要技術流程（如圖1所示）：

圖1 道路提取流程圖

2.1.1 影像預處理

首先，對遙感影像進行預處理，預處理分為幾何校正、影像配準、影像融合與直方圖均衡化等。幾何校正是采用一定的數學模型來改正和消除遙感影像上各地物的方向、大小、形狀、空間位置等特征與在參照坐標系統中的表達不一致時所產生的影像形變。常用的幾何校正方法有基于共線方程的幾何糾正、基于多項式的幾何糾正、有理函數模型等，本實驗采用基于多項式的幾何糾正方法對各個波段的影像分別進行幾何校正處理。在影像配準環節，將覆蓋實驗區的兩幅遙感影像進行匹配，通過坐標變換使兩幅影像處于同一地理坐標下，最后通過影像的重采樣，將新的灰度值重新賦予空間變換后的影像。接下來對多光譜影像進行波段融合運算處理，融合后的影像比原始影像在空間和時間上擁有更加豐富、更加精準的信息，不僅突出了影像上有用的專題信息，還能夠有效地消除或減少影像上多余、無用的信息，提高了影像的光譜分辨率和空間分辨率。最后，進行直方圖均衡化處理，調整影像的灰度值，以增加影像灰度值之間的差異，改善亮度在直方圖上的分布。尤其是當前影像上的道路與背景的灰度值差異相當接近的時候，通過直方圖均衡化后，能夠增大目標與影像相鄰地物灰度值的反差，使道路在影像上更加清晰，而不影響影像整體效果。

2.1.2 影像分割

影像分割是提取面向對象方法的重要一步，分割的質量將直接影響提取結果。影像分割處理時，經過不斷調整分割比例的閾值，使所有對象的異質性在給定的閾值范圍內，最終將分割閾值設定為62，合并閾值設定為50。分割后的每個多邊形對象不僅包含像素固有的光譜信息，還包含多邊形對象的形狀信息和紋理信息。分割結果（如圖2所示）：

圖2 分割后影像

2.1.3 建立知識庫

分割處理后，根據道路的幾何特征、光譜特征和紋理特征，對原始遙感影像進行分析后，建立能夠充分體現道路特征的知識庫，使知識庫中的規則能夠有效區分道路與其他地物。一般來說，道路通常具有一定的寬度，呈長條狀，長寬比大、方向變化較慢、寬度變化相對較小等幾何特征；具有與其相鄰區域灰度反差較大且內部灰度值比較均勻，邊緣梯度較大等光譜特征；道路之間具有相互交叉形成網絡，且城市道路通常與建筑物相鄰的拓撲特性。根據上述對遙感圖像路面特征的分析，將這些形狀、紋理、光譜等特征作為提取規則添加到知識庫中。

2.1.4 初步提取

先從遙感影像中提取出主要道路，由于影像上的道路灰度值差異較大，因此建立了兩種道路類進行提取，分別將兩種道路類提取規則命名為road1、road2。道路類road1的提取規則：影像對象在近紅外波段的灰度值的平均值的范圍為[40，80]，在藍光波段的灰度值的平均值的范圍為[50，150]，在綠光波段的灰度值的平均值的范圍為[55，255]，影像對象的面積的取值范圍為[400，30000]，影像對象的長度大于250，延伸性大于1.95。道路類road2的規則：影像對象在近紅外波段的灰度值的平均值的范圍為[0，150]，在藍光波段的灰度值的平均值的范圍為[100，229]，在綠光波段的灰度值的平均值的范圍為[200，255]，在紅光波段的灰度值的平均值的范圍為[100，220]，影像對象的面積取值范圍為[400，30000]，影像對象的長度大于250，延伸性大于1.95。

2.1.5 提取結果修正

利用面向對象法能夠較好地從高分辨率遙感影像中提取出道路，但提取結果仍有不足之處，出現了錯分與漏分的現象以及道路不連續的現象。產生這些現象的原因主要包括相機不一致的光譜響應、大氣擾動、不正確的定標和相機角度等，導致影像上道路的灰度值超出所設定的范圍，從而未能夠提取出道路信息；道路周圍的樹木和建筑物對道路產生遮擋，導致在分割過程中將一條道路分割成多個對象，使提取后的道路大都呈現出斷裂的現象，過多的樹木甚至將整段道路遮擋，無法從影像中提取出完整道路；在分割過程中由于道路與周圍地物的灰度值相似，容易將道路與周圍的建筑物識別為同一對象；某些地物與道路在灰度值與形狀上具有相似性，在提取過程中會將這些地物誤提取為道路。

針對上述影響提取精度的因素，采取如下改進方法：反復調整知識庫中的規則，直到提取的結果到達一定的準確度；通過人工參與判讀識別的方法，進行少量人工修正。修正前后的提取結果（如圖3、圖4所示）：

圖3 初步提取結果圖

圖4 修正后的道路提取結果

2.2 分析與評價

從提取結果可以看出，使用面向對象法能夠較好地提取出實驗區的道路，提取結果形態完好且具有較高的可利用性。面向對象方法與傳統的基于像元的提取方法相比，具有以下優點：

（1）通過影像分割能夠處理噪聲區域和周邊的孤立像元，將這些像元一起融入特定的影像對象中，而在影像分析時該影像區域則表現為同一影像對象；

（2）綜合運用道路的多種特征，不僅充分表達了影像上道路的形狀、空間、光譜特征，而且綜合其幾何特征與空間特征等相關輔助信息，有效地提高了提取結果的質量，但是，面向對象法也存在一些局限性，它需要道路與周圍的背景有較大反差，但實際上，在城市的高分辨率遙感影像中，由于傳感器拍攝角度的問題，導致高層建筑物可能會對道路產生遮蔽，且道路周圍的建筑物與道路的灰度特征相近，這為影像分割尺度的選擇帶來困難，可以借助其他信息來輔助影像分割和提取。

3.結束語

本文采用面向對象方法在高分辨率遙感影像中進行道路提取，對面向對象方法在影像特征提取中的優勢和不足進行了分析和總結。面向對象突破了傳統方法僅分析單一像元光譜信息的弊端，以對象為基本單元，有效運用了遙感影像上對象之間的上下文關系，進而建立專家知識庫，在基于遙感影像的道路的提取和更新應用等方面，具有一定的實際意義和推廣性。但如何確定最佳分割尺度和構建功能更完善的知識庫，是需要進一步研究的問題。