高分辨率遙感影像道路信息提取方法研究

胡張武

(安徽省第四測繪院，安徽合肥230031)

高分辨率遙感影像道路信息提取方法研究

胡張武

(安徽省第四測繪院，安徽合肥230031)

隨著遙感技術(shù)的發(fā)展以及各種先進遙感傳感器的出現(xiàn)，高分辨率遙感技術(shù)不斷應(yīng)用于實際，根據(jù)光譜特征分類的圖像存在道路與居民地的混淆，受交通工具和行道樹等影響容易產(chǎn)生道路中的空洞和毛刺等。以蕪湖地區(qū)IKONOS影像為例，利用ERDAS、Matlab軟件可以很好地解決道路與居民地混淆的問題，以及利用數(shù)學(xué)形態(tài)學(xué)的相關(guān)算法和形狀指數(shù)去除道路信息提取過程中的各種噪聲等，最終完成道路信息網(wǎng)的提取。

高分辨率影像;道路提取;數(shù)學(xué)形態(tài)學(xué);形狀指數(shù);IKONOS

一、引 言

隨著城市的發(fā)展，城市的交通成為制約著城市發(fā)展的重要因素，道路作為一種重要的地物現(xiàn)象越來越受到關(guān)注。如何利用遙感影像對道路進行自動識別與提取，對于GIS數(shù)據(jù)的更新、影像匹配、目標(biāo)檢測、數(shù)字測圖自動化，以及對于城市規(guī)劃、土地利用管理、交通管理、災(zāi)害監(jiān)測都有十分重要的應(yīng)用價值。衛(wèi)星影像提供了地球表面的重要信息。中低分辨率對高精度的GIS應(yīng)用有一定的局限性。高分辨率的傳感器(如IKONOS SPOT Orbit/View等)的出現(xiàn)為影像的高精度解譯提供了更大的可能性。

目前針對道路信息提取的研究主要有以下幾個方面:

1)對道路特征的進一步研究，結(jié)合紋理信息。

2)利用多幅影像建立道路的三維模型，同時考慮道路與其背景物體如建筑物、樹和車等物體之間的關(guān)系，建立一個全局的模型。

3)面向?qū)ο蠓椒ǖ膽?yīng)用。該方法首先應(yīng)用在計算機程序設(shè)計中，它是吸收了軟件工程領(lǐng)域十幾年來的新概念和新方法而發(fā)展起來的一種很有前途的方法，現(xiàn)已廣泛應(yīng)用。其特點是基于對象而不是基于像素來進行影像分析與理解的。

4)與其他領(lǐng)域研究相結(jié)合。道路提取是一個很復(fù)雜的過程，它涉及很多學(xué)科、領(lǐng)域，如數(shù)學(xué)、計算機圖形學(xué)、計算機視覺等。

本文以蕪湖地區(qū)的IKONOS影像為例，在ERDAS以及Matlab軟件上很好地解決了道路與居民地混淆問題，以及利用數(shù)學(xué)形態(tài)學(xué)的相關(guān)算法和形狀指數(shù)去除道路信息提取過程中的各種噪聲等，再利用膨脹運算進行道路斷線連接，利用閉運算、開運算進行道路平滑，最終實現(xiàn)道路信息的提取。

二、研究區(qū)域與研究數(shù)據(jù)

1.研究區(qū)域

本文以蕪湖市區(qū)為研究對象，提取其道路信息。該區(qū)的道路網(wǎng)比較復(fù)雜，主干公路與次級公路交錯。其中居民地與公路相連，在影像上同物異譜現(xiàn)象很嚴(yán)重。試驗數(shù)據(jù)是蕪湖市區(qū)的道路信息。

2.研究數(shù)據(jù)

采用的是蕪湖市高分辨率IKONOS遙感影像，其糾正后的遙感影像如圖1所示。

圖1 糾正后的研究區(qū)影像

該影像IKONOS的參數(shù)為:成像波段:波段(單波段)3(紅色)，0.64～0.72 μm，空間分辨率:4 m;成像時間:2007-08-07。該影像的波段:波段3(紅色)，0.64～0.72 μm;該區(qū)的經(jīng)緯度:N31°17'27.6″～N31°17'55.14″，E118°22'3.31″～E118°22'36.53″。

三、道路信息提取方法研究

1.理論基礎(chǔ)

目前對于道路提取的方法主要分為自動和半自動兩大類。自動道路提取方法是通過認(rèn)識和理解道路影像特征，自動準(zhǔn)確定位道路的位置;半自動道路提取利用人機交互式進行，其主要思路是人工提供道路的初始(種子點)，有時還需提供初始方向，然后計算機再根據(jù)一定的規(guī)則進行處理識別，有時還需要進行適當(dāng)?shù)慕换ィＷC識別的準(zhǔn)確性。

半自動道路提取一般可以分解成4個步驟:①道路影像特征增強;②確定道路的種子點;③跟蹤和擴展種子點，形成道路段;④連接道路段，形成道路網(wǎng)［1］。

半自動道路提取的方法主要有:①基于主動試驗(Active Testing)模型的方法，該方法是Geman和Jedynak提出的基于Snakes或Active Contour模型的方法;②模板匹配方法，該方法是Park和Kim［2］利用自適應(yīng)最小二乘模板匹配方法從1 m分辨率的IKONOS影像中提取道路的中心線;③基于概率論的方法JetStream算法［3］，該方法是一種基于概率論的提取輪廓方法。

自動道路提取方法通過認(rèn)識和理解道路影像特征，自動準(zhǔn)確定位道路的位置。最近出現(xiàn)了很多自動提取道路的方法。為了描述方便，將這些方法分成5類:脊線探測法Hae Yeoun Lee［4］、平行線法Trinder［5］、啟發(fā)推理法、統(tǒng)計模型法和地圖匹配法。這些分類方法不一定很準(zhǔn)確，事實上，很難將一些方法歸到某一類，因為有些方法中可能用到幾種不同的技術(shù)。

近年來，數(shù)學(xué)形態(tài)學(xué)的不斷發(fā)展，使其成為綜合多學(xué)科的交叉科學(xué)，又由于數(shù)學(xué)形態(tài)學(xué)的描述語言是在高維離散空間下的集合論，所以它可以提供一個統(tǒng)一而強大的工具來處理圖像處理中遇到的問題。對于影像分類后處理，數(shù)學(xué)形態(tài)學(xué)方法更顯示了其最大限度保留原始影像信息和消除噪聲的優(yōu)勢，它比傳統(tǒng)的強制聚類和篩選方法更多地考慮了圖像分類后的結(jié)構(gòu)特征，使類的歸并和刪除更趨于科學(xué)合理，使分類處理后的影像在保持了原有的分類信息的同時，更方便了分類影像信息的解譯。

數(shù)學(xué)形態(tài)學(xué)是由一組形態(tài)學(xué)的代數(shù)運算子組成的，它的基本運算有4個:膨脹(或擴張)、腐蝕(或侵蝕)、開啟和閉合，它們在二值圖像和灰度圖像中各有特點?；谶@些基本運算還可推導(dǎo)和組合成各種數(shù)學(xué)形態(tài)學(xué)實用算法，用它們可以進行圖像形狀和結(jié)構(gòu)的分析及處理，包括圖像分割、特征抽取、邊界檢測、圖像濾波、圖像增強和恢復(fù)等。數(shù)學(xué)形態(tài)學(xué)方法利用一個稱作結(jié)構(gòu)元素的“探針”收集圖像的信息，當(dāng)探針在圖像中不斷移動時，便可考察圖像各個部分之間的相互關(guān)系，從而了解圖像的結(jié)構(gòu)特征。數(shù)學(xué)形態(tài)學(xué)基于探測的思想，與人的FOA(focus of attention)的視覺特點有類似之處。作為探針的結(jié)構(gòu)元素，可直接攜帶知識(形態(tài)、大小，甚至加入灰度和色度信息)來探測、研究圖像的結(jié)構(gòu)特點。

數(shù)學(xué)形態(tài)學(xué)的運算種類很多，本文所涉及的主要有以下幾種:定義一個集合A，一個結(jié)構(gòu)元素B，形態(tài)開、閉運算可以用數(shù)學(xué)符號分別表示［6］。

1)膨脹和腐蝕是兩種最基本和最重要的形態(tài)學(xué)運算，也是其他變換或運算的基礎(chǔ)。在以下公式中，A為待處理圖像，B為結(jié)構(gòu)元素。

2)其他形態(tài)學(xué)運算都可以由膨脹和腐蝕派生，主要有以下幾種。

斷開:A○B(yǎng)=(AΘB)⊕B，使用形態(tài)開運算去除影像中的細(xì)小噪聲，同時將影像中一些粘連在道路上的噪聲與道路信息分離。

閉合:A●B=(A⊕B)ΘB。

擊中:A?(B1，B2)=(AΘB1)∩(AΘB2)。

細(xì)化:A○B(yǎng)=A－(A?B)={x:(－B+x)∩A≠?}。

擊中、擊不中變換可用于形態(tài)細(xì)化、形態(tài)修剪，以及形態(tài)目標(biāo)識別等眾多方面，利用形態(tài)細(xì)化完成對道路網(wǎng)絡(luò)信息的細(xì)化、修剪。

2.技術(shù)路線

本文采用的技術(shù)路線如圖2所示。即:①對影像進行預(yù)處理增強道路信息，采用監(jiān)督分類方法對遙感影像進行分類，提取道路類別生成二值影像圖;②利用形狀指數(shù)和面積設(shè)定閾值去除孤立的噪聲信息(如混入的居民點);③運用數(shù)學(xué)形態(tài)學(xué)的膨脹算子將斷線連接;④ 利用面積刪除孤立噪聲，上述步驟反復(fù)進行直至刪除所有可以刪除的噪聲;⑤對無法刪除的噪聲利用手工方法剔除，主要是與道路緊密相連的且面積較大無法利用開運算將其與道路分離，不能通過形狀指數(shù)與面積指數(shù)進行剔除的噪聲;⑥用數(shù)學(xué)形態(tài)學(xué)中閉運算和開運算進行平滑。

文中所用到的形狀指數(shù)t的表達(dá)式為

其中，p為圖斑周長;s為圖斑的面積。

圖2 技術(shù)路線圖

1)地物目標(biāo)分割及圖像的除噪。在分類圖中普遍存在道路與路旁建筑物相連的情況。計算地物的形狀指數(shù)前，要分割相互粘連的地物目標(biāo)，然后才可計算分割后的各地物目標(biāo)的形狀指數(shù)。房屋等建筑物與主干道路往往通過等級較低的細(xì)小道路相連，采用數(shù)學(xué)形態(tài)學(xué)中的開運算能在纖細(xì)點分離物體。開運算定義為先腐蝕后膨脹的過程。經(jīng)過這一步那些同時滿足面積閾值和形狀指數(shù)兩個條件的獨立面狀噪聲就會被刪除。

2)方向膨脹道路斷線連接［6］。經(jīng)第1步處理，僅剩下較小面積的孤立圖斑，局部道路依然斷斷續(xù)續(xù)。以下用結(jié)構(gòu)元素膨脹方法，將斷線道路連接起來。

3)面積閾值法刪除。經(jīng)過方向膨脹的小噪聲圖斑，然后用相同的結(jié)構(gòu)元素對上述圖像作次數(shù)相同的腐蝕運算，以恢復(fù)道路長度。上述步驟可反復(fù)進行，直到消除全部孤立噪聲為止。

4)剩下少數(shù)與道路緊密相連的面狀地物，利用手工的方法剔除。

3.道路信息提取的實現(xiàn)

1)首先在ERDAS軟件中利用蕪湖市地形圖對影像進行糾正;然后利用編輯模板對影像進行監(jiān)督分類，由于道路與建筑物“同物異譜”現(xiàn)象比較嚴(yán)重，在監(jiān)督分類階段很難將道路與居民點等信息完全區(qū)分;最后對分類結(jié)果進行提取產(chǎn)生二值影像，如圖3所示。

圖3 二值影像

2)在二值影像上可以看到有很多噪聲，包括小的孤立的噪聲以及與道路相連的面狀噪聲。道路的線性特征非常明顯，而一般的混雜的居民點信息是非線性的。道路的線性特征結(jié)合面積特征進行噪聲剔除，但是必須與道路分離才能計算形狀指數(shù)以及面積，因此要先進行地物分割。數(shù)學(xué)形態(tài)學(xué)的開運算能夠去除小的圖斑以及在細(xì)部分離物體，利用結(jié)構(gòu)元素［7］對影像進行開運算，如圖4所示。在Matlab軟件上實現(xiàn)開運算的結(jié)果，如圖5所示。

圖4 結(jié)構(gòu)元素

圖5 開運算結(jié)果影像

3)經(jīng)過上述處理仍然存在難以去除的噪聲以及道路的斷線現(xiàn)象。如果再多次進行開運算可以去除孤立的噪聲，但也會出現(xiàn)道路的斷線更加嚴(yán)重的現(xiàn)象?；诖?，本文利用面積閾值以及形狀指數(shù)對噪聲作進一步消除。計算形狀指數(shù)的表達(dá)式為sqrt(［AREA］/［PERIMETER］)。經(jīng)過多次試驗選擇得到的表達(dá)式為“zhishu”＞0.08 AND“zhishu”＜0.1，從而利用其表達(dá)式進行除噪。將選擇的數(shù)據(jù)導(dǎo)出，結(jié)果發(fā)現(xiàn)仍然有部分塊狀圖斑無法除去，主要是圖斑過于不規(guī)則使形狀指數(shù)過小。而輔以面積閾值進行剔除效果則較好。經(jīng)過上述處理，對與道路相連的，面積較大、難以去除的部分，則采用手工編輯的方法分割成多邊形，然后經(jīng)過面積形狀指數(shù)處理得到矢量圖，如圖6所示。

圖6 經(jīng)過面積形狀指數(shù)處理后的矢量圖

4)將生成的矢量圖轉(zhuǎn)化為柵格形式，對于柵格內(nèi)部的孔洞以及道路斷線利用數(shù)學(xué)形態(tài)學(xué)的膨脹運算可填充，實現(xiàn)斷線連接。其結(jié)果如圖7所示。

圖7 矢量化后斷線連接圖

四、結(jié)論與討論

上述處理結(jié)果表明:

1)采用本文的方法對于提取高等級公路是可行的，特別是對于線性特征明顯的水泥、柏油路效果較好。遙感信息的宏觀性對于提取高等級公路是可行的，但筆者注意到提取次級公路以及由于植被覆蓋的道路仍存在著不確定性。

2)在進行數(shù)學(xué)形態(tài)學(xué)的開運算時結(jié)構(gòu)元素的選擇至關(guān)重要，所以需要進行多次試驗并根據(jù)影像及區(qū)域的特點來進行選擇。開運算雖然能夠在細(xì)部分離地物但也會造成道路的損失斷線現(xiàn)象，因而對于面積較大的與道路相連的地物仍需手工干預(yù)。

3)道路提取的準(zhǔn)確程度部分取決于分類的效果，而本文在基于光譜分類時未考慮地物的上下文特征，若能考慮道路的紋理特征來輔助分類，改善分類效果，可以進一步提高道路提取的準(zhǔn)確性。

4)道路提取過程中出現(xiàn)了邊緣的毛刺現(xiàn)象以及道路斷線現(xiàn)象，這些仍需作進一步研究。

［1］ 林宗堅，劉政榮.從遙感影像提取道路信息的方法評述［J］.武漢大學(xué)學(xué)報:信息科學(xué)版，2003，28(1): 90-93.

［2］ PARK S R，KIM T.Semi-automatic Road Extraction Algorithm from IKONOS Images Using Template Matching［C］∥22nd Asian Conference on Remote Sensing.Singapore:AARS，2001:1209-1213.

［3］ PEREZ P，BLAKE A，GANGNET M，et al.Probabilistic Contour Extraction with Particles［C］∥Proc.of Int.Conf on ComputerVision，Vancouve.IEEE，2001(3): 524-531.

［4］ AMINI J，SARADJIAN M R，BLAIS JA R，et al.Automatic Road-side Extraction from Large Scale Image Maps［J］.International Journal of Applied Earth Observation and Geoinformation，2002(4):95-107.

［5］ TRINDER J C，WANG Y.Knowledge-based Road Interpretation in Aerial Images［J］.International Archives of Photogrammetry and Remote Sensing，1998，32(4): 635-640.

［6］ 安如，馮學(xué)智，王慧麟.基于數(shù)學(xué)形態(tài)學(xué)的道路遙感影像特征提取及網(wǎng)絡(luò)分析［J］.中國圖象圖形學(xué)報:A輯，2003，8(7):798-804.

［7］ 李利偉，劉吉平，尹作為.基于數(shù)學(xué)形態(tài)學(xué)的高分辨率遙感影像道路提取［J］.遙感信息，2005(5):9-11.

［8］ 楊淑瑩，胡軍.基于圖像紋理分析的目標(biāo)物體識別方法［J］.天津理工學(xué)院學(xué)報，2001，17(4):31-33.

Research on Methods of Road Extraction from High-resolution Remote Sensing Image

HU Zhangwu

0494-0911(2011)08-0013-04

P237

B

2011-05-25

胡張武(1976—)，男，安徽桐城人，工程師，研究方向為GIS原理與應(yīng)用。