影像與LiDAR數(shù)據(jù)信息融合復雜場景下的道路自動提取

李怡靜，胡翔云，張劍清，江萬壽，張永軍

1.武漢大學 遙感信息工程學院，湖北 武漢 430079；2.南昌大學 建筑工程學院，江西 南昌 330031；3.武漢大學 測繪遙感信息工程國家重點實驗室，湖北 武漢 430079

1 引 言

道路與人們日常生活密切相關，是GIS數(shù)據(jù)的重要組成部分之一，準確、高精度的道路信息對于城市規(guī)劃、交通控制以及應急響應等很多行業(yè)具有重要的作用?；谟跋竦牡缆诽崛⊙芯恳恢笔墙?0年遙感領域的重要研究課題，許多策略和算法亦取得了不同程度上的成功。早期的研究多針對中低分辨率遙感影像，道路特征明顯，并出現(xiàn)了一些經(jīng)典的提取算法，如動態(tài)規(guī)劃算法［1－2］、snake及其擴展模型［3－4］等。隨著高分辨率遙感影像的廣泛應用，加上其提供的豐富信息給提取工作帶來的挑戰(zhàn)性，使得從高分辨率影像中提取道路成為研究的熱點和難點。文獻［5］通過面狀道路和道路邊緣邏輯互運算，利用形狀指數(shù)獲取道路區(qū)域；文獻［6］同樣利用形狀特征，結合局部灰度一致性的圖像分割進行道路中線提?。晃墨I［7］結合相位編組原理及動態(tài)規(guī)劃法提取道路線段；文獻［8—9］利用角度紋理特征提取道路中線；文獻［10—11］將形態(tài)學用于道路線的提取。但是對于高分辨率影像中的復雜場景，存在大面積的陰影遮擋及細節(jié)干擾，僅利用道路的幾何和光譜信息提取正確完整的結果異常困難。

LiDAR作為一種高效的空間數(shù)據(jù)采集技術，其應用在近幾年發(fā)展迅猛，這使得LiDAR點云的處理和分類研究受到了廣泛關注。目前，已有不少學者提出基于LiDAR數(shù)據(jù)的道路提取策略。如文獻［12］提出基于特征約束的道路激光點提取方法，以高程、強度約束道路點云、點密度和區(qū)域面積優(yōu)化結果。文獻［13］針對道路路面掃描點特征，結合點云法向量分布特點，提出一種基于法向量模糊聚類的道路點云數(shù)據(jù)濾波算法。LiDAR技術可以避免陰影和部分遮擋對道路提取的影響，但大量不規(guī)則不連續(xù)點云卻缺乏影像的光譜和語義信息。文獻［14］結合LiDAR和高分辨率遙感影像利用hough變換檢測帶狀道路基元，對城區(qū)道路中線進行提取，但該方法受限于格網(wǎng)分布的道路；文獻［15］在動態(tài)規(guī)劃代價函數(shù)中引入LiDAR數(shù)據(jù)的高程信息，并結合影像提取道路中線，但該方法需人工輸入控制點。

相對于地物稀少且道路特征明顯的鄉(xiāng)村地區(qū)，復雜場景多指城市區(qū)域，道路周圍地物種類、形狀繁多，高樓、樹木對路面產生遮擋和大面積陰影，這些因素嚴重影響了提取工作，且高分辨率影像中的城市道路含有豐富的細節(jié)信息，如汽車、分道線等，加大了道路建模的難度。越來越多的道路提取方法在向多信息、多策略相結合的方向發(fā)展，但對于高分辨率影像中的復雜場景，目前少有有效的方法提取道路線。

信息融合是指為完成決策和估計任務而利用計算機技術對按時序獲得的若干傳感器的觀測信息在一定準則下加以自動分析、綜合的信息處理過程?；谠撍枷耄疚膶iDAR數(shù)據(jù)和遙感影像信息融合，自動提取高分辨率影像中復雜場景的道路。具體流程見圖1。

圖1 結合兩種數(shù)據(jù)的道路提取流程Fig.1 Flow chart of road extraction

2 結合LiDAR和影像的道路模型

道路作為城市中不可缺少的人工地物有其自身特點，主要表現(xiàn)在：道路高程基本等于或略大于地面高程，且表面平坦；道路表面灰度差別小，而道路與周邊區(qū)域灰度差異較大；道路表面材料均勻，對激光的反射率基本一致；道路都有一定的長度，不會很短且形狀平滑等。

這些道路特征分別在LiDAR數(shù)據(jù)與高分辨率遙感影像上有不同體現(xiàn)：道路高程近似等于地面高程，而高于地表面的建筑物和樹木可以通過點云濾波區(qū)分，尤其是部分光譜特性與道路極為相似的建筑物屋頂，在遙感影像上會產生異物同譜現(xiàn)象，而在LiDAR數(shù)據(jù)中表現(xiàn)為高程差異較大的點云，可較好地分離；道路路面平坦連續(xù)，打在路面的激光點云高程變化率較小近似平面；LiDAR數(shù)據(jù)的多次回波，可獲取部分被遮擋路面點云，強度信息亦是區(qū)分植被、路面等不同材質地物的有效途徑，且不受復雜場景中陰影的干擾；高分辨率遙感影像含有道路的豐富光譜信息和細節(jié)變化，相對于噪聲較大的強度數(shù)據(jù)，其精度更高，利于道路模型的優(yōu)化計算。但正因為其豐富的細節(jié)，如汽車、分道線、陰影、隔離帶等，使得直接在高分辨遙感影像上提取道路困難重重。因此采用分級的思想，以精度不高的點云強度信息獲取初級的道路線和關鍵點，再引入高分辨率遙感影像的光譜信息與點云強度和離散度融合，進行道路關鍵點和道路線的優(yōu)化，可自動獲取比較可靠的結果。

2.1 基于點云強度的初始道路中線提取

2.1.1 生成地面點強度影像

機載激光掃描數(shù)據(jù)濾波算法有數(shù)學形態(tài)學濾波、移動窗口濾波、迭代線性最小二乘濾波、基于坡度的濾波、啟發(fā)式濾波和移動曲面濾波［13］等。本文采用多方向地面點濾波法［16］，該算法在去除了局外點并進行格網(wǎng)差值后，通過計算每個點與局部最低點和最鄰近點間高差，以及與多個方向上前一點的坡度來實現(xiàn)地面點濾波。

高程濾波難以區(qū)分的道路表面和植被具有較大的強度差異，將濾波后地面點強度量化至0～255區(qū)間，生成地面點強度影像，利于去除植被的干擾，提取初始道路。為突出道路區(qū)域，非地面點強度被設置為零，并將量化后的強度像素值取反，則生成的影像中道路表現(xiàn)為較為明亮的帶狀區(qū)域，植被表現(xiàn)為較暗的灰色區(qū)域（見圖2（b）），這樣利于后續(xù)初始道路的提取工作。

2.1.2 提取初始道路中線及關鍵點

首先采用一種線性探測器［17］探測地面點強度影像中道路的中心區(qū)域。該影像中的道路表現(xiàn)為較周圍明亮的帶狀區(qū)域，算法利用此特征建立一維探測窗口沿影像水平方向移動，將窗口內像素灰度值排序，通過計算窗口中心點的排名順序判斷該點是否為道路中心點。

將道路中心區(qū)域進行Hilditch細化并曲線跟蹤，由于強度噪聲較大，且有停車場、空地等與道路相聯(lián)通區(qū)域的干擾，會出現(xiàn)提取的中線被斷開，以及產生錯誤的短線。結合道路的幾何特征，對跟蹤后的結果進行篩選，去除較短和曲率較大的錯誤線段。對余下的道路基元進行共線鏈編組［18］，將斷裂部分連接形成初始道路中線（見圖2（c））。道路關鍵點必須是道路中線點，將其初定為每條道路線的幾何特征點。利用道格拉斯算法壓縮初始道路線，保留的形狀特征點即為初始關鍵點（見圖2（c））。

圖2 Fig.2

2.2 多重信息融合的最優(yōu)道路提取

2.2.1 多重信息的融合

道路邊緣灰度的階躍性及道路內部灰度的一致性是最為常見的提取線索，但對于高分辨率影像中較為復雜的場景，單憑這些線索可靠性不高。如道路中的隔離帶、斑馬線等易產生影像灰度跳躍，而嚴重的陰影和遮擋使道路失去了明顯的邊緣特性。

為進一步獲取更加可靠及完整的道路中線，將遙感影像的灰度和LiDAR的點云離散度、強度值進行多重信息的融合，為道路的優(yōu)化提供多條線索。

LiDAR數(shù)據(jù)中，區(qū)域點云分布越近似平面，點云的離散程度越小。道路表面平坦連續(xù)，對于濾波后的地面點，離散度越小的點云是路面點的可能性就越大。離散度反映了點云的高程變化情況，因此，將點云鄰近范圍內的高差均方差作為該點離散度指標，用于多重信息的融合穩(wěn)定可靠。

將地面點離散度值量化，并與量化后的地面點的強度值及對應的高分辨率遙感影像的灰度值融合成一張三通道的融合影像。融合方法如以下公式所示

式中

式中，hij為i點一定鄰近范圍的激光點高程；hi為該范圍所有點高程平均值；Ii和L分別表示點強度及灰度，R、G、B分別表示融合影像三通道值。融合影像如圖3（a）所示。

圖3 Fig.3

2.2.2 關鍵點驗證與優(yōu)化

關鍵點是后續(xù)道路模型最優(yōu)計算的種子點，必須是道路點。每條道路線含有若干個初始關鍵點，這些點是由地面點強度信息提取的初始道路線的形狀特征點，將多重信息融合來驗證這些點是否為道路點，并對部分進行優(yōu)化。對每個初始關鍵點進行驗證，綜合評價該點鄰近范圍內點云強度，離散度及對應遙感影像灰度的變化率。如圖4所示，k是初始道路線L的初始關鍵點，為驗證該點是道路點，以該點為中心，取半徑為最小道路寬度的臨近范圍內所有像素進行驗證。步驟如下：

（2）滿足條件，則k為關鍵點，并進行下個初始點的驗證；

（3）不滿足條件，則沿關鍵點所在道路線方向前進一個步長（見圖4），重新選取該道路線上點k1重復步驟1、2，直到找到滿足條件的關鍵點；

（4）當?shù)竭_道路線終點仍未找到滿足條件關鍵點，則去除此條初始道路線，再驗證下一條道路線的初始關鍵點。

圖4 關鍵點驗證與優(yōu)化Fig.4 Verification and optimization of key points

2.2.3 建立代價函數(shù)與最優(yōu)計算

將道路中心線的提取轉化為一個多路徑?jīng)Q策優(yōu)化問題，并利用點云強度、離散度及影像灰度建立代價函數(shù)，通過動態(tài)規(guī)劃算法將多重信息融合計算各階段多路徑最優(yōu)解，從而實現(xiàn)道路的優(yōu)化（見圖3（b））。

依據(jù)主要道路特征建立道路模型的代價函數(shù)：

（1）小范圍內道路平坦，高程變化小，對應融合影像中高程均方差通道，則有

式中，f（s）為道路線函數(shù)；Δsi為討論的某一段道路；hSD為融合影像的高程均方差通道值。

（2）道路面材質相同，對激光反射率小，對應融合影像中強度通道，則有

式中，I為融合影像的強度通道值。

（3）道路灰度應有一定的連續(xù)性，局部變化量小，則有

式中，g為融合影像的灰度通道值。

（4）道路方向不會扭曲且變化緩慢，所以有

綜合上述特征，道路模型的代價函數(shù)可表示為：E＝aE1＋bE2＋cE3＋E4，其中，a、b、c為權重系數(shù)。

每條道路的相鄰關鍵點分別作為動態(tài)規(guī)劃計算的起點和終點，如圖5所示，兩點間劃為n個階段，每個階段上沿垂直于初始道路方向一定寬度的所有像素與始末關鍵點共同構成了候選多路徑，依據(jù)上述代價函數(shù)最小進行優(yōu)化計算。

圖5 多路徑優(yōu)化Fig.5 Multi－path optimization

3 試 驗

試驗1中的LiDAR數(shù)據(jù)由Leica ALS50系統(tǒng)獲取，點密度為4pts／m2。遙感影像由高分辨率DMC面陣相機采集，8cm分辨率，分近紅外、紅、綠3個波段。該組數(shù)據(jù)所含場景位于德國斯圖加特市內Vaihingen鎮(zhèn)，其復雜程度主要表現(xiàn)為：地物繁多且密集，如高矮樹木、綠地、房屋和停車場等；道路模式變化多樣，縱橫交錯；較多路面被樹木和房屋的陰影遮蓋；道路寬度不一，路邊沒有明顯邊緣。由于植物對近紅外波段十分敏感，為充分利用此特征，影像融合的第3通道取值由原始遙感影像的近紅外比值取反代替（見圖3（c）），即

利用該融合影像對道路線進行多路徑優(yōu)化可提高復雜場景下提取結果的可靠性。圖6為未使用和使用多信息融合的動態(tài)規(guī)劃提取結果的比較，未使用多信息融合時誤提取的部分道路（見圖6（a）），在使用多信息融合時就能夠被正確提取出來（見圖6（b））。圖7（a）為本方法自動提取的結果，其中，矩形框標注范圍放大顯示后為圖7（b），這兩塊區(qū)域存在大面積的陰影遮擋，道路基本沒有邊緣，但利用本方法得到了較好的提取結果。依據(jù)文獻［20］定義的道路提取的完整度和準確度計算公式

試驗1的完整度為82.0%，準確度為88.3%，比未使用多信息融合時提高了22.1%。

圖6 Fig.6

試驗數(shù)據(jù)2的LiDAR數(shù)據(jù)由Optech ALTM系統(tǒng)獲取，點云密度為6pts／m2。遙感影像由UltraCam－D相機采集，15cm分辨率。該組數(shù)據(jù)所含場景位于加拿大多倫多市，場景復雜情況主要表現(xiàn)在：高樓密集、遮擋嚴重；大面積的陰影覆蓋路面；沒有明顯道路邊緣。圖8為該區(qū)域的提取結果，相對于人工提取，其完整度為91.8%，準確度為92.4%。筆者將該組數(shù)據(jù)與文獻［14］的提取結果相比較，圖9兩處橢圓框標注了兩種方法所得結果的差異。一處標注內道路出現(xiàn)拐角，文獻［14］沒有提取出；另一處標注內沒有道路，文獻［14］將其誤提取，而本方法均得到了正確的結果。

圖7 Fig.7

圖8 試驗2提取結果Fig.8 Automatic extraction result of experiment 2

圖9 Fig.9

4 結 論

本文將LiDAR數(shù)據(jù)和高分辨率遙感影像相結合，先利用激光點的高程和強度信息提取初始的道路線和關鍵點，可避免陰影和部分遮擋的影響，再利用多重信息驗證和優(yōu)化關鍵點，將道路提取轉換為多路徑優(yōu)化問題，將點云強度、離散度和影像灰度融合在代價函數(shù)中，并以關鍵點為種子點利用動態(tài)規(guī)劃算法對道路線進行優(yōu)化。最后通過試驗驗證了該方法對大面積陰影遮擋的復雜場景提取道路的可行性，但對于沒有強度信息的LiDAR數(shù)據(jù)，則限制了它的應用。

方法實現(xiàn)參數(shù)較多，閾值的選擇會影響提取結果。后續(xù)的研究工作將針對目前的方法作如下改進：① 降低方法對參數(shù)閾值的依賴，如利用基于機器學習的方法自適應確定參數(shù)閾值，以提高方法的實用性；②利用更多高分影像上的信息尋找關鍵點存在的線索，如上下文信息等，以提高方法的可靠性。

［1］ GRUEN A，LI H H.Road Extraction from Aerial and Satellite Images by Dynamic Programming［J］.ISPRS Journal of Photogrammetry and Remote Sensing，1995，50（4）：11－20.

［2］ GRUEN A，LI H H.Semi－automatic Linear Feature Extraction by Dynamic Programming and LSB－Snakes［J］.Photogrammetric Engineering and Remote Sensing，1997，63（8）：985－995.

［3］ HONG Richang，WU Xiuqing，LIU Yuan，et al.Research on Roads Automatic Extraction from Low Resolution Remote Sensing Image［J］.Journal of Remote Sensing，2008，12（1）：37－44（洪日昌，吳秀清，劉媛，等.低分辨率遙感影像中道路的全自動提取方法研究［J］.遙感學報，2008，12（1）：37－44.）

［4］ AGOURIS P，STEFANIDIS A，GYFTAKIS S.Differential Snakes for Change Detection in Road Segments［J］.Photogrammetric Engineering ＆ Remote Sensing，2001，67（12）：1391－1399.

［5］ LI Xiaofeng，ZHANG Shuqing，HAN Fuwei，et al.Road Extraction from High－Resolution Remote Sensing Images Based on Multiple Information Fusion［J］.Acta Geodaetica et Cartographica Sinica，2008，35（2）：179－183（李曉峰，張樹清，韓富偉，等.基于多重信息融合的高分辨率遙感影像道路信息提?。跩］.測繪學報，2008，35（2）：179－183.）

［6］ LEI Xiaoqi，WANG Weixing，LAI Jun.A Method of Road Extraction from High－Resolution Remote Sensing Images Based on Shape Features［J］.Acta Geodaetica et Cartographica Sinica，2009，38（5）：457－464.（雷小奇，王衛(wèi)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）：457－464.）

［7］ ZHOU Shaoguang，XU Yong.To Extract Roads with No Clear and Continuous Boundaries in RS Images［J］.Acta Geodaetica et Cartographica Sinica，2008，37（3）：301－307.（周紹光，徐勇.在高分辨率遙感影像中提取無清晰連續(xù)邊緣線的道路［J］.測繪學報，2008，37（3）：301－307.）

［8］ ZHOU Shaoguang，LIU Juanjuan，CHEN Renxi.New Method to Extract Roads in Urban Area from High－Resolution Remote Sensing Imagery［J］.Computer Engineering and Applications，2010，46（32）：216－219.（周紹光，劉娟娟，陳仁喜.從高分辨率遙感影像中提取城市道路的新方法［J］.計算機工程與應用，2010，46（32）：216－219.）

［9］ ZHANG Rui，ZHANG Jixian，LI Haitao.Semi－automatic Extraction of Ribbon Roads from High Resolution Remotely Sensed Imagery Based on Angular Texture Signature and Profile Match［J］.Journal of Remote Sensing，2008，12（2）：225－232.（張睿，張繼賢，李海濤.基于角度紋理特征及剖面匹配的高分辨率遙感影像帶狀道路半自動提?。跩］.遙感學報，2008，12（2）：225－232.）

［10］ ZHU Changqing，WANG Yaoge，MA Qiuhe，et al.Road Extraction from High－Resolution Remotely Sensed Image Based on Morphological Segmentation［J］.Acta Geodaetica et Cartographica Sinica，2004，33（4）：347－351.（朱長青，王耀革，馬秋禾，等.基于形態(tài)分割的高分辨率遙感影像道路提?。跩］.測繪學報，2004，33（4）：347－351.）

［11］ LI Liwei，LIU Jiping，YIN Zuowei.Road Extraction from High Resolution Remote Sensing Image Based on Mathematic Morphology［J］.Remote Sensing Information，2005（5）：9－11.（李利偉，劉吉平，尹作為.基于數(shù)學形態(tài)學的高分辨率遙感影像道路提?。跩］.遙感信息，2005（5）：9－11.）

［12］ XU Jingzhong，WAN Youchuan，LAI Zulong.Multi－scale Method for Extracting Road Centerlines from LiDAR Datasets［J］.Infrared and Laser Engineering，2009，38（6）：1099－1103.（徐景中，萬幼川，賴祖龍.機載激光雷達數(shù)據(jù)中道路中線的多尺度提取方法［J］.紅外與激光工程，2009，38（6）：1099－1103.）

［13］ YAN Li，ZHANG Yi.Road Points Cloud Filtering Based on Fuzzy Clustering of Normal Vectors［J］.Geomatics and Information Science of Wuhan University，2007，32（12）：1119－1122.（閆利，張毅.基于法向量模糊聚類的道路面點云數(shù)據(jù)濾波［J］.武漢大學學報：信息科學版，2007，32（12）：1119－1122.）

［14］ HU Xiangyun，TAO C V，HU Yong.Automatic Road Extraction from Dense Urban Area by Integrated Processing of High Resolution Imagery and LiDAR Data［C］∥International Society for Photogrammetry and Remote Sensing.［s.l.］：ISPRS，2003：388－400.

［15］ LIU Xiaoping，ZHU Xiaoqiang，YU Ye，et al.The Improved Extraction of Urban Roads Based on Dynamic Programming［J］.Journal of Engineering Graphics，2010（4）：183－188.（劉曉平，朱曉強，余燁，等.基于動態(tài)規(guī)劃的城市道路提取改進算法［J］.工程圖學學報，2010（4）：183－188.）

［16］ MENG Xuelian，WANG Le，SILVAN J L，et al.A Multi－directional Ground Filtering Algorithm for Airborne LiDAR［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2009，64（1）：117－124.

［17］ SHAO Yuanzheng，GUO Bingxuan，HU Xiangyun，et al.Application of a Fast Linear Feature Detector to Road Extraction from Remotely［J］.Applied Earth Observations and Remote Sensing，2011，4（3）：626－631.

［18］ HU Xiangyun.Automatic Extraction of Linear Objects and Houses from Aerial and Remote Sensing Imagery［D］.Wuhan：Wuhan University，2001.（胡翔云.航空遙感影象線狀地物與房屋的自動提?。跠］.武漢：武漢大學，2001.）

［19］ HEIPKE C，MAYER H，WIEDEMANN C.Evaluation of Automatic Road Extraction［J］.International Archives of Photogrammetry and Remote Sensing，1997，32（Part 3－2W3）：47－56.

［20］ CRAMER.M.The DGPF Test on Digital Aerial Camera Evaluation——Overview and Test Design［J］.Photogrammetrie Fernerkundung Geoinformation，2010（2）：73－82.