基于eCognition的面向?qū)ο筠r(nóng)村公路提取

何 勇，陳昌鳴，熊增連，吳亞坤

(1.重慶交通大學(xué)河海學(xué)院，重慶400074;2.重慶數(shù)字城市科技有限公司，重慶400020)

0 引言

隨著遙感影像分辨率的不斷提高，其中包含的信息量也在不斷的增大。但是信息的提取速度遠(yuǎn)遠(yuǎn)跟不上影像獲取的速度，為了獲取準(zhǔn)確的信息，大多數(shù)還是采用人工解譯的方法進(jìn)行提取。這種方法費(fèi)時費(fèi)力，并且受解譯人員的專業(yè)知識影響較大。因此如何提高信息的提取速度和效率是遙感信息提取與分析領(lǐng)域最重要的研究方向。

道路提取是遙感影像信息提取中很重要的一部分，常用的方法有最小二乘模板匹配算法［1］、Snakes法［2］、LSB-Snakes 模型算法［3］、面向?qū)ο蠓ǎ?］等。其中面向?qū)ο蠓ㄅc傳統(tǒng)的面向像元的分析處理方法不同，它認(rèn)為影像并非由單個像元來代表，而是由包含重要語義信息在內(nèi)的影像對象以及他們之間的相互關(guān)系構(gòu)成。影像對象是指影像分割后的“同質(zhì)”的，連續(xù)的像元的集合［5］。由于對象比像元具有更豐富的意義，可以利用對象的光譜特征，空間紋理特征，形狀大小特征等，對道路進(jìn)行提取。

1 面向?qū)ο蟮缆穼ｎ}信息提取

面向?qū)ο蠓M人類大腦認(rèn)知過程，將圖像分割為不同均質(zhì)的對象，充分利用對象所包含的信息，將知識庫轉(zhuǎn)換為規(guī)則特征，從而提取道路。面向?qū)ο蠓ㄏ鄬τ趥鹘y(tǒng)的基于像元的分析方法，具有不可比擬的優(yōu)勢。它能有效解決高分辨率遙感影像的椒鹽效應(yīng)，在分割的時候就已經(jīng)將噪聲融合進(jìn)對象之中。由于處理的是對象而不是單個的像元，因此能利用對象的紋理特征，拓?fù)涮卣?，幾何特征等信息，提高了提取的精度?/p>

eCognition是全球第一個面向?qū)ο蟮挠跋穹治鲕浖?，它模仿人類思維進(jìn)行影像綜合智能分析和信息提取，具有模糊邏輯分類、模型化、復(fù)雜語意分析及整合多源數(shù)據(jù)等功能。通過人機(jī)交互定義的分割尺度、顏色、形狀等參數(shù)進(jìn)行影像對象分割，以影像對象為基本空間單元進(jìn)行地物目標(biāo)提取，可應(yīng)用于各種專題研究［6］。

筆者以“‘十二五’農(nóng)村道路現(xiàn)狀調(diào)查”為依托，選取重慶市長壽區(qū)東北部區(qū)域?yàn)閷?shí)驗(yàn)區(qū)，采用2009年9月獲取的CBERS 02B HR影像進(jìn)行研究，影像空間分辨率為2.4 m(圖1)。采用eCognition Developer 8.0軟件進(jìn)行實(shí)驗(yàn)，道路提取流程如圖2。

圖1 研究區(qū)影像Fig.1 Image of research area

圖2 道路提取流程Fig.2 Flow of roads extraction

2 面向?qū)ο蠓ㄌ崛∞r(nóng)村道路

2.1 影像預(yù)處理

在對影像進(jìn)行切割，幾何校正后，為了增大地物反差，要對影像進(jìn)行LUT拉伸，從而方便進(jìn)行分割。

2.2 影像分割

影像分割是面向?qū)ο蠓ǖ牡谝徊?，也是最關(guān)鍵的一步，分割質(zhì)量的好壞直接影響到后期分析處理結(jié)果。在這里采用最常用的多尺度分割。多尺度分割采用異質(zhì)性最小的區(qū)域合并算法，目的是實(shí)現(xiàn)分割后影像對象的權(quán)重異質(zhì)性最小化，eCognition能進(jìn)行任意分辨率的區(qū)域合并算法，從而滿足不同尺度地物提取的需要，因此需要設(shè)置分割尺度參數(shù)來控制合并算法的閾限［7］。

農(nóng)村公路寬度較小，分割尺度采用15比較合適，除分割尺度外，還需設(shè)置形狀指數(shù)和緊湊度指數(shù)來保證分割結(jié)果不會太破碎。在清晰分割出道路的同時，要使背景對象與道路對象形狀差異盡可能的大。經(jīng)過多次嘗試，最終將形狀指數(shù)設(shè)為0.9，緊湊度指數(shù)設(shè)置為0.1。分割結(jié)果如圖3。

圖3 影像分割結(jié)果Fig.3 The result of image segmentation

2.3 知識庫構(gòu)建與道路提取

在對道路的提取過程中，知識庫的構(gòu)建至關(guān)重要。在對地物特征進(jìn)行高度抽象概括之后，結(jié)合相關(guān)的知識對其進(jìn)行描述，把這些語義知識轉(zhuǎn)化為規(guī)則，從而實(shí)現(xiàn)道路提取。在對研究區(qū)道路的物理特點(diǎn)和影像特點(diǎn)研究后，通過亮度和形狀兩個特征來構(gòu)建道路提取知識庫，再將這兩個特征轉(zhuǎn)化為規(guī)則進(jìn)行提取。

首先，將對象分為道路和背景兩種，亮度值大于219的對象提取出來歸類為temp01，其余的歸為背景類背景地物，初次提取結(jié)果如圖4。

圖4 初次提取結(jié)果Fig.4 The result of the first extraction

除了道路對象，還有很多亮度值較高的背景對象也被分了進(jìn)來，這些大部分是屬于反射率較高的裸地和屋頂。因?yàn)檗r(nóng)村道路很多是泥結(jié)石等未鋪裝路面，在材質(zhì)上和裸地幾乎一致，僅從光譜特征上很難將其區(qū)分開來，這時要利用形狀特征進(jìn)行道路提取。

2.4 完善道路

農(nóng)村道路不同于城市道路，道路狹窄，路邊樹木較多且地勢復(fù)雜，因此道路經(jīng)常被山體或樹木遮擋，表現(xiàn)為道路被突然中斷或不連續(xù)。為了盡量減少這種誤差，需要將一些道路縫隙連接起來。

2.4.1 生成順直道路段

首先對道路類temp01進(jìn)行分割，生成一段一段的順直道路段，只有這樣，才能保證道路生長方向明確。步驟如下:

1)設(shè)置初始分割尺度參數(shù)fg01=20。

2)設(shè)置分割算法，采用多尺度分割，分割尺度為fg01，形狀指數(shù)為0.9。在這里，要盡可能的生成順直的對象，因此緊湊度指數(shù)也設(shè)置為0.9。

3)在生成的temp01類對象中，豎直的對象(緊湊度＜2)分類為temp02，不再參與分割。

4)分割尺度自減，設(shè)置fg01=fg01×0.9。

5)設(shè)置循環(huán)，當(dāng)fg01＞10時，回到步驟2)繼續(xù)分割，否則退出循環(huán)。

采用這種分割算法，能將道路類temp01打斷，生成順直的temp02類。分割流程如圖5。

圖5 分割流程Fig.5 Flow of segmentation

2.4.2 道路對象生長

道路對象周圍的地物對象形狀大小不一，難以進(jìn)行融合生長，采用像素化邊界對象的辦法能使道路能正確生長，生長流程如圖6。

圖6 生長流程Fig.6 Flow of growing

1)將背景地物類合并為一個對象，如圖7(a)。

2)在背景地物類與temp02類邊界處，對背景地物類進(jìn)行棋盤分割，分割大小為1個像素，目的是使其交界處邊緣像素化，便于進(jìn)行道路生長。

3)采用image object fusion算法進(jìn)行生長，設(shè)置長度擬合函數(shù)，目標(biāo)權(quán)重為1，種子權(quán)重為－1，候選地物權(quán)重為0，長度擬合函數(shù)閾限為Length＞0 Pxl，由此得到長度擬合函數(shù)TL－SL＞0。TL是目標(biāo)對象長度，SL是種子對象長度。計算機(jī)根據(jù)此函數(shù)自動進(jìn)行計算，得到最佳融合方式，使temp02類中的順直對象沿著主方向生長。

4)設(shè)置grow region算法，把背景地物類中，與temp02類相鄰的，均值大于220的，融合進(jìn)temp02中。此步驟的作用是加快融合進(jìn)度，特別是要融合那些被當(dāng)做雜斑去掉的道路對象。

用上述規(guī)則對背景地物進(jìn)行反復(fù)分割，融合，循環(huán)8次后停止，結(jié)果如圖7(b)。

圖7 道路縫隙連接Fig.7 Connection of the road gap

2.4.3 連接道路

1)首先要分離生長部位，把它歸為一個新的類temp03，如圖7(c)。

2)設(shè)置connector算法，將temp02類的道路段通過temp03類連接起來。并將剩余的temp03類合并到背景地物類中，如圖7(d)。

3 結(jié)果評價

最后得到的temp2類就是道路提取結(jié)果，如圖8。結(jié)合目視解譯結(jié)果，采用Wiedemann［8］提出的完全率(Completeness)、正確率(Correctness)、提取質(zhì)量(Quality)這3個指標(biāo)來評價道路。完全率=提取正確道路長度/實(shí)際道路長度;正確率=提取正確道路長度/提取出的道路總長度;提取質(zhì)量=提取正確的道路長度/(提取出的道路總長度+未提取出的道路長度)。

圖8 農(nóng)村公路提取結(jié)果Fig.8 Result of rural roads extraction

最后面向?qū)ο蠓ㄌ崛〗Y(jié)果為:完全率=0.87，正確率=0.94，提取質(zhì)量=0.82。采用面向像元的方法對道路進(jìn)行提取(監(jiān)督分類)，得到結(jié)果為:完全率 =0.69，正確率 =0.81，提取質(zhì)量 =0.59。從圖9的結(jié)果對比可以看出，面向?qū)ο蠓ㄔ谶@3個指標(biāo)上均要優(yōu)于面向像元的方法。

圖9 提取結(jié)果對比Fig.9 Comparison of the results

4 結(jié)語

1)采用面向?qū)ο蠓ㄌ崛∞r(nóng)村道路，在對影像進(jìn)行分割后，根據(jù)道路的光譜特征和幾何特征構(gòu)建了知識庫，并將知識庫轉(zhuǎn)換為規(guī)則對道路進(jìn)行提取。與面向像元的方法進(jìn)行比較，能看出面向?qū)ο蠓ň哂懈玫奶崛【取?/p>

2)面向?qū)ο蠓ㄏ鄬τ诿嫦蛳裨姆椒?，能有效的抑制雜斑的生成并提高空間信息的利用效率。

3)面向?qū)ο蠓ㄌ幚淼哪繕?biāo)是具有豐富語義的對象而非像元，提取過程更加靈活，從而提高提取精度。

［1］ 胡翔云.航空遙感影象線狀地物與房屋的自動提取［D］.武漢:武漢大學(xué)，攝影測量與遙感系，2001.

［2］ 肖志強(qiáng)，鮑光淑.一種從SAR圖像中提取城市道路網(wǎng)絡(luò)的方法［J］.測繪學(xué)報，2004，33(3):264-268.

Xiao Zhiqiang，Bao Guangshu.A method of extract road from SAR image［J］.Acta Geodaetica et Cartographica Sinica，2004，33(3):264-268.

［3］ Gruen A，Li H H.Semiautomatic linear feature extraction by dynamic programming and LSB-snakes［J］.Photogrammetric Engineering＆ Remote Sensing，1997，63(8):985-995.

［4］ 李朝峰，曾生根，許磊.遙感圖像智能處理［M］.北京:電子工業(yè)出版社，2007.

［5］ 胡進(jìn)剛，張曉東，沈欣，等.一種面向?qū)ο蟮母叻直媛视跋竦缆诽崛》椒ǎ跩］.遙感技術(shù)與應(yīng)用，2006，21(3):184-188.

Hu Jingang，Zhang Xiaodong，Shen Xin，et al.An extraction road method based on object-oriented thought［J］.Remote Sensing Technology and Application，2006，21(3):184-188.

［6］ 施益強(qiáng)，朱曉玲，藺方.基于多因子對象的高空間分辨率遙感影像道路提?。跩］.集美大學(xué)學(xué)報，2010，15(4):312-316.Shi Yiqiang，Zhu Xiaoling，Lin Fang.Based on multi-factor objects of high spatial resolution remote sensing image road extraction［J］.Journal of Jimei University，2010，15(4):312-316.

［7］ 孫曉霞，張繼賢，劉正軍.利用面向?qū)ο蟮姆诸惙椒◤腎KONOS全色影像中提取河流和道路［J］.測繪科學(xué)，2006，31(1):62-63.

Sun Xiaoxia，Zhang Jixian，Liu Zhengjun.Using object-oriented classification method from IKONOS panchromatic images to extract the rivers and roads［J］.Science of Surveying and Mapping，2006，31(1):62-63.

［8］ Wiedemann C，Heipke C.Empirical evaluation of automatically extracted road axes［J］.CVPR Workshop on Empirical Evaluation Methods in Computer Vision，1998，239:172-187.