基于主動輪廓線模型的道路矢量與影像配準研究

江 滔

（中鐵第四勘察設計院集團有限公司 武漢 430063）

影像地圖作為新型地圖的一種表現(xiàn)形式，將矢量和遙感影像有機結(jié)合并在線動態(tài)瀏覽，科學、直觀的反映地理環(huán)境和地理現(xiàn)象，已經(jīng)成為地理信息可視化的主要趨勢.然而，由于投影、數(shù)據(jù)模型、數(shù)據(jù)采集以及地圖綜合等眾多方面的差異，影像地圖上的道路矢量與遙感影像在直接套合時容易存在空間位置不一致的情況（如圖1所示），需要對道路矢量進行調(diào)整以與遙感影像相配準.

圖1 道路矢量與影像空間位置不一致Fig.1 Inconsistency between road vector and imagery

現(xiàn)有的配準方法多基于人工操作，工作量較大，用于道路矢量空間位置調(diào)整的時間占據(jù)了影像地圖生產(chǎn)處理時間中相當大的比例，直接影響了影像地圖的生產(chǎn)效率.已有不少學者對自動化的道路矢量與遙感影像配準方法進行了研究.張劍清等基于廣義點攝影測量的原理，提出了一種TM 影像與矢量數(shù)據(jù)配準的方法［1］，該模型建立了矢量數(shù)據(jù)與影像之間的整體映射模型，難以處理道路矢量與影像的局部不一致.有學者將道路交叉點作為配準控制點［2－3］，利用局部的交叉點匹配建立矢量數(shù)據(jù)與影像的局部對應關系.Fortier的方法假設影像上的線段較亮，這一假設并不能總是滿足［2］.Chen提出了AMS （Automatic Multi－Source）自動多源配準的方法［3］，這種方法利用局部模板匹配從SVM 分類后的像元中提取道路交叉點，在Delaunay三角剖分上進行線性拉伸以配準道路.但這種方法需要知道道路的寬度、方向等較明確的幾何先驗信息以建立局部匹配模版.如果缺乏足夠的信息，難以從影像上穩(wěn)健的提取出交叉點，基于交叉點匹配的配準方法難以實現(xiàn).

為改進上述問題，本文提出一種基于主動輪廓線模型的道路矢量與影像配準方法，可在先驗信息匱乏的情況下實現(xiàn)道路矢量與影像的自動配準.

1 方法

1.1 主動輪廓線模型

主動輪廓線模型（Active Contour Models）又稱為Snakes模型，它可以填充圖像處理中圖像低級特征與高級幾何特征之間的鴻溝［4］.其主要思想是利用偏微分方程，將曲線的變形歸結(jié)為能量約束.數(shù)據(jù)點的位置在能量最小化的過程中被移動，而且曲線上的所有點都被影像產(chǎn)生的引力所影響［5］.通過優(yōu)化曲線的位置，不斷的移動曲線逼近影像特征.

主動輪廓線可看作是一條由一系列點集構(gòu)成的參數(shù)化曲線v（s）＝（x（s），y（s））.其中s∈［0，1］，是歸一化的曲線長度，x（s），y（s）是主動輪廓線上點集的x，y坐標.主動輪廓線的總能量被定義為：

Eing（v（s））是圖像能，它驅(qū)使主動輪廓線靠近圖像特征.Eint是內(nèi)部能，它控制著主動輪廓曲線的自然變形，Econ是常量能，允許在主動輪廓曲線變形時加以更高水平的限制，Kass介紹了這種附加能量的形式［4］.

在主動輪廓曲線能量最小化的過程中，參數(shù)化曲線v（s）＝（x（s），y（s））逐漸逼近影像特征.

1.2 基于主動輪廓線模型的曲線移動逼近

主動輪廓線模型在能量最小化的過程中逐漸逼近影像特征，可利用主動輪廓線模型，在缺乏先驗信息的情況下，通過影像本身的能量約束將參數(shù)化的矢量曲線逐漸逼近影像特征.

一方面，道路在高分辨率遙感影像上呈現(xiàn)為狹長的條帶狀，幾乎沒有劇烈的彎曲.因此，在矢量曲線移動逼近的過程中，可由主動輪廓線模型里內(nèi)部能Eint控制曲線的平滑.內(nèi)部能中的α（s），β（s）項控制了Esnake曲線能量最小化過程中彈性能和曲率能的貢獻.可通過設較大的α（s）和β（s）較小的以保證道路的平直或設定較小的α（s）和較大的β（s）以保證道路的光滑.

另一方面，將矢量道路曲線移動靠近影像上的道路，可由主動輪廓線模型里圖像能Eing（v（s））控制矢量參數(shù)化曲線靠近影像的道路特征.如果用梯度定義圖像能，則矢量道路曲線向著道路邊緣梯度增大的方向移動.

這樣，在圖像能和內(nèi)部能的整體作用下，矢量道路曲線在移動的時候保持整體曲線的平滑，并且逐漸靠近影像上的道路特征.在整體能量達到最小時，矢量曲線在保持平滑的同時與道路套合在一起.基于主動輪廓線模型的曲線移動逼近流程可以用圖2來表示.

圖2 基于主動輪廓線模型的曲線移動逼近流程Fig.2 Workflow of the conflation

基于主動輪廓線模型的配準方法將道路矢量通過坐標轉(zhuǎn)換和初始化得到主動輪廓曲線的離散坐標串，并從影像上通過動態(tài)閾值分割提取獲取道路矢量對應的道路特征.在圖像能和內(nèi)部能的整體作用下，主動輪廓曲線進行平滑移動，并且逐漸逼近提取的道路特征.在整體能量達到最小時，道路矢量曲線與道路特征疊合，從而實現(xiàn)道路矢量與影像的配準.

采用動態(tài)閾值分割的方法將影像分割為數(shù)個內(nèi)部灰度均勻一致的區(qū)域［6］，并對每一塊影像分割區(qū)域進行標記.計算每一塊影像分割區(qū)域的形狀特征參數(shù).包括面積參數(shù)、橢圓長軸參數(shù)r1和最大內(nèi)切圓半徑參數(shù)rin.橢圓長軸參數(shù)和最大內(nèi)切圓半徑參數(shù)如圖3所示.

圖3 形狀特征參數(shù)Fig.3 Shape parameters

根據(jù)道路的形狀特征，通過面積參數(shù)選取具有一定大小的影像分割區(qū)域，通過橢圓長軸選取具有一定長度的影像分割區(qū)域，通過最大內(nèi)切圓半徑選取具有一定寬度的影像分割區(qū)域，通過三種形狀特征將道路與非道路分隔開來，選取出與道路矢量特征相一致的影像分割區(qū)域.道路影像分割不提取精確的道路數(shù)據(jù)，其目的是為主動輪廓線模型提供遙感影像上道路的粗略位置信息，從而通過圖像能驅(qū)動主動輪廓線逼近影像道路特征.

將道路矢量經(jīng)坐標轉(zhuǎn)換和離散化，得到初始化的主動輪廓曲線，該曲線為由點集構(gòu)成的參數(shù)化曲線v（s）＝（x（s），y（s））.

傳統(tǒng)的圖像能的定義對初始位置的依賴較大，不能收斂到凹陷的邊界，采用梯度矢量流GVF（Gradient vector flow）能量作為圖像能［7］.定義f（x，y）為灰度圖像的邊緣圖像，則f（x，y）的梯度場為?f（x，y），把梯度場向圖像邊沿迭代擴散，形成擴散的梯度矢量流場，v（x，y）＝（u（x，y），v（x，y）），梯度矢量流能量定義為：

f是從圖像中獲取的邊緣圖，▽2為拉普拉斯算子，參數(shù)μ控制第一項和第二項的權重.

對參數(shù)化曲線的每個離散點可列能量最小化方程：

構(gòu)建方程：

令α＝β，b＝－α－4β，c＝2α＋6β，則方程可以表示為

迭代求解能量方程組，計算得到離散坐標串和結(jié)點的新位置坐標，當新位置坐標與上一位置坐標的差值小于預先設定的閾值條件，則將新位置坐標記為最終結(jié)果，參數(shù)化曲線逐漸逼近道路特征，最終得到與影像精確配準的矢量參數(shù)化曲線.

2 實驗與分析

2.1 實驗數(shù)據(jù)

實驗區(qū)位于云南山區(qū)，實驗區(qū)內(nèi)有約4km的道路通過，道路沿山勢彎曲.獲取了實驗區(qū)2011年SPOT－5 衛(wèi)星全色影像，經(jīng)正射糾正處理后重采樣得到分辨率為3.5 m 的全色正射影像.同時獲取了該區(qū)域的矢量數(shù)據(jù)，該數(shù)據(jù)來源于較早年代的1∶25萬地形圖.將其疊加在所獲取的正射遙感影像上，如圖4 所示，黑色直線為從1∶25萬地形圖數(shù)字化得到的道路矢量數(shù)據(jù)，該數(shù)據(jù)較為陳舊且精度較低，將該區(qū)域道路數(shù)據(jù)以直線表示.

可以看到，因為現(xiàn)勢性和精度的差異，矢量數(shù)據(jù)與影像無法準確套合.為了生產(chǎn)更高精度的與現(xiàn)勢性一致的影像地圖，需要調(diào)整矢量數(shù)據(jù)的位置.傳統(tǒng)作業(yè)方法利用人工手動調(diào)整，本文實驗采用基于主動輪廓線模型的矢量與影像配準方法，以正射遙感影像為基準，自動調(diào)整矢量數(shù)據(jù)的位置.

圖4 原始道路矢量與影像套合Fig.4 Original road vector（black）and imagery

2.2 實驗過程

主動輪廓線模型可以通過影像本身的能量約束，將參數(shù)化的矢量道路曲線逐漸逼近影像道路.

圖5為初始化的道路主動輪廓曲線.對影像進行分割以獲取道路的粗略位置信息，設置面積參數(shù)為5個像素，橢圓長軸參數(shù)為5個像素，最大內(nèi)切圓半徑為3個像素，提取出影像的道路特征（如圖6所示）.

圖7所示為主動輪廓線的自動逼近過程，分別為迭代求解能量方程組中循環(huán)迭代50，100，150，200，250，300次的主動輪廓線位置.

圖5 矢量曲線初始化Fig.5 Initialization of road contour

圖6 影像道路特征提取Fig.6 Road feature segmentation

圖7 利用主動輪廓線模型調(diào)整道路矢量Fig.7 Road deformation by active contour model

主動輪廓曲線自動調(diào)整位置，最終得到了與影像上的山區(qū)道路位置較一致的矢量道路曲線.圖8為最終道路矢量與影像配準的結(jié)果.

圖8 最終配準結(jié)果Fig.8 Final result of the conflation

對比圖4和圖8，與原始數(shù)據(jù)相比，配準后的道路矢量與影像的空間位置一致性得到明顯提升.

圖9為另一實驗區(qū)的實驗結(jié)果.

分析實驗可以看到，在缺乏先驗知識的情況下，從影像提取的道路特征只需影像的主要特征（如圖6，圖9b），基于主動輪廓線模型的配準方法避免了利用先驗知識定義局部模版進行匹配.通過分割可獲取影像上道路的粗略位置，盡管在道路分割中存在噪聲，道路矢量的離散化參數(shù)曲線在能量最小化的過程中仍自動移動逼近地物特征，取得了較好的配準結(jié)果.

圖9 另一實驗區(qū)實驗結(jié)果Fig.9 Another experiment results

3 結(jié)論

本文針對道路矢量與影像空間位置不一致的問題，提出了一種基于主動輪廓線模型的道路矢量與影像配準方法，該方法在缺乏先驗知識的情況下，避免了使用交叉點模版匹配的困難，利用道路矢量的主動輪廓曲線移動逼近道路的影像特征，實現(xiàn)了道路矢量與影像的自動配準.

本文提出的方法改進了影像地圖生產(chǎn)中道路矢量與影像的配準的自動化程度，為提高影像地圖生產(chǎn)效率提供了一種有效的技術手段.該方法針對單條道路數(shù)據(jù)與影像的配準，對于多條道路形成的道路網(wǎng)數(shù)據(jù)配準，需充分利用其網(wǎng)絡拓撲性質(zhì).下一步研究將在本文的基礎上擴展到具有拓撲網(wǎng)絡的道路矢量與影像的自動配準，并在大量數(shù)據(jù)測試的基礎上研究將該研究成果應用于矢量數(shù)據(jù)的自動更新等領域.

［1］張劍清，董 明，張宏偉.TM 影像與GIS矢量數(shù)據(jù)的自動配準［J］.武漢大學學報：信息科學版，2005，30（11）：950－954.

［2］Fortier M A，Ziou D，Armenakis C，et al，Automated correction and updating of road databases from high resolution imagery［J］.Canadian Journal of Remote Sensing，2001，27（1）：76－89.

［3］Chen C C，Knoblock C A，Shahabi C.Automatically conflating road vector data with orthoimagery［J］.GeoInformatica，2006，10：495－530.

［4］Kass M，Witkin A，and Terzopoulos D.Snakes：Active Contour Models［J］.International Journal of Computer Vision，1988，1（4）：321－331.

［5］Cohen L D.On active contour models and balloons［C］∥CVGIP：Image Understanding.March，1991，53（2）：211－218.

［6］Steger C，Ulrich M，Wiedemann C.Machine Vision Algorithms and Applications［M］.Weinheim：Wiley－VCH，2008.

［7］Xu C Y，Jerry L P.Snakes，shapes，and gradient vector flow［J］，IEEE Transactions on Imagery Processing，1998，7（3）：359－369.