國(guó)外遙感影像道路網(wǎng)提取研究現(xiàn)狀

王長(zhǎng)佳

（61175部隊(duì)，南京 210049）

1 引言

與道路段提取相比，高分辨率影像道路網(wǎng)提取是一個(gè)相對(duì)復(fù)雜的過程，需要將整幅影像上具有連通性的道路識(shí)別出來。 Poullis［1］和Mena［2］全面地將目前高分辨率影像道路網(wǎng)提取方法進(jìn)行總結(jié)，根據(jù)道路網(wǎng)提取過程中知識(shí)的使用程度，將高分辨率影像道路網(wǎng)提取分為三類：①基于像素的道路網(wǎng)提?。虎诨趨^(qū)域的道路網(wǎng)提??；③基于知識(shí)的道路網(wǎng)提取。

2 基于像素的道路網(wǎng)提取方法

基于像素的道路網(wǎng)提取方法主要從像素點(diǎn)中獲取信息來進(jìn)行道路提取。通過檢測(cè)線、邊緣、脊線特征來提取可能的道路點(diǎn)，然后把道路點(diǎn)連接成道路段，最后對(duì)獲得的道路段進(jìn)行高等級(jí)處理獲取道路網(wǎng)。還有一些學(xué)者在探索如何利用其他的像素級(jí)別的信息，例如方向自適應(yīng)濾波（Directional Adaptive Filters）、 邊 界 強(qiáng) 度 與 方 位 信 息 （Magnitude and Orientation）等來進(jìn)行道路網(wǎng)提取。

Yao Lu（2009）分別針對(duì)道路網(wǎng)提取中不可忽視的兩大問題（由異物同譜引起的錯(cuò)誤提取問題以及由路面干擾因素引起的搜索中斷問題）展開研究，設(shè)計(jì)了基于多向跟蹤與單向跟蹤相結(jié)合的道路提取算法（RoadModeler）， 通過初始化道路信息、RoadModeler道路跟蹤、道路后處理等步驟完成道路網(wǎng)提取。驗(yàn)證實(shí)驗(yàn)表明算法能夠有效克服道路提取存在兩大問題，取得了滿意的效果。

Premnath和Madava等（2013）設(shè)計(jì)了一種半自動(dòng)道路網(wǎng)提取算法［3］，通過對(duì)影像進(jìn)行Sobel邊界提取、道路剖面匹配后采用EKF（Extended Kalman Filter）及LLPF（Local Linearization Particle Filter）對(duì)道路進(jìn)行跟蹤，取得了較好的提取效果。

3 基于區(qū)域的道路網(wǎng)提取方法

基于區(qū)域的道路網(wǎng)提取方法首先對(duì)圖像進(jìn)行分割或分類，然后把分割得到的區(qū)域按照一定的規(guī)則不斷細(xì)化篩選，最終得到道路網(wǎng)。

Anil和 Natarajan（2013）采用拓?fù)鋵?dǎo)數(shù)及形態(tài)學(xué)方法提取影像道路網(wǎng)［4］，首先利用拓?fù)鋵?dǎo)數(shù)方法對(duì)影像進(jìn)行分割，然后利用形態(tài)學(xué)方法從分割影像中識(shí)別道路對(duì)象，完成道路網(wǎng)的提取。

Wu和Zhao等（2013）對(duì)QuickBird高分辨率影像城市道路網(wǎng)提取方法進(jìn)行研究［5］，提出了一種基于區(qū)域分割的道路網(wǎng)提取算法，通過對(duì)高分辨率影像進(jìn)行分割、合并相似地物、道路信息提取等步驟完成道路網(wǎng)的提取，實(shí)驗(yàn)結(jié)果顯示提取精度為87%。

4 基于知識(shí)的道路網(wǎng)提取方法

基于知識(shí)的方法道路網(wǎng)提取方法使用了更高層次的信息來提取道路，充分利用高分辨率影像上道路光譜特征、幾何特征、上下文特征、空間特征建立道路模型知識(shí)庫(kù)，通過知識(shí)庫(kù)中高級(jí)知識(shí)對(duì)分割或分類后影像進(jìn)行知識(shí)發(fā)現(xiàn)，進(jìn)而提取道路信息。

Nima等人（2013）采用基于人工神經(jīng)網(wǎng)絡(luò)的方法從Spot影像中提取道路［6］，首先將影像像素灰度信息及紋理信息（均值、方差、熵）作為神經(jīng)網(wǎng)絡(luò)分類器輸入?yún)?shù)，然后利用數(shù)學(xué)形態(tài)學(xué)操作對(duì)分類影像進(jìn)行處理，去除影像噪聲并連接道路像素。

Byun（2013）提出了一種基于區(qū)域的高分辨率影像自動(dòng)道路網(wǎng)提取方法［7］，算法通過自動(dòng)種子點(diǎn)選取、影像自動(dòng)分割、自動(dòng)提取道路樣本、基于SVDD（Support Vector Data Description）的道路目標(biāo)監(jiān)督分類等步驟完成道路網(wǎng)的自動(dòng)提取。

上述三種道路網(wǎng)提取方法并不是相互獨(dú)立的，高分辨率影像上場(chǎng)景復(fù)雜，路面干擾因素多，提取道路網(wǎng)時(shí)經(jīng)常需根據(jù)影像特征、道路特征融合使用多種算法、多種理論才能取得理想效果。

［1］Poullis C.,You S.Delineation and Geometric Modeling of Road Networks［J］.ISPRS J.Photogramm.Remote Sens.,2010,65(2):165-181.

［2］Mena J.B.State of the Art on Automatic Road Extraction for GIS Update:A Novel Classification［J］.Pattern Recognit.Lett.,2003,24(16):3037-3058.

［3］PremnathP.,MadavaKrishnanM.,ArulselviS.,Dr Kirankumar.A Novel Method for Road Extraction from SatelliteImages［J］.International Journal of Engineering Sciences&ResearchTechnology,2013,2(5):1273-1278.

［4］Anil P.N.,Natarajan S.Road Extraction Using Topological Derivative and Mathematical Morphology［J］.J Indian Soc Remote Sens，2013,41:719-724.

［5］Wu Wenhuan,Zhao Yingjun,Lu Donghua,Zhang Donghui.The Extraction Research of Urban Road Information based on the High Resolution Quickbird Image［J］.Advanced Materials Research，2013,718-720.

［6］Nima Ghasemloo1,Mohammad Reza Mobasheri,Ahmad Madanchi Zare,Mehran Memar Eftekhari.Road and Tunnel Extractionfrom SPOT SatelliteImagesUsingNeural Networks［J］.Journal of Geographic Information System,2013,5:69-74.

［7］Younggi Byun.ANovelRegion-basedApproach for Automatic Road Extraction from High Resolution Satellite Images［J］.Applied Mechanics and Materials，2013,284-287.