一種提取遙感影像中道路信息的方法

李華勝， 黃平平， 蘇瑩

(內(nèi)蒙古工業(yè)大學(xué)信息工程學(xué)院，呼和浩特 010080)

一種提取遙感影像中道路信息的方法

李華勝， 黃平平， 蘇瑩

(內(nèi)蒙古工業(yè)大學(xué)信息工程學(xué)院，呼和浩特 010080)

由于合理有效地選擇分割閾值較難，因此基于閾值分割的道路信息提取方法對于遙感影像中含有多種類型道路、或非道路地物干擾比較明顯的情況適用性不理想。為此，提出了一種將Mean Shift和閾值分割相結(jié)合的方法來提取道路信息。首先，采用Mean Shift方法對遙感影像進(jìn)行平滑處理，在較好地保持道路邊緣信息的同時使道路內(nèi)部的紋理分布更加均勻；其次，對平滑處理后的影像進(jìn)行Mean Shift分割處理，將具有相同或相似灰度值的道路用一種灰度值顯示；然后，選擇灰度直方圖中像素數(shù)量值高的線所對應(yīng)的灰度值作為分割區(qū)間邊界點(diǎn)進(jìn)行多閾值分割，得到初始道路信息；最后，對初始道路信息進(jìn)行后處理，得到最終的道路信息。實(shí)驗(yàn)證明，該方法可以完成對遙感影像中道路信息的提取，拓寬了閾值分割方法提取道路信息的使用范圍。

多種類型道路；信息提??；Mean Shift；閾值分割

0 引言

隨著遙感影像分辨率的提高，影像中的地物信息越來越豐富。近年來，基于遙感影像提取道路信息的方法研究主要有：周安發(fā)等[1]運(yùn)用改進(jìn)的區(qū)域分割方法實(shí)現(xiàn)了道路信息的提取，但該方法只能夠?qū)崿F(xiàn)對主干道路的提??；周家香等[2]首先采用Mean Shift分割方法進(jìn)行道路分割，然后運(yùn)用形狀因子和多方向形態(tài)學(xué)濾波去除干擾區(qū)域，實(shí)現(xiàn)了道路信息的提取，但該方法在其結(jié)果驗(yàn)證中采用的數(shù)據(jù)道路類型比較單一，缺少對含有多種類型道路信息的驗(yàn)證；蔡虹玥等[3]運(yùn)用改進(jìn)的分水嶺分割算法提取道路基本信息，運(yùn)用面向?qū)ο蟮姆椒▽?shí)現(xiàn)了道路信息的提取，但該方法提取的道路有間斷現(xiàn)象，導(dǎo)致道路的完整性不佳，同時，該方法將不同類型的道路進(jìn)行整體提取，沒有考慮將不同類型道路進(jìn)行分類提取；曾發(fā)明等[4]采用Canny算子進(jìn)行邊緣檢測和匹配來提取礦區(qū)道路信息，但受復(fù)雜地物環(huán)境的干擾，道路的提取結(jié)果不理想。由于遙感影像中存在異物同譜現(xiàn)象，使得采用同一種方法提取多種類型的道路變得局限，因此，將多種方法相結(jié)合變得更加可行。如張雷雨等[5]提出一種結(jié)合均值漂移分割和利用統(tǒng)計(jì)面積去除與合并小區(qū)域的方法實(shí)現(xiàn)了道路信息的提取，但驗(yàn)證該方法所用數(shù)據(jù)中的道路信息特征明顯且類型單一。鑒于此，本文根據(jù)影像中道路色調(diào)的不同，同時輔助以道路的長度、寬度和連接性等信息來初步劃分道路類型；根據(jù)原始影像經(jīng)過Mean Shift平滑和分割處理之后的灰度直方圖具有的一些特征，采用多閾值分割的方法分割出不同類型道路的初始信息，然后經(jīng)過后處理得到最終的道路信息，實(shí)驗(yàn)證明，該方法可以實(shí)現(xiàn)對遙感影像中道路信息的提取。

1 Mean Shift算法的基本原理

Mean Shift的概念是由Fukunaga[6]等人于1975年在一篇關(guān)于概率密度梯度函數(shù)估計(jì)的文章中提出的；Cheng[7]于1995年在其文章中定義了核函數(shù)和權(quán)重系數(shù)，擴(kuò)大了Mean Shift的適用范圍；后來，Comaniciu[8-11]等人將Mean Shift算法應(yīng)用于圖像平滑和分割中。

Mean Shift算法是一種迭代算法，它使局部每個點(diǎn)都指向概率密度增加最大的方向，算法的基本原理為：

定義d維空間Rd的樣本集合{xi}，i=1,…,n; 空間的核函數(shù)K(x)=k(‖x‖2),其中k(x)為核函數(shù)K(x)的剖面函數(shù)，滿足非負(fù)、非增和分段連續(xù)。令h為窗口半徑，則在點(diǎn)x處的多變量核密度估計(jì)為

(1)

(2)

令g(x)=-k′(x)為k(x)的負(fù)導(dǎo)函數(shù)，由g(x)導(dǎo)出新的核函數(shù)G(x)=g(‖x‖2)，將g(x)和G(x)代入式(2)并變形得

(3)

式(3)中,等號右面第二個中括號中的內(nèi)容表示Mean Shift向量，括號中的第一項(xiàng)為Mean Shift的迭代公式。Mean Shift算法的過程為：

給定一個初始點(diǎn)x，核函數(shù)G(x)，容許誤差ε，通過迭代方法不斷地沿著概率密度的梯度方向移動，最終收斂到數(shù)據(jù)空間中密度的峰值。迭代時的步長與梯度大小和該點(diǎn)的概率密度有關(guān)，是一個變步長的梯度上升算法。

本文所用的Mean Shift圖像平滑與分割的基本原理為：一幅圖像可以表示成一個二維網(wǎng)格點(diǎn)上p維向量[12-14]，由圖像的空間和色彩(或灰度等)信息組成一個p+2維的向量x=(xs,sr)，其中xs表示網(wǎng)格點(diǎn)的坐標(biāo)，xr表示該網(wǎng)格點(diǎn)上p維向量特征。

用核函數(shù)Khs,hr來估計(jì)x的分布Khs,hr具有如下形式，即

(4)

式中：hs和hr為控制平滑解析度的參數(shù)；C為歸一化常數(shù)。在實(shí)際操作中，參數(shù)hs和hr可以根據(jù)解析度的要求直接給定。

平滑算法[7]總是沿著像素梯度最大的方向掃描，當(dāng)掃描到圖像邊界，即像素梯度最小時，停止掃描。該算法的優(yōu)點(diǎn)在于能在去除圖像噪聲的同時較好地保持圖像的邊緣信息。

Mean Shift分割與平滑類似，只需要把收斂到同一點(diǎn)的起始點(diǎn)歸為一類，然后把這一類的標(biāo)號賦給這些起始點(diǎn)。在圖像分割中，有時還需要把包含像素點(diǎn)太少的類去掉。本文經(jīng)過Mean Shift分割處理之后，被分割成連續(xù)區(qū)域部分的像素灰度值為該區(qū)域內(nèi)灰度值的均值。

2 閾值分割

本文采用對原圖像進(jìn)行Mean Shift平滑和分割處理之后的圖像進(jìn)行閾值分割處理。

將經(jīng)過Mean Shift分割處理之后的灰度圖像表示為f(x,y)，其相應(yīng)的灰度值區(qū)間為[0,255]，令Ti和Tk為選擇的分割閾值，其中Ti，Tk∈[0,255]且Ti≤Tk，則本文中的閾值分割方法可表示為

(5)

式中g(shù)(x,y)為分割處理后得到的二值圖像。

3 方法應(yīng)用

實(shí)驗(yàn)所用的影像數(shù)據(jù)取自分辨率為0.61 m的多光譜遙感影像，實(shí)現(xiàn)的軟件環(huán)境為MATLAB7.11.0 R2010b。具體流程如圖1所示。

圖1 道路信息提取流程Fig.1 Flow chart of road information extraction

實(shí)驗(yàn)所用的數(shù)據(jù)大小為573像元×938像元，原圖像及其灰度圖像如圖2所示。

(a) 原圖像 (b) 灰度圖像

圖2 原始遙感圖像及其灰度圖像

Fig.2 Original remote sensing image and its grayscale image

在方法的實(shí)現(xiàn)過程中，結(jié)合文獻(xiàn)[15]提及的高分辨率影像中道路的幾何、光譜特征，主要根據(jù)影像中道路色調(diào)信息的差別來劃分道路。本文所劃分的不同色調(diào)道路類型的標(biāo)號如圖2(a)所示。

3.1 Mean Shift平滑與分割

平滑處理采用多選取優(yōu)的參數(shù)選擇方法，最終選擇的參數(shù)為(hr,hs)=(10,7)，平滑處理結(jié)果如圖3(a)所示。

(a) 平滑圖像 (b) 分割圖像

圖3 Mean Shift平滑與分割圖像

Fig.3 Mean Shift smooth and segmentation images

從圖3(a)可以看出，平滑后圖像中草地和道路的紋理變得均勻，這有利于在Mean Shift分割處理后得到更完整的道路分割結(jié)果，減少孔洞和間斷現(xiàn)象；同時平滑處理能較好地保持道路的邊緣信息。

Mean Shift分割是通過改變分割閾值參數(shù)的值來實(shí)現(xiàn)的。通過多選取優(yōu)的方法，最終選擇的分割閾值為4，得到的結(jié)果如圖3(b)所示。

從圖3(b)可以看出，色調(diào)信息不同的道路經(jīng)過Mean Shift分割后具有比較明顯的色調(diào)差別，如圖3(b)中白色線標(biāo)記所示。

將原始灰度圖像的直方圖與平滑和分割處理之后的直方圖灰度進(jìn)行對比顯示,如圖4所示。

圖4 圖像的灰度直方圖Fig.4 Grayscale histograms of images

圖4(中)表明，平滑處理使圖像的紋理變得均勻；圖4(下)上較長的線表明，圖像經(jīng)分割處理后，具有相同或相似色調(diào)信息地物的像素灰度值變得相同，灰度直方圖中的某個灰度值像素點(diǎn)的個數(shù)增多，其他灰度值像素點(diǎn)的個數(shù)減少。

3.2 道路信息提取與結(jié)果分析

由圖3(b)的分割結(jié)果可以推斷，在灰度直方圖中，垂直橫坐標(biāo)軸的2條較長的線所對應(yīng)的灰度值之間可能只含有1種道路類型，假設(shè)該推斷成立,則可以選擇2條線所對應(yīng)的灰度值作為閾值分割區(qū)間的端點(diǎn)值。

如圖4(下)所示，選擇2條相鄰且較長的線所對應(yīng)的灰度值作為閾值分割圖像，選擇的方法為多選取優(yōu)，具體的實(shí)現(xiàn)過程為：

1)設(shè)定像素個數(shù)最低值的選擇區(qū)間(圖中為[2 000,4 000])，如圖5所示；設(shè)定一個區(qū)間遞減的閾值(本文選擇300)。

圖5 道路分割閾值區(qū)間標(biāo)記圖Fig.5 Mark figure of road segmentation threshold range

2)改變區(qū)間像素最高處的值(首次選擇為4 000)，在其改變的點(diǎn)處選擇超過其值的線所對應(yīng)的灰度值作為分割的備選閾值點(diǎn)。

3)從備選閾值中選定灰度值最小的點(diǎn)作為閾值區(qū)間左端點(diǎn)，選擇與左端點(diǎn)臨近的點(diǎn)作為區(qū)間的右端點(diǎn)，進(jìn)行分割處理；保持左端點(diǎn)不變，選擇下一個備選閾值作為右端點(diǎn)，進(jìn)行分割處理；再次將左端點(diǎn)后移1位，依次選擇其后的閾值作為右端點(diǎn)，進(jìn)行分割處理。

4)用區(qū)間最高值減去一個遞減閾值后的值作為新的最高處的值，重復(fù)步驟2)和3)，直到閾值小于區(qū)間的最小閾值(2 000)為止。

5)將所有結(jié)果進(jìn)行對比，選擇3幅包含1種色調(diào)道路信息較多，其他色調(diào)道路信息較少的圖像(圖6)進(jìn)行對比。

(a) 道路1選擇結(jié)果 (b) 道路2選擇結(jié)果(c) 道路3選擇結(jié)果

圖6 閾值分割道路選擇結(jié)果

Fig.6 Choose results of threshold segment road

由圖6可以看出，根據(jù)色調(diào)等信息定義的道路類型基本被分割出來。3種不同色調(diào)道路分割閾值區(qū)間分別為[84,123]，[154,206]和[123,153]，如圖5所示。

圖5和圖6所顯示的結(jié)果證明了最初的假設(shè)是可行的，即原始圖像經(jīng)過Mean Shift平滑與分割處理之后，圖像的灰度直方圖中2條相鄰較長的線所對應(yīng)的灰度值區(qū)間中只含有1種色調(diào)道路，所以不同色調(diào)道路的分割區(qū)間可以根據(jù)此原則進(jìn)行選擇。

根據(jù)圖5中黑色粗線所劃定的道路分割范圍，在不影響道路整體提取質(zhì)量的同時考慮最大化地減少干擾，將分割區(qū)間適當(dāng)縮小，最終選擇的閾值區(qū)間分別為[97,153]，[165,206]和[150,153]，如圖5所示，其分割結(jié)果如圖7所示。

(a) 縮小分割區(qū)間的道路1(b) 縮小分割區(qū)間的道路2 (c) 縮小分割區(qū)間的道路3

圖7 縮小分割閾值區(qū)間后的分割結(jié)果

Fig.7 Results after shrink segmentation threshold range

在道路2分割區(qū)間的選擇中，為了減少后處理過程，將區(qū)間分成2部分來提取，濾掉中間2條黑色虛線之間的區(qū)間。因此認(rèn)為，用Mean Shift平滑和分割后的圖像灰度直方圖中較長線所對應(yīng)的灰度值作為分割閾值是可行的，且能提高閾值選擇的速度。

為了和本文方法進(jìn)行對比，本研究又采用直接閾值分割的方法(圖8，9)和將FCM聚類與閾值分割相結(jié)合的方法(圖10，11)提取道路信息。

(a) 直接閾值分割提取的道路1 (b) 直接閾值分割提取的道路2(c) 直接閾值分割提取的道路3

圖8 采用直接閾值分割得到的結(jié)果

Fig.8 Results of use threshold segmentation directly

從圖8可以看出：圖8(a)和圖8(c)上的道路受非道路信息的干擾較多，如圖8(a)(b)(c)上矩形框所標(biāo)示；圖8(b)上矩形框內(nèi)顯示的是道路3的一部分。圖8中的3種不同類型道路所選擇的分割區(qū)間分別為[92,132]，[143,206]和[119,158]。各自的區(qū)間標(biāo)記如圖9所示。

圖9 采用直接閾值分割選擇的區(qū)間標(biāo)記圖Fig.9 Choose range mark figure of use threshold segmentation directly

由圖9可以看出，道路3區(qū)間與道路1和道路2的區(qū)間有交疊，要想在原圖像中選擇出這3個分割區(qū)間比較困難且工作量較大。

采用模糊C均值聚類(FCM)與分割方法的處理結(jié)果如圖10(a)所示。從圖10可以看出，道路被分成了2種灰度值，其標(biāo)號如圖中黑色線所標(biāo)注。

(a) FCM聚類結(jié)果(b) 閾值分割道路1結(jié)果 (c) 閾值分割道路2結(jié)果

圖10 采用FCM聚類與閾值分割得到的結(jié)果

Fig.10 Result images of use FCM clustering and threshold segmentation

根據(jù)FCM聚類后的直方圖進(jìn)行閾值分割得到的結(jié)果如圖10(b)(c)所示。直方圖的閾值選擇區(qū)間如圖11所示。

圖11 采用FCM聚類與閾值分割選擇的區(qū)間標(biāo)記圖Fig.11 Choose range mark figure of use FCM

從圖10可得出，圖10(b)與圖7(a)對應(yīng)的結(jié)果相近，但也存在如圖中矩形框中所標(biāo)記的少部分干擾；圖10(c)所受的干擾比圖7(b)的要嚴(yán)重，這些干擾需要采用更多的后處理操作方法去除，致使方法的整體提取效率降低。

本文方法在實(shí)現(xiàn)過程中采用的后處理操作有面積閾值濾波、形態(tài)學(xué)開運(yùn)算、孔洞填充、圖像求差與求和等操作，其中面積閾值濾波選擇的閾值是通過將圖像中各個獨(dú)立區(qū)域進(jìn)行面積區(qū)域標(biāo)記后與要濾除的區(qū)域面積進(jìn)行對比所得。其具體過程為：對道路1分別用閾值1 800和2 000進(jìn)行面積濾波，濾除非道路信息的干擾；將2個濾波后的圖像相減得到長度較短的道路段；將經(jīng)過閾值為2 000濾波之后的圖像再進(jìn)行閾值為6 000的濾波，得到長度較長的2條道路段；最后將2次得到的道路段相加并進(jìn)行孔洞填充處理。對道路2用閾值8 000濾除干擾。對道路3選擇閾值700來濾除部分干擾；選擇7像元×1像元的矩形結(jié)構(gòu)元素進(jìn)行形態(tài)學(xué)開運(yùn)算處理，以斷開道路與空地的連接；選擇閾值3 000進(jìn)行面積濾波處理；最后將2次濾波后的圖像相減。

將3種方法得到的道路1，2和3分別用紅色、綠色和品紅色表示，相加后疊加到原圖像上，其結(jié)果如圖12和表1所示。

(a) 原圖像 (b) 本文方法提取結(jié)果(c) 直接閾值分割提取結(jié)果(d) FCM和閾值分割提取結(jié)果

圖12 原圖像和采用3種方法提取道路的最終結(jié)果

Fig.12 Original image and road extraction final results of useing three methods

表1 3種方法的提取效果對比Tab.1 Three methods contrast table

通過表1可知，本文的方法雖然在分割閾值的選擇上不如FCM方法容易，但是提取道路的最終結(jié)果所受干擾較少，連通性比較好。

將本文方法應(yīng)用于其他影像數(shù)據(jù)，其提取結(jié)果如圖13所示。

(a) 數(shù)據(jù)1原圖像(b) 數(shù)據(jù)1道路提取結(jié)果 (c) 數(shù)據(jù)2原圖像(d) 數(shù)據(jù)2道路提取結(jié)果

圖13 數(shù)據(jù)1和數(shù)據(jù)2的原圖像和道路提取結(jié)果

Fig.13 Original images and road extraction results of data one and data two

從圖13可以得出：本文方法對如圖13(c)所示的地物比較簡單、干擾較少的圖像提取效果較好，可以準(zhǔn)確地提取出道路信息；對如圖13(a)所示的地物比較復(fù)雜、存在不規(guī)則道路的圖像也能夠有一定的提取效果。

4 結(jié)論

采用Mean Shift平滑與分割算法和閾值分割相結(jié)合的方法提取遙感影像中的道路信息，在一定程度上克服了由于影像灰度直方圖特征不明顯而導(dǎo)致的閾值分割區(qū)間選擇困難的問題。經(jīng)過Mean Shift平滑和分割處理之后的圖像灰度直方圖具有比較明顯的特征，使得在此基礎(chǔ)上采用閾值分割方法分割出道路信息變得相對容易，提高了閾值分割過程中分割閾值區(qū)間選擇的速度；同時在已定的道路分割閾值范圍中可以進(jìn)一步地將分割區(qū)間進(jìn)行縮小，進(jìn)而更加準(zhǔn)確地分割出道路信息，減少道路提取過程中的工作量，拓寬使用閾值分割方法提取道路信息的使用范圍。

本文方法仍有待改進(jìn)之處，如在道路的分類判斷上，要想得到更好的道路分類結(jié)果，不能僅靠影像中道路的色調(diào)和長、寬等特征，需要考慮更多的特征；在Mean Shift算法運(yùn)用的參數(shù)選擇上，如何快速有效地選擇參數(shù)，以減少算法處理過程的工作量；對提取的道路如何進(jìn)行有效地評價也需要進(jìn)一步研究。

[1] 周安發(fā),周家香.一種高分辨率遙感影像道路信息提取方法[J].遙感技術(shù)與應(yīng)用,2012,27(1):94-99. Zhou A F,Zhou J X.A Methodology for road extraction from high resolution remote sensing images[J].Remote Sensing Technology and Application,2012,27(1):94-99.

[2] 周家香,周安發(fā),陶超,等.一種高分辨率遙感影像城區(qū)道路網(wǎng)提取方法[J].中南大學(xué)學(xué)報:自然科學(xué)版,2013,44(6):2385-2391. Zhou J X,Zhou A F,Tao C,et al.A methodology for urban roads network extraction from high resolution remote sensing imagery[J].Journal of Central South University:Science and Technology,2013,44(6):2385-2391.

[3] 蔡紅玥,姚國清.基于分水嶺算法的高分遙感圖像道路提取優(yōu)化方法[J].國土資源遙感,2013,25(3):25-29.doi:10.6046/gtzyyg.2013.03.05. Cai H Y,Yao G Q.Optimized method for road extraction from high resolution remote sensing image based on watershed algorithm[J].Remote Sensing for Land and Resources,2013,25(3):25-29.doi:10.6046/gtzyyg.2013.03.05.

[4] 曾發(fā)明,楊波,吳德文,等.基于Canny邊緣檢測算子的礦區(qū)道路提取[J].國土資源遙感,2013,25(4):72-78.doi:10.6046/gtzyyg.2013.04.12. Zeng F M,Yang B,Wu D W,et al.Extraction of roads in mining area based on Canny edge detection operator[J].Remote Sensing for Land and Resources,2013,25(4):72-78.doi:10.6046/gtzyyg.2013.04.12.

[5] 張雷雨,邵永社,楊毅,等.基于改進(jìn)的Mean Shift方法的高分辨率遙感影像道路提取[J].遙感信息,2010(4):3-7. Zhang L Y,Shao Y S,Yang Y,et al.Road extraction from high resolution remote sensing images based on the improved mean shift algorithm method[J].Remote Sensing Information,2010(4):3-7.

[6] Fukunaga K,Hostetler L.The estimation of the gradient of a density function,with applications in pattern recognition[J].IEEE Transactions on Information Theory,1975,21(1):32-40.

[7] Cheng Y Z.Mean Shift,Mode Seeking,and Clustering[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1995,17(8):790-799.

[8] Comaniciu D,Meer P.Robust analysis of feature spaces:Color image segmentation[C]//IEEE Computer Society Conference on Computer Vision and Pattern Recognition.New York:IEEE,1997:750-755.

[9] Comaniciu D,Ramesh V,Meer P.The variable bandwidth mean shift and data-driven scale selection[C]//IEEE International Conference on Computer Vision.New York:IEEE,2001(1):438-445.

[10]Comaniciu D,Meer P.Mean shift:A robust approach toward feature space analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(5):603-619.

[11]Comaniciu D.An algorithm for data-driven bandwidth selection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2003,25(2):281-288.

[12]蔣菱.基于迭代均值漂移濾波圖像分割新算法[J].微電子學(xué)與計(jì)算機(jī),2011,28(9):147-150. Jiang L.Image segmentation based on the mean shift smoothing filter algorithm[J].Microelectronics & Computer,2011,28(9):147-150.

[13]廖建勇,郭斯羽,黃梓效.基于Mean Shift聚類的最大熵圖像分割方法[J].計(jì)算機(jī)仿真,2009,26(9):187-222. Liao J Y,Guo S Y,Huang Z X.A maximum entropy segmentation method based on mean shift clustering[J].Computer Simulation,2009,26(9):187-222.

[14]高秀娟.圖像分割的理論、方法及應(yīng)用[D].長春:吉林大學(xué),2006:3-7. Gao X J.The Theories,Methods and Applications of Image Segmentation[D].Changchun:Jilin University,2006:3-7.

[15]吳亮,胡云安.遙感圖像自動道路提取方法綜述[J].自動化學(xué)報,2010,36(7):912-922. Wu L,Hu Y A.A survey of automatic road extraction from remote sensing images[J].Acta Automatica Sinica,2010,36(7):912-922.

(責(zé)任編輯：刁淑娟)

A method for road extraction from remote sensing imagery

LI Huasheng,HUANG Pingping,SU Ying

(CollegeofInformationEngineering,InnerMongoliaUniversityofTechnology,Hohhot010080,China)

Because the choice of the reasonable and effective threshold of segmentation is rather difficult,the method based on threshold segmentation is not applicable to extracting road information from remote sensing images in that there are obviously multiple types of road and non-road feature interference. To tackle this problem,the authors propose in this paper a method which combines Mean Shift algorithm with threshold segmentation to extract road information. Firstly,the Mean Shift is used to smooth the image,then the texture distribution is made more uniform in the road and the edge of the road is kept. Secondly,the Mean Shift segmentation is used to segment the image,and group the roads which have the same or similar gray values into one gray value showing. Thirdly,as different kinds of color information of the road have different showing characteristics in the gray-level histogram,the gray value which has relatively more numbers of picture elements is taken as the segment range boundary point to obtain the original road information by using multi-threshold segmentation. Finally,post-processing of the original road information is made to obtain the road. The experiment results indicate that this method can extract the road information from the remote sensing imagery and broaden the scope of the use of the threshold segmentation to extract the road information.

various types of roads; information extraction; Mean Shift; threshold segmentation

2014-07-09；

2014-11-13

“內(nèi)蒙古自治區(qū)高等學(xué)校青年科技英才支持計(jì)劃資助”項(xiàng)目(編號：NJYT-14-B09)。

10.6046/gtzyyg.2015.02.09

李華勝,黃平平,蘇瑩.一種提取遙感影像中道路信息的方法[J].國土資源遙感,2015,27(2):56-62.(Li H S,Huang P P,Su Y.A method for road extraction from remote sensing imagery[J].Remote Sensing for Land and Resources,2015,27(2):56-62.)

TP 79

A

1001-070X(2015)02-0056-07

李華勝(1987-)，男，碩士研究生，主要從事遙感影像處理方面的研究。Email：lihuasheng1987@163.com。