基于自適應圖像分割自動提取道路中心線

湯瑞華

（鄭州市規(guī)劃勘測設計研究院，河南 鄭州450000）

隨著地球空間信息科學的快速發(fā)展，地理信息系統(tǒng)在越來越多的領域得到廣泛應用。遙感影像尤其是高分辨率遙感影像由于其成本低、獲取周期短、信息豐富等特點逐步成為地理信息系統(tǒng)的主要數(shù)據(jù)來源［1］。道路信息作為基礎地理信息，是地理信息系統(tǒng)應用的基礎數(shù)據(jù)，因此，道路信息的快速提取對于及時更新地理信息數(shù)據(jù)庫尤為重要。

目前，很多提取算法對于中、低分辨率影像上有很好的效果［2］，然而對于高分辨率影像上的道路提取，還是很難找到魯棒性較好的算法，糾其原因，主要在于高分辨率遙感影像在提供豐富道路信息的同時，也給道路提取帶來的很多干擾噪聲，如：車輛、樹木、交通管制線、建筑物及其陰影等。噪聲的干擾不僅使遙感圖像中的道路網(wǎng)變得非常零亂，也經(jīng)常使道路的邊緣變得模糊不清。因此，如何利用高分辨率圖像有效地提取道路信息是值得研究的一個重要課題。在現(xiàn)有的道路提取算法中［3－8］，道路提取算法中大多是基于影像分割的，在此過程中，分割結(jié)果通常根據(jù)先驗參數(shù)值，因此，為了有效提高算法整體的自動性，本文從分析高分辨率遙感影像中道路的基本特征出發(fā)，選定道路的局部灰度一致性和形態(tài)作為道路提取最基本的特征，提出基于自適應圖像分割的道路提取算法，通過對道路提取結(jié)果質(zhì)量分析，驗證該方法可取的較好效果。

1 基本理論

1．1 影像道路特征分析

與中、低分辨率遙感影像相比，高分辨率遙感影像能夠表示更多的地面目標和細節(jié)特征，特別是道路特征，在城市區(qū)域，道路具有一定的寬度，其形狀像一個窄的矩形或帶狀線；其長度通常大于或等于一個街區(qū)；同時道路網(wǎng)絡具有一定的規(guī)則；但另一方面，在高分辨率影像上也存在一些由斑馬線、汽車、行人等造成的非道路噪聲。目前針對高分辨率城區(qū)影像的道路提取，通常以圖象分割簡化處理，因此本文結(jié)合一種自適應結(jié)構(gòu)元素的形態(tài)學分析算法，自動實現(xiàn)影像分割。

1）閾值分割。圖像分割的關鍵在于分割閾值的選擇，為了能夠?qū)崿F(xiàn)影像道路提取過程的自動化，通過對比不同閾值的分割效果，本文選擇1979年由日本大津提出的最大類間方差法［9］（簡稱OTSU），該方法是一種自適應的閾值確定方法，它是按圖像的灰度特性將圖像分成背景和目標兩部分，該算法計算簡單，穩(wěn)定有效。OTSU算法自動閾值分割的基本原理：對于圖像I，其中像素灰度范圍為［0，255］，灰度級為x的像素點出現(xiàn)的概率為P（x），當求出式（1）為最大值時的灰度級t便可實現(xiàn)對該區(qū)域的二值化。

2）基于形態(tài)學的道路提取 由二值化影像可以得到初始道路信息，如圖1所示，然后由于非道路噪聲的存在，本文對初始的道路信息進行膨脹（Dilation）和腐蝕（Erosion）處理［10］

式中：A為目標影像，B為形態(tài)學中的結(jié)構(gòu)元素；a［x，y］，b［x，y］分別是A與B中像素（x，y）的像素值；（m，n），（j，k）均為A，B中正在處理的像素坐標。

由于結(jié)構(gòu)元素的尺寸和形狀在數(shù)學形態(tài)學的應用中起著至關重要的作用，本文采用文獻［11］中的方法構(gòu)造一個自適應結(jié)構(gòu)元素。其思想是：E是圖像I中p0點位中心的一個領域，DOMp0（pi）描述了pi點與其中心點p0的隸屬度，K為結(jié)構(gòu)元素的預設大?。ǔ踔禐?），通過計算每個像素點的DOMp0（pi），可以自適應的構(gòu)造結(jié)構(gòu)元素B。

該方法能夠依據(jù)圖像本身的特征信息，不用局限現(xiàn)有的矩形、圓形等固定形狀的結(jié)構(gòu)元素。并且對于一些噪聲像素，DOM值較低，可以有效地剔除。最終得到的二值化影像如圖1所示。

圖1 基于影像分割的道路提取結(jié)果

1．2 道路中心線提取

道路提取的最終目的是將道路信息應用到基礎地理信息數(shù)據(jù)庫當中去，以便更好的服務社會。在基礎地理信息數(shù)據(jù)庫當中，道路通常又以矢量的線化圖層表示。因此，從道路圖中提取道路的中心線是十分有必要的。為了便于描述和抽取特征，對那些細長的區(qū)域常用類似骨架的細線表示，這些細線處于圖像的中軸附近，并從視覺上依然保持原有形狀即細化結(jié)構(gòu)，骨架便是這樣一種細化結(jié)構(gòu)［12］。

因此，需要對二值道路影像進行細化，即骨架提取，得到道路的中軸線表達道路形態(tài)，完成道路提取。

根據(jù)區(qū)域的形態(tài)特征，在道路細化之前需要采用一些量化參數(shù)描述道路區(qū)域，常用的量化參數(shù)分別是圖斑面積S和長寬比B。根據(jù)經(jīng)驗確定最大圖斑面積與長寬比，并設定閾值，刪除絕大部分獨立面狀噪聲。刪除孤立斑點后，本文采用細化算法中具有代表性的Hilditch算法，根據(jù)8－領域的黑白（0，1）情況計算，得到索引值，再根據(jù)索引值判斷當前像素是否被細化。

1．3 道路提取優(yōu)化

在道路提取的過程中，道路周圍有些干擾信息，形成依附在道路上的短枝，必須刪除。原則依據(jù)：根據(jù)細化后的道路索引值，判斷某一點的鏈接數(shù)值，若數(shù)值為1，則該點為某一短枝的起點，計算這條短枝的長度l，若l＜15，刪除短枝；其中短枝刪除的閾值是根據(jù)反復試驗得到的 選取合理的閾值。以城鎮(zhèn)的道路細節(jié)圖為例，可以看到原圖道路周圍的部分信息與道路的信息易混淆，細化時出現(xiàn)了短枝，但刪除短枝后效果較好，既可以刪除非道路信息的短枝，又不影響到道路網(wǎng)的形態(tài)，如圖2所示，使得最終提取的道路信息更加準確。

圖2 影像道路中心線提取優(yōu)化效果

2 試驗與分析

分別選擇兩幅具有代表性的瀝青道路，驗證本文道路提取算法合理性，如圖3所示。

圖3（a）是一幅城鎮(zhèn)道路的高分辨率彩色影像，該圖分辨率高，區(qū)域主干道邊緣信息比較清晰，道路局部灰度一致性較好，沒有受到建筑物陰影的影響。同時，道路長度適中，形態(tài)豐富，有直線、曲線，有交叉、閉合，對分析道路提取效果提供了較多的依據(jù)。圖3（b）是一幅村鎮(zhèn)道路的高分辨率彩色影像，該圖航高630 m，地面分辨率5 c m。影像中主要地物為農(nóng)田，道路局部受溝渠、陡坎等干擾，但道路特征明顯，連通性較好，易于分辨。因此，此類實驗數(shù)據(jù)合理可靠，完成道路提取有較強的說服力。

圖3 測區(qū)內(nèi)航空影像

2．1 道路提取結(jié)果

由于獲取的實驗數(shù)據(jù)已校正過，因此可以跳過影像預處理，對選擇的兩類影像數(shù)據(jù)分別進行道路提取試驗。在OTSU閾值分割結(jié)果的基礎上，采用基于自適應結(jié)構(gòu)元素的形態(tài)學分割算法，得到不錯的分割效果，如圖4（a）和（c）所示，圖中道路網(wǎng)特征明顯，與房屋、植被等大型干擾地物較好地分離，經(jīng)過膨脹、腐蝕處理之后的圖像，道路邊界已被剔除，除了少許孤立斑點外，道路形態(tài)特征明顯，格網(wǎng)清晰；細化后的圖像即為道路的骨架（中心線），并進一步對細化后的道路進行優(yōu)化，其效果如圖4（b）和（d）所示。

圖4 道路提取算法結(jié)果

2．2 道路提取結(jié)果評價

1）定性方面分析。與灰度圖像相比，道路信息完整，噪聲較少，但具體的道路提取質(zhì)量還需與原圖進行疊加對比，觀察細化后的道路是否為原圖道路的中心線。將細化、短枝刪除后得到的道路網(wǎng)中心線與原圖進行疊加對比。此處以城鎮(zhèn)道路為例，由圖5可知，原圖道路形態(tài)較豐富，有連通性較好，形成密集道路網(wǎng)。從圖5可看到，三種形態(tài)的道路提取效果較理想，與原圖匹配度較高，證明本文采用的道路提取方法對于不同形態(tài)的道路均適用，且效果較好 從整個道路網(wǎng)提取結(jié)果來看 結(jié)果基本上達到了原圖效果，大部分均居于道路中心。

圖5 道路中心線與原圖疊加效果圖（城鎮(zhèn)）

2）定量方面對比。采用下列三個指標對道路提取結(jié)果定量分析：

檢測率P1＝檢查出的正確道路長度／參考道路長度；虛警率P2＝檢查出的錯誤道路長度／參考道路長度；

提取質(zhì)量λ＝檢查的正確道路長度／（道路中未檢測出的長度＋檢測出的道路長度）。

為驗證本文算法的可行性，針對不同類型道路采用上述評價指標，與文獻［7］中基于形狀特征的影像道路提取方法進行對比，其對比結(jié)果如表1所示。

表1 測區(qū)內(nèi)道路提取結(jié)果評定 %

本文統(tǒng)計了城鎮(zhèn)與村鎮(zhèn)影像道路提取結(jié)果，并將道路分為直線段與曲線段兩類，分別與文獻［7］的提取效果進行對比，由表1可知，本文道路提取結(jié)果較好，特別是直線道路段，檢測率和提取質(zhì)量均略高于文獻［7］；但是本文提取的直線段和曲線段的虛警率都高于文獻［7］的結(jié)果，分析原因：在道路優(yōu)化步驟中，考慮到道路網(wǎng)特征的完整性，選取了較小閾值完成刪除短枝，雖然很大程度上避免了道路斷裂的情況，但是也造成了提取結(jié)果中一些非道路信息的短枝并沒有完全刪除，因此導致了虛警率相對較高。為了達到更好的城鎮(zhèn)道路提取精度，在短枝刪除的部分仍需改進，但總體的道路提取效果較好。

3 結(jié) 論

本文通過分析道路的形態(tài)特征，以影像分割為基礎，采用自適應結(jié)構(gòu)元素的數(shù)學形態(tài)學處理，提出一種適合于城區(qū)、村鎮(zhèn)等不同類型的道路提取方法，并通過實驗驗證該方法的可行性。該方法的最大特點便是在形狀分析過程中，無需人工參與，且能夠依據(jù)影像自身特點自適應地選擇形態(tài)學算子。但是對于與邊界地物相互粘連且光譜特征相同（相似 的區(qū)域的分割仍然存在一定的局限性 希望今后能夠借助機載Li DAR等多源數(shù)據(jù)，更完整、精確地提取道路信息。

［1］ WENG Q H．Remote sensing of i mpervious surfaces in the urban areas：Requirements，methods，and trends［J］．Remote Sensing of Environ ment，2012，117：34－49．

［2］ 胥亞．中高分辨率遙感影像道路提取技術研究［D］．河南：信息工程大學，2012．

［3］ 許銳．結(jié)合形狀與同質(zhì)特征的遙感影像城市道路提取方法［J］．測繪科學技術學報，2014（1）：53－56．

［4］ 李潤生，司毅博，朱述龍，等．利用方向紋理特征從影像上搜索道路中心線［J］．測繪科學技術學報，2014（4）：393－398．

［5］ 余潔，余峰，張晶，等．結(jié)合區(qū)域生長與道路基元的高分辨率遙感影像道路提?。跩］．武漢大學學報：信息科學版，2013，38（7）：761－764．

［6］ 李齊，郭丙軒，董玲燕，等．航空影像上道路中心線的半自動提取算法研究［J］．測繪信息與工程，2009，34（1）：23－25．

［7］ 雷小奇，王衛(wèi)星．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）：457－465．

［8］ 賈鵬，顏佩麗，何軍，等．基于邊界特性改進直方圖門限法的道路提取［J］．測繪工程，2009，18（3）：51－54．

［9］ OTSU N．A t hreshold selection method fro m gray－level histograms［J］．Automatica，1975，11（285－296）：23－27．

［10］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，2006（5）：9－11．

［11］LU Z，WANG F，CHANG Y，et al．Edge detection based on adaptive str ucture element mor phology［C］．Proceedings of the Automation and Logistics，IEEE Inter national Conference on，F(xiàn)，2007．

［12］張若文，滕奇志，孫曉剛，等．一種快速簡便的圖像骨架變換方法［J］．信息與電子工程，2003，1（1）：1－5．

［13］江中亮，楊敏華，楊德地．快速提取城市道路中心線［J］．測繪與空間地理信息，2015，38（1）：153－154．

［14］林祥國，田雷，王家民，等．改進角度紋理特征提取高分辨率遙感影像帶狀道路［J］．測繪科學，2015，40（5）：55－59．