高分辨率遙感圖像道路交叉口自動提取

蔡紅玥， 姚國清

(1.中科遙感科技集團有限公司，天津　300384； 2.天津市高分遙感信息技術企業(yè)重點實驗室，

天津　300384； 3.中國地質(zhì)大學(北京)信息工程學院，北京　100083)

?

高分辨率遙感圖像道路交叉口自動提取

蔡紅玥1，2， 姚國清3

(1.中科遙感科技集團有限公司，天津300384； 2.天津市高分遙感信息技術企業(yè)重點實驗室，

天津300384； 3.中國地質(zhì)大學(北京)信息工程學院，北京100083)

摘要：道路交叉口是道路網(wǎng)絡(簡稱路網(wǎng))的重要組成元素，獲取道路交叉口對提取路網(wǎng)信息、影像匹配和車輛導航等有重要作用。然而，基于遙感圖像對道路交叉口自動提取的研究尚不多。針對高分辨率遙感圖像中道路交叉口的特點，提出一種自動識別道路交叉口的方法。在圖像預處理的基礎上，首先對圖像進行多尺度圓形均勻區(qū)檢測，使用梯度變換和形態(tài)學變換提取可能存在道路交叉口的候選區(qū)； 然后對候選區(qū)進行特征提取和進一步篩選，得到候選道路交叉口的位置中心； 最后提取位置中心的角度紋理信息，通過波谷檢測判斷其連接屬性，識別出道路交叉口。結(jié)果表明，該方法能有效提取出城市地區(qū)的道路交叉口，對于較復雜地區(qū)的道路交叉口提取也有一定的效果。

關鍵詞：道路交叉口； 自動提??； 高分辨率遙感圖像； 形態(tài)學； 多尺度； 角度紋理； 波谷檢測

0引言

道路是重要的地理信息，在地理信息系統(tǒng)數(shù)據(jù)更新、地圖繪制和應急事務處理等領域有著重要的地位。近年來，高分辨率遙感圖像(簡稱高分圖像)越來越多地得到人們的關注，從高分圖像數(shù)據(jù)中進行目標檢測與識別已成為重要的研究課題。目前，研究人員已提出了很多基于高分圖像提取道路網(wǎng)絡(簡稱路網(wǎng))的方法[1-4]，其中一些依賴于道路種子點[5-6]和道路拓撲信息[7-8]，發(fā)現(xiàn)道路交叉口的復雜性是道路提取的不利因素[9-10]。

道路交叉口作為道路交匯的樞紐，是路網(wǎng)的重要組成元素，提供了道路的連接性、拓撲關系和方向等信息，在導航[11]等領域有廣泛的應用。其具有穩(wěn)定、可靠的特征，可以作為道路提取的種子點及影像匹配的控制點。然而，基于高分遙感圖像對道路交叉口自動提取的研究尚不多。

目前針對道路交叉口自動提取的方法總體上分為間接法和直接法2類。間接法[12-13]提取的道路交叉口是道路線特征提取后的產(chǎn)物，該方法將線性道路的交叉點視為道路交叉口，其結(jié)果受道路提取精度的影響，適用性不強。早期的直接法借鑒拐點檢測[14]和模板匹配[15]。這2種方法已不能滿足對道路交叉口檢測的需求，不僅會檢測出過多的偽角點，對高分圖像也不適用。Barsi等[16]提取圖像的均值、方差、邊緣等信息，訓練后利用神經(jīng)網(wǎng)絡對滑動窗口的中心點進行判斷； 但該方法需要選取訓練點，也不符合自動提取道路交叉口的目的。陳曉飛等[17]利用線性目標相位的對稱性設計道路交叉口的特征模板，對道路交叉口候選區(qū)進行檢測； 然后通過提取道路交叉口一定范圍內(nèi)的線特征，進一步從統(tǒng)計和幾何形狀2個方面進行驗證。該方法準確率較高，但本質(zhì)上還是直接法與間接法的結(jié)合。

近年來，基于Haverkamp[18]提出的角度紋理信息(angular texture signature，ATS)的道路特征提取方法取得了一些成果。周紹光等[19]和Wan等[20]利用ATS對高分圖像中的道路和非道路進行了分割。張睿等[21]和Hu等[22]利用ATS在高分圖像中判斷道路局部路段的延伸方向，確定道路種子點的位置。陳卓等[23]和程江華等[24]則結(jié)合LiDAR和SAR的影像特征提取矩形模板內(nèi)的ATS特征，對道路交叉口的位置及形狀進行提取，取得了不錯的效果； 然而高分全色圖像沒有高程信息，其光譜和紋理信息也比雷達圖像更為復雜，故該方法對高分圖像并不完全適用。因此，如何結(jié)合高分圖像的影像特征提出針對高分全色圖像的道路交叉口提取方法，具有重要意義。

針對上述情況，本文提出一種從高分圖像中自動識別道路交叉口的方法。首先利用梯度變換和形態(tài)學變換檢測均勻圓形區(qū)域； 再利用幾何和光譜信息進一步提取候選道路交叉口； 最后提取角度紋理信息，通過波谷檢測獲取連接屬性，識別出道路交叉口。該方法無需預先提取道路信息，能較準確地提取出高分遙感圖像中的道路交叉口，對復雜場景中的道路交叉口提取也有一定的適應性。

1研究方法

道路交叉口自動提取技術流程包括圖像預處理、多尺度圓形均勻區(qū)檢測、候選道路交叉口特征提取和角度紋理特征精提取4部分(圖1)。

圖1　道路交叉口自動提取技術流程

1.1圖像預處理

中值濾波能夠在平滑細小噪聲(如道路中的車輛等)的同時保留圖像邊緣信息，起到簡化圖像的作用，從而減少梯度檢測中跳躍邊界的產(chǎn)生。此外，由于實驗用圖像的部分影像偏暗，對比度較差，采用直方圖均衡化處理增強了道路與周邊環(huán)境的色調(diào)差異。

1.2多尺度圓形均勻區(qū)檢測

本文設定道路交叉口的連接中心在遙感圖像中呈類圓形的均勻區(qū)域。多尺度圓形均勻區(qū)檢測的目的就是獲取可能存在道路交叉口的區(qū)域，排除明顯不是道路交叉口的干擾區(qū)。先使用梯度變換獲取圖像的均勻程度，再利用多個尺度的結(jié)構元作為探針對道路交叉口可能存在的區(qū)域進行檢測。

1.2.1Roberts梯度變換

理想狀況下，高分圖像中的道路交叉口表現(xiàn)為“T”、“Y”、“+”、“L”等形狀且灰度較一致的區(qū)域。雖然道路交叉口形狀多樣，但在無復雜干擾的情況下，道路交叉口的連接中心呈現(xiàn)灰度比較均勻的似圓形區(qū)域(圖2)。

圖2　道路交叉口模型

梯度可以表示灰度值變化的程度，Roberts算子的定位精度較高，能夠保留矩形的角點信息[25]。本文采用Roberts算子進行梯度變換，即

G[f(x,y)]=|f(x,y)-f(x+1,y+1)|+|f(x+1,y)-f(x,y+1)| ,

(1)

式中f(x,y)為像素的灰度值。Roberts梯度變換檢測結(jié)果見圖3(b)，灰度均勻的區(qū)域相對較暗。

(a) 原始圖像 (b) Roberts變換 (c) 閉運算(結(jié)構元大小為9)(d) 閉運算(結(jié)構元大小為15)

圖3多尺度圓形均勻區(qū)檢測

Fig.3Detection of circular homogeneous area by multi-scale structure elements

1.2.2多尺度形態(tài)學運算

形態(tài)學的基本思想是利用一定形態(tài)的結(jié)構元作為探針，提取圖像中目標的形狀結(jié)構信息。因其在描述形態(tài)特征上具有獨特的優(yōu)勢，已廣泛應用于圖像的分析和識別。灰度形態(tài)學閉運算是形態(tài)學變換的一種，在保持圖像基本不變的基礎上可濾掉比結(jié)構元小的暗細節(jié)。道路交叉口的影像經(jīng)Roberts變換后表現(xiàn)為似圓形的暗區(qū)域，選擇圓形結(jié)構元進行形態(tài)學閉運算，可濾除比道路交叉口小的暗區(qū)域，從而達到道路交叉口檢測的目的。實驗證明，結(jié)構元尺寸(圓形結(jié)構元的直徑)的選擇要略大于道路寬度且小于道路交叉口圓形的內(nèi)徑，以更好地濾除非道路交叉口的區(qū)域。

在一個研究區(qū)內(nèi)，可能有不同等級(寬度)的道路，結(jié)構元的大小決定了提取道路交叉口的尺度大小。圖3(c)和(d)分別為對圖3(b)進行結(jié)構元大小為9和15的形態(tài)學閉運算的結(jié)果，其中具有模板形狀特征的地物表現(xiàn)為與模板大小相近的連通暗區(qū)域，否則為亮區(qū)域或較大的連通暗區(qū)域。紅框內(nèi)為一個較寬的道路交叉口，其在圖3(d)中表現(xiàn)為道路交叉口特征，在圖3(c)中則沒有表現(xiàn)為交叉口特征。黃色框內(nèi)的窄道路交叉口在圖3(c)中符合道路交叉口特征，在圖3(d)中則不符合。因此，當圖像中有不同等級的道路時，可以利用多個不同大小的圓形模板分級提取道路交叉口； 當僅需要提取某一等級的道路交叉口時，可以通過設定模板的大小來提取特定寬度的道路交叉口。

1.2.3候選道路交叉口特征提取

道路交叉口在形態(tài)學閉運算的結(jié)果中表現(xiàn)為與結(jié)構元大小相近的連通暗區(qū)域，利用二值化和暗連通區(qū)域的幾何特征與光譜特征，剔除比結(jié)構元寬的道路及建筑物等其他地物的影響，提取出道路交叉口的候選區(qū)，并計算得到候選道路交叉口的中心點坐標。

首先選取一個較小的閾值對閉運算的結(jié)果進行二值化，得到道路交叉口的候選區(qū)(圖4(a)黃線圈閉的范圍)。

(a) 二值化范圍 (b) 面積特征篩選 (c) 面積特征篩選(原圖顯示) (d) 光譜特征篩選

圖4候選道路交叉口特征提取

Fig.4Feature extraction for candidate road intersections

在道路交叉口候選區(qū)中，還要去除比結(jié)構元寬的道路，這些區(qū)域表現(xiàn)為較大面積的暗區(qū)域(例如圖4(a)中的區(qū)域A)。因此，選取一個較大的面積閾值，以去除二值化后的大面積區(qū)域。同時，為了減少噪聲的影響，將二值化圖像中“8-連通”面積小于8的區(qū)域去除。計算二值化圖像中各連通域的外接矩形，將外接矩形中心作為候選道路交叉口的位置坐標(圖4(b)中的綠色矩形為連通區(qū)的外接矩形，紅色十字絲為矩形中心)。梯度運算只考慮了灰度的均勻特征，導致部分建筑物也會與道路交叉口混淆(如圖3中藍色框處)。利用道路光譜的先驗信息，進一步篩選和定位候選道路交叉口(圖4(d))。

1.3道路交叉口提取

候選道路交叉口特征提取后的結(jié)果幾乎包含了所有的道路交叉口，但還有部分建筑物等與道路交叉口光譜特征相似的區(qū)域沒有被剔除。角度紋理特征能夠描述道路交叉口周圍光譜的分布特征，利用波谷檢測(局部極小值檢測)提取出道路交叉口所連接各道路的主方向，從而進一步輔助識別道路交叉口，去除不符合道路交叉口幾何特征的候選道路交叉口。

1.3.1角度紋理特征提取

ATS是以某一點為中心，用多個角度旋轉(zhuǎn)的矩形采集的一組特征值，以角度為橫坐標、特征值為縱坐標，構成角度紋理圖?？梢砸罁?jù)角度紋理圖的形狀特征對圖像中的點進行分類，區(qū)分道路與其他地物。由于沿道路方向的灰度均勻性遠優(yōu)于其他方向，統(tǒng)計矩形內(nèi)方差特征生成的角度紋理圖(圖5)，在道路方向處會出現(xiàn)明顯的波谷。若存在2個較明顯的波谷，且其角度相差近似180°，則該點可能位于連續(xù)路段上(圖5(a))； 若存在3~4個波谷，該點可能位于道路交叉口(圖5(b))； 其他地物則沒有明顯的波谷特征(圖5(c))。

(a) 直線道路角度紋理

(b) 道路交叉口角度紋理

(c) 建筑角度紋理

依據(jù)高分圖像特點以及相關實驗結(jié)果，小尺度(較窄)道路中由于沒有明顯的地物噪聲(如人行道、天橋等)，基于方差特征的角度紋理圖可以較好地反映道路特征； 而大尺度(較寬)道路交叉口周圍通常都存在復雜的交通標志或交通設施(圖6(a)中的A處)，在其方差特征的角度紋理圖中，沿道路方向的波谷信息不明顯(圖6(b))，因而影響對道路交叉口的進一步判斷。

(a) 大尺度道路交叉口(b) 角度紋理方差特征(c) 相似數(shù)目特征角度紋理

圖6方差與相似數(shù)目特征角度紋理圖對比

(旋轉(zhuǎn)參數(shù)：l=55，w=4，θ=10，Thresholdcolor=40)

Fig.6Comparison between angular texture signatures for variance and similar number

因此，本文對大尺度道路交叉口角度紋理特征的提取采用了一個統(tǒng)計矩形模板內(nèi)相似像素數(shù)目(簡稱“相似數(shù)目”特征)的方法，具體描述如下：

設定矩形模板長度為l，寬度為w，以道路交叉口候選點為中心、角度θ為間隔進行旋轉(zhuǎn)，共生成360/θ個模板。令中心點像素的光譜值為color_center，判斷每個矩形模板中各個點point_temp與中心點像素光譜值的相似性(相似性指標為|point_temp-color_center|

f(θi)=lw-num(θi)

(2)

作為角度紋理特征值。在適當情況下，該特征可以處理因交通標志和其他噪聲造成道路阻斷的情況(圖 6(b)和(c))。對于因修建時間不同、材質(zhì)不同造成的道路光譜特征不一致現(xiàn)象，由于該方法對每個道路交叉口的判斷是基于不同位置的候選中心點，因而可以避免使用統(tǒng)一的分割閾值[24]提取道路信息，具有一定的自適應性。

1.3.2波谷檢測

道路交叉口的進一步提取是確定與道路交叉口連接的道路個數(shù)。角度紋理特征提取后，形成一維角度紋理圖f(θi)(0≤i≤360/θ))。f(θi)中沿道路的方向表現(xiàn)為波谷，通過檢測f(θi)中的波谷數(shù)目可確定候選道路交叉口的連接信息。本文對文獻[24]中求波谷方法做了改進，具體方法如下：

1)確定初始波谷點。若f(θi)=0或f(θi)≤f(θi+1)，f(θi)≤f(θi-1)且f(θi)

2)確定波峰點。若f(θi)≥median[f(θi)]/2且f(θi)≥f(θi+1)，f(θi)≥f(θi-1)，則f(θi)為波峰點p(θi)。

3)去除偽波谷點。對于一個波谷點v(θi)，其左右臨近的2個波峰點分別為p(θleft)和p(θright)；p(θmax)=max[p(θleft)，p(θright)],如果v(θi)/p(θmax)≥0.6，則認為該波谷不夠深，將其從波谷點中剔除(圖7)。

(a) 候選道路交叉口位置(b) 初始波谷點(條件1)(c) 去除偽波谷點(條件2)

圖7偽波谷點去除

Fig.7Remove false valleys

4)修正連續(xù)的波谷值(該條件只用于相似數(shù)目特征)。較寬的道路因包含多個矩形區(qū)域而形成2個以上連續(xù)的波谷，通常這些波谷值的大小相近且趨近于0。選取這些波谷點的中間位置作為修正后波谷的位置。若2個連續(xù)波谷的間距較小(如小于30°)，則認為中間的波峰為突變，將波峰位置處也視為波谷區(qū)域，重新計算波谷的位置(圖8(a)—(c)為波谷檢測結(jié)果，(e)—(g)為其對應的角度紋理圖)。

5)合并鄰近波谷點。v(θi)和v(θj)為2個臨近波谷點，如果|θi-θj|≤30°或|θi-θj|≥330°，則將2個波谷點合并，取min(v(θi),v(θj))作為新的波谷點的位置(圖8(d))。

(a) 初始波谷點(b) 修正連續(xù)波谷值 (c) 連續(xù)波谷噪聲去除 (d) 合并鄰近波谷點

(e) 條件1-初始波谷點 (f) 條件2-修正連續(xù)波谷值-取連續(xù)波谷中心

圖8-1波谷檢測

Fig.8-1Valley finding

(g) 條件3-連續(xù)波谷噪聲去除 (h) 條件4-合并臨近波谷點

圖8-2波谷檢測

Fig.8-2Valley finding

1.3.3道路交叉口的確定

角度紋理圖中波谷點所對應的方向為道路交叉口連接的道路方向，通過波谷點的數(shù)目及方向可以判斷中心點是否為道路交叉口(圖9)。

圖9　候選道路交叉口方向提取

確定道路交叉口的步驟：

1)設波谷個數(shù)為N，若N<2或N≥5(研究范圍內(nèi)的道路的支路最多為4)，則中心點不是道路交叉口。

3)若3≤N≤4，則中心點為道路交叉口。

2實驗結(jié)果與分析

為驗證本文方法的有效性，選擇3景具有代表性的城市全色遙感圖像(圖10—12)，其空間分辨率為0.6~0.7m。

(a) 結(jié)構元大小為9 (b) 結(jié)構元大小為15 (c)實驗一結(jié)果

圖10道路交叉口提取實驗一

Fig.10Experiment1ofroadintersectionextraction

(a) 結(jié)構元大小為11(b) 結(jié)構元大小為21(c) 實驗二結(jié)果

圖11道路交叉口提取實驗二

Fig.11Experiment2ofroadintersectionextraction

圖12　道路交叉口提取實驗三

3景影像中都存在不同等級的道路，因此采用多尺度的結(jié)構元提取道路交叉口。圖10中由于不存在人行道和過街天橋?qū)挼缆方徊婵诘挠绊?，依?jù)影像中道路的情況，采用大小為9和15的結(jié)構元提取方差角度紋理特征。圖11和圖12由于存在較寬的道路交叉口和復雜的交通標志，采用方差和相似像素數(shù)目這2種特征提取角度紋理。根據(jù)道路特征，圖11選取了大小為11和21的結(jié)構元。圖12由于道路等級較為復雜，選取了9,13和15這3個尺度的結(jié)構元。實驗的具體參數(shù)如表1所示,道路交叉口提取結(jié)果如圖10—12所示。

表1　實驗參數(shù)

比較圖10(a)(b)和圖11(a)(b)的結(jié)果可以看出，不同尺度的結(jié)構元素可以較準確地提取出該尺度下的道路交叉口。候選道路交叉口的提取結(jié)果基本包含了圖像中所有的道路交叉口，且精提取過程可以利用道路交叉口的形狀有效地排除建筑物的干擾(圖10(a)和圖11(a)中區(qū)域1)。處于道路直線路段上的候選道路交叉口(圖10(a)和圖11(a)中區(qū)域2)也可以在ATS精提取中剔除。對于較寬的道路，基于相似像素數(shù)目的角度紋理特征可以克服交通設施遮擋影響，將道路交叉口提取出來(圖11(b)中區(qū)域3)。

由于影像的復雜性，道路周邊的建筑物有時會對角度紋理圖的形狀特征產(chǎn)生干擾。如圖10(b)中的區(qū)域3，呈“L”型的建筑物會表現(xiàn)出道路交叉口特征而被誤當作道路交叉口提取出來。與道路呈垂直粘連特征的建筑區(qū)域(圖11(a)中的區(qū)域4)，容易被當作道路交叉口。當大尺度道路上有較多復雜交通標志、設施時(圖12中區(qū)域1)，也會影響對道路交叉口的判斷。

因此，本文提出的方法能夠有效地將高分圖像中不同尺度下的道路交叉口提取出來，對有交通設施影響的較寬道路也有一定的適應性。但復雜的交通標記、陰影、建筑物等噪聲會影響道路交叉口提取的準確性。

3結(jié)論

1)針對高分辨遙感圖像特點和道路交叉口的影像特征，本文提出了一種自動提取道路交叉口的方法。多尺度圓形均勻區(qū)檢測及梯度變換和多尺度結(jié)構元的形態(tài)學變換能有效提取出各尺度下可能存在道路交叉口的候選區(qū)，并充分利用道路交叉口的幾何、光譜信息進一步篩選道路交叉口，獲取道路交叉口的位置中心； 基于2種特征的角度紋理圖的波谷檢測能夠識別道路交叉口的連接屬性，可以輔助道路交叉口的識別，對大尺度和小尺度下的道路交叉口具有一定的適用性。實驗證明，該方法能較準確地提取出高分辨率圖像中的道路交叉口，對較復雜場景中的道路交叉口提取也有一定的效果。

2)本文提出的道路交叉口提取算法還有一定的局限性： ①粗提取中假設的道路交叉口模型要求道路的灰度較均勻，如果道路中有較多的交通標記、陰影等噪聲，道路交叉口提取的準確度將會降低； ②在候選道路特征提取時，需要提供一些經(jīng)驗參數(shù)； ③在將多個尺度的道路交叉口提取結(jié)果融合時，可能會有重疊和聚集的道路交叉口，還需通過人工干預對這些道路交叉口進行編輯后處理或選擇適當?shù)木垲惙椒ㄟM行修正。

如何更好地利用道路特征有效地去除高分圖像中各種噪聲的干擾，準確、自動地提取出道路交叉口，仍是需要今后進一步研究的內(nèi)容。

參考文獻(References)：

[1]Talal T M,El-Sayed A,Hebaishy M,et al.Extraction of roads from high-resolution satellite images with the discrete wavelet transform[J].Sensing and Imaging:An International Journal,2013,14(1/2):29-55.

[2]王雙,曹國.一種基于改進path opening的道路提取新方法[J].計算機科學,2014,41(2):285-289.

Wang S,Cao G.New method for road extraction based on modified path opening algorithm[J].Computer Science,2014,41(2):285-289.

[3]Shi W Z,Miao Z L,Wang Q M,et al.Spectral-spatial classification and shape features for urban road centerline extraction[J].IEEE Geoscience and Remote Sensing Letters,2014,11(4):788-792.

[4]周紹光,陳超,岳建平,等.形狀先驗和圖割的高分辨率遙感影像道路段提取[J].測繪學報,2014,43(1):60-65.

Zhou S G,Chen C,Yue J P.Extracting roads from high-resolution RS images based on shape priors and graph cuts[J].Acta Geodaetica et Cartographica Sinica,2014,43(1):60-65.

[5]林祥國,張繼賢,劉正軍,等.用改進的剖面匹配算子提取高分辨率遙感影像上帶狀道路[J].測繪科學,2009,34(4):64-66,126.

Lin X G,Zhang J X,Liu Z J,et al.Semi-automatic extraction of ribbon road form high resolution remotely sensed imagery by improved profile matching algorithm[J].Science of Surveying and Mapping,2009,34(4):64-66,126.

[6]Niu X T.A semi-automatic framework for highway extraction and vehicle detection based on a geometric deformable model[J].ISPRS Journal of Photogrammetry and Remote Sensing,2006,61(3/4):170-186.

[7]Trinder J C,Wang Y D.Knowledge-based road interpretation in aerial images[J].International Archives of Photogrammetry and Remote Sensing,1998,32(4):635-640.

[8]Gamba P,Dell’Acqua F,Lisini G.Improving urban road extraction in high-resolution images exploiting directional filtering,perceptual grouping,and simple topological concepts[J].IEEE Geoscience and Remote Sensing Letters,2006,3(3):387-391.

[9]顧丹丹,汪西莉.結(jié)合區(qū)域生長和水平集的遙感影像道路提取[J].計算機應用,2010,30(2):433-436,440.

Gu D D,Wang X L.Road extraction from remote sensing images combining region growing with level set[J].Journal of Computer Applications,2010,30(2):433-436,440.

[10]李偉.遙感圖像中的道路提取[J].自動化博覽,2006,23(5):20-23.

Li W.Road extraction from remote sensing images[J].Automation Panorama,2006,23(5):20-23.

[11]吳亮,胡云安.參考道路交叉點的飛行器視覺輔助導航[J].北京航空航天大學學報,2010,36(8):892-895.

Wu L,Hu Y A.Scheme for vision-aided navigation in flight with reference of road intersections[J].Journal of Beijing University of Aeronautics and Astronautics,2010,36(8):892-895.

[12]Laptev I,Lindeberg T,Eckstein W,et al.Automatic extraction of roads from aerial images based on scale space and snakes[J].Machine Vision and Applications,2000,12(1):23-31.

[13]Chiang Y Y,Knoblock C A,Shahabi C,et al.Automatic and accurate extraction of road intersections from raster maps[J].GeoInformatica,2009,13(2):121-157.

[14]Mokhtarian F,Suomela R.Robust image corner detection through curvature scale space[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1998,20(12):1376-1381.

[15]Koutaki G,Uchimura K.Automatic road extraction based on cross detection in suburb[C]//Bouman C A,Miller E L.Computational Imaging II.San Jose,CA:SPIE,2004:337-344.

[16]Barsi A,Heipke C.Detecting road junctions by artificial neural networks[C]//Proceedings of the 2nd GRSS/ISPRS Joint Workshop on Remote Sensing and Data Fusion over Urban Areas.Berlin,Germany:IEEE,2003:129-132.

[17]陳曉飛,薛峰,王潤生.航空照片中道路交叉口的自動檢測[J].模式識別與人工智能,2000,13(1):83-86.

Chen X F,Xue F,Wang R S.Intersections automatic detection in aerial photos[J].Pattern Recognition and Artificial Intelligence,2000,13(1):83-86.

[18]Haverkamp D.Extracting straight road structure in urban environments using IKONOS satellite imagery[J].Optical Engineering,2002,41(9):2107-2110.

[19]周紹光,劉娟娟,陳仁喜.從高分辨率遙感影像中提取城市道路的新方法[J].計算機工程與應用,2010,46(32):216-219.

Zhou S G,Liu J J,Chen R X.New method to extract roads in urban area from high-resolution remote sensing imagery[J].Computer Engineering and Applications,2010,46(32):216-219.

[20]Wan Y C,Shen S H,Song Y,et al.A road extraction approach based on fuzzy logic for high-resolution multispectral data[C]//Proceedings of the 4th International Conference on Fuzzy Systems and Knowledge Discovery.Haikou:IEEE,2007:203-207.

[21]張睿,張繼賢,李海濤.基于角度紋理特征及剖面匹配的高分辨率遙感影像帶狀道路半自動提取[J].遙感學報,2008,12(2):224-232.

Zhang R,Zhang J X,Li H T.Semi-automatic extraction of ribbon roads from high resolution remotely sensed imagery based on angular texture signature and profile match[J].Journal of Remote Sensing,2008,12(2):224-232.

[22]Hu J X,Razdan A,Femiani J C,et al.Road network extraction and intersection detection from aerial images by tracking road footprints[J].IEEE Transactions on Geoscience and Remote Sensing,2007,45(12):4144-4157.

[23]陳卓,馬洪超,李云帆.結(jié)合角度紋理信息和Snake方法從LiDAR點云數(shù)據(jù)中提取道路交叉口[J].國土資源遙感,2013,25(4):79-84.doi:10.6046/gtzyyg.2013.04.13.

Chen Z,Ma H C,Li Y F.Extraction of road intersection from LiDAR point cloud data based on ATS and Snake[J].Remote Sensing for Land and Resources,2013,25(4):79-84.doi:10.6046/gtzyyg.2013.04.13.

[24]程江華,高貴,庫錫樹,等.高分辨率SAR圖像道路交叉口檢測與識別新方法[J].雷達學報,2012,1(1):91-95.

Cheng J H,Gao G,Ku X S,et al.A novel method for detecting and identifying road junctions from high resolution SAR images[J].Journal of Radars,2012,1(1):91-95.

[25]馮伍,張俊蘭,苗秋瑾.幾種典型邊緣檢測算子的評估[J].電子設計工程,2011,19(4):131-133.

Feng W,Zhang J L,Miao Q J.Evaluation of several typical edge detection operator[J].Electronic Design Engineering,2011,19(4):131-133.

(責任編輯： 李瑜)

Auto-extraction of road intersection from high resolution remote sensing image

CAI Hongyue1,2， YAO Guoqing3

(1.ChinaRSGeoinformaticsCo.,Ltd,Tianjin300384,China; 2.TianjinHighResolutionRemoteSensingInformationTechnologyEnterpriseKeyLab,Tianjin300384,China; 3.CollegeofInformationEngineering，ChinaUniversityofGeosciences(Beijing)，Beijing100083，China)

Abstract:Road intersection is one of the most important parts of road network, and extraction of road intersection information plays a significant role in such aspects as road network extraction, image registration and vehicle navigation. However, the research on extracting road intersections from remote imagery is insufficient. In view of the characteristics of road intersections in high resolution remote sensing imagery, the authors propose an approach to auto-extraction of road intersection in this paper. On the basis of image preprocessing, detection of homogeneous circular area by multi-scale structure elements was firstly used to extract alternative road intersections, which included gradient transformation and morphological transformation. Secondly, feature extraction for alternative road intersections was processed in order to further refine the result and get the central position for each choice. Finally, angular texture signature was extracted for each central position and road intersections were identified by valley finding. The experimental results show that the method presented in this paper can extract urban road intersections efficiently and has fairly good accuracy for complex urban context.

Keywords:road intersection； autoextraction; high resolution remote sensing image； mathematical morphology； multi-scale； angular texture signature； valley finding

通信作者：姚國清(1964-)，男，教授，主要研究方向為遙感與地理信息系統(tǒng)和計算機應用技術。Email: gqyao@cugb.edu.cn。

作者簡介：第一 蔡紅玥(1989-)，女，碩士研究生，主要研究方向為遙感信息處理與應用。Email： redmoon1126dida@163.com。

中圖法分類號：TP 79

文獻標志碼：A

文章編號：1001-070X(2016)01-0063-09

基金項目：國防科工委項目“國土資源遙感應用示范系統(tǒng)(一期)(地礦)”(編號： 04-Y30B01-9001-12/ 15)資助。

收稿日期：2014-09-12；

修訂日期：2014-10-19

doi:10.6046/gtzyyg.2016.01.10

引用格式： 蔡紅玥,姚國清.高分辯率遙感圖像道路交叉口自動提取[J].國土資源遙感,2016,28(1):63-71.(Cai H Y,Yao G Q.Auto-extraction of road intersection from high resolution remote sensing image[J].Remote Sensing for Land and Resources,2016,28(1):63-71.)