加入空間紋理信息的遙感圖像道路提取

王建華　秦其明　高中靈　葉昕　孟晉杰

摘要：由于道路與建筑物等其他不透水層存在光譜相似性，導(dǎo)致僅利用光譜信息進行道路提取的效果不佳。本文針對高等級城市道路目標(biāo)，提出了一種加入空間紋理信息的遙感圖像道路提取方法。首先，對圖像進行空間自相關(guān)Moran指數(shù)計算，提取圖像空間紋理信息，并將其加入到原始光譜波段中；其次，通過建立知識模提取假設(shè)道路段，并對提取結(jié)果進行假設(shè)驗證；最后，采用數(shù)學(xué)形態(tài)學(xué)的方法對驗證后的結(jié)果進行后處理。以空間分辨率為0.1m的航空影像為數(shù)據(jù)源，對本方法進行實驗。實驗結(jié)果表明，加入空間紋理信息的遙感圖像道路提取精度總體達到88%，比不加入空間紋理的提取精度要提高約5%。

關(guān)鍵詞：空間紋理信息；Moran指數(shù)；圖像處理；假設(shè)驗證；道路提取

中圖分類號：TP751 文獻標(biāo)識碼：A

道路作為現(xiàn)代化建設(shè)的基礎(chǔ)設(shè)施，在人們?nèi)粘Ｉ詈蛙娛律隙季哂胁豢珊鲆暤淖饔茫詮倪b感圖像上提取道路具有重要意義，它可以為城市規(guī)劃提供參考，為地圖更新提供數(shù)據(jù)，為國土資源管理提供依據(jù)，為搶險救災(zāi)提供指導(dǎo)。針對遙感圖像道路提取問題，國內(nèi)外很多專家和學(xué)者都開展了相應(yīng)的工作，Trinder等人在高分辨率圖像上提取道路段，并利用道路語義模型對漏提的道路段進行推理、連接，從而得到道路網(wǎng)提取結(jié)果。Singh等人利用自適應(yīng)全局閾值和數(shù)學(xué)形態(tài)學(xué)操作從高分辨率遙感圖像中提取道路網(wǎng)。Shi等人運用自適應(yīng)鄰域法和空間分析法在遙感圖像中準(zhǔn)確地提取道路中心線。Yuan等人利用局部興奮全局抑制振蕩網(wǎng)絡(luò)對遙感圖像進行分割，從而進行道路提取。Sent-hilnath等人通過歸一化割算法從全色遙感圖像中很好地提取出道路。Miao等人提出了一種半自動化的道路中心線提取方法，該方法通過人工設(shè)置道路種子點，結(jié)合核密度估計和短程線法提取道路中心線。羅慶洲等人結(jié)合了道路的光譜特征和幾何特征從影像中很好地提取了道路信息。唐偉等人基于Snake模型的優(yōu)勢及缺陷，提出一種高分辨率多光譜圖像道路提取方法。以上方法中都用到了道路的光譜信息，但由于道路與建筑物等地物光譜相似性，從而影響道路提取精度。隨著遙感技術(shù)的發(fā)展，高分辨率遙感圖像包含了豐富的空間細節(jié)信息，使得地物的內(nèi)部結(jié)構(gòu)清晰可辨。這為加入空間紋理信息進行道路提取提供了數(shù)據(jù)基礎(chǔ)。

本文針對上述問題，提出了一種加入空間紋理信息的遙感圖像道路提取方法。將空間紋理信息加入到道路提取中，通過建立道路提取的假設(shè)和驗證模型，基于知識的方法從遙感圖像中提取道路。本方法適用于遙感圖像中高等級城市道路提取，具有較高的精度。

1 研究方法

本文在研究遙感圖像中道路特征知識的基礎(chǔ)上，將圖像的空間紋理信息加入到遙感圖像道路提取中，通過知識模型提取道路。主要包括紋理信息提取、道路提?。僭O(shè)道路提取和假設(shè)驗證）和提取結(jié)果后處理3個主要步驟。具體流程如圖1所示。

1.1 空間紋理信息提取

紋理是指遙感圖像中地物內(nèi)部色調(diào)有規(guī)則變化形成的一種影像結(jié)構(gòu)。高分辨率遙感圖像中包含著豐富的空間細節(jié)信息，能夠使地物內(nèi)部結(jié)構(gòu)更加清晰。為了解決道路和建筑物等其他不透水層混淆問題，提高道路提取的準(zhǔn)確性，本文引入了空間紋理信息。采用空間統(tǒng)計（Moran指數(shù)）的方法提取圖像的紋理信息。首先利用主成分變化對多波段圖像進行分析，然后利用Moran指數(shù)對第一主分量進行統(tǒng)計，提取圖像的空間紋理。其中，Moran指數(shù)的定義如下：式中，x_i和x_j分別指空間單元i和j的屬性值，n是指空間單元的個數(shù)，ω_ij為空間權(quán)矩陣，表示空間單元i和j之間的影響程度。

1.2 基于知識的道路提取

道路在遙感圖像中一般呈現(xiàn)：1）寬度變化??；2）與周圍背景存在一定的反差，表現(xiàn)出明顯的邊緣特征；3）道路內(nèi)部總體灰度比較均勻；4）道路對象具有較高的矩形度和長寬比。本文在研究遙感圖像中道路的特征表達與抽取基礎(chǔ)上，建立道路提取的知識模型（假設(shè)模型和驗證模型）。

道路特征知識定量表達的參數(shù)有亮度、標(biāo)準(zhǔn)差、矩形度、長寬比和面積等。通過研究道路在遙感圖像上的表現(xiàn)特征，本文選取亮度、標(biāo)準(zhǔn)差建立道路提取假設(shè)模型，選取矩形度、長寬比和面積建立驗證模型。其中道路假設(shè)模型定義如下：式中，H_road是指假設(shè)道路，B_road和S_road分別為某對象的亮度和標(biāo)準(zhǔn)差，b₁和b₂是亮度閾值，s₁和s₂是標(biāo)準(zhǔn)差閾值。針對某對象，當(dāng)其亮度和標(biāo)準(zhǔn)差滿足B_road∈[b₁，b₂]或者S_road∈s₁，s₂]時，將其定義為假設(shè)道路段。由于異物同譜現(xiàn)象的存在，導(dǎo)致假設(shè)道路段中存在部分如車輛、房屋等虛假道路目標(biāo)。本研究通過建立假設(shè)驗證模型，去除這些虛假道路目標(biāo)。道路對象的長寬比和矩形度一般較大，所以本研究用道路的長寬比和矩形度作為驗證模型參數(shù)，并將面積屬性加入驗證模型中去除零碎的細小對象。驗證模型表示如下：式中，V_road是指驗證后的道路；R，W和A分別指某對象的矩形度、長寬比和面積；r₁，ω₁和a₁分別指矩形度閾值、長寬比閾值和面積閾值。公式（3）的含義為，在假設(shè)道路段中，當(dāng)?shù)缆穼ο蟮木匦味群烷L寬比滿足R∈（0，r₁）或者W∈（0，ω₁）時，將其從假設(shè)道路段中去除。然后對假設(shè)道路段進行區(qū)域合并，將面積小于a₁的對象從假設(shè)道路對象中去除，從而得到驗證后的道路段。

1.3 提取結(jié)果后處理

由于車輛、行車線、建筑物等地物的影響很大，盡管知識模型在一定程度上可以減小影響，但是道路提取結(jié)果中仍存在很多噪聲和孔洞，本文采用數(shù)學(xué)形態(tài)學(xué)閉運算對道路提取的結(jié)果進行后處理來提高道路提取的準(zhǔn)確性，為了保證提取道路的完整性以及道路邊緣的平滑性，此處選取八鄰域作為數(shù)學(xué)形態(tài)學(xué)運算的結(jié)構(gòu)元素進行后處理。

2 實驗與結(jié)果

為了驗證本方法的有效性和優(yōu)越性，本文通過實測數(shù)據(jù)進行實驗，并對結(jié)果進行精度評價。

2.1 數(shù)據(jù)源

本研究選取廣東省陽江地區(qū)航空影像數(shù)據(jù)為實驗數(shù)據(jù)，成像時間是2013年4月，圖像空間分辨率為0.1m，圖像大小為2808×2719像素。道路寬度為10m左右，道路類型是高等級城市道路，實驗數(shù)據(jù)如圖2（a）所示。圖像中包括道路、房屋、植被、車輛、行車線等目標(biāo)。圖像具有紅、綠、藍三個波段信息。

2.2 道路目標(biāo)提取

對原始圖像進行主成分分析，第一主分量如圖2（b）所示，它包含了原始圖像的主要信息。利用Moran指數(shù)對圖2（b）進行空間統(tǒng)計，提取圖像的空間紋理信息如圖2（c）所示，道路在圖中呈現(xiàn)低值聚集，比周圍地物的亮度明顯要低，道路的邊緣突出，有助于更加完整地將道路從周圍地物中分割開。因此，將圖2（c）加入到原始圖像中，并采用多尺度分割的方法對加入空間紋理信息后的圖像進行分割，設(shè)定分割尺度為200，分割結(jié)果如圖2（d）所示，從圖中可以看出道路的完整性保留得很好。利用道路提取假設(shè)模型進行假設(shè)道路的提取，提取結(jié)果如圖2（e）所示（其中，b₁=74；b₂=102；s₁=12；s₂=15）。利用驗證模型進行假設(shè)驗證，去除虛假道路目標(biāo)（r₁=0.6；ω₁=2；a₁=5000pixels），圖2（f）為驗證結(jié)果。利用數(shù)學(xué)形態(tài)學(xué)閉運算對提取結(jié)果進行后處理，將結(jié)果與原始圖像進行疊加，并與真實結(jié)果進行對比。圖2（g）為疊加效果圖，其中紅色部分為正確提取的道路，藍色部分為漏提取的道路，綠色部分為錯提取為道路。從圖中可以看出有一小段道路漏提，分析發(fā)現(xiàn)該小段道路左側(cè)邊緣受到了破壞，同時道路上塵土較多，導(dǎo)致與其他道路段的紋理和光譜特征產(chǎn)生了差異，故而被錯分到其他地物中。為了證明本方法的優(yōu)越性，本文設(shè)計了對比實驗，圖2（h）為不加入空間紋理信息提取的結(jié)果。通過對比分析，可以直觀地看出加入紋理信息提取的結(jié)果更精確。

2.3 精度評價

為了對道路提取結(jié)果進行精度評價，本文選擇3個最廣泛被人認(rèn)可的評價指標(biāo)，具體如下：式中，E₁為生產(chǎn)者精度，E₂為用戶精度，E₃為提取質(zhì)量。k_TP為正確提取為道路的區(qū)域，k_FN為未被提取的道路區(qū)域，k_FP為錯誤提取為道路的區(qū)域。利用選取的3個評價指標(biāo)，分別對上述實驗中是否加入空間紋理信息提取的道路區(qū)域（面積）進行評價，以此來突出本方法的優(yōu)越性。具體的精度評價結(jié)果如表1所示。

由表1可知，本方法能夠很好地提取道路，E₁，E₂和E₃分別達到了94.29%，88.62和84.11%，平均精度達到了88%，比不加入空間紋理信息提取精度提高了大約5%。然而，由于混合像元的影響，導(dǎo)致道路邊界不清楚，從而錯誤地將道路邊界外側(cè)鄰近的部分區(qū)域提取為道路，這使得道路提取的用戶精度相對較低。

3 結(jié)論

本文針對高等級城市道路目標(biāo)，提出了一種加入空間紋理信息的遙感圖像道路提取的方法，有效地解決了道路與其他不透水層的光譜相似性問題。該方法在深入研究道路特征知識表達的基礎(chǔ)上，建立了道路提取的假設(shè)模型和驗證模型，減少了道路中車輛、行車線等地物的不利影響。最后利用廣東省陽江地區(qū)影像數(shù)據(jù)進行了實驗，實驗結(jié)果表明，本方法能夠克服道路周圍環(huán)境的影響，有效地從遙感圖像中提取城市主干道路。