基于對象直方圖G統(tǒng)計量的遙感影像道路提取

楚 恒，李洪川，劉紅彬

(1. 重慶郵電大學光通信與網(wǎng)絡重點實驗室，重慶400065； 2. 西南大學地理科學學院，重慶400715； 3. 重慶市勘測院，重慶400020)

基于對象直方圖G統(tǒng)計量的遙感影像道路提取

楚 恒1,2,3，李洪川1，劉紅彬1

(1. 重慶郵電大學光通信與網(wǎng)絡重點實驗室，重慶400065； 2. 西南大學地理科學學院，重慶400715； 3. 重慶市勘測院，重慶400020)

提出了一種基于對象直方圖G統(tǒng)計量的遙感影像道路提取方法。首先基于標記分水嶺算法分割高分辨率遙感影像獲取對象像斑，提取對象光譜特征并利用SVM從影像中分離出光譜相似的建成區(qū)(道路、建筑物等)；然后從建成區(qū)選擇合適的對象作為訓練樣本，采用G統(tǒng)計量度量測試樣本與訓練樣本的LBP紋理直方圖距離，以表達對象紋理特征的異質(zhì)性，并利用最小距離分類器完成建成區(qū)內(nèi)道路與建筑物等的分離；最后結(jié)合幾何形狀特征和數(shù)學形態(tài)學處理對提取的道路進行優(yōu)化，獲得最終的道路提取結(jié)果。試驗結(jié)果表明：該方法能較好地提取出道路信息。

G統(tǒng)計量；道路提?。环炙畮X分割；LBP紋理直方圖；數(shù)學形態(tài)學

道路作為遙感影像中重要的基礎(chǔ)地理信息，在國家地理國情普查與監(jiān)測、城市規(guī)劃和地圖更新等方面具有深遠的意義。傳統(tǒng)的遙感影像道路提取多采用人工判讀解譯的方法，工作量大，效率低下，難以滿足社會生產(chǎn)建設(shè)的需要[1]。如何利用機器學習理論和計算機技術(shù)實現(xiàn)遙感影像道路的提取成為目前研究的熱點與難點。

隨著影像空間分辨率的提高，地物結(jié)構(gòu)和形狀信息日益豐富，紋理更加清晰，類間光譜相似性和類內(nèi)光譜相異性現(xiàn)象明顯存在。目前常用的道路提取方法如模板匹配法[2]、Snakes模型方法[3]、邊緣檢測法[4]、數(shù)學形態(tài)學法[5]等在中低分辨率遙感影像道路的提取中效果較好，但對高分辨率遙感影像而言，道路提取效果并不理想。高分辨率影像中的道路分辨率高，復雜度大，易受周邊環(huán)境干擾，目前并沒有一種普適的方法能夠很好地實現(xiàn)高分辨率遙感影像的道路提取。

李亮等[6]提出了一種基于像斑G統(tǒng)計量的遙感影像分類方法，該方法充分利用對象光譜特征，取得了較好的分類效果，但卻忽視了高分辨率遙感影像豐富的紋理等特征。本文在此基礎(chǔ)上提出了一種新的基于對象直方圖G統(tǒng)計量的遙感影像道路分層次提取方法。首先，基于標記分水嶺分割算法分割原始遙感影像獲取對象像斑，提取對象光譜特征并利用SVM提取出光譜相似的道路、建筑物等建成區(qū)地物，去除光譜差異較大的植被、水體等地物；然后從建成區(qū)選擇合適的對象作為訓練樣本，采用G統(tǒng)計量度量測試對象與訓練對象的紋理直方圖距離，以表達對象紋理特征的異質(zhì)性，利用最小距離分類器完成建成區(qū)內(nèi)道路與建筑物等的分離；最后結(jié)合幾何形狀特征和數(shù)學形態(tài)學處理對提取的道路進行優(yōu)化，獲得最終的道路提取結(jié)果。試驗證明：該方法較其他常用方法道路提取效果更好，道路提取的準確率更高。

1 遙感影像道路提取過程

本文提出的方法主要步驟：①采用標記分水嶺分割算法對原始影像進行初始分割，獲取對象像斑；②提取對象光譜均值和方差作為光譜特征，利用SVM將光譜相似的道路、建筑物等提取出來，去除與道路光譜差異較大的植被、水體等地物；③以建成區(qū)(道路、建筑物等)為研究對象，人工選擇訓練樣本，基于LBP紋理直方圖G統(tǒng)計量度量訓練樣本與測試樣本的直方圖距離，運用最小距離分類器實現(xiàn)道路的提??；④結(jié)合幾何形狀特征和數(shù)學形態(tài)學處理對道路信息優(yōu)化，獲得最終的道路提取結(jié)果。所提方法具體流程如圖1所示。

圖1 道路提取流程

1.1 標記分水嶺分割

由于影像分割過程中，對灰度差異較小但屬于不同地物類型的像元容易分割成一個對象，導致道路等地物出現(xiàn)錯提、漏提等現(xiàn)象，因此本文采取分段拉伸的方法增大像元間灰度值差異，再進行標記分水嶺分割。

分水嶺分割方法是一種基于拓撲理論的數(shù)學形態(tài)學分割方法，其基本思想是把圖像看作是測地學上的拓撲地貌，圖像中每一點像素的灰度值表示該點的海拔高度，每一個局部極小值及其影響區(qū)域稱為集水盆，而集水盆的邊界則形成分水嶺[7]。由于受噪聲等因素影響，分水嶺分割算法容易造成過分割現(xiàn)象。本文采用文獻[7]中的標記分水嶺方法，能夠一定程度上抑制影像過分割，減少分割對象數(shù)目，減少后文工作的工作量，提高算法效率。

1.2 基于SVM的建成區(qū)提取

高分辨率遙感影像中地物細節(jié)更加豐富，僅從光譜特征來分析，道路與建筑物、水泥廣場等地物光譜分布相似，容易誤分為一種地物；道路與其他地物(如植被、水體、裸地等地物)光譜差異較大，容易區(qū)分?；诖?，本文利用SVM，依據(jù)提取的對象光譜特征將初始分割后的影像大體分為植被、水體、裸地和建成區(qū)(道路和建筑物等)，再對提取的建成區(qū)對象作后續(xù)處理，實現(xiàn)道路的完整提取。

對于初始分割后的影像，比較普遍的是提取對象的光譜均值，但由于一些不同類地物部分存在光譜相似性，容易造成誤分，本文將對象光譜標準差和均值進行歸一化處理作為對象光譜特征，并輸入SVM進行分類[8]。

SVM作為近年來人工智能和機器學習的新型分類器，在解決小樣本、非線性及高維數(shù)據(jù)的模式識別問題具有特有的優(yōu)勢，通過控制Vapnik-Chervonenkis維數(shù)和經(jīng)驗風險，能夠保證其良好的學習泛化能力[9]。本文選用臺灣大學林智仁博士等設(shè)計的通用軟件包LIBSVM進行仿真試驗，分類后可以將易于提取的植被、水體等地物與含有道路、建筑物等的建成區(qū)分離開。

1.3 G統(tǒng)計量的道路提取

1.3.1 對象LBP紋理直方圖

紋理是自然界中廣泛存在的物體本質(zhì)的屬性，是描述和識別物體的極為重要的特征[10]。將紋理特征引入遙感影像分類可以有效提高遙感影像分類效果，尤其是高分辨率影像分類效果。LBP(local binary patterns)作為一種紋理描述算子，以統(tǒng)計分析的方法描述紋理，計算簡單，被廣泛應用在遙感影像分析中(如紋理影像分割等)[11]。具體計算公式如下

(1)

(2)

式中，RL(LP,R,i)表示權(quán)值模板順時針旋轉(zhuǎn)i次后的 LBP值。

1.3.2 基于G統(tǒng)計量的道路提取

以LBP紋理直方圖表征對象紋理特征，對象的紋理異質(zhì)性就轉(zhuǎn)化為測試樣本與訓練樣本間的直方圖距離。常見的計算直方圖距離的方法有交叉法、交叉熵方法、G統(tǒng)計法等[12]。其中，G統(tǒng)計法是一種非參數(shù)的統(tǒng)計方法，不需要預期知道隨機變量的分布情況，因此被廣泛應用于基于LBP紋理的影像分析中。兩對象直方圖之間的G統(tǒng)計量為

G(m,n)=

(3)

式中，t表示直方圖的灰度級數(shù)，fi表示灰度級為i時的概率密度。任意同質(zhì)區(qū)內(nèi)其灰度直方圖累積概率必然為1，則

(4)

(5)

合并化簡以后原公式為

(6)

G統(tǒng)計量的取值范圍為[0，2.772 6]。當兩個對象間紋理直方圖完全相同時，G統(tǒng)計量取最小值0;當兩個對象直方圖完全不相關(guān)時，G統(tǒng)計量取最大值2.772 6。G統(tǒng)計量的值越大，則對應對象間LBP紋理直方圖的距離越大，兩個對象間的相似性越小；反之，G統(tǒng)計量的值越小，則光譜直方圖的距離越小，對應的相似性越大[6]。

人工選取n個訓練樣本，對應訓練樣本隸屬類別集合為λ={λ1,λ2,…,λi,…,λn}，根據(jù)最小距離原理，測試樣本的類別C為

(7)

式中，G(i)為待分類像斑與第i個訓練樣本像斑的G 統(tǒng)計量；arg min 為取最小值函數(shù)。

2 幾何形狀和數(shù)學形態(tài)學處理

2.1 幾何形狀指數(shù)優(yōu)化

經(jīng)過直方圖G統(tǒng)計量提取的道路信息基本上可以將建成區(qū)的道路信息與非道路信息提取出來，經(jīng)過道路幾何特征處理，可實現(xiàn)已提取的道路信息的優(yōu)化，去除道路中的一些非道路信息。在高分辨率遙感影像上，道路呈長條狀，長度遠大于寬度，而非真實道路在圖像上表現(xiàn)為大小不一的圖斑。本文選取面積(Area) 、 區(qū)域充滿度和線性特征指數(shù)(linear feature index，LFI)來實現(xiàn)道路提取的優(yōu)化。

(1) 面積(Area) 。 道路的面積不會很小，采用該特征通過選取適當?shù)拿娣e閾值T，可以去除面積過小的物體，同時過濾部分噪聲，可以節(jié)省后續(xù)操作時間。

(2) 區(qū)域充滿度。 區(qū)域充滿度F=S/SMER，其中S為圖形連通區(qū)域面積，SMER為圖形最小外接矩形面積，區(qū)域充滿度提取曲線道路效果顯著。

(3) 線性特征指數(shù)(LFI)。道路是暗長區(qū)域，遍歷已得到道路的候選區(qū)域，利用一個最小外接矩形包圍連通區(qū)域，采用文獻[13]中的方法提取每個連通區(qū)域的中心線。連通區(qū)域轉(zhuǎn)換成矩形，該矩形滿足

LW=np

(8)

式中，L為連通域中心線的長度；np為連通域的面積。

LFI可通過下式計算

(9)

式中，L和W分別為新矩形的長和寬；np為連通域的面積。道路有大的LFI值，LFI較小的連通區(qū)域被去除。

2.2 數(shù)學形態(tài)學處理

經(jīng)過上述提取優(yōu)化后的道路信息仍存在由于車道線、車輛、陰影和其他噪聲干擾造成的孔洞現(xiàn)象。數(shù)學形態(tài)學利用具有一定形態(tài)的結(jié)構(gòu)元素去度量和提取圖像中的對應形狀[14]，能夠很好地填充孔洞。在本文中用到的數(shù)學形態(tài)學算子是膨脹運算、腐蝕運算、擊中或不擊中變換。

設(shè)A和B為兩個非空集合，B為具有一定形態(tài)的結(jié)構(gòu)元素，則

腐蝕的定義為

AΘB={x|(B)x?A}

(10)

膨脹的定義為

(11)

擊中或不擊中變換為

A?B=(AΘB1)∩(AcΘB2)

(12)

3 試驗結(jié)果與分析

本試驗以重慶市某地區(qū)QuickBird影像為研究對象，其空間分辨率為0.61 m，包含R、G、B 3個波段。各試驗步驟結(jié)果如圖2所示。

圖2 影像道路提取過程

從目視效果看，圖2(b)經(jīng)過SVM分類后能夠較好地將與道路光譜差異較大的植被、水體、陰影等分離開，很好地提取出了包含道路、建筑物等地物的建成區(qū)；圖2(c)再經(jīng)過直方圖G統(tǒng)計量最小距離器分類后，大體上能夠提取出道路信息，但仍存在建筑物誤分成道路的現(xiàn)象；經(jīng)過幾何形狀指數(shù)和數(shù)學形態(tài)學處理，實現(xiàn)了如圖2(d)所示的完整道路提取效果，可以看出道路提取效果較好。

為了定量評價道路提取效果，本文通過建立誤差矩陣并進行相關(guān)的運算得到所分地物的分類精度；選用總體精度與Kappa系數(shù)對道路提取效果進行客觀評價[15]。本文在原始圖像中隨機選取500個測試樣本點，并對道路和非道路樣本點進行個數(shù)統(tǒng)計。圖3為測試樣本點分布圖。

圖3 測試樣本點分布

道路提取結(jié)果評價見表1—表2。

表1 道路提取結(jié)果

表2 道路提取綜合評價

從表2可以看出，道路提取的總體精度達到了91.00%，Kappa系數(shù)達到了0.802 2，能夠有效地提取出道路信息。

為了驗證本文所提方法的有效性，選用另外一幅QuickBird影像對本文方法進行驗證試驗，并與多尺度提取方法和面向?qū)ο蟮腟VM提取方法作對比，具體提取結(jié)果如圖4所示。

從圖4可以看出，多尺度提取方法與面向?qū)ο骃VM提取方法都存在建筑物與道路誤分的現(xiàn)象，道路提取不夠完整，本文所提方法能在一定程度上抑制建筑物與道路的誤分，道路提取效果更好。具體的道路提取客觀評價見表3。

本文所提方法總體精度達到了90.60%，相較于多尺度提取和面向?qū)ο骃VM提取分別提高了3.4%和1.7%，Kappa系數(shù)分別提高了0.024 1和0.036 1。通過上述分析，本文所提方法能更好地提取出道路信息，滿足數(shù)字城市建設(shè)和地理國情監(jiān)測的需要。

圖4 不同方法道路提取結(jié)果

表3 不同方法的道路提取評價結(jié)果

4 結(jié) 語

本文提出了一種基于直方圖G統(tǒng)計量的道路提取方法，充分利用影像的光譜、紋理、幾何形狀等特征，通過面向?qū)ο蠹夹g(shù)，較好地實現(xiàn)了高分辨率遙感影像中道路信息的有效提取，通過兩組試驗分析，該方法能夠完整地提取出道路，有效抑制了建筑物等地物對道路的影響。但本文對道路的特征尤其是幾何特征利用還不完善，如何更加有效地去除建筑物、廣場等地物對高分辨率遙感影像中道路提取的影響等，將是下一步的研究目標。

[1] 項皓東.從高分辨率遙感影像中提取道路信息的方法綜述及展望[J].測繪與空間地理信息，2013，36(8):202-206.

[2] 林祥國，張繼賢，李海濤,等.基于T型模板匹配半自動提取高分辨率遙感影像帶狀道路[J].武漢大學學報(信息科學版)，2009，34(3):293-296.

[3] ZHAO L，WANG X.Road Extraction in High Resolution Remote Sensing Images Based on Mathematic Morphology and Snake Model[C]∥International Congress on Image and Signal Processing.[S.l.]：IEEE，2010:1436-1440.

[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.

[5] SHI W，MIAO Z，DEBAYLE J.An Integrated Method for Urban Main-Road Centerline Extraction From Optical Remotely Sensed Imagery[J].IEEE Transactions on Geoscience & Remote Sensing，2014，52(6):3359-3372.

[6] 李亮，梁彬，薛鵬,等.基于像斑直方圖G統(tǒng)計量的遙感影像分類[J].國土資源遙感，2016，28(4):71-76.

[7] 賈永紅，馮在梅，沈庭樂.基于標記分水嶺分割的高分辨率影像水體信息提取[J].測繪通報，2014(9):31-33.

[8] 譚盼華，劉玉財，胡忠文.高斯光譜估計結(jié)合形狀特征的遙感影像分割方法[J].測繪與空間地理信息，2013，36(6):138-141.

[9] 吳一全，殷駿，戴一冕,等.基于蜂群優(yōu)化多核支持向量機的淡水魚種類識別[J].農(nóng)業(yè)工程學報，2014，30(16):312-319.

[10] 薄華，馬縛龍，焦李成.圖像紋理的灰度共生矩陣計算問題的分析[J].電子學報，2006，34(1):155-158.

[11] WU Z，HU Z，ZHANG Q，et al.On Combining Spectral，Textural and Shape Features for Remote Sensing Image Segmentation [J].Acta Geodaetica Et Cartographica Sinica，2013，42(1)：44-50.

[12] WANG S.Segmentation of Multispectral High-resolution Satellite Imagery Based on Integrated Feature Distributions [J].International Journal of Remote Sensing，2010，31(6):1427-1439.

[13] SHI W，MIAO Z，WANG Q，et al.Spectral-Spatial Classification and Shape Features for Urban Road Centerline Extraction [J].IEEE Geoscience & Remote Sensing Letters，2014，11(4):788-792.

[14] GONZALEZ R C，WOODS R E，EDDINS S L,等.數(shù)字圖像處理(MATLAB版)[M].北京：電子工業(yè)出版社，2013.

[15] 趙時英.遙感應用分析原理與方法[M].北京：科學出版社，2003.

RoadExtractionofRemoteSensingImageryUsingGStatisticsofObjectHistogram

CHU Heng1，2，3，LI Hongchuan1，LIU Hongbin1

(1. School of Communication and Information Engineering，Chongqing University of Posts and Telecommunications，Chongqing 400065，China; 2. School of Geographical Sciences，Southwest University，Chongqing 400715，China; 3. Chongqing Survey Institute，Chongqing 400020，China)

This paper proposes a new road extraction method of remote sensing imagery based on G statistics of object histogram.Firstly，the original imagery is segmented using marked-watershed algorithm to obtain imagery objects, and the imagery objects’ spectral features are extracted，the built-up areas containing roads and buildings are separated based on SVM. Then the appropriate objects are chosen as training samples.G statistics is used to measure the histogram distance between test samples and training samples which describes the heterogeneity of two objects.Minimum distance classifier is employed to separate the road information and buildings in built-up areas. Finally，the final road information is extracted integrating the shape features and mathematics morphology.The result of experiment shows that the proposed method can fairly well extract the road information.

G statistics；road extraction；watershed segmentation；LBP texture histogram；mathematics morphology

2017-03-14

重慶市2013西南大學博士后科研項目(Rc201336)；重慶高校創(chuàng)新團隊建設(shè)計劃(CXTDX201601020)

楚 恒(1976—)，男，博士，高級工程師，主要研究方向為遙感影像融合與分類、模式識別。E-mail：1007533013@qq.com

楚恒，李洪川，劉紅彬.基于對象直方圖G統(tǒng)計量的遙感影像道路提取[J].測繪通報，2017(12)：63-67.

10.13474/j.cnki.11-2246.2017.0380.

P237

A

0494-0911(2017)12-0063-05