基于高分遙感影像的斷裂道路連接方法

(西南科技大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，四川 綿陽 621010)

0 引言

高分遙感影像道路提取在各個領(lǐng)域發(fā)揮著重要的作用，如汽車導(dǎo)航、城市規(guī)劃、資源探測、智能交通、地理信息更新等。道路的提取精度對各類地物的識別效果、自然災(zāi)害預(yù)警、軍事目標偵察與打擊、無人駕駛路徑規(guī)劃等研究領(lǐng)域也有重要影響[1]。針對遙感圖像道路提取的問題，國內(nèi)外學(xué)者提出了各類算法與模型。目前，道路的提取方法大致可分為基于像元和基于對象的提取方法。Zhao等[2]提出一種利用光譜特征與統(tǒng)計特征的監(jiān)督分類方法，該算法主要針對遙感區(qū)域面積較小情況下的道路提取。Shi等[3]使用自適應(yīng)領(lǐng)域?qū)崿F(xiàn)光譜特征空間分類，對區(qū)分道路類與非道路類有較好效果，對于圓形交叉入口等復(fù)雜場景具有局限性。Mu等[4]提出基于灰度特征的Otsu閾值法來分割圖像，該方法的精度還需要改進。Cheng等[5]根據(jù)圖像的紋理特征和幾何特征提出了基于對象的圖像分割方法，該方法對農(nóng)村和郊區(qū)等道路較少的區(qū)域有較好的提取效果，但對城鎮(zhèn)提取道路網(wǎng)提取效果還需要改進。

部分研究著力于從獲取的道路條帶中提取道路中心線[6]，其中細化算法[7]比較常用，但該算法會產(chǎn)生“毛刺”現(xiàn)象，不能得到平滑和精確的道路中心線。Cao等[8]利用均值漂移算法和卡爾曼濾波提取道路的中心線，對車輛、樹蔭等遮擋區(qū)域具有較好的穩(wěn)定性，有待改進之處在于需要人工提供道路中心點模板，自動化程度需要提高。Ozertem等[9]提出子空間約束的均值漂移算法來獲取精確的道路中心線，但該方法屬于有偏估計，影響了結(jié)果的精確性。Cao等[10]提出一種融合像元與對象特征的中心線提取方法，有效的改善了傳統(tǒng)方法中易產(chǎn)生“鹽噪聲”和非道路地物粘連的現(xiàn)象，但需要借助于地表真實訓(xùn)練樣本。中心線的提取結(jié)果中，會因為障礙物等各種因素造成道路信息提取不完整，出現(xiàn)“毛刺”和“斷裂”現(xiàn)象。

針對“毛刺”與“斷裂”的問題，本文提出一種新的“交點”搜索規(guī)則，使用基于交點的“毛刺”去除算法對道路中心線中的“毛刺”進行去除。提出一種基于“待連接點”的連接方法對“斷裂道路”進行連接，得到光滑和完整的道路中心線提取圖。

1 中心線提取流程

1.1 基于SVM的高分遙感影像道路提取

本文采用文獻[11]中的方法對遙感影像進行分類，算法完整流程如下：

1)利用支持向量數(shù)據(jù)描述(SVDD)對高分遙感影像進行處理，得到初始道路與非道路樣本數(shù)據(jù)。

2)利用SVM(支持向量機)訓(xùn)練初始樣本，得到初始的道路圖。結(jié)合形態(tài)學(xué)分割和直線匹配得到直線匹配圖。

3)根據(jù)樣本點與超平面之間的距離選出候選道路與非道路樣本數(shù)據(jù)。

4)候選點在直線匹配圖中依然是道路，則保留該道路候選點，否則刪除該點，對非道路候選點也采用同樣的方式處理。

5)將4)中選出的道路與非道路賦予一定的權(quán)重，與初始樣本集代入到SVM訓(xùn)練，當(dāng)?shù)螖?shù)小于30次時，返回第3)步，否則進行第6)步。

6)對訓(xùn)練模型進行篩選，得到正確率最高的訓(xùn)練模型，最后通過形態(tài)學(xué)處理獲得道路提取圖。

圖1 本文算法流程圖

1.2 道路中心線提取

得到初始道路提取圖之后，需要對非道路區(qū)域進行去除，本文采用文獻[12]中的方法來去除干擾區(qū)域。

1)使用邊緣濾波將道路和非道路區(qū)域之間的連接斷開?，F(xiàn)實的道路區(qū)域交叉處是平滑和連通的，因為道路與非道路區(qū)域的材質(zhì)不同，所以它們的連接處會存在邊緣現(xiàn)象。根據(jù)這一特點，利用Canny算子提取原始全色影像的邊緣，邊緣存在的位置不應(yīng)該存在道路，因此可以將道路提取圖中的邊緣存在處設(shè)置為背景區(qū)域，這樣就可以將道路區(qū)域與非道路區(qū)域隔離開。

2)使用紋理濾波對大面積非道路區(qū)域進行去除。選擇一個略大于道路寬度的窗口對圖像進行遍歷，并計算窗口內(nèi)影像的方差。設(shè)道路區(qū)域像素點的值為1，背景點為0，當(dāng)窗口遍歷到大面積非道路區(qū)域內(nèi)部時，像素值都為1，方差較小，設(shè)置一個閾值，將方差小于閾值的區(qū)域判定為非道路區(qū)域進行去除。

3)使用形狀濾波對剩余小面積非道路區(qū)域進行去除。由于道路是狹長的連通區(qū)域，因此都有較大的面積和長寬比，利用線性特征指數(shù)，對采用邊緣濾波和紋理濾波之后的圖像進行形狀濾波，去除剩余的一些小面積區(qū)域和長寬比較小的區(qū)域(如房屋)。從而得到最終的道路提取圖。

接著使用文獻[13]的方法對提取的道路圖進行中心線提取。該方法是一種快速并行的細化算法。具體步驟為：

1)首先，用矩陣T來定義二值化后的影像，其中每個像素T(i，j)的值為1或者0(目標像素值為1，背景像素值為0)。

2)在并行影像處理中，在第n次迭代中給予點的新值取決于其自身的值以及在第(n-1)次迭代時其八鄰域的值，使得可以同時處理所有影像點。為了保持骨架的連通性，將每次迭代分為兩個子項。

3)在第一個子過程中，如果滿足以下條件，則輪廓點P1將從數(shù)字模式中刪除：

(1)2≤B(P1)≤6

(2)A(P1)=1

(3)P2*P4*P6=0

(4)P4*P6*P8=0

其中:B(p1)表示中心像素P1周圍目標像素(對應(yīng)值為1)的數(shù)量。A(P1)表示按順時針方向P2->P9的過程中出現(xiàn)01模式的數(shù)量。

4)第二個子過程中，(1)和(2)條件不變，(3)和(4)條件變?yōu)椋?/p>

(3)P2*P4*P8=0

(4)P2*P8*P8=0

執(zhí)行完上面的兩個步驟之后，就完成了一次骨架算法，多次迭代上述過程，就可以得到始的路網(wǎng)提取圖。

2 中心線去“毛刺”流程

使用傳統(tǒng)的骨架細化算法得到的道路中心線會產(chǎn)生“毛刺”現(xiàn)象，“毛刺”現(xiàn)象會影響道路信息的準確性，為了得到平滑的路網(wǎng)信息，需要對“毛刺”現(xiàn)象進行去除。

2.1 尋找“交點”

本文中心線去“毛刺”算法的思想是：首先找到圖像中線段的“交點”，然后通過“交點”來計算各條線段的長度，最后設(shè)置閾值，刪除小于閾值的線段，即可消除“毛刺”現(xiàn)象。本文中將道路區(qū)域設(shè)置為黑色目標點，其他區(qū)域為白色背景點，算法流程如下：

1)首先，將目標點與其八鄰域內(nèi)的像素點用數(shù)字標記。

如圖2所示，中心的黑色區(qū)域為目標點，數(shù)字代表中心點與其八鄰域的標記。

2)“交點”至少為2條線段交匯處，因此根據(jù)目標點與其八鄰域內(nèi)其他點的分布情況，枚舉出一個目標點成立為“交點”的所有條件，如圖2所示。通過圖2中的規(guī)則，搜索圖像中的“交點”。

圖2 中心點與八鄰域

如圖3所示，圖中包括“交點”的成立條件和終止條件，例如中心點為黑色目標點時，當(dāng)目標點的八鄰域內(nèi)1、3、7位置也為目標點時，中心點成立為“交點”。但如果2或者4的位置也存在目標點時，則中心點5不是“交點”。終止條件為空時表示：當(dāng)中心點周圍有成立條件中的3個點為目標點時，中心點恒為“交點”。

成立終止成立終止成立終止1372、4246348138224834961392、62493796、816742674681682681794、82798

圖3 “交點”成立規(guī)則

如圖4所示，左圖表示1、3、7位置是目標點時，中心點成立為“交點”，右圖表示，1、3、7位置存在目標點，同時2位置也是目標點時，中心點不成立為“交點”。

圖4 1、3、7情況圖解

2.2 設(shè)置閾值，去除“毛刺”

根據(jù)圖3中的搜索規(guī)則，遍歷圖像，找出圖中的所有“交點”，當(dāng)圖像中的“交點”搜索完成之后，以“交點”為起點，計算“交點”周圍各條線段的長度，如果線段的長度小于設(shè)置的閾值時，則刪除該線段。對圖像中的所有“交點”進行操作之后，可以將圖像中小于閾值的“毛刺”去除，得到平滑的道路中心線。

3 斷裂道路連接流程

得到光滑的道路中心線之后，圖像中還存在道路斷裂的現(xiàn)象，為了得到完整的路網(wǎng)信息，本文提出一種新的斷裂道路連接的方法。

3.1 尋找“待連接點”

算法的第一步是找到所有可能需要連接的點，將其稱為“待連接點”，即出現(xiàn)斷裂現(xiàn)象線段的“終點”。搜索“待連接點”分為以下幾個步驟：

1)以黑色目標點為中心的八鄰域內(nèi)只存在一個黑色點時，該目標點為“待連接點”。

2)以黑色目標點為中心的八鄰域內(nèi)存在兩個級以上的黑色點時，設(shè)黑色目標像素點的值為1，白色背景像素點的值為0，如果八鄰域內(nèi)只出現(xiàn)一次0→1模式，則該目標點為“待連接點”。

如圖5所示，圖5中左圖只存在一個0→1模式，中心黑色點為“待連接點”，圖4中右圖存在兩個0→1模式，中心黑色點不為“待連接點”。

圖5 0→1模式示意圖

3.2 連接斷裂道路

圖像中的“待連接點”搜索完成之后，開始連接斷裂道路。斷裂道路的連接分為以下幾個步驟：

3.2.1 “待連接點”的方向計算

首先對“待連接點”的方向進行計算。設(shè)“待連接點”為P1，與其相連的八鄰域內(nèi)的黑色目標點為P，則矢量P-P1的方向為“待連接點”P1的方向。圖6顯示了“待連接點”可能的8個方向。

圖6 待連接點方向

3.2.2 斷裂連接

計算出所有“待連接點”的方向之后，設(shè)置2個閾值：低閾值r與高閾值R。連接方式分為兩種：

1)直接連接兩個“待連接點”。

2)以“待連接點”O(jiān)為圓心，高閾值R為半徑，O的方向所處象限為搜索范圍，搜索與O距離最近的黑色目標點，并與O相連。設(shè)“待連接點”的坐標為(i，j)，例如其方向?qū)儆诘谝幌笙蓿瑒t搜索范圍S為：(X[j，j+R]，Y[i-R,i])，且目標點與“待連接點”的距離小于R(如圖7所示)。

當(dāng)兩個“待連接點”之間的距離小于低閾值r時，采用1)中連接方式。當(dāng)以“待連接點”為圓心，低閾值為半徑的圓內(nèi)不存在其他“待連接點”時，采用2)中連接方法。

圖7 O點搜索范圍

4 實驗與結(jié)論

4.1 實驗結(jié)果

本文實驗數(shù)據(jù)采用某城區(qū)空間分辨率為1 m的GF-2號可見光數(shù)據(jù)，影像大小為900×900像素。影像中包含了道路、居民地、綠地、土地等主要城市用地類型。使用SVM分類得到的結(jié)果如圖8(a)所示，通過形態(tài)學(xué)對分類圖進行處理得到效果如圖8(b)所示，利用細化算法對形態(tài)學(xué)處理之后的圖像進行道路中心線提取，并設(shè)置小閾值去除部分“毛刺”現(xiàn)象，效果如圖8(c)所示。對圖8(c)進行“斷裂”連接，低閾值r設(shè)置為30，高閾值R設(shè)置為50，得到效果如圖8(d)所示。最后設(shè)置大閾值再次對圖中較長的“毛刺”進行去除，得到如圖8(e)所示的光滑和完整的路網(wǎng)，圖8(f)為提取的路網(wǎng)與原始圖像的疊加。

圖8 各階段效果顯示

4.2 精度評價

為了對結(jié)果進行量化評價，采用完整性、正確率、提取質(zhì)量3個指標對提取結(jié)果進行定量評價[14]:

(1)

(2)

(3)

式(1)～(3)中:CP、CR、QL分別表示完整率、爭取率、提取質(zhì)量，表示匹配的提取道路長度，F(xiàn)P表示未匹配的道路長度，TN表示匹配的參考實際道路長度，F(xiàn)N表示未匹配的實際道路長度。經(jīng)過計算，本實驗中完整率(CP)為92.8%，正確率(CR)為93.6%，提取質(zhì)量為87.2%，提取精度良好，具體數(shù)據(jù)如表1所示。

表1 本文算法精度評價

4.3 結(jié)論

本文提出一種解決高分遙感影像道路中心線提取過程中“毛刺”和“斷裂”現(xiàn)象的方法。首先利用SVM對遙感影像進行分類，得到初始的道路提取圖。然后通過邊緣濾波、紋理濾波和形狀濾波去除非道路區(qū)域，得到道路提取圖，接著利用細化算法得到道路中心線，尋找影像中的“交點”，并利用“交點”對其周圍線段進行搜索，設(shè)置小閾值去除部分“毛刺”。接著根據(jù)“待連接點”連接斷裂的道路中心線，最后設(shè)置大閾值對圖中較長“毛刺”進行去除，得到光滑和完整的道路中心線提取圖。實驗數(shù)據(jù)證明了該方法的有效性。