基于高分辨率遙感圖像的道路提取研究*

李亞州 池潤昊 宋 菲 徐 昇

（1.南京林業(yè)大學(xué)信息科學(xué)技術(shù)學(xué)院 南京 210037）（2.江蘇開放大學(xué)信息工程學(xué)院 南京 210017）

1 引言

隨著經(jīng)濟(jì)的高速發(fā)展，道路作為交通運(yùn)輸?shù)幕緱l件帶動著經(jīng)濟(jì)的發(fā)展。信息化可以讓道路管理和規(guī)劃更加高效有序。隨著遙感技術(shù)的進(jìn)步，圖像的分辨率越來越高，可以達(dá)到幾十厘米的精度，高分辨率的遙感影像為GIS 數(shù)據(jù)的更新提供了有利條件。遙感圖像的道路提取根據(jù)自動化程度可分為半自動道路提取和全自動道路提?。撼Ｒ姷陌胱詣臃椒ㄓ袆討B(tài)規(guī)劃法、基于Snakes 或Active Contour 模型的方法、基于主動檢測模型的方法［1］。而全自動道路識別是道路提取發(fā)展的最終方向，在國內(nèi)外專家的探索中，常見的方法有［2～6］脊線探測法、啟發(fā)推理法、地圖匹配法、統(tǒng)計模型法、基于閾值分割和形態(tài)學(xué)提取、基于形狀特征提取等。

本文通過對高分辨率遙感數(shù)據(jù)的處理，利用機(jī)器學(xué)習(xí)和形態(tài)學(xué)的方法將圖像中的道路信息提取出來。對于遙感圖的高分辨這一特性，將圖像切割為尺寸較小的子圖。

對小圖進(jìn)行方向梯度直方圖的特征提取，使機(jī)器學(xué)習(xí)道路的特征，自動檢測出道路的大致位置，最后對檢測出的小圖進(jìn)行數(shù)學(xué)形態(tài)學(xué)處理，從而提取出道路信息，并對這一方法所取得的結(jié)果進(jìn)行分析。

2 算法設(shè)計

2.1 直方圖均衡化與特征提取

灰度直方圖是通過統(tǒng)計圖像中各個灰度和灰度在圖像中出現(xiàn)的頻率，因此需要繪制出灰度的分布統(tǒng)計圖，來直觀地反映出灰度的分布情況。本文通過變換直方圖的方法增強(qiáng)圖像的視覺效果，即通過直方圖均衡化使得圖像具有比較高的對比度和動態(tài)范圍。此外，為了去除數(shù)據(jù)中噪聲帶來的影響，采用中值濾波這一非線性的平滑濾波，來過濾脈沖噪聲。實現(xiàn)的方法是以目標(biāo)像素為中心設(shè)定一個M×N 的鄰域范圍，將范圍內(nèi)所有像素的值做統(tǒng)計排列，將中間位置的值作為目標(biāo)像素的灰度值。為取得較好效果，研究在處理一個像素點(diǎn)時，自適應(yīng)調(diào)整窗口大小。先判定當(dāng)前區(qū)域的中值是否為噪聲點(diǎn)。如果是則擴(kuò)大窗口尺寸去尋找更合適的中值。如果不是，則判定中心像素點(diǎn)是否是噪點(diǎn)，若否則保留原值，若是則使用中值代替原始值。

特征提取是圖像識別中核心的步驟之一。為了使計算機(jī)能夠認(rèn)識圖像特征，需要將人類視覺中圖像的抽象描述轉(zhuǎn)換為如數(shù)值和向量等形式。HOG 特征（Histogram of Oriented Gradients）是統(tǒng)計圖像局部區(qū)域的梯度方向直方圖［7］來實現(xiàn)的。圖像中目標(biāo)的表象和形狀能夠被邊緣方向的密度分布來描述，算法流程圖如圖1 所示。其中，Gamma校正是將圖像進(jìn)行壓縮。光照對圖像的紋理產(chǎn)生比較大影響，校正可以有效地降低圖像的陰影。根據(jù)圖像的不同，可以通過改變矯正幅度，來調(diào)整圖像的顯示效果。

圖1 特征提取流程

在計算圖像橫縱坐標(biāo)時候，分別使用［-1，0，1］算子和［-1，0，1］轉(zhuǎn)置算子對圖像進(jìn)行卷積運(yùn)算，使用式（1）和式（2）計算得出梯度幅值和梯度方向角。將圖像分成若干個單元格cell，在cell 這個小區(qū)域內(nèi)統(tǒng)計梯度方向的分布情況。道路檢測時角度范圍設(shè)定為180°，分為9 個方向。使用式（1）得出梯度大小進(jìn)行加權(quán)。由于局部光照變化以及對比度變化，梯度強(qiáng)度變化較大，對梯度強(qiáng)度歸一化可以有效解決這一問題。將多個cell 組成一個大的連通的block 區(qū)間，根據(jù)block 形狀可以分為矩形區(qū)間和環(huán)形區(qū)間。最后將重疊的block塊連接合成一個特征向量。與其他特征提取方法相比，HOG特征提取在圖像的局部進(jìn)行處理，對圖像光學(xué)的形變可以保持良好的不變性。本文將圖像拆分成小的cell，進(jìn)行梯度方向直方圖化，通過調(diào)整cell 的大小來控制區(qū)域特征信息的精度以及保持特征不變。

2.2 分類器設(shè)計

BP 神經(jīng)網(wǎng)絡(luò)是一種運(yùn)用反向傳播算法按照誤差反饋構(gòu)建的人工神經(jīng)網(wǎng)絡(luò)［8］。BP 神經(jīng)網(wǎng)絡(luò)屬于一種多層神經(jīng)網(wǎng)絡(luò)，其特殊性在于網(wǎng)絡(luò)中的神經(jīng)元逐層連接，并且同一層內(nèi)的神經(jīng)元無法相互連接，使得誤差的反饋只能逐層進(jìn)行。BP 神經(jīng)網(wǎng)絡(luò)能夠?qū)⒎弦蟮慕Y(jié)果輸出，而對于不符合的數(shù)據(jù)返回繼續(xù)處理。使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類分為樣本訓(xùn)練、識別和反饋。基本原理如圖2 所示。信息進(jìn)入傳輸層和隱藏層，把結(jié)果傳輸?shù)捷敵鰧?，這個過程為正向傳輸過程。當(dāng)計算結(jié)果達(dá)不到預(yù)期的要求時，調(diào)整系統(tǒng)參數(shù)重新計算，以此循環(huán)計算，直到結(jié)果符合預(yù)期的結(jié)果。

圖2 BP網(wǎng)絡(luò)分類

在分類中，本文采用的是一種量化共軛梯度法。傳統(tǒng)的梯度下降法將負(fù)梯度收斂，共軛梯度算法［9］則是將算出的負(fù)梯度方向與上一次搜索的共軛方向進(jìn)行結(jié)合，計算出新的方向。因為共軛梯度在算法每一步時都需要重新計算方向，所以使得計算時間大大增加。量化共軛梯度法避免了耗時的一維線性搜索，使得網(wǎng)絡(luò)的訓(xùn)練速度大大提升。

損失函數(shù)是判斷模型預(yù)測好壞的一種函數(shù)，它可以很好地反映模型和實際之間的差距，常見的損失函數(shù)有0-1 損失函數(shù)、平方損失函數(shù)、損失函數(shù)、softmax損失函數(shù)［10］、交叉熵?fù)p失函數(shù)等［11］。

在二分類問題中，為了衡量神經(jīng)網(wǎng)絡(luò)輸出的向量和理想情況的接近程度，交叉熵是一種較好的評價方法。交叉熵設(shè)定了兩個概率分布p、q，p代表理想結(jié)果，q 代表神經(jīng)網(wǎng)絡(luò)輸出結(jié)果，其中兩者滿足p+q=1的關(guān)系。交叉熵的計算公式為

當(dāng)熵的值越小，兩個概率的分布就越接近。

2.3 結(jié)果優(yōu)化

圖像處理方法在道路網(wǎng)的提取中有著廣泛的應(yīng)用［12～13］。膨脹腐蝕是最常見的形態(tài)學(xué)變換［14］，腐蝕操作能夠削減物體的邊界上較小的部分，膨脹可以使物體擴(kuò)大，將原本斷開的兩個物體連接。開運(yùn)算和閉運(yùn)算是由腐蝕膨脹兩種運(yùn)算組合而成的。開運(yùn)算是先腐蝕再膨脹，閉運(yùn)算則是先膨脹再腐蝕，運(yùn)算時使用同一種結(jié)構(gòu)元素。開運(yùn)算使得圖像的邊緣變得更加的光滑，斷開細(xì)小的連接和消除邊緣細(xì)小的毛刺。閉運(yùn)算也能使圖像邊緣變得光滑，填充圖像之間細(xì)小的連接并填充小的空洞［15］。開運(yùn)算和閉運(yùn)算是一種對偶操作。

本文在二值圖像通過腐蝕膨脹等處理過后，形成不同大小的相互分離的連通分量。本文將不同的連通分量進(jìn)行標(biāo)記，以便于對圖像的處理和統(tǒng)計分析。通過運(yùn)用形態(tài)學(xué)的膨脹操作可以實現(xiàn)對每個連通分區(qū)分配唯一的編號。以8 連通進(jìn)行操作，創(chuàng)建一個3×3 的結(jié)構(gòu)元素S，對目標(biāo)A 中的某一個點(diǎn)B 開始進(jìn)行膨脹，每一次膨脹后的圖像與原圖像相交，就可以將生成的圖像限定在一個連通分量之內(nèi)，從而實現(xiàn)對連通分量的提取。

3 實驗與分析

3.1 道路檢測

實驗中首先對圖像進(jìn)行預(yù)處理，包括對圖像增強(qiáng)、濾波和拆圖。其次將圖像中包含道路的圖像和不包含道路的圖像分為正樣本和負(fù)樣本。通過HOG 特征提取將車道的梯度方向特征轉(zhuǎn)化為特征向量，使用量化共軛梯度算法將正負(fù)樣本放入BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。通過訓(xùn)練出的模型對完整的高分辨率遙感圖進(jìn)行目標(biāo)檢測，將挑選出的圖像進(jìn)行形態(tài)學(xué)處理得出二值化的道路。

本實驗研究的數(shù)據(jù)為高分辨率遙感圖像，數(shù)據(jù)的采集是通過與江蘇省測繪局合作獲得，數(shù)據(jù)的分辨率約為0.3m。實驗使用Matlab R2018a對圖像進(jìn)行處理。圖像的處理過程如圖3 所示，下面簡單描述預(yù)處理過程。

圖3 道路提取流程圖

如圖4 所示，預(yù)處理中將高分辨率遙感圖像分割為400×400 分辨率的小圖，使得軟件能夠更加快速地處理圖像數(shù)據(jù)，將拆分的小圖寫入文件的“拆圖”目錄下，以便于之后的區(qū)分正負(fù)樣本。

圖4 道路提取流程圖

將拆分好的圖像分為車道正樣本和車輛負(fù)樣本。共拆分出1900 張圖像，經(jīng)過挑選，其中有126張正樣本和1774 張負(fù)樣本。將區(qū)分的正負(fù)樣本分別計算每張圖片的梯度方向變化特征，為了便于計算，將拆分后的圖像壓縮為70×50的分辨率，將cell的尺寸設(shè)為10×10，將2×2 的cell 作為一個block 進(jìn)行歸一化，將所有重疊的塊合成一個特征向量。

利用Matlab 使用三層BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，由輸入層、隱藏層和輸出層組成，運(yùn)用了量化共軛梯度算法進(jìn)行訓(xùn)練。使用交叉熵作為損失函數(shù)。經(jīng)過訓(xùn)練后的得到神經(jīng)網(wǎng)絡(luò)模型，將完整的高分辨率遙感圖像拆分成小圖后進(jìn)行識別，將檢測為道路的區(qū)域提取出來，圖5為識別出的道路區(qū)域。

圖5 目標(biāo)檢測結(jié)果

3.2 結(jié)果細(xì)化

將識別為非道路的區(qū)域去除后根據(jù)圖像的灰度進(jìn)行簡單的閾值分割。經(jīng)過測試道路部分的灰度大多數(shù)在0.2～0.35 之間，閾值分割后的圖像如圖6（a）所示。

由圖6（a）可以看出，閾值分割后題圖像主要由三部分組成，道路、道路周圍的樹木以及較為遠(yuǎn)處部分樓房。其中道路部分圖像較為平滑，像素密度比較高，連通區(qū)域的面積較大，樹木部分主要在道路周圍，為細(xì)小的散點(diǎn)和細(xì)長的網(wǎng)狀結(jié)構(gòu)，連通區(qū)域較小。由于道路中車輛紋路的干擾，車輛也會對道路的提取造成影響。

通過對道路中連通區(qū)域進(jìn)行區(qū)域標(biāo)記和統(tǒng)計，去除圖像中面積過小的散點(diǎn)，使用開運(yùn)算，斷開道路主體周圍細(xì)小的連接，經(jīng)過測試使用半徑為6 的圓形結(jié)構(gòu)體進(jìn)行開運(yùn)算可以達(dá)到比較好的效果，道路的邊緣更加平滑，道路周圍部分如圖6（b）所示，道路周圍植被的網(wǎng)狀結(jié)構(gòu)由于開運(yùn)算中的腐蝕作用被去除變成細(xì)小的散點(diǎn)，道路和周圍障礙物的連接被斷開。

對開運(yùn)算后的圖像重復(fù)去除小區(qū)域和腐蝕膨脹后得到圖6（c）中左圖，其中右圖為高德地圖電子地圖進(jìn)行閾值分割后的圖像，較為接近真實情況中的道路網(wǎng)，經(jīng)過對比可以看出，經(jīng)過道路分類后，區(qū)域形態(tài)學(xué)處理過的圖像可以基本顯示出雙向四車道主道路和輔路的部分區(qū)域。圖6（d）為未采取區(qū)域分類處理的遙感圖像在形態(tài)學(xué)處理后的表現(xiàn)，與圖6（c）（左）對比可以看出圖像的左側(cè)受到樓房建筑的干擾，圖像中存在許多非道路區(qū)域，對圖像提取造成困擾。對比實際情況準(zhǔn)確率低。

圖6 檢測結(jié)果識別過程

3.3 精度分析

經(jīng)過對多組遙感圖像的進(jìn)行道路區(qū)域分類，將BP 神經(jīng)網(wǎng)絡(luò)分類出的圖片作為實驗結(jié)果，將人工分類出的遙感圖像區(qū)域作為真實結(jié)果，兩者進(jìn)行對比，所得出的結(jié)果如表1所示。

表1 區(qū)域分類結(jié)果

通過表格了解，對于不同的場景下，區(qū)域分類的結(jié)果并不相同，在類似于交叉路口的圖像中，有與道路占有比較大的比例，且多為雙向四車道主路，識別的準(zhǔn)確度較高，且大多可以覆蓋道路的邊緣部分。在兩個景區(qū)的圖像中，主車道較少，小區(qū)間的道路大多為雙車道，路旁有大面積的樹木覆蓋，人眼不容易發(fā)現(xiàn)，識別的準(zhǔn)確率較低。在景區(qū)場景中，主道路覆蓋的面積比較少，同樣存在不容易看見的林間道路，景區(qū)內(nèi)比較空曠，存在于道路十分相似的區(qū)域，容易造成將非道路區(qū)域識別為道路區(qū)域。

將提取出的道路區(qū)域進(jìn)行形態(tài)學(xué)處理后，所得到的圖像與高德地圖中的電子地圖進(jìn)行對比，根據(jù)道路的種類不同分類，將各個部分所占圖像總像素的比例進(jìn)行統(tǒng)計，將未采用道路分類方法稱為方法1，將采用道路提取的方法稱為方法2，表2 為對比結(jié)果。

表2 準(zhǔn)確率對比結(jié)果

通過表2 可以觀察出，在對于主路的提取上，方法1 和方法2 兩種方法效果相差不大，對于主路的提取準(zhǔn)確率和實際情況相差不大。在對小路的道路提取上，方法2 準(zhǔn)確率略低于方法1。在提取結(jié)果上，方法1產(chǎn)生了較多的非道路區(qū)域，方法2對于非道路的誤提取則遠(yuǎn)低于方法1。兩種方法在小路的提取上準(zhǔn)確率都比較低，在圖5 的小區(qū)場景中，樹木較多地區(qū)的主路也未能識別成功。

4 結(jié)語

本文主要基于高分辨率遙感圖像對道路進(jìn)行提取研究，實驗中運(yùn)用BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行道路區(qū)域分類后提取道路的方法縮小了圖像處理的范圍，減少了對非目標(biāo)的識別。精度表明，提出的方法在城市交通環(huán)境中，能有效識別主路和小路部分，同時能快速排除非道路區(qū)域。

道路提取的結(jié)果與如今成熟的地圖道路網(wǎng)絡(luò)相比仍然有很多的不足，存在許多需要改進(jìn)的地方，主要有以下幾點(diǎn)。

1）對于訓(xùn)練的樣本數(shù)量較少，在不同的生活場景下道路的形態(tài)變化比較大，對于非道路的負(fù)樣本收集較少，容易造成誤識別。

2）嘗試從不同維度進(jìn)行特征提取，如對紋理、輪廓進(jìn)行特征提取，使道路提取的準(zhǔn)確率增加。嘗試優(yōu)化神經(jīng)網(wǎng)絡(luò)算法。

3）本次實驗并沒有考慮道路中車輛對道路提取的影響。道路區(qū)域分類對于道路兩旁有大量植被的情況沒有能夠檢測出，這一情況沒有得到解決，有待完善。