基于幾何信息增強的鄉(xiāng)村道路自動提取方法

崔華偉,唐 權(quán)

(1.南京市測繪勘察研究院股份有限公司,江蘇 南京 210019;2.江蘇省測繪研究所,江蘇 南京 210013)

0 引 言

無人機技術(shù)及衛(wèi)星技術(shù),以及機載傳感器技術(shù)的發(fā)展,使得高分辨率遙感影像的可獲得性得到極大提高[1]。在此基礎(chǔ)上,利用高分辨率遙感影像進行地物的自動提取及分類開始逐漸從理論走向?qū)嵱?。學(xué)者利用遙感及無人機高分辨率影像,進行了道路提取的研究及應(yīng)用工作,得到了較好的研究成果[2]。例如,利用已有的網(wǎng)絡(luò)數(shù)據(jù)來對遙感數(shù)據(jù)加強,取得了精度更好的道路提取結(jié)果[3]。也有學(xué)者利用面向?qū)ο蠹懊嫦蛳袼亟Y(jié)合的方法,用以提高道路中心線的提取結(jié)果[4]。近年來隨著人工智能技術(shù)的發(fā)展,張新長等利用深度神經(jīng)網(wǎng)絡(luò)進行道路提取的前沿性研究,在神經(jīng)網(wǎng)絡(luò)在道路提取的適用性上取得了研究進展[5]。

鄉(xiāng)村道路的提取,是土地利用調(diào)查工作中的一項重要工作,通常的做法是基于測繪內(nèi)業(yè)人員的目視解譯,然而這種方式費時費力,且解譯結(jié)果帶有工作人員的主觀性。此外,鄉(xiāng)村中存在大量不可滲透面的廣場,這類廣場通常是居民建筑的曬谷子的場地,也有較多的裸地,主要是用于建設(shè)的前期準備用地。上述這些地物,會和鄉(xiāng)村道路形成混淆。自動提取技術(shù)可以有效解決同譜異物問題,本文充分利用道路在面向?qū)ο笾械膸缀翁卣鞯膮^(qū)別,例如長寬比、緊致度等,用來解決道路和這些同譜異物的混淆,從而提高鄉(xiāng)村道路的提取精度。

1 研究區(qū)及數(shù)據(jù)

本文研究區(qū)域如圖1所示。研究區(qū)位于南京市江寧區(qū),拍攝時間是2020年6月11日。從圖1中可以看到,本次實驗圖取自一幅完整的無人機影像,選取具有典型特征的樣區(qū)范圍。鄉(xiāng)村道路位于植被濃密的樹木之中,還包含了一大塊空曠的不可滲透面及未利用地,從而形成了道路自動提取的混淆。

圖1 研究區(qū)示意圖

本次數(shù)據(jù)是由無人機采集而成。無人機采用飛馬V100智能航測系統(tǒng)執(zhí)行,該系統(tǒng)由飛行平臺、低空數(shù)字航攝儀、控制系統(tǒng)三大部分組成。無人機機載的航測模塊是V-CAM100,由SONY提供,傳感器是35.9×24 mm全畫幅。數(shù)據(jù)的空間分辨率是0.08 m。

2 原理與方法

2.1 總體流程

方法的總體流程如圖2所示。首先,獲得無人機遙感影像,對其進行多尺度分割,分割的方法采用的是eCognition軟件自帶的多尺度分割(Multiresolution Segmentation),該分割方法已經(jīng)得到市場和研究者的認可,是一個普適性較強的分割方法。得到分割結(jié)果后,進行光譜特征計算及幾何特征計算,得到量化后的光譜特征及幾何特征,并將這些特征進行平均權(quán)重組合,從而形成幾何特征增強的光譜特征。最后,使用最近鄰分類對量化特征進行分類,從而提取得到道路和非道路,進行精度驗證及結(jié)果輸出。

圖2 方法流程圖

2.2 多尺度分割原理

本文使用的多尺度分割技術(shù)原理來自相關(guān)文獻[6],該分割原理應(yīng)用廣泛,已經(jīng)在道路識別領(lǐng)域得到廣泛應(yīng)用[7-9]。本次實驗所采用的軟件為eCognition,其分割方法的原理也是來自相關(guān)文獻[6]。

本文分割方法的原理示意如圖3所示。其采用的是一種自底向上的區(qū)域合并技術(shù),該方法從單個像元開始,通過合并異質(zhì)性增量最小的相鄰像元,實現(xiàn)分割對象的不斷增長,而當(dāng)異質(zhì)性增量最小值超過給定閾值則區(qū)域增長停止。

圖3 多尺度分割原理示意圖

在多尺度分割中,其評判異質(zhì)性特征主要包含光譜異質(zhì)性和形狀異質(zhì)性,異質(zhì)性的公式原理如公式1所示。

f=fcolor·wcolor+fshape·wshape

(1)

式中,f表示總體異質(zhì)性,fcolor表示光譜異質(zhì)性,wcolor表示光譜異質(zhì)性在總體異質(zhì)性的權(quán)重;fshape表示形狀異質(zhì)性,wshape表示形狀異質(zhì)性在總體異質(zhì)性的權(quán)重。光譜信息和幾何信息的結(jié)合,是采用如公式(1)所示的權(quán)重累加方式。在實際的運行中,通常將wcolor權(quán)重值設(shè)定為0.8,而將wshape權(quán)重值設(shè)置為0.2。而對于fcolor光譜異質(zhì)性的計算,其公式如式(2)所示,fshape形狀異質(zhì)性的公式如式(3)所示。

(2)

fshape=wcompt·fcompt+wsmooth·fsmooth

(3)

在公式(2)中,c表示光譜波段,通常為RGB 3個波段;wc表示波段權(quán)值,在此設(shè)置為1;nmerge表示合并后對象內(nèi)像元的數(shù)量;σc,merge表示合并后c波段的均方差;nobj_1和nobj_2分別表示對象1和對象2中的像元數(shù)量;σc,obj_1和σc,obj_1分別表示c波段對1和對象2的均方差。在公式(3)中,wcompt表示緊致度的權(quán)重,通常設(shè)置為0.5;wsmooth表示光滑度的權(quán)重,通常也設(shè)置為0.5;fcompt和fsmooth分別表示緊致度和光滑度的計算公式,其更為具體的計算公式可以參見相關(guān)文獻[6]所述,在此不再贅述。

2.3 幾何特征增強

幾何特征增強是指圖3中的分割—特征計算—特征結(jié)合這3個步驟的組合。此次分割的參數(shù)設(shè)定為60,較為適合本文的0.08 m分辨率的鄉(xiāng)村遙感影像。其分割的結(jié)果示意如圖4所示。從圖4b是局部放大圖,可以看到,道路部分具有狹長的幾何特征,這為利用幾何特征信息來區(qū)分其他不可滲透面及裸地提供了分類依據(jù)。

圖4 多尺度分割示意圖(a圖為全圖,b圖為局部放大圖)

圖5是特征計算的結(jié)果,綠色表示高值,藍色表示低值。其中圖5a為光譜特征,從圖中可以看到,圖中道路和不可滲透面都具有明顯的綠值(高值),其他區(qū)域呈現(xiàn)顯著的藍值(低值);圖5b是長寬比特征,可以看出,道路部分呈現(xiàn)出顯著的高值,但是圖的下方也存在一部分高值區(qū)域;圖5c是緊湊度特征,道路部分呈現(xiàn)出顯著的低值,而形狀較為規(guī)整的部分則呈現(xiàn)出高值?；谏鲜?個量化特征,將其進行平均加權(quán),從而為后續(xù)的最近鄰分類提供量化特征。

圖5 特征示意圖(a圖為光譜特征,b圖為長寬比特征,c圖為緊湊度特征)

3 實驗結(jié)果及分析

對本文方法進行實驗驗證,得到的結(jié)果如圖6所示,黃色區(qū)域表示提取的道路?？傮w而言,本文方法總體具有較好的提取精度,但在局部一些位置上未能很好地實現(xiàn)道路提取。本文使用的是標準模板對比法來進行精度測試,即通過人工數(shù)字矢量化后得到參考的正確數(shù)據(jù),并和提取后的結(jié)果進行差值對比,最后得到的本文方法的道路提取精度是92.8%,有效去除了不可滲透面及裸地的同譜異物的干擾,具有較好的實用性。然而,如圖6的紅框標注范圍內(nèi),一些植被覆蓋濃密的地區(qū),由于遮擋,該部分的道路并未得到很好的提取,這說明僅僅依靠面向?qū)ο蠓椒ㄒ约肮庾V特征,并不能把遮擋的真實的道路完整提取。遮擋的部分無法提供道路的光譜數(shù)據(jù),導(dǎo)致對于這部分數(shù)據(jù)提取無效,進而導(dǎo)致提取斷連。

圖6 實驗結(jié)果示意圖

鄉(xiāng)村遙感影像中存在較多的不可滲透面及裸地,這為自動提取道路帶來了同譜異物的干擾問題。本文基于面向?qū)ο蟮匚锾崛》椒ǖ幕驹?利用鄉(xiāng)村道路的分割對象具有顯著的幾何特征(長寬比、緊致度等),用以對其他不可滲透面及裸地進行有效區(qū)分,使得鄉(xiāng)村道路自動提取的精度提高。總體上,通過對目視解譯后的量化對比,本文方法的道路提取精度較高,有效去除了不可滲透面及裸地的同譜異物的干擾,具有較好的實用性,但本文方法同樣也具有局限性,主要是無法完整提取被遮擋道路。

4 結(jié) 語

通過南京市江寧區(qū)某鄉(xiāng)村的無人機影像進行提取實驗,本文方法具有較好的識別精度,準確率為92.8%,具有較好的實用性。同時,我們也從結(jié)果中看到,在植被覆蓋濃密的區(qū)域,道路在視覺上具有斷連,本文方法也未能夠有效保證連續(xù)性。后續(xù),將在道路識別的連續(xù)性上進一步完善。