基于多尺度分割的遙感影像城市道路信息提取

【摘要】無人機(jī)和高光譜遙感技術(shù)在城市規(guī)劃等領(lǐng)域有了廣泛的應(yīng)用。為準(zhǔn)確提取城市道路信息，文章提出一種基于多尺度分割的無人機(jī)高光譜遙感影像的提取方法：采集無人機(jī)拍攝的高光譜遙感圖像并進(jìn)行前期處理；利用多尺度分割技術(shù)對處理后的影像進(jìn)行分割；根據(jù)分割結(jié)果識別道路對象的特征；采用最鄰近分類法對特征集進(jìn)行分類，提取城市道路信息。試驗結(jié)果表明，該方法能夠有效提取城市道路信息，具有較高的信息提取準(zhǔn)確性。

【關(guān)鍵詞】多尺度分割；無人機(jī)；高光譜遙感影像；城市道路；信息提取

【中圖分類號】TU997 【文獻(xiàn)標(biāo)志碼】A 【文章編號】1673-6028（2024）09-0131-03

0 引言

城市街道信息的精確采集對智慧規(guī)劃和交通優(yōu)化至關(guān)重要，國內(nèi)外學(xué)者對道路信息采集方法進(jìn)行了廣泛研究。肖振久等[1]結(jié)合注意力機(jī)制和擴(kuò)張卷積提取遙感影像道路信息，該方法結(jié)合了注意力機(jī)制和擴(kuò)張卷積的優(yōu)點，通過構(gòu)建特定的神經(jīng)網(wǎng)絡(luò)模型，實現(xiàn)對遙感影像中道路信息的精確提取。王羽塵等[2]基于激光雷達(dá)點云提取道路幾何信息，通過聚合局部特征的最大值和鄰域均值作為局部特征，構(gòu)建道路語義分割網(wǎng)絡(luò)。該網(wǎng)絡(luò)能夠?qū)W習(xí)并識別點云數(shù)據(jù)中的道路特征，從而實現(xiàn)對道路部分的精確分割。然而，傳統(tǒng)方法因精度和效率的限制難以滿足現(xiàn)代需求。無人機(jī)高光譜遙感技術(shù)結(jié)合了高光譜分辨率與無人機(jī)的靈活性，為道路信息提取帶來新機(jī)遇。該技術(shù)能捕捉豐富的光譜特征，但面對復(fù)雜城市環(huán)境，單尺度分析難以奏效。因此，文中引入多尺度分割技術(shù)，通過不同尺度分割影像，精準(zhǔn)捕捉地物層次與空間關(guān)系，提升道路信息提取精度與效率。

1 無人機(jī)高光譜遙感影像城市道路信息提取方法設(shè)計

1.1 無人機(jī)高光譜遙感影像獲取和預(yù)處理

數(shù)據(jù)收集是無人機(jī)高光譜遙感影像處理的首要任務(wù)。首先，根據(jù)任務(wù)需求選擇合適的無人機(jī)平臺，考慮其載重能力、續(xù)航時間和飛行穩(wěn)定性。其次，配置高光譜傳感器，高光譜傳感器能夠捕獲特定區(qū)域內(nèi)的光譜波段，提供比傳統(tǒng)多光譜或全色影像更多的光譜信息。在任務(wù)策劃階段，確定飛行高度、設(shè)計飛行路徑，同時調(diào)整圖像重疊率，確保影像的覆蓋范圍和解析度滿足后續(xù)分析需要。飛行參數(shù)設(shè)定完畢后，無人機(jī)將按照預(yù)定航線起飛并執(zhí)行空中作業(yè)。在飛行過程中，高光譜傳感器持續(xù)采集地面反射的光譜數(shù)據(jù)，這些數(shù)據(jù)被轉(zhuǎn)化為高光譜遙感影像，為后續(xù)的影像處理、特征提取和數(shù)據(jù)分析提供基礎(chǔ)。

在捕獲高光譜遙感數(shù)據(jù)時，環(huán)境因素如傳感器誤差、大氣干擾及地形變化可能導(dǎo)致圖像質(zhì)量退化，包括噪聲與幾何失真。預(yù)處理是關(guān)鍵環(huán)節(jié)。無人機(jī)飛行受多種因素擾動，導(dǎo)致傳感器姿態(tài)變化和圖像幾何扭曲。利用AdvancedVision工具對圖像每個像素進(jìn)行精細(xì)解析與校正，恢復(fù)幾何準(zhǔn)確性。同時考慮到飛行過程中儀器特性、大氣狀況、太陽位置和地形導(dǎo)致的固有噪聲影響目標(biāo)光譜真實性，通過AdvancedVision執(zhí)行輻射校正以消除圖像模糊，并采用平均濾波技術(shù)削減噪聲、平滑圖像、還原數(shù)據(jù)。均值見式（1）。

（1）

式中：r（i，j）為均值計算后（i，j）像元的亮度值；M為圖像行數(shù)；N為圖像列數(shù)；ω（m，n）對像元（i，j）進(jìn)行計算所采用的模板。

經(jīng)過上述處理后，可獲得較為清晰的圖像，為后續(xù)分析提供基礎(chǔ)數(shù)據(jù)。

1.2 基于多尺度分割無人機(jī)高光譜遙感影像

多尺度分割技術(shù)是一種基于影像局部特征的自適應(yīng)分割方法。它根據(jù)影像的異質(zhì)性準(zhǔn)則，將影像分割成多個具有相似特征的對象。通過調(diào)整分割尺度參數(shù)，可以實現(xiàn)對不同尺度特征的提取和分析。在城市道路信息提取中，多尺度分割技術(shù)能夠有效地識別出具有連續(xù)光譜特征和特定形狀的道路對象[3]。研究采用基于區(qū)域合并的多尺度分割算法。該算法從像素級別開始，根據(jù)影像的異質(zhì)性準(zhǔn)則逐步合并相鄰的像素或?qū)ο螅纬删哂刑囟ㄐ螤詈凸庾V特性的對象。

1.2.1 多尺度分割參數(shù)設(shè)定

多尺度分割技術(shù)遵循最小化差異原則，在設(shè)定恰當(dāng)?shù)姆指顓?shù)基礎(chǔ)上，從目標(biāo)圖像中隨機(jī)選取一個像素點作為起點，評估與鄰近像素點合并后的總差異度，并與預(yù)設(shè)的分割閾值（分割尺度的平方）進(jìn)行比較。若差異度低于此閾值，則繼續(xù)整合相鄰像素；否則，分割過程終止。這一過程旨在將特征相近的像素歸入同一區(qū)域，同時在預(yù)設(shè)的分割尺度范圍內(nèi)，確保圖像對象的內(nèi)部差異化最小。

多尺度分割效果的關(guān)鍵影響因素包括分割尺度和差異構(gòu)成因子。差異構(gòu)成因子進(jìn)一步分為光譜差異性和形態(tài)差異性，其中光譜差異性用于量化對象內(nèi)部像素在光譜屬性上的不一致性，設(shè)σc為波段的光譜標(biāo)準(zhǔn)值，評估標(biāo)準(zhǔn)見式（2）。

（2）

式中：c為波段數(shù)；ωc為層的權(quán)重。

形狀異質(zhì)性式衡量對象的形狀復(fù)雜度，設(shè)hsm為光滑度因子 ；hcm為緊致度因子，則度量準(zhǔn)則見式（3）～式（5）。

（3）

（4）

（5）

式中：hshape為形狀異質(zhì)性；ι為分割區(qū)域的周長；b為最小外接矩形的周長；n為面積。

綜合光譜與形態(tài)差異，全面評估圖像對象的內(nèi)在復(fù)雜性和差異性，其準(zhǔn)則見式（6）。

（6）

式中：f 為影像的異質(zhì)性指數(shù)；ω為光譜異質(zhì)性權(quán)重。

根據(jù)上述設(shè)置合理的分割參數(shù)，從而得到更符合實際情況的劃分結(jié)果。

1.2.2 確定最優(yōu)尺度

在影像分割流程中，通過對比尺度閾值與異質(zhì)性水平來判定分割終點，從而塑造影像對象的尺寸與特性。選定恰當(dāng)?shù)姆指畛叨仁莿?chuàng)建準(zhǔn)確反映地面特征的影像對象層的關(guān)鍵。分割尺度直接影響純對象與混合對象的比例，進(jìn)而影響地物信息提取的準(zhǔn)確性。采用亮度方差分析法初步篩選合適的尺度，即計算各分割對象內(nèi)亮度均值，再評估全圖對象亮度均值的離散程度。純對象的增多會加劇光譜異質(zhì)性，從而提升亮度方差；反之，混合對象的增加會減弱光譜差異，從而降低亮度方差。因此，亮度方差峰值對應(yīng)的尺度即為最優(yōu)尺度，此時對象間光譜異質(zhì)性最為顯著。方差的計算見式（7）。

（7）

式中：為單個對象在波段t的平均亮度值；為所有對象在波段t的平均亮度值；m為整幅影像中對象的個數(shù)。

綜上確定最優(yōu)分割尺度，對預(yù)處理后的影像執(zhí)行多尺度分割操作，將影像分割成多個具有相似特征的對象。

1.3 無人機(jī)高光譜遙感影像城市道路信息提取

1.3.1 城市道路信息特征提取

在多尺度分割的基礎(chǔ)上，進(jìn)行特征提取。結(jié)合光譜特征、形狀特征、紋理特征以及由多尺度分割得到的尺度特征，構(gòu)建全面的特征集，具體內(nèi)容如下。

1）光譜特征：城市道路由于其獨特的材質(zhì)和表面狀況，在光譜上表現(xiàn)出顯著的差異。通過提取這些光譜特征，可以有效區(qū)分道路與其他地物。亮度值的計算見式（8）。

（8）

式中：Nk為影像圖層數(shù)量；為影像對象的第k圖層的光譜均值。

2）形狀特征：城市道路以其長條形、連續(xù)性和穩(wěn)定的寬度，在影像中呈現(xiàn)出鮮明的幾何特征，是識別道路的關(guān)鍵線索。長寬比通過設(shè)定合理的閾值，能有效提取包括道路在內(nèi)的此類特征，實現(xiàn)精準(zhǔn)識別。其表示見式（9）。

（9）

式中：A為影像提供的邊界框的面積；a、b、f 分別為影像提供的邊界框的長度、寬度和填充度。

3）紋理特征：道路的紋理通常較為均勻，與周圍環(huán)境形成鮮明對比。故采用灰度共生矩陣進(jìn)行紋理特征提取，如式（10）所示。

（10）

式中：F、D分別為灰度共生矩陣的行數(shù)、p（i，j）列數(shù)；（i，j）為矩陣中位置的規(guī)劃值。

1.3.2 城市道路信息提取

利用提取的特征集，采用最鄰近分類法對影像中的地物進(jìn)行分類。由于多尺度分割技術(shù)提供了豐富的尺度特征信息，分類算法能夠更準(zhǔn)確地識別出道路區(qū)域。具體過程如下。

首先，從無人機(jī)高光譜遙感影像中選定不同類別的影像對象作為訓(xùn)練樣本。這些影像對象代表了影像中不同類別的特征，如道路、建筑物、植被等。每個類別的影像對象都被視為一個已知類別的樣本，它們各自的特征（如光譜值、形狀、紋理等）被記錄下來，作為后續(xù)分類的依據(jù)[4]。對于影像中的每一個待分類對象，最鄰近分類法會將其與所有訓(xùn)練樣本在特征空間中進(jìn)行比較。這里的特征空間是由影像對象的多個特征維度構(gòu)成的，每個維度代表了一個特征（如光譜值、形狀參數(shù)等）。為了量化待分類對象與樣本對象之間的相似度，使用特征空間距離公式來計算它們之間的相似度。設(shè)、分別為影像對于特征的特征值，如式（11）所示。

（11）

式中：γ為特征值 f 的標(biāo)準(zhǔn)差。

基于最鄰近樣本對象的類別，待分類對象被歸入相應(yīng)類別。若最鄰近樣本屬A類，則待分類對象亦歸A類。最鄰近分類法還能通過計算對象與最鄰近樣本在特征空間中的距離，得出介于0～1之間的隸屬度值，量化分類的置信度。這個隸屬度值反映了待分類對象屬于相應(yīng)類別的可能性大小，距離越近，隸屬度值越高，表示該對象屬于該類別的可能性越大。

綜上所述，采用最鄰近分類法可以實現(xiàn)對無人機(jī)高光譜遙感影像中影像對象的分類，完成城市道路信息的提取。

2 試驗設(shè)計

2.1 試驗方案

為驗證方法的有效性，以某城市道路為研究對象進(jìn)行試驗驗證。研究采用M600六旋翼無人機(jī)作為飛行平臺，搭載Nano-Hyper高光譜成像儀，其參數(shù)見表1。

通過該無人機(jī)獲取城市道路高光譜遙感影像。無人機(jī)將按照預(yù)設(shè)路徑進(jìn)行高光譜數(shù)據(jù)采集，數(shù)據(jù)利用網(wǎng)線傳輸。無人機(jī)續(xù)航時間是30 min。獲取的圖像采用本文方法、文獻(xiàn)[1]方法和文獻(xiàn)[2]方法進(jìn)行城市道路信息提取，并以道路信息提取的用戶精度作為評價指標(biāo)，進(jìn)行對比分析，如式（12）所示。

（12）

式中：為某類別正確分類的像元數(shù)；為該類別被分類為該類別的總像元數(shù)。

2.2 試驗結(jié)果

3種方法對該城市道路信息提取結(jié)果的用戶精度評價結(jié)果見圖1。

由圖1可知，文中基于多尺度分割的無人機(jī)高光譜遙感影像城市道路信息提取方法在道路信息提取中，用戶精度均在90%以上，而文獻(xiàn)[1]方法和文獻(xiàn)[2]方法在7種道路信息屬性分類中，均在90%以下，說明文中采用的提取城市道路信息的方法精度更高，具有實際應(yīng)用價值。

3 結(jié)語

文中提出的基于多尺度分割的無人機(jī)高光譜遙感影像城市道路信息提取方法，通過預(yù)處理、多尺度分割、特征提取和分類等科學(xué)合理的步驟，實現(xiàn)了對無人機(jī)高光譜遙感影像中城市道路信息的準(zhǔn)確提取。在解決城市道路信息提取中的復(fù)雜性和不確定性問題方面具有顯著優(yōu)勢，為城市規(guī)劃和交通管理等領(lǐng)域提供了重要的技術(shù)支持。未來，可以進(jìn)一步優(yōu)化多尺度分割算法和特征提取技術(shù)，探索更多先進(jìn)的分類方法，進(jìn)一步提高城市道路信息提取的精度和效率。

參考文獻(xiàn)

[1] 肖振久，郝明，曲海成，等.融合注意力和擴(kuò)張卷積的遙感影像道路信息提取方法[J].遙感信息，2024，39（1）：18-25.

[2] 王羽塵，于斌，陳曉陽，等.基于激光雷達(dá)點云的道路幾何信息提取與數(shù)字化建模研究[J].中國公路學(xué)報，2023，36（3）：45-60.

[3] 劉志江.基于高分系列衛(wèi)星的“村村通”道路信息提取研究[J].經(jīng)緯天地，2023（5）：71-75.

[4] 全震，呂靜.城市道路綠化結(jié)構(gòu)信息高精度提取仿真[J].計算機(jī)仿真，2023，40（6）：216-219.

[作者簡介]湯敏（1982—），男，湖北嘉魚人，本科，高級工程師，研究方向：公路、市政項目勘測，激光掃描，攝影測量。