高分辨率遥感影像道路信息提取方法研究

胡张武

(安徽省第四测绘院，安徽合肥230031)

高分辨率遥感影像道路信息提取方法研究

胡张武

(安徽省第四测绘院，安徽合肥230031)

随着遥感技术的发展以及各种先进遥感传感器的出现，高分辨率遥感技术不断应用于实际，根据光谱特征分类的图像存在道路与居民地的混淆，受交通工具和行道树等影响容易产生道路中的空洞和毛刺等。以芜湖地区IKONOS影像为例，利用ERDAS、Matlab软件可以很好地解决道路与居民地混淆的问题，以及利用数学形态学的相关算法和形状指数去除道路信息提取过程中的各种噪声等，最终完成道路信息网的提取。

高分辨率影像;道路提取;数学形态学;形状指数;IKONOS

一、引 言

随着城市的发展，城市的交通成为制约着城市发展的重要因素，道路作为一种重要的地物现象越来越受到关注。如何利用遥感影像对道路进行自动识别与提取，对于GIS数据的更新、影像匹配、目标检测、数字测图自动化，以及对于城市规划、土地利用管理、交通管理、灾害监测都有十分重要的应用价值。卫星影像提供了地球表面的重要信息。中低分辨率对高精度的GIS应用有一定的局限性。高分辨率的传感器(如IKONOS SPOT Orbit/View等)的出现为影像的高精度解译提供了更大的可能性。

目前针对道路信息提取的研究主要有以下几个方面:

1)对道路特征的进一步研究，结合纹理信息。

2)利用多幅影像建立道路的三维模型，同时考虑道路与其背景物体如建筑物、树和车等物体之间的关系，建立一个全局的模型。

3)面向对象方法的应用。该方法首先应用在计算机程序设计中，它是吸收了软件工程领域十几年来的新概念和新方法而发展起来的一种很有前途的方法，现已广泛应用。其特点是基于对象而不是基于像素来进行影像分析与理解的。

4)与其他领域研究相结合。道路提取是一个很复杂的过程，它涉及很多学科、领域，如数学、计算机图形学、计算机视觉等。

本文以芜湖地区的IKONOS影像为例，在ERDAS以及Matlab软件上很好地解决了道路与居民地混淆问题，以及利用数学形态学的相关算法和形状指数去除道路信息提取过程中的各种噪声等，再利用膨胀运算进行道路断线连接，利用闭运算、开运算进行道路平滑，最终实现道路信息的提取。

二、研究区域与研究数据

1.研究区域

本文以芜湖市区为研究对象，提取其道路信息。该区的道路网比较复杂，主干公路与次级公路交错。其中居民地与公路相连，在影像上同物异谱现象很严重。试验数据是芜湖市区的道路信息。

2.研究数据

采用的是芜湖市高分辨率IKONOS遥感影像，其纠正后的遥感影像如图1所示。

图1 纠正后的研究区影像

该影像IKONOS的参数为:成像波段:波段(单波段)3(红色)，0.64～0.72 μm，空间分辨率:4 m;成像时间:2007-08-07。该影像的波段:波段3(红色)，0.64～0.72 μm;该区的经纬度:N31°17'27.6″～N31°17'55.14″，E118°22'3.31″～E118°22'36.53″。

三、道路信息提取方法研究

1.理论基础

目前对于道路提取的方法主要分为自动和半自动两大类。自动道路提取方法是通过认识和理解道路影像特征，自动准确定位道路的位置;半自动道路提取利用人机交互式进行，其主要思路是人工提供道路的初始(种子点)，有时还需提供初始方向，然后计算机再根据一定的规则进行处理识别，有时还需要进行适当的交互，保证识别的准确性。

半自动道路提取一般可以分解成4个步骤:①道路影像特征增强;②确定道路的种子点;③跟踪和扩展种子点，形成道路段;④连接道路段，形成道路网［1］。

半自动道路提取的方法主要有:①基于主动试验(Active Testing)模型的方法，该方法是Geman和Jedynak提出的基于Snakes或Active Contour模型的方法;②模板匹配方法，该方法是Park和Kim［2］利用自适应最小二乘模板匹配方法从1 m分辨率的IKONOS影像中提取道路的中心线;③基于概率论的方法JetStream算法［3］，该方法是一种基于概率论的提取轮廓方法。

自动道路提取方法通过认识和理解道路影像特征，自动准确定位道路的位置。最近出现了很多自动提取道路的方法。为了描述方便，将这些方法分成5类:脊线探测法Hae Yeoun Lee［4］、平行线法Trinder［5］、启发推理法、统计模型法和地图匹配法。这些分类方法不一定很准确，事实上，很难将一些方法归到某一类，因为有些方法中可能用到几种不同的技术。

近年来，数学形态学的不断发展，使其成为综合多学科的交叉科学，又由于数学形态学的描述语言是在高维离散空间下的集合论，所以它可以提供一个统一而强大的工具来处理图像处理中遇到的问题。对于影像分类后处理，数学形态学方法更显示了其最大限度保留原始影像信息和消除噪声的优势，它比传统的强制聚类和筛选方法更多地考虑了图像分类后的结构特征，使类的归并和删除更趋于科学合理，使分类处理后的影像在保持了原有的分类信息的同时，更方便了分类影像信息的解译。

数学形态学是由一组形态学的代数运算子组成的，它的基本运算有4个:膨胀(或扩张)、腐蚀(或侵蚀)、开启和闭合，它们在二值图像和灰度图像中各有特点。基于这些基本运算还可推导和组合成各种数学形态学实用算法，用它们可以进行图像形状和结构的分析及处理，包括图像分割、特征抽取、边界检测、图像滤波、图像增强和恢复等。数学形态学方法利用一个称作结构元素的“探针”收集图像的信息，当探针在图像中不断移动时，便可考察图像各个部分之间的相互关系，从而了解图像的结构特征。数学形态学基于探测的思想，与人的FOA(focus of attention)的视觉特点有类似之处。作为探针的结构元素，可直接携带知识(形态、大小，甚至加入灰度和色度信息)来探测、研究图像的结构特点。

数学形态学的运算种类很多，本文所涉及的主要有以下几种:定义一个集合A，一个结构元素B，形态开、闭运算可以用数学符号分别表示［6］。

1)膨胀和腐蚀是两种最基本和最重要的形态学运算，也是其他变换或运算的基础。在以下公式中，A为待处理图像，B为结构元素。

2)其他形态学运算都可以由膨胀和腐蚀派生，主要有以下几种。

断开:A○B=(AΘB)⊕B，使用形态开运算去除影像中的细小噪声，同时将影像中一些粘连在道路上的噪声与道路信息分离。

闭合:A●B=(A⊕B)ΘB。

击中:A⊗(B1，B2)=(AΘB1)∩(AΘB2)。

细化:A○B=A－(A⊗B)={x:(－B+x)∩A≠Ø}。

击中、击不中变换可用于形态细化、形态修剪，以及形态目标识别等众多方面，利用形态细化完成对道路网络信息的细化、修剪。

2.技术路线

本文采用的技术路线如图2所示。即:①对影像进行预处理增强道路信息，采用监督分类方法对遥感影像进行分类，提取道路类别生成二值影像图;②利用形状指数和面积设定阈值去除孤立的噪声信息(如混入的居民点);③运用数学形态学的膨胀算子将断线连接;④ 利用面积删除孤立噪声，上述步骤反复进行直至删除所有可以删除的噪声;⑤对无法删除的噪声利用手工方法剔除，主要是与道路紧密相连的且面积较大无法利用开运算将其与道路分离，不能通过形状指数与面积指数进行剔除的噪声;⑥用数学形态学中闭运算和开运算进行平滑。

文中所用到的形状指数t的表达式为

其中，p为图斑周长;s为图斑的面积。

图2 技术路线图

1)地物目标分割及图像的除噪。在分类图中普遍存在道路与路旁建筑物相连的情况。计算地物的形状指数前，要分割相互粘连的地物目标，然后才可计算分割后的各地物目标的形状指数。房屋等建筑物与主干道路往往通过等级较低的细小道路相连，采用数学形态学中的开运算能在纤细点分离物体。开运算定义为先腐蚀后膨胀的过程。经过这一步那些同时满足面积阈值和形状指数两个条件的独立面状噪声就会被删除。

2)方向膨胀道路断线连接［6］。经第1步处理，仅剩下较小面积的孤立图斑，局部道路依然断断续续。以下用结构元素膨胀方法，将断线道路连接起来。

3)面积阈值法删除。经过方向膨胀的小噪声图斑，然后用相同的结构元素对上述图像作次数相同的腐蚀运算，以恢复道路长度。上述步骤可反复进行，直到消除全部孤立噪声为止。

4)剩下少数与道路紧密相连的面状地物，利用手工的方法剔除。

3.道路信息提取的实现

1)首先在ERDAS软件中利用芜湖市地形图对影像进行纠正;然后利用编辑模板对影像进行监督分类，由于道路与建筑物“同物异谱”现象比较严重，在监督分类阶段很难将道路与居民点等信息完全区分;最后对分类结果进行提取产生二值影像，如图3所示。

图3 二值影像

2)在二值影像上可以看到有很多噪声，包括小的孤立的噪声以及与道路相连的面状噪声。道路的线性特征非常明显，而一般的混杂的居民点信息是非线性的。道路的线性特征结合面积特征进行噪声剔除，但是必须与道路分离才能计算形状指数以及面积，因此要先进行地物分割。数学形态学的开运算能够去除小的图斑以及在细部分离物体，利用结构元素［7］对影像进行开运算，如图4所示。在Matlab软件上实现开运算的结果，如图5所示。

图4 结构元素

图5 开运算结果影像

3)经过上述处理仍然存在难以去除的噪声以及道路的断线现象。如果再多次进行开运算可以去除孤立的噪声，但也会出现道路的断线更加严重的现象。基于此，本文利用面积阈值以及形状指数对噪声作进一步消除。计算形状指数的表达式为sqrt(［AREA］/［PERIMETER］)。经过多次试验选择得到的表达式为“zhishu”＞0.08 AND“zhishu”＜0.1，从而利用其表达式进行除噪。将选择的数据导出，结果发现仍然有部分块状图斑无法除去，主要是图斑过于不规则使形状指数过小。而辅以面积阈值进行剔除效果则较好。经过上述处理，对与道路相连的，面积较大、难以去除的部分，则采用手工编辑的方法分割成多边形，然后经过面积形状指数处理得到矢量图，如图6所示。

图6 经过面积形状指数处理后的矢量图

4)将生成的矢量图转化为栅格形式，对于栅格内部的孔洞以及道路断线利用数学形态学的膨胀运算可填充，实现断线连接。其结果如图7所示。

图7 矢量化后断线连接图

四、结论与讨论

上述处理结果表明:

1)采用本文的方法对于提取高等级公路是可行的，特别是对于线性特征明显的水泥、柏油路效果较好。遥感信息的宏观性对于提取高等级公路是可行的，但笔者注意到提取次级公路以及由于植被覆盖的道路仍存在着不确定性。

2)在进行数学形态学的开运算时结构元素的选择至关重要，所以需要进行多次试验并根据影像及区域的特点来进行选择。开运算虽然能够在细部分离地物但也会造成道路的损失断线现象，因而对于面积较大的与道路相连的地物仍需手工干预。

3)道路提取的准确程度部分取决于分类的效果，而本文在基于光谱分类时未考虑地物的上下文特征，若能考虑道路的纹理特征来辅助分类，改善分类效果，可以进一步提高道路提取的准确性。

4)道路提取过程中出现了边缘的毛刺现象以及道路断线现象，这些仍需作进一步研究。

［1］ 林宗坚，刘政荣.从遥感影像提取道路信息的方法评述［J］.武汉大学学报:信息科学版，2003，28(1): 90-93.

［2］ PARK S R，KIM T.Semi-automatic Road Extraction Algorithm from IKONOS Images Using Template Matching［C］∥22nd Asian Conference on Remote Sensing.Singapore:AARS，2001:1209-1213.

［3］ PEREZ P，BLAKE A，GANGNET M，et al.Probabilistic Contour Extraction with Particles［C］∥Proc.of Int.Conf on ComputerVision，Vancouve.IEEE，2001(3): 524-531.

［4］ AMINI J，SARADJIAN M R，BLAIS JA R，et al.Automatic Road-side Extraction from Large Scale Image Maps［J］.International Journal of Applied Earth Observation and Geoinformation，2002(4):95-107.

［5］ TRINDER J C，WANG Y.Knowledge-based Road Interpretation in Aerial Images［J］.International Archives of Photogrammetry and Remote Sensing，1998，32(4): 635-640.

［6］ 安如，冯学智，王慧麟.基于数学形态学的道路遥感影像特征提取及网络分析［J］.中国图象图形学报:A辑，2003，8(7):798-804.

［7］ 李利伟，刘吉平，尹作为.基于数学形态学的高分辨率遥感影像道路提取［J］.遥感信息，2005(5):9-11.

［8］ 杨淑莹，胡军.基于图像纹理分析的目标物体识别方法［J］.天津理工学院学报，2001，17(4):31-33.

Research on Methods of Road Extraction from High-resolution Remote Sensing Image

HU Zhangwu

0494-0911(2011)08-0013-04

P237

B

2011-05-25

胡张武(1976—)，男，安徽桐城人，工程师，研究方向为GIS原理与应用。