基于面向对象技术的低山区公路信息提取研究——以广西省玉林市为例

王代堃，王志恒，杜霄蒙，陈雨苗

(天津城建大学 a. 地质与测绘学院；b. 土木工程学院，天津 300384)

地质与测绘

基于面向对象技术的低山区公路信息提取研究
——以广西省玉林市为例

王代堃a，王志恒a，杜霄蒙b，陈雨苗a

(天津城建大学 a. 地质与测绘学院；b. 土木工程学院，天津 300384)

针对高分辨率遥感影像提取公路信息中存在的对丰富特征信息利用不够充分的问题，基于GeoEye_1卫星影像，提出一种综合考虑公路光谱属性、纹理属性、空间属性等特征的面向对象公路信息提取技术．针对GeoEye_1数据的不同波段，采用试误法建立适用于公路特征提取的综合分类规则，并进行提取．最后，以目视结果作为参考，对基于各波段的提取结果精度进行验证．结果表明，基于蓝光波段提取的公路信息精度最高，在选取的六个抽样区域的提取精度分别达到84%，68%，78%，68%，83%和66%，平均精度达到74.7%．研究成果对高分辨率遥感影像在山区公路信息提取中的应用具有一定的参考价值．

山区公路；信息提取；面向对象技术；规则分类；GeoEye_1

山区公路是山区与外界联系的重要通道．传统的公路提取方法大多是基于像素的，比较典型的有基于最小二乘B样条曲线的方法[1]，基于类与模糊集的道路网络提取[2]和利用动态规划方法提取道路特征[3]等．近年来，影像的空间分辨率已经达到1～2,m甚至是厘米级，传统的基于像素的提取方法不能取得很好的效果．为了解决这个问题，一些学者开始尝试使用面向对象[4-8]的分类提取方法，并取得了比较理想的提取结果．通过对已有的研究成果分析发现，GeoEye_1遥感影像在细微地物的解译与判读方面有突出优势，在面向对象技术的提取中能够更加充分的利用山区公路的属性信息，得到较好的提取结果，但目前利用面向对象技术提取道路的研究成果采用的影像大多是基于Quickbird影像[4-8]，也有部分研究是基于IKONOS影像[6]，对GeoEye_1影像只有较少的应用实例，同时，提取的道路目标大多是城镇道路[8]，而鲜有对山区的公路的相关研究．

笔者在对GeoEye_1高分辨率卫星影像中山区公路的光谱特征、几何特征、纹理特征以及空间特征等进行分析的基础上，采用面向对象技术对GeoEye_1的红、绿、蓝、近红外和全色五个波段分别进行山区公路信息的提取，并对提取结果进行对比和精度评价，最终确定针对GeoEye_1的低山区公路面向对象提取的最佳波段．

1 研究区概况

研究区位于广西壮族自治区玉林市兴业县石南镇，北纬22°41' 52"至22°46' 36"，东经109°52' 11"至109°57' 14"．地处广西东南部，粤桂两省交界处．该地区地形主要为丘陵台地与山地，气候属于亚热带季风气候，年均温度22,℃，雨量充沛．

实验区主要道路为连接南乡村和六联村的四级乡道，该路段依山傍水而建，属于典型的山区公路，如图1所示．本实验区选取GEOEYE_1高分辨率卫星数据，影像分辨率多光谱波段为2 m，全色波段为0.5，拍摄时间为2009年9月27日．

图1 广西省玉林市南乡村—六联村山区公路

2 GeoEye_1影像中研究区山区公路的主要特征

充分认识山区公路在GeoEye_1影像中的具体特征，有利于从原始影像中找到有利的判别标志和相关参数．本文在前人研究的基础上[9-10]，结合覆盖研究区的影像具体情况，分析该地区公路在GeoEye_1影像上的特征，详见表1．

表1 山区公路的主要特征

3 技术路线与研究方法

基于GeoEye_1影像的山区公路面向对象提取主要包括：数据预处理、面向对象提取以及对比验证三个部分，详见图2．首先对原始影像进行必要的预处理，然后进行面向对象技术提取，包括图像分割，斑块合并，亮度阈值合并以及选择属性计算项，之后进行山区公路特征提取工作，该阶段采用规则分类的方法对山区公路的光谱特征、纹理特征、空间特征进行综合考虑，从而确定出具体的提取规则，最后进行结果分析．

3.1 影像预处理

对于原始影像进行适当的处理可以提高面向对象分类的精度．在影像分割过程中，灰度差异较小但分属不同地物类型的相邻像元，分割后易被合并为一个对象，造成目标错提、漏提．为此，须对原始影像进行预处理，增大提取目标与背景的反差，以取得更好的分割效果．

图2 山区公路提取技术路线

3.2 面向对象分类

面向对象分类技术就是尽可能按照人类认识世界的方法和思维方式来分析和解决问题的系统方法[11]．该方法将影像对象的邻近像元这一集合作为研究对象，从而识别感兴趣的光谱要素，它能充分利用高分辨率影像的各波段的光谱、纹理和空间信息对图像进行分类.

3.2.1 影像分割

影像分割是面向对象技术提取的基础和重要阶段，它能够使地物目标的异质性最大．通过像素相似的特征值，包括亮度、光谱、颜色等，影像分割技术将整个图像分割成与真实世界的对象相对应的对象，进一步更加真实地模拟现实世界[12]．一般而言，分割阈值采用试误法来确定，并通过目视解译方法来判断其效果．

3.2.2 斑块合并

为解决图像过度分割问题，采用Full Lambda-Schedule Algorithm算法将细小斑块合并到更大尺度的斑块中，即在斑块的光谱和空间信息的基础上对临近斑块进行合并，如果一对临近斑块的合并结果小于设定的合并阈值时，就进行合并计算[13]．

3.2.3 亮度阈值合并

该过程主要解决过度分类后带来的点要素信息的提取问题，它针对栅格数据进行操作，基于当前区域均值图像的第一波段中斑块的亮度值来进行分类．

3.2.4 选择属性计算项

该过程是在针对每一个斑块对象的光谱、纹理和空间等属性的基础上，对图像进行分类．具体包括：① 光谱属性，每一个波段的最小值、最大值、平均值和标准差；② 纹理属性，包括对象的范围、平均、方差和熵；③ 空间属性，包括对象的面积、长度等14类．

3.3 特征提取

本研究采用基于规则分类的特征提取方法，在分析目标地物属性的基础上，建立合适的分类方法，给分割后的对象赋予相应的特定要素规则．通过选择光谱、纹理和空间属性中的特定类别，并通过对比分析，建立针对目标地物提取的最佳规则．

3.4 结果输出与分析

将最终的提取结果以矢量图的格式导出，再以从基础地理信息数据中获得的公路信息为参考，对基于各波段提取的分类结果进行对比分析，以面积作为评价指标，确定基于GeoEye_1影像提取公路信息的最佳波段．

4 山区道路提取实验

4.1 发现对象

4.1.1 图像分割

本研究的对象为四级山区公路，宽度通常为4～6 m，因此分割时选择的尺度也不宜过大，但对于全色波段来说，其分辨率更高，许多细小的地物都能够被识别，分割尺度要相对较大，否则分割对象将过于细碎，不能很好的将公路信息提取．经过反复试验，最终确定红光波段的分割尺度为30，绿光波段的分割尺度为30，蓝光波段的分割尺度为50，全色波段的分割尺度为70，分割效果如图3所示．

图3 分割尺度

4.1.2 斑块合并

在图像分割的基础上，将属于同一性质但被分割的对象进行合并，使得分割效果更加准确、合理．通过对不同波段的合并尺度进行实验，最终确定蓝光波段的合并尺度为30，红光波段的合并尺度为10，绿光波段的合并尺度为10，全色波段的合并尺度为20，合并效果如图4所示．

图4 合并效果

4.1.3 亮度阈值合并与选择属性计算项

最后，在面向对象分类时，为解决过度分类后带来的点要素信息的提取问题，对于实验中的所有波段，都要进行亮度阈值合并．而对于属性计算项，在接下来的分类规则中，对不同的波段，会采用不同的光谱属性，纹理属性和空间属性，所以这三个属性项都选择，以便于下一阶段的分析使用．

4.2 基于规则分类的特征提取

通过发现对象中的图像分割，斑块合并等操作，已经将目标区的遥感影像划分成若干有意义的分离区域，形成了基本的影像对象，但最终公路提取的准确度取决于规则分类中规则的确定．根据波段的特点和山区公路的的特征建立适当的规则，并通过对实际分类效果的对比分析，确定基于GeoEye_1影像提取山区公路信息的规则，详见表2．

表2 分类规则详细信息

研究发现若选定属性的阈值设定过高，则会把公路对象错误划分为背景对象；若选定属性的阈值设定过低，则会把背景类对象也分类为道路对象，造成结果的不准确．最终的阈值确定需要不断试验才可以确定．接下来以蓝光波段属性1的建立过程为例进行讨论．选择光谱属性的平均值“Avgband”作为属性1，可以看出，图5a中的阈值设置为150，效果十分不理想，公路无法与周围地物相区分，说明公路对象的特征值都比较高，故通过试误法继续增大阈值，最终确定的属性1的阈值为296.1，如图5b所示，公路轮廓清晰可见，之前与周围地物无法区分的现象得到很大改善．然后在属性1的基础上，将属性2设置为纹理属性中的核内组成该区域的像素方差“Tx_variance”，核是一个像素数组用于将像素区分为不同的像素集．最终的阈值确定为187.1，设置后效果如图5c所示，山区公路周边的干扰因素进一步减少．

图5 蓝光波段属性确定过程

图6 近红外分类规则效果

对于近红外波段，图6是用光谱属性与纹理属性提取的效果预览．可看出对于近红外波段，无论是用光谱属性还是纹理属性都不能很好地提取道路信息．

5 实验结果与分析

整体上看，四种波段提取结果的山区公路对象网络都较清晰，需要通过定量的方法进一步判断不同波段提取效果的好坏．

在定性分析的基础上，通过目视解译的方法，从研究区遥感影像上提取公路信息，并将其作为准确度评价的标准．通过抽样的方法，对基于不同波段提取的公路信息精度进行评价，对公路的不同路段建立6个面积提取样区，如图7中的正方形蓝色区域1—6，样区的设立充分考虑到公路周边地物的不同特征，如样区1中的路段横穿居民区，样区2，3，4中的路段进入山区，样区3，6中的公路邻河而建，样区4，5中的公路处于弯道地段．

图7 实验区公路主要干路缓冲区建立与区域面积提取

基于空间分析，得到6个样区内不同波段及目视解译提取的公路的面积，如表3所示．

表3 提取样区内不同波段及目视解译的公路面积提取结果 m2

根据表3中的6个样区内不同波段的公路面积提取结果，分别与样区内目视解译的山区公路面积进行比较，从而得出准确度的大小．任一提取样区内具体的比较公式如下

其中：A为光的提取准确度；S提取为某光的公路提取面积；S目视为该区域内对应的目视解译提取的公路面积．

按公式运算后得到的不同波段公路面积提取准确度如表4所示．通过对比发现，蓝光波段在6个区域内的公路面积提取准确度都是最高的，分别达到了84%，68%，78%，68%，83%，66%，其平均准确度为74.5%．

表4 提取样区内不同波段的公路面积提取准确度

6 结 论

本文基于GeoEye_1卫星影像，结合山区公路自身的特征及其在影像上的表现，提出一种综合考虑公路光谱属性、纹理属性、空间属性等特征的面向对象公路信息提取技术，并以广西壮族自治区南乡村和六联村的四级乡道1997年的部分影像作为实验数据，进行山区公路提取实验，并对实验结果进行精度评定，得出以下结论：

(1)基于高分辨遥感影像，应用面向对象分类方法提取公路信息，由于充分考虑公路在影像上的空间、光谱和纹理特征，可以达到较高的提取精度；

(2)通过对比分析发现，在GeoEye_1四个波段中，基于蓝光波段的公路信息提取精度最高，6个提取样区的提取准确度分别达到84%，68%，78%，68%，83%，66%，其中部分样区提取准确度较其他波段高出30%～50%．

同时，蓝光波段的提取效果在今后也有需要改进的地方．其一，部分样区的解译精度仍然不够准确，如部分提取区的精度只接近70%，还需进一步提高；其二，对山区公路周围属性相似地物的误提取现象仍较为突出，尤其当周围地物复杂时，会影响提取精度，如提取区1覆盖的居民区，对居民地的误提取要比全色波段严重，今后可以尝试和全色波段先进行融合，再建立适当的规则进行提取．

［1］ GRUEN A，LI Haihong. Semi-Automatic linear feature extraction by dynamic programming and LSB-snakes[J]. Photogrammetric Engineering and Remote Sensing，1997，63(8)：985-995.

［2］ STEGER C，MAYER H，RADIG B. The role of grouping for road extraction[C]// Automatic Extraction of Manmade Objects from Aerial and Space Images. Basel：Birkhaeuser Verlag，1997，245-255.

［3］ GRUEN A，LI Haihong. Road extraction from aerial and satellite images by dynamic programming[J]. ISPRS Journal of Photogrammetry and Remote Sensing，1995，50(4)：11-20.

［4］ 朱晓铃，邬群勇. 基于高分辨率遥感影像的城市道路提取方法研究[J]. 资源环境与工程，2009，23(3)：296-299.

［5］ 袁 华，章皖秋，郭洪江. 基于面向对象技术的Quick Bird遥感影像分类[C]// 2010 International Conference on Remote Sensing(ICRS 2010). 杭州：Asia Pacific Environmental Science Research Center，2010：473-476.

［6］ 孙晓霞，张继贤，刘正军. 利用面向对象的分类方法从IKONOS全色影像中提取河流和道路[J]. 测绘科学，2006，31(1)：62-63

［7］ 黄 亮，左小清，张晓晓. 面向对象的道路信息识别提取分析[J]. 昆明理工大学学报：理工版，2010，35(6)：6-10.

［8］ 唐 静，吴俐民，左小清. 面向对象的高分辨率卫星影像道路信息提取[J]. 测绘科学，2011，36(5)：98-99.

［9］ VOSSELMAN G ，DE KNECHT J. Road tracing by profile matching and Kaiman filtering [C]// Automatic Extraction of Man-made Objects from Aerial and Space Images. Birkhauser：Basel，1995：265- 274.

［10］ 陈昌鸣. 面向对象的高分辨率遥感影像农村公路专题信息提取[D]. 重庆：重庆交通大学，2011.

［11］ 何 军，踪 程，刘云生. 面向对象技术在土地检测系统中的应用[J]. 天津城市建设学院学报，2007，13(3)：219-222.

［12］ 汪东川. 土地利用/覆盖格局时空动态分析与模拟—以藉河流域为例[D]. 北京：中国科学院研究生院，2010.

［13］ 胡卓玮，王志恒，魏 铼，等. 基于 RS 与 GIS 混合编程的公路水毁灾情信息提取[J]. 自然灾害学报，2013，22(1)：94-101.

Study of Information Extraction of Hilly Highway Based on Object-oriented Technology： the Case of Yulin City，Guangxi Province

WANG Dai-kuna，WANG Zhi-henga，DU Xiao-mengb，CHEN Yu-miaoa
(a. School of Geology and Geomatics；b. School of Civil Engineering，Tianjin Chengjian University，Tianjin 300384，China)

Abundant feature information is not fully used in the information extraction of highways based on high resolution remote sensing image. Based on GeoEye_1 satellite image，this paper proposes an object-oriented mountain highway information extraction method which takes into account spectral properties，texture features，and space features of the highways. First，the general classification rule is established according to the highway characteristics of the high resolution remote sensing image and the coefficient values are determined by trial-error method. Then，the extraction experiment is conducted on different band respectively. Finally，the extraction result is compared with the visual interpretation result both on whole area and the sampling area. The results show that the image of blue band has the highest accuracy to extract the information of the mountain highway of the study area. The accuracy of the six sampling areas are 84%，68%，78%，69%，83%and 66%，with the 74.7% average accuracy. The result has certain reference value for the study on object-oriented extraction along highways in mountain areas.

mountain highway；information extraction；object-oriented technology；regular classification；Geoeye_1

P237：TP751

A

2095-719X(2014)02-0101-06

2013-11-12；

2014-02-24

天津城建大学本科生科研立项(2012-2013) A类重点扶持项目(21-21124809A)

王代堃（1992—），男，山西长治人，天津城建大学本科生．