面向对象的高分辨率遥感影像道路损毁识别研究

田卫方，王 斌

(北京交通大学土木建筑工程学院，北京 100044)

面向对象的高分辨率遥感影像道路损毁识别研究

田卫方，王 斌

(北京交通大学土木建筑工程学院，北京 100044)

道路损毁信息在灾后高效救援中发挥着重要作用。本文针对高分辨率遥感影像空间特征丰富、光谱分辨率低的特点，基于面向对象遥感影像分类方法，采用eCognition软件对芦山震后0.2 m航空遥感影像进行了道路损毁信息的提取试验。试验中结合GIS信息，首先将基于现有的道路矢量线文件生成的道路矢量面文件参与分割，生成单独的道路区域对象以用于进一步处理。分割采用棋盘分割和多尺度分割，根据损毁道路影像特征创建波段比值，使用Assign算法和模糊分类算法提取出道路线、植被、损毁区和未损毁区，并将结果输出为矢量文件。根据损毁区损毁对象的周长、面积与道路宽度的关系，建立判定条件来初步判定损毁类型。最终将损毁粗判定结果与损毁路段的目视解译结果对比分析，检验该方法的准确率及可行性。结果分析表明上述方法能有效地识别出高分辨率遥感影像损毁道路信息。

面向对象分类；eCognition；损毁道路；道路矢量

一、引 言

道路信息是地理信息数据库的重要组成部分，在人们的日常生活中起着至关重要的作用，尤其在发生地震等重大灾害的危急情况下，道路作为抗震救灾的生命线，及时、有效地获取道路的路况及损毁信息，是高效救援、减少生命及财产损失的关键。遥感影像不受时间和空间条件的限制，能灵活方便地监测灾害的发生发展进程，特别是SPOT、IKONOS及无人机等高分辨率影像的出现，使得影像中地面细节表现更加丰富，为损毁道路信息的识别提供了有力支撑。

目前的道路损毁识别方法有基于多时相遥感影像的变化检测和基于单时相遥感影像的目视解译。变化检测的方法能有效地识别出道路损毁信息[1]，但其对前后时相影像的依赖性较强，目视解译的方法精度高，但是工作量大，效率低。本文基于面向对象的遥感分类技术，结合现有的矢量道路信息，利用eCognition软件对四川芦山地震后的高分辨率遥感影像开展道路损毁信息自动提取与损毁粗判定，并结合目视解译结果进行精度评价以验证该方法的可行性。

二、研究方法

面向对象遥感分类技术处理的基本单元是影像分割所得的同质图斑，通过建立图像分层网络，结合影像的空间、纹理、背景等属性特征，利用分类器实现影像的分类。面向对象分类方法得到的对象语义信息丰富，适合于处理高分辨率遥感影像，属于遥感影像的较高层次理解。充分结合道路的背景等相关特征，有助于实现可靠、智能的自动化道路提取[2]。

1.道路影像特征识别

面向对象遥感分类技术需要根据完好道路和损毁道路的特征来制定规则集用于精准的分类。根据文献[3]对道路特征的总结可知：完整的道路几何特征明显，长宽比值大，曲率限制在一定范围内，方向变化缓慢；辐射特征为内部灰度均匀，有明显的边缘；拓扑特征明显，具有连续性，且相互交叉连成网络；与居民地及具有一定功能的设施相连接。同时，受损的道路路面粗糙，光谱值发生改变；路基路面损毁时空间连续性破坏，道路长宽比改变；周围存在滑坡泥石流等地质灾害[4]。

2.面向对象分类技术

对高空间分辨率的遥感影像进行面向对象分类时，首先要对影像进行分割操作。高空间分辨率遥感影像具有丰富的纹理特征和空间特征，地物细节表现丰富，若对整幅影像完全分割则会耗费大量的时间，效率会大大地降低。为此，运用现有的道路矢量文件参与分割，能单纯地分割出研究区域，从而节省大量的时间[5]。然后仅对研究区域进行多尺度分割，充分利用研究区损毁道路的光谱因子和形状因子特征，经过多次分割试验确定合适的分割尺度。

遥感影像分辨率的提高使得影像包含的地物信息更为丰富，面向对象的遥感分类在不同尺度中提取不同地物信息，在不同尺度下呈现不同的地物细节特征。面向对象分类提高了影像处理的语义层次，实现了从基于像元的分析层次向基于单元的分析层次和基于符号的分析层次的转变，弥补了传统基于像元层次分类方法的语义缺陷问题[6]。经过观察可知，研究区靠近山区，道路两侧植被茂盛，分割出的损毁道路对象中不仅包含泥石流及落石等崩塌、滑坡碎屑，而且还有车辆、植被、行人等，这将对分类结果产生极大的干扰，因此要根据分割对象的光谱等特征来分类，以有效地排除干扰物。

3.技术路线

技术路线如图1所示。

图1

三、试验结果及分析

1.研究区域和数据源

本次试验数据采用民政部国家减灾中心在四川芦山地震后获取的航空遥感数据，该影像包含蓝(450～520 nm)、绿(520～660 nm)、红(630～690 nm)三个波段，空间分辨率为0.2 m。矢量资料为国家测绘地理信息局的1∶5万基础地理数据。研究区宝兴县属于亚热带气候，暴雨强度大，处在四川盆地与青藏高原东南缘过渡地带，为四川向斜与川西地槽交接处，地层出露较全；县城所在地穆坪镇为两山夹一沟“V”字型峡谷，地形高陡，平均坡度大于45°，易发生滑坡、泥石流等地质灾害。试验所用影像整体呈东西方向，所获区域为宝兴县穆坪镇境内新光村段，全长3.1 km，平均海拔为1100 m。省道沿影像方向延伸，由小关子至宝兴县方向，左侧为青衣江。道路两侧植被发育较好，道路宽度均匀，呈现灰暗色调，从影像上看，伴有严重的崩塌泥石流现象，部分区域有树阴遮挡现象。

2.面向对象分类地物提取过程

(1)影像分割

分割是面向对象分类过程的重要环节，本文采用eCognition软件开展道路损毁信息的识别研究。由于本次试验研究对象为省道，呈狭长形条带状，仅占整幅影像的很小一部分，若将整幅影像整体用来研究，则会耗费大量的时间，效率会大大降低。在道路提取中，结合GIS信息，能优化提取结果[7]。本文采用道路矢量数据参与分割，能单独分割出道路区域以减少不必要的时间消耗。

鉴于所能获取的道路矢量为线文件，因此需要将线文件与影像道路配准处理后，生成与道路宽度相符的矢量面文件来参与分割。多尺度分割是基于异质性最小的区域合并算法来进行的。棋盘分割是最简单的分割算法，是将特定的影像对象裁剪成一个给定大小的相等正方形。为了提高效率，在矢量数据参与分割时，采用棋盘分割算法，取较大的分割参数，将道路区域分割出来。基于矢量文件分割的对象需根据其属性信息生成道路区域，并将此区域设置为研究区，继而对道路区域进行多尺度分割，能有效提高道路损毁信息的识别效率。

多尺度分割中的最优尺度分割参数需要反复试验验证。考虑分割对象的光谱特征、形状特征，对分割尺度、形状及紧致度3个参数进行调整，并对分割结果进行比较得出最佳参数。在此次试验中，经过研究发现参数尺度为30，形状系数为0.7和紧致度为0.3时，能很好地分类出道路线、植被和未损毁区；分类完成后发现未分类部分分割尺度较大，因此有进行再分割的必要，对未分类区进行尺度参数为20的第二次分割。

(2)特征参数的选取及规则集的建立

上述过程中分割出的对象包含3类，即植被、完整道路的非损毁区和泥石流掩埋、落石等覆盖的损毁区。虽然NDVI算法能有有效地区分出植被，但仅包含3个波段的遥感影像不能创建此算法。针对不同的遥感影像分类时，分类规则参数的设置不同[8]。因此，经过反复试验发现，创建波段间比值，利用比值区间也能很好地将几种地物区分开。本文研究创建的波段间的比值算法分别为

(3)分 类

Assign Class算法是最简单的分类算法，由上述设置的波段间比值算法验证可知，选取单一的波段比值能将植被、完整道路以及大部分的损毁区分别分类。模糊分类数学分类器是一种软分类器，考虑对象类别的不确定性，赋予0到1之间的属性值，使得样本对象不再单纯属于某一个类别，而是不同程度地隶属于多个类别[9]。

阈值能精确地区分出地物，故本文首先考虑使用Assign Class算法。经过验证，得出以下阈值条件：根据道路边线和中线为条带状的特点，在第一次分割完毕后，取L/W≥5的对象为道路线；继而使用ratio2≥1区分出了植被；当取ratio1≤0.95时能有效地分类出道路的未损毁区。再次分割后取ratio4≤2.97分类出的地物属于路面即损毁区。使用阈值分类之后发现，尚有少量剩余的未分类地物，此时利用模糊分类算法的不确定性，根据其隶属度来自动归类。分类完成后，把分类的4种地物分别进行区域合并，至此分类完成。进行多尺度分割以及分类如图2所示。

图2

3.损毁路段检出的规则

分类结束后，损毁区地物被分类出来。为了自动有效地识别道路损毁的具体情况，根据文献[10]2010年对损毁路段快速评估的描述，综合道路的相关特点，本文采用损毁路段损毁物的周长C、面积S与道路宽度d的相关关系，建立道路损毁判定规则集，用于道路损毁情况的粗判定。判定规则见表1。

表1

4.损毁检出及精度评价

本文研究区道路宽度为10 m，分类结果显示共得出损毁对象60个，根据上述判定规则对面向对象的损毁区分类结果进行初步判定，由分类和目视解译的损毁对象个数来确定准确率。研究区损毁情况、目视解译结果及相应准确率见表2。

表2

从表2中可以看出，文中方法针对路面零散覆盖物有较好的识别效果，准确率可达92.8%；中度损毁清理后可畅行的情况识别准确率为92%，经过目视解译查看图像，有2辆停在路面的大卡车被误识别为中度损毁对象，这在一定程度上削弱了识别的准确率。重度损毁误判有2处：一部分是滑坡泥石流等路面覆盖物光谱值与省道路面光谱值相近而造成较大损毁区域被分割成2个重度损毁对象；另外一处是路面留存有泥石流残迹而被错判为损毁通行受限，从而造成重度损毁的分类对象数量多于实际，需结合目视解译来对分类结果修正。从上述分析中可以看出，该方法虽然存在一定的错分率，有关特征及规则需要反复试验来改进，但是从识别道路损毁信息的自动化程度、效率和准确率上看，该方法有效地提取了道路损毁区域的粗略信息，能为震后应急管理相关部门提供决策支持。

四、结束语

面向对象的分类方法能够很好地利用遥感影像丰富的地物空间特征，已经用于地物的自动提取与识别，但是对于道路损毁的自动提取尚处于试验阶段。道路损毁信息的识别目前仍是以目视解译为主。本文根据道路的损毁段覆盖物的特点，结合遥感影像的空间特征和光谱、形状特征制定分类规则，借鉴前人对道路及其他地物的自动提取研究经验，在一定程度上有效地提取出了损毁道路的情况，结合目视解译进行修正后能准确提供损毁区域位置及损毁情形。经过对比目视解译结果的分析可知，面向对象的分类技术能很好地用于震后道路的应急处理，该方法具有一定的应用价值。随着研究的不断深入，计算机自动识别精度会进一步提高，将来面向对象遥感分类技术会更好地用于遥感和GIS行业的自动生产实践中。

[1] 赵福军，张磊.面向对象的遥感震害信息提取方法—以汶川地震为例[J].地震，2009，29(S0)：130-138.

[2] 许高程，毕建涛，王星星.面向对象的高分辨率遥感影像道路自动提取实验[J].遥感应用，2012(2)：108-111.

[3] VOSSELMAN G，KNECHTDE J.Road Tracing by Profile Matching and Kalman Filtering[C]∥Automatic Extraction of Man-made Objects from Aerial and Space Images.[S.l.]：Birkhauser Verlag Basel，1995：265-274.

[4] 王艳萍，姜纪沂，林玲玲.高分辨率遥感影像中道路震害信息的识别方法[J].计算机工程与应用，2012，48(3)：173-175.

[5] 陈世荣，马海建，范一大，等.基于高分辨率遥感影像的汶川地震道路损毁评估[J].遥感学报，2008(6)：949-955.

[6] 游丽平.面向对象的高分辨率遥感影像分类方法研究[D].福州：福建师范大学，2007.

[7] 史文中，朱长青，王昱.从遥感影像提取道路特征的方法综述与展望[J].测绘学报，2001，30(3)：257-262.

[8] 任玉环，刘亚岚，魏成阶，等.汶川地震道路震害高分辨率遥感信息提取方法探讨[J].遥感技术与应用，2009，24(1)：52-56.

[9] CAPRIOR M，TARANTINO E.Urban Features Recognition from VHR Satellite Data with an Object-oriented Approach[J].Challenges in Geospatial Analysis，Integration and VisualizationⅡ，2003(9)：176-180.

[10] 秦军，曹云刚，耿娟.汶川地震灾区道路损毁度遥感评估模型[J].西南交通大学学报，2010，45(5)：768-774.

An Object-oriented Method for Road Damage Recognition from High Resolution Remote Sensing Images

TIAN Weifang，WANG Bin

P237

B

0494-0911(2014)11-0064-04

2014-05-08

田卫方(1988—)，女，河南兰考人，硕士生，研究方向为遥感应用。

田卫方，王斌.面向对象的高分辨率遥感影像道路损毁识别研究[J].测绘通报，2014(11)：64-67.

10.13474/j.cnki.11-2246.2014. 0365