一种基于区域生长的高分辨率遥感影像道路提取方法

摘要：随着遥感影像分辨率的提高，从高分辨率遥感影像中进行道路网提取，可以为交通信息提供瞬时、准确、可靠的数据，为交通规划提供极大的帮助。提出利用高分辨率遥感影像中道路的光谱信息特征提取路网的方法。考虑到高分辨率遥感影像光谱信息的复杂性，首先对遥感影像光谱信息进行K均值聚类，实现道路类和非道路类分离；同时，获取区域生长的判决条件和判断阈值，然后在道路类上运用区域生长的方法提取路网；最后，运用数学形态学等处理优化路网。实验证明，该方法从高分辨率遥感影像提取路网有较高的准确度和适用性。

关键词：高分辨率遥感影像；光谱信息；道路提取；K均值；区域生长

DOIDOI：10.11907/rjdk.143740

中图分类号：TP301

文献标识码：A 文章编号文章编号：16727800（2015）001002703

基金项目基金项目：国家自然科学基金项目（61170102；61350011）；交通运输部重点项目（2012-364-208-802-2）；湖南省自然科学基金项目（11JJ3070）；湖南省自然科学基金重点课题（12JJ2036）；湖南省自然科学基金面上课题（14JJ2115）；湖南省教育厅科研项目（12A039）；湖南工业大学研究生创新基金项目（CX1404）

作者简介作者简介：李建飞（1989-），男，河南上蔡人，湖南工业大学计算机与通信学院硕士研究生，研究方向为遥感影像处理；文志强（1973-），男， 湖南湘乡人，博士， 湖南工业大学计算机与通信学院副教授、 硕士生导师，研究方向为图像处理、模式识别。

0 引言

高分辨率遥感影像具有覆盖范围大、信息客观真实、成本低、获取方便等优点，被广泛应用。随着分辨率的提高，遥感影像所包含的信息更加丰富、详细，这为使用高分辨率遥感影像监测地表环境和人类活动提供了基础[1]。

基于遥感影像的道路提取，一直受到学者的关注。现有研究主要运用光谱、纹理等特征来提取道路。如边缘连接法，利用光谱差异提取道路边缘[2]；数学形态学提取法，根据光谱信息，运用数学形态学相关原理提取道路网[3]；基于形态分割的方法[4]等。随着分辨率的提高，光谱信息越来越复杂，道路上的车辆、道路两边的建筑物等投影对道路造成很大的干扰。因此，单凭一种方法从高分辨率遥感影像提取路网有一定的难度，路网的完整性难以保证。

本文在运用高分辨率遥感影像光谱信息的基础上，利用 kmeans与区域生长结合提取路网。运用kmeans聚类将道路与非道路分离，并获取道路类的质心和道路类中所有像素点对与质心的标准偏差，其质心作为区域生长的判决值，标准偏差作为区域生长判断阈值。种子点在人工干预下在道路类中选择，并在道路类中进行区域生长提取道路网。

1 提取道路方法

1.1 道路基本特性

高分辨率遥感影像中的道路包含以下基本特性[5]：①主干路、次干路、支路的是相互连通的；②每一条道路段路面宽度以及其路面内光谱特性基本一致；③由于路面护栏、分道线、车轮线、交通线等影响，使得道路面的灰度分布不均匀。

1.2 道路提取方法

本文采用kmeans聚类分离出道路类；然后在在道路类中采用区域生长提取路网；最后经过噪声去除、数学形态学处理以及细化等处理实现路网的优化。本文研究的路网提取流程如图1所示。

图2是在kmeans基础上进行区域生长的算法流程图，该算法具体说明如下：

第一步：对影像进行K均值聚类，将道路和非道路及其它分为K类。K值的选择是关键的一步，K值直接关系着道路类是否分完整；由K值的大小设置其初始中心值，这样能提高算法的收敛速度。设像素点到类中心的距离为D（像素值之间的距离），其步骤如下：

图1 路网提取流程

图2 算法流程

（1）将类的初始中心设置为{{0，0，0}，{255/（K-1），255/（K-1），255/（K-1）}，{2*255/（K-1），2*255/（K-1），2*255/（K-1）}，……，{255，255，255}}。

（2）在第n次迭代中，对所有的点求到每个中心的欧氏距离D，将该点归到距离最短的中心所在的类中。

（3）利用求均值的方法求出中心值，进而更新该类的中心值。

（4）对于每个聚类中心，利用（2）和（3）的迭代法更新后，中心值保持不变，迭代结束。

实验中计算像素点到类中心的欧氏距离： 其中R、G、B分别代表3个通道的像素值。

D=（R1-R2）2+（G1-G2）2+（B1-B2）2（1）

实验验证如图3所示，对于本图K=3聚类效果较好，为下一步区域生长提供了基础数据。

第二步：聚类结束后，将道路类的中心作为区域生长的判断条件，求出道路类中的像素的灰度值与中心点的标准偏差Saj，作为区域生长判断的阈值。采用标准偏差作为阈值，当道路点比较少时，标准偏差比标准差更能反映对中心点的偏离度；当道路点相对较多时，标准偏差和标准差的值相当，故标准偏差更能准确评估某一点对于道路类质点的偏离度，能更好地判断是否隶属于道路点。其中，a=B，G，R，j为属于道路的类的个数， n的值为道路这一类中包含像素个数。

区域生长法是一种被广泛使用的经典方法，其空间和时间开销都比较大。为了实现快速提取路网，选择在道路类中进行区域生长，初始种子点选择在道路类中的一点。道路点的判断正确与否直接关系着路网的完整性，本文采用式（4）来判断，设影像道路上某一点P0，其光谱值为P0a。区域生长步骤如下：

（1）在图像道路类中各个类顺序扫描，找到一个还没有归属的像素点P1。

（2）以P1为中心，考虑到P1的4邻域像素Pi，如果P1满足生长准则式（4），则将Pi与P1合并，同时将Pi压入堆栈。

（3）从堆栈中取出一个像素，把它作为P1，返回步骤（2）。

（4）当堆栈为空时，返回步骤（1）。

（5）重复步骤Step1-Step4直到图像中道路所有类中的每一个点都有归属时，生长则结束。

2 实验结果与分析

用某城市的高分辨率遥感影像验证本文提出的方法。实验结果如图4，其中原始影像尺寸800*780；图4（a）通过kmeans聚类后的图像，道路类与非道路类分离出来；图4（b）在kmeans类的基础上在原图上进行区域生长，效果不是很理想；图4（c）区域生长后，噪声去除，但路网还有较多断裂；图4（d）通过数学形态学处理，断裂处连接和内部斑点消除。

为验证算法的适用性，与经典区域生长相比较。选取某郊区的图像（见图5（a））作试验，运行结果如图5（b）、（c）、（d）所示。

为评估道路提取的效果，采用人工判读定义参考图6，并参考文献[69]作下列统计：①参考道路长度；②检出道路长度；③检出的错误道路长度。采用以下3个指标进行评估路网，检测率PD=检出的正确道路长度/参考道路长度；虚警率PF=检出的错误道路长度/参考道路长度；检测质量θ=检出的正确道路长度/（参考道路中未检测出的长度+检出的道路长度），得到表1数据。

由表1可以看出，运用本文算法提取的道路，在检测率上，不论是郊区还是城区道路都远远高于经典算法；在虚警率上，不论是郊区还是城市道路都远远低于经典算法；重要评价参数检测质量θ，本文算法在郊区道路上θ=91.20%、城区道路θ=85.66%，而经典算法在这两种道路上的θ分别为70.02%、73.67%。本文算法不论是城市道路还是郊区道路都明显优于经典区域生长算法。

3 结语

本文提出了一种从高分辨率遥感影像中提取路网的方法。该方法是利用遥感影像的光谱特性，先对其kmeans聚类，得到道路类与非道路类。在此基础上利用区域生长方法提取道路网，比单纯利用区域生长精度更高。