基于高分辨率遥感影像的道路特征信息提取方法

傅刚

摘要：高分辨率遥感影像越来越丰富，使得高分辨率影像的信息提取要求也越来越高，特别是对道路这种特殊的地物而言，其提取的准确性对后续应用有很大影响。本文总结了高空间分辨率遥感影像中道路的物理和几何特征、已有道路提取方法及未来的发展方向。

关键词：高分辨率；道路提取；遥感影像

随着遥感技术的发展，越来越多的商业化卫星可以提供相当高分辨率的遥感影像数据，目前已达米级甚至亚米级，目前主流的高分辨率卫星及其空间分辨率如表1所示。这些高分辨率遥感影像为很多应用提供了有利的条件，例如土地资源调查、地理数据更新、土地利用和土地覆盖变化监测等。准确快速地从遥感影像中提取感兴趣信息是遥感的一个热门研究方向。其中，道路信息的提取更是研究热点，因为道路不仅是基础的地理信息，而且为提取其他地物提供了参考[1]。本文分析了道路在遥感影像中的特征，然后对目前在遥感中常用的道路提取方法进行了分析和对比，最后对遥感中道路提取方法的发展方向进行了展望。

1. 道路特征提取的原理

道路在高空间分辨率的遥感影像上，通过人工解译是很容易被识别和提取出来的，这主要是因为道路的物理和几何特性与其他地物有明显的区别，因此，只有明确道路的特征，然后才可以通过计算机进行自动识别。道路的特征可以大体分为两类，一类是物理特征，一类是几何特征[2]。

物理特征主要指道路的成分，通常与其他地物不同，例如，水泥路、柏油路等。在遥感影像上，这一点就体现在辐射特征的不同上，道路的辐射特征与相邻其他地物的辐射特征差异明显，这在一定程度上可以通过监督方法，自动提取出道路。

几何特征包括道路的形状特征、拓扑特征及上下文特征。道路的形状通常为长条状，长度与宽度之比非常大，而且道路的变化较小，即使是弯道，也有曲率的限制。拓扑特征是指道路通常是相互交叉的，以道路网的形式存在。上下文特征主要是指道路上的标志、高速路中间的绿化带以及行人斑马线等[3]。

基于以上特征，我们可以在高、中、低三个层次上进行道路特征提取。低层次主要依赖各种基本要素，包括特征点、线、面，边缘及纹理等，这一层次较少涉及道路的相关知识；中层次是在低层次结果的基础上，对多种特征进行分析、整合、精简等，形成一定的结构化；高层次则要求利用道路的相关知识及规则，从而识别道路。

2. 道路特征提取现状

目前，通过计算机对道路进行提取，大体可以分为两种，一种是监督道路提取，一种是全自动道路提取。

2.1 监督道路提取

监督道路提取主要是采用人机交互的模式。首先，由人工选取道路的起始点和起始方向，然后设置规则，由计算机进行处理识别，通常在识别过程中，还需要进行适当的交互，以此确保识别的精度。这一过程通常包含如下四个步骤：第一，对遥感影像的道路特征进行增强；第二，确定道路的起始点和起始方向；第三，扩展和跟踪起始点，提取道路段；第四，将各个道路段连接，从而形成道路网[4]。

具体方法包含五种：分别是动态规划法、基于模型法、主动试验法、模板匹配法、概率论法和基于知识的方法。

动态规划法通常将识别问题转化为最优化问题，即将道路起始点与其他点之间赋予代价函数，然后计算点与点之间的最优路径。这种方法最早是从低分辨率遥感影像道路提取中发展来的，实验表明，这种方法对于道路边界提取效果一般，但是对道路中心线提取精度较高。

基于模型法即将影像的各种特征通过函数表达出来，然后对该函数求极值从而提取目标。常用的模型有Snakes及其多种改进算法（例如，LSB-Snakes， Ziplok Snakes， Double Snake），Active Contour模型等[5]。

主动试验法是通过选定道路起始点和起始方向从而获得道路的统计模型特征，以此建立决策树；然后，用决策树对道路进行跟踪提取。在高分辨率影像中，通常要假定道路段为矩形，结合主动试验法提取道路中心线。这种方法由于有限制条件，因此对道路中心线的提取效果一般。

模板匹配法即用戶首先选取感兴趣的特征点，然后为这些特征点定义一个特征模板，最后将其他点与特征模板进行匹配，当相似度达到要求的时候即匹配成功。

概率论法将道路的边缘假定为一个随机过程路径，该随机过程是基于统计模型驱动的。通过后验概率判定道路是否被准确提取。

基于知识的方法是通过人工的认识转化为判定道路的规则，以此来提取道路。这种方法的思路是首先提取道路片段，然后将对该道路片段的认识转化为道路识别规则，然后用建立的规则对影像其他部分的道路进行提取。这种方法的好处是在建立规则的时候，可以采用多种特征，而这些特征又不存在冗余，所以该方法不仅准确率高，而且速度快。但是这种方法对于操作人员的专业知识要求较高，不仅要有遥感知识，还要有其他多学科的知识。

2.2 全自动道路提取

全自动道路提取即不加入人工干预，直接设定规则，由计算机自行判断并提取。这类方法包括平行线法、中心线探测法和统计模型法等。

平行线法是从道路的几何特征出发，因为道路边缘可以看成是一组平行线，因此，根据这一特征可以设计一种道路边缘提取算法。这种方法在数学形态学中可以简化为三个过程：一是影像分割及直线提取；二是降低影像分辨率提取道路轮廓；三是根据上一步骤提取的道路轮廓线，从第一步骤提取的直线中确定道路边缘[6]。

中心线探测法即道路中心线检测，通常对影像进行分割，然后在分割的基础上，提取中心线，再结合道路的灰度特征、几何特征对中心线周围的区域进行合并，最终形成道路网。

统计模型法不依赖于某个因素，因此适合道路提取这种相对复杂的地物。可以通过几何概率分布模型，设置窗口，对道路进行检测提取。这种方法对道路有一定的要求，包括道路宽度变化不能太大、局部辐射亮度变化较小、道路曲率较大、背景差异明显、长宽比较大等。当然，一般的全自动道路提取都应该满足这些条件。

3. 遥感影像道路提取展望

目前，利用高空间分辨率影像进行道路提取的研究已经很多，每种方法都有一定的适用性，但是毕竟现实世界中的道路无论从材料还是设计都具有很大的多样性及复杂性，而研究中提到的方法往往只能解决某一种或几种类型的道路提取，并且这些方法的自动化程度、算法效率及精度方面也有较大差异，因此，距离实际应用还有很长的路要走。

首先，对道路特征的挖掘。目前的大部分道路提取算法都只利用了道路的一种或几种较为基本的特征，由此建立的模型也相对简单。那么，对于高空间分辨率的遥感影像而言，道路的纹理特征比中低分辨率影像要明显的多，因此，如何在已有算法中结合高分辨率影像中道路的纹理特征是一个值得研究的方向[7]。

其次，多维模型的建立。遥感影像是二维图像，但是表达的是三维世界，因此，在三维到二维的过程中，必然有很多有用的信息被损失掉。可以考虑，用多幅影像，来构建三维模型，这样可以建立道路与其他地物之间更具体的联系，由此得到适合道路特征提取的多维模型。

再次，多方法嵌套使用。大部分的单一方法都是针对某种类型的道路，当现实情况比较复杂的时候，这些单一方法就不再适用了。因此，如何将多种方法有机地结合起来形成新的方法体系也是一个值得研究的问题。多方法嵌套不仅提高了方法的适用性，也在一定程度上提升了全自动的可能。

第四，结合面向对象的思想。面向对象是将若干像元合并为一个对象，再对对象进行分析研究的方法。这种方法的大致步骤包括以下四步：影像分割得到对象，对对象进行特征提取，将提取的特征组合成模型，根据模型提取道路。这种方法目前在道路提取中已经获得不错的效果[8]。

最后，多学科结合。道路在现实世界中是相当复杂的，因此道路提取涉及很多学科的问题，包括数学、计算机视觉和计算机图形学等。因此，在道路提取的研究过程中，要充分結合其他学科的方法及最新研究成果，将这些方法在更高的层次进行结合，最终可以提升道路提取的精度。

参考文献：

[1] 李光耀， 胡阳. 高分辨率遥感影像道路提取技术研究与展望[J]. 遥感信息， 2008（1）：91-95.

[2] 吴亮， 胡云安. 遥感图像自动道路提取方法综述[J]. Acta Automatica Sinica， 2010， 36（7）：912-922.

[3] 雷小奇， 王卫星， 赖均. 一种基于形状特征进行高分辨率遥感影像道路提取方法[J]. 测绘学报， 2009， 38（5）：457-465.

[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] 唐伟， 赵书河. 基于GVF和Snake模型的高分辨率遥感图像四元数空间道路提取[J]. 遥感学报， 2011， 15（5）：1040-1052.

[6] 朱长青， 王耀革， 马秋禾，等. 基于形态分割的高分辨率遥感影像道路提取[J]. 测绘学报， 2004， 33（4）：347-351.

[7] 胡海旭， 王文， 何厚军. 基于纹理特征与数学形态学的高分辨率影像城市道路提取[J]. 地理与地理信息科学， 2008， 24（6）：46-49.

[8] 胡进刚， 张晓东， 沈欣，等. 一种面向对象的高分辨率影像道路提取方法[J]. 遥感技术与应用， 2006， 21（3）：184-188.

[9] 张美香， 白亚彬. 基于高分辨率遥感影像的城市规划设计研究[J]. 西部资源， 2014（1）.