面向地理国情监测的道路信息半自动提取

阳春花，李 芹，李春燕

（1.国家测绘地理信息局重庆测绘院，重庆 401120）

根据国务院批复同意的《全国基础测绘中长期规划纲要（2015～2030年）》，到2030年地理国情监测将成为测绘地理信息服务链条的核心[1]。持续开展常态化监测不同于地理国情普查，投入难以达到地理国情普查阶段的水平，因而无力通过直接的经费支持吸纳众多社会力量的参与，迫切需要针对人力物力投入最多、工作量最大的地表覆盖信息采集工作开展相关研究与生产实验，及时为开展常态化地理国情监测提供技术支撑。

道路是非常重要的基础地理信息，它的识别和精确定位对地理国情监测以及其他测绘地理信息相关服务具有深远意义[2]。不同的信息提取方法，提取的效率不同，精度差异较大[3]。在道路提取过程中引入矢量数据辅助，可解决初始信息获取的困难，得到可靠性较强的训练样本[4]。在分析国内外基于高分辨率遥感影像的道路信息提取的基础上，本文结合常态化地理国情监测，提出了模板匹配与自适应相结合的半自动道路网提取方法。

1 提取方法逻辑流程设计

1.1 提取方法总体流程

在影像上，道路通常呈中间亮两侧较暗的带状特征[4]，且在沿道路长度方向的很长范围内，像素的灰度具有很好的相似性，而其他方向则呈较差的相似性[5]。道路模板是根据道路样本建立的一组包含形状的子图像；道路模板匹配是根据道路模板与影像的匹配度提取图像中的道路信息。由于道路上车辆、植被或山体阴影遮挡以及影像质量的影响，道路提取是遥感信息提取的重点和难点[6]。在很多研究中，提取道路前将先进行图像增强、形态学滤波等处理，以抑制噪声或增强道路提取效果，但该方法的适用性不强，降低了生产效率。本文采用模板匹配的方式对道路进行初步提取，不仅具有对噪声和遮挡不敏感等优点，而且对于同源遥感数据道路模板可重复利用，很大程度上提高了自动化效率。总体逻辑流程如图1所示。

图1 提取方法总体逻辑流程图

1.2 道路断线连接

自动空缺填补采用断线连接技术，通过断路搜索与连接，对伪路端进行自动判断和筛选。对于光谱和形状难以识别的小路、细路，采用位置邻近关系、光谱邻近关系、距离邻近关系、形状邻近关系以及群判的决策方法对备选道路进行搜索与提取。断线连接逻辑流程如图2所示。

图2 道路断线连接逻辑流程图

1.3 自适应道路优化

采用自适应道路提取方法，首先基于道路矢量线及其最大化相邻关系对影像进行分割；再将道路矢量线作为样本进行学习，构建基于光谱和形状属性的分割面，从而生成备选种子点；最后根据种子点在每段记录的平均值进行种子增长，优化道路提取结果。

2 实验与结果分析

2.1 实验数据

实验数据为2012-02-24获取的GeoEye-1影像，包括多光谱影像以及对应的全色影像。对应波段长度如表1所示，覆盖范围为1 470 m×1 580 m，道路平均宽度为5～7 m，如图3所示。

表1 实验数据波段与波长

图3 实验数据影像

2.2 道路模板匹配

本文基于GeoEye-1全色波段，生成了100个模板，模板大小为20 pixel×20 pixel，图4为部分模板。

图4 部分道路模板

运用已建立的模板与影像进行匹配，得到最佳匹配点；再采用多尺度分割将最佳道路匹配点所在的对象提取出来，结果如图5所示。

2.3 特征分析与结果精细化

由图5可知，道路初步提取结果仍存在大量噪声，需剔除混分地物类型；若道路不连续，则需进行空白区域填补。

总结前人研究结果，本文在光谱、形状和纹理等特征中，选取了29个特征进行统计分析。综合考虑道路特征的显著性、可区分性和效率，选择特征相对明显的长宽比（Length/Width）、对称性、亮度（Brightness）和面积作为道路混分剔除的主要指标。图6中蓝色为道路对应特征，红色为其他地物综合特征。

图5 模板匹配与初步提取结果

图6 特征分析与选取结果

剔除混分道路后，再采用道路断线连接技术进行自动空缺填补，得到道路提取结果见图7。

2.4 自动优化提取结果

常态化地理国情监测包括地表覆盖分类和地理国情要素数据[7]，其中地理国情要素数据包括道路矢量线。该矢量数据包含自适应道路优化所需的道路宽度属性。本文利用全国第一次地理国情普查成果中该区域的道路要素数据，在易康平台上实现了自适应道路优化，结果如图8所示，图中黄色为道路优化结果。

图7 精细化道路提取结果

图8 道路提取优化结果

3 结 语

结合常态化地理国情监测，本文以全国第一次地理国情普查西部地区的遥感影像与对应道路矢量线为实验数据，通过模板匹配、特征分析与人机交互等方法进行道路信息优化、道路断线连接以及自适应道路优化，得到了实验区域高分辨率遥感影像的路网提取结果。与对应区域地理国情普查中地表覆盖分类的道路分类结果相比，本文的道路提取结果与影像套合效果更好；但使用地理国情监测其他影像进行扩展实验时，由于道路的差异性较大，干扰因素较多，部分道路提取结果的宽度、位置有所偏差，需人工干预。

[1] 李芹,阳春花,梁雪松,等.面向对象的遥感影像水域信息提取应用研究:以西藏(东)地区为例[J].测绘地理信息,2016,41(6):40-43

[2] 顾剑华,孙鑫,李红.基于地理国情普查高分辨率遥感影像的道路提取方法研究[J].测绘与空间地理信息,2014,37(6):145-146

[3] 程滔,周旭,刘若梅.面向地理国情监测的地表覆盖信息提取方法[J].测绘通报,2013(8):84-86

[4] 丁磊,张保明,郭海涛,等.矢量数据辅助的高分辨率遥感影像道路自动提取[J].遥感学报,2017,21(1):84-95

[5] 张剑清,刘朋飞,王华,等.利用Meanshift进行道路提取[J].武汉大学学报(信息科学版),2010,35(6):719-722

[6] 周绍光,孙超.分割道路影像并形成道路网的新方法[J].计算机仿真,2010,27(10):283-286

[7] 傅罡,赵红蕊,李聪,等.曲折道路遥感影像圆投影匹配改进追踪法[J].测绘学报,2014,43(7):724-730

[8] 张继贤,翟亮.关于常态化地理国情监测的思考[J].地理空间信息,2016,14(4):1-3