基于eCognition的面向對象農村公路提取

何 勇，陳昌鳴，熊增連，吳亞坤

(1.重慶交通大學河海學院，重慶400074;2.重慶數字城市科技有限公司，重慶400020)

0 引言

隨著遙感影像分辨率的不斷提高，其中包含的信息量也在不斷的增大。但是信息的提取速度遠遠跟不上影像獲取的速度，為了獲取準確的信息，大多數還是采用人工解譯的方法進行提取。這種方法費時費力，并且受解譯人員的專業知識影響較大。因此如何提高信息的提取速度和效率是遙感信息提取與分析領域最重要的研究方向。

道路提取是遙感影像信息提取中很重要的一部分，常用的方法有最小二乘模板匹配算法［1］、Snakes法［2］、LSB-Snakes 模型算法［3］、面向對象法［4］等。其中面向對象法與傳統的面向像元的分析處理方法不同，它認為影像并非由單個像元來代表，而是由包含重要語義信息在內的影像對象以及他們之間的相互關系構成。影像對象是指影像分割后的“同質”的，連續的像元的集合［5］。由于對象比像元具有更豐富的意義，可以利用對象的光譜特征，空間紋理特征，形狀大小特征等，對道路進行提取。

1 面向對象道路專題信息提取

面向對象法模擬人類大腦認知過程，將圖像分割為不同均質的對象，充分利用對象所包含的信息，將知識庫轉換為規則特征，從而提取道路。面向對象法相對于傳統的基于像元的分析方法，具有不可比擬的優勢。它能有效解決高分辨率遙感影像的椒鹽效應，在分割的時候就已經將噪聲融合進對象之中。由于處理的是對象而不是單個的像元，因此能利用對象的紋理特征，拓撲特征，幾何特征等信息，提高了提取的精度。

eCognition是全球第一個面向對象的影像分析軟件，它模仿人類思維進行影像綜合智能分析和信息提取，具有模糊邏輯分類、模型化、復雜語意分析及整合多源數據等功能。通過人機交互定義的分割尺度、顏色、形狀等參數進行影像對象分割，以影像對象為基本空間單元進行地物目標提取，可應用于各種專題研究［6］。

筆者以“‘十二五’農村道路現狀調查”為依托，選取重慶市長壽區東北部區域為實驗區，采用2009年9月獲取的CBERS 02B HR影像進行研究，影像空間分辨率為2.4 m(圖1)。采用eCognition Developer 8.0軟件進行實驗，道路提取流程如圖2。

圖1 研究區影像Fig.1 Image of research area

圖2 道路提取流程Fig.2 Flow of roads extraction

2 面向對象法提取農村道路

2.1 影像預處理

在對影像進行切割，幾何校正后，為了增大地物反差，要對影像進行LUT拉伸，從而方便進行分割。

2.2 影像分割

影像分割是面向對象法的第一步，也是最關鍵的一步，分割質量的好壞直接影響到后期分析處理結果。在這里采用最常用的多尺度分割。多尺度分割采用異質性最小的區域合并算法，目的是實現分割后影像對象的權重異質性最小化，eCognition能進行任意分辨率的區域合并算法，從而滿足不同尺度地物提取的需要，因此需要設置分割尺度參數來控制合并算法的閾限［7］。

農村公路寬度較小，分割尺度采用15比較合適，除分割尺度外，還需設置形狀指數和緊湊度指數來保證分割結果不會太破碎。在清晰分割出道路的同時，要使背景對象與道路對象形狀差異盡可能的大。經過多次嘗試，最終將形狀指數設為0.9，緊湊度指數設置為0.1。分割結果如圖3。

圖3 影像分割結果Fig.3 The result of image segmentation

2.3 知識庫構建與道路提取

在對道路的提取過程中，知識庫的構建至關重要。在對地物特征進行高度抽象概括之后，結合相關的知識對其進行描述，把這些語義知識轉化為規則，從而實現道路提取。在對研究區道路的物理特點和影像特點研究后，通過亮度和形狀兩個特征來構建道路提取知識庫，再將這兩個特征轉化為規則進行提取。

首先，將對象分為道路和背景兩種，亮度值大于219的對象提取出來歸類為temp01，其余的歸為背景類背景地物，初次提取結果如圖4。

圖4 初次提取結果Fig.4 The result of the first extraction

除了道路對象，還有很多亮度值較高的背景對象也被分了進來，這些大部分是屬于反射率較高的裸地和屋頂。因為農村道路很多是泥結石等未鋪裝路面，在材質上和裸地幾乎一致，僅從光譜特征上很難將其區分開來，這時要利用形狀特征進行道路提取。

2.4 完善道路

農村道路不同于城市道路，道路狹窄，路邊樹木較多且地勢復雜，因此道路經常被山體或樹木遮擋，表現為道路被突然中斷或不連續。為了盡量減少這種誤差，需要將一些道路縫隙連接起來。

2.4.1 生成順直道路段

首先對道路類temp01進行分割，生成一段一段的順直道路段，只有這樣，才能保證道路生長方向明確。步驟如下:

1)設置初始分割尺度參數fg01=20。

2)設置分割算法，采用多尺度分割，分割尺度為fg01，形狀指數為0.9。在這里，要盡可能的生成順直的對象，因此緊湊度指數也設置為0.9。

3)在生成的temp01類對象中，豎直的對象(緊湊度＜2)分類為temp02，不再參與分割。

4)分割尺度自減，設置fg01=fg01×0.9。

5)設置循環，當fg01＞10時，回到步驟2)繼續分割，否則退出循環。

采用這種分割算法，能將道路類temp01打斷，生成順直的temp02類。分割流程如圖5。

圖5 分割流程Fig.5 Flow of segmentation

2.4.2 道路對象生長

道路對象周圍的地物對象形狀大小不一，難以進行融合生長，采用像素化邊界對象的辦法能使道路能正確生長，生長流程如圖6。

圖6 生長流程Fig.6 Flow of growing

1)將背景地物類合并為一個對象，如圖7(a)。

2)在背景地物類與temp02類邊界處，對背景地物類進行棋盤分割，分割大小為1個像素，目的是使其交界處邊緣像素化，便于進行道路生長。

3)采用image object fusion算法進行生長，設置長度擬合函數，目標權重為1，種子權重為－1，候選地物權重為0，長度擬合函數閾限為Length＞0 Pxl，由此得到長度擬合函數TL－SL＞0。TL是目標對象長度，SL是種子對象長度。計算機根據此函數自動進行計算，得到最佳融合方式，使temp02類中的順直對象沿著主方向生長。

4)設置grow region算法，把背景地物類中，與temp02類相鄰的，均值大于220的，融合進temp02中。此步驟的作用是加快融合進度，特別是要融合那些被當做雜斑去掉的道路對象。

用上述規則對背景地物進行反復分割，融合，循環8次后停止，結果如圖7(b)。

圖7 道路縫隙連接Fig.7 Connection of the road gap

2.4.3 連接道路

1)首先要分離生長部位，把它歸為一個新的類temp03，如圖7(c)。

2)設置connector算法，將temp02類的道路段通過temp03類連接起來。并將剩余的temp03類合并到背景地物類中，如圖7(d)。

3 結果評價

最后得到的temp2類就是道路提取結果，如圖8。結合目視解譯結果，采用Wiedemann［8］提出的完全率(Completeness)、正確率(Correctness)、提取質量(Quality)這3個指標來評價道路。完全率=提取正確道路長度/實際道路長度;正確率=提取正確道路長度/提取出的道路總長度;提取質量=提取正確的道路長度/(提取出的道路總長度+未提取出的道路長度)。

圖8 農村公路提取結果Fig.8 Result of rural roads extraction

最后面向對象法提取結果為:完全率=0.87，正確率=0.94，提取質量=0.82。采用面向像元的方法對道路進行提取(監督分類)，得到結果為:完全率 =0.69，正確率 =0.81，提取質量 =0.59。從圖9的結果對比可以看出，面向對象法在這3個指標上均要優于面向像元的方法。

圖9 提取結果對比Fig.9 Comparison of the results

4 結語

1)采用面向對象法提取農村道路，在對影像進行分割后，根據道路的光譜特征和幾何特征構建了知識庫，并將知識庫轉換為規則對道路進行提取。與面向像元的方法進行比較，能看出面向對象法具有更好的提取精度。

2)面向對象法相對于面向像元的方法，能有效的抑制雜斑的生成并提高空間信息的利用效率。

3)面向對象法處理的目標是具有豐富語義的對象而非像元，提取過程更加靈活，從而提高提取精度。

［1］ 胡翔云.航空遙感影象線狀地物與房屋的自動提取［D］.武漢:武漢大學，攝影測量與遙感系，2001.

［2］ 肖志強，鮑光淑.一種從SAR圖像中提取城市道路網絡的方法［J］.測繪學報，2004，33(3):264-268.

Xiao Zhiqiang，Bao Guangshu.A method of extract road from SAR image［J］.Acta Geodaetica et Cartographica Sinica，2004，33(3):264-268.

［3］ Gruen A，Li H H.Semiautomatic linear feature extraction by dynamic programming and LSB-snakes［J］.Photogrammetric Engineering＆ Remote Sensing，1997，63(8):985-995.

［4］ 李朝峰，曾生根，許磊.遙感圖像智能處理［M］.北京:電子工業出版社，2007.

［5］ 胡進剛，張曉東，沈欣，等.一種面向對象的高分辨率影像道路提取方法［J］.遙感技術與應用，2006，21(3):184-188.

Hu Jingang，Zhang Xiaodong，Shen Xin，et al.An extraction road method based on object-oriented thought［J］.Remote Sensing Technology and Application，2006，21(3):184-188.

［6］ 施益強，朱曉玲，藺方.基于多因子對象的高空間分辨率遙感影像道路提取［J］.集美大學學報，2010，15(4):312-316.Shi Yiqiang，Zhu Xiaoling，Lin Fang.Based on multi-factor objects of high spatial resolution remote sensing image road extraction［J］.Journal of Jimei University，2010，15(4):312-316.

［7］ 孫曉霞，張繼賢，劉正軍.利用面向對象的分類方法從IKONOS全色影像中提取河流和道路［J］.測繪科學，2006，31(1):62-63.

Sun Xiaoxia，Zhang Jixian，Liu Zhengjun.Using object-oriented classification method from IKONOS panchromatic images to extract the rivers and roads［J］.Science of Surveying and Mapping，2006，31(1):62-63.

［8］ Wiedemann C，Heipke C.Empirical evaluation of automatically extracted road axes［J］.CVPR Workshop on Empirical Evaluation Methods in Computer Vision，1998，239:172-187.